文献标识码：B文章编号：1003-0492（2024）04-070-04中图分类号：TP216

★许海丰（昆仑数智科技有限责任公司，北京100007）

★武同山（中国石油工程建设有限公司西非公司，北京100085）

★孙国宝（昆仑数智科技有限责任公司，北京100007）

★李志辉（北京兴油工程项目管理有限公司，北京100083）

★陈冰（昆仑数智科技有限责任公司，北京100007）

关键词：虚拟流量计量；深度学习；电潜泵

1　研究现状

虚拟流量计量系统的技术发展有两条技术路线：一条路线是基于一般的生产系统的物理模型进行建模，并在过去20年中发展出了商用级别的虚拟流量计量系统，误差可以控制在±10%左右[1]；另一条路线是基于数据驱动的虚拟计量系统，经过十余年的高速发展，误差也可控制在±10%左右[2]。

由于非线性多相流研究的复杂性，机理建模方法的效果高度依赖所选的策略和应用的计算方法，在某一些条件下得出的结论可能与实际结果一致，而另一些结论则可能出现很大的误差，该方法对于所处的不同PVT条件和测量的灵敏度条件高度敏感[3]。

基于数据驱动的虚拟流量计量系统主要采用稳态人工神经网络模型和动态人工神经网络模型，其中前馈神经网络模型是稳态模型中一个比较流行的方法，其优点在于可以近似变量之间的任何关系和模式，输入和输出没有任何递归反馈联系，缺点则在于对瞬态流动行为的预测可能不太准确[4,5]。

动态人工神经网络模型可以使用过去的数据来预测当前的变量，而前反馈模型只能使用当前数据执行稳态映射，在启动和关闭井的动态条件下动态神经网络模型具有更好的效果，因此该方法比较适用于存在大量瞬态行为的页岩油气井产量计量[6]。

本文研究的虚拟流量计量系统重点针对油气工业计量领域，通过数据收集处理，建立半监督的自学习算法产量计量模型，实现油气工业计量的低成本、精准运行，可逐步替代硬件计量工具的使用，实现生产数据统一采集、统一处理、统一管理、统一监控，实现油田生产数据的智能化、可视化、精准化发展。

2　基于深度学习方法的电潜泵虚拟流量计量系统

本文研究的虚拟流量计量系统采用数据驱动模型，在单井生产运营阶段，利用生产数据、电参、标定数据等不断完善模型，采用“差压法”“自学习”等手段，形成逐渐完善的单井数据分析体系及高精度模型，最终实现对所有单井的精确计量，如图1所示。

图1 虚拟流量计量系统应用场景

2.1　系统总体架构

虚拟流量计量系统整体架构分为三部分，分别是应用层、算法层和数据层，如图2所示。应用层主要包含该系统的六个主要功能模块，分别是数据输入、产量展示、工况监控、数据管理、功能配置和诊断维护，应用层为向用户展示的软件界面，其中展示的各种数据主要通过OPC等通讯方式与算法层进行交互获得。算法层主要包含四个主要功能，分别是实时产量预测、输入参数存储、平均产量计算以及累计产量计算，通过使用机器学习、人工神经网络等智能算法形成的半监督的自学习产量计量模型来支持。数据层主要使用关系数据库和时序数据库两种数据库对虚拟流量计量软件中使用的各种参数提供数据支持。

图2 系统总体架构图

2.2　系统功能架构

虚拟流量计量系统的功能主要分为四大块，分别是生产管理、数据管理、安全管理和系统管理，功能架构图如图3所示。生产管理的功能主要包括油田现场的产量计算与展示、产量趋势分析、工况监控和数据的收集与记录；数据管理的功能主要包括数据库管理和报告打印；安全管理的功能主要包括对报警信息的生成、推送、处理和记录；系统管理的功能主要包含对算法模型的不断完善和系统运行稳定性的监控及维护。

图3 系统功能架构图

2.3　系统数据架构

虚拟流量计量系统的数据传输流程如图4所示，通过应用层获得的三类数据：RTU实时采集的压力数据、手动录入的静态数据、标定获得的数据，主要通过OPC传输到算法层，通过算法模型进行产量计算，得出各项产量数据、中间参数、标定系数、平均产量数据、累计产量数据等参数再传输到应用层的各功能界面进行展示。

图4 系统数据架构图

2.4　系统界面

虚拟流量计量系统支持多样化部署，自建有Web端（如图5所示），可以通过各种集成方式集成到现有平台，部署多样化，使用方便简单。

图5 虚拟流量计量系统界面

虚拟计量系统能够提供所有实时数据的采集监控和产量计量等功能，包括但不限于油、气、水三相流量的数据采集和计算、趋势分析、报警处理、生成报告、系统控制命令、与数据库和前台应用的交互以及系统性能监控。

其中，产量展示功能能够实现单井产量展示、多井产量展示及趋势分析。如图6所示，系统会实时采集并展示油井或气井的生产数据，使得工程师可以远程查看设备的运行状态，及时发现并解决潜在问题，减少了现场巡查和维护的工作量。

图6 单井产量展示界面

工况监控功能能够实现单井工况和场站多井工况查看，以及报警处理。场站多井工况界面能够将场站或者油田的所有单井和管道、场站的状态集合展示在一起，通过对关键参数和指标进行持续监控，帮助用户及时了解设备的运行状态，从而做出相应的调整和优化，以确保设备的正常运行和生产效率。

当监控系统检测到异常情况，如设备故障、参数超出设定范围等，会立即触发报警机制。此时，报警处理功能会自动启动，通过多种方式通知相关人员，如声音报警、发送短信或邮件等，确保相关人员能够迅速获知并采取相应的处理措施。首先，系统会对报警信息进行确认，确保报警信息的准确性和可靠性。然后，根据报警等级的不同，系统会对报警信息进行分类处理。紧急报警信息会优先处理，通过更直接、更快速的方式通知相关人员，以便他们能够迅速采取应对措施。对于非紧急报警信息，系统则会记录并提醒相关人员注意，以便他们能够在合适的时间进行处理。

3　关键技术研究

（1）基于差压法的虚拟流量计量算法模型

虚拟流量计量系统算法模型基于最常用的节流器流量模型来设计，由于节流器上的压降取决于流速，因此可以使用节流器来估算流量。此外，在单井生产运营阶段，利用生产数据、电参、标定数据等不断完善模型，形成逐渐完善的单井数据分析体系及高精度模型，最终实现对所有单井的精确计量。在后续研究过程中考虑结合地层的IPR曲线模型和井筒举升模型，可使产量计算结果更加准确。

图7 节流器模型图

（2）半监督自学习辅助计量模块

虚拟流量辅助计量模块对生产数据进行建模分析，得到井的产油、气、水规律，进而与采油井现场采集的电参数据和生产运行、地质油藏等数据进行结合，形成采油井的智能管理数据库，利用专家模型、大数据、机器学习等系列新技术实现精确产量计量功能，建立LSTM神经网络计量模型，不断优化和提高产量计量精度，形成油井现场标定数据分析体系，通过每次标定对模型进行修正。最终实现生产数据统一采集、处理、管理、监控，实现油田生产数据的智能化、可视化和精准化发展。

（3）虚拟计量微服务架构搭建

虚拟流量计量系统自有开发Web端平台，平台支持多应用，方便配置、集成；支持单机部署、分布式集群部署、云架构部署。

部署多样化可以提高企业运行管理的效率，也有效地降低了企业信息管理的运营成本。部署多样化也方便了企业自有软件后续的开发和扩展。虚拟流量计量系统部署中算法模型复杂，部署规模大，对于这种复杂且部署规模大的情况，多样化部署使得人工参与部署的时间大幅度缩小，同时能够保证产品部署的质量，实现了虚拟流量计量系统中算法模型的标准化，有效降低了产品部署和后续维护的工作量。

（4）复杂情况下计量误差处理技术

对于含气量较大的油井，间开油井，差压会有较大幅度的波动，如果直接将其代入流量计算公式会造成流量波动较大，将油气比与间开时间加入模型，采用Spearman模型对其进行处理，可以减少差压波动带来的误差。

多相流混合流体的密度以及粘度的确定，以及如何将其进行近似化处理，同时满足模型计算处理速度和精度的需求是本系统的算法模型中主要考虑的问题。

在本模型中，结合各类文献中对多相流体的各种物理模型的近似处理方法，我们对混合物粘度及密度分布进行了线性化处理，使得该模型能够在充分考虑算法计算可行性的情况下也能够尽量减少产生的误差。

4　结论

虚拟流体计量系统的应用将减少油气田的地面建设计量仪表/间站等硬件基础设施建设费用，减少油气田的开发成本，提升计量的精准度，节省人工成本。不同举升方式需要不同虚拟计量方法，电潜泵井的虚拟计量系统通过压差法对电潜泵采油现场的电参数据、生产运行中的油水流量、气体流量数据和地质油藏等数据建立适合当前井的半监督的自学习产量计量模型，实现油井数据的精准计量。当前各油气田都在大力发展智能化建设，对计量手段也随之提出了更高的要求，传统的计量手段已经满足不了当前智能化油田的计量要求，虚拟流量计量系统是一种行之有效的替代方案。

作者简介：

许海丰（1980-），男，河北廊坊人，工程师，现就职于昆仑数智科技有限责任公司，从事海外市场拓展工作。

参考文献：

[1] Amin A. Evaluation of Commercially Available Virtual Flow Meters(VFMs)[J]. 2015.

[2] Bikmukhametov T, Jschke J. First Principles and Machine Learning Virtual Flow Metering: A Literature Review[J]. Journal of Petroleum Science and Engineering, 2019, 184 : 106487.

[3] 唐圣来, 闫正和, 杨鹏, 等. 基于混合模型的井虚拟计量方法与应用[J]. 油气储运, 2023, 42 (5) : 592 - 600.

[4] 韦宏. 基于神经网络的虚拟计量系统[J]. 中国计量, 2018 (5) : 4.

[5] Andrianov N. A Machine Learning Approach for Virtual Flow Metering and Forecasting[J]. IFAC-PapersOnLine, 2018, 51 (8) : 191 - 196.

[6] Model-Constrained Multi-Phase Virtual Flow Metering and Forecasting with Machine Learning: US17571907; US202200017571907; US202217571907A; US202217571907[P]. US20230221460A1; US2023000221460A1; US2023221460A1; US2023221460[2024-03-28].

摘自《自动化博览》2024年4月刊