CC BY
4
Ад UNIVERSUM:
№ 5 (122)_& ТЕХНИЧЕСКИЕ НАУКИ_май. 2024 г.
DOI - 10.32743/UniTech.2024.122.5.17576
ПОДХОДЫ К ПОВЫШЕНИЮ ЭНЕРГЕТИЧЕСКОЙ ЭФФЕКТИВНОСТИ ПРЕДПРИЯТИЙ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ
Степанова Алина Игоревна
студент,
Уральский федеральный университет имени первого Президента России Б.Н. Ельцина,
РФ, г. Екатеринбург E-mail: a. i. stepanova@urfu. ru
Хальясмаа Александра Ильмаровна
канд. техн. наук, доцент, зав. научной лабораторией, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина
РФ, г. Екатеринбург
APPROACHES TO INCREASING ENERGY EFFICIENCY OF OIL AND GAS INDUSTRY ENTERPRISES
Alina Stepanova
Student,
Ural Federal University named after the First President of Russia B.N. Yeltsin Russia, Ekaterinburg
Alexandra Khalyasmaa
Ph.D., Associate Professor, Head of Scientific Laboratory, Ural Federal University named after the First President of Russia B.N. Yeltsin, Russia, Ekaterinburg
АННОТАЦИЯ
Повышение энергетической эффективности предприятий нефтегазовой промышленности является значимым для развития страны. В статье описаны предложенные организационные меры повышения энергоэффективности с помощью представления электротехнических комплексов предприятий нефтегазовой промышленности как мультиагентных систем, краткосрочного прогнозирования и регулирования графиков электропотребления. Для прогнозирования электропотребления использованы ансамбли деревьев решений и алгоритм интерпретации прогнозов на основе аддитивного объяснения Шепли.
ABSTRACT
Increasing the energy efficiency of oil and gas industry enterprises is significant for the development of the country. The paper describes the proposed organizational measures to improve energy efficiency by representing electrical complexes of oil and gas industry enterprises as multi-agent systems, short-term forecasting and regulation of power consumption schedules. To forecast power consumption, ensembles of decision trees and an algorithm for interpreting forecasts based on the additive Shapley explanation were applied.
Ключевые слова: энергетическая эффективность, нефтегазовая промышленность, прогнозирование электропотребления, рынки электроэнергии, машинное обучение.
Keywords: energy efficiency, oil and gas industry, electricity consumption forecasting, electricity markets, machine learning.
Библиографическое описание: Степанова А.И., Хальясмаа А.И. ПОДХОДЫ К ПОВЫШЕНИЮ ЭНЕРГЕТИЧЕСКОЙ ЭФФЕКТИВНОСТИ ПРЕДПРИЯТИЙ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ // Universum: технические науки : электрон. научн. журн. 2024. 5(122). URL: https://7universum. com/ru/tech/archive/item/175 76
Методы
Введение
Нефтегазовая промышленность является одной из важнейших отраслей экономики Российской Федерации и крупнейшим потребителем электрической энергии. Поэтому повышение их энергоэффективности имеет важное значение для всего топливно-энергетического комплекса. Перечень методов энергосбережения приведен в [5, 9]. Как правило, используемые меры энергосбережения связаны с модернизацией оборудования и систем электроснабжения, что требует существенных инвестиций. В то же время есть возможность повышения энергоэффективности за счет регулирования нагрузкой предприятия и совершенствования методов ее прогнозирования, как показано в работах [1, 8].
Существующие работы по данной теме показывают лишь принципиальную возможность повышения энергоэффективности промышленных предприятий за счет регулирования графика нагрузки и управления тарифом на электроэнергию [1, 8]. Исследования по прогнозирования электропотребления промышленных предприятий практически не используют технологические факторы, поскольку их получение в пригодном для цифровой обработки формате весьма затруднительно или же факторы сами по себе не поддаются прогнозированию [3]. Количество статей, посвященных краткосрочному прогнозированию электропотребления именно нефтегазовых предприятий, незначительно, в базе статей РИНЦ удалось найти лишь одну [6], но в ней не учитываются производственные факторы, а тестовая выборка составляет всего лишь одну неделю.
1.1. Анализ особенностей электротехнического комплекса предприятий нефтегазовой промышленности
Для применения современных цифровых технологий в задачах повышения энергоэффективности предприятия необходимо рассматривать его электротехнический комплекс и процессы добычи нефти и газа.
Процесс добычи нефти и газа включает в себя три этапа: движение нефти и газа по пласту к скважинам под создаваемой разностью давлений, эксплуатация скважин, сбор продукции скважин и подготовка нефти и газа к транспортированию потребителям. На Рисунке 1 представлено оборудование, эксплуатируемое на различных стадиях процесса добычи нефти и газа. Серым цветом выделены ячейки с оборудованием, потребление которых можно прогнозировать. При разработке месторождений нельзя прогнозировать взрывные работы и работы, связанные с химической обработкой из-за влияния геологических факторов и высокой стохастичности процессов.
Высокая технологическая сложность процессов добычи нефти и газа приводит к необходимости применения методов машинного обучения для прогнозирования электропотребления электротехнических комплексов предприятий нефтегазовой промышленности, а также декомпозиции комплексов, которая может быть выполнена с помощью мульти-агентного подхода.
разработка нефтяник н газовых месторождений
^поддержание тастоеого давления
Г кустоБые насосные
.........Ц_П.щпчч_
повышение
пронщавмости шаст
кустовые насосные _сггниии_
яеыиче оорлооша
.........£
взрывные раооты
нефть
эксплуатация нефтяных £ скважин
41)
компрессорный способ ■> эксплуатации
насосы, нагнетающие природный 1
[ газ или воздух в скважину ]
насосный способ эксплуатации
Г бесштанговые насосы (погружные 1 \ электроцентробежные, винтовые') I
[ штанговые насосы (плунжерные 1 -»1 насосы, станки-качалки)_|
->сборнефтн
| Г насосы для перекачки 1 Ч нефти в сборный пункт ]
Рисунок 1. Оборудование, эксплуатируемое на различных стадиях процесса добычи нефти и газа
1.2. Применение мультиагентного подхода для анализа производственных процессов предприятия нефтегазовой промышленности
Применение мультиагентного подхода позволяет исследовать поведение реального объекта за счет построения слабосвязанных автономных объектов, которые взаимодействуют друг с другом для достижения поставленных целей. Под агентом понимается объект, который получает данные от окружающей среды и воздействует на неё [10]. Каждый агент может быть представлен как кортеж:
T = <1, Ot, St, я>,
(1)
где t - момент времени, Л - входные данные агента (значение потока данных в момент г), Ог - выходные данные, St - состояние объекта (память), - правила поведения агента. При этом указанные элементы кортежа связаны следующими отношениями:
0+1 = /0(Д Sм, Лм) St+l = /¡(¡г, St, Лt+l)
(2)
(3)
Электротехнический комплекс предприятия нефтегазовой промышленности может включать в себя потребителей электроэнергии, собственную генерацию и системы накопления энергии. Потребители могут быть разделены на объекты основного производственного процесса и потребители-регуляторы. Потребитель-регулятор является таким потребителем электрической энергии, режим работы которого предусматривает возможность ограничения
потребления в часы максимума для выравнивания графика нагрузки. Баланс мощности предприятия можно записать в следующем виде:
Рвн + Рсг + Рн+ =Рп + Рн- + ЬР,
(4)
где Рвн - мощность, потребляемая извне, Рсг -мощность, потребляемая от собственной генерации, Рн+ - мощность, выдаваемая накопителем в систему электроснабжения, Рп - мощность объектов потребления, Рн_ - мощность, потребляемая накопителем во время зарядки, АР - потери.
Расходы предприятия на электроэнергию определятся как:
5 = Рвн-Т + /(Рсг)
к 4- Р
"ген ' 1 н+
к„
(5)
где S - расходы, Т - тариф на электрическую энергию, /(Рсг) - функция зависимости количества потребленного топлива в зависимости от выработки собственной генерации, кген - коэффициент, учитывающий стоимость использования собственной генерации, ^накоп - коэффициент, учитывающий стоимость использования накопителя.
Для определения агентов и логическо-информационной взаимосвязи между ними и объектами системы, которые выделяются из контекстной диаграммы, формируется модель данных. Модель данных для формирования «График прогноза потребления электрической энергии», «График включения потребителей-регуляторов», «График включения накопителей» представлена на Рисунке 2.
Рисунок 2. Модель данных для формирования графика прогноза потребления электрической энергии, графика включения потребителей-регуляторов, графика включения накопителей
Рисунок 3. Модель данных для формирования графика включения собственной генерации
электрической энергии
Модель данных для формирования «График включения собственной генерации электрической энергии» представлена на Рисунке 3. Зелёным цветом показываются объекты, формируемые информационной системой. Оранжевым цветом показываются объекты из смежных информационных систем, голубым показаны роли пользователей, взаимодействующие с системой. Белым цветом показаны объекты, вносимые пользователями.
В соответствии с целевыми функциями определяются входные и выходные потоки данных агента.
Входные и выходные данные для агента-потребителя описываются формулами (6) и (7), соответственно.
It = f (Power, Т, Plan, Ехрпр, Ехррег, Meteo, Eq, Cal, ActreH)
(6)
где Power - данные о фактическом электропотреблении, T - прогнозное значение тарифа на электрическую энергию, Plan - данные о транспортировке, Ехрпр - экспертные поправки в график прогноза электропотребления, Ехррег -экспертные поправки в график включения собственной генерации, Meteo - данные о метеопараметрах, Eq - данные об оборудовании (рабочее/нерабочее состояние), Cal - данные производственного календаря, ЛСген - график включения генераторов.
Ot = f(Actn0Tp, Forecast), (7)
где ЛСпотр - график включения потребителей-регуляторов, Forecast - прогноз потребления электрической энергии.
Агент-генератор формирует график включения собственной генерации на основании прогнозного
значения тарифа на электрическую энергию, производственного плана, коэффициента, учитывающего стоимость использования собственной генерации, данных о генерирующем оборудовании и метеопараметров (в случае использования возобновляемых источников энергии). Входные и выходные потоки данных для агента-генератора описываются формулами (8) и (9), соответственно.
lt = f (Power, Gen, Plan, EqreH, Cal, Meteo, Ехрген) (8)
Ot = f(ActleH), (9)
где Gen - данные о фактической собственной генерации, Eqген - данные об оборудовании собственной генерации, Ехрпр - экспертные поправки в график включения собственной генерации.
Агент-накопитель формирует график накопления и использования электроэнергии на основании прогнозного значения тарифа на электрическую энергию, плана добычи, коэффициента, учитывающего стоимость использования накопителя и данных об оборудовании накопителя. Входные и выходные потоки данных для агента-накопителя описываются формулами (10) и (11), соответственно.
h = f(E<JHa_Kon, Actn0Tp, Ехрнакоп^ (10)
Ot=f(Actm), (11)
где EqHaKon - данные о накопителях, Ехрпр - экспертные поправки в график включения накопителей, Л Снакоп - график накопления и использования электроэнергии.
Взаимодействие агентов происходит в соответствии с Рисунком 4.
Рисунок 4. Взаимодействие агентов
1.3. Краткосрочное прогнозирование электропотребления на основе ансамблевых моделей машинного обучения и алгоритма аддитивного объяснения Шепли
Существует множество методов краткосрочного прогнозирования электропотребления, обзор которых представлен в работах [3, 7]. В них обоснована эффективность ансамблевых методов на основе машинного обучения (с учетом того, что нейросетевая модель в широком смысле является ансамблем нейронов). В данной работе рассмотрены ансамблевые модели на основе деревьев решений, поскольку они способны строить логические правила, что необходимо для полноценного учета производственных факторов. Помимо уже относительно часто используемых моделей случайного леса (Random Forest), адаптивного и экстремального градиентного бустинга (AdaBoost, XGBoost) в исследовании впервые применительно к краткосрочному прогнозированию нагрузки промышленного предприятия применен алгоритм быстрого бустинга (LightGBM).
Кроме того, для интерпретации получаемых прогнозов в данной работе предлагается применение алгоритма адаптивного объяснения на основе вектора Шепли [2], подробное изложение которого применительно к задаче прогнозирования временных рядов показана в статье [4].
2. Результаты
Использованы данные потребления электрической энергии предприятия нефтегазовой промышленности, расположенного в Ямало-Ненецком автономном округе с 2013 г. по 2015 г. Предприятие является компрессорной станцией, обеспечивающей транспорт газа по магистральному газопроводу, и состоит из трех компрессорных цехов, которые включают группу газоперекачивающих агрегатов, технологические системы очистки газа, аппараты воздушного охлаждения газа.
Выборка содержала почасовые данные электропотребления, а также к ней были добавлены результаты обработки производственных данных:
• потребление комплектными трансформаторными подстанциями трех цехов (КТП_КЦ_1, КТП_КЦ_2, КТП_КЦ_3);
• потребление комплектными трансформаторными подстанциями всех компрессорных цехов в сумме (КТП_КЦ);
• потребление аппаратами воздушного охлаждения компрессорных цехов (АВО_1, АВО_2, АВО_3)
• потребление электрической энергии аппаратами воздушного охлаждения всех компрессорных цехов в сумме (АВО).
Вопрос использования мультиагентной системы для повышения энергоэффективности предприятия
был рассмотрен способ регулирования графика нагрузки таким образом, чтобы снизить ее в пиковые часы с наибольшей стоимостью электроэнергии. Для этого рассматриваются выделенные потребители-регуляторы, работа которых может быть перераспределена с пиковых часов на остальные. Для экспериментов было рассмотрено изменение графика нагрузки с равномерным распределением 10 % потребления электрической энергии с 14 часа на остальные часы.
Вычисления с учетом тарифов розничного рынка электроэнергии показали, что для 3-й и 5-й ценовых категорий экономия составит 1,430 млрд. рублей в год в сумме для 300 компрессорных станций, для 4-й и 6-й - 4,534 млрд. рубл. в год.
На этих же данных были проведены эксперименты с прогнозированием электропотребления. В Таблице 1 представлены сводные результаты проведенных экспериментов.
Таблица 1.
Сводные результаты экспериментов
№ Учитываемые факторы Модель MAPE, %
1 Ретроспектива потребления Быстрый бустинг 8,9
2 Ретроспектива потребления, метеорологические факторы Быстрый бустинг 8,8
3 Ретроспектива потребления, факторы производственных процессов Экстремальный градиентный бустинг 3,7
4 Ретроспектива потребления, факторы производственных процессов, метеорологические факторы Экстремальный градиентный бустинг 4,4
На Рисунке 5 показан пример использования предложенного способа визуализации на основе аддитивного объяснения Шепли - представлено отображение признаков, повлиявших на прогноз 14 часа 23 февраля 2015 года. Высокое превышение потребления от среднего значения, обосновано
высоким потреблением за 24 и 36 часов до прогнозируемого часа, а также технологическими факторами: высокой нагрузкой АВО всех компрессорных цехов (АВО), АВО газа второго компрессорного цеха (АВО_2).
Кх) = 1828,683
2070 = потребление 1
24260 = АВО 1380.8 = потребление_2 7340 - АВО 2 3610 = КТПКЦЗ 14 = час 12300 - КТП_КЦ 8880 = АВО 3
-68.07 Щ
^ +45.94 ^ +45.51 ^ +41.36 Ъ +39.1 г +31.05
2066 = потреблениеЗ ^ +30.46 9 other features ^+8.77
' 800 1000 ШХ]] - 721.156
»
1200
1400
1600
1800
Рисунок 5. Пример интерпретации с помощью аддитивного объяснения Шепли
Также было проведено исследование возможности краткосрочного прогнозирования графика собственной генерации для предприятия нефтегазовой промышленности, расположенного в Тюменской области. Выборка данных включала
данные электропотребления, данные собственной генерации, метеорологические факторы и сведения о простоях энергоемких агрегатов. В Таблице 2 представлены сводные результаты экспериментов.
Таблица 2.
Сводные результаты экспериментов краткосрочного прогнозирования собственной генерации
№ Учитываемые факторы Модель MAPE, %
1 Ретроспектива генерации Экстремальный градиентный бустинг 0,21
2 Ретроспектива генерации, метеорологические факторы Экстремальный градиентный бустинг 0,12
3 Ретроспектива генерации, факторы простоя оборудования Экстремальный градиентный бустинг 0,11
Адаптивный бустинг 0,10
4 Ретроспектива генерации, факторы простоя оборудования, метеорологические факторы Экстремальный градиентный бустинг 0,06
Заключение
В работе приведены результаты анализа обобщенного электротехнического комплекса системы электроснабжения предприятия нефтегазовой промышленности с применением мультиагентного подхода, которые позволил выделить основные объекты генерации, потребления и накопления электроэнергии. Такая декомпозиция позволяет управлять мерами по повышению энергетической эффективности предприятий нефтегазовой промышленности за счет регулирования графиков нагрузки
с учетом неравномерности цен на электроэнергию, а также повышения точности прогнозирования суточных графиков электропотребления с интерпретацией результатов.
На реальных данных двух различных предприятий нефтегазовой промышленности показано, что предложенный метод прогнозирования на основе мульти-агентного подхода и ансамблей деревьев решений позволяет строить краткосрочные прогнозы собственной генерации со средней ошибкой 6 %, а потребления - 3,7 %.
Список литературы:
1. Antonenkov D.V. The Selection of the Optimal Price Category in the Retail Energy Market for Reducing the Electricity Costs of a Mining Enterprise // International Multi-Conference on Engineering, Computer and Information Sciences (SIBIRCON-2022): proc. (Novosibirsk-Ekaterinburg, 11-13 Nov. 2022). - Ekaterinburg, 2022. -P. 720-724.
2. Lundberg S., Lee S. A Unified Approach to Interpreting Model Predictions / S. Lundberg / [Электронный ресурс]. -Режим доступа: URL: https://arxiv.org/abs/1705.07874 (дата обращения 28.10.2023).
3. Matrenin P.V. Improving Accuracy and Generalization Performance of Small-Size Recurrent Neural Networks Applied to Short-Term Load Forecasting // Mathematics. - 2020. - Vol. 8. - P. 2169.
4. Matrenin P.V. Solar Irradiance Forecasting with Natural Language Processing of Cloud Observations and Interpretation of Results with Modified Shapley Additive Explanations // Algorithms. - 2024. - Vol. 17. - P. 150
5. Газпром. Энергосбережение и энергоэффективность/ [Электронный ресурс]. - Режим доступа: URL: https://www.gazprom.ru/sustainability/environmental-protection/energy-conservation/ (дата обращения: 12.02.24).
6. Манусов В.З. Применение искусственных нейронных сетей для краткосрочного прогнозирования электрической нагрузки в нефтегазодобывающей промышленности / В.З. Манусов, С.В. Родыгина // Энергетика: Экология, надежность, безопасность: материалы двенадцатой Всероссийской научно-технической конференции. -Томск: Изд-во ТПУ, 2006 - С. 40-42.
7. Матренин П.В. Исследование ансамблевых и нейросетевых методов машинного обучения в задаче краткосрочного прогнозирования электропотребления горных предприятий / П.В. Матренин, Д.В. Антоненков // Электротехнические системы и комплексы. - 2021. - № 3(5). - С. 57-65.
8. Матренин П.В. Среднесрочное прогнозирование почасовых тарифов на электроэнергию с помощью ансамблевых моделей / П.В. Матренин, А.Ю. Арестова, Д.В. Антоненков // Проблемы региональной энергетики. - 2022. - № 2 (54). - C. 26-37.
9. Политика компании в области повышения энергоэффективности и энергосбережения № П2-04.02 П-01. Роснефть. (с изменениями, утвержденными решением Правления ПАО «НК «Роснефть» (протокол заседания от 30.06.2017 №Пр-ИС-22п), введенными в действие приказом ПАО «НК «Роснефть» от 28.08.2017 № 489). -М.: НК Роснефть., 2014. - 17 с.
10. Хальямсаа А.И. Интеллектуальные мультиагентные системы в электроэнергетике: монография. - Новосибирск: Изд-во НГТУ, 2023. - 222 с.
