预测原油管道运行电耗有助于制定管道能耗目标、输送计划与机组启停方案。原油管道数据存在波动频繁、数据质量参差不齐和影响因素多的问题,使得预测管道运行电耗较为困难。BPNN的优点在于能够以任意精度逼近某一非线性函数,适合用于预测管道运行电耗,本研究据此提出了基于BPNN的管道电耗预测模型,通过3个管段实际运行数据验证模型效果。针对管道中存在的部分异常数据,利用箱型图确定异常数据的数量,采用K-means聚类识别异常数据并修复异常数据;为提高BPNN的泛化能力,避免过拟合风险,对数据做归一化处理,确保训练集和测试集更接近数据的原始分布。针对数据质量参差不齐和神经网络效果受自身结构参数影响较大的问题,提出一种基于混合神经网络的管道运行电耗预测模型。利用分解算法和主成分分析（PCA）剔除数据中的噪声和冗余信息,保留有效信息;利用改进的粒子群算法（IPSO）确定BPNN的最优结构参数,提升模型预测精度。通过3个管段的预测结果验证该模型的有效性。研究发现,该混合模型能够精确预测管道运行电耗,3条管段的平均绝对百分比误差（MAPE）的均值为4.0%,比单一BPNN模型MAPE的均值提升64.4%,确保了管道运行电耗预测的准确性。针对管道运行电耗影响因素众多的问题,提出一种基于相关性分析的电耗预测模型。通过工艺分析计算出可能与管道运行相关的大量特征,利用K近邻互信息估计（K-EMI）、互信息（MI）和皮尔逊系数,分别计算各特征与管道运行电耗的相关性,确定能够用于预测管道运行电耗的特征集合,解释集合中各特征与运行电耗相关性强的原因。获得多个与管道电耗相关性强的特征,上述特征分别从流态、运行压力和运行温度等方面较合理地赋予BPNN模型的物理意义。利用3个管段的实际运行数据建立预测模型,以验证相关性分析效果。结果表明,利用K-EMI确定的6个特征能够实现管道电耗的精确预测,使3个管段测试集的MAPE均值达到3.52%,确保了管道电耗预测的准确性。