CN111626603A - 一种具有遗传算法的油田有序用电系统及其有序用电分配方法 - Google Patents
一种具有遗传算法的油田有序用电系统及其有序用电分配方法 Download PDFInfo
- Publication number
- CN111626603A CN111626603A CN202010453809.5A CN202010453809A CN111626603A CN 111626603 A CN111626603 A CN 111626603A CN 202010453809 A CN202010453809 A CN 202010453809A CN 111626603 A CN111626603 A CN 111626603A
- Authority
- CN
- China
- Prior art keywords
- oil
- topological
- pressure load
- pump
- well
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000009826 distribution Methods 0.000 title claims abstract description 20
- 230000002068 genetic effect Effects 0.000 title claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 179
- 238000004519 manufacturing process Methods 0.000 claims description 122
- 238000002347 injection Methods 0.000 claims description 78
- 239000007924 injection Substances 0.000 claims description 78
- 210000000349 chromosome Anatomy 0.000 claims description 64
- 239000003129 oil well Substances 0.000 claims description 48
- 238000003860 storage Methods 0.000 claims description 27
- 238000012216 screening Methods 0.000 claims description 26
- 239000010865 sewage Substances 0.000 claims description 25
- 239000007788 liquid Substances 0.000 claims description 24
- 238000012163 sequencing technique Methods 0.000 claims description 21
- 238000012546 transfer Methods 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 11
- 239000000243 solution Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 2
- 230000006698 induction Effects 0.000 claims description 2
- 238000003825 pressing Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000008021 deposition Effects 0.000 claims 2
- 230000001105 regulatory effect Effects 0.000 claims 1
- 239000003921 oil Substances 0.000 description 85
- 239000010779 crude oil Substances 0.000 description 18
- 238000013461 design Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000005311 autocorrelation function Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 239000012530 fluid Substances 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical group [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 230000001939 inductive effect Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000003756 stirring Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 210000003298 dental enamel Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003809 water extraction Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种具有遗传算法的油田有序用电系统及其有序用电分配方法,该系统包括业务规则模块、油田拓扑结构以及计算模型,业务规则模块包括:停泵规则、停井规则、其他业务规则,计算模型为有序用电方案优化模型,将业务规则模块的业务规则结合油田拓扑结构对按照其有序用电分配方法对各拓扑单元的进行最优化求解,生成有序用电优化方案,在对拓扑单元压负荷时,采用遗传算法进行分析,获取最佳的关停方案。
Description
技术领域
本发明涉及油田有序用电领域,具体涉及一种具有遗传算法的油田有序用电系统及其有序用电分配方法。
背景技术
近几年,随着地方工业用电和居民用电不断增长,在夏季高温天气下,经常会出现电力供应紧张的状况,需要油田采取错峰、避峰、限电等一系列措施,保障居民生活用电。尤其是在紧急状态下,供电公司采取变电站直接拉闸的方式快速降低负荷,这种无序的拉闸限电方式给油田生产带来了一些不必要的损失。在有序用电情况下,油田在给二级采油厂下达压减用电负荷任务时,往往是以各生产单位生产用电比例作为压减电力负荷任务的分解依据,缺少从效益管控的要求进行整体优化。同时,在限电实施过程中,不能实时掌握各二级采油厂计划执行的速度和完整性,运行较为粗放。在有序用电实施过程中,常常存在大量凭借经验设计和线下人工统计上报的运行方式和工作量,缺乏科学、可靠的技术支撑和有效用电的过程管控,因此亟待解决有序用电的智能管控和动态优化。
有序用电是油田安全、平稳生产运行的重要前提,目前仅考虑生产单位生产用电比例作为限电任务分解依据,无法满足生产经营管控的要求;有序用电方案设计以及限电负面影响分析仍采取凭借经验设计和线下人工统计上报的传统方式,缺乏科学、可靠的技术支撑和有效的限电过程管控,因此亟待实现有序用电,动态优化。
在电力供应不足,电网突发事件等情况下,通过有序用电管理是保障油田用电秩序平稳、生产安全运行的重要前提。但目前有序用电限额分配,用电方案设计以及负面影响分析方面仍采取依靠经验和线下人工统计上报的传统方式,有序用电过程管控缺乏行之有效的信息化手段。如何最大程度减少有序用电造成的生产负面影响,制定科学、合理的有序用电方案,实现在线实时管控有序用电过程,已成为亟待解决的问题。目前油田有序用电存在以下几个方面突出问题:
(1)目前仅考虑生产单位生产用电比例作为限电任务分解依据,未充分考虑各开发单位用电价值,不利于用电负荷的优化配置;
(2)主要依靠经验人工编制有序用电预案,缺乏科学的决策理论支持,无法实现油田整体效益最大化;
(3)有序用电执行后评估缺乏合理的评估原则和评估方法,未能充分反映有序用电执行后负面影响;
(4)缺乏有效的有序用电全过程管控,无法实时掌握执行情况。
发明内容
本发明的目的就在于为了解决上述问题而提供一种具有遗传算法的油田有序用电系统及其有序用电分配方法,详见下文阐述。本发明拟将技术研究应用于限电压负荷事件的实时监控、动态优化、评价分析。实现对生产用电负荷的宏观调控,根据有序用电的要求,统筹分析各拓扑单元的生产用电负荷,然后进行科学压负荷预案的制定和执行,将生产损失降到最低。
为实现上述目的,本发明提供了以下技术方案:
一种具有遗传算法的油田有序用电系统,如图1所示,该系统包括业务规则模块、油田拓扑结构以及计算模型,业务规则模块包括:停泵规则、停井规则、其他业务规则,计算模型为有序用电方案优化模型,将业务规则模块的业务规则结合油田拓扑结构对按照其有序用电分配方法对各拓扑单元的进行最优化求解,生成有序用电优化方案,在对拓扑单元压负荷时,采用遗传算法进行分析,获取最佳的关停方案。
一种具有遗传算法的油田有序用电系统的有序用电分配方法具体为:
步骤1,获取输入数据;
步骤2、初始化每个拓扑单元;
步骤3、计算每个拓扑单元最优方案:以单个拓扑单元计算流程,计算每个拓扑单元在设定的压负荷值前提下,最佳关停设备方案;以单个拓扑单元计算方法,计算每个拓扑单元在给定压负荷量的条件下,相应的关停方案,每个拓扑单元保留最优的一个方案;
步骤3的单个拓扑单元计算流程如下:
步骤3.1,获取输入数据,包括单个拓扑单元内能够关闭的注水泵信息、单个拓扑单元内能够关闭的油井信息、污水在管道中流通时长、单个拓扑单元储水罐剩余容量、每个拓扑单元分配到的总功率值、压负荷总量、压负荷预计时长;
步骤3.2、建立计算模型,如下所示:
目标函数:
其中,xi对应设备,Pi对应设备的产油量,泵、注水井产油量为0,油井取近期的日产油量折算成小时产油量,H为压负荷时间,对应设备状态,每个设备状态选项为开、关两种,1代表关闭,0代表正常;该目标函数代表产油量最大化。
约束条件一:
其中,wi对应设备的负荷,D为压负荷目标值。
约束条件二:
其中,mi对应泵排量,gi对应油井瞬时产水量,Q对应容器剩余总容量;t为污水在管道中流通时长。
步骤3.3、设定参与计算的设备总数为N,其中注水泵数目为L,油井数目为P,每个设备状态选项为开、关两种:
步骤3.4、初始化种群:初始化0~1数值的染色体,随机生成N种不同的设备运行状态组合,并以数组的方式保存,从而新建N个染色体,每个染色体用L长度的向量存储,其中,L为注水泵、油井的总和,其中前K个数值对应K个注水泵的状态,后N-K个数值对应油井的状态,向量每个元素取值0或者1。0表示正常工作、1表示设备关闭;
步骤3.5、筛选:对随机生成的初始N个染色体,用约束条件一和约束条件二进行筛选,剔除不满足约束条件的染色体;约束条件一是关闭设备的总负荷大于等于设定的压负荷目标值,代表压负荷量是否满足要求;计算所有关闭设备的负荷总和,然后判断是否满足约束条件一和约束条件二,保留满足约束条件一和约束条件二染色体的染色体;
步骤3.6、排序:使用目标函数计算符合约束条件的每个染色体对应的产油量,并以从大到小进行排序,保留M个染色体,M为每轮迭代保留的染色体最大个数;
步骤3.7、交叉变异:每次从保留的M个染色体中以轮盘筛选的方式选择两个染色体,通过交叉、变异生成新的染色体,其中轮盘筛选是根据适应度进行排序,随机选择,保证适应度大的被选中的概率大;交叉是指随机选择位置点,两个染色体都被分为前后两个部分,交换前后部分组合为新的染色体;变异是指随机选择位置点,强制修改该位置点的值,原始为0,则修改为1,原始为1则修改为0;
步骤3.8、再次筛选:对经过交叉变异的M+2个染色体根据目标函数计算产油量值,并对染色体种群进行排序,保留产量最大的M个染色体,实现精英保留;
步骤3.9、跳出:判断是否达到设定的最大迭代次数,如果是,跳出循环,给出关停设备方案;如果不是,返回步骤2.7;
步骤3.10、跳出循环后,为了满足影响产油量相当情况下尽可能少关停设备的业务要求,设定影响产量变化范围,对落在该范围内的所有方案进行筛选,获取关停设备最少的方案作为拓扑单元最优方案;
步骤4、以影响产油量对拓扑单元排序:计算每个拓扑单元各自影响产油量,并进行排序;
步骤5、满足退出条件:条件一是否达到最大迭代次数;条件二是影响产油量最大值是否小于设定的阈值。满足其中一个条件即退出;计算每个拓扑单元实际压负荷值与设定压负荷值的差值。因为每个注水泵\油井只存在关、不关两种情况,因此计算的差值大于等于0;
步骤6、调剂压负荷值:对影响产油量大的拓扑单元,降低一定的压负荷值,并给影响产油量小的拓扑单元增加相应的压负荷值;
步骤7、跳转到步骤3,继续计算;进行多次迭代,在满足最大迭代次数或者无法进行压负荷值调整后退出迭代;
步骤8、得到关停设备方案,即关闭注水泵、油井集合,即有序用电优化方案。
有益效果在于:
1.本发明充分利用油气生产信息化前端建设成果及实时生产动态等信息资源,建立有序用电优化管控模型,统筹考虑采油、注水、集输、电力系统等业务需求,利用大数据技术,建立有序用电方案“智能在线自动推送”、“超前运行有序恢复生产”新模式,解决有序用电限额科学分配和有序用电方案智能设计,用电方案的在线智能推送,业务纵向三级贯通、横向高效协同的问题;同时解决不同层级、不同专业“组织协调、指挥管控”的问题,最大程度减少有序用电造成的生产负面影响,降低油田损失;解决传统模式下电力故障事件上报不及时、负面价值人工统计效率低的问题,实现负面价值评价的精细化管理;
2、本发明基于“管网、油网、电网”三网拓扑关系,综合考虑采油、注水、集输、电力等业务需求,利用大数据技术和生产信息化建设成果,实现对生产用电负荷的宏观调控,方案智能在线自动推送,生产用电管理跨专业协同和精细化管理,将因限电压负荷事件的生产损失及负面影响降到最低;
3、本发明改变以往仅将生产单位生产用电比例作为限电任务分解依据的模式,构建面向单位、生产系统、设备的有序用电价值综合评价体系,填补油田企业在有序用电管理领域的空白;
4、本发明确保安全运行前提下,统筹考虑实现采油、注水、集输、电力多专业业务协同,进一步提升有序用电预案科学性、合理性,实现有序用电负面影响最小;
5、本发明以“油水井-站库-线路”作为有序用电负荷分配和方案优化的基本单元,改变了过去以开发单位为对象的负荷分配和优化模式,提高有序用电管理的科学性、精细程度;
6本发明、充分挖掘海量生产实时数据价值,利用大数据建模技术,建立有序用电负荷分配和方案优化模型,在油田大数据的应用场景进行了有益探索。
7、本发明以油水井、站库、电网数据为基础,结合生产业务规则(停泵、停井等)构建生产系统拓扑单元、业务规则模型和方案优化模型,实现有序用电限额科学分配和有序用电方案智能设计,同时方案的设计实施遵循“安全运行,效益最大化”原则,充分体现跨专业协同理念,以此建立有序用电方案“智能在线自动推送”、“超前运行有序恢复生产”新模式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的有序用电限额分配方法流程图;
图2是本发明的油水井-站库-线路生产系统拓扑单元示意图;
图3是本发明的拓扑单元管网流程图;
图4单站独立型拓扑单元示意图;
图5是本发明的多站合并型拓扑单元示意图;
图6是本发明的人为定义型拓扑单元示意图;
图7是本发明的有序用电业务规则示意图;
图8是本发明的各拓扑单元负荷分配流程图;
图9是本发明的各拓扑单元的最优化求解拆解效果示意图;
图10是本发明的多个拓扑单元计算流程图;
图11是本发明的单个拓扑单元计算流程图;
图12是本发明的遗传算法思路流程图;
图13是本发明的单拓扑单元计算示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
一种具有遗传算法的油田有序用电系统,如图1所示,该系统包括业务规则模块、油田拓扑结构以及计算模型,
业务规则模块包括:停泵规则、停井规则、其他业务规则,其中:
停泵规则:优先停功率高、排量低的注水泵,优先停同型号注水泵效率低的注水泵,设定了注水泵对应的产油量为0,因此在影响产油量最小的目标下,优先关闭注水泵;对应特殊泵,设定了产油量为大于0的极小值,使得同等条件下,优先关闭普通泵,后关闭特殊泵;通过多指标排序(影响产油量、新增水量等),在影响产油量相同的前提下,负荷相同的泵,优先关排量小的泵;
停井规则:优先停电泵井,压负荷量大时的高电机功率井,高含水且高产液的井;在输入设备信息前,根据压负荷的量级,对产油井进行筛选。压负荷低时,过滤稠油、结蜡等特殊井,这些井不参与计算;压负荷高时,再引入稠油、结蜡等特殊井。(当前是约定污水相对平衡的条件下进行计算,关泵是在当前基础上新增水量、关井是在当前基础上减少水量,因此每次计算不需要考虑所有的设备,只考虑参与计算的设备;对工业网络、农网一样考虑);在产液量等条件相同情况下,含水高的井对应的产油量小,因此在影响产油量最小的目标下,优先关闭含水高的井,后关闭含水低的井;在输出最优方案时,考虑在影响产油量变化幅度5%范围内,对关停设备个数进行了排序,即影响产油量相当的前提下,关停设备尽可能少;在含水相等的情况下,产液量越大,产油量越大。因此在影响产油量最小的目标下,最优解会优先关闭产液量小的井。
其他业务规则:各拓扑单元的开泵组合:为保证模型测试的真实性,以常态或一天的开泵组合作为限电方案的基准值。各拓扑单元的调水关系:各拓扑单元之间存在一定的调水关系,影响各自库存的占用及变化速度。考虑收水泵对提注的影响:需要根据收水泵的信息(台数、排量)测试能否满足连续压负荷间歇期的提注量。
油田拓扑结构由拓扑单元构成,如图2-3所示,拓扑单元包括油井、联合站、油井、集输站库、注水站、水井,以联合站、接转站、采出水处理站为枢纽,油井、注水泵、注水井依据实际的物理关系,关联到污水存储设备,从而形成一个相对独立的生产系统,构成拓扑单元;系统内的应急库容相互“连通”;油井采出液,注水泵注水只影响本系统的应急库容变化;同其他生产系统的可保持相对稳定的调水关系;事故罐、储水罐统一作为污水存储设备,以污水存储设备作为拓扑单元的初始节点;在对拓扑单元压负荷时,采用遗传算法进行分析,获取最佳的关停方案。
油田拓扑结构包括各类数据,包括从油井→计量站→联合站→采出水处理站→注水站→注水泵→配水间→水井的拓扑关系及相关数据,其中油井的数据包括井号、类型(电泵井/抽油机井)、归属电力线路、所属单位、生产时间、耗电量、产液量、含水率、电机功率及管理特征,管理特征包括出砂、结蜡、结盐、油稠和掺水;计量站的数据包括站名、关联井号、所属联合站;联合站的数据包括站名、关联计量站/油井、关联采出水处理站;采出水处理站数据包括站名、关联联合站、事故罐数量、事故罐罐高、事故罐截面积、事故罐安全高度、事故罐最低液位、收水泵数据、收水泵排量、关联注水站;注水站数据包括站名、关联采出水处理站、储水罐数量、储水罐罐高、储水罐截面积、储水罐安全高度、储水罐最低液位、装泵台数、设计能力、设计压力;注水泵数据包括所属注水站、泵号、型号、归属线路、排量、电机功率、泵效;水井数据包括井号、关联注水站、日配注量、实际注水量、油压、干线压力、动态分类、增水量、允许提注时间、提升方式。
各拓扑单元相对独立但存在一定的关系,如调水关系,直接影响各自库存的占用及变化速度,因此也需要构建;注水井数据主要用于连续压负荷过程中间歇期的提水方案测算;库存罐参数信息要用于计算应急库存和压负荷过程的应急时间,目前事故罐的有效容积为事故罐的截面积*安全高度,储水罐的有效容积为储水罐的截面积*(安全高度-最低液位);联合站或采出水处理站的收水泵数据主要是用以计算连续压负荷间歇期的收水速度能否满足提注量;为保证方案测算的真实性,以常态或一天的开泵组合作为限电方案的基准值,因此需要展示注水泵开关状态。
本发明以油水井、站库、电网数据为基础,结合生产业务规则(停泵、停井等)构建生产系统拓扑单元、业务规则模型和方案优化模型,实现有序用电限额科学分配和有序用电方案智能设计,同时方案的设计实施遵循“安全运行,效益最大化”原则,充分体现跨专业协同理念,以此建立有序用电方案“智能在线自动推送”、“超前运行有序恢复生产”新模式。
其中,拓扑单元根据实际生产运行情况划分为三类,包括单站独立型拓扑单元、多站合并型拓扑单元、人为定义型拓扑单元,
如图4所示,单站独立型拓扑单元以一个联合站/接转站/采出水处理为核心,采油系统和注水系统相对独立,仅与其他联合站存在较为固定的调水关系。调水关系表现了联合站之间定量的污水流向,通过确定联合站输入量、输出量,对联合站与联合站进行解耦,使得以联合站为核心的拓扑单元相对独立。
图中所有设置、装置最终都连接到一个联合站,同时不与其他联合站有关联;如果当前联合站与其他联合站有污水流向,用流入量、流出量替代关联关系,从而保证以联合站为核心的拓扑单元相对独立。
如图5所示,多站合并型拓扑单元将多个有油水关系且不易定量划分的联合站/接转站/采出水处理根据油水拓扑关系合并划分为一个拓扑单元。
图5中,渤三站、义65站、罗北站三个站污水流向复杂以及共线多,因此无法进行分割处理,所以最终可以把这三个站以及相应的注水泵、油井等设备统一划分到一个拓扑单元中;
如图6所示,人为定义型拓扑单元各联合站来油及污水处理线路独立,但对应注水站呈网状交叉结构,即一个联合站对应多个注水站、一个注水站同时有多个联合站来水,因此需要根据联合站与注水站的相对关系(调水/来水)将一个注水站人为虚拟成两个或多个注水站划归到不同的联合站上进行拓扑单元的构建。
其中,调水关系为不同拓扑单元之间存在储水罐污水的流入和流出;利用调水关系,只记录单位时间内污水的流入量、流出量,对拓扑单元关系进行解耦,不再考虑其他拓扑单元的影响,使得每个拓扑单元相对独立;流入量为单位时间内从其他拓扑单元流入的污水总量;流出量为单位时间内从本拓扑单元流出的污水总量。
如图7所示,根据停泵规则、停井规则和其他业务规则生成综合业务规则,
综合业务规则:满足目标压负荷量,安全生产不冒罐,满足目标测算需求,最优化求解,如影响产油量最小、库存上升量最小、影响线路最少。
计算模型为有序用电方案优化模型,将业务规则模块的业务规则结合油田拓扑结构对按照其有序用电分配方法对各拓扑单元的进行最优化求解,生成有序用电优化方案。
其中,油井的含水率通过含水率在线检测系统测量获得,含水率在线检测系统包括控制器、取样装置、磁导传感器、测量管、温度传感器、液位传感器、无线通讯模块、加热装置、搅拌装置及电源模块,
其中,取样装置对原油进行取样,包括单进管线、混进管线、井口闸阀、井口闸阀、出口手动球阀、入口手动球阀、出口电磁阀、入口电磁阀、入口循环泵、出口循环泵、排气阀、单向止回阀,井口的产出原油经井口闸阀通过管线传输,在管线上焊接并联取样装置进行取样,取样装置在正常工作时,入口手动球阀和出口手动球阀位于常通状态,以保证采集取样回路中的原油和现有的混进管线并联连接。
其中,测量管为金属材料。
其中,磁导传感器包括发射线圈、屏蔽线圈和接收线圈,参数设置如下:发射线圈与屏蔽线圈之间的距离为50mm,屏蔽线圈与接收线圈之间的距离为30mm;发射线圈的匝数为200匝、屏蔽线圈的匝数为11O匝、接收线圈的匝数为3682匝;发射与屏蔽线圈的铜芯导线线径为O.9mm,漆包线漆层为0.035mm,漆包线最大外径0.96mm,铜芯截面积为0.6362m2,20℃时直流电阻为27.5Ω/km;接收线圈的铜芯导线线径为0.21mm,最小漆膜厚度为0.024mm,铜芯截面积为0.03464m2,20℃时直流电阻为493.5Ω/km。
其中,控制器使DDS信号发生模块产生低频正弦波信号,通过功率放大模块进行信号放大产生大功率低频正弦信号,施加到磁导传感器的发射线圈处而产生发射信号,磁导传感器的接收线圈在接收到感应电压之后,将接收到的感电压经过滤波放大电路对接收信号进行滤波、放大,后通过峰值保持模块得出感应电压的峰值信号,最后经过A/D转换后反馈给控制器进行数据处理。
其中,含水率的测量为在线检测包括如下步骤:
步骤1,采样阶段,入口循环泵的入口电磁阀在控制器下处于常通状态,出口循环泵的出口电磁阀处于常闭状态,井口产出的原油经入口手动球阀、入口电磁阀、入口循环泵进入测量管,单位时间内的入口流量由入口循环泵的转速决定,测量管上安装液位传感器实时测量进入取样测量管的原油体积,当原油体积满足测量要求时,关闭入口电磁阀,入口循环泵停止工作;
步骤2,测量阶段,控制器根据温度传感器测量的原油温度控制加热装置是否工作,当原油的温度小于设定温度时,控制器控制加热装置使原油温度升温,使得原油的温度保持在预设范围内,控制搅拌装置使原油充分混合,利用搅拌装置和排气阀使原油均匀释放残存气体,残存气体通过单向止回阀,出口手动球阀进入混进管线中,在激励线圈中加载恒定的低频交变电流信号,实时测量在接收线圈中的与原油含水率密切相关的感应电压,经过比对后得到当前的原油含水率;
步骤3,在排出阶段,加热装置和搅拌装置停止工作,入口电磁阀进入常闭阶段,出口电磁阀进入常开阶段,测量管内的原油经出口循环泵、出口电磁阀、出口手动球阀进入混进管线,出口循环泵的出口流量远大于入口循环泵的入口流量,这样以保证能够快速有效地将取样测量管内的原油排出到混进管线。当取样测量管内的原油全部排出后,出口循环泵和入口循环泵都停止工作,出口电磁阀进入常闭状态,返回步骤1,进入下一个循环工作过程。
其中,步骤2的经过比对后得到当前的原油含水率,具体为:
步骤2.1,以5%含水率为步长进行水和纯油混合,构成多个在O~100%含水率的试样,并使用步骤2进行测量,得到电压值和含水率关系对应表;
步骤2.2,将电压值和含水率关系对应表生成曲线,并使用二次多项式进行曲线拟合,二次多项式为:y=ax2+bx+c,其中a、b、c为拟合系数,经过拟合得到拟合系数的取值,a=225、b=-401、c=-26,则y为感应电压,x为含水率;
步骤2.3,将测量得到的感应电压带入二次多项式,从而求得实际测量的混合液含水率。
对含水率检测进行优化设计,实现了磁导传感器的管外非接触测量的油井在线检测,设计了适用于管线上的在线自动检测系统,满足了在有序用电情况下的油田含水率的实时、快速的在线监测。
其中,如图8-10,其有序用电分配方法具体为:
步骤1,获取输入数据,包括:局\厂能够关闭的注水泵信息、局\厂储水罐剩余容量、压负荷总量为输入的限电总负荷和压负荷预计时长。
局\厂能够关闭的注水泵信息,包括功率、排水量、泵类型、效率值。如表1所示:
表1注水泵信息
局\厂能够关闭的油井信息,包括产液量、含水率、生产时长、耗电量。如表2所示:
表2油井信息
拓扑单元名称 | 井号 | 产液量 | 含水率 | 功率 |
宁海 | 井A | 114.6 | 94.32 | 58.3 |
宁海 | 井B | 31.9 | 95.37 | 8.1 |
宁海 | 井C | 61.2 | 97.15 | 10.4 |
污水在管道中流通时长。油井关闭后,在管道中还存在一部分液量,该部分液量最终也流入到存储设备中。依据流通时长和油井小时产液量,计算总体流量。
如表3所示:
表3储水罐剩余容量。
拓扑单元名称 | 罐名称 | 剩余容量 |
宁海 | 事故罐A | 3000 |
宁海 | 储水罐A | 2000 |
宁海 | 事故罐B | 1500 |
步骤2、初始化每个拓扑单元:以每个拓扑单元设备功率占总功率的比值为权重,根据限电总负荷,以每个拓扑单元注水泵负荷总数在所有注水帮负荷总数的占比进行初始负荷的分配,给每个拓扑单元设置相应的压负荷量;步骤3、计算每个拓扑单元最优方案:以单个拓扑单元计算流程,计算每个拓扑单元在设定的压负荷值前提下,最佳关停设备方案;以单个拓扑单元计算方法,计算每个拓扑单元在给定压负荷量的条件下,相应的关停方案。每个拓扑单元保留最优的一个;
步骤4、以影响产油量对拓扑单元排序:计算每个拓扑单元各自影响产油量,并进行排序。如表4所示:
表4产油量
步骤5、满足退出条件:条件一是否达到最大迭代次数;条件二是影响产油量最大值是否小于设定的阈值。满足其中一个条件即退出;计算每个拓扑单元实际压负荷值与设定压负荷值的差值。因为每个注水泵\油井只存在关、不关两种情况,因此计算的差值大于等于0;
步骤6、调剂压负荷值:对影响产油量大的拓扑单元,降低一定的压负荷值,并给影响产油量小的拓扑单元增加相应的压负荷值;
例如:第一次调剂,SC-T3L可多增加765.06,同步SC-T1L减少765.06,对发生变化的两个拓扑单元重新计算。如表5所示:
表5产油量调整表
为了满足整体影响产油量最小,需要给当前影响产油量最大的拓扑单元降压负荷值,而给影响产油量小的拓扑单元涨相应的压负荷值
步骤7、跳转到步骤3,继续计算;进行多次迭代,在满足最大迭代次数或者无法进行压负荷值调整后退出迭代。
步骤8、得到关停设备(注水泵、油井)方案,即关闭注水泵、油井集合,即有序用电优化方案。
如下所示:
关泵:注水泵A、注水泵B。
关井:井A、井B、井C
其中,如图11-13所示,步骤3的单个拓扑单元计算流程如下:
步骤3.1,获取输入数据,包括单个拓扑单元内能够关闭的注水泵信息、单个拓扑单元内能够关闭的油井信息、污水在管道中流通时长、单个拓扑单元储水罐剩余容量、每个拓扑单元分配到的总功率值、压负荷总量、压负荷预计时长。
单个拓扑单元内能够关闭的注水泵信息,包括功率、排水量、泵类型、效率值。下表6所示:
表6注水泵信息
单个拓扑单元内能够关闭的油井信息,包括产液量、含水、生产时长、耗电量。如下表所示:
表7油井信息
拓扑单元名称 | 井号 | 日液能力 | 含水率 | 功率 |
宁海 | 井A | 114.6 | 94.32 | 58.3 |
宁海 | 井B | 31.9 | 95.37 | 8.1 |
宁海 | 井C | 61.2 | 97.15 | 10.4 |
油井关闭后,在管道中还存在一部分液量,该部分液量最终也流入到存储设备中。依据流通时长和油井小时产液量,计算总体流量。单个拓扑单元储水罐剩余容量如下表所示:
表8单个拓扑单元储水罐剩余容量
拓扑单元名称 | 罐名称 | 剩余容量 |
宁海 | 事故罐A | 3000 |
宁海 | 储水罐A | 2000 |
宁海 | 事故罐B | 1500 |
每个拓扑单元分配到的总功率值,最终确定的关停方案累计功率必须大于等于该值。
预期压负荷时长,通过该值与设备产液量,判断是否存在冒罐,即新增污水量大于剩余容量。
步骤3.2、建立计算模型,如下所示:
目标函数:
其中,xi对应设备,Pi对应设备的产油量,泵、注水井产油量为0,油井取近期的日产油量折算成小时产油量,H为压负荷时间,对应设备状态,每个设备状态选项为开、关两种,1代表关闭,0代表正常;该目标函数代表产油量最大化。
约束条件一:
其中,wi对应设备的负荷,D为压负荷目标值。
约束条件二:
其中,mi对应泵排量,gi对应油井瞬时产水量,Q对应容器剩余总容量;t为污水在管道中流通时长。
步骤3.3、设定参与计算的设备总数为N,其中注水泵数目为L,油井数目为P,每个设备状态选项为开、关两种:
步骤3.4、初始化种群:初始化0~1数值的染色体,随机生成N种不同的设备运行状态组合,并以数组的方式保存,从而新建N个染色体,每个染色体用L长度的向量存储,其中,L为注水泵、油井的总和,其中前K个数值对应K个注水泵的状态,后N-K个数值对应油井的状态,向量每个元素取值0或者1。0表示正常工作、1表示设备关闭。
例如[1,0,0,1,…..0,1],其中前K个数值对应K个注水泵的状态,后N-K个数值对应油井的状态。0代表工作,1代表关闭。针对注水泵、油井对应的基因位置进行分类考虑。对于注水泵对应基因位置进行排列组合实现,对于油井对应基因位置进行随机方式实现。
随机方式初始化:
[1,0,0,1,…..0,1],[1,1,0,1,…..1,1],[0,0,0,1,…..0,1]
改进方式初始化:
[1,0,0+1,…..0,1],[1,1,0+1,…..0,1],[1,1,1+1,…..0,1],
[0,1,0+1,…..0,1],[0,1,1+1,…..0,1],[0,0,1+1,…..0,1]。
步骤3.5、筛选:对随机生成的初始N个染色体,用约束条件一和约束条件二进行筛选,剔除不满足约束条件的染色体;约束条件一是关闭设备的总负荷大于等于设定的压负荷目标值,代表压负荷量是否满足要求;计算所有关闭设备的负荷总和,然后判断是否满足约束条件一和约束条件二,保留满足约束条件一和约束条件二染色体的染色体;
步骤3.6、排序:使用目标函数计算符合约束条件的每个染色体对应的产油量,并以从大到小进行排序,保留M个染色体,M为每轮迭代保留的染色体最大个数;
每次迭代都会生成新的染色体,为了提升效率、加快收敛,在满足约束条件的基础上,对当前的所有染色体进行适应度排序,保留精英染色体用于下一次迭代,剔除适应度低的染色体;
步骤3.7、交叉变异:每次从保留的M个染色体中以轮盘筛选的方式选择两个染色体,通过交叉、变异生成新的染色体,其中轮盘筛选是根据适应度进行排序,随机选择,保证适应度大的被选中的概率大;交叉是指随机选择位置点,两个染色体都被分为前后两个部分,交换前后部分组合为新的染色体;变异是指随机选择位置点,强制修改该位置点的值,原始为0,则修改为1,原始为1则修改为0;
在M个染色体中随机抽取两个进行交叉变异,生成新的染色体。采用多种交叉变异方式进行样本的迭代,除了通用的随机点进行整体交叉变异外,又增加了局部交叉变异方式,即只在注水泵对应基因位置进行交叉变异,这样能够保证优先关闭注水泵。
步骤3.8、再次筛选:对经过交叉变异的M+2个染色体根据目标函数计算产油量值,并对染色体种群进行排序,保留产量最大的M个染色体,实现精英保留;
步骤3.9、跳出:判断是否达到设定的最大迭代次数,如果是,跳出循环,给出关停设备方案;如果不是,返回步骤3.7;
步骤3.10、跳出循环后,为了满足影响产油量相当情况下尽可能少关停设备的业务要求,设定影响产量变化范围,对落在该范围内的所有方案进行筛选,获取关停设备最少的方案进行返回。
其中,种群对应各种关停方案的集合;染色体对应每一个关停方案,即描述参与计算的所有设备最终实际的开、关状态。0代表开、1代表关;基因对应每个设备,基因属于染色体的一个点。
其中,模型包括目标函数+约束条件,用遗传算法进行求解;迭代表示多次循环计算;目标函数:以剔除关闭的油井后,产油量最大化为目标;适应度表示每个方案对应的产油量具体值。
其中,步骤3.2的压负荷目标值基于压负荷历史数据通过预测模型计算得出,包括如下步骤:
步骤3.2.1、压负荷历史数据预处理,生成平滑序列
如果压负荷历史数据序列为线性,通过一阶差分实现压负荷历史数据序列的平稳化;如果压负荷历史数据序列为曲线,进行二阶或三阶差分处理去除曲线趋势所造成的影响;如果压负荷历史数据序列为固定周期变化,釆用步长为周期长度的差分运算;
步骤3.2.2、判断序列类型,
设xt为经过处理的平滑序列在t时刻的值,将相隔时刻k的两个随机变量的协方差的自协方差序列γk称为自协方差函数,
γk=Cov(xt,xt-k),
γ0=Var(xt),
Var()为方差函数,Cov()为协方差函数,xt的自相关函数为ρk(k=0,1,2,...):
对步骤3.2.1生成的平滑序列的类型进行判断,
(1)如果步骤3.2.1生成的平滑序列的自相关函数尾部曲线延长,偏自相关函数尾部数据截断,则该序列是自回归序列;
(2)如果步骤3.2.1生成的平滑序列的自相关函数尾部曲线截断,偏自相关函数具有尾部数据延长,则该序列是移动平均序列;
(3)如果步骤3.2.1生成的平滑序列的自相关函数与偏自相关函数的尾部曲线都延长;
步骤3.2.3,根据序列类型进行预测,
(1)自回归模型
φi为自回归模型的回归系数,p为自回归模型的回归阶数,随机白噪声的方差,εt和εs表示不同时刻的随机白噪声序列,xt和xs分别表示在t和s时刻的值,则通过自回归模型,根据t时刻前p阶数据计算得到t时刻的数据值;
(2)移动平均模型
θi为移动平均模型回归系数,q为移动平均模型的回归阶数,则通过移动平均模型,根据t时刻前q阶数据计算得到t时刻的数据值;
(3)自回归移动平均模型,
通过自回归移动平均模型,根据t时刻前q阶数据计算得到t时刻的数据值;步骤3.2.4,t=t+1,判断循环次数是否达到预定次数n,否则返回步骤3.2.2,是则结束预测,生成预测序列(x1,x2,...,xn);
通过研究与分析压负荷历史数据,可以从某种程度上反映和预测油井的运行状况,基于压负荷历史数据序列进行预测油井压负荷运行曲线预测分析,该方法能够很好地拟合观察值序列,从而获取压负荷未来一段时间的精确的压负荷目标值,为有序用电的计算模型提供准确的约束条件;
以上所述实施方式仅表达了本发明的一种实施方式,但并不能因此而理解为对本发明范围的限制。应当指出,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.一种具有遗传算法的油田有序用电系统,该系统包括业务规则模块、油田拓扑结构以及计算模型,业务规则模块包括:停泵规则、停井规则、其他业务规则,计算模型为有序用电方案优化模型,将业务规则模块的业务规则结合油田拓扑结构对按照其有序用电分配方法对各拓扑单元的进行最优化求解,生成有序用电优化方案,在对拓扑单元压负荷时,采用遗传算法进行分析,获取最佳的关停方案。
2.根据权利要求1所述的一种具有遗传算法的油田有序用电系统,其特征在于业务规则模块包括:停泵规则、停井规则、其他业务规则,其中:
停泵规则:优先停功率高、排量低的注水泵,优先停同型号注水泵效率低的注水泵,设定了注水泵对应的产油量为0,因此在影响产油量最小的目标下,优先关闭注水泵;对应特殊泵,设定了产油量为大于0的极小值,使得同等条件下,优先关闭普通泵,后关闭特殊泵;通过多指标排序,在影响产油量相同的前提下,负荷相同的泵,优先关排量小的泵;
停井规则:优先停电泵井,压负荷量大时的高电机功率井,高含水且高产液的井;在输入设备信息前,根据压负荷的量级,对产油井进行筛选,压负荷低时,过滤稠油、结蜡等特殊井,这些井不参与计算;压负荷高时,再引入包括稠油、结蜡在内的特殊井;在产液量等条件相同情况下,含水高的井对应的产油量小,因此在影响产油量最小的目标下,优先关闭含水高的井,后关闭含水低的井;在输出最优方案时,考虑在影响产油量变化幅度5%范围内,对关停设备个数进行了排序,即影响产油量相当的前提下,关停设备尽可能少;在含水相等的情况下,产液量越大,产油量越大,因此在影响产油量最小的目标下,最优解会优先关闭产液量小的井;
其他业务规则:各拓扑单元的开泵组合:为保证模型测试的真实性,以常态或一天的开泵组合作为限电方案的基准值,各拓扑单元的调水关系:各拓扑单元之间存在一定的调水关系,影响各自库存的占用及变化速度,考虑收水泵对提注的影响:需要根据收水泵的信息测试能否满足连续压负荷间歇期的提注量。
3.根据权利要求2所述的一种具有遗传算法的油田有序用电系统,其特征在于:根据停泵规则、停井规则和其他业务规则生成综合业务规则,综合业务规则:满足目标压负荷量,安全生产不冒罐,满足目标测算需求,最优化求解,如影响产油量最小、库存上升量最小、影响线路最少。
4.根据权利要求2所述的一种具有遗传算法的油田有序用电系统,其特征在于:调水关系为不同拓扑单元之间存在储水罐污水的流入和流出;利用调水关系,只记录单位时间内污水的流入量、流出量,对拓扑单元关系进行解耦,不再考虑其他拓扑单元的影响,使得每个拓扑单元相对独立;流入量为单位时间内从其他拓扑单元流入的污水总量;流出量为单位时间内从本拓扑单元流出的污水总量。
5.一种权利要求1所述的具有遗传算法的油田有序用电系统的有序用电分配方法具体为:
步骤1,获取输入数据,包括:局\厂能够关闭的注水泵信息、局\厂储水罐剩余容量、压负荷总量为输入的限电总负荷和压负荷预计时长;
局\厂能够关闭的注水泵信息,包括功率、排水量、泵类型、效率值;
局\厂能够关闭的油井信息,包括产液量、含水率、生产时长、耗电量;
污水在管道中流通时长,油井关闭后,在管道中还存在一部分液量,该部分液量最终也流入到存储设备中。依据流通时长和油井小时产液量,计算总体流量;
步骤2、初始化每个拓扑单元;
步骤3、计算每个拓扑单元最优方案:以单个拓扑单元计算流程,计算每个拓扑单元在设定的压负荷值前提下,最佳关停设备方案;以单个拓扑单元计算方法,计算每个拓扑单元在给定压负荷量的条件下,相应的关停方案,每个拓扑单元保留最优的一个方案;
步骤3的单个拓扑单元计算流程如下:
步骤3.1,获取输入数据,包括单个拓扑单元内能够关闭的注水泵信息、单个拓扑单元内能够关闭的油井信息、污水在管道中流通时长、单个拓扑单元储水罐剩余容量、每个拓扑单元分配到的总功率值、压负荷总量、压负荷预计时长;
步骤3.2、建立计算模型,如下所示:
目标函数:
其中,xi对应设备,Pi对应设备的产油量,泵、注水井产油量为0,油井取近期的日产油量折算成小时产油量,H为压负荷时间,对应设备状态,每个设备状态选项为开、关两种,1代表关闭,0代表正常;该目标函数代表产油量最大化。
约束条件一:
其中,wi对应设备的负荷,D为压负荷目标值。
约束条件二:
其中,mi对应泵排量,gi对应油井瞬时产水量,Q对应容器剩余总容量;t为污水在管道中流通时长。
步骤3.3、设定参与计算的设备总数为N,其中注水泵数目为L,油井数目为P,每个设备状态选项为开、关两种:
步骤3.4、初始化种群:初始化0~1数值的染色体,随机生成N种不同的设备运行状态组合,并以数组的方式保存,从而新建N个染色体,每个染色体用L长度的向量存储,其中,L为注水泵、油井的总和,其中前K个数值对应K个注水泵的状态,后N-K个数值对应油井的状态,向量每个元素取值0或者1。0表示正常工作、1表示设备关闭;
步骤3.5、筛选:对随机生成的初始N个染色体,用约束条件一和约束条件二进行筛选,剔除不满足约束条件的染色体;约束条件一是关闭设备的总负荷大于等于设定的压负荷目标值,代表压负荷量是否满足要求;计算所有关闭设备的负荷总和,然后判断是否满足约束条件一和约束条件二,保留满足约束条件一和约束条件二染色体的染色体;
步骤3.6、排序:使用目标函数计算符合约束条件的每个染色体对应的产油量,并以从大到小进行排序,保留M个染色体,M为每轮迭代保留的染色体最大个数;
步骤3.7、交叉变异:每次从保留的M个染色体中以轮盘筛选的方式选择两个染色体,通过交叉、变异生成新的染色体,其中轮盘筛选是根据适应度进行排序,随机选择,保证适应度大的被选中的概率大;交叉是指随机选择位置点,两个染色体都被分为前后两个部分,交换前后部分组合为新的染色体;变异是指随机选择位置点,强制修改该位置点的值,原始为0,则修改为1,原始为1则修改为0;
步骤3.8、再次筛选:对经过交叉变异的M+2个染色体根据目标函数计算产油量值,并对染色体种群进行排序,保留产量最大的M个染色体,实现精英保留;
步骤3.9、跳出:判断是否达到设定的最大迭代次数,如果是,跳出循环,给出关停设备方案;如果不是,返回步骤2.7;
步骤3.10、跳出循环后,为了满足影响产油量相当情况下尽可能少关停设备的业务要求,设定影响产量变化范围,对落在该范围内的所有方案进行筛选,获取关停设备最少的方案作为拓扑单元最优方案;
步骤4、以影响产油量对拓扑单元排序:计算每个拓扑单元各自影响产油量,并进行排序;
步骤5、满足退出条件:条件一是否达到最大迭代次数;条件二是影响产油量最大值是否小于设定的阈值。满足其中一个条件即退出;计算每个拓扑单元实际压负荷值与设定压负荷值的差值。因为每个注水泵\油井只存在关、不关两种情况,因此计算的差值大于等于0;
步骤6、调剂压负荷值:对影响产油量大的拓扑单元,降低一定的压负荷值,并给影响产油量小的拓扑单元增加相应的压负荷值;
步骤7、跳转到步骤3,继续计算;进行多次迭代,在满足最大迭代次数或者无法进行压负荷值调整后退出迭代;
步骤8、得到关停设备方案,即关闭注水泵、油井集合,即有序用电优化方案。
6.根据权利要求5所述的有序用电分配方法,其特征在于步骤3.2的压负荷目标值基于压负荷历史数据通过预测模型计算得出,包括如下步骤:
步骤3.2.1、压负荷历史数据预处理,生成平滑序列,
步骤3.2.2、判断序列类型,对步骤3.2.1生成的平滑序列的类型进行判断;
步骤3.2.3,根据序列类型进行预测;
步骤3.2.4,判断循环次数是否达到预定次数,否则返回步骤3.2.2,是则结束预测,生成预测序列;
步骤3.2.5,获取压负荷目标值。
8.根据权利要求5所述的有序用电分配方法,其特征在于含水率的测量为在线检测,包括如下步骤:
步骤1,采样阶段;
步骤2,测量阶段,具体为:
步骤2.1,水和纯油混合,构成试样,并使用步骤2进行测量,得到电压值和含水率关系对应表;
步骤2.2,将电压值和含水率关系对应表生成曲线;
步骤2.3,将测量得到的感应电压带入二次多项式,从而求得实际测量的混合液含水率;
步骤3,在排出阶段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010453809.5A CN111626603B (zh) | 2020-05-26 | 2020-05-26 | 一种具有遗传算法的油田有序用电系统及其有序用电分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010453809.5A CN111626603B (zh) | 2020-05-26 | 2020-05-26 | 一种具有遗传算法的油田有序用电系统及其有序用电分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626603A true CN111626603A (zh) | 2020-09-04 |
CN111626603B CN111626603B (zh) | 2023-08-04 |
Family
ID=72259957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010453809.5A Active CN111626603B (zh) | 2020-05-26 | 2020-05-26 | 一种具有遗传算法的油田有序用电系统及其有序用电分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626603B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409163A (zh) * | 2021-07-15 | 2021-09-17 | 浙江大学 | 基于韧性城市的互相依赖的水电系统的功能恢复决策方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090062969A1 (en) * | 2007-08-28 | 2009-03-05 | General Electric Company | Hybrid robust predictive optimization method of power system dispatch |
CN103714226A (zh) * | 2012-09-29 | 2014-04-09 | 重庆市电力公司电力科学研究院 | 一种有序用电优化方案自动生成方法与装置 |
CN107069801A (zh) * | 2017-03-13 | 2017-08-18 | 中国电力科学研究院 | 一种基于最小用户停电损失的配电网孤岛划分方法 |
CN107067156A (zh) * | 2017-02-24 | 2017-08-18 | 广东电网有限责任公司佛山供电局 | 配电网停电策略的评估方法和装置 |
CN110224487A (zh) * | 2019-06-18 | 2019-09-10 | 国网河南省电力公司焦作供电公司 | 一种基于oms系统的配网智能停电管理方法 |
CN111143751A (zh) * | 2019-12-23 | 2020-05-12 | 国网浙江海盐县供电有限公司 | 一种配电网停电计划优化分析方法 |
-
2020
- 2020-05-26 CN CN202010453809.5A patent/CN111626603B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090062969A1 (en) * | 2007-08-28 | 2009-03-05 | General Electric Company | Hybrid robust predictive optimization method of power system dispatch |
CN103714226A (zh) * | 2012-09-29 | 2014-04-09 | 重庆市电力公司电力科学研究院 | 一种有序用电优化方案自动生成方法与装置 |
CN107067156A (zh) * | 2017-02-24 | 2017-08-18 | 广东电网有限责任公司佛山供电局 | 配电网停电策略的评估方法和装置 |
CN107069801A (zh) * | 2017-03-13 | 2017-08-18 | 中国电力科学研究院 | 一种基于最小用户停电损失的配电网孤岛划分方法 |
CN110224487A (zh) * | 2019-06-18 | 2019-09-10 | 国网河南省电力公司焦作供电公司 | 一种基于oms系统的配网智能停电管理方法 |
CN111143751A (zh) * | 2019-12-23 | 2020-05-12 | 国网浙江海盐县供电有限公司 | 一种配电网停电计划优化分析方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409163A (zh) * | 2021-07-15 | 2021-09-17 | 浙江大学 | 基于韧性城市的互相依赖的水电系统的功能恢复决策方法 |
CN113409163B (zh) * | 2021-07-15 | 2022-10-04 | 浙江大学 | 基于韧性城市的互相依赖的水电系统的功能恢复决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111626603B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783916B (zh) | 一种基于仿真技术的空气压缩机群组优化调度决策方法 | |
Liu et al. | Derivation of aggregation-based joint operating rule curves for cascade hydropower reservoirs | |
CN111160430A (zh) | 一种基于人工智能算法的水资源优化配置方法 | |
Nojavan et al. | Interval optimization based performance of photovoltaic/wind/FC/electrolyzer/electric vehicles in energy price determination for customers by electricity retailer | |
CN108122068A (zh) | 一种配电网风险规划方法及系统 | |
Guo et al. | Evaluating effects of battery storage on day-ahead generation scheduling of large hydro–wind–photovoltaic complementary systems | |
Abiodun et al. | Pump scheduling optimization model for water supply system using AWGA | |
CN106529769A (zh) | 基于综合评价的电网规划方法 | |
CN115313378A (zh) | 一种风光储发电站日前有功出力优化调度方法及系统 | |
CN108985585A (zh) | 一种考虑预报不确定性影响的水库洪水资源利用风险对冲决策方法 | |
CN110821456A (zh) | 计算油田注水系统合理能耗的简化方法 | |
CN110783950A (zh) | 一种配电网节点光伏最佳配置容量确定方法 | |
CN104319777A (zh) | 一种需求侧负荷柔性控制方法 | |
CN111626603A (zh) | 一种具有遗传算法的油田有序用电系统及其有序用电分配方法 | |
CN112001581A (zh) | 一种电网电力电量平衡方法 | |
CN112884265B (zh) | 一种应用于城市电网网源协调的智能管理方法 | |
CN111639796B (zh) | 一种具有拓扑结构的油田有序用电系统及其有序用电分配方法 | |
Fracasso et al. | Optimized control for water utilities | |
CN113123959B (zh) | 多级扬水泵站水量智能调度系统 | |
Al-Ani et al. | Optimal operation of water pumping stations | |
CN107451705A (zh) | 一种配电系统运行效率的评价标准制定方法 | |
CN110826776B (zh) | 一种配网线变关系识别中基于动态规划的初始解优化方法 | |
CN115877793A (zh) | 油田用能源管控系统及油田用能耗管控方法 | |
Fang et al. | Optimising pump system with constant and variable speed pumps: case study | |
Bai et al. | Distributed optimization method for multi-area integrated energy systems considering demand response |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |