基于KPCA和BH-LSSVM的动液面软测量建模

杨丰铭（辽河油田兴隆台采油厂，辽宁 盘锦 124010）

基于KPCA和BH-LSSVM的动液面软测量建模

杨丰铭（辽河油田兴隆台采油厂，辽宁 盘锦 124010）

针对动液面传统的人工测量方法，不能实现实时测量和误差大的缺陷，不利于实际生产指导的问题。本文提出基于灰色关联度、核主元分析（KPCA）和BH-LSSVM算法相结合的方法进行动液面软测量建模，实现动液面的实时准确预测，切实指导于实际生产应用。

动液面；灰色关联度；核主元分析；BH-LSSVM算法

动液面参数的变化能够反映实际生产工况条件变化的趋势，对于油田生产运行调度，达到合理运行状态有重要的指导意义。本文针对传统人工测量方法的缺陷，提出动液面的软测量建模预测方法，通过灰色关联度选取关联度高的辅助变量；利用核主元分析法（KPCA）进行数据有效特征的提取，避免冗余数据对建模质量的影响；最后，采用黑洞算法对LSSVM建模参数进行优化，建立动液面软测量模型实现动液面的实时准确测量。

1 辅助变量选取

在油田实际开采过程中，相关的可测变量有产气量、流量、油压、套压、泵效、示功图等等。如果选取的辅助变量与主导变量的关联程度较低，会直接导致训练误差变大。对于如何选取有效的辅助变量，本文提出采用灰色关联度[1]进行定量分析，计算变量间的关联度rio如下：

ξio(n)为t=n时刻，输入序列和输出序列的关联系数；L为变量的个数。计算关联度的大小进行排序，最后选取套压、泵效、流量作为辅助变量。

2 建模样本数据选取

在油田的开发利用中，生产工况的变化是一个慢时变的过程，相关生产数据在一段时间内不会发生很大的变化。对于采集到的生产数据而言，其中的样本相似度必然很高，容易产生冗余信息，造成模型的泛化能力变差。对此，本文提出采用核主元分析[2]（KPCA）的方法，进行主元特征提取，消除数据间的相关性，以提取的特征向量作为建模的样本数据。核主元分析是将核函数引入到主元分析（PCA）中，对样本进行非线性变化实现样本空间的映射，转化为求核矩阵的特征值和特征向量问题。本文采用的核函数为径向基函数：

3 BH-LSSVM建模算法

最小二乘支持向量机（LSSVM）已成为机器学习研究的热点，是对支持向量机（SVM）的一种改进，实现了传统的二次规划问题的转化，以其优越的运算速度广泛应用于分类、函数逼近和回归的研究。LSSVM建模参数的选取直接关系到建模质量和模型的预测精度，传统的参数优化算法容易陷入局部极值、出现早熟的现象，对于训练模型参数设置非常不利。对此，本文采用黑洞算法（BH）来对LSSVM模型的惩罚系数C和核参数σ进行寻优[3]，以提高模型的预测精度，实现动液面的准确测量。

4 实验验证

采用辽河某油田平台的现场生产数据作为实验数据，对本文提出的方法进行有效性验证。分别采用核主元分析法对辅助变量数据进行特征提取，减少冗余信息的建模方法和辅助变量样本数据随机选取的建模方法进行对比实验分析。其中LSSVM模型中的惩罚因子C与核参数σ，采用BH算法寻优。对黑洞优化算法的参数进行初始化设置：星体个数50，最大寻优代数100，最优解精度e为10-20，核参数σ设置范围[1，2000]，惩罚参数c设置范围[0.01，50]，自适应度函数采用均方根误差。为使仿真结果对比有意义，仿真模型的参数设置均相同。仿真结果如下图所示：

图1 不同算法的动液面预测

计算两种样本选取方法模型的均方根误差（RMSE）和平均绝对误差（MAE）。随机样本选取对应的模型预测误差值分别为23.462、32.122；样本数据经过核主元分析对应的模型预测误差值分别为16.652、26.862。通过实验结果对比分析可知，本文提出的核主元分析法能够有效的提取数据特征，降低模型计算的复杂度，提高动液面的预测精度。

5 结语

本文针对传统的人工测量方法对动液面难以实现实时准确测量，影响于实际生产指导的问题。本文提出利用核主元分析法进行数据的特征提取，消除数据间的相关性，降低模型的复杂度增强其泛化能力。通过黑洞优化算法对LSSVM模型的参数进行寻优，构建软测量模型实现动液面预测。经过实验验证分析，得出本方法能够有效提升模型的预测精度，实现动液面的实时准确测量。

[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(高宪文),Jiang Zijian(蒋子健).Parameters optimizing of LSSVM based on black hole algo⁃rithm[J].Journal of Northeastern University:Natural Science(东北大学学报:自然科学版)，2014,35(2):170-174