李光

（大慶油田有限責(zé)任公司第七采油廠）

我國(guó)多為中質(zhì)、重質(zhì)含蠟原油，在管輸過(guò)程中，集輸壓降較大。平均壓降每增加1 MPa，每公里的電耗約增加300×104kWh/a，因此對(duì)輸油管道的運(yùn)行電耗進(jìn)行有效預(yù)測(cè)，可以隨時(shí)掌握能耗的變化情況，以便實(shí)時(shí)調(diào)整開(kāi)泵方案及輸油計(jì)劃[1]。

對(duì)于輸油管道運(yùn)行電耗的預(yù)測(cè)方法，傳統(tǒng)模型包括工藝計(jì)算法和數(shù)據(jù)統(tǒng)計(jì)法[2-3]。工藝計(jì)算法是在考慮輸量、高程、溫度、壓力的條件下，利用水力學(xué)公式計(jì)算所需電耗，但該方法易受外界噪聲的影響，且通常計(jì)算結(jié)果與現(xiàn)場(chǎng)實(shí)際差距較大，需要不斷的變更模型參數(shù)，模型適用性不高；數(shù)據(jù)統(tǒng)計(jì)法是在收集現(xiàn)有數(shù)據(jù)的基礎(chǔ)上，通過(guò)最小二乘法或灰色模型對(duì)數(shù)據(jù)進(jìn)行非線性逼近，屬于近似模型，其可解釋性較差，對(duì)于樣本數(shù)據(jù)的質(zhì)量要求也存在一定要求。隨著計(jì)算機(jī)和人工智能的發(fā)展，越來(lái)越多的機(jī)器學(xué)習(xí)算法被應(yīng)用于時(shí)序數(shù)據(jù)預(yù)測(cè)中[4-5]。李雨等[6]采用粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型對(duì)原油管道的電耗進(jìn)行了預(yù)測(cè)，并與其余幾種模型進(jìn)行了對(duì)比；朱振宇等[7]利用分解-優(yōu)化-預(yù)測(cè)的思想，采用支持向量機(jī)實(shí)現(xiàn)了電耗的有效預(yù)測(cè)；Zeng 等[8]利用神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了管道電耗的短期預(yù)測(cè)。以上研究未考慮訓(xùn)練樣本的數(shù)量和質(zhì)量，也未對(duì)輸入數(shù)據(jù)的特征參數(shù)進(jìn)行有效識(shí)別，容易引起后續(xù)預(yù)測(cè)模型的過(guò)擬合或欠擬合。基于此，在收集影響運(yùn)行電耗參數(shù)的基礎(chǔ)上，利用Spearman 相關(guān)系數(shù)篩選主控因素，隨后統(tǒng)計(jì)樣本的概率密度分布，利用超拉丁立方抽樣形成虛擬樣本，最后將樣本代入長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）模型中進(jìn)行訓(xùn)練及預(yù)測(cè)。

1 影響因素分析

根據(jù)管道特性方程，輸油管道的運(yùn)行電耗與沿程壓降呈正比，壓降由克服地形高差所需的位能、沿程摩阻和局部摩阻有關(guān)，其影響因素包括油品物性、環(huán)境特征、管道參數(shù)和運(yùn)行參數(shù)等[9-11]，其中原油物性包括介質(zhì)黏度、密度、比熱容、凝點(diǎn)、蠟含量、膠質(zhì)含量等，但這部分參數(shù)在管輸過(guò)程中很難獲??；環(huán)境參數(shù)包括地溫、土壤導(dǎo)熱性、埋深、天氣類(lèi)型、環(huán)境溫度等，其中地溫影響沿程溫降，進(jìn)而影響總傳熱系數(shù)和管輸壓降；管道參數(shù)包括管徑、長(zhǎng)度、壁厚等參數(shù)，這部分參數(shù)通常在投產(chǎn)時(shí)就已經(jīng)確定；運(yùn)行參數(shù)包括輸量、進(jìn)泵壓力、出泵壓力、下站進(jìn)壓、加熱爐出口溫度、下站進(jìn)溫等，這些參數(shù)均為實(shí)時(shí)變化，且與運(yùn)行電耗密不可分。綜上所述，選擇運(yùn)行參數(shù)和地溫作為影響因素，通過(guò)Spearman 相關(guān)系數(shù)分析不同因素之間的相關(guān)性。

某原油管道全長(zhǎng)125.4 km，共有5 座站場(chǎng)，2 個(gè)熱站和3 個(gè)熱泵合建站。管徑?406.4 mm×8 mm，管材為X60 管線鋼，交貨狀態(tài)為PSL 1，輸量30×104~50×104t/a，平均埋深1.5~2 m，外壁采用硬質(zhì)聚氨脂泡沫塑料和高密度聚乙烯層進(jìn)行防腐保溫。管輸介質(zhì)為含水率小于0.5%的凈化原油，20 ℃ 密 度 860~870 kg/m3， 50 ℃ 黏 度 為37.5~672.3 mPa·s。選取其中一個(gè)熱泵站間管道，通過(guò)站場(chǎng)SCADA 系統(tǒng)采集數(shù)據(jù)進(jìn)行Spearman 相關(guān)系數(shù)研究，不同影響因素的Spearman 相關(guān)系數(shù)熱圖見(jiàn)圖1。

圖1 不同影響因素的Spearman 相關(guān)系數(shù)熱圖Fig.1 Heat map of Spearman's correlation coefficient for different influencing factors

可見(jiàn)電耗與輸量、出泵壓力的相關(guān)性最強(qiáng)，系數(shù)分別為0.965、0.914；與下站進(jìn)壓、進(jìn)泵壓力的相關(guān)性較強(qiáng)，系數(shù)分別為0.679、-0.512；與加熱爐出口溫度、下站進(jìn)溫及地溫的相關(guān)性最弱，系數(shù)分別為-0.072、-0.128、-0.193。隨著輸量增大，輸油泵機(jī)組的能耗增加；出泵壓力和下站進(jìn)壓越大，說(shuō)明泵可提供的有效揚(yáng)程越大，供能越大，故這些因素與電耗呈正相關(guān)。進(jìn)泵壓力越大，說(shuō)明從上游泵站殘余的壓能越大，此站需提供的壓能越小，故進(jìn)泵壓力與電耗呈負(fù)相關(guān)。對(duì)于溫度數(shù)據(jù)，鑒于運(yùn)行中需保證下站進(jìn)溫在介質(zhì)凝點(diǎn)以上，故溫度變化較小，對(duì)壓力和電耗的也影響較小。溫度越高，介質(zhì)黏度越小，流動(dòng)性越好，壓降和電耗越小，溫度與電耗呈微弱負(fù)相關(guān)。

2 虛擬樣本生成

雖然智慧管網(wǎng)的推進(jìn)極大增加了數(shù)據(jù)庫(kù)的建立和完善，但對(duì)于服役時(shí)間較長(zhǎng)的管道，受自動(dòng)化水平、特殊工況、管道泄露及設(shè)備故障的影響，可用的有效數(shù)據(jù)并不多，且這些數(shù)據(jù)均存在重復(fù)性高、多樣性差和分布不均衡的缺點(diǎn)。為提高小樣本信息的完善性，在現(xiàn)有數(shù)據(jù)基礎(chǔ)上，統(tǒng)計(jì)其概率密度分布，生成虛擬樣本，以擴(kuò)充原有數(shù)據(jù)，增強(qiáng)預(yù)測(cè)模型泛化能力[12]。

步驟如下：（1） 根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)， 采用Anderson-Darling 檢驗(yàn)統(tǒng)計(jì)不同因素服從的概率密度類(lèi)型，AD 統(tǒng)計(jì)量越小，說(shuō)明在相應(yīng)的顯著性水平下，樣本服從特定分布的可能性越大；（2）采用最大似然估計(jì)法求解概率密度的關(guān)鍵參數(shù)，如正態(tài)分布的關(guān)鍵參數(shù)為均值和方差，均勻分布的關(guān)鍵參數(shù)為最小值和最大值；（3）根據(jù)關(guān)鍵參數(shù)構(gòu)建對(duì)應(yīng)的分布類(lèi)型；（4）采用分層抽樣技術(shù)中的超拉丁立方抽樣法抽取該影響因素的隨機(jī)數(shù)，將不同因素的數(shù)據(jù)隨機(jī)組合，形成虛擬樣本。

選取相關(guān)性較強(qiáng)的輸量、進(jìn)泵壓力、出泵壓力、下站進(jìn)壓作為統(tǒng)計(jì)對(duì)象，取2022 年2—6 月的SCADA 系統(tǒng)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行檢查分析和查漏補(bǔ)缺，去除明顯的異常和錯(cuò)誤數(shù)據(jù)，共計(jì)得到100 組原始樣本，作為后續(xù)虛擬樣本建模和模型預(yù)測(cè)的基礎(chǔ)。不同因素AD 統(tǒng)計(jì)量結(jié)果見(jiàn)表1，其中輸量符合Gamma 分布，進(jìn)泵壓力、出泵壓力符合正態(tài)分布，下站壓力符合極值分布，利用最大似然估計(jì)法得到對(duì)應(yīng)的分布模型分別為G(700，10，1.5)、N(1.65，0.58)、N(6.17，1.21)、M(0.45，0.52)。G 表示Gamma 分布，三個(gè)參數(shù)分別為尺度、位置和形狀；N 表示正態(tài)分布，兩個(gè)參數(shù)分別為均值和方差；M 表示極值分布，兩個(gè)參數(shù)分別為眾數(shù)和位置。

表1 不同因素的AD 統(tǒng)計(jì)量結(jié)果Tab.1 AD statistics results of different factors

根據(jù)超拉丁立方抽樣法生成隨機(jī)數(shù)樣本，形成500 個(gè)虛擬樣本，將其代入Pipesim 軟件模型中，得到虛擬電耗，最終形成由數(shù)個(gè)因素和電耗組成的完整虛擬樣本數(shù)據(jù)庫(kù)，部分虛擬樣本數(shù)據(jù)庫(kù)見(jiàn)表2。

表2 部分虛擬樣本數(shù)據(jù)庫(kù)Tab.2 Database of partial virtual sample

虛擬樣本需滿足適應(yīng)性和合理性，即生成的虛擬樣本是否可以反映原始樣本的特征及與工程實(shí)際是否一致。 在此， 利用t 分布隨機(jī)領(lǐng)域嵌入（t-SNE）算法，將原始樣本和虛擬樣本降維至二維平面上，觀察兩者包容性。 t-SNE 算法降維后虛擬樣本和真實(shí)樣本的分布狀態(tài)見(jiàn)圖2。

圖2中的每個(gè)坐標(biāo)軸代表一個(gè)主成分，由于t-SNE算法在數(shù)據(jù)降維的過(guò)程中進(jìn)行了中心化處理，故所有的樣本信息均在中心附近，原始樣本在一個(gè)較小的范圍內(nèi)，虛擬樣本生成了大量與原始樣本不同的新樣本，原始樣本的信息間隔得到有效填充。

3 輸油管道運(yùn)行電耗預(yù)測(cè)

運(yùn)行電耗數(shù)據(jù)與影響因素之間存在復(fù)雜的非線性關(guān)系，對(duì)于這類(lèi)時(shí)間序列數(shù)據(jù)，可以采用LSTM模型預(yù)測(cè)。LSTM 模型通過(guò)引入一個(gè)記憶單元來(lái)記錄不同時(shí)間間隔內(nèi)的數(shù)據(jù)，同時(shí)利用輸入門(mén)、遺忘門(mén)和輸出門(mén)調(diào)節(jié)、記錄記憶數(shù)據(jù)的進(jìn)出過(guò)程，有效解決梯度消散或爆炸問(wèn)題。

LSTM 模型中隱含層神經(jīng)元、最大迭代次數(shù)和初始學(xué)習(xí)率直接影響訓(xùn)練效果和泛化能力。先將原始樣本作為訓(xùn)練集代入LSTM 模型中，通過(guò)試錯(cuò)法確定LSTM 模型的隱含層神經(jīng)元、最大迭代次數(shù)和初始學(xué)習(xí)率分別為35、0.015、2.225，由此確定模型網(wǎng)絡(luò)結(jié)構(gòu)為4-35-1；隨后在原始樣本中加入不同數(shù)量的虛擬樣本，代入LSTM 模型繼續(xù)進(jìn)行模型訓(xùn)練；最后，將2022 年7 月的20 組數(shù)據(jù)作為測(cè)試集， 驗(yàn)證預(yù)測(cè)效果， 并通過(guò)平均絕對(duì)誤差（MAE）、平均絕對(duì)百分比誤差（MAPE）和相關(guān)系數(shù)(R2)直觀體現(xiàn)模型效果。引入不同數(shù)量虛擬樣本的預(yù)測(cè)效果見(jiàn)圖3、引入不同數(shù)量虛擬樣本的評(píng)價(jià)指標(biāo)結(jié)果見(jiàn)表3。

圖3 引入不同數(shù)量虛擬樣本的預(yù)測(cè)效果Fig.3 Prediction effect with different amounts of virtual samples

當(dāng)只采用原始樣本時(shí)，2、9、10、14、15、16、19 號(hào)樣本預(yù)測(cè)值與實(shí)際值的差距較大，整體預(yù)測(cè)效果較差；加入虛擬樣本后，模型的預(yù)測(cè)效果有所提升，當(dāng)虛擬樣本增加至400 個(gè)時(shí)，實(shí)際值與預(yù)測(cè)值的吻合性最好，MAE 為0.018 2×104kWh/d、MAPE 為2.79%、R2為0.921 5；當(dāng)虛擬樣本增加至500 個(gè)時(shí)，預(yù)測(cè)精度下降，這可能與樣本空間中增加更多低輸量、越站、停輸再啟動(dòng)等特殊工況的數(shù)據(jù)，部分?jǐn)?shù)據(jù)處于離散和邊緣位置，造成對(duì)穩(wěn)態(tài)工況擬合能力的下降。

4 應(yīng)用效果

在上述模型的基礎(chǔ)上，對(duì)管道日運(yùn)行電耗進(jìn)行了預(yù)測(cè)，并結(jié)合預(yù)測(cè)結(jié)果對(duì)月開(kāi)泵方案進(jìn)行了調(diào)整，優(yōu)化前后的應(yīng)用效果見(jiàn)表4。其中，11—1 月的耗電量逐漸增加，這與環(huán)境溫度降低，油品黏度增大，所需克服的沿程摩阻增加有關(guān)。經(jīng)過(guò)優(yōu)化后，開(kāi)泵臺(tái)數(shù)均有不同程度的降低，2023 年2 月雖然開(kāi)泵臺(tái)數(shù)與優(yōu)化前一致，但泵的轉(zhuǎn)速和葉輪直徑均有所減小，泵效提升，在沿程溫降幾乎不變的情況下，沿程壓降均有不同程度的降低，說(shuō)明在出站壓頭更小的工況下，即可完成站間油品輸送。按照電費(fèi)0.6 元/ kWh 核算，單月節(jié)約費(fèi)用1.68 萬(wàn)元~2.04 萬(wàn)元，管道全線共有3 個(gè)站，全年可節(jié)約運(yùn)行電費(fèi)72 萬(wàn)元。

5 結(jié)論

1）通過(guò)收集整理基礎(chǔ)數(shù)據(jù)，利用Spearman 相關(guān)系數(shù)確定了影響管道運(yùn)行電耗的主控因素為輸量、進(jìn)泵壓力、出泵壓力和下站進(jìn)壓，其中輸量、出泵壓力、下站進(jìn)壓與電耗呈正相關(guān)，進(jìn)泵壓力與電耗呈負(fù)相關(guān)。

2）利用AD 統(tǒng)計(jì)量確定了影響因素服從的概率分布類(lèi)型，通過(guò)超拉丁立方抽樣法形成虛擬樣本集，虛擬樣本生成了大量與原始樣本不同的新樣本，原始樣本的信息間隔得到有效填充。

3）通過(guò)LSTM 模型對(duì)管道運(yùn)行電耗進(jìn)行了訓(xùn)練和預(yù)測(cè)，當(dāng)虛擬樣本添加400 個(gè)時(shí)，模型的MAE 為0.018 2×104kWh/d、MAPE 為2.79%、R2為0.921 5，評(píng)價(jià)指標(biāo)均為最優(yōu)。