[发明专利]基于改进EMD的MLR油井产量预测方法

说明书

本发明提供一种基于改进EMD的MLR油井产量预测方法，该基于改进EMD的MLR油井产量预测方法包括：步骤1，获取历史油井单井产油量数据；步骤2，对历史油井单井产油量数据进行预处理，包括零值消除、EMD分解和对每个分量分别进行特征工程；步骤3，用MLR算法分别预测各个分量；步骤4，将分量预测结果加总得到最终的油井产油量预测结果。该基于改进EMD的MLR油井产量预测方法采用EMD分解与Spearman分析补足了MLR的短版，从输入自变量构造、遴选的角度，大幅提高MLR预测的精度，该方法其所需原始数据的维度降到了最低，起到了降低油田开发指标采集成本的作用。

技术领域

本发明涉及油田开发产量预测技术领域，特别是涉及到一种基于改进 EMD的MLR油井产量预测方法。

背景技术

目前数据驱动型的油井产量预测应用以人工神经网络(artificial neuralnetwork,ANN)和支持向量回归机(support vector regression, SVR)为主，近年来随着时序预测的发展，诸如长短期记忆网络(Long Short Term Memory,LSTM)等方案也备受青睐。但此类机器学习方法原理较为复杂，且均在不同程度上存在过拟合、训练时间偏长、算力资源浪费大等问题。多元线性回归(Multiple Linear Regression,MLR)是传统的统计分析方法，它描述了因变量与多个自变量之间的依赖关系。相较于其它诸如神经网络之类的算法，它的算法复杂度低、运算简便。且根据奥卡姆剃刀原则，在周期性、平滑性强的曲线的拟合问题上，其表现并不逊于甚至会优于其它复杂的算法。但与此同时，其预测精度将很大程度上取决于其输入自变量的选择。目前已有的油井产量预测模型大多需要较多的输入特征变量，诸如含水上升率、含油饱和度、井底流压等等，但这些指标的观测均需要较多的人力、物力成本。

在申请号：CN201710618595.0的中国专利申请中，涉及到一种有关超低渗透储层油田产能评价及预测的方法，该方法首先收集反映岩性、物性、储层非均质性和含油性等地质参数的测井参数；然后建立数学模型时，对各参数进行平均化、筛选最大值等方法；再引入表征储层渗透率变化的非均质性参数，即变异系数、突进系数和级差等参数；最后建立多元线性回归的产能预测模型进行产能评价。

在申请号：CN201910115510.6的中国专利申请中，涉及到一种致密砂岩油藏开发选区方法，其特征在于，包括以下步骤：根据测试区目标油井的地质表征参数，获得归一化地质表征参数；根据目标油井生产数据中的产能数据和归一化地质表征参数，建立目标油井的产能预测模型；根据目标油井的产能预测模型，获取目标油井的预测产能数据；根据目标油井的预测产能数据，确定目标油井的产能预测等值线图；根据目标油井的产能预测等值线图和测试区的开发选区标准，确定测试区的开发选区范围。

在申请号：CN201910880155.1的中国专利申请中，涉及到一种基于轻烃录井的油井产量预测方法及计算机设备，其中，该方法包括：获取产量已知油井的实际测量数据，实际测量数据包括：多个轻烃参数的数据集、以及多个轻烃参数对应的产量的数据集；基于实际测量数据确定各个轻烃参数与产量之间的相关系数；对于各个轻烃参数，如果轻烃参数与产量之间的相关系数满足预设条件，将相应的轻烃参数作为多元线性回归模型的自变量参数；基于作为自变量参数的轻烃参数对应的实际测量数据，进行线性拟合确定多元线性回归模型的回归系数；获取产量未知油井的作为自变量参数的轻烃参数的数据集；基于获取的产量未知油井的轻烃参数的数据集，使用多元线性回归模型确定产量未知油井的产量。

以上现有技术均与本发明有较大区别，未能解决我们想要解决的技术问题，为此我们发明了一种新的基于改进经验模态分解(Empirical Mode Decomposition，EMD)的MLR油井产量预测方法。

发明内容

本发明的目的是提供一种将EMD与MLR相结合，大幅度提高了预测精度的基于改进EMD的MLR油井产量预测方法。