基于人工神经网络的热油管道能耗预测模型

2012-11-15林冉朱英如余绩庆陈由旺管维均

石油石化节能 2012年1期

关键词：输量热油电耗

林冉朱英如余绩庆陈由旺管维均

（1.中国石油规划总院节能与标准研究中心；2.天然气与管道分公司油气调运处）

基于人工神经网络的热油管道能耗预测模型

林冉1朱英如1余绩庆1陈由旺1管维均2

（1.中国石油规划总院节能与标准研究中心；2.天然气与管道分公司油气调运处）

对长输管道而言，影响管道输油成本变化的因素众多，但影响最大的是生产油耗和电耗费用。为了更深入地探索输油过程中输量与能耗的变化关系，以某条输油管道几年来输量及生产油耗、电耗数据为基础，用人工神经网络的方法建立了管道输量与生产油耗、电耗的预测模型。分析表明，该模型的计算结果相对偏差在±5%以内，满足工程实际需要，因此可以用该模型来预测热油管道的生产油耗和电耗。该研究首次建立了热油管道输量与生产油耗和电耗的预测模型，为预测管道的能耗总量提供了便利。

长输管道热油管道人工神经网络能耗预测模型

加热输送是热油管道的主要运行方式，它需要外界提供热力和动力。而动力（电）和热力（油）消耗与输量之间存在一定的变化关系。找出这种变化关系对管道管理者预测能源消耗、编制能耗定额具有重要的意义。闫宝东[1]针对具体的输油管道，采用数理统计的方法，假想了九种可能出现的模型，通过比较各模型的拟合优度，确定了该管道输量与油、电消耗的最佳拟合方程。丁云辉、隋富娟[2,3]针对热油管道输量与油、电消耗数据，运用一元回归方法建立了电单耗随输量变化的预测模型，根据预测模型可计算出任一给定输量下的电单耗。苏欣、袁宗明、范小霞[4]等采用累积法对管道油、电消耗进行了预测，预测结果误差相对较小。

原油管线的能耗构成包括：生产能耗、辅助生产能耗、生活能耗以及原油损耗。生产能耗由输油泵电耗和加热炉油耗构成；辅助生产能耗指除直接用于生产的其他辅助生产设备的能耗量；生活消耗是指生活区的能源消耗；原油损耗是指原油在输送过程中由于事故、检修等造成的原油损耗量。热油管道的输量变化直接影响生产耗油和生产耗电，但对生活能耗以及油品损耗的影响不大。上述多名学者对热油管道的油、电损耗进行了预测，但是他们没能把生产耗油、生产耗电同其他能耗区分开。因此，也未能建立管道输量与生产油耗和生产电耗的预测模型。本文通过分析某条热油管道的输量与生产油耗和生产电耗的变化关系，并借助BP神经网络工具编制了该管道输量与生产油耗和生产电耗的预测模型，该模型能快速计算出不同输量下管道的生产油耗和电耗，为预测管道的能耗总量提供了便利。

1 理论依据

根据流体力学知识，紊流水力光滑区的摩阻方程[1]为：

式中：

h——水力摩阻，m；

Q——体积流量，m3/s；

ν——运动黏度，m2/s；

D——管道内径，m；

L——管道长度，m。

根据传热学知[5]，为了满足输油工艺需要，原油升温所需的热量要满足式（2）。

式中：

QR——单位时间内油品升温所需要的热量，kJ；

ρ——油品密度，kg/m3；

C——油品比热容，kJ/（kg·K）；

TRi——第i站出站温度，K；

TZi——第i站进站温度，K。

由式（1）和式（2）看出，输油管道动力和热力在理论上与输量有直接的因果关系，即生产油耗和生产电耗与管道输量有因果关系。

1.1 生产电耗与输量一元关系的依据

油品黏度、管线长度、流量和管径对管线动力消耗的影响依次增强，对某一具体管线而言，如果管径和管的长度固定不变，所输油品物性相同，则油品的黏温特性也是一定的，而这种随温度变化的黏度对摩阻的影响，已经包含在生产电耗之中。因此在研究某一管道输量对生产电耗的影响时，可以不考虑其他因素。

1.2 生产油耗与输量一元关系的依据

由式（2）可知，原油升温所需的热量，取决于体积流量、流体密度、比热容和各站的进出站温差，而流体密度、比热容尽管也随温度变化，但取常数完全可以满足预测精度的要求。在地温相近的情况下，进出站温差也是输量的函数。当输量增加时，各进出站温差都降低，因此公式（2）中的也是输量的函数，所以在地温相近的条件下，输量也是影响油耗的主要因素。

基于以上分析，在进行管道能耗预测时，只要分析地温相近时输量与油耗和电耗的变化关系，即可建立热油管道能耗的预测模型。

2 BP神经网络算法

人工神经网络模型属于隐式模型，具备自组织、自适应性及自学习功能，具有理论上能够逼近任意非线性连续映射的优点，能够较好模拟在各种不确定因素的影响下因变量与自变量的内在关系，在热油管道能耗预测中具有优越性[6]。因此可以利用人工神经网络的方法来模拟管道输量与管道运行能耗的映射关系。

目前应用最广泛的神经网络模型为误差反向传播神经网络（Back Propagation Neural Networks），简称BP网络[7]。BP网络一般为多层神经网络，BP网络的信息从输入层流向输出层，因此是一种多层前馈神经网络。

在确定了BP网络的结构后，要通过输入和输出样本集对网络进行训练，亦即对网络的阈值和权值进行学习和修正，使网络实现给定的输入输出映射关系。

BP网络的学习分为两个阶段：第一个阶段是输入一支学习样本，通过设置的网络结构和前一次迭代的权值和阈值，从网络的第一层向后计算各神经元的输出；第二个阶段是对权值和阈值进行修改，从最后一层向前计算各权值和阈值对总误差的影响（梯度），据此对各权值和阈值进行修改[8]。以上两个过程反复交替，直至达到收敛为止。

3 基于BP神经网络的预测模型

通过调研得到某管道2004年至2007年的运行数据，取地温相近时的生产油耗和生产电耗作为统计数据共计40组，剔除异常数据，其中30组用作网络学习样本。部分数据见表1。

表1 月输量和管道生产能耗统计数据（2004—2007年）

用MATLAB软件工具箱，创建BP神经网络程序步骤如下。

1）首先创建神经网络图形用户界面。用户界面如图1所示。

2）创建神经网络。单击New Network…按钮，弹出Create New Network窗口，如图2所示。

按照图2窗口所显示各项内容，选择网络类型，确定输入向量的取值范围，选择训练函数，选择误差性能函数，确定网络层数，确定各层属性等；然后单击Creat按钮，设置完成。单击View按钮可查看以上定义的网络结构，如图3所示。

3）训练网格。把不同输量作为输入样本，把相应的生产油耗、生产电耗作为目标向量，然后训练网格，训练得到的误差性能曲线见图4。

4）网络仿真。在图1窗口中，选中所建网络模型，单击Simulate…按钮，弹出Simulate界面。针对该调研管道2007年1月份输量，将仿真数据输入为q=[55.0]，仿真结果输出r=[340.82400.9]，即1月份生产电耗336.8×104kWh，生产油耗2480.9 t。生产电耗与生产油耗计算结果的相对偏差分别为-4.02%和4.12%，该误差满足工程需要。另外，基于MATLAB的BP网络模型计算方法简单易行，省去了原油管道模拟软件所需的大量时间，因此可以用该模型来预测管道的生产能耗。