应用时效函数对天然气需求进行预测

用线性回归、人工神经网络、灰色系统等预测模型对天然气消费需求量进行预测后，为综合利用各种方法提供的信息，避免单一预测模型丢失有用信息的缺陷，减少随机性，提高预测的准确性,采用了优化组合预测模型和变权重的自适应递推优化组合预测模型对天然气消费需求量进行动态预测,取得了较好的预测效果。但经过翔实的分析,发现变权重的自适应递推优化组合预测模型计算出的权系数,假定了“移动样本数据”的权重向量为常值,权重没有充分体现出数据的时效性。依据信息论“远小近大“的观点，引入时效函数对自适应优化组合预测模型进行改进。结果表明,融入时效函数的自适应递推优化组合预测模型比采用其它预测模型预测的结果更好。     

基于灰色理论的世界天然气需求预测

影响世界天然气需求的因素较多,比如天然气储量、产量、价格及其它因素等。运用回归模型等预测方法要求对各影响因素进行具体分析,这在实际预测中很难面面俱到。而运用灰色理论模型预测世界天然气需求量则可以将各种影响因素内部化,通过历史数据提取有价值的信息,实现对系统运行规律的正确认识,据此进行科学预测。文章通过建立灰色预测模型对2000～2005年世界天然气需求量进行了预测,并将预测结果与实际值比较,精确度为98.73%,这说明运用灰色模型进行天然气需求预测有较高的准确性和可行性。文章最后预测了2007～2020年世界天然气需求量,到2020年,世界天然气需求量将达49308×108m^3。     

基于灰色理论的天然气需求预测

运用不确定性分析法的灰色系统理论,经过样本数据处理、级比、级比界区检验,构建了天然气需求增长灰色系统预测模型GM(1,1).采用残差V(k)来判断其预测精确度,对1990年～2004年间我国天然气需求量进行预测和可信度检验.实践检验结果表明该方法简单、精确度较高.同时,运用此方法预测未来几年我国天然气需求呈快速增长趋势,到2009年天然气需求量将突破6400×104t标准煤.     

基于小波变换和LSSVM-DE的天然气日负荷组合预测模型

为了提高天然气短期负荷的预测精度,提出了基于小波变换和LSSVM-DE(Least Squares Support Vector MachineDifferential Evolution)的天然气日负荷组合预测模型,首先,采用Mallat快速算法对天然气日负荷实际采集数据样本时间序列进行小波分解;其次,对分解出来的高频分量和低频分量分别建立LSSVM预测模型,各分量的模型参数分别采用DE进行优化,以期得到更准确的预测结果;最后,分别对各分量的预测结果进行小波重构。以某市实际采集的样本数据为例,并将重构结果与单独应用LSSVM预测模型及ANN(Artificial Neural Networks)预测模型进行对比分析。结果表明:小波变换和LSSVM-DE预测模型的预测精度分别比单独应用LS-SVM和ANN预测模型高出1.662%、1.14%、3.96%、2.99%、15.53%和1.942%、1.01%、3.07%、1.86%、12.26%。该结论预示着将小波变换和LSSVM-DE理论相结合对天然气日负荷时间序列进行预测是一种行之有效的方法。     

一种天然气需求量预测新模型及其应用——以川渝地区为例

天然气需求量预测结果受诸多因素的影响,由于各因素的动态随机不确定性以及各因素相互影响的程度难以确定,故准确预测的难度较大。为了提高预测精度,基于前人的研究成果,选取天然气需求量预测中出现频次较高的地区生产总值、产业结构、人口发展、城镇化率、消费水平等变量作为主要影响因素,采用灰色相对关联度刻画各因素的重要性,采用逐步回归法精细检验各因素的显著性,将兼具重要性和显著性的因素纳入逐步回归双对数需求函数模型,通过逐次剔除不显著的影响因素,筛选出相对重要的影响因素,从而构建具有"最少"解释变量的"最佳"预测新模型,并以川渝地区为例对其天然气需求量进行了预测。研究结果表明:(1)城镇化率是影响该区天然气需求量最重要的因素,经济发展次之;(2)预测2020—2030年川渝地区天然气需求量呈稳步增长的趋势,但受城镇化建设及外部经济环境的影响,增长率均有所降低,到2030年川渝地区天然气需求总量将达约458×108m3;(3)四川地区应加快推进城镇化建设,以此拉动天然气需求量增长,重庆地区则应科学规划城镇化建设进度,重点调控经济发展与天然气消费之间的关系。结论认为,新模型能够很好地拟合样本数据,预测结果优于传统模型且精度高,可以作为确定天然气需求量的重要参考依据。     

基于熵权系数的天然气长输管线设计方案优选

传统的天然气管线设计方案优选方法通常容易忽略方案中固有的客观信息。为了使这部分信息在决策时不致丢失，拟将熵概念引入天然气长输管线设计方案的优选中，为此提出了一种结合备选方案固有信息和决策者主观判断力的实用权值系数方法：用层次分析法确定方案中各因素的主观权系数，用信息熵确定客观权系数，最后将主客观系数相结合对备选方案进行优选。对备选的13个天然气长输管线设计方案应用此模型，对备选各方案中的9个因素按照工艺指标（5个）和经济指标（4个）进行划分。最终得到的优选结果与实际所选方案一致，说明了该模型的实用性和有效性。     

基于新鲜度函数的油气产量组合预测方法

在总结前人产量预测方法的基础上,提出了基于新鲜度函数的多模型组合预测油气产量的方法.该方法是单模型预测技术的自然推广.同时,将新鲜度函数引入组合预测,有效地刻划了时间序列的变化趋势,对传统的优化组合预测和模糊自适应变权重组合预测方法都有不同程度的改进.改进后的组合预测方法不仅综合利用了各种预测方法的有用信息,而且该最佳组合预测的权系数也是时变的,该方法具有预测精度高、计算简便的特点.     

重庆市“十一五”天然气需求组合预测研究

运用组合预测思想，将灰色预测模型GM（1，1）与马尔可夫链组合起来对重庆市“十一五”期间天然气需求量进行预测。通过预测得知，“十一五”期间重庆市天然气需求将呈快速增长趋势，到2010年需求量将达到41.35×10^8m^3以上。     

城市天然气短期日需求量预测新模型

准确预测短期城市天然气需求量,对于城市天然气的合理调峰调压、安全供应、管网优化等都具有重要的现实意义。目前,城市天然气短期需求量预测模型主要包括时间序列、回归分析、支持向量机、灰色关联等,但其精度均不很理想,神经网络的精度虽然较高,但却容易陷入局部最小值,降低了泛化性。较之于上述诸多模型,最小二乘支持向量机基于结构风险最小化的原则,对于非线性问题也能得到较高的精度和泛化性,并且不容易出现过拟合现象。为此,基于对城市天然气短期日需求量的各种影响因素的全面分析和讨论,最终将气象、日期、政策确定为影响因素,并采用模糊综合评价法、经验打分法及专家评分法处理因素中的定性数据,采用极差变换法处理其他定量数据,最终利用最小二乘支持向量机建立了城市天然气短期日需求量预测新模型。仿真实验以四川省成都市为例,新模型预测结果平均绝对百分比误差为1.423%,较之于ARIMA、灰色关联、BP神经网络以及非线性回归等模型,新模型的预测精度有了很大的提高。结论认为,新模型的预测结果可作为确定城市天然气短期日需求量的依据和参考。     

���������ģ�ͼ������Ȼ������������Ԥ��

介绍滚动神经网络模型和有序导数概念，讨论网络的实现过程，提出了迭代滚动递推ＢＰ神经网络的天然气产量预测模型，通过验证表明：该模型计算结果达到了数值模拟的精度，可预测新区的天然气生产能力。     

Prediction of the Influence of Liquid Loading on Wellhead Parameters

Liquid loading is a common issue for gas wells. Obviously better predictions of liquid loading will help operators in reducing costs less shutdowns and improve revenue more production. The authors present an artificial neural network model for predicting the minimum flow rate for continuous removal of liquids from the wellbore. The model is developed using field data from different gas wells used to train a neural network model. The model was tested against actual field data that were not used in training phase. The results show that the developed model provides better predictions and higher accuracy than the published models.     

页岩气井产量递减分析经验法优化应用研究

页岩气井产量递减规律的分析方法,特别是准确预测页岩气单井产量及估算最终可采储量(Expected Ultimate Recovery,缩写为EUR)是页岩气开发十分重要的技术工作。预测方法主要有数值模拟法、解析法和经验法三大类,其中经验法因为只需生产数据、操作简单且有效而被广泛使用。目前主要有SEPD模型、Duong模型和YM-SEPD模型等单一模型,鉴于页岩气藏压裂水平井复杂的流动机理和渗流规律,单一递减模型难以适应现场需要。在详细分析了目前适用于页岩气藏单井产量预测最常用的两种经验方法-SEPD和Duong模型的基础上,提出了以此为基础的产量递减经验法分析新组合模型,并以四川盆地页岩气井生产数据为例,分析对比了新方法与SEPD法和Duong法的预测结果,印证了新方法更具优势、预测更为准确。     

An intelligent optimization–based prediction model for natural gas hydrate formation in a deepwater pipeline

Temperature, pressure, and composition of gas mixtures in deepwater pipelines promote rapid formation of gas hydrates. To avert this dilemma, it is more significant to find out the temperature and pressure limits in gas hydrates formation of the deepwater pipeline. The objective of this research is to develop an optimization method that finds the optimal temperature and pressure profile for natural gas hydrate formation conditions and an error calculation method to find the realistic approach of the hydrate formation prediction model. A newly developed correlation model is computing the hydrate formation pressure and temperature for a single component of methane (CH₄) gas. The proposed developed prediction model is based on the 2 and 15 constant coefficients and holds a wide range of temperature and pressure data about 2.64 to 46°C and 0.051 to 400 MPa for pure water and methane, respectively. The reducing error discrepancies are 1.2871, 0.35012, and 1.9052, which is assessed by GA, PSO, and GWO algorithms, respectively. The results show the newly developed optimization algorithms are in admirable compliance with the experimental data and standards of empirical models. These correlations are providing the capability to predict gas hydrate forming conditions for a wide range of hydrate formation data.     

混沌优化神经网络方法及其在地震多属性研究中的应用

针对传统的基于梯度下降法BP神经网络中存在非线性多极值目标函数易陷于局部最优解的问题,提出了一种权值学习混沌优化的神经网络方法。非线性动力系统具有初值敏感性、遍历性的特性,采用基于混沌和梯度反传训练相结合来训练网络,可以使网络的连接权在不断迭代过程中自适应演化。实际过井地震剖面地震多属性研究实践表明,所提出的混沌优化学习方法可以克服传统方法的不足,提高预测能力。     

城市燃气负荷的短期预测

城市燃气负荷的短期预测对保证城市供气的相对稳定尤为重要。为此,通过对各类气象因子与燃气日负荷间的相关性分析,以有效温度为主导因素,结合大连地区温度分布规律,推导出燃气日负荷预测模型与月负荷预测模型间的关系,建立了不同预测步长下基于双曲正弦函数的燃气负荷短期预测模型,计算出日负荷预测模型在最不利工况下(传统节日集中的月份)的平均绝对百分比误差(MAPE)和均方百分比误差(RMSPE)值分别为3.67%和5.03%,月负荷预测模型的MAPE和RMSPE值分别为1.02%和1.32%,均小于10%,日负荷预测模型与月负荷预测模型的预测能力均达到较高精确度。利用该转换关系不但能够实现预测模型预测步长的改变,而且所获得的模型预测效果也较理想。对于不同的城市,只要根据该地区气象及燃气负荷特点,选择合适的模型参数值,利用该预测方法即可实现不同预测步长下燃气负荷的短期预测。     

基于人工神经网络的油气产量组合预测方法

回顾了前人关于油气产量的预测方法,概述了传统组合预测方法的基本原理,在此基础上,对组合预测方法中基于最小二乘法的最优权重确定方法进行了改进,提出基于BP神经网络模型的最优权重确定方法,并将其应用于具体实例.结果表明,基于神经网络的组合预测模型能有效地提高油气产量预测精度,是比较优越的预测方法.     

基于粒子群优化和长短期记忆神经网络的气井生产动态预测

气井生产动态预测是气藏产量规划、开发方案编制及生产制度动态调整的重要依据,对天然气藏开发有着极其重要的指导意义。建立了基于长短期记忆深度神经网络的生产动态预测模型,并采用了粒子群优化算法对神经网络模型超参数进行优化,提高长短期记忆深度神经网络的预测效果。研究结果表明,基于粒子群优化和长短期记忆神经网络的气井生产动态预测模型能够实现对气井生产动态的准确预测和神经网络超参数的自动优化,使预测结果的平均绝对误差均小于10%,大幅度简化了神经网络模型的优化过程。