[发明专利]一种基于PSO-BP神经网络的天然气湿气管道持液率预测模型方法

说明书

基于PSO‑BP神经网络预测天然气湿气管道持液率的方法，对湿气管道实验数据进行收集并分析；确定BP神经网络初始结构；确定PSO(粒子群算法)粒子的维度、初始速度及初始位置；更新最低适应度值粒子的速度及位置；计算最优权值和阈值；检验模型准确性；计算湿气管道系统的持液率参数。本发明为解决BP神经网络的不足，采用粒子群算法优化BP神经网络，避免了BP神经网络迭代缓慢和陷入局部最优解的缺陷，适用范围宽，准确率高。除了湿气管道，本发明同样适用于动力工程、核能利用、化工等工业领域的气液两相流持液率流动参数预测。

技术领域

本发明涉及一种基于PSO-BP(粒子群优化BP神经网络)的天然气湿气管道持液率

预测模型方法，属于气液两相流预测领域。

背景技术

相比于石油和煤炭等一次能源，天然气是一种更清洁的能源，随着我国碳达峰和碳中和目标的提出，国内天然气行业的发展更是进入了快车道。我国天然气资源多分布在山地和丘陵地区，所以天然气输送管道往往会随沿线地形起伏。输气管道中的温度低于水的饱和温度或者重组分的露点，则天然气中的重组分就会析出并聚集在管线低洼处。输气管线中出现的液体会影响管线安全运行，甚至会导致严重管输事故的发生。持液率是指在气液两相流动过程中，液相的过流断面面积占总过流面积的比例。在天然气湿气管道的水力计算中，持液率是一项重要的水力特性参数。持液率的计算是流型判别和压降计算的基础，在工艺计算中占有重要的地位。持液率的准确预测是解决许多输气管道流动保障难题的前提。为了保障输气管线的平稳、安全和高效运行，需要对持液率进行准确的预测。

虽然现阶段已经出现了许多的气液两相流持液率计算模型，但是这些计算模型大多是基于经验或半经验相关式。选用不同的持液率计算模型去计算持液率，其结果往往有较大差异。随着人工智能学科多年的发展，人工智能已经在多相流预测领域进行交叉融合，并取得了很好的效果。肖荣鸽等基于灰色理论和WOA-BP算法建立鲸鱼算法优化BP神经网络的持液率预测模型，具有更高的计算精度，适用范围更广；邵孟良等基于GA-BP神经网络模型的初始阈值及权值进行优化，弥补了单一BP网络模型预测气液两相流持液率时收敛速度慢随机性大等问题；陈星杙等基于ACE算法建立了水平管道持液率计算模型，具有较高的计算精度，适用范围广，为水平管道气液两相流持液率计算提供借鉴。

持液率的影响因素包括湿气管道的管径、压力、气速、液速、温度、液相粘度等，所以持液率的预测属于多因素影响的复杂非线性映射问题。BP神经网络算法有很强的非线性映射能力，但是传统的BP网络算法不仅收敛速度较慢，而且初始神经网络的权值和阈值的选取具有随机性，将会出现预测精度差、预测不稳定等问题。为了解决传统的BP网络算法收敛速度较慢、预测精度差、预测不稳定等问题，研究者提出了一种利用PSO(粒子群算法)优化BP神经网络对湿气管道持液率进行在线预测的方法。

发明内容

本发明的目的是提供一种基于PSO(粒子群算法)-BP神经网络的湿气管道持液率预测方法，对湿气管道的持液率进行在线预测，从而根据湿气管道的持液率来进行调整清管周期等操作，保障输气管线的平稳、安全和高效运行。

本发明以湿气管道持液率为目标函数和以湿气管道的管径、压力、气速、液速、温度、液相粘度6个影响因素为自变量，对自变量和目标函数进行分析以及归一化处理，从而建立自变量与目标函数的映射关系，依靠PSO-BP神经网络不停训练、学习，进而预测湿气管道持液率。

基于PSO-BP神经网络预测湿气管道持液率的方法，具体步骤如下：

步骤1：收集湿气管道持液率实验数据，分组划分成训练组数据和测试组数据；

步骤2：依据神经网络的输入、输出样本集，建立BP神经网络模型的的拓扑结构，将输入层、隐含层和输出层的神经元之间的权值以及阈值编码成实数向量，代表种群中的个体粒子；

步骤3：确定PSO(粒子群算法)粒子位置和速度向量的维度，D＝输入层至隐含层的连接权值个数+隐含层至输出层的连接权值个数+隐含层的阈值个数+输出层的阈值个数；