一种单油井产量的预测方法及装置的制造方法
【技术领域】
[0001] 本发明涉及自动化技术领域，尤其涉及一种单油井产量的预测方法及装置。
【背景技术】
[0002] 油田产量预测是科学管理油田和制定经济计划的依据，它决定了油田生产投资的 规模和决策方向。人们希望早日知道单油井产量变化，进而计算油田的经济极限产量，适时 做出油田补充开发决策，使综合效益最大化。单油井产量预测是一个复杂的多变量非线性 动力学系统，所以现有技术中一般利用BP神经网络模型对单油井产量进行预测，但基于BP 神经网络的预测方法需要选择网络参数多，训练速度慢，容易陷入局部最优解。
[0003] 所以现在需要一种新的方法来预测单油井产量，以便达到使用参数少，训练速度 快，而且预测误差小的目的。
【发明内容】
[0004] 本发明提供了一种单油井产量的预测方法及装置，本发明能够达到使用参数少， 训练速度快，而且预测误差小的目的。
[0005] 一种单油井产量的预测方法，包括：
[0006] 获取与所述多个主要因素对应的单油井数据，所述多个主要因素为预先在影响单 油井产量的众多因素中利用灰色关联度分析法，确定的主要影响单油井产量的因素；
[0007] 将所述单油井数据进行无量纲化处理获得无量纲单油井数据；
[0008] 将所述无量纲单油井数据输入至广义神经网络模型GRNN，经所述GRNN运算后输 出与单油井数据对应的单油井产量，所述GRNN为依据至少一组训练样本数据经交叉验证 方法训练影响因子的、以所述多个主要因素对应的原始数据为输入并以单油井产量为输出 的模型。
[0009] 优选的，在影响单油井产量的众多因素中利用灰色关联度分析法，确定的主要影 响单油井产量的因素包括：
[0010] 将影响单油井产量的众多因素分别在多个时刻的数据作为比较序列，将单油井在 所述多个时刻的产量作为参考序列；
[0011] 对所述参考序列和比较序列进行无量纲化处理；
[0012] 计算参考序列中每个因素在所述多个时刻内与所述比较序列的关联度；
[0013] 将所述众多因素的关联度依次排序，在关联度中由高至低选取多个因素作为影响 单油井产量的主要因素。
[0014] 优选的，所述计算参考序列中每个因素在所述多个时刻内与所述比较序列的关联 度包括：
[0015] 计算所述参考序列与所述比较序列在各个时刻的关联度系数；
[0016] 将参考序列中每个因素在多个时刻的关联度系数求平均值，将均值作为该因素在 所述多个时刻内与所述比较序列的关联度。
[0017] 优选的，进行无量纲化处理的方式包括：
[0018] 均值化变化、初值化变换或标准化变换。
[0019] 优选的，所述GRNN的构建过程包括：
[0020] 将经过无量纲化处理后的多个主要因素对应数据作为所述GRNN的输入特征向 量，对应的单油井产量作为输出特征向量；
[0021] 确定所述GRNN的初始影响因子，并确定影响因子的范围以及步长；
[0022] 在影响因子的范围内，利用交叉验证法训练所述GRNN的影响因子，直到所述GRNN 的输出与所述输出特征向量的误差在允许范围内，所述GRNN训练完成。
[0023] 一种单油井产量的预测装置，包括：
[0024] 获取单元，用于获取与所述多个主要因素对应的单油井数据，所述多个主要因素 为预先在影响单油井产量的众多因素中利用灰色关联度分析法，确定的主要影响单油井产 量的因素；
[0025] 处理单元，用于将所述单油井数据进行无量纲化处理获得无量纲单油井数据；
[0026] 预测单元，用于将所述无量纲单油井数据输入至广义回归神经网络模型GRNN，经 所述GRNN运算后输出与单油井数据对应的单油井产量，所述GRNN为依据至少一组训练样 本数据经交叉验证方法训练影响因子的、以所述多个主要因素对应的原始数据为输入并以 单油井产量为输出的模型。
[0027] 优选的，还包括：
[0028] 确定主要因素单元，用于将影响单油井产量的众多因素分别在多个时刻的数据作 为比较序列，将单油井在所述多个时刻的产量作为参考序列；对所述参考序列和比较序列 进行无量纲化处理；计算参考序列中每个因素在所述多个时刻内与所述比较序列的关联 度；将所述众多因素的关联度依次排序，在关联度中由高至低选取多个因素作为影响单油 井产量的主要因素。
[0029] 优选的，还包括：
[0030] 构建模型单元，用于将经过无量纲化处理后的多个主要因素对应数据作为所述 GRNN的输入特征向量，对应的单油井产量作为输出特征向量；确定所述GRNN的初始影响 因子，并确定影响因子的范围以及步长；在影响因子的范围内，利用交叉验证法训练所述 GRNN的影响因子，直到所述GRNN的输出与所述输出特征向量的误差在允许范围内，所述神 经网络模型训练完成。
[0031] 优选的，其特征在于，
[0032] 所述众多因素包括：油压、含水率、累积产油量、累积产气量和月产水量；
[0033] 所述多个主要因素包括：油压、含水率、累积产油量和累积产气量。
[0034] 优选的，所述初始影响因子为0. 1，的范围为0. 1-2,步长0. 1。
[0035] 本发明提供了一种单油井产量的预测方法及装置，本发明在众多影响单油井产量 的因素中筛选出影响油井产量的主要元素，忽略一些次要元素，从而降低了输入特征向量 的维度，加快了运行速度。并且本发明采用GRNN作为预测模型，由于GRNN网络结构较为简 单，不需要对模型的隐含层数量进行估算和猜测，且GRNN是从径向基函数引申而来的，因 此只有一个影响因子，即径向基函数的平滑参数，影响因子的优化值可以通过交叉验证方 法获得，简单方便，并且GRNN结果的具有全局收敛性，从而能够达到全局最优解，使预测误 差较小。
【附图说明】
[0036] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。
[0037] 图1为本发明实施例公开的一种单油井产量的预测方法的流程图；
[0038] 图2为本发明实施例公开的又一种单油井产量的预测方法的流程图；
[0039] 图3为本发明实施例公开的又一种单油井产量的预测方法的流程图；
[0040] 图4为本发明实施例公开的一种单油井产量的预测方法的结果示意图；
[0041] 图5为本发明实施例公开的又一种单油井产量的预测方法的结果示意图；
[0042] 图6为本发明实施例公开的一种单油井产量的预测装置的结构图；
[0043] 图7为本发明实施例公开的又一种单油井产量的预测装置的结构图。
【具体实施方式】
[0044] GRNN，Generalized regression neural network，广义回归神经网络模型。
[0045] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0046] 如图1所示，本发明提供了一种单油井产量的预测方法，包括：
[0047] 步骤SlOl :获取与所述多个主要因素对应的单油井数据，所述多个主要因素为预 先在影响单油井产量的众多因素中利用灰色关联度分析法，确定的主要影响单油井产量的 因素；
[0048] 在实际使用过程中发现，单油井产量受到众多因素的干扰，例如：油压、含水率、累 积产油量、累积产气量或月产水量，在众多因素中有一些因素对单油井产量的影响较大，有 一些因素对单油井产量的影响较小，为了降低预测模型的运算复杂度，在预测单油井产量 时，仅考虑对单油井产量影响较大的因素，忽略对单油井产量影响较小的因素。
[0049] 预测模型的输入特征向量为影响单油井产量的因素，由于输入至预测模型因素减 少，所以能够降低预测模型的输入特征向量的维度，从而加快了预测模型的运行速度。
[0050] 步骤S102 :将所述单油井数据进行无量纲化处理获得无量纲单油井数据；
[0051] 影响单油井产量的主要因素有多个，例如：油压、累积产油量或累积产气量，由于 各个因素的物理意义不同，导致不同因素对应数据的量纲也不同，在后续处理时难以得到 正确的结论，所以在进行后续处理之前，首先