CN111963116B - 一种自适应和智能分析决策的智能气田系统和方法 - Google Patents

Abstract

本发明涉及一种自适应和智能分析决策的智能气田系统和方法。智能服务模块在工况识别和预测模块的工况识别结果和/或预测结果对应于正常工况的情况下基于运行参数和/或气井生产参数结合机器学习算法模型生成用于调节采气装置的运行参数的决策信息，而反馈至生产参数调节模块，以对生产参数调节模块进行优化调整；或在工况识别和预测模块的工况识别结果和/或预测结果对应于异常工况的情况下，工况识别和预测模块生产紧急信息反馈至生产参数调节模块以对采气装置的排采参数进行紧急调整。

Description

一种自适应和智能分析决策的智能气田系统和方法

技术领域

本发明涉及智慧采气工程技术领域，尤其涉及一种自适应和智能分析决策的智能气田系统和方法。

背景技术

当气井的生产压力低于管线回压(一般为1.0-3Mpa)时，就会处于间歇生产，影响了正常产能的发挥，如果能低成本将单井剩余天然气开采出来仍有巨大的经济效益和社会效益。通常会在气井压力接近管线回压时采取增压措施，维持气井生产，目前技术条件下，增压设备投入较大，采气成本居高不下；也有气田采取间歇开采的模式，气井产量维持较低水平。

例如，授权公告号为CN107780885B的中国专利公开的一种智能开关井的方法和装置。所述方法包括：采集气井的环境参数，环境参数包括采气的油管内的压力、套设在油管外的套管和油管之间的压力、输气管线内的压力、输气管线内流体的流量、实现气井开关的节流阀的阀门开度、当前时刻与开井时刻或关井时刻的间隔时间中的一种或多种；确定环境参数是否符合设定模式下开关井的条件；当环境参数符合设定模式下开井的条件时，根据环境参数控制节流阀的阀门开度的调节过程，完成设定模式下的开井。该发明由设备自主完成开关井，不需要人到气井现场手动操作节流阀，大大降低开井作业的工作量和劳动强度，提高生产效率，满足开关井的要求。

随着天然气井的开采，常常面临如下问题：气井出水，逐渐变成排液生产或间歇生产；单井地层压力衰竭程度不同，高产井抑制低产井生产；井口不加热生产时，尤其在冬季易冻堵，仪器损坏，造成生产不正常，数据不完整；靠经验设置阀门开度，无法随井况变化而实时调整；目前的自动化主要是人工事先设定参数来进行控制，无法根据现场工程环境变化自适应地智能调参。

此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于发明人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。

发明内容

针对现有技术之不足：现有的采气装置大多是带着故障进行作业或者在发生故障时仍需作业，以达到预期产能。然而现有的采气装置即使能够预测或者识别故障，却不能通过对故障类型的识别结果或者预测结果在故障工况下通过自调节的方式进行作业。本发明提供一种自适应和智能分析决策的智能气田系统，包括生产状态采集模块、生产参数调节模块、工况识别和预测模块和智能服务模块，其中：生产状态采集模块：用于采集采气装置的运行参数和/或气井生产参数；生产参数调节模块：用于调节所述采集装置的运行参数和/或气井生产参数；工况识别和预测模块：用于能够识别工况类型和预测故障类型；和智能服务模块：其输入端与所述生产状态采集模块通信连接，其输出端分别与所述生产参数调节模块和所述工况识别和预测模块通信连接；所述智能服务模块在所述工况识别和预测模块的工况识别结果和/或预测结果对应于正常工况的情况下基于运行参数和/或气井生产参数结合机器学习算法模型生成用于调节所述采气装置的运行参数的决策信息，而反馈至所述生产参数调节模块，以对所述生产参数调节模块进行优化调整；或在所述工况识别和预测模块的工况识别结果和/或预测结果对应于异常工况的情况下，所述工况识别和预测模块生产紧急信息反馈至所述生产参数调节模块以对所述采气装置的排采参数进行紧急调整。

通过提高作业频率、降低作业频率或者将频率设定为随时间的函数均能够应对采气装置在不同工况状态下的运行以达到预期产能。甚至经过智能化升级改造实践：在某些故障工况下，采气装置在被工况识别和预测模块识别后，经过生产参数调节模块的变频调节，能够超出预期产能，为维修预留了作业时间。与传统采气装置的人工操作而言，这无疑地为天然气井的生产作业提供了更优质的生产保障。在工况识别和预测模块识别出故障类型的情况下，智能服务模块能够基于识别出的故障类型对应的产能预测模型而对故障工况下的采气井产量进行计量而保证采气井能够在生产参数调节模块对采气装置的采气频率变换之后正常连续地或间断地生产。产能预测模型是对各类工况及其计量数据通过深度学习而得出的。优选地，简单工况下的产能预测模型配置在本地端的本地服务器中，复杂工况下的产能预测模型配置在云分析端的云端服务器中。

本发明应用机器学习算法，通过控制采集装置的运行参数，建立天然气井在某生产周期内产气量最大的机器学习算法模型(尤其是，全区块天然气井总产量最大的目的下的机器学习算法模型)，该方法通过与环境的交互式学习，对动态环境进行灵活的奖惩，实现了智能服务模块在复杂环境下智能决策和参数优化的效果，在采气装置运行参数优化控制上具有实时调整参数设置、自适应环境变化和无需大数据进行训练的优势。该方法能提高采气装置的排采效率，使天然气井按照生产规律长期、连续、高效地进行开采，并提高整体开发效果和经济效益。

根据一种优选的实施方式，在所述采气装置的运行参数经由生产参数调节模块得以调节的情况下，所述采气装置的产能参数经由奖惩反馈模块进行奖惩后而将生成的奖惩刺激信息反馈至所述智能服务模块，以使得所述智能服务模块能够基于所述奖惩刺激信息实时地对所述采气装置的运行参数进一步调节。

根据一种优选的实施方式，在所述采气装置每基于所述决策信息调节一次所述运行参数的情况下，所述奖惩反馈模块对奖惩刺激原始参数按照叠加的方式进行迭代以确定最后一次所述采气装置调节运行参数之后的对应的奖惩刺激信息。

根据一种优选的实施方式，所述智能服务模块包括本地服务器和云端服务器，所述本地服务器在本地工况识别和预测模块未获取一级工况识别结果的情况下通信连接至所述云端服务器，而使得所述云端服务器能够基于专家库通过云端工况识别和预测模块获取的二级工况识别结果或所述工况诊断及预测结果反馈至生产参数调节模块。

根据一种优选的实施方式，所述本地工况识别和预测模块配置有单一工况动态诊断模型，而使得其在本地端能够基于智能服务模块分析后的历史气井生产参数(如产量、温度、油压、套压、水气比等)对采气工况类型进行识别而获取第一工况识别结果。

本地服务器获取的二级处理数据一方面用于本地工况识别和预测模块进行单一故障工况的识别，而另一方面则将二级处理数据发送至云端服务器，降低云端服务器数据的处理量。本发明中，本地工况识别和预测模块所需要的数据类型少，对于简单工况下的故障类型具有较高的识别率和准确率，能够及时有效地在本地就能获取一级故障识别结果，完成故障预警、故障处理，因而可以不用上传至云端进行简单工况的识别，减少云分析端的数据处理量。而云端工况识别和预测模块则是负责整个丛式井井场内的采气装置的故障识别和故障预测，其数据处理量较大。

根据一种优选的实施方式，所述云端工况识别和预测模块配置有复杂工况动态诊断模型，而使得其在云分析端能够在所述本地工况识别和预测模块未识别出故障的情况下基于智能服务模块分析后的实时气井生产参数(如产量、温度、油压、套压、水气比等)对复杂工况类型进行识别而获取第二工况识别结果或对工况类型进行预测而获取工况预测结果。

根据一种优选的实施方式，所述云端服务器与各采气装置对应的本地服务器经由井口物联网设备(如井场监控杆)建立通信连接，而使得所述云端服务器能够经由本地服务器将丛式井场内的各采气装置的运行参数获取，从而所述云端服务器能够在正常工况下或异常工况下预判功率峰值的发生时间，以使得所述云端服务器能够基于丛式井场内的功率峰值实现超前错峰控制策略的优化，以在功率峰值出现时所述生产参数调节模块能够对各采气装置进行调频。

根据一种优选的实施方式，所述生产参数调节模块至少能够按照调节螺杆泵转速和/或气嘴调节阀开度作用于所述采气装置中的螺杆泵和/或气嘴调节阀，从而所述生产参数调节模块能够改变动液面的高度和/或套压，以使得在所述螺杆泵转速和/或气嘴调节阀开度得以调节的情况下而改变所述气井的当前生产压差。

根据一种优选的实施方式，本发明还提供一种用于气田自适应和智能分析决策方法，包括：生产状态采集模块采集采气装置的运行参数和/或气井生产参数；生产参数调节模块调节所述采集装置的运行参数和/或气井生产参数；工况识别和预测模块能够识别工况类型和预测故障类型；和智能服务模块配置为：其输入端与所述生产状态采集模块通信连接，其输出端分别与所述生产参数调节模块和所述工况识别和预测模块通信连接；所述智能服务模块在所述工况识别和预测模块的工况识别结果和/或预测结果对应于正常工况的情况下基于运行参数和/或气井生产参数结合机器学习模型生成用于调节所述采气装置的运行参数的决策信息，而反馈至所述生产参数调节模块，以对所述生产参数调节模块进行优化调整；或在所述工况识别和预测模块的工况识别结果和/或预测结果对应于异常工况的情况下，所述工况识别和预测模块生产紧急信息反馈至所述生产参数调节模块以对所述采气装置的排采参数进行紧急调整。

附图说明

图1是本发明提供的一种应用系统的模块示意图。

附图标记列表

100：生产状态采集模块 300a：本地工况识别和预测模块

200：生产参数调节模块 300b：云端工况识别和预测模块

300：工况识别和预测模块 400a：本地服务器

400：智能服务模块 400b：云端服务器

500：奖惩反馈模块 600：专家库

具体实施方式

下面结合附图1进行详细说明。

实施例1

本实施例公开一种自适应和智能分析决策的智能气田系统。如图1所示，该系统包括生产状态采集模块100、生产参数调节模块200、工况识别和预测模块300和智能服务模块400。

生产状态采集模块100：用于采集采气装置的运行参数。比如，生产状态采集模块100采集采气装置的载荷、位移、示功图、温度、产量、油套压、阀门开度和电参数据。生产状态采集模块100包括电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪、流量传感器、角位移传感器等。

生产参数调节模块200：用于调节采气装置的采气频率，以能够实现同一井场内的采气装置的功率进行错峰控制。比如，生产参数调节模块200采用工频/变频切换、间抽和柔性驱动决策等连锁控制模式对采气装置的功率进行错峰控制。生产参数调节模块200可以具有手动和自动控制方式、本地和远程控制模式。

工况识别和预测模块300：用于能够识别工况类型和预测故障类型。工况识别和预测模块300至少能够基于示功图/电功图对采气装置进行工况识别和预测。

智能服务模块400：其输入端与生产状态采集模块100通信连接，其输出端分别与生产参数调节模块200和工况识别和预测模块300通信连接。智能服务模块400主要用于将采集到的运行参数进行分类、处理得到能够用于工况识别和预测模块300进行工况识别或预测的数据，并且具有数据传输的功能。

本发明中所指的模块，是指具有其对应功能的硬件、软件或者软硬件的结合，以实现其功能。

本发明相比较于现有技术而言，智能服务模块400基于工况识别和预测模块300的工况识别结果和/或预测结果通信连接至生产参数调节模块200。也即：本发明至少能够在采气装置发生故障或者即将发生故障时，智能服务模块400能够与生产参数调节模块200通信，从而生产参数调节模块200能够基于工况识别结果和/或预测结果对采气装置变频以使得采气装置能够在故障状态下进行生产或者提前通过变频的方式在未来一段时间内进行作业优化。

智能服务模块400在工况识别和预测模块300的工况识别结果和/或预测结果对应于正常工况的情况下基于运行参数和/或气井生产参数结合机器学习算法模型生成用于调节采气装置的运行参数的决策信息，而反馈至生产参数调节模块200，以对生产参数调节模块200进行优化调整。或在工况识别和预测模块300的工况识别结果和/或预测结果对应于异常工况的情况下，工况识别和预测模块300生产紧急信息反馈至生产参数调节模块200以对采气装置的排采参数进行紧急调整。

经过本发明人对现有采气井的调查和智能改造探索发现：通过提高作业频率、降低作业频率或者将频率设定为随时间的函数均能够应对采气装置在不同故障状态下的运行以达到预期产能。甚至经过智能化升级改造实践：在某些故障工况下，采气装置在被工况识别和预测模块300识别后，经过生产参数调节模块200的变频调节，能够超出预期产能，为维修预留了作业时间。与传统采气装置的人工操作而言，这无疑地为气田的生产作业提供了更优质的生产保障。在工况识别和预测模块300识别出工况类型的情况下，智能服务模块400能够基于识别出的故障类型对应的产能预测模型而对故障工况下的采气井产量进行计量而保证采气井能够在生产参数调节模块200对采气装置的采气频率变换之后正常连续地或间断地生产。产能预测模型是对各类工况及其计量数据通过深度学习而得出的。优选地，简单工况下的产能预测模型配置在本地端的本地服务器400a中，复杂工况下的产能预测模型配置在云分析端的云端服务器400b中。

优选地，如图1所示，智能服务模块400包括本地服务器400a和云端服务器400b。本地服务器400a基于运行参数生成示功图、电功图、悬点载荷、电功率等二级处理数据，发送至本地工况识别和预测模块300a。本地工况识别和预测模块300a根据单一故障动态诊断模型将二级处理数据进行识别，确定是否出现一级故障识别结果。本地服务器400a在本地工况识别和预测模块300a未获取一级故障识别结果的情况下通信连接至云端服务器400b。也即：本地服务器400a具有数据转送功能，将二级处理数据和/或运行参数发送至云端服务器400b。云端服务器400b对二级处理数据和/或运行参数进行再此处理获取三级处理数据，此次处理的精度要求高于本地服务器400a。云端工况识别和预测模块300b基于专家库500中的复杂工况动态诊断模型和复杂故障工况并结合三级处理数据进行二级工况识别结果或者故障预测结果。本地服务器400a获取的二级处理数据一方面用于本地工况识别和预测模块300a进行单一故障工况的识别，而另一方面则将二级处理数据发送至云端服务器400b，降低云端服务器400b数据的处理量。云端服务器400b能够基于通过获取的二级工况识别结果或故障预测结果反馈至生产参数调节模块200。生产参数调节模块200将根据工况识别结果或故障预测结果进行故障变频或者优化变频。本发明中，本地工况识别和预测模块300a所需要的数据类型少，对于简单工况下的故障类型具有较高的识别率和准确率，能够及时有效地在本地就能获取一级工况识别结果，完成故障预警、故障处理，因而可以不用上传至云端进行简单工况的识别，减少云分析端的数据处理量。而云端工况识别和预测模块300b则是负责整个丛式井井场内的采气装置的故障识别和故障预测，其数据处理量较大。

实施例2

本实施例可以是对实施例1的进一步改进和/或补充，重复的内容不再赘述。在不造成冲突或者矛盾的情况下，其他实施例的优选实施方式的整体和/或部分内容可以作为本实施例的补充。

本实施例提供多种故障诊断方法，应用于采气装置智能化应用系统：

1、基于示功图的采气装置故障诊断的技术是根据获取的高质量的示功图，建立采气井况功图模板库和特征向量库，应用SVM、BR神经网络等进行机器学习，形成故障动态诊断模型，实现采气装置故障识别。由于采用特征提取方式对示功图轮廓的主要特征抽象描述，具有概括性也即具有一定模糊性，其能够识别的工况类型十分有限，无法识别复杂工况下的故障类型，因此其可应用于本地工况识别和预测模块300a。本地工况识别和预测模块300a配置有单一故障动态诊断模型，而使得其在本地端能够基于智能服务模块400预处理后的示功图和/或电功图对单一故障类型进行识别而获取第一故障识别结果。本地工况识别和预测模块300a所需要的数据类型少，对于简单工况下的故障类型具有较高的识别率和准确率，能够及时有效地在本地就能获取一级故障识别结果，完成故障预警、故障处理，因而可以不用上传至云端进行简单工况的识别，减少云分析端的数据处理量。此外，本地工况识别和预测模块300a也是可以识别出部分复杂工况下的故障类型，只是其识别率在60％～90％之间。如果本地工况识别和预测模块300a识别出了复杂工况下的故障类型，则可以在本地完成复杂工况下故障类型的故障预警。

2、基于深度学习的示功图采气井故障诊断技术。其是利用气井实时数据和历史数据，引用深度学习实现“图形和业务特征”的多元诊断模式，其能够识别工况故障类型多、准确率高；能够预测复杂工况和相似工况下的故障类型。因此，该方法优选应用于云端工况识别和预测模块300b。云端工况识别和预测模块300b配置有复杂工况动态诊断模型，而使得其在云分析端能够在本地工况识别和预测模块300a未识别出故障的情况下基于智能服务模块400预处理后的示功图和/或电功图对复杂故障类型进行识别而获取第二故障识别结果或对故障类型进行预测而获取故障预测结果。云端工况识别和预测模块300b结合历史数据、气井实时数据和专家库500对气井的故障进行二次识别或预测，能够识别出复杂工况下的故障类型获取二级故障结果。例如，复杂工况包括：柱塞脱出泵筒、振动型、供液不足、柱塞遇卡和气锁、断脱和双凡尔失灵等。

3、基于电功图的故障诊断。其考虑曲柄实际角速度、四连杆的惯性和摩擦等因素，得到基于光杆示功图的电功图计算模型，以建立多种工况下的电功图特征图版和特征向量库，应用SVM、BP、CNN等机器学习，形成故障动态诊断模型。由于基于电功图故障诊断的工况较少且属于简单工况，因而，其优选配置在本地工况识别和预测模块300a，以能够尽快地在本地完成故障预警和处理。例如，本发明中，智能服务模块400能够基于电功图以四连杆运动规律计算曲柄平衡扭矩从而将电功图转换为示功图。比如，本地工况识别和预测模块300a能够根据电机角位移传感器和曲柄零点传感器测得转速差值来判断采气装置皮带是否打滑。

本发明通过将以采气装置的采集单元、智能服务模块、生产参数调节模块和工况识别和预测模块建立智能化应用系统，旨在通过对井场内的各个采气装置的气井生产参数进行监控和分析，以至少能够达到故障诊断和预测以及采气装置变频的目的，从真正意义上实现采气装置数字化、智能化、现代化的管控功能，并且具备数据采集、数据分析、工况诊断、间抽优化、智能调参、柔性控制、自动启停、可靠传输、远程监控等功能，从而高效地、准确地对采气装置工况进行自动监控技术，有效地节约了人力电力物力等成本。

此外，本发明中，智能服务模块还配置有如下功能：

(1)采气井生产运行优化；

(2)生产运行监控；

(3)生产动态分析

(4)水合物预测与预警；

(5)井筒积液诊断；

(6)生产效果评价。

本发明基于物联网技术搭建了气田的智能管理系统，利用大数据、云计算、移动互联等技术，业务的深度融合，其主要具有以下方面的体现：

1、智能气藏：以地质气藏为核心，利用大数据分析、深度挖掘等技术，利用新井、生产等动态数据，对气藏进行可视化、数据自定义快速查询、油气田智能类比和数据深度挖掘等功能。

2、智能井筒：对单井进行实时监测、采集与远程控制，对地层流动、井筒流动进行动态分析，进行单井智能预警及低效原因智能分析、措施决策优化及增产工艺实时智能优化和设计，单井产能、配产、递减、动储量、单井潜力等实时自动化预测，使得单井或井组达到最佳工作状态，实时最优化。

3、智能地面管理。整合全区块天然气集输官网地理信息、生产信息、运行参数等数据，建立智能化地面设备监控平台，实现地面官网智能优化设计、集输系统优化和天然气官网泄漏的功能，提高地面设备管理数据。

本发明中，以气田开采为核心，面向气藏生产管理、井筒管理和地面设备管理为一体的生产管理系统；针对气井动态、流动保障、诊断预警、优化决策的专家系统；以生产数据和历史数据为基础，涵盖气井、气藏、采气工艺等不同业务的管理和分析流程；建立气藏、井筒、地面的数学和业务模型，快速实现参数自动判断、功能调用、提供生产分析专业性和系统性。

实施例3

本实施例可以是对实施例1、2或者其结合的进一步改进和/或补充，重复的内容不再赘述。在不造成冲突或者矛盾的情况下，其他实施例的优选实施方式的整体和/或部分内容可以作为本实施例的补充。

优选地，云端服务器400b与各采气装置对应的本地服务器400a经由井口物联网设备建立通信连接。丛式井场内的各采气装置对应的本地服务器400b将运行参数发送至云端服务器400b。云端服务器400b能够经由本地服务器400a将丛式井场内的各采气装置的运行参数获取。云端服务器400b能够在正常工况下或异常工况下预判功率峰值的发生时间，以使得云端服务器400b能够基于丛式井场内的功率峰值实现超前错峰控制策略的优化，以在功率峰值出现时生产参数调节模块200能够对各采气装置进行调频。调频包括调平优先级、频率增减、调频幅度和范围，以在出现正常工况或异常工况时能够实现超前调频，从而保证采气装置在正常工况下以节能的方式进行生产，或者在异常工况下以安全可靠的方式进行生成。

实施例4

本实施例可以是对实施例1、2、3之一或者其结合的进一步改进和/或补充，重复的内容不再赘述。在不造成冲突或者矛盾的情况下，其他实施例的优选实施方式的整体和/或部分内容可以作为本实施例的补充。

优选地，系统包括可视化监控平台，可视化监控平台与云端服务器400a数据连接。用户可以登录可视化监控平台，基于用户的至少一个输入操作，云端服务器400a可以将对应于输入操作的数据以可见的方式显示在可视化监控平台的界面上。例如，可视化监控平台可以是大型显示屏、电脑、手机、智能显示设备等等。比如，用户想要查看某采气装置的历史故障类型，则用户通过点击、语音等方式进行输入操作，则可视化监控平台可以将该采气装置的历史故障类型显示出来。又比如，用户想要查看采气井的生产曲线，则用户可以通过鼠标指令、语言指令等方式进行输入操作，则可视化监控平台可以将该采气装置的在这一段时间内的生产能力显示于界面上。

实施例5

本实施例公开一种自适应和智能分析决策的智能气田系统，用于煤层气开采。

生产状态采集模块100用于采集螺杆泵采气状态参数和/或煤层气井生产参数。具体地，生产状态采集模块100采集套压、动液面、井底流压、产水量和产气量等参数。生产状态采集模块100包括采集套压、动液面、井底流压、产水量和产气量等参数的传感器。生产状态采集模块100将状态刺激信息发送至智能服务模块200。智能服务模块200基于螺杆泵采气状态参数和/或煤层气井生产参数结合环境应变强化学习模型生成用于调节采气装置的排采参数的决策信息。决策信息包括调节转速的大小、气嘴的开度大小。其中，生产参数调节模块200与智能服务模块200数据连接，并基于决策信息作用于采气装置，从而使得采气装置的排采参数得到调节，以至少能够改变煤层气井的当前生产压差。套压、动液面、井底流压、产水量和产气量可以组合为状态刺激信息。在煤层气的开采过程中，可以通过改变变频器的频率可以调整螺杆泵的转速进而改变产水速率，从而控制动液面的高度，通过调节气嘴大小可以改变产气速率进而改变套压的大小，动液面和套压最终决定着井底流压的大小。井底流压和储层压力决定了生产压差，生产压差决定了煤层气的降压-解吸-扩散-渗流过程，进而影响了煤层气的产量。

机器学习算法模型可以采用强化学习模型：

强化学习的基本过程是一个马尔科夫决策过程，马尔科夫决策过程可以用状态(State)、动作(Action)、状态转移概率(Possibility)、状态转移奖惩或回报(Reward)构成的四元组{s，a，p，r}表示。对于离散时间MDP，状态和动作的集合称为状态空间(StateSpace)和动作空间(ActionSpace)，分别使用S和A表示，s_i∈s，a_i∈A。根据第t步选择的行动，状态根据概率P(s_t+1，s_t，a_t)从s_t转移到s_t+1，在状态的转移的同时，智能决策模块得到一个即时的奖惩R(s_t+1，s_t，a_t)。该过程结束时的累积奖惩(Reward)为：

其中，γ为折扣因子，用于削减远期决策对应的奖惩权重。决策的最终目标是在抵达目标状态的同时实现累积奖惩最大化。本系统优选可以以产能作为奖惩指标。例如，在采气装置每基于决策信息调节一次排采参数的情况下，奖惩反馈模块500对奖惩刺激原始参数按照叠加的方式进行迭代以确定最后一次采气装置调节排采参数之后的对应的奖惩信息(即累积奖惩Reward)。

例如，变频器在接受到智能决策模块的动作信号后会及时调频，反映在螺杆泵上就是使它的转速增大、减小或不变，在做出动作之后会得到环境的反馈，这里的环境是指包括储层在内的整个排采系统，环境的功能是输出执行动作后系统的状态以及该动作产生的效果，比如频率增大会使日产气量增大，频率减小会减缓储层能量的衰减速度等等；这些反馈数值量化之后，就是系统中的奖惩(rewards)。

优选地，在采气装置的排采参数经由生产参数调节模块200得以调节的情况下，采气装置的产能参数经由奖惩反馈模块500进行奖惩后生产奖惩信息。奖惩反馈模块500将奖惩信息反馈至智能服务模块400。智能服务模块400能够基于奖惩信息实时地对采气装置的排采参数进一步调节。如图1所示，奖惩反馈模块500与本地服务器400a通信连接，也即：奖惩反馈模块500是针对于井场内的单独的气井的生产参数进行强化学习，这样一来，减小了与云端通信开销，及时地基于调参后的数据进一步优化生产参数。

优选地，在生产参数调节模块200获取决策信息的情况下，生产参数调节模块200对采气装置中的螺杆泵转速和/或气嘴调节阀的开度按照动作特征量对应于调节变化量的方式进行迭代式调节。煤层气井螺杆泵排采过程的主要控制量包括动液面和套压，这两个量与螺杆泵的电机频率(直接决定转速)和气嘴开度的大小直接相关。以电机的变频器为例，设该系统中一共有n口煤层气井，生产参数调节模块200的控制动作设置为n维的列向量，其中第0维到第n-1维的特征量分别井1到井n的变频器频率控制v₁，v₂，…v_n，即：

动作空间a_t：[v₁，v₂，…v_n] (2)

按照智能系统的调控方式，规定变频器的动作特征量如下：

公式(3)的含义是：每当智能决策模块给一口井的变频器得到一个决策信息(1，0或-1)，则该井的电机的变频器会在原来的频率上增加或者减小Δv赫兹或者不变。调节变化量Δv过小可能导致收敛速度缓慢，过大则有可能导致系统运行不稳，无法收敛等问题。Δv大小的设置应根据实际运行情况确定。根据研究表明：在系统使用前期Δv取较小值，以获取更多过程数据来修正环境应变强化学习模型；而在系统使用后期，此时由于系统已经存在大量的过程优化数据，Δv取较小值，因此煤层气井能够在较短的周期内高产稳产。该系统可以基于煤层气产能最大化的目标，因此需要选择与产量直接相关的属性作为状态空间。其中包括每口单井的产气量q_g1，q_g2，...q_gn，因此，煤层气井螺杆泵排采系统的运行状态量是一个n维的列向量：

状态室间S_t：[q_g1，q_g2，...q_gn] (4)

如此，在该煤层气的产能尚未达到最大值的情况下，智能决策模块会在得到奖惩信息之后进一步的给变频器决策信息，以进一步地迭代式调节。

本发明中，模块是指具有对应功能的硬件、软件或者软硬件组合的处理器，并兼备有数据传输功能、信号生成功能等。本发明中，由于井口与井场指挥中心具有一定的距离，且由于煤层气井特殊条件，模块之间优选为无线通信。

实施例6

本实施例还公开了一种应用方法，该方法可以由本发明的系统和/或其他可替代的零部件实现。比如，通过使用本发明的系统中的各个零部件实现本发明的方法。

一种用于气田自适应和智能分析决策方法，包括：

生产状态采集模块100于采集采气装置的运行参数；

生产参数调节模块200调节采气装置的采气频率，以能够实现同一井场内的采气装置的功率进行错峰控制；

工况识别和预测模块300识别工况类型和预测故障类型；和

将智能服务模块400的输入端通信连接至生产状态采集模块100通信连接，将智能服务模块400的输出端分别通信连接至生产参数调节模块200和工况识别和预测模块300。

基于工况识别和预测模块300的故障识别结果和/或预测结果，智能服务模块400通信连接至生产参数调节模块200，

其中，基于故障识别结果，生产参数调节模块200能够对采气装置进行紧急变频；或基于故障预测结果，生产参数调节模块200在未来一定时间内对采气装置进行优化变频，以优化错峰控制策略。

优选地，智能服务模块400包括本地服务器400a和云端服务器400b，

本地服务器400a在本地工况识别和预测模块300a未获取一级故障识别结果的情况下通信连接至云端服务器400b，而使得云端服务器400b能够基于专家库500通过云端工况识别和预测模块300b获取的二级故障识别结果或故障预测结果反馈至生产参数调节模块200。

需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。

Claims (4)

1.一种自适应和智能分析决策的智能气田系统，包括生产状态采集模块（100）、生产参数调节模块（200）、工况识别和预测模块（300）和智能服务模块（400），其中：

生产状态采集模块（100）：用于采集采气装置的运行参数和/或气井生产参数；

生产参数调节模块（200）：用于调节所述采气装置的运行参数和/或气井生产参数；

工况识别和预测模块（300）：用于能够识别工况类型和预测故障类型；和

智能服务模块（400）：其输入端与所述生产状态采集模块（100）通信连接，其输出端分别与所述生产参数调节模块（200）和所述工况识别和预测模块（300）通信连接；

其特征在于，

所述智能服务模块（400）在所述工况识别和预测模块（300）的工况识别结果和/或预测结果对应于正常工况的情况下基于运行参数和/或气井生产参数结合机器学习算法模型生成用于调节所述采气装置的运行参数的决策信息，而反馈至所述生产参数调节模块（200），以对所述生产参数调节模块（200）进行优化调整；或

在所述工况识别和预测模块（300）的工况识别结果和/或预测结果对应于异常工况的情况下，所述工况识别和预测模块（300）生产紧急信息反馈至所述生产参数调节模块（200）以对所述采气装置的排采参数进行紧急调整；在所述采气装置的运行参数经由生产参数调节模块（200）得以调节的情况下，所述采气装置的产能参数经由奖惩反馈模块（500）进行奖惩后而将生成的奖惩刺激信息反馈至所述智能服务模块（400），以使得所述智能服务模块（400）能够基于所述奖惩刺激信息实时地对所述采气装置的运行参数进一步调节；在所述采气装置每基于所述决策信息调节一次所述运行参数的情况下，所述奖惩反馈模块（500）对奖惩刺激原始参数按照叠加的方式进行迭代以确定最后一次所述采气装置调节运行参数之后的对应的奖惩刺激信息；所述智能服务模块（400）包括本地服务器（400a）和云端服务器（400b），

所述本地服务器（400a）在本地工况识别和预测模块（300a）未获取一级工况识别结果的情况下通信连接至所述云端服务器（400b），而使得所述云端服务器（400b）能够基于专家库（600）通过云端工况识别和预测模块（300b）获取的二级工况识别结果或所述工况诊断及预测结果反馈至生产参数调节模块（200）；

本地服务器（400a）基于运行参数生成二级处理数据，发送至本地工况识别和预测模块（300a），本地工况识别和预测模块（300a）根据单一故障动态诊断模型将二级处理数据进行识别，确定是否出现一级故障识别结果；

本地服务器（400a）在本地工况识别和预测模块（300a）未获取一级故障识别结果的情况下通信连接至云端服务器（400b），本地服务器（400a）将二级处理数据和/或运行参数发送至云端服务器（400b）；

云端服务器（400b）对二级处理数据和/或运行参数进行再此处理获取三级处理数据，此次处理的精度要求高于本地服务器（400a），云端工况识别和预测模块（300b）基于专家库（600）中的复杂工况动态诊断模型和复杂故障工况并结合三级处理数据进行二级工况识别结果或者故障预测结果；

本地工况识别和预测模块（300a）采用基于示功图的采气装置故障诊断的技术，根据获取的高质量的示功图，建立抽油井况功图模板库和特征向量库，应用SVM、BR神经网络进行机器学习，形成故障动态诊断模型，实现抽油机井故障识别；

云端工况识别和预测模块（300b）采用基于深度学习的示功图抽油井故障诊断技术，利用油井实时数据和历史数据，引用深度学习实现图形和业务特征的多元诊断模式，预测复杂工况下的故障类型；

所述本地工况识别和预测模块（300a）配置有单一工况动态诊断模型，而使得其在本地端能够基于智能服务模块（400）分析后的历史气井生产参数对采气工况类型进行识别而获取第一工况识别结果；

所述云端工况识别和预测模块（300b）配置有复杂工况动态诊断模型，而使得其在云分析端能够在所述本地工况识别和预测模块（300a）未识别出故障的情况下基于智能服务模块（400）分析后的实时气井生产参数对复杂工况类型进行识别而获取第二工况识别结果或对工况类型进行预测而获取工况预测结果。

2.根据权利要求1所述的一种自适应和智能分析决策的智能气田系统，其特征在于，所述云端服务器（400b）与各采气装置对应的本地服务器（400a）经由井口物联网设备建立通信连接，而使得所述云端服务器（400b）能够经由本地服务器（400a）将丛式井场内的各采气装置的运行参数获取，从而所述云端服务器（400b）能够在正常工况下或异常工况下预判功率峰值的发生时间，以使得所述云端服务器（400b）能够基于丛式井场内的功率峰值实现超前错峰控制策略的优化，以在功率峰值出现时所述生产参数调节模块（200）能够对各采气装置进行调频。

3.根据权利要求2所述的一种自适应和智能分析决策的智能气田系统，其特征在于，所述生产参数调节模块（200）至少能够按照调节螺杆泵转速和/或气嘴调节阀开度作用于所述采气装置中的螺杆泵和/或气嘴调节阀，从而所述生产参数调节模块（200）能够改变动液面的高度和/或套压，以使得在所述螺杆泵转速和/或气嘴调节阀开度得以调节的情况下而改变所述气井的当前生产压差。

4.一种用于气田自适应和智能分析决策方法，包括：

生产状态采集模块（100）采集采气装置的运行参数和/或气井生产参数；

生产参数调节模块（200）调节所述采气装置的运行参数和/或气井生产参数；

工况识别和预测模块（300）能够识别工况类型和预测故障类型；和

智能服务模块（400）配置为：其输入端与所述生产状态采集模块（100）通信连接，其输出端分别与所述生产参数调节模块（200）和所述工况识别和预测模块（300）通信连接；

其特征在于，

所述智能服务模块（400）在所述工况识别和预测模块（300）的工况识别结果和/或预测结果对应于正常工况的情况下基于运行参数和/或气井生产参数结合机器学习算法模型生成用于调节所述采气装置的运行参数的决策信息，而反馈至所述生产参数调节模块（200），以对所述生产参数调节模块（200）进行优化调整；或

在所述工况识别和预测模块（300）的工况识别结果和/或预测结果对应于异常工况的情况下，所述工况识别和预测模块（300）生产紧急信息反馈至所述生产参数调节模块（200）以对所述采气装置的排采参数进行紧急调整；在所述采气装置的运行参数经由生产参数调节模块（200）得以调节的情况下，所述采气装置的产能参数经由奖惩反馈模块（500）进行奖惩后而将生成的奖惩刺激信息反馈至所述智能服务模块（400），以使得所述智能服务模块（400）能够基于所述奖惩刺激信息实时地对所述采气装置的运行参数进一步调节；

在所述采气装置每基于所述决策信息调节一次所述运行参数的情况下，所述奖惩反馈模块（500）对奖惩刺激原始参数按照叠加的方式进行迭代以确定最后一次所述采气装置调节运行参数之后的对应的奖惩刺激信息；

所述智能服务模块（400）包括本地服务器（400a）和云端服务器（400b），

所述本地服务器（400a）在本地工况识别和预测模块（300a）未获取一级工况识别结果的情况下通信连接至所述云端服务器（400b），而使得所述云端服务器（400b）能够基于专家库（600）通过云端工况识别和预测模块（300b）获取的二级工况识别结果或所述工况诊断及预测结果反馈至生产参数调节模块（200）；

本地服务器（400a）基于运行参数生成二级处理数据，发送至本地工况识别和预测模块（300a），本地工况识别和预测模块（300a）根据单一故障动态诊断模型将二级处理数据进行识别，确定是否出现一级故障识别结果；

本地服务器（400a）在本地工况识别和预测模块（300a）未获取一级故障识别结果的情况下通信连接至云端服务器（400b），本地服务器（400a）将二级处理数据和/或运行参数发送至云端服务器（400b）；

云端服务器（400b）对二级处理数据和/或运行参数进行再此处理获取三级处理数据，此次处理的精度要求高于本地服务器（400a），云端工况识别和预测模块（300b）基于专家库（600）中的复杂工况动态诊断模型和复杂故障工况并结合三级处理数据进行二级工况识别结果或者故障预测结果；

本地工况识别和预测模块（300a）采用基于示功图的采气装置故障诊断的技术，根据获取的高质量的示功图，建立抽油井况功图模板库和特征向量库，应用SVM、BR神经网络进行机器学习，形成故障动态诊断模型，实现抽油机井故障识别；

云端工况识别和预测模块（300b）采用基于深度学习的示功图抽油井故障诊断技术，利用油井实时数据和历史数据，引用深度学习实现图形和业务特征的多元诊断模式，预测复杂工况下的故障类型；

所述本地工况识别和预测模块（300a）配置有单一工况动态诊断模型，而使得其在本地端能够基于智能服务模块（400）分析后的历史气井生产参数对采气工况类型进行识别而获取第一工况识别结果；

所述云端工况识别和预测模块（300b）配置有复杂工况动态诊断模型，而使得其在云分析端能够在所述本地工况识别和预测模块（300a）未识别出故障的情况下基于智能服务模块（400）分析后的实时气井生产参数对复杂工况类型进行识别而获取第二工况识别结果或对工况类型进行预测而获取工况预测结果。

Images