检索结果-维普期刊中文期刊服务平台

基于K近邻互信息估计的原油管道电耗预测被引量：3: 1; 作者李雨侯磊 +4 位作者徐磊白小众刘金海孙欣谷文渊《节能技术》 CAS 2021年第2期144-148,164,共6页; 为使用最少的特征实现管道电耗的精准预测,建立基于K近邻互信息估计的BPNN模型来预测管道电耗。利用管道输送理论公式扩充原始数据集,利用K近邻互信息估计提取强相关性特征,将提取出的特征喂入BPNN来建立原油管道电耗预测模型,最后对比... 展开更多; 关键词原油管道电耗预测 BP神经网络相关性分析互信息估计; 在线阅读下载PDF 职称材料

基于自取法和支持向量机原理的原油管道运行电耗中期预测方法研究被引量：6: 2; 作者朱振宇白小众 +4 位作者徐磊侯磊刘金海谷文渊孙欣《石油科学通报》 2021年第1期127-137,共11页; 电耗预测是原油管道运行能耗管理的重要依据,有助于输油企业制定批量调度与负荷分配等运行方案。相较于工艺计算和统计分析等传统预测方法,机器学习方法在处理高维、非线性的管道运行数据时具有更优的预测效果。但由于数据获取成本很高... 展开更多; 关键词原油管道电耗预测自取法支持向量机小样本虚拟样本; 在线阅读下载PDF 职称材料

基于机器学习的原油管输能耗预测方法研究被引量：6: 3; 作者徐磊侯磊 +7 位作者李雨张鑫儒白小众雷婷朱振宇刘金海谷文渊孙欣《石油科学通报》 2020年第4期567-577,共11页; 准确的短期能耗预测是原油管道能耗管理的重要依据,有助于能耗目标设定、调度优化和机组组合。原油管道能耗主要体现在泵机组上消耗的电能,因此,有必要对原油管道电耗展开准确预测。传统预测方法通常忽略数据噪声干扰,对数据非线性特征... 展开更多; 关键词能耗预测原油管道分解技术机器学习反向传播神经网络; 在线阅读下载PDF 职称材料

基于混合BP神经网络的原油管道电耗预测研究被引量：5: 4; 作者李雨侯磊 +4 位作者徐磊白小众刘金海孙欣谷文渊《石油化工高等学校学报》 CAS 2022年第2期68-73,共6页; 原油管道电耗的准确预测能够用于控制原油管道耗能水平,充分挖掘原油管道输送系统的节能潜力。实际采集到的原油管道运行数据具有波动范围大的特点,且存在严重的噪声干扰和信息冗余,对精确预测管道电耗造成不良影响。为解决上述问题,提... 展开更多; 关键词原油管道电耗预测人工神经网络改进粒子群算法; 在线阅读下载PDF 职称材料

题名基于K近邻互信息估计的原油管道电耗预测被引量：3: 1; 作者李雨侯磊徐磊白小众刘金海孙欣谷文渊; 机构中国石油大学(北京)石油工程教育部重点实验室中国石油天然气集团公司油气储运重点实验室国家管网集团北方管道有限责任公司锦州输油气分公司; 出处《节能技术》 CAS 2021年第2期144-148,164,共6页; 文摘为使用最少的特征实现管道电耗的精准预测,建立基于K近邻互信息估计的BPNN模型来预测管道电耗。利用管道输送理论公式扩充原始数据集,利用K近邻互信息估计提取强相关性特征,将提取出的特征喂入BPNN来建立原油管道电耗预测模型,最后对比利用不同输入特征建立的模型的预测精度。研究结果表明:利用K近邻互信息估计能够选出多个与电耗相关的重要特征;利用相关性最强的前5个特征建立的BPNN预测模型时,模型的平均绝对百分比误差比利用单个特征建模时降低了39.28%,达到5.79%;该模型平均训练时间也比利用全部特征建模时缩短22.49%。证明K近邻互信息估计能够提取管道电耗的相关特征,与BPNN结合后能够实现管道电耗的准确预测。; 关键词原油管道电耗预测 BP神经网络相关性分析互信息估计; Keywords crude oil pipeline energy consumption prediction BP neural network correlation analysis estimating mutual information; 分类号 TE832 [石油与天然气工程—油气储运工程]; 在线阅读下载PDF 职称材料

题名基于自取法和支持向量机原理的原油管道运行电耗中期预测方法研究被引量：6: 2; 作者朱振宇白小众徐磊侯磊刘金海谷文渊孙欣; 机构中国石油大学(北京)机械与储运工程学院中国石油天然气集团公司油气储运重点实验室国家管网集团北方管道有限责任公司锦州输油气分公司; 出处《石油科学通报》 2021年第1期127-137,共11页; 文摘电耗预测是原油管道运行能耗管理的重要依据,有助于输油企业制定批量调度与负荷分配等运行方案。相较于工艺计算和统计分析等传统预测方法,机器学习方法在处理高维、非线性的管道运行数据时具有更优的预测效果。但由于数据获取成本很高、数据存在安全保密性等原因,往往将造成可获取的管道数据集是小样本,以此建立的模型预测精度难以满足实际生产需求。为提高模型在小样本集情况下的预测能力,通过利用数据生成理论提出一种自取法和支持向量机相结合的管道运行电耗预测模型。利用自取法对原始小样本集数据进行扩充,根据原始数据集的分布规律生成虚拟样本,填充样本信息间隔,避免出现过拟合问题;使用粒子群算法对支持向量机的超参数进行优化,提高模型的拟合能力。以国内某保温原油管道的两站场为例进行建模预测分析,预测结果表明,相较于只利用原始数据集,添加虚拟样本后多数预测值更加贴近真实值,且当两站场分别加入50组虚拟样本后,其月度电耗预测结果的平均绝对误差(MAE)分别降低了32.38%和29.74%,证明通过向原始数据集中添加虚拟样本以扩充数据集规模,能够有效降低预测误差,提高模型的拟合能力,这为管道数据获取成本过高、企业重视数据安全等原因造成的可用样本不充足问题提供了一种新的解决思路。; 关键词原油管道电耗预测自取法支持向量机小样本虚拟样本; Keywords crude oil pipeline energy consumption prediction bootstrap support vector machine small sample virtual sample; 分类号 TE832 [石油与天然气工程—油气储运工程] TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于机器学习的原油管输能耗预测方法研究被引量：6: 3; 作者徐磊侯磊李雨张鑫儒白小众雷婷朱振宇刘金海谷文渊孙欣; 机构中国石油大学(北京)机械与储运工程学院中国石油大学(北京)油气管道输送安全国家工程实验室/石油工程教育部重点实验室国家管网集团北方管道有限责任公司锦州输油气分公司; 出处《石油科学通报》 2020年第4期567-577,共11页; 基金国家重点研发计划项目“油气长输管道及储运设施检验评价与安全保障技术”(2016YFC0802100)资助。; 文摘准确的短期能耗预测是原油管道能耗管理的重要依据,有助于能耗目标设定、调度优化和机组组合。原油管道能耗主要体现在泵机组上消耗的电能,因此,有必要对原油管道电耗展开准确预测。传统预测方法通常忽略数据噪声干扰,对数据非线性特征的研究也不够深入,上述因素使原油管道能耗预测变得复杂。因此,提出一种将分解技术、分层抽样、改进粒子群算法和反向传播神经网络相结合的混合预测模型,模型由数据预处理、优化、预测和评价4个部分组成。采用数据分解技术去除冗余噪声,提取数据的主要特征;采用分层抽样对数据集进行划分,避免随机抽样引起的样本偏差;将改进粒子群算法优化后的反向传播神经网络作为预测器。针对我国3条原油管道,对提出的模型展开准确性评价,平均绝对百分误差分别为4.02%、3.58%和3.88%。研究表明,相比几种主流机器学习和SPS软件内的能耗预测模块,提出的预测模型具有较高的预测精度和较强的泛化能力,能被用于原油管道短期电耗预测。; 关键词能耗预测原油管道分解技术机器学习反向传播神经网络; Keywords energy consumption prediction crude oil pipeline decomposition technique machine learning method back-propagation neural networks; 分类号 TE832 [石油与天然气工程—油气储运工程] TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于混合BP神经网络的原油管道电耗预测研究被引量：5: 4; 作者李雨侯磊徐磊白小众刘金海孙欣谷文渊; 机构中国石油大学(北京)石油工程教育部重点实验室国家石油天然气管网集团有限公司油气调度中心国家管网集团北方管道有限责任公司锦州输油气分公司; 出处《石油化工高等学校学报》 CAS 2022年第2期68-73,共6页; 基金国家重点研发计划项目(2016YFC0802100)。; 文摘原油管道电耗的准确预测能够用于控制原油管道耗能水平,充分挖掘原油管道输送系统的节能潜力。实际采集到的原油管道运行数据具有波动范围大的特点,且存在严重的噪声干扰和信息冗余,对精确预测管道电耗造成不良影响。为解决上述问题,提出一种基于混合神经网络的电耗预测模型。利用自适应噪声的完备集成经验模态分解,对原油管道日运行数据进行分解;利用主成分分析对分解后数据做降维处理;利用改进粒子群算法调节神经网络结构参数;使用该模型预测某原油管道电耗,并与常见的几种预测模型展开对比。结果表明,分解算法能够提高模型预测精度;该混合神经网络模型预测精度最高,其测试集的平均绝对误差为5.394%,较使用分解算法前降低39.200%。; 关键词原油管道电耗预测人工神经网络改进粒子群算法; Keywords Crude oil pipeline Power consumption prediction Artificial neural network Improved particleswarm optimization algorithm; 分类号 TE832 [石油与天然气工程—油气储运工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于K近邻互信息估计的原油管道电耗预测	李雨侯磊徐磊白小众刘金海孙欣谷文渊	《节能技术》 CAS	2021	3	在线阅读下载PDF 职称材料
2	基于自取法和支持向量机原理的原油管道运行电耗中期预测方法研究	朱振宇白小众徐磊侯磊刘金海谷文渊孙欣	《石油科学通报》	2021	6	在线阅读下载PDF 职称材料
3	基于机器学习的原油管输能耗预测方法研究	徐磊侯磊李雨张鑫儒白小众雷婷朱振宇刘金海谷文渊孙欣	《石油科学通报》	2020	6	在线阅读下载PDF 职称材料
4	基于混合BP神经网络的原油管道电耗预测研究	李雨侯磊徐磊白小众刘金海孙欣谷文渊	《石油化工高等学校学报》 CAS	2022	5	在线阅读下载PDF 职称材料