[发明专利]一种基于BP神经网络与SPEA2算法的油田抽油机采油节能增产优化方法

权利要求书

1.一种基于BP神经网络与SPEA2算法的油田抽油机采油节能增产优化方法，其特征在于按如下步骤进行：

步骤一：统计所有对耗电量、产油量有影响的原始变量S，并从中确定在油田抽油机采油过程中对耗电量、产油量影响非常大的S1个决策变量X；

步骤二：采集时间T内决策变量和对应着的耗电量、产油量Y的样本，得到一个样本矩阵；

步骤三：以决策变量X作为输入，以耗电量、产油量Y作为输出，运用BP神经网络算法，对样本进行训练、检验，建立抽油机采油的过程模型；

步骤四：以BPNN模型为基础，以BPNN的两个输出值作为适应度函数F(i)i=1,2，运用SPEA2多目标进化算法，对决策变量在各自的上下限范围内，进行优化；

步骤五：将优化后的S1个决策变量X优化值带入BPNN模型，计算此时的模型两个输出值耗电量、产油量Y，与样本值平均值进行比较，如果耗电量降低、产量提高，则带入油田，对实际生产进行指导，否则，返回步骤一，人为更换S1个决策变量X，重新筛选决策变量X；步骤六：如果所有设定的S1个决策变量X组合都没有使耗电量降低、产量提高，则S1=S1+1，再返回步骤一。

2.根据权利要求1所述一种基于BP神经网络与SPEA2算法的油田抽油机采油节能增产优化方法，其特征在于：所述步骤三抽油机采油的过程模型建立步骤为：

第一步：设置变量和参量：

X_k=[x_k1,x_k2,...,x_kM](k=1,2,...,N)为输入矢量，或称训练样本，N为训练样本个数，

WMI(g)=w11(g)w12(g)···w1I(g)w21(g)w22(g)···w2I(g)············wM1(g)wM2(g)···wMI(g)]]>

为第g（g一般设定为500）次迭代时输入层与隐层I之间的权值矢量；W_JP(g)为第g次迭代时隐层J与输出层之间的权值矢量；

Y_k(g)=[y_k1(g),y_k2(g),.. ,y_kP(g)](k=1,2,...,N)为第g次迭代时网络的实际输出；

d_k=[d_k1,d_k2,...,d_kP](k=1,2,...,N)为期望输出；

第二步：初始化，赋给W_MI(0),W_JP(0)各一个0到1之间的随机值；

第三步：随机输入样本X_k，g=0；

第四步：对输入样本X_k，前向计算BP网络每层神经元的输入信号和输出信号；

第五步：由期望输出d_k和上一步求得的实际输出Y_k(g)，计算误差E(g)，判断其是否满足要求，若满足转至第八步；若不满足转至第六步；

第六步：判断g+1是否大于最大迭代次数，若大于转至第八步，若不大于，对输入样本X_k，反向计算每层神经元的局部梯度δ；

第七步：按下式计算权值修正量ΔW，并修正权值；g=g+1，转至第四步；例如，

ΔWij5=η·δij·aj4]]>

Wij5(g+1)=Wij5(g)+ΔWij(g)]]>

其中η为学习速率，g为迭代次数；

第八步：判断是否学完所有的训练样本，是则结束训练，完成建模，否则转至第三步。

3.根据权利要求1所述一种基于BP神经网络与SPEA2算法的油田抽油机采油节能增产优化方法，其特征在于：所述步骤四的优化过程为：

第一步：初始化，设进化代数t=0，随机产生决策变量的初始规则群体p₀；构造一个空的外部群体其中，|p₀|=D，V₀=Q，设T为最大进化代数；

第二步：适应度赋值，计算p_t和V_t中个体的适应度F(i)；

第三步：环境选择，利用所提供的环境选择方式进行环境选择；

第四步：终止条件，如果t<T或者最大适应度值与平均适应度值之差和平均适应度值比值小于5%，继续第五步；否则，中止迭代，V_t+1中的非支配个体即为Pareto最优解集；

第五步：交配选择，使用二进制竞标赛选择V_t+1中的个体进入交配池；

第六步：遗传操作，对交配池中个体使用重组和变异操作，产生的新个体进入p_t+1，t=t+1，返回第二步。