本發(fā)明屬于油田集輸控制，具體涉及一種在線預測方法。

背景技術：

1、石油工業(yè)是我國的重要支柱性產業(yè)，是制造業(yè)、運輸業(yè)等行業(yè)的動力原料。油氣集輸系統(tǒng)作為地面油氣生產工程的核心，承擔了開采、運輸、加工、處理等重要任務。油氣集輸系統(tǒng)是由集輸管線和相關的站場組成，其作用是收集、處理油井產物，使其達到用戶所需的品質需求。集輸系統(tǒng)的工藝水平和能耗水平不但決定了整個油田的運行穩(wěn)定性，而且決定了油田的運行的經濟性。開展油氣集輸系統(tǒng)的優(yōu)化及可視化研究，使企業(yè)能夠直接實現節(jié)能降耗，降低成本，增強企業(yè)的市場競爭能力。

2、油田集輸系統(tǒng)運行過程機理復雜，受到水力、熱力、高噪聲和非線性等多因素影響，并且每個系統(tǒng)都具有對應的機理，系統(tǒng)間的相互耦合關系難以建立準確的數學模型，這些特點導致集輸能耗難以在線準確測量。

3、目前集輸管網蒸汽驅動預測方法，主要是根據經驗判斷是否需要對油井的原油進行蒸汽驅動，這種方法不能明確判斷是否需要加熱從而造成能源浪費。

技術實現思路

1、針對現有技術無法根據集輸系統(tǒng)的運行歷史數據，建立系統(tǒng)主要過程的數據驅動模型，來實現對系統(tǒng)壓力和熱力能耗預測；也無法將系統(tǒng)現場運行過程機理模型作為參考辨識，對數據驅動模型進行動態(tài)修正，實現對部分過程的自適應預測控制等問題，本發(fā)明提供了一種在線預測方法。

2、為解決上述技術問題，本發(fā)明采用的技術方案是：一種集輸管網蒸汽驅動在線預測方法，包括以下步驟：

3、步驟1：獲取集輸系統(tǒng)中井口至聯(lián)合站的穩(wěn)態(tài)參數和動態(tài)參數，計算相應時刻管輸過程的能量損耗，得到油氣田集輸過程的數據集合。通過油田聯(lián)合站scada系統(tǒng)獲取集輸系統(tǒng)中井口至聯(lián)合站的穩(wěn)態(tài)參數和動態(tài)參數，并根據機理模型計算相應時刻管輸過程的能量損耗，得到油氣田集輸過程的數據集合data＝{xk，tk|k＝1，...，k}，其中，xk∈rn為第k個樣本中的穩(wěn)態(tài)參數和動態(tài)參數，tk為第k個樣本的管輸過程的能量損耗，k為數據集合中樣本數量，n為動態(tài)參數和穩(wěn)態(tài)參數的維數，r為數據集合空間；

4、步驟2：對所述油氣田集輸過程的數據集合進行標準化處理，得到標準化后的數據集合。通過采用轉換函數對油氣田集輸過程的數據集合的動態(tài)參數和穩(wěn)態(tài)參數進行標準化處理，得到標準化后的數據集合sdata＝{sk，tk|k＝1，...，k}，其中sk∈rn為第k個樣本中的標準化動態(tài)參數和穩(wěn)態(tài)參數；

5、步驟3：確定所述標準化后的過程參數的重要性，提取重要性大于重要性閾值的過程參數，得到特征提取后的標準化過程參數集合。通過采用灰色關聯(lián)分析的方法確定標準化后的過程參數的重要性，提取重要性大于重要性閾值的過程參數，得到特征提取后的標準化過程參數集合cdata＝{ck，tk|k＝1，…，k}，其中，為特征選取后的第k個樣本中的標準化過程參數，nc為特征提取后的標準化過程參數的維數；

6、步驟4：對所述特征提取后的標準化過程參數集合進行工況分類，得到各類工況數據集。通過采用k-鄰近值分類器對特征提取后的標準化過程參數集合cdata進行工況分類，得到各類工況數據集ldatai＝{lp(i)，tp(i)|p(i)＝1，…，p(i)}，并將各類工況數據集ldatai劃分為訓練數據集xldatai＝{lh(i)，th(i)|h(i)＝1，…，h(i)}和測試數據集cldatai＝{le(i)，te(i)|e(i)＝1，…，e(i)}，其中，i＝1，2，…，i，i為工況數量，為第i類工況第p個樣本中的過程參數，tp(i)為第i類工況第p個樣本中的集輸能耗，p(i)為第i類工況數據集合樣本數量，h(i)為第i類工況訓練數據集中的第h個樣本編號，h(i)為第i類工況訓練數據集合樣本數量，e(i)為第i類工況測試數據集中的第e個樣本編號，e(i)為第i類工況測試數據集合樣本數量；為訓練數據集中第i類工況第h個樣本中的過程參數，th(i)為訓練數據集中第i類工況第h個樣本中的集輸能耗，為測試數據集中第i類工況第e個樣本中的過程參數，te(i)為測試數據集中第i類工況第e個樣本中的集輸能耗；

7、步驟5：針對各類工況數據集，將各類工況訓練數據集xldatai作為輸入，建立各類工況的pso-lstm預測模型，采用粒子群優(yōu)化算法對各類工況的pso-lstm預測模型進行優(yōu)化，采用測試數據集cldatai對優(yōu)化的pso-lstm預測模型進行測試，得到最終優(yōu)化后的各類工況的集輸能耗的pso-lstm預測模型；

8、步驟6：保存最終優(yōu)化后的各類工況的集輸能耗的pso-lstm預測模型；

9、步驟7：實時讀取集輸管網的過程參數的在線測量值，采用最終優(yōu)化后的各類工況的集輸能耗的pso-lstm預測模型對輸運原油的能耗進行預測。

10、在某些實施例中，所述油氣田集輸過程的過程參數包括：單位時刻井口的回壓、井口溫度、井口流量、聯(lián)合站的溫度、聯(lián)合站壓力、集輸總流量、氣溫。

11、在某些實施例中，所述采用轉換函數對油氣田集輸過程的數據集合的動態(tài)參數和穩(wěn)態(tài)參數進行標準化處理的計算公式如下所示：

12、

13、在某些實施例中，所述針對各類工況數據集，將各類工況訓練數據集xldatai作為輸入，建立各類工況的pso-lstm預測模型，采用粒子群優(yōu)化算法對各類工況的pso-lstm預測模型進行優(yōu)化，采用測試數據集cldatai對優(yōu)化的pso-lstm預測模型進行測試，得到最終優(yōu)化后的各類工況的集輸能耗的pso-lstm預測模型，按照以下步驟執(zhí)行：

14、步驟5-1：初始化粒子群優(yōu)化算法參數；

15、所述粒子群優(yōu)化算法參數，包括：粒子種群大小m，最大迭代次數g，慣性權重w，學習因子c1＝c2∈[0，4]，初始化的粒子群優(yōu)化算法種群la，其中a＝1，2，…，m；

16、步驟5-2：根據種群中每個個體信息獲得pso-lstm參數值，得到m組pso-lstm參數值；

17、步驟5-3：將徑向基函數作為pso-lstm核函數，針對種群中的每個個體對應的pso-lstm參數值以及第i類工況的訓練數據集建立pso-lstm預測模型，訓練得到m個pso-lstm預測模型；

18、所述第i類工況的pso-lstm模型如下所示：

19、

20、其中，h(i)＝1，2，...，h(i)，h(i)為第i類工況的訓練數據集中訓練樣本數目，l(i)為第i類工況需要計算集輸能耗的新樣本數據，為對應輸入第i類工況的數據l(i)的pso-lstm預測模型輸出值，ah(i)、b(i)為第i類工況的pso-lstm預測模型參數，lh(i)為第i類工況的訓練數據集中第h個訓練樣本的過程參數，k(l(i)，lh(i))為第i類工況的pso-lstm預測模型的核函數；

21、所述第i類工況的pso-lstm預測模型的核函數k(l(i)，lh(i))如下所示：

22、

23、其中，為第i類工況的pso-lstm核函數的寬度；

24、步驟5-4：將第i類工況的測試數據輸入種群中每個個體建立的第i類工況的pso-lstm模型，計算種群中每個個體建立的第i類工況的pso-lstm模型的均方根誤差值為εα，種群中每個個體的適應函數值fα＝εα；

25、所述種群中每個個體建立的第i類工況的pso-lstm模型的均方根誤差值εα的計算公式如下所示：

26、

27、其中，為采用第α個個體對應測量模型計算得到的第i類工況測試數據集中的第e個樣本中的過程參數的pso-lstm預測模型輸出值；

28、步驟5-5：判斷當前迭代次數g是否達到最大迭代代數g，若是，則迭代結束，獲取最優(yōu)pso-lstm參數以及模型參數ah(i)、b(i)，得到最終優(yōu)化后的第i類工況的集輸能耗的pso-lstm預測模型，否則，執(zhí)行步驟5-5；

29、步驟5-6：更新第g次迭代種群，令迭代代數g＝g+1，返回步驟5-2。

30、在某些實施例中，步驟5-6包括以下步驟：

31、步驟5-6-1：針對當前迭代的第a個個體la，g，將la，g的pbest坐標設置為當前位置初始位，計算出個體極值點的適應度值f(xi)；

32、所述個體極值點的適應度值f(xi)的計算公式如下所示：

33、

34、其中，m表示種群規(guī)模，yi為樣本輸出值，yi為實際輸出值；

35、步驟5-6-2：評價每一個粒子，計算粒子的適應度值，若好于該粒子當前的個體極值，則將pbest設置為該粒子的位置，且更新個體極值；

36、步驟5-6-3：根據適應值f(xi)更新粒子位置速度，得到新的粒子作為第g+1次迭代種群粒子la，g+1；

37、所述第g+1次迭代種群粒子la，g+1的位置速度的計算公式如下所示：

38、

39、其中，i＝1，2，…，m，m為粒子總數，t為當前迭代次數，w為慣性權重，vi為粒子速度，r1、r2為隨機數，xi為粒子當前位置，為粒子i當前個體最優(yōu)位置，為粒子群當前最優(yōu)位置，c1、c2是學習因子；

40、步驟5-6-4：令迭代代數g＝g+1，返回步驟5-2。

41、在某些實施例中，所述實時讀取集輸管網的過程參數的在線測量值，采用最終優(yōu)化后的各類工況的集輸能耗的pso-lstm預測模型對輸運原油的能耗進行預測，按照以下步驟執(zhí)行：

42、步驟7-1：實時讀取集輸管網的過程參數的在線測量值，采用轉換函數對油氣田集輸過程的數據集合的動態(tài)和穩(wěn)態(tài)參數進行標準化處理，得到標準化后的過程參數

43、步驟7-2：根據標準化后的過程參數與各類工況的聚類中心距離進行分類，輸入確定工況類別的優(yōu)化后的集輸能耗的pso-lstm預測模型中，獲取集輸能耗的在線測量值。

44、本發(fā)明提出一種集輸管網在蒸汽混輸的工況下在線預測方法，該方法能夠根據相關變量實現高精度數據驅動建模得到實時生產井口至聯(lián)合站壓力和熱力損耗，能夠滿足生產要求；適用范圍廣，可適用于不同數據源的向量表達，具有良好的適應性；能夠方便的與其他環(huán)節(jié)共享信息，便于為其他環(huán)節(jié)的操作提供參考信息。