基于多源信息融合的油井態勢感知系統

張立婷，李世超，鄭東梁，石 碩，曾 鵬

(中國科學院沈陽自動化研究所，遼寧 沈陽 110016)

0 引言

“態勢感知”這一概念最早起源于美國空軍，指在特定的時間和空間下，對環境中各元素或對象的覺察、理解及對未來狀態的預測[1-3]。態勢感知過程大致可分為感知、理解、預測3個主要過程，其反映了人類的行為和思維規律[4-5]。態勢感知理論已在一些大型、復雜和動態的領域有所應用，并結合各領域專業知識和技術，形成了相應的技術體系，如軍事、航空、網絡安全和智能電網等領域[6]。

油田生產過程復雜，是一個典型的大型、復雜和動態的系統。在傳統的油田工作模式下，基于油井的數據采集、抽油機操作控制、工況診斷、趨勢預測和生產參數優化等，主要依賴人工作業和個人經驗，缺乏對油井運行狀態發展變化情況的準確掌控[7]。

本文從適應未來智能油田發展需求出發，將態勢感知技術引入油田開發領域，充分利用油井信息采集系統，對大量實時動態的油井運行數據和基礎數據進行融合分析，提取有效信息，以期實現對油井運行狀態的全面掌控和生產趨勢的準確預判。

1 油井多源信息融合

信息融合是基于一定的融合結構，對多源信息進行階梯狀、多層次的處理過程。信息融合的基本功能是相關、識別和評估，重點是識別和評估。典型的信息融合系統由多個傳感器、數據傳感系統和融合處理系統組成[8-10]。

油井態勢感知系統多源信息融合是將采集到的功圖數據與井身結構、井口壓力、溫度、電參數等多源數據相結合，進行融合分析，得出油井多源數據與油井運行狀態的關系，并采取相應措施，保障油井長期穩產和長壽。

2 油井態勢感知系統

2.1 油井態勢感知系統總體結構

基于多源信息融合的油井態勢感知系統總體結構如圖1所示。

圖1 系統總體結構圖

該系統主要分為以下3層。

①態勢覺察。態勢覺察是進行油井態勢感知的前提。傳感器采集的油井數據多含噪聲，或存在數據缺失的問題，需要對這些數據進行預處理，提取信息特征。

②態勢理解。對這些來源不同的油井信息進行融合分析，明確油井當前所處的狀態。

③態勢評估與預測。利用相關算法完成對油井運行狀態的評估和態勢預測。

2.2 系統主要功能

系統具有油井自動監測和數據采集、 油井產液量計量、 油井工況診斷 、系統效率優化設計等功能 。

①油井狀態信息。

油井的最新狀態信息包括井號、油井狀態、采集時間、油壓、套壓、溫度、沖程、沖次、泵效、功率、平衡度、電壓、電流、載荷以及井身結構數據等。

②油井工況診斷。

根據油井的示功圖、油壓、套壓、溫度、和電參量等數據，應用油井優化診斷技術，將功圖數字化，并提取特征；結合油井基礎數據及工作參數，對油井等進行綜合診斷分析，判斷油井的工況。

③油井產液量計量。

在油井正常運行期間，根據采集到油井實時動態數據以及油井基礎數據，應用產液量計量技術計算油井產液量，及時掌握油井的生產動態情況 。

④油井動液面計算。

根據采集到的油井實時動態數據以及油井基礎數據,計算油井動液面，實現油井動液面的實時計量與監測功能。

⑤油井智能變頻優化控制。

應用智能變頻優化控制方法，解決了依賴人工參與頻率調整不及時、對油井工況變化的適應性差等問題，實現了油井產能和系統效率的實時持續優化。

⑥油井生產趨勢預測。

根據實時采集的油井生產數據，借助油井生產趨勢預測模型，對單井的生產狀態進行分析和預測。

3 系統關鍵技術

系統關鍵技術主要有油井工況診斷、產液量計量、動液面計算、智能變頻及生產趨勢預測。這些技術共同實現了油井運行狀態的全面實時感知，可及時、準確地掌握油井生產情況。

①基于多源信息融合的油井工況診斷。

對采集到的油井的功圖、油壓、套壓、溫度、電參數以及井身結構數據進行分析，采用深度學習算法提取信息特征、識別不同工況，得到油井多源數據與油井工況的關系，從而更加準確地判斷油井工況。專家知識庫故障類型已達18種，包括正常工作、氣體影響、氣鎖、供液不足、液擊、游動凡爾漏失、固定凡爾漏失、雙凡爾漏失、泵上碰、泵下碰、抽油桿斷脫、柱塞脫出工作筒、結蠟、油稠、出砂、卡泵、連抽帶噴、油管漏失。通過該項技術，解決了井下故障診斷的核心問題。通過油井工況診斷，可以查明故障原因，及時采取相應措施，保障油井的正常運行。

②基于多源信息融合的油井產液量計量。

有效沖程的準確計算和油井漏失量的確定是影響功圖量油計量準確度的兩大技術難點。采用均值濾波法對五點曲率法進行改進，求取油井有效沖程。通過對油井產量標定，選取沖程、沖次、柱塞直徑、柱塞長度、上下沖程載荷差、油壓、有效沖程、泵掛深度等數據，建立油井漏失量誤差反向轉播(back propagation，BP)神經網絡模型，結合油井功圖，從而實現油井產液量的準確計量。

③基于多源信息融合的油井動液面實時計算。

采用核主元分析提取載荷及振動頻譜和電功率、井口壓力時域信號特征；利用改進的模糊交互式自組織數據分析聚類和高斯過程回歸方法融合時頻信息特征，建立多個動態子模型；利用權重優化證據理論(dempster-shafer, D-S)融合方法構造的概率分配函數作為權值因子，對子模型輸出進行集成，以得到最終的動液面值。

④基于沖程比和動態控制圖的油井智能變頻控制。

通過對油井地面功圖進行分析，計算油井有效沖程。分析沖程比變化情況，在泵效盡量高的前提下，維持抽油機以較低頻率運行。以高泵效、低能耗為原則，設計油井智能優化變頻方案，并結合油井動態控制圖評價結果對變頻控制策略進行修正，使油井保持合理產量模式生產。

⑤基于BP神經網絡的油井生產趨勢預測。

基于采集的油井生產動態數據，研究油井產量遞減規律，采用BP神經網絡確定適用的油井產量遞減模型，對油井的生產狀態進行分析和預測。根據油井運行狀況，有針對性地給出相應的控水穩油措施，以減緩油井產量遞減和含水上升速度。

4 系統應用

基于多源信息融合的油井態勢感知系統已經應用在遼河油田、吉林油田、大慶油田油田。以遼河油田為例，該系統根據遼河油田的實際需求，開發了抽油機井工況的實時診斷、產液量計量、動液面計算、智能變頻、生產趨勢預測等功能。

工況診斷技術實現了遠程診斷油井地下泵的工作狀態，正確率在 92%以上。產液量計量技術實現了油井遠程軟計量功能，通過井口示功儀采集的懸點載荷與位移的關系曲線，結合泵的漏失求得產液量，平均誤差在10%以內。動液面計量技術目標井的動液面進行計算，目前的動液面平均計算誤差在 10%以內。 基于沖程比和動態控制圖的抽油井智能變頻控制，通過對供液不足的井進行間抽控制，實現了油田的節能增產。

5 結束語

隨著我國智能油田建設的不斷推進，現有的油井監測與控制手段需要全面升級，多傳感器、多參數監測將成為未來發展的主要趨勢。態勢感知技術在軍事、計算機網絡方面已有了較成熟的應用。本文將態勢感知理論引入到油田開發領域，構建了基于多源信息融合的油井態勢感知系統。該系統可全面、實時感知油井運行狀態，將油井生產管理從事后處理提高到事前預警的高度，實現油井生產工作狀態的分析診斷及智能優化控制，為智能油田的建設提供了理論參考與技術支持。