CN106066845B - 一种抽油机示功图的学习估计方法 - Google Patents

Abstract

本发明公开了一种抽油机示功图的学习估计方法，包括如下步骤：步骤S1、对原始的数据记录进行预处理，使之完整可用；步骤S2、对预处理过的数据记录进行规整化，使每条数据记录映射到统一的位移序列上，所述位移是抽油机的位移；步骤S3、利用规整后的数据记录计算特征系数α(s)，该特征系数表示抽油机载荷变化对电动机功率变化的影响因子，s表示抽油机光杆的位移；步骤S4、利用学习得到的特征系数α(s)对待估计的抽油机示功图数据进行估计。本发明具有学习参数少、处理的时空开销小、鲁棒性、准确度高的优点。

Description

一种抽油机示功图的学习估计方法

技术领域

本发明涉及数据挖掘领域，特别是一种抽油机示功图的学习估计方法。

背景技术

在油井的工作和管理过程中，工作人员需要及时了解抽油机的动态参数，分析抽油机工况和井下石油状态等各种信息。这些措施对于确认油井是否工作正常以及异常状况的排查和解决都至关重要，是保障抽油效率和维护油井安全的必要手段。

抽油机示功图是抽油机光杆载荷与位移的关系曲线，其形貌在不同的条件下表现出不同的特征，能够准确反映出抽油系统的工作状况，分析抽油机示功图已经成为油井工况诊断的重要和主要方法。所以，在实际工作中，我们需要实时、准确、快速地得到抽油机的示功图。

但是，直接采用测力传感器测量载荷并不是一个行之有效的方法，这种技术存在以下缺陷：一方面，由于测力传感器一直处于交变载荷的拉伸过程中，本身需要长时间承受巨大拉力，其弹性系数很容易发生变化，从而影响传感器的测量准确度，加速失效，导致传感器使用寿命短，难以做到长期有效的监测；另一方面，传感器需要安装在抽油机的机架和光杆上，并通过较长距离的引线与主控仪表相连，拆卸和安装复杂不便，维护起来工作量大，成本高，而且容易发生人为破坏和盗窃的情况，导致系统稳定性和可靠性下降。

鉴于上述情况，一些间接测量示功图的方法被提出来，如构建神经网络进行模拟学习、对抽油机机械结构进行受力分析求解方程、通过能量守恒进行功率转化等等。这些方法首先建立数学模型来描述包括载荷值在内的一些抽油机工作参数之间的关系，然后通过一些易于测量的参数(如抽油机光杆位移、机械结构参数、电动机实时功率等)来推算示功图。这些方法虽然在一定程度上能够近似得到抽油机示功图，但仍存在以下几点不足：

第一，建立的模型不够合理。要不过于笼统，没有抓住抽油机系统的特点；要不过于复杂，有大量参数需要测量和学习。

第二，部分步骤计算复杂。一方面导致时空开销较大，另一方面也容易出现奇点。

第三，结果准确度有待提高。间接计算得到的示功图与实际测量值不能很好地吻合，导致其实际应用的前景和意义受限。

发明内容

(一)要解决的技术问题

本发明的目的在于，提供一种抽油机示功图的学习估计方法，具有简单、快速和准确的优点。

(二)技术方案

(三)有益效果

1、建立的模型一方面抓住了抽油机在机械结构和工作原理上的特点，具有很强的普适性；另一方面简单可行，需要学习的参数少。

2、建立了简单的学习和估计公式，易于计算，减小了处理所需的时空开销。

3、鲁棒性强，能够通过增大学习数据量来弥补测量误差，一定程度上放宽了对学习数据测量精度的要求。

4、计算结果准确度高，与实际测量的抽油机示功图能够较好地吻合，有很强的应用前景和价值。

附图说明

为进一步说明本发明的技术内容，以下结合附图及实施案例对本发明详细说明如后，其中：

图1为本发明提供的一种抽油机示功图的学习估计方法的理论框架结构；

图2为本发明提供的一种抽油机示功图的学习估计方法所包含的具体实施算法的实施步骤；

图3A～图3D分别为本发明实施例的实验结果图，其中虚线表示估计曲线，实线表示实测曲线，图3A、图3B、图3C、图3D分别对应四组实验。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

如图1所示，本发明提供一种抽油机示功图的学习估计方法，其理论框架包括三个部分：

一为本发明的理论模型，即抽油机在保持冲程和冲次基本不变的工作过程中，在相同的位移处其机械本身的某些状态应保持一致，如悬点速度，平衡块、连杆、游梁等贡献的机械功率，机械传动过程中的功率损耗以及电动机的效率等。

该模型基于对抽油机工作原理和机械结构的深入分析，简单明了地概括了抽油机系统的工作特点以及相关工作参数之间的关系，具有很强的普适性，为整个方法的快捷、准确打下了理论基础。

二为本发明的一组学习和估计公式，具体推导过程如下：

考虑冲程和冲次不变的任意两次抽油过程(分别以下标i和j标示)，对于任意特定的位移s处(分上下冲程)，根据能量守恒定律有：

f_i(s)·v_i(s)-p_i(s)·η_i(s)＝p_m_i(s)-p_w_i(s)

f_j(s)·v_j(s)-p_j(s)·η_j(s)＝p_m_j(s)-p_w_j(s)

其中：f为载荷，v为悬点速度，η为电机效率，p为电机实测功率，p_m为抽油机本身贡献的机械功率，p_w为机械传动过程中的功率损耗。

根据理论模型的条件有：

v_i(s)＝v_j(s)＝v(s)

η_i(s)＝η_i(s)＝η(s)

p_m_i(s)-p_w_i(s)＝p_m_j(s)-p_w_j(s)

代入可得：

f_i(s)·v(s)-p_i(s)·η(s)＝f_j(s)·v(s)-p_j(s)·η(s)

令：

则有：

f_i(s)＝f_j(s)+(p_i(s)-p_j(s))·α(s)

三为本发明的具体实施算法。

图2为本发明提出的抽油机示功图的学习估计方法的流程图。如图2所示，该方法包括如下步骤：

步骤S1、对原始的数据记录进行预处理，使之完整可用。

原始的数据记录是由传感器直接实时测量的记录，考虑到传感器的工作稳定性以及测量环境波动的干扰，需要先对原始的数据记录进行预处理，提高数据质量和可靠性，具体步骤如下：

步骤S11、去除原始的数据记录中的无效数据。

原始的数据记录中的每条记录都是由抽油机一个工作冲程中位移、载荷、电机功率等一系列测量值构成的，其采样频率通过设置测量时间步长来控制，对于某些测量数据缺失或者测量值异常的记录，予以剔除，从而筛选出合格可用的数据记录。

步骤S12、对过采样的数据记录进行等间隔抽取。

对于每条数据记录，如果采样频率过高而传感器精度匹配不上，数据会出现过采样的问题，这样的记录无法直接用来计算，需要进行等间隔抽取，隔几个时间点选择一个时间点的测量数据作为有效数据，其余舍去，变相降低采样频率，其中抽取间隔作为算法的输入参数可以根据实际需要调节；

步骤S2、对预处理过的数据记录进行规整化，使每条数据记录映射到统一的位移序列上，所述位移是抽油机光杆的位移。

对于整个抽油机系统来说，位移是唯一的自变量，但由于实际测量中无法精确控制位移变化，只能以时间上的等间隔来进行数据采样，这就导致每条数据记录的位移测量值不能保持完全一致，需要进行规整化，即将每条记录映射到统一的位移序列上，具体步骤如下：

步骤S21、对数据记录中的位移值进行统计，确定位移的变化范围。

步骤S22、确定位移扫描步长，并根据位移的变化范围求得一组统一的位移序列。

该步骤可由精度需求确定相应的位移扫描步长。位移扫描步长是指位移序列中相邻两个位移值之间的间隔。由于每条数据记录对应的工况和采样时序都不太相同，所以其位移序列并非完全一致，需要确定一个统一标准的位移序列，并在此基础上对多条数据记录进行处理计算。

步骤S23、对每条数据记录，求出在位移序列中每个位移点处对应的抽油机的载荷值和功率值，得到规整化数据记录。

该步骤对于每一条待规整的数据记录，可利用线性插值的方法求出在位移序列中每个位移点处对应的载荷值和功率值。

步骤S3、利用规整后的数据记录计算特征系数α(s)，该特征系数表示抽油机载荷变化对电动机功率变化的影响因子，s表示抽油机光杆的位移。

本发明提出的计算公式如下：

其中s是遍历步骤S2中所确定的位移序列，下标i和j用以标示编号为1～n的n条用来学习的数据记录，f_i(s)表示第i条数据记录中位移为s时的抽油机载荷、f_j(s)表示第j条数据记录中位移为s时的抽油机载荷，p_i(s)表示第i条数据记录中位移为s时的电动机功率、p_j(s)表示第j条数据记录中位移为s时的电动机功率，Δp为正值且作为参数可调。

步骤S4、利用学习得到的特征系数α(s)对待估计的抽油机示功图数据进行估计。

该步骤可包括如下细步骤：

步骤S41、按照步骤S2确定的位移序列对抽油机示功图的待估数据的功率值进行规整化，用P_est(s)表示；

步骤S42、估计待估数据对应的载荷值f_est(s)，计算公式如下：

其中n是用来学习的数据记录的总条数，下标i标示编号为i的第i条数据记录，f_i(s)表示第i条数据记录中位移为s时的抽油机载荷，p_i(s)表示第i条数据记录中位移为s时的电动机功率；

步骤S43、作f_est(s)随s变化的折线图，此即为估计所得的抽油机示功图。

实施例

为了验证本发明一种抽油机示功图的学习估计方法的功效，进行如下实验：

随机选取了编号为HD91334、HD91353、HD91354和HD91409的4口油井的抽油机测量数据进行实验，构成4组实验样本数据，其中每组样本数据都选择前50条数据记录作为学习数据，第100条数据记录作为测试数据。

实验结果如图3所示，其中虚线表示估计曲线，实线表示实测曲线。从图中可以看出，4组实验对应的示功图曲线虽然形貌各异，但估计曲线均能很好地贴合实测曲线。

4组实验实现的软件平台为Matlab-R2013a，硬件平台为带2.66GHz双核CPU、2G内存的PC，耗时分别为：

HD91334：0.358s；

HD91353：0.352s；

HD91354：0.359s；

HD91409：0.358s。

综上可以说明，本发明能够快速准确地对抽油机示功图进行估计。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，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。

Claims (4)

1.一种抽油机示功图的学习估计方法，其特征在于，包括如下步骤：

步骤S1、对原始的数据记录进行预处理，使之完整可用；

步骤S2、对预处理过的数据记录进行规整化，使每条数据记录映射到统一的位移序列上，所述位移是抽油机的位移；

步骤S3、利用规整后的数据记录计算特征系数α(s)，该特征系数表示抽油机载荷变化对电动机功率变化的影响因子，s表示抽油机位移，其中，

其中s是遍历步骤S2中所确定的位移序列，下标i和j用以标示编号为1～n的n条用来学习的数据记录，f_i(s)表示第i条数据记录中位移为s时的抽油机载荷、f_j(s)表示第j条数据记录中位移为s时的抽油机载荷，p_i(s)表示第i条数据记录中位移为s时的电动机功率、p_j(s)表示第j条数据记录中位移为s时的电动机功率，Δp为正值且作为参数可调；

步骤S4、利用学习得到的特征系数α(s)对待估计的抽油机示功图数据进行估计。

2.如权利要求1所述的抽油机示功图的学习估计方法，其特征在于，所述步骤S1包括：

步骤S11、去除原始的数据记录中的无效数据；

步骤S12、对过采样的数据记录进行等间隔抽取。

3.如权利要求1所述的抽油机示功图的学习估计方法，其特征在于，所述步骤S2包括：

步骤S21、对数据记录中的位移值进行统计，确定位移的变化范围；

步骤S22、确定位移扫描步长，并根据位移的变化范围求得一组统一的位移序列；

步骤S23、对每条数据记录，求出在位移序列中每个位移点处对应的抽油机的载荷值和功率值，得到规整化数据记录。

4.如权利要求1所述的抽油机示功图的学习估计方法，其特征在于，所述步骤S4包括如下细步骤：

步骤S41、按照步骤S2确定的位移序列对抽油机示功图的待估数据的功率值进行规整化，用p_est(s)表示；

步骤S42、估计待估数据对应的载荷值f_est(s)，计算公式如下：

其中n是用来学习的数据记录的总条数，下标i标示编号为i的第i条数据记录，f_i(s)表示第i条数据记录中位移为s时的抽油机载荷，p_i(s)表示第i条数据记录中位移为s时的电动机功率；

步骤S43、作f_est(s)随s变化的折线图，此即为估计所得的抽油机示功图。