王 子， 朱朋勇

(中石油管道有限責(zé)任公司 西氣東輸分公司, 杭州 310006)

引言

油氣管道是油氣運(yùn)輸?shù)闹匾d體，油氣運(yùn)輸管道網(wǎng)絡(luò)的優(yōu)化節(jié)點(diǎn)部署設(shè)計(jì)是保障油氣運(yùn)輸網(wǎng)絡(luò)可靠穩(wěn)定運(yùn)行的關(guān)鍵，通過對油氣運(yùn)輸管道網(wǎng)絡(luò)的優(yōu)化路徑規(guī)劃和調(diào)度設(shè)計(jì)，降低管道部署的開銷，提高油氣運(yùn)輸?shù)耐掏滦阅堋Ｓ蜌膺\(yùn)輸管道網(wǎng)絡(luò)具有自組織性，以各個(gè)壓氣站為節(jié)點(diǎn)進(jìn)行全局網(wǎng)絡(luò)設(shè)計(jì)，在整個(gè)管道組網(wǎng)設(shè)計(jì)中，受到地理環(huán)境、用戶分布情況以及壓氣站分布情況等各種因素的影響，導(dǎo)致油氣運(yùn)輸管道運(yùn)輸調(diào)度變得復(fù)雜，油氣運(yùn)輸?shù)墓艿勒{(diào)度是一項(xiàng)系統(tǒng)性的綜合網(wǎng)絡(luò)工程，需要研究一種優(yōu)化的油氣運(yùn)輸管道調(diào)度技術(shù)，提高油氣運(yùn)輸管道的全局穩(wěn)定性和暢通性，保障大型油氣運(yùn)輸工程的安全穩(wěn)定運(yùn)行[1]。

對油氣運(yùn)輸管道調(diào)度是建立在對管道網(wǎng)絡(luò)的綜合節(jié)點(diǎn)定位和路由優(yōu)化設(shè)計(jì)基礎(chǔ)上的，通過建立管道網(wǎng)絡(luò)的無線組網(wǎng)結(jié)構(gòu)模型，采用自適應(yīng)傳感器組網(wǎng)設(shè)計(jì)方法進(jìn)行路由分發(fā)設(shè)計(jì)，提高管道網(wǎng)絡(luò)的連通性和覆蓋能力，傳統(tǒng)方法中，對油氣運(yùn)輸管道組網(wǎng)和調(diào)度方法主要有最大角度路由選擇算法、不規(guī)則三角網(wǎng)組網(wǎng)調(diào)度方法、最少跳數(shù)路由調(diào)度方法等[2-3]，通過優(yōu)化的路由算法設(shè)計(jì)，最大化油氣運(yùn)輸管道的覆蓋范圍和吞吐量，提高管道油氣運(yùn)輸能力，取得了一定的研究成果。其中，文獻(xiàn)[4]中提出一種剩余能量均衡調(diào)度的油氣運(yùn)輸管道的組網(wǎng)調(diào)度模型，采用動(dòng)態(tài)自適應(yīng)性路由節(jié)點(diǎn)定位技術(shù)進(jìn)行管道節(jié)點(diǎn)的組網(wǎng)設(shè)計(jì)，設(shè)計(jì)均衡控制方法提高油氣運(yùn)輸管道網(wǎng)絡(luò)傳輸?shù)木庑?，但該組網(wǎng)控制方法抗局部干擾能力不強(qiáng)，全局均衡性不好；文獻(xiàn)[5]提出一種基于量化傳感融合跟蹤識別的油氣運(yùn)輸調(diào)度技術(shù)，采用無線傳感組網(wǎng)技術(shù)進(jìn)行管道節(jié)點(diǎn)的優(yōu)化部署設(shè)計(jì)，結(jié)合量化分析方法提高管道節(jié)點(diǎn)對油氣的自組織收發(fā)能力，整個(gè)網(wǎng)絡(luò)的暢通性較好，但該組網(wǎng)結(jié)構(gòu)復(fù)雜，在應(yīng)對大規(guī)模的油氣運(yùn)輸管道調(diào)度時(shí)的工程實(shí)踐應(yīng)用性不好。

針對上述問題，本文提出一種基于變結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)控制的油氣運(yùn)輸管道調(diào)度技術(shù)。首先采用三層變結(jié)構(gòu)的PID神經(jīng)網(wǎng)絡(luò)模型進(jìn)行油氣運(yùn)輸管道的網(wǎng)絡(luò)結(jié)構(gòu)模型，然后采用地理位置尋優(yōu)算法進(jìn)行油氣運(yùn)輸管道組網(wǎng)的最優(yōu)路由設(shè)計(jì)，以各個(gè)壓氣站為Sink節(jié)點(diǎn)進(jìn)行能量融合均衡調(diào)度，建立油氣運(yùn)輸管道調(diào)度的控制目標(biāo)函數(shù)并進(jìn)行全局穩(wěn)定性求證，根據(jù)模糊神經(jīng)網(wǎng)絡(luò)的積分控制方法進(jìn)行管道調(diào)度的路徑規(guī)劃最優(yōu)解求解，縮短了管道組網(wǎng)路徑，提高管道網(wǎng)絡(luò)的吞吐性能和均衡性。最后進(jìn)行仿真測試，得出有效性結(jié)論。

1 油氣運(yùn)輸管道的網(wǎng)絡(luò)結(jié)構(gòu)模型

1.1 三層變結(jié)構(gòu)的PID神經(jīng)網(wǎng)絡(luò)

為了實(shí)現(xiàn)對油氣運(yùn)輸管道調(diào)度優(yōu)化，首先進(jìn)行網(wǎng)絡(luò)組網(wǎng)結(jié)構(gòu)模型分析，采用三層變結(jié)構(gòu)的PID神經(jīng)網(wǎng)絡(luò)模型進(jìn)行油氣運(yùn)輸管道的網(wǎng)絡(luò)結(jié)構(gòu)模型研究[6]，如圖1所示。

圖1 油氣運(yùn)輸管道三層變結(jié)構(gòu)的PID神經(jīng)網(wǎng)絡(luò)

Fig.1ThreelayervariablestructurePIDneuralnetworkforoilandgaspipeline

在圖1所示的油氣運(yùn)輸管道組網(wǎng)PID網(wǎng)絡(luò)結(jié)構(gòu)模型中，輸入層有2n個(gè)相同的神經(jīng)元，作為網(wǎng)絡(luò)的Source與Sink節(jié)點(diǎn)，神經(jīng)元的輸入為油氣運(yùn)輸管道的當(dāng)前負(fù)載:

(1)

油氣運(yùn)輸管道網(wǎng)絡(luò)過載邊的神經(jīng)元狀態(tài)為：

usi(k)=netsi(k)

(2)

式(2)表示油氣運(yùn)輸管道網(wǎng)絡(luò)過載邊，輸入層神經(jīng)元的輸出為：

(3)

表示每個(gè)轉(zhuǎn)運(yùn)節(jié)點(diǎn)的能量消耗和路徑損耗，為了使得整個(gè)網(wǎng)絡(luò)的路徑消耗最小，選定任意一個(gè)結(jié)點(diǎn)作為開始結(jié)點(diǎn)進(jìn)行均勻遍歷，給定能量閾值，令管道運(yùn)輸?shù)氖н^載比可表述為：

(4)

當(dāng)不考慮整個(gè)油氣運(yùn)輸管道調(diào)度系統(tǒng)的不確定因素時(shí)，通過2×(m0-1)條有向邊連接每個(gè)壓氣站節(jié)點(diǎn)，得到管道網(wǎng)絡(luò)的拓?fù)淇刂坪瘮?shù)描述為：

(5)

在上述構(gòu)造的三層變結(jié)構(gòu)的PID神經(jīng)網(wǎng)絡(luò)模型中，采用地理位置尋優(yōu)算法進(jìn)行油氣運(yùn)輸管道組網(wǎng)的最優(yōu)路由設(shè)計(jì)，實(shí)現(xiàn)管道優(yōu)化調(diào)度。

1.2 地理位置尋優(yōu)算法

地理位置尋優(yōu)算法的原理是將運(yùn)輸管道的遍歷過程看作一個(gè)時(shí)間離散的馬爾科夫過程[7]，在不同管道鋪設(shè)路段中，以管道的流量和阻抗?fàn)顟B(tài)為約束參量，構(gòu)造管道調(diào)度的滑模面，定義為：

s=ce1+e2

(6)

則根據(jù)流量模型可以確定管道網(wǎng)絡(luò)有向邊的分布特征函數(shù)：

(7)

令:

(8)

則得到油氣運(yùn)輸管道調(diào)度的阻抗模型為：

(9)

從已生成的網(wǎng)絡(luò)中選擇終端結(jié)點(diǎn)，各支路輸出量x1，x2，…，xn分別乘上權(quán)重值w1j，w2j，…，wnj，得到油氣運(yùn)輸管道調(diào)度的等效控制律為：

(10)

考慮系統(tǒng)存在不確定因素，在任意時(shí)刻t，對模糊神經(jīng)網(wǎng)絡(luò)的第j個(gè)神經(jīng)元進(jìn)行自學(xué)習(xí)優(yōu)選控制，選擇到達(dá)律為：

(11)

遍歷管道網(wǎng)絡(luò)的結(jié)點(diǎn)列表，得到油氣運(yùn)輸網(wǎng)絡(luò)的路由分配函數(shù)為：

(12)

對上式進(jìn)行Lyapunove泛函，實(shí)現(xiàn)油氣運(yùn)輸網(wǎng)絡(luò)鋪設(shè)組網(wǎng)的地理位置自適應(yīng)尋優(yōu)，有效降低組網(wǎng)的路徑開銷。

2 油氣運(yùn)輸管道調(diào)度模型優(yōu)化

2.1 能量融合均衡調(diào)度

在上述構(gòu)建了油氣運(yùn)輸管道的網(wǎng)絡(luò)結(jié)構(gòu)模型的基礎(chǔ)上，進(jìn)行油氣運(yùn)輸管道調(diào)度算法優(yōu)化設(shè)計(jì)，本文提出一種基于變結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)控制的油氣運(yùn)輸管道調(diào)度技術(shù)，以各個(gè)壓氣站為Sink節(jié)點(diǎn)進(jìn)行能量融合均衡調(diào)度[8]，給出第r輪，節(jié)點(diǎn)ni的最優(yōu)接收油氣流量的輸出函數(shù)由f(·)決定，以神經(jīng)元狀態(tài)uj為自變量，得到管道的輸出流量狀態(tài)函數(shù)為：

xj(k)=f(uj(t))

(13)

這里采用Sigmoid函數(shù)作為能量融合的傳導(dǎo)模型，其表達(dá)式為：

(14)

采用模糊神經(jīng)網(wǎng)絡(luò)控制方法進(jìn)行管道節(jié)點(diǎn)輸出流量的自適應(yīng)調(diào)節(jié)，對于神經(jīng)網(wǎng)絡(luò)的2個(gè)Sink神經(jīng)元，在任意采樣時(shí)刻k，其輸入的油氣吞吐量為：

neti(k)=ri(k)i=1,2

(15)

在最優(yōu)調(diào)度策略下，輸入層神經(jīng)元的油氣流量控制狀態(tài)函數(shù)為：

(16)

(17)

(18)

2.2 油氣運(yùn)輸管道調(diào)度全局穩(wěn)定性分析

下面對所設(shè)計(jì)的油氣運(yùn)輸管道調(diào)度模型的穩(wěn)定性進(jìn)行證明分析。

(19)

假設(shè)2在全局綜合調(diào)度過程中，油氣運(yùn)輸量和路徑損耗存在不確定控制約束變量的上界滿足：

(20)

(21)

(22)

定義Lyapunov函數(shù)為：

(23)

(24)

基于Lyapunove穩(wěn)定性原理，得到本文設(shè)計(jì)的基于模糊神經(jīng)網(wǎng)絡(luò)的油氣運(yùn)輸管道調(diào)度模型是全局漸進(jìn)穩(wěn)定的，系統(tǒng)的穩(wěn)定性得證。

3 仿真實(shí)驗(yàn)與性能測試

為了驗(yàn)證本文設(shè)計(jì)算法在實(shí)現(xiàn)油氣運(yùn)輸管道優(yōu)化調(diào)度中的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)采用Matlab仿真軟件設(shè)計(jì)，實(shí)驗(yàn)以1 000 m×1 000 m二維平面作為油氣運(yùn)輸管道網(wǎng)絡(luò)的覆蓋區(qū)域，管道的Sink節(jié)點(diǎn)數(shù)量為100，Source節(jié)點(diǎn)數(shù)量為12，管道網(wǎng)絡(luò)區(qū)域分割的網(wǎng)格大小為24 m2，簇頭分布節(jié)點(diǎn)數(shù)目分別為15,30,30,50,100，在管道中的油氣傳輸速率記為10 Mbps，路由跳數(shù)間歇時(shí)間為0.2 s，簇首節(jié)點(diǎn)的最大覆蓋距離為50 m，神經(jīng)網(wǎng)絡(luò)的級數(shù)為24，神經(jīng)元個(gè)數(shù)為100，信道衰減常數(shù)為12，傳輸能量損失為3.249 77 KJ，根據(jù)上述仿真環(huán)境和參量設(shè)定，進(jìn)行油氣運(yùn)輸管道調(diào)度仿真，在不同流場下測試不同的調(diào)度模型進(jìn)行油氣運(yùn)輸管道調(diào)度的均衡性，得到結(jié)果如圖2所示。

(b)石油流場(b) Oil flow field

(c)混合流場(c) Mixed flow field圖2 不同流場下不同模型進(jìn)行調(diào)度均衡性對比

Fig.2Comparisonofschedulingequilibriaofdifferentmodelsunderdifferentflowfields

分析圖2結(jié)果得知，采用本文模型進(jìn)行油氣運(yùn)輸管道調(diào)度的均衡性較好，輸出流量分布曲線的平滑性較好，說明管道輸出的全局穩(wěn)定性較好，最后統(tǒng)計(jì)分析得知，本文方法提出的油氣運(yùn)輸管道調(diào)度的吞吐量比傳統(tǒng)方法提高了25.87%，管道鋪設(shè)路徑節(jié)省12.65%，效能改善顯著。

4 結(jié)束語

本文研究一種優(yōu)化的油氣運(yùn)輸管道調(diào)度技術(shù)，提高油氣運(yùn)輸管道的全局穩(wěn)定性和暢通性，提出一種基于變結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)控制的油氣運(yùn)輸管道調(diào)度技術(shù)。采用三層變結(jié)構(gòu)的PID神經(jīng)網(wǎng)絡(luò)模型進(jìn)行油氣運(yùn)輸管道的網(wǎng)絡(luò)結(jié)構(gòu)建模，采用地理位置尋優(yōu)算法進(jìn)行油氣運(yùn)輸管道組網(wǎng)的最優(yōu)路由設(shè)計(jì)，進(jìn)行管道運(yùn)輸?shù)哪芰咳诤暇庹{(diào)度，并對調(diào)度模型進(jìn)行全局穩(wěn)定性分析，研究表明，采用本文模型進(jìn)行油氣運(yùn)輸管道調(diào)度的均衡性較好，縮短了管道組網(wǎng)路徑，提高管道網(wǎng)絡(luò)的吞吐量和油氣運(yùn)輸?shù)钠椒€(wěn)性。

[1] 尤冬石,劉亞龍,殷若鵬. 基于定量遞歸分析的天然氣管線輸送流量均衡調(diào)度方法[J]. 智能計(jì)算機(jī)與應(yīng)用,2016,6(4):16-19.

[2] JIANG Yizhang, CHUNG Fulai, WANG Shitong, et al. Collaborative fuzzy clustering from multiple weighted views[J]. IEEE Transactions on Cybernetics, 2015, 45(4): 688-701.

[3] LONG Mingsheng, WANG Jianmin, DING Guiguang, et al. Adaptation regularization: A general framework for transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2014, 26(5): 1076-1089.

[4] PATRICIA N, CAPUTO B. Learning to learn, from transfer learning to domain adaptation: A unifying perspective[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Columbus, OH, USA:IEEE, 2014: 1442-1449.

[5] SUN Leilei, GUO Chonghui. Incremental affinity propagation clustering based on message passing[J]. IEEE Transactions on Knowledge and Data Engineering, 2014, 26(11): 2731-2744.

[6] 李可,米捷. 基于變結(jié)構(gòu)PID的仿生機(jī)器人機(jī)電控制算法[J]. 河南工程學(xué)院學(xué)報(bào)(自然科學(xué)版),2016,28(2):32-37.

[7] 崔永君,張永花. 基于特征尺度均衡的Linux系統(tǒng)雙閾值任務(wù)調(diào)度算法[J]. 計(jì)算機(jī)科學(xué),2015,42(6):181-184.

[8] 薛明,許德剛. 基于云網(wǎng)格集成調(diào)度的防擁堵車輛路徑規(guī)劃算法[J]. 計(jì)算機(jī)科學(xué),2015, 42 (7):295-299.

[9] 龔聰. 改進(jìn)神經(jīng)網(wǎng)絡(luò)煤礦安全評價(jià)模型仿真研究[J]. 計(jì)算機(jī)仿真,2012,29(1):156-159.

[10]宋明紅,俞華鋒,陳海燕. 改進(jìn)量子進(jìn)化算法在計(jì)算機(jī)網(wǎng)絡(luò)路由選擇中的應(yīng)用研究[J]. 科技通報(bào),2014,30(1):170-173.