本技術涉及儲氣庫調峰優(yōu)化，尤其涉及一種儲氣庫調峰過程安全監(jiān)測與優(yōu)化方法及裝置。

背景技術：

1、儲氣庫是一種用于儲存天然氣的設施，它主要指地下儲氣庫，即將天然氣重新注入地下可以保存氣體的空間而形成的天然氣氣藏。儲氣庫具有季節(jié)調峰、事故應急供氣、國家能源戰(zhàn)略儲備等多重功能，其作為我國天然氣儲存與調峰的重要組成部分，儲氣庫調峰的正常、平穩(wěn)進行是我國用氣高峰期天然氣能夠穩(wěn)定供應的重要保障。

2、地下儲氣庫與長輸天然氣管道配套建設，用氣淡季將長輸管道中的富裕天然氣注入地下儲存，用氣高峰期將天然氣采出，用于旺季用氣補充。但在遇到緊急情況，比如因發(fā)生事故導致天然氣供應不足等原因時，儲氣庫也需要暫時更改注采過程，進行應急調峰，但如何對儲氣庫調峰過程設置安全約束，優(yōu)化調峰供氣量，以保障儲氣庫調峰平穩(wěn)運行是目前儲氣庫調峰過程面臨的重要問題。

技術實現(xiàn)思路

1、為解決或部分解決相關技術中存在的問題，本技術提供一種儲氣庫調峰過程安全監(jiān)測與優(yōu)化方法及裝置，能夠對儲氣庫的各項數(shù)據進行監(jiān)測，以得到儲氣庫中各注采井的最優(yōu)采氣量，提高了儲氣庫調峰過程的安全性。

2、本技術第一方面提供一種儲氣庫調峰過程安全監(jiān)測與優(yōu)化方法，包括獲取預先訓練的徑向基神經網絡模型，所述徑向基神經網絡模型用于指示注采井的采氣量和所述注采井的狀態(tài)數(shù)據之間的關系；

3、構建儲氣庫的目標函數(shù)模型和安全約束條件；其中，所述儲氣庫的目標函數(shù)模型為所述儲氣庫的各注采井的總采氣量與目標采氣量之間的差值；所述安全約束條件包括以下至少一項：所述儲氣庫中每個注采井的油壓約束條件、所述注采井的套壓約束條件、所述注采井的油/技套間壓力約束條件、所述注采井的井口溫度約束條件、所述儲氣庫的開井數(shù)約束條件、所述注采井的采氣量約束條件、所述儲氣庫的出口壓力約束條件；

4、將所述徑向基神經網絡模型代入所述目標函數(shù)模型，得到所述儲氣庫的調峰優(yōu)化模型，所述調峰優(yōu)化模型用于指示：所述儲氣庫的各注采井的總采氣量、所述儲氣庫的各注采井的狀態(tài)數(shù)據之間的關系；

5、獲取目標儲氣庫的固有儲氣庫信息，并將所述目標儲氣庫的固有儲氣庫信息代入到所述調峰優(yōu)化模型，得到所述目標儲氣庫的調峰優(yōu)化模型；

6、在所述安全約束條件下對所述目標儲氣庫的調峰優(yōu)化模型進行優(yōu)化，得到滿足所述安全約束條件且所述調峰優(yōu)化模型輸出最小時，所述目標儲氣庫的各所述注采井的目標采氣量。

7、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，在所述安全約束條件下對所述目標儲氣庫的調峰優(yōu)化模型進行優(yōu)化，得到滿足所述安全約束條件且所述調峰優(yōu)化模型輸出最小時，所述目標儲氣庫的各所述注采井的目標采氣量，包括：根據所述安全約束條件初始化所述目標儲氣庫的可變儲氣庫信息，所述可變儲氣庫信息滿足所述安全約束條件；執(zhí)行優(yōu)化過程：將所述目標儲氣庫的可變儲氣庫信息代入所述目標儲氣庫的調峰優(yōu)化模型中，得到當前優(yōu)化值，所述當前優(yōu)化值用于指示所述目標儲氣庫的各注采井的總采氣量與所述目標采氣量之間的差值；若所述當前優(yōu)化值不滿足預設收斂條件，則在所述安全約束條件下，調整所述目標儲氣庫的可變儲氣庫信息，并返回所述將所述目標儲氣庫的可變儲氣庫信息代入所述目標儲氣庫的調峰優(yōu)化模型中，得到當前優(yōu)化值的步驟，直至所述當前優(yōu)化值滿足所述預設收斂條件；在所述當前優(yōu)化值滿足所述預設收斂條件時，根據當前優(yōu)化值對應的可變儲氣庫信息、所述目標儲氣庫的固有儲氣庫信息和所述徑向基神經網絡模型，確定所述目標儲氣庫的各注采井的目標采氣量。

8、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述根據當前優(yōu)化值對應的可變儲氣庫信息、所述目標儲氣庫的固有儲氣庫信息和所述徑向基神經網絡模型，確定所述目標儲氣庫的各注采井的目標采氣量，包括：從所述目標儲氣庫的可變儲氣庫信息和所述固有儲氣庫信息中，提取所述目標儲氣庫中的每個注采井的狀態(tài)數(shù)據；將所述目標儲氣庫中的每個注采井的狀態(tài)數(shù)據輸入到所述徑向基神經網絡模型中，得到每個所述注采井的目標采氣量。

9、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述徑向基神經網絡模型的訓練過程包括：構建初始化的徑向基神經網絡模型；獲取樣本集，所述樣本集中包括預設數(shù)量的樣本，每個所述樣本中包括：一個樣本注采井的樣本采氣量、對所述樣本注采井進行監(jiān)測得到的樣本狀態(tài)數(shù)據；將所述樣本集拆分為訓練集、驗證集和測試集；通過所述訓練集對所述徑向基神經網絡模型進行訓練，在所述訓練過程中通過粒子群算法對所述徑向基神經網絡模型進行優(yōu)化；所述粒子群算法中的粒子維數(shù)的計算公式如下：

10、d＝i×j+j+j×k；

11、其中，d為粒子群算法中的粒子維數(shù)，i為所述徑向基神經網絡模型的輸入層節(jié)點數(shù)量，j為所述徑向基神經網絡模型的隱藏層節(jié)點數(shù)，k為所述徑向基神經網絡模型的輸出層節(jié)點數(shù)量。

12、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述狀態(tài)數(shù)據包括以下至少一項：所述注采井的油壓、套壓、油/技套間壓力和井口溫度。

13、結合第一方面，在第一方面的一種可能的實現(xiàn)方式中，所述注采井的油壓約束條件為：所述注采井的油壓小于或等于所述注采井的最大油壓；所述注采井的套壓約束條件為：所述注采井的套壓小于或等于所述注采井的最大套壓；所述注采井的油/技套間壓力約束條件為：所述注采井的油/技套間壓力小于或等于所述注采井的最大油/技套間壓力；所述注采井的井口溫度約束條件為：所述注采井的井口溫度小于或等于所述注采井的最大井口溫度；所述儲氣庫的開井數(shù)約束條件為：所述儲氣庫的開井數(shù)小于或等于所述儲氣庫的最大當日可開井數(shù)，所述最大當日可開井數(shù)小于或等于所述儲氣庫的注采井數(shù)量；所述注采井的采氣量約束條件為：所述注采井的采氣量小于或等于所述注采井的最大采氣量，所述注采井的最大采氣量與所述注采井的地層壓力正相關；所述注采井的出口壓力約束條件為：所述注采井的出口壓力小于或等于所述注采井的地面設備承載能力。

14、本技術第二方面提供一種儲氣庫調峰過程安全監(jiān)測與優(yōu)化裝置，包括第一獲取模塊，用于獲取預先訓練的徑向基神經網絡模型，所述徑向基神經網絡模型用于指示注采井的采氣量和所述注采井的狀態(tài)數(shù)據之間的關系；

15、構建模塊，用于構建儲氣庫的目標函數(shù)模型和安全約束條件；其中，所述儲氣庫的目標函數(shù)模型為所述儲氣庫的各注采井的總采氣量與目標采氣量之間的差值；所述安全約束條件包括以下至少一項：所述儲氣庫中每個注采井的油壓約束條件、所述注采井的套壓約束條件、所述注采井的油/技套間壓力約束條件、所述注采井的井口溫度約束條件、所述儲氣庫的開井數(shù)約束條件、所述注采井的采氣量約束條件、所述儲氣庫的出口壓力約束條件；

16、處理模塊，用于將所述徑向基神經網絡模型代入所述目標函數(shù)模型，得到所述儲氣庫的調峰優(yōu)化模型，所述調峰優(yōu)化模型用于指示：所述儲氣庫的各注采井的總采氣量、所述儲氣庫的各注采井的狀態(tài)數(shù)據之間的關系；

17、第二獲取模塊，用于獲取目標儲氣庫的固有儲氣庫信息，并將所述目標儲氣庫的固有儲氣庫信息代入到所述調峰優(yōu)化模型，得到所述目標儲氣庫的調峰優(yōu)化模型；

18、優(yōu)化模塊，用于在所述安全約束條件下對所述目標儲氣庫的調峰優(yōu)化模型進行優(yōu)化，得到滿足所述安全約束條件且所述調峰優(yōu)化模型輸出最小時，所述目標儲氣庫的各所述注采井的目標采氣量。

19、結合第二方面，在第二方面的一種可能的實現(xiàn)方式中，優(yōu)化模塊還用于根據所述安全約束條件初始化所述目標儲氣庫的可變儲氣庫信息，所述可變儲氣庫信息滿足所述安全約束條件；執(zhí)行優(yōu)化過程：將所述目標儲氣庫的可變儲氣庫信息代入所述目標儲氣庫的調峰優(yōu)化模型中，得到當前優(yōu)化值，所述當前優(yōu)化值用于指示所述目標儲氣庫的各注采井的總采氣量與所述目標采氣量之間的差值；若所述當前優(yōu)化值不滿足預設收斂條件，則在所述安全約束條件下，調整所述目標儲氣庫的可變儲氣庫信息，并返回所述將所述目標儲氣庫的可變儲氣庫信息代入所述目標儲氣庫的調峰優(yōu)化模型中，得到當前優(yōu)化值的步驟，直至所述當前優(yōu)化值滿足所述預設收斂條件；在所述當前優(yōu)化值滿足所述預設收斂條件時，根據當前優(yōu)化值對應的可變儲氣庫信息、所述目標儲氣庫的固有儲氣庫信息和所述徑向基神經網絡模型，確定所述目標儲氣庫的各注采井的目標采氣量。

20、結合第二方面，在第二方面的一種可能的實現(xiàn)方式中，優(yōu)化模塊還用于從所述目標儲氣庫的可變儲氣庫信息和所述固有儲氣庫信息中，提取所述目標儲氣庫中的每個注采井的狀態(tài)數(shù)據；將所述目標儲氣庫中的每個注采井的狀態(tài)數(shù)據輸入到所述徑向基神經網絡模型中，得到每個所述注采井的目標采氣量。

21、結合第二方面，在第二方面的一種可能的實現(xiàn)方式中，處理模塊還用于構建初始化的徑向基神經網絡模型；獲取樣本集，所述樣本集中包括預設數(shù)量的樣本，每個所述樣本中包括：一個樣本注采井的樣本采氣量、對所述樣本注采井進行監(jiān)測得到的樣本狀態(tài)數(shù)據；將所述樣本集拆分為訓練集、驗證集和測試集；通過所述訓練集對所述徑向基神經網絡模型進行訓練，在所述訓練過程中通過粒子群算法對所述徑向基神經網絡模型進行優(yōu)化所述粒子群算法中的粒子維數(shù)的計算公式如下：

22、d＝i×j+j+j×k；

23、其中，d為粒子群算法中的粒子維數(shù)，i為所述徑向基神經網絡模型的輸入層節(jié)點數(shù)量，j為所述徑向基神經網絡模型的隱藏層節(jié)點數(shù)，k為所述徑向基神經網絡模型的輸出層節(jié)點數(shù)量。

24、本技術第三方面提供一種電子設備，包括：

25、處理器；以及

26、存儲器，其上存儲有可執(zhí)行代碼，當所述可執(zhí)行代碼被所述處理器執(zhí)行時，使所述處理器執(zhí)行如上所述的方法。

27、本技術第四方面提供一種計算機可讀存儲介質，其上存儲有可執(zhí)行代碼，當所述可執(zhí)行代碼被電子設備的處理器執(zhí)行時，使所述處理器執(zhí)行如上所述的方法。

28、本技術第五方面提供一種計算機程序產品，包括計算機程序/指令，所述計算機程序/指令被處理器執(zhí)行時實現(xiàn)如上所述的方法。

29、本技術提供的技術方案可以包括以下有益效果：

30、本技術的儲氣庫調峰過程安全監(jiān)測與優(yōu)化方法，包括獲取預先訓練的徑向基神經網絡模型，徑向基神經網絡模型用于指示注采井的采氣量和注采井的狀態(tài)數(shù)據之間的關系；構建儲氣庫的目標函數(shù)模型和安全約束條件；其中，儲氣庫的目標函數(shù)模型為儲氣庫的各注采井的總采氣量與目標采氣量之間的差值；安全約束條件包括以下至少一項：儲氣庫中每個注采井的油壓約束條件、注采井的套壓約束條件、注采井的油/技套間壓力約束條件、注采井的井口溫度約束條件、儲氣庫的開井數(shù)約束條件、注采井的采氣量約束條件、儲氣庫的出口壓力約束條件；將徑向基神經網絡模型代入目標函數(shù)模型，得到儲氣庫的調峰優(yōu)化模型，調峰優(yōu)化模型用于指示：儲氣庫的各注采井的總采氣量、儲氣庫的各注采井的狀態(tài)數(shù)據之間的關系；獲取目標儲氣庫的固有儲氣庫信息，并將目標儲氣庫的固有儲氣庫信息代入到調峰優(yōu)化模型，得到目標儲氣庫的調峰優(yōu)化模型；在安全約束條件下對目標儲氣庫的調峰優(yōu)化模型進行優(yōu)化，得到滿足安全約束條件且調峰優(yōu)化模型輸出最小時，目標儲氣庫的各注采井的目標采氣量，能夠對儲氣庫的各項數(shù)據進行監(jiān)測，以得到儲氣庫中各注采井的最優(yōu)采氣量，提高了儲氣庫調峰過程的安全性。

31、應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本技術。