一种基于残差递归神经网络的抽油井井口温度预测方法
本发明涉及油田数据分析领域的预测技术，具体涉及一种基于残差递归神经网络的抽油井井口温度预测方法。
背景技术：
1、当前，智慧油田已取得一些显著进展，通过在油井内安装各类传感器，实现对油井生产过程中关键参数的实时监测与分析。其中温度传感器使得温度数据的采集、传输和存储成为可能，积累了大量的温度数据。
2、测量油井内部温度具有重要的价值和意义，主要包括以下三方面：
3、(1)监测油井状态：温度传感器可以用于监测油井的温度变化，提供有关油井状态的信息。
4、(2)提高油井效率：温度测量可以帮助优化油井的运行。通过了解油井中的温度分布，操作人员可以调整生产参数，以提高油井的效率和产量。
5、预防设备故障：异常的温度变化可能表明设备存在潜在的故障或问题。
6、但是在油田实际生产过程中，当温度数据采集系统内部由于网络问题，数据采集系统故障，传感器故障等原因，会发生温度传感器无法接收到数据或者产生异常数据的情况，从而就会导致上传到云端的温度数据缺失。近些年，机器学习和深度学习模型被广泛应用于油田生产关键参数预测领域，包括knn模型，lstm模型，arima模型等，预测模型复杂度增加，预测精度也显著提升，然而单一模型的学习能力逐渐接近极限，预测精度无法得到显著提升。因此，亟需提供一种基于残差递归神经网络的抽油井井口温度预测方法。
技术实现思路
1、针对上述问题，本发明提供了一种基于残差递归神经网络的抽油井井口温度预测方法，对油田生产过程中的抽油井井口温度数据进行中长期预测，它不仅可以解决温度数据缺失等问题还可以通过对温度数据进行中长期预估提前获取有效信息，做好生产计划的调整。温度预测是一个典型的时间序列预测问题。在神经网络学习中常用的预测序列模型为长短时记忆网络模型，通过训练已有参数，建立时序网络模型，实现对油井未来温度的预测。
2、为实现上述目的，本发明提出一种基于残差递归神经网络的抽油井井口温度预测方法，包括以下步骤：
3、步骤一：获取油田温度传感器中井口温度数据；
4、步骤二：对从温度传感器获取的井口温度数据进行预处理，得到历史温度时间序列；
5、步骤三：设计res-lstm神经网络模型；
6、步骤四：设置res-lstm神经网络模型的输入维度、输出维度、网络层数h、激活函数以及损失函数，优化器、学习率s和batchsize，将历史温度时间序列放入res-lstm神经网络模型进行训练；
7、步骤五：将油田实际生产中获取的温度数据验证模型的性能，输出温度预测值与误差评价结果。
8、作为上述方案的进一步描述，所述步骤二的井口温度数据进行预处理包括以下步骤：
9、首先，将步骤1中获取的井口温度数据以报文文本的形式记录在数据文件中，然后通过预处理进行格式转换、间隔采样、时间戳处理、异常值处理以及去除重复值数据；所述历史温度时间序列t＝{tt-i,……,tt-2,tt-1,tt}，tt表示t时刻温度数据，tt-1表示t-1时刻温度数据，i表示时间序列长度，所述历史温度时间序列包含的温度时间序列超过500条。
10、作为上述方案的进一步描述，所述步骤三中res-lstm神经网络模型设计包括以下步骤：
11、s1：在res-lstm神经网络模型中设第n个子单元中第1层lstm表示为第2层lstm表示为res-lstm神经网络模型中即为和的输出之和作为的输入，和的输出之和作为的输入:所述res-lstm神经网络模型中子单元数量n为大于等于2的整数，所述res-lstm神经网络模型的结构单元表达式为：
12、
13、
14、
15、
16、
17、
18、其中为连接上一时刻的j层隐藏状态和上一时刻j-2层隐藏状态之和与当前时刻的输入形成的向量；
19、式中ftj为t时刻j层lstm遗忘门的输出，是t时刻j层输入门的输出，是新的细胞状态的候选值，是当前细胞状态，是输出门的输出，
20、wf为遗忘门权重矩阵、wi为输入门权重矩阵、wc为当前细胞状态权重矩阵、w％输出门权重矩阵，bf、bi、bc、b％分别是遗忘门、输入门、当前细胞状态与输出门偏置，σ是激活函数sigmoid，tanh是双曲正切激活函数；
21、每层所述lstm的神经单元数为20～30；
22、s2：在步骤s1的基础上，继续添加一层全连接网络结构，引入更多的非线性关系，并增加res-lstm神经网络模型模型的拟合能力，所述全连接层的输出为模型的输出，所述全连接网络中的神经元数为10～15。
23、作为上述方案的进一步描述，所述步骤四中res-lstm神经网络模型训练过程，包括以下步骤：
24、首先，选择适当的损失函数、优化器、学习率和评估指标，在训练中最小化损失并监测模型性能；然后使用历史温度时间序列对模型进行训练，设置模型输入维度、输出维度、网络层数h、激活函数以及损失函数，优化器、学习率s和batchsize，在训练过程中，通过监控训练损失mape的变化并不断调整优化器、学习率s和batchsize训练参数，获取最优模型。
25、作为上述方案的进一步描述，所述步骤五中，根据预测温度数据与真实温度数据进行预测误差评价分析，包括以下步骤：
26、首先，计算平均绝对百分比误差mape：
27、
28、式中，表示预测值，yi表示实际值，j表示预测值的数量，其中mape的取值范围为：[0,+∞)；
29、最后，进行评价分析：当平均绝对百分比误差mape越小时，预测越准确；当平均绝对百分比误差mape越大时，预测误差越大。
30、本发明的有益效果在于：
31、本发明通过使用残差混合长短期记忆网络可以更好地挖掘历史温度时间序列中的关键信息以及时间序列数据之间的相关性，通过残差连接更加有效的获取数据的超长记忆，残差和长短期记忆网络的结合有效的提升了预测精度，实现了抽油井井口温度的精准预测。
技术特征：
1.一种基于残差递归神经网络的抽油井井口温度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于残差递归神经网络的抽油井井口温度预测方法，其特征在于，所述步骤二的井口温度数据进行预处理包括以下步骤：
3.根据权利要求1所述的一种基于残差递归神经网络的抽油井井口温度预测方法，其特征在于，所述步骤三中res-lstm神经网络模型设计包括以下步骤：
4.根据权利要求1所述的一种基于残差递归神经网络的抽油井井口温度预测方法，其特征在于，所述步骤四中res-lstm神经网络模型训练过程，包括以下步骤：
5.根据权利要求1所述的一种基于残差递归神经网络的抽油井井口温度预测方法，其特征在于，所述步骤五中，根据预测温度数据与真实温度数据进行预测误差评价分析，包括以下步骤：
技术总结
本发明涉及一种基于残差递归神经网络的抽油井井口温度预测方法，包括以下步骤：获取油田温度传感器中井口温度数据；对获取的温度数据进行预处理，获得历史温度时间序列；设计Res‑LSTM神经网络模型；设置神经网络模型的输入维度、输出维度、网络层数h、激活函数以及损失函数，优化器、学习率s和batchsize，将历史时间序列放入Res‑LSTM神经网络模型进行训练；使用油田实际生产中的温度数据验证模型的性能，输出温度预测值与误差评价结果。本发明可以解决温度数据缺失等问题还可以通过对温度数据进行长期预估，提前获取有效信息，做好生产计划的调整，实现了抽油井井口温度的精准预测。
技术研发人员：侯延彬,朱明明,桂珺,崔晓月,徐文礼,李润雨,马文博
受保护的技术使用者：沈阳工业大学
技术研发日：
技术公布日：2024/9/23