技術(shù)特征：

1.一種基于無(wú)跡粒子濾波神經(jīng)網(wǎng)絡(luò)的油田機(jī)采參數(shù)建模方法，包括：

步驟S1：確定油田機(jī)采油過(guò)程中的效率影響因素,構(gòu)成效率觀測(cè)變量集合{x₁,x₂,x₃,L x_n}；以及，選取油田機(jī)系統(tǒng)的性能變量，構(gòu)成性能觀測(cè)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(jì)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(cè)變量個(gè)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(cè)變量集合{x₁,x₂,x₃,L x_n}和性能觀測(cè)變量集合{y₁,y₂,y₃,L y_l}，采集通過(guò)UPFNN算法構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的觀測(cè)變量的樣本值矩陣[x₁x₂L x_n,y₁y₂L y_l]；其中，

設(shè)定采樣周期為T，在采集觀測(cè)變量的過(guò)程中，如果采樣周期小于T，對(duì)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(cè)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(duì)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(gè)載荷主元分量，每個(gè)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(gè)載荷主元分量，構(gòu)建新的輸入樣本I₁，并對(duì)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(jì)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UPFNN算法估計(jì)所述神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)狀態(tài)變量X；

步驟S7：將所述最優(yōu)狀態(tài)變量X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)采過(guò)程模型；

步驟S8：將所述歸一化后的樣本中的輸入到所述油田機(jī)采過(guò)程模型，得到預(yù)測(cè)結(jié)果，將所述預(yù)測(cè)結(jié)果與所述歸一化后的樣本中的實(shí)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(jī)采過(guò)程模型有效；否則重復(fù)上述步驟S1-S7，直至所述比較結(jié)果小于所述預(yù)設(shè)誤差值為止。

2.如權(quán)利要求1所述的基于無(wú)跡粒子濾波神經(jīng)網(wǎng)絡(luò)的油田機(jī)采參數(shù)建模方法，所述步驟S6包括：

步驟S61：針對(duì)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(gè)粒子的權(quán)值均設(shè)為1/N，記粒子x₀為k＝0時(shí)刻狀態(tài)；

步驟S62：在獲取(k+1)時(shí)刻的觀測(cè)變量值后，為歸一化樣本中第(1)組樣本性能觀測(cè)變量，利用UKFNN算法對(duì)每個(gè)粒子進(jìn)行狀態(tài)估計(jì)，得到最優(yōu)狀態(tài)估計(jì)值和協(xié)方差

步驟S63：將所述最優(yōu)狀態(tài)估計(jì)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(gè)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(gè)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)分布函數(shù)的三個(gè)變量；

步驟S64：對(duì)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(duì)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(gè)新粒子的狀態(tài)估計(jì)值

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(jì)算過(guò)程，將最后一次估計(jì)得到系統(tǒng)狀態(tài)變量作為利用UPFNN算法估計(jì)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(jì)值作為本時(shí)刻的最優(yōu)估計(jì)付給進(jìn)行下一時(shí)刻的狀態(tài)估計(jì)。

3.如權(quán)利要求2所述的基于無(wú)跡粒子濾波神經(jīng)網(wǎng)絡(luò)的油田機(jī)采參數(shù)建模方法，利用UKFNN算法對(duì)每個(gè)粒子進(jìn)行狀態(tài)估計(jì)的過(guò)程，包括：

步驟S621：對(duì)所述初始狀態(tài)變量X進(jìn)行Sigma采樣，獲得2n+1個(gè)采樣點(diǎn)，初始化控制2n+1個(gè)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(duì)所述初始狀態(tài)變量X的Sigma采樣如下：

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

步驟S622：計(jì)算每個(gè)采樣點(diǎn)的權(quán)重，每個(gè)采樣點(diǎn)的權(quán)重如下：

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

其中，W_c為計(jì)算狀態(tài)變量的協(xié)方差的權(quán)重，W_m為計(jì)算狀態(tài)估計(jì)和觀測(cè)預(yù)測(cè)時(shí)的權(quán)重，是的第一列，是的第一列；

步驟S623：通過(guò)離散時(shí)間非線性系統(tǒng)的狀態(tài)方程將每個(gè)采樣點(diǎn)的k時(shí)刻的最優(yōu)狀態(tài)變量的狀態(tài)估計(jì)變換為(k+1)時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)以及，通過(guò)合并(k+1)時(shí)刻的狀態(tài)估計(jì)的向量，獲得(k+1)時(shí)刻的狀態(tài)變量的狀態(tài)先驗(yàn)估計(jì)和協(xié)方差P_k+1|k；其中，

所述狀態(tài)估計(jì)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(shí)刻的最優(yōu)狀態(tài)估計(jì)，w_k為過(guò)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(jì)為：

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

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}{\mathrm{\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(guò)離散時(shí)間非線性系統(tǒng)的觀測(cè)方程建立(k+1)時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)和(k+1)時(shí)刻的觀測(cè)預(yù)測(cè)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(cè)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(guò)并估計(jì)(k+1)時(shí)刻的觀測(cè)預(yù)測(cè)的向量，獲得(k+1)時(shí)刻的先驗(yàn)觀測(cè)預(yù)測(cè)并根據(jù)先驗(yàn)觀測(cè)預(yù)測(cè)估計(jì)(k+1)時(shí)刻觀測(cè)預(yù)測(cè)的協(xié)方差

(k+1)時(shí)刻的先驗(yàn)觀測(cè)預(yù)測(cè)為：

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

(k+1)時(shí)刻的觀測(cè)預(yù)測(cè)的協(xié)方差

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

步驟S626：計(jì)算(k+1)時(shí)刻的狀態(tài)變量的狀態(tài)先驗(yàn)估計(jì)與(k+1)時(shí)刻的先驗(yàn)觀測(cè)預(yù)測(cè)之間的協(xié)方差所述協(xié)方差為：

$P_{x_{k+1}{y}_{k+1}}=\underset{i=0}{\overset{2n}{\Σ}}{W}_c^{\left(i\right)}\·(X_{k+1|k}^{\left(i\right)}-{\hat{X}}_{k+1|k}){(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k})}^T---\left(19\right)$

步驟S627：通過(guò)建立協(xié)方差和協(xié)方差的關(guān)系，更新(k+1)時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)和協(xié)方差，分別獲得(k+1)時(shí)刻的最優(yōu)狀態(tài)估計(jì)值和協(xié)方差

4.如權(quán)利要求3所述的基于無(wú)跡粒子濾波神經(jīng)網(wǎng)絡(luò)的油田機(jī)采參數(shù)建模方法，其中，建立的協(xié)方差和協(xié)方差的關(guān)系為：

$K_{k+1}=\frac{P_{x_{k+1}{y}_{k+1}}}{P_{y_{k+1}}}---\left(20\right)$

其中，K_k+1為增益矩陣，以及更新后的(k+1)時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)協(xié)方差P_k+1分別為：

${\hat{X}}_{k+1}={\hat{X}}_{k+1|k}+K_{k+1}(Y_{k+1}-{\hat{Y}}_{k+1|k})---\left(21\right)$

$P_{k+1}=P_{k+1|k}-K_{k+1}{\left(P_{x_{k+1}{y}_{k+1}}\right)}^T---\left(22\right)$

將更新后的(k+1)時(shí)刻的狀態(tài)變量的狀態(tài)估計(jì)和協(xié)方差P_k+1分別作為(k+1)時(shí)刻的最優(yōu)狀態(tài)估計(jì)值和協(xié)方差