基于復(fù)合BP神經(jīng)網(wǎng)絡(luò)的天然氣工況監(jiān)測(cè)系統(tǒng)研究

沈國(guó)良，蘇祥偉，譚 漢，邵 迪

（1.浙江浙能天然氣運(yùn)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(jí)干線網(wǎng)絡(luò)，沿線設(shè)置有發(fā)電廠輸配站，直接對(duì)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(yùn)行時(shí)對(duì)壓力和流量的要求，而采用智能系統(tǒng)代替人對(duì)機(jī)組運(yùn)行時(shí)的復(fù)雜工況進(jìn)行實(shí)時(shí)監(jiān)控是站場(chǎng)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(shí)當(dāng)輸配環(huán)節(jié)發(fā)生異常，如閥門誤動(dòng)、計(jì)量故障等時(shí)，最直接的表征就是實(shí)測(cè)流量發(fā)生變化，所以對(duì)天然氣輸配進(jìn)行工況監(jiān)測(cè)，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(duì)流量的跟蹤分析來實(shí)現(xiàn)工況監(jiān)測(cè)的功能。

1 研究背景

天然氣站場(chǎng)無人化建設(shè)規(guī)劃中，以站場(chǎng)集中監(jiān)控、統(tǒng)一管理的方式進(jìn)行調(diào)度和運(yùn)行管理，而傳統(tǒng)的站場(chǎng)值守模式完全依賴于運(yùn)行人員的經(jīng)驗(yàn)來對(duì)整個(gè)輸氣工藝狀況進(jìn)行分析評(píng)價(jià)，當(dāng)集中監(jiān)控后，由于監(jiān)控點(diǎn)的成倍增長(zhǎng)，監(jiān)管頻率和難度也相應(yīng)增加，且長(zhǎng)時(shí)間的監(jiān)盤極易導(dǎo)致習(xí)慣性疲勞，存在風(fēng)險(xiǎn)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(shí)間短等特點(diǎn)，即使傳統(tǒng)的站對(duì)站監(jiān)控模式，也會(huì)因調(diào)節(jié)故障、閥門異動(dòng)等原因?qū)е聶C(jī)組甩負(fù)荷甚至跳機(jī)。所以，在實(shí)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(duì)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(duì)于以站場(chǎng)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(shí)現(xiàn)，但是在氣體的計(jì)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(gè)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(duì)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(cè)和供氣的可靠度計(jì)算[9-10]，極少用于流調(diào)控制[11]，所以對(duì)于單個(gè)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(gè)參量是否存在對(duì)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(chǎng)中由于工藝條件不變，且對(duì)于工況體積的計(jì)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(duì)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(shí)際應(yīng)用場(chǎng)景中，特別是對(duì)于發(fā)電廠用戶，要保證系統(tǒng)的穩(wěn)定可靠運(yùn)行往往需要主、備支路同時(shí)使用，在該種工況下，由于流態(tài)、調(diào)節(jié)擾動(dòng)等相關(guān)因素的影響，不能簡(jiǎn)單地通過單一支路模型疊加方式進(jìn)行計(jì)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(duì)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(hào)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(yàn)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(jí)的數(shù)據(jù)轉(zhuǎn)變成同一數(shù)量級(jí)的方法，以此來減少樣本數(shù)量級(jí)對(duì)擬合準(zhǔn)確性的影響，同時(shí)，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(duì)于每一個(gè)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(duì)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(shí)，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(gè)，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(gè)，為QW（工況流量）；隱含包含250個(gè)神經(jīng)元，人工神經(jīng)元模型如圖4所示；每一個(gè)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(jì)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(jì)算值，同時(shí)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(shí)計(jì)算均方根差RMSE進(jìn)行匹配度的評(píng)價(jià)：

圖4 人工神經(jīng)元模型

采用Levenberg-Marquardt法進(jìn)行訓(xùn)練和驗(yàn)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(yàn)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(yàn)證時(shí)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?yàn)椋阂皇怯?jì)量準(zhǔn)確度的問題，研究站場(chǎng)所用的超聲波流量計(jì)標(biāo)稱量程為5 000 m3/h，有效計(jì)量的最低范圍為10%，即500 m3/h，該區(qū)間的計(jì)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(shí)的各參數(shù)

在小流量區(qū)單獨(dú)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(yàn)證后，采用絕對(duì)誤差進(jìn)行評(píng)價(jià)，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(yàn)證的絕對(duì)誤差

最后將2個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)合，首先通過LMBP進(jìn)行擬合計(jì)算，當(dāng)計(jì)算結(jié)果小于500時(shí)，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(jì)算流程如圖9所示。

圖9 復(fù)合網(wǎng)絡(luò)的計(jì)算流程

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

3 實(shí)際應(yīng)用

模型訓(xùn)練完成后，考慮到網(wǎng)絡(luò)的計(jì)算效率，設(shè)置2 min 1次的采樣及分析頻率，通過對(duì)該發(fā)電廠站4個(gè)起機(jī)-運(yùn)行-停機(jī)的完整工況比對(duì)，進(jìn)行實(shí)際測(cè)試。模型共分析了2 800多組工況數(shù)據(jù)，比對(duì)結(jié)果見圖12；同時(shí)為檢查模型對(duì)異常工況的監(jiān)測(cè)效果，對(duì)流量計(jì)的補(bǔ)償壓變進(jìn)行屏蔽處理以模擬計(jì)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(jì)算值會(huì)延續(xù)正常工況，比對(duì)結(jié)果如圖13所示。

圖10 復(fù)合網(wǎng)絡(luò)的驗(yàn)證擬合

圖11 復(fù)合網(wǎng)絡(luò)的計(jì)算值比對(duì)

圖12 復(fù)合網(wǎng)絡(luò)的實(shí)際比對(duì)效果

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

從圖12的擬合情況分析，模型基本實(shí)現(xiàn)了對(duì)實(shí)際工況的高度還原，但是對(duì)于小流量的擬合方面相對(duì)誤差較大，考慮系統(tǒng)不確定度和樣本量級(jí)，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(cè)誤差，系統(tǒng)誤差控制在5%左右，與訓(xùn)練和驗(yàn)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(shí)度較完善。

圖13中在樣本號(hào)100～160區(qū)間計(jì)算值和實(shí)測(cè)值之間有一個(gè)明顯AE（絕對(duì)誤差），根據(jù)表2數(shù)據(jù)，其RE（相對(duì)誤差）達(dá)到20%～30%，通過這個(gè)差值，并過濾掉系統(tǒng)誤差的干擾，即實(shí)現(xiàn)了對(duì)異常工況的監(jiān)測(cè)功能。

表2 模擬計(jì)量故障時(shí)的各參數(shù)

4 結(jié)語

在天然氣調(diào)節(jié)系統(tǒng)的運(yùn)行過程中，調(diào)節(jié)工況隨著運(yùn)行時(shí)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(duì)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(cè)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(cè)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(shí)，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(gè)系統(tǒng)結(jié)構(gòu)相對(duì)比較復(fù)雜，計(jì)算效率偏慢，而且在計(jì)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。