以降低抽油機井噸液百米耗電為目標的大數據分析應用

朱治國 苗彥平 王軍 凌帥 薛李強 杜航

（中國石油華北油田分公司第三采油廠）

大數據分析是指對海量多類型、快增長且內容真實的數據進行分析，從中找出可以幫助決策的隱藏模式、未知的相關關系或其他有用信息的過程[1-2]。目前，隨著油田自動化程度的提高，數據的采集密度及頻次較油田開發初期有了質的飛躍，數據量的增加，加之數據的結構復雜，存在結構化、非結構化及半結構化數據，這使工程技人員在處理數據時顯得力不從心。

與傳統的分析方法相比，數據挖掘技術可以實現從大量的、不完全的、有噪聲的、模糊的、隨機的實際數據中，提取隱含其中的、不為人知但又有潛在應用價值的信息和知識[3]。綜合考慮各種因素對生產動態的影響，從而更準確地制定降低抽油機井噸液百米耗電的措施，有必要將大數據分析技術應用到能耗評價系統中，建立“以降低采油系統能耗”為目標的數據庫，并配置以數據回歸分析、聚類分析、人工神經網絡等數據挖掘算法，建立挖掘模型。

1 大數據專業數據庫建設

1.1 總體設計

通過建設以降低采油系統能耗為主題的專業數據，從與采油相關的數據庫中獲取數據，并配置以數據回歸分析、聚類分析、人工神經網絡分析等數據挖掘算法，建立挖掘模型，形成數據挖掘平臺，對生產過程采集到的數據進行挖掘分析，并以圖表、曲線等方式進行可視化展示（圖1）。

圖1 大數據專業數據庫總體設計

1.2 數據分析流程設計

由于生產數據來源多樣，存在結構化、非結構化、半結構化數據，并且測試工作量的增大伴隨著儀器、人員造成的錯誤數據，因此針對此次“以降低采油系統能耗”為目標的數據庫建設，涉及到的數據分析分為五個步驟。第一步是數據收集：采用全體取樣的方式抽取與分析相關的所有結構化、非結構化及半結構化數據。第二步是數據質量分析：評估數據的正確性和有效性，此次數據質量分析用到的主要有值分析方法、統計分析方法、頻次與直方圖分析方法等。第三步是數據預處理：主要進行數據清理工作，通過填寫缺失的值、光滑噪聲數據、識別或刪除離散點，并以解決不一致性的方式來“清理”數據。第四步是數據挖掘：對已進行過預處理的數據，通過制圖、制表、方程擬合、計算特征量等手段探索數據的結構和規律，此次挖掘用到的主要有數據回歸分析、聚類分析、人工神經網絡等。第五步是現場應用：針對數據挖掘出的規律進行現場試驗應用，并進行效果跟蹤。數據分析流程設計見圖2。

圖2 數據分析流程設計

1.3 數據準備

抽油機井噸液百米耗電是指原油在開采過程中把1 t液體從井下提升100 m所消耗的電能。單井噸液百米耗電的計算公式[4]為

式中：X為單井噸液百米耗電，kWh/(102·t)；W為單井日耗電量，kWh；Q為單井日產液量，t；H為有效揚程，m。

在油田生產過程中，抽油機井噸液百米舉升耗電是評價油井能耗狀況的重要指標之一，是井下、地面等參數綜合的結果。據現場經驗可知，一般產液量、下泵深度、沉沒度、含水率、抽汲液體黏度、沖程沖速、抽油機平衡率等諸多因素都可以影響噸液百米耗電，難以評價的因素還有熱洗化防次數、對應注水井注水情況、抽油機型號、電動機功率等。雖然目前對影響抽油機井噸液百米耗電的因素有了一定了解，但還需要應用大數據分析技術找出各種因素之間的相關性。

1.4 數據挖掘算法

在大數據專業數據庫設計的基礎上，配套嵌入數據回歸分析、聚類分析、人工神經網絡等數據挖掘算法，建立挖掘模型，對大量數據進行分析與預測。

1.4.1 數據回歸分析

回歸方法是處理變量之間的相關關系的一種數學方法。根據回歸方法中變量的個數和回歸函數的類型（線性或非線性）可以將回歸方法分為一元線性、一元非線性、多元線性、多元非線性。另外，還有兩種特殊的回歸方式，一種在回歸的過程中可以調整變量數的回歸方法，稱為逐步回歸；另一種是以指數結構函數作為回歸模型的方法，稱為Logistic回歸[5]。

通過分析噸液百米耗電與各因素之間的關系，主要應用一元線性進行權重分析，確定影響噸液百米耗電的主要因素；應用一元非線性進行合理沉沒度的優選，系統效率與噸液百米耗電的分析等。

1.4.2 聚類分析

將物理或抽象對象的集合分為由類似的對象組成的多個類或者簇的過程稱為聚類，由聚類所生成的簇是一組數據對象的集合，這些對象與同一簇中的對象相似度較高，與其他簇的相似度較低[6]。

通過研究噸液百米耗電在所要分析區塊的分布，能夠對數量較多的油井進行分類，發現高耗能油井，進而方便對噸液百米耗電指標的再評價，以及依據現場實際生產情況制定相應的措施。

1.4.3 人工神經網絡

神經網絡是分類技術中的重要方法之一。人工神經網絡是一種應用類似于大腦神經突觸連接的結構進行信息處理的數學模型。在這種模型中，大量的節點（或稱為“神經元”，或“單元”）之間相互聯接構成網絡，即“神經網絡”，以達到處理信息的目的[7]。

神經網絡具有很強的信息處理及并行計算的能力，每個神經元對下一個神經元都有抑制或者興奮的作用。從數學角度分析，這種關系可以用非線性映射函數來表示。人工神經網絡的方法在分析油井噸液百米耗電中可以實現對歷史數據進行訓練形成記憶，并優化已建立的數學模型，使網絡具有很好的容錯性，以實現對后期數據的預測。

2 大數據分析應用

此次大數據分析案例以華北油田采油三廠971口油井數據為基礎，結合抽油機井基礎數據、功圖數據、自動檢測實時數據及系統效率等近150萬條數據進行數據清洗、分類等工作，建立了針對抽油機井噸液百米耗電的主題數據庫，并通過配套嵌入的相關數據挖掘算法，發現隱藏其中的相關規律，制定以降低抽油機井噸液百米耗電為目標的措施。

2.1 關鍵指標診斷

抽油機井噸液百米耗電是衡量抽油機能耗水平的重要指標。2017年，華北油田采油三廠平均單井噸液百米耗電為0.99 kWh/（102·t），系統效率為30.21%，抽油機電費占全廠總成本的6.54%。在含水上升、液量增加，國際油價持續低位徘徊的大環境下，提高抽油機系統效率、降低能耗具有重要意義。

2.2 基礎數據挖掘實例

通過對采集到的數據進行正態分布圖、曲線圖、柱狀圖、散點圖等方式進行直觀展示。以某采油工區為例，統計分析近期測量的160余口油井噸液百米耗電數據，繪制正態分布圖；應用3σ準則劃分邊界條件進行質量控制，發現6口井嚴重偏離平均值，現場重新測量之后，發現是測試儀器故障。經過初步分析，可以實現對錯誤數據的檢測及淺顯規律的發現。

2.3 專業數據挖掘

通過分析電動機、抽油機等因素與噸液百米耗電的關系，發現抽油機平衡率與能耗分布無明顯規律。認為：目前利用峰值電流評價平衡率的方法值得商榷，若采用功率法能更準確地反應抽油機平衡情況。分析抽油機井噸液百米耗電與系統效率的關系發現，兩者之間存在擬合度良好的冪函數關系曲線。

2.3.1 系統效率分析

選取所屬某區塊所有油井的噸液百米耗電數據及系統效率數據，做出兩者之間的散點圖，擬合出的冪函數關系曲線為y=23.99x-0.96，表明二者存在明顯的冪函數曲線關系。進而按噸液百米耗電的不同對數據進行分類，做出各自區間的線性關系，分析發現直線1與直線2的斜率之比為10.4倍，相交點系統效率為9.7%；直線2與直線3斜率之比為5.6倍，相交點的系統效率為28.9%。這表明：當系統效率值小于9.7%時，能耗水平降低空間巨大，是重點治理區域；系統效率值在9.7%與28.9%的油井是普通治理區間；系統效率值大于28.9%的區域為高效區域。某區塊油井系統效率與噸液百米耗電關系見圖3。

圖3 某區塊油井系統效率與噸液百米耗電關系

2.3.2 沉沒度分析

選取所屬某區塊所有油井的數據，以抽油機井噸液百米耗電及系統效率為研究對象，進行合理沉沒度的確定。應用聚類的方法以50 m為間隔進行劃分，求出每個區間內的平均沉沒度、平均系統效率、平均噸液百米耗電；應用回歸分析擬合出2條二次函數曲線（圖4）。隨著沉沒度的增加，平均噸液百米耗電先減少、后增加，沉沒度在300～700 m時平均噸液百米耗電最低；而系統效率隨著沉沒度的增加先增加、后減小，沉沒度在300～900 m時平均系統效率最高。采用數學求導確定極值的方法，確定出所屬區域合理沉沒度為375～617 m。

圖4 某區塊油井沉沒度與噸液百米耗電、系統效率聚類分析

2.4 高級數據挖掘

選取某區塊所屬油井的14個與噸液百米耗電相關的因素，建立如下數學模型：

式中：xn（i=1，2，3…n）為噸液百米耗電的影響因素。

式中：γ為噸液百米耗電對任意變量xi的偏導數。

γ絕對值的大小反映了變量xi對噸液百米耗電的影響程度。值越大，變量xi對噸液百米耗電的影響越顯著，同時γ的正負值反映了該變量xi對噸液百米耗電的影響方向。值為正表明噸液百米耗電隨變量xi值增加而增加。反之噸液百米耗電降低。

用單因素量xi下的偏導數的絕對值與所有因素偏導數絕對值之和的比值，表示噸液百米耗電敏感性程度的權重系數ω，即

進而進行權重分析，尋找影響噸液百米耗電的主要因素，并為后期制定措施指明方向。由表1可知，影響抽油機井泵效的因素敏感性程度大小排序為：產液量＞泵效＞沖速＞泵徑＞沖程＞原油黏度＞含水率＞懸點最小載荷＞抽油機平衡度＞泵深＞抽油機載荷利用率＞電動機載荷利用率＞沉沒度＞懸點最大載荷。后續在制定降低噸液百米耗電的措施時應按所分析的次序優先進行調整。

表1 某區塊油井噸液百米耗電影響因素排序

3 現場應用

結合大數據分析成果，編制詳細的節能措施方案，針對不同井況、不同生產情況制定措施。

1）針對產液量低、泵效低的問題，采取壓裂、酸化、地質補孔等措施，提高產液量；對地層挖潛潛力不大的油井進行間開或安裝抽油機變速運行智能控制裝置，降低噸液百米耗電，節電率達21.66%。

2）針對沖程、沖速、泵徑、泵深匹配關系不好的問題，在數據庫建設的基礎上，對歷史數據應用神經網絡模型進行訓練，并結合桿柱等強度理論，開發了井下完井桿柱組合方式軟件，系統調節沖程、沖速及井下桿柱配比。分析應用以來，調整沖程139次、調整沖速162次，優化泵徑及桿柱組合581井次，年節電92.65×104kWh。

3）針對抽油機不平衡的問題，通過調整平衡度、皮帶松緊程度、驢頭對中、中軸尾軸的潤滑等方式以提高地面效率，目前調整平衡167井次，調整皮帶93井次、中軸尾軸潤滑4000余次，年節電113.53×104kWh。

4 結論

1）通過對抽油機井噸液百米耗電大數據的分析，為油井能耗挖潛提供了一定的借鑒依據。

2）以降低抽油機井噸液百米耗電為目標的大數據分析應用，配套嵌入數據回歸分析、聚類分析、人工神經網絡等各種數據算法，為油田大數據分析工作的應用，以及油田由工業化向信息化融合提供了新的思路。

3）現場應用證明，依據大數據分析結構，具體結合各單井實際情況而制定的節能措施，其效果顯著，具有持續推廣的意義。