沈國良，蘇祥偉，譚 漢，邵 迪

（1.浙江浙能天然氣運行有限公司，杭州 310012；2.浙江浙能技術(shù)研究院有限公司，杭州 311121）

0 引言

浙江省天然氣管網(wǎng)為省級干線網(wǎng)絡(luò)，沿線設(shè)置有發(fā)電廠輸配站，直接對接發(fā)電廠燃?xì)鈾C(jī)組，通過SCADA（數(shù)據(jù)采集與監(jiān)控）系統(tǒng)的控制調(diào)節(jié)來滿足機(jī)組運行時對壓力和流量的要求，而采用智能系統(tǒng)代替人對機(jī)組運行時的復(fù)雜工況進(jìn)行實時監(jiān)控是站場無人化的關(guān)鍵核心。

天然氣輸配調(diào)節(jié)的本質(zhì)就是在調(diào)節(jié)前后存在差壓的前提下，通過改變調(diào)節(jié)閥的閥位來改變輸配氣的工況流量，同時當(dāng)輸配環(huán)節(jié)發(fā)生異常，如閥門誤動、計量故障等時，最直接的表征就是實測流量發(fā)生變化，所以對天然氣輸配進(jìn)行工況監(jiān)測，其直接有效的方式就是建立壓差、閥位和流量之間的系統(tǒng)模型，通過對流量的跟蹤分析來實現(xiàn)工況監(jiān)測的功能。

1 研究背景

天然氣站場無人化建設(shè)規(guī)劃中，以站場集中監(jiān)控、統(tǒng)一管理的方式進(jìn)行調(diào)度和運行管理，而傳統(tǒng)的站場值守模式完全依賴于運行人員的經(jīng)驗來對整個輸氣工藝狀況進(jìn)行分析評價，當(dāng)集中監(jiān)控后，由于監(jiān)控點的成倍增長，監(jiān)管頻率和難度也相應(yīng)增加，且長時間的監(jiān)盤極易導(dǎo)致習(xí)慣性疲勞，存在風(fēng)險隱患。在供天然氣發(fā)電機(jī)組的發(fā)電廠站，由于機(jī)組負(fù)荷大、工況變化復(fù)雜、反應(yīng)時間短等特點，即使傳統(tǒng)的站對站監(jiān)控模式，也會因調(diào)節(jié)故障、閥門異動等原因?qū)е聶C(jī)組甩負(fù)荷甚至跳機(jī)。所以，在實現(xiàn)發(fā)電廠站的集中監(jiān)控前，首先需要解決的問題是如何進(jìn)行供氣狀態(tài)的智能分析，并提前預(yù)警，再以此為基礎(chǔ)，通過系統(tǒng)或人為干預(yù)來保證供氣的穩(wěn)定性。

但是目前針對天然氣輸配控制的建模和分析主要集中在管網(wǎng)的仿真調(diào)度方面[1-5]，而對于以站場或用戶為單位的具體調(diào)節(jié)系統(tǒng)，其建模主要采用多元函數(shù)擬合的方式[6-8]來實現(xiàn)，但是在氣體的計量過程中，需要充分考慮組分、管道、流態(tài)、壓縮因子、流出系數(shù)等多個不確定因素，所以通過多元函數(shù)建立準(zhǔn)確的數(shù)學(xué)模型非常困難。

對于復(fù)雜及非線性系統(tǒng)，神經(jīng)網(wǎng)絡(luò)的應(yīng)用非常廣泛，但在天然氣的輸配領(lǐng)域，神經(jīng)網(wǎng)絡(luò)主要用于氣量預(yù)測和供氣的可靠度計算[9-10]，極少用于流調(diào)控制[11]，所以對于單個流調(diào)系統(tǒng)來講，關(guān)鍵在于一定前提下，工況體積流量、調(diào)節(jié)閥閥位、調(diào)節(jié)的前后壓差這3個參量是否存在對應(yīng)關(guān)系[12]，通過天然氣管輸調(diào)節(jié)控制仿真模型[13]，同一站場中由于工藝條件不變，且對于工況體積的計量只取決于管道壓差和管道工藝，從而排除了組分、補(bǔ)償系數(shù)、壓縮因子等相關(guān)系數(shù)的影響，所以對于單條支路，完全可以通過數(shù)學(xué)函數(shù)建立模型。但在實際應(yīng)用場景中，特別是對于發(fā)電廠用戶，要保證系統(tǒng)的穩(wěn)定可靠運行往往需要主、備支路同時使用，在該種工況下，由于流態(tài)、調(diào)節(jié)擾動等相關(guān)因素的影響，不能簡單地通過單一支路模型疊加方式進(jìn)行計算，所以需要借助神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性擬合能力來建立系統(tǒng)模型。

2 模型建立

通過神經(jīng)網(wǎng)絡(luò)進(jìn)行系統(tǒng)建模，關(guān)鍵是用于訓(xùn)練的樣本具有代表性和覆蓋性，以浙江省天然氣管網(wǎng)所屬某發(fā)電廠站（見圖1）為研究對象，從省網(wǎng)調(diào)控中心的數(shù)據(jù)庫中檢索了2012年1月—2018年8月的樣本數(shù)據(jù)，并從中挖掘出具有典型性的5萬組樣本進(jìn)行建模，將樣本以三參量綜合排序后，按照奇偶序號劃分成相近的各2.5萬組樣本數(shù)據(jù)，分別用于訓(xùn)練和驗證。

圖1 某發(fā)電廠站流調(diào)工藝

2.1 數(shù)據(jù)的預(yù)處理

樣本數(shù)據(jù)的覆蓋面較廣，分布差異較大，所以需要將數(shù)據(jù)進(jìn)行歸一化處理。歸一化即標(biāo)準(zhǔn)化，是將不同數(shù)量級的數(shù)據(jù)轉(zhuǎn)變成同一數(shù)量級的方法，以此來減少樣本數(shù)量級對擬合準(zhǔn)確性的影響，同時，考慮神經(jīng)網(wǎng)絡(luò)輸出層激活函數(shù)的值域限制，所以需要將網(wǎng)絡(luò)訓(xùn)練的目標(biāo)數(shù)據(jù)映射到所選用的激活函數(shù)的值域。

采用了最大-最小標(biāo)準(zhǔn)法，對于每一個變量X，通過式（1）進(jìn)行變換，使得變換后樣本數(shù)據(jù)X′的范圍都在[-1，1]區(qū)間：

式中：min為X的最小值；max為X的最大值；X′為歸一化后的X。

式（1）將數(shù)據(jù)歸一化后，相應(yīng)地在網(wǎng)絡(luò)的輸出層，激活函數(shù)采用雙極S形函數(shù)，見圖2。

式中：x為前層各神經(jīng)元輸入當(dāng)前神經(jīng)元的加權(quán)和；f（x）為神經(jīng)元激活后的輸出；α為激活函數(shù)的調(diào)整系數(shù)，協(xié)同學(xué)習(xí)率對網(wǎng)絡(luò)的性能進(jìn)行優(yōu)化。

2.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在網(wǎng)絡(luò)構(gòu)建時，首先采用LM-BP[14]網(wǎng)絡(luò)，其結(jié)構(gòu)見圖3。

圖2 雙極S形函數(shù)

圖3 LM-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

其中，輸入向量3個，分別為PV1（一支路調(diào)節(jié)閥閥位）、PV2（二支路調(diào)節(jié)閥閥位）、 DP（壓差）；輸出向量1個，為QW（工況流量）；隱含包含250個神經(jīng)元，人工神經(jīng)元模型如圖4所示；每一個輸入，通過式（1）變換后進(jìn)行輸入，經(jīng)過式（3）加權(quán)求和后，通過式（2）輸出：

式中：i為網(wǎng)絡(luò)層數(shù)；n為每層的神經(jīng)元數(shù)量；ω為神經(jīng)元的連接權(quán)；θ為偏置，并作為ωi0計算；neti為輸入當(dāng)前神經(jīng)元的加權(quán)和，即式（2）中的x，y為計算值，同時為下一層神經(jīng)元的輸入x。

模型的損失函數(shù)采用均方差MSE，其中e為誤差，N為樣本數(shù)量，同時計算均方根差RMSE進(jìn)行匹配度的評價：

圖4 人工神經(jīng)元模型

采用Levenberg-Marquardt法進(jìn)行訓(xùn)練和驗證后得到的誤差分布分別如圖5、圖6所示。

圖5 LM-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差

圖6 LM-BP神經(jīng)網(wǎng)絡(luò)的驗證誤差

觀察圖5和圖6，在500 m3/h以上區(qū)域，網(wǎng)絡(luò)的訓(xùn)練效果較好，誤差基本控制在5%左右，驗證時少量數(shù)據(jù)誤差超過10%，可考慮系統(tǒng)誤差；但在500 m3/h以下的小流量區(qū)，網(wǎng)絡(luò)的擬合誤差較大，主要原因為：一是計量準(zhǔn)確度的問題，研究站場所用的超聲波流量計標(biāo)稱量程為5 000 m3/h，有效計量的最低范圍為10%，即500 m3/h，該區(qū)間的計量不確定度較大；二是調(diào)節(jié)閥的調(diào)節(jié)特性問題，小流量區(qū)域的調(diào)節(jié)閥位基本在10%～15%（見表1），處在閥門的非線性區(qū)域，流態(tài)也不穩(wěn)定。所以綜合來說，小流量區(qū)域的函數(shù)關(guān)系不同于大流量區(qū)，需要額外處理。

表1 小流量時的各參數(shù)

在小流量區(qū)單獨構(gòu)建CGF-BP[14]網(wǎng)絡(luò)，如圖7所示，通過共軛梯度法進(jìn)行訓(xùn)練，通過樣本驗證后，采用絕對誤差進(jìn)行評價，如圖8所示。

圖7 CGF-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖8 CGF-BP神經(jīng)網(wǎng)絡(luò)驗證的絕對誤差

最后將2個神經(jīng)網(wǎng)絡(luò)結(jié)合，首先通過LMBP進(jìn)行擬合計算，當(dāng)計算結(jié)果小于500時，通過CGF-BP進(jìn)行修正，通過復(fù)合神經(jīng)網(wǎng)絡(luò)[16]來優(yōu)化擬合過程，形成最終的模型，其計算流程如圖9所示。

圖9 復(fù)合網(wǎng)絡(luò)的計算流程

對模型進(jìn)行樣本驗證的結(jié)果見圖10和圖11，可以看出，在驗證結(jié)果上，模型基本實現(xiàn)了擬合的誤差要求。

3 實際應(yīng)用

模型訓(xùn)練完成后，考慮到網(wǎng)絡(luò)的計算效率，設(shè)置2 min 1次的采樣及分析頻率，通過對該發(fā)電廠站4個起機(jī)-運行-停機(jī)的完整工況比對，進(jìn)行實際測試。模型共分析了2 800多組工況數(shù)據(jù)，比對結(jié)果見圖12；同時為檢查模型對異常工況的監(jiān)測效果，對流量計的補(bǔ)償壓變進(jìn)行屏蔽處理以模擬計量系統(tǒng)故障，由于差壓和調(diào)節(jié)閥的閥位正常，模型的計算值會延續(xù)正常工況，比對結(jié)果如圖13所示。

圖10 復(fù)合網(wǎng)絡(luò)的驗證擬合

圖11 復(fù)合網(wǎng)絡(luò)的計算值比對

圖12 復(fù)合網(wǎng)絡(luò)的實際比對效果

圖13 復(fù)合網(wǎng)絡(luò)的模擬故障監(jiān)測效果

從圖12的擬合情況分析，模型基本實現(xiàn)了對實際工況的高度還原，但是對于小流量的擬合方面相對誤差較大，考慮系統(tǒng)不確定度和樣本量級，認(rèn)為結(jié)果處于可接受范圍；在總體的擬合誤差方面，除不可避免的系統(tǒng)檢測誤差，系統(tǒng)誤差控制在5%左右，與訓(xùn)練和驗證的誤差基本保持一致，這也說明訓(xùn)練樣本數(shù)據(jù)的覆蓋面較好，模型的辨識度較完善。

圖13中在樣本號100～160區(qū)間計算值和實測值之間有一個明顯AE（絕對誤差），根據(jù)表2數(shù)據(jù)，其RE（相對誤差）達(dá)到20%～30%，通過這個差值，并過濾掉系統(tǒng)誤差的干擾，即實現(xiàn)了對異常工況的監(jiān)測功能。

表2 模擬計量故障時的各參數(shù)

4 結(jié)語

在天然氣調(diào)節(jié)系統(tǒng)的運行過程中，調(diào)節(jié)工況隨著運行時間不斷累積大量的數(shù)據(jù)，目前這類數(shù)據(jù)在進(jìn)行備份存檔后極少進(jìn)行開發(fā)利用。因此，對系統(tǒng)的數(shù)據(jù)進(jìn)行充分挖掘、分析處理后，選取典型數(shù)據(jù)進(jìn)行系統(tǒng)建模，在匹配性、覆蓋程度、準(zhǔn)確性等方面均取得了良好的效果。

由于缺少神經(jīng)網(wǎng)絡(luò)在天然氣輸氣調(diào)節(jié)控制及工況監(jiān)測中的應(yīng)用案例借鑒，所以在系統(tǒng)的開發(fā)過程中，通過多次測試，選擇了LM和共軛梯度等改進(jìn)型訓(xùn)練法，但是BP網(wǎng)絡(luò)在梯度下降法的訓(xùn)練過程中還是難免陷入局部最優(yōu)解的問題。同時，為避免擬合誤差過大，采用了分段擬合的方式來進(jìn)行函數(shù)逼近，整個系統(tǒng)結(jié)構(gòu)相對比較復(fù)雜，計算效率偏慢，而且在計算值轉(zhuǎn)換過程中容易導(dǎo)致?lián)p失函數(shù)的失控，所以在后期的研究過程中，可以采用更有效的復(fù)合神經(jīng)網(wǎng)絡(luò)及深度學(xué)習(xí)的方式來完善功能，提高工作效率。