一种基于数据驱动的抽油机量油方法及系统与流程

本发明涉及抽油机井产量计量
技术领域：
，尤指一种基于数据驱动的抽油机量油方法及系统。
背景技术：
：目前，传统测量产液量的计量模式为小站计量模式，这种模式一般都采用多口油井的产量进入同一个计量站，并且共同使用一套分离计量装置。通过人工或者自动控制的方式进行选井，停留在手动操作阶段。此外，传统的小站计量模式要求配套装置多，工艺流程复杂，投资较大，不能很好适应油田数字化、信息化和自动化等方面的要求。相对小站计量模式的缺陷，传统示功图量油技术是把有杆泵抽油过程作为一个复杂的振动系统，在特定的边界条件和初始条件下，计算出对不同地面示功图激励产生的泵功图响应，然后建立数学模型，对泵示功图进行定量分，采用几何特征法和综合评判法对泵功图进行分析，计算出油井产液量。例如，现有的有效冲程法，是通过地面自动化设备采集地面载荷和地面位移，二者结合生成示功图。然后通过建立油井有杆泵抽油系统的力学数学模型(波动方程)将示功图转化为油井的泵功图，进而对原始泵功图数据点的梯度值进行计算，确定出功图的拐点，再通过同心圆或者椭圆逼近的方式来筛选出泵功图中油井的凡尔开闭点，从而得到油井柱塞的有效冲程，计算油井的产液量。现有的示功图量油技术，存在以下不足：1、现有技术多采用简化的抽油机井系统模型，产液量预测精度低，存在不小的误差，泛化能力弱。由于井下工况复杂，示功图形状各异，有效冲程法很难准确识别和计算，导致产液量的计算误差较大，计量精度和可靠性不能满足油井计量的要求。2、现有技术普遍存在成本高、计算时间长、计量应用范围有限、标准不健全、标定方法不够完善的等情况。随着时间增长，多口油井隔段时间会用量油车计量下真实数据，用真实数据把计算数据按照算法修正，不但过程繁琐而且精确度不高。与此同时，该方法计算产量只能通过专门的软件计算得到，若有效冲程法计算的误差很大，技术人员很难进行修正。因此，亟需一种能够根据抽油机井实时地面示功图快速、准确计算对应的产液量的方法。技术实现要素：为解决上述问题，本发明提出了一种基于数据驱动的抽油机量油方法及系统，通过数据驱动获得产液量预测模型，将抽油机井实时地面示功图输入至预测模型，快速计算对应的产液量，该模型无需人工定标矫正，具有高精度和泛化能力。在本发明一实施例中，提出了一种基于数据驱动的抽油机量油方法，包括：获取油田多口井的历史数据，其中包括地面示功图数据及对应的真实产液量数据；将所述地面示功图数据转换为示功图图像的数据集；将所述示功图图像的数据集划分为训练集与测试集；选择多个回归模型作为候选预测模型，利用所述训练集训练所述候选预测模型，结合所述真实产液量数据，对所述候选预测模型进行示功图到产液量的映射学习，获得抽油机井产液量预测模型；将油田抽油机井获取的实时地面示功图数据，输入至所述抽油机井产液量预测模型，计算得到对应的产液量。在本发明一实施例中，还提出了一种基于数据驱动的抽油机量油系统，包括：数据获取模块，用于获取油田多口井的历史数据，其中包括地面示功图数据及对应的真实产液量数据；数据转换模块，用于将所述地面示功图数据转换为示功图图像的数据集；数据集划分模块，用于将所述示功图图像的数据集划分为训练集与测试集；预测模型训练模块，用于选择多个回归模型作为候选预测模型，利用所述训练集训练所述候选预测模型，结合所述真实产液量数据，对所述候选预测模型进行示功图到产液量的映射学习，获得抽油机井产液量预测模型；产液量计算模块，用于将油田抽油机井获取的实时地面示功图数据，输入至所述抽油机井产液量预测模型，计算得到对应的产液量。在本发明一实施例中，还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述基于数据驱动的抽油机量油方法。在本发明一实施例中，还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行前述基于数据驱动的抽油机量油方法的计算机程序。本发明提出的基于数据驱动的抽油机量油方法及系统，能够利用大量示功图数据生成抽油机井产液量预测模型，基于该预测模型，可以准确计算实时地面示功图数据对应的产液量；该方法及系统利用的计算方式简单，只需加入真实数据训练模型，就可以自动更新参数，无需定标；另外，该方法及系统还适应一定的随机性，采用大量的数据作为训练样本，训练得到优质的模型，有效的提高了预测产液量的精确度，具有在线运算成本低、预测精度高、泛化能力强等特点。附图说明图1是本发明一实施例的基于数据驱动的抽油机量油方法流程图。图2是本发明一实施例的抽油机产液量预测流程图。图3是本发明一实施例的基于数据驱动的抽油机量油系统结构示意图。具体实施方式下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。根据本发明的实施方式，提出了一种基于数据驱动的抽油机量油方法及系统。在本文中，需要理解的是，所涉及的术语中：数据驱动(datadriver)：数据驱动是将采集数据进行信息整合和提炼，并在此基础上通过训练和拟合形成自动化预测或决策模型的方法。机器学习(machinelearningml)：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。抽油机地面示功图(indicatormap)：将抽油机井光杆悬点载荷变化所作的功和地面位移简化成封闭的几何图形，是光杆悬点载荷在动态生产过程中的直观反映。通过示功图的正确分析评价，可诊断抽油机井是否正常生产，还可以实现测量油井产液量等功能。此外，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。图1是本发明一实施例的基于数据驱动的抽油机量油方法流程图。如图1所示，该方法包括：步骤s1，获取油田多口井的历史数据。在本实施例中，由于采用的是数据驱动的机器学习方法，所以需要油田多口井的大量历史数据，其包括了地面示功图数据及对应的真实产液量。地面示功图反映抽油机悬点载荷随其位移变化规律，它是示功仪测取的封闭曲线，由内的地面载荷和地面位移的序列组成。由于历史标准未统一，油井序列点的数量可能存在不一致的情况，因此，要对示功图数据进行处理，处理过程如步骤s2-步骤s5所述。步骤s2，对所述地面示功图数据进行清洗，主要包括清除重复和异常样本。步骤s3，生成示功图图像的数据集。不同抽油机井设备内的数据序列点数量存在差异，为了兼容各种类型的抽油机井，需要转换成与序列点数量无关的示功图图像。由于产液量不但与功图形状有关，还与功图各点的取值有关，因此在图像转换过程中，需采用统一值域，避免重要信息丢失。因此，在本实施例的图像转换过程中，采用统一值域，以地面位移为x轴，以地面载荷为y轴，使连接功图序列点形成封闭曲线，将清洗后的所述地面示功图数据转换成与序列点数量无关的示功图图像的数据集。步骤s4，图像压缩。在本实施例中，由于生成的示功图对应的像素矩阵数据维度较大，为了降低存储和计算成本，需要进行图像压缩，再转换为像素矩阵数据。步骤s5，对所述示功图图像的数据集进行划分，按照一定比例划分为训练集与测试集；划分比例可以根据实际情况进行调整，例如5:1。步骤s6，学习模型的构建。利用训练集训练候选预测模型，结合所述真实产液量数据，对候选预测模型进行示功图到产液量的映射学习，获得已训练的预测模型；在本实施例中，由于采用的数据集是带有标签的数据集，待预测量(产液量)为连续变量，所以需选择多个回归模型作为候选预测模型。回归模型可以是线性回归、决策树、随机森林、k最近邻回归(knn)或支持向量机等，本申请并不对此进行严格限定，候选预测模型选用哪些回归模型，可以根据实际情况而定。为了避免过拟合现象，可以采用交叉验证方法对所述训练集进行k-folds分割，每轮学习都用k-1folds训练集分别对所述候选预测模型进行示功图到产液量的映射学习；利用1fold验证集对训练得到的候选预测模型进行性能评价并进行超参数调参；经过多轮学习后，获得多个完成调参的已训练的预测模型。在本实施例中，性能评价指标可以采用相对误差或校正决定系数等指标。校正决定系数的计算公式如下：其中，r2_adjusted为校正决定系数，r2为决定系数，r为相关系数，n为样本数量，p为特征数量。相对误差计算方法如下：δ＝x-l；δ为相对误差，δ为绝对误差，l为真值，x为测量值。步骤s7，利用所述测试集测试所述已训练的预测模型，获得测试结果。该步骤中，可以采用与上一步相同的性能评价指标进行性能评价。步骤s8，根据步骤s7得到的测试结果评判是否达到应用要求，如果满足应用要求，执行步骤s9，如果不满足应用要求，返回步骤s2，重新进行候选预测模型的训练。步骤s9，如果满足应用要求，选择所述测试结果最优的已训练的预测模型作为抽油机井产液量预测模型，以此就可以实现根据地面示功图预测对应产液量。步骤s10，将油田抽油机井获取的实时地面示功图数据，输入至所述抽油机井产液量预测模型，计算得到对应的产液量。参考图2所示，在一实施例中，抽油机井产液量预测模型201可以部署在远离油田现场的服务器202，采用自动化采集和物联网系统获取前端油田抽油机井203的实时地面示功图数据204，再基于网络传输到服务器202的抽油机井产液量预测模型201，计算得到对应的产液量205，并通过gui界面显示给用户。基于同一发明构思，本发明还提出了一种基于数据驱动的抽油机量油系统，如图3所示，包括：数据获取模块100，用于获取油田多口井的历史数据，其中包括地面示功图数据及对应的真实产液量数据；数据转换模块200，用于将所述地面示功图数据转换为示功图图像的数据集；数据集划分模块300，用于将所述示功图图像的数据集划分为训练集与测试集；预测模型训练模块400，用于选择多个回归模型作为候选预测模型，利用所述训练集训练所述候选预测模型，结合所述真实产液量数据，对所述候选预测模型进行示功图到产液量的映射学习，获得抽油机井产液量预测模型；产液量计算模块500，用于将油田抽油机井获取的实时地面示功图数据，输入至所述抽油机井产液量预测模型，计算得到对应的产液量。基于同一发明构思，本发明还提出了种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于数据驱动的抽油机量油方法。基于同一发明构思，本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行基于数据驱动的抽油机量油方法的计算机程序。上述模块涉及的具体执行过程、算法可以参考前述方法部分的叙述，此处不再赘述。为了对上述基于数据驱动的抽油机量油方法及系统进行更为清楚的解释，下面结合一个具体的实施例来进行说明，然而值得注意的是该实施例仅是为了更好地说明本发明，并不构成对本发明不当的限定。以某地区的一油田为例，该油田有多口井。首先，通过数据采集，获得15570个地面示功图样本数据。利用本发明提出的基于数据驱动的抽油机量油方法，进行抽油机井产液量预测模型建模。设定示功图图像横坐标x的值域为[0,10]，纵坐标y的值域为[0,50]，经图像压缩后转成224*224的像素矩阵。训练集和测试集按5：1的比例进行划分，并对训练集采用10folds分割。候选预测模型选用线性回归、决策树、随机森林、k最近邻回归、支持向量机五种回归模型，采用相对误差和校正决定系数作为评价指标，得到测试结果如表1所示。表1抽油机快速智能量油模型测试结果名称相对误差决定系数线性回归模型0.470.39决策树模型0.130.88随机森林模型0.0560.95k最近邻回归模型0.0210.98支持向量机0.6930.05根据表1的测试结果，k最近邻回归模型具有最小相对误差0.021，且决定系数高达0.98，性能最优，可选为抽油机井产液量预测模型。当需要进行产液量预测时，将油田抽油机井获取的实时地面示功图数据，输入至所述抽油机井产液量预测模型，计算得到对应的产液量。本发明提出的基于数据驱动的抽油机量油方法及系统，能够利用大量示功图数据生成抽油机井产液量预测模型，基于该预测模型，可以准确计算实时地面示功图数据对应的产液量；该方法及系统利用的计算方式简单，只需加入真实数据训练模型，就可以自动更新参数，无需定标；另外，该方法及系统还适应一定的随机性，采用大量的数据作为训练样本，训练得到优质的模型，有效的提高了预测产液量的精确度，具有在线运算成本低、预测精度高、泛化能力强等特点。以上所述的具体实施例，对本发明目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12