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