海上油气田开发多能流耦合负荷预测方法

技术领域

本发明涉及海上油气田开发技术领域，具体是关于一种海上油气田开发多能流耦合负荷预测方法。

背景技术

海上油气田通常由中心平台及其附属的井口平台构成，各平台之间通过海底电缆、油气管道相连，将区域内油气平台群连成一个整体，形成一个集能源产生、传输、利用为一体的综合能源系统。负荷预测技术研究在各行业都有广泛的应用，当前在电力行业及其他行业的用电负荷方面开展的预测研究较多，相应的预测方法研究也非常广泛，预测的时间尺度上也广泛涵盖长期、中期及短期负荷预测；另外在民用燃气供应和供暖领域，也有少量的用气和用热负荷预测的研究，主要集中在对单一能源形式的预测研究方面。

目前，海上油气田还没有专门的能源管控措施，相应的研究也比较少，对于其使用能源的预测也主要根据操作和油田管理人员的简单预判，还没有形成专门的能源负荷预测方法及技术。陆地对负荷预测技术的研究主要集中在对单一能源形式的预测研究方面，对多能耦合情况下的负荷预测尚没有系统研究。

发明内容

针对上述问题，本发明的目的是提供一种海上油气田电能、天然气、热能相互耦合情况下的海上油气田开发多能流耦合负荷预测方法，为海上油气田有计划的安排生产及能源管控、优化调度提供支持，一方面可进行电、热潮流优化，合理安排开机电源点，实现最优化电力调度；另一方面可提前安排天然气生产，优化天然气调度，减少天然气放空。

为实现上述目的，本发明采取以下技术方案：

本发明所述的海上油气田开发多能流耦合负荷预测方法，包括如下步骤：

1)进行电负荷预测：

采用以历史电负荷数据、产液量、含水率、注水量、季节特性为输入的Elman神经网络算法，对油田群整体电负荷进行预测并进行滚动学习训练；

2)进行热负荷预测：

采用以历史热负荷数据、产液量、含水率、产液温度及环境温度为输入的模糊神经网络算法，采用网络分割法，输出隶属度函数类型为trimf，输出类型为线性输出，分别对每个用热单体进行热负荷预测；

3)进行天然气负荷预测：

采用以已预测电负荷、热负荷及发电机和锅炉效率以及环境温度为特征量的多元线性回归算法和Elman神经网络的混合算法。

所述的海上油气田开发多能流耦合负荷预测方法，优选地，所述步骤3)包括如下子步骤：

3.1)进行发电机消耗天然气预测：

首先采用完全型二元二次多项式，以环境温度和发电机负荷率作为输入变量，以单位发电量消耗天然气作为输出变量，采用最小二乘法对每台发电机进行拟合并定期进行数据更新；然后采用以已预测电负荷、发电机效率以及环境温度为特征量的多元线性回归算法，对油田发电机消耗天然气进行预测；

3.2)进行锅炉消耗天然气预测：

首先采用完全型二元二次多项式，以环境温度和锅炉负荷率作为输入变量，以单位产热量消耗天然气作为输出变量，采用最小二乘法对每台发电机进行拟合并定期进行数据更新；然后采用以已预测热负荷、燃气透平发电机废热锅炉可利用的热量、锅炉效率以及环境温度为特征量的多元线性回归算法，对锅炉消耗天然气进行预测；

3.3)计算油田自耗天然气：

对步骤3.1)和步骤3.2)的预测结果相加，得到油田总的自耗天然气y

所述的海上油气田开发多能流耦合负荷预测方法，优选地，所述步骤3.1)和步骤3.2)中的最小二乘法的拟合公式均为：

y

式中，y

所述的海上油气田开发多能流耦合负荷预测方法，优选地，所述步骤3.2)中还包括以下步骤：

3.2.1)通过公式(2)计算燃气透平发电机废热锅炉可供利用的热量Q

式中：G

所述的海上油气田开发多能流耦合负荷预测方法，优选地，所述步骤3.3)后还包括如下步骤：

3.4)采用时序预测方法预测油田自耗天然气：采用Elman神经网络算法预测，得到油田总的自耗天然气y

3.5)通过公式(3)计算油田自耗天然气预测结果：

y＝0.6y

3.6)进行外输天然气预测：采用算法为Elman神经网络进行预测，对不同外输管线分别进行预测并进行滚动学习。

所述的海上油气田开发多能流耦合负荷预测方法，优选地，在步骤3)后还包括如下步骤：

4)汇总步骤1)、步骤2)、步骤3.5)及步骤3.6)结果，即为海上平台综合能源系统多能流负荷预测结果；

5)对步骤1)、步骤2)及步骤3.5)预测结果进行加和，即得到海上平台开发过程中的能源消耗。

本发明由于采取以上技术方案，其具有以下优点：

1、计算效率高，对于变动较平稳的负荷采用线性回归和简单人工神经网络算法显著提高计算效率；

2、预测精度高，对于变化规律性差的负荷采用混合预测算法及模糊神经网络算法提高了预测精度；

3、本发明负荷预测过程中考虑了多种能源之间的耦合关系，对多种能源形式的预测结果进行关联性校验，进一步提高了多能负荷的预测精度。

附图说明

图1为本发明的多能负荷预测流程框图。

具体实施方式

以下将结合附图对本发明的较佳实施例进行详细说明，以便更清楚理解本发明的目的、特点和优点。应理解的是，附图所示的实施例并不是对本发明范围的限制，而只是为了说明本发明技术方案的实质精神。

如图1所示，本发明提供的海上油气田开发多能流耦合负荷预测方法，包括如下步骤：

1)进行电负荷预测：

采用以历史电力负荷数据、产液量、含水率、注水量、季节特性为输入的Elman神经网络算法，对油田群整体电负荷进行预测并进行滚动学习训练。其中，输入输出变量表如表1，为：

表1电负荷预测输入输出变量表

2)进行热负荷预测：

采用以历史热负荷数据、产液量、含水率、产液温度及环境温度为输入的模糊神经网络算法，采用网络分割法，输出隶属度函数类型为trimf，输出类型为线性输出，分别对每个用热单体进行热负荷预测。输入输出变量表如表2，为：

表2热负荷预测输入输出变量表

3)进行天然气负荷预测：

采用以已预测电负荷、热负荷及发电机和锅炉效率以及环境温度为特征量的多元线性回归算法和Elman神经网络的混合算法。

在上述实施例中，优选地，所述步骤3)包括如下子步骤：

3.1)进行发电机消耗天然气预测：

首先采用完全型二元二次多项式，以环境温度和发电机负荷率作为输入变量，以单位发电量消耗天然气作为输出变量，采用最小二乘法对每台发电机进行拟合并定期进行数据更新；然后采用以已预测电负荷、发电机效率以及环境温度为特征量的多元线性回归算法，对油田发电机消耗天然气进行预测；

3.2)进行锅炉消耗天然气预测：

首先采用完全型二元二次多项式，以环境温度和锅炉负荷率作为输入变量，以单位产热量消耗天然气作为输出变量，采用最小二乘法对每台发电机进行拟合并定期进行数据更新；然后采用以已预测热负荷、燃气透平发电机废热锅炉可利用的热量、锅炉效率以及环境温度为特征量的多元线性回归算法，对锅炉消耗天然气进行预测；

3.3)计算油田自耗天然气：

对步骤3.1)和步骤3.2)的预测结果相加，得到油田总的自耗天然气y

在上述实施例中，优选地，步骤3.1)和步骤3.2)中的最小二乘法的拟合公式均为：

y

式中，y

在上述实施例中，优选地，步骤3.2)中还包括以下步骤：

3.2.1)通过公式(2)计算燃气透平发电机废热锅炉可供利用的热量；

式中：G

在上述实施例中，优选地，步骤3.3)后还包括如下步骤：

3.4)采用时序预测方法预测油田自耗天然气：

采用Elman神经网络算法预测，得到油田总的自耗天然气y

表3油田自耗天然气预测输入输出变量表

3.5)通过公式(3)计算油田自耗天然气预测结果：

y＝0.6y

3.6)进行外输天然气预测：

采用算法为Elman神经网络进行预测，对不同外输管线分别进行预测并进行滚动学习。输入输出变量表如表4，为：

表4外输天然气预测输入输出变量表

在上述实施例中，优选地，在步骤3)后还包括如下步骤：

4)汇总步骤1)、步骤2)、步骤3.5)及步骤3.6)结果，即为海上平台综合能源系统多能流负荷预测结果；

5)对步骤1)、步骤2)及步骤3.5)预测结果进行加和，即得到海上平台开发过程中的能源消耗。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。