The invention relates to a method for the estimation of series rate adaptive water two-phase flow were estimated by the upper and lower reaches of different sensor measurement data, which comprises the following steps: time of registration data upstream and downstream sensor sensor; state estimation is initialized; on upstream sensor holdup measurement value of linear state estimation and prediction of Calman update the state vector and covariance matrix forecasts; 3) using the downstream sensor measurement data, calculation of two-phase flow process state transition matrix of the downstream holdup measurement value of unscented filter for nonlinear state estimation based on Calman.
【技术实现步骤摘要】
两相流含水率自适应串联估计方法
本专利技术属于流体测量
,利用自适应无迹卡尔曼算法提升相含率传感器对两相流含水率估计准确度。技术背景两相流广泛存在于日常生活与工业生产过程中,如食品加工,生物工程,化工产业,冶金工业和石油产业等行业。与一般单相流相比,两相流的流动状态更为复杂,建模更加困难,因此两相流的在线过程参数检测一直是学术界和工业界关注的难点和重点。特别在石油工业中,油水两相流含水率对油井监测、生产预测和开采计划制定具有重要意义。目前两相流含水率的测量手段包括快关阀测量方法、射线方法、微波方法、Wire-mesh方法、超声方法和电阻抗方法等。其中,电学方法具有测量速度快,敏感性强,传感器结构简单,易于安装,成本低廉等优点。两相流是一种随机的动态流动过程,流动状态复杂多变,传感器的测量信号有随机误差,且只能反映系统的外部特性。为获得多相流含水率的准确信息,需要根据实测数据对流动状态进行估计,以状态估计算法提升相含率传感器的测量精度。状态估计对认知和分析测量系统具有重要的应用价值,常用的估计理论包括最小二乘估计、线性最小方差估计和卡尔曼估计等。不同的估计方法性能指标不同,使用的信息不同,其适用范围也不同。最小二乘估计通常应用于随机向量和常值向量的估计,算法结构简单但精度有限;线性最小方差估计以均方误差最小作为优化参数,适用于平稳过程,其测量信息越丰富,估计精度越高,计算量越大,而且会随着估计过程的累积,造成计算负担较重,不适用于复杂的长时间的估计过程。卡尔曼估计采用递推的形式,通过一个状态模型和一个观测模型的迭代,利用上一时刻的估计值和这一时刻的 ...
【技术保护点】
一种两相流含水率自适应串联估计方法,利用上、下游不同传感器的测量数据进行估计,包括如下步骤:1)对上游传感器和下游传感器测量数据进行时间配准:获取上游传感器和下游传感器所获相含率时间序列z
【技术特征摘要】
1.一种两相流含水率自适应串联估计方法,利用上、下游不同传感器的测量数据进行估计,包括如下步骤:1)对上游传感器和下游传感器测量数据进行时间配准:获取上游传感器和下游传感器所获相含率时间序列z1(j)和z2(j),j=1,2,3,…N为测量时间内的数据点,下标1和2分别代表上游传感器和下游传感器,计算渡越时间,利用渡越时间结合数据采样频率,对上游传感器和下游传感器测量数据进行时间配准;2)状态估计算初始化:其中,是上游状态向量的估计初值,是上游协方差的迭代初值,z1,k是上游传感器在k时刻的测量值,且是下游状态向量的估计初值;3)对上游传感器含率测量值进行线性卡尔曼状态估计和更新,获得对状态向量的预测和协方差矩阵的预测;在估计过程中量测矩阵H取值均为1,状态向量x1代表含水率,k时刻的系统模型为:x1,k+1=F1,kx1,k+v1,k(4)z1,k=H1,kx1,k+w1,k(5)其中,F1,k是k时刻的状态转移矩阵,x1,k+1和x1,k分别是上游在k+1时刻和k时刻的状态向量,H1,k是k时刻的量测矩阵,z1,k是量测向量,v1,k和w1,k分别表示系统在k时刻的过程噪声和量测噪声;则状态向量的预测的预测和协方差矩阵的预测为:根据上游量测信息z1,k修正估计值:其中,K1,k是上游传感器系统在k时刻的卡尔曼增益:其中,H1,k是k时刻上游传感器量测矩阵,是上游传感器在k时刻对状态的预测值,是上游传感器k时刻对状态x1,k的最小均方误差估计,是k时刻估计的协方差,R1,k为上游滤波过程在k时刻系统量测噪声的协方差,可取值为0.01至0.2;Q1,k-1为上游滤波过程在k-1时刻系统过程噪声的协方差,可取值为0.01至0.09,I为单位矩阵,其维数等同于状态向量的维数;3)利用下游传感器测量数据,计算两相流过程状态转换矩阵:将传感器上游测量单元确定的状态转移过程加以记录,用于时间配准后下游含水率状态估计中:其中,F2,k为下游测量单元的状态转移矩阵,k=n0,n0+1,…,N;4)对下游含率测量值...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。