(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111012938.1 (22)申请日 2021.08.31 (71)申请人 中国石油大 学(北京) 地址 102249 北京市昌平区府学路18号 (72)发明人 吴海浩　王丹　史博会　康琦　 宋尚飞　宫敬　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 代理人 董骁毅　叶明川 (51)Int.Cl. G06F 30/27(2012.01) (54)发明名称 天然气井筒生产运行工况动态估计方法及 装置 (57)摘要 本发明提供了一种天然气井筒生产运行工 况动态估计方法及装置， 所述方法包含： 获取生 产数据， 根据生产数据利用学习算法构建的辨识 技术对天然气井筒进行灰箱系统辨识， 建立非线 性自回归灰箱的动态辨识模型库， 构建井筒状态 空间方程； 根据动态辨识模型库中的辨识模型构 建状态转移方程， 通过观测矩阵构建观测方程， 通过状态转移方程和观测方程重构井筒状态空 间方程； 通过重构后的井筒状态空间方程结合无 迹卡尔曼滤波 ‑集合卡尔曼滤波融合辨识模型的 估计值与井筒观测点的测量值； 根据融合后的估 计值和测量值融合无迹卡尔曼滤波器 ‑集合卡尔 曼滤波器的估计结果， 对天然气井筒生产运行工 况进行动态估计， 获得目标估计值。 权利要求书3页 说明书15页 附图8页 CN 114398817 A 2022.04.26 CN 114398817 A 1.一种天然气井筒生产运行工况动态估计方法， 其特 征在于， 所述方法包 含： 获取生产 数据， 根据 所述生产 数据利用学习算法构建的辨识技术对天然气井筒进行灰 箱系统辨识， 建立非线性自回归灰箱的动态辨识模型库， 并构建井筒状态空间方程； 根据所述动态辨识模型库中的辨识模型构建状态转移方程， 并通过观测矩阵构建观测 方程， 通过 所述状态转移方程和所述观测方程重构所述井筒状态空间方程； 通过重构后的井筒状态 空间方程结合无迹卡尔曼滤波 ‑集合卡尔曼滤波的数据融合技 术， 融合所述 辨识模型的估计值与井筒观测点的测量 值； 根据融合后的所述估计值和所述测量值融合所述无迹卡尔曼滤波器 ‑集合卡尔曼滤波 器的估计结果， 以过程辨识和状态估计相结合的方式对天然气 井筒生产运行工况进行动态 估计， 获得目标估计值。 2.根据权利要求1所述的天然气井筒生产运行工况动态估计方法， 其特征在于， 根据 所 述生产数据利用学习算法构建的辨识技术对天然气 井筒进行灰箱系统辨识， 建立 非线性自 回归灰箱的动态辨识模型库包 含： 根据所述生产 数据， 在未引入各层规范化和丢弃技术的基础上利用传统梯度 下降法和 Sigmoid激活函数对神经网络模型进行有监 督预训练， 得到传统神经网络模型； 以泄漏修正线性单元作为激活函数， 根据 所述生产 数据通过随机梯度 下降法配合各层 规范化和丢弃技 术对预设神经网络模型进行有监 督预训练， 得到深度前馈网络模型； 以修正线性单元作为激活函数， 加入卷积层、 池化层、 全连接层后， 根据所述生产数据 通过随机梯度下降法对神经网络模型进行有监 督预训练， 得到卷积神经网络模型； 根据传统神经网络模型、 深度 前馈网络模型和卷积神经网络模型获得描述井筒非线性 动态特性的所述动态辨识模型库。 3.根据权利要求2所述的天然气井筒生产运行工况动态估计方法， 其特征在于， 建立非 线性自回归灰箱的动态辨识模型库还 包含： 根据稳态样本， 通过迁移学习调整预训练所 得辨识模型。 4.根据权利要求1所述的天然气井筒生产运行工况动态估计方法， 其特征在于， 根据融 合后的所述估计值和所述测量值融合所述无迹卡尔曼滤波器 ‑集合卡尔曼滤波器的估计结 果， 以过程 辨识和状态估计相结合的方式对天然气井筒生产运行工况进行动态估计包 含： 采用无迹卡尔曼 滤波‑集合卡尔曼滤波分别构建独立滤波器； 于所述独立滤波器中以动态辨识模型作为状态转移算子， 以状态量和观测量的关系矩 阵作为观测算子， 通过递推估计法融合所述 辨识模型的估计值与井筒观测点的测量 值； 根据观测点的测量 值在线校正模型估计值， 获得每 个时步状态量的后验 估计值； 根据所述后验估计值对无迹卡尔曼滤波器 ‑集合卡尔曼滤波器并行计算得到的后验估 计结果， 利用预设权 重进行加权融合， 得到融合滤波值。 5.根据权利要求4所述的天然气井筒生产运行工况动态估计方法， 其特征在于， 通过递 推估计法融合所述 辨识模型的估计值与井筒观测点的测量 值还包含： 在无迹卡尔曼滤波器中， 以上一 时步状态量的后验估计作为当前时步状态量的初始分 布； 根据所述初始分布通过确 定性采样法构造状态量的Sigma点集； 通过状态转移算子， 对 所述Sigma点集进行非线性映射， 得到Sigma点集的先验估计； 通过观测算子， 对所述Sigma 点集再次进 行非线性映射， 得到观测点集的先验估计； 通过Sigma点集和观测点集的先验估权　利　要　求　书 1/3 页 2 CN 114398817 A 2计， 更新状态量 误差协方差阵和观测量 误差协方差阵的先验 估计； 在所述集合卡尔曼滤波器中， 以上一 时步状态量的后验估计作为当前时步状态量的初 始分布； 根据所述初始分布通过蒙特卡洛随机抽样法构造状态量的背景集合； 通过状态转 移算子， 对所述背景集合进行非线性映射得到背景集合的先验估计； 通过观测算子对所述 背景集合再次进行非线性映射， 得到观测点集的先验估计； 通过背景集合和观测点集的先 验估计， 更新状态量 误差协方差阵和观测量 误差协方差阵的先验 估计。 6.根据权利要求5所述的天然气井筒生产运行工况动态估计方法， 其特征在于， 根据观 测点的测量 值在线校正模型估计值还 包含： 通过无迹卡尔曼滤波预测过程中所述误差协方差阵的先验估计， 更新无迹卡尔曼滤波 对应的滤波增益； 通过滤波增益对 预设测量值和Sigma点集的先验估计值进 行加权融合， 获 得状态量和状态量 误差协方差阵的后验 估计， 并作为下一时步状态量的初始分布； 通过集合卡尔曼滤波预测过程中所述误差协方差阵的先验估计， 更新集合卡尔曼滤波 对应的滤波增 益； 通过滤波增益对预设测量值和背景集合的先验估计值进行加权融合， 并 作为下一时步状态量的初始分布。 7.一种天然气井筒生产运行工况动态估计装置， 其特征在于， 所述装置包含： 辨识模 块、 重构模块和估计模块； 所述辨识模块用于获取生产 数据， 根据所述生产 数据利用学习算法构建的辨识技术对 天然气井筒进行灰箱系统辨识， 建立非线性自回归灰箱的动态辨识模型库， 并构建井筒状 态空间方程； 所述重构模块用于根据 所述动态辨识模型库中的辨识模型构建状态转移方程， 并通过 观测矩阵构建观测方程， 通过所述状态转移方程和所述观测方程重构所述井筒状态空间方 程； 所述估计模块用于通过重构后的井筒状态 空间方程结合无迹卡尔曼滤波 ‑集合卡尔曼 滤波的数据融合技术， 融合所述辨识模型 的估计值与井筒观测点的测量值； 根据融合后的 所述估计值和所述测 量值融合所述无迹卡尔曼滤波器 ‑集合卡尔曼滤波器的估计结果， 以 过程辨识和状态估计相结合的方式对天然气 井筒生产运行工况进 行动态估计， 获得目标估 计值。 8.根据权利要求7所述的天然气井筒生产运行工况动态估计装置， 其特征在于， 所述构 建模块包含： 根据所述生产数据， 在未引入各层规范化和丢弃技术的基础上利用传统梯度 下降法和Sigmoid激活函数对神经网络模 型进行有监督预训练， 得到传统神经网络模 型； 以 泄漏修正线性单元作为激活函数， 根据所述生产数据通过随机梯度下降法配合各层规范化 和丢弃技术对预设神经网络模型进行有监督预训练， 得到深度前馈网络模型； 以修正线性 单元作为激活函数， 加入卷积层、 池化层、 全连接层后， 根据所述生产数据通过随机梯度下 降法对神经网络模型进 行有监督预训练， 得到卷积神经网络模 型； 根据传统神经网络模型、 深度前馈网络模型和卷积神经网络模型获得描述井筒非线性动态特性的所述动态辨识模 型库。 9.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至6  任一所述方 法。权　利　要　求　书 2/3 页 3 CN 114398817 A 3