【技术实现步骤摘要】
本专利技术涉及油气田产量预测，特别是一种基于深度学习的油气田能源产量智能预测方法及系统。
技术介绍
1、随着全球能源需求的不断增长，油气田能源产量的准确预测对于保障能源供应、优化生产计划和降低生产成本至关重要。然而，由于油气田生产过程的复杂性和不确定性，传统的预测方法往往难以应对各种挑战。近年来，深度学习技术取得了显著的进步，为油气田能源产量的智能预测提供了新的可能性。
2、传统的深度学习方法在处理油气田产量预测时面临一些挑战。首先，数据的不完整性和噪声干扰会影响模型的预测精度。其次，油气田生产过程中的非线性动态和不确定性使得模型预测的稳定性难以保证。此外，模型的自适应能力在应对生产环境变化时也是一个重要的问题。
3、针对这些问题，改进自适应深度学习优化方法在油气田能源产量智能预测中具有广阔的应用前景。通过优化神经网络结构、改进数据预处理方法、采用混合模型和集成学习等技术，可以提高模型的预测精度和稳定性。同时，利用动态特征提取、模型更新和强化学习等技术，可以提高模型的自适应能力，更好地应对生产环境的变化。
技术实现思路
1、鉴于现有的基于深度学习的油气田能源产量智能预测方法存在的问题，提出了本专利技术。因此，本专利技术所要解决的问题在于如何提供一种基于深度学习的油气田能源产量智能预测方法及系统。
2、为解决上述技术问题，本专利技术提供如下技术方案：
3、第一方面，本专利技术提供了一种基于深度学习的油气田能源产量智能预测方法，其包括，采
4、构建初始自回归差分移动平均模型，采用训练集对初始自回归差分移动平均模型进行训练；
5、采用自适应算法调整初始自回归差分移动平均模型网络权重，得到改进自回归差分移动平均模型并进行测试，得到测试集预测产量；
6、评估测试集预测产量，判断模型是否符合预测需求。
7、作为本专利技术所述基于深度学习的油气田能源产量智能预测方法的一种优选方案，其中：所述油气田数据包括历史产量数据、地质数据、经济指标数据、企业指标数据、政策指标数据、设备运行状况数据以及维护历史数据；
8、所述数据预处理的具体步骤包括，
9、对采集数据进行数据清洗；
10、所述数据清洗包括采用数据中位数填充数据缺失值和对于删除数据异常值；
11、对清洗后数据进行归一化处理；
12、所述归一化处理包括采用归一化公式对于每个数据点进行归一化处理，相关公式如下：
13、
14、其中，g(x)是归一化后的数据，x是清洗后的数据点，min(x)是数据集中的最大数据点，max(x)是数据集中的最小数据点。
15、作为本专利技术所述基于深度学习的油气田能源产量智能预测方法的一种优选方案，其中：所述提取关键特征的具体步骤包括，
16、对预处理后的油气田数据进行统计分析，提取产量主要统计量的特征；
17、设置特征重要性阈值，选择重要性最高的前n个特征作为候选特征集；
18、从候选特征集中筛选出与油气田产量存在已知影响关系的特征；
19、对筛选出的特征进行重要性分析，采用方差选择法自动移除方差贡献小的特征；
20、将候选特征集中的数据划分成训练集和测试集。
21、作为本专利技术所述基于深度学习的油气田能源产量智能预测方法的一种优选方案，其中：所述初始自回归差分移动平均模型如下：
22、yt＝c+φ1yt-1+φ2yt-2+...+φpyt-p+θ1εt-1+θ2εt-2+...+θqεt-q+εt
23、其中，yt是油气田在t时刻的能源产量数据，φ1、φ2、…、φp是当前值与过去p个时间点值的关系系数，θ1、…、θq是当前值与过去q个时间点的误差系数，εt是t时刻误差项，c是常数项；
24、所述改进自回归差分移动平均模型如下：
25、
26、其中，y(d)是在时刻d的预测产量，φi是过去n个时刻对当前预测的影响因子，y(d-i)是d-i时刻产量值，θi是过去n个时刻的预测误差因子，ε(d-i)是d-i时刻预测误差，λk是权重参数，fx是影响因素向量，fβ是油气田数据参数向量，m是油气田数据种类数量。
27、作为本专利技术所述基于深度学习的油气田能源产量智能预测方法的一种优选方案，其中：所述自适应算法的步骤包括，
28、将当前自回归差分移动平均模型的参数设置为初始值；
29、采用当前参数对训练集进行预测，并计算预测值与实际值之间的误差；
30、针对预测值与实际值之间的误差计算关于每个参数的梯度；
31、根据梯度和学习率调整参数值；
32、重复上述步骤，当误差低于误差阈值时，停止迭代；
33、算法计算公式如下：
34、
35、
36、其中，是更新后的预测影响因子，是当前的预测影响因子，是更新后的预测误差因子，是当前的预测误差因子，α是学习率，和是预测误差e对参数φi和θj的偏导数。
37、作为本专利技术所述基于深度学习的油气田能源产量智能预测方法的一种优选方案，其中：所述评估测试集预测产量的步骤包括，
38、判断测试集预测产量与实际产量之间的关系；
39、根据关系判断结果计算得到评估指数；
40、判断评估指数是否超过评估指数阈值；
41、若评估指数超过评估指数阈值，认定预测模型为误差模型，评估结果不可信，确定主要影响因素及权重，得到影响因素与实际产量的偏差并对模型进行调整；
42、若评估指数未超过评估指数阈值，认定预测模型在正常模型，评估结果可信。
43、作为本专利技术所述基于深度学习的油气田能源产量智能预测方法的一种优选方案，其中：所述评估指数包括高估评估指数和低估评估指数；
44、所述高估评估指数的计算公式如下：
45、
46、其中，x是高产量时间变量，t是预测总时间，a1是产量正相关影响因子，b1是产量历史阈值偏移量，c1是产量历史衰减指数，a2是设备产出相关系数，b2是设备产出指数基数，c2是设备产出时间影响因子，d1是设备产出时间指数，a3是经济波动关联度，b3是经济波动正弦传导因子，c3是经济波动余弦调制因子，d2是经济波动时间几何指数；
47、所述低估评估指数的计算公式如下：
48、
49、其中，y是低产量时间变量，a4是低产量负相关影响因子，b4是低产量历史偏差量，c4是低产量历史衰减指标，a5是企业效益关联度，b5是企业效益指数基数，c5是企业效益时间影响因子，d3是企业效益时间指数，a6是政策关联度，b6是政策正弦传导因子，c6是政策余弦调制因子，d4是政策时间几何指数；
50、若预测产量大于实际产量，则认本文档来自技高网...
【技术保护点】
1.一种基于深度学习的油气田能源产量智能预测方法，其特征在于：包括，
2.如权利要求1所述的基于深度学习的油气田能源产量智能预测方法，其特征在于：所述油气田数据包括历史产量数据、地质数据、经济指标数据、企业指标数据、政策指标数据、设备运行状况数据以及维护历史数据；
3.如权利要求1或2所述的基于深度学习的油气田能源产量智能预测方法，其特征在于：所述提取关键特征的具体步骤包括，
4.如权利要求1或2所述的基于深度学习的油气田能源产量智能预测方法，其特征在于：所述初始自回归差分移动平均模型如下：
5.如权利要求1所述的基于深度学习的油气田能源产量智能预测方法，其特征在于：所述自适应算法的步骤包括，
6.如权利要求1所述的基于深度学习的油气田能源产量智能预测方法，其特征在于：所述评估测试集预测产量的步骤包括，
7.如权利要求6所述的基于深度学习的油气田能源产量智能预测方法，其特征在于：所述评估指数包括高估评估指数和低估评估指数；
8.一种基于物联网的多源电网信息融合系统，基于权利要求1～7任一所述的基于
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述基于深度学习的油气田能源产量智能预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述基于深度学习的油气田能源产量智能预测方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的油气田能源产量智能预测方法，其特征在于：包括，
2.如权利要求1所述的基于深度学习的油气田能源产量智能预测方法，其特征在于：所述油气田数据包括历史产量数据、地质数据、经济指标数据、企业指标数据、政策指标数据、设备运行状况数据以及维护历史数据；
3.如权利要求1或2所述的基于深度学习的油气田能源产量智能预测方法，其特征在于：所述提取关键特征的具体步骤包括，
4.如权利要求1或2所述的基于深度学习的油气田能源产量智能预测方法，其特征在于：所述初始自回归差分移动平均模型如下：
5.如权利要求1所述的基于深度学习的油气田能源产量智能预测方法，其特征在于：所述自适应算法的步骤包括，
6.如权利要求1所述的基于深度学习的油气田能源产量智能预测方法，其特征在于：所述评估...
【专利技术属性】
技术研发人员：靳先运，彭明国，邓嵩，闫霄鹏，邵冬冬，郝宏达，李秋，刘成果，魏睿童，王怡雯，何欣宇，张心怡，牛鹤霖，王崧百，高婷婷，姜龙宇，
申请(专利权)人：常州大学，
类型：发明
国别省市：
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。