一种基于时间序列方法的油井日产量预测方法技术

本发明专利技术涉及石油生产领域，尤其涉及一种基于时间序列方法的油井日产量预测方法，包括采集影响油井产量的历史数据，并对数据进行预处理；利用SMA、EMA、ARIMA和LSTM模型对历史油气日产量数据进行训练；对SMA、EMA、ARIMA和LSTM模型进行自相关性检验和白噪声检验，判断模型质量；构建弹性网络回归模型，将SMA、EMA、ARIMA和LSTM模型的预测结果作为输入特征，以输入特征矩阵和目标变量进行寻优，得到最优回归系数。本发明专利技术解决神经网络忽略产量随时间的变化趋势和数据间的前后关联性问题。趋势和数据间的前后关联性问题。趋势和数据间的前后关联性问题。

【技术实现步骤摘要】
一种基于时间序列方法的油井日产量预测方法


[0001]本专利技术涉及石油生产领域，尤其涉及一种基于时间序列方法的油井日产量预测方法。

技术介绍

[0002]油井产量是油田开发的首要指标，预测产量变化是油田开发动态分析的关键环节。目前油井产量预测主要采用数值模拟方法和数理统计方法。其中数值模拟方法预测油井产量，但其准确性取决于对大量历史数据的拟合和地质建模的准确性，而这需要耗费大量的时间和精力，同时前期地质建模过程需要大量的地质资料、流体物性资料和动态开发资料。数理统计分析方法主要基于历史产量变化进行回归预测，这种方法对于选取预测阶段的数据量、时间长短非常敏感，且具有较强的经验性和多解性。为了克服以上缺陷，利用机器学习方法，可以建立一个油井产量预测模型，它可以利用现场容易获取的开发动态参数，实现快速准确的产量预测。
[0003]公开号CN110608032A的专利技术专利公开了一种基于轻烃录井的油井产量预测方法及计算机设备，该专利使用多元线性回归模型确定未知油井的产量；公开号CN105096007A的专利技术专利公开了一种改进的神经网络的油井产量预测方法及其装置，该专利主要使用改进的粒子群优化方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，来预测油井产量；公开号CN110400006B的专利技术专利公开了一种基于深度学习方法的油井产量预测方法，该专利使用深度学习方法对油井产量进行预测。上述方法在油井产量预测方面有较好的应用价值，但是多元线性回归、神经网络和深度学习方法更多地关注于数据的非线性关系，而忽略了产量随时间的变化趋势和数据间的前后关联性。
[0004]时间序列方法是一种用于预测未来的数据趋势的分析方法，它可以捕捉到数据中的周期性变化(如季节变化)，以及数据变化的趋势，从而更准确地预测未来的数据趋势；在石油生产领域，时间序列方法可以帮助油田企业进行生产计划和调度，提高生产效率和经济效益。

技术实现思路

[0005]针对现有方法的不足，本专利技术利用四种时间序列方法和弹性网络回归模型相结合的方法对石油产量进行预测，解决石油产量随时间的变化趋势和数据间的前后关联性问题，提升预测准确性。
[0006]本专利技术提供了一种基于时间序列方法的油井日产量预测方法，包括以下步骤：
[0007]步骤一、采集影响油井产量的历史数据，并对数据进行预处理；
[0008]进一步的，历史数据包括：开采石油体积、液体体积、开采气体体积、水体积、含水率、工作时间、动液面和储层压力。
[0009]进一步的，预处理包括缺失值填充和异常值检测。
[0010]进一步的，异常值检测采用箱线图将数据分为五个部分，分别是下限、下四分位
数、中位数、上四分位数和上限，当某个数据点落在箱线图的外侧(下限和上限之外的部分)判断为异常值。
[0011]进一步的，缺失值填充是对检测的异常值使用K
‑
均值聚类方法进行分类并对每类样本各特征求取均值，若样本某个特征有缺失值，判断类别，用该类特征均值进行替换。
[0012]步骤二、利用SMA、EMA、ARIMA和LSTM模型对历史油气日产量数据进行训练；
[0013]步骤三、对SMA、EMA、ARIMA和LSTM模型进行自相关性检验和白噪声检验，判断模型质量；
[0014]进一步的，利用ACF和PACF进行自相关检验。
[0015]进一步的，利用杨
‑
博克斯检测数据是否白噪声。
[0016]进一步的，杨
‑
博克斯检验数据公式如下：
[0017][0018]其中，n为样本大小，理论分布CDF(i)为样本中第i个观测值的理论累计分布函数值。
[0019]步骤四、构建弹性网络回归模型，将SMA、EMA、ARIMA和LSTM模型的预测结果作为输入特征，构建输入特征矩阵x
i
，以油气的日产量实际值为目标变量y
i
进行寻优；
[0020]进一步的，弹性网络回归模型的公式为：
[0021][0022]其中，y
i
表示目标变量，x
i
是输入特征矩阵，w是回归系数，λ是正则化强度超参数，ρ是L1正则化项的权重系数，1
‑
ρ是L2正则化项的权重系数。
[0023]步骤五、采用10次10折交叉验证的方法来进行模型的评估。
[0024]本专利技术的有益效果：
[0025]1、利用时间序列模型可以更好地反映出数据的趋势、季节性和周期性，从而提高预测精度；
[0026]2、利用预处理减少噪声和异常值的影响，提高模型的稳定性和准确性；
[0027]3、自相关性检验以及白噪声检验可以确保模型的准确性和可靠性，帮助排除非随机性的影响；
[0028]4、使用弹性网络回归方法，提高了时间序列模型预测石油气日产量的精度；
[0029]5、对未来石油和天然气日产量进行预测，帮助油田企业进行生产计划和调度，提高生产效率和经济效益。
附图说明
[0030]图1是是本专利技术的基于时间序列方法的油井日产量预测方法流程图；
[0031]图2是本专利技术的动液面异常值检测图；
[0032]图3是本专利技术的石油日产量时间序列图；
[0033]图4是本专利技术的天然气日产量时间序列图；
[0034]图5是本专利技术的ARIMA模型的自相关性检验图；
[0035]图6是本专利技术的石油实际日产量和预测日产量对比图；
[0036]图7是本专利技术的天然气实际日产量和预测日产量对比图；
[0037]图8是本专利技术的石油未来日产量预测图；
具体实施方式
[0038]下面结合附图和实施例对本专利技术作进一步说明，此图为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0039]如图1所示，一种基于时间序列方法的油井日产量预测方法，包括如下步骤：
[0040]步骤一、收集油井历史日产量数据，并对数据进行预处理，数据集特征包括时间序列，影响油井产量的因素以及对应的油井石油和天然气的日产量。
[0041]以某油田某区块某井数据为例，井施工完成后，将泵和测井工具下入井中测量油井的石油、天然气和压力等数据，通过自动数据记录系统记录相关数据，并将数据存储在数据库中。从数据库中获取原始数据，其时间宽度为2013年1月1日到2021年1月1日，记录每天的日期(年/月/日)、开采石油体积(m3/day)、液体体积(m3/day)、开采气体体积(m3/day)、水体积(m3/day)、含水率(％)、工作时间(小时)、动液面(m)和储层压力(atm)。含水率是通过每天油井表面取样，计算含水的比率。动液面为动液面是抽油井在正常生产时，油管和套管环形空间有一个液面，这个液面就叫动液面，通常动液面可以用从井口算起的深度表示其位置。当油井运行时，储层压力开始下降，石油产量相应下降。石油和天然气越来越少，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列方法的油井日产量预测方法，其特征在于，包括以下步骤：步骤一、采集影响油井产量的历史数据，并对数据进行预处理；步骤二、利用SMA、EMA、ARIMA和LSTM模型对历史油气日产量数据进行训练；步骤三、对SMA、EMA、ARIMA和LSTM模型进行自相关性检验和白噪声检验，判断模型质量；步骤四、构建弹性网络回归模型，将SMA、EMA、ARIMA和LSTM模型的预测结果作为输入特征，以输入特征矩阵和目标变量对弹性网络回归模型进行寻优，得到回归系数；步骤五、采用10次10折交叉验证的方法来进行模型的评估。2.根据权利要求1所述的基于时间序列方法的油井日产量预测方法，其特征在于，历史数据包括：开采石油体积、液体体积、开采气体体积、水体积、含水率、工作时间、动液面和储层压力。3.根据权利要求1所述的基于时间序列方法的油井日产量预测方法，其特征在于，预处理包括缺失值填充和异常值检测。4.根据权利要求3所述的基于时间序列方法的油井日产量预测方法，其特征在于，异常值检测采用箱线图将数据分为五个部分，分别是下限、下四分位数、中位数、上四分位数和上限，当某个数据点落在箱线图的外侧判断为异常值。5.根据权利要...

【专利技术属性】
技术研发人员：曹文科，李腾，李继虎，于倩，樊慧丽，
申请(专利权)人：常州大学，
类型：发明
国别省市：