随着油气生产物联网和油田实时监控系统的应用,油田实时数据库和关系数据库每时每刻都会产生大量生产数据,如何对这些数据进行合理、高效的分析利用关系着油气生产的方方面面。伴随着数据挖掘技术的快速发展,传统石油行业逐步将这种新兴技术应用到油田实际生产操作过程中,聚类技术和关联规则作为一种分析、处理数据的重要工具,越来越受到人们的关注。抽油机井的运行状态作为影响油田产量的重要因素,如何正确合理高效的判断生产井的运行状态是目前石油行业中急需解决的问题。本文在已有的研究基础上结合油田实际生产情况旨在提出一种改进的k-means方法达到判断抽油机井的生产状态的目的,根据聚类后的结果采用apriori算法对可能影响抽油机井运行状态的生产参数进行关联性分析。本研究对油田异常井现有的研究现状进行了充分分析,介绍了数据挖掘技术在油气生产过程中的使用情况,然后对k-means算法和apriori算法进行了理论分析,本文主要的研究工作如下所示:1.针对k-means算法易受异常点和离群点的影响,提出一种加权的欧式距离达到减少异常因素的制约的目的,从而降低异常点和离群点对聚类效果的影响,并使用Python编程对UCI数据库中的IRIS数据集进行实验分析,实验结果表明,改进的k-means算法较k-means相比有较好的聚类质量及较高的正确性。2.采用改进的k-means算法对抽油机井产量数据和生产参数数据进行聚类分析,首先采用数据预处理技术对源数据进行处理结合统计学数学公式计算生产参数的波动幅度,接着通过python编程进行实验对抽油机井生产参数的波动情况进行聚类分析并判断异常类型同时给出相应的解决方案。3.根据聚类分析结果,采用apriori算法对异常井的生产参数进行相关性分析,并通过设置不同的支持度挖掘各生产参数之间的强关联关系,达到在油气生产过程中及时发现问题尽早解决问题的目标。