我国部分低产油井地层能量低、产能不高,采油系统运行效率下降,导致了电能的巨大浪费。目前解决上述问题的有效方法是通过调整抽油机频率改变生产参数,实现抽油机抽汲能力与地层供液情况的自适应匹配。然而,现有的抽油机生产参数自适应调控方法大多数依赖于单因素调控,准确性和实时性有待提升。随着生产信息化的全面推进,油田大数据资源已初步形成,抽油机井远程控制、数据实时采集均已实现。实时采集的数据指标为抽油机井参数调控提供了更丰富、更全面、更及时地数据支撑,如果能够充分、有效地利用这些数据,将进一步提升抽油机井参数调控的效果。因此,本文提出了一种基于深度学习的抽油机井生产参数自适应调控方法。结合文献调研和采油工程理论知识筛选出抽油机地面示功图、动液面和产液速度三种数据指标作为抽油机井生产参数自适应调控依据。针对传统泵充满程度解析计算模型过于简化、初始参数不易获取、井筒内流体分布状态复杂的问题,根据深度学习理论,建立了一种基于卷积神经网络的泵充满程度智能识别方法。根据抽油机井多种时序数据变化的特点,确定了反映短期趋势和长期趋势的时间窗口,研究了时间窗口内的平均水平、趋势和波动性等特征指标的提取方法。以单因素决策影响机制为基础确定决策函数后,建立了针对各单项特征指标的抽油机生产参数调控单因素决策因子计算方法。然后根据多种因素对调控决策的综合影响,建立了一种抽油机井生产参数调控综合决策因子计算方法,通过综合决策因子决定抽油机生产参数是否需要调控。目前,基于新开发的抽油机井生产参数自适应调控方法,已编制程序并在某油田管理区完成部署,进行了10井次的矿场应用。调控前后的抽油机井生产数据指标变化表明,基于深度学习抽油机井生产参数自适应调控方法使抽油机井产量与地层供液情况的适配性更好,调控的准确性和实时性显著提升,电费下降明显,油井免修期延长,生产效益明显提升。