CN117273280A - 一种基于遗传算法的储气库多井联合注采优化方法 - Google Patents

一种基于遗传算法的储气库多井联合注采优化方法 Download PDF

Info

Publication number
CN117273280A
CN117273280A CN202311431180.4A CN202311431180A CN117273280A CN 117273280 A CN117273280 A CN 117273280A CN 202311431180 A CN202311431180 A CN 202311431180A CN 117273280 A CN117273280 A CN 117273280A
Authority
CN
China
Prior art keywords
production
injection
gas storage
optimization
well combined
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.)
Pending
Application number
CN202311431180.4A
Other languages
English (en)
Inventor
冯国庆
郭爽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202311431180.4A priority Critical patent/CN117273280A/zh
Publication of CN117273280A publication Critical patent/CN117273280A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Mining & Mineral Resources (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Medical Informatics (AREA)
  • Animal Husbandry (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Agronomy & Crop Science (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)

Abstract

本发明公开了一种基于遗传算法的储气库多井联合注采优化方法。包括确定储气库多井联合注采优化目标，选取多井联合注采优化计算模型，确定储气库多井联合注采优化模型的目标函数及约束条件，利用遗传算法进行优化配产计算。采用遗传算法，通过不断的迭代和交叉变异操作，逐步优化解空间，在大范围内搜索最优解，且遗传算法可同时对多个井的配产方案进行优化，能够提高计算效率。通过对储气库多井联合注采优化，合理分配了储气库多轮注采过程的注气量，达到减小压缩机功耗的优化目标。

Description

一种基于遗传算法的储气库多井联合注采优化方法
技术领域
本发明涉及油气田开发技术领域，特别针对地下储气库工作井的多井联合注采配产优化计算。
背景技术
注采优化能够使天然气地下储气库在满足工艺设计条件下，经济、合理、高效地运行，多井联合注采优化是在储气库注气过程中，采用遗传算法，进行单目标优化，在满足压缩机功耗最小的条件下，合理分配各井的注气量，使储层内井底地层压力升高缓慢且均衡。本发明提出了满足城市调峰负荷需要的地下储气库优化运行控制方案，为实际储气库的生产运行提供了科学依据。
CN110795893A《注水开发油田注采系统能耗整体优化方法》提出了一种注水开发油田注采系统能耗整体优化方法；其包括建立注采系统整体优化模型，借助数值模拟手段获取相关参数，采用粒子群算法结合数值模拟求解优化模型。
CN113032953A《一种多井系统水驱油藏注采参数智能优化方法》提出了一种多井系统水驱油藏注采参数智能优化方法；基于多元自适应样条回归算法等，构建出水驱油藏开发生产的代理模型，使用粒子群算法等对注采参数进行优化。
CN111861129A《一种基于多尺度油藏模型的多保真注采优化方法》提出了一种基于多尺度油藏模型的多保真注采优化方法；以多尺度数值模拟配合多保真差分进化算法，迭代评估注采制度寻优。
综合已有专利发现，油气田开发领域注采优化多针对油田开发，优化算法多为粒子群、多保真查分进化等算法结合数值模拟，并且未提出针对储气库多轮注采的优化方法。而本方法采用遗传算法对储气库进行多井联合注采优化时，通过不断的迭代和交叉变异操作，逐步优化解空间，在大范围内搜索最优解，且遗传算法可进行并行计算，同时对多个井的配产方案进行优化，能够提高计算效率。
发明内容
基于此，本发明专利目的是提供一种基于遗传算法进行储气库多井联合注采运行优化方法，以解决储气库注采压缩机耗能的技术问题。
本发明的方法原理如下：
根据上述介绍，得出了基于遗传算法的储气库多井联合注采优化方法具体步骤如下：
步骤1，根据储气库多井联合注采的运行和操作特点，确定多井联合注采的优化目标；
步骤2，选取储气库参数合适的注采井作为多井联合注采优化计算的模型，确定储气库多井联合注采优化模型的目标函数；
步骤3，计算注采井的工作流量区间确定储气库多井联合注采优化模型的约束条件；
步骤4，利用遗传算法进行优化配产计算，将储气库多井联合注采问题进行编码、随机生成初始种群、选择、交叉和变异操作，得出优化配产结果，优化工作气量。
附图说明
图1为本发明实施流程图；
图2为本发明实施草007-2井IPR与OPR关系曲线；
图3为本发明实施草30井IPR与OPR关系曲线；
图4为本发明实施草31井IPR与OPR关系曲线；
图5为本发明实施遗传算法流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，下面将结合实例，对本发明进行清楚、完整地描述。
一种基于遗传算法进行多井联合注采运行优化的方法，包括以下步骤：
根据多井联合注采的运行和操作特点，确定多井联合注采的优化目标为保证压缩机高效运行的前提下，压缩机的总功耗最小；
选取储气库中参数条件合适的注采井，本实例选取储气库草007-2、草30、草31井作为多井联合注采优化计算的模型，三口井注采工艺见表1所示；
表1三口井注采工艺表
运用采气节点压力系统分析预测方法进行迭代计算，经对计算结果进行拟合确定目标函数，三口井IPR与OPR关系见图2、图3、图4,草007-2井采气量与井口压力拟合公式见公式1所示、草30井采气量与井口压力拟合公式见公式2所示、草31井采气量与井口压力拟合公式见公式3所示：
式中：
Ρ——井口压力MPa
——工作气量，m3/min；
选取储气库多井联合注采优化的压缩机模型，与三口井的采气能力相配合，三口井对应压缩机参数见表2所示：
表2三口井对应压缩机参数表
对于多井联合注采模型来说，总功耗就是各个压缩机的功耗之和，总功耗可由公式4计算：
式中：
N0——三台压缩机总功耗，kW；
mi——每台离心压缩机的多变指数；
ηpi——每台离心压缩机的多变效率；
εi——每台离心压缩机的压比，p2/p1；
p1i——每台离心压缩机的进口状态压力，MPa；
p2i——每台离心压缩机的出口状态压力，MPa；
V1i——每台气体在吸入状态下的体积流量，m3/min。
构造评价函数来衡量压气机是否工作在高效率的区间，采用量化的方法来衡量压气机工作点距离额定点的偏差程度，用公式5表示；
对于有n个压气机的情况，需要给出各个压气机的效率权重系数ωi来权衡各个压气机的效率关系，n台压气机效率总适应度值用公式6表示：
式中：
——流量偏差程度，％；
——工作气量，m3/min；
——压缩机下限流量，m3/min；
——压缩机额定流量m3/min；
式中：
η0——n台压缩机效率总适应度值；
ωi——每台离心压缩机的效率权重系数；
——每台离心压缩机的效率评价函数；
利用公式5、公式6计算压缩机的工作流量区间作为储气库多井联合注采优化模型的约束条件；三口注采井的工作流量区间见表3所示：
表3三口井工作流量区间表
天然气在该时间段内的需求量是1.6×106m3/d，即三口注采井的采气量之和需达到1.6×106m3/d，该总采气量如何在三口注采井间进行分配储气库多井联合注采遗传优化计算的计算目标。
建立以压缩机总功耗为优化目标的单目标优化模型如公式6所示：
对于分配到三口井上的一个随机流量组合，采用公式1、公式2、公式3分别计算井口压力后，采用公式4计算总功耗。
将多井联合注采问题转化为遗传算法能够处理的编码形式，随机生成初始个体构成初始种群，根据目标函数和约束条件，计算每个个体的适应度值，选择优秀的个体作为下一代的父代，从父代中选取一对个体进行交叉操作，生成新的自带个体，对子代个体进行变异操作形成新的种群，判断是否满足终止条件，如果满足终止条件，则进入下一步；否则继续进行选择、交叉和变异操作，遗传算法流程图如图5所示。
采用遗传算法进行多井联合注采配产优化的程序段如下：
％定义遗传算法参数
NIND＝40；％个体数目(Number ofindividuals)
MAXGEN＝500；％最大遗传代数(Maximum number ofgenerations)
NVAR＝2；％变量数目
PRECI＝250；％变量的二进制位数(Precision ofvariables)
GGAP＝0.9；％代沟(Generation gap)
％建立区域描述器(Build field descriptor)
FieldD＝[rep([PRECI],[1,NVAR])；[30,50；44,70]；rep([1；0；1；1],[1,NVAR])]；
Chrom＝crtbp(NIND,NVAR*PRECI)；％创建初始种群
gen＝0；
trace＝zeros(MAXGEN,2)；％遗传算法性能跟踪初始值
x＝bs2rv(Chrom,FieldD)；％初始种群十进制转换
ObjV＝Single(x(:,1),x(:,2))；％计算初始种群的目标函数值
while gen<MAXGEN
FitnV＝ranking(ObjV)；％分配适应度值(Assign fitness values)
SelCh＝select('sus',Chrom,FitnV,GGAP)；％选择
SelCh＝recombin('xovsp',SelCh,0.7)；％重组
SelCh＝mut(SelCh)；％变异
x＝bs2rv(SelCh,FieldD)；％子代十进制转换
ObjVSel＝Single(x(:,1),x(:,2))；
经过遗传算法计算，三口注采井优化配产计算结果见表4所示：
表4三口注采井遗传优化配产计算结果表
对比未优化前三口井采气量及压缩机工作效率，本优化方法使压缩机功耗减小1.639kW并且有效提高压缩机效率5％以上，三口注采井优化前后方案对比见表5所示：
表5三口注采井单目标遗传优化配产计算结果表
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (1)

1.一种基于遗传算法的储气库多井联合注采优化方法，其特征为保证压缩机高效运行的前提下，合理分配储气库注采井工作气量，使压缩机的总功耗最小，具体步骤如下：
(1)根据储气库多井联合注采的运行和操作特点，确定多井联合注采的优化目标；
(2)选取储气库参数合适的注采井作为多井联合注采优化计算的模型，确定储气库多井联合注采优化模型的目标函数；
(3)计算注采井的工作流量区间确定储气库多井联合注采优化模型的约束条件；
(4)利用遗传算法进行优化配产计算，将储气库多井联合注采问题进行编码、随机生成初始种群、选择、交叉和变异操作，得出优化配产结果，优化工作气量。
CN202311431180.4A 2023-10-31 2023-10-31 一种基于遗传算法的储气库多井联合注采优化方法 Pending CN117273280A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311431180.4A CN117273280A (zh) 2023-10-31 2023-10-31 一种基于遗传算法的储气库多井联合注采优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311431180.4A CN117273280A (zh) 2023-10-31 2023-10-31 一种基于遗传算法的储气库多井联合注采优化方法

Publications (1)

Publication Number Publication Date
CN117273280A true CN117273280A (zh) 2023-12-22

Family

ID=89201048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311431180.4A Pending CN117273280A (zh) 2023-10-31 2023-10-31 一种基于遗传算法的储气库多井联合注采优化方法

Country Status (1)

Country Link
CN (1) CN117273280A (zh)

Similar Documents

Publication Publication Date Title
JP6736112B2 (ja) 超大規模の水力発電所群の短期間実用化スケジューリング方法
CN106874542B (zh) 一种液力透平叶轮多工况多目标优化设计方法
CN108448620B (zh) 基于综合性能指标的高渗透率分布式电源集群划分方法
CN106651628B (zh) 基于图论的区域冷热电综合能源优化配置方法及装置
WO2022012093A1 (zh) 一种基于&#34;分区-分级&#34;理论的复杂水资源系统优化配置方法
CN106874554B (zh) 一种天然气系统能流计算的改进方法
CN111814400B (zh) 一种基于遗传算法的空气压缩机选型方法
CN111861137A (zh) 梯级水库群并行多目标调度方法
CN112966445B (zh) 一种基于强化学习模型fqi的水库防洪优化调度方法
CN114371614A (zh) 一种基于遗传算法的泵站泵组运行确定方法及系统
CN116702611A (zh) 一种基于遗传算法的泵组优化方法
CN110110349A (zh) 一种转叶式混流泵空间导叶多工况优化设计方法
CN110163420A (zh) 一种基于分解文化进化算法的多目标生态调度方法和系统
CN115455812A (zh) 一种供水泵站优化方法及系统
CN111859242A (zh) 一种家庭电力能效优化方法及系统
CN111476477A (zh) 基于发电效益目标的梯级水电站中长期优化调度方法
CN109325264B (zh) 一种高效高空化性能双吸泵水力设计方法
CN117273280A (zh) 一种基于遗传算法的储气库多井联合注采优化方法
CN118014251A (zh) 基于高斯-柯西自适应改进蜣螂算法的渠系优化配水方法
CN113361047A (zh) 面向多层感知结构的叶轮高维优化及选型方法
CN118211502A (zh) 一种基于神经网络的航空燃油离心泵多目标优化设计方法
CN112001639A (zh) 综合能源系统能源需求的可调能力评估方法及存储介质
CN110729721A (zh) 电力系统全局备用容量计算方法
CN110796287A (zh) 基于多种群遗传算法的分段式综合能源系统运行优化方法
CN114417566A (zh) 一种基于moea/d的主动配电网多区域划分优化方法

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