本发明涉及大数据分析与人工智能应用，特别涉及一种基于深度学习的电泵井工况智能分析与优化系统及方法。
背景技术：
1、电潜泵全称电动潜油离心泵，简称电泵，是将电动机和泵一起下入油井内液面以下进行抽油的井下举升设备。电潜泵是在井下工作的多级离心泵，同油管一起下入井内，地面电源通过变压器、控制屏和潜油电缆将电能输送给井下潜油电机，使电机带动多级离心泵旋转，将电能转换为机械能，把油井中的井液举升到地面。近年来，国内外电潜泵举升技术发展很快，在油田生产中，特别是在高含水期，大部分原油是靠电潜泵生产出来的。电潜泵在非自喷高产井和高含水井的举升技术中起着重要的作用。
2、电泵井具有排量大且操作工艺简单的特点，它是油田开发后期较为常用的采油方式，但由于电泵的井下运行环境较为恶劣，要是电泵长期处于运行的状态就会导致油井随时出现躺井的情况，因此及时诊断电泵工况，促使电泵井采油工艺技术逐渐实现智能化，让电泵井在实现稳定运行的同时提升油田开采率。
3、电泵采油作为一种成熟的采油工艺，以其便于控制、排量适应范围大等特点被国内外各大油田普遍采用，近年来，随着油田数字化与物联网建设的推进，基于实时采集参数的电泵井分析与计量技术已成为油气生产物联网深化应用的核心技术之一，该技术基于电泵井生产数据的特征，进行非剧变工况的分类特征识别，作为此类采油工艺智能化应用的主要技术支撑，为电泵井生产优化相关的措施决策提供重要参考，对实现电泵井的智能化管理有着非常重要的意义。
4、电潜泵工况仪是电潜泵技术发展的产物，又称为井下传感器。其在工作时连接至电潜泵机组，用于至少采集：泵吸入温度、电机绕组温度、泵吸入口压力、泵排出口压力、泄漏电流和电机振动，并通过电潜泵动力电缆以电信号的形式将数据传输至地面记录仪，实现泵工况数据的实时记录和监控，为电潜泵井动态分析和故障诊断提供必要的原始参数。
5、随着我国经济的飞速发展，能源消耗量也日益增加。海上采油井有油藏厚度大、储量丰度高、单井产量高的特点。电泵井单井产液量大，能耗占比高，如何维持电泵井工况稳定是提高海上采油井效率的关键问题。海上电泵监控参数采集齐全、功能完善，包括油井生产参数、电泵运行参数、井下压力参数等实时数据，多年来积累了海量的油气生产数据。主要用于日常运行监控、单参数波动报警、事后辅助分析，积累了大量异常波动规律和分析经验。
6、随着电潜泵在油田的应用越来越多，由于电潜泵机组具有零部件多且相互关联的结构特性，再加上其本身运动复杂、工作环境恶劣、油井和井液条件复杂多变等因素，使得电潜泵在其使用过程中综合故障率较高，寿命较短。电潜泵机组一旦出现故障，不仅需要提机维修，花费大量的作业费和修理费，而且大多数故障会造成油层工作失调，给油田的开发带来经济和时间上的损失，严重影响油井的正常生产。
7、因此，开展电泵井故障实时诊断方法研究具有非常重要的意义，可以及时准确地判断电泵井的工作状况，保证电泵井的运转时间，降低维修费用，提高设备利用率。
8、目前的电泵井工况分析技术存在以下问题：井下电泵有线测试数据需要人工实时监测，陆地科研与管理人员无法使用；井下电泵有线测试的数据价值未得到充分挖掘；电泵井工况诊断准确率低且难以实现电泵井工况的动态优化。因此充分利用现有的数据信息，建立智能化电泵井工况诊断分析模型，提高电泵井生产管理效益已经成为一个亟待解决的问题。
技术实现思路
1、本发明的目的是针对现有技术中的不足，提供一种基于深度学习的电泵井工况智能分析与优化系统及方法。
2、解决陆地科研和管理人员无法实时获取井下电泵有线测试数据问题，集成电泵井的生产数据，完善电泵井专题数据库。用大数据技术充分挖掘井下传感器测取的温度、压力、振动等数据，实现油藏性质、电潜泵的运行状况的智能分析，优化生产参数，延长电泵寿命周期，从而最大化数据价值。
3、其技术方案如下：
4、一种基于深度学习的电泵井工况智能分析与优化系统，包括电潜泵机组、井下传感器和井组平台；所述井下传感器与电潜泵机组连接，用于采集电潜泵运行参数；所述井组平台与井下传感器通讯连接，用于存储、处理和显示电潜泵运行工况，所述井下传感器设有rs485通讯接口，所述rs485通讯接口与无线通讯模块通讯连接，所述无线通讯模块与井组平台无线通讯连接。
5、进一步的，所述井下传感器用于至少采集：泵吸入温度、电机绕组温度、泵吸入口压力、泵排出口压力、泄漏电流和电机振动参数。
6、更进一步的，一种基于深度学习的电泵井工况智能分析与优化方法，包括如下步骤：
7、s1，获取设备数据、油井生产动态参数、井身轨迹参数、油藏物性参数、电参数数据，形成电泵井数据库；
8、s2，根据电潜泵额定运行参数建立预警模型，进行异常工况事前预警及动态跟踪分析；
9、s3，通过井下传感器采集电潜泵实时运行参数，结合实际生产工况及专家经验建立典型工况样本库，通过深度学习算法构建电泵井工况诊断分析模型，进行工况的实时诊断和预警分析；
10、s4，建立油井生产评价模型，进行油井生产自动评价；
11、s5，结合实时电泵井参数预测油井供液能力，动态优化油井生产参数，并推送调整建议。
12、进一步的，对于步骤s1，所述井下传感器具有485数据接口，通过485数据接口接入井组平台plc，通过井组平台plc将电泵井实时数据采集到中心平台实时数据库，再通过中心平台对数据进行初步处理，建立电泵井数据库。
13、进一步的，所述电泵井实时数据的采样周期为1分钟。
14、进一步的，对于步骤s2，包括：从电泵井数据库中提取，根据电泵井稳定作业数据设置预警阈值，当参数不在阈值范围内时，进行异常工况事前预警及动态跟踪分析。
15、进一步的，对于步骤s3，包括：建立工况诊断智能分析模型，提取电泵井数据库中的地面工艺自动化数据和传感器数据，对数据进行分布分析、关联分析，建立典型工况样本库。
16、进一步的，所述步骤s3还包括：按照实时参数变化特征对应的工况，将样本库分类抽样，形成9类数据集；利用bp神经网络建立预警模型；将数据集按照7:3的比例随机划分为训练数据、测试数据，利用bp神经网络训练诊断模型，训练过程中设置相关的超参数，根据输入输出序列确定输入层节点，隐层节点，输出节点，初始化输入层、隐含层、输出层神经元之间的链接权值，初始化隐含层阈值，输出层阈值，给定初始学习率为0.01，激活函数采用sigmoid；设置模型训练周期为20，训练过程记录训练损失及准确率，绘制损失曲线；利用测试数据对工况诊断模型进行评估，验证工况诊断模型的有效性；最终常见工况的诊断模型。
17、进一步的，对于步骤s4，包括：根据电泵井参数计算油井生产数据，根据实测油井生产数据校正电泵井参数和油井生产数据的关系，建立计算模型，进行油井生产评价；
18、所述计算模型包括动液面计算，如下式：
19、
20、所述计算模型还包括沉没度计算，如下式：
21、h沉＝h泵-h动 (2)。
22、进一步的，对于步骤s5，包括：对影响潜油电泵井系统效率因素进行分析，预设若干电泵井优化调整方案。
23、本发明的有益效果是：
24、本发明克服了传统电泵井工况诊断的弊端，充分利用传感器采集到的实时数据，建立电泵井专题数据库，实现实时性工况智能诊断分析，大大降低了人力成本。同时，根据诊断结果不断优化样本库信息，实现智能化管理。本发明采用深度学习算法诊断电泵井工况，无需人工设置阈值，最终准确率达到95％以上。
1.一种基于深度学习的电泵井工况智能分析与优化系统，包括电潜泵机组、井下传感器和井组平台；所述井下传感器与电潜泵机组连接，用于采集电潜泵运行参数；所述井组平台与井下传感器通讯连接，用于存储、处理和显示电潜泵运行工况，其特征在于，所述井下传感器设有rs485通讯接口，所述rs485通讯接口与无线通讯模块通讯连接，所述无线通讯模块与井组平台无线通讯连接。
2.根据权利要求1所述的一种基于深度学习的电泵井工况智能分析与优化系统，其特征在于，所述井下传感器用于至少采集：泵吸入温度、电机绕组温度、泵吸入口压力、泵排出口压力、泄漏电流和电机振动参数。
3.基于如权利要求1所述的一种基于深度学习的电泵井工况智能分析与优化系统的一种基于深度学习的电泵井工况智能分析与优化方法，其特征在于，包括如下步骤：
4.根据权利要求3所述的一种基于深度学习的电泵井工况智能分析与优化方法，其特征在于，对于步骤s1，所述井下传感器具有485数据接口，通过485数据接口接入井组平台plc，通过井组平台plc将电泵井实时数据采集到中心平台实时数据库，再通过中心平台对数据进行初步处理，建立电泵井数据库。
5.根据权利要求4所述的一种基于深度学习的电泵井工况智能分析与优化方法，其特征在于，所述电泵井实时数据的采样周期为1分钟。
6.根据权利要求5所述的一种基于深度学习的电泵井工况智能分析与优化方法，其特征在于，对于步骤s2，包括：从电泵井数据库中提取，根据电泵井稳定作业数据设置预警阈值，当参数不在阈值范围内时，进行异常工况事前预警及动态跟踪分析。
7.根据权利要求6所述的一种基于深度学习的电泵井工况智能分析与优化方法，其特征在于，对于步骤s3，包括：建立工况诊断智能分析模型，提取电泵井数据库中的地面工艺自动化数据和传感器数据，对数据进行分布分析、关联分析，建立典型工况样本库。
8.根据权利要求7所述的一种基于深度学习的电泵井工况智能分析与优化方法，其特征在于，所述步骤s3还包括：按照实时参数变化特征对应的工况，将样本库分类抽样，形成9类数据集；利用bp神经网络建立预警模型；将数据集按照7:3的比例随机划分为训练数据、测试数据，利用bp神经网络训练诊断模型，训练过程中设置相关的超参数，根据输入输出序列确定输入层节点，隐层节点，输出节点，初始化输入层、隐含层、输出层神经元之间的链接权值，初始化隐含层阈值，输出层阈值，给定初始学习率为0.01，激活函数采用sigmoid；设置模型训练周期为20，训练过程记录训练损失及准确率，绘制损失曲线；利用测试数据对工况诊断模型进行评估，验证工况诊断模型的有效性；最终常见工况的诊断模型。
9.根据权利要求8所述的一种基于深度学习的电泵井工况智能分析与优化方法，其特征在于，对于步骤s4，包括：根据电泵井参数计算油井生产数据，根据实测油井生产数据校正电泵井参数和油井生产数据的关系，建立计算模型，进行油井生产评价；
10.根据权利要求1～9任一所述的一种基于深度学习的电泵井工况智能分析与优化方法，其特征在于，对于步骤s5，包括：对影响潜油电泵井系统效率因素进行分析，预设若干电泵井优化调整方案。
