基于遺傳算法極限學(xué)習(xí)機(jī)的抽油機(jī)參數(shù)優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于采油領(lǐng)域，具體涉及一種基于遺傳算法極限學(xué)習(xí)機(jī)的抽油機(jī)參數(shù)優(yōu)化 方法。
【背景技術(shù)】
[0002] 抽油機(jī)采油作為一種機(jī)械采油方式，主要由電動機(jī)、地面?zhèn)鲃釉O(shè)備和井下抽油設(shè) 備三部分組成，如圖1所示。抽油機(jī)的整個采油過程主要分為上下兩個沖程：上沖程，即驢 頭懸點(diǎn)向上運(yùn)動，提起抽油桿柱和井下抽油設(shè)備，此過程中電動機(jī)需消耗大量的能量；下沖 程，即驢頭懸點(diǎn)向下運(yùn)動，抽油機(jī)的抽油桿柱電動機(jī)做功。在抽油桿柱上下運(yùn)動過程中，電 動機(jī)的負(fù)載發(fā)生周期變化。抽油機(jī)的運(yùn)行參數(shù)的選擇對整個抽油機(jī)系統(tǒng)的能量消耗影響很 大。為了使抽油機(jī)采油生產(chǎn)過程既能完成預(yù)定的產(chǎn)液量，又能使抽油機(jī)生產(chǎn)過程的耗電量 最低，需要對抽油機(jī)運(yùn)行參數(shù)進(jìn)行節(jié)能優(yōu)化。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明是為了解決現(xiàn)有技術(shù)中存在的上述技術(shù)問題而做出，其目的在于提供一種 基于遺傳算法極限學(xué)習(xí)機(jī)的抽油機(jī)參數(shù)優(yōu)化方法，以保證抽油機(jī)的生產(chǎn)狀態(tài)最佳，從而達(dá) 到減少能耗，提尚系統(tǒng)效率的目的。
[0004] 為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于遺傳算法極限學(xué)習(xí)機(jī)的抽油機(jī)參數(shù)優(yōu)化 方法，該方法包括的步驟如下：
[0005] 1)確定抽油機(jī)采油過程生產(chǎn)效率影響因素構(gòu)成效率觀測變量集合 ，…其中ai，CI2為決策變量，a3~a146載荷數(shù)據(jù)環(huán)境變量，《147~~為其他環(huán) 境變量，選取抽油機(jī)系統(tǒng)的性能變量構(gòu)成性能觀測變量集合：Iy1,y2,y3,…yj;
[0006] 2)獲得所述生產(chǎn)效率影響因素和系統(tǒng)性能變量的樣本數(shù)據(jù)，得到效率影響因素樣 本矩陣a和性能樣本矩陣Y:
【主權(quán)項(xiàng)】
1. 一種基于遺傳算法極限學(xué)習(xí)機(jī)的抽油機(jī)參數(shù)優(yōu)化方法，包括如下步驟： 1) 確定抽油機(jī)采油過程生產(chǎn)效率影響因素構(gòu)成效率觀測變量集合Μ，％，％，···％·,}，其 中O1, α2為決策變量，α 3~α 146載荷數(shù)據(jù)環(huán)境變量，α147~α#為其他環(huán)境變量，選取抽油 機(jī)系統(tǒng)的性能變量構(gòu)成性能觀測變量集合：Iy1, y2, ; 2) 獲得所述生產(chǎn)效率影響因素和系統(tǒng)性能變量的樣本數(shù)據(jù)，得到效率影響因素樣本矩 陣α和性能樣本矩陣Y :
其中M為效率影響因素個數(shù)，N為樣本個數(shù)，a ik表示第i個效率影響因素變量的第k 個觀測值，i = 1，2, · · ·，M ;k = 1，2, · · ·，N ; 3) 利用主元分析算法對載荷數(shù)據(jù)進(jìn)行降維處理，從而構(gòu)建新的載荷主元變量矩陣：
4) 由影響因素觀測變量集合{?I，％，％，···》#}中非載荷變量與載荷新主元觀測變量集合 { α ζ1, α z2, ...，a zd}構(gòu)建網(wǎng)絡(luò)輸入變量集合：丨···,%!，并令輸入變量集 合為：{x" X2, X3，· · ·，XjJ，艮P，*以 5) 構(gòu)建輸入變量集合{Xl，x2, x3,...，xM}觀測樣本值：
其中，Xl~x 2為決策變量，x 3~x M為新的環(huán)境變量； 6) 對得到的訓(xùn)練輸入樣本X、輸出樣本Y進(jìn)行歸一化處理，得到新的訓(xùn)練輸入矩陣X、 輸出矩陣F;
7) 在歸一化后樣本集中，選取樣本集前《組樣本作為網(wǎng)絡(luò)訓(xùn)練樣本集，則 樣本集剩余iV-#組作為測試樣本集[P'P]，其中々=(〇,8~0.9)*7V，其中：訓(xùn)練樣本集和 測試樣本集分別為：
8) 構(gòu)建3層前饋神經(jīng)網(wǎng)絡(luò)，采用所述訓(xùn)練輸入樣本:對該網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利 用遺傳算法訓(xùn)練網(wǎng)絡(luò)權(quán)值W、權(quán)值β、隱含層閾值b，從而確定網(wǎng)絡(luò)的參數(shù)，最終得到可計算 出任一組輸入觀測值X1, x2, ...，xM所對應(yīng)的輸出預(yù)測值^ = Lf1J2,…,的前饋神經(jīng)網(wǎng)絡(luò)：
9) 針對產(chǎn)液量71構(gòu)造其偏好函數(shù)h = h (y J，該偏好函數(shù)為U形曲線，在其整個定義域 上二階可導(dǎo)且二階導(dǎo)數(shù)恒大于零，將產(chǎn)液量Y1的值劃分為好、較好、一般、較差和極差5個 區(qū)域，并通過所述偏好函數(shù)將該五個區(qū)域量化為數(shù)值h = h (yi);其中，產(chǎn)液量71處于好區(qū) 域?qū)?yīng)偏好函數(shù)最小值； 10) 構(gòu)建評價決策變量個體支配關(guān)系的適應(yīng)度函數(shù)，系統(tǒng)的性能變量選取產(chǎn)液量（Y1)、 耗電量（y2)，結(jié)合步驟S9構(gòu)建的產(chǎn)液量偏好函數(shù)，得到適應(yīng)度函數(shù)如下：
11) 計算抽油機(jī)工藝系統(tǒng)環(huán)境變量的平均值，以作為優(yōu)化決策參數(shù)時的環(huán)境狀態(tài)； 12) 利用決策變量Xl，X2構(gòu)建多目標(biāo)優(yōu)化的初始種群P D的個體，即Pj =[%,&]，設(shè)置決 策變量的上下限Xnlil^ Xniax，即XlnlinS X # X lniax，X2nlinS X 2彡X 2_，利用決策變量（X1, χ2)的 1(對數(shù)據(jù)構(gòu)建初始種群？1)，即4=^1 1,4；)?4,-?，^1，初始化種群？1)，令其為第一代父 代種群；生成一個空的精英解種群1 = 0 ;設(shè)置精英個體個數(shù)為充。設(shè)置最大遺傳代數(shù)GEN =100 ； 13) 進(jìn)行第一次遺傳迭代計算，并得到第二代精英種群A2、第二代父代種群具體步 驟如下： ① 個體強(qiáng)度求取，將第一代父代種群與精英解種群組合成種群Rt，即尺=恕Ui，求取 種群Rt中每個個體的原始適應(yīng)度函數(shù)值，并比較個體之間的相互支配關(guān)系；定義變量R (c) 為種群Rt中第c個個體強(qiáng)度，即第c個個體可以被種群Rt其他個體支配的數(shù)量；其中個體 Rt(C)原始適應(yīng)度函數(shù)值求取過程如下：通過種群個體Rt (c)與環(huán)境狀態(tài)變量平均值S組建 輸入樣本夂=[4 f，計算樣本X。原始適應(yīng)度函數(shù)值0響《1(夂)=[Α(Λ)，Α]，并作為 個體Rt (c)的原始適應(yīng)度函數(shù)值； ② 個體密度求取，利用個體Rt (i)與種群Rt中第b個鄰近個體的距離值 <，則個體 Rt(C)密度函數(shù)
③ 求個體的適應(yīng)值，將上述所求個體Rt (c)的強(qiáng)度R(c)和所求個體Rt (c)的密度值 D(c)的相加作為個體Rt (c)的適應(yīng)值； ④ 在種群Rt將所有的非支配個體全部放入精英種群A 2,但要保持精英種群個體數(shù)為 ￡;此時存在三種情況：A2中個體數(shù)為Z，則不需要在操作，如果A 2中個體數(shù)小于充，則需要 在種群Rt剩余個體中選取適應(yīng)值較小的個體放入A2中，保持A 2個體數(shù)為f;如果A2中個體 數(shù)大于Z，則需要在A2個體中比較個體的密度值D (c)，將密度值較大的個體剔除，以保持A2 個體數(shù)為充； ⑤ 將A2中個體放入交配池中進(jìn)行遺傳操作得到第二代父代種群巧； ⑥ 將第二代父代種群巧與第二代精英種群A2組合，并重復(fù)①~⑤過程；直至gen = GEN，輸出精英種群AeEN，將八^的個體作為優(yōu)化結(jié)果； 14) 將優(yōu)化后的決策變量，以及環(huán)境變量的平均值帶入建立工藝過程模型，計算優(yōu)化后 的決策變量的系統(tǒng)性能，該優(yōu)化后的決策變量取值可保證在固定產(chǎn)液量的情形下，耗電量 降低。
2. 如權(quán)利要求1所述的基于遺傳算法極限學(xué)