基于改进卡尔曼滤波的油气藏产量预测方法及系统技术方案

本申请提供了一种基于改进卡尔曼滤波的油气藏产量预测方法及系统，属于油气藏开发技术领域，基于改进卡尔曼滤波的油气藏产量预测方法包括：获取油藏数据，筛选出特征参数；基于特征参数构建数据集；初始化长短期记忆网络模型；训练长短期记忆网络模型，初步预测油气产量；初始化卡尔曼滤波模型，基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数；将初步预测结果作为卡尔曼滤波模型的输入，动态调整初步预测结果，得到最终预测结果。通过本申请的技术方案，采用粒子群算法进行初始化，确定卡尔曼滤波模型的参数，可以提高油气产量的预测精度，扩大模型的适用范围。扩大模型的适用范围。扩大模型的适用范围。

【技术实现步骤摘要】
基于改进卡尔曼滤波的油气藏产量预测方法及系统


[0001]本申请涉及油气藏开发
，具体而言，涉及一种基于改进卡尔曼滤波的油气藏产量预测方法及系统。

技术介绍

[0002]国内外学者针对卡尔曼滤波方法应用于油藏产量预测领域做了诸多研究，随着油藏工程研究的深入，油气井的模型变得更为复杂，地质参数也越来越多。卡尔曼滤波方法需要提前明确系统噪声和量测噪声的统计特性的信息，但是在油藏预测领域，噪声是不确定的因素，很难得到有关噪声的统计特性的信息，因此，将卡尔曼滤波方法应用于油藏产量预测，会导致无法准确预测，预测精度会受到严重影响。

技术实现思路

[0003]本申请旨在解决或改善现有技术或相关技术中存在的技术问题之一。
[0004]为此，本申请的第一目的在于提供一种基于改进卡尔曼滤波的油气藏产量预测方法。
[0005]本申请的第二目的在于提供一种基于改进卡尔曼滤波的油气藏产量预测系统。
[0006]为实现本申请的第一目的，本专利技术第一方面的技术方案提供了一种基于改进卡尔曼滤波的油气藏产量预测方法，包括：获取油藏数据，通过对油藏数据进行描述性分析和相关性分析，挖掘油气田产量数据与油藏参数之间的关系，筛选出特征参数；基于特征参数构建数据集，数据集包括训练集和预测集；初始化长短期记忆网络模型，确定长短期记忆网络模型参数，长短期记忆网络模型参数包括迭代次数、隐含层节点个数、学习率和批处理大小；基于训练集训练长短期记忆网络模型，基于预测集预测油气产量，得出初步预测结果；基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，进而构建卡尔曼滤波模型；将初步预测结果作为卡尔曼滤波模型的输入，动态调整初步预测结果，得到最终预测结果。
[0007]根据本申请提供的基于改进卡尔曼滤波的油气藏产量预测方法，首先获取油藏数据，通过对油藏数据进行描述性分析和相关性分析，挖掘油气田产量数据与油藏参数之间的关系，筛选出特征参数。然后基于特征参数构建数据集，数据集包括训练集和预测集。初始化长短期记忆网络模型，确定长短期记忆网络模型参数。基于训练集训练长短期记忆网络模型，基于预测集，长短期记忆网络模型预测油气产量，得出初步预测结果。基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，进而构建卡尔曼滤波模型。最后通过卡尔曼滤波模型动态调整初步预测结果，得到最终预测结果。由于长短期记忆网络面对庞大复杂的数据具有很强的学习能力，对于高度并行的时序信息处理能力也很强大，无论输入、输出是否具有线性特性，它都有很好的容错性和鲁棒性，可与卡尔曼滤波算法互补，从而提高预测的准确率。通过粒子群算法初始化卡尔曼滤波模型的参数，可以提高油气产量的预测精度，加快网络训练的速度、增强模型范围能力
和扩大模型的适用范围。粒子群算法程序简单，参数较少，适用性强，适用于各种优化求解问题，并且它通过粒子在解空间中利用个体最优极值和整体最优极值信息来实现迭代训练，收敛速度更快。
[0008]另外，本申请提供的技术方案还可以具有如下附加技术特征：上述技术方案中，基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，具体包括：通过适应度函数计算粒子的适应度值，确定个体最优粒子和全局最优粒子；判断迭代次数是否满足预设迭代次数或精度要求；若是，以迭代结果作为卡尔曼滤波模型的参数。
[0009]在该技术方案中，基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，具体为首先通过适应度函数计算粒子的适应度值，确定个体最优粒子和全局最优粒子，然后判断迭代次数是否满足预设迭代次数或精度要求，若是，则以迭代结果作为卡尔曼滤波模型的参数。可以理解，将系统噪声矩阵和系统量测噪声矩阵的内部的参数作为优化的对象，根据粒子的速度和位置更新公式进行更新，计算粒子的适应度值，以粒子对应参数构建模型，训练数据并进行预测，粒子群算法的目标就是通过适应度函数不断迭代找到个体最优解和全局最优解，以最终的迭代结果作为噪声矩阵的参数。
[0010]上述技术方案中，基于改进卡尔曼滤波的油气藏产量预测方法还包括：对比实际的产量得出准确率，并调整长短期记忆网络模型和卡尔曼滤波模型使精度达到最优。
[0011]在该技术方案中，基于改进卡尔曼滤波的油气藏产量预测方法还包括对比实际的产量得出准确率，并调整长短期记忆网络模型和卡尔曼滤波模型使精度达到最优。具体地，通过实证分析对比卡尔曼滤波算法、长短期记忆网络算法、长短期记忆网络结合卡尔曼滤波和粒子群算法之间不同算法的预测结果，使用指标评价模型预测效果，对结果进行评估分析，得到影响油井日产气的最优模型。
[0012]上述技术方案中，粒子群算法中，设搜索空间是d维，随机生成的粒子是个，将其组成一个粒子群，粒子的速度表示成，在空间的位置表示成，表示维度，取值范围为1到，通过不断地迭代寻找最优解，粒子速度的更新公式和粒子位置的更新公式为：；；其中，为迭代次数，和为学习因子，负责调整个体极值方向，负责调整沿整体极值方向的学习距离，为惯性因子，和均为之间的随机数，为个体极值，为整体极值。
[0013]在该技术方案中，从以上公式可以看出，在解空间中，粒子的下一个速度向量主要是由三个部分确定第一部分是它自身惯性，第二部分是粒子自身学习个体极值方向，第三部分是粒子学习全局极值方向，这一部分使群体共享信息，进行调整。通过三个部分不断进
行更新，从而达到最优值。为了使粒子群快速的收敛，避免陷入局部最优，学习因子和的选取也很重要，我们可以从生物学角度分析，在初始阶段，粒子的运动状态主要受自身的经验影响，侧重于向个体极值方向飞行，而在进行几轮迭代之后，更依赖于群体信息的共享，这样更能趋于全局最优，和的取值过小的话会导致陷入局部最优，过大则容易超出目标区域，无法收敛。
[0014]上述技术方案中，惯性因子的调整方法包括线性递减方法，线性递减方法的惯性因子的取值公式为：；其中，为最大惯性因子，为最小惯性因子，为最大迭代次数，为当前迭代次数。
[0015]在该技术方案中，惯性因子可以理解成粒子保持之前的运动惯性的权重参数，通常设为一个动态变量，因为惯性因子设为静态值，无法从粒子的变化当中提取有效的信息来进行优化。参数的设置可以从实际的物理系统进行理解，较大的惯性因子会继续保持之前的运动特性，更利于全局最优的搜索，而相对较小的惯性因子会更注重粒子的最新的反馈信息，从而更快达到个体最优，这里需要找到一个相对平衡点来减少算法迭代次数，提高搜索效率。从鸟群的经验来看，为了更快速来寻找最优极值，在前期设置较大的惯性因子提高全局搜索能力，后期设置较小惯性因子，调整局部状态。
[0016]上述技术方案中，惯性因子的调整方法还包括自适应方法，自适应方法的惯性因子的取值公式为：其中，为最大惯性因子，为最小惯性因子， 是粒子的局部求解和全局求解加权调和平均，根据不同的模型选择不同的适应度函数，表示自身适应度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进卡尔曼滤波的油气藏产量预测方法，其特征在于，包括：获取油藏数据，通过对所述油藏数据进行描述性分析和相关性分析，挖掘油气田产量数据与油藏参数之间的关系，筛选出特征参数；基于所述特征参数构建数据集，所述数据集包括训练集和预测集；初始化长短期记忆网络模型，确定长短期记忆网络模型参数，所述长短期记忆网络模型参数包括迭代次数、隐含层节点个数、学习率和批处理大小；基于所述训练集训练所述长短期记忆网络模型，基于所述预测集预测油气产量，得出初步预测结果；基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，进而构建所述卡尔曼滤波模型；将所述初步预测结果作为所述卡尔曼滤波模型的输入，动态调整所述初步预测结果，得到最终预测结果。2.根据权利要求1所述的基于改进卡尔曼滤波的油气藏产量预测方法，其特征在于，所述基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，具体包括：通过适应度函数计算粒子的适应度值，确定个体最优粒子和全局最优粒子；判断迭代次数是否满足预设迭代次数或精度要求；若是，以迭代结果作为卡尔曼滤波模型的参数。3.根据权利要求1所述的基于改进卡尔曼滤波的油气藏产量预测方法，其特征在于，所述基于改进卡尔曼滤波的油气藏产量预测方法还包括：对比实际的产量得出准确率，并调整所述长短期记忆网络模型和所述卡尔曼滤波模型使精度达到最优。4.根据权利要求1所述的基于改进卡尔曼滤波的油气藏产量预测方法，其特征在于，所述粒子群算法中，设搜索空间是维，随机生成的粒子是个，将其组成一个粒子群，粒子的速度表示成，在空间的位置表示成，表示维度，取值范围为1到，通过不断地迭代寻找最优解，粒子速度的更新公式和粒子位置的更新公式为：；；其中，为迭代次数，和为学习因子，负责调整个体极值方向，负责调整沿整体极值方向的学习距离，为惯性因子，和均为之间的随机数，为个体极值，为整体极值。5.根据权利要求4所述的基于改进卡尔曼滤波的油气藏产量预测方法，其特征在于，所述惯性因子的调整方法包括线性递减方法，所述线性递...

【专利技术属性】
技术研发人员：郭翠平，林箐，廉海荣，罗万静，韩慧萍，
申请(专利权)人：中国地质大学北京，
类型：发明
国别省市：