[發明專利]基于無跡粒子濾波神經網絡的油田機采參數建模方法

有效

• 申請號: 201610999737.8
• 申請日: 2016-11-14
• 公開（公告）號: CN106773667B
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 辜小花;楊利平;熊興中;王坎;李太福;唐海紅;聶玲
• 申請（專利權）人: 重慶科技學院;四川理工學院
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 北京睿智保誠專利代理事務所(普通合伙) 11732
• 代理人: 周新楣

1.一種基于無跡粒子濾波神經網絡的油田機采參數建模方法，包括：

步驟S1：確定油田機采油過程中的效率影響因素,構成效率觀測變量集合{x₁,x₂,x₃,Lx_n}；以及，選取油田機工藝系統的性能變量，構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分別為計算泵效環境變量、含水率環境變量，平均功率因數環境變量，x₆～x_n均為載荷環境變量；性能觀測變量的個數l＝2，y₁為日產液量，y₂為日耗電量；

步驟S2：根據效率觀測變量集合{x₁,x₂,x₃,L x_n}和性能觀測變量集合{y₁,y₂}，采集通過ST-UPFNN算法構建神經網絡模型的觀測變量的樣本值矩陣[x₁，x₂L x_n，y₁，y₂]；其中，

設定采樣周期為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；其中，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境變量進行降維，構建新的載荷主元變量{L_z1,L_z2,...,L_zd}；

其中，構建新的載荷主元變量{L_z1,L_z2,...,L_zd}為d個載荷主元分量，每個載荷主元分量的維度與所述樣本[I,Y]的數量相同；

步驟S4：重新組合非載荷變量與d個載荷主元分量，構建新的輸入樣本I₁，并對新的輸入樣本I₁和輸出樣本Y進行歸一化，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、計算泵效環境變量x₃、含水率環境變量x₄、平均功率因數環境變量x₅；

步驟S5：基于所述歸一化后的樣本構建神經網絡模型和所述神經網絡模型的初始狀態變量X，以及，將所述歸一化后的樣本中的作為所述神經網絡模型的輸入，將所述歸一化后的樣本中的作為所述神經網絡模型的輸出；

其中，所述神經網絡模型為：

其中，I_o為訓練樣本的矢量樣本值，并作為所述神經網絡模型的輸入，為網絡輸入層到網絡隱含層的神經元的連接權值，為所述網絡輸入層到所述網絡隱含層的神經元的閾值，為所述網絡隱含層到網絡輸出層的神經元的連接權值，為所述網絡隱含層到所述網絡輸出層的神經元的閾值，其中，f＝1，2…S₀；g＝1，2…S₁；o＝1，2…S₂；S₀為所述網絡輸入層的神經元的數量，S₁為所述網絡隱含層的神經元的數量，S₂為所述網絡輸出層的神經元的數量；

所述初始狀態變量X為：

步驟S6：利用ST-UPFNN算法估計所述神經網絡模型的最優狀態變量；

步驟S7：將所述最優狀態變量作為所述神經網絡模型的和重構神經網絡表達式，獲得油田機采油過程模型；

步驟S8：將所述歸一化后的樣本中的輸入到所述油田機采過程模型，得到預測結果，將所述預測結果與所述歸一化后的樣本中的實際輸出進行比較，如果比較結果小于預設誤差值，所構建的油田機采過程模型有效；否則重復上述步驟S1-S7，直至所述比較結果小于所述預設誤差值為止。