【技术实现步骤摘要】
本专利技术涉及地热产能预测，特别是涉及一种基于神经网络预测egs地热系统发电量方法。
技术介绍
1、随着全球科技的持续进步，数字化、信息化和智能化已成为主导趋势。大数据的快速增长为机器学习技术提供了强大的推动力，使其在各种应用场景中都表现出高效、准确和智能的特点。在地热能源领域，数字化和智能化的开发已经成为了不可逆转的趋势。因此，研究机器学习技术在egs(增强地热系统)地热发电领域的应用显得尤为重要。这不仅可以降低成本、提高效率，还能够为egs地热系统稳定运行提供指导开发。
2、egs地热系统的发电量的演化趋势表现出高维度、非线性、高时滞等特性，受到多种因素的影响，如储层物性、注采参数、布井方式和开采时间等。因此，对egs地热系统发电量的实时、准确预测是一项具有挑战性的工作。尽管传统的数值模拟方法和计算可以预测egs地热系统的发电量，但这种方法通常需要较长的计算时间，缺乏实时性，预测效果偏差。过去，研究者们已经对机器学习技术在预测时序数据上进行了大量的研究，但大部分研究主要集中在油气产量预测上，很少有研究考虑到储层参数、地层物性参数等关键因素对egs地热系统发电量的影响。此外，尽管lstm在处理时序数据上有其独特的优势，但仅依赖lstm进行egs地热系统发电量预测的效果并不尽如人意。
3、因此，如何设计一种能够准确、稳定地预测在不同约束条件下的egs地热系统发电量的方法，对于本领域的技术人员来说是一个迫切需要解决的问题。
技术实现思路
1、为了克服现有技术的
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于神经网络预测egs地热系统发电量方法，包括：
4、获取主控因素，并根据所述主控因素进行数值模拟，得到第一地热系统样本集；
5、利用激光测距传感器采集目标地区中所述主控因素对应的数值，得到采集信号；
6、对所述采集信号进行滤波，并根据滤波后的数据构建第二地热系统样本集；
7、对所述第一地热系统样本集和所述第二地热系统样本集进行归一化处理，得到训练数据集；
8、将所述训练数据集输入至cnn-lstm组合神经网络模型进行训练，得到训练好的发电量预测模型；
9、将待测数据输入至所述发电量预测模型中，得到累计发电量。
10、优选地，获取主控因素，并根据所述主控因素进行数值模拟，得到第一地热系统样本集，包括：
11、获取多个所述主控因素；所述主控因素包括井长、垂直井间距、水平井间距、裂缝数量、裂缝长度与裂缝宽度；
12、对每个所述主控因素进行预设范围内的赋值，得到多个模拟环境组合参数；
13、对每个所述模拟环境组合参数进行数值模拟，得到不同的所述主控因素下的所述第一地热系统样本集。
14、优选地，对所述采集信号进行滤波，并根据滤波后的数据构建第二地热系统样本集，包括：
15、对所述采集信号在多个尺度上进行小波分解，得到对应的小波系数；
16、根据所述采集信号的大小和分解尺度构建滤波阈值；
17、利用所述滤波阈值构建信号滤波模型；
18、利用所述信号滤波模型对所述采集信号进行滤波，得到滤波后的采集信号；
19、对所述采集信号进行转换，得到初始数据集；
20、对所述初始数据集进行数值模拟，得到所述第二地热系统样本集。
21、优选地，所述滤波阈值的公式为：其中，λj表示在第j个分解尺度下的滤波阈值，σj表示在第j个分解尺度下的噪声标准差，nj表示在第j个分解尺度下的信号长度，j表示分解尺度。
22、优选地，所述信号滤波模型的公式为：
23、其中，sign为符号函数，a为第一预设系数，b为第二预设系数，ωj,k表示在第j个分解尺度下第k个小波系数，表示滤波后的小波系数。
24、优选地，所述cnn-lstm组合神经网络模型包括：cnn神经网络模型和lstm网络；
25、其中，所述cnn神经网络模型包括依次设置的两个堆叠的卷积层、relu激活函数以及池化层；所述cnn神经网络模型用于输出空间特征提取后的数据；所述lstm网络用于接收所述空间特征提取后的数据，通过lstm单元更新和传输过程以及线性层转换过程，得到预测的累计发电量。
26、优选地，所述cnn神经网络模型和所述lstm网络中的sigmoid函数和tanh激活函数的数值范围分别为[0,1]和[-1,1]。
27、优选地，将所述训练数据集输入至cnn-lstm组合神经网络模型进行训练之后，还包括：
28、利用验证集对训练后的cnn-lstm组合神经网络模型进行精度验证，并采用均方根误差、均方根百分比误差和平均绝对误差百分比对预测结果进行误差分析，以得到训练好的发电量预测模型。
29、优选地，所述cnn-lstm组合神经网络模型是通过所述cnn神经网络模型和所述lstm网络通过张量处理层进行集成的。
30、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
31、本专利技术提供了一种基于神经网络预测egs地热系统发电量方法，包括：获取主控因素，并根据所述主控因素进行数值模拟，得到第一地热系统样本集；利用激光测距传感器采集目标地区中所述主控因素对应的数值，得到采集信号；对所述采集信号进行滤波，并根据滤波后的数据构建第二地热系统样本集；对所述第一地热系统样本集和所述第二地热系统样本集进行归一化处理，得到训练数据集；将所述训练数据集输入至cnn-lstm组合神经网络模型进行训练，得到训练好的发电量预测模型；将待测数据输入至所述发电量预测模型中，得到累计发电量。本专利技术能够准确、稳定地预测在不同约束条件下的egs地热系统发电量。
本文档来自技高网...【技术保护点】
1.一种基于神经网络预测EGS地热系统发电量方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络预测EGS地热系统发电量方法，其特征在于，获取主控因素，并根据所述主控因素进行数值模拟，得到第一地热系统样本集，包括：
3.根据权利要求1所述的基于神经网络预测EGS地热系统发电量方法，其特征在于，对所述采集信号进行滤波，并根据滤波后的数据构建第二地热系统样本集，包括：
4.根据权利要求3所述的基于神经网络预测EGS地热系统发电量方法，其特征在于，所述滤波阈值的公式为：其中，λj表示在第j个分解尺度下的滤波阈值，σj表示在第j个分解尺度下的噪声标准差，Nj表示在第j个分解尺度下的信号长度，j表示分解尺度。
5.根据权利要求4所述的基于神经网络预测EGS地热系统发电量方法，其特征在于，所述信号滤波模型的公式为：
6.根据权利要求1所述的基于神经网络预测EGS地热系统发电量方法，其特征在于，所述CNN-LSTM组合神经网络模型包括：CNN神经网络模型和LSTM网络；
7.根据权利要求6所述的基于神经网络预测E
8.根据权利要求1所述的基于神经网络预测EGS地热系统发电量方法，其特征在于，将所述训练数据集输入至CNN-LSTM组合神经网络模型进行训练之后，还包括：
9.根据权利要求6所述的基于神经网络预测EGS地热系统发电量方法，其特征在于，所述CNN-LSTM组合神经网络模型是通过所述CNN神经网络模型和所述LSTM网络通过张量处理层进行集成的。
...【技术特征摘要】
1.一种基于神经网络预测egs地热系统发电量方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络预测egs地热系统发电量方法，其特征在于，获取主控因素，并根据所述主控因素进行数值模拟，得到第一地热系统样本集，包括：
3.根据权利要求1所述的基于神经网络预测egs地热系统发电量方法，其特征在于，对所述采集信号进行滤波，并根据滤波后的数据构建第二地热系统样本集，包括：
4.根据权利要求3所述的基于神经网络预测egs地热系统发电量方法，其特征在于，所述滤波阈值的公式为：其中，λj表示在第j个分解尺度下的滤波阈值，σj表示在第j个分解尺度下的噪声标准差，nj表示在第j个分解尺度下的信号长度，j表示分解尺度。
5.根据权利要求4所述的基于神经网络预测egs地热系统发电量方法，其特征在于，所述信号滤波模型...
【专利技术属性】
技术研发人员：朱传勇，巩亮，段欣悦，周宁，黄迪，
申请(专利权)人：中国石油大学华东，
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。