一种基于LSTM神经网络的抽油机井检泵周期预测方法

本发明涉及油井检测技术领域，尤其涉及一种基于lstm神经网络的抽油机井检泵周期预测方法。

背景技术：

目前对抽油机井检泵周期的分析和预测主要分为基于抽油机井故障机理的方法和基于抽油机井特征参数的方法。基于故障机理的方法首先对抽油机井的故障类型进行分析和评价，然后依据经验和特征参数给出相应的结果，但是由于检泵周期和特征参数之间的关系较为复杂，特征参数之间又有一定的关联性，依据经验很难准确的把握检泵周期和特征参数之间的相关性；基于特征参数的方法主要是对抽油机井特征参数进行分析和研究，使用一定的算法或模型去学习特征参数和检泵周期之间的关系，但是现有的方法存在着只考虑特征参数与检泵周期之间的静态关系，忽略了特征参数之间在时间上的连续变化性的问题。

技术实现要素：

针对现有技术中的上述不足，本发明的目的是提供一种基于lstm神经网络的抽油机井检泵周期预测方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于lstm神经网络的抽油机井检泵周期预测方法，具体步骤如下：

步骤一、获取抽油机井检泵周期样本数据集；

步骤二、通过线性回归对所述样本的多个特征参数进行优选，优选出影响抽油机井检泵周期的多个主控因素；

步骤三、训练基于lstm神经网络的抽油机井检泵周期预测模型；

步骤四、根据抽油机井检泵周期预测模型获得检泵周期预测结果。

可选地，所述获取抽油机井检泵周期样本数据集是指，一个检泵周期的完整数据为一个样本数据。

可选的，所述通过线性回归对所述多个特征参数进行优选包括对所述样本的所有特征参数进行归一化预处理，公式如下；

其中为归一化之后的特征参数；x为抽油机井原始特征参数；xmin表示特征参数中的最小值；xmax表示特征参数中的最大值。

可选的，对归一化处理之后的特征参数使用多元线性回归进行拟合，获得归一化后特征参数的回归方程其中，y表示检泵周期，表示第i个特征参数，a0表示回归方程的常数，ai表示特征参数的权重。

可选的，使用回归方程中的权重值代表对应的特征参数对检泵周期的贡献度；判断贡献度是否超过预先设定的阈值；若超过，则将贡献度对应的特征参数作为主控因素进行建模。

可选的，所述基于lstm神经网络的抽油机井检泵周期预测模型包括输入层、隐藏层、输出层和网络优化模型。

可选的，所述隐藏层为五层网络结构，两层lstm层后连接三层全连接层，逐层训练，经过所有计算之后，把最后输出结果作为标签输入至网络优化模块，，在所述网络优化模块中进行优化。

可选的，所述网络优化模块接收样本数据对应的检泵周期，形成实际标签，所述实际标签和所述预测标签进行损失计算，采用均方误差损失函数，并通过随机梯度下降优化算法不断更新网络权重。

可选的，所述lstm神经网络单元具体公式表示如下：

it＝σ(wit[ht-1,xt]+bit)

ft＝σ(wft[ht-1,xt]+bft)

ot＝σ(wot[ht-1，xt]+bot)

ht＝ottanh(ct)

其中it、ft、ct、ot分别为t时刻的输入门向量、遗忘门向量、临时细胞状态向量、细胞状态向量、输出门向量；xt和ht分别为lstm神经网络的输入和输出；σ和tanh分别为sigmoid和双曲正切激活函数；w为权重系数矩阵；b为偏置向量。

本发明具有以下有益效果：本发明通过线性回归对多个特征参数进行优选，从数据的角度更为准确的确定了贡献度较大的主控因素，通过lstm神经网络对贡献度较大的多个主控因素进行建模，可以更为全面的学习主控因素与检泵周期的关联性以及主控因素之间的时序特征，对检泵周期的预测具有较高的准确率；本发明可以优化检泵作业指导，对合理安排检泵作业、延长检泵周期有一定的帮助。

附图说明

图1为本发明的流程示意图；

图2为lstm网络单元结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

请参照图1，本发明提供一种基于lstm神经网络的抽油机井检泵周期预测方法，包括以下步骤：

1、获取抽油机井检泵周期样本数据集；

获取的抽油机井检泵周期样本数据集是指，一个检泵周期的完整数据为一个样本数据；样本数据集包含的抽油机井特征参数包括：日产液量、日产油量、上行电流、下行电流、油压、套压、含水率、冲程、冲程、泵深、泵径等指标数据；对于其中部分缺失的数据，采用缺失数据前30个与后30个数据取平均值的方法进行填补，从而保证原始数据的完备性和充足性，保证预测结果的准确性和可信度。

2、数据预处理：在训练基于线性回归的特征参数优选模型和基于lstm神经网络的抽油机井检泵周期预测模型之前需要对样本数据集中的所有特征参数进行归一化处理，将所有的特征参数按照特定规则缩放在[0，1]之间，解决了不同的特征参数在量纲上因差距过大而对模型的训练结果产生极大影响的问题，更少的从特征参数中提取出无关的错误信息。本发明中采用的归一化处理公式如下：

其中为归一化之后的特征参数，x为抽油机井原始特征参数，xmin表示特征参数中的最小值，xmax表示特征参数中的最大值。

3、优选影响抽油机井检泵周期的多个主控因素：对归一化处理之后的特征参数使用多元线性回归进行拟合，获得归一化后特征参数的回归方程其中，y表示检泵周期，表示第i个特征参数，a0表示回归方程的常数，ai表示特征参数的权重。

使用回归方程中的权重值代表对应的特征参数对检泵周期的贡献度；判断贡献度是否超过预先设定的阈值；若超过，则将贡献度对应的特征参数作为主控因素进行建模。

将归一化处理后的主控因素数据分为训练集和测试集，所占比例分别为70％和30％，用于之后的基于lstm神经网络的抽油机井检泵周期预测模型的训练和测试。

4、训练基于lstm神经网络的抽油机井检泵周期预测模型；模型包括输入层、隐藏层、输出层和网络优化模型。隐藏层为五层网络结构，两层lstm层后连接三层全连接层，逐层训练，经过所有计算之后，把最后输出结果作为标签输入至网络优化模块，在网络优化模块中进行优化。网络优化模块接收样本数据对应的检泵周期，形成真实标签，使用真实标签和预测标签进行损失计算，通过随机梯度下降优化算法不断更新网络权重，采用均方误差损失函数，损失函数定义为：

其中s表示一个批次中样本的数量，pj表示样本j的预测标签，yj表示样本j的真实标签。

lstm神经网络单元具体公式表示如下(如图2所示)：

it＝σ(wit[ht-1，xt]+bit)

ft＝σ(wft[ht-1,xt]+bft)

ot＝σ(wot[ht-1,xt]+bot)

ht＝ottanh(ct)

其中it、ft、ct、ot分别为t时刻的输入门向量、遗忘门向量、临时细胞状态向量、细胞状态向量、输出门向量，xt和ht分别为lstm神经网络的输入和输出，σ和tanh分别为sigmoid和双曲正切激活函数，w为权重系数矩阵，b为偏置向量；

sigmoid函数输出0到1之间的数值，其表达式如下：

tanh函数输出-1到1之间的数值，其表达式如下：

5、根据训练和测试后的基于lstm神经网络的抽油机井检泵周期预测模型获得检泵周期预测结果。

综上，本发明提供了一种基于lstm神经网络的抽油机井检泵周期预测方法，该方法通过lstm神经网络对预测检泵周期具有较高的准确率，本发明可以优化检泵作业指导，对合理安排检泵作业、延长检泵周期有一定的帮助，因此本发明具有较强的实用性。

上述实施例仅用于说明本发明，其中各方法的实施步骤等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。