李克文，杜苁聪，黄宗超，李潇，柯翠虹

（中国石油大学(华东) 计算机科学与技术学院,山东 青岛 266580）

油田生产信息化建设，基本实现了油水井、站库数据的实时采集，油井的智能化管理需求日益突出。在油田生产过程中，油井受各种因素的影响出故障的概率很高，经常造成油井产量降低甚至躺井。目前，识别异常工况主要依靠简单的参数超阈值报警，导致报警频繁且有效率不高，问题原因仍主要采取人工分析，数据变化趋势难以自动跟踪、问题隐患难以超前发现、预防性治理和优化措施难以精准实施，难以满足信息化条件下“预警式管理”的要求。所以，预警油井异常工况，指导技术人员超前采取治理与优化措施，对于提高油井开采效率，降低躺井率与维护成本，实现智能化精细化管理具有重要意义[1]。

为了提高油井异常工况的识别精度，世界各地的学者进行了大量的研究。考虑到油井生产数据的特征，即异常工况样本少、维数大等特点，近年来识别异常工况的方法可分为两类：基于统计[2]和传统机器学习的方法[3]以及基于深度学习的方法[4-6]。对于第一类，Zhang 等[7]将支持向量机与遗传算法相结合，提出基于GA-SVM 与频域光谱法的变压器油浸绝缘体的湿度预测；周斌等[8]提出一种基于Hessian 正则化支持向量机（Hessian正则化SVM）的多视角协同识别抽油机井工况方法。这些研究提高了异常工况检测的准确性，但它们都忽略了工况数据类别不平衡的问题。王利君等[9]使用集成SMOTE、CLUSTER 与随机森林的集成学习方法SCRF 进行结蜡预测，考虑了类别不平衡，但忽略了高维数据的问题且目标数据集相对较小，模型的泛化性能和自学习能力不足。……