成品油管道混油界面后行油品监测密度预测方法及系统

本发明属于数据处理，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系统。

背景技术：

1、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。

2、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。

技术实现思路

1、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系统，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。

2、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：

3、获取成品油管道混油界面的历史数据；

4、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；

5、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；

6、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。

7、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系统，包括：

8、获取模块：获取成品油管道混油界面的历史数据；

9、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；

10、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；

11、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。

12、以上一个或多个技术方案存在以下有益效果：

13、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。

14、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。

技术特征：

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：

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，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。

3.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：

4.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，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：

5.如权利要求4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，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。

6.如权利要求4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。

7.成品油管道混油界面后行油品监测密度预测系统，其特征在于，包括：

8.如权利要求7所述的成品油管道混油界面后行油品监测密度预测系统，其特征在于，所述训练模块，包括：

9.如权利要求7所述的成品油管道混油界面后行油品监测密度预测系统，其特征在于，所述预测模块，包括：

10.如权利要求7所述的成品油管道混油界面后行油品监测密度预测系统，其特征在于，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。

技术总结
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系统，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。

技术研发人员：袁子云,陈雷,刘刚,姬浩洋,邵伟明
受保护的技术使用者：中国石油大学（华东）
技术研发日：
技术公布日：2024/1/15