CN114970995A - 基于数据库的指数递减模型进行采油井批量产量预测方法 - Google Patents

基于数据库的指数递减模型进行采油井批量产量预测方法 Download PDF

Info

Publication number
CN114970995A
CN114970995A CN202210540384.0A CN202210540384A CN114970995A CN 114970995 A CN114970995 A CN 114970995A CN 202210540384 A CN202210540384 A CN 202210540384A CN 114970995 A CN114970995 A CN 114970995A
Authority
CN
China
Prior art keywords
oil production
oil
yield
monthly
production well
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
Application number
CN202210540384.0A
Other languages
English (en)
Inventor
张红梅
谢磊
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.)
Hongyou Software Co ltd
Original Assignee
Hongyou Software Co ltd
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 Hongyou Software Co ltd filed Critical Hongyou Software Co ltd
Priority to CN202210540384.0A priority Critical patent/CN114970995A/zh
Publication of CN114970995A publication Critical patent/CN114970995A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2433—Query languages
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，包括：得到线性回归方程；在数据库中存储每个采油井的最近m个月的实际月产油量数据；根据Oracle自带求斜率的函数REGR_SLOPE，求出每个采油井的月递减率，再求得年递减率；批量输出每个采油井的月产油量和年产油量的预测结果。本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，本发明通过Oracle数据库函数批量计算单井月递减率、年递减率，并预测月产量和年产量，由于不需要通过EXCLE绘制拟合曲线以及求拟合方程，因此，本发明采油井批量产量预测效率高。

Description

基于数据库的指数递减模型进行采油井批量产量预测方法
技术领域
本发明属于采油井批量产量预测技术领域，具体涉及一种基于数据库的指数递减模型进行采油井批量产量预测方法。
背景技术
油田开发的全过程，需要经历产量上升阶段、稳产阶段、产量递减阶段和油田开发后期阶段。具体如下：1、产量上升阶段(油井大量投产，1-2年)2、稳产阶段(采油速度＞设计80％)；3、产量递减阶段(含水低于90％)；4、油田开发后期阶段(递减转缓，可采速度＜1.5)。
产量递减分析方法是预测和分析油藏动态的一种数理统计方法，即可预测油气田未来时间的产量和累积产量的变化，又可对油气田的可采储量和剩余可采储量做出有效的判断。
现有的油气田产量预测方式为：利用EXCEL自带功能，将单井产量数据导入到EXCLE表中，通过手工方式，绘制每口单井产量趋势的拟合曲线，得到拟合方程，再根据拟合方程预测单井产量。
以上油气田产量预测方式，具有以下问题：油气田产量预测效率低，费时费力，需要很长时间才能得到预测的产油产量。
发明内容
针对现有技术存在的缺陷，本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，可有效解决上述问题。
本发明采用的技术方案如下：
本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，包括以下步骤：
步骤1，对采油井在产油量递减阶段的产油量变化趋势进行分析研究，得到指数递减预测模型y＝aebx；其中，x为产油开采时间；y为产油量；b为指数；a为系数；e为自然常数；
对指数递减预测模型y＝aebx的等式两边取自然对数，得到公式：lny＝ln(aebx)＝lna+bx；
令Y＝lny，A＝lna；其中，Y和A分别为中间参数值；
由此得到线性回归方程：Y＝bx+A；其中，b为待求的目标值；
步骤2，对于产油量待预测的n个采油井，分别在数据库中存储每个采油井的最近m个月的实际月产油量数据，表示为：(x1,y1)，(x2,y2),…,(xm,ym)；
其中:
(x1,y1)含义为：在最近的第x1＝1个月，其实际月产油量为y1；
(x2,y2)含义为：在最近的第x2＝2个月，其实际月产油量为y2；
依此类推
(xm,ym)含义为：在最近的第xm＝m个月，其实际月产油量为ym；
步骤3，根据Oracle自带求斜率的函数REGR_SLOPE，采用下式，分别求出每个采油井的指数b，其中，指数b也称为月变化率：
b＝REGR_SLOPE(Y,x)＝REGR_SLOPE(lny,x)＝REGR_SLOPE((lny1,x1)，ln y2,x2),…,ln(ym,xm))；
步骤4，判断月变化率b是否小于0，如果是，则执行步骤5；否则结束流程；
步骤5，此时的月变化率b也称为月递减率；根据下式，得到年递减率d：
年递减率d＝1-(1-月递减率b)12
步骤6，根据月递减率b，对下一个月的月产油量进行预测；根据年递减率d，对下一年的年产油量进行预测；
步骤7，批量输出每个采油井的月产油量和年产油量的预测结果。
优选的，步骤6具体为：
假设对于被预测的采油井，其在最近一个月的月实际产油量为P1，采用下式，得到下一个月的月产油量预测值Q1：
Q1＝P1(1-b)
假设对于被预测的采油井，其在最近一年的年实际产油量为P2，采用下式，得到下一年的年产油量预测值Q2：
Q2＝P2(1-d)
由此得到月产油量预测值和年产油量预测值。
本发明提供的基于数据库的指数递减模型进行采油井批量产量预测方法具有以下优点：
本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，本发明通过Oracle数据库函数批量计算单井月递减率、年递减率，并预测月产量和年产量，由于不需要通过EXCLE绘制拟合曲线以及求拟合方程，因此，本发明采油井批量产量预测效率高。
附图说明
图1为本发明提供的基于数据库的指数递减模型进行采油井批量产量预测方法的流程示意图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，本发明通过Oracle数据库函数批量计算单井月递减率、年递减率，并预测月产量和年产量，由于不需要通过EXCLE绘制拟合曲线以及求拟合方程，因此，本发明采油井批量产量预测效率高。
参考图1，本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，包括以下步骤：
步骤1，对采油井在产油量递减阶段的产油量变化趋势进行分析研究，得到指数递减预测模型y＝aebx；其中，x为产油开采时间；y为产油量；b为指数；a为系数；e为自然常数；
对指数递减预测模型y＝aebx的等式两边取自然对数，得到公式：lny＝ln(aebx)＝lna+bx；
令Y＝lny，A＝lna；其中，Y和A分别为中间参数值；
由此得到线性回归方程：Y＝bx+A；其中，b为待求的目标值；
步骤2，对于产油量待预测的n个采油井，分别在数据库中存储每个采油井的最近m个月的实际月产油量数据，表示为：(x1,y1)，(x2,y2),…,(xm,ym)；
其中:
(x1,y1)含义为：在最近的第x1＝1个月，其实际月产油量为y1；
(x2,y2)含义为：在最近的第x2＝2个月，其实际月产油量为y2；
依此类推
(xm,ym)含义为：在最近的第xm＝m个月，其实际月产油量为ym；
步骤3，根据Oracle自带求斜率的函数REGR_SLOPE，采用下式，分别求出每个采油井的指数b，其中，指数b也称为月变化率：
b＝REGR_SLOPE(Y,x)＝REGR_SLOPE(lny,x)＝REGR_SLOPE((lny1,x1)，ln y2,x2),…,ln(ym,xm))；
步骤4，判断月变化率b是否小于0，如果是，则执行步骤5；否则结束流程；
步骤5，此时的月变化率b也称为月递减率；根据下式，得到年递减率d：
年递减率d＝1-(1-月递减率b)12
步骤6，根据月递减率b，对下一个月的月产油量进行预测；根据年递减率d，对下一年的年产油量进行预测；
步骤6具体为：
假设对于被预测的采油井，其在最近一个月的月实际产油量为P1，采用下式，得到下一个月的月产油量预测值Q1：
Q1＝P1(1-b)
假设对于被预测的采油井，其在最近一年的年实际产油量为P2，采用下式，得到下一年的年产油量预测值Q2：
Q2＝P2(1-d)
由此得到月产油量预测值和年产油量预测值。
步骤7，批量输出每个采油井的月产油量和年产油量的预测结果。
本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，具有以下特点：根据指数递减预测模型y＝aebx，将其变形为线性回归方程Y＝bx+A，针对该线性回归方程，巧妙的采用Oracle自带求斜率的函数REGR_SLOPE，可直接简单高效的求出月递减率，最终实现月产油量和年产油量的预测。因此，具有月产油量和年产油量预测简单高效的优点。
综上所述，本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，本发明通过Oracle数据库函数批量计算单井月递减率、年递减率，并预测月产量和年产量，由于不需要通过EXCLE绘制拟合曲线以及求拟合方程，因此，本发明采油井批量产量预测效率高。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (2)

1.一种基于数据库的指数递减模型进行采油井批量产量预测方法，其特征在于，包括以下步骤：
步骤1，对采油井在产油量递减阶段的产油量变化趋势进行分析研究，得到指数递减预测模型y＝aebx；其中，x为产油开采时间；y为产油量；b为指数；a为系数；e为自然常数；
对指数递减预测模型y＝aebx的等式两边取自然对数，得到公式：lny＝ln(aebx)＝lna+bx；
令Y＝lny，A＝lna；其中，Y和A分别为中间参数值；
由此得到线性回归方程：Y＝bx+A；其中，b为待求的目标值；
步骤2，对于产油量待预测的n个采油井，分别在数据库中存储每个采油井的最近m个月的实际月产油量数据，表示为：(x1,y1)，(x2,y2),…,(xm,ym)；
其中:
(x1,y1)含义为：在最近的第x1＝1个月，其实际月产油量为y1；
(x2,y2)含义为：在最近的第x2＝2个月，其实际月产油量为y2；
依此类推
(xm,ym)含义为：在最近的第xm＝m个月，其实际月产油量为ym；
步骤3，根据Oracle自带求斜率的函数REGR_SLOPE，采用下式，分别求出每个采油井的指数b，其中，指数b也称为月变化率：
b＝REGR_SLOPE(Y,x)＝REGR_SLOPE(lny,x)＝REGR_SLOPE((lny1,x1)，lny2,x2),…,ln(ym,xm))；
步骤4，判断月变化率b是否小于0，如果是，则执行步骤5；否则结束流程；
步骤5，此时的月变化率b也称为月递减率；根据下式，得到年递减率d：
年递减率d＝1-(1-月递减率b)12
步骤6，根据月递减率b，对下一个月的月产油量进行预测；根据年递减率d，对下一年的年产油量进行预测；
步骤7，批量输出每个采油井的月产油量和年产油量的预测结果。
2.根据权利要求1所述的基于数据库的指数递减模型进行采油井批量产量预测方法，其特征在于，步骤6具体为：
假设对于被预测的采油井，其在最近一个月的月实际产油量为P1，采用下式，得到下一个月的月产油量预测值Q1：
Q1＝P1(1-b)
假设对于被预测的采油井，其在最近一年的年实际产油量为P2，采用下式，得到下一年的年产油量预测值Q2：
Q2＝P2(1-d)
由此得到月产油量预测值和年产油量预测值。
CN202210540384.0A 2022-05-17 2022-05-17 基于数据库的指数递减模型进行采油井批量产量预测方法 Pending CN114970995A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210540384.0A CN114970995A (zh) 2022-05-17 2022-05-17 基于数据库的指数递减模型进行采油井批量产量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210540384.0A CN114970995A (zh) 2022-05-17 2022-05-17 基于数据库的指数递减模型进行采油井批量产量预测方法

Publications (1)

Publication Number Publication Date
CN114970995A true CN114970995A (zh) 2022-08-30

Family

ID=82983768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210540384.0A Pending CN114970995A (zh) 2022-05-17 2022-05-17 基于数据库的指数递减模型进行采油井批量产量预测方法

Country Status (1)

Country Link
CN (1) CN114970995A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104481502A (zh) * 2014-11-13 2015-04-01 克拉玛依红有软件有限责任公司 一种利用油藏结构递减法预测原油产量的方法
CN104834518A (zh) * 2015-04-08 2015-08-12 陕西延长石油（集团）有限责任公司 油田勘探开发工作平台系统
CN109409559A (zh) * 2017-08-17 2019-03-01 中国石油天然气股份有限公司 油田产量递减率的确定方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104481502A (zh) * 2014-11-13 2015-04-01 克拉玛依红有软件有限责任公司 一种利用油藏结构递减法预测原油产量的方法
CN104834518A (zh) * 2015-04-08 2015-08-12 陕西延长石油（集团）有限责任公司 油田勘探开发工作平台系统
CN109409559A (zh) * 2017-08-17 2019-03-01 中国石油天然气股份有限公司 油田产量递减率的确定方法及装置

Similar Documents

Publication Publication Date Title
CN112001439B (zh) 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备
CN101551884B (zh) 面向大规模样本的cvr电力负荷快速预测方法
CN108446759A (zh) 基于季节性长短期记忆网络模型的旅游客流量预测方法
CN111476422A (zh) 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法
CN111539844B (zh) 一种基于k-l信息量和arima误差修正的月度电量预测方法
Shahid et al. Developing nexus between economic opening-up, environmental regulations, rent of natural resources, green innovation, and environmental upgrading of China-empirical analysis using ARDL bound-testing approach
CN111625947B (zh) 一种分布式能源发展规模预测方法、设备及介质
CN105631184A (zh) 一种油气井产量递减分析方法和系统
CN109252855B (zh) 确定气井最终累积产量的方法及装置
CN113837912A (zh) 一种建筑业碳排放影响因素分析方法
CN116304669A (zh) 一种短期校正的分布式光伏功率预测方法及系统
CN106600029A (zh) 一种基于电力数据的宏观经济预测量化修正方法
Wei et al. Impact of intelligence on the carbon emissions of energy consumption in the mining industry based on the expanded STIRPAT model
CN110059938B (zh) 一种基于关联规则驱动的配电网规划方法
CN113445988B (zh) 一种低渗碳酸盐岩气藏气井产能评价方法
CN114970995A (zh) 基于数据库的指数递减模型进行采油井批量产量预测方法
CN112819085B (zh) 基于机器学习的模型优化方法、装置及存储介质
CN109214610A (zh) 一种基于长短期记忆神经网络的饱和电力负荷预测方法
CN117236485A (zh) 一种基于cnn-bilstm算法减小预测电网供电量误差的方法
CN117365430A (zh) 一种页岩气单井日产量预测方法及系统
CN108446792B (zh) 一种在演化路径与规划目标之间迭代的优化方法
CN113762600B (zh) 一种基于LightGBM的月用气量预测方法及装置
CN111985721A (zh) 一种基于季节性时间序列的企业开票金额预测方法
CN113112073B (zh) 一种确定油田老井基础产量自然递减率的方法
CN117273789A (zh) 电力营销数据采集分析方法

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