CN113756786A - 一种基于深度学习的抽油机井时序示功图预测方法 - Google Patents

Abstract

本发明属于抽油机井工况智能诊断技术领域，特别涉及一种基于深度学习的抽油机井时序示功图预测方法，所述的方法包括：(1)构建训练数据集；(2)归一化、插值处理；(3)第一阶段：示功图工况趋势判别；(4)第二阶段：示功图预测；(5)第三阶段：诊断、预警；本发明通过对历史示功图进行切片、归一化和插值处理构建训练数据集，应用多通道的卷积神经网络CNN进行时序趋势工况判别‑结蜡、供液不足、气锁以及泵阀漏失等，应用LSTM的序列到序列模型去捕捉当前及过去一段时间示功图的变化趋势特征和变化速度特征，对未来一段时间的示功图做出定量预测，使得工况预警信息更加直观，可解释性更强。

Description

一种基于深度学习的抽油机井时序示功图预测方法

技术领域

本发明属于抽油机井工况智能诊断技术领域，特别涉及一种基于深度学习的抽油机井时序示功图预测方法。

背景技术

近年来，基于机器学习、深度学习等人工智能方法的抽油机井工况智能诊断技术得到发展并在油田现场广泛应用。然而，工况诊断模型仅仅是对已经发生的工况做出判断，对于某些工况，如气锁、严重供液不足以及严重结蜡等工况类型，被诊断程序发现时抽油机井就已经处于非正常生产状况，长时间处于这些极其恶劣的工况对抽油机井造成极大的损害，严重影响产量、生产效益和经济效益。

对抽油机井工况进行预测，及时采取措施避免恶劣工况的形成，有助于构建更加完善的抽油机井智能管理系统，保障油井生产的平稳运行。S.Liu等提出了一种杆式泵抽油机井的故障预警方法，以抽油机井14个生产参数作为特征，使用机器学习方法AdaBNet学习多个贝叶斯网络模型，然后以不同权重组合各模型形成更加强大的增强模型抽取油井运行参数中的隐式故障信息，实现了3种典型杆式泵抽油机井机械故障的预测预警。但该方法对数据采集的范围广度、同步性等要求较高，数据标注工作量大，难度高，且模型的可解释性差。时序示功图是抽油机井工况变化结果的表征，其变化趋势反映了油井工况演变的全部信息，以示功图为主要特征参数的油井预测预警研究是当前的主流方向。李琨等提取示功图的不变矩特征，由极限学习机建立混沌序列预测模型预测未来一段时间示功图的特征值向量，再通过物元分析判别特征值向量实现故障工况预警。檀朝东等使用卷积神经网络提取时序示功图特征，结合油井参数基于LSTM网络构建了结蜡程度预测模型，预警油井发生严重结蜡的时间。以上方法都较好的利用了时序示功图，然而对示功图进行特征提取总会丢失信息，以特征值作为预测输入变量得到的结果是故障信息的隐式表达，可解释性差。龚仁彬等基于最小二乘法支持向量机分别对示功图250个点建立预测模型，获得未来一段时间的示功图变化趋势，该方法获得了显式的示功图信息，对于预测预警模型的建立更加直观，模型的可解释性强。然而，示功图各邻近测量点之间相互影响，具有强相关性，是连续变化的，而非孤立的点，单独对每个点进行预测得到最终整个示功图精度差，无法获得准确的示功图变化趋势。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种基于深度学习的抽油机井时序示功图预测方法，解决当前的抽油机井工况预测模型及示功图预测方法存在的可解释性差、结果不准确的问题。

为了实现上述目的，本发明采用以下技术方案予以实现：

一种基于深度学习的抽油机井时序示功图预测方法，所述方法包括以下步骤：

(1)构建训练数据集：

首先对历史示功图切片处理，以X＝{X_T-k,……,X_T-2,X_T-1,X_T}表示时序示功图，X_T表示T时刻示功图数据，X_T-1表示上一时刻，k控制序列长度，X包含了输入序列和预测序列标签；

(2)归一化、插值处理：

选择每个示功图序列的前一个示功图数据载荷、位移的最值作为归一化尺度进行归一化，获得归一化示功图数据，消除冲程、载荷值不同的影响；然后固定每个示功图的位移点，对载荷进行插值，获得固定位移点的载荷序列Z＝{Z_T-k,……,Z_T-2,Z_T-1,Z_T}，保证每个序列中的示功图位移数据相同；

(3)第一阶段：示功图工况趋势判别

数据预处理后，构建四个示功图趋势判别网络，判断当前示功图序列属于哪种工况发展趋势，以序列归一化示功图作为每个模型的输入；依次通过四个多通道的卷积神经网络进行二分类，判定为正样本则进入第二阶段对应示功图预测模型，否则丢弃；

(4)第二阶段：示功图预测：

基于LSTM每种工况分别构建一个示功图预测模型，以通过二阶段的载荷序列作为输入和标签，进行训练和测试，获得四个示功图预测模型；

(5)第三阶段：诊断、预警：

对于预测模型输出的示功图，构建四个对应工况的卷积神经网络对每个示功图进行二分类，判断其是否达到严重工况，若属于，则输出最早达到的时间并发出预警。

在进一步的技术方案中，步骤(1)中，所述历史示功图的工况类型包括结蜡、供液不足、气锁和固定阀漏失。

在进一步的技术方案中，步骤(1)中，各工况示功图的采样时间间隔为：结蜡工况为1天，供液不足工况为20min，气锁工况为20min，固定阀漏失为1天。

在进一步的技术方案中，步骤(2)中，对载荷进行插值的具体步骤为：

(2.1)首先确定插值个数及固定插值位移点，将示功图归一化后分两段进行插值处理，具体是以最大位移为中点将归一化示功图分为两段；

每段数据点个数不变，保持插值前后数据点个数一致，以L1表示第一段数据点个数，L2表示第二段数据点个数，X_m为位移最大值，则第一段插值位移点为range(0,X_m,X_m/(L1-1))，第二段插值位移点为range(0,X_m,X_m/(L2-1))；其中，range(a,b,c)函数表示，以a为起点，b为终点，c为步长的点序列；

(2.2)使用线性插值对原数据点进行插值处理，获得固定位移点处的载荷后，以插值的载荷数据替代原数据，获得具有相同位移数据点的归一化示功图数据。

在进一步的技术方案中，第一阶段和第三阶段的模型都是二分类模型，以示功图图片作为输入，输出为1个神经元代表的0|1分类，第一阶段为多通道输入，第三阶段为单通道输入，其余结构相同；

第二阶段的四个模型基于LSTM构建序列到序列的网络模型作为时序示功图的预测模型，序列到序列模型通过对输入序列特征进行编码，提取序列中的时序变化信息，进行长时序的预测，满足输入输出序列长度不相同的情况，实现一个序列到另一个序列之间的转换；模型输入为当前及过去一段时间的示功图载荷序列Z，模型输出为未来一段时间的示功图载荷序列Y；

集成三个阶段训练完成的模型，即可得到抽油机井的工况预测预警模型，整个模型以两种不同长度和采样间隔的时序示功图作为输入，输出为预测示功图和预警信息。

在进一步的技术方案中，四个模型的输入序列长度k＝{10,6,7，10}附近的值。

在进一步的技术方案中，四个模型的输出序列长度l＝{25,7,6,21}附近的值。

与现有技术相比，本发明具有以下技术效果：

1、本发明提供的一种基于深度学习的抽油机井时序示功图预测方法，通过对历史示功图进行切片、归一化及插置处理构建训练样本集，简化了建模复杂度，应用多通道的卷积神经网络CNN进行时序趋势工况判别，应用LSTM的序列到序列模型定量预测未来一段时间的示功图，实现示功图趋势预测及严重工况预警。

2、本发明中，LSTM的序列到序列模型可以捕捉当前及过去一段时间示功图的变化趋势特征和变化速度特征，对未来一段时间的示功图做出定量预测，使用均方误差(Q)评价预测效果，4种预测模型的Q值均在0.15以下，平均每个归一化示功图数据点的载荷偏差小于0.0274，预测精度高。

3、本发明中，示功图预测模型性能与输入序列长度正相关，与输出序列长度负相关。对于结蜡工况，变化缓慢、周期较长，示功图预测需要更长的输入序列以获取更多的变化特征信息，也能进行更长时间的变化趋势预测，气锁、严重供液不足等快速变化的示功图所需输入序列短，有效预测趋势也较短。

4、结合某油田现场验证表明：本发明提供的方法简化了示功图定量预测建模复杂度的同时具有较高的预测精度，示功图预测值和真实值的均方误差不超过0.15，能准确预测未来一段时间示功图的形状特征及变化趋势，对于严重工况的预警具有重要意义。

附图说明

图1示出为时序示功图模型构建流程示意图(结蜡、供液不足、气锁以及泵阀漏失)；

图2示出为模型系统结构示意图；

图3示出为LSTM的cell结构；

图4示出为分段示功图；

图5示出为结蜡示功图变化；

图6示出为杆断脱工况的示功图变化示意图；

图7示出为严重供液不足示功图变化示意图；

图8示出为固定阀严重漏失示功图示意图；

图9示出为序列到序列的LSTM模型；

图10示出为第一阶段四个模型的训练结果；

图11示出为第二阶段四个模型的训练结果；

图12示出为第三阶段四个模型的训练结果；

图13示出为示功图预测模型的输入序列长度敏感性结果；

图14示出为示功图预测模型的输出序列长度敏感性结果

图15示出为5组连续示功图的叠加；

图16示出为预测示功图及实测示功图变化趋势；

图17示出为各时间点的预测示功图与真实示功图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体附图，进一步阐明本发明。

如前所述，本发明提供了一种基于深度学习的抽油机井时序示功图预测方法，通过对历史示功图进行切片、归一化和插值处理构建训练数据集，应用多通道的卷积神经网络CNN进行时序趋势工况判别-结蜡、供液不足、气锁以及泵阀漏失等，应用LSTM的序列到序列模型去捕捉当前及过去一段时间示功图的变化趋势特征和变化速度特征，对未来一段时间的示功图做出定量预测，使得工况预警信息更加直观，可解释性更强。

本发明提供的方法的本质在于建立时序示功图的预测模型，结合图1所示的时序示功图预测模型建立的流程图，整个模型构建流程主要有四个部分：示功图数据的采集、预处理和三个阶段的子模型构建及训练。因此，本发明提供的基于深度学习的抽油机井时序示功图预测方法包括以下步骤：

(1)构建训练数据集：

首先对历史示功图切片处理，以X＝{X_T-k,……,X_T-2,X_T-1,X_T}表示时序示功图，X_T表示T时刻示功图数据，X_T-1表示上一时刻，k控制序列长度，X包含了输入序列和预测序列标签；

(2)归一化、插值处理：

选择每个示功图序列的前一个示功图数据载荷、位移的最值作为归一化尺度进行归一化，获得归一化示功图数据，消除冲程、载荷值不同的影响；然后固定每个示功图的位移点，对载荷进行插值，获得固定位移点的载荷序列Z＝{Z_T-k,……,Z_T-2,Z_T-1,Z_T}，保证每个序列中的示功图位移数据相同；

(3)第一阶段：示功图工况趋势判别

数据预处理后，构建四个示功图趋势判别网络，判断当前示功图序列属于哪种工况发展趋势，以序列归一化示功图作为每个模型的输入；依次通过四个多通道的卷积神经网络进行二分类，判定为正样本则进入第二阶段对应示功图预测模型，否则丢弃；

(4)第二阶段：示功图预测：

基于LSTM每种工况分别构建一个示功图预测模型，以通过二阶段的载荷序列作为输入和标签，进行训练和测试，获得四个示功图预测模型；

(5)第三阶段：诊断、预警：

对于预测模型输出的示功图，构建四个对应工况的卷积神经网络对每个示功图进行二分类，判断其是否达到严重工况，若属于，则输出最早达到的时间并发出预警。

本发明中，长短期记忆(LSTM)网络在循环神经网络RNN的基础上进行了改进，主要用于处理序列数据，其最大的优点就是神经元在某时刻的输出可以作为输入再次输入到神经元，这种串联的网络结构非常适合于时间序列数据，可以保持时序数据中的依赖关系。LSTM使用了三个“门控”来控制不同时刻的状态和输出，通过“门控”结构将短期记忆与长期记忆结合起来，缓解RNN在训练时的梯度消失、网络振荡等问题。

LSTM结构在时间上的展开与RNN完全一致，区别在于其中Cell的不同，LSTM的Cell计算节点包含更多结构包括更新门、遗忘门和输出门，如图3所示，各项计算公式如下：

其中，

代表遗忘门，如果遗忘门中的一个单元的值接近于0，LSTM将“忘记”先前单元状态对应单元中的存储状态，；

代表候选值，候选值是一个张量包含当前时间可能存储在Cell状态中的信息；

代表更新门，用来决定将候选值

哪些信息加入到c^<t>中；c^<t>是当前Cell状态信息的记录，信息用于在后续时间步骤中传递；输出门

决定哪些信息用于当前时间步骤的预测；a^<t>包含当前隐节点信息，用于传递到下一个时间步骤计算各个门的值和用于标签预测计算。对于石油工程领域的时序数据预测问题，深度学习的长短期记忆神经网络(LSTM)在产量预测、S波预测、产水率和含水率预测、页岩油藏EUR预测等方面取得卓越成效，以数据驱动的模型相比于传统的经验公式和物理模型具有更高的预测精度。

对于示功图预测模型，输入数据是示功图数据序列I＝(i₁，i₂，i₃......i_k)，i_k代表示单个时间点示功图的位移载荷数据，序列中每个示功图数据经预处理后输入到LSTM网络中，对应每个单元(lstm cell)的输入X^<t>，模型系统的输出为时序的示功图数据序列Y＝(y₁，y₂，y₃......y_k)，得到未来一段时间的预测示功图数据。模型系统的结构如图2所示，模型系统采用的LSTM神经网络结构在隐藏层的计算节点中引入门控机制，克服了梯度消失的问题，具有更多的参数来控制模型，具有四倍于RNN的参数量，可以更加精细捕捉示功图发展变化过程中的变化速度特征和变化趋势特征。

根据本发明提供的方法，本发明中，时间序列示功图可以反映抽油机井工况的发展趋势，但示功图本身是井下工况变化结果的表征而非影响因素，仅利用示功图数据难以对某些突变工况的示功图趋势做出预测。分析几种恶劣工况形成过程中示功图的趋势变化特征选择可预测工况类型，同时对时序示功图数据进行预处理得到模型输入数据，简化建模的复杂度。

观察抽油机井的不同和工况形成过程中示功图的发展变化，可以发现，对于代表某种工况的示功图，其形成过程中的变化特征各不相同，某些变化过程具有趋势性，而某些变化具有突变性。

具体的，例如杆断脱工况，当首次发生的杆断脱时，其前一个时间间隔T(10分钟)采集的示功图是正常工况的示功图，在相邻两个时间间隔采集的示功图载荷发生了突变，这个变化特征仅在杆断脱工况发生时才会出现；如图6所示，示功图变化具有突变性而非趋势性，无法进行时序示功图预测。

又如严重供液不足工况，由于地层能量不足甚至严重不足，地层供液能力逐渐下降，以至造成泵空抽，严重供液不足前一个时间间隔T必定为中等程度的供液不足，逐渐演变为严重供液不足，其示功图的“刀把”是逐渐变长；如图7所示，其示功图变化具有趋势性，可以进行预测。

再如固定阀严重漏失工况，其示功图上载荷基本不变，随着阀漏失逐渐加重，示功图底部两个角逐渐变得圆滑，最后下载荷上移，示功图逐渐扁平化，该变化特征仅出现在固定阀严重漏失中，如图8所示，该工况形成过程中的示功图变化同样具有趋势性，可以作为预测工况。

本发明中，通过对所有典型工况形成过程中的示功图变化特征进行分析，选择示功图变化具有趋势性的工况，并采用本发明提供的方法来预测对应抽油机井的工况。也即，本发明中，步骤(1)中，所述历史示功图的工况类型包括结蜡、供液不足、气锁和固定阀漏失。

根据本发明提供的方法，本发明中，通过观察上述四种工况示功图的演变过程，可以发现其形成时间长短、变化是不同的，要通过当前及过去一段时间的示功图数据预测未来一段时间的示功图形状，需要根据其形成时间及变化速度等特点确定建模的示功图数据序列的采样时间间隔。

以结蜡工况形成过程中示功图变化为例，结合图5所示，自上次清蜡作业后，该抽油机井在84天(84d)后示功图明显“膨胀”，电流峰值增大，油井再次到达严重结蜡状况。相对于示功仪采集示功图数据的时间间隔(10min)，结蜡的周期较长，短时间内示功图无明显变化，因此结蜡工况预测所需时序示功图数据的采样以及模型预测的时间间隔定为1天(1d)，即能准确捕捉到示功图的变化趋势，又不会造成数据冗余。同理，通过分析该区块中严重供液不足、气锁以及固定阀漏失三种工况形成过程中示功图变化趋势，选择严重供液不足工况预测模型的时序示功图采样时间间隔为20min，气锁为20min，固定阀漏失为1天。

根据本发明提供的方法，本发明中，一个示功图数据是多个位移、载荷的元组，位移与载荷是一一对应关系，由于示功仪在一个冲程内是按时间间隔采集位移、载荷数据，并非按位移间隔采集载荷数据，所以相邻时间间隔的一个示功图数据每个点的位移、载荷都是变化的。对于示功图的预测问题，要同时预测位移及其对应的载荷，会增加建模的复杂度。固定示功图的位移观测点，对示功图每组数据进行载荷插值处理获得固定位移点的载荷序列，只对载荷进行预测，简化建模复杂度。

本发明中，对载荷进行插值的具体步骤为：

(2.1)首先确定插值个数及固定插值位移点，将示功图归一化后分两段进行插值处理，结合图4所示，具体是以最大位移为中点将归一化示功图分为两段；

每段数据点个数不变，保持插值前后数据点个数一致，以L1表示第一段数据点个数，L2表示第二段数据点个数，X_m为位移最大值，则第一段插值位移点为range(0,X_m,X_m/(L1-1))，第二段插值位移点为range(0,X_m,X_m/(L2-1))；其中，range(a,b,c)函数表示，以a为起点，b为终点，c为步长的点序列；

(2.2)使用线性插值对原数据点进行插值处理，获得固定位移点处的载荷后，以插值的载荷数据替代原数据，获得具有相同位移数据点的归一化示功图数据。

根据本发明提供的方法，本发明中，在建立工况预测预警模型各阶段中，需要建立多个子模型。第一和第三阶段的模型都是二分类模型，以示功图图片作为输入，输出为1个神经元(使用Sigmoid激活函数)代表的0|1分类，第一阶段为多通道输入，第三阶段为单通道输入，其余结构相同，基本网络结构如表1所示。其中，[a a，b]中的a代表卷积或池化的kernel尺寸，c代表神经元个数，最后一层使用全局平均池化。

表1神经网络结构参数

第二阶段的四个模型基于LSTM构建序列到序列的网络模型作为时序示功图的预测模型，序列到序列模型通过对输入序列特征进行编码，提取序列中丰富的时序变化信息，更好的进行长时序的预测，满足输入输出序列长度不相同的情况，实现一个序列到另一个序列之间的转换。模型输入为当前及过去一段时间的示功图载荷序列Z，模型输出为未来一段时间的示功图载荷序列Y，如图9所示。其中T表示当前时刻，输入特征向量时序长度由k控制，输出向量时序长度由l控制，不同工况的k，l不同。对于X的时序长度小于k的，向前重采样补齐。

以某油田某作业区1226口井三个月的实测示功图作为数据集，根据现场修井检测记录标定四种工况及其他工况的序列示功图数据样本，数据集中各类型的样本如表2所示。

表2工况预测的数据集种类及数量

以模型Ⅰ/Ⅱ/Ⅲ/Ⅳ表示油井结蜡，严重供液不足，气锁，固定阀漏失四个模型。表3为一阶段各模型的输入通道数和训练标签数据样本集。

表3模型输入通道及标签数据

一阶段各模型损失函数为交叉熵，优化方法：Adam，Batch size:16，学习率(learning rate)：0.02，训练世代(epoch)：30。

四个模型的训练结果如图10所示，结果表明，以序列示功图作为输入的示功图趋势判别模型具有很好的收敛性和泛化性能，测试准确率均在95％以上。

第二阶段为四种工况的示功图预测模型，输入输出为示功图的载荷序列，四个模型的输入、输出及其标签数据样本集如表4所示，D_1[0:10]表示严重结蜡工况前10个示功图载荷序列数据的切片构成的数据集，按照不同工况的输入输出序列长度，取每个数据的前k个序列作为模型输入数据集，输出标签为后l个序列数据集。

表4模型输入、输出样本数据

模型损失函数为均方误差损失函数，优化方法：Adam，Batch size:8，学习率(learning rate)：0.01，训练世代(epoch)：50。

得到四个模型的训练结果如图11所示，该模型在30个epoch后趋于收敛，使用输出序列中每个示功图数据(归一化值)的预测值与真实值的误差平方和的平均值作为模型效果衡量指标Q，每个模型的Q值计算方式如式7所示。

其中，l为每个模型输出序列长度，即预测的示功图个数，y_j为预测示功图中的第j个载荷值，(y_j)^为对应的真实示功图的第j个载荷值。

表5示功图预测模型的Q值

从表5中可以发现，Q值均在0.15以下，基于LSTM的示功图预测模型对于每种工况趋势的示功图均能做出精准的预测。

第三阶段为四种工况严重状况的判别模型，同样也属于二分类模型，结合阶段二模型输出的示功图载荷序列和固定位移点得到预测示功图图形。依次对序列示功图图形进行诊断，判断其是否达到严重工况类别，若有则输出预警时间，该阶段模型可以在其他诊断模型的基础上进行迁移学习以节约模型训练时间，同时也使得模型更加鲁棒。

模型的损失函数为交叉熵，优化方法：Adam(betas＝(0.9,0.999),eps＝1e-08,weight decay＝8e-4)，Batch size:32，学习率(learning rate)：0.01，训练世代(epoch)：25。

得到四个模型的训练结果如图12所示，对于简单的示功图二分类任务，每个模型准确率均在在99％以上，具有较高的性能表现。

集成三个阶段训练完成的模型，即可得到抽油机井的工况预测预警模型，整个模型以两种不同长度和采样间隔的时序示功图作为输入，输出为预测示功图和预警信息。

根据本发明提供的方法，本发明中，示功图预测模型是通过LSTM的序列到序列模型去捕捉当前及过去一段时间示功图的变化趋势特征、变化速度特征，对未来一段时间的示功图做出预测，影响模型效果的关键参数主要有：输入序列的长度，输入序列长度过短，则模型无法获得有效的时序信息，影响最终模型的效果，过长则存在时序信息冗余，对模型性能提升不大反而会降低计算速度；输出序列长度则影响预测结果的准确性，长序列的输出会增加预测的误差，甚至出现不合理的预测结果。从上述两个角度对LSTM的示功图预测模型的敏感性进行分析，优化模型性能。

在开始建模时，本发明中，四种工况的示功图预测模型输入长度都是根据经验确定的，四种模型的工况形成过程不同，变化速度也不同，因此需要分开讨论。保持原来的输出序列长度、模型结构、训练参数、采样间隔等其他一系列参数不变，仅改变四个模型的输入序列长度k，图13为模型Q值随k的变化曲线，表6给出了具体值。

表6示功图预测模型的输入序列长度敏感性测试值

分析图13和表6，四个模型的Q值随k值变化曲线的变化趋势相似，均与k呈负相关，结果表明基于LSTM的序列到序列模型在示功图预测任务上，所需的输入序列不需要太长，但太短的输入序列无法获得有效的趋势变化信息，得到的预测结果误差大。此外，不同的演变速度的工况对k的敏感性不同，严重结蜡的长周期演变的工况(模型Ⅰ)所需的k值更大，以获得充足时序信息，演变速度较快的工况(模型Ⅱ、Ⅲ)所需k值较小。综合考虑计算复杂度和误差，四个模型分别选择k＝{10,6,7，10}附近的值具有最佳性能。

进一步的，保持原来的输入序列长度、模型结构、训练参数、采样间隔等其他一系列参数不变，仅改变四个模型的输出序列长度l，得到结果如下，图14为模型Q值随l的变化曲线，表7给出了具体值。

表7示功图预测模型的输出序列长度敏感性测试值

分析图14和表7，模型Ⅰ、模型Ⅱ和模型Ⅲ的Q值随l的变化曲线趋势也基本一致，与l呈正相关，随着l增大，预测时间变长，整体的预测结果误差增大。严重结蜡工况和固定阀漏失可预测时间较长，其余两中工况较短。考虑实际应用中的预测时间长度需求、计算复杂度以及误差,以Q＝0.15为模型得到良好预测效果的阈值，，四个模型选择l＝{25,7,6,21}附近的值具有最佳的模型性能和预测效果。

实例计算：

某油田某作业区1226口井三个月的实测示功图作为数据集，按照数据预处理方法进行切片得到数据集，以某口供液不足井(间抽井)为例，从某时刻T起取5组连续的历史示功图数据，对其进行归一化，5组连续的归一化示功图叠加图如15所示。

其中图例“T”代表当前T时刻的示功图，“1T前”代表前一个采样间隔(20min)的示功图，依次类推，最早的一个示功图为“4T前”。从该叠加示功图中可以观察到示功图右下角缺失面积逐渐增大，油井供液能力正在下降，“1T前”相比于“2T前”示功图右下角缺失面积有所恢复，是由于随着油井供液能力的下降，井底流压也同时下降，地层能量得到一定恢复，油井的供液能力得到增强，造成示功图缺失面积“回补”。

根据本发明建立的预测预警模型，输入序列长度为5，输出序列长度为5，将该组连续示功图数据进行插值处理后输入模型，得到未来5T内的预测示功图和预警信息，图16为实测示功图与预测示功图变化趋势的对比图。

表8预测示功图与真实值的误差

从图17可以发现，尽管预测示功图相对于实测示功图曲线略微“粗糙”，但与真实示功图化趋势完全一致，各时间点的预测示功图相比实测示功图曲线形状略有波动，但形状特征完全吻合，表征完全相同的井下工况特点。各时间点的预测示功图与真实值误差如表10所示，误差均在0.11以下，平均值为0.091(可视为一次预测的模型Q值)，表明预测结果良好，误差与图像观察规律一致。此外，模型输出预警信息为5T后发生严重供液不足，与实测示功图的诊断结果一致，表明模型预测的示功图是有效的，对于工况发展趋势的预测是准确的，能够有效预警严重工况的发生时间。

以上显示和描述了本发明的基本原理、主要特征和本发明的特点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于深度学习的抽油机井时序示功图预测方法，其特征在于，所述方法包括以下步骤：

(1)构建训练数据集：

首先对历史示功图切片处理，以X＝{X_T-k,……,X_T-2,X_T-1,X_T}表示时序示功图，X_T表示T时刻示功图数据，X_T-1表示上一时刻，k控制序列长度，X包含了输入序列和预测序列标签；

(2)归一化、插值处理：

选择每个示功图序列的前一个示功图数据载荷、位移的最值作为归一化尺度进行归一化，获得归一化示功图数据，消除冲程、载荷值不同的影响；然后固定每个示功图的位移点，对载荷进行插值，获得固定位移点的载荷序列Z＝{Z_T-k,……,Z_T-2,Z_T-1,Z_T}，保证每个序列中的示功图位移数据相同；

(3)第一阶段：示功图工况趋势判别

数据预处理后，构建四个示功图趋势判别网络，判断当前示功图序列属于哪种工况发展趋势，以序列归一化示功图作为每个模型的输入；依次通过四个多通道的卷积神经网络进行二分类，判定为正样本则进入第二阶段对应示功图预测模型，否则丢弃；

(4)第二阶段：示功图预测：

基于LSTM每种工况分别构建一个示功图预测模型，以通过二阶段的载荷序列作为输入和标签，进行训练和测试，获得四个示功图预测模型；

(5)第三阶段：诊断、预警：

对于预测模型输出的示功图，构建四个对应工况的卷积神经网络对每个示功图进行二分类，判断其是否达到严重工况，若属于，则输出最早达到的时间并发出预警。

2.根据权利要求1所述的方法，其特征在于，步骤(1)中，所述历史示功图的工况类型包括结蜡、供液不足、气锁和固定阀漏失。

3.根据权利要求2所述的方法，其特征在于，步骤(1)中，各工况示功图的采样时间间隔为：结蜡工况为1天，供液不足工况为20min，气锁工况为20min，固定阀漏失为1天。

4.根据权利要求1所述的方法，其特征在于，步骤(2)中，对载荷进行插值的具体步骤为：

(2.1)首先确定插值个数及固定插值位移点，将示功图归一化后分两段进行插值处理，具体是以最大位移为中点将归一化示功图分为两段；

每段数据点个数不变，保持插值前后数据点个数一致，以L1表示第一段数据点个数，L2表示第二段数据点个数，X_m为位移最大值，则第一段插值位移点为range(0,X_m,X_m/(L1-1))，第二段插值位移点为range(0,X_m,X_m/(L2-1))；其中，range(a,b,c)函数表示，以a为起点，b为终点，c为步长的点序列；

(2.2)使用线性插值对原数据点进行插值处理，获得固定位移点处的载荷后，以插值的载荷数据替代原数据，获得具有相同位移数据点的归一化示功图数据。

5.根据权利要求1所述的方法，其特征在于，第一阶段和第三阶段的模型都是二分类模型，以示功图图片作为输入，输出为1个神经元代表的0|1分类，第一阶段为多通道输入，第三阶段为单通道输入，其余结构相同；

第二阶段的四个模型基于LSTM构建序列到序列的网络模型作为时序示功图的预测模型，序列到序列模型通过对输入序列特征进行编码，提取序列中的时序变化信息，进行长时序的预测，满足输入输出序列长度不相同的情况，实现一个序列到另一个序列之间的转换；模型输入为当前及过去一段时间的示功图载荷序列Z，模型输出为未来一段时间的示功图载荷序列Y；

集成三个阶段训练完成的模型，即可得到抽油机井的工况预测预警模型，整个模型以两种不同长度和采样间隔的时序示功图作为输入，输出为预测示功图和预警信息。

6.根据权利要求5所述的方法，其特征在于，四个模型的输入序列长度k＝{10,6,7，10}附近的值。

7.根据权利要求5所述的方法，其特征在于，四个模型的输出序列长度l＝{25,7,6,21}附近的值。

Images