成品油管道智能化批次调度研究现状及思考*

廖绮 涂仁福 徐宁 段志刚 梁永图

1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·城市油气输配技术北京市重点实验室

2中油国际管道公司

为应对成品油管道批次调度问题，从工程实际出发，以特定管道为研究对象开发了人机交互形式的计划编制软件。随着油气长距离输送管道向“互联互通”方向发展，管道系统结构日趋复杂，托运方对管输服务质量要求也不断提升。管道企业若想保证管道安全、高效运行，必须改变人机交互编制调度计划的现状，提高自动化程度，向着智能化调度方向迈进。成品油管道调度属于复杂的运筹学问题，常规的传统优化方法受限于计算机求解速度，较难直接编制系统结构相对复杂的批次调度计划。过去的研究涉及调度模型的完善、实时算法的开发、计划灵活性的提升，奠定了智能化调度发展的基础。

以国内外成品油管道调度计划编制软件的发展历程为基础，结合智能管道的理论研究成果，对智能化管道调度提供技术支持。整理了管道智能化批次调度应涉及的内容以及当前方法的研究现状和建议，以期有助于成品油管道智能化调度发展。

1 成品油管道调度发展

国外在成品油管道批次调度计划方面的研究起步较早。Colonial 管道是当前世界上规模最大的成品油管道系统，与其相配套的计划编制仿真软件能够根据输送任务对油品进行自动排序，有效计算油头位置、批次剩余体积、混油量以及批次到达指定地点的时间等，自动化程度较高。前苏联成品油管道系统是基于水力计算、泵特性及当地电价所开发的仿真系统，包括批次注入、批次跟踪、泄漏检测等模块。本世纪初，REJOWSKI[1]和CAFARO[2]等分别依据不同的建模方法解决单注入点的管道系统调度问题。此后，二位学者所在的研究团队又着眼于更加复杂的成品油管道系统、考虑更加实际的约束条件，取得了丰富的理论成果。在国内，随着兰成渝成品油管道的建成投产，有关调度计划编制软件循序渐进的研究开发。依据现场操作的实际需求，按中间分输站不分输混油，分输总流量不能太大，沿线分输量尽量保持相对平稳等原则，梁永图[3]等人用成品油管道运行模拟软件制定沿线站场的分输计划，该方法主要通过人机交互模拟调整分输计划，最终得到一个比较满意的方案。宋飞[4]和梁永图[5]等针对兰成渝成品油管道分别开发了调度计划编制软件，大大减少了人工时间成本。徐敬波[6]等针对新疆多条成品油管道制定计划中存在的问题，在考虑多种约束条件后对管输计划进行优化，利用历史数据进行试验仿真，有效提高了管输效率，并对泵的操作计划、水力模拟等均逐步给予考虑。姜夏雪[7]等通过远程访问SCADA 系统数据，提高了计划编制的准确性和工作效率。刘静[8]等对双油源树状管道的计划编制进行研究，所开发的软件能够综合考虑支线和干线情况。马晶等[9]以甬绍金衢成品油管道为研究对象，所开发的计划编制软件较前人降低了对操作人员的依赖，并考虑了全线水力约束，实现了自动编制功能，初步体现了智能化调度，使成品油管道调度软件对其输送业务的发展起到了重要作用。

管道调度计划直接影响管道的运行安全、输送效率以及下游市场的油品供给。确定管道系统内设备运行、各源点注入、各下游市场分输等最优方案是管道调度优化的实质所在。管道调度方案优化是在综合考虑管道拓扑结构与工艺运行约束条件基础上，借助运筹学理论建立起调度问题的数学模型，求解获得最优调度方案。随着国内外对于油气管道调度问题研究的深入，传统的调度计划编制方法已逐步发展为更高效的智能调度方法。

2 智能化调度

2.1 技术支持

物联网、大数据、云计算、人工智能等现代信息技术和决策技术正在快速发展，宫敬[10]等认为油气管道将因此而发生根本性转变，从安全性和效率性两方面深度分析了以“智能管道”“智慧管网”为核心的发展理念。吴长春[11]等认为“智慧运行、智慧管理及智慧调控”是智慧管道的主要标志，其在很大程度上反映了智慧管道的总体水平，应作为智慧管道建设的重点内容。作为指导成品油管道运行的调度系统，最基本的要求是确保油品的输送安全。除此之外，需尽可能减少输送过程中的混油损失；降低由于工况变化带来的压力波动；减少工况变化次数，降低操作强度等。当成品油管道系统中如储油罐、离心泵、阀门、流量计等终端被传感器赋予了感知功能，能够实时采集信息并传送到调控中心时，调度系统可展现出感知性、实时性、透明性的新特征。

根据宫敬、吴长春[10-11]等对智能管道发展的研究，智能调度的技术支持可总结为：整理并分析在线管道监测系统所获取的实时运行数据后，基于成品油管道调度知识，利用人工智能方法，准确定量预测短、中、长期内用户油品托运趋势，结合传统调度模型，模仿调度员经验开发算法获得智能决策方案，最终“快、准”制定成品油管道调度计划，保证调度计划的时效性、可行性。

2.2 优化运行

对于成品油管道而言，考虑到油库库容、站场设备和管道设施的安全范围以及混油损失等因素，一般来说，调度计划需确定各油品批次顺序、批次体积、运行流量、配泵方案等较为详细的管道和站场操作信息。通过对以往研究的整理发现，成品油管道优化运行的主要内容包含以下几个方面：

（1）首站、分输站及末站油品的收发。成品油管道首站来油方式包括管道、水路、铁路等。在市场化的导向下，首站由单油源向多油源发展的趋势日渐明显，但注入能力和库容是有限的，进行多油源平衡是必要的。油品以批次的形式进入管道，决策内容包括批次顺序、批量以及注入流量。分输站、末站同样需要考虑市场的消耗速度、站场库容等。

（2）站场设备的启、停以及运行参数调整。成品油管道在输送不同油品时，对应的配泵方案也是不同的。虽在管道设计时，对此问题就会有所考虑，但开泵方案优化仍是管道调度的重要内容，同时也是节约能耗的有效手段[12]。在制定配泵的操作计划时，要对复杂的水力系统进行考虑。

（3）分输作业、工艺流程的自动化。各分输站按照需求进行分输作业时，其操作会影响到上、下游站场的分输流量和管段的运行流量等，要有可执行的分输计划予以应对[13]。分输工艺的自动化能够有效减少水击次数，准确控制油品分输量等。

（4）接收来自调度中心的指令，并完成相应操作。调度中心利用SCADA 系统向站场设备发送指令后，该设备有能力按照要求立即执行，如泵的启停、阀的开关等。

（5）向调度中心传送各种信号及自动报警。站场设备通过传感器采集数据，实时传送至调控中心，使其能够正确研判管道所处状态，在偏离正常工况时可以提前采取相应措施[14]。对于所采集的数据应具有自处理能力。

（6）自动完成掺混操作。长距离管道在输送不同油品时，会产生混油，自动化设施自主识别混油性质，采用两段、三段、四段或五段切割方式将混油分输进罐。严格按照设定的质量要求，自主进行掺混操作。

成品油管道智能化批次调度涉及（1）～（3）点，提出智能化批次调度的具体内容为趋势预测、主动调度、实时算法[15]（图1），三大内容呈闭环形式，互为基础、相互支撑。

图1 智能化批次调度内容闭环Fig.1 Intelligent batch scheduling content closed-loop

2.2.1 趋势预测

油品消耗量随着时间呈波动形式，进行趋势预测是预调度的关键点，且不再满足于定性预测，将追求更加确切的定量预测。所谓定性预测，更多是靠专家讨论或者基于历史数据类推而得出的长期需求趋势，无法得出较为准确的数字；而定量预测是通过数学模型得出较为具体的短期或长期的预测数据[16]。智能化批次调度趋势预测是借助历史运行数据，分析关键影响因素，进行已有或潜在用户的托运需求量预测。在管道执行托运任务时，其输送能力也会受到自身状态的影响，如地温会影响到油品体积，腐蚀深度会影响到管道承压等。但成品油管道运营方在制定管道调度计划时，此类因素通常是不予考虑的。原因在于同一时期的地温变化幅度较小，通过历史运行数据的规律学习，能够有效掌握；腐蚀是一个长时间的过程，管道方通常会定期检测，进而采取相应措施。趋势预测是实现智能化批次调度的第一步，也是智能调度决策中不可或缺的参考数据。

2.2.2 主动调度

主动调度是指利用生产过程中的实时状态数据，分析管道系统状态变化趋势，对其中可能出现的异常趋势进行提前调度的一种预调度方式，其模型和所能解决问题的复杂度更进一步。与之对应的是传统的被动调度，只能按照事先定好的调度计划按部就班，无法及时对市场需求和运行状态的变化做出响应。实时调度是能够根据市场变化做出一定程度反应的调度方式，是由被动调度发展而来。而主动调度是实时调度的进一步发展，从某种意义上可以认为基于趋势预测的实时调度就是主动调度。这种调度方式与传统调度方法相比，对于市场需求及管道状态的变化有充分的预见性，可以极大增加成品油管道企业的操作灵活性[17]。

2.2.3 实时算法

智能调度与算法息息相关，各类算法是实现智能调度的关键一环。算法的求解效率直接影响到调度计划的时效性，近年来的实时调度或在线调度已经对此做出了相当高的要求。对于成品油管道而言，介质互通是未来一段时间发展方向，管道之间联络功能将逐步增强。那么，管道的流向、油源的供应都将呈现多元化[18]。不论是趋势预测涉及到的数据量，还是主动调度模型的规模，都将急剧增大而导致求解难度随之急剧上升。由此可以看出，实时算法是趋势预测和主动调度的重要组成部分。

3 智能化批次调度方法

将整个智能化批次调度分为趋势预测和主动调度两个模块（图2）。首先，建立管道历史运行数据库，利用线性回归、支持向量机、决策树回归、随机森林、梯度提升等算法实时预测管道托运情况；将预测结果输入至所建立的成品油管道调度模型，采用阶段分解、自学习、数据驱动等算法，借助历史数据高效求解调度计划；执行满意的管道调度计划后，将完整数据存入历史数据库。将框架中趋势预测和主动调度两个模块所涉及的方法，结合成品油管道调度进行具体介绍。

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

3.1 趋势预测模块

由于成品油管道刚独立于销售公司，词汇“管道托运”也是借鉴于其他物流行业，相关的研究较少。通过整理文献可知，过去的研究中，趋势预测主要涉及管道运行状态预测和油品供需预测，但所使用的具体方法大体是一致的。图2 中提及的预测算法统称为机器学习算法，虽然数学原理上有所区别，但其目的都是基于大量的历史数据预测未来某一段时间的情况。如用决策树回归、随机森林、梯度提升算法预测管道停输后的压力变化以指导现场的运行管理[19]，用随机森林算法、贝叶斯估计方法对管道缺陷进行预测来控制风险，用人工神经网络方法、支持向量机预测管道威胁[20]；基于时间序列分析预测法建立油品价格预测模型和加油站日需求量，用线性回归和循环神经网络预测成品油消耗量[21]。之所以方法多样，是因为不同的方法针对同一问题的适应性差异较大，寻求合适的预测算法并且确定算法内部参数值是该方面研究的重要内容。同理，此类方法对于管道托运量的预测同样适用。

为预测模型选用算法时，都会经过预测算法选择步骤（图3）。由于传感器所采集的是历史存档的运行数据，往往是不能直接使用的，存在数据缺失、噪声、不一致、冗余等情况，需要经过数据预处理。过去的研究中，对数据预处理的方法可以概括为数据清洗、数据转换、数据描述、特征选择或组合及特征抽取等；为了获得对所要解决问题适应性更强的预测模型，基于各种预测算法进行建模并对结果进行评价，评价指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）等；进而选择合适的算法，获得预测结果。

图3 预测算法选择步骤Fig.3 Prediction algorithm selection steps

以基于长短期记忆网络（Long Short Term Memory，LSTM）算法预测已有或潜在用户的成品油托运量为例，确定托运量预测流程（图4）[22]。在对历史托运量数据（除托运量外，还应包含天气等外部因素）进行预处理后（归一化），进行经验模式分解得到若干本征模函数（IMF）分量和一个余波（res）；分别利用LSTM 对各个IMF 和res 构建相应的预测模型并求解；最终将结果累加得到成品油托运量预测值，为已有或潜在用户服务。

图4 成品油托运量预测流程Fig.4 Forecasting process of product oil consignment volume

3.2 主动调度模块

经过二十多年的发展，成品油管道调度模型层出不穷，相关领域的研究对象逐步从简单管道系统到枝状、环状、树状管网系统。为了使研究内容更加贴近工程实际，调度模型的复杂程度不断提升，除考虑批次运移约束、物料守恒约束、分输注入流量约束、管段运行流量约束、站场分输约束等基本约束外，还单独或统一考虑了油库库容约束、油库油品外输约束、站场注入约束、批量约束、批次次序约束、混油段停输约束等工艺约束。模型不再简单地以满足站场需求为目标，额外考虑管道运行费用、流量平稳等[23]。这些工作为主动调度奠定了良好基础，但由此带来的求解时间成本也不断增加，在调度模型构建方面下足功夫的同时需要寻求、开发高效的求解算法。如利用各种启发式算法对调度模型进行预处理，确定模型中部分变量的取值后再利用传统优化方法求解；将原问题分解为若干个子问题，对每个子问题进行建模并利用经典优化方法、启发式算法或智能算法求解；不直接建立严格的数学模型，直接采用启发式算法或智能算法求解。

运营企业在应对中长期规划时，必须定期更新管道调度计划，即需要解决油品托运方增删计划问题，这被称为动态管道调度问题（Dynamic Pipeline Scheduling Problem，DPSP）。在DPSP 中，管道调度计划应被视为一个动态的时间表，即调度计划的制定是在固定时长的多周期滚动范围内。在这种情况下，只需要立即执行滚动时间段中当前阶段的调度决策（图5）。动态调度方法主要包含五个阶段：初始化阶段、数据更新阶段、计划更新阶段、管道调度阶段、滚动阶段。其中，该方法的核心是滚动阶段，预测模块将管道运行和市场需求的预测结果输入到数据更新阶段，从而更新下一个时间段的管道详细调度计划并执行，以此类推[24]。

图5 成品油管道动态调度方法Fig.5 Dynamic scheduling method for product oil pipeline

通过以分阶段求解方法为切入点，获得较为完整的管道调度计划。方法流程如图6 所示，信息输入后按顺序执行预处理模块和调度模块，最后输出求解结果。调度模块一般是利用传统优化方法求解，而预处理模块通常是采取深度搜索算法、蚁群算法、模拟退火算法等求解[25-26]。预处理模块的主要任务是确定部分变量值，如批次注入顺序、油品类型、批量、注入流量等。

图6 管道调度计划分阶段求解流程Fig.6 Staged solution process for pipeline scheduling plan

动态调度和阶段分解方法很好地解决了中长期调度计划的快速求解，但对于结构复杂、规模庞大的成品油管道而言，即使将调度周期划分为较短的固定时长，也不能达到实时求解的水平。自学习、数据驱动等智能算法的提出，节约了求解时间成本。自学习算法框架如图7 所示，利用图7 的两阶段分解算法求解新的调度计划。数据驱动算法同样利用了历史数据库，不同的是以神经网络进行训练[27]。这些算法极大地缩短了成品油管道调度计划编制时间，为智能化调度提供了实时求解基础。

图7 自学习算法框架Fig.7 Self-learning algorithm framework

4 结论与展望

随着智能管道的发展，成品油管道调度逐步从人机交互向智能化方向发展。调度计划编制软件在发展过程中虽不断提高了自动化程度，但制定高效、灵活的成品油管道调度计划，必须以原有研究为基础，借助物联网、大数据、人工智能等现代化技术，实现智能化调度。通过对管道运行优化的分析整理，提出智能化批次调度包括趋势预测、主动调度、实时算法。通过国内外学者关于成品油管道调度的研究，梳理了智能化批次调度的相关方法，供管道从业者参考。

（1）当前，管道运行数据量存在不规范、不健全等亟待解决的难题。只有保证了数据标准、统一，才能利用预测算法有效地预测托运需求，保证调度决策的准确性。

（2）现阶段未有将趋势预测整合到成品油管道调度计划求解的先例，这也导致在调度方法上停留于实时调度的层面。

（3）主动调度的核心是实时算法，其主要研究任务仍是提高其求解效率，争取时间上的优势，为管道调度实时决策提供支持。应注意算法结合，以一种算法的处理结果作为另一种算法的输入，能够有效提升算法效能。

（4）只有将托运需求变化、管道运行状态变化紧密结合，定量预测，依靠管道充分的感知能力，基于高效的求解算法，才能实现从实时调度向主动调度转变，准确的托运需求预测需要成品油销售公司的配合，在具体实际中很难突破因不同的业务板块而产生的商业壁垒。