(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110244279.8 (22)申请日 2021.03.05 (65)同一申请的已公布的文献号 申请公布号 CN 113011089 A (43)申请公布日 2021.06.22 (73)专利权人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 刘昕　牛庆威　宫法明　张如玉　 白雨昊　穆有德　吴傲　王宇辰　 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/10(2019.01)G06Q 10/04(2012.01) (56)对比文件 CN 111985610 A,2020.1 1.24 陈德春等.基 于数据挖掘的油气开采决策支 持技术. 《油气地质与采收率》 .20 09,(第02期), 张昊.抽油机 井系统优化设计方法应用. 《石 油和化工节能》 .2017,(第01期), 姜民政等.基 于SVM的机采井区块系统效率 计算方法研究. 《节能技 术》 .2017,(第02期), 审查员 楚丹丹 (54)发明名称 一种基于深度学习的机采井系统效率优化 方法与装置 (57)摘要 本发明实施例提供一种基于深度学习的机 采井系统效率优化方法与装置。 本发 明的基于大 数据深度学习方法的机采井系统效率优化方法， 融合生产数据、 泵数据、 电数据、 温压数据等， 作 为系统效率优化的样本集。 采用长短期记忆LSTM 模型， 构建系统效率阈值提取模 型以及产液量预 测模型。 将系统效率进行区间划分， 每个区间标 记为一类， 作为周 期状态分类的标签， 应用分类 算法构建系统效率周期状态分类模 型。 结合系统 效率阈值、 产液量预测模 型、 周期状态分类模型， 决定是否调整工作制度。 另外， 发明实施例还提 供一种基于大数据深度学习的机采井系统效率 优化装置， 包括数据预处理模块、 系统效率阈值 提取模块、 周期状态分类模块、 产液量预测模块。 本发明实施例提供的技术方案能够对机采井的 系统效率进行优化， 降低开采成本、 提高经济效 益。 权利要求书2页 说明书4页 附图2页 CN 113011089 B 2022.05.20 CN 113011089 B 1.一种基于深度学习的机采井系统效率优化方法， 包括以下步骤： A、 将获取的各类机采井参数， 进行多源数据融合， 将融合后的数据作为系统效率优化 的数据集totalDataSet； B、 从数据集totalDataSet中提取机采井动液面、 日产液量、 日产油量、 系统效率的历史 数据， 构建系统效率阈值提取的训练样 本shresholdDataSet， 并采用时序模型训练， 应用训 练好的模型预测机采井中每一个周期下一时间节 点的系统效率， 系统效率值低于平均系统 效率时， 则记录该系统效率 值， 经过多组测试， 取平均值作为系统效率阈值； C、 基于数据集totalDataSet， 构建机采井周期状态分类数据集stateD ateSet； 依据系 统效率数据分布， 将其进行区间划分， 每个区间记为一类， 每一类作为训练数据 stateDateSet的标签值； 将数据集stateDateSet划分为训练集stateDateSetTrain和测试 集stateDateSetTest， 分别采用随机森林、 SV M、 Adaboo st、 GBDT、 XGBoost机器学习模型以及 神经网络MLP进 行训练， 构建周期状态分类模 型， 对结果进 行对比分析， 选择最优模型； 在每 一个周期 中， 应用构建好的模型对机采井的周期状态进行分类， 将分类结果作为是否调整 工作制度的依据之一； D、 基于机采井产液量历史数据， 通过长短期记忆网络LSTM算法， 以30天的产液量历史 数据预测未来10天的产液量的方式， 构建产液量时序预测模型， 预测未来几天机采井的产 液量， 并结合当前油井的原油密度、 动液面、 回压、 套压、 耗电量、 生产时间， 计算出系统效 率； 系统效率值低于步骤B提取的系统效率阈值， 则发出系统预警； 结合步骤C得到的周期状 态是否为低效状态， 判断是否需要调整工作制度， 并为下一吞吐周期生产参数调整或者新 井投产提供决策支持。 2.根据权利要求1所述的一种基于深度 学习的机采井系统效率优化方法， 其特征在于， 步骤A中， 所述的各类机采井参数 是指： 泵参数、 生产参数、 温压参数、 电参数、 有功 功率。 3.根据权利要求1所述的一种基于深度 学习的机采井系统效率优化方法， 其特征在于， 步骤B中， 所述的系统效率阈值提取是指： 采用长短期记忆网络LSTM算法， 以10天的历史数 据预测未来1 天的系统效率， 构建系统效率阈值 提取模型。 4.一种基于大 数据深度学习的机采井系统效率优化装置， 包括以下模块： 数据预处理模块： 将获取的各类参数， 泵参数、 生产参数、 温压参数、 电参数、 有功功率， 进行多源数据融合， 对融合后的数据进 行缺失值、 异常值处理， 作为系统效率优化的数据集 totalDataSet； 以30天的产液量历 史数据预测未来10天 的产液量的方式， 构建产油量预测 模型的训练样本； 系统效率阈值提取模块： 提取机采井动液面、 日产液量、 日产油量、 系统效率的历史数 据， 构建系统效率阈值提取的训练样本shreshol dDataSet， 采用长短期记忆 网络LSTM进行 模型训练， 应用训练好的模型预测机采井中每个周期下一时间节点的系统效率； 若系统效 率值低于平均转周系统效率， 则记录该系统效率值， 经过多组测试， 取平均值作为系统效率 阈值； 机采井周期状态分类模块： 基于数据集totalDataSet， 构建机采井周期状态分类训练 数据stateDateSet； 结合数据分布， 对系统效率进行区间划分， 每个区间记为一类， 每一类 作为训练数据stateDateSet的标签值； 将训练数据stateDateSet划分为训练集 stateDateSetTrain和测试集 stateDateSetTest， 分别使用随机森林、 SVM、 Adaboo st、 GBDT、权　利　要　求　书 1/2 页 2 CN 113011089 B 2XGBoost机器学习模 型以及神经网络MLP进行训练， 构建周期状态分类模 型； 根据模 型效果， 进行对比分析， 选择最优模型； 在每一个周期中， 应用构建好的模型对机采井的周期状态进 行分类， 将分类结果作为是否调整工作制度的依据之一； 机采井产液量预测模块： 根据每口井的产液量历史数据， 构建LSTM时序预测模型， 预测 未来10天的产液量， 并结合当前机采井的原油密度、 动液面、 回压、 套压、 耗电量、 生产时间， 计算出系统效率； 系统效率值低于系统效率阈值， 则发出系统预警； 结合周期状态是否处于 低效状态， 判断是否需要调整工作制度， 并为下一吞吐周期生产参数调整或者新井投产提 供决策支持。权　利　要　求　书 2/2 页 3 CN 113011089 B 3