改進的天然氣儲產量生命旋回預測模型

何琰陸家亮唐紅君段永剛彭炎

1.西南石油大學 2.中國石油勘探開發研究院廊坊分院

改進的天然氣儲產量生命旋回預測模型

何琰1陸家亮2唐紅君2段永剛1彭炎1

1.西南石油大學 2.中國石油勘探開發研究院廊坊分院

何琰等.改進的天然氣儲產量生命旋回預測模型.天然氣工業,2010,30(4):54-57.

生命旋回預測方法是目前運用最為廣泛、技術成熟的油氣田儲產量趨勢預測方法。但目前所使用的生命旋回模型在預測中難以考慮多個與儲產量增長息息相關因素的影響,使得預測效果不好、精度不高。針對目前的生命旋回模型預測中存在的不足,通過儲產量數據序列優化技術降低了異常數據帶來的預測風險,并提出了在傳統生命旋回預測模型中引入儲產量增長影響因素的新方法。采用上述新方法對某氣區天然氣儲量進行了預測,結果表明:改進的生命旋回模型對天然氣的儲量增長趨勢預測有著很好的效果,預測結果與實際情況吻合度更高。

天然氣 儲量 產量 預測 生命旋回法 靜態 數據 優化

1 傳統生命旋回模型的弊端

傳統的生命旋回模型[1-7](翁氏模型、龔帕茲模型、哈伯特模型等)預測儲產量的方法,能有效控制有效資源的生命發展規律,對于中長期預測具有較好的指導作用,但存在以下不足:①均以歷史數據擬合為基礎,天然氣儲產量增長影響因素考慮有限,這種僅僅依賴歷史數據序列進行單純的數學模型擬合難免脫離生產實際;②天然氣儲產量增長是一個復雜的綜合工程,地質條件等客觀因素及認識程度、工作量等人為因素對其影響很大,如果沒有把這些與儲量增長息息相關的動、靜態因素考慮進去,則預測效果不好,預測精度不高。

2 歷史數據優化處理

由于油氣田勘探開發是一項很復雜的工程,與很多不確定因素有關,因而天然氣新增儲產量的躍動很大,部分時間段的數據根本不能有效反映全局趨勢,對預測模型構成擾動,因而本研究采用選段擬合預測的方式。在此基礎上,對儲產量原始歷史數據進行優選及平滑預處理,達到對儲產量數據整體趨勢的有效把握,進而得到可靠預測結果。

2.1 分段優選

根據專家意見,選取儲產量原始歷史數據中對未來發展趨勢有代表性的時間段,利用選取的數據段進行預測及相關分析計算。在該過程中主要注意兩個方面:①數據選取段應根據當地實際生產的歷史規律,將異常點盡量排除;②由于資源量的有限性,在選段計算的過程中,應當考慮排除選取段之前的探明資源量或者累計產量。

2.2 均值平滑

傳統生命旋回模型是依靠研究對象的數據序列歷史擬合而建立的,對歷史數據序列是否平滑依賴度很高。但天然氣的勘探、開發及銷售等環節受到多種影響因素制約,天然氣儲產量時間數據序列規律性明顯不強,僅僅依靠儲產量歷史數據擬合很難得到可靠的發展趨勢。為了能更符合實際生產的發展規律,在運用傳統生命模型對天然氣儲產量趨勢預測之前,有必要對實際時間數據序列進行初步平滑優化。

以翁氏模型預測天然氣儲產量為例,假設天然氣儲產量原始歷史數據序列為 Q={q1,q2,…,qn},通過歷史數據擬合建立起初始模型及初步預測結果為Qt={,,…,,…}。

計算初步預測結果與原始歷史數據的誤差均值為:

逐一考察原始歷史數據序列Q中每個數據點,進行預處理:如果|qi-|>E,那么 di=;如果|qi-|≤E,那么 di=qi,其中i=1,2,…n。該點誤差超出誤差均值范圍,則認為該點的歷史數據為異常點,即不符合數據應有的整體趨勢。

原始歷史數據序列Q={q1,q2,…,qn}經過平滑預處理后,得到一個新的時間數據序列 D={d1,d2,…, dn},再利用生命旋回模型對新時間數據序列 D進行預測,將得到規律性更強的預測結果:QT={,,…,,…}。

3 生命旋回模型改進

3.1 影響因素權重確定

對于 Hubbert模型、廣義翁氏等模型而言,靜態影響因素不具備時間序列屬性,模型中無法直接引進影響因素的時間序列。通過采用統計分析法給出影響因素對預測變量的權重估計,結合層次分析法等專家干預手段確定最終的影響權重。這樣不僅保證了預測變量歷史發展的規律性,也將專家意見有效引入,確保預測的有效性和權威性。

假設:Q(i)為時間序列上某一年的年新增儲產量實際值,Qa(i)為其傳統預測模型預測值,如果預測精度達到100%,那么有:

事實上,預測誤差幅度C(i)≠0,而預測誤差幅度C(i)是由影響因素產生的。系統通過誤差幅度序列平均值作為引入影響因素,修正誤差權重參考值,有效降低預測誤差。如何確定系統給定的影響因素權重范圍呢?

令 E∈[-e,+e],E即為影響因素權重。則年新增儲產量實際時間序列值為:Q={Q(1),Q(2),…, Q(n)};年新增儲產量預測時間序列值為:Qa= {Qa(1),Qa(2),…,Qa(n)}。那么,

3.2 影響因素權重分配

通過上述方法確定權重的范圍后,專家可根據經驗指定影響因素總體權重,但是不能超出該權重的變化范圍,否則視為誤操作。在此基礎上,采用層次分析法對影響因素進行權重分配。

3.2.1 建立層次結構模型

所建立層次結構模型見圖1。

圖1 層次分析法結構示意圖

3.2.2 構造成對比較矩陣

設儲產量預測中共有 n個影響因素,那么 X= {x1,x2,…,xn},在實例中,x1是資源量,x2為探明程度,xn為勘探思路及勘探技術。構造判斷矩陣[8]:A= (aij)n×n。比較每個因素對上一層某一準則(或目標)的影響程度,確定各因素在該層中相對于某一準則所占的比重,即aij表示第i個因素相對于第j個因素對目標層的影響重要程度,若 ai和aj同等重要為1,ai比aj稍微重要為3,ai比aj重要為5,以此類推,若處于其中,可取2、4、6、8,令

可得成對比較判斷矩陣:

3.2.3 影響因素權重分配

用定義計算矩陣的特征值和特征向量相當困難,特別是階數較高時;成對比較矩陣通過定性比較得到結果,對它進行精確計算沒有必要。鑒于此,采用最為常用的“求和法”計算成對比較矩陣的相關值。具體辦法如下[8]。

1)將矩陣列向量歸一化

2)將歸一化的判斷矩陣按行相加

3.3 影響因素敏感性分析

基于科學假設,認為模型誤差完全由全部影響因素所致,具體體現在模型的誤差均值中,對于給出的影響因素在中的程度由層次分析法得到。不同的影響因素及權重系數可以得到不同的 ET,即得到更為合理的擬合數據序列。

具體分析過程如下。

第一步:對原始時間數據序列進行分段優選,得到分析時間數據序列段Q={q1,q2,…,qn}。

第二步:進行第一次校正擬合,得到初始預測序列Qt={,,…,,…}。

第三步:應用歷史數據序列段優化方法,得到新的時間數據序列QT={q1T,q2T,…,qnT}。其中qiT根據 E/n得到,如果|qi-|>E,其中i=1,2,…,n,那么 qiT=,否則 qiT=qi。

第四步:根據影響因素(氣藏地質條件、市場需求、政策等),運用層次分析法,得到 ET= EW=w/n,其中 ET為專家賦予權重的數據修正范圍,W為權重方案。

第五步:根據因素影響程度的大小,可分為影響因素正向極大、正向較大、正向較小、負向極大、負向較大、負向較小等多種層次,運用層次分析法即可得到多個權重方案(W1,W2,Wk),根據第三、四步,可以得出對應的多種權重方案下的多個更具合理的修正序列。

氣藏條件正向極大:Q1={q11T,q12T,…,q1nT}。

氣藏條件正向較小:Q2={q21T,q22T,…,q2nT}。

氣藏條件負向較小:Q3={q31T,q32T,…,q3nT}。

運用預測模型對上述多種影響程度下優化序列進行模擬預測,得到多種預測趨勢(體現在模型參數變化中),進而得到綜合分析中影響因素變化下的多種趨勢預測結果。

4 改進方法預測實例

根據上述方法,在WINDOWS下基于ORACL E、ACCESS數據庫,用VB.NET語言開發了一套天然氣儲量產量中長期變化趨勢預測的軟件系統。通過該軟件系統,將上述方法應用到國內某氣區,通過探明儲量預測實例來檢驗改進方法的適用性。

4.1 資源量(地質因素)的影響

由圖2不難看出,資源量越大,預測模型曲線的凹凸性越顯著,年新增儲量達到峰值的時間越靠后,峰值也越大。因此,同樣的原始數據,使用同樣的模型,資源量不同時預測結果是不同的。因此,在儲產量預測時一定要考慮資源量(地質因素)對預測結果的影響。

圖2 同種模型中不同資源量及相同資源探明率的預測圖

4.2 探明程度(地質因素)的影響

從圖3不難看出,較高探明程度時,年新增探明儲量的峰值更高、達到峰值的時間越長。在相同經濟技術狀況下,探明程度為35%的預測曲線顯示,天然氣年新增探明儲量在2009年達到峰值6325.8×108m3;探明程度為45%的預測曲線顯示,天然氣年新增探明儲量2010年達到峰值8123.2×108m3;探明程度為55%的預測曲線顯示,天然氣年新增探明儲量大致將在2011年達到峰值9930.5×108m3;探明程度為65%的預測曲線顯示,天然氣年新增探明儲量大致將在2012年達到峰值11748.0×108m3。探明程度越大,峰值越大,達到峰值的時間越長。因此,同樣的原始數據,使用同樣的模型,探明程度不同時預測結果是不同的。因此,在儲產量預測時一定要考慮探明程度對預測結果的影響。

圖3 不同探明程度下的預測數據結果曲線對照圖

4.3 市場需求、新技術等因素的影響

每一個影響因素對儲產量都會產生正向或負向的影響。利于儲產量增長的因素,在一定程度上應該加快其峰值的到來時間,而弊于儲產量增長的,在一定程度上則會延緩頂峰到來的時間。新技術、市場需求、工作量、國家政策等因素均具有雙重性,將利于儲量增長的,稱為儲量增長正向影響因素,反之為儲量增長負向影響因素。本實例僅以“新技術”為例,結合層次分析法,將其引入傳統生命旋回預測模型中,說明其對新增探明儲量的影響。

從圖4可以看出,在正向影響因素(新技術)增大的情況下,龔帕茲曲線更早達到峰值。也就是說,正向的影響因素(如市場需求增大等)會迫使人們采取相關措施加大勘探力度(增大工作量),使用新的勘探技術等。這些因素的必然結果就會使得天然氣探明氣區面積增加、探明程度提高,當然儲量增長就加快,在其他條件相同的情況下,峰值到達時間就越早;反之,市場需求變小,新增探明儲量的峰值時間自然會適當延后。

圖4 相關影響因素(新技術)敏感度預測圖示

以上分析可以看出,新技術、市場需求、工作量等因素均會影響預測結果。因此,在進行儲產量中長期預測時應考慮這些因素的影響。

4.4 常規模型與改進后模型的對比

從表1可以看出,進行了數據處理以及引入影響因素的改進模型比常規的生命旋回模型的相關度好,峰值時間與實際情況也更吻合。

表1 某氣區天然氣新增儲量傳統模型與改進模型預測結果對比表

5 結論

1)資源量越大,預測模型曲線的凹凸性越顯著,年新增儲量達到峰值的時間越靠后,峰值也越大。

2)探明程度越高,年新增探明儲量的峰值越高、達到峰值的時間越長。

3)正向的影響因素(比如市場需求增大,勘探力度加大,新技術的開發使用,勘探思路的轉變等),這些因素影響的必然結果就會使得天然氣探明氣區面積增加、探明程度提高,當然儲量增長加快;在其他條件相同的情況下,峰值到達時間就越早;反之,市場需求變小,新增探明儲量的峰值時間自然會適當延后。

4)從以上分析可以看出,地質因素(資源量、探明程度)、新技術、市場需求、工作量等因素均會影響預測結果,因此,在進行儲產量中長期預測時應考慮這些因素的影響。從預測結果可以看出,進行了數據處理以及引入影響因素的改進模型比常規的生命旋回模型的相關度好,峰值時間與實際情況也更吻合。

[1]翁文波.預測論基礎[M].北京:石油工業出版社,1984.

[2]陳元千.廣義翁氏預測模型的推導與應用[J].天然氣工業,1996,16(2):22-26.

[3]張抗.油氣田的生命周期和戰術戰略接替[M].北京:地質出版社,2000.

[4]王思聰,馮連勇,趙林.石油峰值問題及油氣田生命周期理論研究——中外石油專家石油峰值理論要論評析[J].石油科技論壇,2006(2):27-32.

[5]張抗,周總瑛,周慶凡.中國石油天然氣發展戰略[M].北京:地質出版社,2002.

[6]董蔚凱,靳濤,王嶼濤,等.準噶爾盆地油氣儲量、產量增長趨勢預測[J].新疆石油地質,2007(5):622-624.

[7]隋風貴,羅佳強.應用翁氏旋回模型預測濟陽凹陷的最終勘探儲量[J].成都理工大學學報:自然科學版,2003(2):175-177.

[8]演克武,朱金福,何濤.層次分析法在多目標決策中的不足與改進[J].統計與決策,2007(9):10-11.

DOI:10.3787/j.issn.100020976.2010.04.012

He Yan,associate professor,was born in1971.He holds a Ph.D degree and working as a postdoctoral at the station,being engaged in comprehensive research in petroleum geology.

Add:No.8,Xindu Avenue,Xindu District,Chengdu,Sichuan610500,P.R.China

Tel:+86228283032276 E2mail:swpuheyan@163.com

An improved lifecycle model for predicting natural gas reserves and production

He Yan1,Lu Jialiang2,Tang Hongjun2,Duan Yonggang1,PenYan1
(1.Southwest Petroleum University,Chengdu,Sichuan610500,China;2.L angf ang B ranch,Research Insti2tute ofEx ploration and Development,PetroChina,L angf ang,Hebei065007,China)

At present,the life2cycle model is a mature technology and has been widely used for forecasting oil and gas reserves and production trend.However,the life2cycle model currently used cannot take account of many influencing factors closely interrelated to reserves and production growth,so it will result in low accuracy and bad results in prediction.Therefore,aiming at the deficiencies in the current life2cycle model,an optimization technique on reserves and production data array has been used to mitigate the forecas2ting risk brought by the abnormal data.Moreover,a new method has been proposed,which introduces the influencing factors of re2serves and production increment into the traditional life2cycle model.A case study in a gas field was performed by this improved life2cycle model with good forecasting results,which showed a good coincidence with the actual results.

natural gas,reserves,production,prediction,life2cycle model,static data,optimization

book=54,ebook=369

10.3787/j.issn.1000-0976.2010.04.012

2009-11-09 編輯 韓曉渝)

中國博士后基金項目(編號:國201,中博基字〔2006〕17號20060400307);國家重大專項基金項目(2008ZX05007)。

何琰,1971年生,副教授,博士,在站博士后;從事石油地質綜合研究工作。地址:(610500)四川省成都市新都區新都大道8號。電話:(028)83032276。E-mail:swpuheyan@163.com

NATUR.GAS IND.VOLUME30,ISSUE4,pp.54257,4/25/2010.(ISSN100020976;In Chinese)