一种基于人工智能的石油产量预测方法和装置制造方法及图纸

本发明专利技术公开了一种基于人工智能的石油产量预测方法。该方法包括：将多个历史时间点的石油产量相关信息输入至经训练的时间序列预测模型，依次输出下一个时间点的石油产量相关信息，进而获得时间序列预测值；对于所述时间序列预测值，判断异常事件和对应的时间点，并以降低异常波动带来的损失为目标，通过滑动平均模型计算所述异常事件时间点后续的石油产量相关信息的预测值；以计算出的石油产量相关信息的预测值替换所述时间序列模型输出的对应时间点的预测值，获得石油产量预测结果。本发明专利技术通过训练时间序列预测模型来预测整体的石油产量趋势，当遇到异常点时使用滑动平均来预测未来一段时间的产量值，提高了预测准确性。

【技术实现步骤摘要】
一种基于人工智能的石油产量预测方法和装置
本专利技术涉及石油产量预测
，更具体地，涉及一种基于人工智能的石油产量预测方法和装置。
技术介绍
石油在日常的工业生产活动当中是非常重要的原料，石油产量的多少对指导企业生产及企业计划的经营活动都有重要的意义，同时对于石油产量的精准预测可以使石油企业制定合理的生产任务、避免了盲目决策。石油开采时的产量变化是一个动态过程，石油生产部门需要预测油井未来一段时间测产量，以便有针对性调整油井生产方案，从而实现油井的稳定生产。目前对于产量这一类的单因子时间序列变量问题的预测主要方法有回归法、灰色系统预测、模糊系统预测等等，对于时间序列预测，如果满足线性关系，可以用传统的建模及预测方法，例如自回归(CAR)，滑动均值(MA)和混合自回归滑动均值(ARIMA)，即假设一组时间序列的未来值线性相关于其历史值，如果不满足线性关系则可以使用BP神经网络来进行预测。但是这些预测精度相对不够精确。近年来，也存在其他的预测方法能够在一定程度上反映数据的内在结构，在解决非线性、非正态的时间序列的问题上起着一定的作用，但是在实现代码时存在困难。此外，现有的单井产量预测都没有考虑异常事件对于产量预测的影响，尤其是在油井发生异常事件之后的一段时间内预测差距较大。在对单井预测产量的时候如果时间序列的产量比较平稳则相对较好预测产量，但是当遇见异常事件的时候则会出现预测值和实际值相差较大的情况。目前在实际油田产量预测阶段通常都是对整个油田进行预测，或者对于单井产量进行预测，例如采用基于SSA和RBF、BP神经网络、ARIMA、ARIMA-Kalman滤波器等算法对单井产量进行预测。由于单井原油产量时间序列的非周期性和非线性,需要利用黑箱模型对其进行建模与预测，结合奇异谱分析和径向基函数神经网络对单井原油产量时间序列进行多步预测,奇异谱分析方法可以有效地减少多步预测过程中的误差传递,从而提高多步预测的可靠性。BP神经网络并不能较好的预测在细节上产量,仅能预测其整体的趋势。ARIMA(自回归移动平均模型)模型十分简单，只需要内生变量而不需要借助其他外生变量(所谓内生变量指的应该是仅依赖于该数据本身，而不像回归需要其他变量)。在现有技术中，采用时间序列来预测未来一段时间产量存在以下问题：1)、当前各种模型都存在一定的预测精度不高的问题，例如BP神经网络可以预测整个产量的趋势，但是对于更多的是区域一个平均值得预测；ARIMA采用ARIMA模型预测时序数据，必须是稳定的，如果不稳定的数据，是无法捕捉到规律的，本质上只能捕捉线性关系，而不能捕捉非线性关系，当数据波动较大的时候准确率较低。2)、当前的各种模型均考虑理想状况下的预测，并没有考虑在异常事件之后的预测，尤其是在异常状况之后，实际值会和原来预测值的趋势不一致，导致预测值大幅偏向大幅偏离真实值。3)、对于异常事件的后一段时间的计算过于模糊，并未根据实际异常情况来预测，而是将整体输入模型而并不考虑异常事件对整个预测的影响。
技术实现思路
本专利技术的目的是克服上述现有技术的缺陷，提供一种基于人工智能的石油产量预测方法和装置，通过考虑异常事件对预测的影响，来提高预测石油产量相关信息的准确性。本专利技术提供一种基于人工智能的石油产量预测方法。该方法包括以下步骤：将多个历史时间点的石油产量相关信息输入至经训练的时间序列预测模型，依次输出下一个时间点的石油产量相关信息，进而获得时间序列预测值；对于所述时间序列预测值，判断异常事件和对应的时间点，并以降低异常波动带来的损失为目标，通过滑动平均模型计算所述异常事件时间点后续的石油产量相关信息的预测值；以计算出的石油产量相关信息的预测值替换所述时间序列模型输出的对应时间点的预测值，获得石油产量预测结果。在一个实施例中，判断异常事件和对应的时间点包括：获取多相流量计测得的文丘里数据；利用所述文丘里数据获取异常时间点的石油产量相关数据变化的比例；如果当前t时刻产量和t-1时刻产量变化幅度超过设定阈值，并且所述文丘里数据发生变化的情况下，判定为发生异常事件并确定对应的时间点。在一个实施例中，根据以下步骤计算所述异常事件时间点后续的石油产量相关信息的预测值：令K＝XL+1/XL，XL+1为异常事件时间点之后的石油产量相关信息，XL为异常事件时间点之前的石油产量相关信息；使用滑动平均模型计算XL+1之后的石油产量相关信息的预测值，表示为在一个实施例中，所述时间序列预测模型是长短时记忆网络，训练过程包括：按照前向计算方法计算长短时记忆网络的细胞的输出值；反向计算每个长短时记忆网络的细胞的误差项；根据相应的误差项，计算每个权重的梯度；应用基于梯度的优化算法更新权重。在一个实施例中，所述时间序列预测模型是长短时记忆网络，预测过程包括：将多相流量计测得的气相产量、液相产量、含水率和单井油产量数据输入第一个LSTM神经网络单元，输出为当前细胞状态C和隐藏状态H，并获得预测值将预测值和之前多个时间点的相应值输入到LSTM的细胞并结合上一次的细胞状态C和隐藏状态H,获得预测值进而得到所述时间序列预测值。在一个实施例中，训练所述时间序列预测模型过程中，样本数据包括：流体运行压力、文丘里前差压、文丘里后差压、温度、含水率、质量瞬时流量、体积瞬时流量、质量瞬时流量，以及每一分钟的累计气相产量、液相产量、含水率以及单井产量。在一个实施例中，所述石油产量相关信息包括气相产量、液相产量、含水率和石油产量中的一项或多项。与现有技术相比，本专利技术的优点在于，根据多相流量计测量的产量数据，并应用文丘里原始差压测量数据的特点判断异常事件，并且结合时间序列的产量训练时间序列预测模型来预测整体的石油产量趋势，当遇到异常点时使用滑动平均来预测未来一段时间的产量值，以期获得更高的准确值。通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。附图说明被结合在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且连同其说明一起用于解释本专利技术的原理。图1是根据本专利技术一个实施例的基于人工智能的石油产量预测方法的流程图；图2是根据本专利技术一个实施例的长短时记忆网络的训练和预测过程的示意图；图3是根据本专利技术一个实施例的基于人工智能的石油产量预测方法的整体过程示意；图4是现有技术中使用单独的长短时记忆网络预测的石油产量结果；图5是根据本专利技术一个实施例的结合长短时记忆网络和滑动平均进行预测的结果示意。具体实施方式现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、本文档来自技高网...

【技术保护点】
1.一种基于人工智能的石油产量预测方法，包括以下步骤：/n将多个历史时间点的石油产量相关信息输入至经训练的时间序列预测模型，依次输出下一个时间点的石油产量相关信息，进而获得时间序列预测值；/n对于所述时间序列预测值，判断异常事件和对应的时间点，并以降低异常波动带来的损失为目标，通过滑动平均模型计算所述异常事件时间点后续的石油产量相关信息的预测值；/n以计算出的石油产量相关信息的预测值替换所述时间序列模型输出的对应时间点的预测值，获得石油产量预测结果。/n

【技术特征摘要】
1.一种基于人工智能的石油产量预测方法，包括以下步骤：
将多个历史时间点的石油产量相关信息输入至经训练的时间序列预测模型，依次输出下一个时间点的石油产量相关信息，进而获得时间序列预测值；
对于所述时间序列预测值，判断异常事件和对应的时间点，并以降低异常波动带来的损失为目标，通过滑动平均模型计算所述异常事件时间点后续的石油产量相关信息的预测值；
以计算出的石油产量相关信息的预测值替换所述时间序列模型输出的对应时间点的预测值，获得石油产量预测结果。


2.根据权利要求1所述的方法，其中，判断异常事件和对应的时间点包括：
获取多相流量计测得的文丘里数据；
利用所述文丘里数据获取异常时间点的石油产量相关数据变化的比例；
如果当前t时刻产量和t-1时刻产量变化幅度超过设定阈值，并且所述文丘里数据发生变化的情况下，判定为发生异常事件并确定对应的时间点。


3.根据权利要求1所述的方法，其中，根据以下步骤计算所述异常事件时间点后续的石油产量相关信息的预测值：
令K＝XL+1/XL，XL+1为异常事件时间点之后的石油产量相关信息，XL为异常事件时间点之前的石油产量相关信息；
使用滑动平均模型计算XL+1之后的石油产量相关信息的预测值，表示为


4.根据权利要求1所述的方法，其中，所述时间序列预测模型是长短时记忆网络，训练过程包括：按照前向计算方法计算长短时记忆...

【专利技术属性】
技术研发人员：青鹏，张海峰，李轶，许卓群，杨鸣，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：广东;44