CN107909202B - 一种基于时间序列的油井产液量集成预测方法 - Google Patents

一种基于时间序列的油井产液量集成预测方法 Download PDF

Info

Publication number
CN107909202B
CN107909202B CN201711121614.5A CN201711121614A CN107909202B CN 107909202 B CN107909202 B CN 107909202B CN 201711121614 A CN201711121614 A CN 201711121614A CN 107909202 B CN107909202 B CN 107909202B
Authority
CN
China
Prior art keywords
esn
model
data set
value
output
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
Application number
CN201711121614.5A
Other languages
English (en)
Other versions
CN107909202A (zh
Inventor
李琨
韩莹
张志强
张爱华
魏泽飞
宿文肃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bohai University
Original Assignee
Bohai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bohai University filed Critical Bohai University
Priority to CN201711121614.5A priority Critical patent/CN107909202B/zh
Publication of CN107909202A publication Critical patent/CN107909202A/zh
Application granted granted Critical
Publication of CN107909202B publication Critical patent/CN107909202B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/048Activation functions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/086Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Physiology (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于石油生产技术领域,具体提供了一种基于时间序列的油井产液量集成预测方法,利用历史数据建立油井产液量数据集,采用经验模态分解方法对油井产液量数据集{Xi}中的数据进行处理;原数据集分解成k个IMF分量数据集和一个余项数据集;采用集成预测方法,分别由基于ELM方法和基于ESN方法以并行的方式同时对k个IMF分量数据集和一个余项数据集进行预测;将每个序列由两种方法所得到的预测值求平均值,然后将所有序列的预测值求和得到最终结果。本发明提供的这种预测方法,由过去一段时间的数据去预测未来某个时间点的值,原理简单,计算复杂性低,准确度高,可以有效降低异常数据的影响。

Description

一种基于时间序列的油井产液量集成预测方法
技术领域
本发明涉及石油生产技术领域,具体涉及一种基于时间序列的油井产液量集成预测方法。
背景技术
油井产液量是油田生产的一个重要指标,不仅关系到油井的生产寿命,还与企业的经济效益密切相关。对其进行准确的预测,对合理评价油井生产状况、及时调整抽汲参数和开采方案等都具有重要的意义。油井采油过程动态变化,会受到流体特性、油藏条件、人力干扰等的影响,很难在机理上掌握产油量的变化规律。目前的油田生产只能从井下采出油液后判断油井的实际生产状况,无法提前获知产液量的变化趋势。这使得油井开采方案的制定或调整总是滞后于油井的实际生产状况,影响企业生产效益。
发明内容
本发明的目的是克服现有技术的缺陷,提供一种基于时间序列的油井产液量集成预测方法,由已有的过去一段时期的油井产液量数据预测下一个时间点的产液量数据。
本发明的技术方案如下:
一种基于时间序列的油井产液量集成预测方法,包括如下步骤:
1)利用历史数据建立油井产液量数据集为{xi,i=1,2,…,n},n为数据点的个数;
2)采用经验模态分解(EMD,Empirical Mode Decomposition)方法即EMD方法对油井产液量数据集{xi}中的数据进行处理;
3)将{xi}中所有极大值点用三次样条插值函数拟合,得到{xi}的上包络线;将{xi}中所有极小值点用三次样条插值函数拟合,得到{xi}的下包络线;{xi}的上下包络线的平均值记作
Figure BSA0000153807920000011
将原数据集{xi}减去该平均值
Figure BSA0000153807920000012
得到一个新的数据集{h1(i)},记作:
Figure BSA0000153807920000013
4)若{h1(i)}满足条件,则将该{h1(i)}看作{xi}的第一个IMF分量,记为c1(i)=h1(i);若{h1(i)}不满足条件,则使{h1(i)}取代原数据集{xi},重复步骤3)直至计算得到一个满足条件的IMF分量,记为{c1(i)};
5)用{xi}减去{c1(i)}得到剩余值数据集{x1(i)},有:x1(i)=xi-c1(i);把{x1(i)}作为一个新的待分解数据集,重复步骤3)和步骤4),依次提取出第2个、第3个直至第k个IMF分量,以及原数据集的余项{rres(i)};当满足终止条件时结束分解,终止条件为最新的数据集不能再提取IMF分量;
原数据集{xi}分解成k个IMF分量数据集{ck(i)}和一个余项数据集{rres(i)};
6)将k个IMF分量数据集{ck(i)}和一个余项数据集{rres(i)}中的数据进行相空间重构,得到时间序列模型,输入表示为:Xt=[xt,xt+τ,…,xt+(m-1)τ],其中,t=1,2,…,M,m为嵌入维数,τ为延迟时间,M=n-(m-1)τ,n为数据集中数据的个数;将每个时间序列的输出表示为:Yt=xt+1+(m-1)τ
7)采用集成预测方法,分别由基于ELM方法(极限学习机的方法)和基于ESN方法(回声状态网络)以并行的方式同时对k个IMF分量数据集{ck(i)}和一个余项数据集{rres(i)}进行预测;
8)对于k个IMF分量数据集时间序列和一个余项数据集时间序列,首先将每个序列由两种方法所得到的预测值求平均值,然后将所有序列的预测值求和得到最终结果;计算公式如下:
Figure BSA0000153807920000021
其中,
Figure BSA0000153807920000022
表示第i个IMF分量数据集时间序列由ELM方法得到的预测值;
Figure BSA0000153807920000023
表示第i个IMF分量数据集时间序列由ESN方法得到的预测值;
Figure BSA0000153807920000024
表示余项数据集时间序列由ELM方法得到的预测值;
Figure BSA0000153807920000025
表示余项数据集时间序列由ESN方法得到的预测值。
所述步骤7)中根据极限学习机(ELM)方法建立k个IMF分量数据集{ck(i)}和一个余项数据集{rres(i)}的时间序列模型;每个模型的输入和输出分别为Xt和Yt,ELM方法的基本原理如下:
设有W个训练样本
Figure BSA0000153807920000026
其中uq为输入向量,vq为输出向量,设定包含L个隐含层,激活函数为f(·)以及模型的训练输出表示为Q=[g1,g2,…,gq]T,ELM模型由如下方程组进行描述:
Figure BSA0000153807920000027
其中,βlq为第l个隐含层神经元与第q个输出神经元之间的连接权值;ω1为隐含层神经元与输入神经元之间的连接权值;b1为第l个隐含层神经元的偏置;
如果训练模型能以零误差逼近W个训练样本,即有
Figure BSA0000153807920000028
那么对于式(1)有下式成立,
Figure BSA0000153807920000031
那么ELM模型的数学描述可以改写成如下矩阵形式:
Hβ=V (3)
式(3)中,有:
Figure BSA0000153807920000032
H为隐含层输出矩阵,ω和b在初始化时已随机给定。那么,ELM模型的训练可以转化成一个求解非线性方程最小值的问题,即:
Figure BSA0000153807920000033
输出权值矩阵β*可以由下式求出,
β*=H+V (6)
其中,H为隐含层输出矩阵H的Moore-Penrose广义逆;
那么,ELM的训练过程可以归纳为如下最优化问题:
Figure BSA0000153807920000034
其中,G(·)表示由ω和b所决定的函数,G(ω,b)表示当ω和b分别取不同值时的函数输出值;ELM训练的目的就是找到最优的β*,使模型的训练输出值gq和真实值vq之间的误差最小;
对于激活函数f(·)的选择,本发明专利采用高斯函数,定义如下:
Figure BSA0000153807920000035
其中,z表示输入向量,σ2为高斯函数的宽度参数。
进一步地,所述基于极限学习机方法建立时间序列模型的计算步骤如下:
初始化,随机生成隐含层输入权值ω,隐含层神经元的偏置b,高斯函数的宽度参数σ2
根据公式(4)计算隐含层输出矩阵H;
根据公式(6)计算输出权值矩阵β*
根据公式(7)计算函数输出值。
进一步地,由ELM方法建立时间序列模型的过程中,m、τ、ω、b和σ2的取值决定了ELM模型的计算精度,采用一种改进的果蝇优化算法(IFOA,Improved Fruit OptimizationAlgorithm)对m、τ、ω、b和σ2的取值进行优化选取;IFOA算法的数学描述如下:
(1)设定果蝇群体的位置区间[plow,pup],在位置区间内随机给定每个果蝇的初始位置Axis_xi和Axis_yi如下:
Axis_xi=plow+rand1·(pup-plow) (9)
Axis_yi=plow+rand2·(pup-plow) (10)
其中,i=1,2,...,sizepop,sizepop为果蝇群体中果蝇的个数;rand1和rand2分别为[0,1]区间内的随机数。
(2)果蝇个体利用嗅觉搜寻食物,每个个体的位置更新公式如下:
Figure BSA0000153807920000041
Figure BSA0000153807920000042
其中,Axis_Xi和Axis_Yi表示第i个果蝇个体移动后的位置坐标;BestAxis_x和BestAxis_y表示当前最优个体的位置坐标;Ite和Itemax分别表示当前迭代次数和最大迭代次数;rand3和rand4分别为[-1,1]区间内的随机数;rand5为[0,1]区间内的随机数。
(3)计算果蝇个体与原点的距离,如下:
Figure BSA0000153807920000043
(4)计算味道浓度判定值,如下:
Figure BSA0000153807920000044
(5)由果蝇个体的味道浓度判定值计算每个果蝇个体的味道浓度值,如下:
Smellt=fitness(St) (15)
其中,fitness为适应度函数,用以评价待优化参数的取值。
(6)找到果蝇群体中的最优个体,如下:
[bestSmell bestIndex]=min/max(Smell) (16)
其中,bestSmell表示最优的味道浓度值,bestIndex表示最优味道浓度值对应的果蝇个体的序号;min/max表示最小或最大。
进一步地,IFOA的计算步骤如下:
步骤(1)、产生初始的与待优化参数数量相同的果蝇群体,根据待优化参数的取值范围设定每个果蝇群体的位置区间[plow,pup],根据公式(9)和(10)得到每个果蝇群体中每个果蝇的初始位置;
步骤(2)、根据公式(13)和(14)分别计算每个果蝇群体中每个果蝇个体的味道浓度判定值;
步骤(3)、根据公式(15)分别计算每个果蝇群体中每个果蝇个体的味道浓度值;
步骤(4)、根据公式(16)找到每个果蝇群体中的最优果蝇个体,并记录它们的位置[BestAxis_x,BestAxis_y],定义变量Pop_local记录每一次迭代中每个果蝇群体中的最优果蝇个体的位置,定义变量Pop_global记录所有次迭代中每个果蝇群体中的最优果蝇个体的位置;
步骤(5)、根据公式(11)和(12)更新每个果蝇群体中每个果蝇的位置,重复步骤(2)到步骤(4);
步骤(6)、如果达到最大迭代次数,停止迭代,分别输出Pop_local和Pop_global中的果蝇个体的位置,并输出其味道浓度判定值;否则返回步骤(5)重新迭代。
进一步地,对于分别建立的k个IMF分量数据集时间序列模型和一个余项数据集时间序列模型,在采用ELM方法建立模型的同时,由IFOA方法对ELM计算过程中所涉及的m、τ、ω、b和σ2进行优化选取,计算步骤如下:
步骤7.1.1、初始化,产生初始5个果蝇群体,分别指派给m、τ、ω、b和σ2,设定m、τ、ω、b和σ2的取值范围;
步骤7.1.2、将k个IMF分量数据集和一个余项数据集中的数据分别归一化到[0,1]区间内,确定每一个待建立模型的输入和输出分别为Xt和Yt
步骤7.1.3、对于每一个待建立模型,由IFOA的计算步骤(1)-(6)得到最优的味道浓度判定值,分别对应m、τ、ω、b和σ2
步骤7.1.4、对于每一个待建立模型,将得到的最优参数值分别代入相空间重构后的时间序列模型和ELM模型,由输入Xt的值计算输出Yt的值并进行反归一化处理。
进一步地,根据回声状态网络(ESN)方法分别建立k个IMF分量数据集{ck(i)}和一个余项数据集{rres(i)}的时间序列模型;每个模型的输入和输出分别为Xt和Yt,ESN方法的基本原理如下:
ESN模型可以表示为:
Figure BSA0000153807920000051
其中,u(t)、x(t)和y(t)分别为输入单元、内部状态单元和输出单元在时刻t的值;Mesn、Nesn和Kesn分别为输入单元、内部状态单元和输出单元的数量;
ESN模型的学习方式可以由如下公式进行描述:
Figure BSA0000153807920000052
其中,xesn(t+1)和yesn(t+1)分别为内部状态单元和输出单元在时刻t+1的值;f(·)和fout(·)分别为内部单元和输出单元的激活函数;
Figure BSA0000153807920000061
为输入层到内部单元的连接权值矩阵;Wesn为内部单元的连接权值矩阵;
Figure BSA0000153807920000062
为输出层反馈到内部单元的连接权值矩阵;
Figure BSA0000153807920000063
为内部单元到输出层的连接权值矩阵。
Figure BSA0000153807920000064
由如下公式进行计算:
Figure BSA0000153807920000065
其中,yesn(t)为模型期望输出,y′esn(t)为模型实际输出;wout为权值,是
Figure BSA0000153807920000066
的元素。
ESN模型的求解可以转化为如下的优化求解问题:
Figure BSA0000153807920000067
其中,Pesn和mesn分别表示时间点。
可以归结为如下矩阵求逆问题:
Figure BSA0000153807920000068
其中,Besn
Figure BSA0000153807920000069
构成的矩阵;Lesn
Figure BSA00001538079200000610
构成的列矩阵。
进一步地,由ESN方法建立时间序列模型的过程中,ESN模型中有6个参数决定了模型的计算精度,分别为:m、τ、连接权值矩阵Wesn的绝对值最大的特征值SResn、Nesn、输入与内部单元相互连接的尺度因子ISesn和内部单元中相互连接的单元数与总单元数的比值SDesn
采用IFOA方法对m、τ、SResn、Nesn、ISesn和SDesn的取值进行优化选取;对于分别建立的k个IMF分量数据集时间序列模型和一个余项数据集时间序列模型,在采用ESN方法建立模型的同时,由IFOA方法对ESN计算过程中所涉及的m、τ、SResn、Nesn、ISesn和SDesn进行优化选取,计算步骤如下:
步骤7.2.1、初始化,产生初始6个果蝇群体,分别指派给m、τ、SResn、Nesn、ISesn和SDesn,设定m、τ、SResn、Nesn、ISesn和SDesn的取值范围;
步骤7.2.2、将k个IMF分量数据集和一个余项数据集中的数据分别归一化到[0,1]区间内,确定每一个待建立模型的输入和输出分别为Xt和Yt
步骤7.2.3、对于每一个待建立模型,由由IFOA的计算步骤得到最优的味道浓度判定值,分别对应m、τ、SResn、Nesn、ISesn和SDesn
步骤7.2.4、对于每一个待建立模型,将得到的最优参数值分别代入相空间重构后的时间序列模型和ESN模型,由输入Xt的值计算输出Yt的值并进行反归一化处理。
进一步地,所采用的集成预测方法,其中所涉及的两种方法为并行计算方式,当预测开始时,两种方法同时启动运行。
进一步地,为了保证预测的有效性和降低预测的复杂性,当时间点单位是小时时,油井产液量数据集中的数据个数一般取500-1000个;当时间点单位是日时,油井产液量数据集中的数据个数一般取30-100个。
进一步地,隐含层数量L的取值一般为30-60个。
进一步地,IFOA算法中的最大迭代次数为300次。
进一步地,IFOA算法中的果蝇群体中果蝇的个数为20-30个。
进一步地,m、τ、ω、b、σ2、SResn、Nesn、ISesn和SDesn的取值范围分别为:m∈[1,30],τ∈[1,10],ω∈[0,1],b∈[0,10],σ2∈[0.01,1000],SResn∈[0.1,1),Nesn∈[10,150),ISesn∈[0.01,1),SDesn∈[0.01,1)。
本发明的有益效果:本发明提供的这种基于时间序列的油井产液量集成预测方法,由过去一段时间的数据去预测未来某个时间点的值,从数据本身的特性找到其变化趋势,可以消除流体特性变化、油藏条件变化、人力干扰等对机理分析的影响,对油田企业进行高效、稳定的生产具有一定的实际意义;原理简单,计算复杂性低,准确度高,将原始数据集进行分解得到多个子数据集,可以有效降低异常数据的影响;采用两种方法进行预测,将预测值取平均值,可以有效提高预测的稳定性;采用群智能优化方法合理选取模型参数,可以有效降低模型参数不确定性对预测结果的影响。
附图说明
图1是本发明实施例所提供的油井产液量数据集示意图;
图2是本发明实施例所提供采用EMD方法分解后的8个IMF分量数据集和1个余项数据集的示意图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
实施例:
本实施例提供了一种基于时间序列的油井产液量集成预测方法,包括如下步骤:
1)利用历史数据建立油井产液量数据集,数据集为{xi,i=1,2,...,831},时间点单位为小时,数据集{xi}如图1所示;
2)采用经验模态分解(EMD,Empirical Mode Decomposition)方法即EMD方法对油井产液量数据集{xi}中的数据进行处理;
3)将{xi}中所有极大值点用三次样条插值函数拟合,得到{xi}的上包络线;将{xi}中所有极小值点用三次样条插值函数拟合,得到{xi}的下包络线;{xi}的上下包络线的平均值记作
Figure BSA0000153807920000081
将原数据集{xi}减去该平均值
Figure BSA0000153807920000082
得到一个新的数据集{h1(i)},记作:
Figure BSA0000153807920000083
4)若{h1(i)}满足条件,则将该{h1(i)}看作{xi}的第一个IMF分量,记为c1(i)=h1(i);若{h1(i)}不满足条件,说明它还不是一个本征模函数,则使{h1(i)}取代原数据集{xi},重复步骤3)直至计算得到一个满足条件的IMF分量,记为{c1(i)};
5)用{xi}减去{c1(i)}得到剩余值数据集{x1(i)},有:x1(i)=xi-c1(i);把{x1(i)}作为一个新的待分解数据集,重复步骤3)和步骤4),依次提取出第2个、第3个直至第k个IMF分量,以及原数据集的余项{rres(i)};当满足终止条件时结束分解,终止条件为最新的数据集不能再提取IMF分量;
原数据集{xi}分解成k个IMF分量数据集{ck(i)}和一个余项数据集{rres(i)};
经过EMD分解,油井产液量数据集{xi}分解成8个IMF分量数据集和1个余项数据集,如图2所示。
6)将8个IMF分量数据集{ck(i)}和1个余项数据集{rres(i)}中的数据进行相空间重构,得到时间序列模型,输入表示为:Xt=[xt,xt+τ,…,xt+(m-1)τ],其中,t=1,2,…,M,m为嵌入维数,τ为延迟时间,M=n-(m-1)τ,n为数据集中数据的个数;将每个时间序列的输出表示为:Yt=xt+1+(m-1)τ
7)采用集成预测方法,分别由基于ELM方法(极限学习机的方法)和基于ESN方法(回声状态网络)以并行的方式同时对8个IMF分量数据集{ck(i)}和1个余项数据集{rres(i)}进行预测;
根据极限学习机(ELM)方法建立8个IMF分量数据集{ck(i)}和1个余项数据集{rres(i)}的时间序列模型;每个模型的输入和输出分别为Xt和Yt,ELM方法的基本原理如下:
设有W个训练样本
Figure BSA0000153807920000084
其中uq为输入向量,vq为输出向量,设定包含L个隐含层,激活函数为f(·)以及模型的训练输出表示为Q=[g1,g2,…,gq]T,ELM模型由如下方程组进行描述:
Figure BSA0000153807920000085
其中,βlq为第l个隐含层神经元与第q个输出神经元之间的连接权值;ω1为隐含层神经元与输入神经元之间的连接权值;b1为第l个隐含层神经元的偏置;
如果训练模型能以零误差逼近W个训练样本,即有
Figure BSA0000153807920000091
那么对于式(1)有下式成立,
Figure BSA0000153807920000092
那么ELM模型的数学描述可以改写成如下矩阵形式:
Hβ=V (3)
式(3)中,有:
Figure BSA0000153807920000093
H为隐含层输出矩阵,ω和b在初始化时已随机给定。那么,ELM模型的训练可以转化成一个求解非线性方程最小值的问题,即:
Figure BSA0000153807920000094
输出权值矩阵β*可以由下式求出,
β*=H+V (6)
其中,H为隐含层输出矩阵H的Moore-Penrose广义逆;
那么,ELM的训练过程可以归纳为如下最优化问题:
Figure BSA0000153807920000095
其中,G(·)表示由ω和b所决定的函数,G(ω,b)表示当ω和b分别取不同值时的函数输出值;ELM训练的目的就是找到最优的β*,使模型的训练输出值gq和真实值vq之间的误差最小;
对于激活函数f(·)的选择,本发明专利采用高斯函数,定义如下:
Figure BSA0000153807920000096
其中,z表示输入向量,σ2为高斯函数的宽度参数。
进一步地,所述基于极限学习机方法建立时间序列模型的计算步骤如下:
初始化,随机生成隐含层输入权值ω,隐含层神经元的偏置b,高斯函数的宽度参数σ2
根据公式(4)计算隐含层输出矩阵H;
根据公式(6)计算输出权值矩阵β*
根据公式(7)计算函数输出值。
在本实施例中,由ELM方法建立时间序列模型的过程中,m、τ、ω、b和σ2的取值决定了ELM模型的计算精度,本实施例采用一种改进的果蝇优化算法(IFOA,Improved FruitOptimizationAlgorithm)对m、τ、ω、b和σ2的取值进行优化选取;IFOA算法的数学描述如下:
(1)设定果蝇群体的位置区间[plow,pup],在位置区间内随机给定每个果蝇的初始位置Axis_xi和Axis_yi如下:
Axis_xi=plow+rand1·(pup-plow) (9)
Axis_yi=plow+rand2·(pup-plow) (10)
其中,i=1,2,...,sizepop,sizepop为果蝇群体中果蝇的个数;rand1和rand2分别为[0,1]区间内的随机数。
(2)果蝇个体利用嗅觉搜寻食物,每个个体的位置更新公式如下:
Figure BSA0000153807920000101
Figure BSA0000153807920000102
其中,Axis_Xi和Axis_Yi表示第i个果蝇个体移动后的位置坐标;BestAxis_x和BestAxis_y表示当前最优个体的位置坐标;Ite和Itemax分别表示当前迭代次数和最大迭代次数;rand3和rand4分别为[-1,1]区间内的随机数;rand5为[0,1]区间内的随机数。
(3)计算果蝇个体与原点的距离,如下:
Figure BSA0000153807920000103
(4)计算味道浓度判定值,如下:
Figure BSA0000153807920000104
(5)由果蝇个体的味道浓度判定值计算每个果蝇个体的味道浓度值,如下:
Smelli=fitness(Si) (15)
其中,fitness为适应度函数,用以评价待优化参数的取值。
(6)找到果蝇群体中的最优个体,如下:
[bestSmell bestIndex]=min/max(Smell) (16)
其中,bestSmell表示最优的味道浓度值,bestIndex表示最优味道浓度值对应的果蝇个体的序号;min/max表示最小或最大。
IFOA的计算步骤如下:
步骤(1)、产生初始的与待优化参数数量相同的果蝇群体,根据待优化参数的取值范围
设定每个果蝇群体的位置区间[plow,pup],根据公式(9)和(10)得到每个果蝇群体中每个果蝇的初始位置;
步骤(2)、根据公式(13)和(14)分别计算每个果蝇群体中每个果蝇个体的味道浓度判定值;
步骤(3)、根据公式(15)分别计算每个果蝇群体中每个果蝇个体的味道浓度值;
步骤(4)、根据公式(16)找到每个果蝇群体中的最优果蝇个体,并记录它们的位置[BestAxis_x,BestAxis_y],定义变量Pop_local记录每一次迭代中每个果蝇群体中的最优果蝇个体的位置,定义变量Pop_global记录所有次迭代中每个果蝇群体中的最优果蝇个体的位置;
步骤(5)、根据公式(11)和(12)更新每个果蝇群体中每个果蝇的位置,重复步骤(2)到步骤(4);
步骤(6)、如果达到最大迭代次数,停止迭代,分别输出Pop_local和Pop_global中的果蝇个体的位置,并输出其味道浓度判定值;否则返回步骤(5)重新迭代。
进一步地,对于分别建立的8个IMF分量数据集时间序列模型和1个余项数据集时间序列模型,在采用ELM方法建立模型的同时,由IFOA方法对ELM计算过程中所涉及的m、τ、ω、b和σ2进行优化选取,计算步骤如下:
步骤7.1.1、初始化,产生初始5个果蝇群体,分别指派给m、τ、ω、b和σ2,设定m、τ、ω、b和σ2的取值范围;m∈[1,30],τ∈[1,10],ω∈[0,1],b∈[0,10],σ2∈[0.01,1000]
步骤7.1.2、将8个IMF分量数据集和1个余项数据集中的数据分别归一化到[0,1]区间内,确定每一个待建立模型的输入和输出分别为Xt和Yt
步骤7.1.3、对于每一个待建立模型,由IFOA的计算步骤(1)-(6)得到最优的味道浓度判定值,分别对应m、τ、ω、b和σ2
步骤7.1.4、对于每一个待建立模型,将得到的最优参数值分别代入相空间重构后的时间序列模型和ELM模型,由输入Xt的值计算输出Yt的值并进行反归一化处理。
在本实施例中,根据回声状态网络(ESN)方法分别建立8个IMF分量数据集{ck(i)}和1个余项数据集{rres(i)}的时间序列模型;每个模型的输入和输出分别为Xt和Yt,ESN方法的基本原理如下:
ESN模型可以表示为:
Figure BSA0000153807920000111
其中,u(t)、x(t)和y(t)分别为输入单元、内部状态单元和输出单元在时刻t的值;Mesn、Nesn和Kesn分别为输入单元、内部状态单元和输出单元的数量;
ESN模型的学习方式可以由如下公式进行描述:
Figure BSA0000153807920000121
其中,xesn(t+1)和yesn(t+1)分别为内部状态单元和输出单元在时刻t+1的值;f(·)和fout(·)分别为内部单元和输出单元的激活函数;
Figure BSA0000153807920000122
为输入层到内部单元的连接权值矩阵;Wesn为内部单元的连接权值矩阵;
Figure BSA0000153807920000123
为输出层反馈到内部单元的连接权值矩阵;
Figure BSA0000153807920000124
为内部单元到输出层的连接权值矩阵。
Figure BSA0000153807920000125
由如下公式进行计算:
Figure BSA0000153807920000126
其中,yesn(t)为模型期望输出,y′esn(t)为模型实际输出;wout为权值,是
Figure BSA0000153807920000127
的元素。
ESN模型的求解可以转化为如下的优化求解问题:
Figure BSA0000153807920000128
其中,Pesn和mesn分别表示时间点。
可以归结为如下矩阵求逆问题:
Figure BSA0000153807920000129
其中,Besn
Figure BSA00001538079200001210
构成的矩阵;Lesn
Figure BSA00001538079200001211
构成的列矩阵。
在本实施例中,由ESN方法建立时间序列模型的过程中,ESN模型中有6个参数决定了模型的计算精度,分别为:m、τ、连接权值矩阵Wesn的绝对值最大的特征值SResn、Nesn、输入与内部单元相互连接的尺度因子ISesn和内部单元中相互连接的单元数与总单元数的比值SDesn
采用IFOA方法对m、τ、SResn、Nesn、ISesn和SDesn的取值进行优化选取;对于分别建立的8个IMF分量数据集时间序列模型和1个余项数据集时间序列模型,在采用ESN方法建立模型的同时,由IFOA方法对ESN计算过程中所涉及的m、τ、SResn、Nesn、ISesn和SDesn进行优化选取,计算步骤如下:
步骤7.2.1、初始化,产生初始6个果蝇群体,分别指派给m、τ、SResn、Nesn、ISesn和SDesn,设定m、τ、SResn、Nesn、ISesn和SDesn的取值范围;m∈[1,30],τ∈[1,10],SResn∈[0.1,1),Nesn∈[10,150),ISesn∈[0.01,1),SDesn∈[0.01,1);
步骤7.2.2、将8个IMF分量数据集和1个余项数据集中的数据分别归一化到[0,1]区间内,确定每一个待建立模型的输入和输出分别为Xt和Yt
步骤7.2.3、对于每一个待建立模型,由IFOA的计算步骤得到最优的味道浓度判定值,分别对应m、τ、SResn、Nesn、ISesn和SDesn
步骤7.2.4、对于每一个待建立模型,将得到的最优参数值分别代入相空间重构后的时间序列模型和ESN模型,由输入Xt的值计算输出Yt的值并进行反归一化处理。
8)对于8个IMF分量数据集时间序列和1个余项数据集时间序列,首先将每个序列由两种方法所得到的预测值求平均值,然后将所有序列的预测值求和得到最终结果;计算公式如下:
Figure BSA0000153807920000131
其中,
Figure BSA0000153807920000132
表示第i个IMF分量数据集时间序列由ELM方法得到的预测值;
Figure BSA0000153807920000133
表示第i个IMF分量数据集时间序列由ESN方法得到的预测值;
Figure BSA0000153807920000134
表示余项数据集时间序列由ELM方法得到的预测值;
Figure BSA0000153807920000135
表示余项数据集时间序列由ESN方法得到的预测值。
本实施例中,由ELM方法得到的预测结果分别为:0.2182、0.1127、-0.0138、0.789、-0.0205、0.0227、0.0099、0.0082和0.0041;由ESN方法得到的预测结果分别为:0.2455、0.1320、0.0050、0.6685、-0.0534、-0.0031、0.1002、-0.0011和0.0095。
由公式(22)计算得到最终预测结果为:1.1168。
以上例举仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (8)

1.一种基于时间序列的油井产液量集成预测方法,其特征在于,包括如下步骤:
1)利用历史数据建立油井产液量数据集为{xi,i=1,2,…,n},n为数据点的个数;
2)采用经验模态分解方法对油井产液量数据集{xi,i=1,2,…,n}中的数据进行处理;
3)将{xi,i=1,2,…,n}中所有极大值点用三次样条插值函数拟合,得到{xi,i=1,2,…,n}的上包络线;将{xi,i=1,2,…,n}中所有极小值点用三次样条插值函数拟合,得到{xi,i=1,2,…,n}的下包络线;{xi,i=1,2,…,n}的上下包络线的平均值记作
Figure FSB0000196422950000011
将原数据集{xi,i=1,2,…,n}减去该平均值
Figure FSB0000196422950000012
得到一个新的数据集{h1(i)},记作:
Figure FSB0000196422950000013
4)若{h1(i)}满足条件,则将该{h1(i)}看作{xi,i=1,2,…,n}的第一个IMF分量,记为c1(i)=h1(i);若{h1(i)}不满足条件,则使{h1(i)}取代原数据集{xi,i=1,2,…,n},重复步骤3)直至计算得到一个满足条件的IMF分量,记为{c1(i)};
5)用{xi,i=1,2,…,n}减去{c1(i)}得到剩余值数据集{x1(i)},有:x1(i)=xi-c1(i);把{x1(i)}作为一个新的待分解数据集,重复步骤3)和步骤4),依次提取出第2个、第3个直至第k个IMF分量,以及原数据集的余项{rres(i)};当满足终止条件时结束分解,终止条件为最新的数据集不能再提取IMF分量;
原数据集{xi,i=1,2,…,n}分解成k个IMF分量数据集{ck(i)}和一个余项数据集{rres(i)};
6)将k个IMF分量数据集{ck(i)}和一个余项数据集{rres(i)}中的数据进行相空间重构,得到时间序列模型,输入表示为:Xt=[xt,xt+τ,…,xt+(m-1)τ],其中,t=1,2,…,M,m为嵌入维数,τ为延迟时间,M=n-(m-1)τ,n为数据集中数据的个数;将每个时间序列的输出表示为:Yt=xt+1+(m-1)τ
7)采用集成预测方法,分别由基于ELM方法和基于ESN方法以并行的方式同时对k个IMF分量数据集{ck(i)}和一个余项数据集{rres(i)}进行预测;
根据ELM方法建立k个IMF分量数据集{ck(i)}和一个余项数据集{rres(i)}的时间序列模型;每个模型的输入和输出分别为Xt和Yt,ELM方法的基本原理如下:
设有W个训练样本
Figure FSB0000196422950000014
其中uq为输入向量,vq为输出向量,设定包含L个隐含层,激活函数为f(·)以及模型的训练输出表示为Q=[g1,g2,…,gq]T,ELM模型由如下方程组进行描述:
Figure FSB0000196422950000021
其中,βlq为第l个隐含层神经元与第q个输出神经元之间的连接权值;ωl为隐含层神经元与输入神经元之间的连接权值;bl为第l个隐含层神经元的偏置;
如果训练模型能以零误差逼近W个训练样本,即有
Figure FSB0000196422950000022
那么对于式(1)有下式成立,
Figure FSB0000196422950000023
那么ELM模型可以改写成如下矩阵形式:
Hβ=V (3)
式(3)中,有:
Figure FSB0000196422950000024
H为隐含层输出矩阵,ω1、ω2......ωL 和b1、b2......bL 在初始化时已随机给定;那么,ELM模型的训练可以转化成一个求解非线性方程最小值的问题,即:
Figure FSB0000196422950000025
输出权值矩阵β*可以由下式求出,
β*=H+V (6)
其中,H+为隐含层输出矩阵H的Moore-Penrose广义逆;
那么,ELM的训练过程可以归纳为如下最优化问题:
Figure FSB0000196422950000026
其中,G(·)表示由ω和b所决定的函数,G(ω,b)表示当ω和b分别取不同值时的函数输出值;
对于激活函数f(·)的选择,采用高斯函数,定义如下:
Figure FSB0000196422950000031
其中,z表示输入向量,σ2为高斯函数的宽度参数;
根据ESN方法分别建立k个IMF分量数据集{ck(i)}和一个余项数据集{rres(i)}的时间序列模型;每个模型的输入和输出分别为Xt和Yt,ESN方法如下:
ESN模型可以表示为:
Figure FSB0000196422950000032
其中,u(t)、x(t)和y(t)分别为输入单元、内部状态单元和输出单元在时刻t的值;Mesn、Nesn和Kesn分别为输入单元、内部状态单元和输出单元的数量;
ESN模型的学习方式可以由如下公式进行描述:
Figure FSB0000196422950000033
其中,xesn(t+1)和yesn(t+1)分别为内部状态单元和输出单元在时刻t+1的值;f(·)和fout(·)分别为内部单元和输出单元的激活函数;
Figure FSB0000196422950000034
为输入层到内部单元的连接权值矩阵;Wesn为内部单元的连接权值矩阵;
Figure FSB0000196422950000035
为输出层反馈到内部单元的连接权值矩阵;
Figure FSB0000196422950000036
为内部单元到输出层的连接权值矩阵;
Figure FSB0000196422950000037
由如下公式进行计算:
Figure FSB0000196422950000038
其中,yesn(t)为模型期望输出,y′esn(t)为模型实际输出;wout为权值,是
Figure FSB0000196422950000039
的元素;
ESN模型的求解可以转化为如下的优化求解问题:
Figure FSB00001964229500000310
其中,Pesn和mesn分别表示时间点;
可以归结为如下矩阵求逆问题:
Figure FSB00001964229500000311
其中,Besn
Figure FSB00001964229500000312
构成的矩阵;Lesn
Figure FSB00001964229500000313
构成的列矩阵;
8)对于k个IMF分量数据集时间序列和一个余项数据集时间序列,首先将每个序列由两种方法所得到的预测值求平均值,然后将所有序列的预测值求和得到最终结果;计算公式如下:
Figure FSB0000196422950000041
其中,
Figure FSB0000196422950000042
表示第i个IMF分量数据集时间序列由ELM方法得到的预测值;
Figure FSB0000196422950000043
表示第i个IMF分量数据集时间序列由ESN方法得到的预测值;
Figure FSB0000196422950000044
表示余项数据集时间序列由ELM方法得到的预测值;
Figure FSB0000196422950000045
表示余项数据集时间序列由ESN方法得到的预测值。
2.如权利要求1所述的方法,其特征在于:所述基于ELM方法建立时间序列模型的计算步骤如下:
初始化,随机生成隐含层输入权值ω,隐含层神经元的偏置b,高斯函数的宽度参数σ2
根据公式(4)计算隐含层输出矩阵H;
根据公式(6)计算输出权值矩阵β*
根据公式(7)计算函数输出值。
3.如权利要求1所述的方法,其特征在于:由ELM方法建立时间序列模型的过程中,采用一种改进的果蝇优化算法对m、τ、ω、b和σ2的取值进行优化选取;改进的果蝇优化算法如下:
(1)设定果蝇群体的位置区间[plow,pup],在位置区间内随机给定每个果蝇的初始位置Axis_xi和Axis_yi如下:
Axis_xi=plow+rand1·(pup-plow) (9)
Axis_yi=plow+rand2·(pup-plow) (10)
其中,i=1,2,...,sizepop,sizepop为果蝇群体中果蝇的个数;rand1和rand2分别为[0,1]区间内的随机数;
(2)果蝇个体利用嗅觉搜寻食物,每个个体的位置更新公式如下:
Figure FSB0000196422950000046
Figure FSB0000196422950000047
其中,Axis_Xi和Axis_Yi表示第i个果蝇个体移动后的位置坐标;BestAxis_x和BestAxis_y表示当前最优个体的位置坐标;Ite和Itemax分别表示当前迭代次数和最大迭代次数;rand3和rand4分别为[-1,1]区间内的随机数;rand5为[0,1]区间内的随机数;
(3)计算果蝇个体与原点的距离,如下:
Figure FSB0000196422950000048
(4)计算味道浓度判定值,如下:
Figure FSB0000196422950000051
(5)由果蝇个体的味道浓度判定值计算每个果蝇个体的味道浓度值,如下:
Smelli=fitness(Si) (15)
其中,fitness为适应度函数,用以评价待优化参数的取值;
(6)找到果蝇群体中的最优个体,如下:
[bestSmell bestIndex]=min/max(Smell) (16)
其中,bestSmell表示最优的味道浓度值,bestlndex表示最优味道浓度值对应的果蝇个体的序号;min/max表示最小或最大。
4.如权利要求3所述的方法,其特征在于:改进的果蝇优化算法的计算步骤如下:
步骤(1)、产生初始的与待优化参数数量相同的果蝇群体,根据待优化参数的取值范围设定每个果蝇群体的位置区间[plow,pup],根据公式(9)和(10)得到每个果蝇群体中每个果蝇的初始位置;
步骤(2)、根据公式(13)和(14)分别计算每个果蝇群体中每个果蝇个体的味道浓度判定值;
步骤(3)、根据公式(15)分别计算每个果蝇群体中每个果蝇个体的味道浓度值;
步骤(4)、根据公式(16)找到每个果蝇群体中的最优果蝇个体,并记录它们的位置[BestAxis_x,BestAxis_y],定义变量Pop_local记录每一次迭代中每个果蝇群体中的最优果蝇个体的位置,定义变量Pop_global记录所有次迭代中每个果蝇群体中的最优果蝇个体的位置;
步骤(5)、根据公式(11)和(12)更新每个果蝇群体中每个果蝇的位置,重复步骤(2)到步骤(4);
步骤(6)、如果达到最大迭代次数,停止迭代,分别输出Pop_local和Pop_global中的果蝇个体的位置,并输出其味道浓度判定值;否则返回步骤(5)重新迭代。
5.如权利要求3所述的方法,其特征在于:对于分别建立的k个IMF分量数据集时间序列模型和一个余项数据集时间序列模型,在采用ELM方法建立模型的同时,由改进的果蝇优化算法对ELM计算过程中所涉及的m、τ、ω、b和σ2进行优化选取,计算步骤如下:
初始化,产生初始5个果蝇群体,分别指派给m、τ、ω、b和σ2,设定m、τ、ω、b和σ2的取值范围;
将k个IMF分量数据集和一个余项数据集中的数据分别归一化到[0,1]区间内,确定每一个待建立模型的输入和输出分别为Xt和Yt
对于每一个待建立模型,由改进的果蝇优化算法的计算步骤(1)-(6)得到最优的味道浓度判定值,分别对应m、τ、ω、b和σ2
对于每一个待建立模型,将得到的最优参数值分别代入相空间重构后的时间序列模型和ELM模型,由输入Xt的值计算输出Yt的值并进行反归一化处理。
6.如权利要求3所述的方法,其特征在于:由ESN方法建立时间序列模型的过程中,ESN模型中有6个参数决定了模型的计算精度,分别为:m、τ、连接权值矩阵Wesn的绝对值最大的特征值SResn、Nesn、输入单元与内部状态单元相互连接的尺度因子ISesn和内部状态单元中相互连接的单元数与总单元数的比值SDesn
采用改进的果蝇优化算法对m、τ、SResn、Nesn、ISesn和SDesn的取值进行优化选取;对于分别建立的k个IMF分量数据集时间序列模型和一个余项数据集时间序列模型,在采用ESN方法建立模型的同时,由改进的果蝇优化算法对ESN计算过程中所涉及的m、τ、SResn、Nesn、ISesn和SDesn进行优化选取,计算步骤如下:
初始化,产生初始6个果蝇群体,分别指派给m、τ、SResn、Nesn、ISesn和SDesn,设定m、τ、SResn、Nesn、ISesn和SDesn的取值范围;
将k个IMF分量数据集和一个余项数据集中的数据分别归一化到[0,1]区间内,确定每一个待建立模型的输入和输出分别为Xt和Yt
对于每一个待建立模型,由改进的果蝇优化算法的计算步骤得到最优的味道浓度判定值,分别对应m、τ、SResn、Nesn、ISesn和SDesn
对于每一个待建立模型,将得到的最优参数值分别代入相空间重构后的时间序列模型和ESN模型,由输入Xt的值计算输出Yt的值并进行反归一化处理。
7.如权利要求6所述的方法,其特征在于:m、τ、ω、b、σ2、SResn、Nesn、ISesn和SDesn的取值范围分别为:m∈[1,30],τ∈[1,10],ω∈[0,1],b∈[0,10],σ2∈[0.01,1000],SResn∈[0.1,1),Nesn∈[10,150),ISesn∈[0.01,1),SDesn∈[0.01,1)。
8.如权利要求1所述的方法,其特征在于:当时间点单位是小时时,油井产液量数据集中的数据个数取500-1000个;当时间点单位是日时,油井产液量数据集中的数据个数取30-100个。
CN201711121614.5A 2017-11-03 2017-11-03 一种基于时间序列的油井产液量集成预测方法 Active CN107909202B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711121614.5A CN107909202B (zh) 2017-11-03 2017-11-03 一种基于时间序列的油井产液量集成预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711121614.5A CN107909202B (zh) 2017-11-03 2017-11-03 一种基于时间序列的油井产液量集成预测方法

Publications (2)

Publication Number Publication Date
CN107909202A CN107909202A (zh) 2018-04-13
CN107909202B true CN107909202B (zh) 2021-12-21

Family

ID=61845378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711121614.5A Active CN107909202B (zh) 2017-11-03 2017-11-03 一种基于时间序列的油井产液量集成预测方法

Country Status (1)

Country Link
CN (1) CN107909202B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805215B (zh) * 2018-06-19 2021-06-11 东北大学 基于改进果蝇算法的有杆泵抽油井动态液位软测量方法
CN109630092B (zh) * 2018-11-14 2023-02-10 渤海大学 一种基于数据的抽油井泵效多模型软测量方法
CN109918773A (zh) * 2019-03-05 2019-06-21 中国石油化工股份有限公司 油井见水的预警方法、装置、计算设备及计算机存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105373856A (zh) * 2015-11-23 2016-03-02 江苏省电力公司南通供电公司 一种考虑游程检测法重构的风电功率短时组合预测方法
CN105631554A (zh) * 2016-02-22 2016-06-01 渤海大学 一种基于时间序列的油井油液含水率多模型预测方法
CN105976051A (zh) * 2016-04-29 2016-09-28 武汉大学 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105373856A (zh) * 2015-11-23 2016-03-02 江苏省电力公司南通供电公司 一种考虑游程检测法重构的风电功率短时组合预测方法
CN105631554A (zh) * 2016-02-22 2016-06-01 渤海大学 一种基于时间序列的油井油液含水率多模型预测方法
CN105976051A (zh) * 2016-04-29 2016-09-28 武汉大学 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法

Also Published As

Publication number Publication date
CN107909202A (zh) 2018-04-13

Similar Documents

Publication Publication Date Title
CN106022521B (zh) 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法
CN110659722B (zh) 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法
CN106022954B (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
CN108764540B (zh) 基于并行lstm串联dnn的供水管网压力预测方法
Dwivedi et al. Distributed physics informed neural network for data-efficient solution to partial differential equations
CN107909202B (zh) 一种基于时间序列的油井产液量集成预测方法
CN112733449B (zh) 一种cnn井震联合反演方法、系统、存储介质、设备及应用
CN108416460B (zh) 基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法
CN101118610A (zh) 稀疏数据过程建模方法
CN106296434B (zh) 一种基于pso-lssvm算法的粮食产量预测方法
CN111058840A (zh) 一种基于高阶神经网络的有机碳含量(toc)评价方法
CN114492191A (zh) 基于dbn-svr的热力站设备剩余寿命评估方法
CN114897277B (zh) 一种基于lstm的突发型滑坡位移预测方法
CN110119540A (zh) 一种用于生存风险分析的多输出梯度提升树建模方法
CN107944607B (zh) 一种基于时间序列的抽油井停井时间集成预测方法
CN113722997A (zh) 一种基于静态油气田数据的新井动态产量预测方法
CN115759415A (zh) 基于lstm-svr的用电需求预测方法
CN116311921A (zh) 一种基于多空间尺度时空Transformer的交通速度预测方法
CN112541256A (zh) 基于深度学习降维重构的强非均质油藏历史拟合方法
Silva et al. Data Assimilation Predictive GAN (DA-PredGAN): applied to determine the spread of COVID-19
Wang et al. An optimized grey dynamic model for forecasting the output of high‐tech industry in China
CN109540089B (zh) 一种基于贝叶斯-克里金模型的桥面高程拟合方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
Regazzoni et al. A physics-informed multi-fidelity approach for the estimation of differential equations parameters in low-data or large-noise regimes
Silva et al. Data assimilation predictive GAN (DA-PredGAN) applied to a spatio-temporal compartmental model in epidemiology

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant