技術(shù)特征：

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 x_n}；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～x_n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 x_n}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 x_n，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{L_z1,L_z2,...,L_zd}；

其中，構(gòu)建新的載荷主元變量{L_z1,L_z2,...,L_zd}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：

$Y=\underset{j=1}{\overset{s_2}{\Σ}}\left(f\right(\underset{i=1}{\overset{S_1}{\Σ}}{w}_{ik}^1{I}_k+b_i^1\left)\right)\·w_{kj}^2+b_j^2---\left(1\right)$

其中，I_k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：

$X={\left[\begin{array}{cccccccc}{w}_{11}^{1}L& w_{s_0{s}_1}^1& b_1^{1}L& b_{s_1}^1& w_{11}^{2}L& w_{s_1{s}_2}^2& b_1^{2}L& b_{s_2}^2\end{array}\right]}^T---\left(2\right)$

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)perf_c(y₁)；

步驟S9：利用SPEA-Ⅱ算法對對日產(chǎn)液量y₁的偏好函數(shù)perf_c(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：

$X_{k+1}^{\′j}={\hat{X}}_{k+1}^j+randnorm---\left(3\right)$

$p\left(X_{k+1}^{\′j}\right|{\hat{X}}_{k+1}^j,Y_{k+1})=N(X_{k+1}^{\′j},{\hat{X}}_{k+1}^j,P_{k+1}^j)---\left(4\right)$

$p\left(Y_{k+1}\right|X_{k+1}^{\′j})=N(Y_{ek,k+1}^j,h(X_{k+1}^{\′j},I_{k+1}),1)---\left(5\right)$

$p\left(X_{k+1}^{\′j}\right|{\hat{X}}_{k+1}^j)=N(X_{k+1}^{\′j},{\hat{X}}_{k+1}^j,1)---\left(6\right)$

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)

$X_{k+1}^j=\left\{\begin{array}{cc}{X}_{k+1}^{\′c}& u\left(j\right)\<\underset{i=1}{\overset{c}{\Σ}}{\mathrm{\ω}}_{k+1}^i,c=1,2L,N\\ X_{k+1}^{\′j},& else\end{array}\right.,j=1,2L,N---\left(9\right)$

$X_{k+1}=\left(\underset{j=1}{\overset{N}{\Σ}}{X}_{k+1}^j\right)/N---\left(10\right)$

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：

$\left\{\begin{array}{c}\stackrel{\‾}{X}=X_0^j;X^{\left(0\right)}=\stackrel{\‾}{X}\\ X^{\left(i\right)}=\stackrel{\‾}{X}+\sqrt{(n+\mathrm{\λ})P},i=1:n\\ X^{\left(i\right)}=\stackrel{\‾}{X}-\sqrt{(n+\mathrm{\λ})P},i=n+1:2n\\ \mathrm{\λ}=a^2(n+\mathrm{\κ})-n\end{array}\right.---\left(11\right)$

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：

$\left\{\begin{array}{c}{W}_m^{\left(0\right)}=\mathrm{\λ}/(n+\mathrm{\λ})\\ W_c^{\left(0\right)}=\mathrm{\λ}/(n+\mathrm{\λ})+(1-{\mathrm{\α}}^2+\mathrm{\β})\\ W_m^{\left(i\right)}=W_c^{\left(i\right)}=\mathrm{\λ}/(2\×(n+\mathrm{\λ})),i=1:2n\end{array}\right.---\left(12\right)$

其中，W_c為計算狀態(tài)變量的協(xié)方差的權(quán)重，W_m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P_k+1|k；其中，

所述狀態(tài)估計為：

$X_{k+1|k}^{\left(i\right)}=F\left(X_{k|k}^{\left(i\right)}\right)+w_k---\left(13\right)$

其中，為k時刻的最優(yōu)狀態(tài)估計，w_k為過程噪聲，其協(xié)方差矩陣Q_k為cov(w_k,w_j)＝Q_kδ_kj，

所述狀態(tài)先驗(yàn)估計為：

${\hat{X}}_{k+1|k}=\underset{i=0}{\overset{2n}{\Σ}}{W}_m^{\left(i\right)}\·X_{k+1|k}^{\left(i\right)}---\left(14\right)$

所述狀態(tài)變量的協(xié)方差P_k+1|k為：

$P_{k+1|k}=\underset{i=0}{\overset{2n}{\Σ}}{W}_c^{\left(i\right)}\·\[X_{k+1|k}^{\left(i\right)}-{\hat{X}}_{k+1|k}^{\left(i\right)}\]{\[X_{k+1|k}^{\left(i\right)}-{\hat{X}}_{k+1|k}^{\left(i\right)}\]}^T+Q_k---\left(15\right)$

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：

$Y_{k+1|k}^{\left(i\right)}=g\left(\underset{k=1}{\overset{s_2}{\Σ}}\right(f\left(\underset{j=1}{\overset{S_1}{\Σ}}{w}_{ji}^1{X}_{k+1|k}^{\left(i\right)}+b_j^1\right))\·w_{kj}^2+b_k^2)+v_k---\left(16\right)$

其中，ν_k為觀測噪聲，其協(xié)方差矩陣R_k為cov(v_k,v_j)＝R_kδ_kj，

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：

${\hat{Y}}_{k+1|k}=\underset{i=0}{\overset{2n}{\Σ}}{W}_m^{\left(i\right)}\·h({\hat{X}}_{k+1|k}^{\left(i\right)},I_k)---\left(17\right)$

$P_{y_{k+1}}={\mathrm{\λ}}_{k+1}\underset{i=0}{\overset{2n}{\Σ}}{W}_c^{\left(i\right)}\·(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k}){(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k})}^T+R_{k+1}---\left(18\right)$

其中，

${\mathrm{\λ}}_0=\frac{tr(V_{k+1}-{\mathrm{\βR}}_{k+1})}{tr\left(\underset{i=0}{\overset{2n}{\Σ}}{W}_c^{\left(i\right)}\right(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k}){(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k})}^T)},\mathrm{\β}\≥1---\left(20\right)$

$e_k=Y_{k|k-1}^{\left(i\right)}-\underset{i=0}{\overset{2n}{\Σ}}{W}_m^{\left(i\right)}\·g(\underset{k=1}{\overset{s_2}{\Σ}}\left(f\left(\underset{j=1}{\overset{S_1}{\Σ}}{w}_{ji}^1{X}_{k|k-1}^{\left(i\right)}+b_j^1\right)\right)\·w_{kj}^2+b_k^2)---\left(21\right)$

$V_{k+1}=\left\{\begin{array}{cc}{e}_k{e}_k^T& k=0\\ \frac{{\mathrm{\ρV}}_k+e_k{e}_k^T}{1+\mathrm{\ρ}}& k\≥1\end{array}\right.,\mathrm{\ρ}\∈(0,1)---\left(22\right)$

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：

$P_{x_{k+1}{y}_{k+1}}=\underset{i=0}{\overset{2n}{\Σ}}{W}_c^{\left(i\right)}\·(X_{k+1|k}^{\left(i\right)}-{\hat{X}}_{k+1|k}){(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k})}^T---\left(23\right)$

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：

$R_{k+1}=\frac{P_{x_{k+1}{y}_{k+1}}}{P_{y_{k+1}}}---\left(24\right)$

其中，R_k+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P_k+1為：

${\hat{X}}_{k+1}={\hat{X}}_{k+1|k}+R_{k+1}(Y_{k+1}-{\hat{Y}}_{k+1|k})---\left(25\right)$

$P_{k+1}=P_{k+1|k}-R_{k+1}{\left(P_{x_{k+1}{y}_{k+1}}\right)}^T---\left(26\right)$

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P_k+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 x_n]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：

$objFun\left(X\right)={\left[\begin{array}{cc}{\hat{y}}_1& {\hat{y}}_2\end{array}\right]}^T={\left[\begin{array}{cc}{g}^{-1}\left(Y_1^{\%}\right(f\left(X\right)\left)\right)& g^{-1}\left(Y_2^{\%}\right(f\left(X\right)\left)\right)\end{array}\right]}^T---\left(27\right)$

其中，是由ST-UPFNN算法構(gòu)建的油田機(jī)采油過程模型：

$\hat{Y}\left(X\right)={\left[\begin{array}{cc}{\hat{y}}_1\left(X\right)& {\hat{y}}_2\left(X\right)\end{array}\right]}^T---\left(28\right)$

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：

${\stackrel{\‾}{x}}_i=\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}{x}_{ik},i=3,L,M---\left(29\right)$

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，

$P=\left\{(x_{1m}^P,x_{2m}^P)\right|1\≤m\≤K\}---\left(30\right)$

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P_k：P_k＝[x_1k,x_2k]；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A^GEN，將A^GEN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R_t：R_t＝P¹U A¹；

定義變量R(i)為種群R_t中個體R_t(i)的強(qiáng)度；其中，R_t(i)為種群R_t中的第i個個體；

將種群R_t中的個體R_t(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X_i的原始適應(yīng)度函數(shù)值obfun(X_i)＝[h(y₁),y₂]，并作為個體R_t(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R_t(i)的強(qiáng)度值R(i)；

S(i)＝|{j|x^j∈P_k+A¹,xⁱf x^j}| (31)

$R\left(i\right)=\underset{x^j\∈P_k+A^1,x^j{\mathrm{fx}}^i}{\Σ}S\left(j\right)---\left(32\right)$

步驟S952：利用種群R_t中個體R_t(i)與種群R_t中第b個鄰近個體R_t(i)的距離值通過式(33)計算個體R_t(i)的密度函數(shù)D(c)；

$D\left(c\right)=\frac{1}{{\mathrm{\σ}}_c^b+2}---\left(33\right)$

$b=\sqrt{K+\stackrel{\‾}{K}}---\left(34\right)$

步驟S953：根據(jù)種群R_t中個體R_t(i)的強(qiáng)度R(i)與種群R_t中個體R_t(i)的密度值D(c)通過式(35)獲得種群R_t中個體R_t(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R_t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R_t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。