基于融合模型的联合站能耗优化技术研究

2024-05-03高岩大庆油田有限责任公司第五采油厂

石油石化节能 2024年4期

高岩（大庆油田有限责任公司第五采油厂）

目前，我国大部分陆上油田的开发已经进入中后期，地面生产设施逐渐完善，但投产设计规模与现阶段的处理规模往往存在较大出入，耗能大于产能，油气损耗及无用功耗逐渐加剧，能源浪费现象日益严重[1]。其中，联合站作为地面集输系统的主要组成部分，具有采出液汇集、原油脱水、采出水处理及气工艺处理等诸多功能，是油气田开发中油气消耗、电能消耗的重要环节，运行过程中存在资源利用不合理、设备负荷率低等问题[2-3]。

1 联合站清洗数据

以大庆某采油厂联合站为例，工艺流程为井口来液通过站内汇管输送至三相分离器进行油、气、水分离。分离出的气，一部分进入加热炉系统，为站内日用、掺水加热、原油加热等提供能量，一部分进入气处理系统，处理合格后的干气外输；分离出的水进入水处理系统，通过过滤、沉降、增压、回注，完成注水流程；含水油先后进入电脱水器和沉降罐分离、净化，待原油含水率低于0.5%时外输至炼厂。2022 年1 月1 日—12 月31 日，以天为单位，共收集各项运行参数365 条，包括但不限于原油密度、来液含水率、汇管压力、出站压力、汇管温度、出站温度、加热炉耗气量、外输泵耗电量等。

1.1 数据校验

首先，对数据进行完整性检验，识别缺失类型和缺失字段，计算每种参数的缺失数量和缺失比例。缺失统计结果见图1。可见原油密度、含水率和外输泵耗电量参数的缺失数量较大，这是由于原油取样化验存在周期性，站内外输泵为两用一备，当运行外输泵检修时，电表在记录和远传上存在数据缺失。

图1 数据缺失统计结果Fig.1 Statistical results of data missing

其次，对数据中的重复值进行检验，联合站异常数据箱线图法检验结果见图2。即对数据报表中相邻日期内属性值相同的记录进行识别，共得到21条重复数据，将重复数据合并，共得到有效数据344 条。

图2 联合站异常数据箱线图法检验结果Fig.2 Test results of box plot method of abnormal data from combined station

最后，对数据中的异常值采用箱线图法检验，存在异常值的数据类型有汇管压力、汇管温度、加热炉耗气量和外输泵耗电量[4-7]。其中：除加热炉耗气量外，其余数据的均值大于中位数，表现为正偏态；加热炉耗气量表现为负偏态。考虑到汇管直接连接三相分离器，分离器的承压能力有限，故要求汇管压力不大于1 MPa，对于大于1 MPa 的10 个异常值采用中位数0.60 MPa 替代。该站所属区块的原油凝点为25 ℃，为实现流动保障，汇管温度应高于凝点3～5 ℃，其中有5 个异常点温度大于50 ℃，3 个异常点温度小于23 ℃，可能与现场传感器数据漂移有关，将异常点采用中位数34.8 ℃替代。加热炉日耗气量和外输泵日耗电量分别存在3个、11 个异常点，虽然处理液量和环境温度的变化，均会影响站内水力和热力消耗，但异常点不符合现场实际工况，故对其分别采用中位数4 522 m3和57 kWh 替代。

1.2 数据重构

联合站数据中的缺失值较为集中，采用三次样条曲线，建立合适的分段函数，对缺失信息进行重构。以外输泵耗电量为例，2022 年3 月1—30 日的数据存在2 处缺失，分别为3 月15 日和3 月23 日，通过Spline 函数完成光滑曲线构建，并根据横坐标的缺失日期确定相应的耗电量，绘制外输系统电量的三次样条曲线（图3）。最终，得到3 月15 日和3月23 日的耗电量分别为572 kWh 和563 kWh，重构数据位于前一个数据和后一个数据的发展趋势上，具有较高的精确度。对于其余缺失值的数据重构，采用相同方法。

图3 外输泵耗电量的三次样条曲线Fig.3 Cubic spline curve of power consumption of external pump

2 能耗相关性分析

涉及联合站的能耗指标有单位液量综合能耗、单位液量气耗、单位液相电耗、单位原油气耗、单位原油电耗等。考虑到采出水处理系统中涉及分压注水和加热掺水流程，气处理系统中涉及再生塔、重沸器和换热器等，故在此采用单位液量综合能耗作为联合站能耗评价的综合性指标。

将单位液量综合能耗作为参考序列，将经数据清洗后的因素作为比较序列，采用灰色关联法验证不同因素与单位液量综合能耗的关系，灰色关联度结果见图4（分辨系数取0.5）。

图4 不同因素的灰色关联度Fig.4 Grey correlation degree of different factors

单位液量综合能耗与加热炉耗气量的关联度最大（0.757 1），两者为强正相关。这是由于一方面气耗用于加热站内原油脱水，决定着处理深度，另一方面气耗用于加热站外掺水，与流动保障密切相关，这也直观体现了热力损失在总能耗中占比较大的特点。单位液量综合能量与处理液量的关联度也较大（-0.678 9），两者为强负相关。这是由于该联合站的设计规模与实际处理液量差较多，处理液量增大，设备负荷率会显著提升，但能耗不会显著增加，故两者呈负相关。单位液量综合能耗与原油密度和来液含水率的关联度较小，均呈极弱正相关。

筛选灰色关联度大于0.4 的数据作为影响联合站单位液量综合能耗的关键因素，按照灰色关联度绝对值从大到小排列，依次为加热炉耗气量、处理液量、出站温度、外输泵耗电量、汇管压力、汇管温度、出站压力和电脱水器电压等。

3 数据回归

为增加数据的扩展能力，实现未来任意时刻单位液量综合能耗的预测，将上述筛选得到的8 个自变量作为输入，将单位液量综合能耗作为输出，代入支持向量机（SVM）模型进行机器学习。在344条数据中任意抽取80%作为训练集，20%作为测试集，训练集用于寻找最优超参数，形成最佳SVM 模型，测试集用于验证SVM 模型的准确性和鲁棒性。其中，超参数的寻优采用网格搜索法，设置惩罚因子∈[0，100]，不敏感参数∈[0，10]。对SVM 模型的网络结构及核函数类型采用试算法确定，隐含层节点数和核函数类型优选结果见图5。随着隐含层节点数的增加，训练误差逐渐减小，核函数为Radial basis 函数，隐含层节点为22 时，均方误差最小，为6.50×10-3。最终，确定SVM 的模型结构为8-52-1 型。

图5 隐含层节点数和核函数类型优选Fig.5 Number of hidden layer nodes and kernel function type preference

为验证SVM 模型对于单位液量综合能耗预测结果的准确性，采用前馈神经网络（BP）模型、随机森林（RF）模型进行对比，以均方误差EMS、均方根误差ERMS和相关系数R2等三个统计学指标进行模型评价，评价指标对比结果见表1。其中，BP 模型在训练阶段的拟合效果较好，与SVM 模型的训练效果相当，但在测试阶段BP 模型的MSE 较训练阶段高出了一个数量级，说明BP 模型出现了过拟合现象，模型只是记住了数据类型和数值，从中未学到自变量与因变量之间的非线性关系；RF 模型在训练阶段和测试阶段的表现相对较好；SVM 模型的预测效果最佳，在对未知测试集数据进行预测时，未出现明显的过拟合和欠拟合现象，模型具有强鲁棒性和泛化性。

表1 不同模型评价指标对比Tab.1 Comparison of evaluation indicators of different models

4 能耗优化

在满足约束条件的前提下，以单位液量综合能耗最低为目标函数，将生产参数代入粒子群算法，以加热炉耗气量、出站温度、外输泵耗电量、汇管压力、汇管温度、出站压力等为决策变量，实现优化调整[8-10]。

约束条件如下：①三相分离器应满足压力约束，进站压力不低于0.2 MPa；②三相分离器水相出口的含油质量浓度不超过1 000 mg/L，油相出口的含水率不高于10%，以分别满足后续含水油和采出水的处理要求；③沉降罐出口应满足原油含水率小于0.5%；④汇管温度应高于原油凝点3℃，以保证原油在热力条件下顺利进站，不产生凝管现象；⑤出站温度应低于原油初馏点，以保证原油进入外输泵后不影响泵的吸入，如出站温度过高还会对管道防腐层造成剥离影响。

粒子群算法流程具体步骤如下：①初始化粒子群算法的种群数量、问题维度和最大迭代次数，将每个粒子的位置定义为待优化的决策变量，种群数量等于粒子个数，问题维度等于决策变量个数；②将目标函数作为适应度函数，计算随机生成种群位置下的粒子适应度值，根据适应度值，计算种群中的个体极值位置和全局极值位置；③利用公式更新粒子的位置和速度；④判断是否达到最大迭代次数，如是则结束算法，输出最佳适应度值对应的决策变量，如否则返回第②步进行重新计算。

单一时段的运行数据优化结果见表2（优化前为现场数据，优化后为预期数据）。优化后，预期各项优化参数均有所降低，按照工业电价0.8 元/kWh，燃料价格3.0 元/m3核算，每天可减少运行费用887.8 元，全年预计可节约26.6 万元，节能效果显著。