基于灰色模型与时间序列的油井产量长短期分类预测

为解决单井产量在试采及稳产期预测计算方法精度不足、计算效率较低、适用范围较小的问题，提出一种将预测模型划分为短期产量和长期产量的分类预测方法。短期产量预测在灰色预测模型GM(1,1)的基础上，针对短期生产环境的变化增加产量转换的参数修正，并对模型的离散过程进行优化，从而弥补灰导数离散过程的偏差；对于长期产量预测，采用时间序列的方法，结合BP神经网络以及短期采样特征值的提取结果，对累积产量数据进行建模和预测。利用2018～2020年多个油井的产量数据信息，进行模型训练、预测和比对，针对模型预测结果进行精度分析。结果表明，长期预测模型预测结果的平均相对误差为0.091 4,短期预测模型预测结果的平均绝对误差为0.118 7,计算精度高于传统ARIMA算法的平均相对误差0.156 6,可满足实际工况需求，为油井产量的预测提供了一种新方法。