羊新州，閆正和，羅睿喬，楊 鵬，唐圣來

中海石油深海開發(fā)有限公司，廣東 深圳

1.引言

南海某天然氣陸地處理終端處理來自海上5 個氣田產(chǎn)量的天然氣，裝置設(shè)計天然氣處理能力達到80 億方/年。上岸天然氣經(jīng)過脫碳、脫水等處理之后，進入液烴分餾單元，實現(xiàn)重烴組分分離之后，外輸干氣。分離的重烴組分經(jīng)過多級分餾，產(chǎn)出不同種類液烴產(chǎn)品。常規(guī)副產(chǎn)品的預(yù)測往往是通過簡單的線性回歸進行計算，忽視了設(shè)備故障、參數(shù)波動、環(huán)境變化等因素的影響，預(yù)測結(jié)果與實際副產(chǎn)品的產(chǎn)量存在一定差異。機器學習是一種用于設(shè)計復(fù)雜模型和算法并以此實現(xiàn)預(yù)測功能的方法，它由數(shù)據(jù)分析習得，而不依賴于規(guī)則導(dǎo)向的程序設(shè)計，它能夠基于對現(xiàn)有結(jié)構(gòu)化數(shù)據(jù)的觀察，自行識別結(jié)構(gòu)化數(shù)據(jù)中的模型，并以此來輸出對未來結(jié)果的預(yù)測。通過建立可靠的機器學習模型，使計算機從數(shù)據(jù)中自動分析出相關(guān)規(guī)律，并利用這些規(guī)律對未來的變化進行預(yù)測，該方法已經(jīng)在油氣行業(yè)的各個方向進行了廣泛的應(yīng)用[1]-[10]。本文通過建立機器學習模型來學習各海上氣田產(chǎn)量與終端各對應(yīng)副產(chǎn)品產(chǎn)出的相關(guān)關(guān)系，識別出影響副產(chǎn)品產(chǎn)出的關(guān)鍵設(shè)備，繼而對關(guān)鍵設(shè)備進行異常標注，以提高副產(chǎn)品產(chǎn)量預(yù)測的準確度。

2.終端液態(tài)產(chǎn)品處理設(shè)備異常標記

多個海上氣田開采出的天然氣在海上中心平臺進行簡單的脫水處理后，通過海底管道輸送到終端，由海管登陸的天然氣首先在天然氣進站預(yù)處理單元經(jīng)調(diào)壓系統(tǒng)穩(wěn)壓后，進入段塞流捕集器進行氣液分離。分出的凝液去凝析油穩(wěn)定單元處理，生產(chǎn)穩(wěn)定凝析油，穩(wěn)定后的凝析油進入儲罐儲存，可裝船或裝車外輸，亦可通過管道外輸至精細化工；分離出的氣相脫除夾帶的微量汞和機械雜質(zhì)后進入脫碳單元，脫碳后的濕凈化氣的CO2含量控制在2.8%以下，隨后進入兩套并聯(lián)的脫水、制冷、分餾單元處理，生產(chǎn)干氣、丙烷、丁烷、液化石油氣及穩(wěn)定輕烴產(chǎn)品，干氣通過天然氣管道外輸至廣東管網(wǎng)，丙烷、丁烷、液化石油氣、輕烴等液態(tài)產(chǎn)品進入儲罐儲存，可裝船或裝車外輸，相關(guān)工藝流程見圖1 所示，其中，可以簡單將副產(chǎn)品劃分為2 類，一為凝析油產(chǎn)品，一為丙烷、丁烷、輕烴等的液態(tài)烴類產(chǎn)品。

Figure 1.Schematic diagram of processing flow of natural gas processing terminal圖1.天然氣處理終端處理流程示意圖

聚類算法是指將一堆沒有標簽的數(shù)據(jù)自動劃分成幾類的方法，屬于無監(jiān)督學習方法[11][12][13]。一般的天然氣藏在一定時間范圍內(nèi)，副產(chǎn)品的產(chǎn)量與天然氣的產(chǎn)量比是一個相對穩(wěn)定的值，當天然氣產(chǎn)量一定時，對應(yīng)的副產(chǎn)品產(chǎn)量接近一個定值，當副產(chǎn)品產(chǎn)量明顯偏離這個定值時，則判斷為設(shè)備出現(xiàn)了異常。本文通過收集海上各平臺和陸地終端生產(chǎn)數(shù)據(jù)，經(jīng)過聚類分析，劃分出副產(chǎn)品產(chǎn)量的異常點。

本文采用K 均值聚類算法，其步驟是，將各類副產(chǎn)品析出系數(shù)分為2 組，隨機抽取2 個對象作為初始的聚類中心，然后將每個對象與2 個中資聚類中心之間的距離，把每個對象分配給距離它最近的聚類中心。聚類中心以及分配給它們的對象就代表一個聚類。每分配一個樣本，聚類的聚類中心會根據(jù)聚類中現(xiàn)有的對象被重新計算。這個過程將不斷重復(fù)直到滿足某個終止條件。終止條件可以是沒有(或最小數(shù)目)對象被重新分配給不同的聚類，沒有(或最小數(shù)目)聚類中心再發(fā)生變化，誤差平方和局部最小。本文將該方法應(yīng)用于終端及上游氣田凝析油和液態(tài)烴類產(chǎn)品析出系數(shù)的異常判斷，通過分析該終端及上游氣田19 年1 月至2020 年5 月生產(chǎn)數(shù)據(jù)，判斷結(jié)果如圖2 和圖3 所示。其中，在2019 年12 月，烴類產(chǎn)品的析出能力發(fā)生顯著降低，通過對比設(shè)備工況，當時制冷單元設(shè)備出現(xiàn)異常，制冷效率為達到設(shè)定值，導(dǎo)致烴類產(chǎn)品產(chǎn)出量減少。可見，通過K 均值聚類算法可以有效識別副產(chǎn)品的析出能力異常。

3.終端液態(tài)產(chǎn)品產(chǎn)量預(yù)測

根據(jù)上述分析和現(xiàn)場對處理設(shè)備的異常標記，應(yīng)用氣田與終端的生產(chǎn)數(shù)據(jù)作為訓練數(shù)據(jù)，用以預(yù)測2020 年1 月至2020 年5 月的副產(chǎn)品的產(chǎn)量。建模過程如圖4 所示。

3.1.數(shù)據(jù)預(yù)處理

從圖1 可知，天然氣從海上各氣田采出輸送到終端后，整個處理流程中，除了脫碳系統(tǒng)有化學反應(yīng)以外，其余工藝基本以物理變化為主。上岸天然氣經(jīng)過脫碳、脫水等處理之后，進入液烴分餾單元，實現(xiàn)重烴組分分離之后，外輸干氣。分離的重烴組分經(jīng)過多級分餾，產(chǎn)量不同種類液烴產(chǎn)品。因此本次建模的初始特征選擇海上5 個氣田的井口氣產(chǎn)量和終端設(shè)備異常標記值，用以預(yù)測終端各副產(chǎn)品的產(chǎn)量。

Figure 2.Scatter diagram:abnormal judgment of liquid hydrocarbon products precipitation圖2.液態(tài)烴類產(chǎn)品析出異常判斷

Figure 3.Scatter diagram:determination of condensate output anomaly圖3.凝析油產(chǎn)量異常判斷

Figure 4.Process:the modeling process of predictive liquid hydrocarbon and condensate圖4.副產(chǎn)品預(yù)測建模預(yù)測流程

Figure 5.Curve:apply box diagrams for outliers determination圖5.應(yīng)用箱型圖進行異常值處理

應(yīng)用箱型圖來對各氣田產(chǎn)量進行異常值判斷，如圖5 所示。箱型圖，主要包含六個數(shù)據(jù)節(jié)點，將一組數(shù)據(jù)從大到小排列，分別計算出他的上邊緣，上四分位數(shù)Q3，中位數(shù)，下四分位數(shù)Q1，下邊緣，還有一個異常值。它也可以粗略地看出數(shù)據(jù)是否具有對稱性，分布的分散程度等信息，特別可以用于對幾個樣本的比較，無需對數(shù)據(jù)進行正態(tài)分布要求。異常值在箱型圖中被定義為小于Q1 ? 1.5IQR 或大于Q3 +1.5IQR 的值，經(jīng)過異常值處理后的氣田群產(chǎn)量數(shù)據(jù)集如表1 所示。

Table 1.Data set after outlier processing表1.異常值處理后數(shù)據(jù)集

為進一步提取數(shù)據(jù)集的相關(guān)特征，我們對各氣田產(chǎn)量結(jié)合異常標記進行稀疏化處理，通過稀疏化實現(xiàn)特征的自動選擇，去除影響最終預(yù)測的無用特征，即將無用特征對應(yīng)的權(quán)重設(shè)置為0，以凝析油數(shù)據(jù)集為例，數(shù)據(jù)稀疏化后處理結(jié)果見表2。

Table 2.Modeling data set for predicting hydrocarbon product output after data sparsity表2.數(shù)據(jù)稀疏化后預(yù)測烴類產(chǎn)品產(chǎn)量建模數(shù)據(jù)集

最后，選擇2019 年的生產(chǎn)數(shù)據(jù)作為訓練集，2020 年的生產(chǎn)數(shù)據(jù)做測試集，進行機器學習建模。

3.2.機器學習建模

將終端凝析油產(chǎn)量與終端液烴產(chǎn)品分開進行預(yù)測，對上述產(chǎn)品的預(yù)測即為一個回歸問題，假設(shè)訓練集樣本T={(x1,y1),(x2,y2),…,(xN,yN)}，需要回歸(x1,x2,…,xN)與(y1,y2,…,yN)之間的關(guān)系。用于回歸的機器學習模型有很多，常用的有多元線性回歸、支持向量回歸、決策樹回歸、神經(jīng)網(wǎng)絡(luò)等，本次選取多元線性回歸與梯度提升決策樹進行回歸預(yù)測。

在多元線性回歸分析中，如果有兩個或兩個以上的自變量，其方程形式為：

其中自變量的觀測值為(1,x11,…,x1p),(1,x21,…,x2p),…，對應(yīng)的因變量觀測值為y1,y2,…，通過引入矩陣來表示：

多元回歸即是需要求得相應(yīng)的參數(shù)β，使得訓練集的預(yù)測值與真實的回歸目標值之間的均方誤差最小。

提升樹是迭代多棵回歸樹來共同決策，提升樹模型可以表示為決策樹的加法模型，計算方法如下：

1) 初始化提升樹模型f0(x)=0

2) 對m=1,2,…,M

a) 計算殘差

b)rmi=yi?fm?1(xi),i=1,2,…,N

c)擬合殘差rmi學習一個回歸樹，得到 T (x:Θm)

d)更新fm(x)=fm?1(x) +T(x:Θm)

分別應(yīng)用上述2 個方法對2019 年的生產(chǎn)數(shù)據(jù)進行訓練，然后通過2020 上半年的氣田生產(chǎn)數(shù)據(jù)預(yù)測終端液烴產(chǎn)品和終端凝析油的產(chǎn)量，結(jié)果如圖6、圖7 所示。

Figure 6.Scatter diagram:comparison between prediction of terminal hydrocarbon products and actual production圖6.2020 年預(yù)測終端烴類產(chǎn)品與實際對比

Figure 7.Scatter diagram:comparison between prediction of condensate oil and actual production圖7.2020 年預(yù)測終端凝析油與實際對比

由圖6 可以看出，無論是采用多元線性回歸還是梯度提升決策樹回歸，預(yù)測的結(jié)果與終端烴類產(chǎn)品實際產(chǎn)量相一致。相比較來說，采用多元線性回歸的方法更能準確的反應(yīng)實際的產(chǎn)量波動。由圖7 可知，部分計算結(jié)果與終端凝析油的產(chǎn)量存在一定的差異，經(jīng)過與現(xiàn)場核實，該波動主要是由于現(xiàn)場操作的改變，主動降低了凝析油穩(wěn)定單元的液位導(dǎo)致的。截止到2020 年6 月，預(yù)測的累積凝析油產(chǎn)量，液態(tài)烴類產(chǎn)品產(chǎn)量與實際產(chǎn)量對比見圖8。

Figure 8.Histogram:comparison between prediction of cumulative production and actual cumulative production圖8.預(yù)測累積產(chǎn)量與實際累積產(chǎn)量對比

4.終端液態(tài)產(chǎn)品產(chǎn)量潛力挖掘

根據(jù)對終端設(shè)備異常統(tǒng)計，2020 年液態(tài)烴類處理設(shè)備的異常已經(jīng)出現(xiàn)了15 天，每年凝析油處理設(shè)備的異常約為10 天，因此，我們可以在預(yù)測模型中人為的修改設(shè)備的異常標記，假設(shè)在設(shè)備運作完好的條件下，結(jié)合年度的產(chǎn)量計劃，預(yù)測最優(yōu)運行條件下的液態(tài)烴類產(chǎn)品與凝析油的產(chǎn)量，各氣田的年度產(chǎn)量計劃如表3 所示。

Table 3.Annual production plan for each gas field表3.各氣田年度產(chǎn)量計劃

分別計算兩種條件下終端各液態(tài)產(chǎn)品，計算結(jié)果如表4 所示，可以看出，最優(yōu)運行條件下比現(xiàn)有的液態(tài)產(chǎn)品產(chǎn)量總計大約增加了2.26 萬方，約為14 萬桶，按30 美元/桶原油計算，可增加經(jīng)濟效益420 萬美元。

Table 4.Optimal production of liquid products under operating conditions表4.最優(yōu)工況條件下液態(tài)產(chǎn)品產(chǎn)量

5.結(jié)論

1) 通過聚類分析進行析出比異常判斷可以迅速定位出終端設(shè)備的異常情況，結(jié)合后續(xù)對終端相關(guān)設(shè)備的異常標記，建立機器學習模型，可以精確預(yù)測各類液態(tài)產(chǎn)品產(chǎn)量。

2) 通過訓練好的機器學習模型，可以進行終端液態(tài)產(chǎn)品生產(chǎn)潛力挖掘，預(yù)測在設(shè)備運行最優(yōu)條件下液態(tài)產(chǎn)品產(chǎn)量，預(yù)測后的結(jié)果可以為后續(xù)進行設(shè)備升級改造，或者進行工藝優(yōu)化提供決策依據(jù)。