14、基于LSTM和MA组合模型的单井产量预测

基于LSTM和MA组合模型的单井产量预测

1. 背景信息

石油是日常工业生产活动中非常重要的原材料，石油产量对于指导化工企业的生产以及企业规划商业活动具有重要意义。准确预测石油产量能让企业制定合理的生产任务，避免盲目决策。

目前，预测单因素时间序列变量的主要方法有回归法、灰色系统预测和模糊系统预测。传统的模型和预测方法，如自回归模型（AR）、移动平均（MA）和自回归积分移动平均，在满足线性关系或不满足线性关系时都可用于预测时间序列，BP神经网络也可用于预测。近年来，一些能在一定程度上反映数据内在结构的预测方法，对解决非线性和非正态时间序列问题起到了一定作用，但代码实现难度较大。而且，现有的单井产量预测方法没有考虑异常事件对产量预测的影响，特别是油井发生异常事件后的时间段。

随着深度学习在油田的应用发展，深度学习相关算法也被用于预测时间序列变量，并取得了不错的效果，尤其是在时间序列输出相对稳定的单井产量预测中。然而，当异常事件发生时，预测的石油产量值与实际值会有较大差异。因此，可根据多相流量计测量的原始文丘里管数据的特征判断异常事件，并结合时间序列的产量训练LSTM模型预测整体产量趋势，异常事件发生后，使用MA预测一段时间的产量值以获得更高的准确率。

2. 相关算法的理论基础

2.1 LSTM循环神经网络

LSTM于1997年首次出现，是循环神经网络（RNN）的一种特殊情况。RNN是具有重复神经网络和长期依赖的链式结构，这会导致梯度爆炸和梯度下降问题，造成对过长时间的记忆能力较弱。而LSTM的记忆原理可以解决RNN网络中矩阵连续相乘导致的问题。该模型针对隐藏层问题进行了改进，扩展了网络记忆功能，使模型能够获取更持久