一种基于动态集成建模的油井动液面预测方法技术

一种基于动态集成建模的油井动液面预测方法，属于信息技术领域；包括：获取样本并按权重排序；将样本进行模型训练，对误差超过阈值的子模型重新训练，计算未超过阈值的子模型权重；子模型加权输出集成模型；利用巡测数据计算集成模型的误差是否超过阈值，是，构成新的训练集，对误差超过阈值的原有的子模型重新训练为新子模型，否则，保留该原子模型作为新子模型，对新子模型加权输出为新的集成模型；实时采集辅助变量，输入集成模型进行集成油井动液面预测；本发明专利技术采用迭代集成建模，比单一模型有更高预测精度，子模型加权输出减少个体误差的影响，模型泛化能强；弱学习机子模型中样本权重的改变更加能够提高新模型对样本的适应性。

Dynamic surface prediction method for oil wells based on Dynamic Integrated Modeling

A dynamic integrated modeling method based on the prediction of oil well dynamic liquid level, which belongs to the technical field of information; including: obtaining samples and sorted by weight; the sample for model training, re training on error exceeds the threshold of the sub model, calculation model of weight does not exceed the threshold; sub model weighted output error calculation using integrated model; integrated model survey data is more than threshold, is to form a new training set, the model error is greater than the threshold of re training for the new model, otherwise, keep the atomic model as a new model, the new model for the weighted output of new integrated model; real-time acquisition of auxiliary variable input integrated model integrated oil well dynamic liquid level prediction; the invention adopts iterative integrated modeling, has higher prediction accuracy than the single model, sub model weighted output to reduce individual The generalization of the model is strong, and the weight of the sample in the weak learning model can improve the adaptability of the new model to the sample.

【技术实现步骤摘要】
一种基于动态集成建模的油井动液面预测方法
本专利技术属于信息
，具体涉及一种基于动态集成建模的油井动液面预测方法。
技术介绍
在油田的实际生产过程中，为了实现最大的产液量，抽油机需要根据油井不断变化的参数来调整其抽油频率，使其达到合理的工作状态。油井的动液面是生产过程中油井油套管环形空间的液面深度，是油田的重要生产指导数据之一，是反映抽油机工作状态的一个重要参考指标。只有及时掌握动液面的数据信息才能使抽油机运行在合理的运行方式。目前，大多数油井动液面的测量依然采用的还是传统的人工测量方法，例如回声测量、压力测量法和浮筒法等，传统的人工测量存在着误差大，效率低、实时性差等缺点，不能满足现在的生产要求。近年来，随着软测量方法在各个行业的广泛应用，人们对此提出了单一模型的智能算法软测量方法，然而这种方法在实际应用中存在泛化能力差、容易出现过拟合和精度不高等不足，并且实际的生产过程中，随着生产的动态运行模型的预测精度会下降，需要对模型进行更新，提高模型的动态性能。传统的更新方法就是通过增加训练样本数据来更新模型，这样会使得模型性能随着训练的进行逐渐变差，不能满足生产需求。
技术实现思路
针对上述现有技术存在的不足，本专利技术提供一种基于动态集成建模的油井动液面预测方法。本专利技术的技术方案：一种基于动态集成建模的油井动液面预测方法，包括如下步骤：步骤1：获取油井生产过程中动液面数据及动液面数据对应的辅助变量构成历史数据即样本，并将样本分为训练样本和测试样本，并分别构成训练集和测试集；步骤2：设置弱学习机个数、误差超限率指标阈值和样本预测误差阈值；步骤3：计算样本权重，并依据权重对训练集样本进行排序；步骤4：利用黑洞优化算法对LSSVM模型参数进行寻优赋值，并将排序后的训练样本进行模型训练，计算训练得到的子模型的误差超限率指标是否超过阈值，是，舍弃该子模型，执行步骤3，否则，计算子模型对应的权重，并更新样本权重，所述样本权重根据样本通过子模型的预测误差计算，所述子模型的权重根据其误差超限率指标和子模型预测均方根误差结合计算，所述样本预测误差为该样本通过子模型进行动液面预测的预测结果相对误差，所述误差超限率指标为样本预测误差大于阈值的样本权重之和；所述误差超限率指标为样本预测误差超过阈值的训练样本权重之和或巡测数据预测误差超过阈值的巡测数据权重之和。步骤5：判断子模型的个数是否达到设置值，是，模型的训练即完成，将所有子模型加权输出得到集成模型，否则，执行步骤3；步骤6：定期对动液面进行巡测，利用采集的巡测数据计算集成模型的误差超限率指标是否超过阈值，是，执行步骤7，否则，执行步骤12；所述巡测数据拥有相同权重；步骤7：根据巡测数据利用相似度原理在历史数据中寻找巡测数据的相似数据构成更新子集，部分替换原训练集中不相似的样本，构成新的训练集，为新训练集分配相同权重；步骤8：利用原有的子模型对新训练集进行预测，计算子模型的误差超限率指标是否超过阈值，是，执行步骤9，否则，保留该原子模型作为新的子模型仅更新权重，执行步骤11；步骤9：计算新训练集中样本权重，并根据权重对样本排序；步骤10：将新训练集中训练样本进行模型训练，计算训练得到的新的子模型的误差超限率是否超过阈值，是，舍弃该新的子模型，执行步骤9，否则，执行步骤11；步骤11：判断新的子模型误差超限率是否为零，是，根据预测水平指标限赋予该新的子模型权重的当前最大值，否则，计算新子模型的权重；所述新的子模型包括生成新的子模型或保留原子模型作为新的子模型，所述新子模型权重根据新训练集中训练样本的误差超限率指标和子模型均方根误差结合计算。步骤12：判断是否有未更新的子模型，是，执行步骤8，否则，将全部新的子模型输出得到新的集成模型；步骤13：在油井实际生产工作过程中，实时采集辅助变量，输入集成模型进行集成油井动液面预测。有益效果：一种基于动态建模的油井动液面预测方法与现有技术相比，具有如下优势：1、迭代集成的软测量建模方法，对比与传统的人工测量方法不但预测精度高，而且效率高的显著优势；2、采用迭代集成建模的方法，对比单一模型算法具有更高的预测精度，因为子模型的加权输出最大化的减少了由于个体误差大而对整体预测精度产生的影响，使得模型的泛化能力有显著提升，输出更具科学性；3、弱学习机子模型中样本权重的改变更加能够提高新模型对样本的适应性；4、弱学习机子模型权重的改变更加体现模型整体误差水平和样本合格率直接的平衡，更有效突出效果好的子模型；5、利用巡测数在历史数据中寻找相似数据构成的更新子集对现有模型进行更新，重复建模过程，得到最终的模型(并且每更新一次确保前期信息不丢失)，相比于传统方法只是不断的增加训练数据，这种新的更新方法，使得模型的更新时间明显缩短，并且还能保留模型之前的数据信息，对于实际应用有很大的优势。附图说明图1为本专利技术实施方式的基于动态集成建模的油井动液面预测方法中集成模型建立方法流程图；图2为本专利技术实施方式的基于动态集成建模的油井动液面预测方法中模型动态更新方法流程图；图3为本专利技术实施方式的单一模型预测误差指标图；图4为本专利技术实施方式的子模型1油井动液面预测结果图；图5为本专利技术实施方式的子模型2油井动液面预测结果图；图6为本专利技术实施方式的子模型3油井动液面预测结果图；图7为本专利技术实施方式的子模型4油井动液面预测结果图；图8为本专利技术实施方式的子模型5油井动液面预测结果图；图9为本专利技术实施方式的集成模型油井动液面预测结果图；图10为本专利技术实施方式的动态模型与静态模型油井动液面预测效果对比图。具体实施方式下面结合附图对本专利技术的一种实施方式做详细说明。本专利技术一种实施方式，如图1-2所示，一种基于动态建模的油井动液面预测方法，具体包括如下步骤：步骤1：如图1所示，获取油井生产过程中动液面数据yi及动液面数据yi对应的辅助变量，辅助变量构成辅助向量xi，动液面数据及其辅助向量构成历史数据(xi，yi)，其中，i＝1,2，…，m，m为历史数据个数，为历史数据(xi，yi)分配权重中间值将历史数据分为用于对模型进行训练的训练集TRt和用于对模型进行测试的测试集TEt，其中，TRt+TEt＝m，t表示当前模型为第t个子模型，t＝1，2，…，T；所述辅助变量包括：油井套压、泵效和流量；步骤2：设置弱学习机个数T、样本预测误差阈值e0和误差超限率指标阈值ε0；步骤3：计算历史数据(xi，yi)权重并依据历史数据权重对训练集样本进行排序；步骤4：根据样本，利用黑洞优化算法对最小二乘支持向量机(LeastSquaresSupportVectorMachine，LSSVM)模型参数进行寻优赋值，并将排序后的训练样本进行模型训练，模型训练完成后得到子模型Ht：x→y，利用测试集及训练集计算子模型的样本预测误差，并计算误差超限率指标εt是否超过阈值ε0，是，舍弃该子模型Ht，执行步骤3，否则，计算子模型对应的权重即模型预测水平指标βt，并计算更新样本权重中间值wt+1(i)，t＝t+1；所述子模型的样本预测误差AREt(i)计算方法为：计算误差超限率指标εt，即对于每个样本通过该模型进行测试，将样本预测误差超过阈值的样本的权重进行累计：所述模型预测水平指标βt即模型权重，可平衡个别预测本文档来自技高网...

【技术保护点】
一种基于动态集成建模的油井动液面预测方法，其特征在于，包括如下步骤：步骤1：获取油井生产过程中历史数据即样本，并将样本分为训练样本和测试样本，分别构成训练集和测试集；所述历史数据包括动液面数据及其对应的辅助变量；步骤2：设置弱学习机个数和误差超限率指标阈值；步骤3：对训练样本进行模型训练，得到子模型；步骤4：利用样本计算子模型的误差超限率指标是否超过阈值，是，舍弃该子模型，执行步骤3，否则，输出该子模型；步骤5：判断子模型的个数是否达到弱学习机个数，是，将所有子模型输出为集成模型，否则，执行步骤3；步骤6：定期对动液面进行巡测，利用采集的巡测数据计算集成模型的误差超限率指标是否超过阈值，是，执行步骤7，否则，执行步骤12；步骤7：构建新的训练集；步骤8：利用新训练集中训练样本计算原子模型的误差超限率指标是否超过阈值，是，执行步骤9，否则，保留该原子模型作为新的子模型，执行步骤11；步骤9：将新训练集中训练样本进行模型训练，得到新的子模型；步骤10：计算训练得到的新的子模型的误差超限率是否超过阈值，是，舍弃该新的子模型，执行步骤9，否则，执行步骤11；步骤11：判断是否有未更新的子模型，是，执行步骤8，否则，将全部新的子模型输出得到新的集成模型；步骤12：油井工作过程中，实时采集辅助变量，输入集成模型进行油井动液面预测。...

【技术特征摘要】
1.一种基于动态集成建模的油井动液面预测方法，其特征在于，包括如下步骤：步骤1：获取油井生产过程中历史数据即样本，并将样本分为训练样本和测试样本，分别构成训练集和测试集；所述历史数据包括动液面数据及其对应的辅助变量；步骤2：设置弱学习机个数和误差超限率指标阈值；步骤3：对训练样本进行模型训练，得到子模型；步骤4：利用样本计算子模型的误差超限率指标是否超过阈值，是，舍弃该子模型，执行步骤3，否则，输出该子模型；步骤5：判断子模型的个数是否达到弱学习机个数，是，将所有子模型输出为集成模型，否则，执行步骤3；步骤6：定期对动液面进行巡测，利用采集的巡测数据计算集成模型的误差超限率指标是否超过阈值，是，执行步骤7，否则，执行步骤12；步骤7：构建新的训练集；步骤8：利用新训练集中训练样本计算原子模型的误差超限率指标是否超过阈值，是，执行步骤9，否则，保留该原子模型作为新的子模型，执行步骤11；步骤9：将新训练集中训练样本进行模型训练，得到新的子模型；步骤10：计算训练得到的新的子模型的误差超限率是否超过阈值，是，舍弃该新的子模型，执行步骤9，否则，执行步骤11；步骤11：判断是否有未更新的子模型，是，执行步骤8，否则，将全部新的子模型输出得到新的集成模型；步骤12：油井工作过程中，实时采集辅助变量，输入集成模型进行油井动液面预测。2.根据权利要求1所述的基于动态集成建模的油井动液面预测方法，其特征在于，所述辅助变量包括油压、泵效和流量。3.根据权利要求1所述的基于动态集成建模的油井动液面预测方法，其特征在于，所述步骤3中训练样本和步骤8中新训练集中训练样本均为根据样本权重排序后的训练样本，所述样本权重根据该样本通过子模型进行动液面预测的...

【专利技术属性】
技术研发人员：王通，段泽文，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：辽宁,21