深度神经网络在电潜泵井稳定生产中的应用

李 权，孙 强，高智梁，张耘赫，周 日

1.中海石油（中国）有限公司秦皇岛32-6 作业公司 天津 300459；2.中海石油（中国）有限公司天津分公司 天津 300459

0 引 言

电潜泵具有排量大、体积小、寿命长等优点，在油田应用广泛。电潜泵的运转时长对油田经济效益影响较大，提前预测及处理故障、保障正常生产需求迫切。目前电潜泵故障诊断主要有：①经验法，将现场实际生产的电流卡片与典型故障的电流卡片进行曲线对比［1］，依据泵工况数据判断故障［2-3］；②理论分析方法，建立BP神经网络，提取电流卡片特征判别故障类型［4-5］，利用模糊数学和小波分析等数学模型对故障类型进行预测［6］。本文综合实时电机、生产和泵工况数据，利用深度神经网络技术，得到模型监控预警电潜泵井异常运行状态。

1 生产状态数据用于油井故障诊断

1.1 生产状态数据

在电潜泵采油生产过程中，现场采集大量的实时生产状态数据，即电机、生产和泵工况数据。

电机数据为电压、电流、电机转速、功率和扭矩。生产数据为油嘴开度、气嘴开度、油压、套压和回压。泵工况为泵入口压力、泵出口压力、电机振动、泄漏电流、电机温度和流体温度。这些实时数据为电潜泵井故障分析和诊断提供了依据［7］。

1.2 油井故障诊断

在渤海某油田开发过程中，油井经常出现的不稳定状态或故障主要包括气锁、乳化、油嘴堵塞和出砂等。

1.2.1 气锁

电潜泵在稳定生产时，各项生产状态数据基本保持稳定。泵腔进气后，泵实际排量变小（图1），泵入口压力上升，电机做功变小，泵电流、功率和扭矩变小，举升能力变弱，出口压力和油压降低。

图1 气锁Fig.1 Gas blocking

1.2.2 乳化

井底流体乳化时，电机做功增加，电流、电机功率和扭矩明显增加（图2），电机温度升高，泵出口压力增加，可能同时出现泵吸入口压力和油压升高现象［8］。

图2 乳化Fig.2 Emulsification

1.2.3 油嘴堵塞

油嘴堵塞时，截流作用凸显，近似于离心泵憋压，油压显著升高（图3），泵出口压力和吸入口压力升高，电机温度升高。

图3 油嘴堵塞Fig.3 Oil nozzle blockage

1.2.4 出砂

油田开发过程中，部分出砂井由于瞬间大量出砂而停井；部分出砂井表现为间歇性出砂，出砂量小，油井可以继续生产。油井出砂明显时，泵入口压力上升，电机做功增加，电流、扭矩、泵温升高，泵出口压力增大（图4）。

2 深度神经网络模型简介

深度神经网络模型相对于BP神经网络模型而言，通常具有3 个以上隐藏层。通过给定合适的权重初始值及调整隐藏层各层的激活值分布，加大模型收敛速度，避免陷入局部最小值。

本文构建的深度神经网络模型包含以下3 层［8-9］（图5）：①输入层，神经元数量取决于输入特征值个数；②隐藏层，第1 至n-1 层的每一层都由Affine层、正规化层、激活函数层和Dropout 层构成，第n层只有Affine 层；③输出层，由Softmax 层和最终输出层构成。

图5 深度神经网络模型Fig.5 Deep neural networks model

深度神经网络模型刻画了以输入参数作为自变量、权重参数（Wij，bi）作为函数系数、输出参数作为因变量的计算模型，该计算过程由输入层、隐藏层（第1 层，第2 层，…，第n层）和输出层依次传递计算结果，即为正向传播。以正确解标签和输出层之间的误差程度为损失函数（交叉熵误差函数形式），计算损失函数关于各个权重参数的梯度，该计算不是数值微分方法，而是采用解析性求解数学式方法（依次对损失函数和权重参数求导，计算过程由输出层到隐藏层，即为误差反向传播），沿梯度方向更新权重参数（本模型采用Adam方法［10］）。

3 训练深度神经网络诊断模型

3.1 数据选取和归一化

为了监测电潜泵运行状态，选取实时运行状态数据［11］，即泵工况、电机和生产数据。对输入数据进行归一化处理，使其值介于0～1 之间（表1），并作为输入层参数。

表1 输入参数归一化Tab.1 Naturalization of input parameters

3.2 训练深度神经网络诊断模型

3.2.1 构建深度神经网络诊断模型

油田现场生产过程中，油井的生产状态数据反映了电潜泵的运行状态（表2 中输入参数变化是相对于正常状态）。电潜泵运行过程中，实时生产状态数据的不同组合代表了泵的不同运行状态，即实时生产状态数据与泵运行状态存在映射关系。实时生产状态数据共有11 个，故输入层由11 个神经元接收输入参数；隐藏层依据模型最优确定为5 层，每层100 个神经元；输出层为2 层，即正常和故障2 种类型，输出层为概率分布，越接近1，则越代表为该类型。

表2 不同故障类型的生产状态数据变化特征Tab.2 Characteristics of production status data changes for different types of faults

3.2.2 训练深度神经网络诊断模型

收集电潜泵井实时生产状态数据，分为训练样本和测试样本。训练样本和测试样本包括实时生产状态数据和电潜泵运行状态标签，这两部分一一对应，实时综合数据作为输入层数据，电潜泵的运行状态作为输出层的正确解标签。

训练深度神经网络模型时，将训练样本和测试样本随机划分为具有相同数量的若干个单元，每个训练样本集单元采用正向传播方法经由隐藏层的神经元进行权重参数计算，经过Softmax层概率处理，与正确解概率对比计算损失函数（交叉误差熵），再对权重参数进行梯度计算（误差反向传播），最后使用Adam方法最优化权重参数。通过上述过程不断迭代更新权重参数，最终达到损失函数最小的目的，即输出层的结果最接近正确解（图6）。至此，模型训练结束，保存最后得到的隐藏层的每个神经元权重参数。

图6 深度神经网络模型训练精度Fig.6 Train accuracy of deep neural networks model

4 预测应用实例

B34井为渤海某油田的一口生产井，地层原油黏度大，经常发生油嘴堵塞现象，严重影响了油井产量，需要通过经常活动油嘴来解除堵塞。收集该井2019 年3 月2 日至3 月8 日的实时电机、生产和泵工况数据（每分钟记录一次），标记运行状态，组成数据集。随机选取2 000 个数据点作为测试数据，剩下8 000 个数据点作为训练数据，利用Python语言进行编程训练，得到深度神经网络模型，模型精确度为99.99%［12］。选取该井2018 年12 月11 日至2019 年6 月9 日的生产运行数据，标记每个记录点的运行状态，共计12 888 个数据点及对应标签。利用训练得到的深度神经网络模型对这些数据点进行状态预测，和标记的状态做比较（图7），其累计准确率为91.68%。将按照时间顺序对此统计累计准确率和时间逆序累计准确率（图8），中间段预测准确性比较高，两端准确性比较低。分析原因为与选取的数据有关，学习数据和预测数据越接近，模型预测准确率越高。使用同样的方法对其他容易气锁、乳化和出砂的3 口电潜泵井进行了深度神经网络学习，预测准确率均高于90%。

图7 深度神经网络预测与真实运行状态对比Fig.7 Comparison between deep neural network prediction and real operating state

图8 深度神经网络模型预测累计准确率（时间顺序向前和时间逆序向后）Fig.8 Cumulative accuracy of deep neural network model prediction （forward and backward in chronological order）

5 结 论

①通过分析电潜泵井由电机数据、泵工况数据和生产数据组成的实时生产状态数据，判断电潜泵的运行状态，如正常生产、气锁、油嘴堵塞、乳化和出砂等。

②深度神经网络技术可以对电潜泵井生产状态数据进行学习，并判断其生产运行状态，对实时生产状态进行预测，对历史生产数据进行判断，从而积累生产状态数据库，不断提高模型预测的准确性。

③学习数据与预测数据间的时间距离相关，两者越接近，模型预测准确性越高。■