[发明专利]基于增量高斯混合回归的原油含水率自适应软测量方法

说明书

本发明公开了一种基于增量高斯混合回归的原油含水率自适应软测量方法，属于采油过程原油含水率的预测和控制技术领域。本发明使用高斯混合回归模型，通过选择与原油含水率相关性较大且容易测量的一组过程变量作为模型的输入，对原油含水率进行预测估计。为了解决过程时变性对模型预测精度的影响，将增量学习的思想引入高斯混合回归模型，将增量自适应机制融入高斯混合回归模型，在实时预测原油含水率的同时，不断更新软测量模型，以保证模型的预测精度。本发明不仅能够有效解决实际采油过程中常见的非线性、非高斯性和时变特性，还在一定程度上缓解了软测量模型的过拟合，并提高了模型更新效率，实现了对采油过程中原油含水率的自适应预测。

技术领域

本发明涉及采油过程原油含水率的预测和控制技术领域，尤其是涉及一种基于增量高斯混合回归的原油含水率自适应软测量方法。

背景技术

原油含水率是原油开采、生产过程中的重要计量参数之一，也是评价油井以及油田开采能力的重要指标。随着石油工业的快速发展以及逐年激增的石油开采量，近年来我国油田的开发也相继进入到高含水甚至特高含水率阶段，产出液中水的含量较大，含水率偏高。为了能够及时了解和掌握采油过程的生产状况以便有针对性的对地下储层进行压裂或注水，指导后续生产计划执行，确保油井始终处于最佳生产状态，并最终达到提高油井开发效率和提高原油采收效率的目的，原油含水率的测量变得极为紧迫。在实际的采油工业生产过程中，原油含水率无法实现在线检测，以现在的技术条件难以实时准确的测量。为了解决这个难题，通过采集过程中比较容易检测的变量，根据某种最优准侧，构造出一种以这些变量为输入，原油含水率为输出的数学模型，实现对原油含水率的在线估计，这便是采油工业过程中常用的软测量技术。

软测量建模方法的发展对于大规模的工业数据的需求极为显著，其中高斯混合回归模型可以很好的解决工业过程中存在的非线性和非高斯性，被广泛应用于工业过程中的质量变量预测。然而在软测量建模过程中还存在一些问题，比如在采油过程中，由于过程环境状态的改变、平台仪器和设备的老化以及催化剂活性退化等各种因素，运行工况经常发生变化，过程物理化学特性处在不断的变化之中，容易导致离线软测量模型精度不断下降。建模数据表示的是采油过程的过去状态和工况信息，在历史样本上训练的软测量模型无法匹配已经发生了状态变化的当前采油过程，所以不能精确地预测输出变量值(原油含水率)。为了正确跟踪采油过程状态，需要对模型进行及时自适应更新和校正。针对采油过程的时变特性，因此有专家提出了递推方法、滑动窗口方法和即时学习方法等有效策略，但也存在着一定的局限。

发明内容

本发明的目的是提供一种基于增量高斯混合回归的原油含水率自适应软测量方法，将增量的思想引入增量高斯混合回归模型，帮助模型适应在线采油过程中的新数据，实现了采油过程中对原油含水率的自适应软测量；以解决常用模型自适应更新方法的不足。

为实现上述目的，本发明提供了一种基于增量高斯混合回归的原油含水率自适应软测量方法，其特征在于，包括以下步骤：

S1、收集历史采油过程数据作为训练数据集P(x，y)∈R^n×m，x为输入辅助变量，y为原油含水率，n为样本个数，m为变量个数，R为实数集；

S2、将步骤S1收集到的采油过程训练数据集P标准化：转化为均值为0，方差为1的数据集

S3、利用标准化后的采油过程新数据集离线建立高斯混合回归模型，预测原油含水率；

S4、将采集到的实时采油过程数据标准化处理后，利用步骤S3对新数据进行质量预测并且输出原油含水率的预测值实验室抽检获得原油含水率的真实输出y_new后，将样本数据收集到新数据集Z中；当Z的数据量大于预设值m时，通过步骤S3训练一个新的高斯混合回归模型以拟合数据集Z，同时只需要将模型参数和训练数据个数存入历史数据库；