CN104134103B - 利用修正的bp神经网络模型预测热油管道能耗的方法 - Google Patents
利用修正的bp神经网络模型预测热油管道能耗的方法 Download PDFInfo
- Publication number
- CN104134103B CN104134103B CN201410370216.7A CN201410370216A CN104134103B CN 104134103 B CN104134103 B CN 104134103B CN 201410370216 A CN201410370216 A CN 201410370216A CN 104134103 B CN104134103 B CN 104134103B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- mrow
- oil pipeline
- hot oil
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种利用修正的BP神经网络模型预测热油管道能耗的方法，包括以下步骤：收集热油管道的能耗数据作为样本数据并对样本数据预处理；进行BP神经网络模拟，建立热油管道能耗预测的第一神经网络模型；利用第一神经网络模型对热油管道的能耗进行预测，得到测试数据的预测值与真实值的极差；基于GM(1,1)算法建立残差公式对第一神经网络模型进行修正，得到修正的第二神经网络预测模型；利用第二神经网络预测模型计算热油管道能耗的预测值。本发明提供的利用修正的BP神经网络模型预测热油管道能耗的方法，可以大大提高热油管道能耗的预测精度，对管输能耗监控具有重要的意义。
Description
技术领域
本发明属于管输能耗预测技术领域，特别涉及一种利用修正的BP神经网络模型预测热油管道能耗的方法。
背景技术
“十二五”是我国经济社会发展的重要战略机遇期，也是转变发展方式，加快建设资源节约型和环境友好型工业体系的关键时期，随着经济增长的能源资源和环境约束日益强化，国家对节能工作越来越重视，管道输送行业也在积极响应国家相关节能政策与发展规划。对管输能耗现状进行综合分析和评估是实施节能工作的前提和基础，而建立反映能耗变化的预测方法是从宏观尺度上分析认识管输能耗变化与发展特性，是管道输送行业开展节能工作提供决策依据的有效途径和重要手段。
由于我国油田所产原油大多含蜡较高，加热输送是含蜡原油的主要输送方式，而出站温度、输油量、管线总传热系数、管体的结蜡程度以及季节变化等诸多因素都会影响热油管道能耗，国外没有针对我国热油管道这种复杂系统的能耗预测模型。目前，国内好多学者都对原油管道能耗的预测方法进行了研究和探讨。例如：文献“原油管输能耗预测方法研究”引入了季节因素，建立了原油管道能耗预测模型，但由于仅考虑了季节因素对原油管道能耗的影响并且由于计算模型的限制，该模型仅可以在有限数据条件下实现原油管道能耗预测。文献“原油长输管道油电损耗的回归预测”、“管线油电损耗的灰色模型及预测”、“基于普通累积法的原油管线油电损耗预测”均是需要依据原油管线多年来的输量及油、电损耗数据，采用特定的数学方法建立原油管道油、电损耗预测模型，这些模型均只考虑了输量对原油管道能耗的影响，而忽略了其它因素对其的影响。加之，在实际生产中，影响热油管道能耗的诸多因素不易获取，因此上述的能耗预测方法不能很好的适用于热油管道的能耗预测，在热油管道能耗影响因素数据缺省情况下来预测管输能耗的问题亟待解决。
发明内容
本发明所要解决的技术问题是提供一种预测精度高的利用修正的BP神经网络模型预测热油管道能耗的方法。
为解决上述技术问题，本发明提供了一种利用修正的BP神经网络模型预测热油管道能耗的方法，包括以下步骤：
收集热油管道的历史能耗数据作为样本数据，对所述样本数据进行归一化，使样本数据范围在[0,1]之间；
进行BP神经网络模拟，建立预测热油管道能耗的第一神经网络模型，包括如下过程：
(1)确定神经网络的层数，
(2)确定神经网络的输入变量个数，
(3)确定神经网络的输出变量个数，
(4)确定神经网络的隐含层元素个数，
(5)网络初始化并进行网络训练；
利用第一神经网络模型对热油管道能耗进行预测，得到能耗真实值序列x与能耗预测值序列的极差序列
基于GM(1,1)算法建立残差公式对第一神经网络模型进行修正，得到第二神经网络预测模型；
利用第二神经网络预测模型计算热油管道能耗的预测值x*。
进一步地，所述收集热油管道的历史能耗数据作为样本数据是收集热油管道近四年的月能耗数据作为样本数据。
进一步地，所述对样本数据进行归一化的公式为：
其中，x为热油管道历史能耗数据，y为x的归一化输出，xmin为x的最小值，xmax为x的最大值。
进一步地，所述确定神经网络的输入变量个数中的输入变量为样本数据中热油管道前三年的月能耗，所述能耗真实值序列x为样本数据中热油管道最近一年的月能耗。
进一步地，所述第二神经网络预测模型的推导方法为：
将能耗真实值序列x＝{x(i),x(i+1),·····,x(n)}与能耗预测值序列相减得到极差序列e0＝{e0(i),e0(i+1),·····,e0(n)}，极差序列e0累加得到加和极差序列e1＝{e1(i),e1(i+1),·····e1(n)}；
利用GM(1,1)残差公式算法建立加和极差序列e1的残差公式：
其中，e为欧拉数，等于2.71828；
对加和极差序列e1的残差公式求导，然后与能耗预测值序列相加，得到第二神经网络预测模型：
其中，a为发展灰数，μ为内生控制灰数。
本发明提供的利用修正的BP神经网络模型预测热油管道能耗的方法，不考虑影响热油管道能耗的诸多因素，仅将管道的历史能耗数据作为样本数据，基于灰色GM(1,1)法推导出的残差公式来对BP神经网络热油管道能耗预测结果进行修正，在原有的预测结果上大大提高了预测精度，为热油管道能耗预测提供了一种新思路，对管输能耗监控具有重要的意义。
附图说明
图1为本发明实施例提供的利用修正的BP神经网络模型预测热油管道能耗的方法的流程图。
图2为本发明实施例提供的利用修正的BP神经网络模型预测热油管道能耗的方法中第一神经网络模型的网络拓扑结构图。
具体实施方式
参见图1，本发明实施例提供的一种利用修正的BP神经网络模型预测热油管道能耗的方法，包括以下步骤：
第一步：收集热油管道的历史能耗数据作为样本数据，对所述样本数据进行归一化，使样本数据范围在[0,1]之间；
第二步：进行BP神经网络模拟，建立预测热油管道能耗的第一神经网络模型，包括如下过程：
(1)确定神经网络的层数，
(2)确定神经网络的输入变量个数，
(3)确定神经网络的输出变量个数，
(4)确定神经网络的隐含层元素个数，
(5)网络初始化并进行网络训练；
第三步：利用第一神经网络模型对热油管道能耗进行预测，得到能耗真实值序列x与能耗预测值序列的极差序列
第四步：基于GM(1,1)算法建立残差公式对第一神经网络模型进行修正，得到第二神经网络预测模型；
第五步：利用第二神经网络预测模型计算热油管道能耗的预测值x*。
其中，收集热油管道的历史能耗数据作为样本数据是收集热油管道近四年的月能耗数据作为样本数据。
其中，对样本数据进行归一化的公式为：
x为热油管道历史能耗数据，y为x的归一化输出，xmin为x的最小值，xmax为x的最大值。
其中，确定神经网络的输入变量个数中的输入变量为样本数据中热油管道前三年的月能耗，能耗真实值序列x为样本数据中热油管道近一年的月能耗。
其中，第二神经网络预测模型的推导方法为：
将能耗真实值序列x＝{x(i),x(i+1),·····,x(n)}与能耗预测值序列相减得到极差序列e0＝{e0(i),e0(i+1),·····,e0(n)}，极差序列e0累加得到加和极差序列e1＝{e1(i),e1(i+1),·····e1(n)}；
利用GM(1,1)算法建立加和极差序列e1的残差公式：
其中，e为欧拉数，等于2.71828；
对加和极差序列e1的残差公式求导，然后与能耗预测值序列相加，得到第二神经网络预测模型：
a为发展灰数，μ为内生控制灰数。
下面结合具体实例，对本发明提供的利用修正的BP神经网络模型预测热油管道能耗的方法做详细说明：
步骤一：收集样本数据并进行数据预处理。
以某一热油管道为例，收集该管道2010-2013四年的月能耗数据，对月能耗数据进行归一化处理，将月能耗数据归一化到[0,1]之间。月能耗数据归一化处理使用的归一化公式为：
其中，x为热油管道在2010-2013四年各个月的能耗数据，y为x的归一化输出，xmin为x的最小值，xmax为x的最大值。
步骤二：进行BP神经网络模拟，建立热油管道能耗预测的第一神经网络模型，具体过程如下：
(1)确定神经网络的层数
由于一个三层BP网络可以按任意所需精度逼近一个非线性函数，过多的层反而会减慢网络的收敛速度，使运行时间增长，并且训练速度可以用增加隐含层结点的个数来实现，因此在此选取只有一个隐含层的三层BP神经网络。
(2)确定神经网络的输入变量个数
将热油管道2010-2012三年的月能耗作为输入变量，因此第一神经网络模型的输入变量个数n＝3，每组的变量分别是每年对应的月能耗数据。
(3)确定神经网络的输出变量个数
由于第一神经网络模型是建立的热油管道能耗预测模型，因此第一神经网络模型的输出变量个数为m＝1，即为热油管道2013年的月能耗。
(4)确定神经网络的隐含层元素个数。
第一神经网络模型的隐含层元素个数P按下面公式进行计算：
其中，n为输入变量个数，m为输出变量个数，α为[1,10]之间的常数。计算得到隐含层的元素个数介于3到12之间，结合实际，作为本发明的最佳实施方式，将第一神经网络模型的隐含层元素个数确定为8。
(5)网络初始化并进行网络训练。
根据前述设定好的神经网络的层数、输入变量个数、输出变量个数及隐含层元素个数等参数，然后通过运用神经网络工具箱进行网络初始化和网络训练。为了提高神经网络训练的自适应程度，作为本发明的一种具体实施方式，把样本数据中的1/4数据作为测试数据，1/4数据作为变化数据，1/2数据作为训练数据，在计算过程中打乱输入样本数据原来给定的顺序，按照上述比例进行随机分配，寻找最优解。第一神经网络模型的初始权值被随机赋值，学习速率设定为0.05，学习误差设定为5×10-3，最大迭代次数为10000次，隐含层和输出层的传递函数均选取非对称Sigmoid函数，即：
f(x)＝1/(1+e-x)
然后再利用BP神经网络算法，参照图2所示的网络结构进行训练。训练结束后，就得到了热油管道能耗的第一神经网络模型。
步骤三：利用第一神经网络模型对热油管道能耗进行预测，得到能耗真实值序列x与能耗预测值序列的极差序列
步骤四：基于GM(1,1)算法建立残差公式对第一神经网络模型进行修正，得到第二神经网络预测模型。
将用于对第一神经网络模型进行测试的能耗真实值序列x＝{x(i),x(i+1),·····,x(n)}和测试得到的能耗预测值序列相减得到极差序列e0＝{e0(i),e0(i+1),·····,e0(n)}，极差序列e0累加得到加和极差序列e1＝{e1(i),e1(i+1),·····e1(n)}；
利用GM(1,1)算法建立加和极差序列e1的残差公式：
其中，e为欧拉数，等于2.71828；
对加和极差序列e1的残差公式求导，然后与能耗预测值序列相加，得到第二神经网络预测模型：
a为发展灰数，μ为内生控制灰数。
步骤五：计算热油管道能耗预测值，利用第二神经网络预测模型计算热油管道能耗的预测值x*。
本发明提供的利用修正的BP神经网络模型预测热油管道能耗的方法，基于灰色GM(1,1)法推导出残差公式来对BP神经网络热油管道能耗预测结果进行修正，在原有的预测结果上大大提高了预测精度，为热油管道能耗预测提供了一种新思路，对管输能耗监控具有重要的意义。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种利用修正的BP神经网络模型预测热油管道能耗的方法，其特征在于，包括以下步骤：
收集热油管道的历史能耗数据作为样本数据，对所述样本数据进行归一化，使样本数据范围在[0,1]之间；
进行BP神经网络模拟，建立预测热油管道能耗的第一神经网络模型，包括如下过程：
(1)确定神经网络的层数，
(2)确定神经网络的输入变量个数，
(3)确定神经网络的输出变量个数，
(4)确定神经网络的隐含层元素个数，
(5)网络初始化并进行网络训练；
利用第一神经网络模型对热油管道能耗进行预测，得到能耗真实值序列x与能耗预测值序列的极差序列
基于GM(1,1)算法建立残差公式对第一神经网络模型进行修正，得到第二神经网络预测模型；
利用第二神经网络预测模型计算热油管道能耗的预测值x*；
其中，所述对样本数据进行归一化的公式为：
<mrow>
<mi>y</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中，x为热油管道近四年的月能耗数据，y为x的归一化输出，xmin为x的最小值，xmax为x的最大值；
所述第二神经网络预测模型的推导方法为：
将能耗真实值序列x＝{x(i),x(i+1),·····,x(n)}与能耗预测值序列相减得到极差序列e0＝{e0(i),e0(i+1),·····,e0(n)}，极差序列e0累加得到加和极差序列e1＝{e1(i),e1(i+1),·····e1(n)}；
利用GM(1,1)算法建立加和极差序列e1的残差公式：
<mrow>
<mover>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>e</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mi>&mu;</mi>
<mi>a</mi>
</mfrac>
<mo>&rsqb;</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>a</mi>
<mi>k</mi>
</mrow>
</msup>
<mo>+</mo>
<mfrac>
<mi>&mu;</mi>
<mi>a</mi>
</mfrac>
</mrow>
其中，e为欧拉数，等于2.71828；
对加和极差序列e1的残差公式求导，然后与能耗预测值序列相加，得到第二神经网络预测模型：
<mrow>
<msup>
<mi>x</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>&lsqb;</mo>
<msub>
<mi>e</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mi>&mu;</mi>
<mi>a</mi>
</mfrac>
<mo>&rsqb;</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mo>...</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，a为发展灰数，μ为内生控制灰数。
2.根据权利要求1所述的利用修正的BP神经网络模型预测热油管道能耗的方法，其特征在于：所述收集热油管道的历史能耗数据作为样本数据是收集热油管道近四年的月能耗数据作为样本数据。
3.根据权利要求1所述的利用修正的BP神经网络模型预测热油管道能耗的方法，其特征在于：所述确定神经网络的输入变量个数中的输入变量为样本数据中热油管道前三年的月能耗，所述能耗真实值序列x为样本数据中热油管道最近一年的月能耗。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410370216.7A CN104134103B (zh) | 2014-07-30 | 2014-07-30 | 利用修正的bp神经网络模型预测热油管道能耗的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410370216.7A CN104134103B (zh) | 2014-07-30 | 2014-07-30 | 利用修正的bp神经网络模型预测热油管道能耗的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104134103A CN104134103A (zh) | 2014-11-05 |
| CN104134103B true CN104134103B (zh) | 2017-12-05 |
Family
ID=51806776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410370216.7A Active CN104134103B (zh) | 2014-07-30 | 2014-07-30 | 利用修正的bp神经网络模型预测热油管道能耗的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104134103B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292388A (zh) * | 2017-06-27 | 2017-10-24 | 郑州云海信息技术有限公司 | 一种基于神经网络的热点数据的预测方法及系统 |
| CN108764473A (zh) * | 2018-05-23 | 2018-11-06 | 河北工程大学 | 一种基于相关分析的bp神经网络用水量预测方法 |
| CN108989889B (zh) * | 2018-08-09 | 2022-01-21 | 北京奇艺世纪科技有限公司 | 一种视频播放量预测方法、装置及电子设备 |
| CN109973355B (zh) * | 2019-03-29 | 2020-05-19 | 江苏极熵物联科技有限公司 | 一种面向空气压缩机的节能降耗方法 |
| CN112749469B (zh) * | 2019-10-31 | 2022-11-04 | 中国石油天然气股份有限公司 | 原油管道监控方法和装置、计算机可读存储介质 |
| CN113705849A (zh) * | 2020-05-21 | 2021-11-26 | 富士通株式会社 | 信息处理装置和信息处理方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101825622A (zh) * | 2010-04-02 | 2010-09-08 | 浙江浙大中控信息技术有限公司 | 一种水质预测方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI415011B (zh) * | 2009-12-17 | 2013-11-11 | Ind Tech Res Inst | 人臉辨識方法及應用此方法之系統 |
-
2014
- 2014-07-30 CN CN201410370216.7A patent/CN104134103B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101825622A (zh) * | 2010-04-02 | 2010-09-08 | 浙江浙大中控信息技术有限公司 | 一种水质预测方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 基于BP神经网络的输油管道能耗预测方法;侯磊等;《节能技术》;20090930;第401-406页 * |
| 灰色BP神经网络方法的研究;周志文;《中国优秀硕士学位论文全文数据库 信息科技辑》;20091215;第2.3节 灰色系统与神经网络融合方式的分析 * |
| 管线油电损耗的灰色模型及预测;隋富娟等;《天然气与石油》;20031231;第10-12页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104134103A (zh) | 2014-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104134103B (zh) | 利用修正的bp神经网络模型预测热油管道能耗的方法 | |
| Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
| Tran et al. | Nature-inspired metaheuristic ensemble model for forecasting energy consumption in residential buildings | |
| Wu et al. | An intuitionistic fuzzy multi-criteria framework for large-scale rooftop PV project portfolio selection: Case study in Zhejiang, China | |
| CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
| CN106022521A (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
| CN103106535B (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
| CN104376389A (zh) | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 | |
| Sun et al. | Exploration of energy saving potential in China power industry based on Adaboost back propagation neural network | |
| Stanujkic et al. | An extension of the MULTIMOORA method for solving complex decision-making problems based on the use of interval-valued triangular fuzzy numbers | |
| Niu et al. | Research on short-term power load time series forecasting model based on BP neural network | |
| Wu et al. | Prediction and analysis of water resources demand in Taiyuan City based on principal component analysis and BP neural network | |
| Teng et al. | Use of group method of data handling for transport energy demand modeling | |
| CN107992968A (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
| Jović et al. | Solar radiation analyzing by neuro-fuzzy approach | |
| CN104217258A (zh) | 一种电力负荷条件密度预测方法 | |
| CN103698627A (zh) | 基于灰模糊萤火虫算法优化的变压器故障诊断方法 | |
| CN105425583A (zh) | 基于协同训练lwpls的青霉素生产过程的控制方法 | |
| Wang et al. | A novel decomposition-ensemble forecasting system for dynamic dispatching of smart grid with sub-model selection and intelligent optimization | |
| CN105447646A (zh) | 一种配电系统健康指数评估方法 | |
| CN107947738A (zh) | 一种太阳能无人机电池板电压的预测方法 | |
| CN106570594A (zh) | 一种基于tmbp的相似日光伏发电短期预测方法 | |
| CN107145968A (zh) | 基于bp神经网络的光伏设备生命周期费用预测方法及系统 | |
| Zhu et al. | Structural safety monitoring of high arch dam using improved ABC-BP model | |
| CN106408118A (zh) | 一种基于grnn组合模型的城市日供水量预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211111 Address after: Room 08-10, 6 / F, block a, No. 5, Dongtucheng Road, Chaoyang District, Beijing 100013 Patentee after: National Petroleum and natural gas pipeline network Group Co., Ltd Address before: PetroChina building, No. 9, Dongzhimen North Street, Dongcheng District, Beijing 100029 Patentee before: China National Petroleum Corporation |