摘要
为提升长输液体管道非稳态工况的识别效率，为未来管道工况智能识别提供数据支撑，研究提出了基于参数重建的工况检测模型，研究利用LSTM模型预测管道未来数据。针对模型的Encoder-Decoder框架因中间码长度限制导致解码准确率下降等问题，提出了利用注意力机制对输入数据进行权重分配，提升输出数据的准确性，同时将预测数据与实际数据的误差进行MLE评分，设定评分阈值并利用二分法实现工况检测。使用SL原油管道实际生产数据训练模型，经验证基于注意力机制的LSTM工况检测模型可记忆稳态工况的状态，且不受长时间工况与复杂变化的影响，非稳态工况的检测准确率达100%。将模型应用于SL原油管道下载燃料油和甩泵的工况重建，通过阈值设定，实现工况的实时准确检测。
关键词
液体管道；工况检测；LSTM；注意力机制
0 引言
长输液体管道利用SCADA（数据采集与监视控制）系统实现远程调控运行，运行过程中对异常工况的发现处置，均由调控人员根据设备状态量报警信息及压力、流量等参数阈值分析确定。一般而言，液体管道的判断分析处置时间较短，对调控人员的业务技能、事件应急能力、工作状态等要求较高；尤其是对于泄漏等工况，若不能及时发现，将影响后续工况的识别和应急处置，从而危及管道运行安全，严重时可能产生较大的次生灾害，进而造成环境污染等问题。同时，工况实时检测是未来管道智能化的前提，只有实时性、准确性提高后，检测结果才可用于后续管道的工况智能识别和控制。
近年来，随着管道SCADA系统的推广应用，信息传送、数据收集存储等方面的完善提升，企业积