基于一种改进的神经网络的油井产量预测方法及其装置的制造方法
【技术领域】
[0001] 本发明涉及石油生产领域，特别涉及一种基于一种改进的神经网络的油井产量预 测方法及其装置。
【背景技术】
[0002] 在石油生产领域，油井的产量跟井口的压力、温度以及历史产量有着密切的关 系，但该种关系非简单线性关系，采用普通的建模方法难以实现压力、温度与产量的映射 关系，为了能对这些参数加以分析综合利用，根据其历史温度、压力等信息进行自学习 进而实现产量的预测，于是提出了一种基于BP神经网络的油井产量预测方法。BP(Back Propagation)神经网络是人工神经网络中的一种监督式的学习算法，由众多的神经元可调 的连接权值连接而成，具有很好的泛化特性，可以自动学习归纳实际输入输出值的特征，建 立输入输出的非线性映射关系，并且神经网络算法连接权值的设定决定了该算法学习结果 的好坏。
[0003] 目前，神经网络算法连接权值的优化计算设定基于粒子群优化算法（Particle Swarm Optimization)，缩写为PS0,粒子群优化算法是一种进化算法（Evolutionary Algorithm-EA) C3PSO算法从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解 的品质，本身具有收敛速度快的特点，但是通过普通粒子群优化算法优化后的连接权值对 提高BP神经网络学习能力的程度有限，导致BP神经网络对油井产量预测的准确性差，无法 满足要求。
【发明内容】
[0004] 为了克服现有技术的上述缺陷，本发明实施例提供了一种基于一种改进的神经网 络的油井产量预测方法及其装置，其能够提高BP神经网络对油气产量预测的准确性。
[0005] 本发明实施例的具体技术方案是：
[0006] -种基于一种改进的神经网络的油井产量预测方法，它包括以下步骤：
[0007] 基于影响产量的油井参数初始化PSO算法中的粒子个数、种群数量、最大迭代次 数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯 性权值的最小值、粒子的初始速度；
[0008] 基于粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置得到更新的速 度；
[0009] 基于惯性权值的最大值、惯性权值的最小值、最大迭代次数和实际测试样本值更 新惯性权值的最大值和/或惯性权值的最小值；
[0010] 基于粒子的初始速度值得到粒子的理想速度；
[0011] 基于种群数量、粒子个数、更新的速度、粒子的理想速度得到新的惯性权值；
[0012] 根据设置的最大迭代次数进行迭代，基于迭代后的粒子群中全体最优粒子的位置 得到隐层连接权值、输出层连接权值；
[0013] 基于设置训练后的隐层连接权值、输出层连接权值的神经网络、历史的影响产量 的油井参数和样本值得到预测产量。
[0014] 一种基于一种改进的神经网络的油井产量预测装置，它包括：
[0015] 优化模块，其用于根据影响产量的油井参数初始化预定算法中粒子个数、种群数 量、最大迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权 值的最大值、惯性权值的最小值、粒子的初始速度，通过预定算法得到神经网络的隐层连接 权值和输出层连接权值，
[0016] 训练模块，其用于将历史的影响产量的油井参数代入设置好隐层连接权值和输出 层连接权值的神经网络进行学习；
[0017] 预测模块，其用于根据样本值通过学习后的神经网络进行预测得到样本值下油井 的产量。
[0018] 本发明实施例公开的基于一种改进的神经网络的油气产量预测方法以及装置，选 择历史的油井基本参数作为输入参数，选择油气产量预测值作为输出参数，按照粒子群优 化的步骤对输入的参数进行处理，以计算粒子的初始解和方差，进行迭代计算，最终优化得 到BP神经网络的隐层连接权值、输出层连接权值。通过优化隐层连接权值、输出层连接权 值后的BP神经网络的收敛速度和泛化能力得到了提高，从而提高了 BP神经网络预测的准 确性。
【附图说明】
[0019] 在此描述的附图仅用于解释目的，而不意图以任何方式来限制本发明公开的范 围。另外，图中的各部件的形状和比例尺寸等仅为示意性的，用于帮助对本发明的理解，并 不是具体限定本发明各部件的形状和比例尺寸。本领域的技术人员在本发明的教导下，可 以根据具体情况选择各种可能的形状和比例尺寸来实施本发明。
[0020] 图1为本发明实施例中基于一种改进的神经网络的油井产量预测方法的流程示 意图。
[0021] 图2为本发明实施例中理想速度的曲线图。
[0022] 图3为本发明实施例中BP神经网络的示意图。
[0023] 图4为本发明实施例中基于一种改进的神经网络的油井产量预测方法得出的预 测产量输出与实际输出的对比图。
[0024] 图5为本发明实施例中基于一种改进的神经网络的油井产量预测装置的结构示 意图。
【具体实施方式】
[0025] 结合附图和本发明【具体实施方式】的描述，能够更加清楚地了解本发明的细节。但 是，在此描述的本发明的【具体实施方式】，仅用于解释本发明的目的，而不能以任何方式理解 成是对本发明的限制。在本发明的教导下，技术人员可以构想基于本发明的任意可能的变 形，这些都应被视为属于本发明的范围。
[0026] 本申请实施例提供了一种基于一种改进的神经网络的油井产量预测方法，该方法 改进了普通PSO算法，通过理想速度曲线反馈的自适应PSO算法优化BP神经网络的连接权 值，图1为本发明实施例中基于一种改进的神经网络的油井产量预测方法的流程示意图， 如图1所示，本申请实施例包括以下步骤：
[0027] SlOl :基于影响产量的油井参数初始化PSO算法中的粒子个数、种群数量、最大 迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大 值、惯性权值的最小值、粒子的初始速度。
[0028] PSO算法中需要设置的参数包括根据油井状态得到的粒子个数、种群数量、最大 迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大 值、惯性权值的最小值、粒子的初始速度。最大迭代次数可以根据经验人为设定，迭代次数 越多，其精度越高，一般而言到达一定迭代次数后，其后期迭代对精度的提高越来越小，所 以需要选择合适迭代次数以优化资源。在本实施例中，设置最大迭代次数T niax等于300,粒 子个数为3,其表示油井基本参数中的温度、压力和产量三个量，设置惯性权值的最大值 为0. 9,惯性权值的最小值为0. 4。由于历史的影响产量的油井参数包括温度和压力，再加 上产量这一参数，所以神经元个数indim设置为3。隐藏层神经元个数hiddennum设置为 20。由于需要预测油井产量，输出层神经元个数outdim设置为1，初始化的维度为m，其中 m = (indim+1) · hiddennum+ (hiddennum+1) ^outdim0
[0029] S102 :基于粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置得到更 新的速度。
[0030] 根据初始化的粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置计算 得到更新的速度和更新的位置，更新的速度的具体计算公式如下：
[0031]
⑴
[0032] 其中，（^和C2表示两个常量，在本实施例中，设置C1= C2= 1. 5, randl和rand2 表示随机产生的[0, 1]区间的数，表示粒子群中全体最优粒子的位置，表示 单个粒子历史出现的最优位置，1表示更新的速度，4表示未更新的速度，<表示未更新 的位置，示惯性权值，k表示迭代的次数。
[0033] 审新的份罾的具体计筧公式如下：
[0034]
(2)
[0035] 其中，vf表示更新的速度，表示未更新的位置，Xf表示更新的位置。
[0036] S103:基于惯性权值的最大值、惯性权值的最小值、最大迭代次数和实际测试样本 值更新惯性权值的最大值和/或惯性权值的最小值，其包括以下步骤：
[0037] 基于惯性权值的最大值、惯性权值的最小