徐磊 ，侯磊 *，李雨 ，張鑫儒 ，白小眾，雷婷 ，朱振宇 ，劉金海，谷文淵，孫欣

1 中國石油大學(xué)(北京)機(jī)械與儲運(yùn)工程學(xué)院，北京 102249

2 中國石油大學(xué)(北京)油氣管道輸送安全國家工程實(shí)驗(yàn)室/石油工程教育部重點(diǎn)實(shí)驗(yàn)室，北京 102249

3 國家管網(wǎng)集團(tuán)北方管道有限責(zé)任公司錦州輸油氣分公司，錦州 121000

*通信作者, houleicup@126.com

0 引言

原油是重要的戰(zhàn)略儲備物資，主要通過鐵路、水路、公路和管道4種方式運(yùn)輸。其中，管道運(yùn)輸因其運(yùn)量大、封閉安全、易于管理等優(yōu)點(diǎn)而被廣泛應(yīng)用。原油管道是將油田生產(chǎn)的原油輸送至煉廠、港口或鐵路轉(zhuǎn)運(yùn)站，具有管徑大、輸量大、運(yùn)輸距離長、分輸點(diǎn)少的特點(diǎn)[1]。我國原油管道2020年的規(guī)劃里程為32 000 km，2025年在此基礎(chǔ)上要新增15.63%的里程。目前，我國所產(chǎn)原油80%以上為凝點(diǎn)較高的含蠟原油和黏稠的重質(zhì)原油，輸送過程耗能很大[2]。其中，泵機(jī)組的電耗是總能耗的主要部分，通過對泵機(jī)組電耗預(yù)測，能夠做出一些關(guān)鍵決策，如能耗目標(biāo)設(shè)定、批量調(diào)度和機(jī)組組合。依據(jù)能耗預(yù)測時間間隔長短，可分為短期預(yù)測、中期預(yù)測和長期預(yù)測，三者分別是指一天到一周、一周到一月、一月到一年的時間間隔[3]。本研究的能耗數(shù)據(jù)是以天為間隔進(jìn)行采集的，因此，可視為短期能耗預(yù)測。

在實(shí)際管輸過程中，能耗相關(guān)數(shù)據(jù)存在信息冗余、噪聲干擾及非線性等特征，加大了預(yù)測難度。近年來，隨著軟計(jì)算技術(shù)的快速發(fā)展，機(jī)器學(xué)習(xí)方法已在能耗預(yù)測領(lǐng)域中得到廣泛應(yīng)用，該方法具有較強(qiáng)的容錯性，較好的預(yù)測性能[4-6]。圖1統(tǒng)計(jì)了2000年1月至2020年6月機(jī)器學(xué)習(xí)方法在能耗預(yù)測領(lǐng)域所發(fā)表論文的數(shù)量趨勢，數(shù)據(jù)來源于Web of Science數(shù)據(jù)庫。通過統(tǒng)計(jì)分析可得，機(jī)器學(xué)習(xí)方法在能耗預(yù)測領(lǐng)域的研究呈現(xiàn)逐年遞增的趨勢。隨著“智慧管道”概念的提出，姜昌亮[7]、黃維和[8-9]、宮敬[10-11]、張勁軍[12]、吳長春[13]、董紹華[14-15]等眾多行業(yè)學(xué)者圍繞智慧管道開展了大量研究工作，以數(shù)據(jù)驅(qū)動為依托的機(jī)器學(xué)習(xí)方法在油氣管道行業(yè)的應(yīng)用與發(fā)展勢在必行[16-22]。

圖1 機(jī)器學(xué)習(xí)方法在能耗預(yù)測領(lǐng)域發(fā)表論文數(shù)量Fig. 1 Number of papers occupied by machine learning method in the field of energy consumption prediction

在油氣管輸行業(yè)，若干學(xué)者對基于神經(jīng)網(wǎng)絡(luò)的油氣管道能耗預(yù)測展開了相關(guān)研究。ZENG[23]利用神經(jīng)網(wǎng)絡(luò)對成品油管道電耗進(jìn)行預(yù)測，并與線性回歸和支持向量機(jī)展開對比，研究表明，所提出的神經(jīng)網(wǎng)絡(luò)模型有助于批次調(diào)度和能耗目標(biāo)的設(shè)定。吳倩[24]提出一種基于BP神經(jīng)網(wǎng)絡(luò)的原油管道能耗預(yù)測方法，研究表明，與線性回歸和灰色模型相比，建立的模型預(yù)測精度較高，適用于預(yù)測多種原油管道的耗電量和耗油量。溫馨[25]將神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和極限學(xué)習(xí)機(jī)分別用于成品油管道能耗預(yù)測，研究表明，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力強(qiáng)、收斂能力強(qiáng)，擁有較高的預(yù)測精度。侯磊[26]利用BP神經(jīng)網(wǎng)絡(luò)建立輸油管道能耗預(yù)測模型。預(yù)測結(jié)果表明，該模型預(yù)測偏差不超過4%，為輸油管道能耗預(yù)測提供了一種新思路。高山卜[27]建立基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)原油管道能耗預(yù)測模型，得到該模型的誤差在3%以內(nèi)，且模擬值能夠反映真實(shí)值的變化趨勢。林冉[28]以某條輸油管道幾年來輸量及生產(chǎn)油耗、電耗數(shù)據(jù)為基礎(chǔ)，用人工神經(jīng)網(wǎng)絡(luò)的方法建立了管道輸量與生產(chǎn)油耗、電耗的預(yù)測模型。分析表明，該模型的計(jì)算結(jié)果相對偏差在±5%以內(nèi)，滿足工程實(shí)際需要，能夠用該模型來預(yù)測熱油管道的生產(chǎn)油耗和電耗。

但以上方法對數(shù)據(jù)非線性和數(shù)據(jù)噪聲考慮均不夠充分，預(yù)測精度仍有一定的提升空間。圖2～4統(tǒng)計(jì)了各類機(jī)器學(xué)習(xí)方法在能耗預(yù)測領(lǐng)域的應(yīng)用。通過調(diào)研可得，智能優(yōu)化算法和數(shù)據(jù)分解技術(shù)已被運(yùn)用到風(fēng)能、太陽能、核能等領(lǐng)域，用來解決數(shù)據(jù)非線性難以準(zhǔn)確擬合、數(shù)據(jù)噪聲難以高效去除的問題，但在油氣行業(yè)運(yùn)用甚少[29-32]。因此，本研究提出一種數(shù)據(jù)分解算法(CEEMDAN)、改進(jìn)粒子群優(yōu)化算法(IPSO)和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)相結(jié)合的混合預(yù)測模型。采用自適應(yīng)噪聲完整集成經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)去除冗余噪聲，提取原始數(shù)據(jù)的主要特征，采用IPSO優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)。結(jié)合國內(nèi)3條原油管道，對提出的模型展開準(zhǔn)確性評價。

圖2 能耗預(yù)測領(lǐng)域的基準(zhǔn)模型統(tǒng)計(jì)Fig. 2 Statistics of benchmark models in the field of energy consumption prediction

圖3 能耗預(yù)測領(lǐng)域的優(yōu)化算法統(tǒng)計(jì)Fig. 3 Statistics of optimization algorithms in the field of energy consumption prediction

圖4 能耗預(yù)測領(lǐng)域的分解算法統(tǒng)計(jì)Fig. 4 Statistics of decomposition algorithms in the field of energy consumption prediction

1 基本方法

1.1 自適應(yīng)噪聲完整集成經(jīng)驗(yàn)?zāi)B(tài)分解

實(shí)際現(xiàn)場采集的數(shù)據(jù)通常含有噪聲，常規(guī)方法無法提取數(shù)據(jù)的主要特征。前人學(xué)者對此做了諸多研究，Huang[33]提出經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)方法將原始信號分解為多個內(nèi)涵模態(tài)分量(IMF)，但模型和EMD無法很好的融合。針對此問題，Wu和Huang[34]提出集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)方法，EEMD在穩(wěn)定性方面有明顯的改善，但很難完全抵消所增加的噪聲。為了提高EEMD的性能，Torres[35]提出一種高級的自適應(yīng)噪聲完整集成經(jīng)驗(yàn)?zāi)Ｊ椒纸馑惴?CEEMDAN)。CEEMDAN算法不僅能夠解決EMD中模態(tài)混合的問題，而且通過加入成對白噪聲，可以高效消除噪聲，實(shí)現(xiàn)較好預(yù)測效果。因此，CEEMDAN算法作為一種實(shí)用的數(shù)據(jù)預(yù)處理工具，能夠提高預(yù)測性能。

1.2 反向傳播神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(ANN)目前被廣泛應(yīng)用于各行業(yè)。其中，神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，在輸入節(jié)點(diǎn)處接收非線性信息，經(jīng)內(nèi)部處理后在輸出節(jié)點(diǎn)處生成響應(yīng)[36]。反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)典型的三層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。在反向傳播神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元分層排列，包括輸入層、隱藏層和輸出層。人工神經(jīng)網(wǎng)絡(luò)將多個神經(jīng)元相互連接，每個連接都有相應(yīng)的權(quán)重。假設(shè)Wij是神經(jīng)元i和j之間的連接權(quán)重，Xi是神經(jīng)網(wǎng)絡(luò)的輸入向量，則兩個連續(xù)層(k-1，k)的神經(jīng)元j的輸出值由公(1)式確定

其中bj是閾值，Θ是激活函數(shù)，m是k-1層中神經(jīng)元的數(shù)量，n是k層中神經(jīng)元的數(shù)量。

圖5 三層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 5 Structure diagram of 3-layers feed-forward neural network

1.3 改進(jìn)粒子群算法

粒子群優(yōu)化算法最早是由Eberhart和Kennedy[37]于1995年提出，能夠解決復(fù)雜約束優(yōu)化問題，同時又有較快的收斂速度。然而，傳統(tǒng)的粒子群優(yōu)化算法有時會陷入局部最優(yōu)，因此提出改進(jìn)粒子群優(yōu)化算法(IPSO)來解決該問題。改進(jìn)粒子群優(yōu)化算法基于分布函數(shù)確定粒子位置，與傳統(tǒng)的粒子群優(yōu)化算法相比，改進(jìn)粒子群優(yōu)化算法需要調(diào)整的參數(shù)少，工作效率高、不容易陷入局部最優(yōu)[38]。根據(jù)改進(jìn)粒子群優(yōu)化算法，計(jì)算種群的最佳位置如下：

其中Mbest表示粒子的平均歷史最佳位置，M是粒子群的大小，Pi是第i個粒子的歷史最佳位置，Pi(t)是在第i個粒子在時間t的最佳位置，Pg(t)是在時間t的全局最佳位置，xi(t)是第i個粒子在時間t的位置，α是創(chuàng)新參數(shù)，值不大于1，ε和μ為在(0，1)之間的均勻分布。結(jié)合式(3)和等式(4)，可得到后代粒子的位置。

1.4 分層抽樣方法

本研究生產(chǎn)數(shù)據(jù)來源于東北3條原油管道，記為A、B、C，以天為周期，采集2019年01月01日至2019年6月29日的數(shù)據(jù)，共計(jì)180組數(shù)據(jù)，管道A的部分?jǐn)?shù)據(jù)如表1所示。在這項(xiàng)研究中，對于輸入?yún)?shù)的選取需要滿足兩個條件，參數(shù)是變量且與電耗間存在相關(guān)性，因此，選取管輸過程中的排量、平均進(jìn)壓、平均匯壓、平均出壓、平均泵出、平均進(jìn)溫、平均匯溫、平均出溫、地溫、下站進(jìn)壓和下站進(jìn)溫等11個參數(shù)作為預(yù)測模型的輸入?yún)?shù)。電耗是預(yù)測值，所以選取電耗作為輸出參數(shù)。

訓(xùn)練集和測試集按4:1的比例進(jìn)行劃分。由于傳統(tǒng)的隨機(jī)抽樣方法可能會導(dǎo)致測試集的分布規(guī)律與原始數(shù)據(jù)集分布規(guī)律有較大偏差，使預(yù)測結(jié)果不客觀。因此，考慮采用分層抽樣方法來劃分?jǐn)?shù)據(jù)集[39-40]。在原油運(yùn)輸過程中，輸量對電耗影響最大，根據(jù)輸量的分布規(guī)律可知，某些特定范圍內(nèi)的數(shù)據(jù)量較少，采用抽樣時可能會遺漏該范圍內(nèi)的數(shù)據(jù)，為了保證每一數(shù)據(jù)范圍內(nèi)的數(shù)據(jù)都能夠按比例被抽取，因此，依據(jù)數(shù)據(jù)的分布規(guī)律，將采集的數(shù)據(jù)劃分為4個區(qū)間。以管道A為例，兩種抽樣方法得到的測試集與初始樣本的偏差如表2所示。3條管線的隨機(jī)抽樣和分層抽樣的平均絕對百分比誤差(MAPE)見圖6。對于A、B、C管道，隨機(jī)抽樣的MAPE分別為26.44%、19.20%、17.46%，分層抽樣的MAPE分別為2.16%、2.16%、1.05%。結(jié)果表明，分層抽樣得到的測試集與初始樣本有較好的一致性。因此，本文采用分層抽樣來劃分訓(xùn)練集和測試集。

表1 管道A的部分?jǐn)?shù)據(jù)Table 1 Partial data of Pipeline A

表2 基于管道A隨機(jī)抽樣和分層抽樣的平均絕對百分誤差Table 2 Mean absolute percentage error of random sampling and strati fied sampling based on pipeline A

圖6 3條管線隨機(jī)抽樣和分層抽樣平均絕對百分比誤差Fig. 6 Mean absolute percentage error of random sampling and strati fied sampling based on the 3 pipelines

2 預(yù)測模型框架

根據(jù)分解技術(shù)(CEEMDAN)和改進(jìn)粒子群算法的BP神經(jīng)網(wǎng)絡(luò)(IPSO-BPNN)建立混合預(yù)測模型。采用CEEMDAN去除冗余噪聲，提取原始數(shù)據(jù)的主要特征；采用IPSO擬合非線性特征，優(yōu)化BPNN網(wǎng)絡(luò)結(jié)構(gòu)。結(jié)合國內(nèi)3條原油管道，對比機(jī)器學(xué)習(xí)方法和SPS能耗預(yù)測模塊，對所提出混合模型(CEEMDAN-IPSO-BPNN)的預(yù)測效果進(jìn)行準(zhǔn)確性評價，混合預(yù)測系統(tǒng)的建立流程如圖7所示。

3 預(yù)測結(jié)果分析

實(shí)驗(yàn)過程通過Python 3.6.6語言實(shí)現(xiàn)，處理器為Intel Xeon E5-2643 v4，計(jì)算機(jī)內(nèi)存為96.0 GB。以管道A為例，CEEMDAN-IPSO-BPNN混合模型的主要實(shí)驗(yàn)參數(shù)如表3所示。將CEEMDAN-IPSO-BPNN混合模型與主流機(jī)器學(xué)習(xí)方法和SPS能耗模塊的預(yù)測性能分別展開對比，全面評價CEEMDAN-IPSO-BPNN的預(yù)測性能。

3.1 精度評估指標(biāo)

通過大量文獻(xiàn)調(diào)研，選取相對誤差(RE)、決定系數(shù)(R2)、平均絕對百分誤差(MAPE)、均方根誤差(RMSE)、平均絕對誤差(MAE)、泰爾不等式系數(shù)(TIC)、分?jǐn)?shù)偏差(FB)、預(yù)測結(jié)果統(tǒng)計(jì)1(U1)、預(yù)測結(jié)果統(tǒng)計(jì)2(U2)和方向精度(DA)10個主流指標(biāo)來評價模型的預(yù)測性能[41-44]，表達(dá)式如表4所示。

圖7 CEEMDAN-IPSO-BPNN混合預(yù)測模型的流程圖Fig. 7 Flow chart of CEEMDAN-IPSO-BPNN

3.2 與常規(guī)機(jī)器學(xué)習(xí)方法對比

將建立的混合預(yù)測模型CEEMDAN-IPSO-BPNN與GA-BPNN、PSO-BPNN、IPSO-BPNN、EMDIPSO-BPNN和EEMD-IPSO-BPNN 等5個模型展開預(yù)測性能對比，評價混合模型的預(yù)測性能。對3條管道的10個指標(biāo)分別取平均值得到表5和圖8，為了全面評價所提出混合模型的預(yù)測性能，開展了對比研究。

(1)通過GA-BPNN與PSO-BPNN的預(yù)測結(jié)果對比發(fā)現(xiàn)，PSO-BPNN的預(yù)測性能優(yōu)于GA-BPNN，證明PSO對于預(yù)測性能的提高優(yōu)于GA，相比主流優(yōu)化算法，PSO對于預(yù)測性能的提高幅度較大。

(2)通過PSO-BPNN與IPSO-BPNN的預(yù)測結(jié)果對比發(fā)現(xiàn)，IPSO-BPNN的預(yù)測性能優(yōu)于PSO-BPNN，證明改進(jìn)粒子群算法在一定程度上提高了粒子群算法的性能，有效解決了優(yōu)化算法容易出現(xiàn)局部最優(yōu)解的問題。

表3 實(shí)驗(yàn)參數(shù)值Table 3 Experimental parameters

表4 模型預(yù)測性能評價的十個主流指標(biāo)Table 4 Ten mainstream indicators for performance evaluation

表5 3條管道上十個評價指標(biāo)的平均值Table 5 Average values of ten evaluation indicators for the 3 pipelines

圖8 建立的模型和對比模型的預(yù)測值Fig. 8 Predicted values of the proposed model and the comparison models

(3)通過IPSO-BPNN與EMD-IPSO-BPNN、EEMD-IPSO-BPNN和CEEMDAN-IPSO-BPNN預(yù)測結(jié)果對比發(fā)現(xiàn)，IPSO-BPNN預(yù)測效果相對最差，證明分解算法能夠在一定程度上提高模型的預(yù)測性能。

(4)通過CEEMDAN-IPSO-BPNN與EMD-IPSOBPNN和EEMD-IPSO-BPNN預(yù)測結(jié)果展開對比發(fā)現(xiàn)，相比EMD和EEMD數(shù)據(jù)分解技術(shù)，CEEMDAN具有更好的分解效果，能夠深入地捕獲數(shù)據(jù)特征，提高模型預(yù)測結(jié)果。

因此，通過與5個機(jī)器學(xué)習(xí)模型的對比可知，建立的混合模型CEEMDAN-IPSO-BPNN具有最好的預(yù)測性能。

3.3 與SPS能耗預(yù)測軟件對比

SPS是款成熟的瞬態(tài)水力模擬軟件，能夠模擬單一流體、批次流體和單相混合流體在管道中的輸送過程。利用軟件內(nèi)置的管道、泵、壓縮機(jī)、閥和控制器等，SPS能建立對應(yīng)的數(shù)學(xué)模型，通過計(jì)算流量、壓力、密度、溫度和其它一些沿線隨時間變化的參數(shù)來開展仿真研究。在油氣儲運(yùn)領(lǐng)域，SPS軟件使用廣泛，主要功能包括停輸再啟動分析、管輸能耗分析、泵和壓縮機(jī)操作計(jì)劃分析、水擊泄壓系統(tǒng)設(shè)計(jì)、批次計(jì)劃、不同操作方案和不同設(shè)計(jì)的經(jīng)濟(jì)性分析等。

為保證預(yù)測結(jié)果具有可對比性，本研究以上文提到的管道A、B和C為例，運(yùn)用SPS軟件分別建立管輸能耗預(yù)測模型。將預(yù)測結(jié)果與CEEMDAN-IPSO-BPNN的預(yù)測結(jié)果進(jìn)行對比，深入評價CEEMDAN-IPSO-BPNN模型的預(yù)測性能。

首先建立站間管道系統(tǒng)模型，通過計(jì)算泵功率得到每天耗電量，模型采用設(shè)備Pump來模擬中間站的輸油泵，采用General Pipe來模擬站間管道，管道輸送介質(zhì)采用出站摻混后的原油，泵的特性曲線、管道內(nèi)徑、管線長度以及摻混原油特性等數(shù)據(jù)通過現(xiàn)場獲取。模型以進(jìn)口控制壓力、出口控制流量作為邊界條件，計(jì)算泵機(jī)組每天耗電量。以管道A為例，圖9為建立的SPS能耗預(yù)測簡易流程，預(yù)測得到的部分結(jié)果如表6所示。對3條管道模擬得到的10個指標(biāo)取平均值得到統(tǒng)計(jì)表7，圖11為CEEMDAN-IPSO-BPNN與SPS預(yù)測結(jié)果相對誤差絕對值的箱型圖。

從結(jié)果上來看，SPS模擬得到的MAPE為10.72%，對造成現(xiàn)有誤差的原因進(jìn)行了思考，主要包括：(1)管道服役時間長，管道內(nèi)壁產(chǎn)生磨損，粗糙度難以估計(jì)，與設(shè)計(jì)規(guī)范的推薦值有差別；(2)管道輸送介質(zhì)含蠟量較高，管道在長時間運(yùn)行過程中會積蠟，并且管道的清管效果未知，影響了管道的實(shí)際水力半徑；(3)站內(nèi)管線復(fù)雜，模擬中只能粗略考慮站內(nèi)的摩阻損失，直接影響了模擬數(shù)據(jù)的精確度；(4)總傳熱系數(shù)難以準(zhǔn)確確定；(5)采集傳感器的精度不準(zhǔn)；(6)泵的實(shí)際運(yùn)行特性跟廠家提供的特性曲線有偏差；(7)現(xiàn)場數(shù)據(jù)為一天的平均值或累計(jì)值，而不同時刻的數(shù)據(jù)存在波動性，仿真數(shù)據(jù)是根據(jù)一天的累計(jì)輸量和平均壓力穩(wěn)態(tài)模擬所得到的，這與真實(shí)情況存在差別。

圖9 基于管道A建立的SPS能耗預(yù)測流程Fig. 9 The SPS energy consumption prediction process based on pipeline A

表6 基于管道A的部分預(yù)測值Table 6 Partial predicted value based on pipeline A

通過表7和圖10分析可得，針對相同數(shù)據(jù)集，CEEMDAN-IPSO-BPNN相較于主流商業(yè)軟件SPS擁有更好的預(yù)測性能。表明機(jī)器學(xué)習(xí)預(yù)測效果對于數(shù)據(jù)的依賴性要弱于SPS軟件，運(yùn)用SPS展開預(yù)測，若想取得理想的預(yù)測效果，需要詳細(xì)的參數(shù)信息，在實(shí)際生產(chǎn)運(yùn)行中部分參數(shù)較難獲取。而機(jī)器學(xué)習(xí)能通過數(shù)據(jù)分解技術(shù)和非線性映射功提高模型的預(yù)測性能，也間接表明了基于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法在油氣儲運(yùn)行業(yè)的優(yōu)勢和潛力。

表7 建立的模型預(yù)測值和SPS能耗模塊預(yù)測值的對比Table 7 Comparison of the predicted values between the proposed model and the SPS energy consumption module

圖10 混合模型與SPS預(yù)測相對誤差絕對值箱型圖Fig. 10 Box plot for the absolute value of the relative error between the hybrid model and SPS

4 結(jié)論

采用分層抽樣方法對初始數(shù)據(jù)進(jìn)行劃分，避免出現(xiàn)簡單隨機(jī)抽樣遺漏某些特性的問題，保證預(yù)測結(jié)果的客觀性和可靠性。提出了基于反向傳播神經(jīng)網(wǎng)絡(luò)的改進(jìn)粒子群優(yōu)化算法，提高了粒子群的搜索能力、避免了局部最優(yōu)解。將自適應(yīng)噪聲完整集成經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù)應(yīng)用到油氣管道領(lǐng)域，與其他分解技術(shù)相比，該分解技術(shù)能夠高效消除預(yù)測過程中的冗余噪聲，捕捉原始數(shù)據(jù)集的主要特征。在此基礎(chǔ)上，建立的混合預(yù)測模型綜合了數(shù)據(jù)分解技術(shù)和優(yōu)化算法的優(yōu)勢，對比5類主流機(jī)器學(xué)習(xí)方法和管輸能耗預(yù)測軟件SPS，建立的能耗預(yù)測模型平均絕對百分誤差降低7.402%、5.955%、3.619%、1.781%、1.487%和6.887%，擁有較高的預(yù)測精度和較強(qiáng)的泛化能力，能有效指導(dǎo)能耗目標(biāo)設(shè)定、調(diào)度優(yōu)化和機(jī)組組合。提出的預(yù)測方法以機(jī)器學(xué)習(xí)為基礎(chǔ)，解決了傳統(tǒng)物理數(shù)學(xué)建模復(fù)雜等缺點(diǎn)，關(guān)注輸入和輸出參數(shù)的映射關(guān)系，在實(shí)際管道甚至是更加復(fù)雜的管道系統(tǒng)中也有一定的適用性。