基于油氣生產(chǎn)信息化的工況智能診斷技術(shù)研究

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(biāo)[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(biāo)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(biāo)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(biāo)，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(biāo)A，本文將A大于0.3或小于-0.3認(rèn)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(biāo)A分類標(biāo)準(zhǔn)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(biāo)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(biāo)中重新形成新的閉合曲線O。

在歸一化坐標(biāo)系中等距設(shè)立441個坐標(biāo)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(biāo)點的被覆蓋情況，位于新的閉合曲線O內(nèi)部的坐標(biāo)點賦值N為1，新的閉合曲線O外部的坐標(biāo)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(biāo)中不相重合的同一工況的示功圖基本覆蓋了相同的坐標(biāo)點。相同類型的工況功圖所覆蓋的等距坐標(biāo)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。