抽油机井人工举升智能控制系统的应用

李雪, 张战敏, 朱丽萍, 金学锋, 朱丹丹, 高鹏

(1. 中国石油大学(北京) 信息科学与工程学院，北京 102249；2. 中国石油华北油田公司 工程技术研究院，河北 任丘 062552)

人工举升的作用是将油气开采至地面，是原油开采中的重要环节。截至2016年，中石油公司整体的机采井数量达到了2.5×105口，约占中石油总油井数量的98%，而机采井的产油量占中石油总体产油量的约99%。抽油机举升技术已经有近百年的历史，依靠其结构简单、结实可靠的特点一直占据着人工举升的主导地位，随着油田进入开发中后期，人工举升的地位将会越来越突出。

抽油机井人工举升目前面临的问题，主要是效率低能耗高，目前抽油机系统效率仅为24%，人工举升系统能耗约占油田总能耗的30%，在低油价形势下，只有通过技术创新，才能提高人工举升系统效率，降低能耗，提高投资回报率。同时人工举升控制方式多为基于冲次的科学公式法，少有单周期内的智能变速控制。并且井下生产情况复杂，原理建模方法复杂且精度不高。

为此，需要研制一套抽油机井人工举升智能控制系统[1-4]，基于人工举升理论与机器学习的数字孪生模型架构。具有监测、诊断、预警、分析和控制等功能，提高抽油机井产量，并减小电机能耗。实现油气田开采精细化管理的目标： 提升产量，降低能耗，对产液量及泵效预测、工况识别诊断，根据当前生产情况实时优化控制参数；延长设备寿命,实时预警;数据管理与可视化,让用户可以直观清楚地看到产液量，耗电量等周期内的变化，提高用户体验度;实现数据采集与传输，将所有抽油机采集到的数据实时更新到数据库中，保证平台页面实时刷新最新数据。

通过对抽油机井自动调节参数，进行机器学习，实现控制策略自动寻优，获得油井最佳运行工况及最小耗电量。自动寻优后采集当前运行数据，与模型预测的寻优运行数据进行对比、修正、机器学习，不断优化修正模型，提高精确度，使抽油机始终保持最优的运行工况，实现智能举升[5-13]。

1 平台架构

平台采用B/S架构设计，总体架构如图1所示，包括数据采集层、存储层、计算层和应用层四个部分，各部分功能分别为： 数据采集层从远端数据库读取数据，包括功图数据，电参数据等，同时通过多线程技术进行数据的实时读取，保证本地数据库中的数据是最新的；存储层将远程数据存储到本地数据库，系统实时更新产生的日志文件存储等，还包括在平台上多条选择直接下载功图数据等；计算层起到连接存储层和应用层的作用，平台内对数据进行平均值计算、数据编码处理，同时分析深度学习和强化学习的数据之后得到产液量、耗电量等预测结果以及变频曲线等；应用层则是对数据的图形化界面展示，为系统用户提供操作界面，用户通过对应操作发送请求，完成人机交互动作，并将请求页面在Web界面中展示，同时将功图数据，电参数据通过Echarts图形展示出来，计算层中计算出的数据通过折线图图形展示。

图1 平台架构示意

2 系统功能

根据智能控制系统的需求，该系统功能设计为五大模块如图2所示，各模块的介绍如下：

1)数据快速查询模块。用户可以进行油井信息的查看以及加井等操作，油井信息界面有功图散点图，油井的其余参数，还有四张曲线图分别为电流曲线图、有功功率曲线图、无功功率曲线图以及速度/加速度曲线图；可以查看报警信息，并筛选出不符合正常规范的数据。

2)数据综合展示模块。该模块是对通过强化学习和深度学习计算出的数据图形化界面的展示，可以选择某一时间点，对生产数据的展示做一个选择，展示出所有油井数据的平均值；可以进行批量下载，选择要下载的数据后系统会通过选中的id值到数据库中进行查找，将数据库中对应的其他数据下载到文件中以及日志数据的展示。

3)人工智能举升模块。用户可以输入参数实现对深度学习的参数控制，也能清晰地看到变速控制产出的频率曲线，最新的功图数据对应一条频率曲线以及智能预测结果；近10个周期的产液量，泵效，日耗电曲线图。

4)模型训练及预测模块。用户可以根据界面的模板文件，上传一个本地文件，实现产液量、泵效以及工况识别模型训练并得出预测结果。

5)系统管理模块。管理员可以进行用户的注册，以及查询其他用户，普通用户不可以进行该操作。

图2 系统功能模块示意

3 系统关键技术原理

抽油机通过传感器采集相关数据存入数据库，并从积累的海量数据中提取井号、地面载荷、地面位移以及泵径等关键生产数据，设计智能分析模型，从而得到产液量、泵效和工况的预测结果，大幅提升了预测的准确性。变速模型将抽油机单周期的耗电量和产液量作为优化目标，输出控制频率曲线实时调控抽油机运行。

3.1 Java Web技术

该系统后台应用了SSM框架，采用的程序语言为： Spring + Spring MVC + MyBatis。网页前端使用了jQuery EasyUI，它是基于jQuery的一组UI插件集合体，提供了大多数的UI控件的使用，包括页面布局、菜单和按钮、表单、窗口、表格和树等。在该系统开发中常用的是dataGrid，treeGrid，tree，dialog，tabs，validatebox，combobox等前端控件元素。

3.2 智能算产

产液量预测模型的输入为地面示功图像素矩阵，图像的像素为224×224，由n个采样点绘制而成，然后运用卷积神经网络ResNet34从224×224像素矩阵中提取维度为512的特征向量，接着经过泵径融合层，将油井的泵径大小融入特征向量中，使得模型能够适用于不同泵径的油井，提高模型的精度和泛化能力，最后计算出产液量。

3.3 泵效预测

泵效预测模型的输入是将非结构化功图数据转换为地面示功图像素矩阵，图像的像素为224×224，由n个采样点绘制而成，然后运用卷积神经网络ResNet50从224×224像素矩阵中提取维度为1024的特征向量，接着经过全连接层，最后计算出泵效。

3.4 工况诊断

工况诊断模型采用ResNet_v2_50模型结构，将示功图序列绘制成示功图，之后转换为像素矩阵输入模型，通过50层的网络结构提取超维度的特征向量，最后将向量输入分类器进行工况识别结果输出。

3.5 变速控制系统

基于变速控制系统与抽油机井的交互，可实现抽油机电机的运行频率曲线变速控制规律的自动寻优。提出了一种具有动作自寻优能力的交互式强化学习框架实现变速控制系统，实现了在线学习快、兼容能力强以及变速自适应性和准确性高。变速控制系统的输入为两种数据： 抽油机运行状态S(示功图和冲次规律)；在对应运行状态下得到的回报与产液量和耗电量有关。变速控制系统的输出为一种数据，即单周期内一系列的调速动作A，在现有冲次上增大或减小或不变[14-15]。系统总体结构如图3所示。

图3 系统总体结构示意

4 系统应用情况

根据对中国石油天然气集团有限公司华北油田当前的抽油机井运作情况进行抽油机井人工举升智能控制系统的设计与实施。系统平台采用Java语言以Java Web技术并利用MYSQL数据库进行开发，结合SSM框架技术，同时在系统的功能和页面处理时选择JSP技术进行操作，使用户可以通过图形界面化清楚直观地感受到产液量和耗电量等周期内的曲线变化情况，还有功图矩阵图像。

4.1 实时智能分析

原始数据集为283口油井约31万个数据，其中数据集中采样点数据包括144个采样点功图和200个采样点功图，因为采样点个数不同，针对不同数据算法会有不一样的处理过程，另外还包括4种不同的泵径，非结构化功图数据转换为图像像素矩阵，实现产液量预测、泵效预测以及工况识别。

产液量预测模型将单井计算的时间级别从秒级提高到毫秒级；一个运行周期结束，自动绘制功图并计算产液量，不易掉井。部分产液量样本预测结果如图4所示。

图4 部分样本产液量预测效果示意

泵效预测模型通过对多类井数据的学习，获得相关经验，可快速移植到对应类别的油井上应用，部分泵效样本预测结果如图5所示。

图5 部分样本泵效预测效果示意

采用基于深度学习的工况诊断模型识别工况故障类型多、准确率高，且对低产、复杂工况、相似工况有更好的分辨度。可识别14种工况，准确率为94.2%，召回率为87.1%，模型计算速度为5 ms，工况识别训练与测试数据集见表1所列。

表1 工况识别训练与测试数据集 个

4.2 单周期变速控制规律自动寻优

根据实时产液量、工况等生产情况，自主寻优单周期内悬点的最佳变速运行规律，以生产效益提升为导向，根据抽油机实时工况，自动调节变频曲线。模型能够根据特定应用井，自适应调节内部参数功能；短时间网络中断不影响抽油机井工作；故障时可自动切回现场工控柜设定的运行参数；客户端在线监控变速控制效果。

针对这几个目标提出了一种具有动作自寻优能力的交互式强化学习框架实现变速控制设计[16]，变速控制系统应用效果如图6所示，变速控制系统应用效果见表2所列。

图6 变速控制系统应用效果示意

表2 变速控制系统应用效果

5 结束语

本文根据实际的需求，设计了抽油机井人工举升智能控制系统，采用MYSQL数据库，eclipse作为开发工具，系统前端以HTML+CSS+JS的开发模式，结合强化学习DDPG算法和深度神经网络进行抽油机井交互功能开发，并使用Echarts进行数据的图形化界面展示，后台采用SSM框架实现与前端系统的通信，利用DDPG算法进行变速控制系统的实现，基于以上开发语言和技术，实现了基于Java Web技术与强化学习的抽油机井变速控制平台的开发。

该系统部署复杂，维护方便，通过井数据以及产液量、耗电量等预测数据的可视化界面浏览，直观地展示了系统结合强化学习的变频调速的效果，为油田抽油机井人工举升控制提供了有效地解决方法。