CN113626762A - 一种自动校罐方法及系统 - Google Patents

一种自动校罐方法及系统 Download PDF

Info

Publication number
CN113626762A
CN113626762A CN202110901949.9A CN202110901949A CN113626762A CN 113626762 A CN113626762 A CN 113626762A CN 202110901949 A CN202110901949 A CN 202110901949A CN 113626762 A CN113626762 A CN 113626762A
Authority
CN
China
Prior art keywords
oil
state quantity
model
tank
shift detection
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.)
Withdrawn
Application number
CN202110901949.9A
Other languages
English (en)
Inventor
陈龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Quyou Technology Co ltd
Original Assignee
Chengdu Quyou Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Quyou Technology Co ltd filed Critical Chengdu Quyou Technology Co ltd
Priority to CN202110901949.9A priority Critical patent/CN113626762A/zh
Publication of CN113626762A publication Critical patent/CN113626762A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)

Abstract

本发明公开了一种自动校罐方法及系统，基于日常交接班检测方式构建校罐模型，充分考虑了远程信号采集和传送过程中产生的噪声和校罐过程中出现的误差，以迭代的方式对一个交接班检测周期内的付油量进行预测。通过构建一个递归的状态预测模型获取上一交接班检测周期和当前交接班检测周期的付油量预测值，同时进行实际数据观测，综合预测结果和实际观测结果得出误差最小的付油量付油量值，并利用实际观测和模型预测得到的数据分别进行燃油的损耗率计算，将损耗率的比较结果作为是否进行油罐校罐的依据。本发明可实现远程不停业校罐，无需人工实地参与，可对油量损耗进行监测，有利于掌握油罐的稳定状态。

Description

一种自动校罐方法及系统
技术领域
本发明涉及加油站校罐技术领域，具体而言，涉及一种自动校罐方法及系统。
背景技术
目前，主流的校罐方法主要包括容量比较法，通过人工标点的方法，先通过定量投入液体的方法，对液体体积进行精确控制，再通过量油尺随着罐内体积逐步增加对油罐内液位进行的测量；液位法，具体通过测量仪表，实现对油罐内液体的高度和密度等参数进行测量，获得液罐内容量和重量的数值，经过换算得知高度；静压力法，这种方法是通过压力传感器测量罐内的液体静压力数，然后通过罐体的几何参数进行罐内液体的容量重量的模拟计算。
以上校罐方法均属于传统的加油站校罐方法。而传统的加油站校罐方法均采用停业计量校罐模式，且存在以下不足：无法进行不停业校罐、无法排除虚假损耗、存在卸油纠纷、无法及时发现隐患漏油事件等。
有鉴于此，特提出本申请。
发明内容
本发明所要解决的技术问题是传统的加油站校罐方法均采用停业计量校罐模式，存在许多不足，目的在于提供一种自动校罐方法及系统，能够实现加油站不停业校罐，克服传统加油站校罐模式的不足。
本发明通过下述技术方案实现：
一种自动校罐方法，包括以下步骤：
步骤1：定义状态量和基于交接班检测方式的状态量预测模型；
步骤2：初始化所述状态量预测模型，得到初始化结果，根据所述初始化结果获取上一交接班检测周期的状态量预测值Zn-1；
步骤3：利用所述状态量预测值Zn-1和所述状态量预测模型，获取当前交接班检测周期的状态量预测值Zn；
步骤4：定义状态量预测值的误差相关矩阵，利用所述误差相关矩阵获取所述状态量预测值Zn的精确度P；
步骤5：利用所述精确度P获取所述状态量预测值Zn的卡尔曼增益K；
步骤6：获取当前交接班检测周期的状态量观测值C；
步骤7：根据所述状态量观测值C和所述状态量预测值Zn，获取所述状态量预测值Zn的反馈误差量E；
步骤8：利用所述卡尔曼增益K和所述反馈误差量E对所述状态量预测值Zn进行校正，得到更新后的当前交接班检测周期的状态量预测值Zn’；
步骤9：将所述状态量分别作为油罐付油量和油站销售量，按照步骤1至步骤8的方法获取当前交接班检测周期的付油量观测值Cn、油罐付油量预测值Vn和油站销售量预测值Sn；
步骤10：采集当前交接班检测周期的实销量S，根据所述付油量观测值Cn和所述实销量S计算得到实际损耗量L和实际损耗率R；根据所述油罐付油量预测值Vn和所述油站销售量预测值Sn计算得到预测损耗量L’和预测损耗率R’；利用所述实际损耗率R和所述预测损耗率R’获取损耗量误差△R；
步骤11：将所述损耗量误差△R与预设的损耗量误差阈值
Figure BDA0003200096030000021
进行比较，当
Figure BDA0003200096030000022
时，不对撬装油罐进行校正操作；当
Figure BDA0003200096030000023
时，对撬装油罐进行校正。
与现有的加油站校罐模型相比，第一，本发明提供的一种自动校罐方法基于远程校罐方式，无需停业标定，也无需人员进入油罐现场进行操作，能够提高校罐的可靠性、安全性和成本可控性；第二，本发明基于日常交接班检测方式构建校罐模型，相比传统的卸油检测方式而言，对不同加油站的类型具有更强的适应性和可操作性；第三，本发明在采用远程校罐方式的基础上，充分考虑了远程信号采集和传送过程中产生的噪声和校罐过程中出现的误差，在构建校罐模型的整体思路上依据滤波器原理，以迭代的方式对一个交接班检测周期内的付油量进行预测。通过构建一个递归的状态预测模型获取上一交接班检测周期和当前交接班检测周期的付油量预测值，同时进行实际数据观测，综合预测结果和实际观测结果得出误差最小的付油量付油量值；第四，在模型构建过程中，充分考虑过程噪声和观测噪声的影响，在校罐模型中加入了状态预测误差的协方差矩阵和校正的卡尔曼增益来对付油量预测结果进行校正，从而获得误差最小的预测结果；第五，利用实际观测和模型预测得到的数据分别进行燃油的损耗率计算，将损耗率的比较结果作为是否进行油罐校罐的依据。
作为对本发明的进一步描述，为增大状态量预测模型的预测步长，提高预测精度，将上述状态量预测模型与时间序列结合，得到基于时间序列的状态量预测模型，包括以下步骤：
步骤S1：构建付油计量模型；
步骤S2：采集多个液位仪历史数据，根据所述多个液位仪历史数据和所述付油计量模型，获取多个付油量历史数据；
步骤S3：根据所述多个付油量历史数据构建滑动平均模型；
步骤S4：利用所述滑动平均模型的自变量和自变量参数替换所述状态量预测模型的自变量和自变量参数，同时加入噪声，得到基于时间序列的状态量预测模型。
作为对本发明的进一步描述，为减小罐存温度变化导致的罐内油液体积变化而对液位仪的观测精度的影响，在上述步骤S2中增加以下步骤对液位仪测量的液面高度进行补偿：
步骤S2.1：采集所述液位仪历史数据对应时刻的罐内温度值；
步骤S2.2：利用所述罐内温度值对所述液位仪历史数据进行补偿。
作为对本发明的进一步描述，所述滑动平均模型的模型参数确定方法包括：
步骤S3.1：建立长自回归模型，提取所述长自回归模型的所有自回归参数，形成参数矩阵；
步骤S3.2：获取所述参数矩阵中每一个自回归参数的估计值，得到模拟参数矩阵；
步骤S3.3：利用所述模拟参数矩阵和所述多个付油量历史数据，计算得到所述模拟参数矩阵中每一个参数的残差，生成模拟参数矩阵的残差集合；
步骤S3.4：检验所述残差集合的独立性，若所述残差集合不独立，则增大所述长自回归模型的阶数，并返回所述步骤S3.1；若所述残差集合独立，则执行所述步骤S3.5；
步骤S3.5：确定所述长自回归模型的阶数p和所述滑动平均模型的阶数q，根据所述阶数p、所述阶数q、所述残差集合和所述多个付油量历史数据，利用最小二乘估计法获取所述滑动平均模型的每一个自回归参数值。
作为对本发明的进一步描述，由于本发明的状态量预测模型为递归模型，而误差相关矩阵的作用是对当前获得的预测数据进行精度衡量，因此在所述步骤8之前，利用所述卡尔曼增益对当前交接班检测周期的误差相关矩阵进行更新，作为下一预测周期的精度衡量的模型基础。
作为对本发明的进一步描述，所述步骤9所述付油量观测值Cn的获取方法为：采集当前交接班检测周期的液面高度差△h，根据所述液面高度差△h和所述油罐付油计量模型计算获得当前交接班检测周期的付油量观测值Cn。
作为对本发明的进一步描述，所述油罐付油计量模型包括：固定顶罐的油罐付油计量模型、浮顶罐的油罐付油计量模型和卧式罐的油罐付油计量模型。
一种撬装加油站校罐系统，包括：
模型构建模块，用于构建状态量预测模型、误差相关矩阵、付油计量模型、滑动平均模型和长自回归模型；
模型初始化模块，用于初始化所述状态量预测模型，得到初始化结果；
状态量预测模块，用于根据所述初始化结果获取上一交接班检测周期的油罐付油量预测值和油站销售量预测值；
状态量递归模块，用于利用上一交接班检测周期的状态量预测值和所述状态量预测模型，获取当前交接班检测周期的状态量预测值；
精确度技术模块：用于利用所述误差相关矩阵获取当前交接班检测周期的状态量预测值的精确度；
数值计算模块，用于计算获得卡尔曼增益、反馈误差量、实际损耗量、实际损耗率、预测损耗量、预测损耗率和损耗量误差；
数据采集单元：用于采集当前交接班检测周期的状态量观测值、实销量；
数值校正模块：用于利用所述卡尔曼增益和所述反馈误差量对当前交接班检测周期的状态量预测值进行校正，得到更新后的当前交接班检测周期的状态量预测值；
选择执行模块：用于将所述损耗量误差与预设的损耗量误差阈值进行比较，根据比较结果执行相应的操作。
作为对本发明的进一步描述，所述模型构建模块包括：状态量预测模型构建单元、误差相关矩阵构建单元、付油计量模型构建单元、滑动平均模型构建单元和长自回归模型构建单元。
作为对本发明的进一步描述，所述数值计算模块包括：卡尔曼增益计算单元、反馈误差计算单元、实际损耗量计算单元、实际损耗率计算单元、预测损耗量计算单元、预测损耗率计算单元和损耗量误差计算单元。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明提供的一种自动校罐方法及系统，可实现远程不停业校罐；
2、本发明提供的一种自动校罐方法及系统，无需人工实地参与，从而提高校罐的可靠性、安全性；
3、本发明提供的一种自动校罐方法及系统，可对油量损耗进行监测，有利于掌握油罐的稳定状态。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例1提供的一种自动校罐方法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实施例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
实施例1
图1为实施例提供的一种自动校罐方法的流程示意图。如图所述该方法包括以下步骤：
步骤1：定义状态量和基于交接班检测方式的状态量预测模型。本实施例中，状态量为各变量的统称，包括付油量及销售量等。其中状态量预测模型的表达式为：
Z(n)＝A×Z(n-1)+B×W(n)，式中，W(n)为系统输入，是一个k维向量；Z(n)是一个k维向量，表示n时刻的付油量预测状态；A是一个k*k矩阵，表示Z(n-1)到Z(n)的转移方式；B是一个k*k矩阵，表示W(n)对Z(n)的影响。
步骤2：初始化所述状态量预测模型，得到初始化结果，根据所述初始化结果获取上一交接班检测周期的状态量预测值Zn-1。本实施例以当前交接班检测周期为时间起点，将向前30个交接班检测周期的状态作为初始状态，即定义Zn-30＝Z(0)，则Z(0)＝E[Z(0)]，E[Z(0)]表示在初始状态时方差。由此可推出，上一交接班检测周期的状态量预测模型为：Z(n-1)＝A×Z(n-2)+B×W(n-1)，利用该模型计算得到上一交接班检测周期的状态量预测值Zn-1。
步骤3：利用所述状态量预测值Zn-1和所述状态量预测模型，获取当前交接班检测周期的状态量预测值Zn。将Zn-1代入Z(n)＝A×Z(n-1)+B×W(n)即可得出当前交接班检测周期的状态量预测值Zn。
步骤4：定义状态量预测值的误差相关矩阵，利用所述误差相关矩阵获取所述状态量预测值Zn的精确度P。精确度P的计算表达式为：P(n)＝A×P(n-1)×Aτ+Q。式中，P(n)是一个k*k的方差矩阵，表示n时刻被观测的n个状态的方差。Q是系统噪声的协方差阵，且Q是不断变化的。在本实施例中，为了方便计算，对模型进行了简化，将Q作为一个常数矩阵。
步骤5：利用所述精确度P获取所述状态量预测值Zn的卡尔曼增益K。所述卡尔曼增益K的计算公式为：K(n)＝P(n)×Hτ×(H×P(n)×Hτ+R)-1。式中，R是测量噪声的协方差矩阵,为了简化模型，本实施例也将其作为一个常数矩阵；H是一个k*k矩阵，表示付油量预测值到付油量观测值的转化方式。
步骤6：获取当前交接班检测周期的状态量观测值C。该状态观测值C由罐内液位仪测量得到的液面高度差△h和所述油罐付油计量模型计算得出，具体为：采集当前交接班检测周期的液面高度差△h，根据所述液面高度差△h和所述油罐付油计量模型计算获得当前交接班检测周期的付油量观测值Cn。需说明的是，所述油罐付油计量模型为现有的罐内油量计算公式。为满足不同油罐类型，上述油罐付油计量模型包括：固定顶罐的油罐付油计量模型、浮顶罐的油罐付油计量模型和卧式罐的油罐付油计量模型，均为小于的罐内油量计算公式的变形。
步骤7：根据所述状态量观测值C和所述状态量预测值Zn，获取所述状态量预测值Zn的反馈误差量E。该反馈误差量E为状态观测值与状态预测值的差值。
步骤8：利用所述卡尔曼增益K和所述反馈误差量E对所述状态量预测值Zn进行校正，得到更新后的当前交接班检测周期的状态量预测值Zn’。校正方法为：
Z'(n)＝Z(n)×K(n)×E＝Z(n)+K(n)×(C(n)-H×Z(n))，C(n)是一个k维向量，表示n时刻的付油量观测测状态。
步骤9：将所述状态量分别作为油罐付油量和油站销售量，按照步骤1至步骤8的方法获取当前交接班检测周期的付油量观测值Cn、油罐付油量预测值Vn和油站销售量预测值Sn。
步骤10：采集当前交接班检测周期的实销量S，根据所述付油量观测值Cn和所述实销量S计算得到实际损耗量L和实际损耗率R；根据所述油罐付油量预测值Vn和所述油站销售量预测值Sn计算得到预测损耗量L’和预测损耗率R’；利用所述实际损耗率R和所述预测损耗率R’获取损耗量误差△R；
步骤11：将所述损耗量误差△R与预设的损耗量误差阈值
Figure BDA0003200096030000071
进行比较，当
Figure BDA0003200096030000072
时，不对撬装油罐进行校正操作；当
Figure BDA0003200096030000073
时，对撬装油罐进行校正。
为增大状态量预测模型的预测步长，提高预测精度，将上述状态量预测模型与时间序列结合，得到基于时间序列的状态量预测模型，包括以下步骤：
步骤S1：构建付油计量模型。
步骤S2：采集多个液位仪历史数据，根据所述多个液位仪历史数据和所述付油计量模型，获取多个付油量历史数据。
为减小罐存温度变化导致的罐内油液体积变化而对液位仪的观测精度的影响，在上述步骤S2中增加以下步骤对液位仪测量的液面高度进行补偿：
步骤S2.1：采集所述液位仪历史数据对应时刻的罐内温度值；
步骤S2.2：利用所述罐内温度值对所述液位仪历史数据进行补偿。
步骤S3：根据所述多个付油量历史数据构建滑动平均模型。其模型表达式为：
Figure BDA0003200096030000074
式中，k为自回归的阶数；j为滑动平均模型阶数；xk为时间序列信号；wk为自噪声序列，
Figure BDA0003200096030000075
为自回归系数，θj为滑动平均系数。
滑动平均模型的模型参数确定方法包括：
步骤S3.1：建立长自回归模型，提取所述长自回归模型的所有自回归参数，形成参数矩阵；
步骤S3.2：获取所述参数矩阵中每一个自回归参数的估计值，得到模拟参数矩阵；
步骤S3.3：利用所述模拟参数矩阵和所述多个付油量历史数据，计算得到所述模拟参数矩阵中每一个参数的残差，生成模拟参数矩阵的残差集合；
步骤S3.4：检验所述残差集合的独立性，若所述残差集合不独立，则增大所述长自回归模型的阶数，并返回所述步骤S3.1；若所述残差集合独立，则执行所述步骤S3.5；
步骤S3.5：确定所述长自回归模型的阶数p和所述滑动平均模型的阶数q，根据所述阶数p、所述阶数q、所述残差集合和所述多个付油量历史数据，利用最小二乘估计法获取所述滑动平均模型的每一个自回归参数值。
步骤S4：利用所述滑动平均模型的自变量和自变量参数替换所述状态量预测模型的自变量和自变量参数，同时加入噪声，得到基于时间序列的状态量预测模型。模型表达式为：
Figure BDA0003200096030000081
Yk＝CkXk-1+Vk。式中，Xk为系统的状态向量；Yk为系统的量测向量；Wk为动态噪声；Wk为量测噪声；B为转移矩阵，Uk-1为控制输入，
Figure BDA0003200096030000082
为从当前状态进入下一状态的转移矩阵。
由于本发明的状态量预测模型为递归模型，而误差相关矩阵的作用是对当前获得的预测数据进行精度衡量，因此在所述步骤8之前，利用所述卡尔曼增益对当前交接班检测周期的误差相关矩阵进行更新，作为下一预测周期的精度衡量的模型基础。
实施例2
一种撬装加油站校罐系统，包括：
模型构建模块，用于构建状态量预测模型、误差相关矩阵、付油计量模型、滑动平均模型和长自回归模型；对应的，模型构建模块包括：状态量预测模型构建单元、误差相关矩阵构建单元、付油计量模型构建单元、滑动平均模型构建单元和长自回归模型构建单元。
模型初始化模块，用于初始化所述状态量预测模型，得到初始化结果。
状态量预测模块，用于根据所述初始化结果获取上一交接班检测周期的油罐付油量预测值和油站销售量预测值。
状态量递归模块，用于利用上一交接班检测周期的状态量预测值和所述状态量预测模型，获取当前交接班检测周期的状态量预测值。
精确度技术模块：用于利用所述误差相关矩阵获取当前交接班检测周期的状态量预测值的精确度。
数值计算模块，用于计算获得卡尔曼增益、反馈误差量、实际损耗量、实际损耗率、预测损耗量、预测损耗率和损耗量误差；对应的，数值计算模块包括：卡尔曼增益计算单元、反馈误差计算单元、实际损耗量计算单元、实际损耗率计算单元、预测损耗量计算单元、预测损耗率计算单元和损耗量误差计算单元。
数据采集单元：用于采集当前交接班检测周期的状态量观测值、实销量。
数值校正模块：用于利用所述卡尔曼增益和所述反馈误差量对当前交接班检测周期的状态量预测值进行校正，得到更新后的当前交接班检测周期的状态量预测值。
选择执行模块：用于将所述损耗量误差与预设的损耗量误差阈值进行比较，根据比较结果执行相应的操作。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种自动校罐方法，其特征在于，包括以下步骤：
步骤1：定义状态量和基于交接班检测方式的状态量预测模型；
步骤2：初始化所述状态量预测模型，得到初始化结果，根据所述初始化结果获取上一交接班检测周期的状态量预测值Zn-1；
步骤3：利用所述状态量预测值Zn-1和所述状态量预测模型，获取当前交接班检测周期的状态量预测值Zn；
步骤4：定义状态量预测值的误差相关矩阵，利用所述误差相关矩阵获取所述状态量预测值Zn的精确度P；
步骤5：利用所述精确度P获取所述状态量预测值Zn的卡尔曼增益K；
步骤6：获取当前交接班检测周期的状态量观测值C；
步骤7：根据所述状态量观测值C和所述状态量预测值Zn，获取所述状态量预测值Zn的反馈误差量E；
步骤8：利用所述卡尔曼增益K和所述反馈误差量E对所述状态量预测值Zn进行校正，得到更新后的当前交接班检测周期的状态量预测值Zn’；
步骤9：将所述状态量分别作为油罐付油量和油站销售量，按照步骤1至步骤8的方法获取当前交接班检测周期的付油量观测值Cn、油罐付油量预测值Vn和油站销售量预测值Sn；
步骤10：采集当前交接班检测周期的实销量S，根据所述付油量观测值Cn和所述实销量S计算得到实际损耗量L和实际损耗率R；根据所述油罐付油量预测值Vn和所述油站销售量预测值Sn计算得到预测损耗量L’和预测损耗率R’；利用所述实际损耗率R和所述预测损耗率R’获取损耗量误差△R；
步骤11：将所述损耗量误差△R与预设的损耗量误差阈值
Figure FDA0003200096020000011
进行比较，当
Figure FDA0003200096020000012
时，不对撬装油罐进行校正操作；当
Figure FDA0003200096020000013
时，对撬装油罐进行校正。
2.根据权利要求1所述的一种自动校罐方法，其特征在于，将所述状态量预测模型与时间序列结合，得到基于时间序列的状态量预测模型，包括以下步骤：
步骤S1：构建付油计量模型；
步骤S2：采集多个液位仪历史数据，根据所述多个液位仪历史数据和所述付油计量模型，获取多个付油量历史数据；
步骤S3：根据所述多个付油量历史数据构建滑动平均模型；
步骤S4：利用所述滑动平均模型的自变量和自变量参数替换所述状态量预测模型的自变量和自变量参数，同时引入噪声，得到基于时间序列的状态量预测模型。
3.根据权利要求2所述的一种自动校罐方法，其特征在于，所述步骤S2包括：
步骤S2.1：采集所述液位仪历史数据对应时刻的罐内温度值；
步骤S2.2：利用所述罐内温度值对所述液位仪历史数据进行补偿。
4.根据权利要求2或3所述的一种自动校罐方法，其特征在于，所述滑动平均模型的模型参数确定方法包括：
步骤S3.1：建立长自回归模型，提取所述长自回归模型的所有自回归参数，形成参数矩阵；
步骤S3.2：获取所述参数矩阵中每一个自回归参数的估计值，得到模拟参数矩阵；
步骤S3.3：利用所述模拟参数矩阵和所述多个付油量历史数据，计算得到所述模拟参数矩阵中每一个参数的残差，生成模拟参数矩阵的残差集合；
步骤S3.4：检验所述残差集合的独立性，若所述残差集合不独立，则增大所述长自回归模型的阶数，并返回所述步骤S3.1；若所述残差集合独立，则执行所述步骤S3.5；
步骤S3.5：确定所述长自回归模型的阶数p和所述滑动平均模型的阶数q，根据所述阶数p、所述阶数q、所述残差集合和所述多个付油量历史数据，利用最小二乘估计法获取所述滑动平均模型的每一个自回归参数值。
5.根据权利要求1所述的一种自动校罐方法，其特征在于，在所述步骤8之前，利用所述卡尔曼增益K对当前交接班检测周期的误差相关矩阵进行更新。
6.根据权利要求2或3所述的一种自动校罐方法，其特征在于，所述步骤9所述付油量观测值Cn的获取方法为：采集当前交接班检测周期的液面高度差△h，根据所述液面高度差△h和所述油罐付油计量模型计算获得当前交接班检测周期的付油量观测值Cn。
7.根据权利要求2或3所述的一种自动校罐方法，其特征在于，所述油罐付油计量模型包括：固定顶罐的油罐付油计量模型、浮顶罐的油罐付油计量模型和卧式罐的油罐付油计量模型。
8.一种自动校罐系统，其特征在于，包括：
模型构建模块，用于构建状态量预测模型、误差相关矩阵、付油计量模型、滑动平均模型和长自回归模型；
模型初始化模块，用于初始化所述状态量预测模型，得到初始化结果；
状态量预测模块，用于根据所述初始化结果获取上一交接班检测周期的油罐付油量预测值和油站销售量预测值；
状态量递归模块，用于利用上一交接班检测周期的状态量预测值和所述状态量预测模型，获取当前交接班检测周期的状态量预测值；
精确度技术模块：用于利用所述误差相关矩阵获取当前交接班检测周期的状态量预测值的精确度；
数值计算模块，用于计算获得卡尔曼增益、反馈误差量、实际损耗量、实际损耗率、预测损耗量、预测损耗率和损耗量误差；
数据采集单元：用于采集当前交接班检测周期的状态量观测值、实销量；
数值校正模块：用于利用所述卡尔曼增益和所述反馈误差量对当前交接班检测周期的状态量预测值进行校正，得到更新后的当前交接班检测周期的状态量预测值；
选择执行模块：用于将所述损耗量误差与预设的损耗量误差阈值进行比较，根据比较结果执行相应的操作。
9.根据权利要求8所述的一种自动校罐系统，其特征在于，所述模型构建模块包括：状态量预测模型构建单元、误差相关矩阵构建单元、付油计量模型构建单元、滑动平均模型构建单元和长自回归模型构建单元。
10.根据权利要求8或9所述的一种自动校罐系统，其特征在于，所述数值计算模块包括：卡尔曼增益计算单元、反馈误差计算单元、实际损耗量计算单元、实际损耗率计算单元、预测损耗量计算单元、预测损耗率计算单元和损耗量误差计算单元。
CN202110901949.9A 2021-08-06 2021-08-06 一种自动校罐方法及系统 Withdrawn CN113626762A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110901949.9A CN113626762A (zh) 2021-08-06 2021-08-06 一种自动校罐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110901949.9A CN113626762A (zh) 2021-08-06 2021-08-06 一种自动校罐方法及系统

Publications (1)

Publication Number Publication Date
CN113626762A true CN113626762A (zh) 2021-11-09

Family

ID=78383190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110901949.9A Withdrawn CN113626762A (zh) 2021-08-06 2021-08-06 一种自动校罐方法及系统

Country Status (1)

Country Link
CN (1) CN113626762A (zh)

Similar Documents

Publication Publication Date Title
JP4259765B2 (ja) 統計的最適化手法による流量計校正システム
CN101038201B (zh) 成品油罐区智能测量计量系统
EP3569988B1 (en) Instrument calibration device and calibration method using same
JPH01163621A (ja) タンク内の材料の量を測定する装置および方法
CN108680226B (zh) 一种精确的油箱当前油量的检测方法
CN109917152B (zh) 一种垂线平均流速测量方法
CN109781200A (zh) 一种压力修正方法及膜式燃气表
CN104976988A (zh) 一种隧道大高程差沉降测量系统
CN103175582B (zh) 流体计量方法和装置
KR101228427B1 (ko) 계측 유량의 정밀 보정이 가능한 디지털 계량기 및 이의 자동보정 시스템
CN1856700A (zh) 过程压力传感器的校准
CN102879061B (zh) 一种基于拟合方程的水表误差校正方法
CN103134572A (zh) 燃油加油机的检定方法
CN115265724A (zh) 一种液位计现场校准装置及获得校准结果的方法
US10214410B2 (en) Self calibrating fuel dispensing method and system
CN113626762A (zh) 一种自动校罐方法及系统
CN109738043A (zh) 一种用于排放指定体积液体的方法
CN108645377B (zh) 综合管廊的沉降监测方法
US10775211B2 (en) Real-time vessel monitoring system
CN112033848B (zh) 蒸渗仪检测管理方法、装置及检测管理设备
CN113959511B (zh) 基于射流水表的流量计量方法、设备、介质及产品
CN112985503B (zh) 一种油水两相流持率和流速在线测量装置及测量方法
CN109632029B (zh) 选取管道流量补偿压力点的精准计测量值的方法
CN108303159B (zh) 一种简易的油箱当前油量的检测方法
CN104819703B (zh) 一种用于倾角传感支点的倾斜角度参数拟合方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20211109

WW01 Invention patent application withdrawn after publication