基于机器学习的原油管输能耗预测方法研究

摘要

准确的短期能耗预测是原油管道能耗管理的重要依据,有助于能耗目标设定、调度优化和机组组合。原油管道能耗主要体现在泵机组上消耗的电能,因此,有必要对原油管道电耗展开准确预测。传统预测方法通常忽略数据噪声干扰,对数据非线性特征的研究也不够深入,上述因素使原油管道能耗预测变得复杂。因此,提出一种将分解技术、分层抽样、改进粒子群算法和反向传播神经网络相结合的混合预测模型,模型由数据预处理、优化、预测和评价4个部分组成。采用数据分解技术去除冗余噪声,提取数据的主要特征;采用分层抽样对数据集进行划分,避免随机抽样引起的样本偏差;将改进粒子群算法优化后的反向传播神经网络作为预测器。针对我国3条原油管道,对提出的模型展开准确性评价,平均绝对百分误差分别为4.02%、3.58%和3.88%。研究表明,相比几种主流机器学习和SPS软件内的能耗预测模块,提出的预测模型具有较高的预测精度和较强的泛化能力,能被用于原油管道短期电耗预测。