抽油機井人工舉升智能控制系統的應用

李雪, 張戰敏, 朱麗萍, 金學鋒, 朱丹丹, 高鵬

(1. 中國石油大學(北京) 信息科學與工程學院，北京 102249；2. 中國石油華北油田公司 工程技術研究院，河北 任丘 062552)

人工舉升的作用是將油氣開采至地面，是原油開采中的重要環節。截至2016年，中石油公司整體的機采井數量達到了2.5×105口，約占中石油總油井數量的98%，而機采井的產油量占中石油總體產油量的約99%。抽油機舉升技術已經有近百年的歷史，依靠其結構簡單、結實可靠的特點一直占據著人工舉升的主導地位，隨著油田進入開發中后期，人工舉升的地位將會越來越突出。

抽油機井人工舉升目前面臨的問題，主要是效率低能耗高，目前抽油機系統效率僅為24%，人工舉升系統能耗約占油田總能耗的30%，在低油價形勢下，只有通過技術創新，才能提高人工舉升系統效率，降低能耗，提高投資回報率。同時人工舉升控制方式多為基于沖次的科學公式法，少有單周期內的智能變速控制。并且井下生產情況復雜，原理建模方法復雜且精度不高。

為此，需要研制一套抽油機井人工舉升智能控制系統[1-4]，基于人工舉升理論與機器學習的數字孿生模型架構。具有監測、診斷、預警、分析和控制等功能，提高抽油機井產量，并減小電機能耗。實現油氣田開采精細化管理的目標： 提升產量，降低能耗，對產液量及泵效預測、工況識別診斷，根據當前生產情況實時優化控制參數；延長設備壽命,實時預警;數據管理與可視化,讓用戶可以直觀清楚地看到產液量，耗電量等周期內的變化，提高用戶體驗度;實現數據采集與傳輸，將所有抽油機采集到的數據實時更新到數據庫中，保證平臺頁面實時刷新最新數據。

通過對抽油機井自動調節參數，進行機器學習，實現控制策略自動尋優，獲得油井最佳運行工況及最小耗電量。自動尋優后采集當前運行數據，與模型預測的尋優運行數據進行對比、修正、機器學習，不斷優化修正模型，提高精確度，使抽油機始終保持最優的運行工況，實現智能舉升[5-13]。

1 平臺架構

平臺采用B/S架構設計，總體架構如圖1所示，包括數據采集層、存儲層、計算層和應用層四個部分，各部分功能分別為： 數據采集層從遠端數據庫讀取數據，包括功圖數據，電參數據等，同時通過多線程技術進行數據的實時讀取，保證本地數據庫中的數據是最新的；存儲層將遠程數據存儲到本地數據庫，系統實時更新產生的日志文件存儲等，還包括在平臺上多條選擇直接下載功圖數據等；計算層起到連接存儲層和應用層的作用，平臺內對數據進行平均值計算、數據編碼處理，同時分析深度學習和強化學習的數據之后得到產液量、耗電量等預測結果以及變頻曲線等；應用層則是對數據的圖形化界面展示，為系統用戶提供操作界面，用戶通過對應操作發送請求，完成人機交互動作，并將請求頁面在Web界面中展示，同時將功圖數據，電參數據通過Echarts圖形展示出來，計算層中計算出的數據通過折線圖圖形展示。

圖1 平臺架構示意

2 系統功能

根據智能控制系統的需求，該系統功能設計為五大模塊如圖2所示，各模塊的介紹如下：

1)數據快速查詢模塊。用戶可以進行油井信息的查看以及加井等操作，油井信息界面有功圖散點圖，油井的其余參數，還有四張曲線圖分別為電流曲線圖、有功功率曲線圖、無功功率曲線圖以及速度/加速度曲線圖；可以查看報警信息，并篩選出不符合正常規范的數據。

2)數據綜合展示模塊。該模塊是對通過強化學習和深度學習計算出的數據圖形化界面的展示，可以選擇某一時間點，對生產數據的展示做一個選擇，展示出所有油井數據的平均值；可以進行批量下載，選擇要下載的數據后系統會通過選中的id值到數據庫中進行查找，將數據庫中對應的其他數據下載到文件中以及日志數據的展示。

3)人工智能舉升模塊。用戶可以輸入參數實現對深度學習的參數控制，也能清晰地看到變速控制產出的頻率曲線，最新的功圖數據對應一條頻率曲線以及智能預測結果；近10個周期的產液量，泵效，日耗電曲線圖。

4)模型訓練及預測模塊。用戶可以根據界面的模板文件，上傳一個本地文件，實現產液量、泵效以及工況識別模型訓練并得出預測結果。

5)系統管理模塊。管理員可以進行用戶的注冊，以及查詢其他用戶，普通用戶不可以進行該操作。

圖2 系統功能模塊示意

3 系統關鍵技術原理

抽油機通過傳感器采集相關數據存入數據庫，并從積累的海量數據中提取井號、地面載荷、地面位移以及泵徑等關鍵生產數據，設計智能分析模型，從而得到產液量、泵效和工況的預測結果，大幅提升了預測的準確性。變速模型將抽油機單周期的耗電量和產液量作為優化目標，輸出控制頻率曲線實時調控抽油機運行。

3.1 Java Web技術

該系統后臺應用了SSM框架，采用的程序語言為： Spring + Spring MVC + MyBatis。網頁前端使用了jQuery EasyUI，它是基于jQuery的一組UI插件集合體，提供了大多數的UI控件的使用，包括頁面布局、菜單和按鈕、表單、窗口、表格和樹等。在該系統開發中常用的是dataGrid，treeGrid，tree，dialog，tabs，validatebox，combobox等前端控件元素。

3.2 智能算產

產液量預測模型的輸入為地面示功圖像素矩陣，圖像的像素為224×224，由n個采樣點繪制而成，然后運用卷積神經網絡ResNet34從224×224像素矩陣中提取維度為512的特征向量，接著經過泵徑融合層，將油井的泵徑大小融入特征向量中，使得模型能夠適用于不同泵徑的油井，提高模型的精度和泛化能力，最后計算出產液量。

3.3 泵效預測

泵效預測模型的輸入是將非結構化功圖數據轉換為地面示功圖像素矩陣，圖像的像素為224×224，由n個采樣點繪制而成，然后運用卷積神經網絡ResNet50從224×224像素矩陣中提取維度為1024的特征向量，接著經過全連接層，最后計算出泵效。

3.4 工況診斷

工況診斷模型采用ResNet_v2_50模型結構，將示功圖序列繪制成示功圖，之后轉換為像素矩陣輸入模型，通過50層的網絡結構提取超維度的特征向量，最后將向量輸入分類器進行工況識別結果輸出。

3.5 變速控制系統

基于變速控制系統與抽油機井的交互，可實現抽油機電機的運行頻率曲線變速控制規律的自動尋優。提出了一種具有動作自尋優能力的交互式強化學習框架實現變速控制系統，實現了在線學習快、兼容能力強以及變速自適應性和準確性高。變速控制系統的輸入為兩種數據： 抽油機運行狀態S(示功圖和沖次規律)；在對應運行狀態下得到的回報與產液量和耗電量有關。變速控制系統的輸出為一種數據，即單周期內一系列的調速動作A，在現有沖次上增大或減小或不變[14-15]。系統總體結構如圖3所示。

圖3 系統總體結構示意

4 系統應用情況

根據對中國石油天然氣集團有限公司華北油田當前的抽油機井運作情況進行抽油機井人工舉升智能控制系統的設計與實施。系統平臺采用Java語言以Java Web技術并利用MYSQL數據庫進行開發，結合SSM框架技術，同時在系統的功能和頁面處理時選擇JSP技術進行操作，使用戶可以通過圖形界面化清楚直觀地感受到產液量和耗電量等周期內的曲線變化情況，還有功圖矩陣圖像。

4.1 實時智能分析

原始數據集為283口油井約31萬個數據，其中數據集中采樣點數據包括144個采樣點功圖和200個采樣點功圖，因為采樣點個數不同，針對不同數據算法會有不一樣的處理過程，另外還包括4種不同的泵徑，非結構化功圖數據轉換為圖像像素矩陣，實現產液量預測、泵效預測以及工況識別。

產液量預測模型將單井計算的時間級別從秒級提高到毫秒級；一個運行周期結束，自動繪制功圖并計算產液量，不易掉井。部分產液量樣本預測結果如圖4所示。

圖4 部分樣本產液量預測效果示意

泵效預測模型通過對多類井數據的學習，獲得相關經驗，可快速移植到對應類別的油井上應用，部分泵效樣本預測結果如圖5所示。

圖5 部分樣本泵效預測效果示意

采用基于深度學習的工況診斷模型識別工況故障類型多、準確率高，且對低產、復雜工況、相似工況有更好的分辨度。可識別14種工況，準確率為94.2%，召回率為87.1%，模型計算速度為5 ms，工況識別訓練與測試數據集見表1所列。

表1 工況識別訓練與測試數據集 個

4.2 單周期變速控制規律自動尋優

根據實時產液量、工況等生產情況，自主尋優單周期內懸點的最佳變速運行規律，以生產效益提升為導向，根據抽油機實時工況，自動調節變頻曲線。模型能夠根據特定應用井，自適應調節內部參數功能；短時間網絡中斷不影響抽油機井工作；故障時可自動切回現場工控柜設定的運行參數；客戶端在線監控變速控制效果。

針對這幾個目標提出了一種具有動作自尋優能力的交互式強化學習框架實現變速控制設計[16]，變速控制系統應用效果如圖6所示，變速控制系統應用效果見表2所列。

圖6 變速控制系統應用效果示意

表2 變速控制系統應用效果

5 結束語

本文根據實際的需求，設計了抽油機井人工舉升智能控制系統，采用MYSQL數據庫，eclipse作為開發工具，系統前端以HTML+CSS+JS的開發模式，結合強化學習DDPG算法和深度神經網絡進行抽油機井交互功能開發，并使用Echarts進行數據的圖形化界面展示，后臺采用SSM框架實現與前端系統的通信，利用DDPG算法進行變速控制系統的實現，基于以上開發語言和技術，實現了基于Java Web技術與強化學習的抽油機井變速控制平臺的開發。

該系統部署復雜，維護方便，通過井數據以及產液量、耗電量等預測數據的可視化界面瀏覽，直觀地展示了系統結合強化學習的變頻調速的效果，為油田抽油機井人工舉升控制提供了有效地解決方法。