[发明专利]一种基于多视角学习的抽油机井工况识别方法及系统

说明书

本发明公开了一种基于多视角学习的抽油机井工况识别方法及系统，属于工况诊断技术领域，采用基于大数据生产环境下的多视角学习方法，以实测地面示功图和电功率信号为两个不同的主视角，实测井口温度和井口压力信号为两个辅视角，进行有效组合并利用这四个实测视角，通过少量抽油机井工况数据或结合大量未知工况数据建立工况识别模型，其中，建立的工况识别模型有效集成了Hessian正则化和多视角学习方法，能够充分利用大数据和油气生产物联网环境下有杆泵采油生产系统采集的海量多源实时信息，突破单一信息源识别抽油机井工况的局限性和传统多源信息识别方法的技术瓶颈，从而进一步提高了抽油机井工况识别精准率和工程实用性。

技术领域

本发明涉及工况诊断技术领域，特别涉及一种基于多视角学习的抽油机井工况识别方法及系统。

背景技术

在现有的抽油机井工况识别方法中，多数工况识别方法是基于示功图识别技术，主要是利用泵功图或实测地面示功图结合人工智能方法进行工况识别；还有是基于电参数的识别方法，主要是利用电功图或实测电参数进行工况识别；很少有基于多源数据的识别方法，基于多源数据的识别方法主要是利用泵功图结合油井生产信息(产量、抽汲参数、井况数据等)进行工况识别。

已有技术中的工况识别方法在抽油机井生产中取得了较好成效，但仍存在如下的局限性：(1)在机电液耦合的复杂非线性系统中，用单一信息源判断油井工况易产生误报现象；(2)受阻尼系数和“除零”问题影响，通过模型计算得到的泵功图和电功图会影响特征参数值精度计算；(3)受传统多特征连接识别方法技术限制、先期油井海量实时数据采集和存储技术限制、井况复杂多变、人工统计数据不可靠等因素影响，已有的基于多源数据的工况识别方法的识别效果和模型鲁棒性均比较低；(4)已有技术中的工况识别方法需要大量标记工况训练样本，而实际工程中标记工况样本的获取难度大且获取代价大，而无标记样本训练的方法往往识别精度不佳。

在大数据和油气生产物联网环境下，抽油机井采油生产系统获取了大量多源实时数据，如实测地面示功图、电参数、井口温度、井口压力等，同时也获取了大量未知工况数据，这些多源实时数据能够及时、全面地反映抽油机井工况。

受上述局限性影响，目前已有的工况识别方法在抽油机井生产中的实际应用效果并不理想；此外，已有技术中严重缺乏适合大数据生产环境下有效融合多个实测信息源建立的工况识别模型，因此，亟待研究开发一种抽油机井工况识别方法和系统以提高识别精度和实用性，解决已有技术中的抽油机井工况识别方法不利于智能油田生产建设与发展的技术问题。

发明内容

为了解决现有技术中存在的缺陷，本发明实施例提供一种基于多视角学习的抽油机井工况识别方法及系统，采用基于大数据生产环境下的多视角学习方法，以实测地面示功图和电功率信号为两个不同的主视角，实测井口温度和井口压力信号为两个辅视角，进行有效组合并利用这四个实测视角，通过少量抽油机井工况数据或结合大量未知工况数据建立工况识别模型，进一步提高油井工况识别精准率和工程应用性，最大化地服务于采油生产，降低作业成本，提高油井采收率，促进智能油田生产建设与发展。所述技术方案如下：

第一方面，提供了一种基于多视角学习的抽油机井工况识别方法包括：

构建包含已知抽油机井工况和未知抽油机井工况对应的实测地面示功图、电功率信号、井口温度和井口压力信号四个视角的样本库；

以实测地面示功图和电功率信号为主，实测井口温度和井口压力信号为辅，根据实际需求构建主辅视角组合；

分别对所构建的主辅视角组合中的每一个视角，根据机理分析、先验信息和专家知识进行特征提取，以构建每一个视角的特征数据样本集；

根据所构建的主辅视角组合中的视角个数及用于训练的已知抽油机井工况和未知抽油机井工况对应的特征数据样本个数，采用多视角学习方法，并有效集成Hessian正则化建立相应的工况识别模型；

通过建立的工况识别模型进行抽油机井工况识别。