基于联合互信息的动液面预测模型

黄海礁

摘 要：针对采油现场复杂多变的静态模型不能根据工况的变化更新动液面预测模型这一现状，引入了联合互信息（Joint Mutual Information，JMI）作为更新模型的评价基准。该方法首先建立最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）模型，采用改进黑洞算法（Black Hole，BH）优化模型参数，预测出动液面，然后计算辅助变量与动液面的联合互信息，判断联合互信息的波动是否在合理范围内，以此作为模型更新的标准，提高动液面预测精度，最后将上述方法应用到辽河油田某采油平台实际生产数据中，仿真实验结果验证了该方法的有效性。

关键词：动液面；最小二乘支持向量机；联合互信息；动态模型

中图分类号：TE938 文献标识码：A DOI：10.15913/j.cnki.kjycx.2016.18.084

油井动液面参数直接反映了油层供液情况及井下供排关系，是进行采油工艺适应性评价和优化的关键数据之一。目前，采用软测量建模的方法预测油井动液面的方法一般假设在工况稳定的情况下，而在油田实际开采过程中，随着时间的推移，油井工况可能会发生很多变化，使用原始数据建立的静态软测量模型将不再适应新的工况，而出现模型老化的现象。因此，为了确保软测量模型的长期适应性，有必要将过程动态信息引入模型，建立动态软测量模型。

本文针对动液面预测模型失效问题，提出了一种模型更新的标准，以防止模型老化，通过动态更新预测模型，提高模型的预测精度。首先选取日产液量、井口套压、泵效作为模型的辅助变量，然后建立LSSVM预测模型，并采用改进BH算法对模型中的参数进行优化，最后通过计算辅助变量与动液面的联合互信息判断是否更新静态模型，提高预测动液面输出精度。

1 动液面预测模型的建立

将日产液量、井口套压、泵效作为辅助变量，用LSSVM方法建立动液面预测模型。在LSSVM模型中，惩罚因子γ和核函数参数σ值选择的好坏会直接影响预测性能的优劣，对此，本文采用改进的BH算法对这两个参数进行优化选择。

2 基于JMI的动液面预测模型更新

互信息由信息论中的熵演化而来，是信息量在两个变量间的相同部分。相对于主导变量，辅助变量的历史数据之间具有很高的相关性，且都对主导变量有贡献。互信息方法不只考虑各辅助变量对主导变量的贡献，同时还考虑它们之间的相互影响。另外，可利用联合互信息的值来更新模型。

在改进BH-LSSVM建立静态模型的基础上，采用JMI模型更新方法实现模型的动态预测，具体步骤如下：①计算训练数据辅助变量与动液面的联合互信息；②建立LSSVM模型，用改进的BH算法优化模型参数；③判断联合互信息是否在允许范围，如果不在范围内，则更新模型参数，否则输出预测值；④重复上述步骤，直至输出预测值。

3 实验分析

本文从辽河油田某采油平台得到抽油机部分监测数据，将历史数据一次建模，生产过程中不更新模型，建立改进BH-LSSVM静态模型。采集了686组样本数据，其中350组样本数据用于训练预模型，336组样本数据用于测试预测模型。实验过程中的参数设置为：种群数50，进化代数100，惩罚因子搜索区间为[2 000，1]，核函数参数搜索区间为[50，0.01]，以均方误差作为评价模型预测精度的标准。改进BH算法搜索到最优惩罚系数γ为100.401 4，核函数参数σ为0.01，预测结果与实际值相比较的仿真图如图1所示。

从图1中可以看出，样本点140之后动液面的预测值与真实值之间的误差明显增大，静态模型失效。基于联合互信息对动态更新模型与静态模型进行对比，如图2所示。

分别计算静态模型和动态模型预测值与实际值的均方根值误差见，如表1所示，可知动态模型均方根误差更小，预测结果更加接近真实值。

4 结论

本文针对工况不断发生变化会使模型的预测精度逐渐降低甚至出现较大偏差这一问题，引入了联合互信息理论，计算出了建模的辅助变量与动液面的联合互信息值，判断了联合互信息的波动范围是否在合理的范围内，并对模型进行了更新。实验结果表明，上述方法是有效的，可以提高油田的自动化生产水平。

参考文献

[1]李瑷辉.难测井动液面测试方法研究[J].中国石油和化工标准与质量，2012（05）.

[2]李翔宇，高宪文，侯彦彬.基于在线动态高斯过程回归抽油井动液面软测量建模[J].化工学报，2015（06）.

[3]Shang C，Gao X Q，Yang F，et al.Novel Bayesian framework for dynamic soft sensor based on support vector machine with finite impulse response.IEEE Transaction on Control Systems Technology，2013（4）.

[4]Fu Y F.A dynamic soft-sensor modeling method based on FC-GP for 4-CBA Content[C]//IEEE Instrumentation and Measurement Technology Conference，2011.

[5]王通，高宪文，蒋子健.基于黑洞算法的LSSVM的参数优化[J].东北大学学报（自然科版），2014（2）.

[6]何海洋，罗志增.基于k-近邻互信息估计的EEG伪迹消除方法[J].计算机工程，2013（06）.

〔编辑：王霞〕