王彪 韩国庆 路鑫 谭帅 朱志勇 梁星原

中国石油大学(北京)石油工程教育部重点实验室

电参数能够反映电潜泵的实时工作状态，且容易实现监测和收集，因此在油田开发生产过程中，通过电参数对电潜泵的工作状况进行监测和分析的研究较多，常见的有电流卡片方法等。这些方法依赖人工经验，存在人为因素和主观误差。使用机器学习算法可以实现电参数的自动分析，提高效率并降低主观误差。陈治国等［1］提出了基于模式识别的电流卡片特征值的提取方法，给出了人工判断的量化指标；余继华等［2］引入了机器学习，采用神经网络方法识别电流工况，甘露等［3］使用BP算法对神经网络进行了进一步扩充；韩国庆等［4］补充了更多工况类别，进一步扩充了神经网络的适用性；Gupta等［5］使用主成分分析方法讨论了电潜泵工况偏离正常状态时的可视化构建和评判方法；王国辉等［6］基于主成分分析法讨论了电潜泵大数据综合分析预警系统的构建，提出通过对大数据降维实现油井状态描述和监控预警的方法；隋先富等［7］基于主成分分析法，对电潜泵的多维参数进行降维，通过多维参数监测了电潜泵的工作状态改变。前人的研究侧重于通过某一种方法对电潜泵井的生产状态进行描述，认识不断加深，但缺乏从特征提取及处理然后进行分类识别并综合评价的机器学习完整流程，在不同环节中依然保留有人为因素。本研究在前人研究基础上，构建了机器学习的完整流程，通过特征工程对波动的电流数据提取大量的特征信息，然后通过降维算法实现特征描述和可视化，再通过分类算法实现工况诊断并给出具体结论，最后进行分析与评价。……