一种基于集成学习的输油管道水力预测方法技术

本发明专利技术公开了一种基于集成学习的输油管道水力预测方法，其特征在于搭建基于传统经验公式和基于极端梯度提升的输油管道水力预测模型，通过最小二乘方法修正经验公式，并将修正经验公式方法和极端梯度机器学习方法作为初级学习器，采用多元线性回归方法获得两类初级学习器的权重，利用加权求和方法将修正经验公式方法和极端梯度方法进行融合，挺高输油管道水力预测精度。本发明专利技术通过最小二乘方法修正经验公式的经验系数，使经验系数更符合管道实际运行情况；将修正经验公式和极端梯度提升方法进行融合，充分发挥两种不同方法的优势，降低了模型预测泛化误差，提高输油管道水力预测模型精度。模型精度。模型精度。

【技术实现步骤摘要】
一种基于集成学习的输油管道水力预测方法


[0001]本专利技术属于输油管道储运领域和人工智能领域，具体涉及一种集成学习方式的输油管道水力预测。

技术介绍

[0002]输油管道水力预测是计算原油在管道运输过程中的压力损失，对于调节输油管道运输量使输油管道高效运行，降低输油成本具有相当重要的意义。传统的输油管道水力预测是根据流体力学，利用传统的经验公式来计算水力损失，具有直观、容易计算的优点。但由于管壁粗糙度、粘性系数等数值难以测量，并且传统经验公式经验数值与实际数值存在误差，在一定程度上影响了管道水力预测的精准度。
[0003]随着人工智能的快速发展，与输油运算领域的结合应用为输油管道水力预测提供了新思路。Stacking方法是一种高度灵活的集成学习方法，通过构建并结合多个初级学习器来完成学习任务，采用最小二乘的思想将传统经验公式和极端梯度提升机器学习方法作为集成框架的两类初级学习器，将修正的经验公式方法与机器学习方法进行融合，充分发挥两种初级方法的优势，提高输油管道水力预测精度，建立融合传统经验公式和机器学习的输油管道水力预测方法。...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的输油管道水力预测方法，其特征在于，包括以下步骤：从输油管道实时数据库中提取输油管道实时数据，预处理后得到输油管道运行历史数据集；设置集成学习框架交叉验证次数，以均方误差作为损失函数，使用最小二乘方法修正经验公式中的经验系数，并且将修正经验公式和极端梯度提升机器学习方法作为集成学习框架的两个初级学习器，利用交叉验证获取两类初级学习器在训练集的预测结果，...

【专利技术属性】
技术研发人员：王晓晖，田继林，李克文，柯翠虹，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：