本發(fā)明涉及油田機(jī)采
技術(shù)領(lǐng)域:
,更為具體地,涉及一種油田機(jī)采過(guò)程動(dòng)態(tài)演化建模與節(jié)能優(yōu)化方法。
背景技術(shù):
:油田機(jī)采油是一種機(jī)械采油方式,主要由電動(dòng)機(jī)、地面?zhèn)鲃?dòng)設(shè)備和井下抽油設(shè)備三部分組成。油田機(jī)采油過(guò)程主要分為上、下兩個(gè)沖程,上沖程,即驢頭懸點(diǎn)向上運(yùn)動(dòng),需提起抽油桿柱和液柱,電動(dòng)機(jī)需消耗大量的能量;下沖程,即驢頭懸點(diǎn)向下運(yùn)動(dòng),油田機(jī)桿柱轉(zhuǎn)拉動(dòng)對(duì)電動(dòng)機(jī)做功。在桿柱上下運(yùn)動(dòng)過(guò)程中,液柱負(fù)載發(fā)生周期性變化,使得油田機(jī)系統(tǒng)在電機(jī)做功、傳動(dòng)裝置等方面能耗較大,以致系統(tǒng)工作效率低下。技術(shù)實(shí)現(xiàn)要素:鑒于上述問(wèn)題,本發(fā)明的目的是提供一種油田機(jī)采過(guò)程動(dòng)態(tài)演化建模與節(jié)能優(yōu)化方法,以解決上述
背景技術(shù):
所提出的問(wèn)題。本發(fā)明提供的油田機(jī)采過(guò)程動(dòng)態(tài)演化建模與節(jié)能優(yōu)化方法,包括:步驟S1:確定油田機(jī)采油過(guò)程中的效率影響因素,構(gòu)成效率觀(guān)測(cè)變量集合{x1,x2,x3,Lxn};以及,選取油田機(jī)工藝系統(tǒng)的性能變量,構(gòu)成性能觀(guān)測(cè)變量集合{y1,y2};其中,x1為沖次決策變量,x2為有效沖程決策變量,x3~x5分別為計(jì)算泵效環(huán)境變量、含水率環(huán)境變量,平均功率因數(shù)環(huán)境變量,x6~xn均為載荷環(huán)境變量;性能觀(guān)測(cè)變量的個(gè)數(shù)l=2,y1為日產(chǎn)液量,y2為日耗電量;步驟S2:根據(jù)效率觀(guān)測(cè)變量集合{x1,x2,x3,Lxn}和性能觀(guān)測(cè)變量集合{y1,y2},采集通過(guò)ST-UKFNN算法構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的觀(guān)測(cè)變量的樣本值矩陣[x1,x2Lxn,y1,y2];其中,設(shè)定采樣周期為T(mén),在采集觀(guān)測(cè)變量的過(guò)程中,如果采樣周期小于T,對(duì)T周期內(nèi)的樣本求取平均值以作為該T周期的樣本[I,Y];如果采樣周期大于T,剔除采集到的觀(guān)測(cè)變量;其中,將樣本中的I作為輸入樣本,將樣本中的Y作為輸出樣本;步驟S3:利用主元分析算法對(duì)載荷環(huán)境變量進(jìn)行降維,構(gòu)建新的載荷主元變量{Lz1,Lz2,...,Lzd};其中,構(gòu)建新的載荷主元變量{Lz1,Lz2,...,Lzd}為d個(gè)載荷主元分量,每個(gè)載荷主元分量的維度與樣本[I,Y]的數(shù)量相同;步驟S4:重新組合非載荷變量與d個(gè)載荷主元分量,構(gòu)建新的輸入樣本I1,并對(duì)新的輸入樣本I1和輸出樣本Y進(jìn)行歸一化,獲得歸一化后的樣本其屬于[-1,1];其中,非載荷變量包括沖次決策變量x1、有效沖程決策變量x2、計(jì)算泵效環(huán)境變量x3、含水率環(huán)境變量x4、平均功率因數(shù)環(huán)境變量x5;步驟S5:基于歸一化后的樣本構(gòu)建神經(jīng)網(wǎng)絡(luò)模型和神經(jīng)網(wǎng)絡(luò)模型的初始狀態(tài)變量X,以及,將歸一化后的樣本中的作為神經(jīng)網(wǎng)絡(luò)模型的輸入,將歸一化后的樣本中的作為神經(jīng)網(wǎng)絡(luò)模型的輸出;其中,神經(jīng)網(wǎng)絡(luò)模型為:其中,Ik為訓(xùn)練樣本的矢量樣本值,并作為神經(jīng)網(wǎng)絡(luò)模型的輸入,為網(wǎng)絡(luò)輸入層到隱含層的神經(jīng)元的連接權(quán)值,為網(wǎng)絡(luò)輸入層到隱含層的神經(jīng)元的閾值,為隱含層到網(wǎng)絡(luò)輸出層的神經(jīng)元的連接權(quán)值,為隱含層到網(wǎng)絡(luò)輸出層的神經(jīng)元的閾值,其中,i=1,2…S0;j=1,2…S1;k=1,2…S2;S0為網(wǎng)絡(luò)輸入層的神經(jīng)元的數(shù)量,S1為網(wǎng)絡(luò)隱含層的神經(jīng)元的數(shù)量,S2為網(wǎng)絡(luò)輸出層的神經(jīng)元的數(shù)量;初始狀態(tài)變量X為:步驟S6:利用ST-UKFNN算法估計(jì)神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量;步驟S7:將最優(yōu)狀態(tài)變量作為神經(jīng)網(wǎng)絡(luò)模型的和重構(gòu)神經(jīng)網(wǎng)絡(luò)表達(dá)式,獲得油田機(jī)采油過(guò)程模型;步驟S8:構(gòu)建日產(chǎn)液量y1的偏好函數(shù)perfc(y);步驟S9:利用MOGA算法對(duì)日產(chǎn)液量y1的偏好函數(shù)perfc(y1)和日耗電量y2進(jìn)行多目標(biāo)極值尋優(yōu)優(yōu)化,得到符合生產(chǎn)實(shí)際的決策變量;步驟S10:將優(yōu)化后的決策變量結(jié)合環(huán)境變量,帶入油田機(jī)采油過(guò)程模型,計(jì)算優(yōu)化后的決策變量的系統(tǒng)性能,與實(shí)際樣本的系統(tǒng)性能的平均值進(jìn)行比較,如果優(yōu)化后的決策變量的系統(tǒng)性能大于實(shí)際樣本的系統(tǒng)性能的平均值,利用優(yōu)化后的決策變量對(duì)實(shí)際生產(chǎn)進(jìn)行指導(dǎo);否則重復(fù)上述步驟S1-S9,直至優(yōu)化后的決策變量的系統(tǒng)性能大于實(shí)際樣本的系統(tǒng)性能的平均值為止。本發(fā)明提供的油田機(jī)采過(guò)程動(dòng)態(tài)演化建模與節(jié)能優(yōu)化方法,通過(guò)ST-UKFNN算法挖掘油田機(jī)的生產(chǎn)規(guī)律,并利用MOGA算法優(yōu)化油田機(jī)生產(chǎn)過(guò)程最優(yōu)決策參數(shù),提高生產(chǎn)過(guò)程效率。附圖說(shuō)明通過(guò)參考以下結(jié)合附圖的說(shuō)明及權(quán)利要求書(shū)的內(nèi)容,并且隨著對(duì)本發(fā)明的更全面理解,本發(fā)明的其它目的及結(jié)果將更加明白及易于理解。在附圖中:圖1為主原分量的貢獻(xiàn)率柱狀圖;圖2為日產(chǎn)液量擬合圖;圖3為日耗電量擬合圖;圖4為日產(chǎn)液量的偏好函數(shù)圖;圖5為日產(chǎn)液量偏好值與日耗電量的Pareto解集圖;圖6為日產(chǎn)液量實(shí)際值與日耗電量的Pareto解集圖。具體實(shí)施方式名稱(chēng)解釋ST-UKFNN:StrongTraceUnscentedKalmanFilterNeuralNetwork,強(qiáng)追蹤無(wú)跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)。MOGA:multi-objectivegeneticalgorithm,多目標(biāo)遺傳算法本發(fā)明提供的油田機(jī)采過(guò)程動(dòng)態(tài)演化建模與節(jié)能優(yōu)化方法,包括:步驟S1:確定油田機(jī)采油過(guò)程中的效率影響因素,構(gòu)成效率觀(guān)測(cè)變量集合{x1,x2,x3,Lxn};以及,選取油田機(jī)工藝系統(tǒng)的性能變量,構(gòu)成性能觀(guān)測(cè)變量集合{y1,y2}。其中,x1為沖次決策變量,x2為有效沖程決策變量,x3~x5分別為計(jì)算泵效環(huán)境變量、含水率環(huán)境變量,平均功率因數(shù)環(huán)境變量,x6~xn均為載荷環(huán)境變量;性能觀(guān)測(cè)變量的個(gè)數(shù)l=2,y1為日產(chǎn)液量,y2為日耗電量。本發(fā)明中,選取性能影響因素與性能指標(biāo)如表1所示:表1變量類(lèi)型變量名稱(chēng)決策變量沖次決策變量有效沖程環(huán)境變量計(jì)算泵效環(huán)境變量含水率環(huán)境變量平均功率因數(shù)環(huán)境變量載荷輸出變量日產(chǎn)液量輸出變量日耗電量步驟S2:根據(jù)效率觀(guān)測(cè)變量集合{x1,x2,x3,Lxn}和性能觀(guān)測(cè)變量集合{y1,y2},采集通過(guò)ST-UKFNN算法構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的觀(guān)測(cè)變量的樣本值矩陣[x1,x2Lxn,y1,y2]。設(shè)定采樣周期為T(mén),在采集觀(guān)測(cè)變量的過(guò)程中,如果采樣周期小于T,對(duì)T周期內(nèi)的樣本求取平均值以作為該T周期的樣本[I,Y],即[I,Y]通過(guò)神經(jīng)網(wǎng)絡(luò)模型的觀(guān)測(cè)變量的樣本值矩陣[x1,x2Lxn,y1,y2]經(jīng)平均值后得到;如果采樣周期大于T,說(shuō)明存在樣本不足的現(xiàn)象,直接剔除采集到的觀(guān)測(cè)變量,將樣本中的I作為輸入樣本,將樣本中的Y作為輸出樣本。樣本[I,Y]如表2所示:表2步驟S3:利用主元分析算法對(duì)載荷環(huán)境變量進(jìn)行降維,構(gòu)建新的載荷主元變量{Lz1,Lz2,...,Lzd}。其中,構(gòu)建新的載荷主元變量{Lz1,Lz2,...,Lzd}為d個(gè)載荷主元分量,每個(gè)載荷主元分量的維度與所述樣本[I,Y]的數(shù)量相同;本發(fā)明采用示功圖描繪數(shù)據(jù)的144個(gè)載荷點(diǎn)作為部分環(huán)境變量進(jìn)行建立神經(jīng)網(wǎng)絡(luò)模型,利用144維數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型為參數(shù)維度災(zāi)難。故而利用主元分析算法(PrincipalComponentAnalysis,PCA)對(duì)載荷環(huán)境變量進(jìn)行降維處理,構(gòu)建新的載荷主元變量,新的載荷主元變量構(gòu)成的集合:{Lz1,Lz2,...,Lzd},其為d個(gè)載荷主元分量,每個(gè)主元分量維度與樣本[X,Y]的數(shù)量相同。令功圖數(shù)據(jù)為:設(shè)置樣本累計(jì)貢獻(xiàn)率precent=0.90;如圖1所示,得到前5個(gè)主元分量的貢獻(xiàn)率以及累計(jì)貢獻(xiàn)率。故此,取前2個(gè)主元分量B1、B2作為載荷環(huán)境變量的特征變量,其部分值如下表所示:表3部分主元分量數(shù)據(jù)步驟S4:重新組合非載荷變量與d個(gè)載荷主元分量,構(gòu)建新的輸入樣本I1,并對(duì)新的輸入樣本I1和輸出樣本Y進(jìn)行歸一化,獲得歸一化后的樣本其屬于[-1,1];其中,非載荷變量包括沖次決策變量x1、有效沖程決策變量x2、計(jì)算泵效環(huán)境變量x3、含水率環(huán)境變量x4、平均功率因數(shù)環(huán)境變量x5。步驟S5:基于歸一化后的樣本構(gòu)建神經(jīng)網(wǎng)絡(luò)模型和神經(jīng)網(wǎng)絡(luò)模型的初始狀態(tài)變量X,以及,將歸一化后的樣本中的作為神經(jīng)網(wǎng)絡(luò)模型的輸入,將歸一化后的樣本中的作為神經(jīng)網(wǎng)絡(luò)模型的輸出;其中,構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型為:其中,Ik為訓(xùn)練樣本的矢量樣本值,并作為神經(jīng)網(wǎng)絡(luò)模型的輸入,為網(wǎng)絡(luò)輸入層到隱含層的神經(jīng)元的連接權(quán)值,為網(wǎng)絡(luò)輸入層到所述隱含層的神經(jīng)元的閾值,為隱含層到網(wǎng)絡(luò)輸出層的神經(jīng)元的連接權(quán)值,為隱含層到網(wǎng)絡(luò)輸出層的神經(jīng)元的閾值,其中,i=1,2…S0;j=1,2…S1;k=1,2…S2;S0為網(wǎng)絡(luò)輸入層的神經(jīng)元的數(shù)量,S1為網(wǎng)絡(luò)隱含層的神經(jīng)元的數(shù)量,S2為網(wǎng)絡(luò)輸出層的神經(jīng)元的數(shù)量;構(gòu)建的初始狀態(tài)變量X為:步驟S6:利用ST-UKFNN算法估計(jì)神經(jīng)網(wǎng)絡(luò)模型的狀態(tài)變量X,以得到最優(yōu)狀態(tài)變量,完成所建模型的權(quán)值閾值更新,使得所得到的模型更符合實(shí)際生產(chǎn)過(guò)程。利用ST-UKFNN算法估計(jì)神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量的過(guò)程,包括:步驟S61:對(duì)初始狀態(tài)變量X進(jìn)行Sigma采樣,獲得2n+1個(gè)采樣點(diǎn),初始化控制2n+1個(gè)采樣點(diǎn)的分布狀態(tài)參數(shù)α、待選參數(shù)κ,以及非負(fù)權(quán)系數(shù)β,對(duì)初始狀態(tài)變量X的Sigma采樣如下:其中,為(k-1)時(shí)刻的最優(yōu)狀態(tài)變量的第i列,n為狀態(tài)矩陣維度,pk-1為(k-1)時(shí)刻的最優(yōu)狀態(tài)變量的協(xié)方差。步驟S62:計(jì)算每個(gè)采樣點(diǎn)的權(quán)重,每個(gè)采樣點(diǎn)的權(quán)重如下:其中,Wc為計(jì)算狀態(tài)變量的協(xié)方差的權(quán)重,Wm為計(jì)算狀態(tài)估計(jì)和觀(guān)測(cè)預(yù)測(cè)時(shí)的權(quán)重,是的第一列,是的第一列。步驟S63:通過(guò)離散時(shí)間非線(xiàn)性系統(tǒng)的狀態(tài)方程將每個(gè)采樣點(diǎn)的(k-1)時(shí)刻的最優(yōu)狀態(tài)變量的狀態(tài)估計(jì)變換為k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)以及,通過(guò)合并k時(shí)刻的狀態(tài)估計(jì)的向量,獲得k時(shí)刻的狀態(tài)變量的狀態(tài)先驗(yàn)估計(jì)和協(xié)方差Pk|k-1;k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)為:其中,wk為過(guò)程噪聲,其協(xié)方差矩陣Qk為cov(wk,wj)=Qkδkj,k時(shí)刻的狀態(tài)變量的狀態(tài)先驗(yàn)估計(jì)為:k時(shí)刻的狀態(tài)變量的協(xié)方差Pk|k-1為:步驟S64:通過(guò)離散時(shí)間非線(xiàn)性系統(tǒng)的觀(guān)測(cè)方程將建立k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)和k時(shí)刻的觀(guān)測(cè)預(yù)測(cè)的聯(lián)系以完成觀(guān)測(cè)預(yù)測(cè),并估計(jì)k時(shí)刻的觀(guān)測(cè)預(yù)測(cè)的協(xié)方差k時(shí)刻的觀(guān)測(cè)預(yù)測(cè)的均值為:其中,上述式(8)和式(9)建立了k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)和k時(shí)刻的觀(guān)測(cè)預(yù)測(cè)估計(jì)之間的關(guān)系。其中,νk為觀(guān)測(cè)噪聲,其協(xié)方差矩陣Rk為cov(vk,vj)=Rkδkj,k時(shí)刻的觀(guān)測(cè)預(yù)測(cè)的協(xié)方差為:其中,在此處引入強(qiáng)追蹤算法,即漸消因子λk+1增強(qiáng)模型的追蹤能力以提高模型精度;Nk+1=Vk+1-βRk+1(14)其中,β為弱化因子,β≥1;步驟S65:計(jì)算k時(shí)刻的狀態(tài)變量和觀(guān)測(cè)預(yù)測(cè)之間的協(xié)方差Pxy,k:步驟S66:通過(guò)建立協(xié)方差Pxy,k和協(xié)方差Pyk的關(guān)系,更新k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)和協(xié)方差,獲得k時(shí)刻的最優(yōu)狀態(tài)變量。其中,建立的狀態(tài)變量的協(xié)方差Pxy,k和觀(guān)測(cè)預(yù)測(cè)的協(xié)方差Pyk的關(guān)系為:其中,Kk為增益矩陣,以此實(shí)現(xiàn)更新k時(shí)刻的最優(yōu)狀態(tài)變量的狀態(tài)估計(jì)和更新k時(shí)刻的狀態(tài)變量的協(xié)方差Pk;以及,更新后的k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)Xkk為:更新后的k時(shí)刻的狀態(tài)變量的協(xié)方差Pk為:Pk=λk+1Pk|k-1-KkPykKkT(20)將更新后的k時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)Xk和協(xié)方差Pk作為k時(shí)刻的最優(yōu)變量。步驟S67:將獲得的k時(shí)刻的最優(yōu)狀態(tài)變量代入步驟S51重新進(jìn)行sigma采樣,循環(huán)步驟S61-S67,獲得神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量。神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量的結(jié)構(gòu)參數(shù)如下:(1)日產(chǎn)液量模型結(jié)構(gòu)參數(shù)w2(1×20)=[-0.06-0.63...-0.07-0.60]b2(1×1)=[2.42](2)日耗電量模型結(jié)構(gòu)參數(shù)w2(1×20)=[0.011.03...1.04-0.21]b2(1×1)=[-1.16]步驟S7:將最優(yōu)狀態(tài)變量作為神經(jīng)網(wǎng)絡(luò)模型的和重構(gòu)神經(jīng)網(wǎng)絡(luò)表達(dá)式,獲得油田機(jī)采油過(guò)程模型。所構(gòu)建的油田機(jī)采油過(guò)程模型精度如圖2和圖3所示。步驟S8:構(gòu)建日產(chǎn)液量y1的偏好函數(shù)perfc(y)。在系統(tǒng)工藝參數(shù)優(yōu)化計(jì)算中,考慮對(duì)不同參數(shù)具有不同的喜好程度,利用物理規(guī)劃構(gòu)建系統(tǒng)偏好函數(shù)。設(shè)定日產(chǎn)液量最優(yōu)值為y1best,設(shè)定值為ybest,在設(shè)定值ybest周?chē)骋秽徲蚍秶鶾ybest-△y,ybest+△y]內(nèi)波動(dòng)為非常滿(mǎn)意(HD),且在[ybest-△y-△y1,ybest-△y],[ybest+△y,ybest+△y+△y1]內(nèi)為滿(mǎn)意(D),依次得到可接受(T),不滿(mǎn)意(U)和非常不滿(mǎn)意(HU),對(duì)應(yīng)的偏好值區(qū)間用[1,2],[2,4],[4,6],[6,8],[8,10]表示。假定將所有樣本的平均日產(chǎn)液量作為給定日產(chǎn)液量及極好程度的偏好值(47.38)。同時(shí)設(shè)定所有日產(chǎn)液量數(shù)據(jù)的最小值(40.22)和最大值(56.92)作為不可接受域的臨界值。故而設(shè)計(jì)偏好程度區(qū)間為:[1,2],[2,4],[4,6],[6,8],[8,10]等,且設(shè)計(jì)的偏好區(qū)間邊界值所對(duì)應(yīng)的實(shí)際日產(chǎn)液量區(qū)間的邊界值如表4所示,偏好函數(shù)如圖4所示。表4偏好函數(shù)的邊界值對(duì)應(yīng)表偏好區(qū)間日產(chǎn)液量左邊界值日產(chǎn)液量右邊界值[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]擬合得到日產(chǎn)液量的偏好函數(shù)為:步驟S9:利用MOGA算法對(duì)日產(chǎn)液量y1的偏好函數(shù)perfc(y1)和日耗電量y2進(jìn)行多目標(biāo)極值尋優(yōu)優(yōu)化,得到符合生產(chǎn)實(shí)際的決策變量。優(yōu)化的過(guò)程,包括:步驟S91:通過(guò)決策變量個(gè)體P=[x1x2Lxn]的適應(yīng)度函數(shù)值的比較尋找最佳個(gè)體;其中,將部分求最大值的性能變量函數(shù)進(jìn)行反歸一化獲得多目標(biāo)適應(yīng)度函數(shù)為:其中,是由ST-UKFNN算法構(gòu)建的油田機(jī)采油過(guò)程模型:結(jié)合向最小值方向搜索最值的特點(diǎn),將部分求最大值的性能變量函數(shù)進(jìn)行反歸一化,從而得到適應(yīng)度函數(shù),在本發(fā)明中,由于優(yōu)化計(jì)算的過(guò)程中得到的日產(chǎn)液量越接近最佳值越好,日耗電量越低越好,由式(22)進(jìn)行反歸一化得到式(21)。步驟S92:計(jì)算油田機(jī)工藝系統(tǒng)的環(huán)境變量的平均值:其中,環(huán)境變量包括所述計(jì)算泵效環(huán)境變量x3、含水率環(huán)境變量x4、平均功率因數(shù)環(huán)境變量x5,N為環(huán)境變量的輸入樣本的數(shù)量。表5環(huán)境變量平均值表步驟S93:利用沖次決策變量x1和有效沖程決策變量x2構(gòu)建父代種群P,其中,其中,K為父代種群P中的個(gè)體的數(shù)量;L為初始化的種群樣本數(shù)量,L=50;GEN為最大遺傳代數(shù),GEN=100。步驟S94:根據(jù)決策變量的上下限xi,min≤xi≤xi,max(i=1,2,L,n)初始化父種群P。其中,初始化父種群P的過(guò)程為:從沖次決策變量x1的取值范圍內(nèi)隨機(jī)取值賦予從有效沖程決策變量x2的取值范圍內(nèi)隨機(jī)取值賦予步驟S95:對(duì)初始化的父種群P進(jìn)行第一次遺傳迭代(GEN=1)以產(chǎn)生下一代種群。對(duì)初始化的父種群P進(jìn)行第一次遺傳迭代的過(guò)程,包括:步驟S951:根據(jù)適應(yīng)度函數(shù)檢查初始化的父種群P中每個(gè)解的占優(yōu)性;其中,對(duì)于一個(gè)解i,其等級(jí)ri等于1加上優(yōu)于解i的個(gè)數(shù)ni,即ri=ni+1。由于初始化的父種群P中沒(méi)有優(yōu)于非劣解的解,所以非劣解的等級(jí)等于1。步驟S952:將初始化的種群P中所有個(gè)體按照等級(jí)升序分層,然后通過(guò)用一個(gè)線(xiàn)性的(或者其它的)對(duì)應(yīng)函數(shù)對(duì)每個(gè)個(gè)體分配一個(gè)初始適應(yīng)值。通常選擇使分配的適應(yīng)值N(對(duì)應(yīng)最優(yōu)等級(jí)的個(gè)體)和1(對(duì)應(yīng)最差等級(jí)的個(gè)體)之間的對(duì)應(yīng)函數(shù)。步驟S953:計(jì)算每個(gè)等級(jí)內(nèi)每個(gè)個(gè)體的初始適應(yīng)值的平均值,該平均值為每個(gè)等級(jí)內(nèi)每個(gè)個(gè)體的指定適應(yīng)值。步驟S954:通過(guò)式(25)計(jì)算任意一個(gè)等級(jí)內(nèi)任意兩個(gè)個(gè)體i和j之間的標(biāo)準(zhǔn)化距離:其中,fsmax和fsmin為第k個(gè)目標(biāo)函數(shù)的最大值和最小值。步驟S955:通過(guò)式(26)計(jì)算與解i有同樣等級(jí)ri的每一個(gè)解的dij;其中,α=1為共享函數(shù),σshare為預(yù)設(shè)的小生境半徑;該等級(jí)內(nèi)每個(gè)個(gè)體的小生境數(shù)為共享函數(shù)值的總和:其中,μ(ri)為所有等級(jí)為ri的個(gè)體數(shù)。為了保持非劣解中解的多樣性,在每個(gè)等級(jí)的個(gè)體中引入了小生境數(shù)。步驟S956:將每個(gè)個(gè)體的指定適應(yīng)值除以各自的小生境數(shù)獲得每個(gè)個(gè)體的共享適應(yīng)值。步驟S957:對(duì)每個(gè)等級(jí)內(nèi)的所有個(gè)體的共享適應(yīng)值做尺度變換。對(duì)個(gè)體的共享適應(yīng)值做尺度變化的目的是為了保持每個(gè)等級(jí)的所有個(gè)體的平均共享適應(yīng)值與平均指定適應(yīng)值相同,即每個(gè)個(gè)體相同的概率被選擇使用。步驟S958:對(duì)經(jīng)過(guò)尺度變換的每個(gè)等級(jí)進(jìn)行比例選擇、單點(diǎn)交叉、變異計(jì)算獲得下一代種群。步驟S96:循環(huán)GEN次步驟S93~步驟S95,得到第GEN代種群作為優(yōu)化結(jié)果輸出;其中,得到Pareto解集,日產(chǎn)液量偏好函數(shù)與日耗電量Pareto解集如圖5所示,日產(chǎn)液量實(shí)際值與日耗電量的Pareto解集如圖6所示。由優(yōu)化所得Pareto解集分析可知優(yōu)化前后效果對(duì)比如表6所示:表6優(yōu)化參數(shù)對(duì)應(yīng)目標(biāo)函數(shù)與生產(chǎn)實(shí)際輸出對(duì)比表優(yōu)化平均產(chǎn)耗比提升約為3%,達(dá)到了節(jié)能增效的優(yōu)化效果,說(shuō)明本次結(jié)果有效。步驟S10:將優(yōu)化后的決策變量結(jié)合環(huán)境變量,帶入ST-UKFNN算法建立的油田機(jī)采油過(guò)程模型,計(jì)算優(yōu)化后的決策變量的系統(tǒng)性能,與實(shí)際樣本的系統(tǒng)性能的平均值進(jìn)行比較,如果優(yōu)化后的決策變量的系統(tǒng)性能大于實(shí)際樣本的系統(tǒng)性能的平均值,利用優(yōu)化后的決策變量對(duì)實(shí)際生產(chǎn)進(jìn)行指導(dǎo);否則重復(fù)上述步驟S1-S9,直至優(yōu)化后的決策變量的系統(tǒng)性能大于實(shí)際樣本的系統(tǒng)性能的平均值為止。日產(chǎn)液量越接近最優(yōu)值、日耗電量越低則效果越優(yōu)越好。以上所述,僅為本發(fā)明的具體實(shí)施方式,但本發(fā)明的保護(hù)范圍并不局限于此,任何熟悉本
技術(shù)領(lǐng)域:
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi),可輕易想到變化或替換,都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此,本發(fā)明的保護(hù)范圍應(yīng)所述以權(quán)利要求的保護(hù)范圍為準(zhǔn)。當(dāng)前第1頁(yè)1 2 3