[发明专利]一种基于机器学习的油井多参数异常诊断及预警方法

说明书

本发明公开了一种基于机器学习的油井多参数异常诊断及预警方法，按照如下步骤进行：将油井生产数据进行数据预处理，对异常数据采取基于阈值的异常数据处理；然后针对生产参数进行分析，对油井中单个参数的长期趋势进行异常识别之后，建立故障分类模型对油井进行多参数异常识别；针对油井制定故障识别规则及故障类型的识别规则给出建议处置办法；通过深度识别再经过人工检验形成完整的油井故障案例库；根据长期运行状况指数对未来可能产生的油井异常进行预警。本发明可以实时采集油井数据，完成可能提示的故障类型的精确诊断，并做出有效的深度预警，从而有效地、长远地提升油井的生产运行效率。

技术领域

本发明属于油井异常诊断技术领域，具体涉及一种基于机器学习的油井多参数异常诊断及预警方法。

背景技术

目前针对油井生产异常诊断与预警，通常基于参数的上下限阈值进行。当油井的参数超出一定范围，预警机制才会被触发。但这类方法的缺陷也非常明显：首先，在实际生产中上下限阈值的设置通常不是针对单一油井的，由于地质油藏条件、生产方式、所处生产阶段等因素不同，不同油井异常的上下限阈值也是不尽相同，统一设置上下限阈值这一做法极其不合理，容易产生误报及漏报等问题。其次，即使针对每一口井的每一个生产阶段设置相应阈值，但由于这类方法由于本身存在的缺陷，仍无法准确地识别出异常更无法实现异常预警，例如参数在上下限范围内的大幅度波动，通常意味着生产运行异常甚至是存在潜在的油井故障，但由于参数本身没有超出阈值范围，因此不会发生预警。

发明内容

本发明的目的是提供一种基于机器学习的油井多参数异常诊断及预警方法，解决了目前油井生产异常诊断与预警方法中无法准确地识别出异常并实现异常预警的问题。

本发明所采用的技术方案是，

一种基于机器学习的油井多参数异常诊断及预警方法，具体按照如下步骤进行：

步骤1：获取油井生产数据，基于油井基础信息对关键字段进行描述性分析；对于异常数据，统计值域分布、确定处理方法与细节处理异常值；

步骤2：对油井生产数据进行周期标记与分段标记后再使用趋势识别对单个参数的长期趋势进行异常识别，同时建立单参数异常识别判断规则；

步骤3：构建初步的故障案例库，用于模型训练，同时构造趋势指数，挖掘周期特征，最终确定核心趋势指数、均值类指数用于故障分类模型的构建，然后确定判断规则和阈值，形成多参数判断规则表；

步骤4：在单参数异常识别与多参数识别的基础上结合业务场景、行业知识制定具体的判断规则并给出故障的具体类型，形成故障分类、命名和编码表，并给出建议处置办法；

步骤5：通过深度识别，对所有油井进行完整的故障识别，经过人工检验，在保证准确率的基础上生成完整的故障案例库，最终也能够根据长期运行状况指数做出深度异常预警。

本发明的特点还在于；

步骤1中，处理异常值具体为：基于阈值处理异常值、基于3σ处理异常值，或通过临近值填补方法恢复形态继续分析，对于异常率过大的油井将直接进行传感器故障告警，不进入后续分析。

步骤2中，趋势识别的参数整体上升下降趋势判定函数为如下公式(1)和公式(2)：

其中，x_s为油压、套压的斜率，a为判别阈值。

步骤2中，单参数异常识别使用趋势识别的经典方法，具体方法为计算长周期的斜率、方差、极值为手段，进行超限值识别、极值识别、异常上升下降趋势识别、恒值识别、近似恒值识别。

步骤3中，故障分类模型，具体的算法选择需要进行诊断评估，依据时间性能和平均准确率两个指标；模型输出为单周期运行状况指数与长期运行状况指数。