【技术实现步骤摘要】
本专利技术涉及油田数据分析领域的预测技术，具体的，涉及一种基于递归arima模型的抽油井充满度预测方法。
技术介绍
1、当前，智慧油田已取得一些显著进展，通过在油井内安装各类传感器，实现对油井生产过程中关键参数的实时监测与分析。这些传感器使得示功图数据的采集、传输和存储成为可能，同时也积累了大量的关键参数数据。
2、目前只能依赖每天的示功图来计算当天的充满度，希望能够实现下一天充满度数据的预测，这将有助于及时调整生产计划以应对变化。充满度预测是一个典型的时间序列预测问题。arima模型是解决时间序列问题的经典模型。然而arima模型在建模过程中需要人通过分析自相关图和偏自相关图来确定模型的自相关阶数和滑动平均阶数，这使得arima模型无法用于自动化时间序列预测任务。arima模型的参数来自于历史数据，因此模型刻画的是历史数据信息。在传统建模和预测应用中未考虑使用新信息自动化更新模型参数，导致预测精度不高。
技术实现思路
1、为了实现关键参数的准确预测，本专利技术的目的在于对抽油井的充满度进行时间序列预测，采用本专利技术可以为石油开采提供一种高效、准确、方便的数据分析方法。
2、本专利技术为实现上述目的所采用的技术方案是：一种基于递归arima模型的抽油井充满度预测方法，包括以下步骤：
3、步骤一、获得历史示功图数据，对所述历史示功图数据进行预处理；
4、步骤二、根据归一化后的历史示功图数据，利用重心分解曲率法提取抽油井阀门工作位置数据
5、步骤三、对历史的充满度数据进行重采样和缺失值填补处理，得到历史充满度时间序列数据；
6、步骤四、基于差分运算和平稳性检验对历史充满度时序数据进行平稳化，并求取差分阶数；
7、步骤五、利用aic准则和bic准则求取自回归阶数和滑动平均阶数；
8、步骤六、基于差分阶数、自回归阶数和滑动平均阶数确定arima模型结构，并求取arima模型参数，获得基于历史示功图数据的充满度预测模型；
9、步骤七、基于所获得的充满度预测模型进行充满度预测，得到基于历史示功图数据的预测值；
10、步骤八、将油井实际运行的真实示功图数据进行与历史示功图数据同样的处理，即通过步骤一、步骤二获得真实的充满度数据后，通过步骤三得到真实的充满度时间序列数据；用滑动窗口更新真实的充满度时间序列数据，再通过步骤四～步骤六，通过再次求取arima模型参数，获得基于真实示功图数据的新的充满度预测模型，得到基于真实示功图数据的充满度预测值。
11、步骤一中，对所述历史示功图数据进行预处理，包括以下步骤：
12、s1.1、剔除历史示功图数据中的空值；
13、s1.2、选择历史示功图数据中的示功图数据载荷、位移最大值最小值作为对应井的归一化尺度，分别进行归一化处理。
14、所述步骤二、根据归一化后的历史示功图数据，利用重心分解曲率法提取抽油井阀门工作位置数据，得出每个示功图的历史充满度数据，包括以下步骤：
15、s2.1、计算示功图位移和载荷曲线的重心，使用通过重心的x轴和y轴的平行线将位移和载荷曲线划分为四个区域；
16、其中，计算重心公式如下：
17、
18、
19、x*、y*为示功图位移和载荷曲线重心的坐标，表示归一化后的历史示功图的第i个数据，n表示归一化后的历史示功图数据个数；
20、s2.2、计算曲率：分别找到四个区域曲率差值最大点为各区域阀门工作位置；其中，四个阀门工作位置具体如下，a点表示游动阀关闭，b点表示固定阀开启，c点表示固定阀关闭、游动阀开启，d点表示游动阀开启；
21、通过插值算法，计算示功图上各点的曲率，曲率变化的绝对值公式如下：
22、
23、δk＝|k(i)-k(i-1)|
24、max[δk(i)] i＝1,2,...,n
25、其中，k(i)表示第i个数据的曲率，δk表示曲率差值，max[δk(i)]表示曲率变化最大值；
26、s2.3、根据阀门工作位置的位移数据计算上冲程、下冲程，再基于上冲程、下冲程计算充满度；将充满度按照时间顺序排列，得到历史充满度时间序列数据。
27、所述步骤三、对历史充满度数据进行重采样和缺失值填补处理，得到历史充满度时间序列数据，包括以下步骤；
28、s3.1，对历史充满度数据进行等间隔采样；
29、s3.2，使用缺失值前一个数据和后一个数据的平均值替代缺失值，获得充满度时间序列数据f＝{ft-i,……,ft-2,ft-1,ft}，ft表示t时刻充满度数据，ft-1表示t-1时刻充满度数据，i表示时间序列长度。
30、所述步骤四、基于差分运算和平稳性检验对历史充满度时序数据进行平稳化，并求取差分阶数，包括以下步骤：
31、对历史充满度时序数据进行平稳性检验；利用差分将不平稳的时序数据处理为平稳的时序数据，对平稳的时序数据进行白噪声检验，获得平稳非白噪声时序数据和差分阶数。
32、所述步骤五、利用aic准则和bic准则求取自回归阶数和滑动平均阶数，通过人工设置阶数范围进行选择。
33、一种基于递归arima模型的抽油井充满度预测系统，包括：
34、示功图数据预处理模块，用于获得历史示功图数据，对所述历史示功图数据进行预处理；根据归一化后的历史示功图数据，利用重心分解曲率法提取抽油井阀门工作位置数据，得出每个示功图的历史的充满度数据；
35、时间序列数据构建模块，用于对历史的充满度数据进行重采样和缺失值填补处理，得到历史充满度时间序列数据；
36、充满度预测模型构建模块，用于基于差分运算和平稳性检验对历史充满度时序数据进行平稳化，并求取差分阶数；利用aic准则和bic准则求取自回归阶数和滑动平均阶数；基于差分阶数、自回归阶数和滑动平均阶数确定arima模型结构，并求取arima模型参数，获得基于历史示功图数据的充满度预测模型；
37、历史充满度预测模块，用于基于所获得的充满度预测模型进行充满度预测，得到基于历史示功图数据的预测值；
38、真实充满度预测模块，用于将油井实际运行的真实示功图数据进行与历史示功图数据同样的处理，即通过示功图数据预处理模块获得真实的充满度数据后，通过时间序列数据构建模块得到真实的充满度时间序列数据；用滑动窗口更新真实的充满度时间序列数据，再通过充满度预测模型构建模块，通过再次求取arima模型参数，获得基于真实示功图数据的新的充满度预测模型，得到基于真实示功图数据的充满度预测值。
39、一种基于递归arima模型的抽油井充满度预测装置，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的一种基于递归arima模本文档来自技高网...
【技术保护点】
1.一种基于递归ARIMA模型的抽油井充满度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于递归ARIMA模型的抽油井充满度预测方法，其特征在于，步骤一中，对所述历史示功图数据进行预处理，包括以下步骤：
3.根据权利要求1所述的一种基于递归ARIMA模型的抽油井充满度预测方法，其特征在于，所述步骤二、根据归一化后的历史示功图数据，利用重心分解曲率法提取抽油井阀门工作位置数据，得出每个示功图的历史充满度数据，包括以下步骤：
4.根据权利要求1所述的一种基于递归ARIMA模型的抽油井充满度预测方法，其特征在于，所述步骤三、对历史充满度数据进行重采样和缺失值填补处理，得到历史充满度时间序列数据，包括以下步骤；
5.根据权利要求1所述的一种基于递归ARIMA模型的抽油井充满度预测方法，其特征在于，所述步骤四、基于差分运算和平稳性检验对历史充满度时序数据进行平稳化，并求取差分阶数，包括以下步骤：
6.根据权利要求1所述的一种基于递归ARIMA模型的抽油井充满度预测方法，其特征在于，所述步骤五、利用AIC准则和
7.一种基于递归ARIMA模型的抽油井充满度预测系统，其特征在于，包括：
8.一种基于递归ARIMA模型的抽油井充满度预测装置，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-6任一项所述的一种基于递归ARIMA模型的抽油井充满度预测方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-6任一项所述的一种基于递归ARIMA模型的抽油井充满度预测方法。
...【技术特征摘要】
1.一种基于递归arima模型的抽油井充满度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于递归arima模型的抽油井充满度预测方法，其特征在于，步骤一中，对所述历史示功图数据进行预处理，包括以下步骤：
3.根据权利要求1所述的一种基于递归arima模型的抽油井充满度预测方法，其特征在于，所述步骤二、根据归一化后的历史示功图数据，利用重心分解曲率法提取抽油井阀门工作位置数据，得出每个示功图的历史充满度数据，包括以下步骤：
4.根据权利要求1所述的一种基于递归arima模型的抽油井充满度预测方法，其特征在于，所述步骤三、对历史充满度数据进行重采样和缺失值填补处理，得到历史充满度时间序列数据，包括以下步骤；
5.根据权利要求1所述的一种基于递归arima模型的抽油井充满度预测方法，其特征在于，所述步骤四、基于差分运算和平稳性检...
【专利技术属性】
技术研发人员：刘朋，赵雪峰，张阳阳，关景元，王宏亮，
申请(专利权)人：沈阳中科奥维科技股份有限公司，
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。