一种基于深度学习的机采井系统效率优化方法与装置制造方法及图纸

本发明专利技术实施例提供一种基于深度学习的机采井系统优化方法与装置。本发明专利技术的基于深度学习方法的机采井系统效率优化方法，融合生产数据、泵数据、电数据、温压数据等，作为系统效率优化的样本集。采用长短期记忆LSTM模型，构建系统效率阈值提取模型以及产液量预测模型。将系统效率进行区间划分，每个区间标记为一类，作为周期状态分类的标签，应用分类算法构建系统效率周期状态分类模型。结合系统效率阈值、产液量预测模型、周期状态分类模型，决定是否调整工作制度。另外，发明专利技术实施例还提供一种基于深度学习的机采井系统优化装置，包括数据预处理模块、系统效率阈值提取模块、周期状态分类模块、产液量预测模块。本发明专利技术实施例提供的技术方案能够对机采井的系统效率进行优化，降低开采成本、提高经济效益。

【技术实现步骤摘要】
一种基于深度学习的机采井系统效率优化方法与装置
本专利技术涉及一种基于深度学习的机采井系统效率优化方法，特别涉及一种基于深度学习的机采井系统效率优化方法与装置。
技术介绍
目前,由于机采井抽油系统的能耗问题日趋严重,直接影响着原油的开采成本。为了实现机采井的正常生产,降低采油成本,采用节能设备并应用新技术、新方法来提高机采井的系统效率越来越引起人们的重视。应用大数据和深度学习方法从海量数据中高效挖掘有价值的信息，是优化系统效率的关键技术,能够在一定程度上降低开采成本，提高经济效益。机采系统效率的提升牵扯因素众多，且目前的研究多偏重于机理、模型，研究点比较分散。机械采油设备在工作时,各设备之间不是孤立的而是紧密的联系在一起，形成一个系统共同工作，这时他们的特性必然相互影响，系统中各部分性能的优劣，以及它们配合是否恰当等都将影响整个系统的工作效果，因此，抽油机井系统效率的研究不能孤立对某一设备进行分析。随着国内外各石油公司信息化建设的开展，石油数据也在石油行业中引起了重视。油田生产过程中数据采集多样，数据量大，涉及采油工艺的方方面面，相较于传统的数学分析过程，利用数据对采油工艺过程进行系统性的分析有着很大的优势，利用数据分析、挖掘的方法来解决油田生产中的问题也成为一条行之有效的途径。传统的研究方法大多基于统计学方法、经验法以及公式方法进行测算，统计学分析方法精度受空间参数数据的密度和分布影响，并且受各参数之间的自相关和互相关结构影响严重，及时性和准确性并不能得到有效的保证。基于上述研究所存在的问题，本专利技术以生产数据为主、融合多种结构化数据，提出了一种基于深度学习的机采井系统效率优化方法与装置。本专利技术采用长短期记忆模型LSTM，构建系统效率阈值提取模型，采用以10天的历史数据预测未来1天系统效率的方式，对模型进行训练。应用训练好的模型预测机采井每个周期下一时间节点的系统效率，若系统效率值低于平均系统效率时，则记录该系统效率值，经过多组测试，取平均值作为系统效率阈值。将系统效率进行区间划分，每个区间记为一类，作为周期状态分类数据的标签。使用不同的分类模型进行训练，根据模型效果进行对比分析，选择最优模型。在每一个周期中，应用构建的分类模型对机采井的周期状态进行分类。基于每口井的产液量历史数据，构建产液量预测模型，预测未来几天内的产液量，并结合当前机采井的原油密度、动液面、回压、套压、耗电量、生产时间，计算系统效率。如果系统效率值低于系统效率阈值，则发出系统预警。并结合当前机采井的周期状态，判断是否需要调整工作制度，并为下一吞吐周期生产参数调整或者新井投产提供决策支持。
技术实现思路
为了解决现有技术问题，本专利技术提供了一种基于深度学习的机采井系统效率优化方法与装置，本专利技术以生产数据为切入点，融合多种结构化数据(如泵参数、生产参数、温压参数、电参数、有功功率等。形成了基于大数据深度学习的机采井系统效率优化方法、系统效率阈值提取模型、周期状态分类模型、产液量预测模型。以生产数据为主，将所有泵参数、生产参数、温压参数、电参数、有功功率等数据进行多源数据融合，并对融合后的数据进行预处理，填补缺失值、修正异常值等。基于机采井井的动液面、日产液量、日产油量、系统效率的历史数据，采用长短期记忆网络LSTM进行模型训练，应用训练好的模型预测机采井每个周期下一时间节点的系统效率。采用以10天的历史数据预测未来1天系统效率的方式，构建系统效率阈值提取模型。若系统效率值低于平均系统效率时，则记录该系统效率值，经过多组测试，取平均值作为系统效率阈值。结合数据分布，将整体系统效率进行区间划分，每个区间记为一类，每一类作为相应数据记录的标签值。对机采井周期状态数据分别使用随机森林、SVM、Adaboost、GBDT、XGBoost机器学习模型以及神经网络MLP进行训练，构建周期状态分类模型。根据模型效果，进行对比分析，选择最优模型。在每一个周期中，应用构建好的模型对机采井的周期状态进行分类，分类结果作为是否调整工作制度的依据之一。基于每口井的产液量历史数据，构建LSTM时序预测模型，预测未来几天的产液量，并结合当前机采井的原油密度、动液面、回压、套压、耗电量、生产时间，并计算出系统效率。如果系统效率值低于系统效率阈值，则发出系统预警。结合周期状态是否处于低效状态，判断是否需要调整工作制度,并为下一吞吐周期生产参数调整或者新井投产提供决策支持。本专利技术所采用的技术方案如下：一种基于深度学习的机采井系统效率优化方法与装置，主要包括以下步骤：A、将获取的各类机采井参数(泵参数、生产参数、温压参数、电参数等)，进行多源数据融合，将融合后的数据作为系统效率优化的数据集totalDataSet。B、在数据集totalDataSet中提取机采井动液面、日产液量、日产油量、系统效率的历史数据，构建系统效率阈值提取的训练样本shresholdDataSet，并采用时序模型训练，应用训练好的模型预测机采井中每一个周期下一时间节点的系统效率，系统效率值低于平均系统效率时，则记录该系统效率值，经过多组测试，取平均值作为系统效率阈值。C、基于数据集totalDataSet，构建机采井周期状态分类训练数据stateDateSet。依据系统效率数据分布，将其进行区间划分，每个区间记为一类，每一类作为训练数据stateDateSet的标签值。将训练数据stateDateSet划分为训练集stateDateSetTrain和测试集stateDateSetTest，使用不同的分类模型进行训练，对结果进行对比分析，选择最优模型。在每一个周期中，应用构建好的模型对机采井的周期状态进行分类，将分类结果作为是否调整工作制度的依据之一。D、基于机采井产液量历史数据，构建产液量预测模型，预测未来几天机采井的产液量，并结合当前油井的原油密度、动液面、回压、套压、耗电量、生产时间，计算出系统效率。如果系统效率值低于步骤B提取的系统效率阈值，则发出系统预警。结合步骤C得到的周期状态是否为低效状态，判断是否需要调整工作制度，并为下一吞吐周期生产参数调整或者新井投产提供决策支持。步骤A中，所述的各类机采井参数是指：泵参数(泵径、泵深、排量等)、生产参数(冲程、冲次、原油密度、含水、动液面等)、温压参数(油压、回压、井口温度等)、电参数(上行电流、下行电流、耗电量等)、有功功率等。步骤B中，所述的系统效率阈值提取是指：通过长短期记忆网络LSTM算法，以10天的历史数据预测未来1天的系统效率，构建系统效率阈值提取模型。步骤C中，所述的系统效率周期状态模型构建是指：将整体系统效率划分成不同类别，形成周期状态训练样本stateDateSet。将训练数据stateDateSet划分为训练集stateDateSetTrain和测试集stateDateSetTest，分别采用随机森林、SVM、Adaboost、GBDT、XGBoost机器学习模型以及神经网络MLP进行训练，构建周期状态分类模型。根据模型准确率，进行对比分析，选择最优模型。...

【技术保护点】
1.一种基于深度学习的机采井系统优化方法，主要包括以下步骤：/nA、将获取的各类机采井参数(泵参数、生产参数、温压参数、电参数等)，进行多源数据融合，将融合后的数据作为系统效率优化的数据集totalDataSet；/nB、从数据集totalDataSet中提取机采井动液面、日产液量、日产油量、系统效率的历史数据，构建系统效率阈值提取的训练样本shresholdDataSet，并采用时序模型训练，应用训练好的模型预测机采井中每一个周期下一时间节点的系统效率，系统效率值低于平均系统效率时，则记录该系统效率值，经过多组测试，取平均值作为系统效率阈值；/nC、基于数据集totalDataSet，构建机采井周期状态分类数据集stateDateSet。依据系统效率数据分布，将其进行区间划分，每个区间记为一类，每一类作为训练数据stateDateSet的标签值。将数据集stateDateSet划分为训练集stateDateSetTrain和测试集stateDateSetTest，使用不同的分类模型进行训练，对结果进行对比分析，选择最优模型。在每一个周期中，应用构建好的模型对机采井的周期状态进行分类，将分类结果作为是否调整工作制度的依据之一；/nD、基于机采井产液量历史数据，构建产液量时序预测模型，预测未来几天机采井的产液量，并结合当前油井的原油密度、动液面、回压、套压、耗电量、生产时间，计算出系统效率。如果系统效率值低于步骤B提取的系统效率阈值，则发出系统预警。/n结合步骤C得到的周期状态是否为低效状态，判断是否需要调整工作制度，并为下一吞吐周期生产参数调整或者新井投产提供决策支持。/n...

【技术特征摘要】
1.一种基于深度学习的机采井系统优化方法，主要包括以下步骤：
A、将获取的各类机采井参数(泵参数、生产参数、温压参数、电参数等)，进行多源数据融合，将融合后的数据作为系统效率优化的数据集totalDataSet；
B、从数据集totalDataSet中提取机采井动液面、日产液量、日产油量、系统效率的历史数据，构建系统效率阈值提取的训练样本shresholdDataSet，并采用时序模型训练，应用训练好的模型预测机采井中每一个周期下一时间节点的系统效率，系统效率值低于平均系统效率时，则记录该系统效率值，经过多组测试，取平均值作为系统效率阈值；
C、基于数据集totalDataSet，构建机采井周期状态分类数据集stateDateSet。依据系统效率数据分布，将其进行区间划分，每个区间记为一类，每一类作为训练数据stateDateSet的标签值。将数据集stateDateSet划分为训练集stateDateSetTrain和测试集stateDateSetTest，使用不同的分类模型进行训练，对结果进行对比分析，选择最优模型。在每一个周期中，应用构建好的模型对机采井的周期状态进行分类，将分类结果作为是否调整工作制度的依据之一；
D、基于机采井产液量历史数据，构建产液量时序预测模型，预测未来几天机采井的产液量，并结合当前油井的原油密度、动液面、回压、套压、耗电量、生产时间，计算出系统效率。如果系统效率值低于步骤B提取的系统效率阈值，则发出系统预警。
结合步骤C得到的周期状态是否为低效状态，判断是否需要调整工作制度，并为下一吞吐周期生产参数调整或者新井投产提供决策支持。


2.根据权利要求1所述的一种基于深度学习的机采井系统优化方法，其特征在于，步骤A中，所述的各类机采井参数是指：泵参数(泵径、泵深、排量等)、生产参数(冲程、冲次、原油密度、含水、动液面等)、温压参数(油压、回压、井口温度等)、电参数(上行电流、下行电流、耗电量等)、有功功率等。


3.根据权利要求1所述的一种基于深度学习的机采井系统优化方法，其特征在于，步骤B中，所述的系统效率阈值提取是指：采用长短期记忆网络LSTM算法，以10天的历史数据预测未来1天的系统效率，构建系统效率阈值提取模型。


4.据权利要求1所述的一种基于深度学习的机采井系统优化方法，其特征在于，步骤C中，所述的系统效率周期状态模型构建是指：将整体系统效率划分成不同类别，形成周期状态训练数据state...

【专利技术属性】
技术研发人员：刘昕，牛庆威，宫法明，张如玉，白雨昊，穆有德，吴傲，王宇辰，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东;37