CN110276493A - 一种油井检泵周期预测方法、装置及存储介质 - Google Patents
一种油井检泵周期预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110276493A CN110276493A CN201910557724.9A CN201910557724A CN110276493A CN 110276493 A CN110276493 A CN 110276493A CN 201910557724 A CN201910557724 A CN 201910557724A CN 110276493 A CN110276493 A CN 110276493A
- Authority
- CN
- China
- Prior art keywords
- detection period
- oil well
- pump detection
- principal component
- well pump
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 163
- 239000003129 oil well Substances 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000000611 regression analysis Methods 0.000 claims abstract description 53
- 241001269238 Data Species 0.000 claims abstract description 23
- 238000000513 principal component analysis Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000012628 principal component regression Methods 0.000 claims description 22
- 238000007689 inspection Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000005086 pumping Methods 0.000 claims description 3
- 239000003921 oil Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 239000010779 crude oil Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本申请实施例的目的在于提供一种油井检泵周期预测方法、装置及存储介质，该方法包括获取影响油井检泵周期的样本数据集，该样本数据集包括影响油井检泵周期的多个指标数据；通过主成分分析从该样本数据集的多个指标数据中确定影响油井检泵周期的多个主成分数据；对多个主成分数据进行回归分析，获得回归分析结果；根据回归分析结果预测油井的检泵周期。
Description
技术领域
本申请涉及油井检测技术领域，具体而言，涉及一种油井检泵周期预测方法、装置及存储介质。
背景技术
目前对油井检泵周期的分析主要是对影响检泵周期因素进行单一定性研究，然后给出相应解决问题的措施。但由于检泵周期的影响因素之间不是相互独立的，大部分影响要素之间有一定的相关性，多个影响因素共同影响检泵周期，因此，目前仅对影响油井检泵周期因素进行单一定性研究存在着过于片面的问题。
发明内容
本申请实施例的目的在于提供一种油井检泵周期预测方法、装置及存储介质，用于解决仅对影响油井检泵周期因素进行单一定性研究存在的过于片面的问题。
为了实现上述目的，本申请提供了以下技术方案如下：
第一方面：本申请提供了一种油井检泵周期预测方法，所述方法包括：获取影响油井检泵周期的样本数据集，所述样本数据集包括影响油井检泵周期的多个指标数据；通过主成分分析从所述样本数据集的多个指标数据中确定影响油井检泵周期的多个主成分数据；对所述多个主成分数据进行回归分析，获得回归分析结果；根据所述回归分析结果预测油井的检泵周期。
上述方案设计的方法，通过主成分分析结合多种影响指标对油井检泵周期进行分析，解决了目前仅对影响油井检泵周期因素进行单一定性研究存在的过于片面的问题，使得对油井检泵周期的分析更加全面，另外，通过回归分析预测油井检泵周期，在油泵工作时间达到预测检泵周期之前，对该油井进行一定的关注，进而实现预测性维护，降低维护成本。
在第一方面的可选实施方式中，所述通过主成分分析从所述多个指标数据中确定影响油井检泵周期的多个主成分数据，包括：对所述样本数据集中的多个指标数据进行标准化处理；计算标准化处理后样本数据集的协方差矩阵以及所述协方差矩阵的多个特征值和相应的特征向量；根据多个特征值和相应的特征向量计算每个特征值对应的主成分累计贡献率；判断每个特征值对应的主成分累计贡献率是否超过预设范围；若是，则将超过预设范围的主成分累计贡献率对应的特征值确定为影响油井检泵周期的主成分数据。
上述方案设计的方法，通过主成分分析结合多种影响指标对油井检泵周期进行分析，解决了目前仅对影响油井检泵周期因素进行单一定性研究存在的过于片面的问题，使得对油井检泵周期的分析更加全面。
在第一方面的可选实施方式中，在所述将超过预设范围的主成分累计贡献率对应的特征值确定为影响油井检泵周期的主成分数据之后，所述方法还包括：根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式。
在第一方面的可选实施方式中，所述根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式，包括：根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式zi＝ei1X1+ei2X2+…+eimXm,i＝1,2,…,p，其中，zi表示为主成分数据，eij表示特征向量ei的第j个分量，X1,X2,…,Xm表示为影响检泵周期的指标数据。
在第一方面的可选实施方式中，所述对所述多个主成分数据进行回归分析，获得回归分析结果，包括：对所述多个主成分数据进行回归分析，获得标准化变量的回归方程；根据所述主成分参数表达式以及标准化变量的回归方程获得主成分回归方程。
在第一方面的可选实施方式中，所述对所述多个主成分数据进行回归分析，获得标准化变量的回归方程，包括：对所述多个主成分数据进行回归分析，获得标准化变量的回归方程其中，a0为标准化主成分回归方程的常数，ai为标准化主成分回归方程第i个标准化偏回归系数，表示为油井的检泵周期；所述根据所述主成分参数表达式以及标准化变量的回归方程获得主成分回归方程，包括：根据所述主成分参数表达式以及标准化变量的回归方程获得主成分回归方程其中，a′0＝a0,
在第一方面的可选实施方式中，在所述根据所述回归分析结果预测油井的检泵周期之后，所述方法还包括：根据所述回归分析结果确定所述多个主成分数据中各个主成分数据对检泵周期的影响力；根据各个主成分数据对检泵周期的影响力从所述多个主成分数据中确定影响油井检泵周期的关键因素。
上述方案设计的方法，通过主成分数据的影响确定影响油井检泵周期的关键因素，使得可以对影响油井检泵周期的关键因素进行治理改善，提高油井泵的泵效，达到延长检泵周期的效果，检泵周期的延长就可以提高油井的利用率和采油时率，降低采油的成本，提高原油生产的经济效益。
在第一方面的可选实施方式中，所述获取影响油井检泵周期的样本数据集，包括：从数据库中获取两次检泵周期之间的样本数据集。
上述方案设计的方法，获取两次检泵周期之间的样本数据集使得对检泵周期的分析更加准确。
第二方面：本申请提供一种油井检泵周期预测装置，所述装置包括：获取模块，用于获取影响油井检泵周期的样本数据集，所述样本数据集包括影响油井检泵周期的多个指标数据；确定模块，用于通过主成分分析从所述样本数据集的多个指标数据中确定影响油井检泵周期的多个主成分数据；分析模块，用于对所述多个主成分数据进行回归分析；所述获取模块，还用于在所述分析模块对所述多个主成分数据进行回归分析之后，获得回归分析结果；预测模块，用于根据所述回归分析结果预测油井的检泵周期。
上述方案设计的装置，通过主成分分析结合多种影响指标对油井检泵周期进行分析，解决了目前仅对影响油井检泵周期因素进行单一定性研究存在的过于片面的问题，使得对油井检泵周期的分析更加全面，另外，通过回归分析预测油井检泵周期，在油泵工作时间达到预测检泵周期之前，对该油井进行一定的关注，进而实现预测性维护，降低维护成本。
在第二方面的可选实施方式中，所述确定模块通过主成分分析从所述样本数据集的多个指标数据中确定影响油井检泵周期的多个主成分数据，包括：处理模块，用于对所述样本数据集中的多个指标数据进行标准化处理；计算模块，用于计算标准化处理后样本数据集的协方差矩阵以及所述协方差矩阵对应的多个特征值和每个特征值对应的特征向量；以及，根据所述多个特征值计算主成分累计贡献率；判断模块，用于判断计算得到的主成分累计贡献率是否超过预设范围；所述确定模块，用于在所述判断模块判断主成分累计贡献率超过预设范围后，根据超过预设范围的主成分累计贡献率对应的多个特征值和每个特征值对应的特征向量确定影响油井检泵周期的主成分数据。
在第二方面的可选实施方式中，所述装置还包括构建模块，用于根据超过预设范围的主成分累计贡献率对应的多个特征值和每个特征值对应的特征向量确定影响油井检泵周期的主成分数据之后，根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式。
在第二方面的可选实施方式中，所述构建模块根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式，包括：
根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式zi＝ei1X1+ei2X2+…+eimXm,i＝1,2,…,p，其中，zi表示为主成分数据，eij表示特征向量ei的第j个分量，X1,X2,…,Xm表示为影响检泵周期的指标数据。
在第二方面的可选实施方式中，所述分析模块对所述多个主成分数据进行回归分析；所述获取模块在所述分析模块对所述多个主成分数据进行回归分析之后，获得回归分析结果，包括：
对所述多个主成分数据进行回归分析，获得标准化变量的回归方程；
根据所述主成分参数表达式以及标准化变量的回归方程获得主成分回归方程。
在第二方面的可选实施方式中，所述确定模块，还用于在所述预测模块根据所述回归分析结果预测油井的检泵周期之后，根据所述回归分析结果确定所述多个主成分数据中各个主成分数据对检泵周期的影响力；以及，根据各个主成分数据对检泵周期的影响力从所述多个主成分数据中确定影响油井检泵周期的关键因素。
第三方面：本申请还提供一种电子设备，包括：处理器、与处理器连接的存储器，存储器存储有处理器可执行的机器可读存储介质，当所述计算设备运行时，处理器执行该机器可读存储介质，以执行时执行第一方面、第一方面的任一可选的实现方式中的所述方法。
第四方面：本申请提供一种非暂态计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面、第一方面的任一可选的实现方式中的所述方法。
第五方面：本申请提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行第一方面、第一方面的任一可选的实现方式中的所述方法。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例而了解。本申请的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请第一实施例提供的油井检泵周期预测方法第一流程示意图；
图2为本申请第一实施例提供的油井检泵周期预测方法第二流程示意图；
图3为本申请第一实施例提供的油井检泵周期预测方法第三流程示意图；
图4为本申请第一实施例提供的油井检泵周期预测方法第四流程示意图；
图5为本申请第一实施例提供的油井检泵周期预测方法第五流程示意图；
图6为本申请第二实施例提供的油井检泵周期预测装置结构示意图；
图7为本申请第三实施例提供的电子设备结构示意图。
具体实施方式
为了便于本领域技术人员理解，下面对本申请实施例中的词语进行解释和说明。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
第一实施例
对油井检泵周期进行检测的意义在于：油井由于结蜡、出砂、偏磨等原因导致管、杆、泵故障频率上升，造成油井产量下降，因此需要对油井进行周期性的检测，如果检泵周期短，会占用大量原油生产时间,且还将被迫投入大量的人力、物力、财力，既影响了原油生产效率，又提高了每吨油成本，因此，需要分析影响油井检泵周期的因素以及预测油井检泵周期。
如图1所示，本申请提供一种油井检泵周期预测方法，该方法包括：
步骤S100：获取影响油井检泵周期的样本数据集，该样本数据集包括影响油井检泵周期的多个指标数据。
步骤S102：通过主成分分析从该样本数据集的多个指标数据中确定影响油井检泵周期的多个主成分数据。
步骤S104：对多个主成分数据进行回归分析，获得回归分析结果。
步骤S106：根据回归分析结果预测油井的检泵周期。
在S100中该样本数据集包括影响油井检泵周期的多个指标数据，其中，多个指标数据可包括冲程、冲次、含沙量、含蜡率、油气比、矿化度、泵上最大井斜、泵深、酸碱度、井口温度、注水量等影响因素或指标数据；获取样本数据集中的影响油井检泵周期的多个指标数据可获取两次检泵周期之间的数据为样本，获取的方式可通过工作人员采集数据后进行数据的录入，也可以从井下作业系统、生产运行管理系统、功图量油自动化系统以及各类台账数据中提取与检泵周期相关的各项指标数据。
在前述的基础上，执行步骤S102，通过主成分分析从多个指标数据中确定影响油井检泵周期的多个主成分数据，其中，主成分分析(Principal components analysis，PCA)是指利用降维(线性变换)的思想，在损失很少信息的前提下把多个指标转化为几个不相关的综合指标(主成分)，即每个主成分都是原始变量的线性组合，且各个主成分之间互不相关，使得主成分比原始变量具有某些更优越的性能，从而达到简化系统结构，抓住问题实质的目的。本申请就是通过主成分分析将前述步骤S100中获取的多个指标数据转化为几个不相关的主成分，进而进行后续的处理。
在通过S102中的主成分分析确定影响油井检泵周期的多个主成分数据之后，执行步骤S104以及S106，对多个主成分数据进行回归分析，获得回归分析结果，根据回归分析结果预测油井的检泵周期。可理解为，在对主成分数据与检泵周期进行主成分回归分析后，构建检泵周期的预测模型，进而根据预测模型预测油井的检泵周期，在预测的检泵周期到达之前进行提前维护。
上述方案设计的方法，通过主成分分析结合多种影响指标对油井检泵周期进行分析，解决了目前仅对影响油井检泵周期因素进行单一定性研究存在的过于片面的问题，使得对油井检泵周期的分析更加全面，另外，通过回归分析预测油井检泵周期，在油泵工作时间达到预测检泵周期之前，对该油井进行一定的关注，进而实现预测性维护，降低维护成本。
在本实施例的可选实施方式中，如图2所示，S102中的通过主成分分析从多个指标数据中确定影响油井检泵周期的多个主成分数据，包括：
步骤S1020：对该样本数据集中的多个指标数据进行标准化处理。
步骤S1022：计算标准化处理后样本数据集的协方差矩阵以及协方差矩阵对应的多个特征值和每个特征值对应的特征向量。
步骤S1024：根据多个特征值计算主成分累计贡献率。
步骤S1026：判断主成分累计贡献率是否超过预设范围；若是，则转到步骤S1028。
步骤S1028：根据超过预设范围的主成分累计贡献率对应的多个特征值和每个特征值对应的特征向量确定影响油井检泵周期的主成分数据。
对于步骤S1020对该样本数据集中的多个指标数据进行标准化处理，其具体可为：设该样本数据集构成的矩阵为D＝{xij}，其中，i＝1,2,…,n；j＝1,2,…,m；对第i列求平均值以及标准差s，然后对于第i列的每一个数据减去列均值，然后再除以列标准差，即记标准化的矩阵为后续步骤S1022～步骤S1024的计算过程均在上进行。
对于步骤S1022中的计算标准化处理后样本数据集的协方差矩阵，其具体可为：计算的协方差矩阵为
其中，rij(i,j＝1,2,…,m)为Xi(标准化后的列)与Xj的相关系数，rij＝rji，其计算公式为：
对于步骤S1022中的协方差矩阵对应的多个特征值和每个特征值对应的特征向量，其具体可为：
解特征方程|λI-R|＝0,得到多个特征值λi，并使其按大小顺序排列λ1≥λ2≥…≥λm
分别求出对应于特征值λi的特征向量ei(i＝1,2,…,m)，要求||ei||＝1，即其中eij表示向量ei的第j个分量。
对于步骤S1024中的根据多个特征值计算主成分累计贡献率，其具体可为：
其中，G为主成分累计贡献率；m为特征值的个数。
在前述的基础上执行步骤S1026判断主成分累计贡献率是否超过预设范围，其具体可为：判断主成分累计贡献率G是否超过预设范围，一般累计贡献率的预设范围为85-95％。S1028可理解为当前K个主成分累计贡献率大于80％时，可以认为这K个主成分包含原始数据的大部分信息，将这K个主成分所对应的特征向量作为原数据集的特征向量，取累计贡献率达85-95％的特征值λ1.λ2,…,λp所对应的第一、第二、…、第p(p≤m)个主成分。
在本实施例的可选实施方式中，在步骤S1028根据超过预设范围的主成分累计贡献率对应的多个特征值和每个特征值对应的特征向量确定影响油井检泵周期的主成分数据之后，如图3所示，该方法还包括：
步骤S1029：根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式。
对于步骤S1029构建主成分参数表达式具体可为根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式zi＝ei1X1+ei2X2+…+eimXm,i＝1,2,…,p，其中，zi表示为主成分数据，eij表示特征向量ei的第j个分量，X1,X2,…,Xm表示为影响检泵周期的指标数据。
在本实施例的可选实施方式中，承接前述步骤S1029，步骤S104中的对多个主成分数据进行回归分析，获得回归分析结果，如图4所示，具体可如下步骤：
步骤S1040：对多个主成分数据进行回归分析，获得标准化变量的回归方程。
步骤S1042：根据主成分参数表达式以及标准化变量的回归方程获得主成分回归方程。
对于步骤S1040～步骤S1042，其中，获得主成分回归方程的具体过程可为：对多个主成分数据进行回归分析，获得标准化变量的回归方程其中，a0为标准化主成分回归方程的常数，ai为标准化主成分回归方程第i个标准化偏回归系数，表示为油井的检泵周期；根据所述主成分参数表达式以及标准化变量的回归方程获得主成分回归方程其中，a′0＝a0, a′i表示为对应因素Xi的影响力的大小，表示为油井的检泵周期。其中，根据所述主成分参数表达式以及标准化变量的回归方程获得主成分回归方程，是将前述S1029中获得的主成分参数表达式zi＝ei1X1+ei2X2+…+eimXm代入标准化变量的回归方程 中获得最终的主成分回归方程 步骤S104中描述的回归分析结果也就是主成分回归方程，在获得主成分回归方程之后，步骤S106中的根据回归分析结果预测油井的检泵周期，具体是：主成分回归方程的结果就表示为油井的检泵周期。
在本实施例的可选实施方式中，在步骤S106根据回归分析结果预测油井的检泵周期之后，如图5所示，该方法还包括：
步骤S1080：根据回归分析结果确定多个主成分数据中各个主成分数据对检泵周期的影响力；
步骤S1082：根据各个主成分数据对检泵周期的影响力从多个主成分数据中确定影响油井检泵周期的关键因素。
上述步骤S1080～S1082，在前述举例的基础上可以这样来进行理解，在获得了最终的主成分回归方程之后，由于系数a′i表示为对应因素Xi的影响力的大小，由此可知，因素Xi对应的系数a′i就代表了因素Xi对油井检泵周期的影响力，如果影响力a′i较大或者很大，那么就可以确定因素Xi是影响油井检泵周期的关键因素，进而可以对影响油井检泵周期的关键因素进行治理改善，以达到延长检泵周期的作用。
上述方案设计的方法，通过主成分数据的影响确定影响油井检泵周期的关键因素，使得可以对影响油井检泵周期的关键因素进行治理改善，提高油井泵的泵效，达到延长检泵周期的效果，检泵周期的延长就可以提高油井的利用率和采油时率，降低采油的成本，提高原油生产的经济效益。
第二实施例
图6出示了本申请提供的油井检泵周期预测装置2的示意性结构框图，应理解，该装置与上述图1-图5方法实施例对应，能够执行第一实施例中的方法涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，OS)中的软件功能模块。具体地，该装置包括：获取模块200，用于获取影响油井检泵周期的样本数据集，该样本数据集包括影响油井检泵周期的多个指标数据；确定模块202，用于通过主成分分析从该样本数据集的多个指标数据中确定影响油井检泵周期的多个主成分数据；分析模块204，用于对多个主成分数据进行回归分析；获取模块200，还用于在分析模块204对多个主成分数据进行回归分析之后，获得回归分析结果；预测模块206，用于根据回归分析结果预测油井的检泵周期。
上述方案设计的装置，通过主成分分析结合多种影响指标对油井检泵周期进行分析，解决了目前仅对影响油井检泵周期因素进行单一定性研究存在的过于片面的问题，使得对油井检泵周期的分析更加全面，另外，通过回归分析预测油井检泵周期，在油泵工作时间达到预测检泵周期之前，对该油井进行一定的关注，进而实现预测性维护，降低维护成本。
在本实施例的可选实施方式中，确定模块202通过主成分分析从所述样本数据集的多个指标数据中确定影响油井检泵周期的多个主成分数据，包括：处理模块208，用于对样本数据集中的多个指标数据进行标准化处理；计算模块210，用于计算标准化处理后样本数据集的协方差矩阵以及协方差矩阵对应的多个特征值和每个特征值对应的特征向量；以及，根据多个特征值计算主成分累计贡献率；判断模块212，用于判断计算得到的主成分累计贡献率是否超过预设范围；确定模块202，用于在判断模块212判断主成分累计贡献率超过预设范围后，根据超过预设范围的主成分累计贡献率对应的多个特征值和每个特征值对应的特征向量确定影响油井检泵周期的主成分数据。
在本实施例的可选实施方式中，该装置还包括构建模块214，用于在确定模块202根据超过预设范围的主成分累计贡献率对应的多个特征值和每个特征值对应的特征向量确定影响油井检泵周期的主成分数据之后，根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式。
在本实施例的可选实施方式中，构建模块214根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式，包括：
根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式zi＝ei1X1+ei2X2+…+eimXm,i＝1,2,…,p，其中，zi表示为主成分数据，eij表示特征向量ei的第j个分量，X1,X2,…,Xm表示为影响检泵周期的指标数据。
在本实施例的可选实施方式中，确定模块202，还用于在获取模块200获得回归分析结果之后，根据回归分析结果确定多个主成分数据中各个主成分数据对检泵周期的影响力；以及，根据各个主成分数据对检泵周期的影响力从多个主成分数据中确定影响油井检泵周期的关键因素。
第三实施例
如图7所示，本申请提供一种电子设备，包括：处理器301、与处理器连接的存储器302，存储器302存储有处理器301可执行的存储介质303，当所述计算设备运行时，处理器301执行该存储介质303，以执行时执行第一实施例、第一实施例的任一可选的实现方式中的方法。
本申请提供一种存储介质303，该存储介质303上存储有计算机程序，该计算机程序被处理器运行时执行第一实施例、第一实施例的任一可选的实现方式中的方法。
其中，存储介质903可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
本申请提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行第一实施例、第一实施例的任一可选的实现方式中的所述方法。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种油井检泵周期预测方法，其特征在于，所述方法包括：
获取影响油井检泵周期的样本数据集，所述样本数据集包括影响油井检泵周期的多个指标数据；
通过主成分分析从所述样本数据集的多个指标数据中确定影响油井检泵周期的多个主成分数据；
对所述多个主成分数据进行回归分析，获得回归分析结果；
根据所述回归分析结果预测油井的检泵周期。
2.根据权利要求1所述方法，其特征在于，所述通过主成分分析从所述多个指标数据中确定影响油井检泵周期的多个主成分数据，包括：
对所述样本数据集中的多个指标数据进行标准化处理；
计算标准化处理后样本数据集的协方差矩阵以及所述协方差矩阵对应的多个特征值和每个特征值对应的特征向量；
根据所述多个特征值计算主成分累计贡献率；
判断计算得到的主成分累计贡献率是否超过预设范围；
若是，则根据超过预设范围的主成分累计贡献率对应的多个特征值和每个特征值对应的特征向量确定影响油井检泵周期的主成分数据。
3.根据权利要求2所述方法，其特征在于，在所述根据超过预设范围的主成分累计贡献率对应的多个特征值和每个特征值对应的特征向量确定影响油井检泵周期的主成分数据之后，所述方法还包括：
根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式。
4.根据权利要求3所述方法，其特征在于，所述根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式，包括：
根据影响油井检泵周期的主成分数据构建影响油井检泵周期的主成分参数表达式zi＝ei1X1+ei2Xi+…+eimXm,i＝1,2,…,p，其中，zi表示为主成分数据，eij表示特征向量ei的第j个分量；X1,X2,…,Xm表示为影响检泵周期的指标数据。
5.根据权利要求4所述方法，其特征在于，所述对所述多个主成分数据进行回归分析，获得回归分析结果，包括：
对所述多个主成分数据进行回归分析，获得标准化变量的回归方程；
根据所述主成分参数表达式以及标准化变量的回归方程获得主成分回归方程。
6.根据权利要求5所述方法，其特征在于，所述对所述多个主成分数据进行回归分析，获得标准化变量的回归方程，包括：
对所述多个主成分数据进行回归分析，获得标准化变量的回归方程其中，a0为标准化主成分回归方程的常数，ai为标准化主成分回归方程第i个标准化偏回归系数，表示为油井的检泵周期；
所述根据所述主成分参数表达式以及标准化变量的回归方程获得主成分回归方程，包括：
根据所述主成分参数表达式以及标准化变量的回归方程获得主成分回归方程其中，a′0＝a0,
7.根据权利要求1所述方法，其特征在于，在所述根据所述回归分析结果预测油井的检泵周期之后，所述方法还包括：
根据所述回归分析结果确定所述多个主成分数据中各个主成分数据对检泵周期的影响力；
根据各个主成分数据对检泵周期的影响力从所述多个主成分数据中确定影响油井检泵周期的关键因素。
8.根据权利要求1所述方法，其特征在于，所述获取影响油井检泵周期的样本数据集，包括：
从数据库中获取两次检泵周期之间的样本数据集。
9.一种油井检泵周期预测装置，其特征在于，所述装置包括：
获取模块，用于获取影响油井检泵周期的样本数据集，所述样本数据集包括影响油井检泵周期的多个指标数据；
确定模块，用于通过主成分分析从所述样本数据集的多个指标数据中确定影响油井检泵周期的多个主成分数据；
分析模块，用于对所述多个主成分数据进行回归分析；
所述获取模块，还用于在所述分析模块对所述多个主成分数据进行回归分析之后，获得回归分析结果；
预测模块，用于根据所述回归分析结果预测油井的检泵周期。
10.一种存储介质，其特征在于，所述存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910557724.9A CN110276493A (zh) | 2019-06-25 | 2019-06-25 | 一种油井检泵周期预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910557724.9A CN110276493A (zh) | 2019-06-25 | 2019-06-25 | 一种油井检泵周期预测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110276493A true CN110276493A (zh) | 2019-09-24 |
Family
ID=67963221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910557724.9A Pending CN110276493A (zh) | 2019-06-25 | 2019-06-25 | 一种油井检泵周期预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110276493A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112664184A (zh) * | 2020-12-23 | 2021-04-16 | 中国石油大学(华东) | 基于支持向量回归算法的抽油机井检泵周期预测方法 |
| CN112836856A (zh) * | 2021-01-07 | 2021-05-25 | 中国石油大学(华东) | 一种基于多项式回归算法的抽油机水驱井检泵周期预测方法 |
| CN112832744A (zh) * | 2021-01-07 | 2021-05-25 | 中国石油大学(华东) | 一种基于lstm神经网络的抽油机井检泵周期预测方法 |
| CN113496066A (zh) * | 2020-03-18 | 2021-10-12 | 中国石油天然气股份有限公司 | 抽油泵漏失量分析方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008126209A1 (ja) * | 2007-03-27 | 2008-10-23 | Fujitsu Limited | 重回帰分析による予測モデルの作成方法、作成装置、作成プログラム |
| CN106600037B (zh) * | 2016-11-18 | 2020-06-19 | 华南理工大学 | 一种基于主成分分析的多参量辅助负荷预测方法 |
-
2019
- 2019-06-25 CN CN201910557724.9A patent/CN110276493A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008126209A1 (ja) * | 2007-03-27 | 2008-10-23 | Fujitsu Limited | 重回帰分析による予測モデルの作成方法、作成装置、作成プログラム |
| CN106600037B (zh) * | 2016-11-18 | 2020-06-19 | 华南理工大学 | 一种基于主成分分析的多参量辅助负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周平等: "抽油机井管杆偏磨检泵周期与其影响因素回归分析", 《东北电力大学学报》 * |
| 段杏宽: "高尚堡油田低产低效井的判定及综合治理", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113496066A (zh) * | 2020-03-18 | 2021-10-12 | 中国石油天然气股份有限公司 | 抽油泵漏失量分析方法及装置 |
| CN113496066B (zh) * | 2020-03-18 | 2022-11-04 | 中国石油天然气股份有限公司 | 抽油泵漏失量分析方法及装置 |
| CN112664184A (zh) * | 2020-12-23 | 2021-04-16 | 中国石油大学(华东) | 基于支持向量回归算法的抽油机井检泵周期预测方法 |
| CN112836856A (zh) * | 2021-01-07 | 2021-05-25 | 中国石油大学(华东) | 一种基于多项式回归算法的抽油机水驱井检泵周期预测方法 |
| CN112832744A (zh) * | 2021-01-07 | 2021-05-25 | 中国石油大学(华东) | 一种基于lstm神经网络的抽油机井检泵周期预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110276493A (zh) | 一种油井检泵周期预测方法、装置及存储介质 | |
| CN111144542B (zh) | 油井产能预测方法、装置和设备 | |
| US10577894B1 (en) | Systems and methods for analyzing resource production | |
| CN109587713A (zh) | 一种基于arima模型的网络指标预测方法、装置及存储介质 | |
| US11494679B2 (en) | System and method for oil and gas predictive analytics | |
| US10417083B2 (en) | Label rectification and classification/prediction for multivariate time series data | |
| US20160253607A1 (en) | Risk Measure-Based Decision Support Tool For Reservoir Development | |
| CN103995828B (zh) | 一种云存储日志数据分析方法 | |
| US20210341643A1 (en) | Facilitating hydrocarbon exploration by applying a machine-learning model to basin data | |
| Liu et al. | Petroleum production forecasting based on machine learning | |
| CN113158935A (zh) | 一种酒类光谱峭度回归模式的年份鉴定系统及年份鉴定方法 | |
| CN108304975A (zh) | 一种数据预测系统及方法 | |
| WO2014070150A2 (en) | System, method and computer program product for multivariate statistical validation of well treatment and stimulation data | |
| Cheung et al. | Oreonet: Deep convolutional network for oil reservoir optimization | |
| CN116911432A (zh) | 用于水平井产能的预测方法、存储介质及处理器 | |
| Vrabie et al. | Digital twin for downhole pressure gauges: model and field case study | |
| Paun et al. | White box: on the prediction of collaborative filtering recommendation systems’ performance | |
| Bach et al. | Automatic case capturing for problematic drilling situations | |
| CN115471012A (zh) | 一种致密油藏水平井产能预测方法、介质及系统 | |
| Holdaway | Data mining methodologies enhance probabilistic well forecasting | |
| Zhao et al. | Research and application of the big data analysis platform of oil and gas production | |
| CN112561702A (zh) | 广义的基于多任务非对称临近支持向量机的股票价格预测方法 | |
| Amosy et al. | On-Demand Unlabeled Personalized Federated Learning | |
| CN112070329B (zh) | 油田增产数据分析方法和装置 | |
| CN110428095A (zh) | 一种海上油田中长期电力负荷预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190924 |