于 濤，展明達，張文瑄，胡 靜

（1.國家管網(wǎng)生產(chǎn)經(jīng)營本部（油氣調(diào)控中心），北京100013；2.北京中油瑞飛信息技術(shù)有限責(zé)任公司，北京100007）

長輸高含蠟原油管道沿線油溫是最重要的控制參數(shù)。日常運行過程中，工藝調(diào)整、異常工況停爐、清管前熱洗等作業(yè)均可導(dǎo)致上游站場出站油溫變化。上游出站油溫變化一般可短時間達到平衡，但下游進站油溫經(jīng)過沿線熱損、冷熱油界面摻混等達到相對穩(wěn)定的時間較長。實際生產(chǎn)過程中，節(jié)能降耗需要控制全線油溫一般高于油品凝點3～5℃，若加熱爐故障停爐可導(dǎo)致管道下游進站油溫過低，不能滿足運行規(guī)程要求，增大運行風(fēng)險。此外，每次清管前啟爐熱洗管道的時間無法實現(xiàn)精準(zhǔn)控制，不利于節(jié)能降耗工作的開展?？梢姡蜏胤欠€(wěn)態(tài)過程的準(zhǔn)確預(yù)測，可有效指導(dǎo)管道的工藝調(diào)整、節(jié)能降耗及維搶修工作的開展，具有重要的工程意義。

目前學(xué)者對原油管道非穩(wěn)態(tài)油溫的研究主要有兩種方法，一是解析法，利用熱力學(xué)理論公式，將管道劃分區(qū)域，建立預(yù)測模型，如王海琴[1]建立含蠟原油熱輸管道沿程溫度分布的計算公式。二是數(shù)值計算法，結(jié)合熱力學(xué)公式，實現(xiàn)沿線油溫的預(yù)測，如姜篤志[2]采用雙極坐標(biāo)保角變換的方法，提出熱油管道非穩(wěn)定熱力過程計算方法；B.Yu等[3-4]通過引入熱力影響區(qū)，采用非結(jié)構(gòu)化網(wǎng)絡(luò)和有限元容積法對不同月份、不同流量和不同出站油溫下的工況進行較為準(zhǔn)確的模擬。以上學(xué)者對熱油管道非穩(wěn)態(tài)油溫研究取得一定成果，但因需要較為準(zhǔn)確的油品物性、沿線溫度場等參數(shù)，使用數(shù)值分析法時，對管道、結(jié)蠟層及土壤導(dǎo)熱系數(shù)等一系列參數(shù)的獲得難度較大，且建立模型時邊界條件和初始條件的設(shè)定[5-7]導(dǎo)致模型的使用具有一定的局限性，實際生產(chǎn)適用性較差。目前長輸管道均采用SCADA系統(tǒng)遠程調(diào)控，現(xiàn)有的非穩(wěn)態(tài)油溫預(yù)測模型很難融入大數(shù)據(jù)平臺，實現(xiàn)對油溫的有效預(yù)測。對此需探索研究適應(yīng)性強、準(zhǔn)確率高的預(yù)測模型，便于當(dāng)前長輸管道實時參數(shù)預(yù)測及智能化控制的推廣應(yīng)用。

隨著計算機科學(xué)技術(shù)的發(fā)展，數(shù)據(jù)挖掘技術(shù)逐漸被認可，并進行了深入研究與應(yīng)用。近年來已有不少學(xué)者將大數(shù)據(jù)挖掘技術(shù)應(yīng)用到工程實際中，如電力負荷預(yù)測[8-9]、航空等[10-11]，不僅實現(xiàn)設(shè)備工況的診斷監(jiān)測[12-13]，還通過對生產(chǎn)數(shù)據(jù)的分析挖掘，有效發(fā)現(xiàn)潛在生產(chǎn)規(guī)律，提高生產(chǎn)效率。其中，石油行業(yè)大數(shù)據(jù)在油田勘探開發(fā)[14-18]、石油煉化[19-20]、管道內(nèi)檢測、泄漏監(jiān)測等方面廣泛應(yīng)用[21-22]，在提升油田采收率、優(yōu)化煉化裝置設(shè)備流程及管道完整性等方面發(fā)揮重要作用。但是大數(shù)據(jù)挖掘技術(shù)在建立原油管道非穩(wěn)態(tài)油溫與其影響因素的關(guān)系研究中，仍處于空白。

本研究通過分析HY熱油管道上游站場啟、停爐與下游進站相應(yīng)的油溫變化趨勢，獲得其數(shù)列對應(yīng)關(guān)系。分析數(shù)據(jù)特點，給出上下游站場非穩(wěn)態(tài)油溫變化數(shù)據(jù)特點與時間控制范圍。研究管道SCADA系統(tǒng)采集的油溫、地溫、流量等參數(shù)與油溫的相關(guān)性，確定非穩(wěn)態(tài)油溫的影響因子。提出使用seq2seq算法建立非穩(wěn)態(tài)油溫與影響因素的映射關(guān)系，實現(xiàn)下游進站油溫變化趨勢的準(zhǔn)確預(yù)測。

1 方法與理論

1.1 seq2seq模型

seq2seq是RNN最重要的一個變種，解決了RNN結(jié)構(gòu)的“長期依賴”問題。該模型也可稱為Encoder-Decoder模型，先通過Encoder過程將輸入數(shù)據(jù)編碼形成向量，再利用RNN模型進行解密，即Decoder過程，其結(jié)構(gòu)示意如圖1所示。

圖1 seq2seq模型結(jié)構(gòu)示意Fig.1 Schematic diagram of seq2seq model structure

x、y、h分別表示輸入變量、輸出變量和隱變量，向量C表示編碼器的輸出。假設(shè)模型當(dāng)前的隱變量與上一時刻的隱變量和當(dāng)前的輸入x有關(guān)，在編碼階段，得到各個隱藏層的輸出，然后匯總生成向量，也可將最后一層隱藏層作為輸出向量C→：

將向量C→送入解碼部分，根據(jù)給定的向量C→和輸出序列y1，y2，…，yi-1來預(yù)測下一個數(shù)據(jù)yi，即：

通過式（1）、（2）實現(xiàn) seq2seq的編碼、解碼過程。由于seq2seq模型的結(jié)構(gòu)不限制輸入和輸出的序列長度，被廣泛應(yīng)用于機器翻譯、語音識別等領(lǐng)域。本文模型隱層內(nèi)部結(jié)構(gòu)采用K.Cho等[23]提出的著名變種門控循環(huán)單元（Gated Recurrent Unit，GRU）（見圖 2）。

圖2 GRU結(jié)構(gòu)示意Fig.2 Schematic diagram of GRU structure

GRU模型有兩個門，分別為更新門和重置門，即圖中的zt和rt，如式（3）、（4）所示。

更新門用于控制前一時刻狀態(tài)信息被當(dāng)前狀態(tài)利用的程度，更新門的值越大，表示利用程度越高；重置門用于控制前一時刻信息被當(dāng)前狀態(tài)忽略的程度，重置門的值越小，表示忽略得越多。兩個門的結(jié)果通過sigmoid函數(shù)獲得，值域為[0，1]。

隱含狀態(tài)ht通過更新門zt對上一隱含狀態(tài)ht-1和候選隱含狀態(tài)進行更新。更新門控制過去隱含狀態(tài)在t時刻的重要性，若更新門近似1，t時刻前的隱含狀態(tài)將通過時間一直保存并傳遞至t時刻，從而避免RNN中梯度衰減問題，捕捉時序數(shù)據(jù)間隔較大的依賴關(guān)系。

1.2 注意力機制

因seq2seq模型的Encoder輸入?yún)?shù)壓縮成固定長度的向量，若輸入?yún)?shù)較多，導(dǎo)致誤差增大，對此崔宇等[24]提出了注意力機制，其編碼時仍然是將輸入序列依次輸入編碼用的RNN，并記錄每一時刻的隱藏狀態(tài)ht，而編碼器輸出的中間碼就是所有這些隱藏狀態(tài)ht的集合，之后使用RNN解碼，以第i時刻為例，其框架（見圖3）及計算過程如下：

圖3 注意力權(quán)重分配Fig.3 Attention weight distribution diagram

（1）計算C→中各值與上一時刻隱藏層狀態(tài)si-1之間的相關(guān)程度eij，并進行softmax歸一化得到每個值的權(quán)重aij，見式（7）、（8）：

（2）對C→中各值進行加權(quán)平均求得i時刻的二次中間碼C→i，見式（9）：

（3）基于C→i和上一時刻的隱藏狀態(tài)si-1、輸出yi-1，計算i時刻的隱藏狀態(tài)si，再利用si計算i時刻的輸出yi：

首先，單獨計算si-1與每個隱層狀態(tài)h的每一個數(shù)值，再通過softmax獲得i數(shù)據(jù)對應(yīng)的Tx個編碼時隱層狀態(tài)內(nèi)的注意力權(quán)重分配，從而求出C→i分配向量權(quán)重。

1.3 基于注意力機制的seq2seq模型

注意力機制可將模型在解碼過程中的隱層數(shù)據(jù)進行權(quán)重分配，從而提高seq2seq模型的預(yù)測準(zhǔn)確性和訓(xùn)練效率，其模型結(jié)構(gòu)如圖4所示。

圖4 基于注意力機制的seq2seq模型Fig.4 seq2seq model based on attention mechanism

輸油管道上游出站油溫的調(diào)整存在穩(wěn)態(tài)→非穩(wěn)態(tài)→穩(wěn)態(tài)過程，該過程時間較短，待冷熱油到達下游站場后其也存在穩(wěn)態(tài)→非穩(wěn)態(tài)→穩(wěn)態(tài)過程，這個過程因油品沿線運移的原因持續(xù)時間較長。對此可將該過程看成兩個序列的對應(yīng)關(guān)系，建立基于注意力機制的seq2seq非穩(wěn)態(tài)油溫預(yù)測模型。

2 實驗

2.1 HY熱油管道特性

HY長輸熱油管道，主要外輸長慶油田高含蠟原油（見表1），管道全長132.1 km，管徑Φ457 mm，設(shè)計壓力6.3 MPa（局部10 MPa），設(shè)計流量為500×104t/a，全線共設(shè) 4座站場，其中，1#首站-2#熱站間距為56.60 km，2#熱站-3#熱站間距為39.45 km,3#熱站-4#末站間距為36.05 km。

根據(jù)HY熱油管道沿線地溫和油品物性特點，管道采用綜合熱處理、熱處理、加熱和常溫輸送4種不同工藝，全年啟爐時間達到6個多月?？梢?，若管道上游站場啟停爐，冷、熱油到達下游站場的非穩(wěn)態(tài)過程是管道維搶修和日常安全優(yōu)化的重點。

2.2 停爐后油溫數(shù)據(jù)分析

根據(jù)以往加熱爐工況調(diào)整記錄，本文選取HY兩次停爐后，上游出站油溫、下游進站油溫數(shù)據(jù)變化趨勢進行分析（見圖5）。

表1 管道外輸油品物性Table 1 Physical properties of oil products outside the pipeline

管道站場停爐后加熱爐內(nèi)爐膛溫度隨著低溫油品的冷卻，出站油溫降低，達到平衡、穩(wěn)定的時間約為15 min。由于熱油溫度高于管道沿線溫度場溫度，在徑向溫差的作用下，油流所攜帶的熱量不斷向周圍環(huán)境換熱，管內(nèi)油溫沿著軸向呈指數(shù)遞減規(guī)律分布，最終到達下游站場進站油溫達到穩(wěn)定的時間較長。上游加熱爐停用后，冷油到達下游站場達到穩(wěn)定的時間約為24 h，但不同流量、不同管道距離達到穩(wěn)態(tài)的時間不同。因下游進站油溫與管道流量、沿線地溫、油溫等參數(shù)有關(guān)，實際生產(chǎn)中很難通過解析法或數(shù)值分析法獲得較為準(zhǔn)確的預(yù)測數(shù)據(jù)。

圖5 加熱爐停爐上下游油溫趨勢Fig.5 The trend of oil temperature in the upstream and downstream of the furnace shutdown

2.3 模型影響因子

崔慧[7]研究過程中采用的參數(shù)獲取難度大且有可變性，影響模型的推廣應(yīng)用。本文從SCADA系統(tǒng)采集的生產(chǎn)數(shù)據(jù)進行相關(guān)性分析，結(jié)合蘇霍夫油溫計算公式，使用相關(guān)性公式（見式（12）），計算確定影響因子及其相關(guān)度。

式中，η為X與Y的相關(guān)系數(shù)；cov（X，Y）為X與Y的協(xié)方差；var（X）為X的方差；var（Y）為Y的方差。

根據(jù)式（1），對下游站場進站油溫與上游出站油溫、上游地溫、下游地溫、流量、管道沿線摩阻等參數(shù)進行相關(guān)性分析（見圖6）。

圖6 下游站場進站油溫相關(guān)性分析Fig.6 Correlation analysis of oil temperature at the downstream station

上游出站油溫、地溫，下游地溫，管道流量對下游進站非穩(wěn)態(tài)油溫的相關(guān)性較大，其中上游出站油溫相關(guān)度最大為0.89，上下游地溫的相關(guān)度分別為0.59和0.56，流量的相關(guān)度為0.29，即上游油溫對下游非穩(wěn)態(tài)油溫的影響最大。沿線摩阻相關(guān)度較小，為0.07，可見管輸油品黏度、管壁結(jié)蠟等參數(shù)對下游進站油溫有一定影響。由于非穩(wěn)態(tài)過程時間較短，沿線摩阻參數(shù)變化較小，本研究將其忽略。即將上游出站油溫、上下游地溫和流量4個參數(shù)作為非穩(wěn)態(tài)油溫模型的影響因子。

2.4 數(shù)據(jù)下載與處理

選取HY熱油管道樣本數(shù)據(jù)，包括該管道,3個管段的上游啟、停加熱爐，下游的非穩(wěn)態(tài)油溫變化數(shù)據(jù)（見表2）作為模型訓(xùn)練集。

表2 管道樣本數(shù)據(jù)庫Table 2 Pipeline sample database

可見上游出站油溫和下游進站油溫的數(shù)據(jù)密度分別為10個/min和2個/min數(shù)據(jù)點，數(shù)據(jù)量分別為150個和2 880個點。即通過建立模型，實現(xiàn)上游出站油溫為150個數(shù)據(jù)點與下游進站油溫2 880個數(shù)據(jù)點的映射關(guān)系。采用Min-Max算法對數(shù)據(jù)進行歸一化預(yù)處理，如式（13）所示：

式中，xmax為樣本數(shù)據(jù)的最大值；xmin為樣本數(shù)據(jù)的最小值。

2.5 非穩(wěn)態(tài)油溫預(yù)測模型構(gòu)建

基于注意力機制的seq2seq模型（見圖4），結(jié)合非穩(wěn)態(tài)油溫的影響因素，令yt和xt分別為t時刻模型的輸出和輸入，xt，yt可以表示為：

非穩(wěn)態(tài)油溫預(yù)測模型架構(gòu)如圖7所示：

圖7 非穩(wěn)態(tài)油溫預(yù)測模型架構(gòu)Fig.7 Unsteady oil temperature prediction model architecture

流程如下：

（1）利用相關(guān)系數(shù)公式，獲得下游進站油溫的影響因素，并將影響因素作為后續(xù)模型的輸入?yún)?shù)。

（2）根據(jù)管道上游出站油溫特點，確定數(shù)據(jù)密度并通過SCADA系統(tǒng)下載相關(guān)數(shù)據(jù)。

（3）對數(shù)據(jù)進行預(yù)處理，剔除異常跳變值，同時進行歸一化處置，即將不同表征的油溫、地溫及流量數(shù)據(jù)規(guī)約到相同的尺度內(nèi)。

（4）基于注意力機制的seq2seq算法建立非穩(wěn)態(tài)油溫預(yù)測模型。使用TensorFlow搭建預(yù)測模型，隱藏層使用GRU結(jié)構(gòu)，利用Python語言編寫相關(guān)程序，采用RMSprop優(yōu)化算法。

（5）將構(gòu)建訓(xùn)練好的模型用于實際生產(chǎn)預(yù)測，并對模型進行評價。

2.5 模型精度評價

本文采用均方根誤差（RMSE）和相關(guān)性系數(shù)（R）兩種方法評估模型精度，如式（14）、（15）所示。使用絕對誤差和相對誤差分析油溫的預(yù)測值與真實值。

式中，xi和x?i分別為真實值和預(yù)測值和?分別為真實值和預(yù)測值的平均值；N為樣本數(shù)。

3 結(jié)果和分析

3.1 模型評價

對比增加注意力機制前后模型訓(xùn)練耗時和精度，結(jié)果如表3所示。由表3可見，增加注意力機制后的seq2seq模型，訓(xùn)練耗時大幅度降低，使模型的訓(xùn)練更加高效快捷。

表3 模型訓(xùn)練對比Table 3 Model training comparison

3.2 模型評價

利用訓(xùn)練完成的非穩(wěn)態(tài)油溫預(yù)測模型，預(yù)測HY原油管道2#熱站至3#熱站啟、停爐后下游進站油溫趨勢。根據(jù)管道實際生產(chǎn)數(shù)據(jù)和預(yù)測數(shù)據(jù)分析評估模型的實際應(yīng)用效果（見表4，圖8、9）。

可見，上游站場啟、停加熱爐，所產(chǎn)生的熱油、冷油到達下游站場后，油溫經(jīng)過24 h后達到穩(wěn)態(tài)。期間油溫的預(yù)測值與真實值的擬合度較高，誤差為±0.2℃。油溫在啟爐工況的非穩(wěn)態(tài)過程中，預(yù)測值與真實值的R、RMSE分別為0.96、0.11；停爐工況的預(yù)測值與真實值的R、RMSE分別為0.99，0.09。預(yù)測值的趨勢圖平滑，有利于分析油溫發(fā)展趨勢。因此，通過seq2seq算法建立的非穩(wěn)態(tài)油溫預(yù)測模型，可實現(xiàn)熱油管道下游站場進站油溫的非穩(wěn)態(tài)預(yù)測，且具有模型預(yù)測準(zhǔn)確性高，適于推廣應(yīng)用等特點。

表4 啟停爐工況運行參數(shù)及預(yù)測誤差對比Table 4 Comparison of operating parameters and prediction errors of start-stop furnaces

圖8 上游啟、停爐后下游進站油溫趨勢預(yù)測及誤差對比Fig.8 Trend prediction and error comparison of oil temperature in upstream and downstream stations after furnace start-up and shutdown

圖9 啟、停爐預(yù)測值與真實值相關(guān)性對比Fig.9 Comparison of correlation between predicted value and real value of start-up and shut-down

4 結(jié) 論

研究長輸熱油管道上游站場啟、停加熱爐后，冷、熱油到達管道下游站場的非穩(wěn)態(tài)過程，提出了一種基于注意力機制的seq2seq算法的非穩(wěn)態(tài)油溫預(yù)測模型，通過研究得出：

（1）采用相關(guān)性公式分析油溫的影響因素，獲得不同參數(shù)對油溫的相關(guān)度，為后續(xù)管道生產(chǎn)工藝調(diào)整所需關(guān)注的重點參數(shù)提供理論支撐。

（2）增加注意力機制的seq2seq非穩(wěn)態(tài)油溫預(yù)測模型，其訓(xùn)練速度和精度更高。將訓(xùn)練完成的模型應(yīng)用于實際油溫預(yù)測，預(yù)測結(jié)果與實際數(shù)據(jù)相關(guān)性好，可實現(xiàn)非穩(wěn)態(tài)油溫的準(zhǔn)確預(yù)測。

（3）預(yù)測模型使用實際生產(chǎn)數(shù)據(jù)進行訓(xùn)練和測試，最終獲得的預(yù)測模型可更好地適應(yīng)于實際生產(chǎn)應(yīng)用，且隨著樣本數(shù)據(jù)的積累，預(yù)測精度會逐漸升高?；谏a(chǎn)數(shù)據(jù)建立的大數(shù)據(jù)分析模型，更有利于模型在未來大數(shù)據(jù)平臺分析、智能化控制等在線的實時應(yīng)用。