1.一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,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,L xn};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,L xn}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,x2L xn,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;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:基于所述歸一化后的樣本構(gòu)建神經(jīng)網(wǎng)絡(luò)模型和所述神經(jīng)網(wǎng)絡(luò)模型的初始狀態(tài)變量X,以及,將所述歸一化后的樣本中的作為所述神經(jīng)網(wǎng)絡(luò)模型的輸入,將所述歸一化后的樣本中的作為所述神經(jīng)網(wǎng)絡(luò)模型的輸出;
其中,所述神經(jīng)網(wǎng)絡(luò)模型為:
其中,Ik為所述訓(xùn)練樣本的矢量樣本值,并作為所述神經(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,為所述隱含層到網(wǎng)絡(luò)輸出層的神經(jīng)元的連接權(quán)值,為所述隱含層到所述網(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為所述網(wǎng)絡(luò)輸入層的神經(jīng)元的數(shù)量,S1為所述網(wǎng)絡(luò)隱含層的神經(jīng)元的數(shù)量,S2為所述網(wǎng)絡(luò)輸出層的神經(jīng)元的數(shù)量;
所述初始狀態(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:將所述最優(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(y1);
步驟S9:利用SPEA-Ⅱ算法對對日產(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(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,帶入由ST-UPFNN算法所建立的油田機(jī)采油過程模型,在所述油田機(jī)采油過程模型的基礎(chǔ)之上進(jìn)行優(yōu)化,計算優(yōu)化后的決策變量的系統(tǒng)性能的平均值,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)性能的平均值大于實(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)性能的平均值大于實(shí)際樣本的系統(tǒng)性能的平均值為止。
2.如權(quán)利要求1所述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,所述步驟S6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所述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
步驟S63:將所述最優(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)分布的三個變量;
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;其中,
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
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。
3.如權(quán)利要求2所述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,利用ST-UKFNN算法對每個粒子進(jìn)行狀態(tài)估計的過程,包括:
步驟S621:對所述初始狀態(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(yàn)估計和協(xié)方差Pk+1|k;其中,
所述狀態(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,
所述狀態(tài)先驗(yàn)估計為:
所述狀態(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(yàn)觀測預(yù)測并根據(jù)先驗(yàn)觀測預(yù)測估計(k+1)時刻的觀測預(yù)測的協(xié)方差
(k+1)時刻的先驗(yàn)觀測預(yù)測以及觀測預(yù)測的協(xié)方差分別為:
其中,
步驟S626:計算(k+1)時刻的狀態(tài)變量的狀態(tài)先驗(yàn)估計與(k+1)時刻的先驗(yàn)觀測預(yù)測之間的協(xié)方差所述協(xié)方差為:
步驟S627:通過建立協(xié)方差和協(xié)方差的關(guān)系,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
4.如權(quán)利要求3所述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,其中,建立的協(xié)方差和協(xié)方差的關(guān)系為:
其中,Rk+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
5.如權(quán)利要求1所述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,其中,步驟S9包括:
步驟S91:通過決策變量個體P=[x1 x2 L xn]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,多目標(biāo)優(yōu)化適應(yīng)度函數(shù)為:
其中,是由ST-UPFNN算法構(gòu)建的油田機(jī)采油過程模型:
步驟S92:通過式(29)計算油田機(jī)工藝系統(tǒng)的環(huán)境變量的平均值:
其中,所述環(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為所述環(huán)境變量的輸入樣本的數(shù)量;
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];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)置第一代精英種群設(shè)置第一代精英種群中個體的數(shù)量為
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;
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。
6.如權(quán)利要求5所述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,其中,步驟S95包括:
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=P1U A1;
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,xif xj}| (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;
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。