[发明专利]基于混合漏积分CRJ网络的多元钻井时间序列预测方法

说明书

本发明公开了一种基于混合漏积分CRJ网络的多元钻井时间序列预测方法，首先获得时间序列数据样本而且对数据样本进行数据预处理，其次使用灰关联算法选择预测变量的高相关变量作为网络输入，然后对传统的CRJ网络模型进行优化，使用记忆性更强的混合漏积分神经元与CRJ网络相互结合，提高了网络的动力学特性和预测性能，通过对比实验获得最佳结合方式和泄漏率，基于实验结果构建混合漏积分CRJ网络模型，最后使用训练完成的混合漏积分CRJ网络对钻井过程的关键变量进行时序预测，通过预测结果提前了解参数的变化情况，可以预先采取相应的调整策略，从而确保钻井工程安全、高效的进行。

技术领域

本发明涉及钻井时间序列预测的技术领域，尤其涉及一种基于混合漏积分CRJ网络的多元钻井时间序列预测方法。

背景技术

复杂系统广泛存在于气象、水文、工业和信息科学等众多领域，其本身具有多变量动态演化行为和多层次结构，大多呈现出复杂特性，通常很难获得精确的解析模型。因此，使用数据驱动技术对系统中观测到的多元复杂时间序列进行时序预测，分析系统的演化机制，具有重要的实际意义。

在时间序列预测模型的建立方面，神经网络模型能够以任意精度逼近非线性函数，只需要较少的统计学知识即可获得理想的预测效果，因此广泛应用于多元时间序列的预测建模之中。回声状态网络(Echo State Network，ESN)作为一种特殊的递归神经网络，核心部分是一个大规模的储备池，其网络只有输出权值需要通过线性回归方法求解，学习算法简单快速，弥补了一般神经网络收敛速度慢的缺点。储备池的递归结构使得网络有良好的动态性能和非线性映射能力，因此在时间序列预测方面有一定的优势。然而，随着现代分布式控制系统(Distributed Control System，DCS)的使用，复杂系统中数据量的增加和复杂性的增大，时间序列的精度要求也越来越高。传统的ESN网络由于自身储备池的连接结构和传统神经元模型，难以满足当前的复杂时序预测任务，因此现有技术开始从ESN网络随机生成的稀疏连接结构和双曲正切神经元模型两个方面进行网络优化，以提高网络的预测性能。现有技术开始在传统ESN网络上引入一些记忆性较高的神经元模型，由于本身网络结构耦合性强，改进方式增加了网络复杂度，提升了计算负担，不适用应用实际复杂的时序预测问题。

现有技术对储备池连接结构进行优化，得到了确定性跳跃循环状态网络(CycleReservoir with Jumping，CRJ)，其网络核心部分为储备池中确定性的循环结构和跳转结构，在确保不增加拓扑复杂度的情况下，一定程度上解决了回声状态网络(Echo StateNetwork，ESN)的储备池结构是随机生成的，而且一旦生成在整个网络运行过程中始终保持不变的缺陷，提高了预测性能。

目前，CRJ网络能够较好的完成单个变量输入的实际时序预测任务，但是复杂系统往往需要多个变量来描述内部特征，多元时间序列也包含了关于原动力系统更丰富更完整的系统信息。对于当前主流的复杂系统，多变量时间序列预测也要比单变量时间序列预测更为精准，实际意义更大。传统的CRJ网络使用单一的双曲正切神经元，模型记忆能力较弱，难以满足复杂多元时序预测任务的要求。

发明内容

为解决现有技术存在的局限和缺陷，本发明提供一种基于混合漏积分CRJ网络的多元钻井时间序列预测方法，包括：

获得样本集{X_i|i＝1，2，...，M}其中，M为时间序列，X_i＝[X_i1，X_i2,...x_in]∈Rⁿ；

对所述样本集进行归一化处理，计算公式如下：

其中，和分别对应第i维时间序列的最大值和最小值，y_in为归一化之后的结果；

获得钻压的参考序列Y₀与钻井的变量序列关于第k个指标的关联系数，