油田既是产能大户，也是耗能大户，抽油机是油田生产的主要耗能设备，其耗电量占油田用电量的45%左右，与此同时抽油机的系统效率也不高，目前只有25%左右。如何实现油田抽油机的增产节能是目前油田研究的一个重要内容。随着数字化油田的发展，井上、井下都布置了监测装置，对许多工况参数进行了离线或在线监测，并通过无线通信把这些监测数据传送到监测站。油田企业在长期的采油过程中，涉及了各种类型抽油机、及许多井上和井下工况，因此，积累了丰富详实的工况参数和能耗数据。为此，本文拟从数据挖掘的角度出发，以抽油机采油过程为研究对象，对抽油机采油系统的增产节能进行研究。首先，在深入学习抽油机采油过程的基础上，研究抽油机负载不断变化时，工艺变量的变化情况，选出所有可能影响增产节能的工艺变量，并选取一定时间段的样本数据，通过人工去噪等数据处理方法，最终得到有效的研究样本。其次，利用BP神经网络的非线性逼近能力，获得抽油机采油系统的初始模型，接着利用扩展卡尔曼滤波的思想，建立基于扩展卡尔曼滤波（EKF）的神经网络权值和阈值的迭代学习方法，从而使抽油机采油时变系统的模型具有自适应性，实现抽油机采油系统的自适应递归建模，构建基于EKF的自适应神经网络模型，并对此模型进行检验。再次，以EKF神经网络建立的抽油机模型为基础，以模型的两个输出——产量和用电量为指标，运用多目标进化算法非支配排序遗传算法（NSGA-II）对工艺参数进行优化，得到一个帕累托（Pareto）最优解集。最后，考虑到NSGA-II优化的结果不是一个最优解，而是Pareto前沿上的一组解，不便于油田工程师选择，本文进一步研究Pareto解集的决策模型，先用有序加权平均算法（OWA），再用神经网络融合专家经验，进而选出Pareto解集中综合性能最好的解。通过实验验证，与样本平均值比较，用电量与平均值比较降低3.53%，产量提高了6.59%，证实了该方法的可行性和有效性。