CN116822999B - 成品油管道混油界面后行油品监测密度预测方法及*** - Google Patents
成品油管道混油界面后行油品监测密度预测方法及*** Download PDFInfo
- Publication number
- CN116822999B CN116822999B CN202311107413.5A CN202311107413A CN116822999B CN 116822999 B CN116822999 B CN 116822999B CN 202311107413 A CN202311107413 A CN 202311107413A CN 116822999 B CN116822999 B CN 116822999B
- Authority
- CN
- China
- Prior art keywords
- oil
- downstream
- monitoring
- upstream
- density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 181
- 238000002156 mixing Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 111
- 238000009826 distribution Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 22
- 239000000203 mixture Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 238
- 238000005520 cutting process Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000003209 petroleum derivative Substances 0.000 description 4
- 239000002283 diesel fuel Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Mining & Mineral Resources (AREA)
- Analytical Chemistry (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Biochemistry (AREA)
- Agronomy & Crop Science (AREA)
- Pathology (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Immunology (AREA)
- Operations Research (AREA)
- Chemical & Material Sciences (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
- Pipeline Systems (AREA)
Abstract
本发明属于数据处理技术领域,为解决无法对后行油品监测密度的可靠预测的问题,提出了成品油管道混油界面后行油品监测密度预测方法及***,选取历史数据中成品油管道上下游站场水力热力信息,前后行油品上游站场监测密度以及前行油品上下游站场监测密度差值作为关键输入特征变量,选取后行油品上下游站场监测密度差值作为输出变量,利用高斯混合回归算法对关键输入特征变量和输出变量进行多模态识别,根据模态识别结果,利用最大期望算法进行训练得到模态对应的后行油品上下游站场监测密度差值修正模型;并结合已获取的成品油管道后行油品上游站场监测密度值,得到预测结果。可以准确预测混油界面后行油品监测密度。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及成品油管道混油界面后行油品监测密度预测方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
出于经济性考虑,多种成品油通常按照一定批次顺序,在相同成品油管道内连续输送。管输过程中相邻批次间将产生混油界面,站场安装的密度计虽难以获取混油界面前后行油品的真实密度值,但其实时反馈的混油界面监测密度随时间变化情况是操作人员处理混油界面的核心数据。具体而言,现场一般将混油界面密度监测值随时间变化曲线转为混油浓度分布随时间变化曲线,当混油浓度值降至一定阈值时采用批次切割方法处理混油界面。然而密度计仅能感知当前到站混油界面密度监测值,无法预知尚未到站的纯净后行油品密度监测值。若能精准把控后行油品密度监测值,可为准确指导现场油品批次切割工作提供关键数据支撑。然而管输过程水力热力条件复杂多变,基于现有油品密度计算公式无法准确获取后行油品监测密度;硬件设备普遍面临零点漂移现象,导致相同油品在上下游站场的监测密度值存在明显不同,困扰油品批次切割工作。此外,管输工况频繁变化导致数据存在多模态特性,若直接采用数据驱动建模方法预测后行油品密度,模型容易陷入过拟合误区,无法提供后行油品监测密度的可靠预测结果。
发明内容
为克服上述现有技术的不足,本发明提供了成品油管道混油界面后行油品监测密度预测方法及***,通过高斯混合回归算法对成品油管道数据进行多模态的识别,利用最大期望算法结合多模态识别结果进行训练得到的用于预测的后行油品上下游站场监测密度差值修正模型,从而可以准确预测混油界面后行油品监测密度。
为实现上述目的,本发明的第一个方面提供成品油管道混油界面后行油品监测密度预测方法,包括:
获取成品油管道混油界面的历史数据;
选取历史数据中成品油管道上下游站场水力热力信息,前后行油品上游站场监测密度以及前行油品上下游站场监测密度差值作为关键输入特征变量,选取后行油品上下游站场监测密度差值作为输出变量,利用高斯混合回归算法对关键输入特征变量和输出变量进行多模态识别,得到各模态下的模态识别结果;
根据模态识别结果,利用最大期望算法进行训练得到模态对应的后行油品上下游站场监测密度差值修正模型;
利用后行油品上下游站场监测密度差值修正模型对待预测成品油管道混油界面进行预测,结合已获取的成品油管道后行油品上游站场监测密度值,得到待预测成品油管道下游站场的后行油品监测密度值。
本发明的第二个方面提供成品油管道混油界面后行油品监测密度预测***,包括:
获取模块:获取成品油管道混油界面的历史数据;
高斯模块:选取历史数据中成品油管道上下游站场水力热力信息,前后行油品上游站场监测密度以及前行油品上下游站场监测密度差值作为关键输入特征变量,选取后行油品上下游站场监测密度差值作为输出变量,利用高斯混合回归算法对关键输入特征变量和输出变量进行多模态识别,得到各模态下的模态识别结果;
训练模块:根据模态识别结果,利用最大期望算法进行训练得到模态对应的后行油品上下游站场监测密度差值修正模型;
预测模块:利用后行油品上下游站场监测密度差值修正模型对待预测成品油管道混油界面进行预测,结合已获取的成品油管道后行油品上游站场监测密度值,得到待预测成品油管道下游站场的后行油品监测密度值。
以上一个或多个技术方案存在以下有益效果:
在本发明中,获取成品油管道的历史数据,从历史数据中选取上下游站场水力热力信息,前后行油品上游站场监测密度以及前行油品上下游站场监测密度差值作为关键输入特征变量,以后行油品上下游站场监测密度差值作为输出变量,利用高斯回归算法进行模态的识别,对模态识别结果基于最大期望算法进行训练,得到后行油品上下游站场监测密度差值修正模型,利用所得到的后行油品上下游站场监测密度差值修正模型对待预测的后行油品上下游站场监测密度差值进行预测;通过高斯回归算法进行多模态特征的识别,提高混油界面后行油品监测密度预测的准确性,对指导现场开展油品批次管理具有重要意义。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例一中混油界面测量运移示意图;
图2为本发明实施例一中常见的混油密度分布曲线;
图3为本发明实施例一中由后行油品监测密度预测偏差带来的混油浓度分布曲线畸变展示图;
图4为本发明实施例一中后行油品密度监测值预测模型流程图;
图5为本发明实施例一中后行油品上下游站场密度监测差值修正模型示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了成品油管道混油界面后行油品监测密度预测方法,包括:
获取成品油管道混油界面的历史数据;
选取历史数据中成品油管道上下游站场水力热力信息,前后行油品上游站场监测密度以及前行油品上下游站场监测密度差值作为关键输入特征变量,选取后行油品上下游站场监测密度差值作为输出变量,利用高斯混合回归算法对关键输入特征变量和输出变量进行多模态识别,得到各模态下的模态识别结果;
根据模态识别结果,利用最大期望算法进行训练得到模态对应的后行油品上下游站场监测密度差值修正模型;
利用后行油品上下游站场监测密度差值修正模型对待预测成品油管道混油界面进行预测,结合已获取的成品油管道后行油品上游站场监测密度值,得到待预测成品油管道下游站场的后行油品监测密度值。
本实施例提供的成品油管道混油界面后行油品监测密度预测方法主要包括三部分:建立成品油管道上下游站场混油数据库、建立后行油品上下游站场监测密度差值修正模型,混油界面后行油品监测密度预测。
(1)建立成品油管道上下游站场混油数据库
建立成品油管道上下游站场混油数据库是基于上下游站场测量设备,获取管输水力热力信息及前后行油品监测密度并建立数据库,为后续建立后行油品监测密度差值修正模型提供数据支撑。其中,包括确定一定时段内上游站场出口温度压力、下游站场进口温度压力与上游站场前后行油品监测密度、下游站场前后行油品监测密度。
确定上游站场出口温度压力具体为:收集一定时段内成品油管道上游站场出口温度压力,其中温度监测样本量为,压力监测样本量为/>,取平均处理后可获得上游站场出口时均温度/>,℃;时均压力/>,单位:MPa:
(1)
(2)
其中,为上游站场收集到的第/>个温度数据点,℃;/>为上游站场收集到的第/>个压力数据点,MPa。
确定下游站场进口温度压力具体为:收集一定时段内成品油管道下游站场进口温度压力,其中,温度监测样本量为,压力监测样本量为/>,取平均处理后可获得下游站场进口时均温度/>,单位:℃;时均压力/>,单位MPa:
(3)
(4)
其中,为下游站场收集到的第/>个温度数据点,℃,/>为下游站场收集到的第/>个压力数据点,MPa。
确定上下游站场获取的前行油品监测密度差值与后行油品监测密度差值具体为:基于上下游站场密度计,获取上游站场前行油品密度监测值/>,单位:kg/m3,上游站场后行油品密度监测值/>,单位:kg/m3;下游站场前行油品密度监测值/>,单位:kg/m3;下游站场后行油品密度监测值/>,单位:kg/m3;据此计算上下游前行油品监测密度差值/>与上下游后行油品监测密度差值/>:
(5)
(6)
(2)建立后行油品上下游站场监测密度差值修正模型
建立后行油品上下游站场监测密度差值修正模型是基于已有管输混油界面历史数据,结合高斯混合回归算法(Gaussian Mixture Regression Model, GMR),形成后行油品监测密度差值修正模型,具体包括:
选取模态识别关键特征变量:令和/>分别表征混油数据的输入变量矩阵与输出变量矩阵,/>为训练集样本量,/>为矩阵转置操作,表征第/>个训练集样本输入变量向量。
为准确探索管输混油数据潜藏的多模态信息,选取上下游站场获取的温度与、压力/>与/>以及上游站场获取的前行油品监测密度/>、后行油品监测密度/>及上下游站场获取的前行油品监测密度差值/>作为GMR算法识别数据多模态的关键输入特征变量。
GMR中假定输入变量由个高斯分布组成。输入变量在第/>个分布,即第/>个模态下的边缘概率密度函数表达式/>如下:
(7)
其中,为高斯分布,/>,/>分别指代第/>个模态下高斯分布中的均值向量与协方差矩阵。
确定回归关键输入变量:将上下游站场获取的前行油品上下游站场监测密度差值作为GMR算法回归过程的关键输入变量/>,因后行油品上下游站场监测密度差值为待预测变量,二者关系可表示为:
+/>(8)
其中,表示载第/>个模态下的高斯白噪声,其服从均值为0,方差为/>的高斯分布,T表示转置操作。在GMR中,/>个模态由对应/>个局部模型表征,/>为第/>个局部模型中的回归系数。
训练后行油品监测密度差值修正模型:基于已有管输混油界面历史数据,结合最大期望算法(Expectation Maximization, EM)可估计模型参数。采用隐变量表征每个样本的模态分属情况,当/>时表明第/>个训练集样本分属于第/>个模态。计算/>属于第/>个模态的后验概率/>,并定义统计量/>:
(9)
(10)
其中,为给定第/>个样本的输入输出特征信息时,第/>个样本分属第/>个模态的条件概率;/>表征第/>个样本分属第/>个模态时,输出变量关于输入变量的条件概率;/>为第/>个样本分属第/>个模态时,输入变量的条件概率分布。
基于已获取的后验概率,可计算各模态高斯分布权重/>,均值/>及协方差/>,表达式如下:
(11)
(12)
(13)
(14)
(15)
其中,;/>为对角矩阵,/>。
成品油管道混油界面后行油品监测密度预测是对后行油品监测密度待预测的混油界面,基于上下游站场测量设备获取的水力热力信息及油品监测密度信息,预测后行油品监测密度差值,结合上游站场获取的后行油品监测密度值/>,预测后行油品下游站场监测密度值/>,具体包括:
确定待预测样本的关键变量信息:以第个待预测样本为例,结合上下游测量设备,获取上下游站场温度/>与/>、压力/>与/>以及上游站场获取的前行油品监测密度/>、后行油品监测密度/>及获取的前行油品上下游站场监测密度差值/>,组成GMR算法中的模态识别变量/>,前行油品上下游站场监测密度差值/>组成GMR算法中的回归变量。
预测后行油品监测密度差值:对于第/>个待预测样本/>,/>为已知量,为待预测量,可基于式(16)计算其分属/>个模态的后验概率/>:
(16)
其中,为给定第/>个样本的输入输出特征信息时,第/>个样本分属第/>个模态的条件概率,/>为第/>个样本分属第/>个模态的概率,/>为第/>个样本分属第/>个模态时,输入变量的条件概率分布。
相应地,可得到待预测量的条件概率表达式/>:
(17)
其中,给定输入变量时,待预测量/>的条件概率表达式;为输出变量/>服从均值为/>,方差为/>的高斯分布。
考虑将的期望作为预测结果/>,因此后行油品监测密度差值/>预测值/>表达式为:
(18)
其中,为/>在给定/>下的条件期望。
预测后行油品监测密度值:结合上游站场获取的后行油品监测密度值/>,预测下游站场后行油品监测密度值/>:
(19)
图1是混油界面测量运移示意图,多种成品油产品按照一定批次,基于成品油管道从上游厂商泵送至下游用户。混油界面过站过程中,准确估计后行油品监测密度,确定混油浓度分布信息,是实现油品批次精准切割,提高成品油管网运行经济效益的关键前提。
图2展示了常见的混油密度分布曲线,当混油界面经过上游站场时,站场安装的密度传感器最先监测到批次顺序在前的前行油品监测密度时序信息,之后逐渐感应到后行油品密度监测信息。混油浓度分布信息需基于前后行油品监测密度信息进行计算,然而混油界面在相邻两站间管道运移时,下游站场仅能感应到前行油品监测密度。目前尚缺乏直接监测后行油品密度方法,因此有必要结合现场数据,建立后行油品监测密度的高精度预测方法,为油品批次切割工作提供数据支撑。
图3展示了由后行油品监测密度预测偏差带来的混油浓度分布信息误差,其中δ表征了后行油品监测密度预测误差,δ=0代表实际混油浓度分布曲线。随着后行油品监测密度预测误差逐渐增大,相应混油浓度分布曲线与真实曲线偏离程度越来越明显:混油浓度分布理应介于[0,1]区间,然而当后行油品监测密度预测结果出现误差时,混油浓度值可能出现负数,计算结果违背物理规律。此外,若将混油浓度值为1%定义为油品批次切割阈值点,当δ从0增长至1,3,5时,表征混油界面的油品批次切割阈值点对应时间偏差分别为216s,450s与624s。上述结果再次说明后行油品监测密度的精准预测对准确开展油品批次切割工作的重要意义。
图4展示了后行油品密度监测值预测模型流程,首先基于上下游站场安装的测量设备,分别获取温度压力及油品密度信息。需要注意的是,为精准建模,上游站场密度计监测到前后行油品密度后即可知油品批次顺序,如汽油推送柴油,简称汽柴界面;柴油推送汽油,简称柴汽界面,以此类推,据此建立相对应的后行油品密度监测差值修正模型。
图5展示了后行油品密度监测差值修正模型示意图;困扰后行油品监测密度准确预测的原因包括:柴油和汽油的密度随温度和压力的变化而变化,复杂的操作条件导致了密度与水力热力,即压力温度数据之间的高度非线性关系;硬件设备普遍面临零点漂移现象,这意味着即使在相似的温度压力条件下,上下游密度计针对相同油品可能会得到不同的测量结果。因此若建模时直接预测后行油品监测密度,水力热力条件与不同硬件设备固有的测量误差可能会导致不可靠的预测结果。
然而,前后行油品在管输过程经历了相似的水力热力过程,而且两者在上下游均采用了相同设备测量其密度信息。故此前行油品上下游站场监测密度差值与后行油品上下游站场监测密度差值/>间必然高度关联。采用数据驱动模型捕捉间的函数关系,即对前行油品上下游站场监测密度差值/>与后行油品上下游站场监测密度差值/>间的依赖关系进行建模,修正后行油品上下游站场监测密度差值/>,是一种更合理的建模方法。
在此过程中,通过结合GMR算法引入模态识别功能,可使模型能在不同模态条件下对后行油品上下游站场监测密度差值与前行油品上下游站场监测密度差值/>间的函数关系进行精准建模,保证模型预测精度。
公式(20)展示了油品密度随温度变化的理论公式,其中表征了20摄氏度条件下油品的标准密度,单位为kg/m3。为展示本实施例提出的建模方法的有效性与优越性,采用理论公式与两种常见的机器学习算法,即梯度提升决策树(Gradient Boosted DecisionTree)与人工神经网络算法(Artificial Neural network,ANN)以及直接采用GMR算法直接预测后行油品监测密度得到的预测结果。此外,为尽可能全面地评估模型性能,将121个样本分为训练集与预测集,其中测试集比例从0.3逐步升至0.6。
表1、2分别展示了汽柴界面与柴汽界面条件下基于均方根误差RMSE表征的各模型后行油品监测密度预测精度,误差指标计算式如下,其中与/>分别表征第/>个样本的真实值与拟合值,/>为测试样本量。RMSE越小,整体误差越低。
(20)
(21)
表2 汽柴界面下各模型预测结果:
表3柴汽界面下各模型预测结果:
由表2、3可得,本实施例提出的后行油品监测密度预测方法具备明显优势,证明本发明提出的方法对提高成品油管道混油界面定位具有重要意义。
实施例二
本实施例的目的是提供成品油管道混油界面后行油品监测密度预测***,包括:
成品油管道混油界面后行油品监测密度预测***,其特征在于,包括:
获取模块:获取成品油管道混油界面的历史数据;
高斯模块:选取历史数据中成品油管道上下游站场水力热力信息,前后行油品上游站场监测密度以及前行油品上下游站场监测密度差值作为关键输入特征变量,选取后行油品上下游站场监测密度差值作为输出变量,利用高斯混合回归算法对关键输入特征变量和输出变量进行多模态识别,得到各模态下的模态识别结果;
训练模块:根据模态识别结果,利用最大期望算法进行训练得到模态对应的后行油品上下游站场监测密度差值修正模型;
预测模块:利用后行油品上下游站场监测密度差值修正模型对待预测成品油管道混油界面进行预测,结合已获取的成品油管道后行油品上游站场监测密度值,得到待预测成品油管道下游站场的后行油品监测密度值。
在本实施例中,训练模块包括:
第一计算模块:计算每个训练样本中关键输入特征变量的模态分属的后验概率;
第二计算模块:基于所获取的每个训练样本中关键特征变量的模态分属的后验概率,计算各模态的高斯分布的方差、均值和协方差;
第三计算模块:基于所计算得到的高斯分布的方差,建立关键输入特征变量与输出变量的关;
第四计算模块:基于所计算得到的高斯分布的均值和协方差,建立关键输入特征变量的边缘概率密度函数。
在本实施例中,预测模块包括:
确定模块:将待预测成品油管道上下游站场的温度、压力,上游站场获取的前后行油品监测密度作为高斯混合回归算法中的模态识别变量,将上下游站场获取的前行油品监测密度差值作为高斯混合回归算法中的回归变量;
概率计算模块:计算模态识别变量模态分属的后验概率;
差值预测模块:基于后行油品监测密度差值修正模型、模态识别变量模态分属的后验概率以及回归变量,得到后行油品监测密度差值预测值。
在本实施例中,预测模块还包括:
相加模块:将所述后行油品监测密度差值预测值与所获取的成品油管道后行油品上游站场监测密度值相加,得到待预测成品油管道后行油品下游站场监测密度值。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (3)
1.成品油管道混油界面后行油品监测密度预测方法,其特征在于,包括:
获取成品油管道混油界面的历史数据;
选取历史数据中成品油管道上下游站场水力热力信息,前后行油品上游站场监测密度以及前行油品上下游站场监测密度差值作为关键输入特征变量,选取后行油品上下游站场监测密度差值作为输出变量,利用高斯混合回归算法对关键输入特征变量和输出变量进行多模态识别,得到各模态下的模态识别结果;
根据模态识别结果,利用最大期望算法进行训练得到模态对应的后行油品上下游站场监测密度差值修正模型;
利用后行油品上下游站场监测密度差值修正模型对待预测成品油管道混油界面进行预测,结合已获取的成品油管道后行油品上游站场监测密度值,得到待预测成品油管道下游站场的后行油品监测密度值;
所述上下游站场水力热力信息包括上游站场出口温度、压力,下游站场进口温度、压力;基于成品油管道前行油品上游站场密度监测值与前行油品下游站场密度监测值确定前行油品上下游站场监测密度差值;基于成品油管道后行油品上游站场密度监测值与后行油品下游站场密度监测值确定后行油品上下游站场监测密度差值;
根据模态识别结果,利用最大期望算法进行训练得到模态对应的后行油品上下游站场监测密度差值修正模型,具体为:
计算每个训练样本中关键输入特征变量的模态分属的后验概率;
基于所获取的每个训练样本中关键特征变量的模态分属的后验概率,计算各模态的高斯分布的方差、均值和协方差;
基于所计算得到的高斯分布的方差,建立关键输入特征变量与输出变量的关系;
基于所计算得到的高斯分布的均值和协方差,建立关键输入特征变量的边缘概率密度函数;
利用后行油品监测密度差值修正模型对待预测成品油管道混油界面进行预测,具体为:
将待预测成品油管道上下游站场的温度、压力,获取的前后行油品上游站场监测密度作为高斯混合回归算法中的模态识别变量,将获取的前行油品上下游站场监测密度差值作为高斯混合回归算法中的回归变量;
计算模态识别变量模态分属的后验概率;
基于后行油品监测密度差值修正模型、模态识别变量模态分属的后验概率以及回归变量,得到后行油品下游站场监测密度差值的预测值;
将所述后行油品监测密度差值预测值与所获取的成品油管道后行油品上游站场监测密度值相加,得到待预测成品油管道后行油品下游站场监测密度值。
2.如权利要求1所述的成品油管道混油界面后行油品监测密度预测方法,其特征在于,根据模态识别变量模态分属的后验概率和回归变量,得到后行油品下游站场监测密度差值的期望,将所得到的期望作为后行油品下游站场监测密度差值的预测值。
3.成品油管道混油界面后行油品监测密度预测***,其特征在于,包括:
获取模块:获取成品油管道混油界面的历史数据;
高斯模块:选取历史数据中成品油管道上下游站场水力热力信息,前后行油品上游站场监测密度以及前行油品上下游站场监测密度差值作为关键输入特征变量,选取后行油品上下游站场监测密度差值作为输出变量,利用高斯混合回归算法对关键输入特征变量和输出变量进行多模态识别,得到各模态下的模态识别结果;
训练模块:根据模态识别结果,利用最大期望算法进行训练得到模态对应的后行油品上下游站场监测密度差值修正模型;
预测模块:利用后行油品上下游站场监测密度差值修正模型对待预测成品油管道混油界面进行预测,结合已获取的成品油管道后行油品上游站场监测密度值,得到待预测成品油管道下游站场的后行油品监测密度值;
所述上下游站场水力热力信息包括上游站场出口温度、压力,下游站场进口温度、压力;基于成品油管道前行油品上游站场密度监测值与前行油品下游站场密度监测值确定前行油品上下游站场监测密度差值;基于成品油管道后行油品上游站场密度监测值与后行油品下游站场密度监测值确定后行油品上下游站场监测密度差值;
所述训练模块,包括:
第一计算模块:计算每个训练样本中关键输入特征变量的模态分属的后验概率;
第二计算模块:基于所获取的每个训练样本中关键特征变量的模态分属的后验概率,计算各模态的高斯分布的方差、均值和协方差;
第三计算模块:基于所计算得到的高斯分布的方差,建立关键输入特征变量与输出变量的关系;
第四计算模块:基于所计算得到的高斯分布的均值和协方差,建立关键输入特征变量的边缘概率密度函数;
所述预测模块,包括:
确定模块:将待预测成品油管道上下游站场的温度、压力,上游站场获取的前后行油品监测密度作为高斯混合回归算法中的模态识别变量,将上下游站场获取的前行油品监测密度差值作为高斯混合回归算法中的回归变量;
概率计算模块:计算模态识别变量模态分属的后验概率;
差值预测模块:基于后行油品监测密度差值修正模型、模态识别变量模态分属的后验概率以及回归变量,得到后行油品监测密度差值的预测值;
所述预测模块,还包括:相加模块:将所述后行油品监测密度差值预测值与所获取的成品油管道后行油品上游站场监测密度值相加,得到待预测成品油管道后行油品下游场站监测密度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107413.5A CN116822999B (zh) | 2023-08-31 | 2023-08-31 | 成品油管道混油界面后行油品监测密度预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107413.5A CN116822999B (zh) | 2023-08-31 | 2023-08-31 | 成品油管道混油界面后行油品监测密度预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116822999A CN116822999A (zh) | 2023-09-29 |
CN116822999B true CN116822999B (zh) | 2023-12-05 |
Family
ID=88127906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311107413.5A Active CN116822999B (zh) | 2023-08-31 | 2023-08-31 | 成品油管道混油界面后行油品监测密度预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822999B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2416153A1 (en) * | 2010-08-02 | 2012-02-08 | ENI S.p.A. | Method for predicting the quality and yields of a crude oil |
RU2613385C1 (ru) * | 2016-03-10 | 2017-03-16 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Тихоокеанский государственный университет" | Автоматизированная система контроля качества нефти |
WO2020261940A1 (ja) * | 2019-06-27 | 2020-12-30 | 積水ポリマテック株式会社 | バッテリモジュール |
CN112182885A (zh) * | 2020-09-29 | 2021-01-05 | 中国民用航空飞行学院 | 一种基于高斯混合模型的燃油消耗偏差预测方法及*** |
CN113196550A (zh) * | 2018-07-30 | 2021-07-30 | 凯尊创新有限公司 | 用于可再充电电池的壳体 |
CN114861759A (zh) * | 2022-04-06 | 2022-08-05 | 中国石油大学(华东) | 一种线性动态***模型的分布式训练方法 |
CN116307303A (zh) * | 2023-05-24 | 2023-06-23 | 中国石油大学(华东) | 机理-数据双驱动的成品油管道混油长度预测方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2947251A1 (en) * | 2014-05-23 | 2015-11-26 | Landmark Graphics Corporation | Robust viscosity estimation methods and systems |
US10628750B2 (en) * | 2014-11-17 | 2020-04-21 | Massachusetts Institute Of Technology | Systems and methods for improving petroleum fuels production |
-
2023
- 2023-08-31 CN CN202311107413.5A patent/CN116822999B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2416153A1 (en) * | 2010-08-02 | 2012-02-08 | ENI S.p.A. | Method for predicting the quality and yields of a crude oil |
RU2613385C1 (ru) * | 2016-03-10 | 2017-03-16 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Тихоокеанский государственный университет" | Автоматизированная система контроля качества нефти |
CN113196550A (zh) * | 2018-07-30 | 2021-07-30 | 凯尊创新有限公司 | 用于可再充电电池的壳体 |
WO2020261940A1 (ja) * | 2019-06-27 | 2020-12-30 | 積水ポリマテック株式会社 | バッテリモジュール |
CN113906611A (zh) * | 2019-06-27 | 2022-01-07 | 积水保力马科技株式会社 | 电池模块 |
CN112182885A (zh) * | 2020-09-29 | 2021-01-05 | 中国民用航空飞行学院 | 一种基于高斯混合模型的燃油消耗偏差预测方法及*** |
CN114861759A (zh) * | 2022-04-06 | 2022-08-05 | 中国石油大学(华东) | 一种线性动态***模型的分布式训练方法 |
CN116307303A (zh) * | 2023-05-24 | 2023-06-23 | 中国石油大学(华东) | 机理-数据双驱动的成品油管道混油长度预测方法及*** |
Non-Patent Citations (3)
Title |
---|
Automatic method for estimation of in situ effective contact angle from X-ray micro tomography images of two-phase flow in porous media;Alessio Scanziani等人;《Journal of Colloid and Interface Science》;全文 * |
成品油混输监测***的关键技术问题及解决办法;黄懿雪;李国栋;郭长滨;;自动化博览(07);全文 * |
融合机制与高斯混合回归算法的成品油管道顺序输送混油长度预测模型;袁子云等;《中国石油大学学报(自然科学版)》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116822999A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107153874B (zh) | 水质预测方法及*** | |
TWI521360B (zh) | 量測抽樣方法與其電腦程式產品 | |
De Oliveira et al. | Comparison of methods to estimate the time‐to‐failure distribution in degradation tests | |
Fang et al. | Inverse Gaussian processes with correlated random effects for multivariate degradation modeling | |
CN105929340B (zh) | 一种基于arima估算电池soc的方法 | |
Zhang et al. | Extended design cost: a performance criterion for real-time optimization systems | |
Jiang et al. | On estimating quantile sensitivities via infinitesimal perturbation analysis | |
Akpinar et al. | Naive forecasting of household natural gas consumption with sliding window approach | |
CN116307303B (zh) | 机理-数据双驱动的成品油管道混油长度预测方法及*** | |
CN111143768A (zh) | 一种基于arima-svm组合模型的空气质量预测算法 | |
Lin et al. | A novel efficient model for gas compressibility factor based on GMDH network | |
Caprace et al. | Towards a short time “feature-based costing” for ship design | |
Duan et al. | Bayesian analysis for the transformed exponential dispersion process with random effects | |
CN116822999B (zh) | 成品油管道混油界面后行油品监测密度预测方法及*** | |
Hou et al. | Observing a three-tank system | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
Pang et al. | RUL prediction for bivariate degradation process considering individual differences | |
Gao et al. | Using transient measurements in iterative steady-state optimizing control | |
Ioshchikhes et al. | Assessing energy efficiency measures for hydraulic systems using a digital twin | |
Zhang et al. | An integrated framework of preventive maintenance and task scheduling for repairable multi-unit systems | |
CN114782099A (zh) | 一种建筑工程造价用预算估计及分析方法 | |
Piplani et al. | Simplification strategies for simulation models of semiconductor facilities | |
CN106651462A (zh) | 一种二手设备的估价方法 | |
CN106709169A (zh) | 一种原油加工过程的性质估计方法 | |
Salazar-Alvarez et al. | Regressing sample quantiles to perform nonparametric capability analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |