(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111253670.0 (22)申请日 2021.10.27 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 张晓东　陈元行　白广芝　李敏　 高绍姝　 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) E21B 47/008(2012.01) (54)发明名称 一种基于BP神经网络的抽油机井检泵周期 预测方法 (57)摘要 本发明设计一种基于BP神经网络算法的抽 油机井检泵周期预测方法， 属于油井检测技术领 域。 该方法包括获取有关生产数据集； 对数据预 处理； 特征工程； 根据BP神经网络算法建立模型， 并寻找出最优精度模型来进行预测； 最终通过模 型预测检泵周期。 本发明由于采取以上技术方 案， 可以在仅分析已有数据的前提下， 预测出未 来的检泵周期。 本发明借助BP神经网络可以更好 的发现数据之间隐藏的关系， 相对其他算法可以 更准确的预测检泵周期， 给抽油机井的施工提供 更好的决策服 务。 权利要求书1页 说明书3页 附图2页 CN 113987933 A 2022.01.28 CN 113987933 A 1.基于BP神经网络算法的抽油机井 检泵周期预测方法， 其包括以下几个步骤： (1)采集抽油机井的日生产数据作为样本数据集； (2)整理初步数据集， 添加新特 征参数命名为 “检泵周期 ”； (3)对数据进行 预处理； (4)运用灰度关联算法进行 数据特征参数筛 选； (5)用BP神经网络算法建模， 并优化模型参数； (6)构建基于BP神经网络算法的检泵周期预测模型； (7)结合检泵周期预测模型和新采集数据得到检泵周期预测值。 2.如权利要求1中所述的基于BP神经网络算法的抽油机井检泵周期预测方法， 其特征 在于， 所述步骤)(1)所获取的日生产数据特征参数包括套压、 油压、 含 水率、 上行电流、 下行 电流、 最大载荷、 最小载荷、 额定扭矩、 冲次、 冲程、 泵径、 排量、 日产液量、 日产油量、 日生产 时间。 并将所获取的数据按井进行分类， 分别作为 不同油井 检泵周期模型的训练集。 3.如权利要求1中所述的基于BP神经网络算法的抽油机井检泵周期预测方法， 其特征 在于， 所述步骤(2)， 基于步骤(1)获取的生产数据集， 添加新的特征参数， 命名为 “检泵周 期”。 并统计生产数据中每条数据 距离下一次检泵周期的天数， 作为对应 “检泵周期 ”特征参 数的值。 4.如权利要求1中所述的基于BP神经网络算法的抽油机井检泵周期预测方法， 其特征 在于， 所述步骤(3)， 基于步骤(2)添加 完“检泵周期 ”特征参数的数据， 进行数据预处理， 包 括处理空值， 设置数据范围约束并删除不符合范围约束的数据， 及对数据进行归一 化。 5.如权利要求1中所述的基于BP神经网络算法的抽油机井检泵周期预测方法， 其特征 在于， 所述步骤(4)， 基于步骤(3)预处理完的数据， 运用灰度关联算法， 分析各特征参数与 “检泵周期 ”特征参数的关系， 删除关联度分数小于 0.01的特 征参数。 6.如权利要求1中所述的基于BP神经网络算法的抽油机井检泵周期预测方法， 其特征 在于， 所述步骤(5)， 基于步骤(4)所得数据作为数据集， 按照3:1的比例划分为训练集和测 试集， 并将训练集放入到BP神经网络模型中进行拟合， 然后通过网格搜索法优化BP神经网 络算法的参数， 并保留BP神经网络算法在测试集上误差最小时的模型参数。 7.如权利要求1中所述的基于BP神经网络算法的抽油机井检泵周期预测方法， 其特征 在于， 所述步骤(6)， 基于步骤(5)所得模型参数， 带入BP神经网络算法中， 得到基于BP神经 网络算法的检泵周期预测模型， 保存并导出算法文件， 进而得到最优的基于BP神经网络的 检泵周期预测模型。 8.如权利要求1中所述的基于BP神经网络算法的抽油机井检泵周期预测方法， 其特征 在于， 所述步骤(7)， 基于步骤(6)得到的检泵周期预测模 型， 将新采集的生产数据放入检泵 周期预测模型中， 得 出对应的检泵周期预测值。权　利　要　求　书 1/1 页 2 CN 113987933 A 2一种基于BP神经 网络的抽油机井检泵周期预测方 法 技术领域 [0001]本发明涉及一种抽油机井检泵周期预测方法， 特别涉及一种基于BP神经网络的抽 油机井检泵周期预测方法， 属于油井 检测技术领域。 背景技术 [0002]在采油生产工艺中， 检泵周期的确定对合理规划生产制度是非常重要的。 然而在 实际生产中， 通常采用定期 检泵的生产制度， 但 这会消耗大量的人力物力， 甚至会因检泵不 及时造成额外经济损失， 进而降低油田整体收益。 本方法提出从历史数据的角度出发， 运用 BP神经网络算法， 从历史数据中抓取生产状态数据和检泵周期的规律， 进而通过实时生产 状态数据预测油井的检泵周期， 减少不合理检泵周期带来的损失， 提高整体收益。 同时本方 法加强特征工程理论的运用， 筛选了 关联性弱的特征， 加快了算法运行速度。 最终可以通过 BP神经网络算法找出其他特征与检泵周期之 间的关系， 进而运用算法结合新的生产状态数 据预测出检泵周期， 这可以为制 定生产制度提供参考， 并且基于历史数据的模型可以较好 的预测检泵周期， 进而减少不合理检泵周期带来的损失， 相对于定期检泵可以减少社会资 源投入， 对提高油田开发效益将有显著的影响。 发明内容 [0003]针对上述问题， 本发明的目的是提供一种基于BP神经网络算法的抽油机井检泵周 期预测方法， 进而提前安排施工措施， 指导施工建议， 优化生产策略， 进而提高油田整体 收 益。 [0004]为实现上述目的， 本发明采取以下技术方案： 基于BP神经网络算法的抽油 机井检 泵周期预测方法， 其包括以下几个步骤： [0005](1)采集抽油机井的日生产数据作为样本数据集； [0006](2)整理初步数据集， 添加新特 征参数命名为 “检泵周期 ”； [0007](3)对数据进行 数据预处 理； [0008](4)运用灰度关联算法进行 数据特征参数筛 选； [0009](5)用BP神经网络算法建模， 并优化模型参数； [0010](6)构建基于BP神经网络算法的检泵周期预测模型； [0011](7)结合检泵周期预测模型和新采集数据得到检泵周期预测值。 [0012]所述步骤(1)， 采集的抽油机井的日生产数据作为模型训练数据集。 [0013]所述步骤(2 )， 基于步骤(1)采集的生产数据， 添加新特征参数， 命名为 “检泵周 期”。 然后统计生产数据中每条数据 距离下一次检泵周期的天数， 作为 “检泵周期 ”特征参数 的值。 [0014]所述步骤(3)， 基于步骤(2)添加完 “检泵周期 ”特征参数的数据， 进行数据预处理， 包括处理空值， 设置数据范围约束并删除不符合范围约束的数据， 及对数据进行归一 化。 [0015]所述步骤(4)， 基于步骤(3)预处理后数据， 运用灰度关联算法， 分析各特征参数与说　明　书 1/3 页 3 CN 113987933 A 3