蔡駿馳

摘要：在石油與天然氣的開發(fā)及生產(chǎn)運(yùn)營期間，在確保質(zhì)量的前提下，為了盡可能保證企業(yè)的利潤空間，對(duì)于運(yùn)營平臺(tái)的合理管理和規(guī)劃以及頁巖氣井的生產(chǎn)調(diào)度、經(jīng)濟(jì)管控、資源分配的最優(yōu)化是提高該指標(biāo)的重要措施，而對(duì)于頁巖氣井的產(chǎn)量預(yù)測(cè)是直接影響這一系列措施的重要參考指標(biāo)之一。本文首先對(duì)所采用的方法進(jìn)行了原理性的概述，然后利用粒子群優(yōu)化對(duì)實(shí)際工程數(shù)據(jù)進(jìn)行了處理，利用MATLAB完成了實(shí)際數(shù)據(jù)的仿真，并對(duì)其預(yù)測(cè)的數(shù)據(jù)與實(shí)際生產(chǎn)數(shù)據(jù)進(jìn)行了一定的驗(yàn)證。算法收斂性好，有較高預(yù)測(cè)精度和訓(xùn)練速度，對(duì)實(shí)際生產(chǎn)具有一定的指導(dǎo)意義。

關(guān)鍵詞：頁巖氣井;預(yù)測(cè);粒子群;最小二乘法;支持向量機(jī)

引言：

預(yù)測(cè)方法一般包括神經(jīng)網(wǎng)絡(luò)、微分模擬法、產(chǎn)量遞減法。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法是利用產(chǎn)量的歷史數(shù)據(jù)進(jìn)行訓(xùn)練，不斷調(diào)整連接神經(jīng)元之間的權(quán)重實(shí)現(xiàn)產(chǎn)量預(yù)測(cè);微分模擬法是基于油田開發(fā)動(dòng)態(tài)的時(shí)間序列進(jìn)行研究，利用微分動(dòng)態(tài)模擬原理實(shí)現(xiàn)產(chǎn)量預(yù)測(cè);產(chǎn)量遞減法利用歷史產(chǎn)量數(shù)據(jù)帶入產(chǎn)量遞減規(guī)律方程實(shí)現(xiàn)產(chǎn)量預(yù)測(cè)[1]。本文基于粒子群優(yōu)化的最小二支持向量機(jī)提出了一種預(yù)測(cè)算法。首先對(duì)粒子群算法的種群選擇進(jìn)行了概要推導(dǎo)，說明了如何改善種群整體的質(zhì)量，增強(qiáng)全局尋優(yōu)能力，然后建立了基于PSO的LS-SVM產(chǎn)量預(yù)測(cè)模型，利用適當(dāng)?shù)臉颖緮?shù)據(jù)進(jìn)行產(chǎn)量的預(yù)測(cè)，最后通過仿真實(shí)際生產(chǎn)數(shù)據(jù)驗(yàn)證模型預(yù)測(cè)效果，此方法為頁巖氣產(chǎn)量預(yù)測(cè)提供了一種新思路。

1 ?PSO的SVM建模

本文對(duì)于粒子群算法存在缺陷問題進(jìn)行了一定的改進(jìn)，較好的克服了因?yàn)檫^早收斂而陷入局部最優(yōu)點(diǎn)問題和減少了不確定性因素，并將改進(jìn)后的算法融入到最小二乘支持向量機(jī)當(dāng)中。

1.1 對(duì)粒子群理論的優(yōu)化概述

本文采用一種基于種群多樣性信息的早熟收斂評(píng)判標(biāo)準(zhǔn)，指導(dǎo)初始種群的選取，對(duì)整體種群的質(zhì)量進(jìn)行提升，保證全局尋優(yōu)能力的提高[2][3]。概述內(nèi)容如下：

為保證有限個(gè)粒子均勻分布在整個(gè)解空間，減小陷于局部最優(yōu)的可能，引入平均粒距的概念，定義如下：

（1-1）

其中，L為搜索空間對(duì)角最大長度，n為解空間維數(shù)，pid表示第i個(gè)粒子位置的第d維坐標(biāo)值，表示所有粒子位置的第d維坐標(biāo)值的均值。

平均粒距表示種群中各個(gè)粒子彼此間分布的離散程度，D（t）越小，表示種群越集中;D（t）越大，表示種群越分散。

1.2 最小二乘支持向量機(jī)

因?yàn)長S-SVM的待選參數(shù)相對(duì)較少，而且用等式約束來代替原有的不等式約束，減少了一些不確定性因素，它的損失函數(shù)直接定義為誤差平方和，將優(yōu)化中的不等式約束轉(zhuǎn)化為等式約束，由此將二次規(guī)劃問題轉(zhuǎn)化為線性方程組求解，降低了計(jì)算復(fù)雜性，加快了求解速度，所以文章采用此方法進(jìn)行建模預(yù)測(cè)[4]。其基本原理如下：

對(duì)非線性頁巖氣產(chǎn)量的預(yù)測(cè)模型

（1-2）

給定一組數(shù)據(jù)點(diǎn)集，是與預(yù)測(cè)量密切相關(guān)的影響因素，d是所選輸入變量的維數(shù)，是預(yù)測(cè)量的期望值，l是已知數(shù)據(jù)點(diǎn)的總數(shù)，是從輸入空間到高維特征空間的非線性映射。用原空間的核函數(shù)取代高維特征空間中的點(diǎn)積運(yùn)算，使計(jì)算得以簡化。因此非線性預(yù)測(cè)模型的表達(dá)式為：

（1-3）

其中， 可由線性方程求出， 表示從輸入空間到高維特征空間的非線性映射。

2 ?PSO LS-SVM預(yù)測(cè)模型在頁巖氣產(chǎn)量預(yù)測(cè)的應(yīng)用分析

改進(jìn)粒子群支持向量機(jī)模型方法實(shí)質(zhì)上是在原有算法粒子間的位置更新的相互吸引聚集過程之后，引入一個(gè)排斥的過程，從而使粒子間的吸引和互斥達(dá)到平衡，以避免粒子早熟收斂，即當(dāng)粒子間的距離和適應(yīng)度方差小于給定的閾值時(shí)，重新分配其在解空間中的位置，保持種群的活性，使粒子搜索的多樣性得到了有效的增強(qiáng)。

本文采用的仿真工具是MATLAB，利用改進(jìn)粒子群優(yōu)化算法對(duì)支持向量機(jī)模型的關(guān)鍵參數(shù)的影響進(jìn)行相關(guān)性預(yù)測(cè)，將基于前期實(shí)際生產(chǎn)數(shù)據(jù)的預(yù)測(cè)值和預(yù)期的實(shí)際產(chǎn)量數(shù)據(jù)進(jìn)行對(duì)比，其中對(duì)于誤差的處理，采用平均絕對(duì)值的誤差計(jì)算方法。同時(shí)，針對(duì)不同的樣本集分別進(jìn)行預(yù)測(cè)，從而達(dá)到減少偶然性因素影響的作用，對(duì)預(yù)測(cè)結(jié)果取平均值，產(chǎn)量預(yù)測(cè)和實(shí)際產(chǎn)量曲線對(duì)比圖如圖1所示。

從圖1中可以觀察到其實(shí)際生產(chǎn)數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)在短期內(nèi)的重合度較高，在20天及以后出現(xiàn)了一定的偏差，由此可以得出該方法對(duì)于短期頁巖氣生產(chǎn)產(chǎn)量的預(yù)測(cè)準(zhǔn)確度及可信度較高，對(duì)于長期的預(yù)測(cè)能力目前還相對(duì)較弱。

總結(jié)

頁巖氣井的產(chǎn)量預(yù)測(cè)是企業(yè)對(duì)于運(yùn)營質(zhì)量的重要評(píng)價(jià)指標(biāo)之一，因此本文對(duì)于氣井的產(chǎn)量預(yù)測(cè)研究具有較好的實(shí)際價(jià)值。通過對(duì)標(biāo)準(zhǔn)粒子群的改進(jìn)和優(yōu)化，使其對(duì)于全局尋優(yōu)的功能得到了一定的加強(qiáng)，也因此對(duì)于其典型的缺點(diǎn)——早熟，進(jìn)行了彌補(bǔ)，較好的克服了此缺陷，達(dá)到算法整體性能的提升，從而奠定了對(duì)于預(yù)測(cè)模型參數(shù)的基礎(chǔ)。利于最小二乘支持向量機(jī)預(yù)測(cè)模型的建立，在文章最后也簡要展示了該算法模型應(yīng)用于實(shí)際頁巖氣產(chǎn)量預(yù)測(cè)的仿真對(duì)比圖，結(jié)果表明該算法對(duì)于短期產(chǎn)量預(yù)測(cè)效果較為理想，對(duì)生產(chǎn)有一定的參考指導(dǎo)作用。

參考文獻(xiàn)：

[1]王忠東，王業(yè)博，董紅等.頁巖氣水平井產(chǎn)量主控因素分析及產(chǎn)能預(yù)測(cè)[J].測(cè)井技術(shù)，2017，41 （05）：577-582.

[2]許榮斌，王業(yè)國，王福田等.基于改進(jìn)PSO-BP算法的快遞業(yè)務(wù)量預(yù)測(cè)[J].計(jì)算機(jī)集成制造系統(tǒng)，2018，24 （07）：1871-1879.

[3]李奕銘，張紅飛，程琳，王劼.基于多種群子空間學(xué)習(xí)的粒子群優(yōu)化算法[J].計(jì)算機(jī)與數(shù)字工程，2018，46 （09）：1768-1772.

[4]王瑞，李芯蕊，馬雙斌.基于PSO-SVR的網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)模型[J].信息安全研究，2018，4 （08）：734-738.