油井工業數據采集質量的研究與提升

劉成龍，黃少偉，李 敏，田巧燕，石 磊

（1.中國石油長慶油田分公司第九采油廠，寧夏銀川 750006；2.中國石油長慶油田分公司數字化與信息中心，陜西西安 710018）

1 現狀背景及總體思路

1.1 現狀背景

第九采油廠數字化改造站點131 座，覆蓋率99.2%；數字化上線油水井3 840 口，覆蓋率98%；各類視頻1 727 套，架設光纜2 339 km，整體數字化建設成熟度較高。

在生產數據集中統一采集推進的同時也暴露出了多鏈路采集下，網絡通信質量、井場RTU 性能、通信協議等多方因素制約了數據采集質量問題。

在2022 年5 月27 日召開的工業數據集采工作推進會議上要求：為保障工業數據集中采集工作于2022年12 月底前全面實施完成，對現存問題急需開展采集數據質量提升專項治理工作。

1.2 總體思路

通過調整功圖數據源從原來的SCADA 系統采集轉至集采平臺采集，解決油井功圖數據傳輸鏈路長的問題，保證了向功圖3.0 系統推送持續可靠的數據，推進數據工作。技術人員依靠經驗分析，工作量大，系統工況診斷準確率低、功圖計產準確率為41%，系統功能單一，不能滿足油田開發、智能化工作需要。

2 主要技術內容

2.1 前端后端5 方面開展工作

組建基礎數據完善、前端設備提升、通信及數據鏈路評估、集采軟件應用、技術標準完善小組。五谷城作業區開井910 口，建設功圖902 口，數字化抽油機887臺，常規抽油機13 臺，僅4 座井場使用無線網橋傳輸，其余井場全部光纜。井場RTU 由凱山、安控、星際、長森及騰控組成，井口RTU 由凱山、安控、安特、長森、騰控、中恒組成。

2.2 確認重點工作目標

提升集采數據質量，輔助提高功圖計產準確率，助力功圖3.0 系統的推廣應用，實現以用促管，以管促建（見圖1）。

圖1 問題分析圖

2.3 錯誤功圖核查

通過現場查看、技術交流、數據驗證等方法，針對空白功圖、重復功圖、錯誤功圖等問題，確認了影響集采數據質量的主要因素，明確了分工，劃分責任范圍，落實責任人員（見圖2）。

圖2 錯誤功圖問題排查

2.4 通信鏈路核查

重點核查功圖采集張數不足144 張的油井井場至公司云計算中心的網絡通信鏈路情況，定位傳輸瓶頸節點，提出有效的作業區組網優化方案。

采油九廠整體網絡基礎較好，做到了光纖到井場。經核查新496 井場總帶寬平均為82.1 Mbps，按照每個井口RTU 生成的功圖數據約1.6 K/10 min，電參等數據400 Bytes/min，井口RTU 最大數據傳輸要求帶寬為2 Kbps，按照每個井場RTU 下聯井口RTU 最大按照16 個計算，同時1 080 P 分辨率攝像頭占用帶寬約4 Mbps，一個井場按照3 路攝像頭計算，總帶寬占用不超過15 Mbps，因此82.1 Mbps 的帶寬完全滿足集采數據業務的需求。

2.5 集采軟件功能核查

重點篩查與功圖3.0 系統功圖采集數據差異較大油井，查找問題根源，優化集采程序或配置參數：（1）核查油井處于開井狀態，集采平臺采集為空功圖時井場RTU 及井口RTU 中功圖數據；（2）集采平臺采集重復功圖（不為0）油井，井場RTU 和井口RTU 功圖實際情況；（3）集采平臺沒有采集到的油井，核查現場實際情況；（4）配合數據鏈技術規范修訂測試組，完成協議優化后的油井數據采集工作。現場核查發現造成空白功圖、重復功圖的主要原因是：井場主RTU 無法在規定時間內（10 min）獲取有效的功圖數據，不同廠家處理機制各不相同（安控上傳空白功圖、騰控上傳重復功圖、摩莎7101 上傳重復功圖）。

主要影響因素分為：（1）前端采集設備故障；（2）井場通訊質量不佳。

問題解決對策：（1）使用高增益天線（距離超過50 m）；（2）調整天線位置，避免遮擋；（3）調整井場主RTU 與井口RTU 對應數量（12 口調整為6 口）（見表1）。

表1 空白功圖優化對比

2.6 功圖采集質量核查

（1）錯誤功圖井核實現場工況；（2）核實開井狀態功圖為0 油井的井場主RTU 和井口RTU 功圖實際情況；（3）篩查功圖采集張數、采集數據不達標油井，配合集采軟件功能核查組完成現場情況核查；（4）全面核查五谷城作業區功圖3.0 系統基礎數據錄入質量，現場完成整改。

平臺顯示錯誤功圖（錯亂功圖）21 口，現場工況正常；平臺顯示開井狀態為0 時，井口RTU 正常采集、井場主RTU 功圖數據正常上傳；暫無功圖采集張數、采集數據不達標油井；影響功圖計產主要基礎數據為泵徑、沖程，其中泵徑數據不符井70 口（已整改完畢），現場沖程數據與A2 數據對比誤差超過10 cm 油井493 口（正在整改）。

2.7 SCADA 系統數據采集鏈路整改

優化SCADA 系統數據采集模式，SCADA 系統將不再采集功圖系統所需數據，單井數據采集調整為最多2 條鏈路。配合集采項目組完成凱山設備生產數據集中采集工作。

（1）SCADA 系統功圖數據庫暫停運行，SCADA 系統功圖采集數據鏈已切斷，SCADA 系統不再采集功圖系統所需數據；

（2）單井數據（啟停狀態）采集鏈路已調整為2 條（一用一備）；

（3）凱山RTU 不支持多鏈路采集，目前通過SCADA驅動進行轉發，暫無法實現數據集中采集，需要針對凱山設備增加采集驅動機制（或逐步更換）。

2.8 數據鏈技術規范修訂測試

優化井場RTU 程序及通信協議，增加功圖存儲時間的采集，選取通信質量不佳的井場（由第九采油廠負責落實測試地點），更新程序，測試程序可行性、穩定性及安全性。

2.8.1 完成新版井場RTU 程序升級 解決了因井場通信阻塞導致錯誤功圖的問題；優化完善功圖儲存標準，已為每張功圖新增id 標注；通過在新495 井場的測試，目前新程序運行穩定，RTU 數據采集、傳輸正常。在測試井場RTU 程序時發現功圖3.0 系統出現大量“-3”數據。

問題產生原因：井場主RTU 程序未更新，老版本RTU 程序無法解決井場通信阻塞導致功圖錯包問題，造成功圖展示為錯誤功圖，將井場主RTU 程序升級至最新版本（V2.72），基本解決錯誤功圖現象（見表2）。

表2 RTU 升級前后對比

2.8.2 增加功圖id 標注 優化完善功圖儲存標準，為每張功圖新增id 標注，從RTU 設備中讀取功圖及時間標簽。

2.8.3 優化驅動程序讀取機制 驅動詢問與RTU 應答數據到服務器時間較長，驅動讀取超時。時序數據庫未讀取到沖程、沖次等數據，但功圖數據正常，將其他數據填充為“-3”作為標識。

問題解決對策：驅動服務優化，調整通訊超時時間，未采集到沖程、沖次數據時，增加重讀功能，讀取機制優化后，數據為“-3”問題得到有效解決。

2.9 油井啟停狀態核查

篩查集采平臺功圖油井狀態采集不到、采集狀態與現場不符的油井，現場核實井場RTU 和井口RTU油井狀態配置參數，現場落實整改。

停井狀態下，某些RTU 上傳重復功圖，功圖3.0 系統判定時有功圖（默認起井），但啟停狀態為停機，造成啟停判定不符的現象；目前集采為多鏈路采集，功圖數據包與啟停狀態數據分鏈路傳輸，當啟停狀態鏈路發生問題時，功圖鏈路可以讀取到功圖，但是啟停狀態鏈路獲取不到啟停狀態，造成功圖3.0 系統判定有功圖，但啟停判定不符的現象。

抽油機啟停狀態判斷機制：（1）問題表現形式：無法準確判斷抽油機啟停狀態；（2）問題產生原因：目前抽油機啟停判斷機制不統一，通過交流接觸器狀態以及電參判斷的方式不夠準確；（3）問題解決對策：優化判斷機制，統一以角位移數據為主，電參數據、交流接觸器吸合狀態為輔（井口程序正在編寫中）。

3 系統平臺開發

3.1 分油藏工況診斷關鍵參數優化

智能油井系統主要應用四聯功圖診斷技術提升判識精度（見圖3）。一次診斷主要是與標準功圖對比，從二次診斷開始，特征對比成為重要判識依據，分油藏工況的關鍵參數是提升準確率的重點。

圖3 工況四聯診斷法

3.2 確定12 項工況診斷主控因素

按照采油九廠油藏特征及井筒工藝配套，結合采油九廠不同油藏進行基礎數據調研分析，對相關參數進行重要程度及相關性分析，確定12 項工況診斷閾值，并針對不同油藏進行主控因素相關性分析后調整主控因素排序。

3.3 調整工況診斷閾值

結合樣本數據對不同油藏主要影響因素閾值進行整理和驗證，并將不同油藏故障主控因素閾值進行調整匹配，形成分油藏工況診斷關鍵參數判識標準（見表3）。

表3 工況診斷判斷標準

3.4 復雜工況再學習

上線運行以來持續收集九廠的特殊功圖（故障功圖樣本），對樣本進行離線訓練后，優化更新CNN 模塊（卷積神經網絡算法），提高CNN 診斷結果準確率。

3.5 對工況故障辨識提升取得認識

可對比井中，上修原因判識準確率較高的是卡泵（判識準確率75%）、油桿斷（判識準確率58.59%）、油管漏失（判識準確率43.48%）；判識準確率較低的分別是氣鎖（判識準確率0%）、游動凡爾失靈（判識準確率4.17%）。

由于卡泵、油桿斷、油管漏失功圖載荷變化明顯，故判斷準確率較高。

卡泵：載荷無平穩加載、卸載段；油桿斷：載荷差明顯變小，最大載荷變化明顯，且功圖位于標準最小載荷下方；油管漏失：載荷差變小，最小載荷變大，最大載荷變小。

3.6 創新了新的評價指標：異常工況診出率達到99%

結合12 月以來作業區井下修井動態日報，對194井次修井數據與系統診斷結果進行對比，除去淺部斷脫油井和抽油泵柱塞卡死在泵筒工況系統未采集到故障功圖，一級工況報警診出率99%。

3.7 間開井實現了自動計量

全廠有1 500 口井是間開井，占比44%。功圖2.0系統中單井開井時間為固定值24 h，無法實現間開計量產量功能。采用TD 庫讀取啟停狀態（RTU 綜合判斷法），并結合功圖回傳情況，確定啟停井時間，由此計算間開井實際產液量，能夠有效提升計產精度。計產時進行產量加權；側重生產時率t 的計算（見圖4）。

圖4 間開計量功能

3.8 計產準確率

通過分析對比真實產量（長期核實的單量數據），功圖計產準確率初步達到67%，較2.0 系統的47%，提升20%。影響準確率的主要因素是油井功圖充滿程度較差（占10.2%），系統計產與單量結果相比偏小；其次有效沖程偏大導致計產偏大。

4 治理效果分析

4.1 數據質量大幅提升

4.1.1 無效數據得到有效清理 工業數據庫在“沖程沖次因通訊問題采集不到”時，“-3”數據不再進行保存，各項數據重新采集（6 月14 日13 點以后時序數據庫修改采集機制后，目前數據庫無字段為“-3”功圖采集數據）（見表4）。

表4 旗62-108 井組（騰控井場主RTU 升級）前后采集數據

4.1.2 基本解決錯誤功圖問題 錯誤功圖出現頻次降低至萬分之1.2；對五谷城作業區25 113 條數據進行錯誤功圖問題排查，僅發現3 條錯誤功圖，較之前每日30 條錯誤功圖數據相比，同比降低90%。

4.1.3 基于現場試驗（旗62-108 井組）目標井場重復功圖、空白功圖、錯誤功圖大幅減少。空白功圖從228 張減少至4 張（降低89.3%）、重復功圖從48 張減少至0、錯誤功圖從353 張減少至2 張（降低99.5%）。

4.2 數據一致性有效驗證

通過為期3 d 的現場抓包驗證，抓包總時長共計15 h，通過抓包數據比對分析，前端采集、云端存儲、平臺展示三方數據一致。

4.3 數據利用率有效提升

五谷城作業區采集數據利用率由92.04%提升至99.45%（見表5）。

表5 采集數據利用率

5 推廣應用

5.1 應用情況

已在本廠5 個作業區部署應用，接入油井2 994口。共建立用戶185 個，全廠累計登錄用戶次數28 000余次，日登錄用戶110 余次。自2021 年11 月5 日至今跟蹤系統一級預警油井3 904 口，實際上修877 口，故障診出率≥99%，判斷準確率22.5%；877 口上修井中425 口故障診斷準確，準確率48.5%。

5.2 指標報表應用

指標報表分類計算分析和分級展示，實現系統效率、泵效、能耗等關鍵工藝指標在線計算，實時掌握油井生產運行情況，為油田開發人員提供大數據支持[1-2]。

（1）設計開發指標計算分析、報表統計匯總2 個功能菜單，實現系統效率、泵效、能耗、動液面、含水率等關鍵工藝指標和覆蓋率、上線率、分析成功率等數字化指標分析計算。

（2）按照地質、工藝、數字化各管理部門要求，設計開發工藝指標管理、數字化指標管理、數字化管理月報、自定義報表、單井卡片等五大功能菜單，實現泵效、時率、上線率等關鍵指標個性化管理。

5.3 實時報警信息推送

根據實時診斷結果，對一級工況預警及時推送至技術管理人員即時通，不受時間和空間限制，及時掌握油井生產動態。目前已對全廠五個作業區技術組主任、井筒管理崗等40 余人進行消息推送。

6 取得認識

（1）針對1%的復雜功圖的漏報：建立疑似一級預警區，結合現場憋壓進行判斷。

（2）針對游漏、固漏的誤報：CNN 神經網絡學習所有采油九廠的樣本，及時學習更新數據庫。

（3）不出液功圖的精細判斷：對供液不足井“刀把”處的拐點進行精準的識別，減少功圖診斷誤報和功圖計產偏大的問題。

（4）新增功能：系統讀取的生產時間與計劃生產制度的對比、提醒，及時發現生產管理存在的問題。

（5）針對不同油藏、不同泵掛閾值規范：開展科研攻關，閾值的確定、功能完善、算法優化，同時建議在本廠擴大密集間開的配套，消減供液不足油井的不出液工作狀態。

（6）工況診斷：深度應用機器學習技術，開發診斷閾值自適應、標準功圖自確認、診斷結果復合化、報警策略分級化、故障報告自生成等5 個功能，實現工況診斷“三升兩降”：提升診斷算法普適性、診斷準確率、診斷透明度；降低工況診斷誤報率。