System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及原油管道输送,特别涉及一种原油管道清管后摩阻预测模型的训练方法,多步摩阻预测方法、异常工况监测方法及装置。
技术介绍
1、我国所生产的原油大多是易凝原油,易凝原油含蜡量较高。原油管道中热油在管道种向前输送,原油的温度不断被周围环境降低,当温度低于原油析蜡点温度时,管壁内部就会逐渐有蜡沉积,给输送带来很多困难。结蜡不仅会增加管道运行的能耗,影响管道的安全运行,而且还可能造成管内原油冷却胶凝导致凝管事故,给管道的输送带来很大的安全隐患。最早发展起来并被广泛应用的一种清蜡技术就是清管,合理的清管周期和输送期间管道相关参数的监测,为制定经济有效的清管方案和管道优化运行方案提供依据。
2、对清管周期的确定方法中,对清管周期的判断依赖于操作人员的主观经验,一是对调度员得专业和经验要求较高,且容易受主观影响;二是工作时间或精力有限,易疲劳,受情绪波动;三是效率低、速度慢、不易信息集成。当一个异常工况出现到调度员发现,再作出相应的措施至少一个小时甚至更长时间过去了,这很有可能延误异常处理的最佳时期。另外,在实际工程应用中,出现的工况多种多样,基于理论计算的方法进行清管周期的确定并不适合。综上所述,现有方法费时费力而精度和适用度都不高。因此,亟需一种既能高效准确的给出清管指导,又能对输送中的管道当前情况及未来情况有所监测和预测的方法。
技术实现思路
1、鉴于上述问题,提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种原油管道清管后摩阻预测模型的训练方法
2、第一方面,本专利技术实施例提供一种原油管道清管后摩阻预测模型的训练方法,包括:
3、获取两次清管间隔之间,原油输送管段的前站输量、前站的出站压力和后站进站压力、前站和后站的高程以及前站和后站的里程的历史采样数据,以及对应的采样时刻信息;
4、根据所述原油输送管段的前站输量、前站的出站压力和后站进站压力、前站和后站的高程以及前站和后站的里程的历史采样数据,计算出各采样时刻对应的管线摩阻值并转换成对应基准摩阻值;
5、根据各采样时刻对应的基准摩阻值,形成基准摩阻值的时序数据;
6、将所述基准摩阻值的时序数据,划分为训练数据集和测试数据集;
7、迭代使用训练数据集对预设的神经网络模型进行训练,并使用测试数据集对所述神经网络模型输出的预测值的误差进行评价,直至达到预设的收敛条件,得到所述原油管道清管后摩阻的预测模型;所述预测值包括多个时刻所述原油输送管段的基准摩阻值。
8、根据所述原油输送管段的前站输量、前站的出站压力和后站进站压力、前站和后站的高程以及前站和后站的里程的历史采样数据,计算出各采样时刻对应的管线摩阻值,包括:
9、按照下述公式计算管线摩阻值:
10、
11、上式中,pc为所述前站的出站压力;pr为所述后站的进站压力;
12、ρ为原油输送管段输送的原油的密度;g为重力加速度;
13、hc为所述前站的高程;hr为所述后站的高程;
14、lc为所述前站的里程;lr为所述后站的里程。
15、按照下述公式,将所述管线摩阻值,转换成对应基准摩阻值:
16、
17、q为前站的输量。
18、摩阻值的时序数据,包括若干按照时间先后顺序排列的不同采样时刻的管线摩阻值;
19、所述根据各采样时间对应的基准摩阻值,形成摩阻的时序数据之后,所述方法还包括:
20、计算时序数据中每个时刻与前一个时刻的基准摩阻值之间的相关系数;
21、若所述相关系数大于等于预设的阈值,则确认存在相关关系;
22、将存在相关关系的基准摩阻值的时序数据,作为训练数据集和测试数据集中的数据。
23、相关系数通过下述方式计算:
24、
25、其中x0,x-1,x-n分别代表当前时刻基准摩阻值,前一采样时刻的基准摩阻值,前n个采样时刻的基准摩阻值。
26、所述训练数据集和测试数据集中的数据为下述三维矩阵的形式:
27、xn→(xsamples,xstep,xfeatures);
28、其中,xn表示时间序列样本,xsamples表示每次输入数据的个数,xstep表示用前多少个时刻的基准摩阻的数据来预测,xfeatures表示预测的特征个数,为1个。
29、所述神经网络模型为lstm神经网络模型;
30、所述lstm神经网络模型中,采用周期性滑动窗口,每完成一个周期将测试集的预测值重新替换为真实值,将长时间序列拆分为多个短时间序列;
31、在单个周期内,采用多模型循环滚动预测模式,将上次的预测值,添加至下一次的输入,重新预测,循环往复,直至达到该周期设的预测步数为止。
32、并使用测试数据集对所述神经网络模型输出的预测值的误差进行评价,包括:
33、采用所述神经网络模型输出的预测值的平均绝对误差mae或均方根误差rmse对所述模型的预测精度进行评价;
34、所述平均绝对误差为:
35、所述均方根误差为:
36、为预测值,yi为真实值。
37、第二方面,本专利技术实施例提供一种原油管道清管后摩阻的多步预测方法,包括:
38、获取采集的原油输送管段的前站输量、前站的出站压力和后站进站压力、前站和后站的高程以及前站和后站的里程的历史采样数据,以及对应的采样时刻信息;
39、根据获取到的原油输送管段的前站输量、前站的出站压力和后站进站压力、前站和后站的高程以及前站和后站的里程的历史采样数据,计算出各采样时刻对应的管线摩阻值并转换成对应基准摩阻值;
40、根据各采样时刻对应的基准摩阻值,形成基准摩阻值的时序数据;
41、对所述时序数据进行处理后,输入预先训练完成的原油管道清管后摩阻的预测模型,通过所述预测模型输出未来多个时刻所述原油输送管段的基准摩阻值;
42、所述原油管道清管后摩阻的预测模型为如前述的原油管道清管后摩阻的预测模型的训练方法得到的。
43、第三方面,本专利技术实施例提供一种异常工况的监测方法,包括:
44、获取通过如前述原油管道清管后摩阻的多步预测方法得到的未来多个时刻原油输送管段的基准摩阻值;
45、将所述未来多个时刻所述原油输送管段的基准摩阻值与预设的预警阈值和/或报警阈值进行比较;
46、根据比较的结果,确定是否进行异常工况的预警和/或报警。
47、第四方面,本专利技术实施例提供一种原油管道清管后摩阻的多步预测模型的训练装置,包括:
48、第一获取模块,用于获取两次清管间隔之间,原油输送管段的前站输量、前站的出站压力和后站进站压力、前站和后站的高程以及前站和后站的里程的历史采样数据,以及对应本文档来自技高网...
【技术保护点】
1.一种原油管道清管后摩阻预测模型的训练方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,根据所述原油输送管段的前站输量、前站的出站压力和后站进站压力、前站和后站的高程以及前站和后站的里程的历史采样数据,计算出各采样时刻对应的管线摩阻值,包括:
3.如权利要求2所述的方法,其特征在于,按照下述公式,将所述管线摩阻值,转换成对应基准摩阻值:
4.如权利要求1所述的方法,其特征在于,基准摩阻值的时序数据,包括若干按照时间先后顺序排列的不同采样时刻的管线摩阻值;
5.如权利要求4所述的方法,其特征在于,相关系数通过下述方式计算:
6.如权利要求1-5任一项所述的方法,其特征在于,所述训练数据集和测试数据集中的数据为下述三维矩阵的形式:
7.如权利要求6所述的方法,其特征在于,所述神经网络模型为LSTM神经网络模型;
8.如权利要求7所述的方法,其特征在于,所述LSTM神经网络模型中,采用周期性滑动窗口,每完成一个周期将测试集的预测值重新替换为真实值;
9.如权利要求6所述的方
10.一种原油管道清管后摩阻的多步预测方法,其特征在于,包括:
11.一种异常工况的监测方法,其特征在于,包括:
12.一种原油管道清管后摩阻的预测模型的训练装置,其特征在于,包括:
13.一种原油管道清管后摩阻的多步预测装置,其特征在于,包括:
14.一种异常工况的监测装置,其特征在于,包括:
15.一种计算设备,其特征在于,包括:存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-9任一项所述的原油管道清管后摩阻的预测模型的训练方法,或者实现如权利要求10所述的原油管道清管后摩阻的多步预测方法,或者实现如权利要求11所述的异常工况的监测方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-9任一项所述的原油管道清管后摩阻的预测模型的训练方法,或者实现如权利要求10所述的原油管道清管后摩阻的多步预测方法,或者实现如权利要求11所述的异常工况的监测方法。
...【技术特征摘要】
1.一种原油管道清管后摩阻预测模型的训练方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,根据所述原油输送管段的前站输量、前站的出站压力和后站进站压力、前站和后站的高程以及前站和后站的里程的历史采样数据,计算出各采样时刻对应的管线摩阻值,包括:
3.如权利要求2所述的方法,其特征在于,按照下述公式,将所述管线摩阻值,转换成对应基准摩阻值:
4.如权利要求1所述的方法,其特征在于,基准摩阻值的时序数据,包括若干按照时间先后顺序排列的不同采样时刻的管线摩阻值;
5.如权利要求4所述的方法,其特征在于,相关系数通过下述方式计算:
6.如权利要求1-5任一项所述的方法,其特征在于,所述训练数据集和测试数据集中的数据为下述三维矩阵的形式:
7.如权利要求6所述的方法,其特征在于,所述神经网络模型为lstm神经网络模型;
8.如权利要求7所述的方法,其特征在于,所述lstm神经网络模型中,采用周期性滑动窗口,每完成一个周期将测试集的预测值重新替换为真实值;
9.如权利要求6所述的方法,其特征在于,并使用测试数据集对所述...
【专利技术属性】
技术研发人员:郑淮文,何子襄,金玮,马旭鑫,安向哲,李新宅,辛麒,
申请(专利权)人:昆仑数智科技有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。