基于混合BP神经网络的原油管道电耗预测研究

doi:10.3969/j.issn.1006-396X.2022.02.011

石油化工高等学校学报 ›› 2022, Vol. 35 ›› Issue (2): 68-73.DOI: 10.3969/j.issn.1006-396X.2022.02.011

基于混合BP神经网络的原油管道电耗预测研究

李雨¹^,²(), 侯磊¹^,²(), 徐磊¹^,², 白小众³, 刘金海³, 孙欣³, 谷文渊³

^1.中国石油大学（北京）石油工程教育部重点实验室，北京 102200
^2.国家石油天然气管网集团有限公司油气调度中心，北京 102200
^3.国家管网集团北方管道有限责任公司锦州输油气分公司，辽宁锦州 121000

收稿日期:2020-12-14 修回日期:2021-03-15 出版日期:2022-04-25 发布日期:2022-06-10
通讯作者: 侯磊
作者简介:李雨（1996⁃），男，硕士研究生，从事油气管道输送技术方面研究；E⁃mail：825481000@qq.com。
基金资助:
国家重点研发计划项目(2016YFC0802100)

Power Consumption Prediction Method for Crude Oil Pipeline Based on Hybrid BP Neural Network

Yu Li¹^,²(), Lei Hou¹^,²(), Lei Xu¹^,², Xiaozhong Bai³, Jinhai Liu³, Xin Sun³, Wenyuan Gu³

^1.MOE Key Laboratory of Petroleum Engineering，China University of Petroleum（Beijing），Beijing 102200，China
^2.Oil & Gas Control Center，National Petroleum and Natural Gas Pipeline Network Group Co. Ltd. ，Beijing 102200，China
^3.Jinzhou Oil and Gas Transmission Branch of National Pipe Network Group North Pipeline Co. Ltd. ，Jinzhou Liaoning 121000，China

Received:2020-12-14 Revised:2021-03-15 Published:2022-04-25 Online:2022-06-10
Contact: Lei Hou

摘要/Abstract

摘要：

原油管道电耗的准确预测能够用于控制原油管道耗能水平，充分挖掘原油管道输送系统的节能潜力。实际采集到的原油管道运行数据具有波动范围大的特点，且存在严重的噪声干扰和信息冗余，对精确预测管道电耗造成不良影响。为解决上述问题，提出一种基于混合神经网络的电耗预测模型。利用自适应噪声的完备集成经验模态分解，对原油管道日运行数据进行分解；利用主成分分析对分解后数据做降维处理；利用改进粒子群算法调节神经网络结构参数；使用该模型预测某原油管道电耗，并与常见的几种预测模型展开对比。结果表明，分解算法能够提高模型预测精度；该混合神经网络模型预测精度最高，其测试集的平均绝对误差为5.394%，较使用分解算法前降低39.200%。

关键词: 原油管道, 电耗预测, 人工神经网络, 改进粒子群算法

Abstract:

Accurately predicting the power consumption of crude oil pipelines is conducive to controlling the energy consumption level of such pipelines and fully tapping the energy saving potential of crude oil pipeline transportation systems. Actual operation data of such pipelines have the characteristics of large fluctuation range serious noise interference, and information redundancy, which affect the accurate prediction of pipeline power consumption. To solve these problems, this paper proposes a power consumption prediction model based on a hybrid neural network. The daily operation data of crude oil pipelines are decomposed by complete ensemble empirical mode decomposition with adaptive noise. Principal component analysis is performed to reduce the dimensions of the decomposed data. The improved particle swarm optimization algorithm is applied to adjust the structural parameters of the neural network. The proposed model is applied to predict the power consumption of a crude oil pipeline and compared with some common prediction models. The results show that the decomposition algorithm can improve the prediction accuracy of the model. The hybrid neural network model has the highest prediction accuracy. The average absolute error of the test set is 5.394%, which is 39.200% lower than that before the decomposition algorithm is used.

Key words: Crude oil pipeline, Power consumption prediction, Artificial neural network, Improved particleswarm optimization algorithm

中图分类号:

TE832

李雨, 侯磊, 徐磊, 白小众, 刘金海, 孙欣, 谷文渊. 基于混合BP神经网络的原油管道电耗预测研究[J]. 石油化工高等学校学报, 2022, 35(2): 68-73.

Yu Li, Lei Hou, Lei Xu, Xiaozhong Bai, Jinhai Liu, Xin Sun, Wenyuan Gu. Power Consumption Prediction Method for Crude Oil Pipeline Based on Hybrid BP Neural Network[J]. Journal of Petrochemical Universities, 2022, 35(2): 68-73.

图/表 7

参考文献 17

1	吴倩. 原油管道运行能耗统计分析与预测［D］.北京：中国石油大学（北京），2012.
2	Zeng C L，Wu C C，Zuo L L，et al.Predicting energy consumption of multiproduct pipeline using artificial neural networks［J］.Energy，2014，66：791⁃798.
3	王立志，慕晓冬，刘宏岚.采用改进粒子群优化的SVM方法实现中文文本情感分类［J］.计算机科学，2020，47（1）：231⁃236.
	Wang L Z，Mu X D，Liu H L.Using SVM method optimized by improved particle swarm optimization to analyze emotion of Chinese text［J］.Computer Science，2020，47（1）：231⁃236.
4	陶文华，袁正波.焦炭质量的DE⁃BP神经网络预测模型研究［J］.系统仿真学报，2018，30（5）：1650⁃1656.
	Tao W H，Yuan Z B.Prediction model of coke quality based on DE⁃BP neural network［J］.Journal of System Simulation，2018，30（5）：1650⁃1656.
5	唐承娥.基于交变粒子群BP网络的电力系统短期负荷预测［J］.计算机科学，2017，44（11A）：133⁃135.
	Tang C E.Short⁃term load forecasting of power system based on alternating particle swarm BP network［J］.Computer Science，2017，44（11A）：133⁃135.
6	Eseve A T，Zhang J，Zheng D.Short⁃term photovoltaic solar power forecasting using a hybrid Wavelet⁃PSO⁃SVM model based on SCADA and meteorological information［J］.Renewable Energy，2018，118：357⁃367.
7	Zhang F，Deb C，Lee S E，et al.Time series forecasting for building energy consumption using weighted support vector regression with differential evolution optimization technique［J］.Energy and Buildings，2016，126（2）：94⁃103.
8	吕楠，姚平喜.基于BP神经网络的滚动轴承故障诊断［J］.煤矿机械，2020，41（8）：172⁃173.
	Lü N，Yao P X.Fault diagnosis of rolling bearing based on BP neural network［J］.Coal Mine Machinery，2020，41（8）：172⁃173.
9	黄军，孟凡顺，张旭，等.基于PCA的遗传神经网络在套损预测中的应用［J］.西安石油大学学报（自然科学版），2018，33（6）：84⁃89.
	Huang J，Meng F S，Zhang X，et al.Application of genetic neural network based on PCA in prediction of casing damage［J］.Journal of Xi'an Shiyou University（Natural Science Edition），2018，33（6）：84⁃89.
10	Rabi J，Balusamy T，Jawahar R R.Analysis of vibration signal responses on pre induced tunnel defects in friction stir welding using wavelet transform and empirical mode decomposition［J］.Defence Technology，2019，15（6）：885⁃896.
11	Wang L M，Shao Y M.Fault feature extraction of rotating machinery using a reweighted complete ensemble empirical mode decomposition with adaptive noise and demodulation analysis［J］.Mechanical Systems and Signal Processing，2020，138：106545.
12	Zhang W，Qu Z，Zhang K，et al.A combined model based on CEEMDAN and modified flower pollination algorithm for wind speed forecasting［J］.Energy Conversion and Management，2017，136（1）：439⁃451.
13	郑伟博.粒子群优化算法的改进及其应用研究［D］.青岛：青岛大学，2016.
14	Li J，Li Q.Medium term electricity load forecasting based on CEEMDAN⁃permutation entropy and ESN with leaky integrator neurons［J］.Electric Machines and Control，2015，19（8）：70⁃80.
15	周闯，孙铁，张素香.AHP⁃模糊数学的风机机组与管网系统能耗评价［J］.辽宁石油化工大学学报，2019，39（3）：64⁃69.
	Zhou C，Sun T，Zhang S X.Energy consumption evaluation method of bower unit basedon AHP⁃fuzzy mathematics［J］.Journal of Liaoning Shihua University，2019，39（3）：64⁃69.
16	侯磊，许新裕，崔金山，等.基于BP神经网络的输油管道能耗预测方法［J］.节能技术，2009，27（5）：401⁃406.
	Hou L，Xu X Y，Cui J S，et al.A prediction method of energy consumption for oil pipeline based on BP neural network［J］.Energy Conservation Technology，2009，27（5）：401⁃407.
17	华东阳，王寿喜，郭乔，等.基于粒子群算法的液体管道仿真模型参数校正方法［J］.油气储运，2020，39（12）：1386⁃1393.
	Hua D R，Wang S X，Guo Q，et al.Correction method for parameters of liquid pipeline simulation model based on particle swarm optimization algorithm［J］.Oil & Gas Storage and Transportation，2020，39（12）：1386⁃1393.

原始数据集		分解后数据集
主成分数量	累计贡献率	主成分数量	累计贡献率
7	0.982 3	50	0.988 2
8	0.989 8	51	0.989 3
9	0.995 8	52	0.990 3
10	0.998 9	53	0.991 2
11	0.999 4	54	0.992 1

原始数据集		分解后数据集
主成分数量	累计贡献率	主成分数量	累计贡献率
7	0.982 3	50	0.988 2
8	0.989 8	51	0.989 3
9	0.995 8	52	0.990 3
10	0.998 9	53	0.991 2
11	0.999 4	54	0.992 1

预测模型	R²		MAPE/%		RMSE/（kW·h·d^-1）
预测模型	训练集	测试集	训练集	测试集	训练集	测试集
BPNN	0.899	0.866	9.645	11.825	6 028.695	6 897.109
SA⁃BPNN	0.920	0.897	8.672	10.429	5 395.128	6 062.864
GSA⁃BPNN	0.925	0.904	8.627	10.255	5 213.252	5 850.878
GA⁃BPNN	0.930	0.910	8.341	9.881	5 052.533	5 652.255
PSO⁃BPNN	0.932	0.914	8.027	9.583	4 931.919	5 531.946
IPSO⁃BPNN	0.942	0.927	7.470	8.877	4 585.672	5 093.055
CEEMDAN⁃PSO⁃BPNN	0.946	0.928	7.277	7.678	4 417.127	5 046.967
CEEMDAN⁃IPSO⁃BPNN	0.974	0.965	4.714	5.394	3 077.534	3 548.656

预测模型	R²		MAPE/%		RMSE/（kW·h·d^-1）
预测模型	训练集	测试集	训练集	测试集	训练集	测试集
BPNN	0.899	0.866	9.645	11.825	6 028.695	6 897.109
SA⁃BPNN	0.920	0.897	8.672	10.429	5 395.128	6 062.864
GSA⁃BPNN	0.925	0.904	8.627	10.255	5 213.252	5 850.878
GA⁃BPNN	0.930	0.910	8.341	9.881	5 052.533	5 652.255
PSO⁃BPNN	0.932	0.914	8.027	9.583	4 931.919	5 531.946
IPSO⁃BPNN	0.942	0.927	7.470	8.877	4 585.672	5 093.055
CEEMDAN⁃PSO⁃BPNN	0.946	0.928	7.277	7.678	4 417.127	5 046.967
CEEMDAN⁃IPSO⁃BPNN	0.974	0.965	4.714	5.394	3 077.534	3 548.656

[1]	宫克，孙东旭，胡志勇，吴明. 保温原油实验环道温度场计算及分析[J]. 石油化工高等学校学报, 2020, 33(5): 67-73.
[2]	孙启智, 刘祁, 郎宪明, 胡志勇. 保温原油管道蜡沉积速率模型的建立[J]. 石油化工高等学校学报, 2020, 33(4): 80-87.
[3]	崔秀国, 董学彦, 张志斌. 津华管道冷热油交替输送工艺应用研究[J]. 石油化工高等学校学报, 2015, 28(6): 87-92.
[4]	林名桢. 含特殊管段的含蜡原油管道热力计算与分析[J]. 石油化工高等学校学报, 2013, 26(1): 68-71.
[5]	吴明,周诗岽,王雷,赵玲. 冷热原油交替顺序输送优化模型研究[J]. 石油化工高等学校学报, 2012, 25(5): 64-67.
[6]	田娜,陈保东,何利民,陈其胜,吴琦,史昊. 同沟敷设原油和成品油管道三维温度场的数值模拟[J]. 石油化工高等学校学报, 2011, 24(2): 92-96.
[7]	张晓彤,国晶晶,任创. 人工神经网络方法对卤代联苯化合物的QSRR研究[J]. 石油化工高等学校学报, 2011, 24(1): 26-29.
[8]	陈勇,关晶. 基于混合波形特征的原油管道泄漏检测系统设计[J]. 石油化工高等学校学报, 2011, 24(1): 89-92.
[9]	范华军, 张劲军*,侯磊. 原油管道停输再启动安全评价基准研究[J]. 石油化工高等学校学报, 2007, 20(4): 72-75.
[10]	潘勇, 蒋军成. 基于人工神经网络的脂肪醇闪点预测[J]. 石油化工高等学校学报, 2007, 20(1): 85-89.

基于混合BP神经网络的原油管道电耗预测研究

Power Consumption Prediction Method for Crude Oil Pipeline Based on Hybrid BP Neural Network

HTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 17

相关文章 10

编辑推荐

Metrics