基于增量高斯混合回归的原油含水率自适应软测量方法与流程

技术特征：
1.一种基于增量高斯混合回归的原油含水率自适应软测量方法，其特征在于，包括以下步骤：s1、收集历史采油过程数据作为训练数据集p(x，y)∈r
n
×
m
，x为输入辅助变量，y为原油含水率，n为样本个数，m为变量个数，r为实数集；s2、将步骤s1收集到的采油过程训练数据集p标准化：转化为均值为0，方差为1的数据集s3、利用标准化后的采油过程新数据集离线建立高斯混合回归模型，预测原油含水率；s4、将采集到的实时采油过程数据标准化处理后，利用步骤s3对新数据进行质量预测并且输出原油含水率的预测值实验室抽检获得原油含水率的真实输出y
new
后，将样本数据收集到新数据集z中；当z的数据量大于预设值m时，通过步骤s3训练一个新的高斯混合回归模型以拟合数据集z，同时只需要将模型参数和训练数据个数存入历史数据库；s5、为了根据采油过程新数据中所含信息来更新历史模型，首先计算历史高斯混合回归模型和新建高斯混合模型组分之间的skld值，判断skld值是否超过阈值η，若超过该阈值时则不能融合组份，小于该阈值时则可以融合；s6、随着采油过程新数据流入，不断重复步骤s4和步骤s5，实现采油过程中对原油含水率的自适应质量预测。2.根据权利要求1所述的基于增量高斯混合回归的原油含水率自适应软测量方法，其特征在于：所述步骤s3中，计算贝叶斯信息准则bic值，确定模型最佳高斯组分数目k，给予一组初始参数用期望极大值em算法对模型的参数进行学习；em算法迭代更新参数值的公式为：em算法迭代更新参数值的公式为：em算法迭代更新参数值的公式为：其中和分别表示第q次迭代时候样本属于第k个高斯组分的均值、协方差、先验概率；p
(q)
(c
k
|w
i
)为第i个训练样本属于第k个高斯组分的后验概率；直到极大似然目标函数收敛，完成对高斯混合回归模型参数的估计；模型各个组分的均值向量和协方差矩阵表示为：每个模型组分中，在给定辅助变量x后原油含水率y的条件概率分布计算如下：
其中均值向量协方差矩阵原油含水率y的条件概率分布为：其中表示为训练样本x属于第k个高斯组分的后验概率，采集新来数据的辅助变量x后，通过软测量模型预测原油含水率为：将建模数据数目n和局部模型参数存入历史数据库中，无需保存历史数据。3.根据权利要求1所述的基于增量高斯混合回归的原油含水率自适应软测量方法，其特征在于：所述步骤s5中，skld值计算公式如下：特征在于：所述步骤s5中，skld值计算公式如下：其中φ1和φ2分别代表原始和新建两个高斯混合模型的组分，μ和∑分别代表高斯混合模型组分的均值向量和协方差矩阵，d表示变量的维度；当skld值小于阈值η的时，判断原始模型组分j和新建模型组分k在统计学上是等价的，融合为一个新的组分；新组分的参数更新公式如下：新组分的参数更新公式如下：新组分的参数更新公式如下：当skld值大于阈值η时，判断原始模型组分j和新建模型组分k在统计学上不等价，则保持各自的均值向量μ和协方差矩阵∑不变，更新各自组份的权重权重的更新公式如下：当前组分属于新建模型时：当前组分属于原始模型时：

技术总结
本发明公开了一种基于增量高斯混合回归的原油含水率自适应软测量方法，属于采油过程原油含水率的预测和控制技术领域。本发明使用高斯混合回归模型，通过选择与原油含水率相关性较大且容易测量的一组过程变量作为模型的输入，对原油含水率进行预测估计。为了解决过程时变性对模型预测精度的影响，将增量学习的思想引入高斯混合回归模型，将增量自适应机制融入高斯混合回归模型，在实时预测原油含水率的同时，不断更新软测量模型，以保证模型的预测精度。本发明不仅能够有效解决实际采油过程中常见的非线性、非高斯性和时变特性，还在一定程度上缓解了软测量模型的过拟合，并提高了模型更新效率，实现了对采油过程中原油含水率的自适应预测。的自适应预测。的自适应预测。


技术研发人员：文成林 王静波 宋执环
受保护的技术使用者：广东石油化工学院
技术研发日：2021.12.13
技术公布日：2022/3/25