基于聚类分析的煤层气抽油机井能耗特征研究

梅永贵 骆裕明 王景悦 薛占新 石延霞 张 斌

(1.中国石油华北油田公司，河北 062550;2.中国石油华北油田公司山西煤层气勘探开发分公司，山西 046000;3.中国石油天然气集团有限公司煤层气开采先导试验基地，河北 062550)

1 引言

在煤层气开发中，抽油机作为主要排采设备其整体效率直接影响开发成本。煤层气井生产属于降压排采，各排采阶段产水量变化较大，若不及时调整排采设备，经常会出现“大马拉小车”的情况。另外一些排采井产水量大，存在着泵径过小、抽油机机型不匹配等问题，均会导致系统效率过低，降液困难。据统计，国内油田抽油机平均系统效率为27.6%，而沁水盆地南部煤层气主要区块的抽油机井平均系统效率仅为0.6%～7.4%，远远不能达到抽油机节能要求25%的标准，能量利用率低的现状亟待改善。

对于抽油机能耗分析，国内外学者从理论计算和经验数据两个方面开展了大量研究。理论计算方法主要是从能量的角度精确模拟计算系统的各节点损耗，而经验分析法则是根据电流、功图、泵效等指标或其组合判断能耗在节点的转换率。这两类方法应用于煤层气抽油机井能耗分析时，存在以下问题：(1)煤层气不同排采阶段，抽油机悬点载荷数值波动大，相应的节点能耗是动态变化的，节点指标参数分析取值存在困难；(2)机采井受到多方面因素影响，精确的模型对参数要求较高，求解一般较为复杂，理论计算法的及时性和实用性较差；(3)经验分析法依赖于分析人员对平衡率、泵效、电机的平衡度等指标数据的认识程度，对于大量单井机采系统无法快速实现能耗评价。

本文基于数据挖掘与大数据分析，创新构建一套多维尺度机采系统优化模型，应用K-means聚类分析获得不同能耗偏向性的独立样本群，明确节能措施方向，给抽油机系统节能降耗提供新的技术思路。

2 数据挖掘与大数据优化模型

2.1 能耗指标提取

机采系统能耗主要考虑因素是电机、抽油机匹配度、抽油机生产参数与载荷的匹配度、抽油机工况(抽油机“五率”)、皮带和盘根松紧度等。地下管柱因素主要包括管柱的偏磨、泵的漏失率、供液不足、气体影响等影响。采用9个能耗关联性较高、容易获取的指标进行替代分析：载荷利用率、沉没度、流压、产液量、泵排量系数、吨液百米单耗、冲次、平衡度、电机功率利用率。这些指标与可反映的节点或设备因素的对应关系如表1所示。

表1 能耗指标与影响因素对应关系

2.2 大数据优化模型构建

提取与抽油机能耗相关的各类生产参数，建立①～⑤大数据分析模型，优化抽油机系统能耗分析传统算法，如图1所示：

① 提取与单耗相关性高的9个生产指标参数；

② 利用SPSS软件建模进行参数主成分分析，降低其耦合性；

③ 利用K-means聚类分析，依据数据特性划分单井类型；

④ 依据不同类型单井做偏向性分析，确定高能耗节点；

⑤ 依据高能耗节点，制定对应的优化措施。

图1 大数据优化模型示意图

2.3 主成分分析

上述9个指标从不同方面反映了抽油机的节点能耗情况，但是数据维度多、耦合性较强，如何从指标数据中分析出节点能耗特征，这实际是个多参数的优化问题。下面以沁水盆地南煤层气田的504口抽油机井生产动态数据为例，通过数据挖掘提取单井的能耗特征。

实际生产中对于具体损失多少能耗的定量计算要求不高，都属于定性判断。指标之间并不独立，耦合性较强，这里对数据进行主成分分析提取独立变量，实现数据降维。首先对上述的9个指标数据进行主成分分析，表2所示为利用SPSS软件建模计算结果。最终提取了特征值大于1的3个主成分，依据转换系数(表3)将9个指标转化成3个主成分。

表2 SPSS主成分分析结果

表3 SPSS主成分分析各参数占比

2.4 K-means聚类分析

虽然主成分分析简化了指标，降低了耦合性，但对主成分数据结果很难发掘其实际意义，将主成分指标数据投影到多维空间中后，如图2所示，无法感官区分和发现样本的特征。需要通过聚类分析得到不同能耗特征的分类。

图2 能耗指标主成分数据多维空间显示

对于多指标分类，如何确定最佳分类的个数，目前仍没有明确唯一的方法来解决这个问题。理想的分类方案需要最大限度地使类别间距离最大，同时类内成员距离最小。本文采用的是基于Euclidean距离模型的K-means聚类算法进行分析。

这里从实用性的角度结合类间距和类的稳定性几个方面来考虑，根据排采井生产经验我们需要的分类数在3～5范围内，即方案A：分为3类，方案B：分为4类，方案C：分为5类。采用枚举法，分别计算在一定数据增量的情况下原样本分类是否发生变化来衡量各自分类的稳定性，最为稳定的分类方案即为满足要求程度最高的方案。本文采用交叉验证法(Cross Validation)来比较3种分类方案的聚类结果。使用504条样本记录的50%的样本聚类计算得出分类后，分别使用30%、40%、50%(152条、203条、252条)作为增量形成3个样本总体分别进行聚类计算，相应的结果如表4所示。从稳定性角度考虑，方案A的类别最为稳定，分类较为合理。

表4 聚类分析评价表

取划分3类为参数进行K-means聚类计算，主成分样本及聚类中心结果如图3，图中使用3种不同颜色标注不同分类，可以看出三个类别的样本主成分数据基本上是沿着某个方向的延伸，可以解释为同一类别具有相同特征值的表现。

图3 k-means聚类结果

图4 Ⅱ类能耗井(左)及Ⅲ类能耗井(右)偏向性分析结果

2.5 多维尺度的偏向性分析

依据上述聚类分析得到的3个类别内分别进行多维尺度偏向性分析，在某一类别内评价各单井，明确能耗特征偏向：

Ⅰ类井一般某些特征较明显，直接分析较为容易，同时井数较少，也无法进行偏向性分析。

Ⅱ类井(图4a)的百米吨液耗电量与电动机功率利用率和泵的排量系数相关性较大，而受其他因素影响较小。

Ⅲ类井(图4b)的百米吨液量与抽油机井的平衡度相关性大，另外电动机功率利用率与载荷利用率关系较为密切。

3 优化措施

依据上述指标特征的偏向性分析，依据不同的分类展开不同侧重点的优化维护工作。相应地从单井水量与设备的匹配度、设备的状态、工作制度三个方面对系统进行优化，具体优化策略及措施如表5。

表5 不同类型能耗单井优化策略

Ⅰ类能耗井：通过经验法分析，2口井存在管柱漏失的问题，经过作业施工，更换破损油管，指标恢复正常。

Ⅱ类能耗井：在煤层气田井中存在大量供液不足的单井，主要采用间抽、调整泵径和冲程冲次等方法减少了抽油机的运行时间，从而降低单位能耗。依托井上自动化系统，目前沁水盆地南的单井可实现大面积智能排采控制。针对422口井的抽油机工作制度重点筛查，经过论证对115口单井实行了间抽，下调213口单井的冲次。

Ⅲ类能耗井：对80口单井抽油机工况进行检查，进行了调整平衡、盘根盒等井上日常维护，有效降低了单耗。

4 结论

(1)针对煤层气抽油机井，研究了百米吨液单耗与相关生产指标的分布关系，依此对单耗影响因素进行了指标提取，利用指标的大数据特征对大量单井进行能耗特征评估，是降低煤层气井能耗动态分析成本的有效途径，弥补了理论计算法的不足。

(2)对于多因子、高耦合的能耗相关指标，首次提出综合运用主成分分析结合K-means聚类分析、多维尺度偏向性分析等数据挖掘技术进行分析，可降低经验分析法的工作强度，有利于提高气田智慧化控制水平。

(3)从大数据特征发现，影响沁南煤层气抽油机井高单耗的主要因素为水量不稳定及低载荷，常规抽采设备要想实现油田高效运行水平的难度较大，因而急需寻找适合这种特点的新型节能排采设备。