UML(ATM系统)动态建模（精选10篇）
UML(ATM系统)动态建模 篇1
一、实验目的与要求 掌握分析ATM系统用例中用例的流程，分析对象之间的交互关系 掌握用UML设计参与对象之间的交互，用状态图、时序图、协作图和活动图来描述系统的行为。
二、实验设备、环境
PC(一台)，Windows 2000或以上版本，安装Microsoft Visio 2003
三、实验内容及步骤 交互图：实现ATM系统的序列关系图和通信（协作）关系图； 2 分析设计软件系统的状态图。（（1）和（2）选做一个状态图）；
（1）ATM系统
（2）具体题目如下：某销售POS机，它的工作流程是：当客户到收银台后，收银员逐一输入用户购买的商品，输入完之后，计算出总金额，然后等待用户付款，确定支付成功之后，完成收银，等待下一个客户。请为其绘制出相应的状态机图。
3分析设计ATM系统的活动图（选做1个活动图）。
建立动态模型：
建立序列关系图、状态图、活动图
步骤：
编写脚本
确定各个对象之间的事件
构造事件追踪图（交互图）
构造状态图
添加活动和动作
一、时序关系图
1）ATM系统的正常情况脚本
ATM请储户插卡；储户插入一张现金兑换卡。 ATM接受该卡并读它上面的卡号。
ATM要求储户输入密码；储户输入自己的密码“1234”等数字。
ATM请求系统验证卡号和密码；核对储户密码，然后通知显示器显示说这张卡有效。
ATM要求储户选择事务类型（取款、转账、查询等）；储户选择“取款”。 ATM要求储户输入取款额；储户输入“880”。
ATM确认取款额在预先规定的限额内，然后要求处理这个事务；成功处理完这项事务并返回该账户的新余额。
ATM吐出现金并请储户拿走这些现金；储户拿走现金。 ATM问储户是否继续这项事务；储户回答“不”。
ATM打印账单，退出现金兑换卡，请储户拿走它们；储户取走账单和卡。 ATM请储户插卡。
2）ATM系统的异常情况脚本
ATM请储户插卡；储户插入一张现金兑换卡。 ATM接受该卡并顺序读它上面的数字。
ATM要求密码；储户误输入“8888”等数字。
ATM请求总行验证卡号和密码；经验证发现密码错误，拒绝这张卡。 ATM显示“密码错”，并请储户输入密码；储户输入“1234”等数字；ATM请求总行验证后知道输入密码正确。
ATM要求储户选择事务类型；储户选择“取款”。
ATM询问取款额；储户改变主意不想取款了，按“取消”。 ATM退出现金兑换卡，请储户拿走它们；储户取走卡。 ATM请储户插卡。
ATM 脚本的事件时序图如下图所示：（正常情况）
用户读卡器显示器ATM卡用户账户事务提款机插卡读卡初始化提示输入密码输入密码验证密码获取密码获取账户初始化提示选择业务选择业务执行事务初始化提示输入金额输入金额获取余额验证取款金额计算余额计算利息更新账户配给现金打印收据退卡
二、状态图
主屏]do：显示主屏幕插卡[可读]Do：要求密码输入密码Do:验证账户继续密码错拿走卡退卡do：退卡请拿走卡插卡[不可读]不可读的卡do：显示信息取消取消do:显示取消信息无效账户账户有效Do:要求类型取消输入类型Do:要求金额取消结束do：打印账单Do:显示无效账户信息输入金额等待5秒Do:处理事务中止取消Do:请求继续拿走现金do：吐出现金请拿走现金事务成功取消事务失败Do:失败信息网络响应等待网络响应中断do：显示取消信息ATM类的状态图
处理事务验证账户请求处理事务请求验卡事务成功事务失败无效账户账户有效密码错
事务处理状态图
账户验证状态图
三、活动图
插卡<没有接收动作>输入密码<没有接收动作>输入账户类型输入金额取卡取钱<没有发送动作>
四、实验体会
UML(ATM系统)动态建模 篇2
关键词：热电偶,动态建模,特性分析
0 概述
热电偶以其测量范围广、精度高、结构简单等优点在工业上得到广泛的应用。然而,在瞬时温度测量中,由于热电偶具有热惯性,测出的温度与实际温度存在差别即动态误差。故而,在动态温度测量中,迫切需要解决由动态误差引起的测量失真问题。
为保证瞬态测试结果的准确性首先需要研究测试系统的动态特性,这也是测试系统动力学的核心问题之一。它采用了从实验研究入手研究测试系统的动态特性的方法。首先,对测试系统进行动态校准实验,其次对动态校准结果进行数据处理,建立全面描述系统动态特性的动态数学模型,由动态数学模型求出测试系统的各种特性和定量(按照规定失真度)的动态性能指标。
1 温度测试系统的动态标定试验
在对系统进行动态标定(校准)前,首先要选择适当的激励信号作为系统的输入信号,动态标定(校准)的目的是为了获得系统的动态特性,即动态性能指标或动态数学模型等,若所选择的激励信号不合适,就不能实现这个目标,所以选择合适的动态激励信号是非常重要的。
动态标定(校准)对动态激励信号的要求,主要是所选用的动态激励信号要能将被标定(校准)系统的全部模态频率都激发出来,以期能得到被标定(校准)系统完整的动态响应,即动态激励信号的频谱要都能充分覆盖被标定(校准)系统的全部模态,也就是说,大于被标定(校准)系统的通频带,才能将被标定(校准)系统的各种模态充分激励起来。
热电偶动态标定实验主要有以下几种方法:热水池或油池弹射法、经验法、电阻加热法、激光加热法和脉冲技术法等。本文采用投掷热水池的方法,即可将系统的输入信号视为理想阶跃信号。理想阶跃信号的低频成分最大,而高频的带宽很宽,完全可以覆盖被标定系统的主要模态频率,所以所选的激励信号是合适的。
测试系统由热水池、温度传感器、高频响直流放大器、瞬态波形存储器、数采软件及计算机组成,如图1所示。
本文对S型热电偶进行标定,其典型曲线如图2所示。由图2可以看出,信号由不变至逐渐上升的过程,符合本次实验将传感器由空气投掷入热水的过程。
2 温度测试系统的动态建模
根据标定实验结果进行数据处理,建立全面描述测试系统特性的动态数学模型,这种由实验结果建立动态数学模型的方法统称为建模方法。建立数学模型的方法有两大类:一类是分析法;另一类是系统辨识法。分析法是根据系统的工作原理,运用各种物理定理推导出描述系统的数学模型,但这种方法只能用于比较简单的系统。而系统辨识法是利用系统的输入输出的观测数据来建立数学模型。这类方法更适合用于较复杂的系统,通过给复杂系统输入一定的动态激励信号,记录下系统对该信号的瞬态响应,便可运用系统辨识的方法建立该系统的动态数学模型。模型建立的合适与否是通过检验模型计算值和动态校准实验结果值是否吻合。吻合较好的模型说明用该模型描述被校系统的动态特性是合适的。由于本文的系统较为复杂,故而本文采用系统辨识的方法建立温度测试系统的模型。
由于本文的激励信号视为理想阶跃信号,它属于典型的时域动态激励信号,故本文采用时域建模的方法建立模型。
2.1 时域建模的步骤
时域动态校准的数据处理方法的步骤如图3所示。由时域瞬态响应先求出差分方程模型和离散传递函数,然后采用输出响应不变法将离散传递函数化为连续传递函数,最后由传递函数计算频率特性和瞬态响应,以检查模型优劣情况。
图中:DE为差分方程;ZT为Z变换;ORIT为输出响应不变法;为实验数据;为模型计算值。
其中最重要的环节就是系统的辨识,即利用系统的输入输出数据建立系统最优数学模型的理论和方法。本文系统辨识的方法是采用一种特殊白化滤波器的广义最小二乘法。
2.2 一种特殊白化滤波器的广义最小二乘法[1]
在一般情况下,实验中获得的系统输入、输出观测量可能都会带有随机误差。在输入测量噪声可忽略的情况下,假设输出端的干扰是一个零均值白噪声,如图4所示。
对于输入、输出观测量可以写出
它使达到最小。然而,正是输出端观测噪声。因此,这种情况下就达到了输出误差平方和最小的效果。其系统框图如图5所示(参见右栏)。
这时,模型输出值就是实际系统被白噪声污染前的输出值。可见用这种算法求得的模型最接近于真实模型。
计算方法:将式(2)代入式(1),可得
令,,则上式变为
式中,e(k)为白噪声,故可用最小二乘法求得参数ai、bi=0,1,…,n(a0=1)的无偏估计。但由于在ai、bi尚未估计出来之前,、是未知的,因而需利用迭代法加以估计。
通过计算,得出离散函数为:
其仿真曲线如图6所示。
3 温度测试系统的动态特性分析
测试系统的动态特性常用动态性能指标来描述,而动态性能指标又可分为时域指标和频域指标两大类,二者之间可以相互换算。在热电偶测温系统中,因其它各环节具有足够宽的通频带,可视为纯放大环节,故在整个系统的动态特性主要取决于热电偶的特性。
3.1 时域动态性能指标
时域动态性能指标一般用阶跃响应曲线上的特性参数来表示。针对图2的图形,本文建立的离散传递函数如式(3)所示。
以理想阶跃信号为输入,可仿真计算出归一化的阶跃响应曲线。由曲线可以看出,尽管差分方程的阶次为3阶,然而其阶跃响应曲线仍然类似于一阶系统。即整个测试系统主要表现为一阶系统,热电偶的一阶性质起了主导作用。
类似一阶系统,时间常数指的是响应曲线上升到稳态值的63.2%所经历的时间。输出达到稳态值95%的时间定义为响应时间。由图7可见,,基本满足一阶非周期系统的换算关系。
3.2 频域动态性能指标
频域的动态特性指标中应用最广的是通频带宽
(即在对数幅频特性曲线上的3dB带宽)。对于测试系统使用的是测试系统工作频带(幅值误差为5%或10%)。时域指标与频域指标近似地成反比关系。粗略地说,频域宽几倍,响应速度就快几倍。
测试系统的动态特性,完整描述包括幅频特性和相频特性。在大部分情况下,由实验只能得到系统的幅频特性,幅频特性和相频特性在一定条件下可以利用希尔伯特变换相互变换。在多数实际情况下,幅频特性在符合要求的频域内,其相频特性一般也满足要求。因此描述系统频率响应特性的指标主要根据幅频特性曲线给出。
由系统辨识建出热电偶标定的差分方程形式的动态模型,之后对差分方程取z变换便可得到离散传递函数。由离散传递函数求连续传递函数的方法有双线性变换、输出响应不变法等方法。由于输出响应不变法在原理上保证从离散域变换到连续域时,在离散采样点处输出响应不会有任何变化,故本文采用输出响应不变法计算。经计算可求得热电偶测温系统的连续函数为:
其幅频特性曲线如图8所示,其通频带rad,工作频带rad(取幅值误差为±10%)。
4 小结
由于热电偶具有热惯性,当测量瞬态温度时会产生较大的动态误差,故而需要对热电偶的动态特性进行分析。本文采用投掷热水池的方法建立了动态标定实验,由于动态标定测试系统输入是典型的时域信号,故本文从时域角度建立时域模型,即选用一种特殊白化滤波器的广义最小二乘法对该系统进行系统辨识,建立数学模型。在此基础上,本文分别从时域和频域角度计算出热电偶测温系统的动态性能指标,为后续的改进动态特性等工作打下基础。
参考文献
电力系统建模仿真作业 篇3
电力系统经常采用P-V曲线分析法来分析有关静态电压稳定性的问题,P代表穿越传输断面传送的功率或者一个区域的总负荷,V代表代表性节点或关键节点的电压。P-V曲线分析法即是建立一个区域负荷或者传输界面潮流和节点电压之间的关系曲线,从电力系统当前的稳定运行点开始,通过不断增加P,使用潮流计算,描出代表节点的电压变化曲线,用P-V曲线的拐点来表示区域负荷或者传输界面功率的增加导致整个系统临界电压崩溃的程度,即系统静态电压稳定极点。
在把P-V曲线法用于研究风电的接入对电压静态稳定性的影响时,P代表的是风电场输出的有功功率,V为机端电压、风电接入点电压（PCC电压）等其他需要监测的母线电压。
实际上，P-V曲线法是在静态情况下,研究风速变化导致的风电场输出有功功率的变化对电网电压的影响。用风电输出的有功功率引起的电压水平的变化及当前运行点到电压崩溃点的“距离”,反映风电接入的电网的电压稳定裕度。
在求取风电接入系统的P-V曲线时 ,除了系统平衡节点外,一般不考虑网内其他常规机组的有功功率的变化以及网内负荷的变化情况。
综上,电网基于静态电压稳定性的风电接纳能力,即是以电网的静态电压稳定性作为约束条件,在保证电网静态电压稳定的基础上尽可能多接入风电。通常系统静态电压越限临界点所接入的风电容量即为系统可接纳的最大风电并网容量。
1算例
本文通过IEEE14节点标准测试系统作为算例，风电场通过变压器和110 kV线路接入IEEEl4节点标准测试系统的14号节点，使用以上算法对基于静态电压稳定性下的一风电场的并网功率极限进行计算。
风电场110kv线路IEEE14节点系统图2.2 风电场接入IEEE14系统图
图中变压器标幺变比取1（在实际运行中，可以通过改变变压器的分接头来调控特定节点的电压），风电场接入系统的线路参数为12.6+j24.96Ω。本文基于双馈感应风机的风电场进行电压静态稳定约束下接纳能力计算。1.1基于双馈感应风机的风电场接纳能力计算 1.1.1Powerworld仿真软件简介
Powerworld是一个面向对象的电力系统大型可视化分析和计算程序,其拥有优异的交互性能以及友好的用户界面。PowerWorld软件集电力系统潮流计算、静态安全分析、灵敏度分析、经济调度EDC/AGC、短路电流计算、,最优潮流OPF、GIS功能、无功优化、用户定制模块、电压稳定分析PV/QV、ATC计算、等多种庞大复杂功能于一体,并使用数据挖掘技术来实现强大丰富的三维可视化显示技术。
1.1.2Powerworld仿真算例
按照前文所介绍的算例，仿真系统单线图如下图所示：
图1.1 Power World下的ieee14节点系统接线图
本文在原模型中另加入15号母线，并在15号母线上添加了一台双馈式感应风机来等值一个风电场。
本例中双馈异步电机风电机组采用恒功率因数控制方式,且功率因数cosφ = l，利用Powerworld中P-V曲线绘制功能，不断增加在15号母线处的双馈式感应电机的有功输出，绘制出风电接入处电压随风机并网功率变化的P-V曲线图。如下图所示：
图1.2 风电接入处P-V曲线图
大规模风电接入后,电力系统电压稳定性降低的原因是风机会消耗一定的无功功率。由上图可以看出，当风电输出有功功率功率较小时，风电接入地区的电压有所上升，这是因为风电的接入为接入地区的电网提供了一定的有功功率，减少了该地区从主网吸收的功率，使得传输线路及变压器上的无功损耗减小，降低了主网与风电接入点的电压差。
当风电场输出的有功功率进一步增加时，风电接入地区电压下降，这是因为当风电场输出较大时，风电场附近局部电网由受端系统转化为送端系统。当外送的有功出力继续增加时，线路及变压器上的无功消耗增大，需要从主网吸收大量的无功功率，无功功率的传输导致风电接入点的电压与主网的压差不断增大，导致接入点电压水平不断下降。当系统电压升高或降低超过电力系统的规程规定的标准时，就容易导致电压失稳。
此外，风电接入前的并网点电压水平以及风电场的功率因数也是影响电网接纳风电能力的重要因素。风电接入前,并网点的电压水平由整个系统决定，当并网点的电压水平很高时，如果风电的接入容量较小，则对并网点的电压的抬升效果可能会造成电压越上限。当风电场运行在不同的功率因数下，即风电机组吸收或发出无功功率会抬升或降低并网点及附近母线电压，可能会造成电压越限,使电网失去电压稳定性。由于常规电机具有一定的无功调节能力，可以在机组的无功极限内通过控制其无功输出以保证连接节点的电压维持稳定，所以当风电场出力较小时，与常规机组连接的母线电压变化不大。
但是在风电场出力持续增大的过程中，如果常规机组的无功调节能力达到了机组极限，即发出的无功功率超过极限值时，则随着风电场并网功率的持续增加，其输出无功不会再改变，以保证风电机组的稳定运行，因此，母线电压仍会下降。如下图所示：
图1.3 发电机母线的P-V曲线图
再绘制出其余节点的P-V曲线图，如图1-4和1-5所示：
图1.4 剩余母线P-V曲线图
图1.5 剩余母线P-V曲线图
3《系统建模与仿真》教学大纲 篇4
制定依据：本大纲根据2014版本科人才培养方案制定 课程编号：J6312614 学 时 数：32 学 分 数：2.0 适用专业：工业工程 先修课程：概率统计 考核方式：考试
一、课程的性质和任务
系统建模与仿真这门课，是工业工程专业的一门必修专业课。它是以制造型和服务型企业为研究对象，主要介绍了离散事件建模与仿真方法，及其在生产物流企业分析中的应用原理和方法，全书最后介绍了flexsim离散事件仿真软件及应用。本门课旨在使学生面对生产系统时，能够运用计算机仿真技术来研究系统性质，并进行改进，以提高生产能力和生产效率。
二、教学内容与要求（小四号宋体加粗）
理论教学（32学时）
1、概论（3学时）
（1）仿真技术的产生与发展；（了解）
（2）仿真软件和仿真建模方法学的发展；系统建模与仿真的发展趋势；（理解）（3）计算机仿真在生产物流中的应用。（掌握）
2、系统仿真（3学时）
（1）系统和生产系统的概念及其组成；（了解）（2）系统的各种分类方法；（理解）
（3）系统模型和系统仿真的概念及系统仿真的若干术语。（掌握）
3、离散事件系统仿真（2学时）
（1）了解：与系统仿真有关的一些基本概念；（2）理解：事件调度法、活动扫描法、进程交互法；（3）掌握：离散事件系统仿真的一般步骤；
4、生产系统典型事件（4学时）
（1）传统生产系统的定义和结构；（了解）（2）现代生产系统结构及构成要素；（理解）
（3）几种排队系统的分析；排队系统的仿真方法。（掌握）
5、物流系统典型事件（4学时）（1）了解：物流的基本概念、职能；（2）理解：配送中心规划；（3）掌握：供应链结构基本要求有。
6、生产物流系统仿真软件和实例应用（12学时）
（1）flexsim软件及其特点；（了解）（2）flexsim软件窗口；（理解）
（3）运用flexsim建立模型以及仿真分析。（掌握）
三、考核要求
理论课采取闭卷考试，其中考试成绩占70%，平时作业和课堂考勤占30%。
四、参考教材及其它参考资料
1、参考教材：
《生产物流系统建模与仿真》，王亚超，马汉武主编.科学出版社，2006年。
2、其它参考资料：
[1]《制造系统建模与仿真》，苏春主编，机械工业出版社，2008年。[2]《系统建模与仿真》，吴重光主编，清华大学出版社，2008年。
UML(ATM系统)动态建模 篇5
题目：
Matlab/Simulink通信
系统建模与仿真
班级：
2008级电子（X）班
学号：
姓名：
电子信息课程设计
Matlab/Simulink通信系统建模与仿真
一、设计目的：学习Matlab/Simulink的功能及基本用法，对给定系统进行建模与仿真。
二、基本知识：Simulink是用来对动态系统进行建模、仿真和分析的软件包，依托于MATLAB丰富的仿真资源，可应用于任何使用数学方式进行描述的动态系统，其最大优点是易学、易用，只需用鼠标拖动模块框图就能迅速建立起系统的框图模型。
三、设计内容：
1、基本练习：
（1）
启动SIMULINK：先启动MATLAB，在命令窗口中键入：simulink，回车；或点击窗口上的SIMULINK图标按钮。
图（1）建立simulink
（2）
点击File＼new＼Model或白纸图标，打开一个创建新模型的窗口。
（3）
移动模块到新建的窗口，并按需要排布。
（4）
连接模块：将光标指向起始模块的输出口，光标变为“+”，然后拖动鼠标到目标模块的输入口；或者，先单击起始模块，按下Ctrl键再单击目标模块。
（5）
在连线中插入模块：只需将模块拖动到连线上。
（6）
连线的分支与改变：用鼠标单击要分支的连线，光标变为“+”，然后拖动到目标模块；单击并拖动连线可改变连线的路径。
（7）
信号的组合：用Mux模块可将多个标量信号组合成一个失量信号，送到另一模块（如示波器Scope）。
（8）
生成标签信号：双击需要加入标签的信号线，会出现标签编辑框，键入标签文本即可。或点击Edit＼Signal
Properties。传递：选择信号线并双击，在标签编辑框中键入<>，并在该尖括号内键入信号标签即可。
四、建立模型
1.建立仿真模型
（1）在simulink
library
browser中查找元器件，并放置在创建的新模型的窗口中，连接元器件，得到如下的仿真模型。
图（2）调幅解调器性能测试仿真模型
（2）分别双击双边带相干解调模块和低通滤波器模块，弹出如下的对话框，进行相应的参数设置。
（3）相干解调模块载波设置为1MHZ，初相位为-pi/2,低通滤波器截止频率为6000HZ。
图（3）双边带相干解调模块及低通滤波器的设置对话框
（4）在MATLAB中输入如下程序进行仿真。
%
ch5problem1.m
SNR_in_dB=-10:2:30;
SNR_in=10.^(SNR_in_dB./10);
%
信道信噪比
m_a=0.3;
%
调制度
P=0.5+(m_a^2)/4;
%
信号功率
for
k=1:length(SNR_in)
sigma2=P/SNR_in(k);
%
计算信道噪声方差并送入仿真模型
sim(＇ch5problem1.mdl＇)
;
%
执行仿真
SNRdemod(k,:)=SNR_out;
%
记录仿真结果
end
plot(SNR_in_dB,SNRdemod);
xlabel(＇输入信噪比
dB＇);
ylabel(＇解调输出信噪比
dB＇);
legend(＇包络检波＇,＇相干解调＇);
执行程序之后，得出仿真结果如下图所示。图中给出了不同输入信噪比下两种解调器输出的信噪比曲线。从图中可见，高输入信噪比情况下，相干解调方法下的输出解调信噪比大致比包络检波法好3dB左右，但是在低输入信噪比情况下，包络检波输出信号质量急剧下降，这样我们就通过仿真验证了包络检波的门限效应。
图（4）解调信噪比仿真结果
同时在仿真中给出了三路解调输出信号的波形，如下，从解调输出的波形上也可以看出，在相同噪声传输条件下，包络检波输出的正弦波幅度较小，也即包络检波的解调增益较相干解调要小。
图（5）仿真输出的解调信号波形
2建立另一个仿真模型
（1）
在图（2）的基础上加上一个锁相环，构成锁相环相干解调器模型，如下。
图（6）锁相环提取载波的相干解调仿真模型
（2）
用类似于对图（2）进行仿真的程序进行仿真，程序如下
%
ch5problem1progB.m
SNR_in_dB=-10:2:30;
SNR_in=10.^(SNR_in_dB./10);
%
信道信噪比
m_a=0.3;
%
调制度
P=0.5+(m_a^2)/4;
%
信号功率
for
k=1:length(SNR_in)
sigma2=P/SNR_in(k);
%
计算信道噪声方差并送入仿真模型
sim(＇
ch5problem1progB.mdl＇);
%
执行仿真
SNRdemod(k,:)=SNR_out;
%
记录仿真结果
end
plot(SNR_in_dB,SNRdemod);
xlabel(＇输入信噪比
dB＇);
ylabel(＇解调输出信噪比
dB＇);
legend(＇包络检波＇,＇相干解调＇);
（3）
仿真的波形如下，从结果中可以看出，在低信噪比下，锁相环相干解调器的性能比理想解调模块要差一些，但在实际中由于PLL的门限效应，一般不能达到这里仿真出来的性能曲线。
图（7）锁相环相干解调器的输出信噪比性能对比
（4）
同时给出仿真输出的解调信号波形如下
五．设计总结
借由此次模拟通信系统的建模仿真设计，基本熟悉了调制解调的原理和借条性能的测试方法，通过仿真实验进一步深入理解超外差接收机的工作原理。设计过程中由于对软件的不熟悉遇到了很多的问题，例如，元器件的正确查找，参数设置，等等，在老师的指导下，参照参考书目，及与同学们讨论摸索，及上网搜索，此次学到了很多东西。做完这次课设，对matlab软件也进一步熟悉，真正把理论与实践联系起来，使我所学的专业知识得到了的运用，更深刻的理解了理论知识，理论联系实际的实践操作能力也进一步提高。这次的课程设计，学要我们更进一步的掌握学到的基础知识，加深对软件的掌握，应用，为下一次课程设计打好基础。
【参考文献】
绍玉斌
UML(ATM系统)动态建模 篇6
由于世界能源紧缺和环境污染问题日益严重,光伏发电越来越受到全世界的广泛关注[1]。大型化和规模化是目前光伏产业重要的发展趋势。目前制约光伏并网系统进一步迅猛发展的两个重要因素是光伏发电的间歇性和电能质量问题[2]。
一个稳定运行的光伏并网系统,首先必须是小信号稳定的[3]。文献[4-7]分析了单相独立和并网光伏发电系统的小信号稳定性。文献[8]分析了接入配电网时,感应电动机负荷参数对光伏并网系统小干扰稳定性的影响。但上述文献在建模过程中,没有对逆变器和控制系统进行系统、完整的建模。
本文针对两级式单相并网光伏发电系统进行了系统、完整的动态建模[9],主要包括两个子模型:主电路模型和MPPT、电压电流双闭环控制系统模型。利用该模型分析系统的稳定性,并采用特征值灵敏度法分析了控制器参数对光伏并网系统小信号稳定性的影响,为控制器参数的优化设计提供理论依据。
1 光伏并网系统小信号模型
本文研究的光伏并网系统如图1所示。该系统为两级式三相并网系统,由光伏阵列、Boost DC/DC升压变换器、DC/AC逆变器、单L滤波装置等组成。
1.1 主电路模型
对直流稳压电容、Boost升压电路列写状态方程为
对逆变器交流侧电路列写状态方程为
其中,uat、ubt、uct为逆变桥交流侧的输出电压。
对式(3)进行dq变换,得到
对式(1)、式(2)、式(4)进行线性化,得到
式(5)~式(7)即为主电路的小信号模型。
1.2 MPPT模型
光伏阵列的输出功率是随着光照强度和环境温度的变化而变化的。为了实现光能的有效利用,通过控制Boost电路开关管的通断来实现最大功率点的跟踪(MPPT),本文采用定电压跟踪法实现MPPT。其控制框图如图2所示。
根据图2可得
式中:τ1、τ2、τ3为PID控制器的参数;x1、x2为状态变量;占空比d为输出变量。对上述式子进行线性化,并整理可得
式(12)~式(14)即为MPPT的小信号模型。
1.3 电流内环电压外环模型
本文采用的光伏并网逆变器的控制策略为dq坐标系下的电流内环、电压外环解耦控制。其控制结构框图如图3所示。本文采用单位功率因数并网,即令iqref=0。
根据图3可得
对上述式子进行线性化,并整理成矩阵形式可得
令utdq=utdqref并代入式(4),得
式(21)、式(22)即为电流内环电压外环的小信号模型。
1.4 并网系统整体模型
整理式(5)、式(6)、式(12)、式(13)、式(14)、式(21)、式(22)、式(23),可得两级式三相并网光伏系统的整体模型为
2 并网系统稳定性分析
在表1所示的控制参数下,根据系统的状态空间模型,即式(24),计算其全部特征值,如表2所示。其中λ2,3、λ5,6、λ9,10为复特征根,对应于三个振荡模态。实部刻画了系统对振荡的阻尼,虚部体现了振荡的频率。系统的所有特征值均位于复数平面的左半平面,系统是稳定运行的。
在上述控制参数下进行仿真,图4为电网电压波形,图5为并网电流波形,图6为A相电网电压和并网电流波形。由于与电网电压相比,并网电流值太小,为便于分析比较,本文将图6中的并网电流电流值扩大了20倍。由图可知并网电流与电网电压同频同相,即可以实现单位功率因数并网。由上述图形可知,并网系统是稳定的,与用特征值方法分析的结果相一致。
3 控制参数灵敏度分析
由于实际数据误差、计算精度和其他因素的影响,计算出的特征值不可避免地出现误差。相对而言,特征值灵敏度的参考价值更大一些[10]。特征值灵敏度定量的提供了参数影响的程度和趋势,并为改善系统稳定性提供指导。
特征值λi对系统参数kj的灵敏度为[11]
式中,wiT、ui分别为特征值i的左右特征向量。由此可计算所有特征值对任意参数的灵敏度。
根据式(25)计算并网系统控制参数的特征值灵敏度如表3所示。由该表可知,影响系统小干扰稳定性的主要参数为τ1、τ2、τ3、kp2和占空比D,而电压外环PI调节器的参数kp1、ki1对其影响很小。
单个特征值对不同参数的灵敏度符号不同,如增大时,特征值λ1向右半平面移动,不利于系统的小干扰稳定性,D'增大时,特征值λ1向左半平面移动,可增加系统的小干扰稳定性。参数对特征值λ2,3、λ5,6、λ9,10的灵敏度为复数,其中实部反映了参数的变化对该振荡模式阻尼的影响,虚部反映了参数的变化对该振荡模式振荡频率的影响。例如∂λ2/∂τ1=0.5168+0.515j,即当减小τ1时,该振荡模式的实部将会减小,虚部也将减小,在增强了该振荡模态阻尼的同时又减小了其振荡频率,有利于改善系统的稳定性。当减小τ3时,系统的阻尼比将会减小,振荡频率将会增加,不利于系统稳定性的改善。因此,必须同时考虑该系统中的各个参数,通过优化可以提高系统的小干扰稳定性。
4 结论
本文建立了两级式三相光伏并网光伏系统的小信号模型,并在此基础上计算了系统控制参数的灵敏度,分析了它们对系统小干扰稳定性的影响。MPPT和电流内环控制器参数对系统小干扰稳定性的影响较大,电压外环控制参数对其影响很小。并给出了各个参数变化对系统全部特征值的影响情况,通过合理选择系统控制参数,可以改善系统的小干扰稳定性。
摘要：现有光伏并网系统小信号稳定性分析中,通常对逆变器采用理想建模,没有考虑控制参数对小信号稳定性的影响。为准确分析光伏并网系统的动态性能,建立了两级式三相并网光伏系统的小信号动态模型,主要包括两个子模型:主电路模型和MPPT、电压电流双闭环控制系统模型。利用该模型计算了控制系统参数对并网系统特征值的灵敏度,分析了各个控制参数对系统小干扰稳定性的影响。分析结果表明,通过合理地选择控制参数可以改善系统的小干扰稳定性,为控制器的优化设计提供理论依据。
关键词：光伏并网系统,小信号动态模型,控制参数,特征值灵敏度,小干扰稳定性
参考文献
[1]李冬辉,王鹤雄,朱晓丹,等.光伏并网发电系统几个关键问题的研究[J].电力系统保护与控制,2010,38(21):208-214.LI Dong-hui,WANG He-xiong,ZHU Xiao-dan,et al.Research on several critical problems of photovoltaic grid-connected generation system[J].Power System Protection and Control,2010,38(21):208-214.
[2]周念成,闫立伟,王强钢.光伏发电在微电网中接入及动态特性研究[J].电力系统保护与控制,2010,38(14):119-127.ZHOU Nian-cheng,YAN Li-wei,WANG Qiang-gang.Research on dynamic characteristic and integration of photovoltaic generation in microgrids[J].Power System Protection and Control,2010,38(14):119-127.
[3]王康,金宇清,甘德强,等.电力系统小信号稳定分析与控制综述[J].电力自动化设备,2009,29(5):10-19.WANG Kang,JIN Yu-qing,GAN De-qiang,et al.Survey of power system small signal stability and control[J].Electric Power Automation Equipment,2009,29(5):10-19.
[4]WANG Li,LIN Ying-hao.Small-signal stability andtransient analysis of an autonomous PV system[C]//IEEE Conference Publications,2008:1-6.
[5]WANG Li,LIN Ying-hao.Dynamic stability analyses of a photovoltaic array connected to a large utility grid[J].IEEE Conference Publications,2000(1):476-480.
[6]WANG Li,LIN Ying-hao.Random fluctuations on dynamic stability of a grid-connected a photovoltaic array[C]//IEEE Conference Publications,2001(3):985-989.
[7]WANG Li,LIN Tzu-Ching.Dynamic stability and transient responses of muliple grid-connected PV system[C]//Transmission and Distribution Conference and Exposition,2008.T&D.IEEE/PES,2008:1-6.
[8]韩肖清,田华,王鹏.计及感应电动机负荷的光伏并网系统的小干扰稳定性分析[J].电力学报,2011,26(1):1-6.HAN Xiao-qing,TIAN Hua,WANG Peng.Small signal stability analysis of PV system considering induction motor loads[J].Journal of Electric Power,2011,26(1):1-6.
[9]郭天勇,赵庚申,赵耀,等.基于风光互补的微网系统建模与仿真[J].电力系统保护与控制,2010,38(21):104-108.GUO Tian-yong,ZHAO Geng-shen,ZHAO Yao,et al.Modeling and simulation of microgrid system based on wind-solar hybrid[J].Power System Protection and Control,2010,38(21):104-108.
[10]林昭华,胡金磊,王克文.用特征值灵敏度法分析系统参数对小干扰稳定性的影响[J].继电器,2006,34(9):16-20.LIN Shao-hua,HU Jin-lei,WANG Ke-wen.Effect of system parameter on small signal stability by eigenvalue sensitivity[J].Relay,2006,34(9):16-20.
UML(ATM系统)动态建模 篇7
系留气球作为一种浮空平台,其基本工作原理是利用气球囊体内的填充气体在空气中产生的浮力搭载有效载荷,并通过系留缆绳的拖曳实现在空中的长时间驻留,其在通信、公共安全、地质勘探、军事用途和商业活动等多种场合有着广阔的应用前景。系留气球系统是一项复杂的系统工程,涉及到气动、通讯、计算机、传感器、材料和有效载荷等多个学科。
压力调节系统是系留气球系统中一个重要的分系统,它的主要功能是根据气球系统的不同工作模式和外部条件,通过控制各个囊室充气的风机和放气的阀门来调节各部分的内外压力差,使气球保持既定的气动外形,以期达到平稳带载浮空的目的。压力调节系统的正常运行是系留气球平稳浮空的前提和保障,执行器(主要包括风机、阀门、撕裂幅等)的错误动作有可能致使气球因外形变化而导致姿态失衡,以及因内外压差过大而导致气球囊体爆裂,甚至球皮被错误撕裂等严重故障,这对于整个气球任务系统而言都是致命的。因此在进行压力调节系统的软、硬件设计时,既需要严格保证各执行机构在既定模式下动作的准确性和有效性,又需要最大限度地提高自身运行的可靠性。
1压力调节系统建模
根据系留气球的气动外形,通常需要设计成若干个囊室,一般包括主气囊、副气囊、整流罩和尾翼气囊等。其中,副气囊、整流罩和尾翼气囊的内部都填充空气,主要用于调节各个囊室的压差,进而维持系留气球的气动外形,因此每个囊室都配有可控的充气风机和放气阀门。考虑到安全因素,主气囊一般填充密度较小的惰性气体———氦气,主要用于产生浮力,因此只配有可控的放气阀门,但该阀门只有在主气囊压力过大,危及囊体安全时才允许打开。同时考虑到缆绳断裂且球上球下通讯中断等极端情况,在主气囊处装有囊体撕裂装置,在气球脱系且遥控失效后球上系统会自动打开撕裂幅,以迅速放掉氦气,使气球尽快下落至地面。
一般而言,系留气球压力调节系统的执行机构包括:主气囊阀门、副气囊风机和阀门、整流罩风机和阀门、尾翼气囊风机和阀门、撕裂幅电机等,而影响这些执行机构动作的输入变量包括:压力调节系统工作模式Mi,球体处风速WB,主气囊与外界大气压差ΔP1,整流罩气囊与外界大气的压差ΔP2,尾翼气囊与外界大气的压差ΔP3等。输入变量中很多相关项直接或间接来自外部放置的各种传感器,如GPS、风速风向仪、差压仪、姿态传感器、温湿度传感器、通讯设备链路等。其中,压力调节系统工作模式Mi根据需要和实际情况又可分为图1所示的子模式。
压力调节系统在上述工作模式时,对各个执行机构所需的控制输入项和控制准则不尽相同,而且还要考虑到针对各执行机构的控制,气动总体设计师可能在系统设计初期无法给出完整而准确的输入条件,从而带来调试过程中的种种改动,所以必须对系留气球压力调节系统进行建模分析,以期找到一种安全、有效、可靠且可扩充的控制策略,否则难以保证系统设计能完全满足要求。
建模时,首先要把压力调节系统中所有工作模式Mi下所有可能影响执行机构动作的输入条件D归类,并将输入条件类之间的关系解耦合,把输入条件类之间变得相互独立。此时,对于任意的输入条件类Di和Dj从概率学角度描述应该满足:
P(DiDj)=P(Di)P(Dj)(1)
然后将同一类的输入条件Di全部分解为若干个互斥的Di1,Di2,…,Dik,且为遍历分解,即把每个类的各种情况都归纳到此条件中,此时从概率学角度描述应该满足:
P(∑mk=1Dik)=∑mk=1P(Dik)=1(2)
至此把可能影响执行机构动作的所有输入条件D全部分解为“类间独立,类内互斥”的子条件Dik,为控制传递函数的建立,创造了可使用的输入变量。
针对任何一个执行机构Q(k),如果决定其动作的输入条件有D1,D2,…,Dm,则对于不同的工作模式Mi,其传递函数总可以表示为:
Q(k)=∑ni=1{Mi∑[∏(D1,D2,…,Dm)]}(3)
式中:Mi代表控制模式中的第i种,当系统工作在第i种工作模式时,对应的Mi为TRUE,否则为FALSE;∏(D1,D2,…,Dm)代表对应输入条件的逻辑最小乘积项。
根据该模型建立的压力调节系统,将任务书中不同模式下各执行机构的各种复杂控制条件变成了一个个易于表述的逻辑函数表达式。这样,在工程实施时该建模就有以下几个方面的优势:
(1)该模型把所有的输入条件进行了分类、归整,利用逻辑函数化简方法(如代数法、卡诺图法、系统化简法等),易于发现其中的遗漏条件、不合理条件、自相矛盾条件,甚至是错误条件,特别是对于调试过程中临时改动或增加的输入条件。
(2)该模型把众多可枚举的工作模式和输入条件进行一一对应,把复杂的系统任务分解为若干个模块级独立小任务的组合,易于工程化的实现,降低了各功能模块之间的耦合,减少了软件出错的概率。
(3)基于该模型设计的控制系统,逻辑清晰,流程顺畅,易于实现软、硬件的扩充设计。特别是模型逻辑最小项中任意项(或称约束项)的巧妙使用,对于实现诸如滞环控制等功能将带来极大方便。
2压力调节系统设计
下面结合某型系留气球的实际工程设计,简要介绍一个压力调节系统的设计实例。
2.1硬件设计
由于系留气球压力调节系统是一个多传感器输入、多执行机构输出的复杂系统,硬件设计时,既要考虑系统运行平台、传感器选型、输入/输出接口设计等电性能指标,更重要的是必须考虑安全性设计、可靠性设计、电磁兼容性设计等方面,同时还要兼顾考虑远程下载程序的设计、有效载荷系统等多方面因素的影响。系留气球压力调节系统的硬件设备分布在球上和球下两部分。两部分设备通过系留缆绳中的光纤和无线通讯设备进行数据交换。
首先要确定的是压力调节系统运行平台的选择。由于球上有大量的传感器设备和执行机构,接口众多,而且考虑到远程更新程序的需要,故选择基于PC104总线架构、网络通讯机制和VxWorks实时操作系统的双冗余计算机作为球上信息处理平台。该平台具有方便集成开发,可靠性高,体积重量小,支持远程下载程序等特点,非常适合作为球上设备平台使用。相对球上而言,球下的设备相对单一,仅为一台6U结构的CPCI计算机提供气球测控系统的人机界面。
传感器是压力调节系统中输入信息的重要来源,其中可能使用到差压传感器、风速风向仪、三维姿态传感器、GPS/北斗机、缆绳拉力传感器、温湿度传感器等不同类型的传感器。在传感器设计选型时,应从以下几个方面权衡考虑:
(1)各传感器的量程、分辨率、响应速度等指标要符合系统对被测量参数的要求;
(2)各传感器的环境适应性(包括温湿度、海拔高度、气压、电磁环境等);
(3)各传感器的输出量优选数字信号,且通讯接口优选抗干扰能力强的RS422或RS485接口;
(4)各传感器的供电、尺寸、体积、重量等指标要合理。
即使对于使用系留缆绳内光纤通讯的系统而言,无线通讯设备也是应急时球上球下通信的重要保障。根据需要,其间传输的既有一般的控制命令和回馈命令,也可能包括视频监控图像,因此在选择无线通讯设备时要综合考虑通讯距离、频段、带宽、与负载设备的电磁兼容性等因素。同时还要根据气动总体输入的气球最大姿态偏移和位置飘移确定球上球下通讯天线的覆盖范围,以保证在极限情况下两处通讯的正常进行。通讯设备的天线一般遵循“球上全向,球下定向”的原则,保证通讯信号的有效重叠覆盖。
电磁兼容设计是保证系统正常工作的重要前提,特别是球上设备中的整流/逆变电源,以及压力调节系统中的机电设备、无线通讯设备、有效负载系统、空间电磁辐射和接地电阻大(甚至浮地)等诸多因素交织在一起,导致球上设备工作的电磁环境异常复杂,所以必须在系统设计初期就把电磁兼容设计作为一项系统工程,从干扰源、干扰对象和干扰路径三个方面分析入手,广泛采用屏蔽、加装磁环、地线单点等电位技术手段。
2.2软件设计
考虑到通讯中断等极端情况,除了系统工作在人工控制模式时,压力调节系统的绝大部分控制策略都是由球上计算机编制软件完成的,所以球上压力调节控制软件既能进行自主压力调节控制,又能根据球下操纵台的命令进行控制。
控制软件首先根据外部输入的信息判断当前的工作模式。比如判断缆绳断裂必须同时满足以下五个条件,否则不判定为缆绳断裂:
(1)光缆通讯中断时间大于某值(如:大于10s);
(2)缆绳拉力持续小于某值(如:持续10s拉力小于100kg);
(3)球上降压变压器输入端线电压过低(如:三相电压皆小于100V);
(4)主气囊与外界大气压力差大于某值(如:100mmH2O);
(5)在GPS正常的前提下,球体高度大于某值一定时间(如:超过10s高于4000m);
此时若判定缆绳正常,再根据当前的通讯状态判断是进入Ma1模式(缆绳正常、通讯正常),还是进入Ma2模式(缆绳正常、通讯中断)。
当准确判定了压力调节系统当前的工作模式Mi后,控制软件会根据当前模式所需要的输入条件逐一按照既定的逻辑函数表达式控制各个执行件动作。
3结语
UML(ATM系统)动态建模 篇8
视景系统为飞行员提供虚拟的外部世界,它是模拟飞行仿真的`关键技术之一.视景系统是否真实取决于机场视景数据库的建模逼真度.本文分析了Raster flite视景系统数据库的特点、开发过程和在全任务飞行模拟机上的安装、调试方法.其主要开发工具采用Multigen Creator、Photoshop和Raster flite视景数据库开发软件包.
作 者：陈又军 苏彬 米祖强 作者单位：中国民航飞行学院,四川广汉,618307 刊 名：中国民航飞行学院学报 英文刊名：JOURNAL OF CIVIL AVIATION FLIGHT UNIVERSITY OF CHINA 年，卷(期)： 20(6) 分类号：V2 关键词：Raster flite 视景系统 机场视景数据库 模拟机 飞行仿真
基于三维矩阵的动态背景建模方法 篇9
关键词：像素块向量,背景建模,实时性,动态阈值
1 背景建模
背景减法是视频监控中常用的运动目标检测方法, 它通过当前帧的像素和背景模型中的相应像素比较, 将视频图像中的运动目标提取出来, 由此可见背景模型直接影响背景减法获得运动目标的质量[1]。最简单的背景模型是为每个像素做高斯分布[2], 然而, 单高斯分布对于摆动的树木、光线变化等动态背景并不得心应手。因此, Stauffer和Grimson用高斯混合模型[3]表达动态背景的变化, 并用参数估计技术更新背景模型, 由于外界环境变化的不确定性, 用高斯分布建立精确的背景模型是不可能的。为了克服因快速变化的背景引起的参数估计错误而导致的背景模型的不精确性, Elgammal和Harwood等人提出了非参数模型[4]方法, 通过像素的观测值用核密度估计技术预测当前像素的概率密度函数, 这种方法能适应背景的迅速变化, 使其迅速检测运动目标。但是, 在光线变化和树木摆动的情况下, 这种方法需要长时间纪录观测像素, 占用大量内存。为了克服该问题, 文献[5]提出用码本的方法建立基于像素统计的模型, 该方法用压缩的方式在内存有限的情况下表示图像序列, 通过比较当前帧和背景帧的颜色和亮度差进行检测, 该方法用聚类分析构建背景模型, 为每个像素建立包含一个或多个码元的码本。以上都是针对单个像素建立背景模型, 而基于像素区域的背景建模也受到了关注。局部二值模式 (LBP) [6]是一种检测区域纹理变化的方法。在给定像素为中心的圆形区域内, 用中心像素与相邻像素的差值确定编码, 所得的二进制值分布在中心像素的环形区域, 用于对该像素建立模型。如果检测像素的区域和得到的二值模式相同, 那么该像素为前景, 否则为背景像素。然而, 由于中心像素作为参考来计算二值模式, 该像素的稳定性直接影响检测的准确性。文献[7-8]同样提到了该方法, 文献[7]用视频序列中相应块之间的相关性检测前景, 该方法对于处理动态场景和块内部的固定干扰还有困难, 另外, 对于运动目标与块的大小、干扰等都需综合考虑。文献[8]利用了固定块大小和边缘直方图的方法, 但使用固定块大小很难平衡噪音鲁棒性和检测准确性。边缘直方图不能过滤诸如摆动的树枝这样小范围运动的干扰。Bourezak等人[9]采用在不同大小的块上使用颜色直方图的方法。文献[10]在经典码本[5]算法的基础上, 从像素块和像素两个级别对图像进行编码, 提取运动目标, 但是该方法由于采用两个级别进行编码, 其编码和更新过程过于复杂, 影响了前景检测的实时性。
本文方法对块向量进行聚类分析, 考虑组成图像的相邻像素之间的相关性, 用三维矩阵表示块向量的聚集范围, 并通过聚集后的部分矩阵向量分割前景和背景。
2 动态背景建模
视频中灰度图像用一维表示, 彩色图像用R, G, B空间三维表示。尽管通过颜色的变化可以将图像前景或背景分割[11], 但是实际中颜色的变化是随着时间而不断变化的, 要更清楚地检测运动目标, 并降低运算量, 有必要增加空间维度。为了充分表达出空间颜色随时间变化的关系, 本文运用三维立体矩阵理论[12,13]将彩色图像的变化表示在一个数学模型里, 运用动态的建模方法进行目标检测。
2.1 视频的三维矩阵表示
彩色视频图像中, 像素块的R, G, B值分别用块中像素的R, G, B均值来表示, 即。像素块的R, G, B向量是从原点到那一点的向量v (如图1所示) 。RGB空间中向量的夹角、距离都可表征像素间颜色的差异。
v1 (R1, G1, B1) 与v2 (R2, G2, B2) 分别表示两个块向量, v1, v2的夹角α定义为
v1, v2的距离L定义为
对视频图像序列进行分块, 如图2a所示。对于一帧视频的每个块都有自己的位置;对于视频序列, 要明确表示像素块的位置, 除了行、列外, 还需要表示时间的变量。因此将图2a中的视频序列扩展到三维矩阵中, 如图2b所示。用v表示像素块向量的大小, 下标i和j表示在一帧图像中像素块的位置, t表示图像序列的时间, 那么vijt就可以表示第t帧中、第i行、第j列像素块的向量, 即在三维矩阵中i, j, t轴分别表示视频中像素块所在的行、列、时间轴纵向序列。
2.2 动态背景建模方法
动态背景建模方法的思想是:将视频图像分块, 求其块向量的值。通过计算同一块向量在连续视频序列中的最小欧氏距离, 根据欧氏距离对块向量进行聚类分析。根据检测过程中块向量在聚心的聚集范围内出现的次数, 移动该聚心的位置, 再根据视频图像块与出现频率较高的聚心进行比较, 判断该块属于前景或背景, 并动态对聚心进行更新。
三维块向量矩阵中各元素分别用vijd表示, i和j值由视频图像大小决定, d为经验值。将该矩阵从纵向深度为d/2的位置, 分为深度为1~d/2和d/2~d的两部分。其中, 深度为1~d/2的向量是检测过程中可能的块向量的聚心, 用来分割视频的前景和背景。而深度为d/2~d的部分是曾经出现过, 但出现频次不多, 后面可能还会出现或者不会再出现的块向量。由此可见, d的大小决定聚心的精确度。
检测过程中像素块先与纵深在1~d/2范围的向量进行比较, 通过式 (3) 求得欧氏距离最小值
式中:xij为当前视频图像中第i行、第j列像素块的向量值;vijk为V矩阵中第i行、第j列像素块在纵向值为1~d/2的像素块向量;disij为欧氏距离的最小值。如果disij小于阈值TSij, 那么这个块判断为背景。这样在第一帧图像到达后就可以粗略地将背景与前景分隔, 为背景建立初步模型。
再将当前像素块与纵深在d/2~d范围内的向量比较。在检测过程中将3d/4作为新的候选聚心添加的地方, 纵深从3d/4~d的向量是长时间没有出现块。判断添加聚心的条件是, 若欧氏距离disij大于阈值TPij, 则将该向量添加到纵深为3d/4处, 其后面的向量依次后移, 纵深超过d则删除。对于disij小于等于阈值TPij的向量, 将当前的像素块抛弃, 在矩阵中找到对应的 (假设该块为vijn) 像素块向量, 将其在纵向上提升s, 也就是在该块的纵深减少s, 即块向量为vij (n-s) (其目的在于对在聚心范围内出现的块, 将其块向量位置向纵深为1~d/2的范围内提升, 使其能代表该块的聚心) 。原来位置的向量则依次下移。对于提升距离s则根据实验确定。依次类推, 最终使出现频次最高的向量出现在深度为1的平面矩阵中, 那么vij1更能代表当前视频的背景。为了确保检测的准确性, 将纵深在1~d/2范围内的向量作为分隔前景背景的基本模型。具体过程如图3所示。
对于在检测过程中出现的阈值需要实时掌握视频变化情况, 因此对于阈值TSij和TPij, 根据计算过程中得到的欧氏距离的最小值βTS和βTP倍和时间常量TC来表示
式中:t代表视频的时间间隔;βTS, βTP, TC为经验值;。这样阈值根据像素块的变化实时更新聚类的聚心, 并改变聚心的优先级别。
总之, 将重复出现的像素块的纵深提升到矩阵纵度的前一半范围内, 是为了让这部分像素块能实时代表像素块的聚心, 将聚心范围缩小, 提高用纵深为1~d/2范围内的块向量进行前景和背景分割的精确性。将出现频度较低的像素块向量剔除, 减少矩阵的冗余提高有效度。
算法描述如下:
1) 初始化矩阵V, 使其初始值为0;正规化当前帧中各像素块xij。
2) 计算当前帧中各块与矩阵中纵深为1~d/2的相应块的欧氏距离, 并分别求其最小值disij。
3) 继续计算当前帧中各块矩阵中剩余像素块的欧氏距离, 并分别求其最小值disij
如果当前图像中的某像素块向量和矩阵中相应的像素块向量欧氏距离接近, 即小于阈值TPij, 则丢弃当前块, 矩阵中相应的块 (假设该块为vijq) 纵向提升s, 也就是在该块的纵深减少s, 则该块为vij (q-s) 。那么矩阵中原来vij (q-s) ~vijq及其后面的像素块依次改变。若s=1, 即t=vijq, vijq=vij (q-s) , vij (q-s) =t, 也就是两个向量交换位置。
如果disij大于阈值TPij, 则用当前块向量值代替矩阵中深度为p=3d/4的块向量, 而矩阵中原来的块向量值从3d/4到d, 依次后移一位。最后一个向量vijd直接从矩阵中删除。
4) 返回第一步。
用该方法提取前景, 由于采用块大小的不同会直接影响前景的分辨力。因此, 为了提高检测的效果可以采用重叠块的办法, 但是这样会影响计算速度和存储容量。
3 实验结果
本文方法是对图像在水平、垂直、纵向时间上进行块划分, 并根据平面上块的大小和时间序列来设计矩阵的大小。实验中, 平面中块的大小根据图像分辨率设定, 同时要考虑得到背景模型和提取前景分辨率的要求;也就是说, 用大块去分割图像会导致提取的前景不平滑、失真率变大。因此, 在实验中针对不同的图像, 采用了不同大小的块。时间序列的大小根据经验, 尽量提取清晰干净的背景为宜, 同时还需考虑系统的存储容量和计算速度。
3.1 实验对比分析
实验中提取的视频图像的分辨率为640×480, 测试了1 000帧, 采用25 f/s (帧/s) 。将本文的算法应用于一个三维矩阵中, 块大小是4×3像素。矩阵中, 行i=640/4=160;列j=480/3=160;纵向深度d=200。时间常数为500, βTS=1.5, βTP=2。通过MATLAB 2007运行。选取两个视频, 视频1为湖边的视频, 在有风的情况下树木摆动, 湖里水波反光, 且湖岸上有行人通过;视频2为公园中一房子旁边, 有微风、行人较多, 这两个视频的场景都比较复杂。
文献[9]采用像素块的码本聚类方法, 根据像素块出现频率对其进行编码来提取前景。该方法中块大小是4×3, 学习帧为100;像素块距离阈值为10, 码元没出现的时间间隔阈值为50。将文献[9]方法与本文方法进行比较, 如图4所示。在图4的视频1中, 风较大、湖面水波反光, 本文和文献[9]的方法都能有效剔除水波的干扰, 但是不能完全剔除摆动树木的影响。然而, 从图中可以看到, 本文方法对摆动树木的抗干扰能力比文献[9]好。视频2中本文和文献[9]方法提取的前景能有效减去固定房屋, 对于树木的干扰本文方法更好;对于人体中出现空洞的现象本文方法效果不明显。
3.2 性能对比分析
为了进一步对该算法进行分析, 采用操作特征曲线 (Receiver Operating Characteristic, ROC) 来分析评估该算法的性能。ROC曲线通过Y轴的真阳性率 (True Positive Rate, TPR) 与X轴的假阳性率 (False Positive Rate, FPR) 形成曲线, 是一种评估算法质量或性能的有效方法。AUC (ROC曲线下的面积) 是衡量算法的总体性能, 算法的AUC值越接近1, 说明该算法的性能越好。图5显示了本文实验中的ROC曲线。
式中:TP为检测到的正确前景像素个数;FN为检测到的错误前景个数;FP为检测到的错误背景像素个数;TN为正确检测的到背景像素个数。从图5可以看出, 本文方法的值比文献[9]更接近1。
4 结论
UML(ATM系统)动态建模 篇10
研究生考查课作业
Forecasting PVT properties of crude oil systems based on support vector machines modeling scheme 基于支持向量机建模方案预测原油系统
PVT参数
课程名称：
电信学部专业英语
导师： 赵珺
研究生姓名：
李德祥
学号： 20909173
作业成绩：
任课教师(签名)
交作业日时间：2010 年12月17日
基于支持向量机建模方案预测原油系统PVT参数
摘要：PVT参数在油储工程计算中发挥着重要的作用。目前有许多种方法用来预测各种PVT参数，例如经验公式法，计算机智能法。神经网络的成就为数据挖掘建模技术打开了一扇们，同时它在石油工业中起到了重要的作用。然而不幸的是，由于仓储流体的一些特性，现有神经网络方法在其上的应用存在许多缺点和限制。本文提出了一种新的智能模型——支持向量机用来预测原油系统的PVT参数，该方法解决了现有神经网络预测的大部分缺点。文中简要介绍了预测步骤和建模算法，同时从神经网络，非线性回归以及经验公式法中分别选择了一种方法与支持向量机回归建模法进行了比较。结果表明支持向量机方法更加准确，可靠，同时优于大多数现有的公式法。这说明支持向量机建模法具有光明的前景，我们建议将其用于解决其他石油和煤气工业问题，诸如渗透率和孔隙率预测，确定持液量流动区和其他油储特性。
关键字：支持向量回归机(SVR);PVT参数预测;神经网络;1 引言
储层流动参数在石油工程计算中是非常重要的，例如物质平衡计算，试井分析，储量预测，向井流动态计算以及油藏数值模拟。众所周知，准确的PVT数据对物质平衡计算是非常重要的。这些PVT参数包括起泡点压力(Pb)，石油形成层参数(Bob)，这个被定义储存石油的容积。Bob的准确预测在储量和产量计算中至关重要，同时在储量动态计算，生产操作和设计以及构成评估的计算中，PVT参数也是非常重要的。这个流程的经济效益也取决与这些参数的准确预测。
现存的PVT仿真器在预测储藏流体的物理参数时，其预测精度随使用模型的类型，流体特性以及当时环境的变化而变化。因此他们在预测准确性方面都存在极大的缺陷。理想情况下，PVT参数通过对取自井底或者表面的样本进行试验研究而获得，但这样做获取试验数据代价昂贵。因此，现在多采用状态等式，统计回归，图解法以及经验公式法来预测PVT参数。用于PVT计算的相关方法一直是研究的重点，并发表了许多论文。过去十年间，有人提出了几种确定Pb和Bob的图解法和数学方法。这些研究都基于这样一个假设，Pb和Bob都是油气比，油藏温度，煤气比重以及石油比重的强函数。尽管如此，这些状态等式包含了大量的数据计算,其中需要知道储藏流体的详细成分，而得到它们即费力又费时。另外，这些方法在预测中是 不可靠的，它取决与原始应用数据的变化程度以及相似流体成分和API油比重的地理区域。此外PVT参数以基于容易测量的现场数据为基础，诸如储存压力，储存温度和石油比重。
近年来，人工神经网络(ANNs)被用于解决许多煤气和石油工业方面的问题，其中包括渗透率和孔隙率预测，岩相类型鉴定，地震模式识别，PVT参数预测，油管及油井中压降估计以及井产量预测。在机器学习和数据挖掘领域最流行的神经网络方法是前向神经网络(FFN)和多层感知器（MLP）。它们在石油和煤气工业中应有广泛。尽管如此，这些神经网络建模方法存在许多缺点，诸如识别可能因果关系的能力受到限制，在后向传播算法的构造中比较耗时，这些缺点将导致过拟合和评价函数收敛于局部极小点。另外，前向神经网络的结构参数也需要提前估计，诸如前向传播神经网络的隐层数量和大小，多层神经元之间的传递函数类型。同时，训练算法参数通过估计初始随机权重，学习率和动量而获得。
本研究的主要目的是了解支持向量机回归算法在模型化原油系统PVT参数方面的能力，同时解决上述神经网络存在的一些问题。大量的用户介入不仅减缓了模型开发，也违背了让数据说话的原则。在工作中，我们精确的研究了基于核函数的支持向量机回归算法在模型化Pb和Bob参数的能力，试验数据来源与全世界已出版的PVT数据库。我们也从神经网络，非线性回归以及各种不同的经验公式中分别选取了一种方法与支持向量机回归法进行了比较研究。
高原油采收率的预测是采收率分析的基础，这也保证了分析结果的可靠性。在统计学习理论中，建立一个高采收率预测模型属于函数逼近问题的范畴。根据Vapnik结构风险最小化原则,提高学习机的泛化能力即是对于有效训练样本的小误差能够保证相对独立的测试样本的小误差。近几年，最新的统计理论的研究结果首次运用到高采收率的分析。我们讨论了改进的后向传播人工神经网络和支持向量机。我们将神经网络同三个不同的经验公式法以及前向传播神经网络进行了对比研究，结果表明支持向量机无论在可靠性和效率上都优于大多数目前流行的建模方法。
为了说明支持向量机回归法作为一种新的计算机智能算法的有效性，我们使用三种不同的PVT参数建立了先进的支持向量机回归校准模型。在包括782个观测值的数据库中数据来自马来群岛，中东，墨西哥湾和哥伦比亚。由于宽域性和不确定分布，这些数据具有很大的挑战性。因此，我们使用了四个不同输入参数的数据库来建立预测起泡点压力和石油形成层参数的支持向量机回归模型。这四个参数分别是：油气比率，油藏温度，石油比重以及煤气相对比重。结果表明支持向量机回归学习算法比其他石油工程论文中所提方法更快，更稳定。另外，这种新型支持向量回归机建模法在绝对平均误差，标准差和相关系数上都优于标准神经网络和大多数现存的系数模型。
本论文的其余部分组织如下：第二部分是文献综述，简要介绍了在确定PVT关系中一些最常用的经验公式和神经网络建模法。应用神经网络对PVT参数建模的主要缺点也在这部分提及。同时也提出了支持向量回归机和其训练算法的最常用结构。第四部分介绍了数据获取和统计质量测度。试验结果在第五部分进行了讨论。第六部分通过给出试验结果说明了方法的性能。文献综述
PVT参数，渗透性和孔隙率，岩相类型，地震模式识别在石油和煤气工业中是非常重要的参数。过去的六十年中，工程师们认识到发展和使用试验公式预测PVT参数的重要性，因此在这一领域的研究促进了新方法的发展。在实验室预测这些参数代价高昂,因此很难确定，同时预测的准确性又是至关重要的，而我们并不能提前预知。本部分简要总结了一下预测PVT参数的一些通用经验公式和几种不同的计算机智能算法。2.1 最常用的经验模型和评价研究
过去的六十年里，工程师们认识到发展和使用经验公式对于预测PVT参数的重要性。在这一领域的大量研究促进了新的公式的发展。诸如Standing,Katz,Vasquez& Beggs,Glaso&Al-Marhoun的相关研究.Glaso针对形成层参数使用45组石油样本发展其经验公式，这些样本来自于北海的烃化合物。Al-Marboun提出了一种经验公式用于预测中东石油的起泡点压力和石油形成层参数，他使用来自中东69个油井的160组数据集来构造他的公式。Abdul-Majeed and Salman提出了一种基于420组数据集的油量层形成公式，并命名为Abdul-Majeed and Salman 经验公式。他们的模型与采用新参数的Al-Marhoun油量层参数公式类似。Al-Marthoun提出了第二种针对油量层参数的经验公式，该公式基于11728个起跑点压力上下的形成层参数试验数据点。数据集的样本来自全世界700多个油井，这些油井大部分位于中东和北美。读者也可以参考其他经验公式，诸如Al-Shammasi and EI-Sebakhy等等。本研究中，我们仅仅关注于三个最常用的经验公式，分别为Al-Marhoun,Glaso 和Standing.Labedi提出了针对非洲原油的油量层参数公式。他使用了来自利比亚的97组数据集，尼日利亚的28组数据集以及安哥拉的4组数据集来形成他的公式。DOKLa and Osman提出了用于预测阿联酋原油起泡点压力和油量层参素的系数集，他们使用51组数据集来计算新的系数。Al-Yousef and Al-Marhoun指出Dokla and Osaman 起泡点压力公式违背物理规则。Al-Marhoun 提出了另一种针 2
对石油形成层参数的公式，该公式使用11728个起泡点压力上下的形成层参素。该数据集的样本来自于全世界700多个油井，这些油井大部分来自与中东和北美。
Macary and El-Batanoney提出了针对起泡点压力和形成层参数的公式。他们使用了来自苏伊士湾30个油井的90组数据集。该新公式又与来自埃及的数据进行了对比测试，并表现出超过其他已有公式的性能。Omar and Todd提出了一种基于标准系数模型的石油形成层参数公式。该公式使用了来自马来群岛油井包含93个观察点的数据集。Kartoamodjo and Schmidt 使用全球资料库发明了一种新的预测所有PVT参数的公式，该公式使用740个不同的原油样本，这些样本从全世界采集，并包括5392组数据集。Almehaideb提出了一种针对阿联酋原油的系数集，其中使用了62组来自阿联酋油井的数据集来测量起泡点压力和形成层参数。起泡点压力公式，像Omar and Todd使用形成层参数作为输入,并排除了石油比重，煤气比重，气油混合比以及油井温度。Suttton and Farshand提出了一种针对墨西哥湾原油的公式，其中使用了天然气饱和原油的285组数据集以及代表31个不同原油和天然气系统的134组欠饱和石油数据集。结果表明Glaso公式预测形成层参数对于大多数研究数据表现良好。Petrosky and Farshad提出了一种基于墨西哥湾的新公式，并说明了Al-Marhoun公式对预测油量层系数是最好的。McCain提出了一种新的基于大规模数据的油井参数评估公式，他们建议在将来的应用中采用Standing公式来预测起泡点压力上下的形成层参数。
Ghetto基于195组全球数据集得出了一种针对PVT参数的复杂研究公式，其中使用的数据集来自地中海盆地，美洲，中东和北海油井。他们建议运用Vasquez and Beggas公式预测油量层参数。另一方面，Elsharkawy使用44组样本评估了用于科威特原油的PVT公式，结果表明，对于起泡点压力,Standing公式给出了最好的结果，而Al-Marhoun石油形成层参数公式的表现也是令人满意的。Mahmood and Al-Marhoun提出针对巴基斯坦原油的PVT估计公式，其中使用了来自22个不同原始样本中的166组数据集。Al-Marhoun指出油量层参数预测结果良好，而起泡点压力误差却是已有公式所得结果中最高的几个之一。另外，Hanafy基于Macary and EI-Batanoney公式评价预测埃及原油形成层参数，结果表明其平均绝对误差为4.9%，而Dokla and Osman公式却是3.9%。因此，研究结果表明本地公式要优于全球公式。
Al-Fattan and Al-Marhoun所著的书中，他们基于来自已有674组数据集对现有的油量层参数进行了评估，结果表面Al-Marhoun公式对于全球数据集有最小的误差。另外，他们也进行了趋势测试以评估模型的物理行为。最后，Al-Shammasi以来自世界各地的烃混合物为代表，从准确性和适应性两方面对已发表的针对起泡点压力和油量层参数的公式和神经网络模型进行了评估，并提出了一种新的起泡点压力公式，该公式基于1661个已发表的全球数据集和48个未发表的数据集。同时他也提出了神经网络模型，并且将其与数值公式进行了比较，结果表明从统计学和趋势性能分析来看，一些公式违背了烃流参数的物理特性。2.2 基于人工神经网络的PVT参数预测
人工神经网络是并行分配信息处理模型，它能识别具有高度复杂性的现有数据。最近几年，人工神经网络在石油工业中得到了广泛的应用。许多学者探讨了石油工程中人工神经网络的应用，诸如Ali,Elshakawy,Gharbi and Elsharkawy,Kumoluyi and Daltaban,Mohaghegh and Ameri,Mohaghegn,Mohaghegn,和Varotsis等人。在文献中最常用的神经网络是采用倒传递算法的前向传播神经网络，参见Ali,Duda以及Osman的论文。这种神经网络在预测和分类问题上有着良好的计算机智能建模能力。采用神经网络模型化PVT参数的研究还不多，最近，有人采用前向传播神经网络预测PVT参数，参见Gharbi and Elsharkawy以及Osman等人的论文。
Al-Shammasi提出了神经网络模型，并将其与数值公式进行了性能比较，结果表明从统计学和趋势性能来看一些公式违背了烃流参数的物理性质。另外，他还指出已发表的神经网络模型丢失了主要模型参数而需要重建。他使用神经网络(4-5-3-1)结构来预测起泡点压力和石油形成层参数，并以来自世界各地的烃混合物为例，从准确性和适应性两方面对已发表的用于预测如上两个参数的公式和神经网络进行了评价。
Gharbi 和Elsharkawy以及Osman等在前向神经网络和四种经验公式之间进行了对比研究，这四种公式分别是Standing,Al-Mahroun,Glaso以及Vasquez and Beggs经验公式，更多的结论和对比研究结果可参见他们的论文。1996，Gharbi and Elsharkawy提出了预测中东原油起泡点压力和形成层参数的神经网络模型。该模型基于具有对数双弯曲激发函数的神经系统来预测中东油井的PVT数据。同时，Gharbi和Elsharkawy训练了两个神经网络分别预测起泡点压力和形成层参数。输入数据是油气比率，油储温度，石油比重以及煤气比重。他们使用具有两个隐层的神经网络，第一个神经网络预测起泡点压力，第二个神经网络预测形成层参数。二者都使用中东地区包含520个观察点的数据集，其中498个观察点用于训练，其余22个观察点用于检验。
Gharbi和Elsharkawy在更广大区域采用了同样的标准，这些区域包括：南北美，北海，东南亚和中东地区。他们提出了一种只采用1个隐层的神经网络，其中使用了来自350个不同原油系统的5432个观察点的数据库。该数据库被分成具有5200个观察点的训练集和234个观察点的测试集。对比研究结果表明，前向神经网络预测PVT参数在减小平均绝对误差和提高相关系数方面优于传统经验公式。读者可以参看Al-Shammasi和EI-Sebkhy的论文获取其他类型的神经网络在预测PVT参数方面的应用。例如，径向基函数和诱导神经网络。2.3 神经网络建模法最普遍的缺点
神经网络相关经验已经暴露了许多技术上的限制。其中之一是设计空间的复杂性。在许多设计参数的选择上由于没有分析指导，开发者常常采用一种人为试探的尝试错误方法，该方法将重点放在可能搜索空间的小区域里。那些需要猜测的结构参数包括隐层的数目和大小以及多层神经元间传递函数的类型。需要确定的学习算法参数包括初始权重，学习率以及动量。尽管得到的可接受的结果带有偏差，但很明显忽视了可能存在的高级模型。大量的用户干预不仅减慢了模型构建也违背了让数据说话的原则。为了自动设计过程，Petrosky 和Farshad提出了遗传算法形式的外部优化标准。对于新数据在实际应用中的过拟合和弱网络泛化能力也是一个问题。当训练进行时，训练数据的拟合提高了，但是由于训练中新数据不能提前预知网络性能可能因为过学习而变坏。训练数据的一个单独部分常常保留下来监视性能，以保证完成收敛之前停止训练。尽管如此，这减少了实际训练中有效的数据量，当好的训练数据缺乏时这也是一大劣势。Almehaideb提出了一种网络修剪算法用以提高泛化能力。最常用的采用梯度下降法的后向传递训练算法在最小化误差时存在局部极小点的问题，这限制了优化模型的推广。另一个问题是神经网络模型的黑箱不透明性。相关解释能力的缺失在许多决策支持应用中是一个障碍，诸如医学诊断，通常用户需要知道模型给出的结论。附加分析要求通过规则提取从神经网络模型中获得解释设备。模型参数掩盖在大规模矩阵中，因此获得模型现象或者将其与现存经验或理论模型进行对比变得非常困难。因为模型各种输入的相对重要性信息还没有获得，这使得通过排除一些重要输入来简化模型的方法变得不可行。诸如主成份分析技术也需要额外的处理。
在本研究中，我们提出了支持向量机回归法来克服神经网络的缺点同时采用此方法来预测PVT参数。支持向量机建模法是一种基于统计学习理论和结构风险最小化原则的新型计算机智能算法。基于该原则，支持向量机通过在经验误差和Vapnik-Chevonenkis置信区间之间取得合适的平衡来得到最有效的网络结构，因此这种方法不可能产生局部极小。支持向量机回归建模法
支持向量机回归法是机器学习和数据挖掘领域最成功和有效的算法之一。在分类和回归中它作为鲁棒性工具得到了广泛的应用。在许多应用中，该方法具有很强的鲁棒性，例如在特征识别，文 4
本分类和人脸图像识别等领域。支持向量机回归算法通过最优化超平面的特征参数以确保其高度的泛化能力。其中超平面在高维特征空间中最大化训练样本间的距离。3.1 背景知识和综述
近年来，人们对支持向量机做了很多研究。从如下这些人的文章中可以获得已完成的支持向量机建模法的概述，他们是Vapnik,Burges,Scholkopt，Smola，Kobayashi以及Komaki。该方法是一种新的基于统计学习理论的机器学习法。它遵循结构风险最小化原则，通过最小化泛化误差的上界，而不是最小化训练误差。该归纳法基于泛化误差的界，而泛化误差通过加和训练误差和依赖VC维的置信区间得到。基于此原则，支持向量机通过平衡经验误差和VC维置信区间取得最优的网络结构。通过此平衡支持量机可以取得优于其他神经网络模型的泛化性能。
起初，支持向量机用于解决模式识别问题。尽管如此，随着Vapnik 不敏感损失函数的引入，支持向量机可以扩展用于解决非线性回归预测问题。例如刚刚为人所知的支持向量回归法，它表现出了良好的性能。该方法的性能取决于预定义的参数（也叫超参数）。因此，为建立一个良好的支持向量回归预测模型，我们要细心设置其参数。最近，支持向量回归法已经作为一种可供选择的强有力技术用于预测复杂非线性关系问题。因其许多特有性质和良好的泛化能力，支持向量回归法无论是在学术界还是工业应用领域都取得了极大的成功。3.2 支持向量回归机的结构
最近，通过引入可变的损失函数，支持向量回归机(SVR)作为一种新的强有力技术用于解决回归问题。这部分，我们简要介绍一下SVR.更多的细节参见Vapnik和EI-Sebakhy的论文。通常情况下，SVR的构造遵循结构风险最小化原则，它试图最小化泛化误差的上界而不是最小化训练样本的预测误差。该特征能在训练阶段最大程度的泛化输入输出关系学习以得到对于新数据良好的预测性能。支持向量回归机通过非线性映射将输入数据x映射到高维特征空间F.，并在如图1所示的特征空间中产生和解决一个线性回归问题。
图1 映射输入空间x到高维特征空间
回归估计通过给定的数据集G{(xi,yi):XiR}Rni1来预测一个函数，这里xi代表输入向量，yi代表输出值，n代表数据集的总大小。建模的目的是建立一个决策函数yf(x)，在给定一组新的输入输出样本xi,yi的情况下准确预测输出yi。该线性逼近函数由下面的公式表示：
f(x)(w(x)b),:RF;wFTP(1)这里w,b是系数，(x)代表高维特征空间，通过输入空间x的非线性映射得到。因此，高维特征空间中的线性关系被映射到了低维特征空间中的非线性关系。这里不用考虑高维特征空间中w和(x)的内积计算。相应的，包含非线性回归的原始优化问题被转换到特征空间F而非输入空间x中寻找最平缓模型的问题。图1中的未知参数w和b通过训练集G预测得到。
通过不敏感损失函数支持向量回归机在高维特征空间中模拟线性回归。同时，为了避免过拟合，2并提高泛化能力，采用最小化经验风险和复杂度w2之和的正则化函数。系数w和b通过最小化结构风险函数预测得到。
RSVR(C)Remp12w2Cnni1L(yi,yi)212w2(2)这里RSVR和Remp分别代表回归风险和经验风险。w2代表欧几里德范数，C代表度量经验风险的损失函数。在公式2给出的结构风险函数中，回归风险RSVR是在给定测试样本输入向量情况下由约束函数f得到的可能误差。
(|y,y|),if|yy|L(y,y)(3)
Otherwise0,n在公式2中，第一项C/nL*(yi,yi)代表经验误差，该误差通过公式3中不敏感损失函
i1数预测得到。引入损失函数可以使用少量的数据点来获得公式1中决策函数的足够样本。第二项2w2是正则化系数。当存在误差时，通过折中经验风险和正则化系数，正则化常量C用于计算惩罚值。增大C值等于提高了相应泛化性能的经验风险的重要性。当拟合误差大于时接受惩罚。损失函数用来稳定预测。换句话说，不敏感损失函数能减小噪声。因此，能被看作如图2所示训练数据近似精度的等效值。在经验分析中，C和是由用户选择的参数。
图2 一种线性支持向量回归机的软边缘损失集
为了估计w和b，我们引入正的松弛变量i和i，从图2可知，超常的正负误差大小由i和i分别代表。假设松弛变量在,外非零，支持向量回归机对数据拟合f(x)如下：(i)训练误差通过最小化i和i得到。(ii)最小化 w2/2提高f(x)的平滑性，或者惩罚过于复杂的拟合函数。因此，支持向量回归机由最小化如下函数构造而成： 最小化：RSVR(w,C)12nw2CL(ii)（4）
*i1yiw(xi)bii*目标值：0*w(x)byiiii
这里i和i分别代表度量上下边沿误差的松弛变量。以上公式表明在同一结构函数f(x)下增大将减小相应的i和i，从而减小来自相应数据点的误差。最后通过引入拉格朗日多项式和扩展最优性约束，公式1所给决策函数有如下的形式：
nf(x,i,i)*(i1ii)K(xxi)b*（5）
*i这里公式5中参数i和i被称为拉格朗日乘子，他们满足公式i*0，i0和*i0，在i1,2....,n。公式5中的K(xi,xj)称作核函数，而核函数的值等于特征空间(xi)和(xj)中 7
向量xi和xj的内积，其中K(xi,xj)=(xi)(xj)。核函数用来表征任意维特征空间而不用精确计算(x)。假如任给一个函数满足Mercer条件，他就可用作核函数。核函数的典型例子是多项式核(K(x,y)[xy1]d)和高斯核(K(x,y)exp[(xy)2/22])。这些公式中，d代表多项式核的次数，代表高斯核宽度。这些参数必须精确选择，因为他们确定了高维特征空间的结构并且控制最终函数的复杂性。24 数据获取和统计质量度量
4.1 要求数据
研究结果基于来自三个不同的已发表研究论文的三个数据库中获得。第一个数据库引自Al-Marhoun的文章。该数据库包括来自中东69口油井的160组数据，通过它提出了一种用于预测中东石油起跑点压力和油量层参数的公式。第二个数据库来自Al-Marhoun&Osman(2002)，Osman&Abel-Aal(2002)以及Osman&Al-Marhoun（2005）的文章。该数据库使用采集于沙特各地的283个数据点来预测沙特原油的起泡点压力以及该压力点附近的油层量参数。模型基于142组训练集的神经网络来建立前馈神经网络校正模型用以预测起泡点压力和油量层参数，其中71组数据集用于交叉验证训练过程中建立的关系，余下的71组数据集用于测试模型以评估精度。结果表明发展的Bob模型比现有的经验公式有更好的预测效果和更高的精度。第三个数据库来自Goda(2003)和Osman(2001)的著作，这里作者采用具有对数双弯曲传递函数的前向神经网络来预测起泡点压力附近的石油形成层参数。该数据库包括从803个实际数据点中删除了21个观察点之后的782个观察点。该数据集采集于马来群岛，中东，墨西哥湾和加利福尼亚。作者采用倒传递学习算法设计了一种单隐层的前向神经网络，其中使用4个输入神经元来隐藏输入的油气比重，煤气比重，相对煤气浓度以及油储温度，五个神经元的单隐层以及输出层构造参数的单一神经元。
使用以上三个不同的数据库来评估支持向量回归机，前向神经网络和三个经验公式建模法的性能。采用分层标准划分整个数据库。因此，我们使用70%的数据建立支持向量回归机模型，30%的数据用于测试和验证。我们重复内部和外部验证过程各1000次。因此数据被分为2到3组用于训练和交叉验证。
本研究中，382组数据集，267组用于建立校正模型，余下的115组用于交叉验证训练和测试过程中建立的关系，并以此来评价模型的精度和稳定性。对于测试数据，支持向量回归机建模法，神经网络法以及最著名的经验公式法的预测性能使用以上的数据集进行度量。起泡点压力和石油形成层参数的预测性能分别如表1-6所示。
表1 测试结果(Osman(2001)和EI-Sebakhy(2007)数据)：预测Bo的统计质量量度
表2 测试结果(Osman(2001)和EI-Sebakhy(2007)数据)：预测Pb的统计质量量度
表3测试结果(Al-Marhoun&Osman(2002)和Abdel-Aal(2002)数据)：预测Bo的统计质量量度
表4测试结果(Al-Marhoun&Osman(2002)和Abdel-Aal(2002)数据)：预测Pb的统计质量量度
表5测试结果(Osman(2001)和Goda(2003)数据)：预测Bo的统计质量量度
表6测试结果(Osman(2001)和Goda(2003)数据)：预测Pb的统计质量量度
在应用中，用户应该知道输入数据的范围以确保其在正常的范围内。这步叫做质量控制，它是最终取得准确和可信结果的重要一环。以下是一些主要变量的输入/输出范围。包括油气比，煤气比重，相对煤气密度，油储温度。在输入和输出层使用起泡点压力和石油形成层参数进行PVT分析。
油气比在26和1602之间，scf/stb 油量层参数在1.032和1.997之间变化 起泡点压力起于130止于3573 psia 油井温度从74F到240F API比重在19.4和44.6之间变化。 煤气相对浓度改变从0.744到1.367 4.2 评价和质量度量
在学习完成后，我们进行了拟合模型能力和质量的评价和估计。为此，我们计算了大量的质量量度。诸如实际和预测输出之间的相关系数(r)，根方误差(Erms),平均相对百分误差(Er),平均绝对百分误差(Ea),最小绝对百分误差(Emin)，最大绝对百分误差(Ermax)，标准差(SD)和执行时间。最好的模型有最高的相关性和最小的根方误差。
支持向量机建模法的性能与神经网络和最常用的经验公式进行了比较。其中使用三种不同的数据库。执行过程采用交叉验证（内部和外部交叉）并重复了1000次。我们得到了支持向量回归机建模法的良好结果，为了简便起见，这里只记录了一些必须的点。这些点能给读者关于支持向量机建模法精度和稳定性方面一个完整的图形。4.3统计质量度量
为了比较新模型与其他经验公式在精度和性能方面的差异，我们采用统计误差分析法。选用的误差参数如下：平均相对百分误差(Er),平均绝对百分误差(Ea),最小绝对百分误差(Emin)，最大绝对百分误差(Ermax)，均方根误差(Erms),标准差(SD)，相关系数(R2)。为了说明支持向量机回归法的有效性，我们采用了基于三个不同数据库的校正模型。(i)160个观察点的数据库.(ii)283个观察点的数据库用于预测Pb和Bob(iii)Goda(2003)和Osman(2001)发表的包含782个观察点的全世界范围内的数据库。
结果表明支持向量机回归法具有稳定性和有效性。另外，它的性能在均方根误差，绝对平均百分误差，标准差和相关系数方面也超过了最流行的经验公式中的一种以及标准前向神经网络法。实验研究
我们在所有数据集上进行了质量控制检测并且删除了多余的和不用的观察点。为了评估每一种建模方法的性能，我们采用分层标准划分了整个数据库。因此，我们使用70%的数据建立支持向量回归机模型，30%的数据用于测试和验证。我们重复内部和外部验证过程各1000次。因此数据被分为2到3组用于训练和交叉验证。而在782组数据点中，382组用来训练神经网络模型，剩下的200组用来交叉验证训练过程中建立的关系，最后200组用于测试模型以评估其准确性和趋势稳定性。对于测试数据，我们用支持向量机回归建模法，前向神经网络系统和最著名的经验公式分别预测起泡点压力和石油形成层参数，并研究了他们不同质量度量的统计总和。
通常情况下，在训练了支持向量机回归建模系统后，我们使用交叉验证来测试和评价校正模型。
同时我们将支持向量机回归模型的性能和精度同标准神经网络和三种常用的经验公式进行了对比研究。这三种常用的公式分别是：Standing,Al-Mahroun和Glaso经验公式。5.1 参数初始化
本研究中，我们采用与Al-Marhoun&Osman(2002),Osman(2001)以及Osman&Abdel-Aal(2002)同样的步骤。其中采用单或双隐层的前向神经网络，该网络基于具有线性和S型激发函数的倒传递学习算法。初始权重随机获得，学习能力基于1000元或0.001目标误差和0.01学习率获得。每个隐层包括的神经元都与其相邻层的神经元连接。这些连接都有相关的权值，并可以在训练过程中调整。当网络可以预测给定的输出时训练完成。对于这两个模型，第一层包括四个神经元，分别代表油储温度，油气比，煤气比重和API石油比重的输入值。第二层包含用于Pb模型的七个神经元和用于Bob模型的8个神经元。第三层包括一个神经元，其代表Pb或Bob的输出值。我们使用的用于Pb和Bob模型的简略图正如Al-Marhoun&Osman(2002),Osman&Abdel-Aal(2002)论文中所述。它基于1000次的重复计算使得我们可以检测网络的泛化能力，阻止对训练数据的过拟合并且对所有运行取平均。
执行过程开始于对现有数据集的支持向量机建模，每次一个观察点，到时学习过程从现有输入数据集中获得。我们注意到交叉验证可让我们监视支持向量回归机建模的性能，同时阻止核网络过拟合训练数据。在执行过程中，我们采用三种不同的核函数，分别名为多项式，S型核以及高斯核。在支持向量回归机的设计中，首先初始化那些控制模型整体性能的参数，诸如kenel=’poly’,kernel opt=5;epsilon=0.01;lambda=0.0000001;verbose=0;以及常量C为简便起见取为1或10。交叉验证方法基于均方根误差作为训练算法中的检查机制来阻止过拟合和复杂性。Bob和Pb模型的结果权重如下表格和图表中所示。同时，如下所示，每一个输入参数的相对重要性在训练过程中确定，并由Bob和Pb模型给出。
5.2 讨论和对比研究
我们可以研究除已选择的检验公式之外其他常用的经验公式，更多关于这些公式数学表达式的细节可以参考EI-Sebakhv和Osman(2007)的文章。测试中的比对结果，在表1-6中分别进行了外部交叉验证总结。从结果中我们注意到支持向量机建模法优于采用倒传递算法的神经网络以及最流行的经验公式。提出的模型以其稳定的性能在预测Pb和Bob值时表现出了很高的精度，在采用三个不同数据集的情况下该模型在其他公式中得到了最低的绝对相对百分误差，最低的最小误差，最低的最大误差，最低的均方根误差以及最高的相关系数。
我们对所有计算机智能预测算法和最著名的经验公式预测所得的绝对相对百分误差EA和相关系数绘制了离散点图。每个建模方法由一种符号表示。好的预测方法应该出现在图形的左上部分。图3所示为所用建模方法EA以及R或r的离散点，这些方法使用Osman(2001)的数据库预测Bob。11
图3基于Osman数据库的所有建模法和经验公式法预测Bob的平均绝对相对误差和相关系数 我们注意到支持向量回归机建模法落在图形的左上部分，EA=1.368%和r=0.9884，而神经网络次之，EA=1.7886%和r=0.9878，其余的经验公式则有更高的误差且更低的相关系数。例如，AL-Marhoun(1992)的EA=2.2053%，r=0.9806，Standing(1947)有EA=2.7238%和r=0.9742以及Glaso公式的EA=3.3743%，r=0.9715。图4所示为同样的图形，只不过采用同样的数据集和建模方法来预测bP。我们注意到支持向量回归机建模法落在图形的左上部分，EA=1.368%和R=0.9884，而神经网络次之，EA=1.7886%和r=0.9878，其余的经验公式则有更高的误差且更低2的相关系数。例如，AL-Marhoun(1992)的EA=2.2053%，r=0.9806，Standing(1947)有EA=2.7238%和r=0.9742以及Glaso公式的EA=3.3743%，r=0.9715。
图4基于Osman数据库的所有建模法和经验公式法预测Pb的平均绝对相对误差和相关系数 我们也对其他数据集重复了同样的执行过程，但为了简便起见，本文并没有包括这些内容。这些数据集是Al-Marhoun(1988,1992)和Al-Marhoun&Osman(2002)以及Osman&Abdel-Aal(2002)。
图5-10所示为使用三个不同的数据集的试验数据对bpp和Bob所得预测结果的六张离散图形。这些交叉点说明了基于支持向量回归机的高性能试验值和预测值之间的吻合程度。读者可以对已发表的神经网络建模法和最著名的经验公式进行比较。最后，我们的结论是支持向量回归集建模法相比其他著名的建模法和经验公式有更好的性能和更高的稳定性。
在预测bpp和Bob时支持向量机优于标准前向神经网络和最常用的经验公式，其中使用4个输入数据：油气比，油储温度，煤气比重和煤气相对密度。
图5 基于Osman数据库的支持向量回归机预测Pb和Bob的平均交会图
图6 基于Osman数据库的支持向量回归机预测bP或bPP的平均交会图
图 7 基于Al-Marhoun,Osman和Osman&Abdel-Abal数据集支持向量回归机预测Bo的交会图
图 8 基于Al-Marhoun,Osman和Osman&Abdel-Abal数据集支持向量回归机预测bP的交会图
图 9 基于已有数据集(Al-Marhoun)支持向量回归机预测Bo的交会图
图 10基于已有数据集(Al-Marhoun)支持向量回归机预测bP的交会图
6结论和建议
在本研究中，我们使用三种不同的数据集来考察支持向量回归机作为一种新型模式在预测原油系统PVT参数过程中的能力。基于得到的结果和比对研究，我们得出如下结论：
我们使用支持向量回归机及4个输入变量来预测起泡点压力和石油形成层参数。这4个变量分别是：油气比，油储温度，石油比重和煤气相对密度。在石油工程领域，这两个参数被认为是原油系统PVT参数中最重要的。
成熟的支持向量回归机建模法优于标准前向神经网络和最常用的经验公式。因此，该方法相比其他方法有着更好，更有效和更可靠的性能。另外，该方法在预测Bob值时以其稳定的性能表现出了很高的准确性，同时得到最低的绝对相对百分误差，最低的最小误差，最低的最大误差，最低的根均方误差和最大的相关系数。因此，支持向量回归机建模法在油气工业中应用灵活，可靠并有着很好的发展前景。特别是在渗透率，孔隙率，历史匹配，预测岩石机械参数，流型，液体停止多相流和岩相分类中。
参数命名
Bob 起泡点压力附近的OFVF, RB/STB Rs 油气比，SCF/STB T 油储温度，华氏温度
r0 石油相对密度（水为1.0）
rg 煤气相对密度（空气为1.0）
Er平均相对百分误差 Ei 相对百分误差
Ea平均绝对百分相对误差 Emax 最大绝对百分相对误差 Emin 最小绝对百分相对误差