基于自回归移动平均算法的产能预测方法研究

油田经过多年开发积累了大量的动态数据,如何挖掘数据的内在变化规律,并进行产量预测,对油田开发具有重要意义。本文提出了一种基于自回归移动平均模型的油井产量预测方法。针对油田产量数据变化特征,运用指数平均算法进行数据平滑处理,在自回归移动平均参数优选的基础上,建立自回归移动平均算法模型,训练后得到产能预测模型。预测结果对比表明自回归移动平均算法在油田产量预测方面具有较高的精度,能够满足油田矿场要求。

基于ARIMA-LSTM的能量预测算法

无线传感器网络的节点运行往往受限于能量供给。对太阳能进行采集并转换成电能存储,可以延长节点的使用寿命。对太阳能进行能量预测,可以更好地规划和使用采集到的能量,这有助于节省能源、避免浪费,提升无线传感器网络的生存周期。针对太阳能预测,提出一种基于自回归积分移动平均-长短期记忆(Autoregressive Integrated Moving Average-Long Short Term Memory,ARIMA-LSTM)组合模型的能量预测方法。首先,采用ARIMA模型来对太阳辐照数据进行预测,提取数据中的线性分量;然后将过滤后的残差代入LSTM神经网络模型,得到非线性分量的预测;最后将二者进行相加,得到最终的预测结果。仿真实验显示,组合模型比起现有的单一模型,能够有效地提高预测的精度。

基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型研究

为提高大坝变形预测精度,针对大坝变形数据的复杂性和非线性等特征,基于自适应噪声完备集成经验模态分解(CEEMDAN)、数据处理群集法(GMDH)和差分自回归移动平均模型算法(ARIMA)进行大坝变形预测研究。采用CEEMDAN将大坝变形原始数据分解为高频随机分量、中频周期分量和低频趋势分量,再分别采用GMDH模型、ARIMA模型对高中频分量、低频分量进行预测,建立基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型。以江西上犹江水电站为例,将该模型预测结果与反向传播(BP)、径向基函数(RBF)、GMDH和CEEMDAN-GMDH模型的预测结果进行对比分析。结果表明:CEEMDAN-GMDH-ARIMA模型的均方根误差(E_(RMS))、平均绝对误差(E_(MA))、相关系数(r)分别为0.048 mm、0.035 mm、0.994,均优于BP、RBF、GMDH、CEEMDAN-GMDH模型,模型预测效果最好,能够很好地体现监测点水平位移变化趋势。