CN108386182A - 一种基于spc控制图和加权决策树的油井生产异常预警方法 - Google Patents

Abstract

本发明公开了一种基于SPC控制图和加权决策树的油井生产异常预警方法。根据油井生产时的回压、油压、套压、折算日产液量、含水率、井口气油比、泵电流、泵入口压力、泵出口压力、泵马达温度、泵入口温度、泵震动(加速度)VIB、泵漏电电流、估算产液指数等14项生产参数进行分析，当油井未处在间歇性生产阶段时，即可应用基于生产现场情况优化后的SPC控制图，建立针对单一参数的监控模型进行诊断，识别参数的运行状态(参数的数据来源可以是实时数据或日度数据)，同时基于油井生产历史提出一种决策树模型，利用对单一参数的变化规律分析，针对每个故障进行组合参数状态的加权匹配，当匹配的参数状态权值高于预定阈值时，就认为故障预警成立。

Description

一种基于SPC控制图和加权决策树的油井生产异常预警方法

技术领域

本发明涉及油井生产参数及故障预警技术领域，尤其涉及一种基于SPC控制图和加权决策树的油井生产异常预警方法。

背景技术

目前针对海上油气田开发井生产参数的预警，往往是基于参数的上下限阈值进行的。当开发井的参数超出了某一范围，预警机制即被触发。但是，这类方法也存在明显的不足：首先，实践中上下限阈值的设置往往没有单独针对每一口开发井来进行，而实际上基于地质油藏条件、生产方式、所处生产阶段等因素的不同，不同开发井定位异常的上下限阈值也是各不相同的，因此统一的上下限阈值设置较为容易出现误报或者漏报的现象。其次，即便我们针对每一口井的每一个生产阶段设置了合适的阈值，由于这类方法本身的缺陷，仍然无法识别出很多参数异常，例如参数在上下限范围内的大幅度波动，往往意味着生产的异常甚至是存在潜在的故障，但是由于参数本身没有超出阈值范围，因而是不会有预警发生的。

发明内容

本发明提供了一种基于SPC控制图和加权决策树的油井生产异常预警方法，创新性的对SPC约定状态准则进行了优化，基于海上油井生产现状制定了诸多关键的油井异常判定规则和算法，对及时发现油井生产异常情况起到了重要作用。

为解决上述技术问题，本申请实施例提供了一种基于SPC控制图和加权决策树的油井生产异常预警方法，包括以下步骤：

S1、首先要排除其他客观因素引发的数据异常，需要满足以下条件：

(1)油井生产参数处于同一生产管理周期；

(2)同工同层，即指油井在相同的工作制度、相同的生产层位下生产；

(3)油井未处在间歇性生产阶段；

S2、单一参数在通过单参数问题诊断后，可以判断状态是否异常，若状态异常则记录诊断的结果，若状态正常则不记录诊断结果并结束本次诊断；

S3、单一参数问题诊断的步骤如下：

第一步，单参数通过加工转换成监控因子；监控因子是由参数经过一次或者多次加工而来的，是一个间接计算的数据，单参数的数据来源有两种可能：一种是实时数据，一种是日度数据，其中实时数据是以即时为分析尺度的，对应的监控因子个数为1个；实时数据以实时阶段时间(跨度上限为x小时)为分析尺度的，对应的监控因子为n个监控因子，n≤(x/取样间隔)，日度数据是以1天为分析尺度的，对应的监控因子个数为1个；日度数据以阶段时间(跨度上限为y天或n个数据)为尺度的，跨度上限为y天的对应n个监控因子，n≤y，跨度上限为n个数据的对应1个监控因子；

参数根据数据来源和分析需要选择适合的分析尺度进行加工处理形成监控因子；

第二步，将监控因子导入单参数状态监控模型进行监控；

第三步，监控模型对监控因子按照既定的阈值和规则进行判异，形成单参数状态结果输出；

第四步，结合建立的组合参数故障预测模型，先对其中每个单参数状态进行匹配分析，最终根据匹配结果得到模型预测结果值，若值大于0.85则认为故障可能存在，提前预警，若值大于0.92则认为故障已经发生，立即报警。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

创新性的对SPC约定状态准则进行了优化，基于海上油井生产现状制定了诸多关键的油井异常判定规则和算法，对及时发现油井生产异常情况起到了重要作用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为一个点落在UCL外的判异准则；

图2为连续7点递增的判异准则；

图3为同侧三点递增且A区有两点的判异准则；

图4为3点跨CL递增，且A区有2点的判异准则。

具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

本实施例所述的一种基于SPC控制图和加权决策树的油井生产异常预警方法，包括以下步骤：

S1、首先要排除其他客观因素引发的数据异常，需要满足以下条件：

(1)油井生产参数处于同一生产管理周期；

(2)同工同层，即指油井在相同的工作制度、相同的生产层位下生产；

(3)油井未处在间歇性生产阶段；

S2、单一参数在通过单参数问题诊断后，可以判断状态是否异常，若状态异常则记录诊断的结果，若状态正常则不记录诊断结果并结束本次诊断；

S3、单一参数问题诊断的步骤如下：

第一步，单参数通过加工转换成监控因子；监控因子是由参数经过一次或者多次加工而来的，是一个间接计算的数据，单参数的数据来源有两种可能：一种是实时数据，一种是日度数据，其中实时数据是以即时为分析尺度的，对应的监控因子个数为1个；实时数据以实时阶段时间(跨度上限为x小时)为分析尺度的，对应的监控因子为n个监控因子，n≤(x/取样间隔)，日度数据是以1天为分析尺度的，对应的监控因子个数为1个；日度数据以阶段时间(跨度上限为y天或n个数据)为尺度的，跨度上限为y天的对应n个监控因子，n≤y，跨度上限为n个数据的对应1个监控因子；

参数根据数据来源和分析需要选择适合的分析尺度进行加工处理形成监控因子；

第二步，将监控因子导入单参数状态监控模型进行监控；

第三步，监控模型对监控因子按照既定的阈值和规则进行判异，形成单参数状态结果输出；

第四步，结合建立的组合参数故障预测模型，先对其中每个单参数状态进行匹配分析，最终根据匹配结果得到模型预测结果值，若值大于0.85则认为故障可能存在，提前预警，若值大于0.92则认为故障已经发生，立即报警。

(1)基于SPC控制图单参数预警模型

结合海上油气田开发井生产的实际工作经验，为了更好的判别参数异常，对SPC理论准则进行了优化，具体结果如下(说明：以下除准则9是对正常状态判别外，其它皆为对异常状态的判别)：

假设监控因子为y(t)，监控时间步长为k，中心线(CL)，上控制界限(UCL)，下控制界限(LCL)，μ为CL，σ为标准差。

判别准则1：一个点落在UCL外，则其预警为上升(附图1)。

算法描述：y(t)〉UCL

判别准则2：一个点落在LCL外，则其预警为下降。

算法描述：y(t)〈LCL

判别准则3：连续7点递增(7连串)，且最后点在A区。则其预警为上升(附图2)。

算法描述：(UCL>y(t)>CL+2σ)and(

for i＝0to 6do

if(y(t-i)-y(t-i-1))>0)then ture

else false)

判别准则4：连续7点递减(7连串)，且最后点在A区。则其预警为下降。

算法描述：(LCL<y(t)<CL+2σ)and(for i＝0to 6do if(y(t-i)-y(t-i-1))<0)then ture else false)

判别准则5：连续3点递增或最后两点平稳且两点落在中心线CL同一侧的A区以内，则其预警为上升(附图3)。

算法描述：(UCL>y(t)，y(t-1)>CL+2σ)and(y(t)-y(t-1)>＝0)and(y(t-1)-y(t-2)>0)

判别准则6：连续3点递减且两点落在中心线CL同一侧的A区以内，则其预警为下降。

算法描述：(LCL<y(t)，y(t-1)<CL+2σ)and(y(t)-y(t-1)<＝0)and(y(t-1)-y(t-2)<0)

判别准则7：连续3点递增或最后两点平稳且两点落在中心线CL同一侧的A区以内，且最后一个点和第一个点至少跨越2σ，则其预警为上升(附图4)。

算法描述：(UCL>y(t)，y(t-1)>CL+2σ)and(y(t)-y(t-1)>＝0)and(y(t-1)-y(t-2)>0)and y(t-)-y(t-2)>2σ)

判别准则8：连续3点递减或最后两点平稳且两点落在中心线CL同一侧的A区以内，且最后一个点和第一个点至少跨越2σ，则其预警为下降。

算法描述：(LCL<y(t)，y(t-1)<CL+2σ)and(y(t)-y(t-1)<＝0)and(y(t-1)-y(t-2)<0)and y(t-)-y(t-2)>2σ)

判别准则9：平稳运行

自相关系数在S＝3以后基本落在2倍标准差之内接近零。则判定y(t)是平稳性的。

算法描述：

均值E(y_t)＝μ,t＝1,2…

自相关系数ACF＝r(t,s)/(σ_tσ_s)

其中r(s,t)为自协方差r(t,s)＝E((y_t-E(y_t)(y_s-E(y_s))

当S>3时ACF<2σ，则y(t)是平稳的。

判别准则10：无规律波动小幅波动

基于判别准则9，如果序列是非平稳的，则要判断其是否有周期性。

首先，把原序列{y_t}变换成

经过此变换，{y_t}与有相同的周期性与振幅。只需研究周期性即可。

其次，取出的极值点形成新的序列{Y_i}，如果，且(极大值)，或且(极小值)则取出为Y_i

下面，来判断的周期性，从而判断{y_t}的周期性。

如果，是判断相邻极值点符号异同。如果符号不相同，则判断其有周期性，则与{y_t}具有周期性。否则为无规律波动。

基于以上规则判断y(t)为无规律波动后，假设{Y_i}的容量为K，如果则序列{y_t}为无规律小幅波动。

判别准则11：无规律波动大幅波动

基于判别准则10判断y(t)为无规律波动后，假设{Y_i}的容量为K，如果则序列{y_t}为无规律大幅波动。

判别准则12：周期性小幅波动

基于判别准则10判断y(t)为周期波动后，我们判断{y_t}的振幅，假设{Y_i}的容量为K，如果则序列{y_t}为周期性小幅波动。

判别准则13：周期性大幅波动

基于判别准则10判断y(t)为周期波动后，我们判断{y_t}的振幅，假设{Y_i}的容量为K，如果则序列{y_t}为周期性大幅波动。

(2)基于加权决策树组合参数故障诊断模型

结合专家对湛江分公司电泵井常见故障组合参数的表现形式、参数状态引发故障的分类条件及各参数重要性占比的统计分析，建立一种基于加权决策树的故障预测模型：

上式中：f_i为第i个参数状态权值；a_i为权值系数，值为0或1，基于前述SPC控制图单参数预警模型，若第i个参数状态判异成立，则a_i为1，否则a_i为0；n为与故障相关单参数状态的总个数。

根据建立的组合参数故障预测模型，先对其中每个单参数状态进行匹配分析，最终根据匹配结果得到模型预测结果值，若值大于0.85则认为故障可能存在，提前预警，若值大于0.92则认为故障已经发生，立即报警。

备注：供液不足、管柱漏失分别有两条决策树，因折算日产液为测试数据，不是日度数据，对无工况仪的井以折算日产液是否下降为出发点设计，对有工况仪的井，更多考虑其生产参数。

对于实际的生产参数而言，为了对其进行预警，必须针对具体参数确定其分析尺度和阈值。以油压参数为例：油压参数的数据来源为两种，一种是实时数据，一种是日度数据。其中实时数据的分析尺度为：即时、实时阶段时间(跨度上限为12小时)，日度数据的分析尺度为：1天、阶段时间(跨度上限为10天)，如表1。

表1加工方法设置

实时数据以即时为分析尺度的，监控因子为实时油压单值；实时数据以实时阶段时间(跨度上限为12小时)为分析尺度的，监控因子为阶段实时油压均值；日度数据以1天为分析尺度的，监控因子为日度油压单值；日度数据以阶段时间(跨度上限为10天)

为分析尺度的，监控因子为阶段日度油压均值(默认值3天)。

表2单参数监控模型设置

针对该参数阈值的设置方法为：

方法一：ucl＝cl*120％；lcl＝cl*80％

方法二：ucl＝xMpa；lcl＝yMpa

(x、y为定值，可根据实际情况由现场管理人员设定)

针对该参数选取的判断准则为：

判别准则1、判别准则3、判别准则5、判别准则7、判别准则2、判别准则4、判别准则6、判别准则8、判别准则10、判别准则11、判别准则12、判别准则13。

当符合上述准则1、3、5、7则预警为上升；符合上述准则2、4、6、8则预警为下降；符合10则预警为无规律波动小幅波动；符合11则预警为无规律波动大幅波动；符合12则预警为周期性小幅波动；符合13则预警为周期性大幅波动。

通过对单一生产参数的预警模型进行设置，我们可以对该参数进行分析，判别在观察时间窗内该参数所处的状态，并决定是否进行预警。同时，根据总结故障组合参数变化规律建立起的加权决策树故障预测模型，先逐一判断单一参数状态是否满足，若满足则其权值系数为1，否则为0，最终得到模型预测结果值。若值大于0.85则认为故障可能存在，提前预警，若值大于0.92则认为故障已经发生，立即报警。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (1)

1.一种基于SPC控制图和加权决策树的油井生产异常预警方法，其特征在于：包括以下步骤：

S1、首先要排除其他客观因素引发的数据异常，需要满足以下条件：

(1)油井生产参数处于同一生产管理周期；

(2)同工同层，即指油井在相同的工作制度、相同的生产层位下生产；

(3)油井未处在间歇性生产阶段；

S2、单一参数在通过单参数问题诊断后，可以判断状态是否异常，若状态异常则记录诊断的结果，若状态正常则不记录诊断结果并结束本次诊断；

S3、单一参数问题诊断的步骤如下：

第一步，单参数通过加工转换成监控因子；监控因子是由参数经过一次或者多次加工而来的，是一个间接计算的数据，单参数的数据来源有两种可能：一种是实时数据，一种是日度数据，其中实时数据是以即时为分析尺度的，对应的监控因子个数为1个；实时数据以实时阶段时间(跨度上限为x小时)为分析尺度的，对应的监控因子为n个监控因子，n≤(x/取样间隔)，日度数据是以1天为分析尺度的，对应的监控因子个数为1个；日度数据以阶段时间(跨度上限为y天或n个数据)为尺度的，跨度上限为y天的对应n个监控因子，n≤y，跨度上限为n个数据的对应1个监控因子；

参数根据数据来源和分析需要选择适合的分析尺度进行加工处理形成监控因子；

第二步，将监控因子导入单参数状态监控模型进行监控；

第三步，监控模型对监控因子按照既定的阈值和规则进行判异，形成单参数状态结果输出；

第四步，结合建立的组合参数故障预测模型，先对其中每个单参数状态进行匹配分析，最终根据匹配结果得到模型预测结果值，若值大于0.85则认为故障可能存在，提前预警，若值大于0.92则认为故障已经发生，立即报警。