一种基于实时数据的成品油管道混油量计算方法及系统

1.本发明涉及石油能源技术领域，特别是关于一种基于实时数据的成品油管道混油量计算方法及系统。


背景技术：

2.由于成品油销售端对多种油品存在需求，为节省管道建设费用，往往采用顺序输送的方式对沿途各个分输点进行油品运输，各个分输点根据每种油品的需求进行油品下载。成品油根据不同的用途及标准，可以分为汽柴油以及各种不同的牌号，在顺序输送时，由于不同种类油品物理性质上的差异，以及输送过程中油品分子扩散作用的影响，导致在不同油品的交界面处会不可避免地产生大量的混油。为保障管输油品质量，以及对混油段进行处理以满足质量标准要求，需要对管输过程中产生的混油量进行准确计算。
3.由于数值计算方法对于计算能力的要求较高，求解效率低，无法工程化应用。因此，目前在工程运用上，成品油管道混油的计算方法主要以经验公式法为主。就经验公式法而言，壳牌石油公司通过利用5年中统计得到的汽油混输、汽油与柴油混输时的混油长度数据，基于数据拟合的方式得到一种混油长度的经验计算方法，即birge公式。研究人员利用环道开展顺序输送试验后，基于实验结果开发出smith&schulze混油模型，以及考虑管内摩擦对于混油发展的影响，对混油计算公式进行改进，并提出sjenitzer.f公式。然而，上述几种公式对于实际混油量的计算效果都不够理想。因此，研究人员通过探究管内混油量大小受临界雷诺数的影响关系，通过整理实验室数据和现场数据，通过数据拟合的方法提出奥斯汀混油经验公式。
4.然而，利用经验公式的方法虽然能够对混油长度以及混油量进行简单且快速的估算，但是其大多基于数据拟合的方法产生，缺乏充足的理论依据，难以得到准确的混油长度计算结果，多维数值模拟又难以进行快速求解，且适用范围较为局限，往往一个公式只适用于一条管道，对于不同管道，需要进行参数修正方能得到较为可信的结果。


技术实现要素：

5.针对上述问题，本发明的目的是提供一种能够得到准确混油长度计算结果且适用范围广的基于实时数据的成品油管道混油量计算方法及系统。
6.为实现上述目的，本发明采取以下技术方案：第一方面，提供一种基于实时数据的成品油管道混油量计算方法，包括：
7.获取待测成品油管道的管道特性参数、顺序输送期间的现场实时运行数据以及混油属性信息；
8.将管道特性参数、顺序输送期间的现场实时运行数据以及混油属性信息输入至预先构建的混油量预测模型中，得到待测成品油管道的混油长度预测值。
9.进一步地，所述混油量预测模型的构建过程为：
10.构建混油数据库；
11.对构建的混油数据库中的各特征子集进行筛选，确定最优的特征子集；
12.根据最优的特征子集和混油长度，构建混油量预测模型。
13.进一步地，所述构建混油数据库，包括：
14.获取成品油管道的现场实时运行数据；
15.获取成品油管道的基本参数，并确定管道特性参数；
16.根据成品油管道上下游密度计的变化值，确定混油属性信息；
17.根据成品油管道的现场实时运行数据、管道特性参数和混油属性信息，构建得到混油数据库。
18.进一步地，所述获取成品油管道的基本参数，并确定管道特性参数，包括：
19.获取成品油管道的基本参数，包括管径和管长；
20.根据成品油管道的基本参数，构建管道特性参数。
21.进一步地，所述管道特性参数为：
[0022][0023][0024]
进一步地，所述对构建的混油数据库中的各特征子集进行筛选，确定最优的特征子集，包括：
[0025]
根据构建的混油数据库，确定若干特征子集；
[0026]
采用深度神经网络算法，根据确定的特征子集，进行模型训练和测试，得到不同特征子集对应的预测误差；
[0027]
选出预测误差最低的特征子集作为最优的特征子集。
[0028]
进一步地，所述根据最优的特征子集和混油长度，构建混油量预测模型，包括：
[0029]
采用深度神经网络算法，将最优的特征子集中的自变量作为输入，将混油长度作为输出，构建混油量预测模型；
[0030]
选取relu激活函数作为网络层的非线性激活函数，并采用adam算法对构建的混油量预测模型进行迭代训练，得到训练好的混油量预测模型。
[0031]
第二方面，提供一种基于实时数据的成品油管道混油量计算系统，包括：
[0032]
数据获取模块，用于获取待测成品油管道的现场实时运行数据以及管道特性参数和混油属性信息；
[0033]
混油量预测模块，用于将管道特性参数、顺序输送期间的现场实时运行数据以及混油属性信息输入至预先构建的混油量预测模型中，得到待测成品油管道的混油长度预测值。
[0034]
第三方面，提供一种处理设备，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现上述基于实时数据的成品油管道混油量计算方法对应的步骤。
[0035]
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述基于实时数据的成品油管道混油量计算方法对应的步骤。
[0036]
本发明由于采取以上技术方案，其具有以下优点：
[0037]
1、由于利用经验方法获取管内批次界面的混油长度较为不准确，本发明通过构建的混油量预测模型进行混油长度的在线计算，能够帮助现场人员获取较为准确的混油长
度，减少混油处理成本，保障管内油品质量，提高企业经济效益，有助于实现对成品油管道运行状态进行监控的目的。
[0038]
2、考虑到大量管道运行实时数据储存在scada(数据采集与监视控制系统)系统中，如果可以将管内混油长度变化与管道实时运行数据关联起来，可实现顺序输送时到站混油量的准确计算，因此本发明基于scada系统内存储的成品油管道的现场运行实时数据以及定义的管道特性参数和混油属性信息，构建混油数据库，进而对混油数据库中的特征子集进行筛选后构建得到混油量预测模型，以帮助现场人员精准确定进罐混油量。
[0039]
3、考虑到传统的经验公式法通用性较低，应用于不同管道的混油量计算时，需要根据管道的历史数据进行拟合，这种方式不仅难以在多个混油界面的计算上同时获得较为准确的结果，且增加了人工拟合的工作量。本发明利用数据驱动方法较强的非线性拟合能力和泛化能力，基于历史数据训练得到的混油量预测模型对后续的混油量得出较为满意的预测结果。
[0040]
综上所述，本发明可以广泛应用于石油能源技术领域中。
附图说明
[0041]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
[0042]
图1是本发明一实施例提供的混油数据库的构建流程示意图；
[0043]
图2是本发明一实施例提供的特征子集的筛选流程示意图；
[0044]
图3是本发明一实施例提供的混油量预测模型的构建示意图。
具体实施方式
[0045]
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整地传达给本领域的技术人员。
[0046]
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
[0047]
尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段，但是，这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出，否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此，以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的
情况下可以被称作第二元件、部件、区域、层或部段。
[0048]
由于混油发展受到多种因素影响，目前的经验公式法难以得到准确的混油长度计算结果，多维数值模拟又难以进行快速求解。因此，考虑到成品油管道的现场实时运行数据储存在scada系统中，现场人员希望利用实时运行数据，通过较为准确的计算模型，实时获取到站混油长度，从而对混油进行及时和准确的下载，减少不必要的混油处理成本，防止油品质量下降影响下游销售等问题。本发明实施例提供的基于实时数据的成品油管道混油量计算方法及系统，根据成品油管道的现场实时运行数据、管道特性参数和混油属性信息构建混油数据库，利用混油数据库中的数据进行混油长度的预测，以判断混油界面达到站场时的实际混油长度大小。本发明所构建的混油量预测模型首先利用管道历史运行数据、管道特性参数以及混油属性信息训练模型，因此在构建混油数据库时通过获取不同管道不同混油界面的上述信息，训练得到的混油量预测模型可以应用在多条成品油管道上，并不用一条管道对应一个模型。
[0049]
实施例1
[0050]
本实施例提供一种基于实时数据的成品油管道混油量计算方法，包括以下步骤：
[0051]
1)根据成品油管道的现场实时运行数据以及管道特性参数和混油属性信息，构建混油数据库。
[0052]
2)采用特征工程方法，对构建的混油数据库中的各特征子集进行筛选，确定最优的特征子集，以获得对混油量具有较高表征作用的影响因素。
[0053]
3)采用深度神经网络(dnn)算法，根据最优的特征子集和混油长度，构建混油量预测模型。
[0054]
4)获取待测成品油管道的管道特性参数、顺序输送期间的现场实时运行数据以及混油属性信息，并输入至构建的混油量预测模型中，得到待测成品油管道的混油长度预测值。
[0055]
上述步骤1)中，如图1所示，构建混油数据库的具体过程为：
[0056]
1.1)获取scada系统储存的成品油管道的现场实时运行数据。
[0057]
具体地，现场实时运行数据包括混油运行期间的流量、压力和温度数据。
[0058]
1.2)获取成品油管道的基本参数，并根据获取的基本参数，基于混油经验公式，确定管道特性参数：
[0059]
1.2.1)获取成品油管道的基本参数。
[0060]
具体地，基本参数包括管径d和管长l。
[0061]
1.2.2)根据混油经验公式(下述公式(1)和(2))，可以发现混油量大小与管径d和管长l的0.5次方成正比，基于此，构建新的变量和作为管道特性参数。
[0062]
具体地，混油经验公式为：
[0063]
re＞rej：c＝11.75d
0.5
l
0.5
re-0.1
ꢀꢀ
(1)
[0064]
re＜rej：
[0065]
式中，re为雷诺数；rej为临界雷诺数；c为混油长度，单位m；d为管径，单位m；l为管长，单位m。
[0066]
具体地，管道特性参数包括：
[0067][0068][0069]
1.2.3)根据成品油管道上下游密度计的变化值，确定混油属性信息。
[0070]
具体地，混油属性信息包括混油运行时间、初始混油长度和到站混油长度。
[0071]
具体地，混油运行时间根据成品油管道上下游密度计发生对应变化时的时间差确定(不同牌号或种类的油品密度存在差异)。
[0072]
具体地，初始混油长度根据站内混油信息获取。
[0073]
具体地，到站混油长度根据混油过站时间和过站流量确定：
[0074][0075]
式中，lm为混油长度，单位m；δt为混油过站时间，单位s；qm为过站流量，单位m3/h；sm为管道截面积，单位m2。
[0076]
1.2.4)根据成品油管道的现场实时运行数据、管道特性参数和混油属性信息，构建得到混油数据库。
[0077]
上述步骤2)中，如图2所示，构建混油数据库后，由于其中包含的变量个数众多，而是否每种因素均对于混油长度预测具有较高影响是未知的，因此，采用特征工程方法，对构建的混油数据库中的各混油特征进行筛选，具体过程为：
[0078]
2.1)根据构建的混油数据库，确定若干特征子集。
[0079]
具体地，第一特征子集同时包括成品油管道的现场实时运行数据、管道特性参数和混油属性信息三种输入，第二特征子集只包括成品油管道的现场实时运行数据和混油属性信息，排除管道特性参数，第三特征子集只包括成品油管道的现场实时运行数据，将混油属性信息和管道特性参数均排除在外。
[0080]
2.2)采用深度神经网络(dnn)算法，根据确定的特征子集，进行模型训练和测试，得到不同特征子集对应的预测误差(mape-平均绝对百分比误差)，其中，深度神经网络(dnn)算法为现有技术公开的算法，具体过程在此不多做赘述。
[0081]
具体地，预测误差mape为：
[0082][0083]
其中，为混油长度预测值，yi为混油长度真实值。
[0084]
2.3)对不同特征子集对应的预测误差进行特征比选，判断哪一特征子集所包括的信息对于混油长度预测更有意义，得到最优的特征子集。
[0085]
具体地，特征子集进行特征比选时，需要利用每一数据集进行混油长度预测，根据预测精度判断选择哪一特征子集作为最终的输入数据，本实施例的预测模型结构并不需要通过试错法确定，只是为了对比输入数据集，且输出数据也不会用于最终的混油长度预测。
[0086]
具体地，若预测误差较高，则说明特征子集对于混油长度预测重要性较低；若预测误差较低，则说明特征子集对于混油长度预测更有意义，因此，选出预测误差最低的特征子集作为最优的特征子集。
[0087]
上述步骤3)中，如图3所示，构建混油量预测模型的具体过程为：
[0088]
3.1)采用深度神经网络算法，将最优的特征子集中的自变量作为输入，将混油长度作为输出，构建混油量预测模型。
[0089]
具体地，深度神经网络的结构包括三个网络层，即输入层、输出层和隐藏层，其中，输入层的输入维度由特定问题的输入变量个数决定，在本发明的混油量预测模型中，输入维度由最优的特征子集中自变量的个数决定；输出层用于输出预测结果，其维度大小由输出变量的个数决定，因此，在本发明的混油量预测模型中，输出变量即为混油量大小，输出层的维度大小即为1；对于隐藏层，其层数大小由实际问题的复杂程度决定，通过试错法确定出最优的隐藏层层数。同时，隐藏层中每层网络的神经元数通过多次实验进行比选，得到最优的个数。
[0090]
3.2)选取relu激活函数作为网络层的非线性激活函数，并采用adam算法对构建的混油量预测模型进行迭代训练，得到训练好的混油量预测模型。
[0091]
具体地，考虑到混油长度与输入变量之间存在较强的非线性特征，而relu激活函数具有当输入为正则返回原始值，输入为负则返回0的特点，为增强网络的非线性拟合能力，同时保证输出结果的合理性，选取relu函数作为网络层的非线性激活函数。
[0092]
具体地，考虑到adam优化算法为一种随机梯度下降算法，通过设定独立的自适应学习率对网络参数进行优化，在大批量数据上的深度学习算法具有很好的优化能力，因此，采用adam算法进行混油量预测模型的迭代训练。
[0093]
下面通过具体实施例详细说明本发明的基于实时数据的成品油管道混油量计算方法。
[0094]
对中国珠三角某成品油管网进行测试，测试管段的数据如下表1所示：
[0095]
表1：珠三角部分管段基础数据
[0096][0097]
到站混油长度的计算结果对比如下表2和表3所示：
[0098]
表2：特征子集预测结果对比
[0099][0100]
表3：混油长度预测结果
[0101][0102]
本发明根据成品油管道的现场实时运行数据，同时考虑混油运行时间和初始混油的影响，对于混油量预测的平均误差为5.59％，而利用经验公式的方法平均误差达到22.55％，因此，可以看出，采用本发明所得结果的准确性更高。
[0103]
实施例2
[0104]
本实施例提供一种基于实时数据的成品油管道混油量计算系统，包括：
[0105]
数据获取模块，用于获取待测成品油管道的现场实时运行数据以及管道特性参数和混油属性信息。
[0106]
混油量预测模块，用于将管道特性参数、顺序输送期间的现场实时运行数据以及混油属性信息输入至预先构建的混油量预测模型中，得到待测成品油管道的混油长度预测值。
[0107]
在一个优选的实施例中，计算系统还包括：
[0108]
模型构建模块，用于构建混油量预测模型。
[0109]
本实施例提供的系统是用于执行上述各方法实施例，具体流程和详细内容请参照上述实施例，此处不再赘述。
[0110]
实施例3
[0111]
本实施例提供一种与本实施例1所提供的基于实时数据的成品油管道混油量计算方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
[0112]
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在处理设备上运行的计算机程序，处理设备运行计算机程序时执行本实施例1所提供的基于实时数据的成品油管道混油量计算方法。
[0113]
在一些实现中，存储器可以是高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存
储器。
[0114]
在另一些实现中，处理器可以为中央处理器(cpu)、数字信号处理器(dsp)等各种类型通用处理器，在此不做限定。
[0115]
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0116]
本领域技术人员可以理解，上述计算设备的结构，仅仅是与本技术方案相关的部分结构，并不构成对本技术方案所应用于其上的计算设备的限定，具体的计算设备可以包括更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0117]
实施例4
[0118]
本实施例提供一种与本实施例1所提供的基于实时数据的成品油管道混油量计算方法对应的计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的基于实时数据的成品油管道混油量计算方法的计算机可读程序指令。
[0119]
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
[0120]
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
[0121]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0122]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0123]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0124]
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都
是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。