一种基于一元距离聚类的抽油机井标准功图标定方法

摘要

本发明涉及原油生产技术领域，特别涉及一种基于一元距离聚类的抽油机井标准功图标定方法，包括采集油井的实时功图数据，对实时功图数据进行异常数据清洗，所述异常数据包括零值、空值及负值，通过聚类分析，确定最稳定、出现频次最高的功图，标定为标准功图。本发明能够提高标准功图准确性，降低标准功图设置时间，提高工作效率。

说明书

技术领域

本发明涉及原油生产技术领域，特别涉及一种基于一元距离聚类的抽油机井标准功图标定方法。

背景技术

示功图是指反映深井泵工作状况好坏，由专门的仪器测出，画在坐标图上，被封闭的线段所围成的面积表示驴头在一次往复运动中抽油机所做的功的图纸。

在原油生产领域，抽油机井的示功图直接反应了抽油泵的工作状况，每口井因地质条件不同、生产制度不同，其示功图形状各异，都是油井工况的直接体现。

通过分析示功图，可以了解抽油泵的工作状态及抽油设备的各项参数是否正常。为了监控油井工况，需要对每口井设置一个标准功图作为对比基础，来分析不同时间功图的变化，从而为生产管理人员提供依据。

目前，标准功图的设置都是由人工设置，从大量的实时功图中进行人工选取标定，因人而异，不同的技术经验，设置的功图不同。同时，示功图变化较大时，无法及时调整标准功图，则会影响生产管理人员进行分析，则无法准确及时的发现问题。

发明内容

本发明的目的是针对现有技术中的不足，提供一种基于一元距离聚类的抽油机井标准功图标定方法。

解决标准功图不准确问题，本发明利用大数据方法从实时时序数据入手，分析数据规律，实现标准功图智能标定的技术问题。

其技术方案如下：

一种基于一元距离聚类的抽油机井标准功图标定方法，包括采集油井的实时功图数据，还包括如下步骤：

a：对实时功图数据进行异常数据清洗，所述异常数据包括零值、空值及负值；

b：通过聚类分析，确定最稳定、出现频次最高的功图，标定为标准功图。

进一步的，所述步骤a通过箱图分析法对离散数据进行异常清洗。

进一步的，所述离散数据包括：功图面积、最大载荷或最小载荷。

进一步的，所述步骤b包括：

b1：功图参数拆解，将每个功图分解为功图面积S、最大载荷Zmax、最小载荷Zmin；

b2：无量纲化处理，将每一个功图做无量纲化处理：

将每一个功图做无量纲化处理：

公式1

形成无量纲的数组，D=[

b3：计算每个数据点与初始点之间的距离差，以

ΔD=[

b4：定义聚类数K，所述聚类数K为3~5；

b5：计算遍历半径R；

b6：遍历每个无量纲点在R范围内的点个数；

b7：取N中最大值：

公式5；

b8：回溯数组D中的数据下标，确定原始数据中的点。

进一步的，所述聚类数K为3。

进一步的，所述步骤b5具体包括：

R=

进一步的，所述步骤b6具体包括：

判断规则，若

公式4。

进一步的，所述步骤b8具体包括：

通过回溯

本发明有益效果如下：

以中石化胜利油田采油管理区为例，平均每个管理区管理着200口抽油机井。本发明能达到的效果主要有：

1）提高标准功图准确性。

取代人工设置，基于实时数据进行计算，准确度提高了50%。

2）降低了标准功图设置时间，提高了工作效率。

原有人工设置，需要定时更新，一个管理区全部重新手工设置标准功图需要耗时2个小时，通过智能算法后，能够实现1分钟内设置完成，效率提高了99%以上。

附图说明

图1是技术架构图；

图2是功图数据清洗流程图；

图3是箱型图分析法原理图；

图4是一元距离聚类流程图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

实施例一：

标准功图智能标定，需要利用海量的功图实时数据，从中选取出现频次最高、最稳定的功图。而功图作为一个图形，需要解析功图的各项参数，利用参数之间的关系来标定标准功图或稳定功图。因油井生产条件不同，不能用标准意义上的标准功图进行标定，而需要因井而异，根据每口井生产现状进行单独标定。

一种抽油机井标准功图标定方法，包括如下步骤：

采集若干单井的实时功图数据；

将单井实时功图数据的参数分解为功图面积、最大载荷、最小载荷；

进行异常数据清洗，异常数据主要包括

功图异常数据清洗零值、空值、负值或其他非正常数据；

通过线性聚类分析方法，将最稳定、出现频次最高的功图作为标准功图。

实施例二：

请参阅图1，一种基于一元距离聚类的抽油机井标准功图标定方法，包括采集油井的实时功图数据及以下步骤：

1、功图异常数据清洗。

1）测不出的异常数据清洗。

针对功图数据中的功图面积参数，对于测不出的各种情况进行数据清洗，包括零值、空值及负值。

2）离散数据清洗。

请参阅图2-3，离散数据指功图面积、最大载荷、最小载荷等功图参数中数据离散程度较大的数据，采用箱图分析法实现异常清洗。

通过清洗，把功图参数数据中的异常值所在的功图清洗掉，保留稳定运行数据。

2、一元距离聚类标定。

请参阅图4，一元距离聚类可以分别利用功图参数中的功图面积与最大最小载荷差之比分别进行。

1）功图参数 拆解

将每个功图分解为功图面积S、最大载荷Zmax、最小载荷Zmin。

2）无量纲化处理

将每一个功图做无量纲化处理：

公式1

形成无量纲的数组，D=[

3）计算每个数据点与初始点之间的距离差

以

ΔD

4）定义聚类数K

输入聚类数K，一般为3-5，默认为3。

5）计算遍历半径R

R

6）遍历每个无量纲点在R范围内的点个数

判断规则，以

公式4

7）取N中最大值

公式5

8）回溯数组D中的数据下标，确定原始数据中的点

通过回溯

通过以上步骤，则基于原始的功图数据组合，确定了最稳定、出现频次最高的功图，则标定为标准功图。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求限定。