CN112836856A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112836856A CN112836856A CN202110018385.4A CN202110018385A CN112836856A CN 112836856 A CN112836856 A CN 112836856A CN 202110018385 A CN202110018385 A CN 202110018385A CN 112836856 A CN112836856 A CN 112836856A
- Authority
- CN
- China
- Prior art keywords
- data
- pump
- detection period
- pumping unit
- pump detection
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
Abstract
本发明涉及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,其包括以下步骤:1)采集油田抽油机水驱井完整检泵周期样本数据,包括油井在该检泵周期内每天的日产液量、含水率、上行电流、下行电流、动液面、泵径、泵深、冲程、冲次、泵效;2)对样本数据进行数据处理,去除原始数据中不完整的、重复的数据,和奇异、错误数据;3)对数据进行归一化处理,生成训练数据;4)根据训练数据,采用多项式回归算法建立回归模型进行训练;5)通过训练好的模型,对抽油机水驱井检泵周期进行实际预测。本发明可以广泛应用在油田检泵作业指导中。
Description
技术领域
本发明涉及一种基于多项式回归算法油机水驱井检泵周期预测方法,属于抽油井故障诊断技术领域。
背景技术
在石油工业中,有杆采油占据着主导地位,世界上80%以上的机械采油井都使用这种采油方式。有杆抽油机井主要包括抽油杆柱、油管和抽油泵三部分。由于抽油泵安装在近千米的地下,工作环境恶劣,工况十分复杂,不仅受到三抽设备的影响,还会受到井下“砂、蜡、气、水”的影响,容易发生故障。
抽油机井检泵通常有两种原因,一种是计划检泵,一种是无计划检泵,即抽油泵突然发生故障而进行的检泵。计划检泵是根据地质要求定期检泵测压,加深泵挂或上提泵挂深度、换泵等均需要检泵;无计划检泵,如:抽油杆断脱、撸扣,油管变形,泵游动凡尔或固定凡尔被砂、蜡或其他东西卡死,以及泵漏或其他原因造成的产量降低均要检泵。因此,为计划检泵确定合理的检泵周期有利于避免抽油机井发生故障再进行无计划检泵维修,保证抽油机机井持续高效作业。
传统的检泵预测是采用机理分析的方法,通过对抽油机井设备的故障模式、机理与影响分析,确定故障可能发生的时间。但是由于抽油机井工况复杂多变,造成故障的原因也是多种多样,所以传统方法存在工作量大并且预测准确度不高的问题。
发明内容
针对上述问题,本发明的目的是提供一种有效的和准确度高的基于多项式回归算法的抽油机水驱井检泵周期预测方法。
为实现上述目的,本发明采取以下技术方案: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,其包括以下步骤:
1)采集油田抽油水驱机井完整检泵周期样本数据,包括油井在该检泵周期内每天的日产液量、含水率、上行电流、下行电流、动液面、泵径、泵深、冲程、冲次、泵效;
2)对样本数据进行数据处理,去除原始数据中不完整、重复,奇异,错误数据;
3)对数据进行归一化处理,生成训练数据;
4)根据训练数据,采用多项式回归算法建立回归模型进行训练;
5)通过训练好的模型,对抽油机水驱井检泵周期进行实际预测。
所述步骤2),对样本数据进行数据处理具体包括:①去除数据中的参数值为空和重复的数据;②基于生产实际,确定各个参数的正常范围,从而去除奇异数据和错误数据。
所述步骤3),对数据进行归一化处理具体是:采用最大最小法对原始数据进行线性变换,使结果值映射到[0,1]之间,转换函数如下:
其中,x*为归一化后的样本数据,x为原始样本数据,max为样本数据中的最大值,min为样本数据的最小值。
所述步骤4),建立的回归模型具体是:提取的特征参数作为输入,对应的检泵周期作为输出,通过建立多项式回归模型预测输入变量与输出变量的关系;在多项式回归中,设最高次幂为2,且包含10个特征参数,建立多项式回归模型为:
其中,xn i为n个特征参数的i次幂,An i为n个特征参数i次幂的回归系数,xnxm为第n个特征参数与第m个特征参数乘积项,Amn为第n个特征参数与第m个特征参数乘积项的回归系数,y表示对应的检泵周期天数。
本发明由于采取以上技术方案,其具有以下优点:本发明的检泵周期预测方法首先采用数据清洗功能对油田数据进行数据预处理,然后采用线性回归算法提取检泵周期主控因素,并采用多项式回归算法进行数据训练,建立检泵周期预测模型,实验结果表明,本发明预测准确度达到85%以上,可以实现对抽油机水驱井的检泵周期作业指导。
具体实施方式
下面结合实施例对本发明进行详细的描述。
本发明的基于多项式回归算法的抽油机水驱井检泵周期预测方法,包括以下步骤:
1、采集油田抽油机水驱井完整检泵周期样本数据,包括油井在该检泵周期内每天的日产液量、含水率、上行电流、下行电流、动液面、泵径、泵深、冲程、冲次、泵效;
2、对样本数据进行数据处理,去除原始数据中不完整的、重复的数据,和奇异、错误数据;
在样本数据中存在数据缺失、重复、记录错误等问题,存在这些问题的数据会对模型的准确率产生影响,所以在使用数据之前要对样本数据进行数据处理:
1)去除数据中的参数值为空和重复的数据;
2)基于生产实际,确定各个参数的正常范围,从而去除奇异数据和错误数据;
3)去除有问题的数据之后,对缺失部分进行填充。若某一天的数据缺失,且前一天和后一天的数据正常,则取前一天和后一天的数据均值作为该日的数据;若连续一段时间的日数据缺失,则取这段时间前一天和后一天的数据差分作为这段时间的数据;若某抽油机井在一个检泵周期内缺失数据过多,则舍弃该数据样本。
3、对数据进行归一化处理,生成训练数据;
采用最大最小法分别对训练集和测试集进行归一化处理。最大最小法也称为离差标准化,是对原始数据的线性变换,使结果值映射到[0,1]之间,转换函数如下:
其中,x*为归一化后的样本数据,x为原始样本数据,max为样本数据中的最大值,min为样本数据的最小值。
4、根据训练数据,采用多项式回归算法建立回归模型进行训练;
1)将主控因素中的日产液量、含水率、上行电流、下行电流、动液面、泵径、泵深、冲程、冲次、泵效,分别用x1,x2,x3,x4,x5,x6,X7,X8,X9,X10表示,用y表示检泵周期天数,建立回归方程:
y=A0+A1x1+A2x2+…+A10x10+A11x1 2+A12x2 2 +…+A20x10 2+A21x1x2+A22x1x3+…+A65x9x10
即,
式中,xn i为n个特征参数的i次幂,An i为n个特征参数i次幂的回归系数,xnxm为第n个特征参数与第m个特征参数乘积项,Amn为第n个特征参数与第m个特征参数乘积项的回归系数。各特征参数只取二次幂,乘积项只取一次幂。
2)将处理后的训练数据代入多项式回归模型中,获得回归方程的拟合系数。
5、通过训练好的模型,对抽油机水驱井检泵周期进行实际预测。
Claims (4)
1.一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,其包括以下步骤:
1)采集油田抽油机水驱井完整检泵周期样本数据,包括油井在该检泵周期内每天的日产液量、含水率、上行电流、下行电流、动液面、泵径、泵深、冲程、冲次、泵效;
2)对样本数据进行数据处理,去除原始数据中不完整的、重复的数据,和奇异、错误数据;
3)对数据进行归一化处理,生成训练数据;
4)根据训练数据,采用多项式回归算法建立回归模型进行训练;
5)通过训练好的模型,对抽油机水驱井检泵周期进行实际预测。
2.如权利要求1所述的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,其特征在于:所述步骤2)对样本数据进行数据处理具体包括:①去除数据中的参数值为空和重复的数据;②基于生产实际,确定各个参数的正常范围,从而去除奇异数据和错误数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110018385.4A CN112836856A (zh) | 2021-01-07 | 2021-01-07 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110018385.4A CN112836856A (zh) | 2021-01-07 | 2021-01-07 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112836856A true CN112836856A (zh) | 2021-05-25 |
Family
ID=75927927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110018385.4A Pending CN112836856A (zh) | 2021-01-07 | 2021-01-07 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836856A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869405A (zh) * | 2021-09-27 | 2021-12-31 | 中国石油大学(华东) | 一种基于K-means算法的抽油机井检泵周期预测方法 |
CN114753812A (zh) * | 2022-03-07 | 2022-07-15 | 大庆油田龙丰实业有限公司 | 一种游梁式抽油机电参周期起始点识别系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764530A (zh) * | 2018-04-27 | 2018-11-06 | 中国石油天然气股份有限公司 | 油井抽油机的工作参数配置方法及装置 |
CN108843286A (zh) * | 2018-06-21 | 2018-11-20 | 中国石油大港油田勘探开发研究院 | 一种新型分层采油选井的技术方法 |
CN110276493A (zh) * | 2019-06-25 | 2019-09-24 | 北京月新时代科技股份有限公司 | 一种油井检泵周期预测方法、装置及存储介质 |
CN111077048A (zh) * | 2019-11-27 | 2020-04-28 | 华南师范大学 | 基于移动设备的机会式群体智能空气质量监测及评估方法 |
-
2021
- 2021-01-07 CN CN202110018385.4A patent/CN112836856A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764530A (zh) * | 2018-04-27 | 2018-11-06 | 中国石油天然气股份有限公司 | 油井抽油机的工作参数配置方法及装置 |
CN108843286A (zh) * | 2018-06-21 | 2018-11-20 | 中国石油大港油田勘探开发研究院 | 一种新型分层采油选井的技术方法 |
CN110276493A (zh) * | 2019-06-25 | 2019-09-24 | 北京月新时代科技股份有限公司 | 一种油井检泵周期预测方法、装置及存储介质 |
CN111077048A (zh) * | 2019-11-27 | 2020-04-28 | 华南师范大学 | 基于移动设备的机会式群体智能空气质量监测及评估方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869405A (zh) * | 2021-09-27 | 2021-12-31 | 中国石油大学(华东) | 一种基于K-means算法的抽油机井检泵周期预测方法 |
CN114753812A (zh) * | 2022-03-07 | 2022-07-15 | 大庆油田龙丰实业有限公司 | 一种游梁式抽油机电参周期起始点识别系统 |
CN114753812B (zh) * | 2022-03-07 | 2024-03-29 | 大庆油田龙丰实业有限公司 | 一种游梁式抽油机电参周期起始点识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106761681B (zh) | 基于时序数据分析的电泵井故障实时诊断系统及方法 | |
CN112836856A (zh) | 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 | |
CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
CN105781527A (zh) | 电潜泵井工况仪参数诊断分析方法 | |
CN111648764B (zh) | 一种多层气藏井下分布式温度监测产出剖面解释评价方法 | |
US20230184068A1 (en) | System and method for evaluating reciprocating downhole pump data using polar coordinate analytics | |
Zheng et al. | Sucker rod pump working state diagnosis using motor data and hidden conditional random fields | |
CN104405365A (zh) | 抽油机功图法产液量计量技术 | |
CN112832999A (zh) | 一种基于多传感器数据融合的电泵井工况诊断系统及方法 | |
CN110778302B (zh) | 油田区块内抽油机井群的整体化性能评价和技术整改方法 | |
CN110288257A (zh) | 一种深度超限示功图学习方法 | |
CN110987396B (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
CN112664184A (zh) | 基于支持向量回归算法的抽油机井检泵周期预测方法 | |
CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
CN106321071B (zh) | 一种抽油机生产参数优化方法 | |
Yang et al. | A fault identification method for electric submersible pumps based on dae-svm | |
Wei et al. | Fault diagnosis of sucker rod pump based on deep-broad learning using motor data | |
Yang et al. | Fault diagnosis of electric submersible pump tubing string leakage | |
RU2492357C1 (ru) | Способ диагностирования работы штанговой глубинно-насосной установки | |
CN116181287A (zh) | 一种页岩气井生产异常工况预警系统及方法 | |
CN115270875A (zh) | 一种基于深度学习的隔膜泵运行状态监测方法 | |
CN110348532B (zh) | 基于机器学习与残差网络构成的有杆泵工况组合监测方法 | |
US5184507A (en) | Surface hydraulic pump/well performance analysis method | |
CN113565484A (zh) | 一种基于相对均方根值的压裂泵泵阀故障诊断方法 | |
CN113513304A (zh) | 一种基于抽油机电功图的平衡度检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210525 |