基于粒子群優(yōu)化的最小二支持向量機在頁巖氣井當(dāng)中的產(chǎn)量預(yù)測應(yīng)用

蔡駿馳

摘要：在石油與天然氣的開發(fā)及生產(chǎn)運營期間，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，對于運營平臺的合理管理和規(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，而對于頁巖氣井的產(chǎn)量預(yù)測是直接影響這一系列措施的重要參考指標(biāo)之一。本文首先對所采用的方法進行了原理性的概述，然后利用粒子群優(yōu)化對實際工程數(shù)據(jù)進行了處理，利用MATLAB完成了實際數(shù)據(jù)的仿真，并對其預(yù)測的數(shù)據(jù)與實際生產(chǎn)數(shù)據(jù)進行了一定的驗證。算法收斂性好，有較高預(yù)測精度和訓(xùn)練速度，對實際生產(chǎn)具有一定的指導(dǎo)意義。

關(guān)鍵詞：頁巖氣井;預(yù)測;粒子群;最小二乘法;支持向量機

引言：

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

1 ?PSO的SVM建模

本文對于粒子群算法存在缺陷問題進行了一定的改進，較好的克服了因為過早收斂而陷入局部最優(yōu)點問題和減少了不確定性因素，并將改進后的算法融入到最小二乘支持向量機當(dāng)中。

1.1 對粒子群理論的優(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判標(biāo)準(zhǔn)，指導(dǎo)初始種群的選取，對整體種群的質(zhì)量進行提升，保證全局尋優(yōu)能力的提高[2][3]。概述內(nèi)容如下：

為保證有限個粒子均勻分布在整個解空間，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為搜索空間對角最大長度，n為解空間維數(shù)，pid表示第i個粒子位置的第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

因為LS-SVM的待選參數(shù)相對較少，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，降低了計算復(fù)雜性，加快了求解速度，所以文章采用此方法進行建模預(yù)測[4]。其基本原理如下：

對非線性頁巖氣產(chǎn)量的預(yù)測模型

（1-2）

給定一組數(shù)據(jù)點集，是與預(yù)測量密切相關(guān)的影響因素，d是所選輸入變量的維數(shù)，是預(yù)測量的期望值，l是已知數(shù)據(jù)點的總數(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積運算，使計算得以簡化。因此非線性預(yù)測模型的表達式為：

（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)測模型在頁巖氣產(chǎn)量預(yù)測的應(yīng)用分析

改進粒子群支持向量機模型方法實質(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，引入一個排斥的過程，從而使粒子間的吸引和互斥達到平衡，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，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。

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

從圖1中可以觀察到其實際生產(chǎn)數(shù)據(jù)和預(yù)測數(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于短期頁巖氣生產(chǎn)產(chǎn)量的預(yù)測準(zhǔn)確度及可信度較高，對于長期的預(yù)測能力目前還相對較弱。

總結(jié)

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

參考文獻：

[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[J].測井技術(shù)，2017，41 （05）：577-582.

[2]許榮斌，王業(yè)國，王福田等.基于改進PSO-BP算法的快遞業(yè)務(wù)量預(yù)測[J].計算機集成制造系統(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].計算機與數(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)勢預(yù)測模型[J].信息安全研究，2018，4 （08）：734-738.