摘要: 目的成品油管道运行工况切换期间全线流量与压力呈现快速变化特征，实现其精准估计对保障管道安全运行至关重要。现有机理模型依赖精确参数导致求解精度与计算效率难以平衡，而数据驱动方法忽略瞬变流动机理易致物理失真。方法本文提出融合机理与数据驱动的混合建模方法：首先基于T-SNE（T分布邻域嵌入）实现站场高维数据的非线性降维，完成准稳态与瞬态工况划分。针对准稳态工况，建立状态估计模型计算水力参数，并引入BP神经网络实现仿真误差自适应补偿；针对瞬态工况，通过机理指导的特征工程挖掘流动参数关联性，结合流动时滞特性构建并行双向长短时记忆网络捕捉时间依赖性，最终采用注意力机制量化特征对流量压力的影响权重，提升瞬态仿真的精度与可解释性。结果以华南某成品油管道为例：准稳态工况下，管段A有分输、无分输时的流量仿真平均MAPE分别降低93.96%和93.52%；启泵、停泵瞬态工况中，管段A上、下游流量预测平均MAPE为4.56%和7.14%，管段B上、下游流量预测平均MAPE为6.41%和5.05%。结论T-SNE方法对高维SCADA数据工况划分准确率超过99%，为模型的多工况自适应切换提供了清晰的边界条件；准稳态误差补偿模型不仅解决了传统机理模型参数频繁调整的难题，还克服了数据驱动模型物理意义缺失的局限性；双向LSTM结合注意力机制量化特征权重，增强了模型对瞬变流动机理的表征能力。所建模型可实现管道多工况下流量压力的精准估计，为工况切换下的安全决策提供了物理依据, 为管道安全运行提供有效技术支撑。