成品油管道智能化批次調度研究現狀及思考*

廖綺 涂仁福 徐寧 段志剛 梁永圖

1中國石油大學（北京）油氣管道輸送安全國家工程實驗室·石油工程教育部重點實驗室·城市油氣輸配技術北京市重點實驗室

2中油國際管道公司

為應對成品油管道批次調度問題，從工程實際出發，以特定管道為研究對象開發了人機交互形式的計劃編制軟件。隨著油氣長距離輸送管道向“互聯互通”方向發展，管道系統結構日趨復雜，托運方對管輸服務質量要求也不斷提升。管道企業若想保證管道安全、高效運行，必須改變人機交互編制調度計劃的現狀，提高自動化程度，向著智能化調度方向邁進。成品油管道調度屬于復雜的運籌學問題，常規的傳統優化方法受限于計算機求解速度，較難直接編制系統結構相對復雜的批次調度計劃。過去的研究涉及調度模型的完善、實時算法的開發、計劃靈活性的提升，奠定了智能化調度發展的基礎。

以國內外成品油管道調度計劃編制軟件的發展歷程為基礎，結合智能管道的理論研究成果，對智能化管道調度提供技術支持。整理了管道智能化批次調度應涉及的內容以及當前方法的研究現狀和建議，以期有助于成品油管道智能化調度發展。

1 成品油管道調度發展

國外在成品油管道批次調度計劃方面的研究起步較早。Colonial 管道是當前世界上規模最大的成品油管道系統，與其相配套的計劃編制仿真軟件能夠根據輸送任務對油品進行自動排序，有效計算油頭位置、批次剩余體積、混油量以及批次到達指定地點的時間等，自動化程度較高。前蘇聯成品油管道系統是基于水力計算、泵特性及當地電價所開發的仿真系統，包括批次注入、批次跟蹤、泄漏檢測等模塊。本世紀初，REJOWSKI[1]和CAFARO[2]等分別依據不同的建模方法解決單注入點的管道系統調度問題。此后，二位學者所在的研究團隊又著眼于更加復雜的成品油管道系統、考慮更加實際的約束條件，取得了豐富的理論成果。在國內，隨著蘭成渝成品油管道的建成投產，有關調度計劃編制軟件循序漸進的研究開發。依據現場操作的實際需求，按中間分輸站不分輸混油，分輸總流量不能太大，沿線分輸量盡量保持相對平穩等原則，梁永圖[3]等人用成品油管道運行模擬軟件制定沿線站場的分輸計劃，該方法主要通過人機交互模擬調整分輸計劃，最終得到一個比較滿意的方案。宋飛[4]和梁永圖[5]等針對蘭成渝成品油管道分別開發了調度計劃編制軟件，大大減少了人工時間成本。徐敬波[6]等針對新疆多條成品油管道制定計劃中存在的問題，在考慮多種約束條件后對管輸計劃進行優化，利用歷史數據進行試驗仿真，有效提高了管輸效率，并對泵的操作計劃、水力模擬等均逐步給予考慮。姜夏雪[7]等通過遠程訪問SCADA 系統數據，提高了計劃編制的準確性和工作效率。劉靜[8]等對雙油源樹狀管道的計劃編制進行研究，所開發的軟件能夠綜合考慮支線和干線情況。馬晶等[9]以甬紹金衢成品油管道為研究對象，所開發的計劃編制軟件較前人降低了對操作人員的依賴，并考慮了全線水力約束，實現了自動編制功能，初步體現了智能化調度，使成品油管道調度軟件對其輸送業務的發展起到了重要作用。

管道調度計劃直接影響管道的運行安全、輸送效率以及下游市場的油品供給。確定管道系統內設備運行、各源點注入、各下游市場分輸等最優方案是管道調度優化的實質所在。管道調度方案優化是在綜合考慮管道拓撲結構與工藝運行約束條件基礎上，借助運籌學理論建立起調度問題的數學模型，求解獲得最優調度方案。隨著國內外對于油氣管道調度問題研究的深入，傳統的調度計劃編制方法已逐步發展為更高效的智能調度方法。

2 智能化調度

2.1 技術支持

物聯網、大數據、云計算、人工智能等現代信息技術和決策技術正在快速發展，宮敬[10]等認為油氣管道將因此而發生根本性轉變，從安全性和效率性兩方面深度分析了以“智能管道”“智慧管網”為核心的發展理念。吳長春[11]等認為“智慧運行、智慧管理及智慧調控”是智慧管道的主要標志，其在很大程度上反映了智慧管道的總體水平，應作為智慧管道建設的重點內容。作為指導成品油管道運行的調度系統，最基本的要求是確保油品的輸送安全。除此之外，需盡可能減少輸送過程中的混油損失；降低由于工況變化帶來的壓力波動；減少工況變化次數，降低操作強度等。當成品油管道系統中如儲油罐、離心泵、閥門、流量計等終端被傳感器賦予了感知功能，能夠實時采集信息并傳送到調控中心時，調度系統可展現出感知性、實時性、透明性的新特征。

根據宮敬、吳長春[10-11]等對智能管道發展的研究，智能調度的技術支持可總結為：整理并分析在線管道監測系統所獲取的實時運行數據后，基于成品油管道調度知識，利用人工智能方法，準確定量預測短、中、長期內用戶油品托運趨勢，結合傳統調度模型，模仿調度員經驗開發算法獲得智能決策方案，最終“快、準”制定成品油管道調度計劃，保證調度計劃的時效性、可行性。

2.2 優化運行

對于成品油管道而言，考慮到油庫庫容、站場設備和管道設施的安全范圍以及混油損失等因素，一般來說，調度計劃需確定各油品批次順序、批次體積、運行流量、配泵方案等較為詳細的管道和站場操作信息。通過對以往研究的整理發現，成品油管道優化運行的主要內容包含以下幾個方面：

（1）首站、分輸站及末站油品的收發。成品油管道首站來油方式包括管道、水路、鐵路等。在市場化的導向下，首站由單油源向多油源發展的趨勢日漸明顯，但注入能力和庫容是有限的，進行多油源平衡是必要的。油品以批次的形式進入管道，決策內容包括批次順序、批量以及注入流量。分輸站、末站同樣需要考慮市場的消耗速度、站場庫容等。

（2）站場設備的啟、停以及運行參數調整。成品油管道在輸送不同油品時，對應的配泵方案也是不同的。雖在管道設計時，對此問題就會有所考慮，但開泵方案優化仍是管道調度的重要內容，同時也是節約能耗的有效手段[12]。在制定配泵的操作計劃時，要對復雜的水力系統進行考慮。

（3）分輸作業、工藝流程的自動化。各分輸站按照需求進行分輸作業時，其操作會影響到上、下游站場的分輸流量和管段的運行流量等，要有可執行的分輸計劃予以應對[13]。分輸工藝的自動化能夠有效減少水擊次數，準確控制油品分輸量等。

（4）接收來自調度中心的指令，并完成相應操作。調度中心利用SCADA 系統向站場設備發送指令后，該設備有能力按照要求立即執行，如泵的啟停、閥的開關等。

（5）向調度中心傳送各種信號及自動報警。站場設備通過傳感器采集數據，實時傳送至調控中心，使其能夠正確研判管道所處狀態，在偏離正常工況時可以提前采取相應措施[14]。對于所采集的數據應具有自處理能力。

（6）自動完成摻混操作。長距離管道在輸送不同油品時，會產生混油，自動化設施自主識別混油性質，采用兩段、三段、四段或五段切割方式將混油分輸進罐。嚴格按照設定的質量要求，自主進行摻混操作。

成品油管道智能化批次調度涉及（1）～（3）點，提出智能化批次調度的具體內容為趨勢預測、主動調度、實時算法[15]（圖1），三大內容呈閉環形式，互為基礎、相互支撐。

圖1 智能化批次調度內容閉環Fig.1 Intelligent batch scheduling content closed-loop

2.2.1 趨勢預測

油品消耗量隨著時間呈波動形式，進行趨勢預測是預調度的關鍵點，且不再滿足于定性預測，將追求更加確切的定量預測。所謂定性預測，更多是靠專家討論或者基于歷史數據類推而得出的長期需求趨勢，無法得出較為準確的數字；而定量預測是通過數學模型得出較為具體的短期或長期的預測數據[16]。智能化批次調度趨勢預測是借助歷史運行數據，分析關鍵影響因素，進行已有或潛在用戶的托運需求量預測。在管道執行托運任務時，其輸送能力也會受到自身狀態的影響，如地溫會影響到油品體積，腐蝕深度會影響到管道承壓等。但成品油管道運營方在制定管道調度計劃時，此類因素通常是不予考慮的。原因在于同一時期的地溫變化幅度較小，通過歷史運行數據的規律學習，能夠有效掌握；腐蝕是一個長時間的過程，管道方通常會定期檢測，進而采取相應措施。趨勢預測是實現智能化批次調度的第一步，也是智能調度決策中不可或缺的參考數據。

2.2.2 主動調度

主動調度是指利用生產過程中的實時狀態數據，分析管道系統狀態變化趨勢，對其中可能出現的異常趨勢進行提前調度的一種預調度方式，其模型和所能解決問題的復雜度更進一步。與之對應的是傳統的被動調度，只能按照事先定好的調度計劃按部就班，無法及時對市場需求和運行狀態的變化做出響應。實時調度是能夠根據市場變化做出一定程度反應的調度方式，是由被動調度發展而來。而主動調度是實時調度的進一步發展，從某種意義上可以認為基于趨勢預測的實時調度就是主動調度。這種調度方式與傳統調度方法相比，對于市場需求及管道狀態的變化有充分的預見性，可以極大增加成品油管道企業的操作靈活性[17]。

2.2.3 實時算法

智能調度與算法息息相關，各類算法是實現智能調度的關鍵一環。算法的求解效率直接影響到調度計劃的時效性，近年來的實時調度或在線調度已經對此做出了相當高的要求。對于成品油管道而言，介質互通是未來一段時間發展方向，管道之間聯絡功能將逐步增強。那么，管道的流向、油源的供應都將呈現多元化[18]。不論是趨勢預測涉及到的數據量，還是主動調度模型的規模，都將急劇增大而導致求解難度隨之急劇上升。由此可以看出，實時算法是趨勢預測和主動調度的重要組成部分。

3 智能化批次調度方法

將整個智能化批次調度分為趨勢預測和主動調度兩個模塊（圖2）。首先，建立管道歷史運行數據庫，利用線性回歸、支持向量機、決策樹回歸、隨機森林、梯度提升等算法實時預測管道托運情況；將預測結果輸入至所建立的成品油管道調度模型，采用階段分解、自學習、數據驅動等算法，借助歷史數據高效求解調度計劃；執行滿意的管道調度計劃后，將完整數據存入歷史數據庫。將框架中趨勢預測和主動調度兩個模塊所涉及的方法，結合成品油管道調度進行具體介紹。

圖2 成品油管道智能批次調度方法框架Fig.2 Framework of intelligent batch scheduling method for product oil pipeline

3.1 趨勢預測模塊

由于成品油管道剛獨立于銷售公司，詞匯“管道托運”也是借鑒于其他物流行業，相關的研究較少。通過整理文獻可知，過去的研究中，趨勢預測主要涉及管道運行狀態預測和油品供需預測，但所使用的具體方法大體是一致的。圖2 中提及的預測算法統稱為機器學習算法，雖然數學原理上有所區別，但其目的都是基于大量的歷史數據預測未來某一段時間的情況。如用決策樹回歸、隨機森林、梯度提升算法預測管道停輸后的壓力變化以指導現場的運行管理[19]，用隨機森林算法、貝葉斯估計方法對管道缺陷進行預測來控制風險，用人工神經網絡方法、支持向量機預測管道威脅[20]；基于時間序列分析預測法建立油品價格預測模型和加油站日需求量，用線性回歸和循環神經網絡預測成品油消耗量[21]。之所以方法多樣，是因為不同的方法針對同一問題的適應性差異較大，尋求合適的預測算法并且確定算法內部參數值是該方面研究的重要內容。同理，此類方法對于管道托運量的預測同樣適用。

為預測模型選用算法時，都會經過預測算法選擇步驟（圖3）。由于傳感器所采集的是歷史存檔的運行數據，往往是不能直接使用的，存在數據缺失、噪聲、不一致、冗余等情況，需要經過數據預處理。過去的研究中，對數據預處理的方法可以概括為數據清洗、數據轉換、數據描述、特征選擇或組合及特征抽取等；為了獲得對所要解決問題適應性更強的預測模型，基于各種預測算法進行建模并對結果進行評價，評價指標包括準確率（Accuracy）、精確率（Precision）、召回率（Recall）等；進而選擇合適的算法，獲得預測結果。

圖3 預測算法選擇步驟Fig.3 Prediction algorithm selection steps

以基于長短期記憶網絡（Long Short Term Memory，LSTM）算法預測已有或潛在用戶的成品油托運量為例，確定托運量預測流程（圖4）[22]。在對歷史托運量數據（除托運量外，還應包含天氣等外部因素）進行預處理后（歸一化），進行經驗模式分解得到若干本征模函數（IMF）分量和一個余波（res）；分別利用LSTM 對各個IMF 和res 構建相應的預測模型并求解；最終將結果累加得到成品油托運量預測值，為已有或潛在用戶服務。

圖4 成品油托運量預測流程Fig.4 Forecasting process of product oil consignment volume

3.2 主動調度模塊

經過二十多年的發展，成品油管道調度模型層出不窮，相關領域的研究對象逐步從簡單管道系統到枝狀、環狀、樹狀管網系統。為了使研究內容更加貼近工程實際，調度模型的復雜程度不斷提升，除考慮批次運移約束、物料守恒約束、分輸注入流量約束、管段運行流量約束、站場分輸約束等基本約束外，還單獨或統一考慮了油庫庫容約束、油庫油品外輸約束、站場注入約束、批量約束、批次次序約束、混油段停輸約束等工藝約束。模型不再簡單地以滿足站場需求為目標，額外考慮管道運行費用、流量平穩等[23]。這些工作為主動調度奠定了良好基礎，但由此帶來的求解時間成本也不斷增加，在調度模型構建方面下足功夫的同時需要尋求、開發高效的求解算法。如利用各種啟發式算法對調度模型進行預處理，確定模型中部分變量的取值后再利用傳統優化方法求解；將原問題分解為若干個子問題，對每個子問題進行建模并利用經典優化方法、啟發式算法或智能算法求解；不直接建立嚴格的數學模型，直接采用啟發式算法或智能算法求解。

運營企業在應對中長期規劃時，必須定期更新管道調度計劃，即需要解決油品托運方增刪計劃問題，這被稱為動態管道調度問題（Dynamic Pipeline Scheduling Problem，DPSP）。在DPSP 中，管道調度計劃應被視為一個動態的時間表，即調度計劃的制定是在固定時長的多周期滾動范圍內。在這種情況下，只需要立即執行滾動時間段中當前階段的調度決策（圖5）。動態調度方法主要包含五個階段：初始化階段、數據更新階段、計劃更新階段、管道調度階段、滾動階段。其中，該方法的核心是滾動階段，預測模塊將管道運行和市場需求的預測結果輸入到數據更新階段，從而更新下一個時間段的管道詳細調度計劃并執行，以此類推[24]。

圖5 成品油管道動態調度方法Fig.5 Dynamic scheduling method for product oil pipeline

通過以分階段求解方法為切入點，獲得較為完整的管道調度計劃。方法流程如圖6 所示，信息輸入后按順序執行預處理模塊和調度模塊，最后輸出求解結果。調度模塊一般是利用傳統優化方法求解，而預處理模塊通常是采取深度搜索算法、蟻群算法、模擬退火算法等求解[25-26]。預處理模塊的主要任務是確定部分變量值，如批次注入順序、油品類型、批量、注入流量等。

圖6 管道調度計劃分階段求解流程Fig.6 Staged solution process for pipeline scheduling plan

動態調度和階段分解方法很好地解決了中長期調度計劃的快速求解，但對于結構復雜、規模龐大的成品油管道而言，即使將調度周期劃分為較短的固定時長，也不能達到實時求解的水平。自學習、數據驅動等智能算法的提出，節約了求解時間成本。自學習算法框架如圖7 所示，利用圖7 的兩階段分解算法求解新的調度計劃。數據驅動算法同樣利用了歷史數據庫，不同的是以神經網絡進行訓練[27]。這些算法極大地縮短了成品油管道調度計劃編制時間，為智能化調度提供了實時求解基礎。

圖7 自學習算法框架Fig.7 Self-learning algorithm framework

4 結論與展望

隨著智能管道的發展，成品油管道調度逐步從人機交互向智能化方向發展。調度計劃編制軟件在發展過程中雖不斷提高了自動化程度，但制定高效、靈活的成品油管道調度計劃，必須以原有研究為基礎，借助物聯網、大數據、人工智能等現代化技術，實現智能化調度。通過對管道運行優化的分析整理，提出智能化批次調度包括趨勢預測、主動調度、實時算法。通過國內外學者關于成品油管道調度的研究，梳理了智能化批次調度的相關方法，供管道從業者參考。

（1）當前，管道運行數據量存在不規范、不健全等亟待解決的難題。只有保證了數據標準、統一，才能利用預測算法有效地預測托運需求，保證調度決策的準確性。

（2）現階段未有將趨勢預測整合到成品油管道調度計劃求解的先例，這也導致在調度方法上停留于實時調度的層面。

（3）主動調度的核心是實時算法，其主要研究任務仍是提高其求解效率，爭取時間上的優勢，為管道調度實時決策提供支持。應注意算法結合，以一種算法的處理結果作為另一種算法的輸入，能夠有效提升算法效能。

（4）只有將托運需求變化、管道運行狀態變化緊密結合，定量預測，依靠管道充分的感知能力，基于高效的求解算法，才能實現從實時調度向主動調度轉變，準確的托運需求預測需要成品油銷售公司的配合，在具體實際中很難突破因不同的業務板塊而產生的商業壁壘。