CN104951842B - 一种新的油田产量预测方法 - Google Patents
一种新的油田产量预测方法 Download PDFInfo
- Publication number
- CN104951842B CN104951842B CN201410118229.5A CN201410118229A CN104951842B CN 104951842 B CN104951842 B CN 104951842B CN 201410118229 A CN201410118229 A CN 201410118229A CN 104951842 B CN104951842 B CN 104951842B
- Authority
- CN
- China
- Prior art keywords
- independent variable
- well
- yield
- arima
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明提供一种新的油田产量预测方法,该新的油田产量预测方法包括:步骤1,初步筛选确定影响产量的因素;步骤2,对基础数据进行处理;步骤3,自变量白噪声化,建立自变量自身的时间序列模型;步骤4,确定影响产量的决定因素;以及步骤5,利用时间序列模型建立产量的预测模型,并检验模型合理性。该新的油田产量预测方法应用于油田开发中影响产量的因素筛选、产量预测及风险评价,能够识别真正影响油田产量的决定因素,对产量进行预测,并对预测产量进行风险评价。
Description
技术领域
本发明涉及油田开发技术领域,特别是涉及到一种新的油田产量预测方法。
背景技术
油田的产量预测是油田开发工作中的重要内容,对把握油田开发形势部署与调整个油田开发方案有着重要意义。用于油田产量预测的方法很多。从统计和信息型预测方法的角度,可以分为两个层面,一是单因素预测问题,二是多因素预测问题。在单因素预测领域,所采取的主要研究方法是曲线拟合,仅能考虑单个因素的变化,无法考虑多因素作用。而在多因素预测领域,要么方法无法考量产油量历史数据的作用,要么都是静态问题,无法考虑因素之间变化非同步、具有后效性的动态关系。因此急需一种针适应性好,操作性强的方法进行产量预测。为此我们发明了一种新的新的油田产量预测方法,解决了以上技术问题。
发明内容
本发明的目的是提供一种应用于油田开发中影响产量的因素筛选、产量预测及风险评价的新的油田产量预测方法。
本发明的目的可通过如下技术措施来实现:新的油田产量预测方法,该新的油田产量预测方法包括:步骤1,初步筛选确定影响产量的因素;步骤2,对基础数据进行处理;步骤3,自变量白噪声化,建立自变量自身的时间序列模型;步骤4,确定影响产量的决定因素;以及步骤5,利用时间序列模型建立产量的预测模型,并检验模型合理性。
本发明的目的还可通过如下技术措施来实现:
该新的油田产量预测方法还包括,在步骤1之前,选取待预测的目标油田,开展产量预测及风险评价工作。
在步骤1中,初步考察影响油田产量的因素为反映油田开发阶段的综合含水,反映物质基础的采出程度、单井控制储量,反映开发条件的采油速度、新井投产井数、年注水量的因素。
在步骤2中,对初选因素数据序列中锯齿状波动、明显不符合运行规律的错误数据进行处理,对序列中缺失值进行填充,并将处理后的数据序列标准化。
在步骤3中,同时通过差分、自回归、移动平均方法对自变量进行处理,建立自变量时间序列模型。
在步骤3中,建立的自变量时间序列模型为:
1)综合含水:ARIMA(0,1,0)(2,1,0)12
2)单井控制储量:ARIMA(1,1,0)(1,0,0)12
3)采出程度:ARIMA(0,2,1)
4)采油速度:ARIMA(1,1,0)
5)新井投产井数:ARIMA(0,1,1)(1,1,0)12
6)年注水量:ARIMA(0,1,0)。
在步骤4中,检验分析井产量与自变量之间的相关性,删除相关性较低的自变量,保留相关性强的自变量作为影响产量的决定因素。
在步骤5中,预测模型影响因素为标准化后的新井投产井数,综合含水,因变量的残差这几个主要因素,同时检验结果显示拟合精度、系数检验、残差检验均通过检验。
该新的油田产量预测方法还包括,在步骤5之后,对预测结果进行风险分析。
本发明中的新的油田产量预测方法,能够识别真正影响油田产量的决定因素,并能分析决定因素与产量在时间上的动态关联以及产量的自相关性,对产量进行预测,并对预测产量进行风险评价。
附图说明
图1为本发明的新的油田产量预测方法的一具体实施例的流程图;
图2为本发明的一具体实例中的新井投产井数与产量的相关关系图;
图3为本发明的一具体实例中的A油田2013年新井年产油模拟分布直方图。
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂,下文特举出较佳实施例,并配合所附图式,作详细说明如下。
如图1所示,图1为本发明的一种新的油田产量预测方法的一具体实施例流程图。在步骤101,选取待预测的目标A油田,开展产量预测及风险评价工作,流程进入到步骤103。
在步骤103,初步筛选确定影响产量的因素。从影响油田产量的因素入手,筛选得到可能对油田产量产生影响的因素。初步考察影响A油田新井产量的因素为反映油田开发阶段的综合含水,反映物质基础的采出程度、单井控制储量,反映开发条件的采油速度、新井投产井数、年注水量。流程进入到步骤105。
在步骤105,基础数据处理。对提供的数据源异常点、缺失值进行处理,同时对不同量纲的数据标准化。对初选因素数据序列中锯齿状波动、明显不符合运行规律的错误数据进行处理,对序列中缺失值进行填充,并将处理后的数据序列标准化。流程进入到步骤107。
在步骤107,自变量白噪声化。同时通过差分、自回归、移动平均等方法对自变量进行处理,建立自变量自身的时间序列模型。自变量白噪声化,即建立自变量的时间序列模型。
1)综合含水:ARIMA(0,1,0)(2,1,0)12
2)单井控制储量:ARIMA(1,1,0)(1,0,0)12
3)采出程度:ARIMA(0,2,1)
4)采油速度:ARIMA(1,1,0)
5)新井投产井数:ARIMA(0,1,1)(1,1,0)12
6)年注水量:ARIMA(0,1,0) 。流程进入到步骤109。
在步骤109,确定影响产量的决定因素。检验分析新井产量与自变量之间的相关性,删除相关性较低的自变量,保留相关性强的自变量作为影响产量的决定因素。经评价筛选,仅新井投产井数、综合含水为影响新井产量的决定因素,其他因素对产量几乎没有影响。同时分析得到,新井投产井数对新井产量影响具有一个月的滞后,综合含水对新井产量的影响具有半年的滞后。如新井投产井数与产量之间的相关关系见图2。流程进入到步骤111。
在步骤111,利用时间序列模型建立产量的预测模型,并检验模型合理性。预测模型影响因素为标准化后的新井投产井数,综合含水,因变量的残差几个主要因素。同时检验结果显示拟合精度、系数检验、残差检验均通过检验。预测结果见表1。
表1 2013年预测新井单井年产油期望值与实际值对比
流程进入到步骤113。
在步骤113,对预测结果进行风险分析。2013年新井年产油量概率最大产量16.5万吨,2013年新井年产油量以95%概率出现在14.3-19.3万吨之间,见图3。
Claims (4)
1.一种新的油田产量预测方法,其特征在于,该新的油田产量预测方法包括:
步骤1,初步筛选确定影响产量的因素;
步骤2,对基础数据进行处理;
步骤3,自变量白噪声化,建立自变量时间序列模型;
步骤4,确定影响产量的决定因素;以及
步骤5,利用时间序列模型建立产量的预测模型,并检验模型合理性;
在步骤2中,对初选因素数据序列中锯齿状波动、明显不符合运行规律的错误数据进行处理,对序列中缺失值进行填充,并将处理后的数据序列标准化;
在步骤3中,同时通过差分、自回归、移动平均方法对自变量进行处理,建立自变量时间序列模型;
在步骤3中,建立的自变量时间序列模型为:
1)综合含水:ARIMA(0,1,0)(2,1,0)12
2)单井控制储量:ARIMA(1,1,0)(1,0,0)12
3)采出程度:ARIMA(0,2,1)
4)采油速度:ARIMA(1,1,0)
5)新井投产井数:ARIMA(0,1,1)(1,1,0)12
6)年注水量:ARIMA(0,1,0);
在步骤4中,检验分析井产量与自变量之间的相关性,删除相关性较低的自变量,保留相关性强的自变量作为影响产量的决定因素;
在步骤5中,预测模型影响因素为标准化后的新井投产井数,综合含水,因变量的残差这几个主要因素,同时检验结果显示拟合精度、系数检验、残差检验均通过检验。
2.根据权利要求1所述的新的油田产量预测方法,其特征在于,该方法还包括在步骤1之前,选取待预测的目标油田,开展产量预测及风险评价工作。
3.根据权利要求1所述的新的油田产量预测方法,其特征在于,在步骤1中,初步考察影响油田产量的因素为反映油田开发阶段的综合含水,反映物质基础的采出程度、单井控制储量,反映开发条件的采油速度、新井投产井数、年注水量的因素。
4.根据权利要求1所述的新的油田产量预测方法,其特征在于,该方法还包括在步骤5之后,对预测结果进行风险分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410118229.5A CN104951842B (zh) | 2014-03-27 | 2014-03-27 | 一种新的油田产量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410118229.5A CN104951842B (zh) | 2014-03-27 | 2014-03-27 | 一种新的油田产量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104951842A CN104951842A (zh) | 2015-09-30 |
CN104951842B true CN104951842B (zh) | 2018-11-30 |
Family
ID=54166481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410118229.5A Active CN104951842B (zh) | 2014-03-27 | 2014-03-27 | 一种新的油田产量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104951842B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631754B (zh) * | 2015-12-29 | 2019-03-15 | 中国石油天然气股份有限公司 | 一种确定海外油田的产量剖面数据的方法和装置 |
CN107133879B (zh) * | 2016-02-26 | 2021-06-15 | 中国石油化工股份有限公司 | 一种筛选相似油田的方法 |
CN109002927A (zh) * | 2018-07-30 | 2018-12-14 | 中国石油化工股份有限公司 | 基于递归神经网络的油田勘探储量预测方法 |
CN109523072A (zh) * | 2018-11-02 | 2019-03-26 | 中国石油化工股份有限公司 | 基于lstm的油田产油量预测方法 |
CN109784539B (zh) * | 2018-12-17 | 2021-06-15 | 第四范式(北京)技术有限公司 | 用于指标预测模型训练及井组调节操作确定的方法和装置 |
CN110335092A (zh) * | 2019-07-15 | 2019-10-15 | 联想(北京)有限公司 | 一种数据处理方法、装置及计算设备 |
CN111738584B (zh) * | 2020-06-15 | 2024-01-30 | 中国石油化工股份有限公司 | 矿场应用油井产能分析方法 |
CN112360399A (zh) * | 2020-11-30 | 2021-02-12 | 中国石油大学(北京) | 煤层气产量预测方法、装置及设备 |
CN112819247B (zh) * | 2021-02-25 | 2024-01-19 | 中国石油大学(北京) | 一种油田开发指标的预测分析系统及其预测方法 |
CN113297803B (zh) * | 2021-06-17 | 2022-12-06 | 东北石油大学 | 一种油气产量智能模拟预估方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1712996A (zh) * | 2004-06-25 | 2005-12-28 | 大庆油田有限责任公司 | 一种油田产量的预测方法 |
CN103003522A (zh) * | 2010-06-16 | 2013-03-27 | Foroil公司 | 提高成熟气田或油田的产量的方法 |
-
2014
- 2014-03-27 CN CN201410118229.5A patent/CN104951842B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1712996A (zh) * | 2004-06-25 | 2005-12-28 | 大庆油田有限责任公司 | 一种油田产量的预测方法 |
CN103003522A (zh) * | 2010-06-16 | 2013-03-27 | Foroil公司 | 提高成熟气田或油田的产量的方法 |
Non-Patent Citations (3)
Title |
---|
ARIMA模型在研究油气田产量递减规律中的应用;陈汶滨 等;《中国西部科技》;20100225;第9卷(第6期);第21-23,59页 * |
油田产量预测的新方法及其应用;刘秀婷 等;《石油勘探与开发》;20020830;第29卷(第4期);第74-76页 * |
油田累积产油量统计建模——以河南油田为例;李鹏飞 等;《国土资源科技管理》;20101215;第27卷(第6期);第112-118页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104951842A (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104951842B (zh) | 一种新的油田产量预测方法 | |
CN102682760B (zh) | 重叠语音检测方法和系统 | |
CN108166963B (zh) | 一种海上油气井压裂效果评价方法 | |
CN104573000B (zh) | 基于排序学习的自动问答装置及方法 | |
CN110177108A (zh) | 一种异常行为检测方法、装置及验证系统 | |
US20190065640A1 (en) | History matching of hydrocarbon production from heterogenous reservoirs | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN104484410A (zh) | 应用于大数据系统的数据融合方法及系统 | |
CN109034140A (zh) | 基于深度学习结构的工业控制网络信号异常检测方法 | |
CN103750552A (zh) | 一种智能取样方法及其在香烟质量控制的应用 | |
CN103678938B (zh) | 一种面向空间形状和误差范围的退化模型一致性检验方法 | |
CN105089642B (zh) | 油气藏异常生产井的识别方法及装置 | |
CN107301285B (zh) | 基于剩余寿命预测的非电子产品序贯验证试验方法 | |
Page et al. | Turing‐style tests for UCERF3 synthetic catalogs | |
SJ et al. | Impact of financial crisis in Asia | |
US10902428B1 (en) | Maintaining a risk model using feedback directed to other risk models | |
CN105608460A (zh) | 多分类器融合方法和系统 | |
CN112579847A (zh) | 生产数据的处理方法和装置、存储介质及电子设备 | |
CN105469141A (zh) | 基于神经网络的预测方法及系统 | |
CN105373473A (zh) | 基于原始信令解码的cdr准确性测试方法及测试系统 | |
CN109634854A (zh) | 一种检测软件工程算法组态异常的方法 | |
CN109214447A (zh) | 模型训练方法及装置、磁盘寿命预测方法及装置 | |
Cautun et al. | Understanding the cosmic web | |
Mahmudah | Autoregressive integrated moving average model to predict graduate unemployment in Indonesia | |
CN113936750A (zh) | 一种优化堵漏材料配比的方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |