基于油氣開(kāi)采的海上油田中長(zhǎng)期電力負(fù)荷預(yù)測(cè)

王艷松, 趙 惺, 李 強(qiáng), 李 雪, 魏 澈

(1.中國(guó)石油大學(xué)(華東)新能源學(xué)院,山東青島 266580; 2.中海油研究總院,北京 100028)

海上油氣田不同于國(guó)民經(jīng)濟(jì)其他企業(yè)、也不同于任何地市,海上油氣田的平臺(tái)設(shè)備安裝緊湊、生產(chǎn)流程系統(tǒng)化、負(fù)荷用電量大、供電可靠性要求高。中長(zhǎng)期電力負(fù)荷預(yù)測(cè)結(jié)果偏低會(huì)造成裝機(jī)容量不足,影響平臺(tái)油氣生產(chǎn);預(yù)測(cè)結(jié)果偏高,造成設(shè)備投資成本浪費(fèi),設(shè)備運(yùn)行效率低[1-2]。因此建立適用于海上油藏開(kāi)采的中長(zhǎng)期電力負(fù)荷預(yù)測(cè)模型具有較高的工程應(yīng)用價(jià)值。中長(zhǎng)期負(fù)荷傳統(tǒng)預(yù)測(cè)方法[3]包括產(chǎn)業(yè)產(chǎn)值單耗法、電力彈性系數(shù)法、回歸分析法等;現(xiàn)代預(yù)測(cè)方法包括神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法[4]、支持向量機(jī)預(yù)測(cè)法、灰色系統(tǒng)預(yù)測(cè)法等。郭鴻業(yè)等[5]將規(guī)律性較差的原始序列分解成若干個(gè)規(guī)律性強(qiáng)的序列,并針對(duì)不同的分量采用不同的預(yù)測(cè)模型。劉俊等[6]在文獻(xiàn)[5]的基礎(chǔ)上利用計(jì)量經(jīng)濟(jì)學(xué)中的協(xié)整檢驗(yàn)和格蘭杰因果檢驗(yàn)分析經(jīng)濟(jì)因素與循環(huán)分量的關(guān)系,進(jìn)一步提高模型的預(yù)測(cè)精度。李亦言等[7-8]從人口、經(jīng)濟(jì)、地域等方面分析電力負(fù)荷的影響因素,分別以模糊聚類(lèi)法和小波分析法建立多變量負(fù)荷預(yù)測(cè)模型。王雁凌等[9]針對(duì)經(jīng)濟(jì)新常態(tài)下中長(zhǎng)期負(fù)荷預(yù)測(cè)樣本容量小、建模困難的問(wèn)題,采用偏最小二乘法建立預(yù)測(cè)模型。陳毅波等[10]將粗糙集理論與D-S證據(jù)理論引入多元回歸算法,提高模型的適用性。王寧等[11]將支持向量機(jī)方法和多元回歸方法通過(guò)最優(yōu)組合預(yù)測(cè)法,以此提高模型的預(yù)測(cè)精度。目前各種預(yù)測(cè)方法都屬于確定性數(shù)值預(yù)測(cè)方法,未考慮預(yù)測(cè)特征的不確定性。海上油氣田的油氣生產(chǎn)規(guī)模、開(kāi)采工藝、集輸工藝隨著油藏分布、開(kāi)采深度和能源戰(zhàn)略等因素的影響具有不確定性,筆者將盲數(shù)引入回歸模型,建立盲數(shù)回歸預(yù)測(cè)模型,預(yù)測(cè)中長(zhǎng)期電力負(fù)荷的可能值和可信度,解決海上油氣田開(kāi)采不確定性對(duì)電力負(fù)荷需求的影響。

1 電力負(fù)荷特征量提取和篩選

1.1 影響電力負(fù)荷需求的特征分析

油氣生產(chǎn)規(guī)模與電力消耗密切相關(guān),海上油氣田的生產(chǎn)主要包括鉆采和集輸兩大關(guān)鍵環(huán)節(jié),油田生產(chǎn)的每一個(gè)環(huán)節(jié)都離不開(kāi)電力。

1.1.1 油氣生產(chǎn)規(guī)模

海上油氣田的提液量、產(chǎn)油量、產(chǎn)氣量和產(chǎn)水量等生產(chǎn)規(guī)模指標(biāo)直接決定電潛泵、原油外輸泵、電伴熱、生產(chǎn)水輸送泵和氣壓縮機(jī)等電力設(shè)備的使用情況。分析某海上油氣田2009—2015年的用電量和表征油氣生產(chǎn)規(guī)模指標(biāo)的變化趨勢(shì),如圖1所示。

由圖1可知:2009—2015年期間年用電量穩(wěn)中有降,年產(chǎn)油量和產(chǎn)氣量持續(xù)減少,年用電量與年提液量、年產(chǎn)水量變化趨勢(shì)相近,而與表征產(chǎn)能規(guī)模的產(chǎn)氣量、產(chǎn)油量的變化趨勢(shì)相差較大,這體現(xiàn)出了油氣田開(kāi)采的特定階段內(nèi)存在著“減產(chǎn)不減電”的負(fù)荷需求特性。

圖1 年用電量和表征生產(chǎn)規(guī)模指標(biāo)的變化趨勢(shì)Fig.1 Change trend of electricity consumption and indicator of production scale

1.1.2 油氣開(kāi)采工藝

在油氣藏開(kāi)發(fā)前期,油藏壓力高,含水低,實(shí)現(xiàn)油井自噴開(kāi)采,不需要機(jī)械采油設(shè)備;油氣藏開(kāi)發(fā)中后期,油井停止自噴,需要利用高壓注水泵向油層注水,在整個(gè)油層內(nèi)建立水壓驅(qū)動(dòng)方式,恢復(fù)和保持油層壓力,再利用電潛泵將原油舉升到井口[12-13]。油井的開(kāi)采工藝直接影響著海上油氣田的電力負(fù)荷需求,因此將自噴井口數(shù)、電潛泵井口數(shù)以及注水量作為海上油氣田開(kāi)采環(huán)節(jié)影響電力負(fù)荷需求的特征量。分析某海上油氣田2009—2015年的年用電量與表征油氣開(kāi)采工藝指標(biāo)的變化趨勢(shì),如圖2所示。

圖2 年用電量與開(kāi)采工藝指標(biāo)的變化趨勢(shì)Fig.2 Change trend of electricity consumption and mining process index

從圖2可以看出:在2009—2015年期間,自噴井口數(shù)持續(xù)下降,在2009—2012年期間,電潛泵井口數(shù)、注水量和年用電量變化趨勢(shì)大致相同,穩(wěn)中有降。在2012—2015年期間,用電量持平,而電潛泵井口數(shù)、注水量變化趨勢(shì)不同。

1.1.3 油氣集輸工藝

油氣集輸環(huán)節(jié)中的脫水、增壓、加熱和輸送工藝的電負(fù)荷與原油的流體黏稠度、原油的含水量有關(guān)。原油含水率隨著油氣田不同開(kāi)采期而變化,通常開(kāi)采初期,含水量較低,原油黏稠度較大,到了開(kāi)采中期和后期,原油黏稠度降低,含水量增大,油井黏度隨含水率提高而降低。因此在集輸工藝方面提取含水率作為影響中長(zhǎng)期電力負(fù)荷需求的特征量。分析2009—2015年用電量和油氣田產(chǎn)油量、含水率變化趨勢(shì)如圖3所示。

圖3 年用電量和油氣集輸工藝指標(biāo)變化趨勢(shì)Fig.3 Change trend of electricity consumption and transportation process index

從圖3可知,在2009—2015年期間,年用電量和電潛泵井口數(shù)的變化趨勢(shì)大相同,穩(wěn)中有降;油氣田的含水率在逐年上升,而產(chǎn)油量逐年下降。

1.2 基于逐步回歸分析的強(qiáng)特征量篩選

海上油氣田的油氣生產(chǎn)工藝流程的各環(huán)節(jié)是一個(gè)生產(chǎn)和輸送的統(tǒng)一整體,鉆采和集輸同時(shí)進(jìn)行。從油氣生產(chǎn)規(guī)模、油氣開(kāi)采工藝和油氣集輸工藝三個(gè)方面提取的年提液量、年產(chǎn)油量、年產(chǎn)氣量、年產(chǎn)水量、年自噴井口數(shù)和電潛泵井口數(shù)、年注水量和原油含水率特征量之間存在高度相關(guān)。

逐步回歸分析法是一種線(xiàn)性回歸模型自變量選擇方法[12-14]。逐步回歸分析法將特征量一個(gè)一個(gè)引入回歸模型,引入的條件是其偏回歸平方和檢驗(yàn)是顯著的。同時(shí),每引入一個(gè)新特征量后,對(duì)已入選回歸模型的強(qiáng)特征量逐個(gè)進(jìn)行檢驗(yàn),將經(jīng)檢驗(yàn)認(rèn)為不顯著的變量刪除,以保證所得強(qiáng)特征量集中每一個(gè)強(qiáng)特征量都是顯著的。

針對(duì)n期歷史數(shù)據(jù)的原始特征量,利用逐步回歸分析法進(jìn)行篩選,篩選后的m個(gè)強(qiáng)特征量集可表示為

X=[X(1),…,X(s),…,X(m)]=

(1)

式中,X(s)為第s個(gè)強(qiáng)特征矢量,s=1,2,…,m;t代表年,t=1,2,…,n。

2 盲數(shù)的基本理論

盲數(shù)[15-17]是處理和解決一系列灰信息及不確定性信息的數(shù)學(xué)工具,是對(duì)灰色數(shù)學(xué)理論、未確知數(shù)學(xué)及模糊數(shù)學(xué)的一種發(fā)展。其具體定義如下:

假設(shè)G為區(qū)間型有理灰數(shù)集,xi∈G,αi∈[0,1],其中i=1,2,…,p,那么定義f(x)為G上的灰函數(shù),且

(2)

盲數(shù)的運(yùn)算包含可能值運(yùn)算和可信度運(yùn)算兩部分,設(shè)*表示加、減、乘、除中的任一種運(yùn)算。

設(shè)盲數(shù)A和B為

(3)

(4)

那么,盲數(shù)A與盲數(shù)B的可能值運(yùn)算V(A*B)用可能值矩陣表示為

(5)

盲數(shù)A與盲數(shù)B的可信度運(yùn)算C(A*B)用可信度值矩陣表示為

(6)

3 盲數(shù)模型建立

海上油氣田開(kāi)發(fā)規(guī)劃受油藏可開(kāi)采儲(chǔ)量、開(kāi)采進(jìn)度、地質(zhì)條件和國(guó)家能源政策的影響,其生產(chǎn)規(guī)模和開(kāi)采工藝具有不確定性。為了描述海上油田油氣開(kāi)采的不確定性,融入決策者對(duì)未來(lái)不同開(kāi)采階段的研判,應(yīng)用盲數(shù)表示電力負(fù)荷預(yù)測(cè)模型中的強(qiáng)特征量和待預(yù)測(cè)量。

建立負(fù)荷預(yù)測(cè)盲數(shù)模型的關(guān)鍵是強(qiáng)特征量盲數(shù)可能值和盲數(shù)可信度的確定。

(1)確定各強(qiáng)特征量年變化率盲數(shù)的可能值。

(2)確定各強(qiáng)特征量年變化率盲數(shù)的可信度。

決策者根據(jù)國(guó)家能源政策和國(guó)際油價(jià)行情,考慮油氣田不同開(kāi)采階段的開(kāi)采工藝和強(qiáng)特征量發(fā)展趨勢(shì),研判強(qiáng)特征量X(s)年變化率的p個(gè)可能值出現(xiàn)的概率大小,主觀(guān)決策指導(dǎo)油氣生產(chǎn),建立一個(gè)p×p階的比較矩陣,表示為

(7)

其中

令

(8)

基于比較矩陣構(gòu)造判斷矩陣G(s),表示為

(9)

其中判斷矩陣中的元素為

(10)

將判斷矩陣G(s)的各元素按列做歸一化處理,表示為

(11)

由歸一化的判斷矩陣元素可得強(qiáng)特征量X(s)年變化率盲數(shù)的可能值的可信度為

(12)

(3)確定各強(qiáng)特征量年增長(zhǎng)率盲數(shù)。

(13)

式中,p為盲數(shù)階數(shù);m為強(qiáng)特征量個(gè)數(shù)。

(4)確定各強(qiáng)特征量盲數(shù)。

根據(jù)各強(qiáng)特征量年增長(zhǎng)率盲數(shù)和強(qiáng)特征量的真實(shí)值可得各強(qiáng)特征量盲數(shù)為

f(X(S))=f(x(S))×u(S),S=1,2,…,m.

(14)

式中,u(S)為待預(yù)測(cè)年的第S個(gè)強(qiáng)特征量真實(shí)值。

4 算 例

某海上油氣田2009—2019年用電量分別為82 348.3、82 453.8、82 260.7、80 167.0、75 830.8、75 936.0、75 173.8、74 420.5、72 764.8、71 328.2、70 182.3 MW·h。選取2009—2016年用電量為歷史數(shù)據(jù), 2017—2019年用電量為校驗(yàn)數(shù)據(jù),驗(yàn)證所提中長(zhǎng)期負(fù)荷預(yù)測(cè)模型。

4.1 特征量變化趨勢(shì)及相關(guān)性

從油氣生產(chǎn)規(guī)模、油氣開(kāi)采工藝、油氣集輸工藝3個(gè)方面,分析各特征量隨時(shí)間變化的關(guān)系曲線(xiàn),如圖4所示。

由圖4可知,2015—2019年海上油田某區(qū)塊提液量、產(chǎn)油量、產(chǎn)氣量和產(chǎn)水量處于減產(chǎn)階段,部分電潛泵井口關(guān)井,產(chǎn)液量、產(chǎn)氣量降速加大,含水率平穩(wěn)上升。另外,年產(chǎn)油量和年產(chǎn)氣量的變化趨勢(shì)相近,年提液量、年產(chǎn)水量與年注水量的變化趨勢(shì)相近甚至相同,這表明特征量之間存在嚴(yán)重的多重共線(xiàn)性。若將全部特征量引入預(yù)測(cè)模型中,會(huì)使得模型參數(shù)方差增大,模型穩(wěn)定性下降,預(yù)測(cè)精度降低。

圖4 各特征量變化曲線(xiàn)Fig.4 Change curve of each characteristic

4.2 強(qiáng)特征量篩選

應(yīng)用逐步回歸分析法對(duì)原始特征量進(jìn)行篩選,得到的強(qiáng)特征量如表1所示。

表1 逐步回歸分析法篩選的強(qiáng)特征量Table 1 Results of stepwise regression analysis

由表1可知,篩選的強(qiáng)特征量為年注水量和年電潛泵井口數(shù),其年用電量與年注水量、電潛泵井口數(shù)的關(guān)系,如圖5所示。

圖5 年用電量與電潛泵井口數(shù)、年注水量關(guān)系Fig.5 Relationship between annual power consumption and annual water injection, number of electric submersible pump wellhead

由圖5可知,被篩選出的強(qiáng)特征量年注水量、年電潛泵井口數(shù)和待預(yù)測(cè)電量之間呈明顯的線(xiàn)性關(guān)系。

4.3 負(fù)荷預(yù)測(cè)結(jié)果

利用強(qiáng)特征量與預(yù)測(cè)電量之間的線(xiàn)性關(guān)系,建立多元線(xiàn)性回歸模型,對(duì)2017—2019年用電量進(jìn)行預(yù)測(cè),并與未篩選特征量的回歸模型、時(shí)序外推模型和提液量單耗法的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,如表2所示。

表2 不同模型的負(fù)荷預(yù)測(cè)結(jié)果及其精度對(duì)比Table 2 Load forecasting results of different models and accuracy comparison 104 kW·h

由表2可知,基于強(qiáng)特征量的回歸模型預(yù)測(cè)精度最高,最大預(yù)測(cè)誤差為-2.17%,平均誤差為-1.81%;由原始特征量建立的回歸模型,最大預(yù)測(cè)誤差達(dá)-6.14%,時(shí)序外推預(yù)測(cè)模型通過(guò)擬合歷史電力負(fù)荷序列來(lái)實(shí)現(xiàn)預(yù)測(cè),預(yù)測(cè)精度最低,最大誤差為-9.94%;提液量單耗預(yù)測(cè)模型最大誤差為-3.77%,預(yù)測(cè)精度也不高。

為了進(jìn)一步考慮油氣田開(kāi)采的不確定性,將各強(qiáng)特征量盲數(shù)化,建立盲數(shù)回歸預(yù)測(cè)模型:

Y=λ0+λ1f(X(1))+…+λlf(X(s))+…+λsf(X(m)).

(15)

式中,Y為預(yù)測(cè)量;f(X(S))為強(qiáng)特征量盲數(shù);λ0,λ1,…,λl,…,λs為回歸模型系數(shù);m為特征量個(gè)數(shù)。

應(yīng)用盲數(shù)回歸預(yù)測(cè)模型,進(jìn)一步給出預(yù)測(cè)結(jié)果的可能值和可信度,如表3所示。

由表3可知,負(fù)荷真實(shí)值均落在盲數(shù)回歸預(yù)測(cè)模型給出的負(fù)荷預(yù)測(cè)區(qū)間,隨著盲數(shù)模型階數(shù)增大,各預(yù)測(cè)區(qū)間變窄、可信度降低,各預(yù)測(cè)可能值區(qū)間均屬于真實(shí)值的[-5%,+5%]偏移區(qū)間。選取3階盲數(shù)預(yù)測(cè)模型,對(duì)海上油田未來(lái)2020—2029年的年用電量進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果如表4所示。

表3 盲數(shù)回歸模型負(fù)荷區(qū)間預(yù)測(cè)結(jié)果Table 3 Load forecast results of blind number regression model

表4 海上油田2020—2029年用電量預(yù)測(cè)結(jié)果Table 4 Forecast results of electricity consumption of offshore oilfield in 2020-2029

5 結(jié) 論

(1)應(yīng)用逐步回歸分析法篩選的強(qiáng)特征量進(jìn)行負(fù)荷預(yù)測(cè)的誤差小于3%,比原始特征量的負(fù)荷預(yù)測(cè)精度高。

(2)對(duì)于油氣田開(kāi)采規(guī)劃,決策人研判強(qiáng)特征量發(fā)展趨勢(shì)和區(qū)間概率,應(yīng)用盲數(shù)解決了油氣開(kāi)采的不確定性。

(3)盲數(shù)回歸預(yù)測(cè)模型給出了電力負(fù)荷需求可能值區(qū)間及其相應(yīng)的可信度,其預(yù)測(cè)區(qū)間小于預(yù)測(cè)值的±5%偏移區(qū)間,降低了電力負(fù)荷預(yù)測(cè)風(fēng)險(xiǎn)。