基于深度學(xué)習(xí)的用氣趨勢(shì)預(yù)測(cè)與管網(wǎng)氣量調(diào)配算法
——以中國石油西南油氣田公司為例

吳玙欣 周欽宇 楊云杰 鄧啟志 趙詠 譚卓 鄧覓

（1.中國石油西南油氣田公司川西北氣礦，四川 江油 621700；2.中國石油西南油氣田公司數(shù)字智能技術(shù)分公司，四川 成都 610051）

0 引言

隨著兩化融合（信息化和工業(yè)化的高層次深度結(jié)合）的不斷加深，為了更好地降本增效，提高企業(yè)運(yùn)營效率，各大油氣企業(yè)加快了各類信息系統(tǒng)建設(shè)的腳步［1］。其中，生產(chǎn)實(shí)時(shí)數(shù)據(jù)的采集、分析與應(yīng)用可支撐生產(chǎn)過程的自動(dòng)化控制，保障油氣田生產(chǎn)運(yùn)行的可靠性和安全性［2］。中國石油天然氣股份有限公司西南油氣田分公司（以下簡稱西南油氣田）現(xiàn)已實(shí)現(xiàn)天然氣生產(chǎn)實(shí)時(shí)數(shù)據(jù)的采集、傳輸和存儲(chǔ)，通過現(xiàn)場(chǎng)層（單井和閥室RTU）、監(jiān)控層（SCS 站控、RCC區(qū)域控制中心）、調(diào)度層（氣礦調(diào)度中心）和應(yīng)用層（生產(chǎn)數(shù)據(jù)平臺(tái)、生產(chǎn)運(yùn)行管理平臺(tái)、生產(chǎn)指揮管理系統(tǒng)、A2等應(yīng)用系統(tǒng)）的數(shù)據(jù)互聯(lián)，實(shí)現(xiàn)了生產(chǎn)數(shù)據(jù)自動(dòng)采集、遠(yuǎn)程集中監(jiān)控、關(guān)鍵閥門遠(yuǎn)程控制、遠(yuǎn)程視頻監(jiān)控等應(yīng)用［3］。但目前，利用人工智能等算法技術(shù)對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行挖掘、分析和應(yīng)用的程度還不夠，依靠傳統(tǒng)經(jīng)驗(yàn)的生產(chǎn)決策不能較好地支撐業(yè)務(wù)管理［4］。因此，研究如何使用實(shí)時(shí)數(shù)據(jù)支撐業(yè)務(wù)管理和生產(chǎn)決策，進(jìn)一步提升油氣田智能化建設(shè)水平，顯得尤為關(guān)鍵。

為深化數(shù)據(jù)利用，西南油氣田某氣礦接入pSpace 實(shí)時(shí)數(shù)據(jù)與A2 系統(tǒng)生產(chǎn)數(shù)據(jù)，構(gòu)建一套應(yīng)用系統(tǒng)，研究利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對(duì)終端用戶的用氣量進(jìn)行趨勢(shì)預(yù)測(cè)，實(shí)現(xiàn)市場(chǎng)需求變化的提前感知，支撐生產(chǎn)運(yùn)行計(jì)劃的制訂。同時(shí)研究一種管網(wǎng)氣量調(diào)配的算法，從最少調(diào)配次數(shù)和最接近標(biāo)定產(chǎn)能兩種角度提供井口產(chǎn)量的調(diào)配建議，有效減少了井口產(chǎn)量調(diào)整的時(shí)間與人工成本。

1 異常值檢測(cè)

為使獲取的數(shù)據(jù)真實(shí)有效，需要對(duì)數(shù)據(jù)進(jìn)行異常值檢測(cè)和數(shù)據(jù)篩選，該功能模塊集成了基于分布的異常值檢測(cè)N-Sigma、基于聚類的異常值檢測(cè)DBSCAN［5］，實(shí)現(xiàn)了異常檢測(cè)結(jié)果的在線可視化分析。圖1 展示了2023 年4 月13-14 日雙探3 井的歷史數(shù)據(jù)通過DBSCAN 異常值檢測(cè)后的正常運(yùn)行區(qū)間和可視化結(jié)果。通過異常值檢測(cè)，去除數(shù)據(jù)中可能存在的異常值，對(duì)數(shù)據(jù)進(jìn)行清洗，保證使用數(shù)據(jù)的準(zhǔn)確性，可生成工藝參數(shù)的正常運(yùn)行區(qū)間，減少人為分析工藝運(yùn)行情況的工作量。

圖1 雙探3井DBSCAN異常值檢測(cè)結(jié)果

2 用氣量趨勢(shì)預(yù)測(cè)

2.1 時(shí)間序列預(yù)測(cè)技術(shù)

時(shí)間序列是一組按時(shí)間變化而變化的隨機(jī)變量，它通常是在相等間隔的時(shí)間段內(nèi)依照給定的采樣率對(duì)某種潛在過程進(jìn)行觀測(cè)的結(jié)果［6］。時(shí)間序列數(shù)據(jù)本質(zhì)上反映的是某個(gè)或者某些隨機(jī)變量隨時(shí)間不斷變化的趨勢(shì)，而時(shí)間序列預(yù)測(cè)的核心就是從歷史的序列數(shù)據(jù)中挖掘出變化規(guī)律，并利用該規(guī)律對(duì)后續(xù)時(shí)間對(duì)應(yīng)的數(shù)據(jù)做出預(yù)估［7］。針對(duì)不同場(chǎng)景，時(shí)間序列預(yù)測(cè)目標(biāo)可以分成點(diǎn)估計(jì)、概率預(yù)測(cè)和區(qū)間預(yù)測(cè)三種不同類型。其中，點(diǎn)估計(jì)方法認(rèn)為時(shí)間序列預(yù)測(cè)模型輸出的是預(yù)測(cè)值；概率預(yù)測(cè)方法認(rèn)為時(shí)間序列本身就是一組隨機(jī)過程，因此更傾向于估計(jì)出時(shí)間序列在未來的分布；區(qū)間預(yù)測(cè)則描述預(yù)測(cè)值可能的上下限［8］。

傳統(tǒng)時(shí)間序列預(yù)測(cè)方法主要是在確定時(shí)間序列參數(shù)模型的基礎(chǔ)上，求解出模型參數(shù)，并利用求解出的模型完成未來預(yù)測(cè)工作。典型的方法有自回歸綜合移動(dòng)平均模型（Auto Regressive Integrated Moving Averages，ARIMA）［9］、可捕捉季節(jié)性的Holt-Winters 法［10］。基于機(jī)器學(xué)習(xí)的方法中，具有代表性的有支持向量回歸（Support Vector Regression，SVR）［11］、梯度漸進(jìn)回歸樹（Gradient Boosting Regression Tree，GBRT）［12］、隱馬爾可夫模型（Hidden Markov Model，HMM）［13］?；谏疃葘W(xué)習(xí)的方法通過多個(gè)非線性層來構(gòu)建以往時(shí)間序列的特征表示，從而學(xué)習(xí)時(shí)間序列內(nèi)部變化規(guī)律。

2.2 用氣量趨勢(shì)預(yù)測(cè)模型

用氣量趨勢(shì)預(yù)測(cè)即為根據(jù)現(xiàn)場(chǎng)持續(xù)采集并累積的用氣量實(shí)時(shí)數(shù)據(jù)，對(duì)未來一段時(shí)間內(nèi)的用氣量變化趨勢(shì)進(jìn)行預(yù)估。在滾動(dòng)預(yù)測(cè)窗口大小固定條件下，給定模型輸入序列，期望預(yù)測(cè)序列［14］，基于深度學(xué)習(xí)進(jìn)行用氣量趨勢(shì)預(yù)測(cè)。深度學(xué)習(xí)能夠更好地進(jìn)行高維數(shù)據(jù)表征，從而減少對(duì)手動(dòng)特征工程和模型設(shè)計(jì)的需求，并通過定義損失函數(shù)，可以更加便捷地進(jìn)行端到端的訓(xùn)練。具體選用的模型為Informer［15］。

Informer 是一類基于自注意力神經(jīng)網(wǎng)絡(luò)的模型，通過Transformer 捕獲長時(shí)間序列的依賴關(guān)系。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示，網(wǎng)絡(luò)主體由編碼器和解碼器組成，兩者均使用了ProbSparse注意力層來減少注意力計(jì)算的時(shí)間復(fù)雜度，編碼器中采用了自相關(guān)蒸餾操作來縮短每一層的輸入序列長度，而在解碼器中使用了生成式的推理可通過單輪計(jì)算獲得序列預(yù)測(cè)結(jié)果。Informer將輸入序列Xt劃分為編碼器輸入Xen和解碼器輸入Xde，并在解碼器輸入的后端用0 值填補(bǔ)，通過多層自注意力的計(jì)算建立時(shí)間序列的依賴關(guān)系，最后通過全連接層計(jì)算預(yù)測(cè)序列中每個(gè)時(shí)間點(diǎn)位對(duì)應(yīng)的值。

圖2 Informer網(wǎng)絡(luò)結(jié)構(gòu)［15］

2.3 數(shù)據(jù)處理

在構(gòu)造訓(xùn)練數(shù)據(jù)時(shí)選取18 個(gè)供氣用戶共8 個(gè)月的歷史用氣量數(shù)據(jù)，按分鐘為間隔單位劃分序列，對(duì)單位時(shí)間內(nèi)存在的多個(gè)值做平均處理。作為訓(xùn)練數(shù)據(jù)x，對(duì)x進(jìn)行標(biāo)準(zhǔn)歸一化處理，使其均值μ＝0、方差σ＝1。xt為歸一化之后的數(shù)據(jù)，其計(jì)算方式如下：

除了使用氣量時(shí)間序列數(shù)據(jù)外，還考慮了時(shí)間本身向量化后的值作為額外輸入特征，對(duì)年、月、日、小時(shí)、分的特征F分別進(jìn)行歸一化，F(xiàn)t為歸一化后的時(shí)間特征，根據(jù)最小值Fmin和最大值Fmax歸一化至［-0.5，0.5］區(qū)間內(nèi)［16］。歸一化時(shí)間特征Ft的計(jì)算方式為：

2.4 模型訓(xùn)練

訓(xùn)練模型采用的損失函數(shù)為均方誤差（Mean Square Error，MSE）：其計(jì)算方式可寫為：

其中，n為訓(xùn)練時(shí)單步迭代使用的數(shù)據(jù)量，Yi為真實(shí)序列，為模型的預(yù)測(cè)序列。為實(shí)現(xiàn)1 小時(shí)長度的序列預(yù)測(cè)，在模型訓(xùn)練時(shí)使用的輸入序列長度Lx為360，其中前240項(xiàng)數(shù)據(jù)作為編碼器的輸入，120項(xiàng)數(shù)據(jù)作為解碼器的輸入；預(yù)測(cè)序列的長度Ly為60；單步迭代使用數(shù)據(jù)量n為32；數(shù)據(jù)集迭代輪次為6；訓(xùn)練集和測(cè)試集按7∶3劃分。

2.5 結(jié)果分析

該用氣量預(yù)測(cè)模型在測(cè)試集上的預(yù)測(cè)平均絕對(duì)誤差MAE＝0.165 9、均方誤差MSE＝0.082 1。圖3展示了某用戶用氣量真實(shí)序列與模型預(yù)測(cè)序列的對(duì)比，數(shù)據(jù)進(jìn)行了歸一化的處理，橫軸為序列長度。由結(jié)果可知，該用氣量預(yù)測(cè)模型能在較低的誤差下預(yù)測(cè)未來一段時(shí)間內(nèi)的用氣量變化。

圖3 基于Informer實(shí)現(xiàn)的小時(shí)用氣量預(yù)測(cè)結(jié)果

3 管網(wǎng)氣量調(diào)配

3.1 氣量調(diào)配算法

為進(jìn)一步輔助生產(chǎn)決策，構(gòu)建了一套基于管網(wǎng)匯總氣量的井口產(chǎn)量調(diào)配算法，從最少調(diào)整次數(shù)與最接近標(biāo)定產(chǎn)能這兩種角度提供調(diào)配建議。

基于給定的井列表從A2 讀取標(biāo)定產(chǎn)能，并統(tǒng)計(jì)每口井的歷史日產(chǎn)數(shù)據(jù)，獲得日產(chǎn)量的上限與下限，同時(shí)根據(jù)實(shí)時(shí)數(shù)據(jù)點(diǎn)位獲得當(dāng)前瞬時(shí)流量。本方法定義井產(chǎn)量的可能值存在于0（關(guān)井狀態(tài)）或最小值與最大值的閉區(qū)間（開井狀態(tài)）。因此，在下調(diào)產(chǎn)量時(shí)，為實(shí)現(xiàn)最少調(diào)整井?dāng)?shù)，每口井的下調(diào)值可能為當(dāng)前產(chǎn)量（關(guān)井時(shí)）、當(dāng)前產(chǎn)量減最小產(chǎn)量、總產(chǎn)量與目標(biāo)值的差值。在上調(diào)產(chǎn)量時(shí)，每口井的上調(diào)值為最大產(chǎn)量減當(dāng)前產(chǎn)量、總產(chǎn)量與目標(biāo)值的差值。同時(shí)，為實(shí)現(xiàn)最接近產(chǎn)能標(biāo)定值調(diào)配，本方法采用產(chǎn)能標(biāo)定值的百分比來定義井當(dāng)前產(chǎn)量與標(biāo)定產(chǎn)能間的距離，計(jì)算公式為：（當(dāng)前產(chǎn)量-標(biāo)定產(chǎn)能）／標(biāo)定產(chǎn)能。若越接近0 則代表越接近產(chǎn)能標(biāo)定值。在進(jìn)行調(diào)整時(shí)，每口井的下調(diào)值為當(dāng)前產(chǎn)量、當(dāng)前產(chǎn)量減最小產(chǎn)量或標(biāo)定產(chǎn)能的百分之十、總產(chǎn)量與目標(biāo)值的差值。在上調(diào)產(chǎn)量時(shí)，每口井的上調(diào)值為最大產(chǎn)量減當(dāng)前產(chǎn)量或標(biāo)定產(chǎn)能的百分之十、總產(chǎn)量與目標(biāo)值的差值。具體計(jì)算的流程如圖4 所示。兩種調(diào)配算法均優(yōu)先考慮不進(jìn)行關(guān)井減產(chǎn)，在關(guān)井時(shí)則通過遞歸查找確保調(diào)配方案為最優(yōu)。若目標(biāo)產(chǎn)量落在0與最小值區(qū)間內(nèi)或大于所有井最大產(chǎn)量的累計(jì)，在上述約束條件下則無法完成調(diào)配方案的生成，此時(shí)算法會(huì)將當(dāng)前得到的近似解作為結(jié)果返回。

圖4 氣量調(diào)配算法流程

3.2 氣量調(diào)配應(yīng)用系統(tǒng)

為實(shí)現(xiàn)氣量調(diào)配算法的實(shí)時(shí)應(yīng)用，基于B／S 架構(gòu)開發(fā)了一套氣量智能調(diào)配分析系統(tǒng)，后端采用Flask 框架、前端采用Element UI，其基礎(chǔ)的功能模塊包含井列表管理、氣量調(diào)配。

列表管理可實(shí)現(xiàn)井的增刪和屬性修改，該系統(tǒng)通過綁定井名和實(shí)時(shí)數(shù)據(jù)點(diǎn)位獲取A2系統(tǒng)的日產(chǎn)數(shù)據(jù)與pSpace 實(shí)時(shí)數(shù)據(jù)。新增井后，每口井的當(dāng)前產(chǎn)量采用定時(shí)任務(wù)從pSpace中讀取。

氣量調(diào)配時(shí)需選中井列表中對(duì)應(yīng)的井名，輸入目標(biāo)產(chǎn)量并選擇調(diào)配方式，可使用最接近標(biāo)定產(chǎn)能調(diào)節(jié)和最小調(diào)整次數(shù)分別獲取的調(diào)配建議。

4 結(jié)論

1）生產(chǎn)實(shí)時(shí)數(shù)據(jù)是油氣生產(chǎn)的重要資產(chǎn)，目前主要用于生產(chǎn)場(chǎng)景監(jiān)測(cè)、報(bào)表數(shù)據(jù)生成等方面，數(shù)據(jù)深化應(yīng)用有很大的挖掘空間，對(duì)氣田精細(xì)管理、效益提升具有重要意義。

2）通過對(duì)生產(chǎn)歷史數(shù)據(jù)的處理，可對(duì)異常值進(jìn)行分析和過濾，從而獲取能使用分析的數(shù)據(jù)，并且能生成參數(shù)的正常運(yùn)行區(qū)間，對(duì)有效數(shù)據(jù)提取、指導(dǎo)工藝參數(shù)運(yùn)行范圍具有重要意義。

3）通過神經(jīng)網(wǎng)絡(luò)進(jìn)行用戶用氣量小時(shí)趨勢(shì)的預(yù)測(cè)，能較好地捕獲未來一段時(shí)間內(nèi)的用氣量變化趨勢(shì)，從而實(shí)現(xiàn)需求變化的提前感知。

4）通過構(gòu)建最少調(diào)整次數(shù)和最接近標(biāo)定產(chǎn)能兩種基于管網(wǎng)匯總氣量的井口產(chǎn)量調(diào)整算法，可以實(shí)現(xiàn)氣井生產(chǎn)管網(wǎng)調(diào)配方案的自動(dòng)計(jì)算，減少人工計(jì)算分析管網(wǎng)氣量調(diào)配的工作量。

5）用氣趨勢(shì)預(yù)測(cè)與管網(wǎng)氣量調(diào)配算法和模型仍存在改進(jìn)的空間，采用的時(shí)序預(yù)測(cè)模型為單變量預(yù)測(cè)單變量，輸入的特征維度有限，在一定程度上限制了模型的訓(xùn)練效果，未來可從多變量預(yù)測(cè)單變量、多變量預(yù)測(cè)多變量兩種角度出發(fā)不斷將算法模型進(jìn)行迭代；該管網(wǎng)氣量調(diào)配算法只考慮了實(shí)時(shí)產(chǎn)量，壓差、溫度、管網(wǎng)結(jié)構(gòu)、地質(zhì)條件等因素未涉及在內(nèi)，可考慮通過全面的管網(wǎng)建模進(jìn)行更為準(zhǔn)確的仿真計(jì)算。