基于多目标决策的抽油机参数优化方法

摘要

本发明提供一种基于多目标决策的抽油机参数优化方法，包括：1)确定抽油机的生产效率影响因素和性能变量、2)获得其样本数据、3)对载荷数据降维、4)由非载荷变量与载荷新主元构建网络输入变量集、5)构建输入变量的样本值、6)归一化处理、7)选取训练和测试样本、8)构建广义回归神经网络并训练、9)构造产液量偏好函数、10)构建评价决策变量个体支配关系的适应度函数、11)计算系统环境变量的平均值、12)利用决策变量构建初始种群并生成精英解种群、13)进行遗传迭代计算，得到第二代精英种群和父代种群、14)迭代循环，最终得到优化后的生产效率影响因素值。优化后，可保证在产液量基本固定的情况下耗电量最小。

主权项

一种基于多目标决策的抽油机参数优化方法，包括如下步骤：1)确定抽油机采油过程生产效率影响因素构成效率观测变量集合其中α₁，α₂为决策变量，α₃～α₁₄₆载荷数据环境变量，为其他环境变量，选取抽油机系统的性能变量构成性能观测变量集合：{y₁,y₂,y₃,…y_l}；2)获得所述生产效率影响因素和系统性能变量的样本数据，得到效率影响因素样本矩阵α和性能样本矩阵Y：$\alpha =\left[\begin{array}{cccc}{\alpha }_{11}& {\alpha }_{12}& ...& {\alpha }_{1N}\\ {\alpha }_{21}& {\alpha }_{22}& ...& {\alpha }_{2N}\\ ...& ...& ...& ...\\ {\alpha }_{\bar{M}1}& {\alpha }_{\bar{M}2}& ...& {\alpha }_{\bar{M}N}\end{array}\right]\equiv \left[\begin{array}{c}{L}_1\\ L_2\\ ...\\ L_{\bar{M}}\end{array}\right]$$Y=\left[\begin{array}{cccc}{y}_{11}& y_{12}& ...& y_{1N}\\ y_{21}& y_{22}& ...& y_{2N}\\ ...& ...& ...& ...\\ y_{l1}& y_{l2}& ...& y_{\mathrm{lN}}\end{array}\right]$其中为效率影响因素个数，N为样本个数，α_ik表示第i个效率影响因素变量的第k个观测值，i＝1,2,...,M；k＝1,2,...,N；3)利用主元分析算法对载荷数据进行降维处理，从而构建新的载荷主元变量矩阵：$\left[\begin{array}{c}{L}_{z1}\\ L_{z2}\\ L_{z3}\\ L_{\mathrm{zd}}\end{array}\right]=\left[\begin{array}{cccc}{\alpha }_{z11}& {\alpha }_{z12}& ...& {\alpha }_{z1N}\\ {\alpha }_{z21}& {\alpha }_{z22}& ...& {\alpha }_{z2N}\\ ...& ...& ...& ...\\ {\alpha }_{\mathrm{zd}1}& {\alpha }_{\mathrm{zd}2}& ...& {\alpha }_{\mathrm{zdN}}\end{array}\right]$4)由影响因素观测变量集合中非载荷变量与载荷新主元观测变量集合{α_z1,α_z2,...,α_zd}构建网络输入变量集合：并令输入变量集合为：{x₁,x₂,x₃,...,x_M}，即，$\{{\alpha }_1,{\alpha }_2,{\alpha }_{147},...,{\alpha }_{\bar{M}},{\alpha }_{z1},...,{\alpha }_{\mathrm{zd}}\}=\{x_1,x_2,x_3,...,x_M\};$5)构建输入变量集合{x₁,x₂,x₃,...,x_M}观测样本值：$X=\left[\begin{array}{cccc}{X}_1& X_2& ...& X_N\end{array}\right]=\left[\begin{array}{cccc}{\alpha }_{11}& {\alpha }_{12}& ...& {\alpha }_{1N}\\ {\alpha }_{21}& {\alpha }_{22}& ...& {\alpha }_{2N}\\ {\alpha }_{\mathrm{147,1}}& {\alpha }_{\mathrm{147,2}}& ...& {\alpha }_{147,N}\\ ...& ...& ...& ...\\ {\alpha }_{\bar{M}1}& {\alpha }_{\bar{M}2}& ...& {\alpha }_{\bar{M}N}\\ {\alpha }_{z11}& {\alpha }_{z12}& ...& {\alpha }_{z1N}\\ ...& ...& ...& ...\\ {\alpha }_{\mathrm{zd}1}& {\alpha }_{\mathrm{zd}2}& ...& {\alpha }_{\mathrm{zdN}}\end{array}\right]\begin{array}{}\end{array}=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1N}\\ x_{21}& x_{22}& ...& x_{2N}\\ x_{31}& x_{32}& ...& x_{3N}\\ ...& ...& ...& ...\\ x_{M1}& x_{M2}& ...& x_{\mathrm{MN}}\end{array}\right]$$Y=\left[\begin{array}{cccc}{Y}_1& Y_2& ...& T_N\end{array}\right]=\left[\begin{array}{cccc}{y}_{11}& y_{12}& ...& y_{1N}\\ y_{21}& y_{33}& ...& y_{2N}\\ ...& ...& ...& ...\\ y_{l1}& y_{l2}& ...& y_{\mathrm{lN}}\end{array}\right]$其中，x₁～x₂为决策变量，x₃～x_M为新的环境变量；6)对得到的训练输入样本X、输出样本Y进行归一化处理，得到新的训练输入矩阵输出矩阵${\tilde{X}}_k={\left[\begin{array}{ccccc}{\tilde{x}}_{1k}& {\tilde{x}}_{2k}& {\tilde{x}}_{3k}& ...& {\tilde{x}}_{\mathrm{Mk}}\end{array}\right]}^T={\left[\begin{array}{ccccc}f\left(x_{1k}\right)& f\left(x_{2k}\right)& f\left(x_{3k}\right)& ...& f\left(x_{\mathrm{Mk}}\right)\end{array}\right]}^T\equiv f\left(X_k\right)$${\tilde{Y}}_k={\left[\begin{array}{cccc}{\tilde{y}}_{1k}& {\tilde{y}}_{2k}& ...& {\tilde{y}}_{\mathrm{lk}}\end{array}\right]}^T{\left[\begin{array}{cccc}g\left(y_{1k}\right)& g\left(y_{2k}\right)& ...& g\left(y_{\mathrm{lk}}\right)\end{array}\right]}^T\equiv g\left(Y_k\right)$$\tilde{X}=[{\tilde{X}}_1,{\tilde{X}}_2,...,{\tilde{X}}_N]=\left[\begin{array}{cccc}{\tilde{x}}_{11}& {\tilde{x}}_{12}& ...& {\tilde{x}}_{1N}\\ {\tilde{x}}_{21}& {\tilde{x}}_{22}& ...& {\tilde{x}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{x}}_{M1}& {\tilde{x}}_{M2}& ...& {\tilde{x}}_{\mathrm{MN}}\end{array}\right]$$\tilde{Y}=\left[\begin{array}{cccc}{\tilde{Y}}_1& {\tilde{Y}}_2& ...& {\tilde{Y}}_N\end{array}\right]=\left[\begin{array}{cccc}{y}_{11}& y_{12}& ...& y_{1N}\\ y_{21}& y_{22}& ...& y_{2N}\\ ...& ...& ...& ...\\ y_{l1}& y_{l2}& ...& y_{\mathrm{lN}}\end{array}\right]$7)在归一化后样本集中，选取样本集前组样本作为网络训练样本集则样本集剩余组作为测试样本集其中$\tilde{N}=(0.8~0.9)*N,$其中：训练样本集和测试样本集分别为：${\tilde{X}}^{\mathrm{train}}=\left[\begin{array}{cccc}{\tilde{x}}_{11}& {\tilde{x}}_{12}& ...& {\tilde{x}}_{1N}\\ {\tilde{x}}_{21}& {\tilde{x}}_{22}& ...& {\tilde{x}}_{2\tilde{N}}\\ ...& ...& ...& ...\\ {\tilde{x}}_{M1}& {\tilde{x}}_{M2}& ...& {\tilde{x}}_{M\tilde{N}}\end{array}\right];$${\tilde{Y}}^{\mathrm{train}}=\left[\begin{array}{cccc}{y}_{11}& y_{12}& ...& y_{1\tilde{N}}\\ y_{21}& y_{22}& ...& y_{2\tilde{N}}\\ ...& ...& ...& ...\\ y_{l1}& y_{l2}& ...& y_{l\tilde{N}}\end{array}\right]$${\tilde{X}}^{\mathrm{test}}=\left[\begin{array}{cccc}{\tilde{x}}_{1,\tilde{N}+1}& {\tilde{x}}_{1,\tilde{N}+2}& ...& {\tilde{x}}_{1,N}\\ {\tilde{x}}_{2,\tilde{N}+1}& {\tilde{x}}_{2,\tilde{N}+2}& ...& {\tilde{x}}_{2,\tilde{N}+N}\\ ...& ...& ...& ...\\ {\tilde{x}}_{M,\tilde{N}+1}& {\tilde{x}}_{M,\tilde{N}+2}& ...& {\tilde{x}}_{M,N}\end{array}\right];$${\tilde{Y}}^{\mathrm{test}}=\left[\begin{array}{cccc}{\tilde{y}}_{1,\tilde{N}+1}& {\tilde{y}}_{1,\tilde{N}+2}& ...& {\tilde{y}}_{1,N}\\ {\tilde{y}}_{2,\tilde{N}+1}& {\tilde{y}}_{2,\tilde{N}+2}& ...& {\tilde{y}}_{2,N}\\ ...& ...& ...& ...\\ {\tilde{y}}_{l,\tilde{N}+1}& {\tilde{y}}_{l,\tilde{N}+2}& ...& {\tilde{y}}_{l,N}\end{array}\right]$8)构建广义回归神经网络网络，以系统效率影响因素作为网络的输入，作为网络输出,采用所述训练输入样本对该网络进行训练，最终得到可计算出任一组输入观测值x₁,x₂,...,x_M所对应的输出预测值的广义回归神经网络：$\hat{Y}\left(X\right)={\left[\begin{array}{cccc}{\hat{y}}_1\left(X\right)& {\hat{y}}_2\left(X\right)& ...& {\hat{y}}_l\left(X\right)\end{array}\right]}^T={\left[\begin{array}{cccc}{g}^{-1}\left({\hat{\tilde{y}}}_1\left(f\left(X\right)\right)\right)& g^{-1}\left({\hat{\tilde{y}}}_2\left(f\left(X\right)\right)\right)& ...& g^{-1}\left({\hat{\tilde{y}}}_l\left(f\left(X\right)\right)\right)\end{array}\right]}^T$其中，g^‑1为函数g的反函数；9)针对产液量y₁构造其偏好函数h＝h(y₁)，该偏好函数为U形曲线，在其整个定义域上二阶可导且二阶导数恒大于零，将产液量y₁的值划分为好、较好、一般、较差和极差5个区域，并通过所述偏好函数将该五个区域量化为数值h＝h(y₁)；其中，产液量y₁处于好区域对应偏好函数最小值；10)构建评价决策变量个体支配关系的适应度函数，系统的性能变量选取产液量(y₁)、耗电量(y₂)，结合步骤S9构建的产液量偏好函数，得到适应度函数如下：$\mathrm{objFun}\left(X\right)={\left[\begin{array}{cc}h\left({\hat{y}}_1\right)& {\hat{y}}_2\end{array}\right]}^T={\left[\begin{array}{cc}h\left(g^{-1}\left({\hat{\tilde{y}}}_1\left(f\left(X\right)\right)\right)\right)& g^{-1}\left({\hat{\tilde{y}}}^2\left(f\left(X\right)\right)\right)\end{array}\right]}^T;$11)计算抽油机工艺系统环境变量的平均值，以作为优化决策参数时的环境状态；12)利用决策变量x₁,x₂构建初始种群P的个体，即P_k＝[x_1k,x_2k]，设置决策变量的上下限x_min、x_max,即x_1min≤x₁≤x_1max，x_2min≤x₂≤x_2max，利用决策变量(x₁,x₂)的K对数据构建初始种群P，即初始化种群P,令其为第一代父代种群；生成一个空的精英解种群设置精英个体个数为设置最大遗传代数GEN＝100；13)进行第一次遗传迭代计算，并得到第二代精英种群A²、第二代父代种群P²。具体步骤如下：①个体强度求取，将第一代父代种群与精英解种群组合成种群R_t，即R_t＝P¹UA¹,求取种群R_t中每个个体的原始适应度函数值，并比较个体之间的相互支配关系；定义变量R(c)为种群R_t中第c个个体强度，即第c个个体可以被种群R_t其他个体支配的数量；其中个体R_t(c)原始适应度函数值求取过程如下：通过种群个体R_t(c)与环境状态变量平均值组建输入样本计算样本X_c原始适应度函数值并作为个体R_t(c)的原始适应度函数值；②个体密度求取，利用个体R_t(i)与种群R_t中第b个邻近个体的距离值则个体R_t(c)密度函数$D\left(c\right)=\frac{1}{{\sigma }_c^b+2},$$b=\sqrt{K+\bar{K}};$③求个体的适应值，将上述所求个体R_t(c)的强度R(c)和所求个体R_t(c)的密度值D(c)的相加作为个体R_t(c)的适应值；④在种群R_t将所有的非支配个体全部放入精英种群A²，但要保持精英种群个体数为此时存在三种情况：A²中个体数为则不需要在操作，如果A²中个体数小于K，则需要在种群R_t剩余个体中选取适应值较小的个体放入A²中，保持A²个体数为K；如果A²中个体数大于K，则需要在A²个体中比较个体的密度值D(c)，将密度值较大的个体剔除，以保持A²个体数为K；⑤将A²中个体放入交配池中进行遗传操作得到第二代父代种群P²；⑥将第二代父代种群P²与第二代精英种群A²组合，并重复①～⑤过程，直至gen＝GEN，输出精英种群A^GEN,将A^GEN的个体作为优化结果；14)将优化后的决策变量，以及环境变量的平均值带入建立工艺过程模型，计算优化后的决策变量的系统性能，该优化后的决策变量取值可保证在固定产液量的情形下，耗电量降低。