基于油氣生產信息化的工況智能診斷技術研究

張 繼 慶

(石油開發中心有限公司，山東 東營 257000)

石油開發中心有限公司已基本完成了“四化”建設。按照數字化生產現場目前的業務需求，通過系統建設，實現了生產參數的實時采集與存儲，為工況的智能診斷提供了數據基礎。本文利用數據挖掘、歸一化處理和構建BP神經網絡的方法來實現，油氣生產信息化條件下的工況智能診斷。

1 工況數據挖掘

數據挖掘技術是數據庫知識發現的一個步驟，數據挖掘是指通過特定的算法搜索海量數據中所隱藏信息的過程。數據挖掘通過數據庫技術、統計分析技術、情報分析技術、機器學習技術等諸多方法來實現目標[1,2]。

在油氣生產中大量生產參數存在相關性，但這些相關關系相對隱蔽，通過經驗或常規相關性分析難以發現，因而需要借助數據挖掘技術進行進一步分析。

1.1 數據關聯分析

關聯分析就是發現海量數據的數據關聯性或相關性，生產參數根據采集頻率分類，可分為日數據、半小時數據和分鐘數據，見表1。

表1 生產參數表

但并非所有數據都與工況變化存在關聯，因而需要對這些參數進行數據挖掘，在數據挖掘之前需要進行關聯分析，對數據進行分類處理。

本文根據經驗，總結了與工況存在關聯性的參數如表2所示。

表2 工況相關生產參數表

由于最大載荷、最小載荷、功圖面積都在示功圖中體現，下文數據挖掘中不單獨分析。

1.2 數據挖掘方法

參數與工況的改變是同時發生的，研究的依據是進行輔助參數的與工況之間相關性的分析并通過參數變化趨勢與工況的變化來判斷工況與參數之間的關聯性。首先通過對數據庫油井對應工況的標記，獲得油井在某一時刻、某一天的工況類型，如正常、供液不足、油稠緩下、出砂的標記。第二，比對不同參數在工況變化時的變化情況，通過對線性數據的變化進行歸一化處理，得到參數變化的幅度指標，并判斷參數變化與工況之間是否存在聯系[3]。

在t時刻或t日期前的T時間內該參數存在最大值M1與最小值M2，工況變化前后的參數值為m1(后)和m2(前)，M1與M2的差值為ΔM，m1和m2的值為Δm，Δm/ΔM為變化的幅度指標A，本文將A大于0.3或小于-0.3認為是有效關聯變化。

變化分類設置三種：基本不變、上升、降低(見表3)。

表3 指標A分類標準表

1.3 數據挖掘應用

參數在采集與存儲過程中由于頻度的不同，與工況的相關性也需要區別分析，本文分別對日數據、半小時數據及分鐘級數據進行相關性分析。

其中，日數據取泵徑、日產油量、日產液量、含水率、日耗電量、桿徑、沉沒度，對于日度數據，T取15 d，即15個數據點。將選取的石油開發中心336口抽油機井2年的歷史數據進行運算分析可以得到正常工況與異常工況對比，占比最多的參數變化情況[4,5]。半小時數據是與功圖相關的數據，半小時數據取平衡率、上行電流、下行電流、上行功率、下行功率，其中T取7.5 h，即15個數據點。分鐘級數據取溫度、回壓，T取15 min，即15個數據點。

通過對上述分析可以看出，平衡率、上行功率、下行功率三個參數與工況的相關性弱于上行電流、下行電流與工況的相關性，進一步分析可得到參數與工況的關聯關系，見表4。

所得關聯關系即可用于與傳統經驗進行對比，并補充完善到傳統知識體系中去，同時總結出的強相關參數可以作為智能工況診斷的訓練參數。

2 基于BP仿真模型的智能診斷

本文就基于大數據進行參數模擬及預測，通常情況下需要油氣生產系統參數的數學模型作為優化的函數基礎，由于部分關聯數據之間存在非線性關系，故選擇使用大數據訓練BP神經網絡，并使用BP仿真模型代替數學模型[6]。

表4 強相關參數變化與工況對比表

2.1 BP神經網絡基本理論

人工神經網絡是人類在對自身大腦研究的基礎上，使用計算機技術對自身大腦神經結構和運行方式的模擬。基于此方法構造出大量以神經元為單位且相互連接的非線性網絡，此網絡具有極強的仿真模擬功能，目前在仿真模擬方面較為可靠的網絡是BP網絡。

BP神經網絡意為前反饋型神經網絡結構，由輸入輸出層以及隱層構成[7]，其中具有一個隱層的BP神經網絡應用最多，神經網絡中的同一層之間的神經元之間不連接而層與層之間的神經元相互連接，如圖1所示。網絡學習訓練過程可劃分成正向傳播和反向傳播過程兩個部分，經過正向和反向傳播過程多次反復傳播直至誤差函數達到最小值或者計算次數達到設定的最大次數為止，這樣經過反復訓練過的神經網絡就成為具有特定功能的網絡模型[8]。

2.2 BP神經網絡模型建立

通過數據挖掘確定6個與工況強相關的參數，并與示功圖一同用于工況診斷模型的訓練中。首先進行數據歸一化處理，將功圖數據200個點進行橫縱坐標的分解，分別獲取最大值和最小值，最小值加最大值為上限值，0為下限值。所有數值除以上限值并乘以100，得到歸一化數值l和f，歸一化數值在歸一化坐標中重新形成新的閉合曲線O。

在歸一化坐標系中等距設立441個坐標點，并以(0,0)—(20，20)分別命名，通過程序比對，計算出各等距坐標點的被覆蓋情況，位于新的閉合曲線O內部的坐標點賦值N為1，新的閉合曲線O外部的坐標點賦值N為0。此時功圖歸一化完成。

通過歸一化處理，分屬兩井的兩個在原坐標中不相重合的同一工況的示功圖基本覆蓋了相同的坐標點。相同類型的工況功圖所覆蓋的等距坐標點具有良好的相似性(見圖2～圖5)。

在本文的工況診斷模型中，油井工況類型X，其主要關聯因素有功圖覆蓋點數據N、油井產液量Q、耗電量E、上行電流IS、下行電流IX、溫度T、回壓Ph。將選取的石油開發中心336口抽油機井2年的歷史數據中的5萬組數據對工況診斷神經網絡進行訓練，經過正向和反向傳播過程多次反復傳播，直至誤差函數達到最小值或者計算次數達到設定的最大次數為止。經過多次訓練，選取收斂效果好且誤差較小的網絡，作為工況模擬網絡模型(見圖6)。

在BP模型建成之后，選取3 000組未參與訓練的數據來檢驗神經網絡的精度，結果顯示通過BP模型診斷的總體正確率為96.6%，其他各項正確率均在90%以上，只有結蠟診斷正確率為73.3%，其他各項工況預測均在90%以上，見表5。而結蠟診斷正確率低的原因在于結蠟現象的外部表現較為隱蔽，傳統判斷方式是難以判斷的。綜上所述，工況診斷BP模型誤差較小，可用于實際生產中輔助決策。

表5 工況診斷BP模型精度分析表

3 結語

本文通過數據挖掘方法對影響工況的諸多參數進行分析，確定與工況有強相關關聯的生產參數，并對示功圖進行了歸一化處理。將示功圖數據與強相關參數數據用于訓練工況診斷BP神經網絡，得到了工況診斷BP神經網絡。該網絡的診斷正確率達到96.6%，工況診斷誤差較小，可用于實際生產中輔助決策。