CN105631554A - 一种基于时间序列的油井油液含水率多模型预测方法 - Google Patents
一种基于时间序列的油井油液含水率多模型预测方法 Download PDFInfo
- Publication number
- CN105631554A CN105631554A CN201610094429.0A CN201610094429A CN105631554A CN 105631554 A CN105631554 A CN 105631554A CN 201610094429 A CN201610094429 A CN 201610094429A CN 105631554 A CN105631554 A CN 105631554A
- Authority
- CN
- China
- Prior art keywords
- data
- output
- time series
- value
- lampyridea
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003129 oil well Substances 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 60
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title abstract 5
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 239000012530 fluid Substances 0.000 claims description 58
- 230000001932 seasonal effect Effects 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 3
- 241000131894 Lampyris noctiluca Species 0.000 claims description 3
- 208000006011 Stroke Diseases 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000009415 formwork Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 8
- 238000011084 recovery Methods 0.000 description 6
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- QDGIAPPCJRFVEK-UHFFFAOYSA-N (1-methylpiperidin-4-yl) 2,2-bis(4-chlorophenoxy)acetate Chemical compound C1CN(C)CCC1OC(=O)C(OC=1C=CC(Cl)=CC=1)OC1=CC=C(Cl)C=C1 QDGIAPPCJRFVEK-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于时间序列的油井油液含水率多模型预测方法,其特征在于,包括如下步骤:1)、利用历史数据建立油井油液含水率数据集为{xi,i=1,2,…,N};2)、采用小波分析方法对油井油液含水率数据集{xi,i=1,2,…,N}中的数据进行预处理;3)、由近邻传播聚类算法将{xi}Wave进行分类;4)、将每个聚类中的数据由如下时间序列形式进行表示:5)、根据极端学习机算法建立每个聚类的时间序列模型并利用该时间序列模型得到预测值。其解决了现有油井油液含水率人工取样费时费力、影响生产监控和采油数据的实时性的问题。
Description
技术领域
本发明涉及石油生产领域,特别是一种基于时间序列的油井油液含水率多模型预测方法。
背景技术
油井油液的含水率是油田生产的一个重要指标,不仅关系到油井的开发寿命,还关系到企业的经济效益问题。因此,对其进行准确测量对计量油井产量、评价油藏的开采价值和采出程度、制定开采方案等具有极其重要的意义。目前对油井油液含水率的测量仍普遍采用人工取样再蒸馏的方法,由工人定期到油井进行人工采样,然后将油液送回技术部门进行实验分析,这种方法费时费力、影响生产监控和采油数据的实时性,不能根据油井的实际生产状况及时制定或调整合理的开采方案。
发明内容
本发明的目的是为了提供一种解决现有油井油液含水率人工取样费时费力、影响生产监控和采油数据的实时性的问题的基于时间序列的油井油液含水率多模型预测方法,利用已有的历史一段时期的油井油液含水率数据预测下一个时间点的含水率数据。
本发明的技术方案是:
一种基于时间序列的油井油液含水率多模型预测方法,其特征在于,包括如下步骤:
1)、利用历史数据建立油井油液含水率数据集为{xi,i=1,2,…,N},所述油井油液含水率数据集内数据按照时间点的顺序排列,所述时间点的单位为日或月,根据油井油液含水率数据集中数据的排列顺序,记录油井油液含水率数据集中各数据的排列序号为{indexi,i=1,2,…,N};
2)、采用小波分析方法对油井油液含水率数据集{xi,i=1,2,…,N}中的数据进行预处理,由Mallat算法对{xi,i=1,2,…,N}中的数据进行三层小波分解,得到小波分解序列其中:表示对{xi,i=1,2,…,N}中的第i个数据进行小波分解后的第三层低频分量,和分别表示对{xi,i=1,2,…,N}中的第i个数据进行小波分解后的第三层、第二层和第一层高频分量;经过小波分解后,{xi,i=1,2,…,N}中的每一个数据由所对应的代替,小波分解后的数据集由{xi}Wave表示;
3)、由近邻传播聚类算法将{xi}Wave进行分类,再根据{xi}Wave所对应的数据的排列序号{indexi,i=1,2,…,N}将油井油液含水率数据集中的数据划分到各个分类中,形成K个聚类,K≥1;
4)、将每个聚类中的数据按照各个数据的原始的排列序号{indexi,i=1,2,…,N}进行排列,然后将每个聚类中的数据由如下时间序列形式进行表示:
其中,α=1,2,…,K,t=1,2,…,M,m为嵌入维数,τ为延迟时间,M=N-(m-1)τ;将每个聚类的时间序列的输出表示为:
5)、根据极端学***均值最终得到预测值。
上述的基于时间序列的油井油液含水率多模型预测方法,步骤2)具体如下:
2.1、首先根据公式(1)对数据集{xi,i=1,2,…,N}进行分解:
其中,J=0,1,2;H和G分别为分解低通滤波器和分解高通滤波器;
2.2、然后根据公式(2)进行重构:
其中,H*和G*分别为H和G的对偶算子;
那么,油井油液含水率数据集{xi}中的数据xi经过三层小波分解后表示为:其中:i=1,2,…,N,由构成的数据集表示为{xi}Wave。
上述的基于时间序列的油井油液含水率多模型预测方法,步骤3)利用近邻传播聚类算法将{xi}Wave进行分类的具体过程为:
3.1、由经过三层小波分解后的数据集{xi}Wave计算相似度矩阵S,{xi}Wave中的两个数据和的相似度sjh由公式(3)进行计算:
其中,和分别表示数据和的第l维;
那么,相似度矩阵S表示为:
其中,p为偏向参数,p的初始值取所有初始相似度值的均值;
3.2、设定吸引度矩阵R={rjh}和归属度矩阵A={ajh},分别表示为:
其中,{rjh}和{ajh}的初始值为0;
3.3、设定最大迭代次数MaxLoop,吸引度矩阵R和归属度矩阵A按照如下公式进行迭代:
rjh=sjh-max{ajh+sjh}(7)
rkk=pkk-max{akh+skh}(9)
其中,k=1,2,…,N,k为数据集{xi}Wave中数据的下标,表示候选聚类中心,j≠h≠k;
3.4、当满足最大迭代次数MaxLoop后,迭代过程终止,判断两矩阵R和A的对角线元素之和,如果满足rkk+akk>0,那么选择为聚类中心;
3.5、确定K个聚类的聚类中心后,根据公式(3)分别计算数据集{xi}Wave中除外的每个数据与K个聚类中心的距离,将数据集{xi}Wave中除外的每个数据归入与它距离最小的聚类中心所属的类中,完成数据集{xi}Wave中数据的分类。
上述的基于时间序列的油井油液含水率多模型预测方法,步骤5)中利用极端学习机算法建立时间序列模型的原理如下:
设有W个训练样本其中uq为输入向量,vq为输出向量,设定包含L个隐含层,激活函数为f(·)以及模型的训练输出表示为Q=[c1,c2,…,cq]T,那么ELM模型由如下方程组进行描述:
其中,βlq为第l个隐含层神经元与第q个输出神经元之间的连接权值;ωl为隐含层神经元与输入神经元之间的连接权值;bl为第l个隐含层神经元的偏置;
如果训练模型能以零误差逼近W个训练样本,即有那么对于式(11)有下式成立,
那么ELM模型的数学描述可以改写成如下矩阵形式:
Hβ=V(13)
式(13)中,有:
H为隐含层输出矩阵,ω和b在初始化时随机给定,那么,ELM模型的训练可以转化成一个求解非线性方程最小值的问题,即:
输出权值矩阵β*可以由下式求出,
β*=H+V(16)
其中,H+为隐含层输出矩阵H的Moore-Penrose广义逆;
那么,ELM的训练过程可以归纳为如下最优化问题:
其中,g(·)表示由ω和b所决定的函数,g(ω,b)表示当ω和b分别取不同值时的函数输出值,ELM训练的目的就是找到最优的β*,使模型的训练输出值cq和真实值vq之间的误差最小;
对于激活函数f(·)的选择,采用高斯函数和Sigmoid函数的集成方式,f(·)的定义如下:
其中,u表示输入向量,λ∈[0,1]为权值,σ2为高斯函数的宽度参数;
基于此,建立时间序列模型的计算步骤如下:初始化,随机生成隐含层输入权值ω,隐含层神经元的偏置b,高斯函数的宽度参数σ2和权值λ;根据公式(14)计算隐含层输出矩阵H;根据公式(16)计算输出权值矩阵β*;根据公式(17)计算函数输出值。
上述的基于时间序列的油井油液含水率多模型预测方法,建立时间序列模型的过程中,采用改进的萤火虫算法对m、τ、ω、b、σ2和λ的取值进行优化选取,将m、τ、ω、b、σ2和λ看作一组解向量,即每个“萤火虫”为1×6维向量,其中6维变量分别为m、τ、ω、b、σ2和λ,计算步骤如下:
第一步,产生初始“萤火虫”群体,表示为:{F1,F2,…,FNpop},其中:Npop表示初始“萤火虫”群体中“萤火虫”的数量;
第二步,计算每个“萤火虫”的亮度,表示为:{I1,I2,…,INpop};
第三步,每个“萤火虫”向比它亮度更大的“萤火虫”移动,根据公式(22)-公式(24)进行位置更新,
Φ1(Itenum+1)=Φ(Itenum)+η(ε)·(Ψbest(Itenum)-Φ(Itenum))+ξ·(rand-0.5)(22)
Φ2(Itenum+1)=Φ(Itenum)+η(ε)·(Ψsecbest(Itenum)-Φ(Itenum))+ξ·(rand-0.5)(23)
其中,ξ表示步长,ξ∈[0,1];rand为[0,1]上服从均匀分布的一个随机数;Ψbest为亮度最大的“萤火虫”,Ψsecbest为亮度大小次于Ψbest的“萤火虫”;Itenum表示IFA算法运行过程中迭代的次数;Φ(Itenum)表示“萤火虫”在第Itenum次迭代时的位置,Φ(Itenum+1)表示“萤火虫”在第Itenum+1次迭代时的位置,Φ1(Itenum+1)表示“萤火虫”受到亮度最大的“萤火虫”的吸引在第Itenum+1次迭代时的位置,Φ2(Itenum+1)表示“萤火虫”受到亮度大小次于Ψbest的“萤火虫”的吸引在第Itenum+1次迭代时的位置;
第四步,定义适应度函数fitness(m,τ,ω,b,σ2,λ)评价m、τ、ω、b、σ2和λ的取值,当m、τ、ω、b、σ2和λ取最佳值时,fitness(m,τ,ω,b,σ2,λ)函数值最小,定义变量Local_pop记录每一次迭代中m、τ、ω、b、σ2和λ的最佳值,定义变量Global_pop记录所有次迭代中m、τ、ω、b、σ2和λ的最佳值,执行完第三步后,分别更新Local_pop和Global_pop中的值;
第五步,如果达到最大迭代次数,停止迭代,分别输出Local_pop中和Global_pop中的m、τ、ω、b、σ2、λ的值;否则返回步骤第三步重新迭代。
上述的基于时间序列的油井油液含水率多模型预测方法,对于K个聚类中的每一个聚类,采用极端学习机算法建立时间序列模型的计算步骤如下:
步骤5.1初始化,设定m、τ、ω、b、σ2和λ的取值范围;
步骤5.2将每一个聚类中的数据归一化到[0,1]区间内,确定待建立模型的输入和输出分别为和
步骤5.3产生初始“萤火虫”群体,在m、τ、ω、b、σ2和λ的取值范围内随机给定m、τ、ω、b、σ2和λ的取值;
步骤5.4根据公式(14)计算隐含层输出矩阵H,根据公式(16)计算输出权值矩阵β*,根据公式(17)计算函数输出值;
步骤5.5计算适应度函数fitness(m,τ,ω,b,σ2,λ)的值,记录Local_pop和Global_pop中的m、τ、ω、b、σ2和λ的初始值;
步骤5.6计算每个“萤火虫”的亮度,根据公式(22)-公式(24)进行位置更新;
步骤5.7重复步骤5.4,计算适应度函数fitness(m,τ,ω,b,σ2,λ)的值,更新Local_pop和Global_pop中的m、τ、ω、b、σ2、λ的值;
步骤5.8如果达到最大迭代次数,停止迭代,分别输出Local_pop中和Global_pop中的m、τ、ω、b、σ2、λ的值;否则返回步骤5.6-步骤5.7重新迭代;
步骤5.9将每一个聚类得到的最好的m、τ、ω、b、σ2和λ的值作为极端学习机算法建立时间序列模型的参数,由输入的值计算输出的值,并进行反归一化处理。
上述的基于时间序列的油井油液含水率多模型预测方法,采用单步预测,即每次预测出一个再预测下一个输出时,将加入到下一个输入的最后;每次预测出一个Λt,再预测下一个输出Λt+1时,将Λt加入到下一个输入Γt+1的最后。
上述的基于时间序列的油井油液含水率多模型预测方法,所述油井油液含水率数据集中数据的数量N一般为300-800个,以保证计算的准确性和降低计算的复杂性。
上述的基于时间序列的油井油液含水率多模型预测方法,m、τ、ω、b、σ2和λ的取值范围分别为:m∈[1,50],τ∈[1,10],ω∈[0,1],b∈[0,10],σ2∈[0.01,1000],λ∈[0,1]。
本发明的有益效果是:
1、油井生产是一个连续的过程,一些生产参数的变化在一段时期内具有相关性,根据过去一段时间的历史数据去预测未来某个时间点的值,可以掌握油井的生产动态,及时评价油井的生产状况,并制定或调整合理的生产措施,对油田企业合理、高效的进行生产具有一定的实际意义。
2、油井油液的含水率是油田生产的一个重要指标,对原油的开采、计量、运输等都有重要的影响。油液含水率不仅关系到油井的工作寿命,还关系到油田生产企业的经济效益。因此,油液含水率的准确测量对计量油井产量、掌握油井生产动态、评价油藏的开发程度和价值、制定合理开发措施等具有十分重要的意义。
3、本发明所建立的一种基于时间序列的油井油液含水率多模型预测方法,原理简单,计算复杂性小,所需要的样本少。由聚类方法所建立的多模型结构,对于预测样本的判断,准确度高,特别是对于数据集中含有异常数据的情况具有较高的预测精度。
4、解决了现有油井油液含水率人工取样费时费力、影响生产监控和采油数据的实时性的问题,省时省力。
附图说明
图1是三层小波分解后的各维分量示意图;
图2是油井油液含水率数据集聚类后的数据分布示意图。
具体实施方式
该基于时间序列的油井油液含水率多模型预测方法,具体步骤如下:
1、利用历史数据建立油井油液含水率数据集,包含440个数据,表示为{xi,i=1,2,…,440},440个数据按照时间点的顺序排列(单位为日),根据油井油液含水率数据集中数据的排列顺序,记录油井油液含水率数据集中各数据的排列序号为{indexi,i=1,2,…,440}。
2、采用小波分析方法对油井油液含水率数据集{xi}中的数据进行预处理,具体为:首先由Mallat算法对{xi}中的数据进行三层小波分解,根据公式(1)对数据集{xi}进行分解:
其中,i=1,2,…,440;J=0,1,2;H和G分别为分解低通滤波器和分解高通滤波器;
然后根据公式(2)进行重构:
其中,H*和G*分别为H和G的对偶算子。
从而得到小波分解序列其中:表示对{xi}中的第i个数据进行小波分解后的第三层低频分量,和分别表示对{xi}中的第i个数据进行小波分解后的第三层、第二层和第一层高频分量;经过小波分解后,{xi}中的每一个数据(一维)由所对应的(四维)代替,小波分解后的数据集{xi}由{xi}Wave表示,i=1,2,…,440。数据集{xi}经过三层小波分解后的各维分量如图1所示。
3、由近邻传播聚类算法(AP)将{xi}Wave进行分类,再根据{xi}Wave所对应的数据的排列序号{indexi}将油井油液含水率数据集{xi}中的数据划分到各分类中。具体步骤如下:
3.1、由经过三层小波分解后的数据集{xi}Wave计算相似度矩阵S,{xi}Wave中的两个数据和的相似度sjh由如下公式进行计算:
其中,和分别表示数据和的第l维;
那么,相似度矩阵S可以表示为:
其中,N=440,p为偏向参数,p的初始值取所有初始相似度值的均值。
3.2、设定吸引度矩阵R={rjh}和归属度矩阵A={ajh},分别表示为:
其中,N=440,{rjh}和{ajh}的初始值为0;
本实施例中,设定最大迭代次数MaxLoop=500(所述最大迭代次数MaxLoop一般为300-500次),吸引度矩阵R和归属度矩阵A按照如下公式进行迭代:
rjh=sjh-max{ajh+sjh}(7)
rkk=pkk-max{akh+skh}(9)
其中,k=1,2,…,440,k为数据集{xi}Wave中数据的下标,表示候选聚类中心,j≠h≠k。
3.3、当满足最大迭代次数MaxLoop=500后,迭代过程终止,判断两矩阵R和A的对角线元素之和,如果满足rkk+akk>0,那么选择为聚类中心。
3.4、确定K个聚类的聚类中心后,根据公式(3)分别计算数据集{xi}Wave中除外的每个数据与K个聚类中心的距离,将数据集{xi}Wave中除外的每个数据归入与它距离最小的聚类中心所属的类中,完成数据集{xi}Wave中数据的分类。
本实施例中,按照K个聚类中每个数据的排列序号indexi,将油井油液含水率数据集{xi}中的440个数据分类到K个聚类中,分别将每一个聚类中的数据按照各数据的排列序号indexi进行排列。如图2所示,油井油液含水率数据集{xi}中的440个数据被分类到8个聚类中,每个聚类中数据的个数分别为:82(K=1)、57(K=2)、25(K=3)、101(K=4)、43(K=5)、69(K=6)、22(K=7)、41(K=8),分别将每一个聚类中的数据按照各数据的排列序号indexi进行排列。
4、将每一个聚类中的数据由如下时间序列形式进行表示:其中,α=1,2,…,8,t=1,2,…,M,m为嵌入维数,τ为延迟时间,M=440-(m-1)τ;每一个聚类的时间序列的输出表示为:将和分别作为时间序列的输入和输出,本发明采用单步预测,即每次预测出一个再预测下一个输出时,将加入到下一个输入的最后。
5、根据极端学习机算法(ELM)建立每个聚类的时间序列模型,该模型的输入和输出分别为和
(1)、基本原理:
设有W个训练样本其中uq为输入向量,vq为输出向量。设定包含L个隐含层(为保证计算的准确性和降低计算的复杂性,所述隐含层数量L的取值为10-30个),激活函数为f(·)以及模型的训练输出表示为Q=[c1,c2,…,cq]T,那么ELM模型可以由如下方程组进行描述:
其中,βlq为第l个隐含层神经元与第q个输出神经元之间的连接权值;ωl为隐含层神经元与输入神经元之间的连接权值;bl为第l个隐含层神经元的偏置。
如果训练模型能以零误差逼近W个训练样本,即有那么对于式(11)有下式成立,
那么ELM模型的数学描述可以改写成如下矩阵形式:
Hβ=V(13)
式(13)中,有:
H为隐含层输出矩阵,ω和b在初始化时已随机给定。那么,ELM模型的训练可以转化成一个求解非线性方程最小值的问题,即:
输出权值矩阵β*可以由下式求出,
β*=H+V(16)
其中,H+为隐含层输出矩阵H的Moore-Penrose广义逆。
那么,ELM的训练过程可以归纳为如下最优化问题:
其中,g(·)表示由ω和b所决定的函数,g(ω,b)表示当ω和b分别取不同值时的函数输出值。ELM训练的目的就是找到最优的β*,使模型的训练输出值cq和真实值vq之间的误差最小。
对于激活函数f(·)的选择,采用高斯函数和Sigmoid函数的集成方式,f(·)的定义如下:
其中,u表示输入向量,λ∈[0,1]为权值,σ2为高斯函数的宽度参数。
(2)、由ELM方法建立时间序列模型的过程中,m、τ、ω、b、σ2和λ的取值决定了ELM模型的计算精度,本发明采用一种改进的萤火虫算法(IFA)对m、τ、ω、b、σ2和λ的取值进行优化选取。IFA算法的数学描述如下:
Ⅰ、定义每个“萤火虫”的亮度为:
其中,I0表示原始亮度;γ表示光强吸收系数,为一常实数;ε表示两个“萤火虫”之间的距离,定义如下:
其中,Φ和Ψ表示任意两个“萤火虫”,φθ和分别表示Φ和Ψ的第θ维元素;z为Φ和Ψ的维数。
Ⅱ、定义“萤火虫”的吸引度如下公式所示:
其中,η0表示ε=0处的吸引度。
Ⅲ、每个“萤火虫”受到比它亮度更大的“萤火虫”的吸引而移动,位置更新公式如下:
Φ1(Itenum+1)=Φ(Itenum)+η(ε)·(Ψbest(Itenum)-Φ(Itenum))+ξ·(rand-0.5)(22)
Φ2(Itenum+1)=Φ(Itenum)+η(ε)·(Ψsecbest(Itenum)-Φ(Itenum))+ξ·(rand-0.5)
(23)
其中,ξ表示步长,ξ∈[0,1];rand为[0,1]上服从均匀分布的一个随机数;Ψbest为亮度最大的“萤火虫”,Ψsecbest为亮度大小次于Ψbest的“萤火虫”;Itenum表示IFA算法运行过程中迭代的次数;Φ(Itenum)表示“萤火虫”在第Itenum次迭代时的位置,Φ(Itenum+1)表示“萤火虫”在第Itenum+1次迭代时的位置,Φ1(Itenum+1)表示“萤火虫”受到亮度最大的“萤火虫”的吸引在第Itenum+1次迭代时的位置,Φ2(Itenum+1)表示“萤火虫”受到亮度大小次于Ψbest的“萤火虫”的吸引在第Itenum+1次迭代时的位置。
本发明在采用IFA算法对m、τ、ω、b、σ2和λ的取值进行优化选取时,将m、τ、ω、b、σ2和λ看作一组解向量,即每个“萤火虫”为1×6维向量,其中6维变量分别为m、τ、ω、b、σ2和λ。具体计算步骤如下:
第一步,产生初始“萤火虫”群体,表示为:{F1,F2,…,FNpop},其中:Npop表示初始“萤火虫”群体中“萤火虫”的数量,取Npop=30;
第二步,计算每个“萤火虫”的亮度,表示为:{I1,I2,…,INpop};
第三步,每个“萤火虫”向比它亮度更大的“萤火虫”移动,根据公式(22)-公式(24)进行位置更新;
第四步,定义如公式(25)所示的适应度函数fitness(m,τ,ω,b,σ2,λ)来评价m、τ、ω、b、σ2和λ的取值,
其中,N=440,表示第i个数据的实际输出值,表示第i个数据的模型预测值;
当m、τ、ω、b、σ2和λ取最好的值时,fitness(m,τ,ω,b,σ2,λ)函数值最小,定义变量Local_pop记录每一次迭代中m、τ、ω、b、σ2和λ的最好的值,定义变量Global_pop记录所有次迭代中m、τ、ω、b、σ2和λ的最好的值,执行完步骤第三步后,分别更新Local_pop和Global_pop中的值;
第五步,如果达到最大迭代次数MaxLoop=500,停止迭代,分别输出Local_pop中和Global_pop中的m、τ、ω、b、σ2、λ的值;否则返回步骤4.3重新迭代。
本实施例中,对于8个聚类中的每一个聚类,在采用ELM方法建立模型的同时,由IFA方法对ELM计算过程中所涉及的m、τ、ω、b、σ2和λ进行优化选取,计算步骤如下:
步骤5.1初始化,设定m、τ、ω、b、σ2和λ的取值范围,m∈[1,50],τ∈[1,10],ω∈[0,1],b∈[0,10],σ2∈[0.01,1000],λ∈[0,1];
步骤5.2将每一个聚类中的数据归一化到[0,1]区间内,确定待建立模型的输入和输出分别为和
步骤5.3产生初始“萤火虫”群体,在m、τ、ω、b、σ2和λ的取值范围内随机给定m、τ、ω、b、σ2和λ的取值;
步骤5.4根据公式(14)计算隐含层输出矩阵H,根据公式(16)计算输出权值矩阵β*,根据公式(17)计算函数输出值;
步骤5.5根据公式(25)计算适应度函数fitness(m,τ,ω,b,σ2,λ)的值,记录Local_pop和Global_pop中的m、τ、ω、b、σ2和λ的初始值;
步骤5.6计算每个“萤火虫”的亮度,根据公式(22)-公式(24)进行位置更新;
步骤5.7重复步骤5.4,根据公式(25)计算适应度函数fitness(m,τ,ω,b,σ2,λ)的值,更新Local_pop和Global_pop中的m、τ、ω、b、σ2、λ的值;
步骤5.8如果达到最大迭代次数MaxLoop=500,停止迭代,分别输出Local_pop中和Global_pop中的m、τ、ω、b、σ2、λ的值;否则返回步骤5.6-步骤5.7重新迭代。
步骤5.9将每一个聚类得到的最好的m、τ、ω、b、σ2和λ的值作为ELM方法建立时间序列模型的参数,由输入的值计算输出的值并进行反归一化处理。
6、对于8个聚类,共有8个ELM模型,那么由输入共得到8个输出值本实施例中,分别为:60、79、77、75、73、67、76和74。认为这8个输出值是由每一个聚类中的数据所预测出的下一个值,将其排列序号分别标记为{indexα max+1},其中,indexα max表示第α个聚类中最大的排列序号。根据ELM模型的计算结果,这8个输出值的排列序号分别标记为:440、437、418、441、413、439、420和426。
再将排列序号标记为{indexα max+1}(indexα max≠440)的7个输出值按照排列序号的大小顺序由小到大重新排列,构成新时间序列的数据集{Δd}(d=1,2,…,7)。重新排列后的7个输出值的排列序号为:413、418、420、426、437、439、440,所构成新时间序列的数据集{Δd}={73,77,76,74,79,67,60},其中第4个聚类(α=4)中的index4 max=440。
然后将其表示为新时间序列的输入:Γt=[Δt,Δt+τ,…,Δt+(m-1)τ],其中,t=1,2,…,M,M=440-(m-1)τ,新时间序列的输出表示为:Λt=Δt+1+(m-1)τ。将Γt和Λt分别作为新时间序列的输入和输出,根据步骤5建立新时间序列模型并计算输出值,采用单步预测,每次预测出一个Λt,再预测下一个输出Λt+1时,将Λt加入到下一个输入Γt+1的最后。本实施例中,得到新时间序列的输出值Λt=72。
7、将新时间序列的输出值Λt=72与排列序号标记为{index4 max+1}(index4 max=440)的输出值Yt 4=75取平均值得到最终输出为73.5。
对于聚类数目K取值为1,即只有一个聚类时,由油井油液含水率数据集中的N个数据训练模型进行计算。
为了进一步说明本发明所提出方法的有效性,采用国内某油田作业区十口生产井的数据进行验证,结果如表1所示。
表1十口生产井油液含水率的预测结果
Claims (9)
1.一种基于时间序列的油井油液含水率多模型预测方法,其特征在于,包括如下步骤:
1)、利用历史数据建立油井油液含水率数据集为{xi,i=1,2,…,N},所述油井油液含水率数据集内数据按照时间点的顺序排列,所述时间点的单位为日或月,根据油井油液含水率数据集中数据的排列顺序,记录油井油液含水率数据集中各数据的排列序号为{indexi,i=1,2,…,N};
2)、采用小波分析方法对油井油液含水率数据集{xi,i=1,2,…,N}中的数据进行预处理,由Mallat算法对{xi,i=1,2,…,N}中的数据进行三层小波分解,得到小波分解序列其中:表示对{xi,i=1,2,…,N}中的第i个数据进行小波分解后的第三层低频分量,和分别表示对{xi,i=1,2,…,N}中的第i个数据进行小波分解后的第三层、第二层和第一层高频分量;经过小波分解后,{xi,i=1,2,…,N}中的每一个数据由所对应的代替,小波分解后的数据集由{xi}Wave表示;
3)、由近邻传播聚类算法将{xi}Wave进行分类,再根据{xi}Wave所对应的数据的排列序号{indexi,i=1,2,…,N}将油井油液含水率数据集中的数据划分到各个分类中,形成K个聚类,K≥1;
4)、将每个聚类中的数据按照各个数据的原始的排列序号{indexi,i=1,2,…,N}进行排列,然后将每个聚类中的数据由如下时间序列形式进行表示:其中,α=1,2,…,K,t=1,2,…,M,m为嵌入维数,τ为延迟时间,M=N-(m-1)τ;将每个聚类的时间序列的输出表示为:
5)、根据极端学***均值最终得到预测值。
2.根据权利要求1所述的基于时间序列的油井油液含水率多模型预测方法,其特征在于:步骤2)具体如下:
2.1、首先根据公式(1)对数据集{xi,i=1,2,…,N}进行分解:
其中,J=0,1,2;H和G分别为分解低通滤波器和分解高通滤波器;
2.2、然后根据公式(2)进行重构:
其中,H*和G*分别为H和G的对偶算子;
那么,油井油液含水率数据集{xi}中的数据xi经过三层小波分解后表示为:其中:i=1,2,…,N,由构成的数据集表示为{xi}Wave。
3.根据权利要求1所述的基于时间序列的油井油液含水率多模型预测方法,其特征在于:步骤3)利用近邻传播聚类算法将{xi}Wave进行分类的具体过程为:
3.1、由经过三层小波分解后的数据集{xi}Wave计算相似度矩阵S,{xi}Wave中的两个数据和(j≠h)的相似度sjh由公式(3)进行计算:
其中,和分别表示数据和的第l维;
那么,相似度矩阵S表示为:
其中,p为偏向参数,p的初始值取所有初始相似度值的均值;
3.2、设定吸引度矩阵R={rjh}和归属度矩阵A={ajh},分别表示为:
其中,{rjh}和{ajh}的初始值为0;
3.3、设定最大迭代次数MaxLoop,吸引度矩阵R和归属度矩阵A按照如下公式进行迭代:
rjh=sjh-max{ajh+sjh}(7)
rkk=pkk-max{akh+skh}(9)
其中,k=1,2,…,N,k为数据集{xi}Wave中数据的下标,表示候选聚类中心,j≠h≠k;
3.4、当满足最大迭代次数MaxLoop后,迭代过程终止,判断两矩阵R和A的对角线元素之和,如果满足rkk+akk>0,那么选择为聚类中心;
3.5、确定K个聚类的聚类中心后,根据公式(3)分别计算数据集{xi}Wave中除外的每个数据与K个聚类中心的距离,将数据集{xi}Wave中除外的每个数据归入与它距离最小的聚类中心所属的类中,完成数据集{xi}Wave中数据的分类。
4.根据权利要求1所述的基于时间序列的油井油液含水率多模型预测方法,其特征在于:步骤5)中利用极端学习机算法建立时间序列模型的原理如下:
设有W个训练样本其中uq为输入向量,vq为输出向量,设定包含L个隐含层,激活函数为f(·)以及模型的训练输出表示为Q=[c1,c2,…,cq]T,那么ELM模型由如下方程组进行描述:
其中,βlq为第l个隐含层神经元与第q个输出神经元之间的连接权值;ωl为隐含层神经元与输入神经元之间的连接权值;bl为第l个隐含层神经元的偏置;
如果训练模型能以零误差逼近W个训练样本,即有那么对于式(11)有下式成立,
那么ELM模型的数学描述可以改写成如下矩阵形式:
Hβ=V(13)
式(13)中,有:
H为隐含层输出矩阵,ω和b在初始化时随机给定,那么,ELM模型的训练可以转化成一个求解非线性方程最小值的问题,即:
输出权值矩阵β*可以由下式求出,
β*=H+V(16)
其中,H+为隐含层输出矩阵H的Moore-Penrose广义逆;
那么,ELM的训练过程可以归纳为如下最优化问题:
其中,g(·)表示由ω和b所决定的函数,g(ω,b)表示当ω和b分别取不同值时的函数输出值,ELM训练的目的就是找到最优的β*,使模型的训练输出值cq和真实值vq之间的误差最小;
对于激活函数f(·)的选择,采用高斯函数和Sigmoid函数的集成方式,f(·)的定义如下:
其中,u表示输入向量,λ∈[0,1]为权值,σ2为高斯函数的宽度参数;
基于此,建立时间序列模型的计算步骤如下:初始化,随机生成隐含层输入权值ω,隐含层神经元的偏置b,高斯函数的宽度参数σ2和权值λ;根据公式(14)计算隐含层输出矩阵H;根据公式(16)计算输出权值矩阵β*;根据公式(17)计算函数输出值。
5.根据权利要求4所述的基于时间序列的油井油液含水率多模型预测方法,其特征在于:建立时间序列模型的过程中,采用改进的萤火虫算法对m、τ、ω、b、σ2和λ的取值进行优化选取,将m、τ、ω、b、σ2和λ看作一组解向量,即每个“萤火虫”为1×6维向量,其中6维变量分别为m、τ、ω、b、σ2和λ,计算步骤如下:
第一步,产生初始“萤火虫”群体,表示为:{F1,F2,…,FNpop},其中:Npop表示初始“萤火虫”群体中“萤火虫”的数量;
第二步,计算每个“萤火虫”的亮度,表示为:{I1,I2,…,INpop};
第三步,每个“萤火虫”向比它亮度更大的“萤火虫”移动,根据公式(22)-公式(24)进行位置更新,
Φ1(Itenum+1)=Φ(Itenum)+η(ε)·(Ψbest(Itenum)-Φ(Itenum))+ξ·(rand-0.5)(22)
Φ2(Itenum+1)=Φ(Itenum)+η(ε)·(Ψsecbest(Itenum)-Φ(Itenum))+ξ·(rand-0.5)(23)
其中,ξ表示步长,ξ∈[0,1];rand为[0,1]上服从均匀分布的一个随机数;Ψbest为亮度最大的“萤火虫”,Ψsecbest为亮度大小次于Ψbest的“萤火虫”;Itenum表示IFA算法运行过程中迭代的次数;Φ(Itenum)表示“萤火虫”在第Itenum次迭代时的位置,Φ(Itenum+1)表示“萤火虫”在第Itenum+1次迭代时的位置,Φ1(Itenum+1)表示“萤火虫”受到亮度最大的“萤火虫”的吸引在第Itenum+1次迭代时的位置,Φ2(Itenum+1)表示“萤火虫”受到亮度大小次于Ψbest的“萤火虫”的吸引在第Itenum+1次迭代时的位置;
第四步,定义适应度函数fitness(m,τ,ω,b,σ2,λ)评价m、τ、ω、b、σ2和λ的取值,当m、τ、ω、b、σ2和λ取最佳值时,fitness(m,τ,ω,b,σ2,λ)函数值最小,定义变量Local_pop记录每一次迭代中m、τ、ω、b、σ2和λ的最佳值,定义变量Global_pop记录所有次迭代中m、τ、ω、b、σ2和λ的最佳值,执行完第三步后,分别更新Local_pop和Global_pop中的值;
第五步,如果达到最大迭代次数,停止迭代,分别输出Local_pop中和Global_pop中的m、τ、ω、b、σ2、λ的值;否则返回步骤第三步重新迭代。
6.根据权利要求5所述的基于时间序列的油井油液含水率多模型预测方法,其特征在于:对于K个聚类中的每一个聚类,采用极端学习机算法建立时间序列模型的计算步骤如下:
步骤5.1初始化,设定m、τ、ω、b、σ2和λ的取值范围;
步骤5.2将每一个聚类中的数据归一化到[0,1]区间内,确定待建立模型的输入和输出分别为和
步骤5.3产生初始“萤火虫”群体,在m、τ、ω、b、σ2和λ的取值范围内随机给定m、τ、ω、b、σ2和λ的取值;
步骤5.4根据公式(14)计算隐含层输出矩阵H,根据公式(16)计算输出权值矩阵β*,根据公式(17)计算函数输出值;
步骤5.5计算适应度函数fitness(m,τ,ω,b,σ2,λ)的值,记录Local_pop和Global_pop中的m、τ、ω、b、σ2和λ的初始值;
步骤5.6计算每个“萤火虫”的亮度,根据公式(22)-公式(24)进行位置更新;
步骤5.7重复步骤5.4,计算适应度函数fitness(m,τ,ω,b,σ2,λ)的值,更新Local_pop和Global_pop中的m、τ、ω、b、σ2、λ的值;
步骤5.8如果达到最大迭代次数,停止迭代,分别输出Local_pop中和Global_pop中的m、τ、ω、b、σ2、λ的值;否则返回步骤5.6-步骤5.7重新迭代;
步骤5.9将每一个聚类得到的最好的m、τ、ω、b、σ2和λ的值作为极端学习机算法建立时间序列模型的参数,由输入的值计算输出的值,并进行反归一化处理。
7.根据权利要求1所述的基于时间序列的油井油液含水率多模型预测方法,其特征在于:采用单步预测,即每次预测出一个再预测下一个输出时,将加入到下一个输入的最后;每次预测出一个Λt,再预测下一个输出Λt+1时,将Λt加入到下一个输入Γt+1的最后。
8.根据权利要求1所述的基于时间序列的油井油液含水率多模型预测方法,其特征在于:所述油井油液含水率数据集中数据的数量N为300-800个。
9.根据权利要求6所述的基于时间序列的油井油液含水率多模型预测方法,其特征在于:m、τ、ω、b、σ2和λ的取值范围分别为:m∈[1,50],τ∈[1,10],ω∈[0,1],b∈[0,10],σ2∈[0.01,1000],λ∈[0,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610094429.0A CN105631554B (zh) | 2016-02-22 | 2016-02-22 | 一种基于时间序列的油井油液含水率多模型预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610094429.0A CN105631554B (zh) | 2016-02-22 | 2016-02-22 | 一种基于时间序列的油井油液含水率多模型预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105631554A true CN105631554A (zh) | 2016-06-01 |
CN105631554B CN105631554B (zh) | 2019-11-26 |
Family
ID=56046461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610094429.0A Expired - Fee Related CN105631554B (zh) | 2016-02-22 | 2016-02-22 | 一种基于时间序列的油井油液含水率多模型预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105631554B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909202A (zh) * | 2017-11-03 | 2018-04-13 | 渤海大学 | 一种基于时间序列的油井产液量集成预测方法 |
CN107944607A (zh) * | 2017-11-03 | 2018-04-20 | 渤海大学 | 一种基于时间序列的抽油井停井时间集成预测方法 |
CN108427657A (zh) * | 2018-02-28 | 2018-08-21 | 东北大学 | 一种地下水封油库水幕***有效性分析与调控方法 |
CN109630092A (zh) * | 2018-11-14 | 2019-04-16 | 渤海大学 | 一种基于数据的抽油井泵效多模型软测量方法 |
CN110630244A (zh) * | 2019-07-09 | 2019-12-31 | 东营智图数据科技有限公司 | 一种基于多传感器测量及长短时记忆网络的高产气油井含水率预测***及方法 |
CN110796155A (zh) * | 2019-07-12 | 2020-02-14 | 大港油田集团有限责任公司 | 一种基于聚类算法的原油含水数据分析方法 |
CN110821470A (zh) * | 2019-08-09 | 2020-02-21 | 大港油田集团有限责任公司 | 一种基于时间序列信号的油井工况特征分析方法 |
CN114165228A (zh) * | 2021-10-08 | 2022-03-11 | 西南石油大学 | 一种双频微波集流伞产出剖面测井图版约束最优化解释方法 |
US11703837B2 (en) | 2019-11-29 | 2023-07-18 | Boe Technology Group Co., Ltd. | System and method for recommending maximum quantity of work in process, and computer readable medium |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414366A (zh) * | 2008-10-22 | 2009-04-22 | 西安交通大学 | 基于改进极端学习机方法的电力***短期负荷预测方法 |
CN104239964A (zh) * | 2014-08-18 | 2014-12-24 | 华北电力大学 | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN105257277A (zh) * | 2015-05-15 | 2016-01-20 | 渤海大学 | 基于多变量灰色模型的有杆泵抽油井井下故障预测方法 |
-
2016
- 2016-02-22 CN CN201610094429.0A patent/CN105631554B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414366A (zh) * | 2008-10-22 | 2009-04-22 | 西安交通大学 | 基于改进极端学习机方法的电力***短期负荷预测方法 |
CN104239964A (zh) * | 2014-08-18 | 2014-12-24 | 华北电力大学 | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN105257277A (zh) * | 2015-05-15 | 2016-01-20 | 渤海大学 | 基于多变量灰色模型的有杆泵抽油井井下故障预测方法 |
Non-Patent Citations (2)
Title |
---|
SIAMAK MEHRKANOON ET AL.: "Multiclass Semisupervised Learning Based Upon Kernel Spectral Clustering", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
王辉 等: "基于谱聚类和优化极端学习机的超短期风速预测", 《电网技术》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944607A (zh) * | 2017-11-03 | 2018-04-20 | 渤海大学 | 一种基于时间序列的抽油井停井时间集成预测方法 |
CN107909202A (zh) * | 2017-11-03 | 2018-04-13 | 渤海大学 | 一种基于时间序列的油井产液量集成预测方法 |
CN107944607B (zh) * | 2017-11-03 | 2022-01-18 | 渤海大学 | 一种基于时间序列的抽油井停井时间集成预测方法 |
CN107909202B (zh) * | 2017-11-03 | 2021-12-21 | 渤海大学 | 一种基于时间序列的油井产液量集成预测方法 |
CN108427657B (zh) * | 2018-02-28 | 2021-05-25 | 东北大学 | 一种地下水封油库水幕***有效性分析与调控方法 |
CN108427657A (zh) * | 2018-02-28 | 2018-08-21 | 东北大学 | 一种地下水封油库水幕***有效性分析与调控方法 |
CN109630092A (zh) * | 2018-11-14 | 2019-04-16 | 渤海大学 | 一种基于数据的抽油井泵效多模型软测量方法 |
CN110630244A (zh) * | 2019-07-09 | 2019-12-31 | 东营智图数据科技有限公司 | 一种基于多传感器测量及长短时记忆网络的高产气油井含水率预测***及方法 |
CN110630244B (zh) * | 2019-07-09 | 2022-12-02 | 东营智图数据科技有限公司 | 一种基于多传感器测量及长短时记忆网络的高产气油井含水率预测***及方法 |
CN110796155A (zh) * | 2019-07-12 | 2020-02-14 | 大港油田集团有限责任公司 | 一种基于聚类算法的原油含水数据分析方法 |
CN110821470A (zh) * | 2019-08-09 | 2020-02-21 | 大港油田集团有限责任公司 | 一种基于时间序列信号的油井工况特征分析方法 |
US11703837B2 (en) | 2019-11-29 | 2023-07-18 | Boe Technology Group Co., Ltd. | System and method for recommending maximum quantity of work in process, and computer readable medium |
CN114165228A (zh) * | 2021-10-08 | 2022-03-11 | 西南石油大学 | 一种双频微波集流伞产出剖面测井图版约束最优化解释方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105631554B (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105631554A (zh) | 一种基于时间序列的油井油液含水率多模型预测方法 | |
Mohanty et al. | Comparative evaluation of numerical model and artificial neural network for simulating groundwater flow in Kathajodi–Surua Inter-basin of Odisha, India | |
Afshar et al. | Particle swarm optimization for automatic calibration of large scale water quality model (CE-QUAL-W2): Application to Karkheh Reservoir, Iran | |
CN104794361A (zh) | 一种水驱油藏开发效果综合评价方法 | |
CN108091135A (zh) | 基于优化小波神经网络的停车泊位多步预测方法 | |
CN103198354B (zh) | 一种利用bp神经网络与非支配排序遗传算法nsga2实现油田抽油机采油节能增产优化方法 | |
CN105117593A (zh) | 基于小波变换和粒子群改进灰色模型的短期风速预测方法 | |
CN106203683A (zh) | 一种电力客户用电负荷预测***的建模方法 | |
CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
CN113378939B (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
CN106677763A (zh) | 一种基于动态集成建模的油井动液面预测方法 | |
CN109102016B (zh) | 一种用于桥梁技术状况的测试方法 | |
CN108022014A (zh) | 一种电力***负荷预测方法及*** | |
CN103605909A (zh) | 一种基于灰色理论及支持向量机的水质预测方法 | |
CN109583588A (zh) | 一种短期风速预测方法及*** | |
CN108843312A (zh) | 油田储层层内非均质性综合评价方法 | |
CN103698627A (zh) | 基于灰模糊萤火虫算法优化的变压器故障诊断方法 | |
CN104865827A (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
Raji et al. | A new approach in well placement optimization using metaheuristic algorithms | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN115564136A (zh) | 一种地热历史拟合和产能预测方法 | |
Lv et al. | A novel stacking-based ensemble learning model for drilling efficiency prediction in earth-rock excavation | |
CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测*** | |
Tayfur | GA-optimized model predicts dispersion coefficient in natural channels | |
CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191126 Termination date: 20210222 |