CN104632188A - 一种单油井产量的预测方法及装置 - Google Patents

Abstract

本发明提供了一种单油井产量的预测方法及装置，本发明在众多影响单油井产量的因素中筛选出影响油井产量的主要元素，忽略一些次要元素，从而降低了输入特征向量的维度，加快了运行速度。并且本发明采用GRNN作为预测模型，由于GRNN网络结构较为简单，不需要对模型的隐含层数量进行估算和猜测，且GRNN是从径向基函数引申而来的，因此只有一个影响因子，即径向基函数的平滑参数，影响因子的优化值可以通过交叉验证方法获得，简单方便，并且GRNN结果的具有全局收敛性，从而能够达到全局最优解，使预测误差较小。

Description

一种单油井产量的预测方法及装置

技术领域

本发明涉及自动化技术领域，尤其涉及一种单油井产量的预测方法及装置。

背景技术

油田产量预测是科学管理油田和制定经济计划的依据，它决定了油田生产投资的规模和决策方向。人们希望早日知道单油井产量变化，进而计算油田的经济极限产量，适时做出油田补充开发决策，使综合效益最大化。单油井产量预测是一个复杂的多变量非线性动力学系统，所以现有技术中一般利用BP神经网络模型对单油井产量进行预测，但基于BP神经网络的预测方法需要选择网络参数多，训练速度慢，容易陷入局部最优解。

所以现在需要一种新的方法来预测单油井产量，以便达到使用参数少，训练速度快，而且预测误差小的目的。

发明内容

本发明提供了一种单油井产量的预测方法及装置，本发明能够达到使用参数少，训练速度快，而且预测误差小的目的。

一种单油井产量的预测方法，包括：

获取与所述多个主要因素对应的单油井数据，所述多个主要因素为预先在影响单油井产量的众多因素中利用灰色关联度分析法，确定的主要影响单油井产量的因素；

将所述单油井数据进行无量纲化处理获得无量纲单油井数据；

将所述无量纲单油井数据输入至广义神经网络模型GRNN，经所述GRNN运算后输出与单油井数据对应的单油井产量，所述GRNN为依据至少一组训练样本数据经交叉验证方法训练影响因子的、以所述多个主要因素对应的原始数据为输入并以单油井产量为输出的模型。

优选的，在影响单油井产量的众多因素中利用灰色关联度分析法，确定的主要影响单油井产量的因素包括：

将影响单油井产量的众多因素分别在多个时刻的数据作为比较序列，将单油井在所述多个时刻的产量作为参考序列；

对所述参考序列和比较序列进行无量纲化处理；

计算参考序列中每个因素在所述多个时刻内与所述比较序列的关联度；

将所述众多因素的关联度依次排序，在关联度中由高至低选取多个因素作为影响单油井产量的主要因素。

优选的，所述计算参考序列中每个因素在所述多个时刻内与所述比较序列的关联度包括：

计算所述参考序列与所述比较序列在各个时刻的关联度系数；

将参考序列中每个因素在多个时刻的关联度系数求平均值，将均值作为该因素在所述多个时刻内与所述比较序列的关联度。

优选的，进行无量纲化处理的方式包括：

均值化变化、初值化变换或标准化变换。

优选的，所述GRNN的构建过程包括：

将经过无量纲化处理后的多个主要因素对应数据作为所述GRNN的输入特征向量，对应的单油井产量作为输出特征向量；

确定所述GRNN的初始影响因子，并确定影响因子的范围以及步长；

在影响因子的范围内，利用交叉验证法训练所述GRNN的影响因子，直到所述GRNN的输出与所述输出特征向量的误差在允许范围内，所述GRNN训练完成。

一种单油井产量的预测装置，包括：

获取单元，用于获取与所述多个主要因素对应的单油井数据，所述多个主要因素为预先在影响单油井产量的众多因素中利用灰色关联度分析法，确定的主要影响单油井产量的因素；

处理单元，用于将所述单油井数据进行无量纲化处理获得无量纲单油井数据；

预测单元，用于将所述无量纲单油井数据输入至广义回归神经网络模型GRNN，经所述GRNN运算后输出与单油井数据对应的单油井产量，所述GRNN为依据至少一组训练样本数据经交叉验证方法训练影响因子的、以所述多个主要因素对应的原始数据为输入并以单油井产量为输出的模型。

优选的，还包括：

确定主要因素单元，用于将影响单油井产量的众多因素分别在多个时刻的数据作为比较序列，将单油井在所述多个时刻的产量作为参考序列；对所述参考序列和比较序列进行无量纲化处理；计算参考序列中每个因素在所述多个时刻内与所述比较序列的关联度；将所述众多因素的关联度依次排序，在关联度中由高至低选取多个因素作为影响单油井产量的主要因素。

优选的，还包括：

构建模型单元，用于将经过无量纲化处理后的多个主要因素对应数据作为所述GRNN的输入特征向量，对应的单油井产量作为输出特征向量；确定所述GRNN的初始影响因子，并确定影响因子的范围以及步长；在影响因子的范围内，利用交叉验证法训练所述GRNN的影响因子，直到所述GRNN的输出与所述输出特征向量的误差在允许范围内，所述神经网络模型训练完成。

优选的，其特征在于，

所述众多因素包括：油压、含水率、累积产油量、累积产气量和月产水量；

所述多个主要因素包括：油压、含水率、累积产油量和累积产气量。

优选的，所述初始影响因子为0.1，的范围为0.1-2，步长0.1。

本发明提供了一种单油井产量的预测方法及装置，本发明在众多影响单油井产量的因素中筛选出影响油井产量的主要元素，忽略一些次要元素，从而降低了输入特征向量的维度，加快了运行速度。并且本发明采用GRNN作为预测模型，由于GRNN网络结构较为简单，不需要对模型的隐含层数量进行估算和猜测，且GRNN是从径向基函数引申而来的，因此只有一个影响因子，即径向基函数的平滑参数，影响因子的优化值可以通过交叉验证方法获得，简单方便，并且GRNN结果的具有全局收敛性，从而能够达到全局最优解，使预测误差较小。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种单油井产量的预测方法的流程图；

图2为本发明实施例公开的又一种单油井产量的预测方法的流程图；

图3为本发明实施例公开的又一种单油井产量的预测方法的流程图；

图4为本发明实施例公开的一种单油井产量的预测方法的结果示意图；

图5为本发明实施例公开的又一种单油井产量的预测方法的结果示意图；

图6为本发明实施例公开的一种单油井产量的预测装置的结构图；

图7为本发明实施例公开的又一种单油井产量的预测装置的结构图。

具体实施方式

GRNN，Generalized regression neural network，广义回归神经网络模型。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供了一种单油井产量的预测方法，包括：

步骤S101：获取与所述多个主要因素对应的单油井数据，所述多个主要因素为预先在影响单油井产量的众多因素中利用灰色关联度分析法，确定的主要影响单油井产量的因素；

在实际使用过程中发现，单油井产量受到众多因素的干扰，例如：油压、含水率、累积产油量、累积产气量或月产水量，在众多因素中有一些因素对单油井产量的影响较大，有一些因素对单油井产量的影响较小，为了降低预测模型的运算复杂度，在预测单油井产量时，仅考虑对单油井产量影响较大的因素，忽略对单油井产量影响较小的因素。

预测模型的输入特征向量为影响单油井产量的因素，由于输入至预测模型因素减少，所以能够降低预测模型的输入特征向量的维度，从而加快了预测模型的运行速度。

步骤S102：将所述单油井数据进行无量纲化处理获得无量纲单油井数据；

影响单油井产量的主要因素有多个，例如：油压、累积产油量或累积产气量，由于各个因素的物理意义不同，导致不同因素对应数据的量纲也不同，在后续处理时难以得到正确的结论，所以在进行后续处理之前，首先各个主要因素进行无量纲化处理。常用的无量纲化处理方法有均值化变换、初值化变换或标准化变换。

步骤S103：将所述无量纲单油井数据输入至广义回归神经网络模型GRNN，经所述神经网络模型运算后输出与单油井数据对应的单油井产量，所述GRNN为依据至少一组训练样本数据经交叉验证方法训练影响因子Spread的、以所述多个主要因素对应的原始数据为输入并以单油井产量为输出的模型。

GRNN为预先经过训练样本数据训练得到的，训练样本数据为与主要元素对应的原始样本数据以及与该原始样本数据对应的单油井产量，通过训练样本数据训练广义回归神经模型中的影响因子的大小，使得影响因子能够决定GRNN的输入特征向量与输出特征向量之间的关系，从而使得GRNN在接收主要元素对应的数据后，经过影响因子的作用后，即可输出单油井产量。

将无量纲化处理后得到的数据，作为输入特征向量输入至GRNN中，GRNN经过自身运算后输出与无量纲化数据对应的单油井产量。后续便可使用单油井产量进行油井预测和油井评估。

本发明提供了一种单油井产量的预测方法，本发明在众多影响单油井产量的因素中筛选出影响油井产量的主要元素，忽略一些次要元素，从而降低了输入特征向量的维度，加快了运行速度。并且GRNN网络结构较为简单，不需要对模型的隐含层数量进行估算和猜测，且GRNN是从径向基函数引申而来的，因此只有一个影响因子，即径向基函数的平滑参数，影响因子的优化值可以通过交叉验证方法获得，并且GRNN的输出结果具有全局收敛性，能够达到全局最优解，所以相对于BP神经网络模型的局部最优解而言，能够降低预测误差。

下面详细介绍利用灰色关联度分析法确定相应单油井产量主要因素的过程，如图2所示，包括以下步骤：

步骤S201：将影响单油井产量的众多因素分别在多个时刻的数据作为比较序列，将单油井在所述多个时刻的产量作为参考序列；

灰色关联度分析方法中将反映系统行为特征的数据序列称为参考数列，影响系统行为因素组成的数据序列称为比较序列。因此本发明将单油井产量作为参考序列，将影响单油井产量的众多因素作为比较数列，例如：油压、含水率、累积产油量、累积产气量或月产水量。

为了使参考序列和比较数列具有可信度，本发明采集众多因素在多个时刻的数据，并采集在众多因素作用下在多个时刻的单油井产量，将众多因素在多个时刻的数据作为比较序列，将但油井产量在多个时刻的数据作为参考数列。其中，参考序列和比较序列采集数据的时刻是一致的。

步骤S202：对所述参考序列和比较序列进行无量纲化处理；

由于系统中各因素的物理意义不同，导致数据的量纲也不一定相同，在比较时难以得到正确的结论，因此，在进行灰色关联度分析时，需要对参考序列和比较序列在各个时刻的数据进行无量纲化处理。

步骤S203：计算参考序列中每个因素在所述多个时刻内与所述比较序列的关联度；

为了计算关联度，首先需要计算所述参考序列与所述比较序列在各个时刻的关联度系数；然后再将参考序列中每个因素在多个时刻的关联度系数求平均值，将均值作为该因素在所述多个时刻内与所述比较序列的关联度。

所谓关联度，实质上就是曲线间几何形状的差别程度，曲线间差值的大小可作为关联程度的衡量尺度。对于参考序列在某一时刻的一个参考数据X₀，有若干个比较数列中众多因素在同一时刻的比较数据：X₁,X₂,…,X_n，那么各个比较数据与若干个参考数列在各个时刻(即曲线中的各点)的关联系数R_oi(k)可由下述公式表示：

$R_{\mathrm{oi}}\left(k\right)=\frac{{\mathrm{\Δ}}_{\min }+\mathrm{\ξ}{\mathrm{\Δ}}_{\max }}{{\mathrm{\Δ}}_{\mathrm{oi}}\left(k\right)+{\mathrm{\ξ\Δ}}_{\max }}\·\·\·\·\·\·\·\·\·\·\·\·\left(1\right)$

其中，Δ_oi(k)＝|x'_o(k)-x_i'(k)|,(k＝1,2,…,m)，为各比较数列X_i曲线上的每一个点与参考数列X₀曲线上的每一个点的绝对差值；i代表不同比较序列，1≤i≤n，n为比较序列的个数，k代表不同时刻，1≤k≤m，m为多个时刻的总数，Δ_min、Δ_max分别表示所有比较序列在各个时刻绝对差中的最小值和最大值；ξ为分辨系数，0<ξ<1，其意义是削弱最大绝对差值太大引起的失真。

关联系数R_oi(k)反映两个比较序列在某一个时刻的紧密程度，关联系数的范围0<R_oi(k)<1。因为关联系数是比较数列与参考数列在各个时刻(即曲线中的点)的关联系数值，所以它的数值不止一个，而信息过于分散不便于进行整体比较。所以有必要将各个时刻(即曲线中的各点)的关联系数集中为1个值，即求每个因素在各个时刻的平均值，作为比较数列与参考数列间关联程度的数量表示。关联度公式为：

${\mathrm{\&gamma;}}_{\mathrm{io}}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{R}_{\mathrm{oi}}\left(k\right)\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\left(2\right)$

此外，还可以采用另一种方式来计算比较数列与参考数列之间的关联程度，将比较序列中每个因素在各个时刻的关联系数用几何坐标表示，横坐标为时间t，纵坐标为关联系数R的坐标图中，绘出关联系数曲线，该关联系数曲线与横坐标围城的面积，称为关系面积，记为S_oi，而参考序列与自身的关联系数处处为1，将纵坐标R＝1作水平线与横坐标间围成的面积作为重合面积，记为S_oo，则关联度的几何意义为关系面积与重合面积之比，即：

${\mathrm{\&gamma;}}_{\mathrm{oi}}=\frac{S_{\mathrm{oi}}}{S_{\mathrm{oo}}}\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\left(3\right)$

不论采用哪一种计算关联度的方式均可计算得到比较序列中每个因素与参考序列的关联程度，关联度的大小反映比较序列中每个因素与参考序列的关联程度，关联度大则说明该因素对参考序列的影响程度较大，关联度小则说明该因素对参考序列的影响程度较小。

步骤S204：将所述众多因素的关联度依次排序，在关联度中由高至低选取多个因素作为影响单油井产量的主要因素。

将上述步骤中得到众多因素的关联度按从大到小进行排序，从高至低选取关联程度较高的多个因素作为主要因素，因为其关联度大所以对单油井产量的影响较大，在具体应用中，若选取的主要因素数量过小，则不足以准确预测单油井产量，若选取的主要因素数量过多，则不能起到降低预测运算量的目的，所以优选的，选取四个主要因素作为GRNN的输入特征向量。

下面介绍GRNN的构建过程，如图3所示，包括：

步骤S301：将经过无量纲化处理后的多个主要因素对应数据作为所述GRNN的输入特征向量，对应的单油井产量作为输出特征向量；

在实际使用过程中在某一时刻采集多个主要因素对应的数据，将该数据作为原始样本数据，并采集该时刻的单油井产量，原始样本数据和单油井产量的组合作为训练样本数据，将训练样本数据进行无量纲化，以便后续处理。

步骤S302：确定所述GRNN的初始影响因子Spread，并确定影响因子Spread的范围以及步长；

确定GRNN中的输入层、隐含层和输出层数量，并确定影响因子的范围，随机在影响因子范围内选择一个作为初始影响因子。

步骤S303：在影响因子Spread的范围内，利用交叉验证法训练所述GRNN的影响因子Spread，直到所述GRNN的输出与所述输出特征向量的误差在允许范围内，所述神经网络模型训练完成。

在初始影响因子构成的GRNN中，将原始样本数据作为输入层的输入特征向量，经过初始影响因子作用后，输出层输出预测结果，将该预测结果与训练样本数据的输出特征向量进行对比，若两者的误差在允许范围内则结束训练，若没有在允许范围内，则在Spread的范围内以规定的步长修改影响因子，再继续对GRNN进行训练，直到某一个影响因子能够使GRNN的预测结果与输出特征向量的误差在允许范围内。

上述过程为一组训练样本数据对GRNN训练的过程，可以理解的是还可以采用多组训练样本数据对GRNN进行训练，以便使影响因子能够适应多组训练样本数据，使得影响因子具有广泛性，即使GRNN具有广泛性。

下面介绍本发明的具体实施例，本发明提出的基于GRNN的油井产量预测方法，该方法主要包括：基于灰色关联度分析法的获取主要因素、样本数据的选取和预处理以及基于GRNN的油井月产量预测三个步骤，GRNN输入层的主要因素为油压、含水率、累积产油量和累积产气量，GRNN的输出为单油井的月产油量。

1)在基于灰色关联度分析的主要影响因素步骤包括以下过程：

a、确定参考数列和比较数列。本发明中将单井月产量作为参考序列，将影响单井月产量的因素油压、含水率、累积产油量、累积产气量和月产水量作为比较数列。

b、对参考数列和比较数列进行无量纲化处理，本实施例中选用初值化变换进行无量纲化处理。用式(4)求参考数列和比较数列的初值项：

$X_i^{\&prime;}=\frac{X_i}{X_i\left(1\right)}=(x_i^{\&prime;}\left(1\right),x_i^{\&prime;}\left(2\right),\&CenterDot;\&CenterDot;\&CenterDot;,x_i^{\&prime;}\left(k\right)),(i=\mathrm{0,1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n;k=\mathrm{1,2}\&CenterDot;\&CenterDot;\&CenterDot;,m)\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\left(4\right)$

其中，X_i'为无量纲化处理后的数据，X_i为每个因素对应的数据，X_i(1)为每个因素在第一时刻对应的数据，本实施例中每个因素各个时刻的数据与第一时刻的数据相除，从而进行无量纲化处理。

c、计算参考数列和比较数列的差数列，其计算公式如式(5)：

Δ_oi(k)＝|x'_o(k)-x_i'(k)|,(k＝1,2,…,m)；

Δ_oi＝(Δ_i(1),Δ_i(2),…,Δ_i(n)),(i＝0,1,2,…,n)…………(5)

d、求两极最大差和最小差。其计算公式如式(6)：

${\mathrm{\&Delta;}}_{\max }=\underset{i}{\max }\underset{k}{\max }{\mathrm{\&Delta;}}_i\left(k\right),{\mathrm{\&Delta;}}_{\min }=\underset{i}{\min }\underset{k}{\min }{\mathrm{\&Delta;}}_i\left(k\right),(i=\mathrm{0,1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n;k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,m)\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\left(6\right)$

e、求参考数列与比较数列的灰色关联系数。可由下列公式7算出：

$R_{\mathrm{oi}}\left(k\right)=\frac{{\mathrm{\&Delta;}}_{\min }+\mathrm{\&xi;}{\mathrm{\&Delta;}}_{\max }}{{\mathrm{\&Delta;}}_{\mathrm{oi}}\left(k\right)+{\mathrm{\&xi;\&Delta;}}_{\max }}\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\left(7\right)$

其中Δ_oi(k)＝|x'_o(k)-x_i'(k)|,(k＝1,2,…,m)，为各比较数列X_i曲线上的每一个点与参考数列X₀曲线上的每一个点的绝对差值；Δ_min、Δ_max分别表示所有比较序列各个时刻绝对差中的最小值和最大值；ξ为分辨系数，0<ξ<1，其意义是削弱最大绝对差值太大引起的失真。本发明选取常ξ为常用的0.5。

f、求关联度γ_oi。联度公式为式8：

${\mathrm{\&gamma;}}_{\mathrm{io}}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{R}_{\mathrm{oi}}\left(k\right)\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\left(8\right)$

因为关联系数是比较数列与参考数列在各个时刻(即曲线中的点)的关联程度值，所以它的数不止一个，而信息过于分散不便于进行整体比较。因此有必要将各个时刻(即曲线中的各点)的关联系数集中为1个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示。

若用几何坐标表示，则在横坐标为时间t，纵坐标为关联系数R的坐标图中，绘出关联系数曲线，该关联系数曲线与横坐标围城的面积，称为关系面积，记为S_oi，而参考序列自身的关联系数处处为1。取纵坐标R＝1，作水平与横坐标间围成的面积为重合面积，记为S_oo，则关联度的几何意义为两面积之比，即 ${\mathrm{\&gamma;}}_{\mathrm{oi}}=\frac{S_{\mathrm{oi}}}{S_{\mathrm{oo}}}.$

g、排关联次序。

各个因素间的关联程度主要是用关联度的大小次序描述，而不仅是关联度的大小。将若比较序列对同一参考序列的关联度按大小顺序排列起来，便组成了关联序。关联度的大小反映了两列数据相互影响程度。关联度大则说明两因素间相互影响程度较大。本实施例中通过灰色关联度分析法求出各影响因素与月产量的关联度，选出关联度较大的油压、含水率、累积产油量、累积产气量四个主要影响因素作为GRNN的输入特征向量。

2、样本选取和预处理步骤包括以下步骤：

a、在油井实际运行过程中采集的哥主要影响因素的原始数据以及该样本数据下的油井月产量，将原始数据和油井月产量作为样本数据，将样本数据按照约3:2的比例分成训练样本集和测试样本集。

由于四个主要影响因素的量纲各不相同，为了提高模型的预测能力，对这些影响因素进行标准化处理，其计算公式如式9所示：

${\stackrel{\&OverBar;}{X}}_i\left(k\right)=\frac{X_i\left(k\right)-\min \left(X\left(k\right)\right)}{\max \left(X\left(k\right)\right)-\min \left(X\left(k\right)\right)}\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\left(9\right)$

其中，i＝0,1,2,…,n；k＝1,2,…,m。

3、基于GRNN的油井月产量预测的步骤包括以下过程：

a、将标准化处理后的主要影响因素作为GRNN的输入特征向量，对应的油井月产量作为输出特征向量，确定GRNN的初始影响因子Spread为0.1，构建GRNN初始预测模型；

b、确定Spread的选择范围0.1到2，步长为0.1。利用交叉验证法训练GRNN网络，并用循环比较方式选取最佳的影响因子Spread为0.6，使预测误差最小。

c、确定GRNN的油井产量预测模型，验证预测模型预测的相对误差。

如图4所示，为GRNN预测得到的油井产量与实际生产过程中得到油井产量，其中，横轴为生产月数，纵轴为单井月产量，从图4示中可以明显看出，本发明预测得到的油井产量曲线与实际生产中的油井产量曲线较为贴合，即本发明可以准确的预测油井产量。

如图5所示，为GRNN预测得到的油井产量与实际生产过程中的得到油井产量的相对误差。由图示可以看出本发明能够将相对误差控制在5％以内，由此可知本发明具有较高的准确性，能够准确的预测油井产量。

本发明提出的油井产量预测方法，借助灰色关联度分析方法对影响油井月产量的多种因素进行分析，比较各影响因素的关联度大小，选取关联度较大的主要影响因素作为特征向量值。降低了输入向量的维度，加快了运行速度。选用广义回归神经网络在逼近能力和学习速度上都优于BP神经网络，在参数设置上要比BP简单方便。本发明提出的基于GRNN的油井产量预测方法具有低复杂度、高精度和高实时性的优点。

如图6所示，本发明提供了一种单油井产量的预测装置，包括：

获取单元100，用于获取与所述多个主要因素对应的单油井数据，所述多个主要因素为预先在影响单油井产量的众多因素中利用灰色关联度分析法，确定的主要影响单油井产量的因素；

处理单元200，用于将所述单油井数据进行无量纲化处理获得无量纲单油井数据；

预测单元300，用于将所述无量纲单油井数据输入至GRNN，经所述神经网络模型运算后输出与单油井数据对应的单油井产量，所述GRNN为依据至少一组训练样本数据经交叉验证方法训练影响因子Spread的、以所述多个主要因素对应的原始数据为输入并以单油井产量为输出的模型。

如图7所示，本发明提供的单油井产量的预测装置还包括：

确定主要因素单元400，用于将影响单油井产量的众多因素分别在多个时刻的数据作为比较序列，将单油井在所述多个时刻的产量作为参考序列；对所述参考序列和比较序列进行无量纲化处理；计算参考序列中每个因素在所述多个时刻内与所述比较序列的关联度；将所述众多因素的关联度依次排序，在关联度中由高至低选取多个因素作为影响单油井产量的主要因素。

其中，所述众多因素包括：油压、含水率、累积产油量、累积产气量和月产水量；所述多个主要因素包括：油压、含水率、累积产油量和累积产气量。

构建模型单元500，用于将经过无量纲化处理后的多个主要因素对应数据作为所述GRNN的输入特征向量，对应的单油井产量作为输出特征向量；确定所述GRNN的初始影响因子Spread，并确定Spread的范围以及步长；在Spread的范围内，利用交叉验证法训练所述GRNN的影响因子Spread，直到所述GRNN的输出与所述输出特征向量的误差在允许范围内，所述神经网络模型训练完成。

所述初始影响因子Spread为0.1，Spread的范围为0.1-2，步长0.1。

本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种单油井产量的预测方法，其特征在于，包括：

获取与所述多个主要因素对应的单油井数据，所述多个主要因素为预先在影响单油井产量的众多因素中利用灰色关联度分析法，确定的主要影响单油井产量的因素；

将所述单油井数据进行无量纲化处理获得无量纲单油井数据；

将所述无量纲单油井数据输入至广义神经网络模型GRNN，经所述GRNN运算后输出与单油井数据对应的单油井产量，所述GRNN为依据至少一组训练样本数据经交叉验证方法训练影响因子的、以所述多个主要因素对应的原始数据为输入并以单油井产量为输出的模型。

2.如权利要求1所述的方法，其特征在于，在影响单油井产量的众多因素中利用灰色关联度分析法，确定的主要影响单油井产量的因素包括：

将影响单油井产量的众多因素分别在多个时刻的数据作为比较序列，将单油井在所述多个时刻的产量作为参考序列；

对所述参考序列和比较序列进行无量纲化处理；

计算参考序列中每个因素在所述多个时刻内与所述比较序列的关联度；

将所述众多因素的关联度依次排序，在关联度中由高至低选取多个因素作为影响单油井产量的主要因素。

3.如权利要求2所述的方法，其特征在于，所述计算参考序列中每个因素在所述多个时刻内与所述比较序列的关联度包括：

计算所述参考序列与所述比较序列在各个时刻的关联度系数；

将参考序列中每个因素在多个时刻的关联度系数求平均值，将均值作为该因素在所述多个时刻内与所述比较序列的关联度。

4.如权利要求1或2所述的方法，其特征在于，进行无量纲化处理的方式包括：

均值化变化、初值化变换或标准化变换。

5.如权利要求1所述的方法，其特征在于，所述GRNN的构建过程包括：

将经过无量纲化处理后的多个主要因素对应数据作为所述GRNN的输入特征向量，对应的单油井产量作为输出特征向量；

确定所述GRNN的初始影响因子，并确定影响因子的范围以及步长；

在影响因子的范围内，利用交叉验证法训练所述GRNN的影响因子，直到所述GRNN的输出与所述输出特征向量的误差在允许范围内，所述GRNN训练完成。

6.一种单油井产量的预测装置，其特征在于，包括：

获取单元，用于获取与所述多个主要因素对应的单油井数据，所述多个主要因素为预先在影响单油井产量的众多因素中利用灰色关联度分析法，确定的主要影响单油井产量的因素；

处理单元，用于将所述单油井数据进行无量纲化处理获得无量纲单油井数据；

预测单元，用于将所述无量纲单油井数据输入至广义回归神经网络模型GRNN，经所述GRNN运算后输出与单油井数据对应的单油井产量，所述GRNN为依据至少一组训练样本数据经交叉验证方法训练影响因子的、以所述多个主要因素对应的原始数据为输入并以单油井产量为输出的模型。

7.如权利要求6所述的装置，其特征在于，还包括：

确定主要因素单元，用于将影响单油井产量的众多因素分别在多个时刻的数据作为比较序列，将单油井在所述多个时刻的产量作为参考序列；对所述参考序列和比较序列进行无量纲化处理；计算参考序列中每个因素在所述多个时刻内与所述比较序列的关联度；将所述众多因素的关联度依次排序，在关联度中由高至低选取多个因素作为影响单油井产量的主要因素。

8.如权利要求7所述的装置，其特征在于，还包括：

构建模型单元，用于将经过无量纲化处理后的多个主要因素对应数据作为所述GRNN的输入特征向量，对应的单油井产量作为输出特征向量；确定所述GRNN的初始影响因子，并确定影响因子的范围以及步长；在影响因子的范围内，利用交叉验证法训练所述GRNN的影响因子，直到所述GRNN的输出与所述输出特征向量的误差在允许范围内，所述神经网络模型训练完成。

9.如权利要求7所述的装置，其特征在于，

所述众多因素包括：油压、含水率、累积产油量、累积产气量和月产水量；

所述多个主要因素包括：油压、含水率、累积产油量和累积产气量。

10.如权利要求8所述的装置，其特征在于，所述初始影响因子为0.1，的范围为0.1-2，步长0.1。