Full Text

Введение. На текущий момент задачи повышения энергетической эффективности объектов гражданского и промышленного сектора формируют одно из приоритетных направлений развития науки, технологий и техники в Российской Федерации. В перечне критических технологий России данное направление представлено кроме прочего технологиями построения энергосберегающих систем, связанных с распределением и использованием электрической энергии. Предполагается, что их реализация способствует развитию национальной технологической инициативы в части создания эффективных систем распределенной генерации (SmartGrid, MicroGrid) или интеллектуальных энергетических систем, позволяющих сформировать единую энергоинформационную инфраструктуру, объединяющую поставщиков и потребителей электроэнергии, организации сервисного обслуживания оборудования и т.д. на базе различных информационно-аналитических, информационно-диагностических и информационно-управляющих решений [1-6]. Нефтеперабатывающая промышленность оказывает огромное влияние на экономическую ситуацию в стране [7], поэтому формирование технологий, методов и инструментов управления энеропотреблением объектов нефтедобычи, включая внедрение средств анализа данных и интеллектуальной поддержки принятия решений, относится к актуальной научно-практической задаче [8, 9]. На практике повышение энергоэффективности нефтяных месторождений можно отследить через увеличение добычи нефти при неизменном электропотреблении или через неизменные показатели добычи при сокращении потребления энергии. Очевидно, что данные задачи являются многофакторными, поскольку на эффективность использования энергии влияют не только оптимальные проектно-конструкторские решения, но и способы эксплуатации и обслуживания оборудования, осуществление технологических процессов в номинальных режимах работы, а также внешние факторы, в том числе физико-географические, климатические и т.д. К примеру, необходимость точного и полного учета влияния метеорологического фактора (температура воздуха, влажность воздуха, атмосферное давление, скорость ветра и т.д.) при работе месторождения и управления режимами работы оборудования связана с изменением структуры потребления (увеличение доли бытовой нагрузки) и с возможностью влияния аномальных отклонений погодных условий на нагрузку энергосистемы. Поэтому данная задача рассматривается как весьма значимая. Оценка влияния климатических факторов может быть осуществлена с применением методов математического моделирования, позволяющих проводить анализ текущих данных о состоянии объекта и выявлять наиболее критические показатели, которые следует учитывать при прогнозировании электропотребления и планировании технологического процесса нефтедобычи [10, 11]. Использование для таких целей эмпирических или расчетно-аналитических методов является малоэффективным, поскольку не позволяет оперативно проводить соответствующую оценку и адаптироваться к изменениям реальных данных [12, 13]. Вероятностное моделирование графиков нагрузки предполагает изучение вероятностного характера последовательных случайных изменений суммарной нагрузки групп электропотребителей во времени и основано на теории случайных процессов, с помощью которой получают авто (взаимно) корреляционную функцию, авторегрессию и другие параметры. Исследование графиков работы отдельно взятого электрооборудования, цехов, предприятия позволяет использовать данный метод при управлении режимами электропотребления и выравнивания графиков нагрузки [12-15]. Одним из наиболее распространенных методов анализа и прогнозирования электропотребления является регрессионный анализ, который дает возможность сформировать аналитическое выражение связи электропотребления и ключевых влияющих факторов в виде математической функции, а также оценить степень влияния данных факторов на итоговый результат [10-13]. Тем не менее, учитывая сложную структуру нефтяных месторождений, особенности технологического процесса, их разнородность по составу электропотребителей и конфигурации сети, необходима соответствующая методика анализа влияния климатических факторов, адаптированная к специфике исследуемого объекта. Подобная методика может рассматриваться как важный шаг к построению комплексных систем управления состоянием электрооборудования или энергетическими показателями предприятий (систем энергетического менеджмента) [9, 15-18]. Методика регрессионного анализа влияния климатических факторов на электропотребление. Регрессионный анализ является одним из наиболее широко используемых статистических методов для исследования или оценки взаимосвязи между зависимыми и набором независимых объясняющих переменных [12, 13, 19]. Использование регрессионного анализа дает множество преимуществ, позволяя указать на существенные связи между зависимой и независимой переменной, а также на силу воздействия (степень влияния) нескольких независимых переменных на одну зависимую. Линейная регрессия устанавливает связь между зависимой переменной Y (величиной электропотребления) и одной или несколькими независимыми переменными X=(x1,…,xn), характеризующими специфику работы объекта, с помощью наиболее подходящей прямой линии и определяется уравнением: Y = b×X + a + ε, (1) где Y - зависимая переменная; b - угловой коэффициент; a - константа; ε - отклонение. Проведение регрессионного анализа требует формализации указанной функциональной зависимости, включая выбор ключевых факторов (независимых переменных), а также описание последовательной процедуры анализа с учетом особенностей исследуемого объекта. Цели работы - формирование и реализация методики регрессионного анализа влияния климатических факторов на электропотребление объектов нефтедобычи с использованием имеющейся статистической информации об их функционировании. Очевидно, что важным шагом использования методики является анализ данных потребления, что требует наличия на объекте системы мониторинга энергоресурсов. Для формирования более объективной картины электропотребления информацию необходимо знать на каждом этапе работы исследуемой системы. В идеальном варианте важно знать значение электропотребления в каждом узле принципиальной электрической схемы, что позволит, во-первых, исследовать каждый вид оборудования в отдельности, во-вторых, фиксировать по величине электропотребления возможную внештатную ситуацию и понимать, какое именно оборудование работает некорректно. В общем случае для проведения анализа следует знать потребление всей исследуемой системы. Стоит отметить, что оценка климатических факторов будет объективна тогда, когда режим работы оборудования остается неизменным, это следует учесть при анализе имеющихся на месторождении данных по потреблению электроэнергии. Для получения данных по мониторингу климатических условий могут быть использованы следующие рекомендации. Если объект исследования расположен на территории города или вблизи больших населенных пунктов, тогда данные о погоде можно брать с привязкой к этой территории. Если же вблизи объекта нет населенных пунктов, то следует использовать портативную метеостанцию для мониторинга и записи метеорологических данных, что позволит сделать исследование даже более объективным. При формализации функции (1) в качестве зависимой переменной может выступать любого рода потребление, например: реактивная мощность, активная мощность, электропотребление отдельно взятого вида оборудования и т.д. Главное требование - чтобы эти данные были представлены на протяжении длительного периода времени и с минимальным дискретом времени в один день. В качестве независимой переменной в данном исследовании предлагается рассматривать климатические факторы, такие как температура воздуха, влажность воздуха, давление, ветер и т.д. Важно, чтобы данные о погодных условиях и потреблении соответствовали друг другу по временному периоду (по дискрету и объему выборки). Основные шаги для проведения регрессионного анализа представлены в виде блок-схемы (рис. 1). Рис. 1. Обобщенная блок-схема методики оценки влияния климатических факторов при различных вариантах представления исходных данных Особенностью предлагаемой методики является то, что она позволяет учитывать разные особенности работы объектов нефтедобычи, включая структуру электропотребителей, режимы их работы, сезонность и т.д. Таким образом, процедура анализа (блок № 5) является поэтапной с возможностью изменения (блок № 7) структуры исходных данных с учетом указанных выше особенностей, а также самой процедуры анализа (блоки № 1-3). Данные по различным показателям должны быть синхронизированы (блок № 4). Успешным результатом анализа (блок № 6) является соответствие коэффициента детерминации R2 установленному порогу ∆. Исследование методики. Апробация методики оценки влияния климатических факторов производилась на примере месторождения добычи нефти им. Сухарева, расположенного на территории г. Березники Пермского края. В процессе анализа существующей системы электроснабжения объекта и особенностей его работы были сделаны некоторые допущения. Учитывая весьма разветвленный характер системы электроснабжения, обусловленный наличием большого количества потребителей, было решено пренебречь потребителями, которые оказывают минимальное влияние на итоговое электропотребление (коммутационные аппараты, такие как автоматические выключатели и линейные разъединители, а также ограничители перенапряжения, измерительные приборы, система релейной защиты и автоматики). Для проведения регрессионного анализа использовалась выборка данных об электропотреблении месторождения за период с ноября 2017 по февраль 2019 г., полученных с функционирующих на объекте автоматизированных систем контроля и учета электроэнергии (АСКУЭ). Из выбранного диапазона значений исключены данные за те промежутки времени, когда система учета некорректно записывала значения электропотребления либо вообще не записывала их. Все данные с АСКУЭ представляют собой показания потребления активной P (Вт) и реактивной Q (Вар) мощности с каждой КТП. Полная мощность S (ВА) вычислялась, используя стандартное выражение: . (2) Весь набор данных был разделен на части в соответствии с показаниями с отдельных комплектных трансформаторных подстанций (КТП), что позволяет проводить оценку по отдельным крупным узлам системы электроснабжения. Данные, изначально записанные системой АСУКУЭ с интервалом в 30 минут (ежедневно), были сгруппированы посуточно для удобства построения регрессионной модели (в том числе учитывая связь с данными метеорологических служб). Данные о погодных условиях формировались в соответствии с информацией, представленной метеорологическими службами для территории города Березники, включая следующие показатели: среднесуточная температура (x1), средняя влажность воздуха (x2), атмосферное давление (x3) и скорость ветра (x4). Фрагмент выборки данных для проведения регрессионного анализа после сведения информации приведен в таблице. Фрагмент выборки данных на примере КТП 03 Канал измерения / время КТП-03 (А+) КТП-03 (R+) Полная мощность Среднесуточная температура, °С Средняя влажность, % Атмосферное давление Скорость ветра, м/с 01.11.2017 65,47 32,03 72,89 0,75 94 723 4 02.11.2017 65,57 32,83 73,33 -0,75 91,5 730 4 03.11.2017 61,28 31,62 68,96 -1 90,86 739 4 04.11.2017 61,25 31,10 68,69 -1,38 87,88 746 3 05.11.2017 61,02 30,91 68,41 -2 88,38 749 3 Для построения моделей использованы средства MS Excel [20] и адаптированный алгоритм обработки данных. Исследование проводилось в несколько этапов. В качестве ограничения принималось значение коэффициента детерминации R2 не менее 0,5. 1. Регрессионный анализ влияния климатических факторов на малой и расширенной выборке. В рамках первого этапа изучены результаты эксперимента по всем КТП и получены неудовлетворительные значения коэффициента детерминации (R2 для некоторых КТП не превысил 0,3), в результате чего составлен план дальнейших действий по увеличению точности исследования. Результаты не учитывают сезонность, наличие внештатных ситуаций, проведение ремонта и технического обслуживания оборудования и т.д. 2. Регрессионный анализ влияния климатических факторов с разбиением на зимний и летний период. Разбиение осуществлялось на летний и зимний периоды с целью учета различий в объемах электроэнергии, требуемой на собственные нужды месторождения, а также влияния перепадов температуры на режим работы электрооборудования. В частности, для КТП 03 обнаружено повышение показателя R2 для летнего периода до 0,55 при стандартной ошибке менее 0,05. При этом по некоторым КТП изменений не произошло, а применительно к зимнему периоду наблюдалось снижение показателей, что во многом свидетельствует о незначительном влиянии климатических факторов в сравнении с режимами работы оборудования. Также было установлено незначительное влияние на величину Y фактора ветра. 3. Регрессионный анализ влияния климатических факторов с выбором режима работы. Для объективности исследования важно, чтобы режим работы оборудования на месторождении оставался одинаковым для каждого набора данных, что позволит оценивать влияние на изменение потребления именно климатических параметров (в обратном случае можно утверждать, что изменение показателей зависит в большей части от режима работы электрооборудования, а не от погодных условий). Для этих целей было получено среднее значение полной мощности и отобраны те дни, в которые показания для КТП не отклонялись от среднего значения более чем на 10-15 %. При нахождении среднего значения полной мощности учитывалась сезонность (разбиение данных на летний и зимний период). В результате преобразования объем выборки сократился практически на 50 % для зимнего периода и на 35 % для летнего. Значения R2 в результате расчетов увеличились до 0,65-0,7 для отдельных КТП. Пример визуализации результатов в виде графических зависимостей параметров приведен на рис. 2. Результаты анализа показывают, что основными показателями, оказывающими сильное влияние на потребление, являются температура и влажность воздуха (что отмечалось и на предыдущих этапах). Модель для КТП 03 оказалась наиболее показательной с точки зрения статистических критериев. Формализация функций для зимнего и летнего периодов выглядит следующим образом: Yл = 0,21x1 + 0,27x2 + 0,04x3 - 1,41x4 + 21,07, Yз = 0,47x1 + 0,20x2 + 0,11x3 - 0,93x4 - 37,31. а б в Рис. 2. Графики подбора метеорологических условий на примере КТП 03 а б Рис. 3. Графики нормального распределения для экспериментов: разбиение на зимний и летний период, 2-й этап (а), выборка данных для усредненных значений мощности, 3-й этап (б) Как видно из рис. 3, график последнего эксперимента очень близок к линии тренда. Это означает, что зависимость можно назвать линейной, а сам эксперимент можно считать показательным. Графики соответствия реального и модельного потребления для разных этапов исследования, из которых можно оценить изменение точности эксперимента, представлены на рис. 4. а б в Рис. 4. Графики модельного и реального потребления (мощности) на примере КТП 03: все время - эксперимент 1 (а), летний период - эксперимент 2 (б), одинаковый период - эксперимент 3 (в) Анализ данных по всему месторождению, без разделения на отдельные КТП, оказался непоказательным. Самым показательным оказался эксперимент, в котором поводилось разбиение данных на сезоны, а также отобран схожий режим работы объекта. Показатель линейности (график нормального распределения) и график модельного и реального потребления указывают на хорошую точность модели. Таким образом, данная процедура и полученные модели могут быть рекомендованы к практическому использованию для учета влияния погодных условий. Выводы. В работе рассмотрены вопросы оценки влияния климатических факторов на электропотребление объектов нефтедобычи с использованием многопараметрического регрессионного анализа. Предложенная универсальная методика может быть использована при создании аналитических моделей в указанной и смежных областях промышленности. Произведена апробация методики оценки влияния климатических факторов на электропотребление объектов нефтедобычи на примере месторождения имени Сухарева в Пермском крае. В рамках апробации путем обработки данных и последовательного увеличения точности результата сформированы аналитические модели, показавшие, что наибольшее влияние на электропотребление оказывают показатели температуры и влажности воздуха. Полученные модели могут быть усовершенствованы при расширении объема данных (например, по отдельным видам электрооборудования), а также при расширении спектра учитываемых параметров, оценивающих, в частности, различные режимы работы оборудования, технические характеристики отдельных элементов и т.д. В этом случае, возможно, оценить степень влияния на электропотребление различных групп параметров, что требует, однако, более функциональной системы мониторинга объекта, работающей на перспективу в режиме реального времени. Наличие подобных систем на нефтяных месторождениях, позволяющих учитывать, в том числе, метеорологические параметры, является важным элементом повышения эффективности планирования и управления режимами работы объекта, что окажет прямое влияние на рентабельность добычи нефти.

About the authors

D. V Gilev

Perm National Research Polytechnic University

D. K Eltyshev

Perm National Research Polytechnic University

References

Statistics

Views

Abstract - 18

PDF (Russian) - 34

Refbacks

• There are currently no refbacks.