本發(fā)明涉及油田機采
技術(shù)領(lǐng)域：
，更為具體地，涉及一種基于無跡粒子濾波神經(jīng)網(wǎng)絡(luò)的油田機采參數(shù)建模方法。
背景技術(shù)：
：油田機采油是一種機械采油方式，主要由電動機、地面?zhèn)鲃釉O(shè)備和井下抽油設(shè)備三部分組成。油田機采油過程主要分為上、下兩個沖程，上沖程，即驢頭懸點向上運動，需提起抽油桿柱和液柱，電動機需消耗大量的能量；下沖程，即驢頭懸點向下運動，油田機桿柱轉(zhuǎn)拉動對電動機做功。在桿柱上下運動過程中，液柱負(fù)載發(fā)生周期性變化，使得油田機系統(tǒng)在電機做功、傳動裝置等方面能耗較大，以致系統(tǒng)工作效率低下，難以分析油田機工藝過程規(guī)律。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無跡粒子濾波神經(jīng)網(wǎng)絡(luò)的油田機采參數(shù)建模方法，以解決上述
背景技術(shù)：
所提出的問題。本發(fā)明提供的基于無跡粒子濾波神經(jīng)網(wǎng)絡(luò)的油田機采參數(shù)建模方法，包括：步驟S1：確定油田機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,y3,Lyl}，采集通過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[x1x2Lxn,y1y2Lyl]；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UPFNN算法估計神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量X；步驟S7：將最優(yōu)狀態(tài)變量X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，獲得油田機采過程模型；步驟S8：將歸一化后的樣本中的輸入到油田機采過程模型，得到預(yù)測結(jié)果，將預(yù)測結(jié)果與歸一化后的樣本中的實際輸出進(jìn)行比較，如果比較結(jié)果小于預(yù)設(shè)誤差值，所構(gòu)建的油田機采過程模型有效；否則重復(fù)上述步驟S1-S7，直至比較結(jié)果小于預(yù)設(shè)誤差值為止。本發(fā)明提供的基于無跡粒子濾波神經(jīng)網(wǎng)絡(luò)的油田機采參數(shù)建模方法，通過UPFNN算法挖掘油田機的生產(chǎn)規(guī)律，以預(yù)測油田機的工況，并挖掘油田機最佳生產(chǎn)操作提供基礎(chǔ)模型。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2a為產(chǎn)液量的預(yù)測結(jié)果擬合精度圖圖2b為耗電量的預(yù)測結(jié)果擬合精度圖；圖3a為產(chǎn)液量的實際輸出擬合精度圖；圖3b為耗電量的實際輸出擬合精度圖；圖4為產(chǎn)液量和耗電量的相對誤差圖。具體實施方式名稱解釋UKFNN：UnscentedKalmanFilterNeuralNetwork，無跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)；UPFNN：UnscentedParticleFilterNeuralNetwork，無跡粒子濾波神經(jīng)網(wǎng)絡(luò)，其將UKFNN、粒子濾波(ParticleFilter)、BP神經(jīng)網(wǎng)絡(luò)相結(jié)合。本發(fā)明提供的基于無跡粒子濾波神經(jīng)網(wǎng)絡(luò)的油田機采參數(shù)建模方法，包括：步驟S1：確定油田機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分均載荷環(huán)境變量；性能觀測變量個數(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,y3,Lyl}，采集通過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[x1x2Lxn,y1y2Lyl]。在實際油田油水井生產(chǎn)系統(tǒng)中，由于數(shù)據(jù)采集設(shè)備的不同，其各個樣本的采樣周期不盡相同。為此在本發(fā)明中，構(gòu)建統(tǒng)一周期的采樣樣本，設(shè)定統(tǒng)一樣本的采樣周期為T為24小時，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]；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[X,Y]如表2所示：表2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}。本發(fā)明采用示功圖描繪數(shù)據(jù)的144個載荷點作為部分環(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[I,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)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X為：步驟S6：利用UPFNN算法估計神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量X；利用UKFNN算法對每個粒子進(jìn)行(k+1)時刻的狀態(tài)估計的過程，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UKFNN算法對每個粒子(k＝0)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：對初始狀態(tài)變量X進(jìn)行Sigma采樣，獲得2n+1個采樣點，初始化控制2n+1個采樣點的分布狀態(tài)參數(shù)α、待選參數(shù)κ，以及非負(fù)權(quán)系數(shù)β，對初始狀態(tài)變量X的Sigma采樣如下：步驟S622：計算每個采樣點的權(quán)重，每個采樣點的權(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：通過并估計(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)時刻觀測預(yù)測的協(xié)方差(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)方差其中，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；更新后的(k+1)時刻的狀態(tài)變量的狀態(tài)估計為：更新后的(k+1)時刻的狀態(tài)變量的協(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。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UPFNN算法估計得到的神經(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)估計付給進(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：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，獲得油田機采過程模型；步驟S8：將歸一化后的樣本中的輸入到更新后的神經(jīng)網(wǎng)絡(luò)模型，得到預(yù)測結(jié)果，將預(yù)測結(jié)果與歸一化后的樣本中的實際輸出進(jìn)行比較，如果比較結(jié)果小于預(yù)設(shè)誤差值，所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型有效；否則重復(fù)上述步驟S1-S7，直至比較結(jié)果小于所述預(yù)設(shè)誤差值為止。本發(fā)明通過幾組測試得到如下的技術(shù)效果：圖2a和圖2b分別示出了產(chǎn)液量和耗電量的預(yù)測結(jié)果擬合精度。圖3a和圖3b分別示出了產(chǎn)液量和耗電量的實際輸出擬合精度。圖4示出了預(yù)測產(chǎn)液量與實際輸出產(chǎn)液量的相對誤差和預(yù)測耗電量與實際輸出耗電量的相對誤差。本發(fā)明中，預(yù)設(shè)誤差值為5％，由于預(yù)測產(chǎn)液量與實際輸出產(chǎn)液量的相對誤差和預(yù)測耗電量與實際輸出耗電量的相對誤差均在5％以內(nèi)，因此建模有效。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