利用修正的bp神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法
【專利摘要】本發(fā)明公開了一種利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法，包括以下步驟：收集熱油管道的能耗數(shù)據(jù)作為樣本數(shù)據(jù)并對樣本數(shù)據(jù)預處理；進行BP神經(jīng)網(wǎng)絡模擬，建立熱油管道能耗預測的第一神經(jīng)網(wǎng)絡模型；利用第一神經(jīng)網(wǎng)絡模型對熱油管道的能耗進行預測，得到測試數(shù)據(jù)的預測值與真實值的極差；基于GM(1,1)算法建立殘差公式對第一神經(jīng)網(wǎng)絡模型進行修正，得到修正的第二神經(jīng)網(wǎng)絡預測模型；利用第二神經(jīng)網(wǎng)絡預測模型計算熱油管道能耗的預測值。本發(fā)明提供的利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法，可以大大提高熱油管道能耗的預測精度，對管輸能耗監(jiān)控具有重要的意義。
【專利說明】利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法

【技術領域】
[0001]本發(fā)明屬于管輸能耗預測【技術領域】，特別涉及一種利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法。

【背景技術】
[0002]“十二五”是我國經(jīng)濟社會發(fā)展的重要戰(zhàn)略機遇期，也是轉變發(fā)展方式，加快建設資源節(jié)約型和環(huán)境友好型工業(yè)體系的關鍵時期，隨著經(jīng)濟增長的能源資源和環(huán)境約束日益強化，國家對節(jié)能工作越來越重視，管道輸送行業(yè)也在積極響應國家相關節(jié)能政策與發(fā)展規(guī)劃。對管輸能耗現(xiàn)狀進行綜合分析和評估是實施節(jié)能工作的前提和基礎，而建立反映能耗變化的預測方法是從宏觀尺度上分析認識管輸能耗變化與發(fā)展特性，是管道輸送行業(yè)開展節(jié)能工作提供決策依據(jù)的有效途徑和重要手段。
[0003]由于我國油田所產(chǎn)原油大多含蠟較高，加熱輸送是含蠟原油的主要輸送方式，而出站溫度、輸油量、管線總傳熱系數(shù)、管體的結蠟程度以及季節(jié)變化等諸多因素都會影響熱油管道能耗，國外沒有針對我國熱油管道這種復雜系統(tǒng)的能耗預測模型。目前，國內好多學者都對原油管道能耗的預測方法進行了研究和探討。例如:文獻“原油管輸能耗預測方法研究”引入了季節(jié)因素，建立了原油管道能耗預測模型，但由于僅考慮了季節(jié)因素對原油管道能耗的影響并且由于計算模型的限制，該模型僅可以在有限數(shù)據(jù)條件下實現(xiàn)原油管道能耗預測。文獻“原油長輸管道油電損耗的回歸預測”、“管線油電損耗的灰色模型及預測”、“基于普通累積法的原油管線油電損耗預測”均是需要依據(jù)原油管線多年來的輸量及油、電損耗數(shù)據(jù)，采用特定的數(shù)學方法建立原油管道油、電損耗預測模型，這些模型均只考慮了輸量對原油管道能耗的影響，而忽略了其它因素對其的影響。加之，在實際生產(chǎn)中，影響熱油管道能耗的諸多因素不易獲取，因此上述的能耗預測方法不能很好的適用于熱油管道的能耗預測，在熱油管道能耗影響因素數(shù)據(jù)缺省情況下來預測管輸能耗的問題亟待解決。


【發(fā)明內容】

[0004]本發(fā)明所要解決的技術問題是提供一種預測精度高的利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法。
[0005]為解決上述技術問題，本發(fā)明提供了一種利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法，包括以下步驟:
[0006]收集熱油管道的歷史能耗數(shù)據(jù)作為樣本數(shù)據(jù)，對所述樣本數(shù)據(jù)進行歸一化，使樣本數(shù)據(jù)范圍在[O, I]之間；
[0007]進行BP神經(jīng)網(wǎng)絡模擬，建立預測熱油管道能耗的第一神經(jīng)網(wǎng)絡模型，包括如下過程:
[0008](I)確定神經(jīng)網(wǎng)絡的層數(shù)，
[0009](2)確定神經(jīng)網(wǎng)絡的輸入變量個數(shù)，
[0010](3)確定神經(jīng)網(wǎng)絡的輸出變量個數(shù)，
[0011](4)確定神經(jīng)網(wǎng)絡的隱含層元素個數(shù)，
[0012](5)網(wǎng)絡初始化并進行網(wǎng)絡訓練；
[0013]利用第一神經(jīng)網(wǎng)絡模型對熱油管道能耗進行預測，得到能耗真實值序列χ與能耗預測值序列i的極差序列％ = 1-1 ;
[0014]基于GM(1，I)算法建立殘差公式對第一神經(jīng)網(wǎng)絡模型進行修正，得到第二神經(jīng)網(wǎng)絡預測模型；
[0015]利用第二神經(jīng)網(wǎng)絡預測模型計算熱油管道能耗的預測值X'
[0016]進一步地，所述收集熱油管道的歷史能耗數(shù)據(jù)作為樣本數(shù)據(jù)是收集熱油管道近四年的月能耗數(shù)據(jù)作為樣本數(shù)據(jù)。
[0017]進一步地，所述對樣本數(shù)據(jù)進行歸一化的公式為:

Y?
- , ,,一mm
[001 si y 一
X 一 χ.max mm
[0019]其中,χ為熱油管道歷史能耗數(shù)據(jù)，y為χ的歸一化輸出，Xmin為χ的最小值，Xmax為X的最大值。
[0020]進一步地，所述確定神經(jīng)網(wǎng)絡的輸入變量個數(shù)中的輸入變量為樣本數(shù)據(jù)中熱油管道前三年的月能耗，所述能耗真實值序列X為樣本數(shù)據(jù)中熱油管道最近一年的月能耗。
[0021]進一步地，所述第二神經(jīng)網(wǎng)絡預測模型的推導方法為:
[0022]將能耗真實值序列X= {x(i), x(i+l),....., χ (η)}與能耗預測值序列
I= |λ.(/'),—τ(? + I),..■..，Χ(?)!相減得到極差序列 eQ = {e0 ⑴，eQ (i+1)，.....，eQ (n)},極差序列eQ累加得到加和極差序列ei = {e! (i), G1 (i+1),.....B1 (η)}；
[0023]利用GM (1，I)殘差公式算法建立加和極差序列ei的殘差公式:
[0024]€t(k + I) = [^0(I) — —]<? alc + —
aa
[0025]其中，e為歐拉數(shù)，等于2.71828 ;
[0026]對加和極差序列ei的殘差公式求導，然后與能耗預測值序列?相加，得到第二神經(jīng)網(wǎng)絡預測模型:
[0027]χ* = χ+ (-a)[eH(1) - —( k = l,2......η ).a
[0028]其中，a為發(fā)展灰數(shù)，μ為內生控制灰數(shù)。
[0029]本發(fā)明提供的利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法，不考慮影響熱油管道能耗的諸多因素，僅將管道的歷史能耗數(shù)據(jù)作為樣本數(shù)據(jù)，基于灰色GM(1，I)法推導出的殘差公式來對BP神經(jīng)網(wǎng)絡熱油管道能耗預測結果進行修正，在原有的預測結果上大大提高了預測精度，為熱油管道能耗預測提供了一種新思路，對管輸能耗監(jiān)控具有重要的意義。

【專利附圖】

【附圖說明】
[0030]圖1為本發(fā)明實施例提供的利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法的流程圖。
[0031]圖2為本發(fā)明實施例提供的利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法中第一神經(jīng)網(wǎng)絡模型的網(wǎng)絡拓撲結構圖。

【具體實施方式】
[0032]參見圖1，本發(fā)明實施例提供的一種利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法，包括以下步驟:
[0033]第一步:收集熱油管道的歷史能耗數(shù)據(jù)作為樣本數(shù)據(jù)，對所述樣本數(shù)據(jù)進行歸一化，使樣本數(shù)據(jù)范圍在[0，I]之間；
[0034]第二步:進行BP神經(jīng)網(wǎng)絡模擬，建立預測熱油管道能耗的第一神經(jīng)網(wǎng)絡模型，包括如下過程:
[0035](I)確定神經(jīng)網(wǎng)絡的層數(shù)，
[0036](2)確定神經(jīng)網(wǎng)絡的輸入變量個數(shù)，
[0037](3)確定神經(jīng)網(wǎng)絡的輸出變量個數(shù)，
[0038](4)確定神經(jīng)網(wǎng)絡的隱含層元素個數(shù)，
[0039](5)網(wǎng)絡初始化并進行網(wǎng)絡訓練；
[0040]第三步:利用第一神經(jīng)網(wǎng)絡模型對熱油管道能耗進行預測，得到能耗真實值序列X與能耗預測值序列i的極差序列％ =χ-χ；
[0041]第四步:基于GM(1，I)算法建立殘差公式對第一神經(jīng)網(wǎng)絡模型進行修正，得到第二神經(jīng)網(wǎng)絡預測模型；
[0042]第五步:利用第二神經(jīng)網(wǎng)絡預測模型計算熱油管道能耗的預測值X'
[0043]其中，收集熱油管道的歷史能耗數(shù)據(jù)作為樣本數(shù)據(jù)是收集熱油管道近四年的月能耗數(shù)據(jù)作為樣本數(shù)據(jù)。
[0044]其中，對樣本數(shù)據(jù)進行歸一化的公式為:
[0045]y ?
Y一 Y
mix min
[0046]X為熱油管道歷史能耗數(shù)據(jù)，y為X的歸一化輸出，Xmin為X的最小值，Xmax為X的最大值。
[0047]其中，確定神經(jīng)網(wǎng)絡的輸入變量個數(shù)中的輸入變量為樣本數(shù)據(jù)中熱油管道前三年的月能耗，能耗真實值序列X為樣本數(shù)據(jù)中熱油管道近一年的月能耗。
[0048]其中，第二神經(jīng)網(wǎng)絡預測模型的推導方法為:
[0049]將能耗真實值序列X= {x(i), x(i+l),....., X (η)}與能耗預測值序列
Λf ■-A
JC = |.ν(/),.ν(/ + 1)4.....,χ(π)| 相減得到極差序列 e0 = {e0 (i)，e0 (i+1)，.....，e0 (n)}，極差序列eQ累加得到加和極差序列ei = {e! (i), G1 (i+1),.....B1 (η)}；
[0050]利用GM (1，I)算法建立加和極差序列ei的殘差公式:
[0051]ex(k + i) = [eu(\)-^le^k + ^
aa
[0052]其中，e為歐拉數(shù)，等于2.71828 ;
[0053]對加和極差序列ei的殘差公式求導，然后與能耗預測值序列i相加，得到第二神經(jīng)網(wǎng)絡預測模型:

Λ
[0054]jc* =x+(—a)[eu(l) —(Λ = 1，2",.,.?).a
[0055]a為發(fā)展灰數(shù)，μ為內生控制灰數(shù)。
[0056]下面結合具體實例，對本發(fā)明提供的利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法做詳細說明:
[0057]步驟一:收集樣本數(shù)據(jù)并進行數(shù)據(jù)預處理。
[0058]以某一熱油管道為例，收集該管道2010-2013四年的月能耗數(shù)據(jù)，對月能耗數(shù)據(jù)進行歸一化處理，將月能耗數(shù)據(jù)歸一化到[0，1]之間。月能耗數(shù)據(jù)歸一化處理使用的歸一化公式為:
Y γ
[0059]J -
max mm.
[0060]其中，X為熱油管道在2010-2013四年各個月的能耗數(shù)據(jù)，y為x的歸一化輸出，
Xmin為X的最小值，Xmax為X的最大值。
[0061]步驟二:進行BP神經(jīng)網(wǎng)絡模擬，建立熱油管道能耗預測的第一神經(jīng)網(wǎng)絡模型，具體過程如下:
[0062](I)確定神經(jīng)網(wǎng)絡的層數(shù)
[0063]由于一個三層BP網(wǎng)絡可以按任意所需精度逼近一個非線性函數(shù)，過多的層反而會減慢網(wǎng)絡的收斂速度，使運行時間增長，并且訓練速度可以用增加隱含層結點的個數(shù)來實現(xiàn)，因此在此選取只有一個隱含層的三層BP神經(jīng)網(wǎng)絡。
[0064](2)確定神經(jīng)網(wǎng)絡的輸入變量個數(shù)
[0065]將熱油管道2010-2012三年的月能耗作為輸入變量，因此第一神經(jīng)網(wǎng)絡模型的輸入變量個數(shù)η = 3，每組的變量分別是每年對應的月能耗數(shù)據(jù)。
[0066](3)確定神經(jīng)網(wǎng)絡的輸出變量個數(shù)
[0067]由于第一神經(jīng)網(wǎng)絡模型是建立的熱油管道能耗預測模型，因此第一神經(jīng)網(wǎng)絡模型的輸出變量個數(shù)為m = 1，即為熱油管道2013年的月能耗。
[0068](4)確定神經(jīng)網(wǎng)絡的隱含層元素個數(shù)。
[0069]第一神經(jīng)網(wǎng)絡模型的隱含層元素個數(shù)P按下面公式進行計算:
[0070]P = φι + m + a
[0071]其中，η為輸入變量個數(shù)，m為輸出變量個數(shù)，α為[1，10]之間的常數(shù)。計算得到隱含層的元素個數(shù)介于3到12之間，結合實際，作為本發(fā)明的最佳實施方式，將第一神經(jīng)網(wǎng)絡模型的隱含層元素個數(shù)確定為8。
[0072](5)網(wǎng)絡初始化并進行網(wǎng)絡訓練。
[0073]根據(jù)前述設定好的神經(jīng)網(wǎng)絡的層數(shù)、輸入變量個數(shù)、輸出變量個數(shù)及隱含層元素個數(shù)等參數(shù)，然后通過運用神經(jīng)網(wǎng)絡工具箱進行網(wǎng)絡初始化和網(wǎng)絡訓練。為了提高神經(jīng)網(wǎng)絡訓練的自適應程度，作為本發(fā)明的一種【具體實施方式】，把樣本數(shù)據(jù)中的1/4數(shù)據(jù)作為測試數(shù)據(jù)，1/4數(shù)據(jù)作為變化數(shù)據(jù)，1/2數(shù)據(jù)作為訓練數(shù)據(jù)，在計算過程中打亂輸入樣本數(shù)據(jù)原來給定的順序，按照上述比例進行隨機分配，尋找最優(yōu)解。第一神經(jīng)網(wǎng)絡模型的初始權值被隨機賦值，學習速率設定為0.05，學習誤差設定為5 X 10_3，最大迭代次數(shù)為10000次，隱含層和輸出層的傳遞函數(shù)均選取非對稱Sigmoid函數(shù)，即:
[0074]f (x) = l/(l+e，
[0075]然后再利用BP神經(jīng)網(wǎng)絡算法，參照圖2所示的網(wǎng)絡結構進行訓練。訓練結束后，就得到了熱油管道能耗的第一神經(jīng)網(wǎng)絡模型。
[0076]步驟三:利用第一神經(jīng)網(wǎng)絡模型對熱油管道能耗進行預測，得到能耗真實值序列X與能耗預測值序列χ的極差序列々U。
[0077]步驟四:基于GM(1，I)算法建立殘差公式對第一神經(jīng)網(wǎng)絡模型進行修正，得到第二神經(jīng)網(wǎng)絡預測模型。
[0078]將用于對第一神經(jīng)網(wǎng)絡模型進行測試的能耗真實值序列X =
Ix ⑴，χ (i+1)，.....，χ (η)}和測試得到的能耗預測值序列:=|x(/),x(i +1)5.■ ■ ■
相減得到極差序列％ = Ietl (i)，e0 (i+1)，.....,e0(n)},極差序列％累加得到加和極差序列 e! = {e^i), e^i+l),.....e! (η)};
[0079]利用GM (1，I)算法建立加和極差序列ei的殘差公式:
[0080]+ =
a a
[0081]其中，e為歐拉數(shù)，等于2.71828 ;
[0082]對加和極差序列ei的殘差公式求導，然后與能耗預測值序列j相加，得到第二神經(jīng)網(wǎng)絡預測模型:
[0083]χ* = χ+ (-￡i)[e0(l) —…0 ( k = 1,2......η )

a
[0084]a為發(fā)展灰數(shù)，μ為內生控制灰數(shù)。
[0085]步驟五:計算熱油管道能耗預測值，利用第二神經(jīng)網(wǎng)絡預測模型計算熱油管道能耗的預測值X*。
[0086]本發(fā)明提供的利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法，基于灰色GM(1, D法推導出殘差公式來對BP神經(jīng)網(wǎng)絡熱油管道能耗預測結果進行修正，在原有的預測結果上大大提高了預測精度，為熱油管道能耗預測提供了一種新思路，對管輸能耗監(jiān)控具有重要的意義。
[0087]最后所應說明的是，以上【具體實施方式】僅用以說明本發(fā)明的技術方案而非限制，盡管參照實例對本發(fā)明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的精神和范圍，其均應涵蓋在本發(fā)明的權利要求范圍當中。
【權利要求】
1.一種利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法，其特征在于，包括以下步驟: 收集熱油管道的歷史能耗數(shù)據(jù)作為樣本數(shù)據(jù)，對所述樣本數(shù)據(jù)進行歸一化，使樣本數(shù)據(jù)范圍在[O, I]之間； 進行BP神經(jīng)網(wǎng)絡模擬，建立預測熱油管道能耗的第一神經(jīng)網(wǎng)絡模型，包括如下過程: (1)確定神經(jīng)網(wǎng)絡的層數(shù)， (2)確定神經(jīng)網(wǎng)絡的輸入變量個數(shù)， (3)確定神經(jīng)網(wǎng)絡的輸出變量個數(shù)， (4)確定神經(jīng)網(wǎng)絡的隱含層元素個數(shù)， (5)網(wǎng)絡初始化并進行網(wǎng)絡訓練； 利用第一神經(jīng)網(wǎng)絡模型對熱油管道能耗進行預測，得到能耗真實值序列X與能耗預測值序列χ的極差序列= ; 基于GM(1，I)算法建立殘差公式對第一神經(jīng)網(wǎng)絡模型進行修正，得到第二神經(jīng)網(wǎng)絡預測模型； 利用第二神經(jīng)網(wǎng)絡預測模型計算熱油管道能耗的預測值X'
2.根據(jù)權利要求1所述的利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法，其特征在于:所述收集熱油管道的歷史能耗數(shù)據(jù)作為樣本數(shù)據(jù)是收集熱油管道近四年的月能耗數(shù)據(jù)作為樣本數(shù)據(jù)。
3.根據(jù)權利要求2所述的利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法，其特征在于，所述對樣本數(shù)據(jù)進行歸一化的公式為:
γ _ X ~ Xmin
YY
max min 其中，χ為熱油管道近四年的月能耗數(shù)據(jù)，y為χ的歸一化輸出，Xmin為χ的最小值，Xmax為χ的最大值。
4.根據(jù)權利要求3所述的利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法，其特征在于:所述確定神經(jīng)網(wǎng)絡的輸入變量個數(shù)中的輸入變量為樣本數(shù)據(jù)中熱油管道前三年的月能耗，所述能耗真實值序列χ為樣本數(shù)據(jù)中熱油管道最近一年的月能耗。
5.根據(jù)權利要求1所述的利用修正的BP神經(jīng)網(wǎng)絡模型預測熱油管道能耗的方法，其特征在于，所述第二神經(jīng)網(wǎng)絡預測模型的推導方法為:
對加和極差序列el的殘差公式求導，然后與能耗預測值序列；相加，得到第二神經(jīng)網(wǎng)絡預測模型:
其中，a為發(fā)展灰數(shù)，μ為內生控制灰數(shù)。
【文檔編號】G06Q10/04GK104134103SQ201410370216
【公開日】2014年11月5日 申請日期:2014年7月30日 優(yōu)先權日:2014年7月30日
【發(fā)明者】高山卜, 錢成文, 張玉志, 張斌, 馮偉, 曾力波, 田望 申請人:中國石油天然氣股份有限公司