[发明专利]一种基于LSTM神经网络的抽油机井检泵周期预测方法

权利要求书

1.一种基于LSTM神经网络的抽油机井检泵周期预测方法，其特征在于，包含如下步骤：

步骤一、获取抽油机井检泵周期样本数据集；

步骤二、通过线性回归对所述样本的多个特征参数进行优选，优选出影响抽油机井检泵周期的多个主控因素；

步骤三、训练基于LSTM神经网络的抽油机井检泵周期预测模型；

步骤四、根据抽油机井检泵周期预测模型获得检泵周期预测结果。

2.根据权利要求1所述的一种基于LSTM神经网络的抽油机井检泵周期预测方法，其特征在于：所述步骤一中获取抽油机井检泵周期样本数据集是指，一个检泵周期的完整数据为一个样本数据。

3.根据权利要求1所述的一种基于LSTM神经网络的抽油机井检泵周期预测方法，其特征在于：所述步骤二中通过线性回归对所述多个特征参数进行优选包括对所述样本的所有特征参数进行归一化预处理，公式如下；

其中为归一化之后的特征参数；x为抽油机井原始特征参数；X_min表示特征参数中的最小值；X_max表示特征参数中的最大值。

4.根据权利要求3所述的一种基于LSTM神经网络的抽油机井检泵周期预测方法，其特征在于：对归一化处理之后的特征参数使用多元线性回归进行拟合，获得归一化后特征参数的回归方程其中，y表示检泵周期，表示第i个特征参数，a₀表示回归方程的常数，a_i表示特征参数的权重。

5.根据权利要求4所述的一种基于LSTM神经网络的抽油机井检泵周期预测方法，其特征在于：使用回归方程中的权重值代表对应的特征参数对检泵周期的贡献度；判断贡献度是否超过预先设定的阈值；若超过，则将贡献度对应的特征参数作为主控因素进行建模。

6.根据权利要求1所述的一种基于LSTM神经网络的抽油机井检泵周期预测方法，其特征在于：所述步骤三中抽油机井检泵周期预测模型包括输入层、隐藏层、输出层和网络优化模型。

7.根据权利要求6所述的一种基于LSTM神经网络的抽油机井检泵周期预测方法，其特征在于：所述隐藏层为五层网络结构，两层LSTM层后连接三层全连接层，逐层训练，经过所有计算之后，把最后输出结果作为标签输入至网络优化模块，，在所述网络优化模块中进行优化。

8.根据权利要求7所述的一种基于LSTM神经网络的抽油机井检泵周期预测方法，其特征在于：所述网络优化模块接收样本数据对应的检泵周期，形成实际标签，所述实际标签和所述预测标签进行损失计算，采用均方误差损失函数，并通过随机梯度下降优化算法不断更新网络权重。

9.根据权利要求8所述的一种基于LSTM神经网络的抽油机井检泵周期预测方法，其特征在于：所述LSTM神经网络单元具体公式表示如下：

i_t＝σ(W_it[h_t-1,x_t]+b_it)

f_t＝σ(W_ft[h_t-1，x_t]+b_ft)

o_t＝σ(W_ot[h_t-1,x_t]+b_ot)

h_t＝o_t tanh(c_t)

其中i_t、f_t、c_t、o_t分别为t时刻的输入门向量、遗忘门向量、临时细胞状态向量、细胞状态向量、输出门向量；x_t和h_t分别为LSTM神经网络的输入和输出；σ和tanh分别为sigmoid和双曲正切激活函数；W为权重系数矩阵；b为偏置向量。