【技术实现步骤摘要】
本专利技术涉及管道运行管理，特别是一种基于bp神经网络的顺序输送管道混油切割及回掺方法。
技术介绍
1、成品油管道多采用顺序输送(或交替输送)方式运行，即在同一条管道内按一定顺序连续地输送几种油品。不同油品在管道的顺序输送过程中存在沿程掺混，油品的相互掺混会降低油品的质量指标，从而形成不符合质量标准的混油。在成品油管道终点处，油品的下载时需仔细辨别混油段并适时将混油切割进入混油罐，以免影响油品的质量指标。如何精准地预测切割起始和终了位置，成为影响成品油管道安全高效运行的关键。此外，顺序输送过程中产生的沿程混油往往采用就近送回炼厂重新加工、掺混后供用户使用或降级处理等方式。其中掺混后供用户使用是目前国内外所通用的一种行之有效的经济而且比较简单的方法。
2、因此，如何根据顺序输送管道中输送油品的性质及混油的质量指标确定合理的回掺速率及回掺方案成为影响油品储运单位运行效率的关键。
技术实现思路
1、鉴于现有的基于bp神经网络的顺序输送管道混油切割及回掺方法中存在的问题，提出了本专利技术。
2、因此，本专利技术所要解决的问题在于确定最佳混油切割及回掺方案，降低混油经济损失。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种基于bp神经网络的顺序输送管道混油切割及回掺方法，其包括，基于scada数据采集系统采集油样数据，并对数据进行预处理，基于bp神经网络建立dx与前行及后行油品性质和管输物性参数的
5、作为本专利技术所述基于bp神经网络的顺序输送管道混油切割及回掺方法的一种优选方案，其中：所述油样数据包括，汽油的终馏点、10％馏出温度、密度、粘度，柴油的闪点、密度、粘度，管道基础数据包括管径和流量。
6、所述预处理为对采集到的油样数据进行归一化处理，提取柴油的密度xmax和汽油的密度xmin，并按照式(1)对混油段的密度进行归一化处理，确定归一化的浓度数据y，
7、
8、其中，y为混油段的归一化浓度；x为混油段的密度。
9、作为本专利技术所述基于bp神经网络的顺序输送管道混油切割及回掺方法的一种优选方案，其中：对所述归一化处理后的浓度数据进行绘图并基于curve fitting对曲线进行拟合，拟合公式为玻尔兹曼方程，如下式(2)所示：
10、
11、其中，a1和a2分别为初始值和终了值，当前行油品为柴油时，a1为1，a2为0；前行油品为汽油时，a1为0，a2为1；x0为汽油和柴油密度中点时对应的时刻；dx表示的是曲线的上升或下降速率。
12、作为本专利技术所述基于bp神经网络的顺序输送管道混油切割及回掺方法的一种优选方案，其中：所述黑箱模型是基于bp神经网络建立dx与前行及后行油品性质和管输物性参数的黑箱模型，并进行样本训练，最终得到的输入包括管道及所输油品性质，输出包括混油段浓度曲线数据的黑箱模型，以此预测混油段浓度变化规律。
13、作为本专利技术所述基于bp神经网络的顺序输送管道混油切割及回掺方法的一种优选方案，其中：所述允许掺混浓度计算包括，
14、
15、其中，kd为汽油中允许混入的柴油浓度，tg0为汽油终馏点的最高允许值，tg为汽油实际的终馏点，ρ20为混入的柴油20℃时的密度；
16、
17、其中，kg为柴油中允许混入的汽油浓度，tl0为汽油的10％馏出温度；ts0为柴油的最低允许闪点，ts为柴油的实际闪点；
18、根据柴油和汽油相互掺混的浓度计算公式(3)和(4)计算汽油中掺混柴油的允许浓度和柴油中掺混汽油的允许浓度。
19、作为本专利技术所述基于bp神经网络的顺序输送管道混油切割及回掺方法的一种优选方案，其中：所述混油头和混油尾的切割密度应满足约束为进入a油罐的b油量低于a油中允许混入b油的临界浓度和进入b油罐的a油量低于b油中允许混入a油的临界浓度。
20、根据汽油中掺混柴油的允许浓度和柴油中掺混汽油的允许浓度以及汽油罐和柴油罐的罐容和有效罐容，可以计算出汽油罐中允许混入的柴油量vad和柴油罐中允许混入的汽油量vbd；
21、vad＝kd×va (5)
22、vbg＝kg×vb (6)
23、其中，混油段的浓度分布利用玻尔兹曼方程进行精准拟合，并获取了不同输送批次混油段的浓度分布曲线参数，发现当参数dx的数值越小，曲线的斜率越大，混油段越短；当dx的数值越大，曲线的斜率越小，混油段越长，则采用最大数值作为混油段的浓度分布确定后续混油头和混油尾的浓度切割。
24、作为本专利技术所述基于bp神经网络的顺序输送管道混油切割及回掺方法的一种优选方案，其中：所述富汽、富柴混油量、混油中汽柴油浓度的计算为根据公式(3)和公式(4)计算出汽油中最大允许掺混柴油的浓度和柴油中最大允许掺混汽油浓度，进入混油罐中的富汽混油和富柴混油中的汽油体积和柴油体积均通过积分计算，按照比例关系计算出汽油和柴油中的富汽混油和富柴混油掺混浓度。
25、第二方面，本专利技术实施例提供了一种基于bp神经网络的顺序输送管道混油切割及回掺系统，其包括：数据模块，采集油样数据，并对数据进行预处理。计算模块，确定允许掺混浓度，根据罐容数据计算体积，确定混油头和混油尾的切割密度。构建模块，根据切割方案确定富汽、富柴混油量、混油中汽柴油浓度及混油的密度，根据上述数据计算回掺速率及回掺时间，构建最佳回掺方案。
26、第三方面，本专利技术实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述的基于bp神经网络的顺序输送管道混油切割及回掺方法的任一步骤。
27、第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述的基于bp神经网络的顺序输送管道混油切割及回掺方法的任一步骤。
28、本专利技术有益效果为本专利技术提供一种基于bp神经网络的顺序输送管道混油切割及回掺方案确定方法，能够确定混油在不同条件下的切割及回掺方案，为长距离管道混油顺序输送减少了经济损失。
本文档来自技高网...【技术保护点】
1.一种基于BP神经网络的顺序输送管道混油切割及回掺方法，其特征在于：包括，
2.如权利要求1所述的基于BP神经网络的顺序输送管道混油切割及回掺方法，其特征在于：所述油样数据包括，汽油的终馏点、馏出温度、密度、粘度，柴油的闪点、密度、粘度，管道基础数据包括管径和流量；
3.如权利要求2所述的基于BP神经网络的顺序输送管道混油切割及回掺方法，其特征在于：对所述归一化处理后的浓度数据进行绘图并基于Curve Fitting对曲线进行拟合，拟合公式为玻尔兹曼方程，如下式(2)所示：
4.如权利要求1所述的基于BP神经网络的顺序输送管道混油切割及回掺方法，其特征在于：所述黑箱模型是基于BP神经网络建立dx与前行及后行油品性质和管输物性参数的黑箱模型，并进行样本训练，最终得到的输入包括管道及所输油品性质，输出包括混油段浓度曲线数据的黑箱模型，以此预测混油段浓度变化规律。
5.如权利要求1所述的基于BP神经网络的顺序输送管道混油切割及回掺方法，其特征在于：所述允许掺混浓度的计算包括，
6.如权利要求1所述的基于BP神经网络的顺序输送
7.如权利要求1所述的基于BP神经网络的顺序输送管道混油切割及回掺方法，其特征在于：所述富汽、富柴混油量、混油中汽柴油浓度的计算为根据公式(3)和公式(4)计算出汽油中最大允许掺混柴油的浓度和柴油中最大允许掺混汽油浓度，进入混油罐中的富汽混油和富柴混油中的汽油体积和柴油体积均通过积分计算，按照比例关系计算出汽油和柴油中的富汽混油和富柴混油掺混浓度。
8.一种基于BP神经网络的顺序输送管道混油切割及回掺系统，基于权利要求1～7任一所述的基于BP神经网络的顺序输送管道混油切割及回掺方法，其特征在于：包括，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的基于BP神经网络的顺序输送管道混油切割及回掺方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的基于BP神经网络的顺序输送管道混油切割及回掺方法的步骤。
...【技术特征摘要】
1.一种基于bp神经网络的顺序输送管道混油切割及回掺方法，其特征在于：包括，
2.如权利要求1所述的基于bp神经网络的顺序输送管道混油切割及回掺方法，其特征在于：所述油样数据包括，汽油的终馏点、馏出温度、密度、粘度，柴油的闪点、密度、粘度，管道基础数据包括管径和流量；
3.如权利要求2所述的基于bp神经网络的顺序输送管道混油切割及回掺方法，其特征在于：对所述归一化处理后的浓度数据进行绘图并基于curve fitting对曲线进行拟合，拟合公式为玻尔兹曼方程，如下式(2)所示：
4.如权利要求1所述的基于bp神经网络的顺序输送管道混油切割及回掺方法，其特征在于：所述黑箱模型是基于bp神经网络建立dx与前行及后行油品性质和管输物性参数的黑箱模型，并进行样本训练，最终得到的输入包括管道及所输油品性质，输出包括混油段浓度曲线数据的黑箱模型，以此预测混油段浓度变化规律。
5.如权利要求1所述的基于bp神经网络的顺序输送管道混油切割及回掺方法，其特征在于：所述允许掺混浓度的计算包括，
6.如权利要求1所述的基于bp神经网络的顺序输送管道混油切割及回掺方法，其特征在于：所述混油头和混油尾的切...
【专利技术属性】
技术研发人员：雷云，赖德华，朱浩然，于鹏飞，彭浩平，
申请(专利权)人：常州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。