题名 | 基于时间序列分析方法的油田产量预测与应用 |
作者 | 李达 |
答辩日期 | 2018 |
导师 | 王燕 |
关键词 | 油田产量预测 时间序列 ARIMA BP神经网络 ARIMA-BP神经网络 |
学位名称 | 硕士 |
英文摘要 | 油田产量的预测,关系着油田的科学决策,对于合理的指导油田生产有至关重要的作用。目前提取多特征的建模方式普遍应用在各地的油田产量预测中,虽然这种提取多特征的建模方式预测准度比较准确。但是由于各地的实际状况不同,而影响油田产量的因素复杂多变,油田覆盖面积比较大,在预测油田总产量时,提取多特征的建模方式,实际操作性比较差且不具有普适性。中石油油气生产物联网系统(A11),管理着国内多家大型油田的生产,如何建立有效的普适性预测模型,如何提高模型的预测准确度,是本文研究的重点。本文在总结前人研究成果的基础上,通过理论结合实际的方法,深入探讨了时间序列分析方法在油田产量预测中的应用。(1)对A11要建立普适性的有效预测模型,本文提出采用时间序列方法来分析建模。时间序列分析方法不需要提取外在的特征,只关心产量曲线本身的内部特征,再考虑到,油田日产量数据成分的复杂性以及样本数据个数的局限性,因此可以采用时间序列分析方法来对油田日产量数据进行分析建模。首先对经典时间序列模型AR,MA,ARMA,ARIMA的理论基础以及建模过程进行了深入研究。然后依托于实际的油田产量数据,抽象油田日产量数据,为单一时刻瞬时值,采用一年365天的数据作为训练样本来进行建模,之后的20天的数据作为校验样本,来评估模型的优良程度,根据油田数据的特点,最终通过实验评估出ARIMA模型对于油田日产量的预测具有很好的适用性,预测准确度达到98.16%。(2)为了要提高模型的准确度,本文提出了ARIMA-BP神经网络的时间序列组合预测模型。在实际的生产环境时间序列中,或多或少都含有线性和非线性部分,其中油田日产量就是典型的代表。ARIMA模型能够很好的对线性的时间序列进行拟合和预测,而BP神经网络模型对于非线性时间序列的预测效果更好。ARIMA-BP组合预测模型是通过运用ARIMA模型对时间序列进行线性成分拟合,提取残差时间序列,然后运用BP神经网络建模。线性成分和非线性成分建模分别用ARIMA模型和BP神经网络模型,预测时分别预测求和。通过实验表明BP模型预测准确度为98.86%,组合模型预测准确度为99.28%,组合模型比单一模型预测效果更加理想。 |
语种 | 中文 |
页码 | 61 |
URL标识 | 查看原文 |
内容类型 | 学位论文 |
源URL | [http://ir.lut.edu.cn/handle/2XXMBERH/94137] ![]() |
专题 | 兰州理工大学 |
作者单位 | 兰州理工大学 |
推荐引用方式 GB/T 7714 | 李达. 基于时间序列分析方法的油田产量预测与应用[D]. 2018. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论