基于機(jī)器學(xué)習(xí)實(shí)現(xiàn)海上氣田陸地終端液態(tài)產(chǎn)品產(chǎn)量預(yù)測(cè)與挖潛

羊新州，閆正和，羅睿喬，楊 鵬，唐圣來(lái)

中海石油深海開(kāi)發(fā)有限公司，廣東 深圳

1.引言

南海某天然氣陸地處理終端處理來(lái)自海上5 個(gè)氣田產(chǎn)量的天然氣，裝置設(shè)計(jì)天然氣處理能力達(dá)到80 億方/年。上岸天然氣經(jīng)過(guò)脫碳、脫水等處理之后，進(jìn)入液烴分餾單元，實(shí)現(xiàn)重?zé)N組分分離之后，外輸干氣。分離的重?zé)N組分經(jīng)過(guò)多級(jí)分餾，產(chǎn)出不同種類(lèi)液烴產(chǎn)品。常規(guī)副產(chǎn)品的預(yù)測(cè)往往是通過(guò)簡(jiǎn)單的線性回歸進(jìn)行計(jì)算，忽視了設(shè)備故障、參數(shù)波動(dòng)、環(huán)境變化等因素的影響，預(yù)測(cè)結(jié)果與實(shí)際副產(chǎn)品的產(chǎn)量存在一定差異。機(jī)器學(xué)習(xí)是一種用于設(shè)計(jì)復(fù)雜模型和算法并以此實(shí)現(xiàn)預(yù)測(cè)功能的方法，它由數(shù)據(jù)分析習(xí)得，而不依賴于規(guī)則導(dǎo)向的程序設(shè)計(jì)，它能夠基于對(duì)現(xiàn)有結(jié)構(gòu)化數(shù)據(jù)的觀察，自行識(shí)別結(jié)構(gòu)化數(shù)據(jù)中的模型，并以此來(lái)輸出對(duì)未來(lái)結(jié)果的預(yù)測(cè)。通過(guò)建立可靠的機(jī)器學(xué)習(xí)模型，使計(jì)算機(jī)從數(shù)據(jù)中自動(dòng)分析出相關(guān)規(guī)律，并利用這些規(guī)律對(duì)未來(lái)的變化進(jìn)行預(yù)測(cè)，該方法已經(jīng)在油氣行業(yè)的各個(gè)方向進(jìn)行了廣泛的應(yīng)用[1]-[10]。本文通過(guò)建立機(jī)器學(xué)習(xí)模型來(lái)學(xué)習(xí)各海上氣田產(chǎn)量與終端各對(duì)應(yīng)副產(chǎn)品產(chǎn)出的相關(guān)關(guān)系，識(shí)別出影響副產(chǎn)品產(chǎn)出的關(guān)鍵設(shè)備，繼而對(duì)關(guān)鍵設(shè)備進(jìn)行異常標(biāo)注，以提高副產(chǎn)品產(chǎn)量預(yù)測(cè)的準(zhǔn)確度。

2.終端液態(tài)產(chǎn)品處理設(shè)備異常標(biāo)記

多個(gè)海上氣田開(kāi)采出的天然氣在海上中心平臺(tái)進(jìn)行簡(jiǎn)單的脫水處理后，通過(guò)海底管道輸送到終端，由海管登陸的天然氣首先在天然氣進(jìn)站預(yù)處理單元經(jīng)調(diào)壓系統(tǒng)穩(wěn)壓后，進(jìn)入段塞流捕集器進(jìn)行氣液分離。分出的凝液去凝析油穩(wěn)定單元處理，生產(chǎn)穩(wěn)定凝析油，穩(wěn)定后的凝析油進(jìn)入儲(chǔ)罐儲(chǔ)存，可裝船或裝車(chē)外輸，亦可通過(guò)管道外輸至精細(xì)化工；分離出的氣相脫除夾帶的微量汞和機(jī)械雜質(zhì)后進(jìn)入脫碳單元，脫碳后的濕凈化氣的CO2含量控制在2.8%以下，隨后進(jìn)入兩套并聯(lián)的脫水、制冷、分餾單元處理，生產(chǎn)干氣、丙烷、丁烷、液化石油氣及穩(wěn)定輕烴產(chǎn)品，干氣通過(guò)天然氣管道外輸至廣東管網(wǎng)，丙烷、丁烷、液化石油氣、輕烴等液態(tài)產(chǎn)品進(jìn)入儲(chǔ)罐儲(chǔ)存，可裝船或裝車(chē)外輸，相關(guān)工藝流程見(jiàn)圖1 所示，其中，可以簡(jiǎn)單將副產(chǎn)品劃分為2 類(lèi)，一為凝析油產(chǎn)品，一為丙烷、丁烷、輕烴等的液態(tài)烴類(lèi)產(chǎn)品。

Figure 1.Schematic diagram of processing flow of natural gas processing terminal圖1.天然氣處理終端處理流程示意圖

聚類(lèi)算法是指將一堆沒(méi)有標(biāo)簽的數(shù)據(jù)自動(dòng)劃分成幾類(lèi)的方法，屬于無(wú)監(jiān)督學(xué)習(xí)方法[11][12][13]。一般的天然氣藏在一定時(shí)間范圍內(nèi)，副產(chǎn)品的產(chǎn)量與天然氣的產(chǎn)量比是一個(gè)相對(duì)穩(wěn)定的值，當(dāng)天然氣產(chǎn)量一定時(shí)，對(duì)應(yīng)的副產(chǎn)品產(chǎn)量接近一個(gè)定值，當(dāng)副產(chǎn)品產(chǎn)量明顯偏離這個(gè)定值時(shí)，則判斷為設(shè)備出現(xiàn)了異常。本文通過(guò)收集海上各平臺(tái)和陸地終端生產(chǎn)數(shù)據(jù)，經(jīng)過(guò)聚類(lèi)分析，劃分出副產(chǎn)品產(chǎn)量的異常點(diǎn)。

本文采用K 均值聚類(lèi)算法，其步驟是，將各類(lèi)副產(chǎn)品析出系數(shù)分為2 組，隨機(jī)抽取2 個(gè)對(duì)象作為初始的聚類(lèi)中心，然后將每個(gè)對(duì)象與2 個(gè)中資聚類(lèi)中心之間的距離，把每個(gè)對(duì)象分配給距離它最近的聚類(lèi)中心。聚類(lèi)中心以及分配給它們的對(duì)象就代表一個(gè)聚類(lèi)。每分配一個(gè)樣本，聚類(lèi)的聚類(lèi)中心會(huì)根據(jù)聚類(lèi)中現(xiàn)有的對(duì)象被重新計(jì)算。這個(gè)過(guò)程將不斷重復(fù)直到滿足某個(gè)終止條件。終止條件可以是沒(méi)有(或最小數(shù)目)對(duì)象被重新分配給不同的聚類(lèi)，沒(méi)有(或最小數(shù)目)聚類(lèi)中心再發(fā)生變化，誤差平方和局部最小。本文將該方法應(yīng)用于終端及上游氣田凝析油和液態(tài)烴類(lèi)產(chǎn)品析出系數(shù)的異常判斷，通過(guò)分析該終端及上游氣田19 年1 月至2020 年5 月生產(chǎn)數(shù)據(jù)，判斷結(jié)果如圖2 和圖3 所示。其中，在2019 年12 月，烴類(lèi)產(chǎn)品的析出能力發(fā)生顯著降低，通過(guò)對(duì)比設(shè)備工況，當(dāng)時(shí)制冷單元設(shè)備出現(xiàn)異常，制冷效率為達(dá)到設(shè)定值，導(dǎo)致烴類(lèi)產(chǎn)品產(chǎn)出量減少?？梢?jiàn)，通過(guò)K 均值聚類(lèi)算法可以有效識(shí)別副產(chǎn)品的析出能力異常。

3.終端液態(tài)產(chǎn)品產(chǎn)量預(yù)測(cè)

根據(jù)上述分析和現(xiàn)場(chǎng)對(duì)處理設(shè)備的異常標(biāo)記，應(yīng)用氣田與終端的生產(chǎn)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，用以預(yù)測(cè)2020 年1 月至2020 年5 月的副產(chǎn)品的產(chǎn)量。建模過(guò)程如圖4 所示。

3.1.數(shù)據(jù)預(yù)處理

從圖1 可知，天然氣從海上各氣田采出輸送到終端后，整個(gè)處理流程中，除了脫碳系統(tǒng)有化學(xué)反應(yīng)以外，其余工藝基本以物理變化為主。上岸天然氣經(jīng)過(guò)脫碳、脫水等處理之后，進(jìn)入液烴分餾單元，實(shí)現(xiàn)重?zé)N組分分離之后，外輸干氣。分離的重?zé)N組分經(jīng)過(guò)多級(jí)分餾，產(chǎn)量不同種類(lèi)液烴產(chǎn)品。因此本次建模的初始特征選擇海上5 個(gè)氣田的井口氣產(chǎn)量和終端設(shè)備異常標(biāo)記值，用以預(yù)測(cè)終端各副產(chǎn)品的產(chǎn)量。

Figure 2.Scatter diagram:abnormal judgment of liquid hydrocarbon products precipitation圖2.液態(tài)烴類(lèi)產(chǎn)品析出異常判斷

Figure 3.Scatter diagram:determination of condensate output anomaly圖3.凝析油產(chǎn)量異常判斷

Figure 4.Process:the modeling process of predictive liquid hydrocarbon and condensate圖4.副產(chǎn)品預(yù)測(cè)建模預(yù)測(cè)流程

Figure 5.Curve:apply box diagrams for outliers determination圖5.應(yīng)用箱型圖進(jìn)行異常值處理

應(yīng)用箱型圖來(lái)對(duì)各氣田產(chǎn)量進(jìn)行異常值判斷，如圖5 所示。箱型圖，主要包含六個(gè)數(shù)據(jù)節(jié)點(diǎn)，將一組數(shù)據(jù)從大到小排列，分別計(jì)算出他的上邊緣，上四分位數(shù)Q3，中位數(shù)，下四分位數(shù)Q1，下邊緣，還有一個(gè)異常值。它也可以粗略地看出數(shù)據(jù)是否具有對(duì)稱性，分布的分散程度等信息，特別可以用于對(duì)幾個(gè)樣本的比較，無(wú)需對(duì)數(shù)據(jù)進(jìn)行正態(tài)分布要求。異常值在箱型圖中被定義為小于Q1 ? 1.5IQR 或大于Q3 +1.5IQR 的值，經(jīng)過(guò)異常值處理后的氣田群產(chǎn)量數(shù)據(jù)集如表1 所示。

Table 1.Data set after outlier processing表1.異常值處理后數(shù)據(jù)集

為進(jìn)一步提取數(shù)據(jù)集的相關(guān)特征，我們對(duì)各氣田產(chǎn)量結(jié)合異常標(biāo)記進(jìn)行稀疏化處理，通過(guò)稀疏化實(shí)現(xiàn)特征的自動(dòng)選擇，去除影響最終預(yù)測(cè)的無(wú)用特征，即將無(wú)用特征對(duì)應(yīng)的權(quán)重設(shè)置為0，以凝析油數(shù)據(jù)集為例，數(shù)據(jù)稀疏化后處理結(jié)果見(jiàn)表2。

Table 2.Modeling data set for predicting hydrocarbon product output after data sparsity表2.數(shù)據(jù)稀疏化后預(yù)測(cè)烴類(lèi)產(chǎn)品產(chǎn)量建模數(shù)據(jù)集

最后，選擇2019 年的生產(chǎn)數(shù)據(jù)作為訓(xùn)練集，2020 年的生產(chǎn)數(shù)據(jù)做測(cè)試集，進(jìn)行機(jī)器學(xué)習(xí)建模。

3.2.機(jī)器學(xué)習(xí)建模

將終端凝析油產(chǎn)量與終端液烴產(chǎn)品分開(kāi)進(jìn)行預(yù)測(cè)，對(duì)上述產(chǎn)品的預(yù)測(cè)即為一個(gè)回歸問(wèn)題，假設(shè)訓(xùn)練集樣本T={(x1,y1),(x2,y2),…,(xN,yN)}，需要回歸(x1,x2,…,xN)與(y1,y2,…,yN)之間的關(guān)系。用于回歸的機(jī)器學(xué)習(xí)模型有很多，常用的有多元線性回歸、支持向量回歸、決策樹(shù)回歸、神經(jīng)網(wǎng)絡(luò)等，本次選取多元線性回歸與梯度提升決策樹(shù)進(jìn)行回歸預(yù)測(cè)。

在多元線性回歸分析中，如果有兩個(gè)或兩個(gè)以上的自變量，其方程形式為：

其中自變量的觀測(cè)值為(1,x11,…,x1p),(1,x21,…,x2p),…，對(duì)應(yīng)的因變量觀測(cè)值為y1,y2,…，通過(guò)引入矩陣來(lái)表示：

多元回歸即是需要求得相應(yīng)的參數(shù)β，使得訓(xùn)練集的預(yù)測(cè)值與真實(shí)的回歸目標(biāo)值之間的均方誤差最小。

提升樹(shù)是迭代多棵回歸樹(shù)來(lái)共同決策，提升樹(shù)模型可以表示為決策樹(shù)的加法模型，計(jì)算方法如下：

1) 初始化提升樹(shù)模型f0(x)=0

2) 對(duì)m=1,2,…,M

a) 計(jì)算殘差

b)rmi=yi?fm?1(xi),i=1,2,…,N

c)擬合殘差rmi學(xué)習(xí)一個(gè)回歸樹(shù)，得到 T (x:Θm)

d)更新fm(x)=fm?1(x) +T(x:Θm)

分別應(yīng)用上述2 個(gè)方法對(duì)2019 年的生產(chǎn)數(shù)據(jù)進(jìn)行訓(xùn)練，然后通過(guò)2020 上半年的氣田生產(chǎn)數(shù)據(jù)預(yù)測(cè)終端液烴產(chǎn)品和終端凝析油的產(chǎn)量，結(jié)果如圖6、圖7 所示。

Figure 6.Scatter diagram:comparison between prediction of terminal hydrocarbon products and actual production圖6.2020 年預(yù)測(cè)終端烴類(lèi)產(chǎn)品與實(shí)際對(duì)比

Figure 7.Scatter diagram:comparison between prediction of condensate oil and actual production圖7.2020 年預(yù)測(cè)終端凝析油與實(shí)際對(duì)比

由圖6 可以看出，無(wú)論是采用多元線性回歸還是梯度提升決策樹(shù)回歸，預(yù)測(cè)的結(jié)果與終端烴類(lèi)產(chǎn)品實(shí)際產(chǎn)量相一致。相比較來(lái)說(shuō)，采用多元線性回歸的方法更能準(zhǔn)確的反應(yīng)實(shí)際的產(chǎn)量波動(dòng)。由圖7 可知，部分計(jì)算結(jié)果與終端凝析油的產(chǎn)量存在一定的差異，經(jīng)過(guò)與現(xiàn)場(chǎng)核實(shí)，該波動(dòng)主要是由于現(xiàn)場(chǎng)操作的改變，主動(dòng)降低了凝析油穩(wěn)定單元的液位導(dǎo)致的。截止到2020 年6 月，預(yù)測(cè)的累積凝析油產(chǎn)量，液態(tài)烴類(lèi)產(chǎn)品產(chǎn)量與實(shí)際產(chǎn)量對(duì)比見(jiàn)圖8。

Figure 8.Histogram:comparison between prediction of cumulative production and actual cumulative production圖8.預(yù)測(cè)累積產(chǎn)量與實(shí)際累積產(chǎn)量對(duì)比

4.終端液態(tài)產(chǎn)品產(chǎn)量潛力挖掘

根據(jù)對(duì)終端設(shè)備異常統(tǒng)計(jì)，2020 年液態(tài)烴類(lèi)處理設(shè)備的異常已經(jīng)出現(xiàn)了15 天，每年凝析油處理設(shè)備的異常約為10 天，因此，我們可以在預(yù)測(cè)模型中人為的修改設(shè)備的異常標(biāo)記，假設(shè)在設(shè)備運(yùn)作完好的條件下，結(jié)合年度的產(chǎn)量計(jì)劃，預(yù)測(cè)最優(yōu)運(yùn)行條件下的液態(tài)烴類(lèi)產(chǎn)品與凝析油的產(chǎn)量，各氣田的年度產(chǎn)量計(jì)劃如表3 所示。

Table 3.Annual production plan for each gas field表3.各氣田年度產(chǎn)量計(jì)劃

分別計(jì)算兩種條件下終端各液態(tài)產(chǎn)品，計(jì)算結(jié)果如表4 所示，可以看出，最優(yōu)運(yùn)行條件下比現(xiàn)有的液態(tài)產(chǎn)品產(chǎn)量總計(jì)大約增加了2.26 萬(wàn)方，約為14 萬(wàn)桶，按30 美元/桶原油計(jì)算，可增加經(jīng)濟(jì)效益420 萬(wàn)美元。

Table 4.Optimal production of liquid products under operating conditions表4.最優(yōu)工況條件下液態(tài)產(chǎn)品產(chǎn)量

5.結(jié)論

1) 通過(guò)聚類(lèi)分析進(jìn)行析出比異常判斷可以迅速定位出終端設(shè)備的異常情況，結(jié)合后續(xù)對(duì)終端相關(guān)設(shè)備的異常標(biāo)記，建立機(jī)器學(xué)習(xí)模型，可以精確預(yù)測(cè)各類(lèi)液態(tài)產(chǎn)品產(chǎn)量。

2) 通過(guò)訓(xùn)練好的機(jī)器學(xué)習(xí)模型，可以進(jìn)行終端液態(tài)產(chǎn)品生產(chǎn)潛力挖掘，預(yù)測(cè)在設(shè)備運(yùn)行最優(yōu)條件下液態(tài)產(chǎn)品產(chǎn)量，預(yù)測(cè)后的結(jié)果可以為后續(xù)進(jìn)行設(shè)備升級(jí)改造，或者進(jìn)行工藝優(yōu)化提供決策依據(jù)。