基于數(shù)據(jù)挖掘的輸油管道智能化研究

于 濤 李傳憲 李龍東 鄭琬郁 于 瑤

1. 中國石油大學(xué)(華東)儲運與建筑工程學(xué)院, 山東 青島 266580;2. 中國石油北京油氣調(diào)控中心, 北京 100007;3. 中國石油西部管道公司, 新疆 烏魯木齊 830013

0 前言

長輸液體管道作為國家經(jīng)濟(jì)發(fā)展動脈,目前多采用Supervisory Control And Data Acquisition(SCADA)系統(tǒng)進(jìn)行遠(yuǎn)程控制,日常運行中調(diào)度員通過分析壓力、流量等參數(shù),結(jié)合設(shè)備狀態(tài)變化實現(xiàn)管道監(jiān)控。近年來,隨著長輸液體管道的自控通訊技術(shù)發(fā)展,SCADA系統(tǒng)實時數(shù)據(jù)及歷史數(shù)據(jù)的分析應(yīng)用,通過參數(shù)及設(shè)備的自動監(jiān)測、調(diào)節(jié)保護(hù)、參數(shù)預(yù)測及工況實時捕捉的管道智能化,逐漸被生產(chǎn)部門重視并投入建設(shè)[1-3]。

管道智能化建設(shè)是一個綜合性工程,人員包括業(yè)務(wù)專家、數(shù)據(jù)挖掘?qū)＜壹败浖_發(fā)人員等,涉及業(yè)務(wù)需求的提出、數(shù)學(xué)模型構(gòu)建應(yīng)用等工作。國內(nèi)外的石油公司在物聯(lián)網(wǎng)、機(jī)器學(xué)習(xí)、人工智能等管道智能化方面持續(xù)開展了大量研究工作,并在管網(wǎng)負(fù)荷預(yù)測[4]、運營效率及業(yè)務(wù)優(yōu)化等方面取得了一定成果[5]。國內(nèi)石油公司目前多側(cè)重于數(shù)據(jù)采集與展示,對于數(shù)據(jù)挖掘和應(yīng)用主要應(yīng)用于管道完整性建設(shè)[6]、內(nèi)檢測[7-9]、泄漏監(jiān)測、管道安全識別等方面[10-11],但未打通不同業(yè)務(wù)之間的界限,信息孤島現(xiàn)象明顯,沒有形成統(tǒng)一的數(shù)據(jù)平臺[12]。本文研究并提出了長輸液體管道智能化架構(gòu),給出架構(gòu)的核心為數(shù)據(jù)挖掘?qū)蛹捌湎鄳?yīng)的數(shù)據(jù)挖掘算法,通過HY原油管道應(yīng)用案例,獲得基于數(shù)據(jù)挖掘技術(shù)建立的油溫預(yù)測模型,為未來管道不同業(yè)務(wù)的智能化應(yīng)用探索道路。

1 管道智能化架構(gòu)

長輸液體管道的智能化研究應(yīng)用架構(gòu),從下到上分為物理層、數(shù)據(jù)層、數(shù)據(jù)挖掘?qū)?、?yīng)用層和用戶層五個[13],見圖1。在系統(tǒng)的總體架構(gòu)中,需充分結(jié)合國家、行業(yè)及企業(yè)標(biāo)準(zhǔn)規(guī)范,形成系統(tǒng)需要的標(biāo)準(zhǔn)規(guī)范體系。同時考慮系統(tǒng)建設(shè)過程中的網(wǎng)絡(luò)、數(shù)據(jù)安全,建立安全保障體系,確保系統(tǒng)的安全性。

圖1 管道智能化系統(tǒng)架構(gòu)圖Fig.1 Pipeline intelligent system architecture

1.1 物理層

物理層是系統(tǒng)運行的基礎(chǔ)硬件環(huán)境,主要包括硬件、軟件和通訊設(shè)備,其中硬件包括服務(wù)器，如:應(yīng)用服務(wù)器、數(shù)據(jù)庫服務(wù)器、磁盤陣列等設(shè)備,通過這些硬件設(shè)備為系統(tǒng)提供物理設(shè)備支撐;軟件主要包括部署在服務(wù)器設(shè)備上的操作系統(tǒng),通過軟件系統(tǒng),實現(xiàn)人機(jī)界面的交互,為用戶提供方便快捷的操作界面;網(wǎng)絡(luò)通訊設(shè)備包括網(wǎng)絡(luò)交換機(jī)、防火墻等設(shè)備,為應(yīng)用系統(tǒng)的運行提供通信保障。

1.2 數(shù)據(jù)層

主要對各類數(shù)據(jù)源的采集、存儲與管理,通過部署數(shù)據(jù)采集程序、手動錄入、數(shù)據(jù)上傳等多種方式,將生產(chǎn)數(shù)據(jù)、文檔數(shù)據(jù)、GPS數(shù)據(jù)等上傳到數(shù)據(jù)庫內(nèi),對各類數(shù)據(jù)進(jìn)行統(tǒng)一管理,為系統(tǒng)應(yīng)用、分析提供基礎(chǔ)數(shù)據(jù)源。

1.3 數(shù)據(jù)挖掘?qū)?/h3>

根據(jù)業(yè)務(wù)需求,利用理論公式、數(shù)據(jù)回歸、數(shù)據(jù)挖掘等方式,將基礎(chǔ)數(shù)據(jù)進(jìn)行加工處理,變成可為系統(tǒng)提供支撐的數(shù)據(jù)或預(yù)測模型,如參數(shù)的趨勢預(yù)測,工況識別算法等模型。

1.4 應(yīng)用層

利用數(shù)據(jù)挖掘?qū)犹峁┑募夹g(shù)與服務(wù)開展各項業(yè)務(wù)應(yīng)用,包括:熱油管道參數(shù)預(yù)測與優(yōu)化、成品油管道批次界面跟蹤、異常工況智能識別等。

1.5 用戶層

提供多種數(shù)據(jù)集成、圖形報表展現(xiàn)及多維數(shù)據(jù)分析,以滿足用戶分類匯總、統(tǒng)計分析、決策支持的需要,為管理人員以及相關(guān)業(yè)務(wù)人員提供決策依據(jù)。

2 數(shù)據(jù)挖掘方法與應(yīng)用

管道智能化架構(gòu)研究中,數(shù)據(jù)挖掘?qū)邮峭ㄟ^理論及數(shù)據(jù)挖掘算法,將業(yè)務(wù)需求理論化、模型化,是管道未來智能化管理控制的核心。由于長輸液體管道運行過程產(chǎn)生大量的實時數(shù)據(jù),發(fā)生的事件工況、報警信息具有復(fù)雜多樣、變化快、多維度、多時域頻域等特點。以往理論研究方法在數(shù)據(jù)挖掘?qū)拥倪m用性較差,需采用更為實用的數(shù)據(jù)挖掘算法建立預(yù)測模型。與傳統(tǒng)實驗研究和數(shù)值分析不同,應(yīng)用于大數(shù)據(jù)挖掘技術(shù)中的神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)及深度學(xué)習(xí)等算法模型,能夠挖掘不同參數(shù)之間的隱性關(guān)系,實現(xiàn)參數(shù)的有效預(yù)測,如電網(wǎng)負(fù)荷預(yù)測、設(shè)備故障在線預(yù)測與診斷等[14-16]。數(shù)據(jù)挖掘方法與傳統(tǒng)理論研究方法相比,各自的特點,見圖2。

圖2 傳統(tǒng)理論研究方法與數(shù)據(jù)挖掘方法流程對比圖Fig.2 Process comparison between traditional theoreticalresearch method and data mining method

以熱油管道蘇霍夫油溫計算公式為例[17],因公式受影響因素較多,實際應(yīng)用適應(yīng)性較差。其主要局限性一是模型構(gòu)建過程需要對參數(shù)進(jìn)行理想假設(shè)和簡化,影響誤差;二是實際應(yīng)用過程中,因影響參數(shù)的變化,導(dǎo)致模型適用性差;三是分析較片面,局部難以反映宏觀時空關(guān)聯(lián)特性。數(shù)據(jù)挖掘方法不依賴于機(jī)理,可將歷史和實時數(shù)據(jù)綜合分析,得到多維度宏觀時空關(guān)聯(lián)特性。數(shù)據(jù)挖掘方法與傳統(tǒng)理論研究方法并不矛盾,研究過程中數(shù)據(jù)挖掘方法通過使用傳統(tǒng)理論研究方法確定輸入?yún)?shù),建立時空關(guān)聯(lián)特性,提升研究效率,同時也進(jìn)一步完善科學(xué)研究體系,推動研究方法的發(fā)展。

3 應(yīng)用實例分析

HY熱油管道主要外輸長慶油田高含蠟原油,油品物性見表1,管道全長132.4 km,管徑Φ 457 mm,設(shè)計壓力6.3 MPa(局部10 MPa),設(shè)計輸量500×104t/a，全線共設(shè)1#首站、2#熱站、3#熱站和4#末站共4座站場。根據(jù)沿線地溫和油品物性特點,管道采用綜合熱處理、熱處理、加熱和常溫輸送等不同工藝,保證全線油溫高于凝點3 ℃,具有運行工藝復(fù)雜,動力及燃料油費用高等特點。生產(chǎn)過程中管道油溫是重點關(guān)注參數(shù)。

表1 HY熱油管道外輸油品物性表

Tab.1 Oil properties of HY hot oil pipeline

原油名稱凝點/℃密度/(kg·m-3)含蠟量/(%)膠質(zhì)瀝青質(zhì)含量/(%)析蠟點/℃反常點/℃外輸油品18847.816.48.136.425

HY熱油管道下游站場進(jìn)站油溫與輸量、地溫、上游站場出站油溫等參數(shù)是一種復(fù)雜且相互影響的內(nèi)部關(guān)系,BP神經(jīng)網(wǎng)絡(luò)具有實現(xiàn)任意復(fù)雜非線性映射的能力,適合于求解此類復(fù)雜問題。但BP神經(jīng)網(wǎng)絡(luò)同時存在容易陷入局部極小值,網(wǎng)絡(luò)收斂速度慢,網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)的選擇缺乏統(tǒng)一標(biāo)準(zhǔn)等問題。本文研究使用遺傳算法(Genetic Algorithm,GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值[18-19],主要包括種群初始化、適應(yīng)度函數(shù)、選擇操作、交叉操作和變異操作等,提升模型的準(zhǔn)確性和效率。

3.1 GA-BP油溫預(yù)測模型構(gòu)建

GA具有自組織、自適應(yīng)等特點,在運行過程中處理參數(shù)編碼集,而非參數(shù)本身,不受優(yōu)化函數(shù)連續(xù)性、可導(dǎo)性約束,此外BP神經(jīng)網(wǎng)絡(luò)擅長局部搜索,GA擅長全局搜索。模型構(gòu)建過程中首先通過GA優(yōu)化神經(jīng)網(wǎng)絡(luò)初始權(quán)值,定位獲得較優(yōu)搜索空間,再通過BP神經(jīng)網(wǎng)絡(luò)在較優(yōu)的搜索空間產(chǎn)生最優(yōu)值,從而較好地確定輸入值與期望輸出值之間的非線性關(guān)系,提高模型預(yù)測精度[20]。GA優(yōu)化程序見圖3。

圖3 GA優(yōu)化程序框圖Fig.3 Genetic Algorithm Optimization Program

由圖3可知,GA優(yōu)化的步驟如下:

第一步，網(wǎng)絡(luò)初始化與遺傳編碼。初始化BP神經(jīng)網(wǎng)絡(luò),隨機(jī)產(chǎn)生一個Xm×n種群,確定網(wǎng)絡(luò)輸入、輸出節(jié)點數(shù)s1、s2,訓(xùn)練次數(shù)N和隱含層數(shù)H,訓(xùn)練誤差ε等參數(shù),個體長度即為神經(jīng)網(wǎng)絡(luò)權(quán)值個數(shù)。確定種群規(guī)模m、最大迭代次數(shù)T、交叉概率Pc和變異概略Pm,其長度n為:

n=H×(s1+s2)+H+s2

(1)

第二步，遺傳進(jìn)化。通過迭代求解最佳結(jié)構(gòu)權(quán)值和閾值,包括選擇、交叉、變異等操作。若第i個個體的適應(yīng)度值為fi,則選中概率為:

(2)

交叉由2個個體通過線性組合產(chǎn)生新個體。交叉概率產(chǎn)生新個體為:

Xi(k+1)=αXi(k)+(1-α)Xi+1(k)

(3)

Xi+1(k+1)=αXi+1(k)+(1-α)Xi(k)

(4)

式中:α為0～1之間的隨機(jī)值，由變異概率Pm所對應(yīng)的取值范圍內(nèi),隨機(jī)值替換原值,即:

Xi=Xi(p)+s1×q+Xi(n-p-1)

(5)

式中:q為第p+1個基因所對應(yīng)閾值范圍,通過遺傳進(jìn)化,可利用父輩種群產(chǎn)生新一代子種群Xt。

第三步，適應(yīng)度值計算。根據(jù)流程計算模型適應(yīng)度值,判斷迭代次數(shù)和精度,確定是否返回計算。在遺傳結(jié)束后,通過解碼獲得最優(yōu)個體作為BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值。

通過GA對BP神經(jīng)網(wǎng)絡(luò)在權(quán)值和閾值的優(yōu)化選擇,結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法特點,建立熱油管道GA-BP油溫預(yù)測模型，其架構(gòu)見圖4。

圖4 HY熱油管道油溫預(yù)測模型架構(gòu)圖Fig.4 Oil temperature prediction architecture of HY hot oil pipeline

3.2 數(shù)據(jù)預(yù)處理

通過SCADA系統(tǒng)歷史數(shù)據(jù)庫下載相關(guān)數(shù)據(jù),數(shù)據(jù)密度為30 min,剔除非穩(wěn)態(tài)數(shù)據(jù)與錯誤數(shù)據(jù),即對數(shù)據(jù)進(jìn)行清洗、預(yù)處理,提升數(shù)據(jù)質(zhì)量,將數(shù)據(jù)矩陣集成,以便 GA-BP 油溫預(yù)測模型學(xué)習(xí)使用。為了模型訓(xùn)練和提高程序運行時收斂效率,對數(shù)據(jù)進(jìn)行歸一化處理,把數(shù)據(jù)映射到0～1范圍內(nèi),本文采用min-max標(biāo)準(zhǔn)化(Min-Max Normalization)……,見式(6):

(6)

式中:X*為標(biāo)準(zhǔn)化后的數(shù)據(jù)；max為樣本數(shù)據(jù)最大值；min為樣本數(shù)據(jù)最小值。

3.3 模型驗證

本文使用均方根誤差RMSE、平均絕對誤差MAD和相關(guān)性系數(shù)R評估模型精度,見式(7)～(9)。使用絕對誤差和相對誤差分析油溫的預(yù)測值與真實值。

(7)

(8)

(9)

3.4 模型對比分析

梳理分析完成SCADA系統(tǒng)生產(chǎn)數(shù)據(jù),選取70%樣本數(shù)據(jù)作為訓(xùn)練集,30%作為測試集,利用建立的BP神經(jīng)網(wǎng)絡(luò)模型，GA-BP油溫預(yù)測模型對數(shù)據(jù)集進(jìn)行訓(xùn)練和測試。模型均設(shè)5個隱藏層,迭代200次,各模型達(dá)到最低訓(xùn)練誤差時的迭代次數(shù)和訓(xùn)練時間,BP、GA-BP油溫模型測試結(jié)果對比見表2。

表2BP神經(jīng)網(wǎng)絡(luò)模型、GA-BP油溫預(yù)測模型測試結(jié)果對比表

Tab.2 Comparison of test results of BP neural network model and GA-BP oil temperature prediction model

內(nèi)容BP神經(jīng)網(wǎng)絡(luò)模型GA-BP油溫預(yù)測模型訓(xùn)練誤差/℃迭代次數(shù)/次訓(xùn)練時間/s訓(xùn)練誤差/℃迭代次數(shù)/次訓(xùn)練時間/s1次0.004 37096.080.002 83687.04.02次0.003 58072.070.002 58265.03.03次0.006 77056.060.002 113107.05.04次0.693 61079.070.002 473110.05.05次0.005 45082.070.002 92987.04.06次0.004 47083.070.001 84348.03.07次0.037 63079.070.002 82326.02.08次0.003 530113.090.002 01971.03.09次0.004 29093.080.002 09280.04.010次0.853 75085.070.001 75172.03.0平均訓(xùn)練誤差0.161 74583.87.30.002 34675.33.6MAD0.244 800——0.000 380——RMS0.324 880——0.000 440——

由表2可知,GA-BP油溫預(yù)測模型訓(xùn)練時平均訓(xùn)練誤差、迭代次數(shù)和訓(xùn)練時間分別為0.002 346 ℃、75.3次、3.6 s。相比未優(yōu)化前BP神經(jīng)網(wǎng)絡(luò)模型,訓(xùn)練過程精度、迭代次數(shù)和時間均有較大提升。GA-BP油溫預(yù)測模型訓(xùn)練結(jié)果的RMS、MAD分別為0.000 38.0 ℃和0.000 440 ℃。在此基礎(chǔ)上利用BP神經(jīng)網(wǎng)絡(luò)模型、GA-BP油溫預(yù)測模型,對油溫數(shù)據(jù)進(jìn)行預(yù)測,預(yù)測結(jié)果見表3,輸出誤差趨勢和各模型預(yù)測結(jié)果與真實值相關(guān)性曲線見圖5～6。

表3 不同模型預(yù)測結(jié)果對比表

Tab.3 Comparison of prediction results of different models

內(nèi)容誤差對比BP神經(jīng)網(wǎng)絡(luò)模型GA-BP油溫預(yù)測模型誤差<0.5 ℃樣本/個819.00867.00誤差<0.5 ℃占比/(%)81.8286.61誤差<1 ℃樣本數(shù)/個925.00959.00誤差<1 ℃占比/(%)92.4195.80最大絕對誤差/℃5.443.08RMSE/℃0.890.48MAD/℃0.880.02R0.920.96

圖5 油溫預(yù)測誤差對比圖Fig.5 Comparison of oil temperature prediction errors

a)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值與真實值a)Predictive values and true values of the BP neural network model

b)GA-BP油溫預(yù)測模型的預(yù)測值與真實值b)Predictive values and true values of GA-BP oil temperature prediction model

由表3和圖5可知,GA-BP油溫預(yù)測模型,預(yù)測誤差較小,誤差小于0.5 ℃和1 ℃的數(shù)據(jù)分別占總預(yù)測數(shù)據(jù)的86.61%和95.8%,最大絕對誤差、RMSE、MAD和R分別為3.08 MPa、0.48 ℃、0.02 ℃和0.96,相比BP神經(jīng)網(wǎng)絡(luò)模型,預(yù)測結(jié)果的準(zhǔn)確性和穩(wěn)定性提高較大。由圖6可知,GA-BP油溫預(yù)測模型的預(yù)測值與實際值的離散度較小,預(yù)測結(jié)果與實際數(shù)據(jù)的相關(guān)性較好,滿足實際生產(chǎn)運行需要。

3.5 模型應(yīng)用

將BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP油溫預(yù)測模型應(yīng)用于HY熱油管道各站場的油溫預(yù)測,同時使用蘇霍夫公式反算油溫,將預(yù)測結(jié)果與實際工況數(shù)據(jù)進(jìn)行誤差對比,計算結(jié)果及誤差對比見表4。

表4 BP神經(jīng)網(wǎng)絡(luò)和GA-BP油溫預(yù)測模型預(yù)測值與真實值對比表

Tab.4 Comparison of predictive values and true values of BP neural network model and GA-BP oil temperature prediction model

站場實際油溫/℃BP神經(jīng)網(wǎng)絡(luò)模型/℃GA-BP油溫預(yù)測模型/℃蘇霍夫公式/℃預(yù)測值MSE預(yù)測值MSE預(yù)測值MSE2#站進(jìn)站26.6127.533.46%27.111.88%23.0813.27%3#站進(jìn)站23.4022.583.5%23.771.58%20.1313.97%末站進(jìn)站23.0723.873.47%23.391.39%19.2316.64%誤差均值—0.85—0.40—3.55—

由表4可知,使用蘇霍夫公式反算油溫數(shù)值與真實值平均絕對誤差3.55 ℃,而BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測得到的絕對誤差平均值為0.85 ℃,經(jīng)過GA優(yōu)化后預(yù)測精度進(jìn)一步提高,平均絕對誤差0.40 ℃,能夠滿足管道日常運行的使用要求。將GA-BP預(yù)測模型應(yīng)用于管道智能化架構(gòu)的數(shù)據(jù)挖掘?qū)?可實現(xiàn)熱油管道油溫數(shù)據(jù)的實時在線預(yù)測,進(jìn)而指導(dǎo)熱油管道加熱爐的優(yōu)化調(diào)整等工作。

4 結(jié)論

1)通過研究建立管道智能化架構(gòu),架構(gòu)包括物理層、數(shù)據(jù)層、數(shù)據(jù)挖掘?qū)?、?yīng)用層和用戶層,其中數(shù)據(jù)挖掘?qū)邮枪艿乐悄芑暮诵摹?shù)據(jù)挖掘?qū)邮菍⑸a(chǎn)數(shù)據(jù),通過業(yè)務(wù)專家和數(shù)據(jù)挖掘?qū)＜覍?shù)據(jù)算法模型理論化、模型化。

2)經(jīng)實際應(yīng)用和對比分析,傳統(tǒng)理論公式在數(shù)據(jù)挖掘?qū)舆m用性較差,需通過基于數(shù)據(jù)挖掘算法,對實際生產(chǎn)數(shù)據(jù)建立相應(yīng)的預(yù)測模型。

3)利用GA-BP油溫預(yù)測模型,可準(zhǔn)確預(yù)測HY熱油管道油溫,指導(dǎo)工藝運行調(diào)整。即根據(jù)業(yè)務(wù)需求,基于數(shù)據(jù)挖掘算法建立的算法模型可滿足業(yè)務(wù)需求,并應(yīng)用于未來管道智能化研究。