一种基于示功图的抽油机井工况预测方法技术

本发明专利技术提出了一种基于示功图的抽油机井工况预测方法，其中，该方法包括：获取多个抽油机井的示功图曲线数据；将示功图曲线数据转换为图片数据集，按照时间序列对图片数据集进行排序，生成时序图片训练集，并进行划分，得到训练集和测试集，根据数据集特征，选择合适的工况预测模型，结合真实的示功图工况标准，对示功图工况预测模型进行学习，获得基于示功图的抽油机井工况预测模型；通过获取某抽油机井的某段历史数据，输入至示功图工况预测模型，得到下一时刻的示功图工况。该方法及系统可以利用大量的示功图曲线数据，生成基于示功图的抽油机井工况图，预测出下一个时刻的抽油机井工况，整个过程运算速度快、识别准确率高。为准确把握抽油机井检泵周期情况提供了有效的支撑。把握抽油机井检泵周期情况提供了有效的支撑。

【技术实现步骤摘要】
一种基于示功图的抽油机井工况预测方法


[0001]本专利技术涉及一种工况预测方法，尤指一种基于示功图的工况预测方法及系统，属于油井检测


技术介绍

[0002]在机械采油工艺中，有杆泵采油方式在我国的原油开采中占据十分重要的地位。当下油田对抽油机井广泛采用使用维修策略，即当某种故障导致油井不能正常生产时再进行维修。频繁检泵不仅造成产量损失，而且增加作业成本，而且由于使用年限以及作业队伍数量的限制等原因，有时导致部分油井待作业时间较长，严重影响油井产量，造成巨大经济损失。
[0003]近些年来，基于状态维护的方式受到越来越多的关注，其中基于示功图的演变分析下一短时间内抽油机井可能发生工况，并进一步维护的方式是关键的环节。在传统的示功图研究中，一般基于实时示功图图像诊断出示功图当前状态，没有对下一时间示功图预测做出进一步研究，因此研究基于示功图的抽油机井工况诊断模型，通过长短期记忆神经网络，学习示功图的时序性变化，不断地优化模型参数得到最优模型，该方法将大幅度提高油田整体开发经济效益。

技术实现思路

[0004]针对上述问题，本专利技术的目的是避免传统抽油机井检泵维修策略方法的不确定性造成的人力资源和财力资源大量浪费，进而提高油田作业队伍的质量和整体经济效益。
[0005]为实现上述目的，本专利技术采取以下技术方案：基于示功图的抽油机井工况预测方法，其包括一下几个步骤：
[0006](1)采集油田抽油机井的示功图曲线数据。
[0007](2)对采集的数据进行数据预处理，转换成示功图图像。
[0008](3)分割成不同数据组，加强数据间时序性强度重新构建数据体。
[0009](4)进行算法建模，寻找最优模型参数
[0010](5)构建LSTM算法模型
[0011]所述步骤(1)，采集的抽油机井的示功图曲线数据，其中包括光杆悬点所承受的载荷拉力和悬点对于井口的位移。
[0012]所述步骤(2)，通过最大
‑
最小标准化将数据映射到[0,1]区间，将处理好的曲线数据绘制成示功图图像，将示功图图像作为模型自变量，抽油机井下一时刻抽油机井工况作为因变量。
[0013]所述步骤(3)，按照抽油机井编号，将不同示功图分割到不同的数据组，按照时间发生顺序，对每组的抽油机井信息重新排序。通过滑动窗口方法设置大小和步长来重新构建数据体，加强数据间的时序性变化。
[0014]所述步骤(4)，通过步骤(3)所选取重构后的数据体作为模型的训练数据，抽油机
井工况作为算法的输出值来构建LSTM模型，使用梯度下降算算来寻找最优的权重w和偏置b。
[0015]所述步骤(5)，对步骤(4)寻找最优值来设置LSTM的参数，并将数据输入LSTM模型，得到最优预测精确度的模型。
[0016]本专利技术由于采取以上技术方案，其具有以下优点：1、通过标准化去除量纲，使不同的特征具有可比性，消除量纲引起的特征数值量级别对分析结果的影响。2、根据示功图随时间演变的顺序进行排序，又基于滑动窗口的设置让数据之间的联系性加强，提高模型预测的准确性。3、选取LSTM算法，该算法非常适合用于处理与时间序列相关的问题。
附图说明
[0017]图1.抽油机井工况预测算法流程图；
[0018]图2.LSTM示意图；
[0019]图3.滑动窗口示意图
具体实施方式
[0020]为了更加清晰的阐述本专利技术的技术方案，下面结合附图和实施例对本专利技术进行详细的描述。
[0021]本实施方法所述的一种基于示功图的抽油机井工况预测模型方法流程图如图1，该方法具体通过以下步骤实现：
[0022]1.采集了油田连续10年的抽油机井示功图曲线数据。具体得到了光杆悬点所承受的载荷拉力和悬点对于井口的位移。
[0023]2.对于步骤2所述，由于示功图曲线数据具有不同的量纲和数量级，如果直接使用筛选后的数据进行建模训练，数据中值较高的对算法影响较大，进而忽略了数值均值较低的特征。因此要对筛选后的数据，进行min
‑
max标准化，将每个特征值结果映射到[0,1]之间，具体转换函数如下：
[0024][0025]其中x,min,max分别是特征值的样本数据，特征值样本数据中最小值，特征值样本数据中最大值。
[0026]将处理好的曲线数据绘制成示功图图像，将绘制好的示功图最为算法所需自变量，将对应示功图标注信息作为所选算法所需因变量。
[0027]3.对于步骤3所述，将步骤2中处理好的数据先按照抽油机机井号分割成不同的数据组。其次每个数据组的图像按照时间顺序重新排序，构建出时序性的示功图数据体。最后将重构好的数据体以滑动窗口的方式进行数据读取，如图3所示示意图，选取窗口大小为6，步长为1，更改数据体，从而加强数据间时序性强度。
[0028]4.对于步骤4更改后的样本进行划分训练集和测试集，进行LSTM算法建模，通过梯度下降算法不断优化LSTM中偏置w和偏置b，使用预测值与真实值的均方误差MSE作为模型的性能指标，均方误差越小模型越优，通过设置最小均方误差所设置的参数来设置LSTM最终模型参数。其中均方误差计算公式为：
[0029][0030]其中为第i个样本的预测值，y
i
为第i个样本的实际值，n为样本数量。其中梯度下降算法计算公式为：
[0031][0032]其中表示的第i次更新第j个参数的值，η为梯度下降的步长，L为损失函数，即MSE。
[0033]以上实施例仅用于说明本专利技术，其中个方法的实施步骤等都是可以有变化的，凡是在本专利技术技术上方案的基础上进行的等同变换和改进，均不应排除在本专利技术的保护范围之外。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于示功图的抽油机井工况预测方法，其包括如下步骤：(1)采取抽油机井的示功图曲线数据，其中包括光杆悬点所承受的载荷拉力和悬点对于井口的位移；(2)将示功图曲线数据转换成图片数据集，按照抽油机井井号划分成不同的数据集组，去除奇异数据、修改误标数据，选取抽油机井时序变化图作为抽油机井工况诊断数据体；(3)使用滑动窗口方式更改数据体加强时序性；(4)将所属步骤(3)的数据体进行训练集和测试集分割，建立基于长短期记忆神经网络预测模型。(5)通过梯度下降算法不断更新模型参数直至最优，使用均方误差MSE作为模型的评价标准。2.如权利要求1中所述的基于示功图的抽油机井工况预测方法，其特征在于：所述步骤(...

【专利技术属性】
技术研发人员：刘新平，杨鹏磊，邓杰，张晓东，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：