基于粒子群優化的最小二支持向量機在頁巖氣井當中的產量預測應用

蔡駿馳

摘要：在石油與天然氣的開發及生產運營期間，在確保質量的前提下，為了盡可能保證企業的利潤空間，對于運營平臺的合理管理和規劃以及頁巖氣井的生產調度、經濟管控、資源分配的最優化是提高該指標的重要措施，而對于頁巖氣井的產量預測是直接影響這一系列措施的重要參考指標之一。本文首先對所采用的方法進行了原理性的概述，然后利用粒子群優化對實際工程數據進行了處理，利用MATLAB完成了實際數據的仿真，并對其預測的數據與實際生產數據進行了一定的驗證。算法收斂性好，有較高預測精度和訓練速度，對實際生產具有一定的指導意義。

關鍵詞：頁巖氣井;預測;粒子群;最小二乘法;支持向量機

引言：

預測方法一般包括神經網絡、微分模擬法、產量遞減法。神經網絡預測方法是利用產量的歷史數據進行訓練，不斷調整連接神經元之間的權重實現產量預測;微分模擬法是基于油田開發動態的時間序列進行研究，利用微分動態模擬原理實現產量預測;產量遞減法利用歷史產量數據帶入產量遞減規律方程實現產量預測[1]。本文基于粒子群優化的最小二支持向量機提出了一種預測算法。首先對粒子群算法的種群選擇進行了概要推導，說明了如何改善種群整體的質量，增強全局尋優能力，然后建立了基于PSO的LS-SVM產量預測模型，利用適當的樣本數據進行產量的預測，最后通過仿真實際生產數據驗證模型預測效果，此方法為頁巖氣產量預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中。

1.1 對粒子群理論的優化概述

本文采用一種基于種群多樣性信息的早熟收斂評判標準，指導初始種群的選取，對整體種群的質量進行提升，保證全局尋優能力的提高[2][3]。概述內容如下：

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，pid表示第i個粒子位置的第d維坐標值，表示所有粒子位置的第d維坐標值的均值。

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，它的損失函數直接定義為誤差平方和，將優化中的不等式約束轉化為等式約束，由此將二次規劃問題轉化為線性方程組求解，降低了計算復雜性，加快了求解速度，所以文章采用此方法進行建模預測[4]。其基本原理如下：

對非線性頁巖氣產量的預測模型

（1-2）

給定一組數據點集，是與預測量密切相關的影響因素，d是所選輸入變量的維數，是預測量的期望值，l是已知數據點的總數，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預測模型在頁巖氣產量預測的應用分析

改進粒子群支持向量機模型方法實質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，即當粒子間的距離和適應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，利用改進粒子群優化算法對支持向量機模型的關鍵參數的影響進行相關性預測，將基于前期實際生產數據的預測值和預期的實際產量數據進行對比，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測，從而達到減少偶然性因素影響的作用，對預測結果取平均值，產量預測和實際產量曲線對比圖如圖1所示。

從圖1中可以觀察到其實際生產數據和預測數據在短期內的重合度較高，在20天及以后出現了一定的偏差，由此可以得出該方法對于短期頁巖氣生產產量的預測準確度及可信度較高，對于長期的預測能力目前還相對較弱。

總結

頁巖氣井的產量預測是企業對于運營質量的重要評價指標之一，因此本文對于氣井的產量預測研究具有較好的實際價值。通過對標準粒子群的改進和優化，使其對于全局尋優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，從而奠定了對于預測模型參數的基礎。利于最小二乘支持向量機預測模型的建立，在文章最后也簡要展示了該算法模型應用于實際頁巖氣產量預測的仿真對比圖，結果表明該算法對于短期產量預測效果較為理想，對生產有一定的參考指導作用。

參考文獻：

[1]王忠東，王業博，董紅等.頁巖氣水平井產量主控因素分析及產能預測[J].測井技術，2017，41 （05）：577-582.

[2]許榮斌，王業國，王福田等.基于改進PSO-BP算法的快遞業務量預測[J].計算機集成制造系統，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習的粒子群優化算法[J].計算機與數字工程，2018，46 （09）：1768-1772.

[4]王瑞，李芯蕊，馬雙斌.基于PSO-SVR的網絡態勢預測模型[J].信息安全研究，2018，4 （08）：734-738.