本發(fā)明涉及油田機(jī)采
技術(shù)領(lǐng)域：
，更為具體地，涉及一種基于計算智能的油田機(jī)采參數(shù)動態(tài)演化建模與優(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，主要由電動機(jī)、地面?zhèn)鲃釉O(shè)備和井下抽油設(shè)備三部分組成。油田機(jī)采油過程主要分為上、下兩個沖程，上沖程，即驢頭懸點(diǎn)向上運(yùn)動，需提起抽油桿柱和液柱，電動機(jī)需消耗大量的能量；下沖程，即驢頭懸點(diǎn)向下運(yùn)動，油田機(jī)桿柱轉(zhuǎn)拉動對電動機(jī)做功。在桿柱上下運(yùn)動過程中，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、傳動裝置等方面能耗較大，以致系統(tǒng)工作效率低下。技術(shù)實現(xiàn)要素：鑒于上述問題，本發(fā)明的目的是提供一種基于計算智能的油田機(jī)采參數(shù)動態(tài)演化建模與優(yōu)化方法，以解決上述
背景技術(shù)：
所提出的問題。本發(fā)明提供的基于計算智能的油田機(jī)采參數(shù)動態(tài)演化建模與優(yōu)化方法，包括：步驟S1：確定油田機(jī)采油過程中的效率影響因素,構(gòu)成效率觀測變量集合{x1,x2,x3,Lxn}；以及，選取油田機(jī)工藝系統(tǒng)的性能變量，構(gòu)成性能觀測變量集合{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；性能觀測變量的個數(shù)l＝2，y1為日產(chǎn)液量，y2為日耗電量；步驟S2：根據(jù)效率觀測變量集合{x1,x2,x3,Lxn}和性能觀測變量集合{y1,y2}，采集通過ST-UPFNN算法構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的觀測變量的樣本值矩陣[x1，x2Lxn，y1，y2]；其中，設(shè)定采樣周期為T，在采集觀測變量的過程中，如果采樣周期小于T，對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，剔除采集到的觀測變量，將樣本中的I作為輸入樣本，將樣本中的Y作為輸出樣本；步驟S3：利用主元分析算法對載荷環(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個載荷主元分量，每個載荷主元分量的維度與所述樣本[I,Y]的數(shù)量相同；步驟S4：重新組合非載荷變量與d個載荷主元分量，構(gòu)建新的輸入樣本I1，并對新的輸入樣本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-UPFNN算法估計所述神經(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)變量作為所述神經(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SPEA-Ⅱ算法對日產(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，帶入由ST-UPFNN算法所建立的油田機(jī)采油過程模型，在油田機(jī)采油過程模型的基礎(chǔ)之上進(jìn)行優(yōu)化，得到優(yōu)化后的決策變量的系統(tǒng)性能的平均值，與實際樣本的系統(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)化后的決策變量對實際生產(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)性能的平均值大于實際樣本的系統(tǒng)性能的平均值為止。本發(fā)明提供的基于計算智能的油田機(jī)采參數(shù)動態(tài)演化建模與優(yōu)化方法，通過ST-UPFNN算法挖掘油田機(jī)的生產(chǎn)規(guī)律，并利用SPEA-Ⅱ算法優(yōu)化油田機(jī)生產(chǎn)過程決策參量，提高油田機(jī)的生產(chǎn)效率。附圖說明通過參考以下結(jié)合附圖的說明及權(quán)利要求書的內(nèi)容，并且隨著對本發(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)液量實際值與日耗電量的Pareto解集圖。具體實施方式名稱解釋ST-UKFNN：StrongTrackUnscentedKalmanFilterNeuralNetwork，強(qiáng)追蹤無跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)。ST-UPFNN：StrongTrackUnscentedParticleFilterNeuralNetwork，強(qiáng)追蹤無跡粒子濾波神經(jīng)網(wǎng)絡(luò)，其將ST-UKFNN、粒子濾波(ParticleFilter)、BP神經(jīng)網(wǎng)絡(luò)相結(jié)合。SPEA-II：Strengthparetoevolutionaryalgorithm-II，改進(jìn)的強(qiáng)度pareto進(jìn)化算法。本發(fā)明提供的基于計算智能的油田機(jī)采參數(shù)動態(tài)演化建模與優(yōu)化方法，包括：步驟S1：確定油田機(jī)采油過程中的效率影響因素，構(gòu)成效率觀測變量集合{x1,x2,x3,Lxn}；以及，選取油田機(jī)工藝系統(tǒng)的性能變量，構(gòu)成性能觀測變量集合{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；性能觀測變量的個數(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變量類型變量名稱決策變量沖次決策變量有效沖程環(huán)境變量計算泵效環(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)效率觀測變量集合{x1,x2,x3,Lxn}和性能觀測變量集合{y1,y2}，采集通過ST-UPFNN算法構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的觀測變量的樣本值矩陣[x1，x2Lxn，y1，y2]。設(shè)定采樣周期為T，在采集觀測變量的過程中，如果采樣周期小于T，對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]通過神經(jīng)網(wǎng)絡(luò)模型的觀測變量的樣本值矩陣[x1，x2Lxn，y1，y2]經(jīng)平均值后得到；如果采樣周期大于T，說明存在樣本不足的現(xiàn)象，直接剔除采集到的觀測變量，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2參量123……256沖次/(min-1)3.123.123.1……4.19有效沖程/(m)3.493.513.5……3.43平均功率因數(shù)0.260.250.25……0.67計算泵效/％92.0895.8294.51……94.05含水率/％93.793.793.5……93.4載荷1/(KN)29.4729.7229.59……33.99載荷2/(KN)30.7530.7430.66……34.23………………………………載荷144/(KN)29.8830.1330.03……33.59日產(chǎn)液量/(t/d)40.9541.0241.25……54.91日耗電量/(kw·h)129130.1129……154.1步驟S3：利用主元分析算法對載荷環(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個載荷主元分量，每個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個載荷主元分量，每個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)置樣本累計貢獻(xiàn)率precent＝0.90；如圖1所示，得到前5個主元分量的貢獻(xiàn)率以及累計貢獻(xiàn)率。故此，取前2個主元分量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)B1B2399.3123.85399.2825.86399.1124.69401.3125.52…………454.6742.03448.1237.89步驟S4：重新組合非載荷變量與d個載荷主元分量，構(gòu)建新的輸入樣本I1，并對新的輸入樣本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)變量為：步驟S6：利用ST-UPFNN算法估計神經(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際生產(chǎn)過程。利用ST-UPFNN算法估計神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量的過程，包括：步驟S61：針對粒子濾波器設(shè)置粒子的數(shù)目N，并以x0為均值,P0為方差進(jìn)行正態(tài)分布采樣，得到初始粒子集并將初始粒子集中的每個粒子的權(quán)值均設(shè)為1/N；記粒子x0為k＝0時刻狀態(tài)；步驟S62：在獲取(k+1)時刻的觀測變量值后，為歸一化樣本中第(1)組樣本性能觀測變量，利用ST-UKFNN算法對每個粒子進(jìn)行狀態(tài)估計，得到最優(yōu)狀態(tài)估計值和協(xié)方差利用ST-UKFNN算法對每個粒子進(jìn)行狀態(tài)估計的過程如下：步驟S621：對初始狀態(tài)變量X進(jìn)行Sigma采樣，獲得2n+1個采樣點(diǎn)，初始化控制2n+1個采樣點(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，對所述初始狀態(tài)變量X的Sigma采樣如下：步驟S622：計算每個采樣點(diǎn)的權(quán)重，每個采樣點(diǎn)的權(quán)重如下：其中，Wc為計算狀態(tài)變量的協(xié)方差的權(quán)重，Wm為計算狀態(tài)估計和觀測預(yù)測時的權(quán)重，是的第一列，是的第一列；步驟S623：通過離散時間非線性系統(tǒng)的狀態(tài)方程將每個采樣點(diǎn)的k時刻的最優(yōu)狀態(tài)變量的狀態(tài)估計變換為(k+1)時刻的狀態(tài)變量的狀態(tài)估計以及，通過合并(k+1)時刻的狀態(tài)估計的向量，獲得(k+1)時刻的狀態(tài)變量的狀態(tài)先驗估計和協(xié)方差Pk+1|k；其中，(k+1)時刻的狀態(tài)變量的狀態(tài)估計為：其中，為k時刻的最優(yōu)狀態(tài)估計，wk為過程噪聲，其協(xié)方差矩陣Qk為cov(wk,wj)＝Qkδkj，(k+1)時刻的狀態(tài)變量的狀態(tài)先驗估計為：(k+1)時刻的狀態(tài)變量的協(xié)方差Pk+1|k為：步驟S624：通過離散時間非線性系統(tǒng)的觀測方程建立(k+1)時刻的狀態(tài)變量的狀態(tài)估計和(k+1)時刻的觀測預(yù)測的聯(lián)系：其中，νk為觀測噪聲，其協(xié)方差矩陣Rk為cov(vk,vj)＝Rkδkj，步驟S625：通過估計(k+1)時刻的觀測預(yù)測的向量，獲得(k+1)時刻的先驗觀測預(yù)測并根據(jù)先驗觀測預(yù)測估計(k+1)時刻的觀測預(yù)測的協(xié)方差Pyk+1；(k+1)時刻的先驗觀測預(yù)測為：(k+1)時刻的觀測預(yù)測的協(xié)方差Pyk+1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；其中，β為弱化因子，β≥1；步驟S626：計算(k+1)時刻的狀態(tài)變量的狀態(tài)先驗估計與(k+1)時刻的先驗觀測預(yù)測之間的協(xié)方差協(xié)方差為：步驟S627：通過建立協(xié)方差和預(yù)測協(xié)方差Pyk+1的關(guān)系，以更新(k+1)時刻的狀態(tài)變量的狀態(tài)估計和協(xié)方差，分別獲得(k+1)時刻的最優(yōu)狀態(tài)估計值和協(xié)方差建立的協(xié)方差和協(xié)方差的關(guān)系為：其中，Kk+1為增益矩陣，以及更新后的(k+1)時刻的狀態(tài)變量的狀態(tài)估計協(xié)方差Pk+1為：將更新后的(k+1)時刻的狀態(tài)變量的狀態(tài)估計和協(xié)方差Pk+1分別作為(k+1)時刻的最優(yōu)狀態(tài)估計值和協(xié)方差步驟S63：將最優(yōu)狀態(tài)估計值和協(xié)方差作為粒子的重要性密度函數(shù)進(jìn)行抽樣，得到新粒子由所有新粒子組成的粒子集中的每個新粒子的正態(tài)分布概率密度值如下：其中，p為每個新粒子的條件概率，randnorm為正態(tài)分布隨機(jī)誤差，正態(tài)分布密度函數(shù)：x、μ、σ分別為正態(tài)分布函數(shù)的三個變量；對于x,μ,σ分別與一一對應(yīng)；對于x,μ,σ分別與一一對應(yīng)；對于x,μ,σ分別與一一對應(yīng)。步驟S64：對新粒子的權(quán)值進(jìn)行更新，并進(jìn)行歸一化處理。權(quán)值更新公式為：權(quán)值歸一化公式為：步驟S65：根據(jù)粒子權(quán)值和重采樣策略對粒子集進(jìn)行重采樣，從而獲取新粒子集并求取新粒子集中每個新粒子的狀態(tài)估計值設(shè)變量u，令取u1∈(0,1)步驟S66：以粒子的數(shù)目N作為循環(huán)次數(shù)循環(huán)步驟S61-步驟S65的計算過程，將最后一次估計得到系統(tǒng)狀態(tài)變量作為利用ST-UPFNN算法估計得到的所述神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量；其中，將新粒子的狀態(tài)估計值作為本時刻的最優(yōu)估計賦給進(jìn)行下一時刻的狀態(tài)估計。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(1×15)＝[1.51...12.84]b2＝[12.56](2)日耗電量模型結(jié)構(gòu)參數(shù)w2(1×15)＝[-8.11...-4.2]b2＝[1.77]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)采油過程模型。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)化計算中，考慮對不同參數(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周圍某一鄰域范圍[ybest-△y,ybest+△y]內(nèi)波動為非常滿意(HD)，且在[ybest-△y-△y1,ybest-△y],[ybest+△y,ybest+△y+△y1]內(nèi)為滿意(D)，依次得到可接受(T)，不滿意(U)和非常不滿意(HU)，對應(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)液量作為給定產(chǎn)液量及極好程度的偏好值(47.38)。同時設(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)計偏好程度區(qū)間為：[1,2],[2,4],[4,6],[6,8],[8,10]等，且設(shè)計的偏好區(qū)間邊界值所對應(yīng)的實際日產(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SPEA-II算法對日產(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)實際的決策變量。優(yōu)化的過程，包括：步驟S91：通過決策變量個體P＝[x1x2Lxn]的非支配性比較尋找最佳個體；其中個體非支配性由適應(yīng)度函數(shù)值以及個體擁擠度共同決定。其中，由ST-UPFNN算法構(gòu)建的油田機(jī)采油過程模型：對式(26)進(jìn)行反歸一化獲得的多目標(biāo)優(yōu)化適應(yīng)度函數(shù)為：適應(yīng)度函數(shù)值是評價決策變量個體優(yōu)劣的重要指標(biāo)，通過決策變量個體P＝[x1x2Lxn]的適應(yīng)度函數(shù)值的大小比較尋找最佳個體。步驟S92：計算油田機(jī)工藝系統(tǒng)的環(huán)境變量的平均值，以作為優(yōu)化決策參數(shù)時的環(huán)境狀態(tài)；其中，環(huán)境變量包括計算泵效環(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：利用決策參量(x1,x2)構(gòu)建父代種群P，其中，其中，K為父代種群P中的個體(1≤m≤L)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：利用決策參量(x1,x2)構(gòu)建父代種群P的個體Pk：Pk＝[x1k,x2k](30)其中，初始化父代種群P，令初始化父代種群P為第一代父代種群P1，設(shè)置初始化的種群樣本數(shù)量為50，設(shè)置第一代精英種群第一代精英種群中個體的數(shù)量為設(shè)定1.5≤x1k≤4.0，1.5≤x2k≤3.5。步驟S95：進(jìn)行第一次遺傳迭代(GEN＝1)，得到第二代精英種群A2和第二代父代種群P2。獲得第二代精英種群A2和第二代父代種群P2的具體過程為：步驟S951：將第一代父代種群P1與第一代精英種群A1組合成種群Rt：Rt＝P1UA1；定義變量R(i)為種群Rt中個體Rt(i)的強(qiáng)度；其中，Rt(i)為種群Rt中的第i個個體；將種群Rt中的個體Rt(i)與環(huán)境狀態(tài)變量平均值組建輸入樣本利用式(27)計算樣本Xi的原始適應(yīng)度函數(shù)值obfun(Xi)＝[h(y1),y2]，并作為個體Rt(i)的原始適應(yīng)度函數(shù)值，以求取受個體支配的解的個數(shù)S(i)，根據(jù)受個體支配的解的個數(shù)S(i)通過式(32)獲得個體Rt(i)的強(qiáng)度值R(i)；S(i)＝|{j|xj∈Pk+A1,xifxj}|(31)步驟S952：利用種群Rt中個體Rt(i)與種群Rt中第b個鄰近個體Rt(i)的距離值通過式(33)計算個體Rt(i)的密度函數(shù)D(c)；步驟S953：根據(jù)種群Rt中個體Rt(i)的強(qiáng)度R(i)與種群Rt中個體Rt(i)的密度值D(c)通過式(35)獲得種群Rt中個體Rt(i)的適應(yīng)值F(i)；F(i)＝R(i)+D(i)(35)步驟S954：在保持精英種群A2中個體的數(shù)量為的情況下，將種群Rt中所有的非支配個體全部放入精英種群A2中；其中，如果精英種群A2中個體的數(shù)量小于比較種群Rt中剩余個體的適應(yīng)值，選取適應(yīng)值小的個體放入精英種群A2中，直到精英種群A2中個體的數(shù)量為為止；如果精英種群A2中個體的數(shù)量大于則在精英種群A2中比較個體的密度值D(c)，將密度值大的個體剔除，直到精英種群A2中個體的數(shù)量為為止；將種群Rt中所有的非支配個體全部放入精英種群A2中，即為將種群Rt中所有的非支配個體取出形成精英種群A2。步驟S955：將精英種群A2中的個體放入交配池中進(jìn)行遺傳操作獲得第二代父代種群P2。步驟S96：將第二代父代種群P2與第二代精英解種群A2組合，且GEN＝GEN+1。步驟S97：循環(huán)100次步驟S95～步驟S96，得到精英種群AGEN，將AGEN的個體作為優(yōu)化結(jié)果輸出。得到Pareto解集，日產(chǎn)液量的實際值與日耗電量的Pareto解集如圖2所示。由優(yōu)化所得Pareto解集分析可知優(yōu)化前后效果對比如表6所示：表6優(yōu)化參數(shù)對應(yīng)目標(biāo)函數(shù)與生產(chǎn)實際輸出對比表優(yōu)化后的日耗電量減少，達(dá)到了節(jié)能增效的優(yōu)化效果，說明本次結(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-UPFNN算法建立的油田機(jī)采油過程模型，計算優(yōu)化后的決策變量的系統(tǒng)性能的平均值，與實際樣本的系統(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)性能的平均值大于實際樣本的系統(tǒng)性能的平均值，利用優(yōu)化后的決策變量對實際生產(chǎn)進(jìn)行指導(dǎo)；否則重復(fù)上述步驟S1-步驟S9，直至優(yōu)化后的決策變量的系統(tǒng)性能的平均值大于實際樣本的系統(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1 2 3