基于多源信息融合的油井态势感知系统

张立婷，李世超，郑东梁，石 硕，曾 鹏

(中国科学院沈阳自动化研究所，辽宁 沈阳 110016)

0 引言

“态势感知”这一概念最早起源于美国空军，指在特定的时间和空间下，对环境中各元素或对象的觉察、理解及对未来状态的预测[1-3]。态势感知过程大致可分为感知、理解、预测3个主要过程，其反映了人类的行为和思维规律[4-5]。态势感知理论已在一些大型、复杂和动态的领域有所应用，并结合各领域专业知识和技术，形成了相应的技术体系，如军事、航空、网络安全和智能电网等领域[6]。

油田生产过程复杂，是一个典型的大型、复杂和动态的系统。在传统的油田工作模式下，基于油井的数据采集、抽油机操作控制、工况诊断、趋势预测和生产参数优化等，主要依赖人工作业和个人经验，缺乏对油井运行状态发展变化情况的准确掌控[7]。

本文从适应未来智能油田发展需求出发，将态势感知技术引入油田开发领域，充分利用油井信息采集系统，对大量实时动态的油井运行数据和基础数据进行融合分析，提取有效信息，以期实现对油井运行状态的全面掌控和生产趋势的准确预判。

1 油井多源信息融合

信息融合是基于一定的融合结构，对多源信息进行阶梯状、多层次的处理过程。信息融合的基本功能是相关、识别和评估，重点是识别和评估。典型的信息融合系统由多个传感器、数据传感系统和融合处理系统组成[8-10]。

油井态势感知系统多源信息融合是将采集到的功图数据与井身结构、井口压力、温度、电参数等多源数据相结合，进行融合分析，得出油井多源数据与油井运行状态的关系，并采取相应措施，保障油井长期稳产和长寿。

2 油井态势感知系统

2.1 油井态势感知系统总体结构

基于多源信息融合的油井态势感知系统总体结构如图1所示。

图1 系统总体结构图

该系统主要分为以下3层。

①态势觉察。态势觉察是进行油井态势感知的前提。传感器采集的油井数据多含噪声，或存在数据缺失的问题，需要对这些数据进行预处理，提取信息特征。

②态势理解。对这些来源不同的油井信息进行融合分析，明确油井当前所处的状态。

③态势评估与预测。利用相关算法完成对油井运行状态的评估和态势预测。

2.2 系统主要功能

系统具有油井自动监测和数据采集、 油井产液量计量、 油井工况诊断 、系统效率优化设计等功能 。

①油井状态信息。

油井的最新状态信息包括井号、油井状态、采集时间、油压、套压、温度、冲程、冲次、泵效、功率、平衡度、电压、电流、载荷以及井身结构数据等。

②油井工况诊断。

根据油井的示功图、油压、套压、温度、和电参量等数据，应用油井优化诊断技术，将功图数字化，并提取特征；结合油井基础数据及工作参数，对油井等进行综合诊断分析，判断油井的工况。

③油井产液量计量。

在油井正常运行期间，根据采集到油井实时动态数据以及油井基础数据，应用产液量计量技术计算油井产液量，及时掌握油井的生产动态情况 。

④油井动液面计算。

根据采集到的油井实时动态数据以及油井基础数据,计算油井动液面，实现油井动液面的实时计量与监测功能。

⑤油井智能变频优化控制。

应用智能变频优化控制方法，解决了依赖人工参与频率调整不及时、对油井工况变化的适应性差等问题，实现了油井产能和系统效率的实时持续优化。

⑥油井生产趋势预测。

根据实时采集的油井生产数据，借助油井生产趋势预测模型，对单井的生产状态进行分析和预测。

3 系统关键技术

系统关键技术主要有油井工况诊断、产液量计量、动液面计算、智能变频及生产趋势预测。这些技术共同实现了油井运行状态的全面实时感知，可及时、准确地掌握油井生产情况。

①基于多源信息融合的油井工况诊断。

对采集到的油井的功图、油压、套压、温度、电参数以及井身结构数据进行分析，采用深度学习算法提取信息特征、识别不同工况，得到油井多源数据与油井工况的关系，从而更加准确地判断油井工况。专家知识库故障类型已达18种，包括正常工作、气体影响、气锁、供液不足、液击、游动凡尔漏失、固定凡尔漏失、双凡尔漏失、泵上碰、泵下碰、抽油杆断脱、柱塞脱出工作筒、结蜡、油稠、出砂、卡泵、连抽带喷、油管漏失。通过该项技术，解决了井下故障诊断的核心问题。通过油井工况诊断，可以查明故障原因，及时采取相应措施，保障油井的正常运行。

②基于多源信息融合的油井产液量计量。

有效冲程的准确计算和油井漏失量的确定是影响功图量油计量准确度的两大技术难点。采用均值滤波法对五点曲率法进行改进，求取油井有效冲程。通过对油井产量标定，选取冲程、冲次、柱塞直径、柱塞长度、上下冲程载荷差、油压、有效冲程、泵挂深度等数据，建立油井漏失量误差反向转播(back propagation，BP)神经网络模型，结合油井功图，从而实现油井产液量的准确计量。

③基于多源信息融合的油井动液面实时计算。

采用核主元分析提取载荷及振动频谱和电功率、井口压力时域信号特征；利用改进的模糊交互式自组织数据分析聚类和高斯过程回归方法融合时频信息特征，建立多个动态子模型；利用权重优化证据理论(dempster-shafer, D-S)融合方法构造的概率分配函数作为权值因子，对子模型输出进行集成，以得到最终的动液面值。

④基于冲程比和动态控制图的油井智能变频控制。

通过对油井地面功图进行分析，计算油井有效冲程。分析冲程比变化情况，在泵效尽量高的前提下，维持抽油机以较低频率运行。以高泵效、低能耗为原则，设计油井智能优化变频方案，并结合油井动态控制图评价结果对变频控制策略进行修正，使油井保持合理产量模式生产。

⑤基于BP神经网络的油井生产趋势预测。

基于采集的油井生产动态数据，研究油井产量递减规律，采用BP神经网络确定适用的油井产量递减模型，对油井的生产状态进行分析和预测。根据油井运行状况，有针对性地给出相应的控水稳油措施，以减缓油井产量递减和含水上升速度。

4 系统应用

基于多源信息融合的油井态势感知系统已经应用在辽河油田、吉林油田、大庆油田油田。以辽河油田为例，该系统根据辽河油田的实际需求，开发了抽油机井工况的实时诊断、产液量计量、动液面计算、智能变频、生产趋势预测等功能。

工况诊断技术实现了远程诊断油井地下泵的工作状态，正确率在 92%以上。产液量计量技术实现了油井远程软计量功能，通过井口示功仪采集的悬点载荷与位移的关系曲线，结合泵的漏失求得产液量，平均误差在10%以内。动液面计量技术目标井的动液面进行计算，目前的动液面平均计算误差在 10%以内。 基于冲程比和动态控制图的抽油井智能变频控制，通过对供液不足的井进行间抽控制，实现了油田的节能增产。

5 结束语

随着我国智能油田建设的不断推进，现有的油井监测与控制手段需要全面升级，多传感器、多参数监测将成为未来发展的主要趋势。态势感知技术在军事、计算机网络方面已有了较成熟的应用。本文将态势感知理论引入到油田开发领域，构建了基于多源信息融合的油井态势感知系统。该系统可全面、实时感知油井运行状态，将油井生产管理从事后处理提高到事前预警的高度，实现油井生产工作状态的分析诊断及智能优化控制，为智能油田的建设提供了理论参考与技术支持。