摘要：在油气管道系统中，受数据保密性高、数据采集技术不完善、异常工况发生频率低等因素制约，利用管输数据集进行机器学习模型训练，效果不理想。基于此，以某原油管道为例，分析管输能耗，利用Pipeline Studio TLNET软件对输油泵机组耗电量进行仿真，扩充训练数据集。针对管输仿真样本无真实值对照、特征关联、高维等特点，提出一种基于马氏距离的DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法，用于评价仿真样本的可靠度，识别异常仿真数据。基于仿真样本与现场数据样本的机器学习模型训练结果表明，剔除异常数据的仿真样本能够提升模型的拟合能力，由此为管输数据仿真样本的生成与验证提供了新的思路。（图5，表5，参25）

关键字：机器学习;原油管道;能耗预测;仿真样本;DBSCAN算法

ISSN号：1000-8241

卷、期、页：41卷02期:146-152,7

发表日期：2021-12-30

期刊分区（SCI为中科院分区）：无

收录情况：北大中文核心期刊,地学领域高质量科技期刊分级目录（国内T2）

发表期刊名称：油气储运

通讯作者：张鑫儒,徐磊,黄亚楠,白小众,满建峰,刘金海,谷文渊

第一作者：侯磊

论文类型：期刊论文

论文概要：张鑫儒,侯磊,徐磊,黄亚楠,白小众,满建峰,刘金海,谷文渊，仿真与DBSCAN算法融合的管输数据生成与验证方法，油气储运，2021，41卷02期:146-152,7

论文题目：仿真与DBSCAN算法融合的管输数据生成与验证方法