[发明专利]一种基于深度学习的机采井系统效率优化方法与装置

权利要求书

1.一种基于深度学习的机采井系统效率优化方法，包括以下步骤：

A、将获取的各类机采井参数，进行多源数据融合，将融合后的数据作为系统效率优化的数据集totalDataSet；

B、从数据集totalDataSet中提取机采井动液面、日产液量、日产油量、系统效率的历史数据，构建系统效率阈值提取的训练样本shresholdDataSet，并采用时序模型训练，应用训练好的模型预测机采井中每一个周期下一时间节点的系统效率，系统效率值低于平均系统效率时，则记录该系统效率值，经过多组测试，取平均值作为系统效率阈值；

C、基于数据集totalDataSet，构建机采井周期状态分类数据集stateDateSet；依据系统效率数据分布，将其进行区间划分，每个区间记为一类，每一类作为训练数据stateDateSet的标签值；将数据集stateDateSet划分为训练集stateDateSetTrain和测试集stateDateSetTest，分别采用随机森林、SVM、Adaboost、GBDT、XGBoost机器学习模型以及神经网络MLP进行训练，构建周期状态分类模型，对结果进行对比分析，选择最优模型；在每一个周期中，应用构建好的模型对机采井的周期状态进行分类，将分类结果作为是否调整工作制度的依据之一；

D、基于机采井产液量历史数据，通过长短期记忆网络LSTM算法，以30天的产液量历史数据预测未来10天的产液量的方式，构建产液量时序预测模型，预测未来几天机采井的产液量，并结合当前油井的原油密度、动液面、回压、套压、耗电量、生产时间，计算出系统效率；系统效率值低于步骤B提取的系统效率阈值，则发出系统预警；结合步骤C得到的周期状态是否为低效状态，判断是否需要调整工作制度，并为下一吞吐周期生产参数调整或者新井投产提供决策支持。

2.根据权利要求1所述的一种基于深度学习的机采井系统效率优化方法，其特征在于，步骤A中，所述的各类机采井参数是指：泵参数、生产参数、温压参数、电参数、有功功率。

3.根据权利要求1所述的一种基于深度学习的机采井系统效率优化方法，其特征在于，步骤B中，所述的系统效率阈值提取是指：采用长短期记忆网络LSTM算法，以10天的历史数据预测未来1天的系统效率，构建系统效率阈值提取模型。

4.一种基于大数据深度学习的机采井系统效率优化装置，包括以下模块：

数据预处理模块：将获取的各类参数，泵参数、生产参数、温压参数、电参数、有功功率，进行多源数据融合，对融合后的数据进行缺失值、异常值处理，作为系统效率优化的数据集totalDataSet；以30天的产液量历史数据预测未来10天的产液量的方式，构建产油量预测模型的训练样本；

系统效率阈值提取模块：提取机采井动液面、日产液量、日产油量、系统效率的历史数据，构建系统效率阈值提取的训练样本shresholdDataSet，采用长短期记忆网络LSTM进行模型训练，应用训练好的模型预测机采井中每个周期下一时间节点的系统效率；若系统效率值低于平均转周系统效率，则记录该系统效率值，经过多组测试，取平均值作为系统效率阈值；

机采井周期状态分类模块：基于数据集totalDataSet，构建机采井周期状态分类训练数据stateDateSet；结合数据分布，对系统效率进行区间划分，每个区间记为一类，每一类作为训练数据stateDateSet的标签值；将训练数据stateDateSet划分为训练集stateDateSetTrain和测试集stateDateSetTest，分别使用随机森林、SVM、Adaboost、GBDT、XGBoost机器学习模型以及神经网络MLP进行训练，构建周期状态分类模型；根据模型效果，进行对比分析，选择最优模型；在每一个周期中，应用构建好的模型对机采井的周期状态进行分类，将分类结果作为是否调整工作制度的依据之一；

机采井产液量预测模块：根据每口井的产液量历史数据，构建LSTM时序预测模型，预测未来10天的产液量，并结合当前机采井的原油密度、动液面、回压、套压、耗电量、生产时间，计算出系统效率；系统效率值低于系统效率阈值，则发出系统预警；结合周期状态是否处于低效状态，判断是否需要调整工作制度，并为下一吞吐周期生产参数调整或者新井投产提供决策支持。