[发明专利]一种基于集成学习的输油管道水力预测方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

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。

发明内容

为了克服传统的输油管道水力预测中经验系数与实际偏差较大、单一模型泛化能力较差的问题，本发明提出了一种基于集成学习的输油管道水力预测方法。采用stacking集成方法，将修正经验公式方法和极端梯度提升机器学习方法作为初级学习器，使用多元线性回归方法作为二级学习器，将修正经验公式和极端梯度提升机器学习进行融合，建立基于集成学习方法的输油管道水力预测模型，提高输油管道水力预测的准确度。

为实现上述目的，本发明技术方案主要包括如下步骤：

A.构建输油管道运行历史数据集：

从输油管道实时数据库中提取输油管道运行数据，保留经验公式所需的油品粘度、密度数据，将剩余的油品物性数据使用主成分分析法，提取油品物性的主要特征分量，预处理后得到输油管道运行历史数据集。

B.建立初级学习器：

(1)采用最小二乘的思想对水力预测经验公式进行修正，构建基于修正的经验公式输油管道水力预测模型，以真实值和预测值的平方误差为损失函数，以经验公式中的经验系数为修正变量，使用梯度下降方法优化经验系数，将修正的经验公式作为一个初级学习器；

(2)采用极端梯度提升机器学习方法构建基于机器学习的输油管道水力预测模型，以正则化的均方误差作为损失函数，采用增益Gian(D)寻找决策树的最佳分割点，并将生成的决策树加入到决策树簇中，更新决策树簇整体预测结果，经过多次迭代，逐步缩减真实值与预测值之间的残差，形成基于机器学习的输油管道水力预测模型，将其作为集成学习的一个初级学习器。

C.Stacking集成学习：

(1)设置stacking交叉验证次数为K，以修正的经验公式和极端梯度提升机器学习两种方法作为初级学习器，以线性回归方法作为二级学习器；

(2)将数据集T划分为K个大小基本相等的集合{T₁,T₂,...T_k}；