面向抽油机工作过程的智能优化方法

摘要

本发明提供一种面向抽油机工作过程的智能优化方法，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)构建前馈神经网络并训练、9)构造产液量偏好函数、10)构造父代和子代种群、11)对父代种群个体进行遗传交叉或变异计算，以产生子代种群个体、12)求个体求适应度函数、13)将个体划分到不同层级的非支配集中、14)从非支配集中选择个体构成新父代种群并循环，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。

说明书

技术领域

本发明属于采油领域，具体涉及一种面向抽油机工作过程的智能优化方 法。

背景技术

抽油机采油作为一种机械采油方式，主要由电动机、地面传动设备和井 下抽油设备三部分组成，如图1所示。抽油机的整个采油过程主要分为上下 两个冲程：上冲程，即驴头悬点向上运动，提起抽油杆柱和井下抽油设备， 此过程中电动机需消耗大量的能量；下冲程，即驴头悬点向下运动，抽油机 的抽油杆柱电动机做功。在抽油杆柱上下运动过程中，电动机的负载发生周 期变化。抽油机的运行参数的选择对整个抽油机系统的能量消耗影响很大。 为了使抽油机采油生产过程既能完成预定的产液量，又能使抽油机生产过程 的耗电量最低，需要对抽油机运行参数进行节能优化。

发明内容

本发明是为了解决现有技术中存在的上述技术问题而做出，其目的在于 提供一种面向抽油机工作过程的智能优化方法，以保证抽油机的生产状态最 佳，从而达到减少能耗，提高系统效率的目的。

为了实现上述目的，本发明提供一种面向抽油机工作过程的智能优化方 法，该方法包括的步骤如下：

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：

$X=\left(\begin{array}{cccc}{X}_1& X_2& ...& X_N\end{array}\right)=\left(\begin{array}{cccc}{\alpha }_{11}& {\alpha }_{12}& ...& {\alpha }_{1N}\\ {\alpha }_{21}& {\alpha }_{22}& ...& {\alpha }_{2N}\\ {\alpha }_{\mathrm{147,1}}& {\alpha }_{\mathrm{147,2}}& ...& {\alpha }_{147,N}\\ ...& ...& ...& ...\\ {\alpha }_{\bar{M}1}& {\alpha }_{\bar{M}2}& ...& {\alpha }_{\bar{M}N}\\ {\alpha }_{z11}& {\alpha }_{z12}& ...& {\alpha }_{z1N}\\ ...& ...& ...& ...\\ {\alpha }_{\mathrm{zd}1}& {\alpha }_{\mathrm{zd}2}& ...& {\alpha }_{\mathrm{zdN}}\end{array}\right)=\left(\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1N}\\ x_{21}& x_{22}& ...& x_{2N}\\ x_{31}& x_{32}& ...& x_{3N}\\ ...& ...& ...& ...\\ x_{M1}& x_{M2}& ...& x_{\mathrm{MN}}\end{array}\right)$

$Y=\left(\begin{array}{cccc}{Y}_1& Y_2& ...& Y_N\end{array}\right)=\left(\begin{array}{cccc}{y}_{11}& y_{12}& ...& y_{1N}\\ y_{21}& y_{22}& ...& y_{2N}\\ ...& ...& ...& ...\\ y_{l1}& y_{l2}& ...& y_{\mathrm{lN}}\end{array}\right)$

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

${\tilde{X}}_k={\left(\begin{array}{ccccc}{\tilde{x}}_{1k}& {\tilde{x}}_{2k}& {\tilde{x}}_{3k}& ...& {\tilde{x}}_{\mathrm{Mk}}\end{array}\right)}^T={\left(\begin{array}{ccccc}f\left(x_{1k}\right)& f\left(x_{2k}\right)& f\left(x_{3k}\right)& ...& f\left(x_{\mathrm{Mk}}\right)\end{array}\right)}^T\equiv f\left(X_k\right)$

${\tilde{Y}}_k={\left(\begin{array}{cccc}{\tilde{y}}_{1k}& {\tilde{y}}_{2k}& ...& {\tilde{y}}_{\mathrm{lk}}\end{array}\right)}^T={\left(\begin{array}{cccc}g\left(y_{1k}\right)& g\left(y_{2k}\right)& ...& g\left(y_{\mathrm{lk}}\right)\end{array}\right)}^T\equiv g\left(Y_k\right)$

$\tilde{X}=[{\tilde{X}}_1,{\tilde{X}}_2,...,{\tilde{X}}_N]=\left(\begin{array}{cccc}{\tilde{x}}_{11}& {\tilde{x}}_{12}& ...& {\tilde{x}}_{1N}\\ {\tilde{x}}_{21}& {\tilde{x}}_{22}& ...& {\tilde{x}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{x}}_{M1}& {\tilde{x}}_{M2}& ...& {\tilde{x}}_{\mathrm{MN}}\end{array}\right)$

$\tilde{Y}=\begin{array}{c}\left(\begin{array}{cccc}{\tilde{Y}}_1& {\tilde{Y}}_2& ...& {\tilde{Y}}_N\end{array}\right)\end{array}=\left(\begin{array}{cccc}{\tilde{y}}_{11}& {\tilde{y}}_{12}& ...& {\tilde{y}}_{1N}\\ {\tilde{y}}_{21}& {\tilde{y}}_{22}& ...& {\tilde{y}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{y}}_{l1}& {\tilde{y}}_{l2}& ...& {\tilde{y}}_{\mathrm{lN}}\end{array}\right)$

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：

${\tilde{X}}^{\mathrm{train}}=\left(\begin{array}{cccc}{\tilde{x}}_{11}& {\tilde{x}}_{12}& ...& {\tilde{x}}_{1\tilde{N}}\\ {\tilde{x}}_{21}& {\tilde{x}}_{22}& ...& {\tilde{x}}_{2\tilde{N}}\\ ...& ...& ...& ...\\ {\tilde{x}}_{M1}& {\tilde{x}}_{M2}& ...& {\tilde{x}}_{M\tilde{N}}\end{array}\right);{\tilde{Y}}^{\mathrm{train}}=\left(\begin{array}{cccc}{\tilde{y}}_{11}& {\tilde{y}}_{12}& ...& {\tilde{y}}_{1\tilde{N}}\\ {\tilde{y}}_{21}& {\tilde{y}}_{22}& ...& {\tilde{y}}_{2\tilde{N}}\\ ...& ...& ...& ...\\ {\tilde{y}}_{l1}& {\tilde{y}}_{l2}& ...& {\tilde{y}}_{l\tilde{N}}\end{array}\right)$

${\tilde{X}}^{\mathrm{test}}=\left(\begin{array}{cccc}{\tilde{x}}_{1,\tilde{N}+1}& {\tilde{x}}_{1,\tilde{N}+2}& ...& {\tilde{x}}_{1,N}\\ {\tilde{x}}_{2,\tilde{N}+1}& {\tilde{x}}_{2,\tilde{N}+2}& ...& {\tilde{x}}_{2\widetilde{,N}+N}\\ ...& ...& ...& ...\\ {\tilde{x}}_{M,\tilde{N}+1}& {\tilde{x}}_{M,\tilde{N}+2}& ...& {\tilde{x}}_{M,N}\end{array}\right);{\tilde{Y}}^{\mathrm{test}}=\left(\begin{array}{cccc}{\tilde{y}}_{\mathrm{1,}\tilde{N}+1}& {\tilde{y}}_{1,\tilde{N}+2}& ...& {\tilde{y}}_{1,N}\\ {\tilde{y}}_{2,\tilde{N}+1}& {\tilde{y}}_{\mathrm{2,}\tilde{N}+2}& ...& {\tilde{y}}_{2,N}\\ ...& ...& ...& ...\\ {\tilde{y}}_{l,\tilde{N}+1}& {\tilde{y}}_{l,\tilde{N}+2}& ...& {\tilde{y}}_{l,N}\end{array}\right)$

8)构建3层前馈神经网络，采用所述训练输入样本对该网络进 行训练，利用遗传算法训练网络权值W、权值β、隐含层阈值b，从而确定网 络的参数，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 的前馈神经网络：

$\hat{Y}\left(X\right)={\left(\begin{array}{cc}{\hat{y}}_1\left(X\right)& {\hat{y}}_2\left(X\right)...{\hat{y}}_l\left(X\right)\end{array}\right)}^T={\left(\begin{array}{cc}{g}^{-1}\left({\stackrel{\widehat{~}}{y}}_1\left(f\left(X\right)\right)\right)& g^{-1}\left({\stackrel{\widehat{~}}{y}}_2\left(f\left(X\right)\right)\right)...g^{-1}\left({\stackrel{\widehat{~}}{y}}_l\left(f\left(X\right)\right)\right)\end{array}\right)}^T$

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)利用决策变量(x₁,x₂)构建多目标优化父代种群P_D，

$P_D=\left\{(x_{1m}^{P_D},x_{2m}^{P_D})\right|1\le m\le K\}$

其中，父代种群P_D中的个体(1≤m≤K)的数量为K，并从x₁的取值范围 x_1,min≤x₁≤x_1,max内随机取值赋予(1≤m≤L)，从x₂的取值范围x_2,min≤x₂≤x_2,max内 随机取值赋予(1≤m≤L)，从而对父代种群P_D进行初始化；

11)从父代种群P_D中选出任意对个体，对于每对个体(1≤m≤K,1≤n≤K)进行遗传交叉计算或变异计算，并将计算结果赋予子代 种群Q_D中相应的一对个体

12)将父代种群P_D与子代种群Q_D进行合并得到种群R＝P_D∪Q_D，即有 $R=\left\{(x_{1s}^R,x_{2s}^R)\right|1\le s\le 2K\}=\{(x_{1m}^{P_D},x_{2m}^{P_D})\}1\le m\le K\}\cup \left\{(x_{1n}^{Q_D},x_{2n}^{Q_D})\right|1\le n\le K\},$将种群R的每个个体 与环境变量平均值i＝3,…,M合成输入样本$X_s={\left(\begin{array}{ccccc}{x}_{1s}^R& x_{2s}^R& {\bar{x}}_3& ...& {\bar{x}}_M\end{array}\right)}^T,$并计算相应的适应度函数$\mathrm{objFun}1\left(X_s\right)={\left(\begin{array}{cc}h\left({\hat{y}}_1\left(X_s\right)\right)& {\hat{y}}_2\left(X_s\right)\end{array}\right)}^T;$

13)将种群R的所有个体所对应的适应度函数相互进行比较，将种群R 的所有个体划分到具有不同层级的非支配集中，其中，对于层级较低的非支 配集中的任一个体所对应的适应度函数objFun1(X_s)和层级较高的非支配 集中的任一个体所对应的适应度函数objFun1(X_t)来说，均不存在 且而对于同一层级的非支配集中的任两个个 体来说，该两个不等式中至少有一个不成立；

14)按照层级从低到高的顺序从所述非支配集中选择K个个体，将选择 出的K个个体的值赋予父代种群P_D中的个体，并执行步骤11)-步骤14)的 过程GEN次，GEN为预先确定的循环次数，最终得到优化后的K组决策变量 将优化后的决策变量以及所述环境变量的平均值构 成优化后的输入样本$X_m^{P_{\mathrm{GEN}}}={\left(\begin{array}{ccccc}{x}_{1m}^{P_{\mathrm{GEN}}}& x_{2m}^{P_{\mathrm{GEN}}}& {\bar{x}}_3& ...& {\bar{x}}_M\end{array}\right)}^T(1\le m\le K),$这K个样本保证了 在产液量基本固定且具有最小偏好值的情况下，耗电量最小。

本发明的有益效果是，利用遗传算法优化的极限学习机算法(GAELM)建立 油田机采过程的高精度模型，并利用带精英策略的快速非支配排序遗传算法 (NSGA2)对建立的模型进行搜索，探寻抽油机生产过程中最佳工艺决策参数， 给出面向节能降耗的抽油机生产最佳参数，指导生产。通过选择优化后的运 行参数，可以使抽油机在运行过程中保证在产液量基本固定且具有最小偏好 值的情况下，耗电量最小，从而可以降低油田生产成本并提高油田生产效率。

附图说明

图1示出了抽油机的工作模型；

图2示出了本发明一个实施例所述的面向抽油机工作过程的的智能优化 方法的流程图；

图3示出了本发明一个实施例中的前馈神经网络的结构；

图4示出了本发明一个实施例中的产液量偏好函数的图形；

图5示出了利用本发明的方法训练神经网络所产生的产液量训练效果图；

图6示出了利用本发明的方法训练神经网络所产生的耗电量训练效果图；

图7示出了测试样本产液量预测效果图；

图8示出了测试样本耗电量预测效果图；

图9示出了偏好函数的图形；

图10示出了产液量偏好值与耗电量的pareto解集关系。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全 面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节 的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例， 公知的结构和设备以方框图的形式示出。

图2是流程图，示出了本发明的一个实施例所述的面向抽油机工作过程 的智能优化方法。如图2所示，本发明所述的面向抽油机工作过程的智能优 化方法包括如下步骤：

步骤S1：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}。

在本发明的一个实施例中，选取决策变量α₁为冲次、决策变量α₂为有效冲 程、α₃～α₁₄₆为载荷1至载荷144，其余环境变量包括：理论排量、功率因数、 有功功率、无功功率、含水率中的一个或多个变量；选取抽油机生产过程性 能变量y₁为产液量、y₂为耗电量。

步骤S2：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。

步骤S3：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。本发明中采用示功图描绘数据的144个载荷点做为部分环境变 量进行建模。然而利用144维数据建模参数易产生维度灾难。故而利用主元 分析算法对载荷数据进行降维处理。

在一个实施例中，利用主元分析算法对载荷数据进行降维处理的步骤可 以包括：

①设置样本累计贡献率precent＝0.95；

②获取载荷数据每个L_k具有第k观测变量的N个观测数 据,3≤k≤146；

③求出数据平均值并利用原始数据减去均值得到

④计算协方差矩阵

⑤计算协方差矩阵的特征值E₁,E₂,...,E₁₄₄与特征向量EV₁,EV₂,...,EV₁₄₄；

⑥由大到小依次排列特征值E₁',E'₂,...,E'_M,对应特征向量为EV₁',EV₂',...,EV'₁₄₄，按特 征值大小顺序取前d个特征值的特征向量构成矩阵[EV₁',EV₂',...,EV_d']，此时 其中d<144；特征向量代表原数据的分布方向，其对应的特征 值越大，则该向量越重要(即为主元)；其对应的特征值越小，则该向量越次 要。

⑦由[EV₁',EV₂',...,EV_d']与原始样本求取载荷新的主元，其新载荷 主元观测变量构成集合:{α_z1,α_z2,...,α_zd}，其为d个新变量，且每个变量为N个观 测值构成的新主元矩阵：

$\left(\begin{array}{c}{L}_{z1}\\ L_{z2}\\ L_{z3}\\ L_{\mathrm{zd}}\end{array}\right)=\left(\begin{array}{cccc}{\alpha }_{z11}& {\alpha }_{z12}& ...& {\alpha }_{z1N}\\ {\alpha }_{z21}& {\alpha }_{z22}& ...& {\alpha }_{z2N}\\ ...& ...& ...& ...\\ {\alpha }_{\mathrm{zd}1}& {\alpha }_{\mathrm{zd}2}& ...& {\alpha }_{\mathrm{zdN}}\end{array}\right)$

步骤S4：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，

步骤S5：构建输入变量集合{x₁,x₂,x₃,...,x_M}观测样本值：

$X=\left(\begin{array}{cccc}{X}_1& X_2& ...& X_N\end{array}\right)=\left(\begin{array}{cccc}{\alpha }_{11}& {\alpha }_{12}& ...& {\alpha }_{1N}\\ {\alpha }_{21}& {\alpha }_{22}& ...& {\alpha }_{2N}\\ {\alpha }_{\mathrm{147,1}}& {\alpha }_{\mathrm{147,2}}& ...& {\alpha }_{147,N}\\ ...& ...& ...& ...\\ {\alpha }_{\bar{M}1}& {\alpha }_{\bar{M}2}& ...& {\alpha }_{\bar{M}N}\\ {\alpha }_{z11}& {\alpha }_{z12}& ...& {\alpha }_{z1N}\\ ...& ...& ...& ...\\ {\alpha }_{\mathrm{zd}1}& {\alpha }_{\mathrm{zd}2}& ...& {\alpha }_{\mathrm{zdN}}\end{array}\right)=\left(\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1N}\\ x_{21}& x_{22}& ...& x_{2N}\\ x_{31}& x_{32}& ...& x_{3N}\\ ...& ...& ...& ...\\ x_{M1}& x_{M2}& ...& x_{\mathrm{MN}}\end{array}\right)$

$Y=\left(\begin{array}{cccc}{Y}_1& Y_2& ...& Y_N\end{array}\right)=\left(\begin{array}{cccc}{y}_{11}& y_{12}& ...& y_{1N}\\ y_{21}& y_{22}& ...& y_{2N}\\ ...& ...& ...& ...\\ y_{l1}& y_{l2}& ...& y_{\mathrm{lN}}\end{array}\right)$

其中，x₁～x₂为决策变量，x₃～x_M为新的环境变量。

步骤S6：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

在一个实施例中，所述归一化处理的算法如下：

${\tilde{x}}_{\mathrm{ik}}=f\left(x_{\mathrm{ik}}\right)=({\tilde{x}}_{\max }-{\tilde{x}}_{\min })·\frac{x_{\mathrm{ik}}-x_{i,\min }}{x_{i,\max }-x_{i,\min }}+{\tilde{x}}_{\min }$

i＝1,2,...,M；k＝1,2,...,N

${\tilde{y}}_{\mathrm{jk}}=g\left(y_{\mathrm{jk}}\right)=({\tilde{y}}_{\max }-{\tilde{y}}_{\min })·\frac{y_{\mathrm{jk}}-y_{j,\min }}{y_{j,\max }-y_{j,\min }}+{\tilde{y}}_{\min }$

j＝1,2,....,l；k＝1,2,...,N

其中:为设定输入变量归一化后数据范围的最大值、最小值；

x_ik为归一化前的第i个输入变量第k个样本值；

为归一化后第i个输入变量第k个样本值；

x_i,min＝min{x_ik|1≤k≤N}

x_i,max＝max{x_ik|1≤k≤N}

为设定输出变量归一化后数据范围的最大值、最小值；

y_jk为归一化前第j个输出变量的第k个采集样本值；

为归一化后第j个输出变量的第k个值；

y_j,max＝max{y_jk|1≤k≤N}

y_j,min＝min{y_jk|1≤k≤N}

于是得到：

${\tilde{X}}_k={\left(\begin{array}{ccccc}{\tilde{x}}_{1k}& {\tilde{x}}_{2k}& {\tilde{x}}_{3k}& ...& {\tilde{x}}_{\mathrm{Mk}}\end{array}\right)}^T={\left(\begin{array}{ccccc}f\left(x_{1k}\right)& f\left(x_{2k}\right)& f\left(x_{3k}\right)& ...& f\left(x_{\mathrm{Mk}}\right)\end{array}\right)}^T\equiv f\left(X_k\right)$

${\tilde{Y}}_k={\left(\begin{array}{cccc}{\tilde{y}}_{1k}& {\tilde{y}}_{2k}& ...& {\tilde{y}}_{\mathrm{lk}}\end{array}\right)}^T={\left(\begin{array}{cccc}g\left(y_{1k}\right)& g\left(y_{2k}\right)& ...& g\left(y_{\mathrm{lk}}\right)\end{array}\right)}^T\equiv g\left(Y_k\right)$

$\tilde{X}=[{\tilde{X}}_1,{\tilde{X}}_2,...,{\tilde{X}}_N]=\left(\begin{array}{cccc}{\tilde{x}}_{11}& {\tilde{x}}_{12}& ...& {\tilde{x}}_{1N}\\ {\tilde{x}}_{21}& {\tilde{x}}_{22}& ...& {\tilde{x}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{x}}_{M1}& {\tilde{x}}_{M2}& ...& {\tilde{x}}_{\mathrm{MN}}\end{array}\right)$

$\tilde{Y}=\begin{array}{c}\left(\begin{array}{cccc}{\tilde{Y}}_1& {\tilde{Y}}_2& ...& {\tilde{Y}}_N\end{array}\right)\end{array}=\left(\begin{array}{cccc}{\tilde{y}}_{11}& {\tilde{y}}_{12}& ...& {\tilde{y}}_{1N}\\ {\tilde{y}}_{21}& {\tilde{y}}_{22}& ...& {\tilde{y}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{y}}_{l1}& {\tilde{y}}_{l2}& ...& {\tilde{y}}_{\mathrm{lN}}\end{array}\right)$

步骤S7：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 其中：训练样本集和测试样本集分别为：

${\tilde{X}}^{\mathrm{train}}=\left(\begin{array}{cccc}{\tilde{x}}_{11}& {\tilde{x}}_{12}& ...& {\tilde{x}}_{1\tilde{N}}\\ {\tilde{x}}_{21}& {\tilde{x}}_{22}& ...& {\tilde{x}}_{2\tilde{N}}\\ ...& ...& ...& ...\\ {\tilde{x}}_{M1}& {\tilde{x}}_{M2}& ...& {\tilde{x}}_{M\tilde{N}}\end{array}\right);{\tilde{Y}}^{\mathrm{train}}=\left(\begin{array}{cccc}{\tilde{y}}_{11}& {\tilde{y}}_{12}& ...& {\tilde{y}}_{1\tilde{N}}\\ {\tilde{y}}_{21}& {\tilde{y}}_{22}& ...& {\tilde{y}}_{2\tilde{N}}\\ ...& ...& ...& ...\\ {\tilde{y}}_{l1}& {\tilde{y}}_{l2}& ...& {\tilde{y}}_{l\tilde{N}}\end{array}\right)$

${\tilde{X}}^{\mathrm{test}}=\left(\begin{array}{cccc}{\tilde{x}}_{1,\tilde{N}+1}& {\tilde{x}}_{1,\tilde{N}+2}& ...& {\tilde{x}}_{1,N}\\ {\tilde{x}}_{2,\tilde{N}+1}& {\tilde{x}}_{2,\tilde{N}+2}& ...& {\tilde{x}}_{2\widetilde{,N}+N}\\ ...& ...& ...& ...\\ {\tilde{x}}_{M,\tilde{N}+1}& {\tilde{x}}_{M,\tilde{N}+2}& ...& {\tilde{x}}_{M,N}\end{array}\right);{\tilde{Y}}^{\mathrm{test}}=\left(\begin{array}{cccc}{\tilde{y}}_{\mathrm{1,}\tilde{N}+1}& {\tilde{y}}_{1,\tilde{N}+2}& ...& {\tilde{y}}_{1,N}\\ {\tilde{y}}_{2,\tilde{N}+1}& {\tilde{y}}_{\mathrm{2,}\tilde{N}+2}& ...& {\tilde{y}}_{2,N}\\ ...& ...& ...& ...\\ {\tilde{y}}_{l,\tilde{N}+1}& {\tilde{y}}_{l,\tilde{N}+2}& ...& {\tilde{y}}_{l,N}\end{array}\right)$

步骤S8：构建3层前馈神经网络，采用所述训练输入样本对该 网络进行训练，利用遗传算法训练网络权值W、权值β、隐含层阈值b，从而 确定网络的参数，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 预测值的前馈神经网络：

$\hat{Y}\left(X\right)={\left(\begin{array}{cc}{\hat{y}}_1\left(X\right)& {\hat{y}}_2\left(X\right)...{\hat{y}}_l\left(X\right)\end{array}\right)}^T={\left(\begin{array}{cc}{g}^{-1}\left({\stackrel{\widehat{~}}{y}}_1\left(f\left(X\right)\right)\right)& g^{-1}\left({\stackrel{\widehat{~}}{y}}_2\left(f\left(X\right)\right)\right)...g^{-1}\left({\stackrel{\widehat{~}}{y}}_l\left(f\left(X\right)\right)\right)\end{array}\right)}^T$

具体地，在一个实施例中，如图3所示，所述3层前馈神经网络可以由 输入层、隐含层和输出层组成，输入层与隐含层由权值W连接，其W_ki表示第i 个输入神经元与隐含层第k个神经元的间的连接权值；隐含层与输出层由权 值β连接，其β_kj表示第k个隐层神经元与输出层第j个神经元的间的连接权值； 隐含层的神经元个数为s₁，隐含层神经元的阈值为b，b_k为第k个隐层神经元 阈值；

各权值、阈值具体为：

$W=\left(\begin{array}{cccc}{W}_{11}& W_{12}& ...& W_{1M}\\ W_{21}& W_{22}& ...& W_{2M}\\ ...& ...& ...& ...\\ W_{s_{1}1}& W_{s_{1}2}& ...& W_{s_{1}M}\end{array}\right)\beta =\left(\begin{array}{cccc}{\beta }_{11}& {\beta }_{12}& ...& {\beta }_{1l}\\ {\beta }_{21}& {\beta }_{22}& ...& {\beta }_{2l}\\ ...& ...& ...& ...\\ {\beta }_{s_{1}1}& {\beta }_{s_{1}2}& ...& {\beta }_{s_{1}l}\end{array}\right)b={\left(\begin{array}{c}{b}_1\\ b_2\\ ...\\ b_{s_1}\end{array}\right)}_{s_1\times 1}$

设隐含层神经元的激活函数为网络的第m组输入样本的输 出为：

${\stackrel{\widehat{~}}{Y}}_m=\left(\begin{array}{c}{\stackrel{\widehat{~}}{y}}_{1m}\\ {\stackrel{\widehat{~}}{y}}_{2m}\\ ...\\ {\stackrel{\widehat{~}}{y}}_{\mathrm{lm}}\end{array}\right)=\left(\begin{array}{c}\underset{k=1}{\overset{s_1}{\Sigma }}{\beta }_{k1}g(W_k·{\tilde{X}}_m+b_k)\\ \underset{k=1}{\overset{s_1}{\Sigma }}{\beta }_{k2}g(W_k·{\tilde{X}}_m+b_k)\\ ...\\ \underset{k=1}{\overset{s_1}{\Sigma }}{\beta }_{k2}g(W_k·{\tilde{X}}_m+b_k)\end{array}\right)$

其中，W_k＝[W_k1,W_k2,…,W_kM]，最终得到可计算出任一组输入观测值x₁,x₂,...,x_M所对 应的输出预测值的前馈神经网络：

$\hat{Y}\left(X\right)={\left(\begin{array}{cc}{\hat{y}}_1\left(X\right)& {\hat{y}}_2\left(X\right)...{\hat{y}}_l\left(X\right)\end{array}\right)}^T={\left(\begin{array}{cc}{g}^{-1}\left({\stackrel{\widehat{~}}{y}}_1\left(f\left(X\right)\right)\right)& g^{-1}\left({\stackrel{\widehat{~}}{y}}_2\left(f\left(X\right)\right)\right)...g^{-1}\left({\stackrel{\widehat{~}}{y}}_l\left(f\left(X\right)\right)\right)\end{array}\right)}^T$

在步骤S8中，利用遗传算法训练网络权值W、权值β、隐含层阈值b的步 骤可以包括：

①利用输入层到隐含层的权值W,隐含层阈值b构建初始种群P，该种群 中第i个个体为设置初始种群P个体K＝50， 设置最大遗传代数GEN＝100。

②构建遗传算法优化权值阈值计算的适应值函数objfun2(P_i)：

$\mathrm{objfun}2\left(P_i\right)=\frac{{(Y^{\mathrm{test}}-F^{\left(i\right)}(P_i{\beta }^{\left(i\right)},X^{\mathrm{test}}))(Y^{\mathrm{test}}-F^{\left(i\right)}(P_i,{\beta }^{\left(i\right)},X^{\mathrm{test}}))}^T}{N_{\mathrm{test}}}$

③计算第i个个体的适应度函数值，利用个体和训 练样本输入样本计算隐含层神经元的输出矩阵H⁽ⁱ⁾：

$H^{\left(i\right)}={[H_1^{\left(i\right)},H_2^{\left(i\right)},...,H_{s_1}^{\left(i\right)}]}^T\left[g(\underset{m=1}{\overset{\tilde{N}}{\Sigma }}{W}_{1m}^{\left(i\right)}·{\tilde{X}}_m+b_1^{\left(i\right)})g(\underset{m=1}{\overset{\tilde{N}}{\Sigma }}{W}_{1m}^{\left(i\right)}·{\tilde{X}}_m+b_1^{\left(i\right)}...g(\underset{m=1}{\overset{\tilde{N}}{\Sigma }}{W}_{s_{1}m}^{\left(i\right)}·{\tilde{X}}_m+b_{s_1}^{\left(i\right)})\right]$

由训练样本输入样本对应的输出样本与隐含层的输出矩阵H⁽ⁱ⁾共同求 出隐含层到输出层的权值β⁽ⁱ⁾，(H⁽ⁱ⁾)^-1为矩阵H⁽ⁱ⁾的逆矩阵；在 求出个体对应的β⁽ⁱ⁾后，构建网络预测函数F⁽ⁱ⁾(P_i,β⁽ⁱ⁾,X)； 并将测试样本集X^test中的输入矩阵带入F⁽ⁱ⁾(P_i,β⁽ⁱ⁾,X)得到预测测试集预测输出 故而计算个体P_i适应度函数值：

$\mathrm{objfun}2\left(P_i\right)=\frac{(Y^{\mathrm{test}}-{\hat{Y}}^{\mathrm{test}}){(Y^{\mathrm{test}}-{\hat{Y}}^{\mathrm{test}})}^T}{N_{\mathrm{test}}}.$

④对种群P进行选择、交叉、变异操作，得到子群Q。

⑤种群Q进行③、④操作得到种群Q的子群。循环进行以上步骤，得到第 GEN代子群，并在第GEN代子群中选择一个最佳个体P_best，个体P_best第GEN代子 群中计算得到测试样本预测输出值与实际输出值的均方差最小。

⑥由P_best确定的输入到隐层的权值W，隐层阈值b，计算隐层输出矩阵H_best。 计算计算隐层到输出的权值矩阵输出权值β_best：从而得到最佳 模型。

上述选择操作可以包括：在P中K个体中，按每个个体的概率φ(P_i)大小决 定选中的机会，分K次从P中选择K个个体，其中概率 $\phi \left(P_i\right)=\mathrm{objfun}2\left(P_i\right)/\underset{i=0}{\overset{L}{\Sigma }}\mathrm{objfun}2\left(P_i\right).$

上述交叉操作包括：将选择操作得出的K个个体进行二进制编码，个体 中每个变量占据4字节，这样编码后一个个体的字节数为：4*(s₁*M+s₁)；将个 体P_i和P_j二进制编码后，将两个个体二进制编码第4·c位以后的编码进行调换， 从而得到两个新的个体和

所述变异操作包括：将交叉操作得到的K个体进行二进制编码，其中某 个二进制编码后的个体若第c位为1，则将1变成0；若第c位为0，则将0 变成1,，从而得到一个新的个体Q_i。

步骤S9：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。图4示出 了本发明的一个实施例所使用的产液量偏好函数的图形。

步骤S10：利用决策变量(x₁,x₂)构建多目标优化的父代种群P_D:

$P_D=\left\{(x_{1m}^{P_D},x_{2m}^{P_D})\right|1\le m\le K\}$

其中，父代种群P_D中的个体(1≤m≤K)的数量为K，并从x₁的取值范围 x_1,min≤x₁≤x_1,max内随机取值赋予(1≤m≤K)，从x₂的取值范围x_2,min≤x₂≤x_2,max内 随机取值赋予(1≤m≤K)，从而对父代种群P_D进行初始化。

步骤S11：从父代种群P_D中选出任意对个体，对于每对个体(1≤m≤K,1≤n≤K)进行遗传交叉计算或变异计算，并将计算结果赋予多目 标优化的子代种群Q_D中相应的一对个体

在一个实施例中，每对个体(1≤m≤K,1≤n≤K)之间的遗传 交叉计算公式为：

$x_{1m}^{Q_D}=0.5\times (x_{1m}^{P_D}(1+\alpha )+x_{1n}^{P_D}(1-\alpha ))$

$x_{2m}^{Q_D}=0.5\times (x_{2m}^{P_D}(1+\alpha )+x_{2n}^{P_D}(1-\alpha ))$

$x_{1n}^{Q_D}=0.5\times (x_{1m}^{P_D}(1-\alpha )+x_{1n}^{P_D}(1+\alpha ))$

$x_{2n}^{Q_D}=0.5\times (x_{2m}^{P_D}(1-\alpha )+x_{2n}^{P_D}(1+\alpha ))$

随机数α∈[0,1]；

每个个体(1≤m≤K)的变异计算公式为：

$x_{1m}^{Q_D}=x_{1m}^{P_D}(1+\beta )$

$x_{2m}^{Q_D}=x_{2m}^{P_D}(1+\beta )$

随机数β∈[0,1]。

步骤S12：将父代种群P_D与子代种群Q_D进行合并得到种群R＝P_D∪Q_D，即 有$R=\left\{(x_{1s}^R,x_{2s}^R)\right|1\le s\le 2K\}=\{(x_{1m}^{P_D},x_{2m}^{P_D})\}1\le m\le K\}\cup \left\{(x_{1n}^{Q_D},x_{2n}^{Q_D})\right|1\le n\le K\},$将种群R的每个个 体与环境变量平均值i＝3,…,M合成输入样本 $X_s={\left(\begin{array}{ccccc}{x}_{1s}^R& x_{2s}^R& {\bar{x}}_3& ...& {\bar{x}}_M\end{array}\right)}^T,$并计算相应多目标优化计算适应度函数 $\mathrm{objFun}2\left(X_s\right)={\left(\begin{array}{cc}h\left({\hat{y}}_1\left(X_s\right)\right)& {\hat{y}}_2\left(X_s\right)\end{array}\right)}^T.$

所述环境参数的平均值的计算公式为：

${\bar{x}}_i=\frac{1}{N}\underset{k=1}{\overset{N}{\Sigma }}{x}_{\mathrm{ik}},i=3,...,M$

步骤S13：将种群R的所有个体所对应的适应度函数相互进行比较，将 种群R的所有个体划分到具有不同层级的非支配集中，其中，对于层级较低 的非支配集中的任一个体所对应的适应度函数objFun1(X_s)和层级较高的 非支配集中的任一个体所对应的适应度函数objFun1(X_t)来说，均不存在 且而对于同一层级的非支配集中的任两个个 体来说，该两个不等式中至少有一个不成立；

步骤S14：按照层级从低到高的顺序从所述非支配集中选择K个个体，将 选择出的K个个体的值赋予父代种群P_D中的个体，返回步骤S11。

在按照层级从低到高的顺序从所述非支配集中选择K个个体时，对于同 一层级非支配集中的个体，选择个体拥挤度d_s较大的个体，所述个体拥挤度d_s的计算方法为：

对当前种群R中所有个体所对应的适应度函数值objFun1(X_s)中的按从小到大的顺序排序，另外，对所有objFun1(X_s)中的按从小到大的顺序 排序，令每次排序的第一个和最后一个个体的拥挤距离为无穷大，种群个体 的拥挤度d_s为

$d_s=\frac{h{\left({\hat{y}}_1\left(X_s\right)\right)}_{+}-h{\left({\hat{y}}_1\left(X_s\right)\right)}_{-}}{h{\left({\hat{y}}_1\right)}_{\max }-h{\left({\hat{y}}_1\right)}_{\min }}+\frac{{\hat{y}}_2{\left(X_s\right)}_{+}-{\hat{y}}_2{\left(X_s\right)}_{-}}{{\hat{y}}_{2\max }-{\hat{y}}_{2\min }}$

分别为在所述所排的序列中值的后一个值和 前一个值；

分别为在所述所排的序列中值的后一个值和前一个值；

$h{\left({\hat{y}}_1\right)}_{\max }=\max \left\{h\left({\hat{y}}_1\left(X_s\right)\right)\right|1\le s\le 2L\}$

$h{\left({\hat{y}}_1\right)}_{\min }=\min \left\{h\left({\hat{y}}_1\left(X_s\right)\right)\right|1\le s\le 2L\}$

${\hat{y}}_{2,\max }=\max \left\{{\hat{y}}_2\left(X_s\right)\right|1\le s\le 2L\}$

${\hat{y}}_{2,\min }=\min \left\{{\hat{y}}_2\left(X_s\right)\right|1\le s\le 2L\}.$

步骤S15：循环执行步骤S11-步骤S14的过程GEN次，GEN为预先确定的 循环次数，最终得到优化后的K组决策变量将优化 后的决策变量以及所述环境变量的平均值构成优化后的输入样本 $X_m^{P_{\mathrm{GEN}}}={\left(\begin{array}{ccccc}{x}_{1m}^{P_{\mathrm{GEN}}}& x_{2m}^{P_{\mathrm{GEN}}}& {\bar{x}}_3& ...& {\bar{x}}_M\end{array}\right)}^T(1\le m\le K),$这K个样本保证了在产液量基本固定且 具有最小偏好值的情况下，耗电量最小。

下面以大港油田港510-3抽油机为实验对象采用本发明的方法进行智能 优化。

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为决策变量冲次、有效冲程，α₃～α₁₄₆功图载荷数据， α₁₄₇为环境变量平均功率因数，α₁₄₈为环境变量平均有功功率，α₁₄₉为环境变量 平均无功功率，α₁₅₀为环境变量理论排量、α₁₅₁为环境变量计算泵效、α₁₅₂为环 境变量含水率。选择抽油机生产过程的产液量y₁、耗电量y₂作为建立抽油机系 统模型的性能变量{y₁,y₂}。

采集油井2013年12月26日至2014年12月23日数据。对所有变量按 照24小时为采集时间间隔求取24小时数据的平均值，并作为该变量样本。 采集数据部分地示于表1和表2。

表1

表2

利用PCA输入变量降维处理，得到新主元数据示于表3。

表3

构建新的采集建模样本数据[X,Y]。共获得可建模数据256组，示于表4。

表4

将匹配后的数据与载荷新主元数据进行匹配，并进行归一化处理。归一 化后的数据部分地示于表5。

表5

基于遗传算法优化极限学习机建模。设定隐含层神经元个数为s₁＝20，选 择可建模样本中的200组作为训练样本。基于遗传算法得到最佳输入层到隐 含层权值W和阈值b如下：

图5示出了利用本发明的方法训练神经网络所产生的产液量训练效果图； 图6示出了利用本发明的方法训练神经网络所产生的耗电量训练效果图。图7 示出了测试样本产液量预测效果图；图8示出了测试样本耗电量预测效果图。

由建模效果可知，训练效果较优，产液量、耗电量训练误差均控制在较 小的范围，训练效果较好。由所得的建模与测试样本进行预测，得到测试样 本误差百分比也控制较小的范围内，故知模型泛化能力较好。

产液量偏好函数设计，根据偏好函数设计准则，采用3-S类软偏好设计， 根据生产者对产液量的多少的喜爱程度用：极好、好、一般、较差、差等五 个个等级描述。极好程度利用建模训练集中产液量所有值的平均值作为极好 程度的偏好值为：47.3,并利用训练集中产液量最小值37.3、最大值57.3作 为不可接受域的临界值。故而设计偏好程度区间为： [0,2],[2,4],[4,6],[6,8],[8,10]等，且设计的偏好程度区间所对应的实际 产液量区间为：

[37.3,38.4],[38.4,39.6],[39.6,40.9],[40.9,42.8],[42.8,47.3]以及

[47.3,51.8],[51.8,53.6],[53.6,55.5],[55.5,56.2],[56.2.57.3]。故 而设计产液量偏好函数为h(y₁)＝0.1×(y₁-47.3)²。图9示出了偏好函数的图形；

利用决策变量(x₁,x₂)的K对数据构建初始种群P_D，设置种群大小50，即 初始化的种群样本数量为K＝50；决策变量冲次(x₁)的优化范围2.0≤x₁≤4.5；决 策变量有效冲程(x₂)的范围3.0≤x₂≤3.6。设置最大遗传代数GEN＝100。

算环境参数平均值具体算法如下：

${\bar{x}}_i=\frac{1}{N}\underset{k=1}{\overset{N}{\Sigma }}{x}_{\mathrm{ik}},i=3,...,M$

具体的环境参数平均值示于表6中。

表6

计算得到的产液量偏好值与耗电量的pareto解集关系示于图10中。 Pareto前沿所对应的数值解集示于表7中。

表7

在表7中，产液量偏好程度属于[0,1.3]区间，产液量在极好的范围内优化， 符合抽油机定量采油的工作制度。

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，与实际样本的系统性能平均值进行比较， 在保证固定的产液量的前提下，耗电量降低，则上述方法有效。去产液量偏 好值解集的平均值求取实际对应的产液量大小。其对比结果示于表8。

表8

由表8可知，计算得到偏好程度平均值为0.52，此时产液量可能为49.58t/d 或者45.02t/d。此时计算得到在保持定量式采油工作状态下，耗电量下降 16.75％。系统效率比(产液量/耗电量)可提高8％。达到了节能设计目的。 说明该方法有效。

尽管已经结合详细示出并描述的优选实施例公开了本发明，但是本领域 技术人员应当理解，对于上述本发明所提出的面向抽油机工作过程的智能优 化方法，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明 的保护范围应当由所附的权利要求书的内容确定。