[發明專利]一種基于深度學習的抽油機井時序示功圖預測方法

有效

• 申請號: 202111029072.5
• 申請日: 2021-09-01
• 公開（公告）號: CN113756786B
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 檀朝東;馮鋼;陳培堯;馬丹
• 申請（專利權）人: 中國石油大學（北京）;西安中控天地科技開發有限公司
• 主分類號: E21B47/008
• 分類號: E21B47/008
• 代理公司: 合肥中博知信知識產權代理有限公司 34142
• 代理人: 李金標

本發明屬于抽油機井工況智能診斷技術領域，特別涉及一種基于深度學習的抽油機井時序示功圖預測方法，所述的方法包括：(1)構建訓練數據集；(2)歸一化、插值處理；(3)第一階段：示功圖工況趨勢判別；(4)第二階段：示功圖預測；(5)第三階段：診斷、預警；本發明通過對歷史示功圖進行切片、歸一化和插值處理構建訓練數據集，應用多通道的卷積神經網絡CNN進行時序趨勢工況判別?結蠟、供液不足、氣鎖以及泵閥漏失等，應用LSTM的序列到序列模型去捕捉當前及過去一段時間示功圖的變化趨勢特征和變化速度特征，對未來一段時間的示功圖做出定量預測，使得工況預警信息更加直觀，可解釋性更強。

技術領域

本發明屬于抽油機井工況智能診斷技術領域，特別涉及一種基于深度學習的抽油機井時序示功圖預測方法。

背景技術

近年來，基于機器學習、深度學習等人工智能方法的抽油機井工況智能診斷技術得到發展并在油田現場廣泛應用。然而，工況診斷模型僅僅是對已經發生的工況做出判斷，對于某些工況，如氣鎖、嚴重供液不足以及嚴重結蠟等工況類型，被診斷程序發現時抽油機井就已經處于非正常生產狀況，長時間處于這些極其惡劣的工況對抽油機井造成極大的損害，嚴重影響產量、生產效益和經濟效益。

對抽油機井工況進行預測，及時采取措施避免惡劣工況的形成，有助于構建更加完善的抽油機井智能管理系統，保障油井生產的平穩運行。S.Liu等提出了一種桿式泵抽油機井的故障預警方法，以抽油機井14個生產參數作為特征，使用機器學習方法AdaBNet學習多個貝葉斯網絡模型，然后以不同權重組合各模型形成更加強大的增強模型抽取油井運行參數中的隱式故障信息，實現了3種典型桿式泵抽油機井機械故障的預測預警。但該方法對數據采集的范圍廣度、同步性等要求較高，數據標注工作量大，難度高，且模型的可解釋性差。時序示功圖是抽油機井工況變化結果的表征，其變化趨勢反映了油井工況演變的全部信息，以示功圖為主要特征參數的油井預測預警研究是當前的主流方向。李琨等提取示功圖的不變矩特征，由極限學習機建立混沌序列預測模型預測未來一段時間示功圖的特征值向量，再通過物元分析判別特征值向量實現故障工況預警。檀朝東等使用卷積神經網絡提取時序示功圖特征，結合油井參數基于LSTM網絡構建了結蠟程度預測模型，預警油井發生嚴重結蠟的時間。以上方法都較好的利用了時序示功圖，然而對示功圖進行特征提取總會丟失信息，以特征值作為預測輸入變量得到的結果是故障信息的隱式表達，可解釋性差。龔仁彬等基于最小二乘法支持向量機分別對示功圖250個點建立預測模型，獲得未來一段時間的示功圖變化趨勢，該方法獲得了顯式的示功圖信息，對于預測預警模型的建立更加直觀，模型的可解釋性強。然而，示功圖各鄰近測量點之間相互影響，具有強相關性，是連續變化的，而非孤立的點，單獨對每個點進行預測得到最終整個示功圖精度差，無法獲得準確的示功圖變化趨勢。

發明內容

針對現有技術中的問題，本發明的目的在于提供一種基于深度學習的抽油機井時序示功圖預測方法，解決當前的抽油機井工況預測模型及示功圖預測方法存在的可解釋性差、結果不準確的問題。

為了實現上述目的，本發明采用以下技術方案予以實現：

一種基于深度學習的抽油機井時序示功圖預測方法，所述方法包括以下步驟：

(1)構建訓練數據集：

首先對歷史示功圖切片處理，以X＝{X_T-k,……,X_T-2,X_T-1,X_T}表示時序示功圖，X_T表示T時刻示功圖數據，X_T-1表示上一時刻，k控制序列長度，X包含了輸入序列和預測序列標簽；

(2)歸一化、插值處理：