基于MEA-BP神经网络热油管道预测模型研究

于涛 李传宪 张杰

摘      要：長输热油管道运行过程中，油温的准确预测是管道安全优化生产的前提。针对以往油温预测方法的误差大，推广应用难等问题，提出利用Back Propagation（BP）神经网络和思维进化算法（Mind Evolutionary Algorithm，MEA）优化算法，建立MEA-BP油温预测模型。利用相关性算法获得模型输入参数，下载处理SCADA系统实际生产数据，对模型进行训练。将MEA-BP预测模型应用于实际生产，油温预测误差为0.49 ℃，相比理论公式及其它预测模型，具有泛化性好、预测准确性高等特点。通过研究获得基于大数据分析方法可有效实现长输管道业务需要，为管道大数据平台分析应用，未来智能化控制奠定基础。

关  键  词：原油管道;BP神经网络;MEA

中图分类号：TQ 015       文献标识码： A       文章编号： 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

高含蜡原油通过管道输送时，运行过程中管壁易结蜡，导致管道有效直径减小，动力费用增大，能耗增加[1]。同时管壁结蜡给管道清管和内检测工作带来较大风险，极易发生管道蜡堵、初凝等事件。管输高凝原油加热输送是目前最常用的方法，通过提高沿线油品温度降低黏度，保证进站油温处于安全范围，同时具备管段清洗，减小摩阻的作用。但过高的管输油温，导致热能损失较大，与节能降耗相违背。所以根据运行规程要求合理控制管输油温，是保证长输热油管道安全运行，减少热能、动能损耗，优化节能的基本出发点。

热油管道油温的有效控制首先需要对油温进行准确计算预测，目前对于油温预测的方法主要有两个方向，一是通过理论及热力学公式，将管道划分区域，建立油温预测模型，如王海勤[2]针对管输含蜡原油在不同温度区间比热不同，利用能量平衡建立沿程温度分布公式，提升沿线温降预测准确性。二是解析法，将数值计算与热力学公式结合，建立油温预测模型，如Yu B等[3-5]采用非结构化网络和有限元容积法对不同月份、不同流量和不同出站油温下的工况进行较为准确的模拟。以上学者对于热油管道油温预测取得一定的成果，但建立的计算公式和预测模型，需要管道准确的设计参数、沿线温度场、土壤导热系数等参数，实际应用时，因热油管道站间距较长，参数获取难度大，推广应用的准确性和适应性较差。

近年来，随着计算机应用技术的发展，数据挖掘算法因能解决大规模非线性、复杂问题，被广泛应用于参数预测、人工智能等领域。石油行业的大数据应用在化工优化[6]，测井数据评价[7]，钻井工程智能决策支持[8]，管道内检测[9]、泄漏检测[10]等方面广泛应用。基于数据挖掘的热油管道油温预测模型研究较少，其中魏立新等[11]利用相关向量机算法（RVM），建立温降与出站油温、出站压力、输量、地表温度、埋深、管长、管径和油品物性之间的关系，通过现场实际参数训练预测，预测结果平均相对误差降低4.43%，具有预测精度高、泛化性好等优点。当前长输管道Supervisory Control And Data Acquisition（SCADA）控制系统的推广应用，存储了大量历史运行数据，基于上述数据挖掘算法在石油行业的应用经验[12]，使用数据挖掘算法建立油温预测模型，可行性较大。因此本文通过研究热油管道油温及与其相关的影响因素特点，选取BP神经网络模型，建立非线性参数的对应关系，并利用MEA优化BP神经网络模型，最终建立MEA-BP油温预测模型，实现热油管道油温的准确预测。