CN114444392A - 动液面预测方法和装置、电子设备和存储介质 - Google Patents
动液面预测方法和装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114444392A CN114444392A CN202210092824.0A CN202210092824A CN114444392A CN 114444392 A CN114444392 A CN 114444392A CN 202210092824 A CN202210092824 A CN 202210092824A CN 114444392 A CN114444392 A CN 114444392A
- Authority
- CN
- China
- Prior art keywords
- state
- data
- model
- working fluid
- sub
- 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.)
- Pending
Links
- 239000012530 fluid Substances 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000005499 meniscus Effects 0.000 claims description 34
- 238000004519 manufacturing process Methods 0.000 claims description 27
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 239000007788 liquid Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000005086 pumping Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 10
- 239000003129 oil well Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及动液面预测方法和装置、电子设备和存储介质。该方法包括:从与动液面相关的历史数据中得到多个动液面参数状态和模型集合{mi,Fi(x)};计算新的数据Xt跟状态mi下的数据集中的各数据的相似度,如果最大的相似度大于预先设置的最小相似度,将新数据Xt加入对应状态下的数据,重新训练模型Fi(x),获得集合{mi,Fi(x)},重新训练时,进行收敛计算,判断新数据Xt所加入后的对应状态是否为稳态,当所述对应的状态为非稳态时,将所述新的数据划分为新的状态;以及利用经重新训练的模型进行动液面预测。
Description
技术领域
本发明涉及石油行业采油生产过程中油井工况的人工智能分析算法框架。
背景技术
油井运行过程中,受到多种因素的影响,运行会偏离最优状态,出现偏磨、检泵周期缩短、产量下降、能耗上升等问题,这些问题给油田生产造成较大经济损失,急需对采油系统进行优化改造。目前,采油系统效益最优化的基础是单井优化运行。单井优化运行控制原理是通过监测动液面及产液量,实时调整冲次及冲程,从而实现供排协调、效率提升、寿命延长的效果。单井优化运行的核心是实时获取准确的动液面和产液量。因而,在油田油井采油生产中,动液面深度是非常重要的参数。
当前石油行业主要采取工程原理建模的方法计算动液面和产液量。其具体流程是通过数字油田信息系统,实时采集位移、载荷、回压、电流、电压、温度等油井运行工况数据。然后根据动液面、产液量与这组工况参数的变化关系拟合出方程进行计算。
油田行业现状是工程建模无法精确计算上述变化的复杂关系,导致结果不精确,影响油井的最优运行。
发明内容
本发明鉴于现有技术的以上问题作出,用以解决现有技术中存在的一项或更多项的问题。
根据本发明的一个方面,提供了一种动液面预测方法,其特征在于,包括以下的步骤:从与动液面相关的历史数据中得到多个动液面参数状态和模型集合{mi,Fi(x)},其中mi表示动液面参数的第i个状态,Fi(x)表示与该第i个状态相关的神经网络模型,x是与该第i个状态相关的动液面参数数据;计算新的数据Xt跟各状态mi下的数据集中的各数据的相似度,如果最大的相似度大于预先设置的最小相似度,将新数据Xt加入对应状态下的数据,重新训练模型Fi(x),获得多个更新后的状态和模型集合{mi,Fi(x)},重新训练模型Fi(x)时,进行收敛计算,判断新数据Xt所加入后的对应状态是否为稳态,当所述对应的状态为非稳态时,将所述新的数据划分为新的状态;以及利用经重新训练的模型进行动液面预测。
根据本发明的另一方面,提供了一种动液面预测装置,包括:状态模型获取单元,从与动液面相关的历史数据中得到多个动液面参数状态和模型集合{mi,Fi(x)},其中mi表示动液面参数的第i个状态,Fi(x)表示与该第i个状态相关的神经网络模型,x是与该第i个状态相关的动液面参数数据;更新单元,计算新的数据Xt跟各状态mi下的数据集中的各数据的相似度,如果最大的相似度大于预先设置的最小相似度,将新数据Xt加入对应状态下的数据,重新训练模型Fi(x),获得多个更新后的状态和模型集合{mi,Fi(x)},所述更新单元在重新训练模型Fi(x)时,进行收敛计算,判断新数据Xt所加入后的对应状态是否为稳态,当所述对应的状态为非稳态时,将所述新的数据划分为新的状态;预测单元,利用经重新训练的模型进行动液面预测。
根据本发明的又一个方面,提供了一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现本发明所述的方法。
根据本发明的再一个方面,提供了一种计算机可读存储介质,所述可读存储介质上存储设备控制程序,当所述设备控制程序被处理器执行时,实现本发明所述的方法。
根据本发明的实施方式,能够很好地进行动液面的预测。
附图说明
结合附图可以更好地理解本发明。附图只是示意性的,不是对本发明的保护范围的限制。
图1示出了依据本发明的一种实施方式的动液面深度预测方法的示意性流程图。
图2示出了依据本发明的一种实施方式的进行数据对齐的方法的示意性流程图。
图3示出了根据本发明的一种实施方式的进行状态分解的示意图。
图4示出了依据本发明的一种实施方式的建立动液面预测用模型的方法的流程图。
图5和图6示出了依据本发明一种实施方式的神经网络架构设置的示意图。
图7示出了依据本发明的一种实施方式的动液面深度预测装置的示意性方框图。
具体实施方式
下面结合附图对本发明的具体实施方式进行说明。这些说明都是示例性的,旨在使本领域技术人员能够实现本发明的实施方式,不是对本发明的保护范围的限制。说明中也没有描述对于实际实施时不可缺少,但是对于理解本发明无关的内容。
图1示出了依据本发明的一种实施方式的动液面深度预测方法的示意性流程图。
如图1所示,依据本发明的一种实施方式,首先在步骤S100按照时间的顺序获取与动液面相关的动液面参数和动液面历史数据。这例如可以通过对现有历史数据的收集而获得。可以利用之前累积的数据库。动液面参数大致分为油井抽油机的运行电参数(电流、电压、位移、载荷等)和油井井口的传感器参数(回压、温度等)。在本文中,这些参数统称为动液面参数。按照时间的顺序收集这些参数以及对应的动液面深度。
然后在步骤S200,根据这些数据的产生时间进行对齐处理。因为生产工况数据由不同设备采集得到的,需要考虑生产和采集过程,将数据按照时间合在一起,为后续建模做准备。
图2示出了依据本发明的一种实施方式的进行数据对齐的方法的示意性流程图。如图2所示,根据本发明的一种实施方式,将来自各油井抽油机的数据进行汇总之后,按照各动液面参数的获取时间量级进行合并。例如电流的获取时间量级为秒级,即可以以秒为间隔获取电流数据。如果时间量级一致则进行合并。根据一种实施方式,进行智能填充,填充缺失的工况数据和动液面等数据。填充之后,再进行数据合并。
根据一种实施方式,按照最小获取时间获取量级的各动液面参数对与动液面相关的历史数据进行排列,并对更大时间获取量级的参数按照相应抽油机的生产周期进行插值填充。比如载荷是30分钟1条,动液面2个小时一条,电流1分钟1条,取电流的维度为最短的采集间隔),按照抽油机的生产周期(即一从最低点到最高点,又回到最低点这个过程),对动液面的数据和载荷的数据进行插值,从而获得与电流的采样间隔对应的数据,形成时间一致的包含电流、动液面、载荷的一条条数据。
根据这种方式,能够更好地利用现有的数据,并且是按照抽油机的生产周期进行插值,因而能够防止数据总量过大,而且能够保证预测的精度。
经过数据合并,可按对应时间,将各液面参数和动液面数据合并到一行上,从而可以获得数据对齐之后的数据表。
然后在步骤S300,进行数据状态分解,消除数据多解性。根据一种实施方式,可以采用投影变换的方法来进行状态分解。
图3示出了根据本发明的一种实施方式的进行状态分解的示意图。以一个动液面参数位移为例,例如,假设位移a1的历史数据为a1,a2,...an,定义投影变换函数为H(x)
(1)假设状态有m个状态(例如动液面上升、动液面下降、动液面波动):将a1,a2,...an每个数据随机分配到某个状态(1,2...m)上。某个状态x拥有的数据为{ax}。这里的{ax}可以是数据的集合,可能是a1,a2,...ak,k是小于n的正整数。
(2)计算每个状态的指标:yx=H({ax})
(3)计算分解的合理性指标值:例如让y1,yx2...yx的方差最大,计算本次分解的指标值(方差)。
(4)使用优化算法,不断调整m,重复(1)-(3)的步骤,直到指标无法变的更优,从而获得各状态对应的各{xi,mi}。
i表示历史收集的所有数据的编号,按照时间从远到近依次排列,xi表示第i个时间点的动液面参数。例如:历史一共有1亿条数据,第一条数据叫x1,mi表示这行数据xi属于哪个状态。例如:一个有三个状态(动液面上升、动液面下降、动液面波动),m1表示动液面上升这个状态。
然后,在步骤S400建立动液面预测用模型。可以使用基于梯度下降的任意深度神经网络来建立初步预测用的动液面预测用模型。
图4示出了依据本发明的一种实施方式的建立动液面预测用模型的方法的流程图。
如图4所示,依据本发明的一种实施方式,建立动液面预测用模型的方法包括以下的步骤:
(1)训练集和测试集确定步骤:获取动液面参数数据(生产工况数据)xi,运行监控数据yi(例如动液面),状态编号mi,根据时间拼接成{xi,mi,yi},根据不同的状态mi,将数据分组。例如有三个状态,数据分组例如为m0:{xi,yi}、m1:{xi,yi}、m2:{xi,yi}。然后,按照一定比例(例如8:2)将分组后数据分为训练集和测试集;
(2)初步模型设定步骤:模型的输入为{xi,mi},输出为{yi}。设定模型的损失函数为Obj(θ)=L(θ)+Ω(θ)+Z(θ),L(θ)表示误差函数。根据一种实施方式,这里误差函数L(θ)为均方误差(MSE)
Ω(θ):表示惩罚复杂模型,一个损失方程一般只能解决一个问题,上述设计的L(θ)用来保证模型的拟合度,同时我们还要保证模型的泛化性。如果不控制模型的复杂度,模型对于历史数据的预测效果很好,对于未来实际的预测会出现准确率大幅下降的情况。
Z(θ):惩罚不符合专家经验的模型。L(θ)和Ω(θ)的设计是基于传统基于数据驱动的场景,在石油开采的场景中,除去数据缺失和数据异常的情况,数据中有明显的公式上的等式关系或者不等式关系。
例如
表示影响的意思。生成的模型中载荷、电流、功率平均值、温度、压力这几个特征的重要性也应该符合这个规则。还有在石油开采中,随着冲次的提高,长期来看动液面正常一定有下降趋势,模型的预测结果也要符合这个规律。
这里的损失函数Z(θ)一般是结合专家经验和历史数据体现的普适规律设计得到的。
(3)神经网络结构优化步骤:使用神经架构自动搜索算法等算法,自动优化神经网络架构(网络的宽度、隐含层个数、神经元的个数、激活函数等)
图5和图6示出了依据本发明一种实施方式的神经网络架构设置的示意图。在已知图5所示的数据关系的情况下,例如可以构建图6的网络框架,并利用神经架构自动搜索算法进行神经网络架构的优化。图6中,x1:温度;x2:压力;x3:功率平均值;x4:电流;
x5:载荷。该模型可以通过从数据中学习而获得,也可事先设计并输入。
(4)参数优化步骤:使用HPO、贝叶斯、随机进化等优化算法,优化步骤(2)中额初步模型剩余的超参数(学习率,迭代次数,batchsize等)。
(5)根据找到的优化的参数,在全量的{xi,mi,yi}上,训练获得最终的神经网络模型F(x)。
实际运行时因为实际生产工况的变化,当前获得的工况可能属于历史的某个工况或者出现了新的工况,不同工况模型的参数需要重新校正,否则会出现预测准确率下降的情况。
因而,在步骤S500中,利用新的数据对神经网络模型F(x)进行更新。
根据一种实施方式,对于实际运行时新获得的数据,先是默认状态跟之前历史数据中最接近。使用聚类算法计算新的数据Xt跟历史每个状态mi下的数据(与状态mi对应的数据)的相似度。使用聚类算法判断属于历史的某个状态,并更新和保留该状态下的模型参数。
例如历史数据中得到的状态和模型集合为{mi,Fi(x)},设置最小相似度,使用聚类算法计算新的数据Xt跟历史每个状态mi下的数据的相似度,如果最大的相似度大于设置的最小相似度,将新数据Xt加入对应状态下的数据,重新训练模型。如果最大的相似度小于设置的最小相似度,则将新数据小于划分为新状态。Fi(x)是指第i个状态下的模型。
假设对应状态为m1,历史模型F1(x)=F1+X1
新的模型F1(x)=F1+(X1+Xt)。
随着模型实际运行后的自我优化更新,可以得到很多该油井的状态和对应的模型集合{mi,Fi(x)},
其中,Fi(x)=Fi+Xi,Fi是指第i个状态的模型的架构。
更新模型之后,进行收敛计算,判断该状态是否为稳态。若是稳态,则建立该状态的唯一对应的函数关系模型。
根据一种实施方式,可以如下地确定是否稳态。
一个生产周期的数据{x1,x2,...xt}肯定为一个状态,可能是历史状态中的一个或者某个全新的状态。当出现一个新状态mt时,计算分解的合理性指标值,根据最优方向,判断是否收敛。可以参考步骤S300中状态分解的办法,不能分为更多的状态了,即为收敛。收敛就是属于该状态,不收敛就是不属于该状态。
如果判断最新的数据{x1,x2,...xt}已经不属于该状态mt了,说明该状态已经进入了一个稳态。若是非稳态,则为该新的数据建立新的状态。
根据本发明的实施方式,先确定新数据与划定到某个状态的历史数据的相似度,然后在更新后确定各状态的是否稳态,可以更好地更新模型,使得模型能够起到更好的预测效果。
根据本发明的一种实施方式,还包括确定子状态的步骤。
上文针对每个状态mi,整体的最佳预测模型架构Fi,模型实际的参数是使用该状态下全部数据训练得到的。对于该全部数据中的部分数据,可以获得准确性更高的模型。例如,假设对于某个状态m1,找到的预测动液面模型为y1=0.15x1+0.15x2(公式1),根据模型参数的不同,模型又可以为y1=0.1x1+0.2x2(公式2)、y1=0.2x1+0.3x2(公式3)…等这些模型的预测准确性各不相同。如果变种后的模型(公式2)在某些数据上的准确率要比整体的模型(公式1)要高,这些数据就是该状态m1下的一个子状态。
可以使用进化策略、模拟退火等优化算法,确定子状态的最少数据量,模型参数的变化范围,从而可以自动得到子状态的分配情况和该子状态下的模型参数(唯一对应的函数关系模型)。
根据一种实施方式,使用与状态分解法不同的聚类算法为各状态找到多个子状态以及对应的数据集{mij,xij},然后基于该数据集进行训练,获得比该状态的模型更高预测准确率的子状态模型。
根据一种实施方式,调整各状态的整体模型架构的参数,对该状态所对应的数据集中的部分数据进行预测,将获得比该整体模型架构更高的准确率的模型,作为子状态模型,将该部分数据作为该子状态对应的数据集。
在该确定子状态的步骤中,为各状态找到多个子状态以及对应的数据集{mij,xij},其中mij表示动液面参数第i个状态下的第j个子状态,xij表示与该子状态相关的数据集,使用子状态下的数据集建立相应模型fij(x)。
计算新的数据Xt跟各状态mi下的数据的相似度时,计算新的数据Xt跟各子状态mij下的数据的相似度,如果最大的相似度大于设置的最小相似度,将新数据Xt加入对应子状态下的数据。
在模型实际使用时,利用最近获取的新数据,判断当前生产处于哪个子状态中,然后使用该子状态下的模型参数进行预测。
图7示出了依据本发明的一种实施方式的动液面深度预测装置的示意性方框图。
如图7所示,依据本发明的一种实施方式的动液面深度预测装置包括:状态模型获取单元700,从与动液面相关的历史数据中得到多个动液面参数状态和模型集合{mi,Fi(x)},其中mi表示动液面参数的第i个状态,Fi(x)表示与该第i个状态相关的神经网络模型,x是与该第i个状态相关的动液面参数数据;更新单元800,计算新的数据Xt跟各状态mi下的数据集中的各数据的相似度,如果最大的相似度大于预先设置的最小相似度,将新数据Xt加入对应状态下的数据,重新训练模型Fi(x),获得多个更新后的状态和模型集合{mi,Fi(x)}。该更新单元800在重新训练模型Fi(x)时,进行收敛计算,判断新数据Xt所加入后的对应状态是否为稳态,当所述对应的状态为非稳态时,将所述新的数据划分为新的状态;预测单元900,利用经重新训练的模型进行动液面预测。
根据一种实施方式,该动液面深度预测装置还包括子状态获取单元,该子状态获取单元为各状态找到多个子状态以及对应的数据集{mij,xij},其中mij表示动液面参数第i个状态下的第j个子状态,xij表示与该子状态相关的数据集,使用子状态下的数据集建立相应模型fij(x),子状态是指基于其所在的状态的数据集中的部分数据,能够获得比其所在的状态更高的预测正确率的状态。在这种情况下,更新单元800计算新的数据Xt跟各状态mi下的数据的相似度时,计算新的数据Xt跟各子状态mij下的数据的相似度,如果最大的相似度大于设置的最小相似度,将新数据Xt加入对应子状态下的数据。
根据一种实施方式,更新单元800如下地判断该第i个状态是否为稳态:
(1)假设一个动液面参数有m个状态:将该历史数据a1,a2,...an中每个数据随机分配到某个状态(1,2...m)上,某个状态x拥有的数据为{ax};
(2)计算每个状态的指标:yx=H({ax}),H(x)为投影变换函数;
(3)计算分解的合理性指标值;
(4)使用优化算法,不断调整m,重复(1)-(3)的步骤,直到指标无法变的更优,从而获得{xi,mi};
其中,i表示历史收集的所有数据的编号,按照时间从远到近依次排列,xi表示某个时间点的动液面参数数据,mi表示这行数据xi所属于的状态,当不能分为更多的状态时,判断为收敛,即为稳态。
根据一种实施方式,状态模型获取单元700使用状态分解法从与动液面相关的历史数据中得到多个动液面参数状态和模型集合{mi,Fi(x)},该子状态获取单元使用与状态分解法不同的聚类算法为各状态找到多个子状态以及对应的数据集{mij,xij}。
根据一种实施方式,预测单元900利用经重新训练的模型进行动液面预测时,首先利用最近获取的新数据,判断当前生产处于哪个子状态中,然后使用该子状态下的模型参数进行预测。
根据一种实施方式,该动液面深度预测装置还包括时间对齐单元,按照最小获取时间获取量级的各动液面参数对与动液面相关的历史数据进行排列,并对更大时间获取量级的参数按照相应抽油机的生产周期进行插值填充。
根据一种实施方式,子状态获取单元为各状态找到多个子状态以及对应的数据集{mij,xij},然后基于该数据集进行训练,获得比该状态的模型更高预测准确率的模型作为子状态模型,或者调整各状态的模型的参数,对该状态所对应的数据集中的部分数据进行预测,将获得比该整体模型架构更高的准确率的模型,作为子状态模型,将该部分数据作为该子状态对应的数据集。
神经网络等目前常用的模型因为内部复杂性,通常做出预测结果后,难以知道为什么得到这样一个预测值的。油井的生产管理往往需要根据预测值来控制电机,如何没有可控的可解释性,很难在实际生产过程中应用。
本发明可以在模型使用分析阶段给出预测结果的同时,根据指定的控制目标,给出调整建议,可以实现敏感性分析(Sensitivity Analysis)和基于梯度的方法(Gradient-based Methods)将黑盒模型转变为白盒模型。
例如在采油井的开采过程中,根据地下的油层的开采情况和地层油压的变化,希望在保持动液面恒定的情况下最大化日产液量。根据已有的冲程、冲次得到预测的动液面。稍微增加冲程、冲次的值再次预测动液面,直到预测的动液面下降到能接受的极限,此时的冲程,冲次就是当前能做到的最大采集频率,也就是最大化日产液量。
根据本发明的实施方式,基于数据特征分析的数据聚类、基于模型分析的子状态分解、模型自适应自更新等手段解决工况变动频繁导致的模型预测准确性不高的问题。
根据本发明的实施方式,基于模型的深度推理,做到实时预测,在动液面异常导致问题发生前,就及时调整将动液面恢复正常范围。
本领域技术人员容易理解,可以利用以上对方法的说明来理解本发明的装置。
本领域技术人员容易理解,本发明的方法还可以包括与本发明的装置所完成的功能对应的其他步骤。以上的这些步骤也可以进行精简。
本发明对单元和步骤的标号仅仅是为了说明的方便,除非上下文中有相反的说明,否则不代表其执行的顺序。
本领域的技术人员应该理解,上述的各单元可以由软件或专门的硬件来实现,例如现场可编程门阵列、单片机、或微芯片等,或者也可以通过软件结合硬件的方式来实现。
本发明还提供了一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现本发明的方法。
本发明还涉及一种计算机软件,该计算机软件在被计算装置(例如单片机、电脑、CPU等)执行时,可以实现本发明的方法。
本发明还涉及一种计算机软件存储装置,例如硬盘、软盘、闪存等,该计算机软件存储装置存储有上述的计算机软件。
本发明对方法或步骤的说明可以用于理解对单元或装置的说明,对单元或装置的说明也可以用于理解本发明的方法或步骤。
以上说明仅仅是示意性的,不是对本发明的保护范围的限制,在本发明的权利要求范围内的任何改变、替换均在本发明的保护范围内。
Claims (10)
1.一种动液面预测方法,其特征在于,包括以下的步骤:
从与动液面相关的历史数据中得到多个动液面参数状态和模型集合{mi,Fi(x)},其中mi表示动液面参数的第i个状态,Fi(x)表示与该第i个状态相关的神经网络模型,x是与该第i个状态相关的动液面参数数据;
计算新的数据Xt跟各状态mi下的数据集中的各数据的相似度,如果最大的相似度大于预先设置的最小相似度,将新数据Xt加入对应状态下的数据,重新训练模型Fi(x),获得多个更新后的状态和模型集合{mi,Fi(x)},重新训练模型Fi(x)时,进行收敛计算,判断新数据Xt所加入后的对应状态是否为稳态,当所述对应的状态为非稳态时,将所述新的数据划分为新的状态;以及
利用经重新训练的模型进行动液面预测。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
为各状态找到多个子状态以及对应的数据集{mij,xij},其中mij表示动液面参数第i个状态下的第j个子状态,xij表示与该子状态相关的数据集,使用子状态下的数据集建立相应模型fij(x),子状态是指基于其所在的状态的数据集中的部分数据,能够获得比其所在的状态更高的预测正确率的状态,
其中,计算新的数据Xt跟各状态mi下的数据的相似度时,计算新的数据Xt跟各子状态mij下的数据的相似度,如果最大的相似度大于设置的最小相似度,将新数据Xt加入对应子状态下的数据。
3.根据权利要求2所述的方法,其特征在于,如下地判断该第i个状态是否为稳态:
(1)假设一个动液面参数有m个状态:将该历史数据a1,a2,...an中每个数据随机分配到某个状态(1,2...m)上,某个状态x拥有的数据为{ax};
(2)计算每个状态的指标:yx=H({ax}),H(x)为投影变换函数;
(3)计算分解的合理性指标值;
(4)使用优化算法,不断调整m,重复(1)-(3)的步骤,直到指标无法变的更优,从而获得{xi,mi};
其中,i表示历史收集的所有数据的编号,按照时间从远到近依次排列,xi表示某个时间点的动液面参数数据,mi表示这行数据xi所属于的状态,当不能分为更多的状态时,判断为收敛,即为稳态。
4.根据权利要求2所述的方法,其特征在于,使用状态分解法从与动液面相关的历史数据中得到多个动液面参数状态和模型集合{mi,Fi(x)},使用与状态分解法不同的聚类算法为各状态找到多个子状态以及对应的数据集{mij,xij}。
5.根据权利要求4所述的方法,其特征在于,利用经重新训练的模型进行动液面预测时,首先利用最近获取的新数据,判断当前生产处于哪个子状态中,然后使用该子状态下的模型参数进行预测。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括时间对齐的步骤,按照最小获取时间获取量级的各动液面参数对与动液面相关的历史数据进行排列,并对更大时间获取量级的参数按照相应抽油机的生产周期进行插值填充。
7.根据权利要求2所述的方法,其特征在于,为各状态找到多个子状态以及对应的数据集{mij,xij},然后基于该数据集进行训练,获得比该状态的模型更高预测准确率的模型作为子状态模型,或者
调整各状态的模型的参数,对该状态所对应的数据集中的部分数据进行预测,将获得比该整体模型架构更高的准确率的模型,作为子状态模型,将该部分数据作为该子状态对应的数据集。
8.一种动液面预测装置,其特征在于,包括:
状态模型获取单元,从与动液面相关的历史数据中得到多个动液面参数状态和模型集合{mi,Fi(x)},其中mi表示动液面参数的第i个状态,Fi(x)表示与该第i个状态相关的神经网络模型,x是与该第i个状态相关的动液面参数数据,
更新单元,计算新的数据Xt跟各状态mi下的数据集中的各数据的相似度,如果最大的相似度大于预先设置的最小相似度,将新数据Xt加入对应状态下的数据,重新训练模型Fi(x),获得多个更新后的状态和模型集合{mi,Fi(x)},所述更新单元在重新训练模型Fi(x)时,进行收敛计算,判断新数据Xt所加入后的对应状态是否为稳态,当所述对应的状态为非稳态时,将所述新的数据划分为新的状态;
预测单元,利用经重新训练的模型进行动液面预测。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储设备控制程序,当所述设备控制程序被处理器执行时,实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092824.0A CN114444392A (zh) | 2022-01-26 | 2022-01-26 | 动液面预测方法和装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092824.0A CN114444392A (zh) | 2022-01-26 | 2022-01-26 | 动液面预测方法和装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114444392A true CN114444392A (zh) | 2022-05-06 |
Family
ID=81370284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210092824.0A Pending CN114444392A (zh) | 2022-01-26 | 2022-01-26 | 动液面预测方法和装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444392A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689913A (zh) * | 2022-12-14 | 2024-03-12 | 中国科学院沈阳自动化研究所 | 一种大数据驱动的油井动液面软测量方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740661A (zh) * | 2018-12-28 | 2019-05-10 | 沈阳工业大学 | 一种基于模糊评估的油井动液面自适应预测方法 |
CN110029986A (zh) * | 2019-04-16 | 2019-07-19 | 东北大学 | 基于粒子群极限学习机的游梁式抽油机的动液面预测方法 |
US20200018153A1 (en) * | 2016-11-09 | 2020-01-16 | Halliburton Energy Services, Inc. | System and method for modeling a transient fluid level of a well |
CN112487699A (zh) * | 2019-09-11 | 2021-03-12 | 北京国双科技有限公司 | 动液面确定方法、动液面确定模型获得方法及相关设备 |
US20210350208A1 (en) * | 2020-05-11 | 2021-11-11 | China University Of Petroleum (East China) | Method and device for predicting production performance of oil reservoir |
-
2022
- 2022-01-26 CN CN202210092824.0A patent/CN114444392A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200018153A1 (en) * | 2016-11-09 | 2020-01-16 | Halliburton Energy Services, Inc. | System and method for modeling a transient fluid level of a well |
CN109740661A (zh) * | 2018-12-28 | 2019-05-10 | 沈阳工业大学 | 一种基于模糊评估的油井动液面自适应预测方法 |
CN110029986A (zh) * | 2019-04-16 | 2019-07-19 | 东北大学 | 基于粒子群极限学习机的游梁式抽油机的动液面预测方法 |
CN112487699A (zh) * | 2019-09-11 | 2021-03-12 | 北京国双科技有限公司 | 动液面确定方法、动液面确定模型获得方法及相关设备 |
US20210350208A1 (en) * | 2020-05-11 | 2021-11-11 | China University Of Petroleum (East China) | Method and device for predicting production performance of oil reservoir |
Non-Patent Citations (1)
Title |
---|
王通,段泽文: "基于模糊评估自适应更新的油井动液面软测量建模", 化工学报, vol. 70, no. 12, 31 December 2019 (2019-12-31), pages 4760 - 4769 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689913A (zh) * | 2022-12-14 | 2024-03-12 | 中国科学院沈阳自动化研究所 | 一种大数据驱动的油井动液面软测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740661B (zh) | 一种基于模糊评估的油井动液面自适应预测方法 | |
CN106094744B (zh) | 基于关联规则挖掘的火电厂主运行参数目标值的确定方法 | |
CN112987666B (zh) | 电厂机组运行优化调控方法及系统 | |
CN111638707B (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN101782743A (zh) | 神经网络建模方法及系统 | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
CN112364560A (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN117639602A (zh) | 电机运行状态自适应调节方法及系统 | |
CN109523077B (zh) | 一种风电功率预测方法 | |
CN114444392A (zh) | 动液面预测方法和装置、电子设备和存储介质 | |
CN118211082B (zh) | 基于数据分析的油液滤芯剩余寿命预测方法及系统 | |
CN114997496A (zh) | 一种基于时空序列数据约束的无监督储层智能分段方法 | |
CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
CN113756786A (zh) | 一种基于深度学习的抽油机井时序示功图预测方法 | |
CN102130955B (zh) | 基于协同过滤的组合服务备选服务集生成系统及方法 | |
CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 | |
CN109376957B (zh) | 一种火电厂负荷的预测方法 | |
CN107083951B (zh) | 油气井监测方法和装置 | |
WO2023066549A1 (en) | Virtual flow meter for well using a sucker rod pump | |
CN113469107A (zh) | 一种融合空间密度分布的轴承故障诊断方法 | |
CN113312587A (zh) | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 | |
CN117522173B (zh) | 基于深度神经网络的天然气水合物降压开采产能预测方法 | |
CN118131825B (zh) | 一种节制闸水位控制方法及装置 | |
CN117454769A (zh) | 一种基于递归arima模型的抽油井充满度预测方法 | |
CN118030039A (zh) | 一种基于残差混合循环神经网络的油井油管压力预测方法 |
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 |