基于融合模型的聯(lián)合站能耗優(yōu)化技術研究

高巖 （大慶油田有限責任公司第五采油廠）

目前，我國大部分陸上油田的開發(fā)已經進入中后期，地面生產設施逐漸完善，但投產設計規(guī)模與現(xiàn)階段的處理規(guī)模往往存在較大出入，耗能大于產能，油氣損耗及無用功耗逐漸加劇，能源浪費現(xiàn)象日益嚴重[1]。其中，聯(lián)合站作為地面集輸系統(tǒng)的主要組成部分，具有采出液匯集、原油脫水、采出水處理及氣工藝處理等諸多功能，是油氣田開發(fā)中油氣消耗、電能消耗的重要環(huán)節(jié)，運行過程中存在資源利用不合理、設備負荷率低等問題[2-3]。

1 聯(lián)合站清洗數(shù)據(jù)

以大慶某采油廠聯(lián)合站為例，工藝流程為井口來液通過站內匯管輸送至三相分離器進行油、氣、水分離。分離出的氣，一部分進入加熱爐系統(tǒng)，為站內日用、摻水加熱、原油加熱等提供能量，一部分進入氣處理系統(tǒng)，處理合格后的干氣外輸；分離出的水進入水處理系統(tǒng)，通過過濾、沉降、增壓、回注，完成注水流程；含水油先后進入電脫水器和沉降罐分離、凈化，待原油含水率低于0.5%時外輸至煉廠。2022 年1 月1 日—12 月31 日，以天為單位，共收集各項運行參數(shù)365 條，包括但不限于原油密度、來液含水率、匯管壓力、出站壓力、匯管溫度、出站溫度、加熱爐耗氣量、外輸泵耗電量等。

1.1 數(shù)據(jù)校驗

首先，對數(shù)據(jù)進行完整性檢驗，識別缺失類型和缺失字段，計算每種參數(shù)的缺失數(shù)量和缺失比例。缺失統(tǒng)計結果見圖1。可見原油密度、含水率和外輸泵耗電量參數(shù)的缺失數(shù)量較大，這是由于原油取樣化驗存在周期性，站內外輸泵為兩用一備，當運行外輸泵檢修時，電表在記錄和遠傳上存在數(shù)據(jù)缺失。

圖1 數(shù)據(jù)缺失統(tǒng)計結果Fig.1 Statistical results of data missing

其次，對數(shù)據(jù)中的重復值進行檢驗，聯(lián)合站異常數(shù)據(jù)箱線圖法檢驗結果見圖2。即對數(shù)據(jù)報表中相鄰日期內屬性值相同的記錄進行識別，共得到21條重復數(shù)據(jù)，將重復數(shù)據(jù)合并，共得到有效數(shù)據(jù)344 條。

圖2 聯(lián)合站異常數(shù)據(jù)箱線圖法檢驗結果Fig.2 Test results of box plot method of abnormal data from combined station

最后，對數(shù)據(jù)中的異常值采用箱線圖法檢驗，存在異常值的數(shù)據(jù)類型有匯管壓力、匯管溫度、加熱爐耗氣量和外輸泵耗電量[4-7]。其中：除加熱爐耗氣量外，其余數(shù)據(jù)的均值大于中位數(shù)，表現(xiàn)為正偏態(tài)；加熱爐耗氣量表現(xiàn)為負偏態(tài)?？紤]到匯管直接連接三相分離器，分離器的承壓能力有限，故要求匯管壓力不大于1 MPa，對于大于1 MPa 的10 個異常值采用中位數(shù)0.60 MPa 替代。該站所屬區(qū)塊的原油凝點為25 ℃，為實現(xiàn)流動保障，匯管溫度應高于凝點3～5 ℃，其中有5 個異常點溫度大于50 ℃，3 個異常點溫度小于23 ℃，可能與現(xiàn)場傳感器數(shù)據(jù)漂移有關，將異常點采用中位數(shù)34.8 ℃替代。加熱爐日耗氣量和外輸泵日耗電量分別存在3個、11 個異常點，雖然處理液量和環(huán)境溫度的變化，均會影響站內水力和熱力消耗，但異常點不符合現(xiàn)場實際工況，故對其分別采用中位數(shù)4 522 m3和57 kWh 替代。

1.2 數(shù)據(jù)重構

聯(lián)合站數(shù)據(jù)中的缺失值較為集中，采用三次樣條曲線，建立合適的分段函數(shù)，對缺失信息進行重構。以外輸泵耗電量為例，2022 年3 月1—30 日的數(shù)據(jù)存在2 處缺失，分別為3 月15 日和3 月23 日，通過Spline 函數(shù)完成光滑曲線構建，并根據(jù)橫坐標的缺失日期確定相應的耗電量，繪制外輸系統(tǒng)電量的三次樣條曲線（圖3）。最終，得到3 月15 日和3月23 日的耗電量分別為572 kWh 和563 kWh，重構數(shù)據(jù)位于前一個數(shù)據(jù)和后一個數(shù)據(jù)的發(fā)展趨勢上，具有較高的精確度。對于其余缺失值的數(shù)據(jù)重構，采用相同方法。

圖3 外輸泵耗電量的三次樣條曲線Fig.3 Cubic spline curve of power consumption of external pump

2 能耗相關性分析

涉及聯(lián)合站的能耗指標有單位液量綜合能耗、單位液量氣耗、單位液相電耗、單位原油氣耗、單位原油電耗等?？紤]到采出水處理系統(tǒng)中涉及分壓注水和加熱摻水流程，氣處理系統(tǒng)中涉及再生塔、重沸器和換熱器等，故在此采用單位液量綜合能耗作為聯(lián)合站能耗評價的綜合性指標。

將單位液量綜合能耗作為參考序列，將經數(shù)據(jù)清洗后的因素作為比較序列，采用灰色關聯(lián)法驗證不同因素與單位液量綜合能耗的關系，灰色關聯(lián)度結果見圖4（分辨系數(shù)取0.5）。

圖4 不同因素的灰色關聯(lián)度Fig.4 Grey correlation degree of different factors

單位液量綜合能耗與加熱爐耗氣量的關聯(lián)度最大（0.757 1），兩者為強正相關。這是由于一方面氣耗用于加熱站內原油脫水，決定著處理深度，另一方面氣耗用于加熱站外摻水，與流動保障密切相關，這也直觀體現(xiàn)了熱力損失在總能耗中占比較大的特點。單位液量綜合能量與處理液量的關聯(lián)度也較大（-0.678 9），兩者為強負相關。這是由于該聯(lián)合站的設計規(guī)模與實際處理液量差較多，處理液量增大，設備負荷率會顯著提升，但能耗不會顯著增加，故兩者呈負相關。單位液量綜合能耗與原油密度和來液含水率的關聯(lián)度較小，均呈極弱正相關。

篩選灰色關聯(lián)度大于0.4 的數(shù)據(jù)作為影響聯(lián)合站單位液量綜合能耗的關鍵因素，按照灰色關聯(lián)度絕對值從大到小排列，依次為加熱爐耗氣量、處理液量、出站溫度、外輸泵耗電量、匯管壓力、匯管溫度、出站壓力和電脫水器電壓等。

3 數(shù)據(jù)回歸

為增加數(shù)據(jù)的擴展能力，實現(xiàn)未來任意時刻單位液量綜合能耗的預測，將上述篩選得到的8 個自變量作為輸入，將單位液量綜合能耗作為輸出，代入支持向量機（SVM）模型進行機器學習。在344條數(shù)據(jù)中任意抽取80%作為訓練集，20%作為測試集，訓練集用于尋找最優(yōu)超參數(shù)，形成最佳SVM 模型，測試集用于驗證SVM 模型的準確性和魯棒性。其中，超參數(shù)的尋優(yōu)采用網(wǎng)格搜索法，設置懲罰因子∈[0，100]，不敏感參數(shù)∈[0，10]。對SVM 模型的網(wǎng)絡結構及核函數(shù)類型采用試算法確定，隱含層節(jié)點數(shù)和核函數(shù)類型優(yōu)選結果見圖5。隨著隱含層節(jié)點數(shù)的增加，訓練誤差逐漸減小，核函數(shù)為Radial basis 函數(shù)，隱含層節(jié)點為22 時，均方誤差最小，為6.50×10-3。最終，確定SVM 的模型結構為8-52-1 型。

圖5 隱含層節(jié)點數(shù)和核函數(shù)類型優(yōu)選Fig.5 Number of hidden layer nodes and kernel function type preference

為驗證SVM 模型對于單位液量綜合能耗預測結果的準確性，采用前饋神經網(wǎng)絡（BP）模型、隨機森林（RF）模型進行對比，以均方誤差EMS、均方根誤差ERMS和相關系數(shù)R2等三個統(tǒng)計學指標進行模型評價，評價指標對比結果見表1。其中，BP 模型在訓練階段的擬合效果較好，與SVM 模型的訓練效果相當，但在測試階段BP 模型的MSE 較訓練階段高出了一個數(shù)量級，說明BP 模型出現(xiàn)了過擬合現(xiàn)象，模型只是記住了數(shù)據(jù)類型和數(shù)值，從中未學到自變量與因變量之間的非線性關系；RF 模型在訓練階段和測試階段的表現(xiàn)相對較好；SVM 模型的預測效果最佳，在對未知測試集數(shù)據(jù)進行預測時，未出現(xiàn)明顯的過擬合和欠擬合現(xiàn)象，模型具有強魯棒性和泛化性。

表1 不同模型評價指標對比Tab.1 Comparison of evaluation indicators of different models

4 能耗優(yōu)化

在滿足約束條件的前提下，以單位液量綜合能耗最低為目標函數(shù)，將生產參數(shù)代入粒子群算法，以加熱爐耗氣量、出站溫度、外輸泵耗電量、匯管壓力、匯管溫度、出站壓力等為決策變量，實現(xiàn)優(yōu)化調整[8-10]。

約束條件如下：①三相分離器應滿足壓力約束，進站壓力不低于0.2 MPa；②三相分離器水相出口的含油質量濃度不超過1 000 mg/L，油相出口的含水率不高于10%，以分別滿足后續(xù)含水油和采出水的處理要求；③沉降罐出口應滿足原油含水率小于0.5%；④匯管溫度應高于原油凝點3℃，以保證原油在熱力條件下順利進站，不產生凝管現(xiàn)象；⑤出站溫度應低于原油初餾點，以保證原油進入外輸泵后不影響泵的吸入，如出站溫度過高還會對管道防腐層造成剝離影響。

粒子群算法流程具體步驟如下：①初始化粒子群算法的種群數(shù)量、問題維度和最大迭代次數(shù)，將每個粒子的位置定義為待優(yōu)化的決策變量，種群數(shù)量等于粒子個數(shù)，問題維度等于決策變量個數(shù)；②將目標函數(shù)作為適應度函數(shù)，計算隨機生成種群位置下的粒子適應度值，根據(jù)適應度值，計算種群中的個體極值位置和全局極值位置；③利用公式更新粒子的位置和速度；④判斷是否達到最大迭代次數(shù)，如是則結束算法，輸出最佳適應度值對應的決策變量，如否則返回第②步進行重新計算。

單一時段的運行數(shù)據(jù)優(yōu)化結果見表2（優(yōu)化前為現(xiàn)場數(shù)據(jù)，優(yōu)化后為預期數(shù)據(jù)）。優(yōu)化后，預期各項優(yōu)化參數(shù)均有所降低， 按照工業(yè)電價0.8 元/kWh，燃料價格3.0 元/m3核算，每天可減少運行費用887.8 元，全年預計可節(jié)約26.6 萬元，節(jié)能效果顯著。

表2 運行數(shù)據(jù)優(yōu)化前后對比Tab.2 Comparison of operating data before and after optimization

5 結論

1）通過灰色關聯(lián)度分析，得到影響聯(lián)合站單位液量綜合能耗的關鍵因素從大到小依次為加熱爐耗氣量、處理液量、出站溫度、外輸泵耗電量、匯管壓力、匯管溫度、出站壓力和電脫水器電壓等。

2）在核函數(shù)為Radial basis 函數(shù)，SVM 模型結構為8-52-1 時對單位液量綜合能耗的訓練及預測效果最高，模型精度優(yōu)于BP、RF 等對比模型。

3）通過粒子群算法優(yōu)化后，出站溫度、出站壓力、加熱爐耗氣量、外輸泵耗電量等參數(shù)持續(xù)降低，預計全年節(jié)約運行費用26.6 萬元，節(jié)氣、節(jié)電效果明顯。