基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法

1.本发明涉及的是一种井网开发领域的技术，具体是一种基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法。

背景技术：

2.水驱井网开发是常规油藏开采过程中最常用的方法，预测水驱井网产量是评估油田开采效益、制定油田开发规划、进行井网注采实施方案设计与调整等决策问题的基础和依据。针对水驱油藏井网进行快速准确的产量预测，对实现水驱油藏高效开发注采井网工作制度调控及优化具有重要意义。

技术实现要素：

3.本发明针对现有技术在原始数据存在一定的噪声时将直接影响预测结果的问题，提出一种基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法，考虑了数据自身噪声对模型预测结果的影响，进行了降噪处理，提高预测精度；在时空神经网络模型当中包含四个模块，数据预处理模块，空间关系获取模块，时序预测模块以及输出模块：其中的数据预处理模块起到时滞处理与数据集重新构建，考虑到油藏地质非均质性，注入水效果的非即时性，由于油藏地质的非均质性，注入水并不会立即引起采油井产油量的变化，即存在一定的时滞性以及耗散性，利用一维卷积神经网络对注水数据进行时滞处理，同时与经过筛选操作的采油井产油量数据组合构建新的目标区域井网动态数据集；在空间关系获取模块方面，通过纳入图数据，利用gcn网络层进行空间关系分析，充分考虑了油井周围井的动态对其产量的影响；在时序预测模块，利用时间卷积网络(tcn)在时间角度上对数据进行了分析；输出模块方面利用多个单层感知机网络的输出为多个预测值的输出，即模型预测的目标区域的多个油井的未来产油量的预测值，在实际运用方面，提出了更新预测模型的方法，增加预测模型的实用性。
4.本发明是通过以下技术方案实现的：
5.本发明涉及一种基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法，通过卡尔曼滤波对目标区域井的动态数据进行滤波，再将滤波后的动态数据输入时空神经网络模型当中进行训练模型，利用训练好的模型进行目标油井未来产油量的预测并定时对模型进行更新。
6.所述的动态数据，包括：目标区域井网的注水井的月注水量和产油井的月产油量。
7.所述的时空神经网络模型包括：数据预处理模块、空间关系获取模块、时序预测模块和输出模块，其中：数据预处理单元模块通过一维卷积神经网络对滤波后的注水井的历史动态数据进行时滞处理并将得到的标签数据和历史动态数据输出至空间关系获取模块，空间关系获取模块提取目标区域井网的注采井间的空间特征并输出至时序预测模块，时序预测模块通过两层tcn对空间特征进行拟合处理，输出模块通过多个单层感知机预测出多口油井的产油量并根据拟合结果输出预测得到的目标油井的产油量，同时在预测方面，采
取一定时间段更新预测模型的方式提高预测模型的实用性。
8.所述的时滞处理是指：通过一维卷积网络构建对注水井的月注水量进行时滞处理，其中设置卷积核大小为n，一般代表提取的n个月的注水量之间时间上特征提取并压缩,卷积的方向是按照时间维度方向从前向后卷积，卷积过后的月注水量数据在时间维度上会减少n-1个时间步，在后续与并将时滞处理后的数据与经过筛选的采油井的月采油量数据进行组合重新构成特征数据集，对采油井的数据前n-1步进行剔除操作，这一步的目的在于，由于该时刻产的油量是前n个月注水井注水的累积共同作用效果即时滞性，故剔除前n-1个时间步的产油量数据，将前面所述处理过后的注水量与采油量数据重新整合为一个原始数据集，同时进行预测数据集的重新构建，将k个时间步的数据作为特征数据集，将k+1个时间步的目标油井的产油量数据整合作为标签数据集，最终得到预测需要的时间序列数据集。
9.所述的提取目标区域井网的注采井间的空间特征是指：通过一层gcn网络层获取目标区域注水井与采油井的空间关系，具体为其中：h
(t)
为第t个时间节点的特征输入，a为邻接矩阵，代表相应的目标区域井网井点空间关系的图数据，d为度矩阵，对角矩阵对角元素为a的每一行各个元素相加得到，in为相应的单位矩阵。
10.所述的拟合处理，通过双层tcn实现。
11.所述的图数据是指：通过采集目标井网的几何信息，根据注水井与采油井的拓补结构特点构建注采井网井点之间的空间关系图，并将其用邻接矩阵a来表示。
附图说明
12.图1为本发明流程图；
13.图2为本发明实施例提供的基础空间图结构示意图；
14.图3为时空神经网络模型的架构示意图。
具体实施方式
15.如图1所示，为本实施例涉及一种基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法，具体包括：
16.步骤1)采集目标井网的几何信息，根据注水井与采油井的拓补结构特点构建注采井网的图神经网络结构，用图表示学习构建图数据即邻接矩阵，具体包括：
17.1.1)通过将注水井与采油井之间的关系用图表示，如图2所示。
18.1.2)将图数据表示为如下的邻接矩阵：
19.[[01010100]
[0020]
[10101010]
[0021]
[01010101]
[0022]
[10101010]
[0023]
[01010101]
[0024]
[10101010]
[0025]
[01010101]
[0026]
[10101010]]
[0027]
1.3)将邻接矩阵保存到数据预处理模块。
[0028]
步骤2)采集目标区域井网的注水井的月注水量，采油井的月产油量；
[0029]
步骤3)基于卡尔曼滤波计算每月注水井、采油井历史动态数据对应的月注水量、月产油量的最优估值，具体包括：
[0030]
3.1)计算k时刻月注水量的最优估值其中：zk为k时刻注水量的实际值；hk为观测矩阵表示实际系统状态对所计算数据的依赖程度；
[0031]
3.2)计算卡尔曼增益kk＝p
khkt
(hkp
khkt
+rk)-1
和卡尔曼滤波后的月注水量的误差协方差矩阵其中：hk为观测矩阵表示实际系统状态对所计算数据的依赖程度，实际中取值为1，rk为噪声协方差，pk表示k时刻预测月注水量对应的误差协方差矩，kk为卡尔曼增益，并以此遍历井网历史动态数据；
[0032]
将滤波过后的数据划分为训练集和测试集；
[0033]
步骤4)建立包含数据预处理模块、空间关系获取模块、时序预测模块和输出模块的时空神经网络模型，以经过步骤3)处理的目标区域井网的历史动态数据以及步骤1)中的图数据作为输入，具体包括：
[0034]
步骤4.1)由于油藏地质的非均质性，注入水并不会立即引起采油井产油量的变化，即存在一定的时滞性以及耗散性，本方法利用一维卷积网络的特性，建立一层一维卷积神经网络对注水井月注水量进行时滞处理，其中卷积核大小设为n，表示提取n个月的注水量之间时序特征，来考虑传播过程中存在的滞后现象，使得反演结果更符合油藏实际情况。
[0035]
步骤4.2)对采油井的月采油量数据进行筛选操作，去除数据列表前n-1个月的采油井的月采油量数据，并与卷积过后的注水量数据组件预测单元模块所需的数据集。
[0036]
步骤4.3)对步骤4.2)中得到的数据组进行特征数据与标签数据划分操作，将k个时间步的数据作为特征数据，将k+1个时间步的目标油井的产油量数据整合作为标签。
[0037]
步骤4.4)将步骤4.3)得到的数据，图数据作为输入空间关系获取模块，即单层gcn网络层，激活函数采用relu函数；
[0038]
步骤4.5)由步骤4.4)得到的输出输入时序预测模块，激活函数采用relu函数。
[0039]
步骤4.6)由步骤4.5)得到的输出输入由单层感知机组成的输出层，输出即为目标油井的预测月产油量，基于实施例预测4口油井月产油量，因此分别采用四个单层感知机的输出分别对应四口油井预测值；
[0040]
步骤4.7)通过训练集的目标油井月产油量与模型预测出的月产油量通过均方误差mse计算误差进行优化得到时空神经网络模型，具体为：采用adam优化算法对四个损失函数进行加权计算，每口油井损失函数的权重为该次训练过程k个时间步该口油井产量占四口油井总产出量的大小，即其中：为第i口井第t个时间步的产油量，总的损失函数为msei分别为四口井每个预测输出与自身真实值的均方误差。
[0041]
步骤5)采用训练后的时空神经网络模型预测目标区域四口采油井产量，具体步骤如下：
[0042]
步骤5.1)利用最新k个时间步的目标井网的动态数据输入模型当中，预测出四口油井的未来第k+1时间步的月产油量；
[0043]
步骤5.2)根据预测的产油量结果进行第k+1步注水量的计划调整输入，并以这个计划执行注水后得到第k+1步的目标区域采油井的实际采油量，将得到的这第k+1步真实值纳入到历史数据；
[0044]
步骤5.3)将更新后的最新k个时间步的数据重新输入训练好的模型当中，得到新的一期的第k+1步的目标区域油井的预测产油量，循环上述步骤；
[0045]
步骤5.4)由于油藏系统是缓慢变化的，已经根据历史数据训练好的模型可能需要重新调整，对该预测系统进行重新的训练调整，每当过了50个时间步，选取最新的500步数据重新执行第35步以后的过程，达到整个预测模型的不断更新。
[0046]
与现有技术相比，本发明一方面利用卷积网络特性对数据进行时滞处理，另外一方面利用gcn网络层获取目标区域井网之间空间关系，利用tcn分析时序特征关系，真正意义上做到了对油田的时空预测，提高了油井未来产油量的预测精度。
[0047]
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

技术特征：

1.一种基于卡尔曼滤波的时空神经网络下的油井产量预测方法，其特征在于，通过卡尔曼滤波对目标区域井的动态数据进行滤波，再将滤波后的动态数据输入时空神经网络模型当中进行训练模型，利用训练好的模型进行目标油井未来产油量的预测；所述的动态数据，包括：目标区域井网的注水井的月注水量和产油井的月产油量；所述的时空神经网络模型包括：数据预处理模块、空间关系获取模块、时序预测模块和输出模块，其中：数据预处理单元模块通过一维卷积神经网络对滤波后的注水井的历史动态数据进行时滞处理并将得到的标签数据和历史动态数据输出至空间关系获取模块，空间关系获取模块提取目标区域井网的注采井间的空间特征并输出至时序预测模块，时序预测模块通过两层tcn对空间特征进行拟合处理，输出模块通过多个单层感知机根据拟合结果输出预测得到的目标多个油井的产油量。2.根据权利要求1所述的基于卡尔曼滤波的时空神经网络下的油井产量预测方法，其特征是，所述的时滞处理是指：通过一维卷积网络构建对注水井的月注水量进行时滞处理，其中设置卷积核大小为n，一般代表提取的n个月的注水量之间时间上特征提取并压缩,卷积的方向是按照时间维度方向从前向后卷积，卷积过后的月注水量数据在时间维度上会减少n-1个时间步，在后续与并将时滞处理后的数据与经过筛选的采油井的月采油量数据进行组合重新构成特征数据集，对采油井的数据前n-1步进行剔除操作，这一步的目的在于，由于该时刻产的油量是前n个月注水井注水的累积共同作用效果即时滞性，故剔除前n-1个时间步的产油量数据，将前面所述处理过后的注水量与采油量数据重新整合为一个原始数据集，同时进行预测数据集的重新构建，将k个时间步的数据作为特征数据集，将k+1个时间步的目标油井的产油量数据整合作为标签数据集，最终得到预测需要的时间序列数据集。3.根据权利要求1所述的基于卡尔曼滤波的时空神经网络下的油井产量预测方法，其特征是，所述的提取目标区域井网的注采井间的空间特征是指：通过一层gcn网络层获取目标区域注水井与采油井的空间关系，具体为其中：h
(t)
为第t个时间节点的特征输入，a为邻接矩阵，代表相应的目标区域井网井点空间关系的图数据，d为度矩阵，对角矩阵对角元素为a的每一行各个元素相加得到，i
n
为相应的单位矩阵。4.根据权利要求1所述的基于卡尔曼滤波的时空神经网络下的油井产量预测方法，其特征是，所述的拟合处理，通过双层tcn实现。5.根据权利要求1所述的基于卡尔曼滤波的时空神经网络下的油井产量预测方法，其特征是，所述的图数据是指：通过采集目标井网的几何信息，根据注水井与采油井的拓补结构特点构建注采井网井点之间的空间关系图，并将其用邻接矩阵a来表示。6.根据权利要求1-5中任一所述的基于卡尔曼滤波的时空神经网络下的油井产量预测方法，其特征是，具体包括：步骤1)采集目标井网的几何信息，根据注水井与采油井的拓补结构特点构建注采井网的图神经网络结构，用图表示学习构建图数据即邻接矩阵，具体包括：1.1)通过将注水井与采油井之间的关系用图表示；1.2)将图数据表示为邻接矩阵；1.3)将邻接矩阵保存到数据预处理模块；
步骤2)采集目标区域井网的注水井的月注水量，采油井的月产油量；步骤3)基于卡尔曼滤波计算每月注水井、采油井历史动态数据对应的月注水量、月产油量的最优估值，具体包括：3.1)计算k时刻月注水量的最优估值其中：z
k
为k时刻注水量的实际值；h
k
为观测矩阵表示实际系统状态对所计算数据的依赖程度；3.2)计算卡尔曼增益k
k
＝p
k
h
kt
(h
k
p
k
h
kt
+r
k
)-1
和卡尔曼滤波后的月注水量的误差协方差矩阵其中：h
k
为观测矩阵表示实际系统状态对所计算数据的依赖程度，r
k
为噪声协方差，p
k
为k时刻预测月注水量对应的误差协方差矩，k
k
为卡尔曼增益，并以此遍历井网历史动态数据；将滤波过后的数据划分为训练集和测试集；步骤4)建立包含数据预处理模块、空间关系获取模块、时序预测模块和输出模块的时空神经网络模型，以经过步骤3)处理的目标区域井网的历史动态数据，以及步骤1)中的图数据作为输入，具体包括：步骤4.1)建立一层一维卷积神经网络对注水井月注水量进行时滞处理，其中卷积核大小设为n，表示提取n个月的注水量之间时序特征；步骤4.2)对采油井的月采油量数据进行筛选操作，去除数据列表前n-1个月的采油井的月采油量数据，并与卷积过后的注水量数据组件预测单元模块所需的数据集；步骤4.3)对步骤4.2)中得到的数据组进行特征数据与标签数据划分操作，将k个时间步的数据作为特征数据，将k+1个时间步的目标油井的产油量数据整合作为标签；步骤4.4)将步骤4.3)得到的数据，图数据作为输入空间关系获取模块，即单层gcn网络层，激活函数采用relu函数；步骤4.5)由步骤4.4)得到的输出输入时序预测模块，激活函数采用relu函数；步骤4.6)由步骤4.5)得到的输出输入由多个单层感知机组成的输出模块，得到预测到的目标区域油井的预测月产油量；步骤4.7)通过训练集的目标油井月产油量与模型预测出的月产油量通过均方误差mse计算误差进行优化得到时空神经网络模型具体为：采用adam优化算法对四个损失函数进行加权计算，每口油井损失函数的权重为该次训练过程k个时间步该口油井产量占四口油井总产出量的大小，即其中：为第i口井第t个时间步的产油量，总的损失函数为mse
i
分别为四口井每个预测输出与自身真实值的均方误差；步骤5)采用训练后的时空神经网络模型预测目标油井月产油量，具体包括：步骤5.1)利用最新k个时间步的目标井网的动态数据输入模型当中，预测出四口油井的未来第k+1时间步的月产油量；步骤5.2)根据预测的产油量结果进行第k+1步注水量的计划调整输入，并以这个计划执行注水后得到第k+1步的目标区域采油井的实际采油量，将得到的这第k+1步真实值纳入到历史数据；步骤5.3)将更新后的最新k个时间步的数据重新输入训练好的模型当中，得到新的一期的第k+1步的目标区域油井的预测产油量，循环上述步骤；步骤5.4)每当过了50个时间步，选取最新的500步数据重新执行第35步以后的过程，达
到整个预测模型的不断更新。

技术总结

一种基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法，通过卡尔曼滤波对目标区域井的动态数据进行滤波，再将滤波后的动态数据输入时空神经网络模型当中进行训练模型，利用训练好的模型进行目标油井未来产油量的预测。本发明一方面利用卷积网络特性对数据进行时滞处理，另外一方面利用GCN网络层获取目标区域井网之间空间关系，利用TCN分析时序特征关系，真正意义上做到了对油田的时空预测，不仅如此在预测方面采取对多个输出的加权损失函数进行Adam优化训练，并实时更新整个预测模型参数，提高了油井未来产油量的预测精度与预测模型的实用性。预测模型的实用性。预测模型的实用性。