本发明属于概率密度预测方法领域，具体涉及一种适用于混输原油凝点的概率密度预测方法。
背景技术：
1、在混合原油凝点的预测过程中，经验方程是在许多实验室测试结果上搭建的数学模型，可是其没有严密的机理支持，模型的适应性弱；纯数据驱动模型更多的是反映输入到输出的映射关系，预测精度与训练数据的质量以及算法的适用性有很大关系。盲目使用经验方程或者数据驱动的机器学习模型分析管输原油混合输送过程中的流动性参数变化问题会增大分析预测的不确定性，如何量化这种不确定性是本发明的核心问题。
2、候磊等和韩坤等采用人工神经网络算法来进行混合原油凝点的预测，输入参数为组分油凝点、配比，输出参数为混合原油凝点，其假设输入数据不含噪声，即输入确定性下对数据序列进行建模，使用梯度下降法训练得到最终模型。可是实际上，现场采集的数据并不是“干净”数据，会由于人工误差、仪器误差等因素引入输入噪声。因此，对于混合原油凝点的预测，仅考虑输出含有噪声是不全面的，需要将输入噪声考虑进来，搭建更加适合实际工程应用情况的模型。贝叶斯方法注重于权值在整个权空间的概率分布，而不是权值本身，是一种对神经网络参数学习较为有效的方法，可用于解决输入不确定性问题。
3、传统深度学习模型预测混合原油的凝点时，预测模型只选择单个网络，但单个网络模型无法考虑数据特征和变化趋势。为此，本发明将深度学习中特征表达能力较强的贝叶斯神经网络(bnn)和记忆能力较强的门控循环单元(gru)相结合，设计并实现了一种通过贝叶斯门控循环单元(bnn-gru)神经网络进行混合原油凝点预测的方法。以组分油凝点以及配比作为输入，首先通过bnn网络提取数据的特征，再利用gru网络进行训练，最后输出混合原油凝点。该方法综合了贝叶斯神经网络局部特性感知和门控循环单元网络长期记忆的特性，具有较高的预测精度，使建立的模型能对含噪声数据有良好的适应性，但是又该如何评价bnn-gru模型预测的可靠度。
4、可靠性是以概率为基础的面向功能保障的技术。传统意义上的可靠性分析模型，假设底层的实体节点以正态分布、泊松分布等符合不同条件的分布类型，通过状态转移方程、随机过程模拟、贝叶斯网络等方式完成目标问题的可靠度计算，并以概率的形式呈现给决策者，以用于风险评估。bnn-gru模型将算法权重转化为随机变量来实现对不确定性的捕捉。本发明中考虑到bnn-gru模型由于权值呈概率分布，致使每次相同输入参数会有不同的输出的问题。为此，提出针对某组输入参数采用多次运行的方式，其可得到具体某条件下的凝点预测概率密度分布情况。该结果可用于指导现场调度人员开展调度工作，提高现场调度的可靠性；也可用于管道运行风险评估及预警，保障管道安全运行。
技术实现思路
1、为了解决上述技术问题，本发明提出了一种适用于混输原油凝点的概率密度预测方法。
2、本发明的技术方案如下：
3、一种适用于混输原油凝点的概率密度预测方法，包括以下步骤：
4、步骤s1：利用贝叶斯神经网络给出预测结果的置信度，其先验概率用来描述关键参数，并作为神经网络的输入；
5、步骤s2：设置gru循环神经网络的参数及并进行训练，得到混合原油凝点的预测值；
6、步骤s3：利用蒙特卡洛方法对得到的混合原油凝点的预测值，得到凝点预测结果的概率密度分布以及误差概率密度分布。
7、优选地，步骤s1包括以下子步骤：
8、步骤s11：假设给定一组输入输出样本：输入x＝{x1，x2，…xn}，xj是输入向量，相应的输出为t＝{t1，t2，…tn}，记d＝{x，t}；
9、步骤s12：假定目标tj是xi经过一种确定的函数关系后与一个附加噪声的和，即ti＝f(xi)+ε，其中，ε是均值为零方差为的高斯噪声；
10、步骤s13：在给定xi的条件下，ti的概率密度函数也服从高斯分布：
11、
12、步骤s14：将确定的函数关系f(xi)用向前传递神经网络来表示，命神经网络输出为y(xi；w)，则
13、
14、其中，是一个超参数，用来控制上述分布的方差；p(ti|xi，w，β)表示ti的概率密度函数，tj是xi经过一种确定的函数关系后与一个附加噪声的和。
15、优选地，步骤s2包括以下子步骤：
16、子步骤s21：对数据进行划分，归一化处理；
17、子步骤s22：设置bnn-gru模型的网络参数；
18、子步骤s23：进行bnn-gru模型训练，若模型对训练集的拟合效果满足要求，则进入子步骤s24，否则回到子步骤s22；
19、子步骤s24：对测试数据进行测试，将测试结果反归一化，得到最后测混合原油凝点的预测值。
20、优选地，步骤s3包括以下子步骤：
21、子步骤s31：将一组参数输入到已经训练好的模型中，重复运行该模型，可得到一组预测结果；
22、子步骤s32：对得到的一系列凝点预测结果进行统计，得到凝点预测结果的概率密度分布以及误差概率密度分布。
23、本发明适用于混输原油凝点的概率密度预测方法的有益效果如下：
24、1.首次将深度学习中特征表达能力较强的贝叶斯神经网络bnn和记忆能力较强的门控循环单元gru相结合，设计并实现了一种通过贝叶斯门控循环单元bnn-gru神经网络进行混合原油凝点预测的方法。
25、2.本发明以组分油凝点以及配比作为输入，首先通过bnn网络提取数据的特征，再利用gru网络进行训练，最后输出混合原油凝点，该方法综合了贝叶斯神经网络局部特性感知和门控循环单元网络长期记忆的特性，具有较高的预测精度。
26、3.本发明首次提出针对某组输入参数采用多次运行的方式，其可得到具体某条件下的凝点预测概率密度分布情况；该结果可用于指导现场调度人员开展调度工作，提高现场调度的可靠性；也可用于管道运行风险评估及预警，保障管道安全运行。
1.一种适用于混输原油凝点的概率密度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的适用于混输原油凝点的概率密度预测方法，其特征在于，所述步骤s1包括以下子步骤：
3.根据权利要求1所述的适用于混输原油凝点的概率密度预测方法，其特征在于，所述步骤s2包括以下子步骤：
4.根据权利要求1所述的适用于混输原油凝点的概率密度预测方法，其特征在于，所述步骤s3包括以下子步骤：
