基于一种改进的神经网络的油井产量预测方法及其装置制造方法及图纸

本发明专利技术公开了基于一种改进的神经网络的油井产量预测方法及其装置，其涉及石油生产领域，它通过改进的粒子群优化算法对神经网络中的隐层连接权值、输出层连接权值进行优化，再利用神经网络和历史的油井基本参数建立油气产量的预测模型，最终通过输入样本值得到该样本值下的油井产量预测值。针对普通粒子群优化算法优化后的连接权值对提高BP神经网络学习能力的程度有限的问题，本基于一种改进的神经网络的油井产量预测方法主要利用改进的粒子群优化算法对神经网络中的隐层连接权值、输出层连接权值进行了优化，其有效提高了神经网络预测的准确性。

【技术实现步骤摘要】

本专利技术涉及石油生产领域，特别涉及一种基于一种改进的神经网络的油井产量预测方法及其装置。
技术介绍
在石油生产领域，油井的产量跟井口的压力、温度以及历史产量有着密切的关系，但该种关系非简单线性关系，采用普通的建模方法难以实现压力、温度与产量的映射关系，为了能对这些参数加以分析综合利用，根据其历史温度、压力等信息进行自学习进而实现产量的预测，于是提出了一种基于BP神经网络的油井产量预测方法。BP(BackPropagation)神经网络是人工神经网络中的一种监督式的学习算法，由众多的神经元可调的连接权值连接而成，具有很好的泛化特性，可以自动学习归纳实际输入输出值的特征，建立输入输出的非线性映射关系，并且神经网络算法连接权值的设定决定了该算法学习结果的好坏。目前，神经网络算法连接权值的优化计算设定基于粒子群优化算法(ParticleSwarmOptimization)，缩写为PSO，粒子群优化算法是一种进化算法(EvolutionaryAlgorithm-EA)。PSO算法从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，本身具有收敛速度快的特点，但是通过普通粒子群优化算法优化后的连接权值对提高BP神经网络学习能力的程度有限，导致BP神经网络对油井产量预测的准确性差，无法满足要求。
技术实现思路
为了克服现有技术的上述缺陷，本专利技术实施例提供了一种基于一种改进的神经网络的油井产量预测方法及其装置，其能够提高BP神经网络对油气产量预测的准确性。本专利技术实施例的具体技术方案是：一种基于一种改进的神经网络的油井产量预测方法，它包括以下步骤：基于影响产量的油井参数初始化PSO算法中的粒子个数、种群数量、最大迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯性权值的最小值、粒子的初始速度；基于粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置得到更新的速度；基于惯性权值的最大值、惯性权值的最小值、最大迭代次数和实际测试样本值更新惯性权值的最大值和/或惯性权值的最小值；基于粒子的初始速度值得到粒子的理想速度；基于种群数量、粒子个数、更新的速度、粒子的理想速度得到新的惯性权值；根据设置的最大迭代次数进行迭代，基于迭代后的粒子群中全体最优粒子的位置得到隐层连接权值、输出层连接权值；基于设置训练后的隐层连接权值、输出层连接权值的神经网络、历史的影响产量的油井参数和样本值得到预测产量。一种基于一种改进的神经网络的油井产量预测装置，它包括：优化模块，其用于根据影响产量的油井参数初始化预定算法中粒子个数、种群数量、最大迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯性权值的最小值、粒子的初始速度，通过预定算法得到神经网络的隐层连接权值和输出层连接权值，训练模块，其用于将历史的影响产量的油井参数代入设置好隐层连接权值和输出层连接权值的神经网络进行学习；预测模块，其用于根据样本值通过学习后的神经网络进行预测得到样本值下油井的产量。本专利技术实施例公开的基于一种改进的神经网络的油气产量预测方法以及装置，选择历史的油井基本参数作为输入参数，选择油气产量预测值作为输出参数，按照粒子群优化的步骤对输入的参数进行处理，以计算粒子的初始解和方差，进行迭代计算，最终优化得到BP神经网络的隐层连接权值、输出层连接权值。通过优化隐层连接权值、输出层连接权值后的BP神经网络的收敛速度和泛化能力得到了提高，从而提高了BP神经网络预测的准确性。附图说明在此描述的附图仅用于解释目的，而不意图以任何方式来限制本专利技术公开的范围。另外，图中的各部件的形状和比例尺寸等仅为示意性的，用于帮助对本专利技术的理解，并不是具体限定本专利技术各部件的形状和比例尺寸。本领域的技术人员在本专利技术的教导下，可以根据具体情况选择各种可能的形状和比例尺寸来实施本专利技术。图1为本专利技术实施例中基于一种改进的神经网络的油井产量预测方法的流程示意图。图2为本专利技术实施例中理想速度的曲线图。图3为本专利技术实施例中BP神经网络的示意图。图4为本专利技术实施例中基于一种改进的神经网络的油井产量预测方法得出的预测产量输出与实际输出的对比图。图5为本专利技术实施例中基于一种改进的神经网络的油井产量预测装置的结构示意图。具体实施方式结合附图和本专利技术具体实施方式的描述，能够更加清楚地了解本专利技术的细节。但是，在此描述的本专利技术的具体实施方式，仅用于解释本专利技术的目的，而不能以任何方式理解成是对本专利技术的限制。在本专利技术的教导下，技术人员可以构想基于本专利技术的任意可能的变形，这些都应被视为属于本专利技术的范围。本申请实施例提供了一种基于一种改进的神经网络的油井产量预测方法，该方法改进了普通PSO算法，通过理想速度曲线反馈的自适应PSO算法优化BP神经网络的连接权值，图1为本专利技术实施例中基于一种改进的神经网络的油井产量预测方法的流程示意图，如图1所示，本申请实施例包括以下步骤：S101：基于影响产量的油井参数初始化PSO算法中的粒子个数、种群数量、最大迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯性权值的最小值、粒子的初始速度。PSO算法中需要设置的参数包括根据油井状态得到的粒子个数、种群数量、最大迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯性权值的最小值、粒子的初始速度。最大迭代次数可以根据经验人为设定，迭代次数越多，其精度越高，一般而言到达一定迭代次数后，其后期迭代对精度的提高越来越小，所以需要选择合适迭代次数以优化资源。在本实施例中，设置最大迭代次数Tmax等于300，粒子个数为3，其表示油井基本参数中的温度、压力和产量三个量，设置惯性权值的最大值wmax为0.9，惯性权值的最小值为0.4。由于历史的影响产量的油井参数包括温度和压力，再加上产量这一参数，所以神经元个数indim设置为3。隐藏层神经元个数hiddennum设置为20。由于需要预测油井产量，输出层神经元个数outdim设置为1，初始化的维度为m，其中m＝(indim+1)·hiddennum+(hiddennum+1)·outdim。S102：基于粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置得到更新的速度。根据初始化的粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置计算得到更新的速度和更新的位置，更新的速度的具体计算公式如下：vi本文档来自技高网...

【技术保护点】
一种基于一种改进的神经网络的油井产量预测方法，其特征在于，它包括以下步骤：基于影响产量的油井参数初始化PSO算法中的粒子个数、种群数量、最大迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯性权值的最小值、粒子的初始速度；基于粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置得到更新的速度；基于惯性权值的最大值、惯性权值的最小值、最大迭代次数和实际测试样本值更新惯性权值的最大值和/或惯性权值的最小值；基于粒子的初始速度值得到粒子的理想速度；基于种群数量、粒子个数、更新的速度、粒子的理想速度得到新的惯性权值；根据设置的最大迭代次数进行迭代，基于迭代后的粒子群中全体最优粒子的位置得到隐层连接权值、输出层连接权值；基于设置训练后的隐层连接权值、输出层连接权值的神经网络、历史的影响产量的油井参数和样本值得到预测产量。

【技术特征摘要】
1.一种基于一种改进的神经网络的油井产量预测方法，其特征在于，它包括以下步骤：
基于影响产量的油井参数初始化PSO算法中的粒子个数、种群数量、最大迭代次数、粒
子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯性权值
的最小值、粒子的初始速度；
基于粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置得到更新的速度；
基于惯性权值的最大值、惯性权值的最小值、最大迭代次数和实际测试样本值更新惯性
权值的最大值和/或惯性权值的最小值；
基于粒子的初始速度值得到粒子的理想速度；
基于种群数量、粒子个数、更新的速度、粒子的理想速度得到新的惯性权值；
根据设置的最大迭代次数进行迭代，基于迭代后的粒子群中全体最优粒子的位置得到隐
层连接权值、输出层连接权值；
基于设置训练后的隐层连接权值、输出层连接权值的神经网络、历史的影响产量的油井
参数和样本值得到预测产量。
2.根据权利要求1所述的基于一种改进的神经网络的油井产量预测方法，其特征在于，
在步骤基于粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置得到更新的速度
中，更新的速度的具体计算公式如下：
vijk+1=Weightk·vijk+c1·rand1·(Pbestijk-xijk)+c2·rand2·(Gbestjk-xijk)]]>其中，c1和c2表示两个常量，rand1和rand2表示随机产生的[0,1]区间的数，表
示粒子群中全体最优粒子的位置，表示单个粒子历史出现的最优位置，表示更新
的速度，表示未更新的速度，表示未更新的位置，Weightk表示更新的惯性权值，k表示
迭代的次数；
更新的位置的具体计算公式如下：
xijk+1=xijk+vijk+1]]>其中，表示更新的速度，表示未更新的位置，表示更新的位置。
3.根据权利要求1所述的基于一种改进的神经网络的油井产量预测方法，其特征在于，
在基于惯性权值的最大值、惯性权值的最小值、最大迭代次数和实际测试样本值更新惯性权

\t值的最大值和/或惯性权值的最小值中，其包括以下步骤：
基于惯性权值的最大值、惯性权值的最小值和最大迭代次数得到更新的惯性权值；
基于更新的惯性权值与实际测试样本值更新惯性权值的最大值和/或惯性权值的最小值。
4.根据权利要求3所述的基于一种改进的神经网络的油井产量预测方法，其特征在于，
在步骤基于惯性权值的最大值、惯性权值的最小值和最大迭代次数得到更新的惯性权值中，
其具体计算公式如下：
Weightk＝...

【专利技术属性】
技术研发人员：龚仁彬，李群，马刚，王从镔，柴永财，姚刚，曹戈俊，李金诺，吴海莉，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：北京;11