[發明專利]基于集成高斯過程回歸的有桿泵抽油井動液面軟測量方法

有效

• 申請號: 201910762684.1
• 申請日: 2019-08-19
• 公開（公告）號: CN110472689B
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 高憲文;趙榮昌;王明順;張逸帆
• 申請（專利權）人: 東北大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q50/06
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李在川

1.一種基于集成高斯過程回歸的有桿泵抽油井動液面軟測量方法，其特征在于：包括如下步驟：

步驟1：采集有桿泵抽油井的井口套壓、日產液量、含水率、產氣量、抽油機示功圖數據、沖次時間及實測動液面高度數據；計算得到下沖程平均載荷、日產油量、日產水量和沖次；對井口套壓、日產油量、日產水量、產氣量、下沖程平均載荷和沖次進行歸一化處理，得到初始樣本集S；將初始樣本集S分為訓練集T＝{(x₁,y₁)，(x₂,y₂),…,(x_i,y_i),…,(x_E,y_E)}和測試集M＝{(x₁,y₁)，(x₂,y₂),…,(x_q,y_q),…,(x_B,y_B)}；其中，代表集合X中第α個d維輸入變量，所述輸入變量即油井輔助變量，其中，X＝{T,M}，α代表集合X內的數據編號；代表集合X中第α個與油井輔助變量相對應的實測動液面值；

步驟2：設置分類個數k，根據模糊C均值聚類算法對訓練集T進行劃分，得到k個聚類劃分后的訓練樣本集T′＝{TD₁,TD₂,…,TD_j,…,TD_k}，其中TD_j代表訓練樣本集內第j簇訓練樣本子集；

具體方法為：

聚類中心矩陣集合V＝[v₁，v₂，...，v_j，...，v_k]迭代公式如下：

其中，v_j代表第j個樣本子集的聚類中心矩陣，u_j(x_i)代表第i個樣本對于第j簇的隸屬度，b為隸屬度矩陣指數，b≥1；

隸屬度矩陣U＝[u₁(x_i)，u₂(x_i)，...，u_j(x_i)...，u_k(x_i)]的迭代公式為：

且u_j(x_i)滿足以下約束條件：

其中，u_j(x_i)∈[0，1]；

根據隸屬度矩陣U將樣本x_i歸入隸屬度值最大的一簇中，令i＝i+1重復本步驟，直至完成訓練集T的劃分，得到k個聚類劃分后的訓練樣本集T′；

步驟3：依次求取訓練樣本集T′中每個子集的平均值，根據每個子集的平均值獲得k個簇的中心點C₁，C₂，…，C_j，…，C_k；

第j簇中心點C_j的計算公式為：

其中sum_feature(j)表示簇j中所有樣本點的特征和，sum_number(j)表示簇j中所有樣本的數目；

步驟4：對聚類劃分后的k個訓練樣本子集{TD₁}，{TD₂}，…，{TD_j}，…，{TD_k}分別采用Bagging算法建立高斯過程回歸動液面預測模型；

具體步驟為：

步驟4.1：確定Bagging集成學習算法的基學習器個數N，根據Bootstrapping算法對訓練樣本子集{TD_j}進行N輪重取樣，獲得有差異的Bagging訓練集D_j＝{D_j1，D_j2，…，D_jn，…，D_jN}；

步驟4.2：依次求取N個Bagging訓練子集{D_j1}，{D_j2}，…，{D_jn}，…，{D_jN}每個簇的平均值，獲得N個Bagging訓練子集的中心點C_j1，C_j2，…、C_jn，…，C_jN,其中C_jn表示第j簇樣本子集在進行第n輪Bootstrapping重取樣后獲得Bagging訓練子集{D_jn}的中心點；

中心點C_jn計算公式為：

其中sum_featurej(n)表示簇{D_jn}中所有樣本點的特征和，sum_numberj(n)表示簇{D_jn}中所有樣本的數目；

步驟4.3：使用平方指數函數作為高斯過程回歸的協方差函數，建立Bagging訓練集D_j的N個高斯過程回歸動液面預測模型；

建立訓練集D_j中第n個高斯過程回歸動液面預測模型，具體步驟如下：

獲取Bagging訓練子集{D_jn}＝{(x_p，y_p)|p＝1，2，...，H}，其中，x_p∈R^d是d維輸入變量即輔助變量的值，x_p作為高斯過程回歸動液面預測模型輸入數據，y_p是與x_p相對應的動液面值，y_p作為高斯過程回歸動液面預測模型輸出數據；H表示{D_jn}中樣本的個數；高斯過程為：

f(x)～GP(m(x)，k(x_p，x_φ))

其中f(x)為R^d→R隱函數，GP(*)表示高斯過程，k(x_p，x_φ)為協方差函數，x_p和x_φ是Bagging訓練子集D_jn內的d維輸入變量即輔助變量，m(x)為均值函數，取值為0；

將噪聲ε考慮到觀測目標值y＝[y₁，y₂，...，y_q，...，y_H]^T時，可建立高斯過程回歸模型，如下所示：

y＝f(x)+ε

其中ε為與f(x)不相關的獨立高斯白噪聲，ε服從均值為0、方差為σ_d²的正態分布；

高斯回歸過程選用平方指數協方差函數，表示如下：

其中M＝diag(l²)，l為方差尺度，σ_f²為信號方差；θ＝{M，σ_f²，σ_d²}為超參數；

步驟4.4：建立訓練樣本條件概率的負對數似然函數L(θ)

其中θ為超參數，y＝[y₁，y₂，...，y_q，...，y_H]^T，C＝k+σ_d²I_d，k為協方差函數，σ_d²為方差，I_d是d階單位矩陣，log(*)表示取對數，det(C)為C的行列式，d為輸入變量的維數，對L(θ)求偏導數，使用共軛梯度法對步驟4.3中建立的N個高斯回歸模型中的超參數θ進行優化；

步驟4.5：令j＝j+1，重復步驟4.1至步驟4.4，直至將訓練樣本集T′中的所有訓練樣本子集都得到優化超參數后的N個高斯過程回歸動液面預測模型；

步驟5：將測試樣本集M＝{(x₁,y₁)，(x₂,y₂),…,(x_q,y_q),…,(x_B,y_B)}中x_q作為高斯過程回歸動液面預測模型的輸入，計算出x_q與步驟3中k個簇的中心點的歐氏距離，將與x_q歐氏距離最小的第w簇作為x_q的歸屬簇，通過步驟4.3中第w簇建立的N個高斯過程回歸動液面預測模型得到動液面預測結果。