張 繼 慶

(石油開發(fā)中心有限公司，山東 東營 257000)

石油開發(fā)中心有限公司已基本完成了“四化”建設(shè)。按照數(shù)字化生產(chǎn)現(xiàn)場目前的業(yè)務(wù)需求，通過系統(tǒng)建設(shè)，實現(xiàn)了生產(chǎn)參數(shù)的實時采集與存儲，為工況的智能診斷提供了數(shù)據(jù)基礎(chǔ)。本文利用數(shù)據(jù)挖掘、歸一化處理和構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的方法來實現(xiàn)，油氣生產(chǎn)信息化條件下的工況智能診斷。

1 工況數(shù)據(jù)挖掘

數(shù)據(jù)挖掘技術(shù)是數(shù)據(jù)庫知識發(fā)現(xiàn)的一個步驟，數(shù)據(jù)挖掘是指通過特定的算法搜索海量數(shù)據(jù)中所隱藏信息的過程。數(shù)據(jù)挖掘通過數(shù)據(jù)庫技術(shù)、統(tǒng)計分析技術(shù)、情報分析技術(shù)、機器學(xué)習(xí)技術(shù)等諸多方法來實現(xiàn)目標[1,2]。

在油氣生產(chǎn)中大量生產(chǎn)參數(shù)存在相關(guān)性，但這些相關(guān)關(guān)系相對隱蔽，通過經(jīng)驗或常規(guī)相關(guān)性分析難以發(fā)現(xiàn)，因而需要借助數(shù)據(jù)挖掘技術(shù)進行進一步分析。

1.1 數(shù)據(jù)關(guān)聯(lián)分析

關(guān)聯(lián)分析就是發(fā)現(xiàn)海量數(shù)據(jù)的數(shù)據(jù)關(guān)聯(lián)性或相關(guān)性，生產(chǎn)參數(shù)根據(jù)采集頻率分類，可分為日數(shù)據(jù)、半小時數(shù)據(jù)和分鐘數(shù)據(jù)，見表1。

表1 生產(chǎn)參數(shù)表

但并非所有數(shù)據(jù)都與工況變化存在關(guān)聯(lián)，因而需要對這些參數(shù)進行數(shù)據(jù)挖掘，在數(shù)據(jù)挖掘之前需要進行關(guān)聯(lián)分析，對數(shù)據(jù)進行分類處理。

本文根據(jù)經(jīng)驗，總結(jié)了與工況存在關(guān)聯(lián)性的參數(shù)如表2所示。

表2 工況相關(guān)生產(chǎn)參數(shù)表

由于最大載荷、最小載荷、功圖面積都在示功圖中體現(xiàn)，下文數(shù)據(jù)挖掘中不單獨分析。

1.2 數(shù)據(jù)挖掘方法

參數(shù)與工況的改變是同時發(fā)生的，研究的依據(jù)是進行輔助參數(shù)的與工況之間相關(guān)性的分析并通過參數(shù)變化趨勢與工況的變化來判斷工況與參數(shù)之間的關(guān)聯(lián)性。首先通過對數(shù)據(jù)庫油井對應(yīng)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(shù)在工況變化時的變化情況，通過對線性數(shù)據(jù)的變化進行歸一化處理，得到參數(shù)變化的幅度指標，并判斷參數(shù)變化與工況之間是否存在聯(lián)系[3]。

在t時刻或t日期前的T時間內(nèi)該參數(shù)存在最大值M1與最小值M2，工況變化前后的參數(shù)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(guān)聯(lián)變化。

變化分類設(shè)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(shù)據(jù)挖掘應(yīng)用

參數(shù)在采集與存儲過程中由于頻度的不同，與工況的相關(guān)性也需要區(qū)別分析，本文分別對日數(shù)據(jù)、半小時數(shù)據(jù)及分鐘級數(shù)據(jù)進行相關(guān)性分析。

其中，日數(shù)據(jù)取泵徑、日產(chǎn)油量、日產(chǎn)液量、含水率、日耗電量、桿徑、沉沒度，對于日度數(shù)據(jù)，T取15 d，即15個數(shù)據(jù)點。將選取的石油開發(fā)中心336口抽油機井2年的歷史數(shù)據(jù)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(shù)變化情況[4,5]。半小時數(shù)據(jù)是與功圖相關(guān)的數(shù)據(jù)，半小時數(shù)據(jù)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(shù)據(jù)點。分鐘級數(shù)據(jù)取溫度、回壓，T取15 min，即15個數(shù)據(jù)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(shù)與工況的相關(guān)性弱于上行電流、下行電流與工況的相關(guān)性，進一步分析可得到參數(shù)與工況的關(guān)聯(lián)關(guān)系，見表4。

所得關(guān)聯(lián)關(guān)系即可用于與傳統(tǒng)經(jīng)驗進行對比，并補充完善到傳統(tǒng)知識體系中去，同時總結(jié)出的強相關(guān)參數(shù)可以作為智能工況診斷的訓(xùn)練參數(shù)。

2 基于BP仿真模型的智能診斷

本文就基于大數(shù)據(jù)進行參數(shù)模擬及預(yù)測，通常情況下需要油氣生產(chǎn)系統(tǒng)參數(shù)的數(shù)學(xué)模型作為優(yōu)化的函數(shù)基礎(chǔ)，由于部分關(guān)聯(lián)數(shù)據(jù)之間存在非線性關(guān)系，故選擇使用大數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并使用BP仿真模型代替數(shù)學(xué)模型[6]。

表4 強相關(guān)參數(shù)變化與工況對比表

2.1 BP神經(jīng)網(wǎng)絡(luò)基本理論

人工神經(jīng)網(wǎng)絡(luò)是人類在對自身大腦研究的基礎(chǔ)上，使用計算機技術(shù)對自身大腦神經(jīng)結(jié)構(gòu)和運行方式的模擬。基于此方法構(gòu)造出大量以神經(jīng)元為單位且相互連接的非線性網(wǎng)絡(luò)，此網(wǎng)絡(luò)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(wǎng)絡(luò)是BP網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)意為前反饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，由輸入輸出層以及隱層構(gòu)成[7]，其中具有一個隱層的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用最多，神經(jīng)網(wǎng)絡(luò)中的同一層之間的神經(jīng)元之間不連接而層與層之間的神經(jīng)元相互連接，如圖1所示。網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程可劃分成正向傳播和反向傳播過程兩個部分，經(jīng)過正向和反向傳播過程多次反復(fù)傳播直至誤差函數(shù)達到最小值或者計算次數(shù)達到設(shè)定的最大次數(shù)為止，這樣經(jīng)過反復(fù)訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)就成為具有特定功能的網(wǎng)絡(luò)模型[8]。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型建立

通過數(shù)據(jù)挖掘確定6個與工況強相關(guān)的參數(shù)，并與示功圖一同用于工況診斷模型的訓(xùn)練中。首先進行數(shù)據(jù)歸一化處理，將功圖數(shù)據(jù)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(shù)值除以上限值并乘以100，得到歸一化數(shù)值l和f，歸一化數(shù)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(shè)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(nèi)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(guān)聯(lián)因素有功圖覆蓋點數(shù)據(jù)N、油井產(chǎn)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(fā)中心336口抽油機井2年的歷史數(shù)據(jù)中的5萬組數(shù)據(jù)對工況診斷神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，經(jīng)過正向和反向傳播過程多次反復(fù)傳播，直至誤差函數(shù)達到最小值或者計算次數(shù)達到設(shè)定的最大次數(shù)為止。經(jīng)過多次訓(xùn)練，選取收斂效果好且誤差較小的網(wǎng)絡(luò)，作為工況模擬網(wǎng)絡(luò)模型(見圖6)。

在BP模型建成之后，選取3 000組未參與訓(xùn)練的數(shù)據(jù)來檢驗神經(jīng)網(wǎng)絡(luò)的精度，結(jié)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(jié)蠟診斷正確率為73.3%，其他各項工況預(yù)測均在90%以上，見表5。而結(jié)蠟診斷正確率低的原因在于結(jié)蠟現(xiàn)象的外部表現(xiàn)較為隱蔽，傳統(tǒng)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(chǎn)中輔助決策。

表5 工況診斷BP模型精度分析表

3 結(jié)語

本文通過數(shù)據(jù)挖掘方法對影響工況的諸多參數(shù)進行分析，確定與工況有強相關(guān)關(guān)聯(lián)的生產(chǎn)參數(shù)，并對示功圖進行了歸一化處理。將示功圖數(shù)據(jù)與強相關(guān)參數(shù)數(shù)據(jù)用于訓(xùn)練工況診斷BP神經(jīng)網(wǎng)絡(luò)，得到了工況診斷BP神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)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(chǎn)中輔助決策。