引論：我們?yōu)槟砹?篇機(jī)采井組最優(yōu)產(chǎn)能模型的應(yīng)用范文，供您借鑒以豐富您的創(chuàng)作。它們是您寫作時(shí)的寶貴資源，期望它們能夠激發(fā)您的創(chuàng)作靈感，讓您的文章更具深度。

摘要：基于大數(shù)據(jù)分析的機(jī)采井組優(yōu)化技術(shù)，進(jìn)行了現(xiàn)場(chǎng)應(yīng)用。按照大數(shù)據(jù)技術(shù)原理確定的井組劃分原則，采用“以注定采”的優(yōu)化方式，實(shí)現(xiàn)對(duì)抽油機(jī)井組產(chǎn)液量準(zhǔn)確的預(yù)測(cè)，給出了井組內(nèi)各抽油機(jī)井1a內(nèi)的連續(xù)調(diào)控方案，解決了以單井為基礎(chǔ)進(jìn)行優(yōu)化的有效周期短、沉沒度波動(dòng)大的問題。有效的延長(zhǎng)了檢泵周期，降低了機(jī)采井能耗及日常維修維護(hù)成本，滿足了機(jī)采井低成本開發(fā)的需要，實(shí)現(xiàn)開發(fā)效益最大化，年創(chuàng)效益111.25萬元，為后期油田智能化建設(shè)提供技術(shù)支撐。

關(guān)鍵詞：大數(shù)據(jù)；產(chǎn)量；井組；優(yōu)化調(diào)控

“十三五”期間某開發(fā)區(qū)塊針對(duì)有桿泵抽油機(jī)井采油過程中能耗治理問題，通過分析、研究，確定了抽油機(jī)井優(yōu)化以立體節(jié)能為主。推廣應(yīng)用北京勘探開發(fā)研究院研發(fā)的“采油采氣工程優(yōu)化設(shè)計(jì)與決策支持系統(tǒng)”軟件，設(shè)計(jì)出以相同產(chǎn)液量或目標(biāo)產(chǎn)液量下有桿泵抽油系統(tǒng)耗能最低為目的的一整套機(jī)采系統(tǒng)參數(shù)。累計(jì)應(yīng)用了2203井次，年節(jié)電量達(dá)153.7×104kWh。應(yīng)用后降低了能耗成本，提高了系統(tǒng)效率，延長(zhǎng)了油井檢泵周期。累計(jì)應(yīng)用5a，存在一定的不足，優(yōu)化主要基于單井，未考慮油藏剩余油分布、油水井連通狀況及地層物性差異，也未綜合考慮采出井間的相互影響和采出井來液方向和流量的變化，出現(xiàn)了注采不平衡，能耗沒有得到最佳優(yōu)化[。因此，開展基于大數(shù)據(jù)分析的機(jī)采井組優(yōu)化技術(shù)研究，該技術(shù)適用于某區(qū)塊水驅(qū)機(jī)采井組優(yōu)化。按照大數(shù)據(jù)確定井組劃分原則，實(shí)現(xiàn)“以注定采”的優(yōu)化方式，從粗放型調(diào)整到精細(xì)化動(dòng)態(tài)協(xié)調(diào)地面參數(shù)，合理匹配拖動(dòng)裝置，降低機(jī)采井能耗及日常維修維護(hù)成本，滿足機(jī)采井低成本開發(fā)的需要[2]。

1技術(shù)研究

大數(shù)據(jù)運(yùn)算有一項(xiàng)重要的功能是可以在變量和結(jié)果之間通過大數(shù)據(jù)的運(yùn)算和推演直接建立邏輯關(guān)系，通過采用該技術(shù)應(yīng)用在油水井的對(duì)應(yīng)分析上，能夠彌補(bǔ)對(duì)油藏精細(xì)描述認(rèn)識(shí)的不足，找到井間對(duì)應(yīng)關(guān)系，加以調(diào)整實(shí)現(xiàn)產(chǎn)量最大，能耗最低[3]。

1.1異常數(shù)據(jù)處理

1.1.1缺失數(shù)據(jù)的處理采用K近鄰算法對(duì)缺失數(shù)據(jù)填補(bǔ)處理，給定實(shí)測(cè)實(shí)例，基于某種距離度量找出訓(xùn)練集中與其最靠近的K個(gè)實(shí)例點(diǎn)，基于這些最近鄰的信息來進(jìn)行預(yù)測(cè)。在分類任務(wù)中使用“投票法”，選擇K個(gè)樣本中出現(xiàn)最多的類別標(biāo)記作為預(yù)測(cè)結(jié)果。提供的產(chǎn)油、產(chǎn)水、產(chǎn)液等數(shù)據(jù)均存在缺失，但無法驗(yàn)證數(shù)據(jù)的真實(shí)值，因此在算法部分采用創(chuàng)造缺失值來驗(yàn)證所采用算法的準(zhǔn)確性與可靠性。以區(qū)塊月產(chǎn)油數(shù)據(jù)為例，將2011—2021年的日產(chǎn)油和日產(chǎn)水兩種數(shù)據(jù)作為K近鄰算法的特征進(jìn)行提取，2011年區(qū)塊月產(chǎn)油數(shù)據(jù)見表1。在實(shí)際應(yīng)用過程中，由于特征矩陣與區(qū)塊日產(chǎn)油和日產(chǎn)水?dāng)?shù)據(jù)相關(guān)，首先將特征進(jìn)行標(biāo)準(zhǔn)化，然后制造缺失值。假設(shè)2011年11月份日產(chǎn)油數(shù)據(jù)為缺失值，采用K近鄰算法對(duì)缺失值進(jìn)行處理并預(yù)測(cè)其真實(shí)值，此時(shí)K選擇為5，即基于歐式距離度量找出訓(xùn)練集中與其最靠近的5個(gè)實(shí)例點(diǎn)，然后基于這5個(gè)最近鄰的信息來進(jìn)行預(yù)測(cè)。2011年11月份日產(chǎn)油數(shù)據(jù)的真實(shí)值為569.05t/d，通過采用KNN算法對(duì)缺失值進(jìn)行處理，得到的預(yù)測(cè)值為543.73t/d，預(yù)測(cè)的相對(duì)誤差僅為4.4%。因此，在對(duì)區(qū)塊月產(chǎn)液、月產(chǎn)油數(shù)據(jù)進(jìn)行處理時(shí)，KNN算法具有一定的適用性。
1.1.2重復(fù)數(shù)據(jù)的處理采用重復(fù)數(shù)據(jù)刪除法對(duì)重復(fù)數(shù)進(jìn)行刪除處理，基于數(shù)據(jù)自身的冗余度來檢測(cè)數(shù)據(jù)流中的相同數(shù)據(jù)的對(duì)象，只傳輸和存儲(chǔ)唯一的數(shù)據(jù)對(duì)象副本，并使用指向唯一數(shù)據(jù)對(duì)象副本的指針替換其他重復(fù)副本。由于所提供的產(chǎn)油、產(chǎn)水、產(chǎn)液等數(shù)據(jù)代表數(shù)據(jù)特征，不需要進(jìn)行重復(fù)數(shù)據(jù)處理，因此在算法中提供一套采用刪除法處理重復(fù)數(shù)據(jù)的方法，具體為刪除相同數(shù)據(jù)。以區(qū)塊月產(chǎn)油數(shù)據(jù)為例，將2011—2021年的日產(chǎn)油數(shù)據(jù)作為特征進(jìn)行提取，以驗(yàn)證算法的準(zhǔn)確性與可靠性。在編程實(shí)現(xiàn)上，特征矩陣與區(qū)塊日產(chǎn)液、日產(chǎn)油數(shù)據(jù)相關(guān)，首先創(chuàng)造重復(fù)值，以日產(chǎn)油為例，假設(shè)2011年3月、4月的日產(chǎn)油量數(shù)據(jù)相等，數(shù)值均為624.1t/d，然后判斷特征矩陣中是否存在重復(fù)觀測(cè)。因此，在對(duì)區(qū)塊月產(chǎn)液、月產(chǎn)油數(shù)據(jù)進(jìn)行處理時(shí)，刪除法具有一定的代表性。

1.1.3異常數(shù)據(jù)處理法采用孤立森林算法進(jìn)行異常數(shù)據(jù)的檢測(cè)，主要是對(duì)數(shù)據(jù)集進(jìn)行隨機(jī)切割，通過集成學(xué)習(xí)的方式收斂數(shù)據(jù)切割的過程，正常樣本經(jīng)過多次切割才能被識(shí)別出來，而異常樣本則很容易被切割出來找到并刪除異常值。所提供的產(chǎn)油、產(chǎn)水、產(chǎn)液等數(shù)據(jù)均存在異常值，主要是泵況造成的。因此在算法部分采用創(chuàng)造異常值來驗(yàn)證所采用算法的準(zhǔn)確性與可靠性。以區(qū)塊月產(chǎn)油數(shù)據(jù)為例，在2011—2021年的日產(chǎn)油數(shù)據(jù)中隨機(jī)設(shè)置異常值，基于隨機(jī)森林算法查找并刪除異常值，然后利用K近鄰算法對(duì)異常數(shù)據(jù)的真實(shí)值進(jìn)行預(yù)測(cè)。在實(shí)際應(yīng)用中將缺失值設(shè)置在日產(chǎn)油數(shù)據(jù)中，例如：將2012年5月的日產(chǎn)油數(shù)據(jù)為674.27t/d，考慮數(shù)據(jù)存在缺失將其最大上線值設(shè)置為3333t/d。設(shè)置孤立森林算法查找的異常值數(shù)為1，首先利用原始數(shù)據(jù)隨機(jī)采樣生成100個(gè)孤立樹，組成孤立森林模型，數(shù)據(jù)樣本遍歷孤立樹計(jì)算出異常分值，訓(xùn)練每個(gè)基評(píng)估器的樣本的數(shù)量為50，異常值比例為0.05，成功檢測(cè)到異常值。其次，采用K近鄰算法對(duì)異常值進(jìn)行處理并預(yù)測(cè)其真實(shí)值，K取值為10，即基于歐式距離度量找出訓(xùn)練集中與其最靠近的10個(gè)實(shí)例點(diǎn)，基于最近鄰的信息來進(jìn)行預(yù)測(cè)。通過采用K近鄰算法對(duì)缺失值進(jìn)行處理，得到的預(yù)測(cè)值為675.308t/d，預(yù)測(cè)的相對(duì)誤差為0.15%。因此，孤立森林算法和K近鄰算法在處理油井?dāng)?shù)據(jù)的異常值問題時(shí)，具有一定的適用性。

1.2確定最優(yōu)產(chǎn)能預(yù)測(cè)模型

1.2.1ARIMA預(yù)測(cè)模型ARIMA預(yù)測(cè)模型記作ARIMA(p，d，q)，p為自回歸項(xiàng)數(shù)，q為滑動(dòng)平均項(xiàng)數(shù)，d為使之成為平穩(wěn)序列所做的差分次數(shù)。“差分”是關(guān)鍵步驟，采用ARIMA模型預(yù)測(cè)的時(shí)序數(shù)據(jù)，必須是穩(wěn)定的，不穩(wěn)定的數(shù)據(jù)是無法捕捉到時(shí)序規(guī)律的。利用最終確定的模型進(jìn)行產(chǎn)液、產(chǎn)油序列預(yù)測(cè)并得出結(jié)果[4]。10口井的ARIMA產(chǎn)液量和產(chǎn)油量預(yù)測(cè)指標(biāo)見表2，其中包括產(chǎn)油預(yù)測(cè)結(jié)果的平均絕對(duì)百分比誤差（MAPE）、均方根誤差（RMSE）、預(yù)測(cè)精度（FA）三個(gè)指標(biāo)，三種預(yù)測(cè)指標(biāo)的結(jié)果均不理想。

1.2.2LSTM預(yù)測(cè)模型LSTM神經(jīng)網(wǎng)絡(luò)模型具有一個(gè)輸入層，一個(gè)至多個(gè)隱藏層以及一個(gè)輸出層。網(wǎng)絡(luò)的隱藏層內(nèi)有許多被稱為存儲(chǔ)單元的神經(jīng)元，存儲(chǔ)單元都具有三個(gè)“門”：遺忘門（ft），輸入門（it）和輸出門（ot）。對(duì)比環(huán)節(jié)采用的預(yù)測(cè)方式為逐一預(yù)測(cè)，即通過歷史數(shù)據(jù)得出的預(yù)測(cè)數(shù)據(jù)每次僅為一個(gè)，由此可得到通過迭代法預(yù)測(cè)時(shí)的單次預(yù)測(cè)精度。10口井的LSTM產(chǎn)液量和產(chǎn)油量預(yù)測(cè)指標(biāo)見表3。

1.2.3GM灰色預(yù)測(cè)模型選用GM（1，1）模型，是GM（1，N）模型的特例，僅包含一個(gè)微分方程且僅有一個(gè)單變量，建模的原始數(shù)據(jù)序列通常需要滿足或近似滿足指數(shù)型增長(zhǎng)，且其增長(zhǎng)速度要相對(duì)較慢。模型具有相對(duì)較高的計(jì)算效率，同時(shí)只需要擬合求解一個(gè)模型參數(shù)[5-6]。程序首先對(duì)數(shù)據(jù)進(jìn)行級(jí)比檢驗(yàn)，并計(jì)算是否在可調(diào)區(qū)間內(nèi)，若在則對(duì)數(shù)據(jù)進(jìn)行平移變換，并再一次進(jìn)行級(jí)比檢驗(yàn)；若不在則放棄調(diào)整。大部分井組的檢驗(yàn)結(jié)果為不通過檢驗(yàn)，表明灰色預(yù)測(cè)模型不適合用于該區(qū)塊內(nèi)單井及區(qū)塊的平均日產(chǎn)油量和日產(chǎn)液量的預(yù)測(cè)。

1.2.4各預(yù)測(cè)模型精度對(duì)比對(duì)比ARIMA預(yù)測(cè)模型、LSTM預(yù)測(cè)模型和GM灰色預(yù)測(cè)模型，數(shù)據(jù)未通過GM的級(jí)比檢驗(yàn)，說明GM不適用于該項(xiàng)目數(shù)據(jù)。根據(jù)產(chǎn)油量和產(chǎn)液量預(yù)測(cè)的平均絕對(duì)百分比誤差、均方根誤差、預(yù)測(cè)精度三個(gè)指標(biāo)，比較LSTM、ARIMA的適用性。通過數(shù)據(jù)對(duì)比分析得出：LSTM預(yù)測(cè)模型效果優(yōu)于ARIMA模型，大部分油井的預(yù)測(cè)精度可以達(dá)到95%以上。因此，選擇LSTM預(yù)測(cè)模型作為井組產(chǎn)能的預(yù)測(cè)模型[7-8]。

1.3實(shí)現(xiàn)井組產(chǎn)能預(yù)測(cè)一次性進(jìn)行輸入多步和輸出多步是LSTM算法的一個(gè)顯著優(yōu)點(diǎn)，采用1000組歷史數(shù)據(jù)，直接對(duì)未來365d的產(chǎn)油和產(chǎn)液量數(shù)據(jù)進(jìn)行預(yù)測(cè)，區(qū)塊內(nèi)日產(chǎn)液量預(yù)測(cè)結(jié)果見圖1。

2現(xiàn)場(chǎng)應(yīng)用與效益預(yù)計(jì)

基于目標(biāo)區(qū)塊平均含水率指標(biāo)，確定井組內(nèi)單井調(diào)整方向，若某個(gè)單井含水率低于平均含水率指標(biāo)，則該單井生產(chǎn)能力較強(qiáng)，應(yīng)提高該單井的產(chǎn)量[9-10]；若某個(gè)單井含水率高于平均含水率指標(biāo)，則該單井生產(chǎn)能力較差，應(yīng)減少該單井的產(chǎn)量；同時(shí)要保證調(diào)整后井組總產(chǎn)油量在目標(biāo)產(chǎn)油量的范圍內(nèi)[11-12]。

2.1現(xiàn)場(chǎng)應(yīng)用效果試驗(yàn)區(qū)開井79口井。因液面在井口、沉沒度較高的22口井，屬于泵況問題，暫不實(shí)施調(diào)整計(jì)劃。實(shí)施的57口井，參數(shù)調(diào)大18口，沖程與沖次的乘積變化5.81；調(diào)小參數(shù)28口井，沖程與沖次的乘積變化3.63；不調(diào)11口井，平均沖程與沖次的乘積保持不變，2022年10月份參數(shù)調(diào)整計(jì)劃見表4。實(shí)施后的57口井平均日產(chǎn)液由29.45t下降到29.0t，平均日產(chǎn)油由1.30t上升到1.32t，噸液百米耗電由0.75kWh/100m·t下降到0.69kWh/100m·t，平均節(jié)電率達(dá)到了8.26%，系統(tǒng)效率由36.32%提高到39.59%，提高了3.27個(gè)百分點(diǎn)，2022年參數(shù)調(diào)整效果見表5。由于有1口井實(shí)施后沒有達(dá)到預(yù)期效果，分析原因是電動(dòng)機(jī)無牌，電動(dòng)機(jī)級(jí)數(shù)不能確定，調(diào)后沖次未達(dá)到設(shè)計(jì)沖次，所以方案符合率98.25%，年節(jié)電能力達(dá)到了25.19×104kWh。隨后擴(kuò)大了現(xiàn)場(chǎng)優(yōu)化規(guī)模，在3個(gè)區(qū)塊17個(gè)井組開展了試驗(yàn)，共318口井。實(shí)施后平均節(jié)電率達(dá)到了7.89%，系統(tǒng)效提高了3.47個(gè)百分點(diǎn)，年節(jié)電能力達(dá)到了132.36×104kWh。

2.2效益預(yù)計(jì)優(yōu)化后管理與優(yōu)化前無變化，其它費(fèi)用不增加也不減少，只計(jì)算了節(jié)電效益。年節(jié)電能力達(dá)到157.55×104kWh，電價(jià)按0.7061元/kWh計(jì)算，年節(jié)約電費(fèi)111.25萬元。

3結(jié)論

1）確定了采用數(shù)據(jù)算法中的K近鄰算法對(duì)缺失數(shù)據(jù)填補(bǔ)、刪除并對(duì)重復(fù)數(shù)據(jù)處理、采用孤立森林算法對(duì)異常數(shù)據(jù)進(jìn)行處理，為產(chǎn)能預(yù)測(cè)提供數(shù)據(jù)源。2）采用平均相對(duì)誤差絕對(duì)值、均方根誤差和預(yù)測(cè)精度三種預(yù)測(cè)性能評(píng)價(jià)指標(biāo)，對(duì)ARIMA模型（差分自回歸移動(dòng)平均模型）、LSTM預(yù)測(cè)模型（長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)模型）、GM預(yù)測(cè)模型（灰色預(yù)測(cè)模型）進(jìn)行對(duì)比分析，通過對(duì)比可以看出LSTM模型為最優(yōu)的預(yù)測(cè)模型。3）在區(qū)塊內(nèi)“定注”條件下，建立油水井之間存在著某種不確定的關(guān)系，根據(jù)給出的井組調(diào)控方案，開展了現(xiàn)場(chǎng)試驗(yàn)及推廣375口井，年創(chuàng)經(jīng)濟(jì)效益111.25萬元。

作者:孔令維 許立紅 劉樹輝 單位:大慶油田有限責(zé)任公司第四采油廠