CN116341764B - 基于历史数据的成品油管道混油浓度分布预测方法及系统 - Google Patents
基于历史数据的成品油管道混油浓度分布预测方法及系统 Download PDFInfo
- Publication number
- CN116341764B CN116341764B CN202310586423.5A CN202310586423A CN116341764B CN 116341764 B CN116341764 B CN 116341764B CN 202310586423 A CN202310586423 A CN 202310586423A CN 116341764 B CN116341764 B CN 116341764B
- Authority
- CN
- China
- Prior art keywords
- oil
- concentration
- value
- density
- current station
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012886 linear function Methods 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 69
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000036962 time dependent Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000004378 air conditioning Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims 2
- 238000011161 development Methods 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 238000007418 data mining Methods 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 277
- 238000011144 upstream manufacturing Methods 0.000 description 9
- 238000000691 measurement method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000407 epitaxy Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Computing Systems (AREA)
- Animal Husbandry (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
本发明属于成品油管道运行数据挖掘技术领域,提供了一种基于历史数据的成品油管道混油浓度分布预测方法及系统,首先将混油核心段内前行油品浓度随时间变化的曲线拟合为一个参数已知的线性函数,将待预测混油拖尾段内浓度与时间的曲线定义为一个参数未知的指数函数;然后,假设在一定区域内指数函数和线性函数的值相等,计算得到指数函数的参数值;最后,根据指数函数,对混油拖尾段任意时刻对应的浓度值分布进行预测;避免了复杂机理模型的搭建和开发;在确定混油核心段时,充分考虑了上一站场的前行油品和后行油品密度差、当前站场的前行油品密度值以及当前站场任意时刻的实测密度值等混油界面过站期间可被感知的高价值信息,保证了预测精度。
Description
技术领域
本发明属于成品油管道运行数据挖掘技术领域,尤其涉及一种基于历史数据的成品油管道混油浓度分布预测方法及系统。
背景技术
成品油管道主要采用顺序输送方式,即按一定批次连续输送多种油品。输送期间,前行油品会在管壁形成了一定厚度的极性粘附层,后行油品难以将残油驱替干净,致使混油段内前行油品浓度分布曲线呈现明显拖尾特征,并显著影响后行油品的质量指标。混油拖尾段浓度分布是现场操作人员掌握混油界面信息、开展油品批次切割的重要依据。
发明人发现,现有基于机理模型开发的软测量方法,需离散偏微分方程后反复迭代求解,模型复杂度导致计算效率偏低,难以快速计算管输混油浓度分布信息;并且,现有的现有的软测量方法中,忽略了混油界面过站历史数据等可被感知的高价值信息,不能保证预测精度。
发明内容
本发明为了解决上述问题,提出了一种基于历史数据的成品油管道混油浓度分布预测方法及系统,本发明可以快速计算混油拖尾段浓度分布的准确信息,并为现场开展混油批次切割提供有效的数据支撑。
为了实现上述目的,本发明是通过如下的技术方案来实现:
第一方面,本发明提供了一种基于历史数据的成品油管道混油浓度分布预测方法,包括:
获取成品油管道上一站场的前行油品和后行油品密度差,以及当前站场的前行油品密度值;
根据上一站场的前行油品和后行油品密度差,以及当前站场的前行油品密度值,计算得到当前站场后行油品密度值;
根据所述当前站场前行油品密度值、所述当前站场后行油品密度值和当前站场任意时刻的实测密度值,计算得到当前站场任意时刻前行油品浓度值;
将位于预设范围区域内的前行油品浓度设为混油核心段,剩余部分为混油拖尾段;将已获取的混油核心段内前行油品浓度随时间变化的曲线拟合为一个参数已知的线性函数;将待预测混油拖尾段内浓度与时间的曲线定义为一个参数未知的指数函数;
基于连续性假设,假设在预设区域内指数函数和线性函数的值相等,从而计算得到指数函数的参数值;
根据参数确定后的指数函数,对混油拖尾段任意时刻对应的浓度值分布进行预测。
进一步的,所述当前站场后行油品密度值,等于所述当前站场的前行油品密度值与所述上一站场的前行油品和后行油品密度差的差值。
进一步的,所述当前站场任意时刻前行油品浓度值,等于1减去待计算比值的差值;所述待计算比值等于所述当前站场前行油品密度值减去所述当前站场任意时刻的实测密度值的差值,再比上所述当前站场前行油品密度值减去所述当前站场后行油品密度值差值的比值。
进一步的,将混油核心段内前行油品浓度随时间变化的曲线拟合为线性函数前,对曲线进行平滑处理。
进一步的,基于滤波算法对曲线进行平滑处理,包括:
根据测量点确定输入变量矩阵与输出变量矩阵;采用多项式表征输入变量矩阵与输出变量矩阵间的线性映射关系表达式;
基于最小二乘方法,获得线性映射关系表达式中每个时域内线性回归系数的估计值;
获得每个时域内多项式的线性回归系数后,对曲线进行滤波并获得滤波矩阵。
进一步的,采用线性函数外延预测混油浓度降至预设百分比对应的第一浓度值,以及对应的第一时间点;计算第一时间点预设邻域内第二时间点对应的第二浓度值;基于连续假设,假设线性函数和指数函数在第一时间点和第二时间点处满足因变量相同和导数相等。
进一步的,根据线性函数和指数函数在第一时间点和第二时间点处满足因变量相同和导数相等的假设,将第一时间点和第二时间点分别带入线性函数和指数函数,计算得到指数函数的未知参数。
第二方面,本发明还提供了一种基于历史数据的成品油管道混油浓度分布预测系统,包括:
数据采集模块,被配置为:获取成品油管道上一站场的前行油品和后行油品密度差,以及当前站场的前行油品密度值;
当前站场后行油品密度值计算模块,被配置为:根据上一站场的前行油品和后行油品密度差,以及当前站场的前行油品密度值,计算得到当前站场后行油品密度值;
当前站场任意时刻前行油品浓度值计算模块,被配置为:根据所述当前站场前行油品密度值、所述当前站场后行油品密度值和当前站场任意时刻的实测密度值,计算得到当前站场任意时刻前行油品浓度值;
函数定义模块,被配置为:将位于预设范围区域内的前行油品浓度设为混油核心段,剩余部分为混油拖尾段;将已获取的混油核心段内前行油品浓度随时间变化的曲线拟合为一个参数已知的线性函数;将待预测混油拖尾段内浓度与时间的曲线定义为一个参数未知的指数函数;
参数定义模块,被配置为:基于连续性假设,假设在预设区域内指数函数和线性函数的值相等,从而计算得到指数函数的参数值;
预测模块,被配置为:根据参数确定后的指数函数,对混油拖尾段任意时刻对应的浓度值分布进行预测。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现了第一方面所述的基于历史数据的成品油管道混油浓度分布预测方法的步骤。
第四方面,本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现了第一方面所述的基于历史数据的成品油管道混油浓度分布预测方法的步骤。
与现有技术相比,本发明的有益效果为:
本发明中,首先将已获取的混油核心段内前行油品浓度随时间变化的曲线拟合为一个参数已知的线性函数,将待预测混油拖尾段内浓度与时间的曲线定义为一个参数未知的指数函数;然后,基于连续性假设,假设在预设区域内指数函数和线性函数的值相等,从而计算得到指数函数的参数值;最后,根据参数确定后的指数函数,对混油拖尾段任意时刻对应的浓度值分布进行预测;避免了复杂机理模型的搭建和开发,提高了计算效率;同时,在确定混油核心段时,充分考虑了上一站场的前行油品和后行油品密度差、当前站场的前行油品密度值以及当前站场任意时刻的实测密度值等混油界面过站期间可被感知的高价值信息,保证了预测精度,为现场开展混油批次切割提供有效的数据支撑。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解,本实施例的示意性实施例及其说明用于解释本实施例,并不构成对本实施例的不当限定。
图1为本发明实施例2的上一站场混油浓度分布曲线;
图2为本发明实施例2的当前站场某一时刻混油浓度分布曲线;
图3为本发明实施例2的第一种混油浓度分布曲线分区;
图4为本发明实施例2的第二种混油浓度分布曲线分区;
图5为本发明实施例2的对第一工况下基于Savitzky-Golay算法的混油浓度分布曲线滤波处理结果;
图6为本发明实施例2的对第二工况下基于Savitzky-Golay算法的混油浓度分布曲线滤波处理结果;
图7为本发明实施例2的对第三工况下基于Savitzky-Golay算法的混油浓度分布曲线滤波处理结果;
图8为本发明实施例2的对第四工况下基于Savitzky-Golay算法的混油浓度分布曲线滤波处理结果;
图9为本发明实施例2的对第五工况下基于Savitzky-Golay算法的混油浓度分布曲线滤波处理结果;
图10为本发明实施例2的对第六工况下基于Savitzky-Golay算法的混油浓度分布曲线滤波处理结果。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1:
本实施例提供了一种基于历史数据的成品油管道混油浓度分布预测方法,包括:
获取成品油管道上一站场的前行油品和后行油品密度差,以及当前站场的前行油品密度值;
根据上一站场的前行油品和后行油品密度差,以及当前站场的前行油品密度值,计算得到当前站场后行油品密度值;
根据所述当前站场前行油品密度值、所述当前站场后行油品密度值和当前站场任意时刻的实测密度值,计算得到当前站场任意时刻前行油品浓度值;
将位于预设范围区域内的前行油品浓度设为混油核心段,剩余部分为混油拖尾段;将已获取的混油核心段内前行油品浓度随时间变化的曲线拟合为一个参数已知的线性函数;将待预测混油拖尾段内浓度与时间的曲线定义为一个参数未知的指数函数;
基于连续性假设,假设在预设区域内指数函数和线性函数的值相等,从而计算得到指数函数的参数值;
根据参数确定后的指数函数,对混油拖尾段任意时刻对应的浓度值分布进行预测。
具体的,首先,将混油核心段内前行油品浓度随时间变化的曲线拟合为一个参数已知的线性函数,将待预测混油拖尾段内浓度与时间的曲线定义为一个参数未知的指数函数;然后,基于连续性假设,假设在预设区域内指数函数和线性函数的值相等,从而计算得到指数函数的参数值;最后,根据参数确定后的指数函数,对混油拖尾段任意时刻对应的浓度值分布进行预测;避免了复杂机理模型的搭建和开发,提高了计算效率;同时,在确定混油核心段时,充分考虑了上一站场的前行油品和后行油品密度差、当前站场的前行油品密度值以及当前站场任意时刻的实测密度值等混油界面过站期间可被感知的高价值信息,保证了预测精度,为现场开展混油批次切割提供有效的数据支撑。
本实施例中,通过提取混油密度时序数据,搭建混油核心段到拖尾段的数学关联映射,形成混油拖尾段浓度分布预测方法,混油拖尾段浓度分布预测方法主要分为混油密度时序数据预处理、混油拖尾段拟合函数参数估计及混油拖尾段浓度分布预测三部分,具体为:
S1、混油密度时序数据预处理:
可选的,将上一站场和当前站场获取的混油密度随时间变化曲线分三部分进行预处理,主要包括确定当前站场前行油品和后行油品的密度值、混油核心段浓度分布换算处理、混油核心段浓度分布曲线平滑处理;可以理解的,上一站场和当前站场可以根据输油方向进行划分,比如,将输油管道中的其中一个管道输油站定义为当前站场,将输油管道中位于当前站场上游的其中一个管道输油站定义为上一站场;前行油品和后行油品可以理解为在管道中按照时间顺序依次输送的不同油品的两种或多种成品油。
S1.1、确定当前站场前后行油品密度值:
可选的,通过密度计,基于上一站场获取的混油浓度分布完整曲线,分别提取前行油品和后行油品输送至上一站场时的密度值,并计算前行油品和后行油品密度差:
(1)
其中,——上一站场前行油品密度值,kg/m3;/>——上一站场后行油品密度值,kg/m3;/>——前行油品和后行油品密度差,kg/m3。
S1.2、混油核心段浓度分布换算处理:
针对当前站场密度计监测获取的混油密度随时间变化信息,确定当前站场前行油品密度值,结合前行油品和后行油品密度差/>确定当前站场后行油品密度值/>,进而换算得到任意时刻前行油品浓度值/>。
(2)
(3)
其中,——当前站场前行油品密度值,kg/m3;/>——当前站场后行油品密度值,kg/m3;/>——当前站场任意时刻的实测密度值,/>,可以通过密度传感器测量得到;/>——当前站场任意时刻前行油品浓度值,无量纲,可以是任意时刻密度传感器位置处的前行油品的浓度。
S1.3、混油核心段浓度分布曲线平滑处理:
将位于预设范围区域80%-40%内的前行油品浓度设为混油核心段,剩余部分为混油拖尾段。为降低测量过程常见的噪声干扰,需基于Savitzky-Golay滤波算法对混油浓度分布曲线进行平滑处理。假定当前密度计或密度传感器共获取了2m+1个测量点,,令/>与/>分别表征输入变量与输出变量矩阵。采用M阶多项式表征变量Y与变量X间的线性映射关系,式(4)给出了相应表达式,其中,M≤2m+1。线性回归系数为/>,/>为矩阵转置。基于最小二乘方法,可获得回归系数估计值/>的表达式(5)。
(4)
(5)
获得每个时域内多项式的回归系数后,可对混油核心段浓度曲线进行滤波并获得滤波矩阵,其中/>表达式如下:
(6)
其中,y i——第i个样本的浓度值,无量纲;x i——第i个样本的时间,s。
S2、拖尾段拟合函数参数估计:
混油拖尾段拟合函数参数估计是结合混油核心段拟合函数参数值,基于混油核心段到拖尾段数学关联映射,确定混油拖尾段拟合函数参数:
S2.1、确定混油核心段拟合函数参数值:
选取式(7)所示的一元线性函数表征混油核心段浓度随时间变化曲线,参数估计方法如式(5)所示:
(7)
其中,y为前行油品浓度值;x为时间;k和b为拟合参数。
S2.2、混油核心段与拖尾段数学关联映射:
针对混油核心段与拖尾段拟合函数间的数学关联,选取指数函数表征待预测的混油拖尾段浓度分布曲线,将浓度分布预测问题转为关键参数,/>和/>的估计问题,拟合函数表达式如下:
(8)
其中,y为前行油品浓度值;x为时间;exp为以自然常数e为底的指数函数。
采用核心段拟合函数外延预测混油浓度y 1降至40%时对应的时间点x 1,计算极小邻域内时间点x 2对应浓度值y 2,其中/>。基于连续假设,令/>与在x 1及x 2处满足因变量相同,导数相等,可得到表达式:
(9)
(10)
S2.3、估计混油拖尾段拟合函数参数:
基于式(9)和(10),获取,/>和/>的估计值,计算式如下:
(11)
(12)
(13)
S3、混油拖尾段浓度分布预测:
混油拖尾段浓度分布预测是当前行油品浓度降至一定阈值时,阈值需不低于40%,代入/>,/>和/>至/>,即可获得混油拖尾段任意时刻对应浓度值:
(14)
实施例2:
本实施例提供了一种基于历史数据的成品油管道混油浓度分布预测方法,对实施例1中的方法进行进一步解释,具体为:
如图1和图2所示,是前行油品密度和后行油品密度确定方法示意图。如图1所示,针对上一站场,因混油界面已完全过站,站内所安装的密度监测设备可采集到完整的混油密度曲线。选取曲线前后监测值较稳定的曲线段并计算30分钟时域内密度均值,可分别表征在上一站场前后行油品密度值,并计算获得前后行油品密度差。如图2所示,对于当前站场,前行油品密度同样可被感知并作为已知量,而后行油品密度则需基于当前前行油品监测值与前后行油品密度差来计算。
图3和图4展示了两条实际混油浓度曲线全貌。从曲线形状出发,将混油浓度曲线分为三部分,将前行油品混油浓度范围为100%-80%区域定义为混油头部段,前行油品混油浓度范围为80%-40%区域为混油核心段,剩余部分为混油拖尾段。线性段混油浓度下降梯度较为稳定,使得混油浓度曲线在此区域呈线性下降趋势;拖尾段内前后行油品浓度差较大,二者对流传质效应增强,导致混油浓度下降梯度逐渐减小,混油曲线呈明显拖尾特征。
如图5、图6、图7、图8、图9和图10所示,展示了基于Savitzky-Golay算法对6条实际混油浓度曲线进行滤波处理,其中设m=20,M=3。因测量噪声干扰,基于密度计感知的实际混油浓度测量点始终存在波动现象,无法准确表征混油浓度分布真实规律。若直接基于原始测量数据开展数据分析,难以保障混油浓度分布预测结果的可靠性。基于Savitzky-Golay算法对测量点进行平滑处理后,滤波曲线均能有效穿过测量点中间。实验表明对曲线滤波可降低测量噪声对信号曲线的影响,提高测量信号表征实际混油浓度分布曲线的有效性,为后续混油拖尾段浓度分布软测量奠定基础。
表1和表2分别展示了各参数拟合结果与基于决定系数(R 2)表征的混油曲线拟合准确度,R 2计算式(15)如式,其中与/>分别表征第q个样本的真实值与拟合值,/>代表的样本均值。R 2越接近于1,表征拟合效果越佳。
(15)
结合表1可得,拟合参数k和b均在一定范围内波动,并未出现明显离群值,说明拟合函数未发生过拟合现象。拟合曲线与实际混油线性段曲线的决定系数R 2均超过0.99,表明该区域内混油浓度曲线的确呈现明显的线性特征,且选取的一元线性函数能有效表征混油核心段浓度分布;结合表2可得,拟合参数,/>和/>取值范围较为稳定,并未出现过拟合现象,且R 2均超过了0.99。上述实验表明选取的指数函数具备良好拟合混油拖尾段浓度分布规律的能力。
表1 六种工况下核心段参数拟合值与R 2结果
表2 六种工况下拖尾段参数拟合值与R 2结果
令阈值分别为70%、50%及40%,基于实施例中涉及的基于历史数据的成品油管道顺序输送混油拖尾浓度分布软件测量方法,可分别给出对应混油浓度分布预测曲线。可知,当混油浓度实际值降至70%时,外延预测的混油拖尾段曲线相比实际曲线仍有一定偏差。而当混油浓度实测值为50%时,基于时序新增数据更新后的预测曲线能有效表征混油浓度分布规律,且与混油实测浓度值为40%时输出的预测曲线重合度较高,表明将阈值选定50%时,基于混油核心段浓度信息估计拖尾段函数参数值并输出预测曲线的方法是可行的。
表3给出了六种工况下,不同阈值条件下输出的预测曲线指标R 2。以为例,其代表混油浓度实测值降至70%时,基于混油线性区浓度70-80%实测数据,结合式(11)、式(12)和式(13)估计混油拖尾段函数的关键参数,最终外延获得的预测曲线与实际曲线间的R 2值。由表3可知,当设定阈值为70%时,混油拖尾段浓度分布预测曲线的R 2指标通常低于0.95,预测精度仍有待提升;而当阈值设定为50%及40%给出的预测曲线,其R 2指标一般都高于0.99,表明预测结果已较好吻合实际值。
表3 不同阈值条件下混油浓度预测结果R 2
针对上述6种工况,表4给出了6种工况对应成品油管道尺寸信息,以及在配置为i5-11500双核处理器,运行内存8G的常规计算平台上,基于Python 3.7语言开发的成品油管道顺序输送混油拖尾浓度分布软测量方法运算时间。由表可知,针对长距离成品油管道管输混油浓度分布预测问题,现有软测量方法计算耗时极少,可有效满足成品油管道顺序输送混油浓度分布的实时在线仿真需求。对于本领域普通技术人员来讲,采用更高效的编程语言可获得更快速的计算效率。
表5给出了现有三种模型中实验管道尺寸信息及模型仿真时长,由表5和表4中的数据比较可知,现有建模计算速率较慢,难以实现对空间跨度达数百公里的成品油管道管输浓度分布信息的快速仿真。此外,管输混油的在线仿真应与SCADA实时交互,获得在线运行数据,结合仿真模型实现对管道不同工况过程的连续、实时模拟。现有混油信息软测量方法均未能与现场数据实现深度互融,表征精度有待提高。
表4 管道尺寸信息与软测量方法计算耗时
表5 现有模型中管道尺寸信息与模型计算时长
实施例3:
本实施例提供了一种基于历史数据的成品油管道混油浓度分布预测系统,包括:
数据采集模块,被配置为:获取成品油管道上一站场的前行油品和后行油品密度差,以及当前站场的前行油品密度值;
当前站场后行油品密度值计算模块,被配置为:根据上一站场的前行油品和后行油品密度差,以及当前站场的前行油品密度值,计算得到当前站场后行油品密度值;
当前站场任意时刻前行油品浓度值计算模块,被配置为:根据所述当前站场前行油品密度值、所述当前站场后行油品密度值和当前站场任意时刻的实测密度值,计算得到当前站场任意时刻前行油品浓度值;
函数定义模块,被配置为:将位于预设范围区域内的前行油品浓度设为混油核心段,剩余部分为混油拖尾段;将已获取的混油核心段内前行油品浓度随时间变化的曲线拟合为一个参数已知的线性函数;将待预测混油拖尾段内浓度与时间的曲线定义为一个参数未知的指数函数;
参数定义模块,被配置为:基于连续性假设,假设在预设区域内指数函数和线性函数的值相等,从而计算得到指数函数的参数值;
预测模块,被配置为:根据参数确定后的指数函数,对混油拖尾段任意时刻对应的浓度值分布进行预测。
所述系统的工作方法与实施例1的基于历史数据的成品油管道混油浓度分布预测方法相同,这里不再赘述。
实施例4:
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现了实施例1所述的基于历史数据的成品油管道混油浓度分布预测方法的步骤。
实施例5:
本实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现了实施例1所述的基于历史数据的成品油管道混油浓度分布预测方法的步骤。
以上所述仅为本实施例的优选实施例而已,并不用于限制本实施例,对于本领域的技术人员来说,本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本实施例的保护范围之内。
Claims (7)
1.基于历史数据的成品油管道混油浓度分布预测方法,其特征在于,包括:
获取成品油管道上一站场的前行油品和后行油品密度差,以及当前站场的前行油品密度值;
根据上一站场的前行油品和后行油品密度差,以及当前站场的前行油品密度值,计算得到当前站场后行油品密度值,其中,通过密度计,基于上一站场获取的混油浓度分布完整曲线,分别提取前行油品和后行油品输送至上一站场时的密度值,并计算前行油品和后行油品密度差:
其中,——上一站场前行油品密度值,kg/m3;/>——上一站场后行油品密度值,kg/m3;/>——前行油品和后行油品密度差,kg/m3;
针对当前站场密度计监测获取的混油密度随时间变化信息,确定当前站场前行油品密度值,结合前行油品和后行油品密度差/>确定当前站场后行油品密度值/>:
其中,——当前站场前行油品密度值,kg/m3;/>——当前站场后行油品密度值,kg/m3;
根据所述当前站场前行油品密度值、所述当前站场后行油品密度值和当前站场任意时刻的实测密度值,计算得到当前站场任意时刻前行油品浓度值;
所述当前站场任意时刻前行油品浓度值,等于1减去待计算比值的差值;所述待计算比值等于所述当前站场前行油品密度值减去所述当前站场任意时刻的实测密度值的差值,再比上所述当前站场前行油品密度值减去所述当前站场后行油品密度值差值的比值:
其中,——当前站场任意时刻的实测密度值,/>,通过密度传感器测量得到;——当前站场任意时刻前行油品浓度值,无量纲,任意时刻密度传感器位置处的前行油品的浓度;
将位于预设范围区域内的前行油品浓度设为混油核心段,剩余部分为混油拖尾段;将已获取的混油核心段内前行油品浓度随时间变化的曲线拟合为一个参数已知的线性函数;将待预测混油拖尾段内浓度与时间的曲线定义为一个参数未知的指数函数,其中,拟合的具体操作为:
将位于预设范围区域80%-40%内的前行油品浓度设为混油核心段,剩余部分为混油拖尾段,假定当前密度计或密度传感器共获取了2m+1个测量点,,令与/>分别表征输入变量与输出变量矩阵,采用M阶多项式表征变量Y与变量X间的线性映射关系:/>,其中,M≤2m+1,线性回归系数为/>,/>为矩阵转置,基于最小二乘方法,获得回归系数估计值/>的表达式:
获得每个时域内多项式的回归系数后,对混油核心段浓度曲线进行滤波并获得滤波矩阵,其中/>表达式如下:
其中,y i——第i个样本的浓度值,无量纲;x i——第i个样本的时间;
基于连续性假设,假设在预设区域内指数函数和线性函数的值相等,从而计算得到指数函数的参数值;
根据参数确定后的指数函数,对混油拖尾段任意时刻对应的浓度值分布进行预测;
具体的:
选取一元线性函数表征混油核心段浓度随时间变化曲线:
其中,y为前行油品浓度值;x为时间;k和b为拟合参数;
针对混油核心段与拖尾段拟合函数间的数学关联,选取指数函数表征待预测的混油拖尾段浓度分布曲线,将浓度分布预测问题转为关键参数,/>和/>的估计问题,拟合函数表达式如下:
其中,y为前行油品浓度值;x为时间;exp为以自然常数e为底的指数函数;
采用核心段拟合函数外延预测混油浓度y 1降至40%时对应的时间点x 1,计算极小邻域内时间点x 2对应浓度值y 2,其中/>,基于连续假设,令/>与/>在x 1及x 2处满足因变量相同,导数相等,可得到表达式:
获取,/>和/>的估计值,计算式如下:
混油拖尾段浓度分布预测是当前行油品浓度降至一定阈值时,阈值需不低于40%,代入/>,/>和/>至/>,即可获得混油拖尾段任意时刻对应浓度值:
;
其中,将混油核心段内前行油品浓度随时间变化的曲线拟合为线性函数前,对曲线进行平滑处理,具体的:基于滤波算法对曲线进行平滑处理,包括:
根据测量点确定输入变量矩阵与输出变量矩阵;采用多项式表征输入变量矩阵与输出变量矩阵间的线性映射关系表达式;
基于最小二乘方法,获得线性映射关系表达式中每个时域内线性回归系数的估计值;
获得每个时域内多项式的线性回归系数后,对曲线进行滤波并获得滤波矩阵。
2.如权利要求1所述的基于历史数据的成品油管道混油浓度分布预测方法,其特征在于,所述当前站场后行油品密度值,等于所述当前站场的前行油品密度值与所述上一站场的前行油品和后行油品密度差的差值。
3.如权利要求1所述的基于历史数据的成品油管道混油浓度分布预测方法,其特征在于,采用线性函数外延预测混油浓度降至预设百分比对应的第一浓度值,以及对应的第一时间点;计算第一时间点预设邻域内第二时间点对应的第二浓度值;基于连续假设,假设线性函数和指数函数在第一时间点和第二时间点处满足因变量相同和导数相等。
4.如权利要求3所述的基于历史数据的成品油管道混油浓度分布预测方法,其特征在于,根据线性函数和指数函数在第一时间点和第二时间点处满足因变量相同和导数相等的假设,将第一时间点和第二时间点分别带入线性函数和指数函数,计算得到指数函数的未知参数。
5.基于历史数据的成品油管道混油浓度分布预测系统,其特征在于,包括:
数据采集模块,被配置为:获取成品油管道上一站场的前行油品和后行油品密度差,以及当前站场的前行油品密度值;
当前站场后行油品密度值计算模块,被配置为:根据上一站场的前行油品和后行油品密度差,以及当前站场的前行油品密度值,计算得到当前站场后行油品密度值,其中,通过密度计,基于上一站场获取的混油浓度分布完整曲线,分别提取前行油品和后行油品输送至上一站场时的密度值,并计算前行油品和后行油品密度差:
其中,——上一站场前行油品密度值,kg/m3;/>——上一站场后行油品密度值,kg/m3;/>——前行油品和后行油品密度差,kg/m3;
针对当前站场密度计监测获取的混油密度随时间变化信息,确定当前站场前行油品密度值,结合前行油品和后行油品密度差/>确定当前站场后行油品密度值/>:
其中,——当前站场前行油品密度值,kg/m3;/>——当前站场后行油品密度值,kg/m3;
当前站场任意时刻前行油品浓度值计算模块,被配置为:根据所述当前站场前行油品密度值、所述当前站场后行油品密度值和当前站场任意时刻的实测密度值,计算得到当前站场任意时刻前行油品浓度值;
所述当前站场任意时刻前行油品浓度值,等于1减去待计算比值的差值;所述待计算比值等于所述当前站场前行油品密度值减去所述当前站场任意时刻的实测密度值的差值,再比上所述当前站场前行油品密度值减去所述当前站场后行油品密度值差值的比值:
其中,——当前站场任意时刻的实测密度值,/>,通过密度传感器测量得到;——当前站场任意时刻前行油品浓度值,无量纲,任意时刻密度传感器位置处的前行油品的浓度;
函数定义模块,被配置为:将位于预设范围区域内的前行油品浓度设为混油核心段,剩余部分为混油拖尾段;将已获取的混油核心段内前行油品浓度随时间变化的曲线拟合为一个参数已知的线性函数;将待预测混油拖尾段内浓度与时间的曲线定义为一个参数未知的指数函数,其中,拟合的具体操作为:
将位于预设范围区域80%-40%内的前行油品浓度设为混油核心段,剩余部分为混油拖尾段,假定当前密度计或密度传感器共获取了2m+1个测量点,,令与/>分别表征输入变量与输出变量矩阵,采用M阶多项式表征变量Y与变量X间的线性映射关系:/>,其中,M≤2m+1,线性回归系数为/>,/>为矩阵转置,基于最小二乘方法,获得回归系数估计值/>的表达式:
获得每个时域内多项式的回归系数后,对混油核心段浓度曲线进行滤波并获得滤波矩阵,其中/>表达式如下:
其中,y i——第i个样本的浓度值,无量纲;x i——第i个样本的时间;
参数定义模块,被配置为:基于连续性假设,假设在预设区域内指数函数和线性函数的值相等,从而计算得到指数函数的参数值;
预测模块,被配置为:根据参数确定后的指数函数,对混油拖尾段任意时刻对应的浓度值分布进行预测;
具体的:
选取一元线性函数表征混油核心段浓度随时间变化曲线:
其中,y为前行油品浓度值;x为时间;k和b为拟合参数;
针对混油核心段与拖尾段拟合函数间的数学关联,选取指数函数表征待预测的混油拖尾段浓度分布曲线,将浓度分布预测问题转为关键参数,/>和/>的估计问题,拟合函数表达式如下:
其中,y为前行油品浓度值;x为时间;exp为以自然常数e为底的指数函数;
采用核心段拟合函数外延预测混油浓度y 1降至40%时对应的时间点x 1,计算极小邻域内时间点x 2对应浓度值y 2,其中/>,基于连续假设,令/>与/>在x 1及x 2处满足因变量相同,导数相等,可得到表达式:
获取,/>和/>的估计值,计算式如下:
混油拖尾段浓度分布预测是当前行油品浓度降至一定阈值时,阈值需不低于40%,代入/>,/>和/>至/>,即可获得混油拖尾段任意时刻对应浓度值:
;
其中,将混油核心段内前行油品浓度随时间变化的曲线拟合为线性函数前,对曲线进行平滑处理,具体的:基于滤波算法对曲线进行平滑处理,包括:
根据测量点确定输入变量矩阵与输出变量矩阵;采用多项式表征输入变量矩阵与输出变量矩阵间的线性映射关系表达式;
基于最小二乘方法,获得线性映射关系表达式中每个时域内线性回归系数的估计值;
获得每个时域内多项式的线性回归系数后,对曲线进行滤波并获得滤波矩阵。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现了如权利要求1-4任一项所述的基于历史数据的成品油管道混油浓度分布预测方法的步骤。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现了如权利要求1-4任一项所述的基于历史数据的成品油管道混油浓度分布预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310586423.5A CN116341764B (zh) | 2023-05-24 | 2023-05-24 | 基于历史数据的成品油管道混油浓度分布预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310586423.5A CN116341764B (zh) | 2023-05-24 | 2023-05-24 | 基于历史数据的成品油管道混油浓度分布预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116341764A CN116341764A (zh) | 2023-06-27 |
CN116341764B true CN116341764B (zh) | 2023-09-26 |
Family
ID=86884376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310586423.5A Active CN116341764B (zh) | 2023-05-24 | 2023-05-24 | 基于历史数据的成品油管道混油浓度分布预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341764B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1585305A (en) * | 1976-12-06 | 1981-02-25 | Texaco Development Corp | Detection of impurities in fluid flowing in refinery pipeline or oil production operations using nuclear techniques |
CN102606887A (zh) * | 2011-01-25 | 2012-07-25 | 中国石油天然气集团公司 | 一种成品油管道顺序输送混油界面位置的判定方法 |
CN104603411A (zh) * | 2012-09-13 | 2015-05-06 | 株式会社小松制作所 | 废气处理装置、柴油发动机以及废气处理方法 |
MX2014015226A (es) * | 2014-12-11 | 2016-06-10 | Inst Mexicano Del Petróleo | Liquidos zwitterionicos geminales base sulfobetaina e hidroxisultaina, proceso de obtencion y uso como modificadores de la mojabilidad con propiedades inhibitorias de la corrosion. |
CN106764448A (zh) * | 2015-11-20 | 2017-05-31 | 中国石油化工股份有限公司 | 一种成品油顺序输送混油段切割方法 |
CN107524921A (zh) * | 2017-08-09 | 2017-12-29 | 中国石油大学(北京) | 成品油顺序输送管道混油界面跟踪方法及装置 |
CN112459775A (zh) * | 2020-11-26 | 2021-03-09 | 中国石油天然气集团有限公司 | 一种剩余油分散程度表征方法 |
CN114593369A (zh) * | 2020-12-04 | 2022-06-07 | 中国石油化工股份有限公司 | 成品油混油切割方法及装置 |
CN115600516A (zh) * | 2022-09-30 | 2023-01-13 | 国家石油天然气管网集团有限公司(Cn) | 一种混油界面位置追踪方法、装置、电子设备及介质 |
CN116009398A (zh) * | 2022-12-27 | 2023-04-25 | 国家石油天然气管网集团有限公司华南分公司 | 一种汽柴油混油段分割方法及相关装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10996210B2 (en) * | 2018-01-02 | 2021-05-04 | Transportation Ip Holdings, Llc | Vehicle system with sensor probe assembly for monitoring oil health |
JP5981083B1 (ja) * | 2015-02-17 | 2016-08-31 | アクトファイブ株式会社 | 油分濃度計測装置及び油分濃度計測方法 |
US10430725B2 (en) * | 2016-06-15 | 2019-10-01 | Akw Analytics Inc. | Petroleum analytics learning machine system with machine learning analytics applications for upstream and midstream oil and gas industry |
-
2023
- 2023-05-24 CN CN202310586423.5A patent/CN116341764B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1585305A (en) * | 1976-12-06 | 1981-02-25 | Texaco Development Corp | Detection of impurities in fluid flowing in refinery pipeline or oil production operations using nuclear techniques |
CN102606887A (zh) * | 2011-01-25 | 2012-07-25 | 中国石油天然气集团公司 | 一种成品油管道顺序输送混油界面位置的判定方法 |
CN104603411A (zh) * | 2012-09-13 | 2015-05-06 | 株式会社小松制作所 | 废气处理装置、柴油发动机以及废气处理方法 |
MX2014015226A (es) * | 2014-12-11 | 2016-06-10 | Inst Mexicano Del Petróleo | Liquidos zwitterionicos geminales base sulfobetaina e hidroxisultaina, proceso de obtencion y uso como modificadores de la mojabilidad con propiedades inhibitorias de la corrosion. |
CN106764448A (zh) * | 2015-11-20 | 2017-05-31 | 中国石油化工股份有限公司 | 一种成品油顺序输送混油段切割方法 |
CN107524921A (zh) * | 2017-08-09 | 2017-12-29 | 中国石油大学(北京) | 成品油顺序输送管道混油界面跟踪方法及装置 |
CN112459775A (zh) * | 2020-11-26 | 2021-03-09 | 中国石油天然气集团有限公司 | 一种剩余油分散程度表征方法 |
CN114593369A (zh) * | 2020-12-04 | 2022-06-07 | 中国石油化工股份有限公司 | 成品油混油切割方法及装置 |
CN115600516A (zh) * | 2022-09-30 | 2023-01-13 | 国家石油天然气管网集团有限公司(Cn) | 一种混油界面位置追踪方法、装置、电子设备及介质 |
CN116009398A (zh) * | 2022-12-27 | 2023-04-25 | 国家石油天然气管网集团有限公司华南分公司 | 一种汽柴油混油段分割方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
杨超 ; 李彦兰 ; 徐兵祥 ; 赵庆兵 ; .油水相对渗透率曲线非线性优化校正新方法及其应用.石油与天然气地质.2013,(第03期),全文. * |
油水相对渗透率曲线非线性优化校正新方法及其应用;杨超;李彦兰;徐兵祥;赵庆兵;;石油与天然气地质(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116341764A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104537034A (zh) | 基于时间序列分析的输变电设备的状态监测数据清洗方法 | |
Gwiazda et al. | Structured population equations in metric spaces | |
CN109491242B (zh) | 一种最优控制问题直接离散求解的网格重构方法 | |
CN116341764B (zh) | 基于历史数据的成品油管道混油浓度分布预测方法及系统 | |
Kohatsu-Higa et al. | Approximations of non-smooth integral type functionals of one dimensional diffusion processes | |
CN111553060B (zh) | 基于类噪声扰动的电网惯量常态化连续估计方法 | |
CN112836176A (zh) | 一种曲线拟合的优化方法、存储介质、电子设备及系统 | |
CN109753634B (zh) | 基于历史数据稳态值的动态系统增益估计方法 | |
CN111724203B (zh) | 基于多重回归模型的产品加工价格预估方法及系统 | |
EP3692362A1 (de) | Verfahren zur bestimmung der geometrie einer fehlstelle und zur bestimmung einer belastbarkeitsgrenze | |
CN114593369A (zh) | 成品油混油切割方法及装置 | |
CN111539545B (zh) | 油温预测方法和装置、计算机可读存储介质 | |
Kushwaha | Software cost estimation using the improved fuzzy logic framework | |
CN116258266A (zh) | 一种管理环保设备的方法、系统、设备及介质 | |
Бабчук et al. | Mathematical model dependencies baud rate from the length of the specialized digital network CANopen | |
CN116822999B (zh) | 成品油管道混油界面后行油品监测密度预测方法及系统 | |
CN115117884A (zh) | 电力系统暂态稳定域边界的计算方法 | |
CN110956675B (zh) | 技术成熟度曲线自动生成方法及装置 | |
CN116825230A (zh) | 基于曲线参数化的成品油管道混油浓度预测方法及系统 | |
Moonchai et al. | A new approach to improve accuracy of grey model GMC (1, n) in time series prediction | |
CN112749469A (zh) | 原油管道监控方法和装置、计算机可读存储介质 | |
EP1777505A1 (de) | Virtuelle Temperaturmessstelle | |
Kyo et al. | A Bayesian approach for analyzing the dynamic dependence of GDP on the unemployment rate in Japan | |
El Jai et al. | Correction of the production master plan according to preventive maintenance constraints and equipments degradation state | |
Aptekarev et al. | Varying weights for orthogonal polynomials with monotonically varying recurrence coefficients |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |