基于计算智能的油田机采参数动态演化建模与优化方法

摘要

本发明提供的基于计算智能的油田机采参数动态演化建模与优化方法，包括：确定油田机采过程中的效率影响因素和性能变量；对样本中的载荷变量进行降维处理构建新样本，并归一化新样本；基于归一化后的新样本构建神经网络模型；利用ST‑UPFNN算法估计神经网络模型中由权值阈值所组成的状态变量的最优状态；并利用最优状态变量重构更新后的神经网络模型获得油田机采过程模型；利用SPEA‑II算法对决策参量进行优化；将优化后的决策变量，带入油田机采过程模型，计算优化后的决策变量的系统性能的平均值，与实际样本的系统性能的平均值进行比较。利用本发明可以提高油田机采的生产效率，降低能耗。

说明书

技术领域

本发明涉及油田机采技术领域，更为具体地，涉及一种基于计算智能的油田机采参数动态演化建模与优化方法。

背景技术

油田机采油是一种机械采油方式，主要由电动机、地面传动设备和井下抽油设备三部分组成。油田机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，需提起抽油杆柱和液柱，电动机需消耗大量的能量；下冲程，即驴头悬点向下运动，油田机杆柱转拉动对电动机做功。在杆柱上下运动过程中，液柱负载发生周期性变化，使得油田机系统在电机做功、传动装置等方面能耗较大，以致系统工作效率低下。

发明内容

鉴于上述问题，本发明的目的是提供一种基于计算智能的油田机采参数动态演化建模与优化方法，以解决上述背景技术所提出的问题。

本发明提供的基于计算智能的油田机采参数动态演化建模与优化方法，包括：

步骤S1：确定油田机采油过程中的效率影响因素,构成效率观测变量集合{x₁,x₂,x₃,L>n}；以及，选取油田机工艺系统的性能变量，构成性能观测变量集合{y₁,y₂}；

其中，x₁为冲次决策变量，x₂为有效冲程决策变量，x₃～x₅分别为计算泵效环境变量、含水率环境变量，平均功率因数环境变量，x₆～x_n均为载荷环境变量；性能观测变量的个数l＝2，y₁为日产液量，y₂为日耗电量；

步骤S2：根据效率观测变量集合{x₁,x₂,x₃,L>n}和性能观测变量集合{y₁,y₂}，采集通过ST-UPFNN算法构建神经网络模型的观测变量的样本值矩阵[x₁，x₂L>n，y₁，y₂]；其中，

设定采样周期为T，在采集观测变量的过程中，如果采样周期小于T，对T周期内的样本求取平均值以作为该T周期的样本[I,Y]；如果采样周期大于T，剔除采集到的观测变量，将样本中的I作为输入样本，将样本中的Y作为输出样本；

步骤S3：利用主元分析算法对载荷环境变量进行降维，构建新的载荷主元变量{L_z1,L_z2,...,L_zd}；

其中，构建新的载荷主元变量{L_z1,L_z2,...,L_zd}为d个载荷主元分量，每个载荷主元分量的维度与所述样本[I,Y]的数量相同；

步骤S4：重新组合非载荷变量与d个载荷主元分量，构建新的输入样本I₁，并对新的输入样本I₁和输出样本Y进行归一化，获得归一化后的样本其属于[-1,1]；其中，非载荷变量包括冲次决策变量x₁、有效冲程决策变量x₂、计算泵效环境变量x₃、含水率环境变量x₄、平均功率因数环境变量x₅；

步骤S5：基于归一化后的样本构建神经网络模型和神经网络模型的初始状态变量X，以及，将归一化后的样本中的作为神经网络模型的输入，将归一化后的样本中的作为神经网络模型的输出；

其中，神经网络模型为：

其中，I_k为训练样本的矢量样本值，并作为神经网络模型的输入，为网络输入层到隐含层的神经元的连接权值，为网络输入层到隐含层的神经元的阈值，为隐含层到网络输出层的神经元的连接权值，为隐含层到网络输出层的神经元的阈值，其中，i＝1，2…S₀；j＝1，2…S₁；k＝1，2…S₂；S₀为网络输入层的神经元的数量，S₁为网络隐含层的神经元的数量，S₂为网络输出层的神经元的数量；

初始状态变量X为：

步骤S6：利用ST-UPFNN算法估计所述神经网络模型的最优状态变量；

步骤S7：将最优状态变量作为所述神经网络模型的和重构神经网络表达式，获得油田机采油过程模型；

步骤S8：构建日产液量y₁的偏好函数perf_c(y)；

步骤S9：利用SPEA-Ⅱ算法对日产液量y₁的偏好函数perf_c(y₁)和日耗电量y₂进行多目标极值寻优优化，得到符合生产实际的决策变量；

步骤S10：将优化后的决策变量结合环境变量，带入由ST-UPFNN算法所建立的油田机采油过程模型，在油田机采油过程模型的基础之上进行优化，得到优化后的决策变量的系统性能的平均值，与实际样本的系统性能的平均值进行比较，如果优化后的决策变量的系统性能大于实际样本的系统性能的平均值，利用优化后的决策变量对实际生产进行指导；否则重复上述步骤S1-S9，直至优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值为止。

本发明提供的基于计算智能的油田机采参数动态演化建模与优化方法，通过ST-UPFNN算法挖掘油田机的生产规律，并利用SPEA-Ⅱ算法优化油田机生产过程决策参量，提高油田机的生产效率。

附图说明

通过参考以下结合附图的说明及权利要求书的内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：

图1为主原分量的贡献率柱状图；

图2为日产液量实际值与日耗电量的Pareto解集图。

具体实施方式

名称解释

ST-UKFNN：Strong TrackUnscented Kalman FilterNeural Network，强追踪无迹卡尔曼滤波神经网络。

ST-UPFNN：Strong TrackUnscented Particle FilterNeural Network，强追踪无迹粒子滤波神经网络，其将ST-UKFNN、粒子滤波(Particle Filter)、BP神经网络相结合。

SPEA-II：Strength pareto evolutionary algorithm-II，改进的强度pareto进化算法。

本发明提供的基于计算智能的油田机采参数动态演化建模与优化方法，包括：

步骤S1：确定油田机采油过程中的效率影响因素，构成效率观测变量集合{x₁,x₂,x₃,L>n}；以及，选取油田机工艺系统的性能变量，构成性能观测变量集合{y₁,y₂}。

其中，x₁为冲次决策变量，x₂为有效冲程决策变量，x₃～x₅分别为计算泵效环境变量、含水率环境变量，平均功率因数环境变量，x₆～x_n均为载荷环境变量；性能观测变量的个数l＝2，y₁为日产液量，y₂为日耗电量。

本发明中，选取性能影响因素与性能指标如表1所示：

表1

变量类型变量名称决策变量冲次决策变量有效冲程环境变量计算泵效环境变量含水率环境变量平均功率因数环境变量载荷输出变量日产液量输出变量日耗电量

步骤S2：根据效率观测变量集合{x₁,x₂,x₃,L>n}和性能观测变量集合{y₁,y₂}，采集通过ST-UPFNN算法构建神经网络模型的观测变量的样本值矩阵[x₁，x₂L>n，y₁，y₂]。

设定采样周期为T，在采集观测变量的过程中，如果采样周期小于T，对T周期内的样本求取平均值以作为该T周期的样本[I,Y]，即[I,Y]通过神经网络模型的观测变量的样本值矩阵[x₁，x₂L>n，y₁，y₂]经平均值后得到；如果采样周期大于T，说明存在样本不足的现象，直接剔除采集到的观测变量，将样本中的I作为输入样本，将样本中的Y作为输出样本。

样本[I,Y]如表2所示：

表2

参量123……256冲次/(min^-1)3.123.123.1……4.19有效冲程/(m)3.493.513.5……3.43平均功率因数0.260.250.25……0.67计算泵效/％92.0895.8294.51……94.05含水率/％93.793.793.5……93.4载荷1/(KN)29.4729.7229.59……33.99载荷2/(KN)30.7530.7430.66……34.23………………………………载荷144/(KN)29.8830.1330.03……33.59日产液量/(t/d)40.9541.0241.25……54.91日耗电量/(kw·h)129130.1129……154.1

步骤S3：利用主元分析算法对载荷环境变量进行降维，构建新的载荷主元变量{L_z1,L_z2,...,L_zd}。

其中，构建新的载荷主元变量{L_z1,L_z2,...,L_zd}为d个载荷主元分量，每个载荷主元分量的维度与所述样本[I,Y]的数量相同；

本发明采用示功图描绘数据的144个载荷点作为部分环境变量进行建立神经网络模型，利用144维数据建立神经网络模型为参数维度灾难。故而利用主元分析算法(Principal ComponentAnalysis，PCA)对载荷环境变量进行降维处理，构建新的载荷主元变量，新的载荷主元变量构成的集合:{L_z1,L_z2,...,L_zd}，其为d个载荷主元分量，每个主元分量维度与样本[X,Y]的数量相同。令功图数据为：设置样本累计贡献率precent＝0.90；如图1所示，得到前5个主元分量的贡献率以及累计贡献率。

故此，取前2个主元分量B1、B2作为载荷环境变量的特征变量，其部分值如下表所示：

表3 部分主元分量数据

B1B2399.3123.85399.2825.86399.1124.69401.3125.52…………454.6742.03448.1237.89

步骤S4：重新组合非载荷变量与d个载荷主元分量，构建新的输入样本I₁，并对新的输入样本I₁和输出样本Y进行归一化，获得归一化后的样本其属于[-1,1]；其中，非载荷变量包括冲次决策变量x₁、有效冲程决策变量x₂、计算泵效环境变量x₃、含水率环境变量x₄、平均功率因数环境变量x₅。

步骤S5：基于归一化后的样本构建神经网络模型和神经网络模型的初始状态变量X，以及，将归一化后的样本中的作为神经网络模型的输入，将归一化后的样本中的作为神经网络模型的输出；

其中，构建的神经网络模型为：

其中，I_k为训练样本的矢量样本值，并作为神经网络模型的输入，为网络输入层到隐含层的神经元的连接权值，为网络输入层到所述隐含层的神经元的阈值，为隐含层到网络输出层的神经元的连接权值，为隐含层到网络输出层的神经元的阈值，其中，i＝1，2…S₀；j＝1，2…S₁；k＝1，2…S₂；S₀为网络输入层的神经元的数量，S₁为网络隐含层的神经元的数量，S₂为网络输出层的神经元的数量；

构建的初始状态变量为：

步骤S6：利用ST-UPFNN算法估计神经网络模型的状态变量X，以得到最优状态变量，完成所建模型的权值阈值更新，使得所得到的模型更符合实际生产过程。

利用ST-UPFNN算法估计神经网络模型的最优状态变量的过程，包括：

步骤S61：针对粒子滤波器设置粒子的数目N，并以x₀为均值,P₀为方差进行正态分布采样，得到初始粒子集并将初始粒子集中的每个粒子的权值均设为1/N；记粒子x₀为k＝0时刻状态；

步骤S62：在获取(k+1)时刻的观测变量值后，为归一化样本中第(1)组样本性能观测变量，利用ST-UKFNN算法对每个粒子进行状态估计，得到最优状态估计值和协方差

利用ST-UKFNN算法对每个粒子进行状态估计的过程如下：

步骤S621：对初始状态变量X进行Sigma采样，获得2n+1个采样点，初始化控制2n+1个采样点的分布状态参数α、待选参数κ，以及非负权系数β，对所述初始状态变量X的Sigma采样如下：

步骤S622：计算每个采样点的权重，每个采样点的权重如下：

其中，W_c为计算状态变量的协方差的权重，W_m为计算状态估计和观测预测时的权重，是的第一列，是的第一列；

步骤S623：通过离散时间非线性系统的状态方程将每个采样点的k时刻的最优状态变量的状态估计变换为(k+1)时刻的状态变量的状态估计以及，通过合并(k+1)时刻的状态估计的向量，获得(k+1)时刻的状态变量的状态先验估计和协方差P_k+1|k；其中，

(k+1)时刻的状态变量的状态估计为：

其中，为k时刻的最优状态估计，w_k为过程噪声，其协方差矩阵Q_k为cov(w_k,w_j)＝Q_kδ_kj，

(k+1)时刻的状态变量的状态先验估计为：

(k+1)时刻的状态变量的协方差P_k+1|k为：

步骤S624：通过离散时间非线性系统的观测方程建立(k+1)时刻的状态变量的状态估计和(k+1)时刻的观测预测的联系：

其中，ν_k为观测噪声，其协方差矩阵R_k为cov(v_k,v_j)＝R_kδ_kj，

步骤S625：通过估计(k+1)时刻的观测预测的向量，获得(k+1)时刻的先验观测预测并根据先验观测预测估计(k+1)时刻的观测预测的协方差P_yk+1；

(k+1)时刻的先验观测预测为：

(k+1)时刻的观测预测的协方差P_yk+1为：

其中，在此处引入强追踪算法，即渐消因子λ_k+1增强模型的追踪能力以提高模型精度；

其中，β为弱化因子，β≥1；

步骤S626：计算(k+1)时刻的状态变量的状态先验估计与(k+1)时刻的先验观测预测之间的协方差

协方差为：

步骤S627：通过建立协方差和预测协方差P_yk+1的关系，以更新(k+1)时刻的状态变量的状态估计和协方差，分别获得(k+1)时刻的最优状态估计值和协方差

建立的协方差和协方差的关系为：

其中，K_k+1为增益矩阵，以及更新后的(k+1)时刻的状态变量的状态估计协方差P_k+1为：

将更新后的(k+1)时刻的状态变量的状态估计和协方差P_k+1分别作为(k+1)时刻的最优状态估计值和协方差

步骤S63：将最优状态估计值和协方差作为粒子的重要性密度函数进行抽样，得到新粒子由所有新粒子组成的粒子集中的每个新粒子的正态分布概率密度值如下：

其中，p为每个新粒子的条件概率，randnorm为正态分布随机误差，正态分布密度函数：x、μ、σ分别为正态分布函数的三个变量；

对于x,μ,σ分别与一一对应；

对于x,μ,σ分别与一一对应；

对于x,μ,σ分别与一一对应。

步骤S64：对新粒子的权值进行更新，并进行归一化处理。

权值更新公式为：

权值归一化公式为：

步骤S65：根据粒子权值和重采样策略对粒子集进行重采样，从而获取新粒子集并求取新粒子集中每个新粒子的状态估计值

设变量u，令取u₁∈(0,1)

步骤S66：以粒子的数目N作为循环次数循环步骤S61-步骤S65的计算过程，将最后一次估计得到系统状态变量作为利用ST-UPFNN算法估计得到的所述神经网络模型的最优状态变量；其中，将新粒子的状态估计值作为本时刻的最优估计赋给进行下一时刻的状态估计。

神经网络模型的最优状态变量的结构参数如下：

(1)日产液量模型结构参数

w₂(1×15)＝[1.51>2＝[12.56]

(2)日耗电量模型结构参数

w₂(1×15)＝[-8.11>2＝[1.77]

步骤S7：将最优状态变量作为神经网络模型的和重构神经网络表达式，获得油田机采油过程模型。

步骤S8：构建日产液量y₁的偏好函数perf_c(y)。

在系统工艺参数优化计算中，考虑对不同参数具有不同的喜好程度，利用物理规划构建系统偏好函数。设定日产液量最优值为y_1best，设定值为y_best，在设定值y_best周围某一邻域范围[y_best-△y,y_best+△y]内波动为非常满意(HD)，且在[y_best-△y-△y₁,y_best-△y],[y_best+△y,y_best+△y+△y₁]内为满意(D)，依次得到可接受(T)，不满意(U)和非常不满意(HU)，对应的偏好值区间用[1,2]，[2,4]，[4,6]，[6,8]，[8,10]表示。

假定将所有样本的平均日产液量作为给定产液量及极好程度的偏好值(47.38)。同时设定所有日产液量数据的最小值(40.22)和最大值(56.92)作为不可接受域的临界值。故而设计偏好程度区间为：[1,2],[2,4],[4,6],[6,8],[8,10]等，且设计的偏好区间边界值所对应的实际日产液量区间的边界值如表4所示，偏好函数如图4所示。

表4 偏好函数的边界值对应表

偏好区间日产液量左边界值日产液量右边界值[1,2][44.99,47.38][47.38,50.56][2,4][43.25,44.99][50.56,52.89][4,6][42.02,43.25][52.89,54.49][6,8][41.07,42.02][54.49,55.79][8,10][40.22,41.07][55.79,56.92]

拟合得到日产液量的偏好函数为：

步骤S9：利用SPEA-II算法对日产液量y₁的偏好函数perf_c(y₁)和日耗电量y₂进行多目标极值寻优优化，得到符合生产实际的决策变量。

优化的过程，包括：

步骤S91：通过决策变量个体P＝[x₁>2 L>n]的非支配性比较寻找最佳个体；其中个体非支配性由适应度函数值以及个体拥挤度共同决定。

其中，由ST-UPFNN算法构建的油田机采油过程模型：

对式(26)进行反归一化获得的多目标优化适应度函数为：

适应度函数值是评价决策变量个体优劣的重要指标，通过决策变量个体P＝[x₁>2L>n]的适应度函数值的大小比较寻找最佳个体。

步骤S92：计算油田机工艺系统的环境变量的平均值，以作为优化决策参数时的环境状态；

其中，环境变量包括计算泵效环境变量x₃、含水率环境变量x₄、平均功率因数环境变量x₅，N为环境变量的输入样本的数量。

表5 环境变量平均值表

步骤S93：利用决策参量(x₁,x₂)构建父代种群P，其中，

其中，K为父代种群P中的个体(1≤m≤L)的数量；L为初始化的种群样本数量，L＝50；GEN为最大遗传代数，GEN＝100。

步骤S94：利用决策参量(x₁,x₂)构建父代种群P的个体P_k：

P_k＝[x_1k,x_2k]>

其中，初始化父代种群P，令初始化父代种群P为第一代父代种群P¹，设置初始化的种群样本数量为50，设置第一代精英种群第一代精英种群中个体的数量为设定1.5≤x_1k≤4.0，1.5≤x_2k≤3.5。

步骤S95：进行第一次遗传迭代(GEN＝1)，得到第二代精英种群A²和第二代父代种群P²。

获得第二代精英种群A²和第二代父代种群P²的具体过程为：

步骤S951：将第一代父代种群P¹与第一代精英种群A¹组合成种群R_t：R_t＝P¹U>1；

定义变量R(i)为种群R_t中个体R_t(i)的强度；其中，R_t(i)为种群R_t中的第i个个体；

将种群R_t中的个体R_t(i)与环境状态变量平均值组建输入样本利用式(27)计算样本X_i的原始适应度函数值obfun(X_i)＝[h(y₁),y₂]，并作为个体R_t(i)的原始适应度函数值，以求取受个体支配的解的个数S(i)，根据受个体支配的解的个数S(i)通过式(32)获得个体R_t(i)的强度值R(i)；

S(i)＝|{j|x^j∈P_k+A¹,xⁱf>j}|>

步骤S952：利用种群R_t中个体R_t(i)与种群R_t中第b个邻近个体R_t(i)的距离值通过式(33)计算个体R_t(i)的密度函数D(c)；

步骤S953：根据种群R_t中个体R_t(i)的强度R(i)与种群R_t中个体R_t(i)的密度值D(c)通过式(35)获得种群R_t中个体R_t(i)的适应值F(i)；

F(i)＝R(i)+D(i) (35)

步骤S954：在保持精英种群A²中个体的数量为的情况下，将种群R_t中所有的非支配个体全部放入精英种群A²中；其中，如果精英种群A²中个体的数量小于比较种群R_t中剩余个体的适应值，选取适应值小的个体放入精英种群A²中，直到精英种群A²中个体的数量为为止；如果精英种群A²中个体的数量大于则在精英种群A²中比较个体的密度值D(c)，将密度值大的个体剔除，直到精英种群A²中个体的数量为为止；

将种群R_t中所有的非支配个体全部放入精英种群A²中，即为将种群R_t中所有的非支配个体取出形成精英种群A²。

步骤S955：将精英种群A²中的个体放入交配池中进行遗传操作获得第二代父代种群P²。

步骤S96：将第二代父代种群P²与第二代精英解种群A²组合，且GEN＝GEN+1。

步骤S97：循环100次步骤S95～步骤S96，得到精英种群A^GEN，将A^GEN的个体作为优化结果输出。

得到Pareto解集，日产液量的实际值与日耗电量的Pareto解集如图2所示。

由优化所得Pareto解集分析可知优化前后效果对比如表6所示：

表6 优化参数对应目标函数与生产实际输出对比表

优化后的日耗电量减少，达到了节能增效的优化效果，说明本次结果有效。

步骤S10：将优化后的决策变量结合环境变量，带入ST-UPFNN算法建立的油田机采油过程模型，计算优化后的决策变量的系统性能的平均值，与实际样本的系统性能的平均值进行比较，如果优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值，利用优化后的决策变量对实际生产进行指导；否则重复上述步骤S1-步骤S9，直至优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值为止。

日产液量越接近最优值、日耗电量越低则效果越优越好。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。