(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211398509.7 (22)申请日 2022.11.09 (71)申请人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 张站权　于立军　刘单珂　张庭婷　 (74)专利代理 机构 上海交达专利事务所 31201 专利代理师 王毓理　王锡麟 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于卡尔曼滤波的时空神经网络模型下的 油井产量预测方法 (57)摘要 一种基于卡尔曼滤波的时空神经网络模型 下的油井产量预测方法， 通过卡尔曼滤波对目标 区域井的动态数据进行滤波， 再将滤波后的动态 数据输入时空神经网络模型当中进行训练模型， 利用训练好的模型进行目标油井未来产油量的 预测。 本发 明一方面利用卷积网络特性对数据进 行时滞处理， 另外一方面利用GCN网络层获取目 标区域井网之间空间关系， 利用TCN分析时序特 征关系， 真正意义上做到了对油田的时空预测， 不仅如此在预测方面采取对多个输出的加权损 失函数进行Adam优化训练， 并实时更新整个预测 模型参数， 提高了油井未来产油量的预测精度与 预测模型的实用性。 权利要求书3页 说明书4页 附图2页 CN 115526435 A 2022.12.27 CN 115526435 A 1.一种基于卡尔曼滤波的时空神经网络下的油井产量预测方法， 其特征在于， 通过卡 尔曼滤波对目标区域井的动态数据进 行滤波， 再将滤波后的动态数据输入时空神经网络模 型当中进行训练模型， 利用训练好的模型进行目标油井未来产油量的预测； 所述的动态数据， 包括： 目标区域井网的注水井的月注水量和产油井的月产油量； 所述的时空神经网络模型包括： 数据 预处理模块、 空间关系获取模块、 时序预测模块和 输出模块， 其中： 数据预处理单元模块通过一维卷积神经网络对滤波后的注水井的历史动 态数据进 行时滞处理并将得到的标签数据和历史动态数据输出至空间关系获取模块， 空间 关系获取模块提取目标区域井网的注采井间的空间特征并输出至时序预测模块， 时序预测 模块通过两层TCN对空间特征进行拟合处理， 输出模块通过多个单层感知机根据拟合结果 输出预测得到的目标多个油井的产油量。 2.根据权利要求1所述的基于卡尔曼滤波的时空神经网络下的油井产量预测方法， 其 特征是， 所述的时滞处理是指： 通过一维卷积网络构建对注水井的月注水量进 行时滞处理， 其中设置卷积核大小为n， 一般代表提取的n个月的注水量之间时间上特征提取并压缩,卷 积的方向是按照时间维度方向从前向后卷积， 卷积过后的月注水量数据在时间维度上会减 少n‑1个时间步， 在后续与并将时滞处理后的数据与经过筛选的采油井的月采油量数据进 行组合重新构成特征数据集， 对采油井的数据前n ‑1步进行剔除操作， 这一步的目的在于， 由于该时刻产的油量是前n个月注水井注水的累积共同作用效果即时滞性， 故剔除前n ‑1个 时间步的产油量数据， 将前面所述处理过后的注水量与采油量数据重新整合为一个原始数 据集， 同时进 行预测数据集的重新构建， 将k个时间步的数据作为特征数据集， 将k+1个时间 步的目标油井的产油量数据整合作为标签数据集， 最终得到预测需要的时间序列数据集。 3.根据权利要求1所述的基于卡尔曼滤波的时空神经网络下的油井产量预测方法， 其 特征是， 所述的提取目标区域井网的注采井间的空间特征是指： 通过一层GCN网络层获取目 标区域注水井与采油井的空间关系， 具体为 其中： H(t) 为第t个时间节点的特征输入， A为邻接矩阵， 代表相应的目标区域井网井点空间关系的图 数据， D为度矩阵， 对角矩阵对角元素为A的每一行各个元素相加得到， IN为相应的单位矩 阵。 4.根据权利要求1所述的基于卡尔曼滤波的时空神经网络下的油井产量预测方法， 其 特征是， 所述的拟合处 理， 通过双 层TCN实现。 5.根据权利要求1所述的基于卡尔曼滤波的时空神经网络下的油井产量预测方法， 其 特征是， 所述的图数据是指： 通过采集目标井网的几何信息， 根据 注水井与采油井的拓补结 构特点构建注采井网井点之间的空间关系图， 并将其用邻接矩阵A来表示。 6.根据权利要求1 ‑5中任一所述的基于卡尔曼滤波的时空神经网络下的油井产量预测 方法， 其特 征是， 具体包括： 步骤1)采集目标井网的几何信息， 根据注水井与采油井的拓补结构特点构建注采井网 的图神经网络结构， 用图表示学习构建图数据即邻接矩阵， 具体包括： 1.1)通过将注水井与采油井之间的关系用图表示； 1.2)将图数据表示 为邻接矩阵； 1.3)将邻接矩阵保存到数据预处 理模块；权　利　要　求　书 1/3 页 2 CN 115526435 A 2步骤2)采集目标区域井网的注水井的月注水量， 采油井的月产油量； 步骤3)基于卡尔曼滤波计算每月注水井、 采油井历史动态数据对应的月注水量、 月产 油量的最优 估值， 具体包括： 3.1)计算k时刻月注水量的最优估值 其中： zk为k时刻注水量 的实际值； Hk为观测矩阵表示实际系统状态对所计算数据的依赖程度； 3.2)计算卡尔曼增益Kk＝PkHkT(HkPkHkT+Rk)‑1和卡尔曼滤波后的月注水量的误差协方差 矩阵 其中： Hk为观测矩阵表示实际系统状态对所计算数据的依赖程度， Rk 为噪声协方差， Pk为K时刻预测月注水量对 应的误差协方差矩， Kk为卡尔曼增益， 并以此遍历 井网历史动态数据； 将滤波过后的数据划分为训练集和 测试集； 步骤4)建立包含数据预处理模块、 空间关系获取模块、 时序预测模块和输出模块的时 空神经网络模型， 以经过步骤3)处理的目标区域井网的历史动态数据， 以及步骤1)中的图 数据作为输入， 具体包括： 步骤4.1)建立一层一维卷积神经网络对注水井月注水量进行时滞处理， 其中卷积核大 小设为n， 表示提取n个月的注水量之间时序特 征； 步骤4.2)对采油井的月采油 量数据进行筛选操作， 去除数据列表前n ‑1个月的采油井 的月采油量数据， 并与卷积过后的注水量数据组件预测单 元模块所需的数据集； 步骤4.3)对步骤4.2)中得到的数据组进行特征数据与标签数据划分操作， 将k个时间 步的数据作为特 征数据， 将k+1个时间步的目标油井的产油量数据整合作为标签； 步骤4.4)将步骤4.3)得到的数据， 图数据作为输入 空间关系获取模块， 即单层GCN网络 层， 激活函数采用RELU函数； 步骤4.5)由步骤4.4)得到的输出输入时序预测模块， 激活函数采用RELU函数； 步骤4.6)由步骤4.5)得到的输出输入由多个单层感知机组成的输出模块， 得到预测到 的目标区域油井的预测月产油量； 步骤4.7)通过训练集的目标油井月产油量与模型预测出的月产油量通过均方误差MSE 计算误差进 行优化得到时空神经网络模 型具体为： 采用Adam优化算法对四个损失函数进 行 加权计算， 每口油井损失函数 的权重为该次训练过程k个时间步该 口油井产量占四口油井 总产出量的大小， 即 其中： 为第i口井第t个时间步的产油量， 总的损失函 数为 MSEi分别为四口井 每个预测输出与自身真实值的均方误差； 步骤5)采用训练后的时空神经网络模型 预测目标油井月产油量， 具体包括： 步骤5.1)利用最新k个时间步的目标井网的动态数据输入模型当中， 预测出四口油井 的未来第k+1时间步的月产油量； 步骤5.2)根据预测的产油 量结果进行第k+1步注水量的计划调整输入， 并以这个计划 执行注水后得到第k+1步的目标区域采油井的实际采油量， 将得到的这第k+1步真实值纳 入 到历史数据； 步骤5.3)将更新后的最新k个时间步的数据重新输入训练好的模型当中， 得到新的一 期的第k+1步的目标区域油井的预测产油量， 循环上述 步骤； 步骤5.4)每当过了50个时间步， 选取最新的500步数据重新执行第 35步以后的过程， 达权　利　要　求　书 2/3 页 3 CN 115526435 A 3