基于遗传算法极限学习机的抽油机参数优化方法技术

本发明专利技术提供一种基于遗传算法极限学习机的抽油机参数优化方法，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)构建评价决策变量个体支配关系的适应度函数、11)计算系统环境变量的平均值、12)利用决策变量构建初始种群并生成精英解种群、13)进行遗传迭代计算，得到第二代精英种群和父代种群、14)迭代循环，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。

【技术实现步骤摘要】
基于遗传算法极限学习机的抽油机参数优化方法
本专利技术属于采油领域，具体涉及一种基于遗传算法极限学习机的抽油机参数优化方法。
技术介绍
抽油机采油作为一种机械采油方式，主要由电动机、地面传动设备和井下抽油设备三部分组成，如图1所示。抽油机的整个采油过程主要分为上下两个冲程：上冲程，即驴头悬点向上运动，提起抽油杆柱和井下抽油设备，此过程中电动机需消耗大量的能量；下冲程，即驴头悬点向下运动，抽油机的抽油杆柱电动机做功。在抽油杆柱上下运动过程中，电动机的负载发生周期变化。抽油机的运行参数的选择对整个抽油机系统的能量消耗影响很大。为了使抽油机采油生产过程既能完成预定的产液量，又能使抽油机生产过程的耗电量最低，需要对抽油机运行参数进行节能优化。
技术实现思路
本专利技术是为了解决现有技术中存在的上述技术问题而做出，其目的在于提供一种基于遗传算法极限学习机的抽油机参数优化方法，以保证抽油机的生产状态最佳，从而达到减少能耗，提高系统效率的目的。为了实现上述目的，本专利技术提供一种基于遗传算法极限学习机的抽油机参数优化方法，该方法包括的步骤如下：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其中α1，α2为决策变量，α3～α146载荷数据环境变量，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：其中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；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：4)由影响因素观测变量集合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：并令输入变量集合为：{x1,x2,x3,...,xM}，即，5)构建输入变量集合{x1,x2,x3,...,xM}观测样本值：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：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：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)构建评价决策变量个体支配关系的适应度函数，系统的性能变量选取产液量(y1)、耗电量(y2)，结合步骤S9构建的产液量偏好函数，得到适应度函数如下：11)计算抽油机工艺系统环境变量的平均值，以作为优化决策参数时的环境状态；12)利用决策变量x1,x2构建多目标优化的初始种群PD的个体，即设置决策变量的上下限xmin、xmax,即x1min≤x1≤x1max，x2min≤x2≤x2max，利用决策变量(x1,x2)的K对数据构建初始种群PD，即初始化种群PD,令其为第一代父代种群；生成一个空的精英解种群设置精英个体个数为设置最大遗传代数GEN＝100；13)进行第一次遗传迭代计算，并得到第二代精英种群A2、第二代父代种群P2。具体步骤如下：①个体强度求取，将第一代父代种群与精英解种群组合成种群Rt，即求取种群Rt中每个个体的原始适应度函数值，并比较个体之间的相互支配关系；定义变量R(c)为种群Rt中第c个个体强度，即第c个个体可以被种群Rt其他个体支配的数量；其中个体Rt(c)原始适应度函数值求取过程如下：通过种群个体Rt(c)与环境状态变量平均值组建输入样本计算样本Xc原始适应度函数值并作为个体Rt(c)的原始适应度函数值；②个体密度求取，利用个体Rt(i)与种群Rt中第b个邻近个体的距离值则个体Rt(c)密度函数③求个体的适应值，将上述所求个体Rt(c)的强度R(c)和所求个体Rt(c)的密度值D(c)的相加作为个体Rt(c)的适应值；④在种群Rt将所有的非支配个体全部放入精英种群A2，但要保持精英种群个体数为此时存在三种情况：A2中个体数为则不需要在操作，如果A2中个体数小于则需要在种群Rt剩余个体中选取适应值较小的个体放入A2中，保持A2个体数为如果A2中个体数大于则需要在A2个体中比较个体的密度值D(c)，将密度值较大的个体剔除，以保持A2个体数为⑤将A2中个体放入交配池中进行遗传操作得到第二代父代种群⑥将第二代父代种群P2与第二代精英种群A2组合，并重复①～⑤过程，直至gen＝GEN，输出精英种群AGEN,将AGEN的个体作为优化结果；14)将优化后的决策变量，以及环境变量的平均值带入建立工艺过程模型，计算优化后的决策变量的系统性能，该优化后的决策变量取值可保证在固定产液量的情形下，耗电量降低。本专利技术的有益效果是，利用遗传算法优化的极限学习机算法(GAELM)建立油田机采过程的高精度模型，并利用建立油田机采过程的高精度模型，并利用智能特性的进化算法改进强度Pareto进化算法(StrengthParetoevolutionaryalgorithm2,SPEA2)对建立的模型进行搜索，探寻抽油机生产过程中最佳工艺决策参数，给出面向节能降耗的抽油机生产最佳参数，指导生产。通过选择优化后的运行参数，可以使抽油机在运行过程中保证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，从而可以降低油田生产成本并提高油田生产效率。附图说明图1示出了抽油机的工作模型；图2示出了本专利技术一个实施例所述的基于遗传算法极限学习机的抽油机参数优化方法的流程图；图3示出了本专利技术一个实施例中的前馈神经网络的结构；图4示出了本专利技术一个实施例中的产液量偏好函数的图形；图5示出了利用本专利技术的方法训练神经网络所产生的产液量训练效果图；图6示出了利用本专利技术的方法训练神经网络所产生的耗电量训练效果图；图7示出了测试样本产液量预测效果图；图8示出了测试样本耗电量预测效果图；图9示出了偏好函数的图形；图10示出了产液量偏好值与耗电量的pareto解集关系。具体实施方式在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。图2是流程图，示出了本专利技术的一个实施例所述的基于遗传算法极限学习机的抽油机参数优化方法。如图2所示，本专利技术所述的基于遗传算法极限学习机的抽油机参数优化方法包括如下步骤：步骤S1：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其中α1，α2为决策变量，α3～α146载荷数据环境变量，为其他环境变量，选取抽油机系统的性能变量本文档来自技高网...

【技术保护点】
一种基于遗传算法极限学习机的抽油机参数优化方法，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其中α1，α2为决策变量，α3～α146载荷数据环境变量，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............αM‾1αM‾2...αM‾N≡L1L2...LM‾]]>Y=y11y12...y1Ny21y22...y2N............yl1yl2...ylN]]>其中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；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]]>4)由影响因素观测变量集合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：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............αM‾1αM‾2...αM‾Nαz11αz12...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~testx~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，...

【技术特征摘要】
1.一种基于遗传算法极限学习机的抽油机参数优化方法，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其中α1，α2为决策变量，α3～α146载荷数据环境变量，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：其中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；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：4)由影响因素观测变量集合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：并令输入变量集合为：{x1,x2,x3,...,xM}，即，5)构建输入变量集合{x1,x2,x3,...,xM}观测样本值：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：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：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)构建评价决策变量个体支配关系的适应度函数，系统的性能变量选取产液量(y1)、耗电量(y2)，结合步骤S9构建的产液量偏好函数，得到适应度函数如下：11)计算抽油机工艺系统环境变量的平均值，以作为优化决策参数时的环境状态；12)利用决策变量x1,x2构建多目标优化的初始种群PD的个体，即设置决策变量的上下限xmin、xmax,即x1min≤x1≤x1max，x2min≤x2≤x2max，利用决策变量(x1,x2)的K对数据构建初始种群PD，即初始化种群PD,令其为第一代父代种群；生成一个空的精英解种群设置精英个体个数为设置最大遗传代数GEN＝100；13)进行第一次遗传迭代计算，并得到第二代精英种群A2、第二代父代种群具体步骤如下：①个体强度求取，将第一代父代种群与精英解种群组合成种群Rt，即求取种群Rt中每个个体的原始适应度函数值，并比较个体之间的相互支配关系；定义变量R(c)为种群Rt中第c个个体强度，即第c个个体可以被种群Rt其他个体支配的数量；其中个体Rt(c)原始适应度函数值求取过程如下：通过种群个体Rt(c)与环境状态变量平均值组建输入样本计算样本Xc原始适应度函数值并作为个体Rt(c)的原始适应度函数值；②个体密度求取，利用个体Rt(i)与种群Rt中第b个邻近个体的距离值则个体Rt(c)密度函数③求个体的适应值，将上述所求个体Rt(c)的强度R(c)和所求个体Rt(c)的密度值D(c)的相加作为个体Rt(c)的适应值；④在种群Rt将所有的非支配个体全部放入精英种群A2，但要保持精英种群个体数为此时存在三种情况：A2中个体数为则不需要在操作，如果A2中个体数小于则需要在种群Rt剩余个体中选取适应值较小的个体放入A2中，保持A2个体数为如果A2中个体数大于则需要在A2个体中比较个体的密度值D(c)，将密度值较大的个体剔除，以保持A2个体数为⑤将A2中个体放入交配池中进行遗传操作得到第二代父代种群⑥将第二代父代种群与第二代精英种群A2组合，并重复①～⑤过程；直至gen＝GEN，输出精英种群AGEN,将AGEN的个体作为优化结果；14)将优化后的决策变量，以及环境变量的平均值带入建立工艺过程模型，计算优化后的决策变量的系统性能，该优化后的决策变量取值可保证在固定产液量的情形下，耗电量降低。2.如权利要求1所述的基于遗传算法极限学习机的抽油机参数优化方法，其中，所述决策变量α1为冲次、决策变量α2为有效冲程、α3～α146为载荷1至载荷144，其余环境变量包括：理论排量、功率因数、有功功率、无功功率、含水率中的一个或多个变量；所述抽油机生产过程性能变量y1为产液量、y2为耗电量。3.如权利要求...

【专利技术属性】
技术研发人员：辜小花，李太福，梅青平，裴仰军，王坎，周伟，杨永龙，曹旭鹏，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆;85