基于粒子群优化的最小二支持向量机在页岩气井当中的产量预测应用

2019-04-12 05:04:18 神州·上旬刊 2019年2期

蔡骏驰

摘要:在石油与天然气的开发及生产运营期间,在确保质量的前提下,为了尽可能保证企业的利润空间,对于运营平台的合理管理和规划以及页岩气井的生产调度、经济管控、资源分配的最优化是提高该指标的重要措施,而对于页岩气井的产量预测是直接影响这一系列措施的重要参考指标之一。本文首先對所采用的方法进行了原理性的概述,然后利用粒子群优化对实际工程数据进行了处理,利用MATLAB完成了实际数据的仿真,并对其预测的数据与实际生产数据进行了一定的验证。算法收敛性好,有较高预测精度和训练速度,对实际生产具有一定的指导意义。

关键词:页岩气井;预测;粒子群;最小二乘法;支持向量机

引言:

预测方法一般包括神经网络、微分模拟法、产量递减法。神经网络预测方法是利用产量的历史数据进行训练,不断调整连接神经元之间的权重实现产量预测;微分模拟法是基于油田开发动态的时间序列进行研究,利用微分动态模拟原理实现产量预测;产量递减法利用历史产量数据带入产量递减规律方程实现产量预测[1]。本文基于粒子群优化的最小二支持向量机提出了一种预测算法。首先对粒子群算法的种群选择进行了概要推导,说明了如何改善种群整体的质量,增强全局寻优能力,然后建立了基于PSO的LS-SVM产量预测模型,利用适当的样本数据进行产量的预测,最后通过仿真实际生产数据验证模型预测效果,此方法为页岩气产量预测提供了一种新思路。

1  PSO的SVM建模

本文对于粒子群算法存在缺陷问题进行了一定的改进,较好的克服了因为过早收敛而陷入局部最优点问题和减少了不确定性因素,并将改进后的算法融入到最小二乘支持向量机当中。

1.1 对粒子群理论的优化概述

本文采用一种基于种群多样性信息的早熟收敛评判标准,指导初始种群的选取,对整体种群的质量进行提升,保证全局寻优能力的提高[2][3]。概述内容如下:

为保证有限个粒子均匀分布在整个解空间,减小陷于局部最优的可能,引入平均粒距的概念,定义如下:

(1-1)

其中,L为搜索空间对角最大长度,n为解空间维数,pid表示第i个粒子位置的第d维坐标值,表示所有粒子位置的第d维坐标值的均值。

平均粒距表示种群中各个粒子彼此间分布的离散程度,D(t)越小,表示种群越集中;D(t)越大,表示种群越分散。

1.2 最小二乘支持向量机

因为LS-SVM的待选参数相对较少,而且用等式约束来代替原有的不等式约束,减少了一些不确定性因素,它的损失函数直接定义为误差平方和,将优化中的不等式约束转化为等式约束,由此将二次规划问题转化为线性方程组求解,降低了计算复杂性,加快了求解速度,所以文章采用此方法进行建模预测[4]。其基本原理如下:

对非线性页岩气产量的预测模型

(1-2)

给定一组数据点集,是与预测量密切相关的影响因素,d是所选输入变量的维数,是预测量的期望值,l是已知数据点的总数,是从输入空间到高维特征空间的非线性映射。用原空间的核函数取代高维特征空间中的点积运算,使计算得以简化。因此非线性预测模型的表达式为:

(1-3)

其中, 可由线性方程求出, 表示从输入空间到高维特征空间的非线性映射。

2  PSO LS-SVM预测模型在页岩气产量预测的应用分析

改进粒子群支持向量机模型方法实质上是在原有算法粒子间的位置更新的相互吸引聚集过程之后,引入一个排斥的过程,从而使粒子间的吸引和互斥达到平衡,以避免粒子早熟收敛,即当粒子间的距离和适应度方差小于给定的阈值时,重新分配其在解空间中的位置,保持种群的活性,使粒子搜索的多样性得到了有效的增强。

本文采用的仿真工具是MATLAB,利用改进粒子群优化算法对支持向量机模型的关键参数的影响进行相关性预测,将基于前期实际生产数据的预测值和预期的实际产量数据进行对比,其中对于误差的处理,采用平均绝对值的误差计算方法。同时,针对不同的样本集分别进行预测,从而达到减少偶然性因素影响的作用,对预测结果取平均值,产量预测和实际产量曲线对比图如图1所示。

从图1中可以观察到其实际生产数据和预测数据在短期内的重合度较高,在20天及以后出现了一定的偏差,由此可以得出该方法对于短期页岩气生产产量的预测准确度及可信度较高,对于长期的预测能力目前还相对较弱。

总结

页岩气井的产量预测是企业对于运营质量的重要评价指标之一,因此本文对于气井的产量预测研究具有较好的实际价值。通过对标准粒子群的改进和优化,使其对于全局寻优的功能得到了一定的加强,也因此对于其典型的缺点——早熟,进行了弥补,较好的克服了此缺陷,达到算法整体性能的提升,从而奠定了对于预测模型参数的基础。利于最小二乘支持向量机预测模型的建立,在文章最后也简要展示了该算法模型应用于实际页岩气产量预测的仿真对比图,结果表明该算法对于短期产量预测效果较为理想,对生产有一定的参考指导作用。

参考文献:

[1]王忠东,王业博,董红等.页岩气水平井产量主控因素分析及产能预测[J].测井技术,2017,41 (05):577-582.

[2]许荣斌,王业国,王福田等.基于改进PSO-BP算法的快递业务量预测[J].计算机集成制造系统,2018,24 (07):1871-1879.

[3]李奕铭,张红飞,程琳,王劼.基于多种群子空间学习的粒子群优化算法[J].计算机与数字工程,2018,46 (09):1768-1772.

[4]王瑞,李芯蕊,马双斌.基于PSO-SVR的网络态势预测模型[J].信息安全研究,2018,4 (08):734-738.


(function(){ var bp = document.createElement('script'); var curProtocol = window.location.protocol.split(':')[0]; if (curProtocol === 'https') { bp.src = 'https://zz.bdstatic.com/linksubmit/push.js'; } else { bp.src = 'http://push.zhanzhang.baidu.com/push.js'; } var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(bp, s); })();