PSO—SVR模型在油井產(chǎn)能預(yù)測中的應(yīng)用

殷榮網(wǎng) 周睿

摘要：針對支持向量回歸機（Support Vector Regression，SVR）用于油井產(chǎn)能預(yù)測中模型參數(shù)具有不確定的問題，采用粒子群算法（Particle Swarm Optimization，PSO）對支持向量回歸機參數(shù)進行優(yōu)化，減少模型參數(shù)的不確定性，產(chǎn)能數(shù)據(jù)測試表明，PSO能快速，準確地優(yōu)化SVR參數(shù)，二者的結(jié)合有效地進行產(chǎn)能預(yù)測，并取得較為理想的效果。

關(guān)鍵詞：PSO優(yōu)化；SVR；參數(shù)優(yōu)化；產(chǎn)能預(yù)測

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2018）16-0189-02

Application of PSO - SVR Model in Oil Well Productivity Prediction

YIN Rong-wang， ZHOU Rui

（Department of Basic Teaching and Experiment， HeFei University， Hefei 230601， China）

Abstract： In order to solve the uncertainties of model parameters in support vector regression （SVR） for oil well productivity prediction， Particle Swarm Optimization （PSO） is used to optimize support vector regression parameters to reduce the uncertainty of model parameters. The test of production data shows that the PSO can quickly and accurately optimize the SVR parameters. The combination of the two can effectively predict the production capacity and achieve a satisfactory result.

Keywords：PSO optimization；SVR；parametersoptimization；productivity prediction

1 引言

油井產(chǎn)能預(yù)測是石油工業(yè)領(lǐng)域中的重要一環(huán)，進一步，我國已經(jīng)進入油氣開采的中后期，更需要通過先進的技術(shù)手段準確把握地下儲層的實際情況，使經(jīng)濟效益最大化[1]。傳統(tǒng)的產(chǎn)能預(yù)測大多基于經(jīng)驗風(fēng)險最小化原則，實際預(yù)測效果不是很理想，特別是當樣本的維數(shù)較高時，情況就更是嚴重。支持向量回歸機（SVR）是統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)算法，它是基于結(jié)構(gòu)風(fēng)險最小化原則，對高維數(shù)、非線性，小樣本類問題具有較好的預(yù)測能力，但SVR的參數(shù)選擇阻礙其獲得進一步的應(yīng)用[2-3]。粒子群算法（PSO）是群智能算法，具有算法簡單、收斂快、能獲得全局最優(yōu)的特點[4]。

本文針對油井產(chǎn)能預(yù)測的實際問題，分析PSO算法和SVR算法各自的優(yōu)缺點，將它們進行有機的融合，形成PSO優(yōu)化SVR的油井產(chǎn)能預(yù)測模型[5-7]。

2 SVR及PSO相關(guān)知識

SVR是20世紀發(fā)展起來的結(jié)合結(jié)構(gòu)風(fēng)險值最低原理和統(tǒng)計學(xué)習(xí)中VC維理論的機器學(xué)習(xí)算法，分為線性的和非線性的。大多數(shù)情況下，工程領(lǐng)域需要用到非線性的SVR。非線性支持向量回歸機是通過事先確定的非線性映射將輸入向量映射到一個高維特征空間（Hilbert空間）中，然后在此高維空間中再進行線性回歸，從而取得在原空間非線性回歸的效果[8]。

在求解非線性支持向量回歸機的過程中，重中之重的是對核函數(shù)的選定，使用不同的核函數(shù)可以構(gòu)造不同類型的支持向量算法，也就生成不同的回歸模型，在實際問題中通常是直接給出核函數(shù)。確定好核類型之后，接下來要重點關(guān)注就是有關(guān)核參數(shù)的取值問題。本文采用的是徑向基核函數(shù)，然后通過粒子群算法來獲得核函數(shù)參數(shù)的值。

粒子群優(yōu)化算法是一種模擬鳥類活動的群智能算法[9]。PSO 初始化為一群隨機粒子，每個粒子有相應(yīng)的位置和速度，每個粒子有一個被優(yōu)化函數(shù)決定的適應(yīng)值，在每次迭代過程中，速度和位置更新公式如下：

[Vk+1id=Vkid+c1r1Pkid-Xkid+c2r2Pkgd-Xkid]

（1）

[Xk+1id=Xkid+Vk+1id] （2）

其中d=1，2，..，D，i=1，2，…n，D為搜索空間的維數(shù)；n為種群規(guī)模；k為當前進化代數(shù)，Vid是粒子的速度；Xid是粒子的位置；c1和c2是非負的學(xué)習(xí)因子；r1和r2是分布于區(qū)間[[0，1]之間的隨機數(shù)。為了防止粒子速度過大將其限定在區(qū)間[-Vmax，Vmax]?？偟膩碚f，根據(jù)群體位置和速度的更新來找到最優(yōu)解。

3 PSO-SVR算法設(shè)計

SVR模型中，核函數(shù)參數(shù)δ和懲罰因子C的選擇對其預(yù)測結(jié)果的精度有較大影響。C 取值過大或過小，以及δ取值過大或過小時，都會出現(xiàn)過學(xué)習(xí)或欠學(xué)習(xí)的狀態(tài)，所以合理的參數(shù)組合對就顯得非常必要。本文采用PSO 算法來優(yōu)化SVR的參數(shù)。

PSO 優(yōu)化SVR的主要步驟如下：

（1） 讀取樣本數(shù)據(jù)，隨機產(chǎn)生一組{δ，C}作為粒子的初始位置。初始化粒子的速度、迭代次數(shù)、粒子的樣本規(guī)模以及粒子的飛行速度范圍[Vmin，Vmax]；

（2） 計算樣本的均方差，將均方差作為適應(yīng)度函數(shù)，得到每個粒子的適應(yīng)值；

（3） 根據(jù)適應(yīng)度值來更新每個粒子的全局最優(yōu)值和局部最優(yōu)值；

（4） 根據(jù)公式（1）（2）來更新粒子的速度和位置；

（5） 判斷算法是否收斂或是否達到最大迭代次數(shù)，如未滿足則返回步驟（2），否則輸出最優(yōu)參數(shù)的值；

PSO 優(yōu)化SVR 的流程圖如圖1 所示：

4模型應(yīng)用與分析

本文選取西部某油田開發(fā)區(qū)某油井1995至2015年之間油井實測數(shù)據(jù)作為樣本集，以1995年至2010間的數(shù)據(jù)作為訓(xùn)練樣本，2010至2015年間的數(shù)據(jù)作為測試樣本，建立油井產(chǎn)能預(yù)測模型并檢驗?zāi)Ｐ偷膶嶋H效果。本文模型中的參數(shù)設(shè)置為：種群規(guī)模為20，最大迭代次數(shù)為150，懲罰系數(shù)介于0.01與10之間，核函數(shù)參數(shù)介于0.1與1之間，通過優(yōu)化算法的計算，最終得到δ=0.36；C=4.91。

為了說明基于PSO-SVR模型的可靠性和優(yōu)越性，將本文中的模型和傳統(tǒng)遺傳算法模型、BP神經(jīng)網(wǎng)絡(luò)模型進行對比。將1995年至2010的某油井9個層段日平均產(chǎn)油數(shù)據(jù)實測值作為樣本，分別用以上的三種模型來預(yù)測2011至2015年9個層段日平均產(chǎn)油數(shù)據(jù)，結(jié)果如表1所示。

從表1可以看出，PSO-SVR模型對9個層段的預(yù)測總體要優(yōu)于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)。

為進一步量化測試模型的預(yù)測準確率，將1995年至2010年某油井日平均產(chǎn)油數(shù)據(jù)實測值作為樣本，分別用以上三種模型來預(yù)測2011至2015年的日平均產(chǎn)油數(shù)據(jù)，比較結(jié)果如表2所示。

5 結(jié)論

a.在利用SVR進行預(yù)測時，參數(shù)δ和C的取值很重要，參數(shù)選取不合理會直接影響預(yù)測的精度。采用PSO對SVR的參數(shù)進行尋優(yōu)處理，找到一組最優(yōu)的δ和C。

b.與遺傳算法以及BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果比較表面，PSO-SVR模型的預(yù)測準確率更高。

參考文獻：

[1] 鐘儀華， 張志銀， 朱海雙. 特高含水期油田產(chǎn)量預(yù)測新方法[J]. 斷塊油氣田， 2011，18（5）： 641-644.

[2] 王一淋， 趙磊， 梅海燕， 等. GM （1， 1） 與支持向量機組合模型在特高含水期油田產(chǎn)量預(yù)測中的應(yīng)用[J].石油天然氣學(xué)報，2009，31（1）： 271-273.

[3] 丁世飛， 齊丙娟， 譚紅艷. 支持向量機理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報，2011，40（1）： 2-10.

[4] 龍文， 梁昔明， 肖金紅， 等. 一種動態(tài)分級的混合粒子群優(yōu)化算法[J]. 控制與決策，2009，24（10）： 1513-1516.

[5] Lins I， Mouraa M， Droguetta E， et al. Failure prediction of oil wells by support vector regression with variable selection， hyperparameter tuning and uncertainty analysis[J]. CHEMICAL ENGINEERING， 2013， 33.

[6] Ansari H R， Gholami A. An improved support vector regression model for estimation of saturation pressure of crude oils[J]. Fluid Phase Equilibria， 2015， 402： 124-132.

[7] Lins I D， Moura M C， Droguett E L， et al. Reliability prediction of oil wells by support vector machine with particle swarm optimization for variable selection and hyperparameter tuning[J]. Advances in Safety， Reliability and Risk Management： ESREL 2011， 2011： 237.

[8] 乃揚， 英杰. 數(shù)據(jù)挖掘中的新方法： 支持向量機[M].北京：科學(xué)出版社， 2004.

[9] 震紀， 惠連. 粒子群算法及應(yīng)用[M].北京：科學(xué)出版社， 2009.