基于MEA-BP神經網絡熱油管道預測模型研究

于濤 李傳憲 張杰

摘 ? ? ?要：長輸熱油管道運行過程中，油溫的準確預測是管道安全優化生產的前提。針對以往油溫預測方法的誤差大，推廣應用難等問題，提出利用Back Propagation（BP）神經網絡和思維進化算法（Mind Evolutionary Algorithm，MEA）優化算法，建立MEA-BP油溫預測模型。利用相關性算法獲得模型輸入參數，下載處理SCADA系統實際生產數據，對模型進行訓練。將MEA-BP預測模型應用于實際生產，油溫預測誤差為0.49 ℃，相比理論公式及其它預測模型，具有泛化性好、預測準確性高等特點。通過研究獲得基于大數據分析方法可有效實現長輸管道業務需要，為管道大數據平臺分析應用，未來智能化控制奠定基礎。

關 ?鍵 ?詞：原油管道;BP神經網絡;MEA

中圖分類號：TQ 015 ? ? ? 文獻標識碼： A ? ? ? 文章編號： 1671-0460（2020）04-0751-06

Abstract： During the operation of long-distance hot oil pipelines， the accurate prediction of oil temperature is the prerequisite for safe and optimized production of pipelines. Aiming at the large error of the oil temperature prediction method and the difficulty of popularization and application， the Back Propagation （BP） neural network and the Mind Evolutionary Algorithm （MEA） optimization algorithm was used to establish the MEA-BP oil temperature prediction model. The correlation algorithm was used to obtain the model input parameters， and the actual production data of the SCADA system were downloaded and processed， and the model was trained. The MEA-BP prediction model was applied to actual production， and the oil temperature prediction error was 0.49 ℃. Compared with the theoretical formula and other prediction models， it has the characteristics of good generalization and high prediction accuracy. The research based on the big data analysis method can effectively meet the long-distance pipeline business needs， and lay the foundation for the analysis and application of the pipeline big data platform and the future intelligent control.

Key words： Crude oil pipeline; BP neural network; MEA

高含蠟原油通過管道輸送時，運行過程中管壁易結蠟，導致管道有效直徑減小，動力費用增大，能耗增加[1]。同時管壁結蠟給管道清管和內檢測工作帶來較大風險，極易發生管道蠟堵、初凝等事件。管輸高凝原油加熱輸送是目前最常用的方法，通過提高沿線油品溫度降低黏度，保證進站油溫處于安全范圍，同時具備管段清洗，減小摩阻的作用。但過高的管輸油溫，導致熱能損失較大，與節能降耗相違背。所以根據運行規程要求合理控制管輸油溫，是保證長輸熱油管道安全運行，減少熱能、動能損耗，優化節能的基本出發點。

熱油管道油溫的有效控制首先需要對油溫進行準確計算預測，目前對于油溫預測的方法主要有兩個方向，一是通過理論及熱力學公式，將管道劃分區域，建立油溫預測模型，如王海勤[2]針對管輸含蠟原油在不同溫度區間比熱不同，利用能量平衡建立沿程溫度分布公式，提升沿線溫降預測準確性。二是解析法，將數值計算與熱力學公式結合，建立油溫預測模型，如Yu B等[3-5]采用非結構化網絡和有限元容積法對不同月份、不同流量和不同出站油溫下的工況進行較為準確的模擬。以上學者對于熱油管道油溫預測取得一定的成果，但建立的計算公式和預測模型，需要管道準確的設計參數、沿線溫度場、土壤導熱系數等參數，實際應用時，因熱油管道站間距較長，參數獲取難度大，推廣應用的準確性和適應性較差。

近年來，隨著計算機應用技術的發展，數據挖掘算法因能解決大規模非線性、復雜問題，被廣泛應用于參數預測、人工智能等領域。石油行業的大數據應用在化工優化[6]，測井數據評價[7]，鉆井工程智能決策支持[8]，管道內檢測[9]、泄漏檢測[10]等方面廣泛應用。基于數據挖掘的熱油管道油溫預測模型研究較少，其中魏立新等[11]利用相關向量機算法（RVM），建立溫降與出站油溫、出站壓力、輸量、地表溫度、埋深、管長、管徑和油品物性之間的關系，通過現場實際參數訓練預測，預測結果平均相對誤差降低4.43%，具有預測精度高、泛化性好等優點。當前長輸管道Supervisory Control And Data Acquisition（SCADA）控制系統的推廣應用，存儲了大量歷史運行數據，基于上述數據挖掘算法在石油行業的應用經驗[12]，使用數據挖掘算法建立油溫預測模型，可行性較大。因此本文通過研究熱油管道油溫及與其相關的影響因素特點，選取BP神經網絡模型，建立非線性參數的對應關系，并利用MEA優化BP神經網絡模型，最終建立MEA-BP油溫預測模型，實現熱油管道油溫的準確預測。