作为原油管输提质增效环节的重要组成部分,有必要对原油管输能耗进行全面分析,开展影响能耗的相关因素研究,建立运行能耗预测模型,研发切实可行的节能开机方案。目前能耗预测模型对数据非线性特征和噪声干扰考虑不足;开机方案研究多从线性规划等优化算法的角度出发,为便于数学模型的建立和求解,通常对管输介质和运行工况作相关简化。本研究采用数据挖掘方法分析能耗相关因素,明确各相关因素的影响权重;通过机器学习建立短期和中期能耗预测模型,为管输能耗计划的制定提供依据;以安全运行和耗电量最少的历史开机方案为基础数据,建立基于长短期记忆神经网络的泵机组开机方案分类模型,为制定泵机组开机方案提供科学依据。调研国内3条原油管道短期电耗数据和4条原油管道中期电耗数据,分析不同管道数据特征的差异性,验证选取的短期和中期管道电耗数据具有代表性。现场采集数据存在信息不全等问题,采用时效性好且资源要求低的K-means算法,进行异常数据识别;通过精度高且无需估计参数的KNN算法,进行异常数据修复。考虑到采集的数据量不够充足,导致短期机器学习电耗预测模型容易过拟合,结合采集的管输运行电耗相关数据,建立基于仿真模拟的虚拟映射模型,用于生成相关数据。考虑聚类簇数无法预估且样本间距离较小,采用适合于稠密非凸数据集且在聚类时能够发现噪音点的DBSCAN算法,进行虚拟数据质量的评价,确保虚拟数据质量的可靠性。为了研究不同相关因素对电耗的影响程度,针对7种主流相关性分析方法,分析各自的适用范围,结合实际数据的非线性特征,确定采用斯皮尔曼相关系数法,分别对短期和中期电耗影响因素展开相关性研究,明确影响因素与电耗间的相关性程度,选取输量和平均泵出压力等7种因素作为短期电耗预测模型的输入参数,输量作为中期电耗预测模型的输入参数。分析短期和中期运行电耗数据的数量和特征,对短期电耗预测以BP神经网络为基准模型,结合改进粒子群算法与单层数据分解算法;对中期电耗预测以支持向量机为基准模型,结合改进粒子群算法与双层数据分解算法。以平均绝对百分误差作为评价指标,针对短期和中期电耗预测模型,该指标的平均值分别为4.6%和3.0%,管输电耗模型具有较高的预测准确度。以管道安全运行和耗电量最少为原则,选取C段管道连续450天的历史开机方案数据。考虑各泵机组的历史运行时间,采用长短期记忆神经网络捕获各泵开启关闭时长的序列特征。针对数据非线性特性和数据噪声干扰,采用粒子群优化算法和单层数据分解算法,构建基于深度学习的泵机组开机方案分类模型,混合模型的分类准确率达95.3%,为制定泵机组开机方案提供科学指导。