本发明涉及一种油田集输系统的生产运行状态优化方法、相关方法、装置及设备。
背景技术：
1、在油田开采过程中，集输系统是油气从井口到生产处理设施之间的关键环节，因此，有效地控制和优化集输系统的生产运行状态，对于提高油田生产效率、降低能源消耗和保护环境具有重要意义。传统的油田集输系统主要依靠人工监控和经验判断进行操作调整。而近年来，油田生产领域开始尝试引入人工智能技术，利用数据挖掘和模式识别等方法实现油田技术系统智能化生产控制和优化。目前针对油田集输系统的人工智能研究和应用尚处于初级阶段。
技术实现思路
1、为了更好地优化油田集输系统的生产运行状态，本发明实施例提供了一种油田集输系统的生产运行状态优化方法、相关方法、装置及设备。
2、第一方面，本发明实施例提供一种油田集输系统的生产运行状态优化方法，该方法包括：
3、获取预设历史时间段内的至少一种运行参数，并利用预先训练的基于一维卷积神经网络的预测模型进行预测，得到对应的至少一种预测运行参数结果；
4、确定每一所述预测运行参数结果与对应的预设目标运行参数结果之间的运行参数误差；
5、根据得到的每一运行参数误差和对应的当前运行参数，确定所述油田集输系统的至少一种优化后运行参数，以动态调整所述油田集输系统的实时运行状态。
6、基于前述实施方式，本技术实施例的一种可选的实施方式中，所述预测运行参数结果包括预测泵站压力结果、预测温度结果和预测流量结果；所述预设目标运行参数结果包括预设目标泵站压力、预设目标温度和预设目标流量；所述运行参数误差包括泵站压力误差、温度误差和流量误差；
7、所述确定每一所述预测运行参数结果与对应的预设目标运行参数结果之间的运行参数误差，包括：
8、基于下述公式1，计算得到所述泵站压力误差：
9、δp ＝ p_target - p_pred 公式1；
10、式中，δp为所述泵站压力误差；p_target为所述预设目标泵站压力；p_pred为所述预测泵站压力结果；
11、基于下述公式2，计算得到所述温度误差：
12、δt ＝ t_target - t_pred 公式2；
13、式中，δt为所述温度误差；t_target为所述预设目标温度；t_pred为所述预测温度结果；
14、基于下述公式3，计算得到所述流量误差：
15、δq ＝ q_target - q_pred 公式3；
16、式中，δq为所述流量误差；q_target为所述预设目标流量；q_pred为所述预测流量结果。
17、基于前述实施方式，本技术实施例的一种可选的实施方式中，所述当前运行参数包括当前泵站压力、当前温度和当前流量；所述优化后运行参数结果包括优化后泵站压力、优化后温度和优化后流量；
18、所述根据得到的每一运行参数误差和对应的当前运行参数，确定所述油田集输系统的至少一种优化后运行参数，以动态调整所述油田集输系统的实时运行状态，包括：
19、基于下述公式4，计算得到所述优化后泵站压力：
20、p_new ＝ p_current + k1 * δp 公式4；
21、式中，p_new为所述优化后泵站压力；p_current为所述当前泵站压力；k1为第一预设调节系数；δp为所述泵站压力误差；
22、基于下述公式5，计算得到所述优化后温度：
23、t_new ＝ t_current + k2 * δt 公式5；
24、式中，t_new为所述优化后温度；t_current为所述当前温度；k2为第二预设调节系数；δt为所述温度误差；
25、基于下述公式6，计算得到所述优化后流量：
26、q_new ＝ q_current + k3 * δq 公式6；
27、式中，q_new为所述优化后流量；q_current为所述当前流量；k3为第三预设调节系数；δq为所述流量误差；
28、根据所述优化后泵站压力、优化后温度和优化后流量，动态调整所述油田集输系统的实时运行状态。
29、基于前述实施方式，本技术实施例的一种可选的实施方式中，通过下述方式训练得到所述预测模型：
30、将预先获取的油田集输系统的历史运行数据划分为多个训练集和多个测试集；
31、将每一所述训练集输入预先构建的一维卷积神经网络模型进行训练；
32、将每一所述测试集输入训练后的一维卷积神经网络模型进行测试，得到测试损失值；
33、重复上述模型训练和测试的步骤，得到测试损失值最小的所述一维卷积神经网络模型，作为所述预测模型。
34、基于前述实施方式，本技术实施例的一种可选的实施方式中，所述将每一所述训练集输入预先构建的一维卷积神经网络模型进行训练，包括：
35、将每一所述训练集输入预先构建的一维卷积神经网络模型，得到对应的预测训练结果；
36、确定每一所述预测训练结果与对应的真实标签结果之间的损失值；
37、确定所述损失值对应模型参数的梯度，并根据所述模型参数的梯度，更新模型参数，得到训练后的一维卷积神经网络模型。
38、基于前述实施方式，本技术实施例的一种可选的实施方式中，所述模型参数的梯度包括一阶矩估计和二阶矩估计；根据所述模型参数的梯度，通过下述方式更新模型参数：
39、基于下述公式7，使用adam优化器,进行参数更新：
40、θ_t+1 ＝ θ_t - learning_rate * (m_t / (sqrt(v_t) + ε)) 公式7；
41、式中，θ_t为模型参数；m_t为所述一阶矩估计；v_t为所述二阶矩估计；learning_rate为学习率；ε为防止除以零的小常数。
42、基于前述实施方式，本技术实施例的一种可选的实施方式中，在将预先获取的油田集输系统的历史运行数据划分为训练集和测试集之前，还包括：
43、将预先获取的油田集输系统的历史运行数据进行预处理；所述预处理的方式包括归一化、降噪和特征选择中的至少一项。
44、基于前述实施方式，本技术实施例的一种可选的实施方式中，还包括：
45、获取在油田集输系统的运行过程中收集的预设运行时间段内的至少一种实时运行参数；
46、根据所述预设运行时间段内的至少一种实时运行参数，对所述预测模型进行重新训练，并采用随机梯度下降算法对模型参数进行更新，得到更新后的预测模型；
47、利用所述更新后的预测模型进行预测，得到对应的至少一种预测运行参数结果。
48、第二方面，本发明实施例提供一种基于一维卷积神经网络的预测模型的训练方法，该方法包括：
49、将预先获取的油田集输系统的历史运行数据划分为多个训练集和多个测试集；
50、将每一所述训练集输入预先构建的一维卷积神经网络模型进行训练；
51、将每一所述测试集输入训练后的一维卷积神经网络模型进行测试，得到测试损失值；
52、重复上述模型训练和测试的步骤，得到测试损失值最小的所述一维卷积神经网络模型，作为所述预测模型。
53、第三方面，本发明实施例提供一种油田集输系统的生产运行状态优化装置，该装置包括：
54、预测参数模块，用于获取预设历史时间段内的至少一种运行参数，并利用预先训练的基于一维卷积神经网络的预测模型进行预测，得到对应的至少一种预测运行参数结果；
55、确定误差模块，用于确定每一所述预测运行参数结果与对应的预设目标运行参数结果之间的运行参数误差；
56、优化参数模块，用于根据得到的每一运行参数误差和对应的当前运行参数，确定所述油田集输系统的至少一种优化后运行参数，以动态调整所述油田集输系统的实时运行状态。
57、第四方面，本发明实施例提供一种基于一维卷积神经网络的预测模型的训练装置，该装置包括：
58、第一训练模块，用于将预先获取的油田集输系统的历史运行数据划分为多个训练集和多个测试集；
59、第二训练模块，用于将每一所述训练集输入预先构建的一维卷积神经网络模型进行训练；
60、第三训练模块，用于将每一所述测试集输入训练后的一维卷积神经网络模型进行测试，得到测试损失值；
61、第四训练模块，用于重复上述模型训练和测试的步骤，得到测试损失值最小的所述一维卷积神经网络模型，作为所述预测模型。
62、第五方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的油田集输系统的生产运行状态优化方法和/或基于一维卷积神经网络的预测模型的训练方法。
63、第六方面，本发明实施例提供一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的油田集输系统的生产运行状态优化方法和/或基于一维卷积神经网络的预测模型的训练方法。
64、第七方面，本发明实施例提供一种包含指令的计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行如上述的油田集输系统的生产运行状态优化方法和/或基于一维卷积神经网络的预测模型的训练方法。
65、第八方面，本发明实施例提供一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如上述的油田集输系统的生产运行状态优化方法和/或基于一维卷积神经网络的预测模型的训练方法。
66、本发明实施例提供的上述技术方案的有益效果至少包括：
67、本发明实施例提供的油田集输系统的生产运行状态优化方法，通过获取预设历史时间段内的至少一种运行参数，并利用预先训练的基于一维卷积神经网络的预测模型进行预测，得到对应的至少一种预测运行参数结果，然后，确定每一预测运行参数结果与对应的预设目标运行参数结果之间的运行参数误差，最后，根据得到的每一运行参数误差和对应的当前运行参数，确定油田集输系统的至少一种优化后运行参数，以动态调整油田集输系统的实时运行状态。与现有技术相比，该方法通过一维卷积神经网络的预测模型的实时监测，能够快速响应油田生产环境的变化，实现实时生产控制和优化，能够实现对油田集输系统的实时监测、智能调节和优化控制，从而提高生产效率、降低能源消耗，并适应油田生产环境的复杂性和多变性；并且，能够有效地捕捉油田生产数据中的特征和模式，从而为油田集输系统提供更准确的预测和决策。
68、本发明实施例提供的油田集输系统的生产运行状态优化方法，通过使用一维卷积神经网络实现智能化生产控制，能够减少人为失误和疲劳等不利因素的影响，还可以辅助油田操作人员发现潜在的安全隐患，降低生产事故的风险，提高生产过程的可靠性；并且，有助于减少能源消耗，降低生产成本，减少环境污染和资源浪费，提高油田的可持续发展水平。
69、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
70、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.一种油田集输系统的生产运行状态优化方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述预测运行参数结果包括预测泵站压力结果、预测温度结果和预测流量结果；所述预设目标运行参数结果包括预设目标泵站压力、预设目标温度和预设目标流量；所述运行参数误差包括泵站压力误差、温度误差和流量误差；
3.如权利要求1所述的方法，其特征在于，所述当前运行参数包括当前泵站压力、当前温度和当前流量；所述优化后运行参数结果包括优化后泵站压力、优化后温度和优化后流量；
4.如权利要求1所述的方法，其特征在于，通过下述方式训练得到所述预测模型：
5.如权利要求4所述的方法，其特征在于，所述将每一所述训练集输入预先构建的一维卷积神经网络模型进行训练，包括：
6.如权利要求5所述的方法，其特征在于，所述模型参数的梯度包括一阶矩估计和二阶矩估计；根据所述模型参数的梯度，通过下述方式更新模型参数：
7.如权利要求4所述的方法，其特征在于，在将预先获取的油田集输系统的历史运行数据划分为训练集和测试集之前，还包括：
8.如权利要求1所述的方法，其特征在于，还包括：
9.一种基于一维卷积神经网络的预测模型的训练方法，其特征在于，包括：
10.一种油田集输系统的生产运行状态优化装置，其特征在于，包括：
11.一种基于一维卷积神经网络的预测模型的训练装置，其特征在于，包括：
12.一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在终端上运行时，使得终端执行如权利要求1-8任一项所述的油田集输系统的生产运行状态优化方法和/或如权利要求9所述的基于一维卷积神经网络的预测模型的训练方法。
13.一种计算机设备，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述的油田集输系统的生产运行状态优化方法和/或如权利要求9所述的基于一维卷积神经网络的预测模型的训练方法。
14.一种包含指令的计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行如权利要求1-8任一项所述的油田集输系统的生产运行状态优化方法和/或如权利要求9所述的基于一维卷积神经网络的预测模型的训练方法。
15.一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如权利要求1-8任一项所述的油田集输系统的生产运行状态优化方法和/或如权利要求9所述的基于一维卷积神经网络的预测模型的训练方法。
