刘彬

摘要：随着近年来海上油田电潜泵使用故障率较高的状况，在调查研究的基础上以现场采集的电流卡片为数据来源，进行整理和归纳，形成不同典型工况下的电流卡片样本库，并分析了每种典型工况下电流曲线的形态特征及其形成原因，为电潜泵井的工况诊断及故障处理提供依据。对现场油井的电流卡片进行工况诊断，工况诊断符合率为100%，表明所建立的诊断模型具有很好的精度，可以满足油田现场工程对诊断精度要求，能够为油田现场的生产提供理论支持和指导。

关键词：电潜泵井；工况诊断；工况故障；形态特征；特征参数；优化措施

针对目前油田现场电潜泵井工况诊断方式一般为人工诊断，存在工作技术性强，依赖技术人员的经验和方法，诊断效率和精度较低，且工作量大等缺陷的问题，以油田现场采集的电流卡片为数据来源，形成了10种不同典型工况下的电流卡片样本库，分析每种典型工况下电流曲线的形态特征及其形成原因，统一规范并确定了5个特征参数和7个电流特征以及它们的阈值，并对每种典型工况下的电流曲线进行特征提取，从而形成了基于特征识别的电潜泵井工况智能诊断新方法，以判断油井工况故障，并提出解决措施。

1基于特征识别的电潜泵井工况诊断方法

1.1不同典型工况下电流卡片样本库

以油田现场采集的电流卡片为数据来源，进行整理和归纳，形成了10种不同典型工况下的电流卡片样本库，并分析了每种典型工况下电流曲线的形态特征及其形成原因，为后面电潜泵井的工况诊断及故障处理提供依据。

1.2基于特征识别的工况诊断数学模型

1.2.1标准化处理

获得实时电流数据之后，首先需进行标准化处理。由于样本库中经过处理后的正常工作电流对应的值为0.7，停机后的电流对应的值为0.4。所以可对待诊断的电流数据I测做如下处理，以便进行后续的特征分析：

式中，I标准为标准化处理之后的电流，A；I测为测得的电流，A；I正常为电泵设定的正常工作电流，A。此外样本库中的时间量是弧度θ（0～2π）对应着24h，所以还须将时间进行标准化处理：

式中，θ为标准化处理之后的时间，弧度；T为测定电流值对应的时间，min。完成标准化处理之后，通过计算各点斜率，可获得一组反映电流变化规律的标准斜率数据。

1.2.2特征参数及其阈值的确定

特征量提取之前，定义以下5个特征参数及其阈值：

①α+为较大的正值（α+>5）；②α-为较大的负值（α-<-5）；③β+为较小的正值（0.2≤β+≤2）；④β-为较小的负值（-2≤β-≤-0.2）；⑤0为βmax-<0<βmin+。

上述5个特征参数的阈值是在综合分析典型电流卡片下电流斜率变化规律的基础之上，再经过数据的统计分析确定的。

1.2.3特征量提取与分析

在样本库中定义3类特征。

（1）稳定电流特征：斜率都为0。

（2）非稳定电流特征：

①电流缓慢减小。斜率维持为β-较长一段时间。②电流快速减小。斜率很短时间内出现β-。③电流增加。斜率维持为β+一段时间。④电流波动。斜率为β+和β-交替出现。

（3）电流突变特征：①停机。斜率数据中检测到α-。②再启动。斜率数据中检测到α+。

在进行电流卡片分析时，要在标准斜率数据中检测以上特征，进而用以对不同电流卡片进行区分。进行检测时规定每5%个连续的标准斜率数据为一个数据单元，例如100个标准斜率数据依次为：A，B，C，D，E，F，G，H，…，将{A，B，C，D，E}{B，C，D，E，F，}和{D，E，F，G，H}都视为不同的数据单元。该数据单元主要用于电流渐变特征的检测，所以包含α-或α+的数据单元没有意义，分析时不将其视为一个数据单元。在进行稳定电流特征检测时，如果一个数据单元中0出现的频数大于数据单元中数据总数的60%（不包含60%）时，也就是说对于上述提到的时间单元{A，B，C，D，E}中的5个数据中必须检测到4或5次0，才开始启动电流稳定特征的检测，将其称作稳定电流特征检测的启动条件。在进行非稳定电流特征检测时，如果数据单元中β+和β-出现的总频数大于数据单元中数据总数的40%（包含40%）时，开启非稳定电流特征的检测，将其称作非稳定电流特征检测的启动条件。对于存在电流突变特征的电流卡片，先检测停机特征即[α-]，然后再从停机数据点按时间自后向前搜索。如果非稳定电流特征的检测开启，继续一次取一个时间单元往前检测，直至出现稳定电流特征或电流突变特征时，检测终止。

完成非稳定数据组的提取之后，便可以在数据组中进一步检测，能很容易将以上4种数据组形式区分开来，从而可以确定其所属的不同特征类型。如果从停机数据点按时间自后向前搜索时，稳定电流特征的检测开启。然后，同样一次取一个时间单元往前检测，假如出现非稳定电流特征，且继续向前检测能提取到[β-、0、β-]的非稳定数据组，则可判断其属于欠载保护失灵的电流卡片特征。否则，假如没有出现非稳定特征，则可判断其属于突发情况下引起停机的电流卡片特征。如果从停机数据点按時间自后向前搜索时，第一个数据点便检测到再启动特征即[α+]，则可判断其属于欠电流停泵的电流卡片特征。基于上述的特征参数及诊断规则，对样本库中10种不同典型工况下的电流卡片进行了特征量分析，并提取其特征值，形成了基于特征识别的电潜泵井工况诊断新方法，从而实现了电潜泵井工况的智能诊断。

2实例计算与分析

为进一步验证所建立模型的计算精度，需运用油田现场实际的电流卡片数据对工况诊断模型进行检验。对现场油井的电流卡片进行工况诊断，计算结果如表1所示。

由表1可知，工况诊断符合率为100%，证明所建立的模型具有很好的精度，可以满足油田现场工程对诊断精度的要求，能够为油田现场的生产提供理论支持和指导。

3结论

（1）统一规范和确定了5个特征参数和7个电流特征以及它们的阈值，这7个电流特征的不同组合可以将10种典型工况下的电流卡片完全区分开，并对每种典型工况下的电流卡片进行了特征提取，从而形成了基于特征识别的电潜泵井工况智能诊断新方法。

（2）对油田现场6口油井的电流卡片进行工况诊断，工况诊断符合率为100%，所建立的诊断模型能够非常准确地探寻样本库中已定义的各种电流卡片特征或特征组合，具有良好的精度，可以满足油田现场工程对诊断精度的要求，能够为现场的生产提供理论支持和指导。

参考文献

[1]鲍敬伟，李丽，叶继根，等.高含水复杂断块油田加密井井位智能优选方法及其应用[J].石油学报，2017，38（4）：444-452，484.

（作者单位：海洋采油厂海四采油管理区）