[发明专利]面向抽油机工作过程的智能优化方法

摘要

本发明提供一种面向抽油机工作过程的智能优化方法，包括1)确定抽油机的生产效率影响因素和性能变量、2)获得其样本数据、3)对载荷数据降维、4)由非载荷变量与载荷新主元构建网络输入变量集、5)构建输入变量的样本值、6)归一化处理、7)选取训练和测试样本、8)构建前馈神经网络并训练、9)构造产液量偏好函数、10)构造父代和子代种群、11)对父代种群个体进行遗传交叉或变异计算，以产生子代种群个体、12)求个体求适应度函数、13)将个体划分到不同层级的非支配集中、14)从非支配集中选择个体构成新父代种群并循环，最终得到优化后的生产效率影响因素值。优化后，可保证在产液量基本固定的情况下，耗电量最小。

主权项

一种面向抽油机工作过程的智能优化方法，包括如下步骤：1)确定抽油机采油过程生产效率影响因素构成效率观测变量集合{α1,α2,α3,…αM}，其中α1，α2为决策变量，α3～α146载荷数据环境变量，α147～αM为其他环境变量，选取抽油机系统的性能变量构成性能观测变量集合：{y1,y2,y3,…yl}；2)获得所述生产效率影响因素和系统性能变量的样本数据，得到效率影响因素样本矩阵α和性能样本矩阵Y：α=α11α12...α1Nα21α22...α2N............αM1αM2...αMN≡L1L2...LM]]>Y=y11y12...y1Ny21y22...y2N............yl1yl2...ylN]]>其中M为效率影响因素个数，N为样本个数，αik表示第i个效率影响因素变量的第k个观测值，i＝1,2,...,M；k＝1,2,...,N；yjk为归一化前第j个输出变量的第k个采集样本值，j＝1,2,....,l；3)利用主元分析算法对载荷数据进行降维处理，从而构建新的载荷主元变量矩阵：Lz1Lz2Lz3Lzd=αz11αz12...αz1Nαz21αz22...αz2N............αzd1αzd2...αzdN]]>载荷新主元观测变量构成集合:{αz1,αz2,...,αzd}，其为d个新变量，且每个变量为N个观测值构成的新主元矩阵；4)由影响因素效率观测变量集合{α1,α2,α3,…αM}中非载荷变量与载荷新主元观测变量集合{αz1,αz2,...,αzd}构建网络输入变量集合：{α1,α2,α147,…,αM,αz1,…,αzd}，并令输入变量集合为：{x1,x2,x3,...,xM}，即，{α1,α2,α147,…,αM,αz1,…,αzd}＝{x1,x2,x3,...,xM}；5)构建输入变量集合{x1,x2,x3,...,xM}观测样本值：X=X1X2...XN=α11α12...α1Nα21α22...α2Nα147,1α147,2...α147,N............αM1αM2...αMNαz11αz12...αz1N............αzd1αzd2...αzdN=x11x12...x1Nx21x22...x2Nx31x32...x3N............xM1xM2...xMN]]>Y=Y1Y2...YN=y11y12...y1Ny21y22...y2N............yl1yl2...ylN]]>其中，x1～x2为决策变量，x3～xM为新的环境变量；6)对得到的训练输入样本X、输出样本Y进行归一化处理，得到新的训练输入矩阵输出矩阵X~k=x~1kx~2kx~3k...x~MkT=f(x1k)f(x2k)f(x3k)...f(xMk)T≡f(Xk)]]>Y~k=y~1ky~2k...y~lkT=g(y1k)g(y2k)...g(ylk)T≡g(Yk)]]>X~=[X~1,X~2,...,X~N]=x~11x~12...x~1Nx~21x~22...x~2N............x~M1x~M2...x~MN]]>Y~=Y~1Y~2...Y~N=y~11y~12...y~1Ny~21y~22...y~2N............y~l1y~l2...y~lN;]]>7)在归一化后样本集中，选取样本集前组样本作为网络训练样本集则样本集剩余组作为测试样本集其中其中：训练样本集和测试样本集分别为：X~train=x~11x~12...x~1N~x~21x~22...x~2N~............x~M1x~M2...x~MN~;Y~train=y~11y~12...y~1N~y~21y~22...y~2N~............y~l1y~l2...y~lN~]]>X~test=x~1,N~+1x~1,N~+2...x~1,Nx~2,N~+1x~2,N~+2...x~2,N~+N............x~M,N~+1x~M,N~+2...x~M,N;Y~test=y~1,N~+1y~1,N~+2...y~1,Ny~2,N~+1y~2,N~+2...y~2,N............y~l,N~+1y~l,N~+2...y~l,N;]]>8)构建3层前馈神经网络，采用所述训练输入样本对该网络进行训练，利用遗传算法训练网络权值W、权值β、隐含层阈值b，从而确定网络的参数，最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出预测值的前馈神经网络：Y^(X)=y^1(X)y^2(X)...y^l(X)T=g-1(y~^1(f(X)))g-1(y~^2(f(X)))...g-1(y~^l(f(X)))T;]]>9)针对产液量y1构造其偏好函数h＝h(y1)，该偏好函数为U形曲线，在其整个定义域上二阶可导且二阶导数恒大于零，将产液量y1的值划分为好、较好、一般、较差和极差5个区域，并通过所述偏好函数将该五个区域量化为数值h＝h(y1)；其中，产液量y1处于好区域对应偏好函数最小值；10)利用决策变量(x1,x2)构建多目标优化父代种群PD，PD={(x1mPD,x2mPD)|1≤m≤K}]]>其中，父代种群PD中的个体的数量为K，并从x1的取值范围x1,min≤x1≤x1,max内随机取值赋予从x2的取值范围x2,min≤x2≤x2,max内随机取值赋予从而对父代种群PD初始化；11)从父代种群PD中选出任意对个体，对于每对个体进行遗传交叉计算或变异计算，并将计算结果赋予子代种群QD中相应的一对个体12)将父代种群PD与子代种群QD进行合并得到种群R＝PD∪QD，即有将种群R的每个个体与环境变量平均值i＝3,…,M合成输入样本并计算相应的多目标适应度函数13)将种群R的所有个体所对应的适应度函数相互进行比较，将种群R的所有个体划分到具有不同层级的非支配集中，其中，对于层级较低的非支配集中的任一个体所对应的适应度函数objFun1(Xs)和层级较高的非支配集中的任一个体所对应的适应度函数objFun1(Xt)来说，均不存在且而对于同一层级的非支配集中的任两个个体来说，该两个不等式中至少有一个不成立；14)按照层级从低到高的顺序从所述非支配集中选择K个个体，将选择出的K个个体的值赋予父代种群PD中的个体，并执行步骤11)‑步骤14)的过程GEN次，GEN为预先确定的循环次数，最终得到优化后的K组决策变量将优化后的决策变量以及所述环境变量的平均值构成优化后的输入样本这K个样本保证了在产液量基本固定且具有最小偏好值的情况下，耗电量最小。