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）

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）

針對動液面傳統的人工測量方法，不能實現實時測量和誤差大的缺陷，不利于實際生產指導的問題。本文提出基于灰色關聯度、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，實現動液面的實時準確預測，切實指導于實際生產應用。

動液面；灰色關聯度；核主元分析；BH-LSSVM算法

動液面參數的變化能夠反映實際生產工況條件變化的趨勢，對于油田生產運行調度，達到合理運行狀態有重要的指導意義。本文針對傳統人工測量方法的缺陷，提出動液面的軟測量建模預測方法，通過灰色關聯度選取關聯度高的輔助變量；利用核主元分析法（KPCA）進行數據有效特征的提取，避免冗余數據對建模質量的影響；最后，采用黑洞算法對LSSVM建模參數進行優化，建立動液面軟測量模型實現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度[1]進行定量分析，計算變量間的關聯度rio如下：

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

2 建模樣本數據選取

在油田的開發利用中，生產工況的變化是一個慢時變的過程，相關生產數據在一段時間內不會發生很大的變化。對于采集到的生產數據而言，其中的樣本相似度必然很高，容易產生冗余信息，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，消除數據間的相關性，以提取的特征向量作為建模的樣本數據。核主元分析是將核函數引入到主元分析（PCA）中，對樣本進行非線性變化實現樣本空間的映射，轉化為求核矩陣的特征值和特征向量問題。本文采用的核函數為徑向基函數：

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，實現了傳統的二次規劃問題的轉化，以其優越的運算速度廣泛應用于分類、函數逼近和回歸的研究。LSSVM建模參數的選取直接關系到建模質量和模型的預測精度，傳統的參數優化算法容易陷入局部極值、出現早熟的現象，對于訓練模型參數設置非常不利。對此，本文采用黑洞算法（BH）來對LSSVM模型的懲罰系數C和核參數σ進行尋優[3]，以提高模型的預測精度，實現動液面的準確測量。

4 實驗驗證

采用遼河某油田平臺的現場生產數據作為實驗數據，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據進行特征提取，減少冗余信息的建模方法和輔助變量樣本數據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σ，采用BH算法尋優。對黑洞優化算法的參數進行初始化設置：星體個數50，最大尋優代數100，最優解精度e為10-20，核參數σ設置范圍[1，2000]，懲罰參數c設置范圍[0.01，50]，自適應度函數采用均方根誤差。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；樣本數據經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據特征，降低模型計算的復雜度，提高動液面的預測精度。

5 結語

本文針對傳統的人工測量方法對動液面難以實現實時準確測量，影響于實際生產指導的問題。本文提出利用核主元分析法進行數據的特征提取，消除數據間的相關性，降低模型的復雜度增強其泛化能力。通過黑洞優化算法對LSSVM模型的參數進行尋優，構建軟測量模型實現動液面預測。經過實驗驗證分析，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