基于混合BP神经网络的原油管道电耗预测研究

李雨，侯磊，徐磊，白小众，刘金海，孙欣，谷文渊

基于混合BP神经网络的原油管道电耗预测研究

李雨1,2，侯磊1,2，徐磊1,2，白小众3，刘金海3，孙欣3，谷文渊3

（1.中国石油大学（北京）石油工程教育部重点实验室，北京 102200； 2.国家石油天然气管网集团有限公司油气调度中心，北京 102200； 3.国家管网集团北方管道有限责任公司 锦州输油气分公司，辽宁 锦州 121000）

原油管道电耗的准确预测能够用于控制原油管道耗能水平，充分挖掘原油管道输送系统的节能潜力。实际采集到的原油管道运行数据具有波动范围大的特点，且存在严重的噪声干扰和信息冗余，对精确预测管道电耗造成不良影响。为解决上述问题，提出一种基于混合神经网络的电耗预测模型。利用自适应噪声的完备集成经验模态分解，对原油管道日运行数据进行分解；利用主成分分析对分解后数据做降维处理；利用改进粒子群算法调节神经网络结构参数；使用该模型预测某原油管道电耗，并与常见的几种预测模型展开对比。结果表明，分解算法能够提高模型预测精度；该混合神经网络模型预测精度最高，其测试集的平均绝对误差为5.394%，较使用分解算法前降低39.200%。

原油管道； 电耗预测； 人工神经网络； 改进粒子群算法

目前预测原油管道运行电耗存在两种方法[1⁃2]。一种方法是考虑输量、压降和环境等因素对原油管道运行电耗的影响，利用理论公式计算管道在某个具体运行工况下的运行电耗，这种方法也被称为工艺法。该方法在计算管道运行电耗时不但需要引入大量假设，而且需要简化求解问题，大幅降低了模型的预测精度。另一种方法是利用神经网络建立电耗预测模型以完成预测任务。该方法不引入额外假设，预测效果更好。但该方法应用于原油管道电耗预测时存在两个问题：由于神经网络精度受参数影响很大，需要使用科学的方法调节模型参数以提高神经网络的性能；神经网络模型精度易受输入数据质量的影响，当输入数据噪声较多时，神经网络不能表现出最好的预测性能。搜索算法能够快速优化神经网络模型参数[3⁃5]，提高模型预测效果，该方法目前被广泛应用于太阳辐射预测[6]、建筑物能耗[7]、设备故障诊断[8]和油井套管无损检测[9]等领域，但在管道运行电耗预测领域应用很少。经验模态分解[10]与其改进方法[11]被广泛用于分解数据信号以减弱噪声影响，提高模型预测精度。自适应噪声的完备集成经验模态分解[12]作为传统经验模态分解方法的改进，减弱了白噪声对分解结果的影响，更适合用于分离出数据信号中对预测不利的噪声信息。本研究将自适应噪声的完备集成经验模态分解、改进粒子群算法和BP神经网络结合，提出一种原油管道日电耗预测模型，并利用某原油管道3年运行数据验证该模型的预测效果。

1 管道运行数据

2 原理与方法

2.1 自适应噪声的完备集成经验模态分解

自适应噪声的完备集成经验模态分解（CEEMDAN）是一种改进的经验模态分解（EMD）方法，该方法能够更快地对信号进行分解，提取出不同时间尺度的特征信息且不产生重构误差，故该方法往往能够筛选出含噪声较多的分量，改善预测效果。该方法利用EMD分解时间序列（）获得1（），利用式（1）对得到的c（）继续分解得到c1（），重复式（1）至残差不能被分解[13]。

因此，时间序列（）经过CEEMDAN分解得到的各个分量可表示为：

本研究利用该方法分解运行报表中的12个输入特征，共获得100个新输入特征。分解后数据既包含有效信息，也包含一定数量的噪声和冗余信息。其中，噪声信息会降低模型的预测精度，数据维度的增长会造成数据样本稀疏、样本间距离计算困难等问题，不利于BP神经网络（BPNN）的训练，同时会增加神经网络训练时间。因此，需要对数据做降维处理，在降低数据维度的同时剔除其中的噪声信息。

2.2 主成分分析

主成分分析法（PCA）是降低数据维度的方法，利用方差的累计贡献率衡量原始数据信息被保留的程度。方差累计贡献率的阈值多凭借经验决定，保留阈值以上的数据，舍弃阈值以下的数据。本研究利用主成分分析分别对运行报表中的12个输入特征和经CEEMDAN分解后的100个输入特征进行降维，取方差累计贡献率为99%时主成分分析确定的特征作为模型输入特征。

2.3 BP神经网络

BP神经网络能够以任意精度逼近某一非线性函数，因此被广泛应用于建立预测模型。BP神经网络包含输入层、隐含层和输出层，本研究所提出的网络结构如图1所示。

图1　单隐含层神经网络示意图

输入层和隐含层分别包括53和17个神经元，激活函数为relu函数，不同层的神经元间利用权值连接，权值的数值有正有负。神经网络通过修正权值使模型平均均方误差（MSE）达到最小。神经网络的初始权值满足随机分布，不同的权值初始分布使训练后的神经网络表现出不同的预测结果。为减弱不同权值初始分布对神经网络预测结果的影响，需要进行重复实验。当重复实验次数增多而模型预测误差均值趋于稳定时便认为已进行了足够次数的重复实验。本研究将降维后数据作为BPNN输入，将日电耗作为输出，建立单隐含层的电耗预测模型，进行30次重复实验并取30组模型预测误差平均值来评价模型预测精度。

2.4 改进粒子群算法

改进粒子群算法（ISPO）[13⁃14]通过计算粒子群中每个个体在不同位置下得到的适应度函数值来指导下一代个体的运动，最终全部粒子聚集在适应度函数值最高的位置，从而达到寻优目的。相比传统粒子群算法，改进粒子群算法对求解种群最优位置和个体最优位置的过程进行优化，减少了需要调节的参数数量。改进粒子群算法利用式（3）计算种群最优位置。

利用式（4）求解每个粒子的历史最佳位置。

在量子空间中的粒子移动方向具有随机性，设粒子从某点移动到它的相对位置的概率为，则有式（5）：

利用蒙特卡洛模拟求得值，有～（0,1），则有式（6）：

最后得到子代粒子位置：

2.5 其他搜索算法

本研究利用粒子群算法（PSO）、引力搜索算法（GSA）、遗传算法（GA）和模拟退火算法（SA）调节BPNN的参数，分别建立PSO⁃BPNN、GSA⁃BPNN、GA⁃BPNN、SA⁃BPNN预测模型，将其与IPSO⁃BPNN模型进行对比。粒子群算法通过更新粒子群最优位置和个体最优位置来指导粒子运动，并获得全局最优解。引力搜索算法通过计算粒子间万有引力来指导粒子运动，并获得全局最优解。遗传算法通过携带数据信息的染色体进行遗传和变异来获得全局最优解。模拟退火算法利用粒子在降温过程中会逐渐趋于稳定的特点，在高温时跳出局部最优解，在低温时获得全局最优解[15⁃17]。

2.6 模型精度验证

为评价预测模型精度，选取均方根误差（RMSE）、决定系数（2）和平均绝对百分比误差（MAPE）3个指标评价模型精度。各误差指标的计算公式如下：

3 算例分析

3.1 CEEMDAN⁃IPSO⁃BPNN模型

建模步骤为：利用CEEMDAN分解原始数据；利用主成分分析法分别对原始数据的12个输入特征和CEEMDAN分解后的100个输入特征进行降维，得到处理后数据；把处理后数据作为BPNN输入，日电耗作为输出，建立预测模型，并设定一个BPNN的隐含层神经元数和初始学习速率；设定模型测试集2作为适应度函数；执行IPSO算法得到BPNN的最优隐含层神经元数和最优初始学习速率；得到精度最高的BPNN预测模型；利用该模型预测管道运行电耗；利用2.6节介绍的3个误差指标评价模型精度。具体流程如图2所示。

本研究共建立8个电耗预测模型进行对比分析。使用相同训练数据建模，再利用IPSO等不同搜索算法调节模型结构，验证IPSO算法搜索神经网络参数的效果优于其他搜索算法；使用CEEMDAN分解的数据建模，再利用IPSO调节模型参数，验证CEEMDAN确实能够提升模型预测精度。

图2　神经网络模型的训练流程图

3.2 降维结果

表1展示了不同数量的主成分与方差累计贡献率的计算结果。由于特征数量多，只展示部分数据。由表1可知，未分解数据集降至9维时，方差累计贡献率首次超过99%；CEEMDAN分解后的数据集降至52维时，方差累计贡献率首次超过99%。因此，本研究最终将两组数据分别降至9维和52维。

表1　主成分数量及累计贡献率

3.3 预测结果

CEEMDAN⁃IPSO⁃BPNN模型在进行不同次数的重复实验时将测试集MAPE均值做成折线图，结果如图3所示。分析图3发现，当每组重复实验15～30次时，MAPE稳定在5.4%左右。因此，保守地认为30次重复实验已足够。

图3　MAPE折线图

表2展示了所有电耗预测模型的MAPE、2和RMSE。

表2　预测模型的误差统计

表3　CEEMDAN⁃IPSO⁃BPNN模型参数

统计部分模型的预测值与测试集真实值的对比结果如图4所示。由图4可知，CEEMDAN⁃IPSO⁃BPNN模型的预测结果在头部和尾部与真实数据几乎一致，中间部分112组数据波动幅度相对较小，97%的数据处于10%误差带内，与真实值数据偏差很小，说明CEEMDAN⁃IPSO⁃BPNN能够实现日电耗的精确预测。

图4　真实值与预测值对比

将IPSO⁃BPNN与BPNN、PSO⁃BPNN、GSA⁃BPNN、GA⁃BPNN、SA⁃BPNN进行对比，不但说明搜索算法调节神经网络结构的必要性，而且说明改进粒子群算法（IPSO）能够更好地提升模型预测精度。对比CEEMDAN⁃IPSO⁃BPNN、CEEMDAN⁃PSO⁃BPNN、IPSO⁃BPNN和PSO⁃BPNN发现，CEEMDAN与多种搜索算法组合时均能提升模型精度，说明利用CEEMDAN分解输入特征以提升模型精度的方法是可行的。

4 结 论

（1）提出了一种基于自适应噪声的完备集成经验模态分解（CEEMDAN）、改进粒子群算法（IPSO）和BPNN的混合管道日电耗预测模型。该模型实现了对该管道日电耗的准确预测，预测精度高于其余对比模型的精度。

［1］ 吴倩. 原油管道运行能耗统计分析与预测［D］.北京：中国石油大学（北京），2012.

［2］ Zeng C L，Wu C C，Zuo L L，et al.Predicting energy consumption of multiproduct pipeline using artificial neural networks［J］.Energy，2014，66：791⁃798.

［3］ 王立志，慕晓冬，刘宏岚.采用改进粒子群优化的SVM方法实现中文文本情感分类［J］.计算机科学，2020，47（1）：231⁃236.

Wang L Z，Mu X D，Liu H L.Using SVM method optimized by improved particle swarm optimization to analyze emotion of Chinese text［J］.Computer Science，2020，47（1）：231⁃236.

［4］ 陶文华，袁正波.焦炭质量的DE⁃BP神经网络预测模型研究［J］.系统仿真学报，2018，30（5）：1650⁃1656.

Tao W H，Yuan Z B.Prediction model of coke quality based on DE⁃BP neural network［J］.Journal of System Simulation，2018，30（5）：1650⁃1656.

［5］ 唐承娥.基于交变粒子群BP网络的电力系统短期负荷预测［J］.计算机科学，2017，44（11A）：133⁃135.

Tang C E.Short⁃term load forecasting of power system based on alternating particle swarm BP network［J］.Computer Science，2017，44（11A）：133⁃135.

［6］ Eseve A T，Zhang J，Zheng D.Short⁃term photovoltaic solar power forecasting using a hybrid Wavelet⁃PSO⁃SVM model based on SCADA and meteorological information［J］.Renewable Energy，2018，118：357⁃367.

［7］ Zhang F，Deb C，Lee S E，et al.Time series forecasting for building energy consumption using weighted support vector regression with differential evolution optimization technique［J］.Energy and Buildings，2016，126（2）：94⁃103.

［8］ 吕楠，姚平喜.基于BP神经网络的滚动轴承故障诊断［J］.煤矿机械，2020，41（8）：172⁃173.

Lü N，Yao P X.Fault diagnosis of rolling bearing based on BP neural network［J］.Coal Mine Machinery，2020，41（8）：172⁃173.

［9］ 黄军，孟凡顺，张旭，等.基于PCA的遗传神经网络在套损预测中的应用［J］.西安石油大学学报（自然科学版），2018，33（6）：84⁃89.

Huang J，Meng F S，Zhang X，et al.Application of genetic neural network based on PCA in prediction of casing damage［J］.Journal of Xi'an Shiyou University（Natural Science Edition），2018，33（6）：84⁃89.

［10］ Rabi J，Balusamy T，Jawahar R R.Analysis of vibration signal responses on pre induced tunnel defects in friction stir welding using wavelet transform and empirical mode decomposition［J］.Defence Technology，2019，15（6）：885⁃896.

［11］ Wang L M，Shao Y M.Fault feature extraction of rotating machinery using a reweighted complete ensemble empirical mode decomposition with adaptive noise and demodulation analysis［J］.Mechanical Systems and Signal Processing，2020，138：106545.

［12］ Zhang W，Qu Z，Zhang K，et al.A combined model based on CEEMDAN and modified flower pollination algorithm for wind speed forecasting［J］.Energy Conversion and Management，2017，136（1）：439⁃451.

［13］ 郑伟博.粒子群优化算法的改进及其应用研究［D］.青岛：青岛大学，2016.

［14］ Li J，Li Q.Medium term electricity load forecasting based on CEEMDAN⁃permutation entropy and ESN with leaky integrator neurons［J］.Electric Machines and Control，2015，19（8）：70⁃80.

［15］ 周闯，孙铁，张素香.AHP⁃模糊数学的风机机组与管网系统能耗评价［J］.辽宁石油化工大学学报，2019，39（3）：64⁃69.

Zhou C，Sun T，Zhang S X.Energy consumption evaluation method of bower unit basedon AHP⁃fuzzy mathematics［J］.Journal of Liaoning Shihua University，2019，39（3）：64⁃69.

［16］ 侯磊，许新裕，崔金山，等.基于BP神经网络的输油管道能耗预测方法［J］.节能技术，2009，27（5）：401⁃406.

Hou L，Xu X Y，Cui J S，et al.A prediction method of energy consumption for oil pipeline based on BP neural network［J］.Energy Conservation Technology，2009，27（5）：401⁃407.

［17］ 华东阳，王寿喜，郭乔，等.基于粒子群算法的液体管道仿真模型参数校正方法［J］.油气储运，2020，39（12）：1386⁃1393.

Hua D R，Wang S X，Guo Q，et al.Correction method for parameters of liquid pipeline simulation model based on particle swarm optimization algorithm［J］.Oil & Gas Storage and Transportation，2020，39（12）：1386⁃1393.

Power Consumption Prediction Method for Crude Oil Pipeline Based on Hybrid BP Neural Network

Li Yu1,2， Hou Lei1,2， Xu Lei1,2， Bai Xiaozhong3， Liu Jinhai3， Sun Xin3， Gu Wenyuan3

（1.MOE Key Laboratory of Petroleum Engineering，China University of Petroleum（Beijing），Beijing 102200，China；2.Oil & Gas Control Center，National Petroleum and Natural Gas Pipeline Network Group Co. Ltd.，Beijing 102200，China；3.Jinzhou Oil and Gas Transmission Branch of National Pipe Network Group North Pipeline Co. Ltd.，Jinzhou Liaoning 121000，China）

Accurately predicting the power consumption of crude oil pipelines is conducive to controlling the energy consumption level of such pipelines and fully tapping the energy saving potential of crude oil pipeline transportation systems. Actual operation data of such pipelines have the characteristics of large fluctuation range serious noise interference, and information redundancy, which affect the accurate prediction of pipeline power consumption. To solve these problems, this paper proposes a power consumption prediction model based on a hybrid neural network. The daily operation data of crude oil pipelines are decomposed by complete ensemble empirical mode decomposition with adaptive noise. Principal component analysis is performed to reduce the dimensions of the decomposed data. The improved particle swarm optimization algorithm is applied to adjust the structural parameters of the neural network. The proposed model is applied to predict the power consumption of a crude oil pipeline and compared with some common prediction models. The results show that the decomposition algorithm can improve the prediction accuracy of the model. The hybrid neural network model has the highest prediction accuracy. The average absolute error of the test set is 5.394%, which is 39.200% lower than that before the decomposition algorithm is used.

Crude oil pipeline； Power consumption prediction； Artificial neural network； Improved particleswarm optimization algorithm

TE832

A

10.3969/j.issn.1006⁃396X.2022.02.011

1006⁃396X（2022）02⁃0068⁃06

2020⁃12⁃14

2021⁃03⁃15

国家重点研发计划项目（2016YFC0802100）。

李雨（1996⁃），男，硕士研究生，从事油气管道输送技术方面研究；E⁃mail：825481000@qq.com。

侯磊（1966⁃），男，博士，教授，博士生导师，从事油气储运工程技术方面研究；E⁃mail：houleicup@126.com。

（编辑 王戬丽）