楊豐銘（遼河油田興隆臺采油廠，遼寧 盤錦 124010）

基于KPCA和BH-LSSVM的動液面軟測量建模

楊豐銘（遼河油田興隆臺采油廠，遼寧 盤錦 124010）

針對動液面?zhèn)鹘y(tǒng)的人工測量方法，不能實現(xiàn)實時測量和誤差大的缺陷，不利于實際生產(chǎn)指導的問題。本文提出基于灰色關聯(lián)度、核主元分析（KPCA）和BH-LSSVM算法相結合的方法進行動液面軟測量建模，實現(xiàn)動液面的實時準確預測，切實指導于實際生產(chǎn)應用。

動液面；灰色關聯(lián)度；核主元分析；BH-LSSVM算法

動液面參數(shù)的變化能夠反映實際生產(chǎn)工況條件變化的趨勢，對于油田生產(chǎn)運行調(diào)度，達到合理運行狀態(tài)有重要的指導意義。本文針對傳統(tǒng)人工測量方法的缺陷，提出動液面的軟測量建模預測方法，通過灰色關聯(lián)度選取關聯(lián)度高的輔助變量；利用核主元分析法（KPCA）進行數(shù)據(jù)有效特征的提取，避免冗余數(shù)據(jù)對建模質(zhì)量的影響；最后，采用黑洞算法對LSSVM建模參數(shù)進行優(yōu)化，建立動液面軟測量模型實現(xiàn)動液面的實時準確測量。

1 輔助變量選取

在油田實際開采過程中，相關的可測變量有產(chǎn)氣量、流量、油壓、套壓、泵效、示功圖等等。如果選取的輔助變量與主導變量的關聯(lián)程度較低，會直接導致訓練誤差變大。對于如何選取有效的輔助變量，本文提出采用灰色關聯(lián)度[1]進行定量分析，計算變量間的關聯(lián)度rio如下：

ξio(n)為t=n時刻，輸入序列和輸出序列的關聯(lián)系數(shù)；L為變量的個數(shù)。計算關聯(lián)度的大小進行排序，最后選取套壓、泵效、流量作為輔助變量。

2 建模樣本數(shù)據(jù)選取

在油田的開發(fā)利用中，生產(chǎn)工況的變化是一個慢時變的過程，相關生產(chǎn)數(shù)據(jù)在一段時間內(nèi)不會發(fā)生很大的變化。對于采集到的生產(chǎn)數(shù)據(jù)而言，其中的樣本相似度必然很高，容易產(chǎn)生冗余信息，造成模型的泛化能力變差。對此，本文提出采用核主元分析[2]（KPCA）的方法，進行主元特征提取，消除數(shù)據(jù)間的相關性，以提取的特征向量作為建模的樣本數(shù)據(jù)。核主元分析是將核函數(shù)引入到主元分析（PCA）中，對樣本進行非線性變化實現(xiàn)樣本空間的映射，轉化為求核矩陣的特征值和特征向量問題。本文采用的核函數(shù)為徑向基函數(shù)：

3 BH-LSSVM建模算法

最小二乘支持向量機（LSSVM）已成為機器學習研究的熱點，是對支持向量機（SVM）的一種改進，實現(xiàn)了傳統(tǒng)的二次規(guī)劃問題的轉化，以其優(yōu)越的運算速度廣泛應用于分類、函數(shù)逼近和回歸的研究。LSSVM建模參數(shù)的選取直接關系到建模質(zhì)量和模型的預測精度，傳統(tǒng)的參數(shù)優(yōu)化算法容易陷入局部極值、出現(xiàn)早熟的現(xiàn)象，對于訓練模型參數(shù)設置非常不利。對此，本文采用黑洞算法（BH）來對LSSVM模型的懲罰系數(shù)C和核參數(shù)σ進行尋優(yōu)[3]，以提高模型的預測精度，實現(xiàn)動液面的準確測量。

4 實驗驗證

采用遼河某油田平臺的現(xiàn)場生產(chǎn)數(shù)據(jù)作為實驗數(shù)據(jù)，對本文提出的方法進行有效性驗證。分別采用核主元分析法對輔助變量數(shù)據(jù)進行特征提取，減少冗余信息的建模方法和輔助變量樣本數(shù)據(jù)隨機選取的建模方法進行對比實驗分析。其中LSSVM模型中的懲罰因子C與核參數(shù)σ，采用BH算法尋優(yōu)。對黑洞優(yōu)化算法的參數(shù)進行初始化設置：星體個數(shù)50，最大尋優(yōu)代數(shù)100，最優(yōu)解精度e為10-20，核參數(shù)σ設置范圍[1，2000]，懲罰參數(shù)c設置范圍[0.01，50]，自適應度函數(shù)采用均方根誤差。為使仿真結果對比有意義，仿真模型的參數(shù)設置均相同。仿真結果如下圖所示：

圖1 不同算法的動液面預測

計算兩種樣本選取方法模型的均方根誤差（RMSE）和平均絕對誤差（MAE）。隨機樣本選取對應的模型預測誤差值分別為23.462、32.122；樣本數(shù)據(jù)經(jīng)過核主元分析對應的模型預測誤差值分別為16.652、26.862。通過實驗結果對比分析可知，本文提出的核主元分析法能夠有效的提取數(shù)據(jù)特征，降低模型計算的復雜度，提高動液面的預測精度。

5 結語

本文針對傳統(tǒng)的人工測量方法對動液面難以實現(xiàn)實時準確測量，影響于實際生產(chǎn)指導的問題。本文提出利用核主元分析法進行數(shù)據(jù)的特征提取，消除數(shù)據(jù)間的相關性，降低模型的復雜度增強其泛化能力。通過黑洞優(yōu)化算法對LSSVM模型的參數(shù)進行尋優(yōu)，構建軟測量模型實現(xiàn)動液面預測。經(jīng)過實驗驗證分析，得出本方法能夠有效提升模型的預測精度，實現(xiàn)動液面的實時準確測量。

[1]Jeng-shyng P.Application of gray relation analysis foe mul?tivariate time series[C].Eighth International Conference on Intelli?gent Systems Design and Applications,Washington,IEEE,2008: 432-437.

[2]Zhang Yingwei.Enhanced statistical analysis of nonlinear processes using KPCA,KIC A and SVM[J].Chemical Engineer in g Science,2009,64:801-811

[3]Wang Tong(王通),Gao Xianwen(高憲文),Jiang Zijian(蔣子健).Parameters optimizing of LSSVM based on black hole algo?rithm[J].Journal of Northeastern University:Natural Science(東北大學學報:自然科學版)，2014,35(2):170-174