人工智能驅動多源融合在油氣行業的探索與應用

中圖分類號：TE08 文獻標志碼：A

Abstract：Energyconsumptionexpensesbecomeasignificantportionof productioncosts asoil andgasextraction moves into thehigh-water-cutphase.Thenational \"dual-carbon\"planisalsopushingtheenergysectortothetransitionoflow-carbonization.How toapplyadvanced technologies toreduce productioncostsandcarbon emissonshas become anurgent problemto be solved intheenergy industry.Inorder tolower productioncostsandcarbon emissions，this studyoffersathorough analysis of thedevelopmentanduseof renewableenergytechnologies inoil extraction enginering，such as hydrogen energystorageand wind-solar hybrid systems.The instability problem ofnew energyhasbecomeanew challnge thatthe oil and gas industryhas toface.Theoptimizationandpredictivecapabilities demonstratedbyartificial inteligence（AI）technologyin fieldssuch asoil andgasexploration and development，wellogging interpretation，andreservoir enginering providenewsolutions to the instabilityproblem of new energy.Future research direction for AI to achievemore accurate suply-demand forecasts and more intellgent energy scheduling was proposed.Theresultsshowthatdeepintegrationof oil andgas industry andrenewableenergydriven byAItechnologycan furtherreducecostsandemissons，accelerategreen transformation，and ultimatelyachieve the sustainable development of digital oilfieldsand multi-energy complementaryapplications.

Keywords：newenergy；artificialinteligence；energyconservationandconsumptionreduction；multi-nergycomplementari ty；multi-source fusion

當前，隨著國家經濟的高速增長及工業化、城鎮化進程的顯著加速，引發油氣需求量的急劇攀升[1]。為了滿足這一龐大的能源需求，油氣資源的開采強度持續增強。然而，隨著油氣田進入高含水及特高含水的后期，開采難度加大，為實現穩產增產進行的增產增注措施導致傳統電能消耗問題愈發凸顯，其成本占比在總體生產成本中居高不下，是油氣開采領域亟待解決的關鍵挑戰之一。據統計，東北部某油田2022年采油過程中，能耗總量達 570×10⁴t 標煤、15.7×10⁴t 原油，其中電能消耗136.2億 kW?h ，占總能源消耗的近三分之一，降低電能消耗成為油氣開采面臨的重要問題。而中國發布的關于“碳達峰”的相關文件，預示著轉向新能源供應是應對傳統電能消耗問題的重要途徑。因此，中國傳統能源行業在未來很長一段時間內，將邁向一個以能源生產低碳化、能源消費電氣化為主導的新階段，油氣與新能源融合發展是傳統一次性能源行業認真貫徹落實國家“雙碳”戰略，從傳統油氣供應商向綜合能源服務商轉型的必由之路。在智能化與“雙碳”戰略目標的新時代背景下，新能源以環保性、經濟性等諸多優勢正在成為能源領域的重要組成部分，與此同時，新能源的資源不穩定性、開發流程不完善等問題為其廣泛應用帶來了挑戰，而人工智能的數據處理與分析能力、優化決策支持功能、高度自動化以及預測能力為新能源與傳統油氣資源的優化配置和互補利用提供新的思路與方法，能夠促進傳統油氣業務與新能源融合發展[2]。綜上所述，筆者以油氣業務節能減排為準則，基于機器學習、深度學習[3等人工智能方法在數據處理、預測分析等方面展現出的卓越能力，分析新能源與人工智能技術在油氣行業的應用現狀，探討人工智能在促進新能源與油氣融合發展中的關鍵作用，深入探索人工智能在供需預測和能源調度方面的應用潛力。

新能源引領油氣田綠色轉型

能源轉型背景下，能源市場發展已經開始向低碳和新能源方向發生根本性改變。如圖1可知，清潔能源量逐年攀升，而化石能源量逐年遞減，從2015年至2023年間趨勢明顯[4]，為了保證油氣在能源行業的競爭性，油氣行業堅守油氣主營業務，將油氣工程作為支撐油氣和新能源高效開發的重要手段，實施“油氣 + 低碳、負碳技術”的能源轉型路徑，加快油氣田高效綠色轉型是支撐油氣和新能源高效開發的重要手段。

圖1清潔能源與化石能源消耗

Fig.1Consumption of clean energy and fossil energy

1.1 新能源在油氣田的多能互補應用現狀

以風-光為主的新能源發電，由于具有間歇性、隨機性和波動性的特性，因此帶來了能源持續性供應功能不穩定的問題，使得多能互補融合發展亟待形成[5]。同時，油田生產過程中的電力供應主要依賴于外部采購的煤電，導致碳排放量大。為實現綠色轉型，提出以油田內部消納為核心，依托電網架構，遵循“源-網-荷-儲”一體化技術路徑，優先部署分散式風力發電系統，并輔以分布式光伏發電作為補充，形成風光互補、以風力發電為主導、光伏發電為輔助的能源結構。考慮機采用電間歇化、集輸用熱電氣化、注水用電柔性化，優先建立與風光發電間歇性、不穩定性相匹配的新型生產方式，旨在降低基礎能耗和碳排放，進而實現大比例綠電替代網電。

西南油氣田推出“綠色發展西南模式”的實施路徑[6，包括天然氣與水風光電融合發展，以氣電作為負荷中心受端電網支撐點，增強電力系統的靈活性和調峰調頻能力，在推進發電項目建設的情況下，達到了增加可再生能源消納量、降低碳排放的多項目標；二連油田位于中國內蒙古北部，風力資源豐富，在北緯 45^°39^′ 東經 115^°53^′ ，年平均風速 7.2m s，年平均風能密度 ，年有效風時 5836h ，年有效風能 4544.74kW/m² ，建立了一套風光互補綜合能源系統，該系統由太陽能加熱系統、風力發電電加熱系統兩大部分組成；截至2022年3月1日，吉林油田所實施的新能源 70×10⁴kW 風光發電項目已成功實現并網，并累積發電量達到 3000kW?h ，在日間滿發條件下可驅動600臺抽油機正常運轉[7]

1. 2 新能源在天然氣集輸與儲存的應用現狀

天然氣輸送與儲存作為天然氣產業的核心環節，其技術革新對于提高能效、降低環境影響具有重要意義。傳統輸送與儲存系統高度依賴化石燃料，不僅能耗高，還伴隨顯著的環境污染問題[8]因此，引入新能源技術成為解決這些挑戰的關鍵[9]

在天然氣輸送方面[10]，采用太陽能與風能發電系統驅動壓縮機和泵送設備，是一種創新且可持續的解決方案。該策略通過將清潔、可再生的能源轉化為電能，有效替代了傳統化石燃料，降低了能耗并減少了溫室氣體排放。在天然氣儲存領域，新能源技術同樣展現出巨大潛力[11]。通過為儲氣庫中的能源回收設備提供太陽能或風能電力，實現了對排放氣體的有效捕獲、處理和再利用。這一過程不僅提高了天然氣儲存系統的能源利用效率，還減少了環境污染，推動了儲存環節的綠色化轉型

新能源技術在天然氣輸送與儲存領域的應用，不僅提升了系統的能效與環境性能，還為天然氣產業的可持續發展提供了新的動力。未來，隨著技術的不斷進步和應用范圍的擴大，新能源技術將在天然氣產業中發揮更加重要的作用[12] 。

1.3 新能源在水力壓裂的應用現狀

水力壓裂作為提升天然氣采收率的關鍵技術，其核心在于利用高壓流體促使地下巖層破裂，進而釋放封存的天然氣資源。然而，傳統水力壓裂作業高度依賴水資源，并伴隨顯著的廢水生成與環境污染問題，對生態環境構成挑戰[13]。鑒于此，將可再生能源技術融入水力壓裂流程，成為減輕環境負荷、促進綠色轉型的重要途徑。

探索利用太陽能或風能等清潔能源驅動水力壓裂泵站，是一種創新且環境友好的解決方案。通過構建高效的太陽能光伏陣列或風力發電系統，將捕獲的自然能源轉化為電能，直接為水力壓裂泵提供動力，從而顯著減少對化石燃料的依賴，降低作業過程中的碳足跡。此外，這種能源轉換機制還有效降低對水資源的直接消耗，緩解水資源短缺的壓力，并減少廢水排放及其潛在的環境風險。

將可再生能源與水力壓裂技術深度融合，不僅提升能源利用的清潔性與高效性，還增強能源系統的整體可持續性。特別是在偏遠或電網未覆蓋區域，該集成技術為實現天然氣資源的自主開采提供了可能，促進了能源供應的多元化與靈活性，對于推動全球能源結構的綠色轉型具有重要意義，

1. 4 新能源在間歇采油的應用現狀

隨著油田的開發進入中后期，由于地層條件等原因，造成部分抽油機產量、效益不同程度降低，針對此類井，常用間抽的方式以實現降本增效。同時，油田作為能耗和排放大戶，在國家節能減排形式日益嚴峻的情況下，用“清潔能源 + 智能間抽”的生產模式成為國內機采系統用能的發展方向[14]

針對油田間抽制度的制定，21世紀初，劉合等[15]通過泵抽產量、沉沒度、液面恢復時間規律制定了合理的間抽制度系統方法，讓抽油機井間抽制度的制定邁出了一大步;于小明等[16]通過動液面下降、恢復速度進行連續監測并應用油井流入動態規律、油井間抽時的懸點功圖等相關資料制定間抽抽油制度；由于測量設備的局限性，導致動液面檢測存在測量問題，李軍亮等[17]開始基于灰色系統理論將解決動液面測試問題，以此預測動液面變化情況，進一步優化間抽制度;隨著智能化、數字化逐漸應用于油氣領域，張鑫[18]，張小榮等[19]利用大數據技術、智能優化算法建立間歇采油機制預測模型，從而得到更合理的抽停時間，獲得合理的間歇采油機制，見表1。

表1間歇采油制度研究發展

Table 1 Research and development of intermittent oil production systems

智能化發展與低碳化要求逐漸推動油田間抽制度的深入研究，其中新能源供電問題備受關注，特別是以風-光電為主的分布式能源系統。風-光電為主的新能源供電因其存在多重不穩定性，需要構建多能互補微電網以提供穩定的電能供應，圖2為分布式儲能系統結構，該結構實現能源的分布式儲存和供應管理。許多研究者圍繞多能互補微電網開展了一系列研究，如劉婭琳等[20]提出分布式系統結構應用到智能電網中，依據多樣性負荷的可調特征和空間分布，開展智能配電網的全局優化調度技術研究;余曉明等[2]利用風、光互補特性，提出了基于分布式風光互補混合供電系統，將分散的風力與太陽能組成分布式系統；Huang等2提出多種儲能系統、多種能源設備共同供電，形成多能源一體化供電系統，并針對在多時間尺度上完整的優化調度方法，從日前及日內兩種預測時間進行詳細分析；Nwulu等[23]提出了并網微電網的調度方法，將風-光發電與常規電源達到多能互補，并利用激勵機制納入并網微電網中，達到最優調度策略。

圖2分布式儲能系統結構

Fig.2Structure of distributed energy storage system

在多能互補供電基礎上以節能為目標的間抽制度優化得到了進一步發展，李晨龍等[24]通過人工蜂群差分進化算法解決在“光-電”微網和常規電源的多能互補情況下井群錯峰開井間抽調度的問題。將光伏發電應用于區塊間抽系統中，同時將源-荷兩端的生產參數作為約束條件，建立“光-電”微電網的混合整數非線性模型[25]，實現錯峰開井、整體間抽的目的。檀朝東等[26]提出無儲能的多能互補間抽制度制定方法，通過區塊中的生產需求，考慮井群間的源-荷端約束，建立光-電微網下間抽運行的混合整數非線性模型，實現多能互補間抽制度方法。由此也表明在油田間抽制度的優化進程中，智能算法和多能互補技術的應用已經展現出顯著的潛力和實際價值。

綜上所述，油氣行業已向低碳、新能源方向進行變革，未來，隨著新能源技術的持續創新與油氣行業綠色轉型的深入，多能互補的集成應用將更加成熟，為構建清潔、低碳、高效的能源體系貢獻更大力量。但在實際應用中仍需要解決新能源負荷預測、多能互補集成應用之間出力協調等問題，以減少新能源不穩定性帶來的挑戰，確保油氣生產的平穩運行和能源供給的可靠性。

2 人工智能技術在油氣領域的發展應用

近些年來，人工智能技術在石油勘探開發領域中的應用不斷擴大，已涵蓋沉積儲層研究、測井解釋、物探數據處理、鉆完井技術以及油藏工程等多個領域，并取得了顯著進展

沉積儲層研究方面。部分學者開始借助于巖心圖像的智能化分析實現沉積儲層的精準量化研究，包括王付勇等[27利用深度卷積生成對抗網絡實現巖心圖像重構，趙久玉等[28]基于 U-Nnet++ 網絡分割不同巖心圖像，吳瓊等[29]應用改進NCUT算法并加入K-means聚類算法選擇優化了巖粒分割方法以顯著提升分割效率，并進而增強分割效果的質量與精確度，該部分學者已經取得了一定的工業應用效果，并展現出巨大應用潛力。

測井方面。部分石油企業和科研機構利用機器學習、深度學習等人工智能技術在多個方面開展了探索研究和初步應用。李楓林等[3提出U-Net神經網絡的聲波測井曲線重構方法；谷宇峰等[31]提出利用CRBM模型和PSO模型改進XGBoost模型，實現CRBM-PSO-XGBoost混合模型識別致密砂巖儲層巖性；夏文鶴等[32]通過多尺度空洞卷積與注意力機制提取測井成像圖特征，經多尺度融合后形成新特征。從曲線重構、巖性識別、儲層參數預測、油氣水層識別、成像測井等方面表明，人工智能技術已經深入測井領域。

物探方面。利用目標檢測、圖像分割、圖像分類等計算機視覺技術實現構造解釋、地震相識別、地震波場正演、地震反演、地震數據重建與插值、地震屬性分析等地震數據處理解釋。深度神經網絡已經應用于地震相智能識別中，但由于無監督學習和有監督學習在實際應用中存在的問題，趙冀川等[33]提出半監督對比學習的地震相識別方法，提高了地震相識別精度；賀粟梅[34]提出將深度學習數據驅動模型與KNN機器學習模型相結合的方法，實現地震相智能識別，達到了更好的預期效果

鉆完井方面。Chen等[35將人工智能算法應用于自動評價地質剖面，形成新的地質目標的并眼軌跡設計；Mahmoud等[36-37]將包括人工神經網絡（arti-ficial neural network）、遺傳算法（genetic algorithm）在內的多種人工智能算法應用到可鉆性預測、鉆頭磨損預測、巖性預測，提高了井下環境感知的準確性;Tortrakul 等[38-39]則將大數據分析、聚類算法、KNN等人工智能算法應用于鉆頭的優化設計中；Han 等[40-41]將機器學習應用于機械鉆速人工智能預測中，發現機械鉆速與各影響因素之間的復雜映射關系，根據井下實時工況獲得最佳機械鉆速。人工智能應用已經體現在井眼軌道智能優化、智能導向鉆井、鉆速智能優化等方面，智能化鉆完井可以顯著提高鉆井效率，降低鉆井成本，并且面對井下的多種未知問題時提供更優化的鉆井方案。

油藏工程方面。賈德利等[42]利用精細分層注水“硬數據”實現大數據驅動下的油氣水井智能注水優化以及對高含水期產量進行智能預測[43]，極大地提高了采收率。此外，馬承杰[44]提出基于數據驅動的油藏產量預測方法，建立了基于循環神經網絡的油藏數據驅動模型，較為準確地預測油井的產量變化；不管是智能注水優化還是智能產量預測，這些應用都取得了初步效果。

在油氣勘探開發領域。人工智能技術正深刻改變著傳統作業模式。從沉積儲層研究到測井解釋，再到物探處理、鉆完井及油藏工程，AI技術均展現出顯著的優化能力和預測能力。這些能力不僅展現AI在油氣行業的巨大潛力，更高效的數據處理、更精準的智能預測以及更智能的能源調度也為行業向低碳、新能源轉型所面臨的挑戰提供有力支撐，為解決新能源數據結構復雜、供給不穩定等問題提供對應策略。

3 人工智能驅動下的新能源與油氣產業深度融合展望

2023年新質生產力被首次提出，以綠色能源為底色，以建設新型能源體系為目標，追求清潔、高效的環境友好型發展模型，實現油氣綠色生產[45]。然而新能源與油氣行業的深度融合面臨著諸多挑戰，其中新能源技術如太陽能、風能等具有間歇性特點，與油氣資源的穩定供應模式存在顯著差異，如何有效整合二者，實現能源供應的連續性與穩定性，是當前亟待解決的問題

隨著人工智能技術的不斷發展，其強大的數據處理能力、智能決策支持及自動化操作特性，在油氣勘探、開發、生產及運營等多個環節展現出巨大潛力，為加速實現油氣行業綠色轉型的高質量發展，充分利用人工智能技術的優勢成為關鍵。由此，新能源與油氣產業深度融合的未來趨勢不僅是可以利用人工智能方法處理高緯度且實時性強的非結構化數據，同時可以通過深度學習、機器學習等構建預測模型，實現實時調整與優化、智能調度與控制，推動多能互補與綜合能源系統發展。

3.1基于云計算/邊緣計算的源數據處理

由于風-光供電領域的實際情況高度復雜性與多樣性，現場采集的風-光源數據如風速、時刻溫度、輻射強度等，往往展現出龐大的規模與顯著的質量差異性，人工進行批量處理不僅效率低下，耗費大量時間與人力資源，而且其處理結果難以保證數據的精確性與可靠性。初始數據的質量與數量作為后續分析流程的基石，直接決定了風-光供電預測模型的效能與優化方案的有效性，進而對最終結果的準確性產生影響。因此探索高效、自動化的風-光源數據處理技術與方法，以提升數據質量、確保數據完整性，并優化數據處理流程，成為提升風-光供電模型預測精度與決策支持能力的重要研究方向。

邊緣計算[46-47]技術，以其實時響應、高可靠性的特性，能夠在油氣生產的現場發揮實時處理數據和分析的關鍵作用。主要通過部署在井口、管道等關鍵設施附近的邊緣計算節點，實現對生產過程的實時監控和智能控制，且這些節點能夠迅速處理傳感器數據，進行初步的分析和決策，從而實現對生產環境的快速響應和精確調控。而云計算[48]技術具有強大的計算能力和靈活的資源調度，主要通過集中化的數據處理和存儲，能夠高效地管理和分析大規模生產數據，提供深入的洞察和優化建議，同時云計算支持遠程訪問和協作，使得不同地點的團隊可以共享數據和應用，提升整體工作效率。

云計算平臺能夠集中處理海量風-光源數據，運用先進的算法模型進行深度挖掘，為新能源系統的優化提供科學依據，而邊緣計算則能夠在數據源附近進行初步處理和分析，確保數據的實時性和準確性。云計算強大的數據處理和分析能力與邊緣計算的實時響應特性相結合，通過深度融合恰好滿足該領域的數據采集、處理和分析工作的高要求，實現更精準的預測、調度與優化，從而加速風-光電的并網效率與穩定性，共同構建一個高效、智能、安全的油氣生產和管理體系，為油氣行業的可持續發展注

入新的動力。

3.2 基于深度學習的油氣田能耗預測

油氣田企業的能耗活動主要集中于油藏工程系統、采油工程系統和地面工程系統[49]，如圖3所示。油藏工程在油藏管理中占據核心地位，地下油藏作為油氣生產的源頭，所有油田開發工作均圍繞其展開，其電力消耗以配套的機械設備驅動和保障油氣田安全生產和高效運營的輔助設備為主；采油工程是油田開發中涵蓋完井、采油及其相關工藝、注水、增產措施、油層保護、動態監測等各類工藝技術與工程方案設計的統稱，包括一、二、三次采油等，采油工程是油田開發的重要支柱之一，其電力消耗以采油過程的抽油機耗電和注水過程的注水泵以及輸送設備、監測與控制設備的用電為主；地面工程指的是石油和天然氣開發過程中所需的地面建設項目，包括油氣集輸工程系統和輔助工程系統，是油田開發與生產的重要組成部分，其電力消耗主要集中在脫水、脫氣等處理過程，以及一些輔助設備用電和生活用電。

圖3油田生產過程

Fig.3Oilfield production process

收集油田各個生產環節以及輔助設施用電量數據，將復雜的油氣生產系統細分為多個子系統或單元，包括油氣開采用電量 E_extraction 、油氣集輸用電量E_gathering 、油氣處理用電量 E_processing 等多個方面，因此，油田用電量的數學模型為E_z=E_extraction+E_gathering+E_processing+E_auriliary+E_reservoir. （1）式中， E_extraction 為油氣開采用電量， kW?h;E_gathering 為油氣集輸用電量， kW?h;E_processing 為油氣處理用電量， .kW?h;E_aruiliary 為輔助設施用電量， kW?h ：E_reservoir 為油藏方面用電量， kW?h 。

傳統的油氣田能耗預測方法以經驗模型法為主。經驗模型法[50依賴于歷史數據和人工經驗，通過線性回歸或多元回歸等統計方法進行能耗預測，這種方法假設能耗與影響因素之間的關系是線性的，無法捕捉復雜的非線性關系，且高度依賴人工經驗，缺乏科學性和通用性。此外，由于油田的能耗需求也會受到季節性變化影響，如冬季原油的流動性差，需要更多的熱能維持生產和運輸，在面對這種生產環境的動態變化情況下，傳統方法的準確度更加有限。而季節性節能策略能夠幫助識別能源使用中的高峰和低谷期，從而可以調整生產班次和設備運行時間，進一步降低能耗成本，提升油田的經濟效益和運營效率，油田也通過制定季節性節能策略，可以優化能源配置，減少不必要的能耗，提高整體能源使用效率。

為了探究負荷變化與油田作業模式之間的內在聯系，同時為制定季節性節能策略提供可靠依據，借助深度學習的數據處理與運算能力構建層次化的計算模型，自動學習并抽象出數據復雜特征，實現對目標問題的精確預測與決策支持，提升處理復雜問題的效率與準確性。通過收集油田生產環節的耗能數據以及分析負荷的季節性變化規律，可以發現部分數據處于變化量極小的靜態模式，其余數據則處于以時間為序列的動態變化中，因而基于歷史生產數據和能耗特點，綜合考慮油田開發階段、產能變化等多個關鍵因素，利用深度學習算法構建如圖4所示的混合能耗預測模型，以油田生產環節的耗能數據作為源數據輸入，將油氣開采、油氣集輸、油氣處理等環節的相關參數分為靜態信息和動態信息，如孔隙度、滲透率、管徑、加熱器功率等作為靜態信息，注水量、輸送量、污水處理量等作為動態信息，基于深度神經網絡融合動靜態特征預測各生產環節隨季節性變化的能耗，即通過長短期記憶網絡（LSTM）對動態信息進行處理，以捕捉時間序列特征；靜態信息則通過全連接層（fullyconnectedlayer）進行特征提取。并將經過FCL處理的靜態特征和經過LSTM處理的動態特征在融合層中合并，采用串聯的方式生成綜合特征，從而輸出生產環節在不同季節的能耗，表示為

F_synthesis=[F_dynamic，F_static].

式中， F_dynamic 和 F_static 分別為動態和靜態特征向量。

3.3基于人工智能的風-光電預測與優化調度

風-光電預測性調度研究主要通過構建高效預測模型，整合和分析歷史數據、天氣預報、氣象數據等多源信息，以智能化手段對風能和光能發電量進行短期和中長期預測[51-52]，短期預測主要用于確保電力系統的實時平衡，可以通過門控循環單元（GRU）等方法進行預測。而中長期預測則側重于規劃和策略制定，通常使用更加復雜的深度學習模型，如長短期記憶網絡（LSTM）或變分自編碼器（VAE）等，以捕捉風能和光能發電量隨時間和季節變化的趨勢。基于風-光電發電量預測結果并結合油氣田用電側能耗需求，以新能源風-光電消納量最大為主要目標，引入多時間尺度雙層優化模型，在時間尺度上進行分層處理，建立上層的日前調度（中長期）與下層的日內調度（短期）的能源調度策略[53]

圖4基于深度學習的預測模型

Fig.4Deep learning-based prediction model

調度系統主要目標模型為m （3）式中， 為當前時刻； m 為預測時段； 為 t+ m 時刻新能源發電輸出功率參考值， kW?h;P_c（t+ m ）為 t+m 時刻常規電源輸出功率參考值， kW?h ：P_z 為油氣田用電側需求量， kW?h 。

日前調度階段。利用風 光電發電量的中長期預測結果以及油氣田能耗需求，通過粒子群優化（PSO）或者混合整數線性規劃（MILP）[54]對發電計劃分配方案進行優化，形成對未來一天的能源分配策略。

日內調度階段。基于短期的實際發電情況和負荷變化，在日前調度分配方案基礎上，通過自適應粒子群優化或動態規劃等優化算法，對比短期實際情況和日前調度方案的偏差，細化并調整各時段的電力調度方案，確保風-光電發電量的充分利用，同時滿足油氣田的即時能耗需求，實現更加精細化和靈活的能源管理

該調度系統能夠提前預判風、光資源變化趨勢，自動調整發電計劃，即在風能和光伏發電量較高時，優先調度新能源，最大化其利用率，降低碳排放[55]在風光資源不足時，提前調度常規電源，確保新能源發電與電網需求的動態平衡，提升新能源的并網比例與系統運行穩定性，為構建綠色、低碳、智能的能源體系提供堅實的技術支撐與決策依據。

數字化轉型對風-光電發電技術的信息化管理與協同、創新與發展產生了積極影響。通過遠程集中監控和管理、信息互聯互通以及能源交易的信息化和自動化，風-光發電技術實現了更高效、更智能的運營方式，并為能源供給的平衡和穩定做出了貢獻。

4結論

（1）在“雙碳”目標的新時代背景下，新能源作為推動油氣行業可持續發展的必然路徑，已經在天然氣輸送與儲存、水力壓裂、間歇采油等領域得到應用，提升了能源系統的整體效能和環境友好性，然而新能源的間歇性、不穩定性仍然給油氣行業的安全性、可靠性和經濟性帶來了挑戰。

（2）為有效解決新能源的供能不穩定性問題，可以通過云計算與邊緣計算的深度融合高效處理新能源高維度、非結構化的數據問題，并進一步通過智能預測油氣生產中的耗能、利用人工智能技術優化調度模式，使得風電、光電等間歇性能源得以更加穩定、高效地接入電網，實現需求端降本增效、供給側節能減排。

（3）通過人工智能技術實現新能源的穩定供給、油氣生產的智能預測，不僅可以為油氣行業的高質量發展提供重要技術支持，更能加速新型能源在油氣領域的應用，促進油氣行業能源結構轉型，人工智能驅動新能源在油氣領域的探索與應用對于推動行業高質量發展具有重要意義。

參考文獻：

[1］李麗萍，樊桂紅，于淇.東北地區油氣資源型城市碳達峰預測[J].河北環境工程學院學報，2024，34（3）：1-10.LI Liping，FAN Guihong，YU Qi. Carbon peak predic-tion for oil and gas resource cities in northeast China[J].Journal of Hebei Universityof EnvironmentalEngineer-ing，2024，34（3） ：1-10.

[2] 劉合，許建國，蘇健，等.采油采氣工程智能化愿景[J].石油科學通報，2023，8（4）：398-414.LIU He，XU Jianguo，SU Jian， et.al. Prospects for in-telligent oil and gasproduction [J]．Petroleum ScienceBulletin，2023，8（4） ：398-414.

[3］劉合.油氣勘探開發數字化轉型人工智能應用大勢所趨[J].石油科技論壇，2023，42（3）：1-9，47.LIU He.Digital transformation of oil and gas explorationand development，unstoppable AI application [J].Petro-leum Science and Technology Forum，2023，42（3） ： 1-9，47.

[4］光新軍，閆娜.能源轉型背景下油氣工程技術發展新方向[J].石油鉆探技術，2024，52（4）：151-157.GUANG Xinjun， YAN Na. A new direction for the devel-opment of oil and gas engineering technology in the con-text of energy transition[J].Petroleum Drilling Tech-niques，2024，52（4） ：151-157.

［5］董煥忠，熊波，王道成，等.“綠色發展西南模式”的思考與實施路徑：以中國石油西南油氣田公司為例[J].天然氣工業，2022，42（4）：149-155.DONG Huanzhong， XIONG Bo，WANG Daocheng， et al.Thinking and implementation path of \"green developmentmode in southwest China\"： a case study on PetroChinasouthwest oil amp; gasfield company[J] Natural Gas Indus-try，2022，42（4） ：149-155.

[6]李寶軍，朱力洋，王文利，等.川渝地區天然氣與水電融合發展戰略初探[J].天然氣工業，2021，41（5）：136-143.LI Baojun， ZHU Liyang，WANG Wenli，et al. Integrateddevelopment strategy of natural gas and hydropower in Si-chuan-Chongqing area[J]. Natural Gas Industry，2021，41（5） ：136-143.

［7］王路.中國石油最大清潔電力項目在吉林加快推進[J].天然氣與石油，2022，40（2）：148.WANG Lu. PetroChina speeds up its largest clean powerproject in Jilin[J]． Natural Gas and Oil，2022，40

（2） ：148.

[8] 任若軒，游雙矯，朱新宇，等.天然氣摻氫輸送技術發展現狀及前景[J].油氣與新能源，2021，33（4）：26-32.REN Ruoxuan，YOU Shuangjiao， ZHU Xinyu，et al. De-velopment status and prospects of hydrogen compressednatural gas transportation technology[J]. Petroleum andnew energy，2021，33（4） ：26-32.

[9］王震，孔盈皓，李偉.“碳中和\"背景下中國天然氣產業 發展綜述[J].天然氣工業，2021，41（8）：194-202. WANG Zhen，KONG Yinghao，LI Wei. Review on the development of China's natural gas industry in the background of \"carbon neutrality\"[J]. Natural Gas Industry， 2021，41（8） ：194-202.

[10］趙偉，徐寧，陸凱凱，等.運銷分離下的天然氣管網運 輸能力分配優化研究［J].中國石油大學學報（自然 科學版），2024，48（4） ：181-189. ZHAO Wei， XU Ning，LU Kaikai， et al. Research on capacity alocation optimization of natural gas pipeline networks under separation of transportation and marketing[J]. Journal of China University of Petroleum （Edition of Natural Science），2024，48（4） ：181-189.

[11］周瑩，葉嘉樂，于姍，等.“雙碳”目標下天然氣分布式 能源發展現狀及機遇[J].天然氣工業，2024，44（2）： 23-29. ZHOU Ying，YE Jiale，YU Shan，et al. Development status and opportunities of natural gas distributed energy resource under the goal of \" dual carbon\"[J]. Natural Gas Industry， 2024，44（2） ：23-29.

[12］石云，潘繼平，王愷，等.“雙碳”背景下天然氣與新能 源融合發展路徑及策略［J].油氣與新能源，2023，35 （4） ：1-6. SHI Yun，PAN Jiping，WANG Kai，et al. The paths and strategies of integrated development of natural gas and new energy in the context of \"Double Carbon\"[J]. Petroleum and New Energy，2023，35（4） ：1-6.

[13]LIU D，LI J， ZOU C，et al. Recycling flowback water for hydraulic fracturing in Sichuan Basin，China：implications for gasproduction，water footprint，and water quality of regenerated flowback water[J]. Fuel，2020， 272：117621.

[14］王才，師俊峰，李進雅，等.光儲智能間抽采油系統原 理和優化設計//2023油氣田勘探與開發國際會議論 文集Ⅲ[C].北京：中國學術期刊（光盤版）電子雜志 社，2023：613-623.

[15］劉合，高甲善，王雪艷.關于抽油機井合理間抽制度 的研究［J].石油鉆采工藝，2000，22（1）：69-72，86. LIU He，GAO Jiashan，WANG Xueyan. Research on reasonable intermittent pumping system of oil pumping

well[J].OilDrillingamp;Production Technology，2000，22（1） ：69-72，86.

[16」于小明，何員中，金央三.捆油機開間抽制度臺埋性研究[J].大慶石油地質與開發，2006，25（4）：78-79.YU Xiaoming，HE Guanzhong，JIN Yinglan. Study onrationality of intermitent pumping system forpumpingwell[J].Petroleum Geologyamp; Oilfield Development inDaqing，2006，25（4） ：78-79.

[17］李軍亮，廖銳全，陳曉春.抽油井間抽周期的灰色預測[J].斷塊油氣田，2012，19（5）：634-637.LI Junliang，LIAO Ruiquan，CHEN Xiaochun. Greyprediction of intermittent cycle for pumping well [J].Fault-Block Oil amp; Gas Field，2012，19（5）：634-637.

［18］張鑫.基于大數據的多參數融合間歇采油機制預測模型[D].西安：西安石油大學，2020.ZHANG Xin. A prediction model of multi-parameter fu-sion intermittent oil recovery mechanism based on bigdata[D]. Xi'an：Xi'an Shiyou University，2020.

[19］張小榮，姜志剛，鄢長頡.智能間抽技術在華慶超低滲透油藏的應用[J].油氣田地面工程，2014，33（12） ：8-9.ZHANG Xiaorong， JIANG Zhigang，YAN Changjie.Application of intelligent inter-pumping technology inHuaqing ultra-low permeability reservoir[J]. Oil-GasField Surface Engineering， 2014，33（12） ：8-9.

［20］劉婭琳，沈浩東，杜紅衛，等.智能配電網優化調度技術研究綜述//中國電機工程學會.2013年中國電機工程學會年會論文集［C].北京：中國電力出版社，2013：2136-2140.

[21］余曉明，曾君，郭紅霞，等.基于multi-Agent和Petri網的分布式風光互補系統［J].控制理論與應用，2008，25（2） ：353-356，360.YU Xiaoming，ZENG Jun，GUO Hongxia，et al. Dis-tributed wind-PV system based on multi-Agent and Petrinets[J]. Control Theory amp; Applications，2008，25（2） ：353-356，360.

[22]HUANG X， YANG B，YUF，et al. Optimal dispatch ofmulti-energy integrated micro-energy grid： a model pre-dictive control method[J]．Frontiers in Energy Re-search，2021，9：766012.

[23]NWULU N I， XIA X. Optimal dispatch for a microgridincorporating renewables and demand response[ J]． Re-newable Energy，2017，101（FEB） ：16-28.

［24］李晨龍，高小永，檀朝東，等.基于人工蜂群差分進化算法的“光-電”微網下的抽油機井群間抽調度優化//2023中國油氣人工智能科技大會論文集［C].北京：中國石化出版社，2023：118-129.

［25］高小永，李晨龍，檀朝東，等.無儲能光-電微網下的GAU Xiaoyong，Ll Lhenlong，TAN Lhaodong，et al. Amixed integer nonlinear optimization method for interwell pumping between pumping units in a non energystorage opto electric microgrid[J]. Oil Drilling amp; Pro-duction Technology，2023，45（6） ：773-782.

[26］檀朝東，李玉澤，高小永，等.叢式井場抽油機井群錯峰開井間抽運行調度優化［J].西安石油大學學報（自然科學版），2021，36（5）：83-90.TAN Chaodong，LI Yuze， GAO Xiaoyong， et al. Sched-uling optimization of staggered peak intermittent pumpingof pumping well group in cluster well site[J]. Journal ofXi'an Shiyou University （Natural Science Edition），2021，36（5） ： 83-90.

[27］王付勇，趙久玉.基于深度學習的數字巖心圖像重構及其重構效果評價［J].中南大學學報（自然科學版），2022，53（11） ：4412-4424.WANG Fuyong， ZHAO Jiuyu. Digital rock image recon-struction based on deep learning and its reconstructionperformance evaluation[J]. Journal of Central South U-niversity：Science and Technology，2022，53（11）：4412-4424.

[28］趙久玉，蔡建超.基于Une ⁺⁺ 網絡的數字巖心圖像分割泛化能力［J].中國石油大學學報（自然科學版），2024，48（2） ：118-125.ZHAO Jiuyu， CAI Jianchao. Generalization ability anal-ysis of digital rock image segmentation based on Unet++ network[J]. Journal of China University of Petroleum（Edition of Natural Science），2024，48（2） ：118-125.

[29］吳瓊，劉衍聰，伊鵬，等.基于NCUT優化的巖心體視圖像巖粒分割方法[J].計算機輔助設計與圖形學學報，2018，30（3） ：485-490.WU Qiong，LIU Yancong， YI Peng，et al. Particle seg-mentation algorithm for core stereo microscopic imagesbased on optimizational NCUT[J]. Journal of Computer-Aided Design amp; Computer Graphics，2018，30（3） ：485-490.

[30] 李楓林，劉懷山，楊熙鐳，等.基于U-Net 神經網絡的聲波測井曲線重構[J].中國海洋大學學報（自然科學版），2023，53（8）：86-92，103.LI Fenglin，LIUHuaishan，YANG Xilei，et al. Recon-struction of acoustic curve based on U-Net neural net-work［J].Periodical of Ocean University of China，2023，53（8） ：86-92，103.

[31]谷宇峰，張道勇，鮑志東.利用混合模型 CRBM-PSO-XGBoost識別致密砂巖儲層巖性［J].石油與天然氣地質，2021，42（5）：1210-1222.

GU Yufeng，ZHANG Daoyong，BAO Zhidong. Lithology identification in tight sandstone reservoirs using CRBMPSO-XGBoost[J]. Oil amp; Gas Geology，2021，42（5）： 1210-1222.

[32] 夏文鶴，朱喆昊，韓玉嬌，等.電阻率測井成像圖井壁 裂縫智能識別與分割方法[J].石油地球物理勘探， ∠025，58（5） ：104∠-1052. XIA Wenhe， ZHU Zhehao，HAN Yujiao，et al. Intelligent identification and segmentation method of wellbore fractures in resistivity logging imaging map[J]. Oil Geophysical Prospecting，2023，58（5） ：1042-1052.

[33］趙冀川，陳雙全，李洪，等.基于半監督對比學習的地 震相智能識別方法研究[J].石油物探，2024，63（3）： 633-644. ZHAO Jichuan，CHEN Shuangquan，LI Hong，et al. Intellgent recognition of seismic facies based on contrastive semi-supervised learning[J]. Geophysical Prospecting For Petroleum，2024，63（3） ：633-644.

［34］賀粟梅.地質知識引導的多類別地震相智能識別方 法研究［D].北京：中國石油大學（北京），2023. HE Sumei. Research on multi-category seismic phase intelligent identification method guided by geological knowledge[D].Beijing： China University of Petroleum （Beijing），2023.

[35]CHEN Dong，MAO Kaifeng，YE Zhihui，et al. An artificial intelligent well trajectory design method combining both geological and engineering objectives[J]. Geoenergy Science and Engineering，2024，212736：2949-8910.

[36]MAHMOUD A A，GAMAL H，ELKATATNY S. Evaluation of the wellbore drill ability while horizontally drilling sandstone formations using combined regression analysis and machine learning models[J]. Journal of Petroleum Exploration and Production Technology，2023，13 （7） ：1641-1653.

[37]DAVOODI S，MEHRAD M，WOOD D A，et al. Predicting uniaxial compressive strength from drilling variables aided by hybrid machine learning[J]. International Journal of Rock Mechanics and Mining Sciences，2023， 170 ：105546.

[38］TORTRAKUL N， POCHAN C， SOUTHLAND S， et al. Drilling performance improvement through use of artificial intelligence in bit and bottom hole assembly selection in gulf of Thailand[R]. SPE-201079-MS，2021.

[39]RASHIDI B，HARELAND G， TAHMEEN M，et al. Real-time bit wear optimization using the intelligent drilling advisory system[R] SPE-136006-MS，2010.

[40]HAN J， SUN Y， ZHANG S. A data driven approach of ROP prediction and drilling performance estimation

[R].IPTC-19430-MS，2019.

[41] ANEMANGELYM，RAMEZANZADEHA，TOKHMECHIB，et al. Drilling rate prediction from petrophysical logs and mud logging data using an optimized multilayer perceptron neural network［J]． Journal of Geophysics and Engineering，2018，15（4） ：1146-1159.

[42]賈德利，劉合，張吉群，等.大數據驅動下的老油田精 細注水優化方法[J].石油勘探與開發，2020，47（3）： 629-636. JIA Delim，LIU He， ZHANG Jiqun，et al. Data-driven optimization for fine water injection in a mature oil field [J]. Petroleum Exploration and Development， 2020，47 （3） ：629-636.

[43］劉合，李艷春，杜慶龍，等.基于多變量時間序列模型 的高含水期產量預測方法［J].中國石油大學學報 （自然科學版），2023，47（5）：103-114. LIU He，LI Yanchun，DU Qinglong，et al. Prediction of production during high water-cut period based on multivariate time series model[J]. Journal of China University of Petroleum（Edition of Natural Science），2023， 47（5） ：103-114.

[44］馬承杰.基于循環神經網絡的油藏產量預測方法 [J].內蒙古石油化工，2021，47（5）：108-112. MA ChengJie. The prediction method of reservoir production based on recurrent neural network method[J]. Inner Mongolia Petrochemical Industry，2021，47（5）： 108-112.

[45］楊溯，孫仁金.新質生產力助推油氣企業轉型的機理 和方向[J].國際石油經濟，2024，32（6）：1-10. YANG Su，SUN renjin. Mechanisms and directions of new quality productivity to facilitate transition of oil and gas enterprises[J]. Intermational Petroleum Economics， 2024，32（6） ：1-10.

[46]賈志鵬，崔強，周婷，等.邊緣計算在油氣行業的應用 場景與實踐[J].自動化博覽，2022，39（8）：52-56. JIA Zhipeng，CUI Qiang， ZHOU Ting，et al. Application scenarios and practices of edge computing in oil and gas industry[J]. Automation Panorama， 2022，39（8） ： 52-56.

［47］葉康林，肖逸軍，鄭駿偉，等.基于邊緣計算的物網技 術在智能油氣田中的應用研究［J].工業控制計算 機，2022，35（2） ：35-36，38. YE Kanglin，XIAO Yijun，ZHEN Junwei，et al. Research on the application of IoT technology based on edge computing in intelligent oil and gas fields[J]. Industrial Control Computer， 2022，35（2） ：35-36，38.

[48］王娟，姚衛華，石玉江，等.基于云架構的油氣藏數據 智能管理技術[J].天然氣工業，2014，34（3）：

137-141.

WANG Juan，YAO WeiHua，SHI Yujiang，et al. Seamless integrating and parallel processing based on cloud architectureforhydrocarbonreservoirdata[J].Natural Gas Industry，2014，34（3） ：137-141.

[49] 李曉東.中國油氣田企業采油過程節能降耗績效評 價研究：以大慶油田某采油廠為例[D].北京：中國地 質大學（北京），2009. LI Xiaodong. Research on the performance evaluation of energy saving and consumption reduction in the oil production process of oil and gas field enterprises in China： a case study of an oil production plant in Daqing Oilfield [D].Beijing：China University of Geosciences（Beijing），2009.

[50] 樊文杰.抽油機井能耗公式的建立與測試[J].油氣 田地面工程，2001，20（6）：8-10. FAN Wenjie. Establishment and testing of pumping unit well energy loss formula[J]. Oil-Gas Field Surface Engineering，2001，20（6）：8-10.

[51] YINR，LID，WANGY，etal. Forecasting method of monthly wind power generation based on climate model and long short-term memory neural network[J]. Global Energy Interconnection，2020，3（6） ：571-576.

[52] 華科，王智超，姚遙，等.基于分位數映射法的太陽能 精細化分布評估及長時預測［J].中國石油大學學報 （自然科學版），2024，48（4）：198-205. HUA Ke，WANG Zhichao，YAO Yao，et al. Refined distribution evaluation and long term prediction of solar energy based on quantile mapping method[ J]. Journal of China University of Petroleum（Edition of Natural Science），2024，48（4） ：198-205.

[53] HUANG X，YANG B， YUF， et al. Optimal dispatch of multi-energy integrated micro-energy grid：a model predictive control method[J]. Frontiers in Energy Research，2021，9：766012.

[54] 羅彬，陳永燦，劉昭偉，等.梯級水光互補系統最大化 可消納電量期望短期優化調度模型[J].電力系統自 動化，2023，47（10）：66-75. LUO Bin，CHEN Yongcan，LIU Zhaowei，et al. Shortterm optimal dispatch model for maximizing expectation of accommodation power of cascade hydro-photovoltaic complementary system[J]. Automation of Electric Power Systems，2023，47（10） ：66-75

[55] 張向陽，劉樹仁，劉寶亮，等.基于關鍵特征排序的可 解釋碳排放預測模型［J].中國石油大學學報（自然 科學版），2024，48（4）：190-197. ZHANG Xiangyang，LIU Shuren，LIU Baoliang，et al. Interpretable carbon emission prediction model based on key feature ranking[J]. Journal of China University of Petroleum（Edition of Natural Science），2024，48（4） ： 190-197.

（編輯 沈玉英）