李翔宇，高宪文，侯延彬

（东北大学信息科学与工程学院，辽宁 沈阳 110819）

引 言

抽油井动液面深度是反映油层供液能力和井下供排关系的重要工况参数，是确定油井工作制度、预测产量和故障诊断的重要依据。目前，油田现场主要使用回声仪探测抽油井动液面深度，其主要缺陷是：（1）由人工定期操作，无法实时在线检测；（2）由于油套环空气体主要成分为甲烷，井口弹药发声装置存在一定安全隐患[1]。软测量方法[2-9]为抽油井动液面实时在线检测提供了一种新思路。

文献[1]以有杆抽油系统地面（光杆或称悬点）示功图和井口套压等数据作为辅助变量，采用机理方法建立动液面软测量模型。但有杆抽油系统具有强非线性、机电液耦合和井下工况不确定等综合复杂特性，难以精确建立动液面机理模型，动液面计算误差大。文献[10]针对潜油柱塞泵抽油井提出了一种基于支持向量机的沉没度（泵挂深度与动液面深度的差值）预测方法。但随时间推移，油井工况会发生不同程度的变化，使用原始数据建立的软测量模型将不再适应新的工况而出现模型老化现象，无法准确预测当前沉没度信息。

高斯过程回归（Gaussian process regression，GPR）是基于贝叶斯统计学习理论发展起来的一种全新机器学习方法，对处理高维数、小样本、非线性等复杂问题具有很好的适应性，与神经网络、支持向量机等方法相比，GPR 具有模型参数明显减少、参数优化相对容易、输出具有概率意义等优 点[11-15]。基……