一种管道清管周期预测方法及平台与流程

本发明涉及石油、石化储运技术领域，具体涉及一种管道清管周期预测方法及平台。

背景技术：

管道输送是油气储运过程中最为普遍的运输方式，而管道清管是管道投产运行中的一项重要工作。长输油气管道在运行过程中，油气中的水、凝液、胶质、沥青质等介质将在管道底部、低洼部位等沉积析出，尤其是在管道运行在低输量、间歇输送或者油气质量控制不当的情况下，往往会加剧管道内杂质的沉积。清管操作可以有效的去除管道内异物杂质，维持管道设计运作条件，防止降低管道输送能力，防止增加管道输送能耗，同时也可以防止和监测管道腐蚀行为，避免管道发生泄漏造成环境污染、经济损失，甚至安全事故。传统清管如图1所示，利用管道收发球系统进行清管。

对于长输油气管道，通常清管的时机包括①管道建成后清管，即投产前通过清管球扫除管道内大部分杂物、杂质；②管道运行中清管，定期清除管道结蜡、凝聚物等，以保证管道通畅正常生产；③管道检测维修清管，即需要停产检测前对管道进行系统清理。管道间隔多久需要进行一次清管作业，既能有效保持管道输送效果，又不造成人力、财力和物力的浪费，因此在管道运行中选择一个经济清管周期对于管道的经济安全运行显得尤为重要。

国内管道清管周期的确定主要是根据各运行公司编制的清管作业规程，例如，q/sygd1003-2014《油气管道清管作业手册》和q/sygd0225-2013《油气管道清管作业技术规程》，以上标准规定清管周期的确定依据是管道输量的变化、油品质量和输送工艺等情况。这些规定只是给作业者一种定性的指导意见，具体清管的实施时机往往是现场操作人员根据操作经验确定，如制定规律性的清管周期方案，每隔固定时间进行一次清管作业。这种清管周期的确定方法往往依赖于个人的生产操作经验，清管的周期规律但是未考虑管道的实际运行能力，未科学分析管道清管操作频率对经济性的影响，往往导致管道清管频率过高而引起运行成本升高，或者清管不及时导致管道超压、清管器卡堵等不利工况。

近年来，国内外学者开展了一些管道蜡沉积计算模型的研究，蜡沉积模型的建立是基于蜡沉积机理、影响因素与实验方法研究的基础之上的。目前，蜡沉积主要考虑分子扩散、剪切弥散、重力沉降、布朗运动四种机理，更多关于蜡沉积机理介绍的可参考文献。除了以上理论的研究，模型的建立还依赖于试验方法，主流的实验方法包括：冷指法、旋转圆盘法、环道法。基于以上理论研究与试验方法，国内外学者对原油蜡沉积进行了系统研究，提出了多个的蜡沉积模型。工程人员通过结合蜡沉积计算模型的预测方法，提出了描述管道清管周期与管输效率、结蜡速率之间关系的数学模型，结合具体技术经济参数，开展最优清管周期的优化计算，并结合实际情况，计算得到管道的清管周期。这些预测模型为辅助决策含蜡原油输送管道的清管周期提供了理论依据。该种技术方案依托于复杂的机理预测模型，往往需要使用专业的商业软件对蜡沉积的现象进行模拟分析，具有普通操作人员无法掌握预测方法、软件购置成本高、无实验装置与模拟结果验证等缺点。同时，理论计算的经济当量结蜡厚度是基于固定的设计输入数值计算，是一种离线的模拟，在实际运行中应结合实际的生产情况，如出站压力温度波动、介质质量成分变化、管道输量变化、生产操作方案变化等都将影响实际蜡沉积速度的快慢，所以，此种技术方案预测的清管周期并不是最佳的。

技术实现要素：

本发明所要解决的技术问题是提供一种管道清管周期预测方法及平台，能够实现对管道生产运行的参数进行实时监控，并基于实时数据动态的分析清管操作的最佳清管周期。

本发明解决上述技术问题的技术方案如下：

本发明的第一个方面是提供一种管道清管周期预测方法。

一种管道清管周期预测方法，包括以下步骤，

s1，根据管道收发球系统的历史清管前管道压力损失、历史清管前管道温差、历史清管后管道压力损失、历史清管后管道温差、距离上一次清管的时长、历史管道平均输量、历史清管泄放量及历史清管过程中管道起点最大压力和管道末点最高温度，建立基于机器学习的清管预测模型；

s2，获取所述管道收发球系统的实时压力数据和实时温度数据，并将所述管道收发球系统的实时压力数据和实时温度数据作为所述清管预测模型的输入，并在所述清管预测模型中设置将要进行的清管过程中管道起点最大压力和管道末点最高温度的阈值，且在预设的清管后管道压力损失、清管后管道温差和清管泄放量的组合下，通过所述清管预测模型输出清管周期。

本发明的第二个方面是提供一种管道清管周期预测平台。

一种管道清管周期预测平台，包括压力温度监测系统、收球反馈系统、清管预测服务器、实时分析系统和云端服务平台；

所述压力温度监测系统，用于监测管道收发球系统的管道起、末点压力值和温度值，并将所述管道收发球系统的管道起、末点压力值和温度值发送给所述清管预测服务器；

所述收球反馈系统，用于记录所述管道收发球系统的收球反馈数据，并将所述管道收发球系统的收球反馈数据发送给所述清管预测服务器，其中所述收球反馈数据包括距离上一次清管的时长、管道平均输量和清管泄放量；

所述清管预测服务器，用于通过通信模块将所述管道收发球系统的管道起、末点压力值和温度值以及收球反馈数据发送给所述云端服务平台；

所述实时分析系统，用于根据云端服务平台中存储的管道收发球系统的历史清管前管道压力损失、历史清管前管道温差、历史清管后管道压力损失、历史清管后管道温差、距离上一次清管的时长、历史管道平均输量、历史清管泄放量及历史清管过程中管道起点最大压力和管道末点最高温度，建立基于机器学习的清管预测模型；还用于获取所述清管预测服务器中实时获取的所述管道收发球系统的实时压力数据和实时温度数据，并将所述管道收发球系统的实时压力数据和实时温度数据作为所述清管预测模型的输入，并在所述清管预测模型中设置将要进行的清管过程中管道起点最大压力和管道末点最高温度的阈值，且在预设的清管后管道压力损失、清管后管道温差和清管泄放量的组合下，通过所述清管预测模型输出清管周期；还用于将所述清管周期发送给所述云端服务平台；

所述云端服务平台，用于通过有线或/和无线的通信方式与接收终端连接，并为所述接收终端提供数据服务。

本发明的有益效果是：本发明一种管道清管周期预测方法及平台可以对管道生产运行的参数进行实时监控，并基于大数据和机器学习相结合的方法建立清管预测模型，实现了实时数据动态的分析清管操作的最佳时机，解决了对清管操作经验的过度依赖的弊端；且本发明无需依托于昂贵复杂的商业模拟软件，解决了商业模拟软件通常为离线计算无法实现对管道运行工况的实时感知的问题；同时，通过大数据与机器学习相结合的方法，提供更加科学的清管预测方法，为管线运营操作提供了决策支持；另外，通过数据库的逐渐积累，可以提升清管预测模型的聪明度，对于不同场景的管道进行智能判别，具有更高的应用价值。

附图说明

图1为管道收发球系统的结构示意图；

图2为本发明一种管道清管周期预测方法的流程图；

图3为本发明一种管道清管周期预测平台的结构框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

实施例一：

如图2所示，一种管道清管周期预测方法，对原油管道进行清管周期预测，包括以下步骤，

根据管道收发球系统的历史清管前管道压力损失、历史清管前管道温差、历史清管后管道压力损失、历史清管后管道温差、距离上一次清管的时长、历史管道平均输量、历史清管泄放量及历史清管过程中管道起点最大压力和管道末点最高温度，建立基于机器学习的清管预测模型；

获取所述管道收发球系统的实时压力数据和实时温度数据，并将所述管道收发球系统的实时压力数据和实时温度数据作为所述清管预测模型的输入，并在所述清管预测模型中设置将要进行的清管过程中管道起点最大压力和管道末点最高温度的阈值，且在预设的清管后管道压力损失、清管后管道温差和清管泄放量的组合下，通过所述清管预测模型输出清管周期。

在实施例一中：

清管前：管道起点压力p1，末点压力p2，起点温度t1，末点温度t2。

清管后：管道起点压力p3，末点压力p4，起点温度t3，末点温度t4。

随着管道运行，管道压力损失dp应随着时间变化逐渐增加，管道温度损失dt应随着时间变化逐渐减小，每次清管后压力损失dp恢复到较小的水平，管道温度损失恢复到较高水平。

则清管前，管道压力损失：dpb＝p1-p2，温差(温度损失)：dtb＝t1-t2。

则清管后，管道压力损失：dpa＝p3-p4，温差(温度损失)：dta＝t3-t4。

距离上一次清管的时长d，为实际的清管周期。

管道平均输量q，与蜡沉积的速度成反比。

清管泄放量r，代表每次通球清出的蜡量，蜡量越大表示蜡沉积量越大，清管越彻底。

清管过程中管道起点最大压力pmax，应小于管线(管道起末点之间)允许的最大运行压力pd，可以作为求最优解的阈值；

清管过程中管道末点最高温度tmax，应小于管线(管道起末点之间)允许的最高运行温度td，可以作为求最优解的阈值；

原油管道的清管预测模型是通过对以上参数实时数据的相关度和趋势分析，通过阈值(pmax，tmax)作为限制条件，求解最长清管周期dmax。该预测模型未考虑实际经济费用问题，因而认为清管周期越长，管道运维费用越低，在不超过设计允许条件的情况下，求解出允许的最长清管周期。

原油管道的清管预测模型预测清管周期的具体步骤如下：

(1)建立压力p与时间的回归模型，确定压力变化与运行时间的关系；初始变量为运行开始节点的起点压力p1和末点压力p2；每个清管周期(drun)内的结束变量为运行结束节点的起点压力p3和末点压力p4；

(2)建立温度t与时间的回归模型，与压力p同理。

(3)根据压力和温度阈值(pmax，tmax)，求解运行周期drun的变化区间。

(4)关键因子分析，确定影响蜡块沉积的影响因子。纳入考虑的因子有温度t，压强p，管道平均输量q，清管泄放量r等,找到影响蜡块沉积的独立影响因子。建立蜡块沉积与独立影响因子的回归模型。

(5)最优值确定：根据训练数据，采用机器学习的方法，求解drun最优解。

(6)将所有分析数据加入数据库，定期优化模型参数。

实施例二：

在实施例一执行完后，还可以包括以下步骤，

根据所述清管周期，利用所述管道收发球系统，对管道进行本次清管；在本次清管结束之后，获取本次清管前管道压力损失、本次清管前管道温差、本次清管后管道压力损失、本次清管后管道温差、距离上一次清管的时长、管道平均输量、本次清管泄放量及本次清管过程中管道起点最大压力和管道末点最高温度，并对所述清管预测模型进行训练，得到优化的清管预测模型，利用优化的清管预测模型进行下一次清管周期预测。

实施例三：

建立天然气输送管道或多相输送管道的清管预测模型，除以上原油管道的清管预测模型要考虑的参数外，还应增加管道起末点压力波动频率及波动幅值两个自变量作为清管预测模型的输入参数。

天然气输送管道或多相流管道会在管道低洼处产生凝液积聚，最终产生段塞流并伴随压力波动，波动频率和幅值越大提示应对管道进行清管操作，及时清除管道内积液可以改善管道不稳定运行。因此，对于天然气输送管道或多相输送管道的清管预测模型，是除以上原油管道的清管预测模型要考虑的参数外，还应考虑压力波动频率(f)及波动幅值(a)这两个实数变量。

一种管道清管周期预测方法，对天然气输送管道或多相输送管道进行清管周期预测，包括以下步骤，

根据管道收发球系统的历史清管前管道压力损失、历史清管前管道温差、历史清管后管道压力损失、历史清管后管道温差、距离上一次清管的时长、历史管道平均输量、历史清管泄放量、历史清管过程中管道起点最大压力和管道末点最高温度以及历史清管过程中管道起末点压力波动频率和波动幅值，建立基于机器学习的清管预测模型；

获取所述管道收发球系统的实时压力数据和实时温度数据，并将所述管道收发球系统的实时压力数据和实时温度数据作为所述清管预测模型的输入，并在所述清管预测模型中设置将要进行的清管过程中管道起点最大压力和管道末点最高温度的阈值，且在预设的清管后管道压力损失、清管后管道温差和清管泄放量的组合下，通过所述清管预测模型输出清管周期。

实施例四：

在实施例三执行完后，还可以包括以下步骤，

根据所述清管周期，利用所述管道收发球系统，对管道进行本次清管；在本次清管结束之后，获取本次清管前管道压力损失、本次清管前管道温差、本次清管后管道压力损失、本次清管后管道温差、距离上一次清管的时长、管道平均输量、本次清管泄放量、本次清管过程中管道起点最大压力和管道末点最高温度及本次清管过程中管道起末点压力波动频率和波动幅值，并对所述清管预测模型进行训练，得到优化的清管预测模型，利用优化的清管预测模型进行下一次清管周期预测。

实施例五：

在实施例一或实施例二或实施例三或实施例四执行完后，还可以包括以下步骤，

根据所述清管周期，且利用经济性清管周期计算模型计算经济型清管周期；所述经济性清管周期计算模型如下，

其中，mins为日平均总费用，spi为动力费用，sri为热力费用，sc为单次清管费用，t为清管周期；

当mins取最小值时，其对应的清管周期t即为经济型清管周期。

评价经济性最佳清管周期通常要考虑管道日常运行维护的费用，并对平均日平均总费用进行综合评估而得出，管道日常运行维护费用包括动力费用、热力费用、单次清管费用。动力费用是为了保持管道运行所需的动力所产生的费用，通常为泵输送增压所需要的电力费用。热力费用为避免管道运行温度过低，导致管道凝管或加剧蜡沉积速度所产生的费用，通过为管道输送前的加热费用。单次清管费用是指每次清管操作过程中生产人工及器具成本。可以通过加载经济计算模型的方式评价经济性最佳清管周期，使用下方计算模型中的最小日平均总费用mins作为因变量，通过设置管道起点最大压力和管道末点最高温度的阈值，在不同的管道压力损失、温差变化、清管泄放量的组合下，求出最优解，即满足条件的最佳的经济性清管周期。

在本发明中，通过机器学习可以根据多次清管的效果来优化清管预测模型，使得清管次数越多，清管预测模型预测的结果越精确。根据多次清管的结果来优化清管预测模型，从而清管次数越多，预测效果越好，使得清管预测模型越用越聪明。需要说明的是，用户可以依据实际清管产生结果数据在人机终端上修正评价每次清管的结果，可修正的数据包括清管前、后管道压力损失、温差、收球反馈数据(包含清管速度、清管时长、清管泄放量，泄放速度，泄放时间等)、清管过程中管道最大压力等。用户的修改数据可以优先作为清管预测模型的输入参数解来优化清管周期的决策。

基于上述一种管道清管周期预测方法，本发明还提供一种管道清管周期预测平台。

实施例六：

如图3所示，一种管道清管周期预测平台，包括压力温度监测系统、收球反馈系统、清管预测服务器、实时分析系统和云端服务平台；

所述压力温度监测系统，用于监测管道收发球系统的管道起、末点压力值和温度值，并将所述管道收发球系统的管道起、末点压力值和温度值发送给所述清管预测服务器；

所述收球反馈系统，用于记录所述管道收发球系统的收球反馈数据，并将所述管道收发球系统的收球反馈数据发送给所述清管预测服务器，其中所述收球反馈数据包括距离上一次清管的时长、管道平均输量和清管泄放量；

所述清管预测服务器，用于通过通信模块将所述管道收发球系统的管道起、末点压力值和温度值以及收球反馈数据发送给所述云端服务平台；

所述实时分析系统，用于根据云端服务平台中存储的管道收发球系统的历史清管前管道压力损失、历史清管前管道温差、历史清管后管道压力损失、历史清管后管道温差、距离上一次清管的时长、历史管道平均输量、历史清管泄放量及历史清管过程中管道起点最大压力和管道末点最高温度，建立基于机器学习的清管预测模型；还用于获取所述清管预测服务器中实时获取的所述管道收发球系统的实时压力数据和实时温度数据，并将所述管道收发球系统的实时压力数据和实时温度数据作为所述清管预测模型的输入，并在所述清管预测模型中设置将要进行的清管过程中管道起点最大压力和管道末点最高温度的阈值，且在预设的清管后管道压力损失、清管后管道温差和清管泄放量的组合下，通过所述清管预测模型输出清管周期；还用于将所述清管周期发送给所述云端服务平台；

所述云端服务平台，用于通过有线或/和无线的通信方式与接收终端连接，并为所述接收终端提供数据服务。

实施例七：

本发明的管道清管周期预测平台还包括视频监控系统，所述视频监控系统，用于监控所述管道收发球系统的工作状态(主要为起末点的收发球操作)，并将所述管道收发球系统的工作状态发送给所述清管预测服务器；

所述清管预测服务器还用于将所述管道收发球系统的工作状态发送给所述所述云端服务平台。

实施例八：

所述清管预测服务器内设置有参数设置模块和报警模块，

所述参数设置模块，用于为所述管道收发球系统的管道起点压力值、管道末点压力值、管道起末点压力损失值、管道起点温度值、管道末点温度值、管道起末点温度损失值以及收球反馈数据设置对应的阈值范围；

所述报警模块，用于在所述管道收发球系统的管道起点压力值、管道末点压力值、管道起末点压力损失值、管道起点温度值、管道末点温度值、管道起末点温度损失值以及收球反馈数据中的一项或多项超出所述参数设置模块中设置的对应的阈值范围时进行报警处理。

报警模块可以在出现异常时进行及时报警。

实施例九：

所述管道收发球系统，用于根据所述清管周期对管道进行本次清管；

所述实时分析系统，还用于在本次清管结束之后，获取本次清管前管道压力损失、本次清管前管道温差、本次清管后管道压力损失、本次清管后管道温差、距离上一次清管的时长、管道平均输量、本次清管泄放量及本次清管过程中管道起点最大压力和管道末点最高温度，并对所述清管预测模型进行训练，得到优化的清管预测模型，利用优化的清管预测模型进行下一次清管周期预测。

实施例十：

在所述实时分析系统中，参与建立所述清管预测模型的参数还包括，历史清管过程中管道起末点压力波动频率和波动幅值。

即所述实时分析系统，还用于根据云端服务平台中存储的管道收发球系统的历史清管前管道压力损失、历史清管前管道温差、历史清管后管道压力损失、历史清管后管道温差、距离上一次清管的时长、历史管道平均输量、历史清管泄放量、历史清管过程中管道起点最大压力和管道末点最高温度以及历史清管过程中管道起末点压力波动频率和波动幅值，建立基于机器学习的清管预测模型；还用于获取所述清管预测服务器中实时获取的所述管道收发球系统的实时压力数据和实时温度数据，并将所述管道收发球系统的实时压力数据和实时温度数据作为所述清管预测模型的输入，并在所述清管预测模型中设置将要进行的清管过程中管道起点最大压力和管道末点最高温度的阈值，且在预设的清管后管道压力损失、清管后管道温差和清管泄放量的组合下，通过所述清管预测模型输出清管周期。

实施例十一：

所述管道收发球系统，用于根据所述清管周期对管道进行本次清管；

所述实时分析系统，还用于在本次清管结束之后，获取本次清管前管道压力损失、本次清管前管道温差、本次清管后管道压力损失、本次清管后管道温差、距离上一次清管的时长、管道平均输量、本次清管泄放量、本次清管过程中管道起点最大压力和管道末点最高温度以及本次清管过程中管道起末点压力波动频率和波动幅值，并对所述清管预测模型进行训练，得到优化的清管预测模型，利用优化的清管预测模型进行下一次清管周期预测。

实施例十二：

所述实时分析系统，还用于根据所述清管周期，且利用经济性清管周期计算模型计算经济型清管周期；所述经济性清管周期计算模型如下，

其中，mins为日平均总费用，spi为动力费用，sri为热力费用，sc为单次清管费用，t为清管周期；

当mins取最小值时，其对应的清管周期t即为经济型清管周期。

本发明一种管道清管周期预测方法及平台可以对管道生产运行的参数进行实时监控，并基于大数据和机器学习相结合的方法建立清管预测模型，实现了实时数据动态的分析清管操作的最佳时机，解决了对清管操作经验的过度依赖的弊端；且本发明无需依托于昂贵复杂的商业模拟软件，解决了商业模拟软件通常为离线计算无法实现对管道运行工况的实时感知的问题；同时，通过大数据与机器学习相结合的方法，提供更加科学的清管预测方法，为管线运营操作提供了决策支持；另外，通过数据库的逐渐积累，可以提升清管预测模型的聪明度，对于不同场景的管道进行智能判别，具有更高的应用价值。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。