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(shù)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(diào)度問題，從工程實際出發(fā)，以特定管道為研究對象開發(fā)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(lián)互通”方向發(fā)展，管道系統(tǒng)結(jié)構(gòu)日趨復雜，托運方對管輸服務(wù)質(zhì)量要求也不斷提升。管道企業(yè)若想保證管道安全、高效運行，必須改變?nèi)藱C交互編制調(diào)度計劃的現(xiàn)狀，提高自動化程度，向著智能化調(diào)度方向邁進。成品油管道調(diào)度屬于復雜的運籌學問題，常規(guī)的傳統(tǒng)優(yōu)化方法受限于計算機求解速度，較難直接編制系統(tǒng)結(jié)構(gòu)相對復雜的批次調(diào)度計劃。過去的研究涉及調(diào)度模型的完善、實時算法的開發(fā)、計劃靈活性的提升，奠定了智能化調(diào)度發(fā)展的基礎(chǔ)。

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

1 成品油管道調(diào)度發(fā)展

國外在成品油管道批次調(diào)度計劃方面的研究起步較早。Colonial 管道是當前世界上規(guī)模最大的成品油管道系統(tǒng)，與其相配套的計劃編制仿真軟件能夠根據(jù)輸送任務(wù)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(lián)成品油管道系統(tǒng)是基于水力計算、泵特性及當?shù)仉妰r所開發(fā)的仿真系統(tǒng)，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(jù)不同的建模方法解決單注入點的管道系統(tǒng)調(diào)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(tǒng)、考慮更加實際的約束條件，取得了豐富的理論成果。在國內(nèi)，隨著蘭成渝成品油管道的建成投產(chǎn)，有關(guān)調(diào)度計劃編制軟件循序漸進的研究開發(fā)。依據(jù)現(xiàn)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(wěn)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(diào)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(fā)了調(diào)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(yōu)化，利用歷史數(shù)據(jù)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(tǒng)數(shù)據(jù)，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(fā)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(fā)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(xiàn)了自動編制功能，初步體現(xiàn)了智能化調(diào)度，使成品油管道調(diào)度軟件對其輸送業(yè)務(wù)的發(fā)展起到了重要作用。

管道調(diào)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(tǒng)內(nèi)設(shè)備運行、各源點注入、各下游市場分輸?shù)茸顑?yōu)方案是管道調(diào)度優(yōu)化的實質(zhì)所在。管道調(diào)度方案優(yōu)化是在綜合考慮管道拓撲結(jié)構(gòu)與工藝運行約束條件基礎(chǔ)上，借助運籌學理論建立起調(diào)度問題的數(shù)學模型，求解獲得最優(yōu)調(diào)度方案。隨著國內(nèi)外對于油氣管道調(diào)度問題研究的深入，傳統(tǒng)的調(diào)度計劃編制方法已逐步發(fā)展為更高效的智能調(diào)度方法。

2 智能化調(diào)度

2.1 技術(shù)支持

物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算、人工智能等現(xiàn)代信息技術(shù)和決策技術(shù)正在快速發(fā)展，宮敬[10]等認為油氣管道將因此而發(fā)生根本性轉(zhuǎn)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(wǎng)”為核心的發(fā)展理念。吳長春[11]等認為“智慧運行、智慧管理及智慧調(diào)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(shè)的重點內(nèi)容。作為指導成品油管道運行的調(diào)度系統(tǒng)，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(shù)，降低操作強度等。當成品油管道系統(tǒng)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?qū)崟r采集信息并傳送到調(diào)控中心時，調(diào)度系統(tǒng)可展現(xiàn)出感知性、實時性、透明性的新特征。

根據(jù)宮敬、吳長春[10-11]等對智能管道發(fā)展的研究，智能調(diào)度的技術(shù)支持可總結(jié)為：整理并分析在線管道監(jiān)測系統(tǒng)所獲取的實時運行數(shù)據(jù)后，基于成品油管道調(diào)度知識，利用人工智能方法，準確定量預測短、中、長期內(nèi)用戶油品托運趨勢，結(jié)合傳統(tǒng)調(diào)度模型，模仿調(diào)度員經(jīng)驗開發(fā)算法獲得智能決策方案，最終“快、準”制定成品油管道調(diào)度計劃，保證調(diào)度計劃的時效性、可行性。

2.2 優(yōu)化運行

對于成品油管道而言，考慮到油庫庫容、站場設(shè)備和管道設(shè)施的安全范圍以及混油損失等因素，一般來說，調(diào)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(fā)現(xiàn)，成品油管道優(yōu)化運行的主要內(nèi)容包含以下幾個方面：

（1）首站、分輸站及末站油品的收發(fā)。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(fā)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(nèi)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(shè)備的啟、停以及運行參數(shù)調(diào)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(shè)計時，對此問題就會有所考慮，但開泵方案優(yōu)化仍是管道調(diào)度的重要內(nèi)容，同時也是節(jié)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(tǒng)進行考慮。

（3）分輸作業(yè)、工藝流程的自動化。各分輸站按照需求進行分輸作業(yè)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(zhí)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(shù)，準確控制油品分輸量等。

（4）接收來自調(diào)度中心的指令，并完成相應操作。調(diào)度中心利用SCADA 系統(tǒng)向站場設(shè)備發(fā)送指令后，該設(shè)備有能力按照要求立即執(zhí)行，如泵的啟停、閥的開關(guān)等。

（5）向調(diào)度中心傳送各種信號及自動報警。站場設(shè)備通過傳感器采集數(shù)據(jù)，實時傳送至調(diào)控中心，使其能夠正確研判管道所處狀態(tài)，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(shù)據(jù)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(chǎn)生混油，自動化設(shè)施自主識別混油性質(zhì)，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(shè)定的質(zhì)量要求，自主進行摻混操作。

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

圖1 智能化批次調(diào)度內(nèi)容閉環(huán)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(diào)度的關(guān)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(shù)據(jù)類推而得出的長期需求趨勢，無法得出較為準確的數(shù)字；而定量預測是通過數(shù)學模型得出較為具體的短期或長期的預測數(shù)據(jù)[16]。智能化批次調(diào)度趨勢預測是借助歷史運行數(shù)據(jù)，分析關(guān)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(zhí)行托運任務(wù)時，其輸送能力也會受到自身狀態(tài)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(diào)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(shù)據(jù)的規(guī)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(xiàn)智能化批次調(diào)度的第一步，也是智能調(diào)度決策中不可或缺的參考數(shù)據(jù)。

2.2.2 主動調(diào)度

主動調(diào)度是指利用生產(chǎn)過程中的實時狀態(tài)數(shù)據(jù)，分析管道系統(tǒng)狀態(tài)變化趨勢，對其中可能出現(xiàn)的異常趨勢進行提前調(diào)度的一種預調(diào)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(tǒng)的被動調(diào)度，只能按照事先定好的調(diào)度計劃按部就班，無法及時對市場需求和運行狀態(tài)的變化做出響應。實時調(diào)度是能夠根據(jù)市場變化做出一定程度反應的調(diào)度方式，是由被動調(diào)度發(fā)展而來。而主動調(diào)度是實時調(diào)度的進一步發(fā)展，從某種意義上可以認為基于趨勢預測的實時調(diào)度就是主動調(diào)度。這種調(diào)度方式與傳統(tǒng)調(diào)度方法相比，對于市場需求及管道狀態(tài)的變化有充分的預見性，可以極大增加成品油管道企業(yè)的操作靈活性[17]。

2.2.3 實時算法

智能調(diào)度與算法息息相關(guān)，各類算法是實現(xiàn)智能調(diào)度的關(guān)鍵一環(huán)。算法的求解效率直接影響到調(diào)度計劃的時效性，近年來的實時調(diào)度或在線調(diào)度已經(jīng)對此做出了相當高的要求。對于成品油管道而言，介質(zhì)互通是未來一段時間發(fā)展方向，管道之間聯(lián)絡(luò)功能將逐步增強。那么，管道的流向、油源的供應都將呈現(xiàn)多元化[18]。不論是趨勢預測涉及到的數(shù)據(jù)量，還是主動調(diào)度模型的規(guī)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(diào)度的重要組成部分。

3 智能化批次調(diào)度方法

將整個智能化批次調(diào)度分為趨勢預測和主動調(diào)度兩個模塊（圖2）。首先，建立管道歷史運行數(shù)據(jù)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(jié)果輸入至所建立的成品油管道調(diào)度模型，采用階段分解、自學習、數(shù)據(jù)驅(qū)動等算法，借助歷史數(shù)據(jù)高效求解調(diào)度計劃；執(zhí)行滿意的管道調(diào)度計劃后，將完整數(shù)據(jù)存入歷史數(shù)據(jù)庫。將框架中趨勢預測和主動調(diào)度兩個模塊所涉及的方法，結(jié)合成品油管道調(diào)度進行具體介紹。

圖2 成品油管道智能批次調(diào)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(yè)，相關(guān)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(tài)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(tǒng)稱為機器學習算法，雖然數(shù)學原理上有所區(qū)別，但其目的都是基于大量的歷史數(shù)據(jù)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(xiàn)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(jīng)網(wǎng)絡(luò)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(huán)神經(jīng)網(wǎng)絡(luò)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(nèi)部參數(shù)值是該方面研究的重要內(nèi)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(jīng)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(shù)據(jù)，往往是不能直接使用的，存在數(shù)據(jù)缺失、噪聲、不一致、冗余等情況，需要經(jīng)過數(shù)據(jù)預處理。過去的研究中，對數(shù)據(jù)預處理的方法可以概括為數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)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(jié)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(jié)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(wǎng)絡(luò)（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(shù)據(jù)（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(jīng)驗模式分解得到若干本征模函數(shù)（IMF）分量和一個余波（res）；分別利用LSTM 對各個IMF 和res 構(gòu)建相應的預測模型并求解；最終將結(jié)果累加得到成品油托運量預測值，為已有或潛在用戶服務(wù)。

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(diào)度模塊

經(jīng)過二十多年的發(fā)展，成品油管道調(diào)度模型層出不窮，相關(guān)領(lǐng)域的研究對象逐步從簡單管道系統(tǒng)到枝狀、環(huán)狀、樹狀管網(wǎng)系統(tǒng)。為了使研究內(nèi)容更加貼近工程實際，調(diào)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(tǒng)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(wěn)等[23]。這些工作為主動調(diào)度奠定了良好基礎(chǔ)，但由此帶來的求解時間成本也不斷增加，在調(diào)度模型構(gòu)建方面下足功夫的同時需要尋求、開發(fā)高效的求解算法。如利用各種啟發(fā)式算法對調(diào)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(tǒng)優(yōu)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(jīng)典優(yōu)化方法、啟發(fā)式算法或智能算法求解；不直接建立嚴格的數(shù)學模型，直接采用啟發(fā)式算法或智能算法求解。

運營企業(yè)在應對中長期規(guī)劃時，必須定期更新管道調(diào)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(tài)管道調(diào)度問題（Dynamic Pipeline Scheduling Problem，DPSP）。在DPSP 中，管道調(diào)度計劃應被視為一個動態(tài)的時間表，即調(diào)度計劃的制定是在固定時長的多周期滾動范圍內(nèi)。在這種情況下，只需要立即執(zhí)行滾動時間段中當前階段的調(diào)度決策（圖5）。動態(tài)調(diào)度方法主要包含五個階段：初始化階段、數(shù)據(jù)更新階段、計劃更新階段、管道調(diào)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(jié)果輸入到數(shù)據(jù)更新階段，從而更新下一個時間段的管道詳細調(diào)度計劃并執(zhí)行，以此類推[24]。

圖5 成品油管道動態(tài)調(diào)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(diào)度計劃。方法流程如圖6 所示，信息輸入后按順序執(zhí)行預處理模塊和調(diào)度模塊，最后輸出求解結(jié)果。調(diào)度模塊一般是利用傳統(tǒng)優(yōu)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(wù)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(diào)度計劃分階段求解流程Fig.6 Staged solution process for pipeline scheduling plan

動態(tài)調(diào)度和階段分解方法很好地解決了中長期調(diào)度計劃的快速求解，但對于結(jié)構(gòu)復雜、規(guī)模龐大的成品油管道而言，即使將調(diào)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(shù)據(jù)驅(qū)動等智能算法的提出，節(jié)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(diào)度計劃。數(shù)據(jù)驅(qū)動算法同樣利用了歷史數(shù)據(jù)庫，不同的是以神經(jīng)網(wǎng)絡(luò)進行訓練[27]。這些算法極大地縮短了成品油管道調(diào)度計劃編制時間，為智能化調(diào)度提供了實時求解基礎(chǔ)。

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

4 結(jié)論與展望

隨著智能管道的發(fā)展，成品油管道調(diào)度逐步從人機交互向智能化方向發(fā)展。調(diào)度計劃編制軟件在發(fā)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(diào)度計劃，必須以原有研究為基礎(chǔ)，借助物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等現(xiàn)代化技術(shù)，實現(xiàn)智能化調(diào)度。通過對管道運行優(yōu)化的分析整理，提出智能化批次調(diào)度包括趨勢預測、主動調(diào)度、實時算法。通過國內(nèi)外學者關(guān)于成品油管道調(diào)度的研究，梳理了智能化批次調(diào)度的相關(guān)方法，供管道從業(yè)者參考。

（1）當前，管道運行數(shù)據(jù)量存在不規(guī)范、不健全等亟待解決的難題。只有保證了數(shù)據(jù)標準、統(tǒng)一，才能利用預測算法有效地預測托運需求，保證調(diào)度決策的準確性。

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

（3）主動調(diào)度的核心是實時算法，其主要研究任務(wù)仍是提高其求解效率，爭取時間上的優(yōu)勢，為管道調(diào)度實時決策提供支持。應注意算法結(jié)合，以一種算法的處理結(jié)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(tài)變化緊密結(jié)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(xiàn)從實時調(diào)度向主動調(diào)度轉(zhuǎn)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(yè)務(wù)板塊而產(chǎn)生的商業(yè)壁壘。