CN120429552B - 一种基于深度学习的油品数据分析方法及系统 - Google Patents
一种基于深度学习的油品数据分析方法及系统Info
- Publication number
- CN120429552B CN120429552B CN202510935590.5A CN202510935590A CN120429552B CN 120429552 B CN120429552 B CN 120429552B CN 202510935590 A CN202510935590 A CN 202510935590A CN 120429552 B CN120429552 B CN 120429552B
- Authority
- CN
- China
- Prior art keywords
- real
- time
- oil
- data
- data analysis
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于数据分析技术领域，公开了一种基于深度学习的油品数据分析方法及系统。所述的方法包括如下步骤：使用全生命周期数据采集装置，采集油井的实时多源油品数据；使用边缘计算网关，对实时多源油品数据进行预处理，并上传至云数据中心；在云数据中心，根据动态多维特征空间，使用多维特征提取模型，提取实时合并多维特征；使用油品数据分析模型，对实时合并多维特征进行分析；根据实时油品数据分析结果，使用采炼储运策略生成模型，生成实时采炼储运策略。本发明解决了现有技术存在的数据处理能力不足、模型深度和精度有限以及缺乏响应机制的问题。
Description
技术领域
本发明属于数据分析技术领域，具体涉及一种基于深度学习的油品数据分析方法及系统。
背景技术
油品数据指的是在整个石油产业链（从勘探、开采、炼制、储存、运输到销售和使用）中，与石油及其产品相关的各种信息的集合。这些数据具有典型的多源异构特性，来源广泛、格式多样、更新频率不一，且数据之间存在着复杂的物理、经济和时空关联。对这些数据进行有效的分析和利用，对于优化油品生产计划、提高炼化效率、降低储运成本、保障供应链稳定、提升市场响应速度具有重要意义。随着物联网、大数据和人工智能技术的发展，利用先进的数据分析技术提升油品行业智能化水平成为迫切需求。
但是，现有技术仍存在诸多缺陷，包括：
1）数据处理能力不足：传统的数据分析方法，如简单的统计分析、回归模型或基于规则的系统，往往只能处理单一来源或少数几个关联紧密的数据，难以有效融合来自开采、炼化、储运等不同阶段的多源异构数据；一些初步的机器学习应用可能进行特征选择，但通常是基于单一目标或领域专家经验，缺乏系统性、自动化和智能化；
2）模型深度和精度有限：现有技术采用的简单模型，例如支持向量机、传统神经网络或集成学习，用于预测油品产量、质量或需求，这些模型在处理高维、非线性、强关联的油品数据时，往往难以捕捉到数据中复杂的模式，在处理时间序列数据的动态性和长期依赖性方面能力有限，导致预测精度不高，无法满足实时决策的需求；
3）缺乏响应机制：现有技术仅仅实现了单一的数据分析功能，缺乏对全生命周期的优化响应机制，导致数据分析结果的价值低，无法根据数据分析结果动态调整生产、存储和运输过程。
发明内容
为了解决现有技术存在的数据处理能力不足、模型深度和精度有限以及缺乏响应机制的问题，本发明目的在于提供一种基于深度学习的油品数据分析方法及系统。
本发明所采用的技术方案为：
一种基于深度学习的油品数据分析方法，包括如下步骤：
使用全生命周期数据采集装置，采集油井的实时多源油品数据，并将实时多源油品数据传输至通信范围内的边缘计算网关；
使用边缘计算网关，对实时多源油品数据进行预处理，并将得到的预处理后实时多源油品数据上传至云数据中心；
在云数据中心，根据动态多维特征空间，使用基于深度学习算法构建的多维特征提取模型，提取预处理后实时多源油品数据的实时合并多维特征；
使用基于深度学习算法构建的油品数据分析模型，对实时合并多维特征进行分析，得到实时油品数据分析结果；
根据实时油品数据分析结果，使用基于强化学习算法构建的采炼储运策略生成模型，进行采炼储运策略生成，得到实时采炼储运策略。
进一步地，全生命周期数据采集装置包括若干阶段数据采集装置，工程阶段数据采集装置包括开采端数据采集装置、炼化端数据采集装置以及储运端数据采集装置；
工程实时多源油品数据包括若干实时单源油品数据，若干工程实时单源油品数据一一对应于若干阶段数据采集装置，且实时单源油品数据包括实时开采过程数据、实时炼化过程数据以及实时库存物流数据。
进一步地，使用全生命周期数据采集装置，采集油井的实时多源油品数据，并将实时多源油品数据传输至通信范围内的边缘计算网关，包括如下步骤：
使用全生命周期数据采集装置中的每一阶段数据采集装置，采集油井的实时单源油品数据，并传输至通信范围内的边缘计算网关；
根据OPC UA协议，将由若干实时单源油品数据构成的实时多源油品数据并写入OPC UA服务器中的OPC UA实例。
进一步地，使用边缘计算网关，对实时多源油品数据进行预处理，并将得到的预处理后实时多源油品数据上传至云数据中心，包括如下步骤：
使用边缘计算网关，对实时多源油品数据进行依次的数据清洗、时空对齐以及协议转换，得到预处理后实时多源油品数据；
通过加密安全通道，将预处理后实时多源油品数据上传至云数据中心。
进一步地，动态多维特征空间包括物理特征工程、成本特征工程、耦合特征工程以及因果特征工程；
物理特征工程包括并联的空间特征工程和时间特征工程；
成本特征工程包括并联的油品价值特征工程、开采成本特征工程、炼化成本特征工程、储运成本特征工程以及交易成本特征工程；
耦合特征工程为物理-成本特征工程；
因果特征工程为因果链-因果结构特征工程；
多维特征提取模型基于MPFEFN算法构建，且多维特征提取模型包括物理特征提取模块、成本特征提取模块、耦合特征提取模块、因果特征提取模块以及多维特征合并模块，物理特征提取模块、成本特征提取模块、耦合特征提取模块以及因果特征提取模块分别对应于动态多维特征空间的物理特征工程、成本特征工程、耦合特征工程以及因果特征工程，且物理特征提取模块、成本特征提取模块、耦合特征提取模块以及因果特征提取模块均与多维特征合并模块连接，工程多维特征合并模块设置有注意力机制。
进一步地，油品数据分析模型基于RF-MLP-MOSGA算法构建，且油品数据分析模型包括依次连接的基于RF算法构建的关键特征筛选模块、基于MLP算法构建的油品数据分析模块以及基于MOSGA算法构建的分析结果优化模块。
进一步地，采炼储运策略生成模型基于MPO-MOGRPO算法构建，且采炼储运策略生成模型包括依次连接的基于MPO算法构建的元策略优化模块和基于MOGRPO算法构建的采炼储运策略生成模块，工程采炼储运策略生成模块设置有目标函数集合、智能体、策略网络以及经验回放池。
进一步地，在云数据中心，根据动态多维特征空间，使用基于深度学习算法构建的多维特征提取模型，提取预处理后实时多源油品数据的实时合并多维特征，包括如下步骤：
根据动态多维特征空间，将预处理后实时多源油品数据输入基于深度学习算法构建的多维特征提取模型；
使用多维特征提取模型的物理特征提取模块、成本特征提取模块以及耦合特征提取模块，提取预处理后实时多源油品数据的实时物理特征、实时成本特征以及实时耦合特征；
根据实时物理特征、实时成本特征以及实时耦合特征，使用因果发现算法，进行因果链识别，得到实时因果链；
基于因果模型，使用多维特征提取模型的因果特征提取模块，提取实时因果链对应的实时因果特征；
根据动态注意力权重值，使用多维特征提取模型的多维特征合并模块，对实时物理特征、实时成本特征、实时耦合特征以及实时因果特征进行合并，得到实时合并多维特征。
进一步地，使用基于深度学习算法构建的油品数据分析模型，对实时合并多维特征进行分析，得到实时油品数据分析结果，包括如下步骤：
将实时合并多维特征输入基于深度学习算法构建的油品数据分析模型；
使用油品数据分析模型的关键特征筛选模块，提取实时合并多维特征的实时关键特征；
根据实时关键特征，使用油品数据分析模型的油品数据分析模块，进行分析预测，得到实时油品数据分析概率分布；
使用油品数据分析模型的分析结果优化模块，对实时油品数据分析概率分布进行优化，得到实时油品数据分析结果。
一种基于深度学习的油品数据分析系统，用于实现油品数据分析方法，系统包括云数据中心、若干边缘计算网关以及若干全生命周期数据采集装置，工程云数据中心分别与若干边缘计算网关连接，每一工程边缘计算网关与通信范围内的全生命周期数据采集装置通信连接。
本发明的有益效果为：
本发明提供的一种基于深度学习的油品数据分析方法及系统， 通过边缘计算网关的预处理和云数据中心的多维特征提取模型（包含物理、成本、耦合、因果特征工程），能够系统性地、结构化地融合来自油井、炼厂、储运等环节的各类数据，实现了多源异构数据的数据融合和特征提取，避免了信息孤岛，为后续分析提供了全面、高质量的输入，动态多维特征空间中的“因果特征工程”和“耦合特征工程”专门设计用于捕捉数据间的相互作用和因果关系，使得分析结果不仅基于相关性，更能反映内在的因果联系，提高了模型的可解释性和对系统动态行为的理解深度，提高了油品数据分析的系统性、自动化和智能化； 利用深度学习算法构建的多维特征提取模型和油品数据分析模型，能够自动学习数据中的复杂非线性关系和深层模式，提取更具代表性和预测力的关键特征，从而显著提高分析预测的准确性和鲁棒性，尤其是在处理复杂工况和异常情况时表现更佳； 通过边缘计算的初步处理加速和云中心的实时特征提取、分析优化流程，能够对油品生产、储运过程中的实时数据变化做出快速响应，生成实时的油品数据分析结果和采炼储运策略，支持动态调整和即时决策，提高了系统的灵活性和适应性，实现了响应机制。
本发明的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
图1是本发明中基于深度学习的油品数据分析方法的流程框图。
图2是本发明中基于深度学习的油品数据分析系统的结构框图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步阐释。
实施例1
如图1所示，本实施例提供一种基于深度学习的油品数据分析方法，包括如下步骤：
S1：使用全生命周期数据采集装置，采集油井的实时多源油品数据，并将实时多源油品数据传输至通信范围内的边缘计算网关；
全生命周期数据采集装置包括若干阶段数据采集装置，工程阶段数据采集装置包括开采端数据采集装置、炼化端数据采集装置以及储运端数据采集装置；
工程实时多源油品数据包括若干实时单源油品数据，若干工程实时单源油品数据一一对应于若干阶段数据采集装置，且实时单源油品数据包括实时开采过程数据、实时炼化过程数据以及实时库存物流数据；
实时开采过程数据包括实时井口动态数据（ 三相电机极值电流、功率谐波畸变率、套管压力、油管压力）、实时井下过程数据（井底流压、泵填充率、动液面、含砂量）以及实时原油物性数据（密度、粘度、含水量、凝点）；
实时炼化过程数据包括实时过程控制数据（蒸馏塔温度曲线、分馏塔压力、催化剂床层温度）、实时油品检测数据（馏程分布、密度、闪点、硫含量）以及实时在线分析数据（近红外光谱、质谱特征峰、傅里叶变换红外）；
实时库存物流数据包括实时储罐监测数据（液位、温度、压力、静电电位）、实时管道传输数据（流量、磁致伸缩信号、残余应力）、实时环境交互数据（温湿度、照度、地震波频谱）以及实时终端销售数据（加油枪流量、销售交易数据、油气回收效率）；
使用全生命周期数据采集装置，采集油井的实时多源油品数据，并将实时多源油品数据传输至通信范围内的边缘计算网关，包括如下步骤：
S1-1：使用全生命周期数据采集装置中的每一阶段数据采集装置，采集油井的实时单源油品数据，并传输至通信范围内的边缘计算网关；
S1-2：根据开放性平台通信统一架构（Open Platform Communications UnifiedArchitecture，OPC UA）协议，将由若干实时单源油品数据构成的实时多源油品数据并写入OPC UA服务器中的OPC UA实例，包括如下步骤：
S1-2-1：根据全生命周期数据采集装置中的所有阶段数据采集装置的物理信息，构建对应的OPC UA信息模型；
S1-2-2：在边缘计算网关中部署OPC UA服务器，并根据OPC UA信息模型，在OPC UA服务器的地址空间中创建对应的OPC UA信息模型实例；
S1-2-3：根据OPC UA协议，将由若干实时单源油品数据构成的实时多源油品数据并写入OPC UA服务器中的OPC UA实例；
S2：使用边缘计算网关，对实时多源油品数据进行预处理，并将得到的预处理后实时多源油品数据上传至云数据中心，包括如下步骤：
S2-1：使用边缘计算网关，对实时多源油品数据进行依次的数据清洗、时空对齐以及协议转换，得到预处理后实时多源油品数据；
数据清洗规则：
异常值处理：采用拉依达准则结合油藏物性约束（如孔隙度0.1-0.4）；
缺失值填补：基于油藏地质模型的空间插值；
时空对齐方法：
时间轴：采用精确时间协议（Precision Time Protocol，PTP）时钟同步（IEEE1588）实现±1ms级同步；
空间轴：建立WGS84坐标系下的三维地质网格（分辨率50m×50m×10m）；
协议转换标准：
边缘计算网关：支持OPC UA的工业协议，将OPC UA协议转换为云数据中心能够识别的格式；
云数据中心：统一转换为JSON Schema v4.0格式；
S2-2：通过加密安全通道，将预处理后实时多源油品数据上传至云数据中心；
S3：在云数据中心，根据动态多维特征空间，使用基于深度学习算法构建的多维特征提取模型，提取预处理后实时多源油品数据的实时合并多维特征；
动态多维特征空间包括物理特征工程、成本特征工程、耦合特征工程以及因果特征工程；
物理特征工程包括并联的空间特征工程和时间特征工程；
成本特征工程包括并联的油品价值特征工程、开采成本特征工程、炼化成本特征工程、储运成本特征工程以及交易成本特征工程；
耦合特征工程为物理-成本特征工程；
因果特征工程为因果链-因果结构特征工程；
多维特征提取模型基于多尺度并行特征提取网络（Multi scale ParallelFeature Extraction Network，MPFEFN）算法构建，且多维特征提取模型包括物理特征提取模块、成本特征提取模块、耦合特征提取模块、因果特征提取模块以及多维特征合并模块，物理特征提取模块、成本特征提取模块、耦合特征提取模块以及因果特征提取模块分别对应于动态多维特征空间的物理特征工程、成本特征工程、耦合特征工程以及因果特征工程，且物理特征提取模块、成本特征提取模块、耦合特征提取模块以及因果特征提取模块均与多维特征合并模块连接，工程多维特征合并模块设置有注意力机制；
在云数据中心，根据动态多维特征空间，使用基于深度学习算法构建的多维特征提取模型，提取预处理后实时多源油品数据的实时合并多维特征，包括如下步骤：
S3-1：根据动态多维特征空间，将预处理后实时多源油品数据输入基于深度学习算法构建的多维特征提取模型，其中，为时间指示量，N为数据点总数，M为特征维度；
S3-2：使用多维特征提取模型的物理特征提取模块、成本特征提取模块以及耦合特征提取模块，提取预处理后实时多源油品数据的实时物理特征、实时成本特征以及实时耦合特征；
公式为：
；
式中，为实时物理特征、实时成本特征以及实时耦合特征；为空间特征提取函数和时间特征提取函数；为油品价值特征提取函数、开采成本特征提取函数、炼化成本特征提取函数、储运成本特征提取函数以及交易成本特征提取函数；为耦合特征提取函数；
S3-3：根据实时物理特征、实时成本特征以及实时耦合特征，使用因果发现算法，进行因果链识别，得到实时因果链；
公式为：
；
式中，为实时因果链；为因果发现算法函数；
S3-4：基于因果模型，使用多维特征提取模型的因果特征提取模块，提取实时因果链对应的实时因果特征；
公式为：
；
式中，为实时因果特征；为因果模型函数，可能是一个图神经网络或其他能处理图结构输入的模型；
S3-5：根据动态注意力权重值，使用多维特征提取模型的多维特征合并模块，对实时物理特征、实时成本特征、实时耦合特征以及实时因果特征进行合并，得到实时合并多维特征，包括如下步骤：
S3-5-1：对实时物理特征、实时成本特征、实时耦合特征以及实时因果特征进行特征投影，得到投影后实时物理特征、投影后实时成本特征、投影后实时耦合特征以及投影后实时因果特征，用于将不同维度的特征投影到统一维度；
公式为：
；
式中，为投影后实时物理特征、投影后实时成本特征、投影后实时耦合特征以及投影后实时因果特征；为特征投影函数；K为统一维度；
S3-5-2：根据动态注意力权重值，使用多维特征提取模型的多维特征合并模块，对投影后实时物理特征、投影后实时成本特征、投影后实时耦合特征以及投影后实时因果特征进行合并，得到实时合并多维特征；
公式为：
；
式中，为实时合并多维特征；为动态注意力权重值；
S4：使用基于深度学习算法构建的油品数据分析模型，对实时合并多维特征进行分析，得到实时油品数据分析结果；
油品数据分析模型基于随机森林（Random Forest，RF）-多层感知机 （Multi-Layer Perceptron，MLP）-多目标雪雁算法（Multi-Objective Snow Geese Algorithm，MOSGA）算法构建，且油品数据分析模型包括依次连接的基于RF算法构建的关键特征筛选模块、基于MLP算法构建的油品数据分析模块以及基于MOSGA算法构建的分析结果优化模块；
关键特征筛选模块基于计算出的特征重要性得分，筛选出对油品数据分析任务最关键、信息量最大的特征子集，剔除冗余或噪声较大的特征，减少了输入特征的数量，降低了后续分析的计算复杂度和训练时间；油品数据分析模块能够学习特征之间复杂的非线性关系，用于根据关键特征进行分析预测，得到概率分布；分析结果优化模块通常用于处理多目标优化问题，即在多个相互冲突的目标之间找到一组最优的折衷解，在油品数据分析的语境下，这些目标可能包括：准确率、计算成本、误差值、概率离散度以及结果复杂度等，迭代地改进解的质量，寻找在多个目标上表现都较好的优化结果，用于对油品数据分析概率分布进行优化，提高油品数据分析的准确率；
使用基于深度学习算法构建的油品数据分析模型，对实时合并多维特征进行分析，得到实时油品数据分析结果，包括如下步骤：
S4-1：将实时合并多维特征输入基于深度学习算法构建的油品数据分析模型；
S4-2：使用油品数据分析模型的关键特征筛选模块，提取实时合并多维特征的实时关键特征；
S4-3：根据实时关键特征，使用油品数据分析模型的油品数据分析模块，进行分析预测，得到实时油品数据分析概率分布；
S4-4：使用油品数据分析模型的分析结果优化模块，对实时油品数据分析概率分布进行优化，得到实时油品数据分析结果，包括如下步骤：
S4-4-1：根据实时油品数据分析概率分布，设置实时概率分布补偿值的格式，并将初始的实时概率分布补偿值编码为分析结果优化模块中MOSGA个体的个体向量；
S4-4-2：根据个体向量，使用动态优化方案生成模型的初始化模块，生成若干初始解；初始解对应于一初始的实时概率分布补偿值；
公式为：
；
式中，为Circle混沌映射序列生成的初始的MOSGA个体，即初始解；为随机生成的MOSGA个体；i为MOSGA个体指示量；为求余函数；
S4-4-3：根据适应度函数，使用动态优化方案生成模型的迭代寻优模块，对若干初始解进行迭代寻优，得到最优解，包括如下步骤：
S4-4-3-1：使用适应度函数，获取初始的MOSGA种群中每一初始的MOSGA个体的初始的适应度值，并将适应度值最低的初始的MOSGA个体作为领头雁；
公式为：
；
式中，为适应度函数；为计算成本函数；为误差值函数；为概率离散度函数；为结果复杂度函数；为MOSGA个体；为第一权重值、第二权重值、第三权重值、第四权重值；
S4-4-3-2：进入探索阶段，引入领头雁轮换机制、鸣叫引导机制以及动态反向机制，对初始的MOSGA种群进行迭代更新，得到一次更新的MOSGA种群，并保留最优个体；
领头雁轮换机制，每次迭代，根据MOSGA个体的适应度值进行竞争，选择新的领头雁，这种机制能够避免领头雁过早陷入局部最优，增强算法的全局搜索能力；
公式为：
；
式中，为一次更新的领头雁；为第迭代次数的初始的MOSGA种群中适应度值倒数第三位的初始的MOSGA个体；为第迭代次数的初始的MOSGA种群中适应度值倒数第五位的初始的MOSGA个体；为当前迭代次数；为最优个体；为第一权重因子；为随机数生成函数；
鸣叫引导机制，根据MOSGA个体与领头雁的距离，使用声波传播衰减模型调整个体位置更新，距离较近的MOSGA个体，其位置更新受领头雁的影响较大，能够快速向最优解靠近，距离较远的MOSGA个体，其位置更新受领头雁的影响较小，能够保持一定的探索能力，这种机制能够避免群体过度聚集或分散，提高算法的局部搜索精度；
公式为：
；
式中，为一次更新的MOSGA个体；为第迭代次数的初始的MOSGA个体；为初始的MOSGA个体接收到的声强；为声强参数；为初始声强；为最低可接收声强；为收敛因子；为距离最远的初始的MOSGA个体；为随机参数；为布朗运动函数；为布朗运动参数；为异或处理符号；
；
式中，为收敛因子；tanh(.)为双曲正切函数；为当前迭代次数；为最大迭代次数；amax、amin分别为收敛因子的最大、小值；λ为递减速率参数，为递减周期参数，λ=－2π，；
动态反向机制，对初始的MOSGA个体进行动态反向，提高探索方向多样性，避免陷入局部最优；
公式为：
；
式中，为一次更新的反向MOSGA个体；γ为递减惯性系数；Lmax、Lmin分别为向量空间最大、小值；
将对一次更新的领头雁、若干一次更新的MOSGA个体以及若干一次更新的反向MOSGA个体进行整合，得到一次更新的MOSGA种群，并将适应度值最低的MOSGA个体作为最优个体进行保留；
S4-4-3-3：进入开发阶段，引入异常边界策略和高斯变异机制，对一次更新的MOSGA种群进行二次更新，得到二次更新的MOSGA种群，并保留最优个体；
异常边界策略，计算每个一次更新的MOSGA个体的适应度值与群体平均适应值的差异，对于适应度值远高于群体平均值的MOSGA个体，其位置更新方式会进行调整，例如使用高斯变异机制、更大的步长或更小的步长，这种机制能够帮助个体避免陷入局部最优，提高算法的收敛速度和精度；
公式为：
；
式中，为二次更新的MOSGA个体；为一次更新的MOSGA个体；为适应度函数；为群体平均适应值；为适应度值最高的MOSGA个体；为第二权重因子和第三权重因子；为高斯变异机制参数；
S4-4-3-4：若迭代次数大于等于迭代次数阈值或最优个体的适应度值小于适应度阈值，则将最优个体作为最优解进行输出；
S4-4-4：对最优解的个体向量进行解码，得到最优的实时概率分布补偿值，并根据最优的实时概率分布补偿值，对实时油品数据分析概率分布进行优化，得到实时油品数据分析结果；
S5：根据实时油品数据分析结果，使用基于强化学习算法构建的采炼储运策略生成模型，进行采炼储运策略生成，得到实时采炼储运策略；
采炼储运策略生成模型基于元策略优化（Meta-Policy Optimization，MPO）-多目标群体相对策略优化（Multi-Objective Group Relative Policy Optimization，MOGRPO）算法构建，且采炼储运策略生成模型包括依次连接的基于MPO算法构建的元策略优化模块和基于MOGRPO算法构建的采炼储运策略生成模块，工程采炼储运策略生成模块设置有目标函数集合、智能体、策略网络以及经验回放池；
元策略优化模块用于采炼储运策略生成模块中的策略网络的网络参数，以便这些参数可以在新的、未见过的性能检测预测结果上快速适应，提高模型的泛化能力，即使是在未见过的性能检测预测结果下，也能基于之前的学习经验对策略网络进行更新，提高了采炼储运策略生成模型的适应性；采炼储运策略生成模块的目标函数集合能够处理多个相互冲突的目标，如响应时间、储存运输成本、交易影响等，生成平衡这些目标的采炼储运策略，智能体通过经验回放池学习历史采炼储运策略，不断优化自身的策略生成能力，智能体根据学习到的经验控制策略网络，以生成更有效的采炼储运策略， 经验回放池和智能体的设计使得模型能够持续学习和优化，提高策略生成的质量，采炼储运策略生成模块由于采用了群体探索的方式，在一定程度上能够避免陷入局部最优解，策略网络输出给定状态下的行动的分布概率，采炼储运策略生成模块直接通过梯度更新策略网络，省去了传统强化学习中的价值网络，使得算法结构更加简洁；
根据实时油品数据分析结果，使用基于强化学习算法构建的采炼储运策略生成模型，进行采炼储运策略生成，得到实时采炼储运策略，包括如下步骤：
S5-1：根据实时油品数据分析结果，使用采炼储运策略生成模型的元策略优化模块，对采炼储运策略生成模块的策略网络进行更新，得到更新的策略网络；
S5-2：在经验回放池中随机抽取若干历史采炼储运策略生成经验，根据若干历史采炼储运策略生成经验，生成若干可能采炼储运决策动作，并根据若干可能采炼储运决策动作，更新采炼储运策略生成模块的智能体的动作空间，得到更新的动作空间；
S5-3：对实时油品数据分析结果进行解析，得到若干实时油品数据状态，并根据实时油品数据状态，更新采炼储运策略生成模块的智能体的状态空间，得到更新的状态空间；
S5-4：在采炼储运策略生成模块的目标函数集合中选择实时目标函数，并基于实时目标函数，使用采炼储运策略生成模块的更新的智能体，控制更新的策略网络，生成更新的状态空间中每一实时油品数据状态所对应的更新的动作空间中所有可能采炼储运决策动作的概率分布；
S5-5：将更新的动作空间中概率分布最高的可能采炼储运决策动作作为对应的实时油品数据状态的执行采炼储运决策动作，整合更新的状态空间中所有实时油品数据状态的执行采炼储运决策动作，得到实时采炼储运策略。
实施例2
如图2所示，本实施例提供一种基于深度学习的油品数据分析系统，用于实现油品数据分析方法，系统包括云数据中心、若干边缘计算网关以及若干全生命周期数据采集装置，工程云数据中心分别与若干边缘计算网关连接，每一工程边缘计算网关与通信范围内的全生命周期数据采集装置通信连接。
全生命周期数据采集装置，用于采集油井的实时多源油品数据，并将实时多源油品数据传输至通信范围内的边缘计算网关；
边缘计算网关，用于对实时多源油品数据进行预处理，并将得到的预处理后实时多源油品数据上传至云数据中心；
云数据中心，用于根据动态多维特征空间，使用基于深度学习算法构建的多维特征提取模型，提取预处理后实时多源油品数据的实时合并多维特征；使用基于深度学习算法构建的油品数据分析模型，对实时合并多维特征进行分析，得到实时油品数据分析结果；根据实时油品数据分析结果，使用基于强化学习算法构建的采炼储运策略生成模型，进行采炼储运策略生成，得到实时采炼储运策略。
本发明提供的一种基于深度学习的油品数据分析方法及系统， 通过边缘计算网关的预处理和云数据中心的多维特征提取模型（包含物理、成本、耦合、因果特征工程），能够系统性地、结构化地融合来自油井、炼厂、储运等环节的各类数据，实现了多源异构数据的数据融合和特征提取，避免了信息孤岛，为后续分析提供了全面、高质量的输入，动态多维特征空间中的“因果特征工程”和“耦合特征工程”专门设计用于捕捉数据间的相互作用和因果关系，使得分析结果不仅基于相关性，更能反映内在的因果联系，提高了模型的可解释性和对系统动态行为的理解深度，提高了油品数据分析的系统性、自动化和智能化； 利用深度学习算法构建的多维特征提取模型和油品数据分析模型，能够自动学习数据中的复杂非线性关系和深层模式，提取更具代表性和预测力的关键特征，从而显著提高分析预测的准确性和鲁棒性，尤其是在处理复杂工况和异常情况时表现更佳； 通过边缘计算的初步处理加速和云中心的实时特征提取、分析优化流程，能够对油品生产、储运过程中的实时数据变化做出快速响应，生成实时的油品数据分析结果和采炼储运策略，支持动态调整和即时决策，提高了系统的灵活性和适应性，实现了响应机制。
本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。
Claims (8)
1.一种基于深度学习的油品数据分析方法，其特征在于：包括如下步骤：
使用全生命周期数据采集装置，采集油井的实时多源油品数据，并将实时多源油品数据传输至通信范围内的边缘计算网关；
使用边缘计算网关，对实时多源油品数据进行预处理，并将得到的预处理后实时多源油品数据上传至云数据中心；
在云数据中心，根据动态多维特征空间，使用基于深度学习算法构建的多维特征提取模型，提取预处理后实时多源油品数据的实时合并多维特征；
所述的动态多维特征空间包括物理特征工程、成本特征工程、耦合特征工程以及因果特征工程；
所述的物理特征工程包括并联的空间特征工程和时间特征工程；
所述的成本特征工程包括并联的油品价值特征工程、开采成本特征工程、炼化成本特征工程、储运成本特征工程以及交易成本特征工程；
所述的耦合特征工程为物理-成本特征工程；
所述的因果特征工程为因果链-因果结构特征工程；
所述的多维特征提取模型基于MPFEFN算法构建，且多维特征提取模型包括物理特征提取模块、成本特征提取模块、耦合特征提取模块、因果特征提取模块以及多维特征合并模块，所述的物理特征提取模块、成本特征提取模块、耦合特征提取模块以及因果特征提取模块分别对应于动态多维特征空间的物理特征工程、成本特征工程、耦合特征工程以及因果特征工程，且物理特征提取模块、成本特征提取模块、耦合特征提取模块以及因果特征提取模块均与多维特征合并模块连接，所述的多维特征合并模块设置有注意力机制；
包括如下步骤：
根据动态多维特征空间，将预处理后实时多源油品数据输入基于深度学习算法构建的多维特征提取模型；
使用多维特征提取模型的物理特征提取模块、成本特征提取模块以及耦合特征提取模块，提取预处理后实时多源油品数据的实时物理特征、实时成本特征以及实时耦合特征；
根据实时物理特征、实时成本特征以及实时耦合特征，使用因果发现算法，进行因果链识别，得到实时因果链；
基于因果模型，使用多维特征提取模型的因果特征提取模块，提取实时因果链对应的实时因果特征；
根据动态注意力权重值，使用多维特征提取模型的多维特征合并模块，对实时物理特征、实时成本特征、实时耦合特征以及实时因果特征进行合并，得到实时合并多维特征；
使用基于深度学习算法构建的油品数据分析模型，对实时合并多维特征进行分析，得到实时油品数据分析结果；
根据实时油品数据分析结果，使用基于强化学习算法构建的采炼储运策略生成模型，进行采炼储运策略生成，得到实时采炼储运策略。
2.根据权利要求1所述的一种基于深度学习的油品数据分析方法，其特征在于：所述的全生命周期数据采集装置包括若干阶段数据采集装置，所述的阶段数据采集装置包括开采端数据采集装置、炼化端数据采集装置以及储运端数据采集装置；
所述的实时多源油品数据包括若干实时单源油品数据，若干所述的实时单源油品数据一一对应于若干阶段数据采集装置，且实时单源油品数据包括实时开采过程数据、实时炼化过程数据以及实时库存物流数据。
3.根据权利要求2所述的一种基于深度学习的油品数据分析方法，其特征在于：使用全生命周期数据采集装置，采集油井的实时多源油品数据，并将实时多源油品数据传输至通信范围内的边缘计算网关，包括如下步骤：
使用全生命周期数据采集装置中的每一阶段数据采集装置，采集油井的实时单源油品数据，并传输至通信范围内的边缘计算网关；
根据OPC UA协议，将由若干实时单源油品数据构成的实时多源油品数据并写入OPC UA服务器中的OPC UA实例。
4.根据权利要求3所述的一种基于深度学习的油品数据分析方法，其特征在于：使用边缘计算网关，对实时多源油品数据进行预处理，并将得到的预处理后实时多源油品数据上传至云数据中心，包括如下步骤：
使用边缘计算网关，对实时多源油品数据进行依次的数据清洗、时空对齐以及协议转换，得到预处理后实时多源油品数据；
通过加密安全通道，将预处理后实时多源油品数据上传至云数据中心。
5.根据权利要求4所述的一种基于深度学习的油品数据分析方法，其特征在于：所述的油品数据分析模型基于RF-MLP-MOSGA算法构建，且油品数据分析模型包括依次连接的基于RF算法构建的关键特征筛选模块、基于MLP算法构建的油品数据分析模块以及基于MOSGA算法构建的分析结果优化模块。
6.根据权利要求5所述的一种基于深度学习的油品数据分析方法，其特征在于：所述的采炼储运策略生成模型基于MPO-MOGRPO算法构建，且采炼储运策略生成模型包括依次连接的基于MPO算法构建的元策略优化模块和基于MOGRPO算法构建的采炼储运策略生成模块，所述的采炼储运策略生成模块设置有目标函数集合、智能体、策略网络以及经验回放池。
7.根据权利要求6所述的一种基于深度学习的油品数据分析方法，其特征在于：使用基于深度学习算法构建的油品数据分析模型，对实时合并多维特征进行分析，得到实时油品数据分析结果，包括如下步骤：
将实时合并多维特征输入基于深度学习算法构建的油品数据分析模型；
使用油品数据分析模型的关键特征筛选模块，提取实时合并多维特征的实时关键特征；
根据实时关键特征，使用油品数据分析模型的油品数据分析模块，进行分析预测，得到实时油品数据分析概率分布；
使用油品数据分析模型的分析结果优化模块，对实时油品数据分析概率分布进行优化，得到实时油品数据分析结果。
8.一种基于深度学习的油品数据分析系统，用于实现如权利要求1-7任一所述的油品数据分析方法，其特征在于：所述的系统包括云数据中心、若干边缘计算网关以及若干全生命周期数据采集装置，所述的云数据中心分别与若干边缘计算网关连接，每一所述的边缘计算网关与通信范围内的全生命周期数据采集装置通信连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202510935590.5A CN120429552B (zh) | 2025-07-08 | 2025-07-08 | 一种基于深度学习的油品数据分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202510935590.5A CN120429552B (zh) | 2025-07-08 | 2025-07-08 | 一种基于深度学习的油品数据分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN120429552A CN120429552A (zh) | 2025-08-05 |
| CN120429552B true CN120429552B (zh) | 2025-11-14 |
Family
ID=96558255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202510935590.5A Active CN120429552B (zh) | 2025-07-08 | 2025-07-08 | 一种基于深度学习的油品数据分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN120429552B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077057A (zh) * | 2023-08-18 | 2023-11-17 | 重庆高维智矿科技有限公司 | 基于深度学习时序预测与多维动态检验的矿压预警树系统 |
| CN119155315A (zh) * | 2024-10-12 | 2024-12-17 | 北京集正远大燃气科技有限公司 | 基于物联网的燃气能源监测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10430725B2 (en) * | 2016-06-15 | 2019-10-01 | Akw Analytics Inc. | Petroleum analytics learning machine system with machine learning analytics applications for upstream and midstream oil and gas industry |
| CN118674082A (zh) * | 2023-03-16 | 2024-09-20 | 中国石油化工股份有限公司 | 一种基于模型融合的油田产油量预测方法 |
| CN119885095B (zh) * | 2024-12-27 | 2026-01-16 | 贵州电网有限责任公司 | 一种面向大规模历史数据的变电站误操作模式挖掘方法 |
| CN120159392B (zh) * | 2025-04-17 | 2025-11-18 | 西南石油大学 | 一种基于大数据的油气藏智能动态监测与优化开采方法 |
-
2025
- 2025-07-08 CN CN202510935590.5A patent/CN120429552B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077057A (zh) * | 2023-08-18 | 2023-11-17 | 重庆高维智矿科技有限公司 | 基于深度学习时序预测与多维动态检验的矿压预警树系统 |
| CN119155315A (zh) * | 2024-10-12 | 2024-12-17 | 北京集正远大燃气科技有限公司 | 基于物联网的燃气能源监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN120429552A (zh) | 2025-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN119376360B (zh) | 基于智能ai视觉识别的dcs预警方法及系统 | |
| CN119441993A (zh) | 基于机器学习和物联网的变压器寿命预测方法及系统 | |
| Guo et al. | EGNN: Energy-efficient anomaly detection for IoT multivariate time series data using graph neural network | |
| CN119474804A (zh) | 电力系统运行状态智能监测方法及系统 | |
| CN117909881A (zh) | 多源数据融合的抽油机的故障诊断方法及装置 | |
| CN117709967B (zh) | 反洗钱检测方法和系统 | |
| Du et al. | Production forecasting with the interwell interference by integrating graph convolutional and long short-term memory neural network | |
| EP4573501A1 (en) | Field equipment data system | |
| CN118779585A (zh) | 一种基于机器学习的地质数据处理方法及系统 | |
| Feng et al. | Big data and artificial intelligence-based optimization of petroleum exploration and reservoir modeling: Intelligent pathways for enhancing efficiency and accuracy | |
| WO2024039718A1 (en) | Field equipment data system | |
| CN120429552B (zh) | 一种基于深度学习的油品数据分析方法及系统 | |
| Ambrus et al. | Rate of penetration prediction using quantile regression deep neural networks | |
| CN118761691B (zh) | 智慧能源产业互联网数据管理方法、系统、介质及服务器 | |
| US20250179905A1 (en) | Systems and methods of predictive decline modeling based on time-dependent depletion function | |
| CN120042536A (zh) | 一种基于人工智能的油气田开采及生产过程中的自动控制系统及方法 | |
| CN117830753A (zh) | 一种mems显示器的寻址方法 | |
| Al-Ismael et al. | A comprehensive review of advancements in AI-based techniques for field development optimization | |
| Zhu et al. | Enhanced learning model of LSTM-GAN hybrid network in the dynamic prediction of building energy consumption | |
| Lin et al. | Resource time series analysis and forecasting in large-scale virtual clusters | |
| CN117745093A (zh) | 一种基于SSA-CG-Attention模型的多因素采煤工作面涌水量预测方法 | |
| Huang et al. | Dual-driven gas reservoir productivity prediction with small sample data: Integrating physical constraints and GAN-based data augmentation | |
| Tang et al. | Oilfield Production Prediction Method Based on Multi‐Input CNN‐LSTM With Attention Mechanism | |
| CN120765017B (zh) | 一种面向矿区地质沉降风险评估方法及系统 | |
| Yanyan | Research on Intelligent Bridge Design Methods for Complex Geological Environments Using a Hybrid Particle Swarm and Graph Neural Network Optimization Algorithm |
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 |