[发明专利]油田机采过程动态演化建模与节能优化方法

摘要

本发明提供的油田机采过程动态演化建模与节能优化方法，包括确定油田机采油过程中的效率影响因素和性能变量；对样本中的载荷变量进行降维处理构建新样本，并归一化新样本；基于归一化后的新样本构建神经网络模型；利用ST‑UKFNN算法估计神经网络模型中由权值阈值所组成的状态变量的最优状态；并利用最优状态变量重构更新后的神经网络模型获得油田机采油过程模型；构建实际日产液量的偏好函数，利用MOGA算法对决策变量各自的上下限寻优优化；将优化后的决策变量，带入油田机采油过程模型，计算优化后的决策变量的系统性能，与实际样本的系统性能的平均值进行比较。利用本发明可以提高油田机的生产效率，降低能耗。

主权项

一种油田机采过程动态演化建模与节能优化方法，包括：步骤S1：确定油田机采过程中的效率影响因素，构成效率观测变量集合{x1,x2,x3,L xn}；以及，选取油田机工艺系统的性能变量，构成性能观测变量集合{y1,y2}；其中，x1为冲次决策变量，x2为有效冲程决策变量，x3～x5分别为计算泵效环境变量、含水率环境变量，平均功率因数环境变量，x6～xn均为载荷环境变量；性能观测变量的个数l＝2，y1为日产液量，y2为日耗电量；步骤S2：根据效率观测变量集合{x1,x2,x3,L xn}和性能观测变量集合{y1,y2}，采集通过ST‑UKFNN算法构建神经网络模型的观测变量的样本值矩阵[x1，x2L xn，y1，y2]；其中，设定采样周期为T，在采集观测变量的过程中，如果采样周期小于T，对T周期内的样本求取平均值以作为该T周期的样本[I,Y]；如果采样周期大于T，剔除采集到的观测变量；其中，将样本中的I作为输入样本，将样本中的Y作为输出样本；步骤S3：利用主元分析算法对载荷环境变量进行降维，构建新的载荷主元变量{Lz1,Lz2,...,Lzd}；其中，构建新的载荷主元变量{Lz1,Lz2,...,Lzd}为d个载荷主元分量，每个载荷主元分量的维度与所述样本[I,Y]的数量相同；步骤S4：重新组合非载荷变量与d个载荷主元分量，构建新的输入样本I1，并对新的输入样本I1和输出样本Y进行归一化，获得归一化后的样本其属于[‑1,1]；其中，非载荷变量包括冲次决策变量x1、有效冲程决策变量x2、计算泵效环境变量x3、含水率环境变量x4、平均功率因数环境变量x5；步骤S5：基于所述归一化后的样本构建神经网络模型和所述神经网络模型的初始状态变量X，以及，将所述归一化后的样本中的作为所述神经网络模型的输入，将所述归一化后的样本中的作为所述神经网络模型的输出；其中，所述神经网络模型为：Y=Σj=1s2(f(Σi=1S1wik1Ik+bi1))·wkj2+bj2---(1)]]>其中，Ik为所述训练样本的矢量样本值，并作为所述神经网络模型的输入，为网络输入层到隐含层的神经元的连接权值，为网络输入层到所述隐含层的神经元的阈值，为所述隐含层到网络输出层的神经元的连接权值，为所述隐含层到所述网络输出层的神经元的阈值，其中，i＝1，2…S0；j＝1，2…S1；k＝1，2…S2；S0为所述网络输入层的神经元的数量，S1为所述网络隐含层的神经元的数量，S2为所述网络输出层的神经元的数量；所述初始状态变量X为：X=w111Lws0s11b11Lbs11w112Lws1s22b12Lbs22T---(2)]]>步骤S6：利用ST‑UKFNN算法估计所述神经网络模型的最优状态变量；步骤S7：将所述最优状态变量作为所述神经网络模型的和重构神经网络表达式，获得油田机采油过程模型；步骤S8：构建日产液量y1的偏好函数perfc(y1)；步骤S9：利用MOGA算法对日产液量y1的偏好函数perfc(y1)和日耗电量y2进行多目标极值寻优优化，得到符合生产实际的决策变量；步骤S10：将优化后的决策变量结合环境变量，带入所述油田机采油过程模型，计算优化后的决策变量的系统性能，与实际样本的系统性能的平均值进行比较，如果优化后的决策变量的系统性能大于实际样本的系统性能的平均值，利用优化后的决策变量对实际生产进行指导；否则重复上述步骤S1‑S9，直至优化后的决策变量的系统性能大于实际样本的系统性能的平均值为止。