上海天然氣主干網6.0MPa管道壓力監測點最值預測

上海天然氣管網有限公司 胡嶸

0 前言

目前，上海天然氣主干網已建成投運600余km管道，建有6.0 MPa、4.0 MPa、2.5 MPa和1.6 MPa四個壓力級制的超高壓、高壓管道。其中超過 1/3的6.0 MPa管道是當前主干網日常調峰、儲氣所依賴的最主要、最重要的輸氣設施。

按 2010年上海天然氣供應統計數據，主干網6.0 MPa管道接收氣源的供應占全市氣源供應量的92%；直供用戶的用量占全市用戶用量的41%，其中有燃氣電廠、漕涇化工區、石化等市重點項目的用戶。

隨著上海天然氣市場的發展，預計上述比例及直供的用戶數量將在“十二五”期間進一步增加，同時主干網調峰能力的需求隨之增加。

根據2010年實際情況，上海天然氣主干網的調峰主要通過氣源調峰和6.0 MPa管道實現。但按規劃的發展速度，主干網可用調峰量占全市日用氣量的比例將在 2010年不足 19 %的基礎上再降低1/3，所以可以預計的是，6.0 MPa管道壓力波動將進一步增大。

保障6.0 MPa管道的安全運行是確保全市天然氣安全供應工作的重要一環。具體來講，就是要保障6.0 MPa管道運行壓力在正常范圍內波動——壓力過高則影響氣源的供應工作、減少供應量；壓力過低則影響直供用戶的安全用氣和生產計劃。

在制定日供需平衡計劃工作中，將每天6:00(燃氣日起始時間)6.0 MPa管道監測點的壓力作為是否能夠實現每日該管道安全運行以及供需計劃是否可行的主要判定指標。然而僅依靠早6:00監測壓力無法直接判斷日用氣高峰、低谷期間6.0 MPa管道的運行壓力情況。

目前，依靠計劃人員的經驗來預測其運行壓力的最值和估算管道調峰量，這存在一定的不確定性，不利于對氣源供應和化工、燃氣電廠等用戶用氣方式的協調工作，也不利于應對氣源和用戶突發計劃調整的情況。

鑒于當前尚未建立對主干網6.0 MPa管道壓力監測點最值預測的系統，以及由此對上海天然氣主干網安全運行產生的風險，因此有必要盡快開展對主干網6.0 MPa管道壓力監測點的最值預測工作，完善主干網安全運行判定指標。

1 6.0 MPa管道壓力監測點最值的常規預測方法

目前對6.0 MPa管道壓力監測點最值預測方法主要為直接計算法——依據管道小時負荷和氣源小時供應量，通過計算調峰量推導管道壓力或通過管道水力計算得出管道壓力。

直接計算法可以計算出全天24 h的6.0 MPa管道壓力監測點壓力值，若使用水力計算模型則可以得到主干網任意點的壓力值。這是直接計算法具有的優勢，但其也有明顯的劣勢：

(1)需要所有用戶的小時負荷，包括區域燃氣銷售公司、大工業、燃氣電廠等用戶。大工業、燃氣電廠等用戶用量尚有上報計劃可依，但銷售公司用量受氣溫、節假日等外部因素影響明顯，且上海各銷售公司因其所處地域不同，其用氣規律/特征各異，因此對銷售公司小時負荷的預測一直是負荷預測工作中的難點，這也將影響直接計算法的準確性及推廣使用。

此外，若進行水力計算，則更是需要主干網現有四、五十個用戶場站的小時負荷，這必然需要預測軟件的輔助才能實現，增加了整個系統失效的概率，降低了可靠性。

(2)存在其他影響因素。通過計算調峰量推導管道壓力，必需涉及到主干網小時產銷差的經驗判斷。而在通過管道水力計算得出管道壓力前，必需構建主干網全網模型并進行長時間的調試，運行后尚有大量維護和更新工作需要實施，因此所需投入的人力物力規模巨大。

此外，在進行管道水力計算過程中，還存在管道摩阻系數和氣源氣質等變化對計算結果的影響、軟件計算時間長等負面因素。

另外，考慮到天然氣管網自身所具備一定的儲氣調峰能力，不似電網般有剛性要求，因此，除管道監測壓力的最值及早6:00壓力值外，其余21個壓力預測值對監測工作僅有參考意義。

在綜合考慮常規預測方法利弊和日常管網控制的需要后，為避免常規預測方法的劣勢，并向計劃編制及調度人員提供一定精度的6.0 MPa管道壓力監測點最值及最值出現時刻的預測參考，在此嘗試使用神經網絡方法進行預測。

2 神經網絡預測方法

神經網絡，即人工神經網絡(Artificial Neutral Networks，簡稱 ANN)，是當前用于信息處理、組合優化計算方面較為先進的方法。由于神經網絡通過模擬人的大腦神經處理信息的方式，因此具有較強的學習能力、可以實現非線性映射過程及大規模計算。

通俗來說，神經網絡預測，即模擬人的經驗判斷來進行預測。

2.1 流程介紹

神經網絡預測6.0 MPa管道壓力監測點最值及最值出現時刻的流程如下：

圖1 神經網絡構建及預測流程

*根據調峰量定義，將全市大工業、電廠用戶和氣源當日產生的調峰量公式定為：

式中：Qi—第i個小時的調峰量；

qi—第i個小時的小時負荷，q0=0；

∑ q —24小時負荷的合計值；

Q—當天的調峰量；

i—時間，i=1，2，3，……，24。

其中，6.0 MPa管道壓力監測點次日6:00壓力值通過供需氣量可預測得到。

2.2 應用實例

根據神經網絡的工作原理，只要有足夠的數據輸入，就可以得到相應的輸出。因此，對于管道上的任意壓力點，只要提供充分的因素(數據輸入)，就可以對可重復發生的情況進行預測。但對于突發異常情況，則無法進行預測。壓力預測的對象本質上是虛擬點，但可以用實際點的正常數據來替代。

在這里，取上海白鶴首站6.0 MPa出站壓力數據進行預測。該壓力監測點自 2004年主干網正式投運以來就一直是日常管網控制工作的主要監測對象和供需平衡計劃是否可行的重要判定指標。因此，取該點進行預測對日常工作有現實意義。

2.2.1 建立神經網絡

取2009~2010年兩年的歷史數據分別作為輸入層和輸出層，經訓練和學習，建立神經網絡。

2.2.2 2011年1~3月歷史數據模擬試驗

取2011年1~3月歷史數據進行預測，一次性輸入2011年1~3月內每天的月份、日期、星期、節假日、最高溫度、最低溫度、天氣狀況、管容、6:00壓力、次日6:00壓力、工業用戶調峰量、電廠用戶調峰量和氣源產生的調峰量數據。其中對于國定節假日，需要根據經驗調整節假日數值。經神經網絡預測后，得到1~3月每天6.0 MPa白鶴首站壓力監測點的最高壓力、最低壓力、最高壓力出現時刻和最低壓力出現時刻的預測值。

預測結果如下：

上海主干網6.0 MPa白鶴首站壓力監測點最高實際壓力同預測值對比見圖2。

圖2 實際最高壓力同預測值對比

上海主干網6.0 MPa白鶴首站壓力監測點實際最低壓力同預測值對比見圖3。

圖3 實際最低壓力同預測值對比

上海主干網6.0 MPa白鶴首站壓力監測點實際最高壓力出現時刻同預測值對比見圖4。

圖4 實際最高壓力出現時刻同預測值對比

上海主干網6.0 MPa白鶴首站壓力監測點實際最低壓力出現時刻同預測值對比見圖5。

圖5 實際最低壓力出現時刻同預測值對比

對預測結果采用絕對偏差進行統計，偏差結果見表1。

表1 2011年1~3月壓力監測點最值預測絕對偏差統計

表1中最高壓力和最低壓力絕對偏差的最大值分別為0.20 MPa和0.38 MPa，但從絕對偏差平均值來看，總體預測情況還是能夠被接受的。

最高壓力出現時刻和最低壓力出現時刻的預測結果可見圖4、5。其中最高壓力出現時刻絕對偏差最大值為20 h、最低為0 h、平均為4 h；最低壓力出現時刻絕對偏差最大值為8 h、最低為0 h、平均為 1 h。從統計數據來看，最低壓力出現時刻的預測結果尚可，而最高壓力出現時刻的預測結果精度稍差。但考慮到最高壓力出現的時間通常處于每天的起始或結束時間，且其對于重要性稍低，因此對其預測結果的精度要求可以稍低。

2.2.3 2008年3月歷史數據模擬試驗

采用2008年3月的歷史數據進行預測試驗，來觀察神經網絡對間隔時間較長的主干網6.0 MPa管道運行情況的預測精度。同樣選取上海白鶴首站6.0 MPa壓力監測點為預測對象。

對預測結果采用絕對偏差進行統計，見表2。

表2 2008年3月壓力監測點最值預測絕對偏差統計

根據統計數據觀察，2008年3月的偏差情況接近2011年1~3月的預測結果。這說明，神經網絡預測方法對運行工況的連續性沒有要求，甚至對早于學習/訓練數據之前的情況，同樣可以進行預測。

2.2.4 歷史數據和計劃數據預測結果對比

將神經網絡預測法運用于實際供需平衡計劃工作中，加入人為預測偏差因素，來觀察該預測法的實際預測效果。同樣選取上海白鶴首站6.0 MPa壓力監測點為預測對象。

歷史數據預測，采用的歷史數據(同上)，計劃數據預測，采用供需計劃量、人工預測數據以及負荷預測軟件做提供的工業、電廠用戶用氣趨勢數據，并對其中明顯存在的錯誤數據進行人工校正。2.2.4.1 歷史數據預測

2011年4月上海主干網6.0 MPa白鶴首站壓力監測點實際最高壓力、實際最低壓力以及它們出現的時刻同歷史數據預測結果對比分別見圖6、圖7、圖8、圖9所示。

圖6 壓力監測點實際最高壓力同預測對比

圖7 壓力監測點實際最低壓力同預測對比

圖8 壓力監測點最高壓力出現的實際時間同預測對比

圖9 壓力監測點最低壓力出現的實際時間同預測對比

對預測結果采用絕對偏差進行統計，見表3。

表3 歷史數據預測的最值絕對偏差統計

根據統計結果，最高壓力絕對偏差最大值出現在4月23日為0.25 MPa，最低壓力絕對偏差最大值出現在4月13日為0.23 MPa。最高壓力出現時刻的絕對偏差最大值出現在4月17日為13 h，最低壓力出現時刻的絕對偏差最大值出現在 4月 30日為3 h，平均值為1 h。

2.2.4.2 計劃數據預測

2011年4月上海主干網6.0 MPa白鶴首站壓力監測點實際最高壓力、實際最低壓力以及它們出現的時刻同計劃數據預測結果對比分別見圖 10、圖11、圖12、圖13所示。

圖10 壓力監測點實際最高壓力同計劃預測對比

圖11 壓力監測點實際最低壓力同計劃預測對比

圖12 壓力監測點實際最高壓力出現時刻同計劃預測對比

圖13 壓力監測點實際最低壓力出現時刻同計劃預測對比

計劃預測結果采用絕對偏差進行統計，見表4。

表4 計劃預測的最值絕對偏差統計

根據統計結果，最高壓力絕對偏差最大值出現在4月26日為0.26 MPa，最低壓力絕對偏差最大值出現在4月20日為0.45 MPa；最高壓力出現時刻的絕對偏差最大值出現在4月30日為21 h，最低壓力出現時刻的絕對偏差最大值出現在 4月 17日為9 h，平均值為2 h。為找出人為預測偏差因素對預測結果的影響關系，特將計劃數據同歷史數據中各因素數值情況作如下對比：

圖14 氣源計劃預測同歷史數據預測數值對比

圖15 工業用戶計劃預測同歷史數據預測數值對比

圖16 電廠用戶計劃預測同歷史數據預測數值對比

圖17 次日6時壓力計劃預測同歷史數據預測數值對比

根據統計數據，計劃預測同歷史數據預測偏差最大值：氣源調峰量，4月23日34萬m3；工業用戶調峰量，4月1日20萬m3；電廠用戶調峰量，4月30日55萬m3；6.0 MPa白鶴首站監測點次日6時壓力，4月17日0.42 MPa，其中4月26日偏差為0.37 MPa。

可以看出，人為預測偏差在一定程度上增加了預測結果的偏差。將影響較大的氣源調峰量和次日6時壓力用歷史數據替代后，預測結果統計見表5。

表5 數據替代后最值預測絕對偏差統計

替代后預測偏差有明顯的降低，其中最高壓力絕對偏差最大值出現在4月23日為0.22 MPa，最低壓力絕對偏差最大值出現在4月10日為0.37 MPa。最高壓力出現時刻的絕對偏差最大值出現在4月17日為13 h，平均值為4 h。最低壓力出現時刻的絕對偏差最大值出現在4月6日為5 h，平均值為1 h。

3 神經網絡預測的適用范圍

依據神經網絡模擬人經驗預測的工作原理，相對于常規預測方法神經網絡預測法具有以下優勢：

(1)無需各區域銷售公司的小時預測；

(2)預測模型相對簡單，執行一次預測所需時間短。

神經網絡預測也有其局限性：

(1)對于重復次數極少的偶發事件，無法提供可靠預測，例如管網運行發生突變等情況；

(2)需要大量歷史數據積累，根據使用經驗，若有5年的歷史數據作為支撐，預測精度能有進一步的提高。

從神經網絡對歷史數據以及計劃預測的結果來看，總體上預測精度可以接受，但尚需要進一步的優化，包括繼續進行數據積累，來降低出現的最大偏差值。

4 結論與建議

就當前上海天然氣主干網現狀及“十二五”規劃發展形勢而言，主干網調峰手段相對不足，形勢嚴峻。因此有必要盡快增加對主干網6.0 MPa管道壓力監測點最值的預測，為日常調峰工作提供決策輔助。并根據當前工作實際，對該項工作提供如下建議：

(1)對管道壓力監測點最值的預測，建議采用不同的預測方法以相互彌補不足，提高預測的可靠性。

(2)加強信息化、數字化系統建設，為各種預測方法提供數據庫和自動化方面的支持，盡可能降低人為誤差發生的可能。

(3)從神經網絡預測工作中發現，主要影響主干網 6.0 MPa管道壓力的因素為氣源調峰量(由氣源供應方式決定)、工業用戶調峰量、電廠用戶調峰量、管道每日6時監測點壓力值。這些因素可以通過加強用戶預測管理及氣源協調工作來提高準確度。