一种基于改进神经网络的输油泵特性预测方法技术

一种基于改进神经网络的输油泵特性预测方法，其步骤包括：构建油藏开发历史数据集和采用粒子群寻优方法优化关键超参数组合，其中采用粒子群寻优方法优化关键超参数组合具体包括：搭建初始模型；修改激活函数；烟花群初始化；初始化最好烟花、最差烟花和全局最优烟花；进行烟花爆炸；进行烟花高斯变异；更新烟花群；更新最好烟花、最差烟花和全局最优烟花；迭代获取最优关键超参数组合；更新神经网络及激活函数的参数。该方法通过提取油品物性数据的主要特征分量，将其和输油泵特性数据整合作为神经网络的输入数据，使用烟花智能算法优化神经网络，并在神经网络中使用参数线性整流函数作为激活函数，提高输油泵特性预测的收敛速度和预测精度。预测精度。预测精度。

【技术实现步骤摘要】
一种基于改进神经网络的输油泵特性预测方法


[0001]本专利技术涉及一种基于改进神经网络的输油泵特性预测方法,属于输油管道储运


技术介绍

[0002]输油泵特性是指流量、扬程、功率之间的关系，确定输油泵特性对于调节输油管道运输量、降低输油管道运行成本具有相当重要的意义。
[0003]传统的输油泵特性采用最小二乘法进行曲线拟合，对输油泵特性预测具有一定的指导意义。但由于最小二乘法映射关系简单，易忽略数据之间的部分潜在关系,且当油品物性发生变化时，使用最小二乘法并不能很好的反应物性变化所带来的影响，存在一定的局限性。

技术实现思路

[0004]针对上述现有技术存在的问题，本专利技术提供一种基于改进神经网络的输油泵特性预测方法，该方法能够提高输油泵特性预测的收敛速度和预测精度。
[0005]为了实现上述目的，本专利技术提供一种基于改进神经网络的输油泵特性预测方法，包括以下步骤：
[0006]A.构建油藏开发历史数据集：
[0007]从管道实时数据库和输油泵运行数据库中获取油品物性数据和输油泵特性数据，使用主成分分析技术对复杂油品物性数据进行降维处理，提取油品物性主要特征分量，将油品物性数据和输油泵特性数据映射到同一数据源中，剔除噪声数据和填充缺失值后得到输油泵特性历史数据集；
[0008]B.采用粒子群寻优方法优化关键超参数组合：
[0009](1)搭建初始模型:
[0010]改进神经网络的输油泵特性预测初始模型,构建神经网络的输入层、隐藏层和输出层,以sigmoid函数作为神经网络的激活函数；从输油泵特性历史数据集中随机抽取适量数据，以均方误差作为损失函数，调整输油泵特性预测初始神经网络模型；
[0011](2)修改激活函数：
[0012]采用参数线性整流函数代替神经网络初始的sigmoid激活函数，其计算公式为：
[0013][0014]其中，x为输入变量，a为负数部分的斜率；
[0015](3)烟花群初始化：
[0016]设置烟花寻优方法最大的迭代次数为T，烟花的数量为N,烟花最大爆炸火花数量为m，烟花最大爆炸半径为d，变异火花数量为L，以神经网络的权值w和阈值θ以及激活函数负数部分斜率a三者作为每个烟花的位置向量，表示为：X
i
＝(X
iw
,X
iθ
,X
ia
)，其中
每个烟花代表一个可优化神经网络混合参数组合的可行解；随机初始化烟花群X＝{X
i
,X2,...,X
N
}，以均方误差MSE(X
i
)作为烟花的适应度函数f(X
i
)；
[0017](4)初始化最好烟花、最差烟花和全局最优烟花：
[0018]计算每个烟花的适应度值并比较所有烟花的适应度值，取适应度值最小的混合参数可行解为最好烟花X
g
＝(X
gw
,X
gθ
,X
ga
)，取适应度值最大的混合参数可行解为最差的烟花X
e
＝(X
ew
,X
eθ
,X
ea
)，将最好烟花X
g
＝(X
gw
,X
gθ
,X
ga
)作为全局最优神经网络混合参数组合X
p
＝(X
pw
,X
pθ
,X
pa
)的初始值；
[0019](5)进行烟花爆炸:
[0020]根据最好烟花X
g
＝(X
gw
,X
gθ
,X
ga
)和最差烟花X
e
＝(X
ew
,X
eθ
,X
ea
)的适应度值，计算各个烟花X
i
∈{X1,X2,...,X
N
}爆炸所能产生的火花数目M
i
和爆炸最大半径D
i
，适应度好的混合参数组合在较小范围内产生数量较多的可行解，适应度差的混合参数组合在较大范围的邻域内产生数量较少的可行解；烟花X
i
∈{X1,X2,...,X
N
}爆炸所能产生的火花数目M
i
和爆炸最大半径D
i
计算公式分别为:
[0021][0022][0023]其中，m为烟花最大爆炸火花数量，d为烟花最大爆炸半径，ε为极小常数，f(X
e
)为最差烟花X
e
的适应度值，f(X
g
)为最好烟花X
g
的适应度值；
[0024](6)进行烟花高斯变异：
[0025]在烟花群中随机选择L个烟花X
i
∈{X1,X2,...,X
N
}对其进行高斯变异操作产生高斯变异火花，变异公式为：
[0026]X
i
＝X
i
×
e(0,1)；
[0027]其中，e(0,1)为均值为0、方差为1的高斯分布；
[0028](7)更新烟花群：
[0029]在烟花产生的火花中挑选一个适应度值最小的混合参数组合进行保留，在剩余多个混合参数组合中随机选择N
‑
1个进行保留；
[0030](8)更新最好烟花、最差烟花和全局最优烟花：
[0031]比较保留的N个烟花X
i
∈{X1,X2,...,X
N
}的适应度值，更新最好烟花X
g
＝(X
gw
,X
gθ
,X
ga
)和最差烟花X
e
＝(X
ew
,X
eθ
,X
ea
)，将适应度最小的烟花X
g
＝(X
gw
,X
gθ
,X
ga
)做为全局最优神经网络混合参数组合X
p
＝(X
pw
,X
pθ
,X
pa
)；
[0032](9)迭代获取最优关键超参数组合：
[0033]重复步骤5)至步骤8)，直到满足最大迭代次数T，此时，X
p
＝(X
pw
,X
pθ
,X
pa
)即为输油泵特性预测神经网络的最优混合参数组合；
[0034](10)更新神经网络及激活函数的参数：
[0035]将最优神经网络的权值阈值和激
活函数负数部分的斜率带入初始神经网络模型，形成基于改进神经网络的输油泵特性预测最终模型，将输油泵特性预测最终模型用于预测待计算的特性数据，实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进神经网络的输油泵特性预测方法，其特征在于，包括以下步骤：A.构建油藏开发历史数据集：从管道实时数据库和输油泵运行数据库中获取油品物性数据和输油泵特性数据，使用主成分分析技术对复杂油品物性数据进行降维处理，提取油品物性主要特征分量，将油品物性数据和输油泵特性数据映射到同一数据源中，剔除噪声数据和填充缺失值后得到输油泵特性历史数据集；B.采用粒子群寻优方法优化关键超参数组合：(1)搭建初始模型:改进神经网络的输油泵特性预测初始模型,构建神经网络的输入层、隐藏层和输出层,以sigmoid函数作为神经网络的激活函数；从输油泵特性历史数据集中随机抽取适量数据，以均方误差作为损失函数，调整输油泵特性预测初始神经网络模型；(2)修改激活函数：采用参数线性整流函数代替神经网络初始的sigmoid激活函数，其计算公式为：其中，x为输入变量，a为负数部分的斜率；(3)烟花群初始化：设置烟花寻优方法最大的迭代次数为T，烟花的数量为N,烟花最大爆炸火花数量为m，烟花最大爆炸半径为d，变异火花数量为L，以神经网络的权值w和阈值θ以及激活函数负数部分斜率a三者作为每个烟花的位置向量，表示为：X
i
＝(X
iw
,X
iθ
,X
ia
)，其中每个烟花代表一个可优化神经网络混合参数组合的可行解；随机初始化烟花群X＝{X
i
,X2,...,X
N
}，以均方误差MSE(X
i
)作为烟花的适应度函数f(X
i
)；(4)初始化最好烟花、最差烟花和全局最优烟花：计算每个烟花的适应度值并比较所有烟花的适应度值，取适应度值最小的混合参数可行解为最好烟花X
g
＝(X
gw
,X
gθ
,X
ga
)，取适应度值最大的混合参数可行解为最差的烟花X
e
＝(X
ew
,X
eθ
,X
ea
)，将最好烟花X
g
＝(X
gw
,X
gθ
,X
ga
)作为全局最优神经网络混合参数组合X
p
＝(X
pw
,X
pθ
,X
pa
)的初始值；(5)进行烟花爆炸:根据最好烟花X
g
＝(X
gw
,X
gθ
,X
ga
)和最差烟花X
e
＝(X
ew
,X
eθ
,X
ea
)的适应度值，计算各个烟花X
i
∈{X1,X2,...,X
N
}爆炸所能产生的火花数目M
i<...

【专利技术属性】
技术研发人员：王军防，李亚平，曹旦夫，余红梅，裘东平，郁振华，张华德，矫捷，唐明，张春，吴尚书，周明，王浩霖，史瑶华，朱万春，刘雪健，徐俊平，张黎祥，倪超，余成，
申请(专利权)人：国家管网集团东部原油储运有限公司徐州金桥石化管道输送技术有限公司，
类型：发明
国别省市：