西部天然氣管網穩態運行優化研究

1中國石油西部管道分公司

2中國石油大學（北京）

3中國石油湖北銷售分公司

在天然氣資源開發和市場快速發展的帶動下，我國天然氣管道已超過7×104km，形成橫跨東西、縱貫南北、連接中外的管網格局[1]，作為“一帶一路”重要樞紐之一和我國西北能源戰略通道的主要建設者與運營管理者，西部管道公司承擔著將進口的中亞天然氣以及新疆地區產的天然氣和煤質氣輸往我國中部和東部地區的任務。

影響輸氣管道公司收益的最大因素是沿線各個站場的壓縮機組所產生的能耗[2]，各站場壓縮機能耗直接與各站場的運行壓比相關，而在能耗最低目標下，各個站場的最佳壓比并不是一個獨立的變量，而是站場之間相互影響與相互約束的結果。每一個站場的最優操作壓比都與整條管線的操作壓比有關，因此通過現場經驗往往很難得出一組整條管道各個站場最佳壓比[3]。

西部天然氣管網已逐漸實現互聯互通，管網運行優化需綜合考慮管道間的流量分配。由于管網內各條管線的管徑、壓氣站數量與壓縮機型號等參數皆不同，造成不同的管線通過同樣的流量時所產生的能耗有所不同，因此在維持整個管網輸送天然氣總量不變的情況下，通過優化算法對各條管線的通過流量進行優化有著較大意義[4]。

西部天然氣管網與獨立的輸氣管道相比有著更為復雜的運行情況以及更多需要考慮的優化影響因素[5]，因此單一的優化算法無法很好地解決目前西部管道的優化問題，需要綜合現代算法與傳統算法的優勢，形成一個適合西部管道情況并兼具經濟性與可靠性的運行優化模型。本文基于SPS仿真方案庫，結合深度學習建立了一種新的管網水力計算與壓氣站配置方法，以能耗最低或效益最優為目標，利用動態規劃及循環判斷方法，針對壓力層級和流量層級優化維度搭建了西部天然氣管網運行與調度優化模型。

1 技術路線

西部天然氣管網相對于一般的輸氣管道，由于各條管線里程較長，壓氣站較多，且存在聯絡線（輪吐線），各管線之間互聯互通，實際運行情況非常復雜。西部天然氣管網的優化運行計算問題為大規模的混合整數非線性規劃算法，傳統的優化算法在面對如此復雜的問題時往往會陷入困境，出現計算量過大或無法收斂等問題，因此需對傳統優化算法進行改進。針對西部天然氣管網構建的優化算法應具有以下特點：①能夠處理大規模的非線性約束優化問題；②穩定性強，對不同類型的目標函數和約束條件均有效；③求解精度和效率較高，適合生產實際應用。

優化算法按照時間順序可分為傳統算法和現代算法，兩類方法各有優缺點。現代算法的核心是人工智能計算，如深度學習、微粒群法、遺傳算法等，它們對初值的依賴度不高，可處理的計算量較大，在進行復雜問題的計算時效率要優于傳統算法，但計算精度較低[6]。在傳統算法中，運用到優化模型求解的主要有線性逼近法、復合形法、動態規劃法以及各種算法的改進方法[7]，傳統方法不易于處理過于復雜的優化問題，但其計算精度較高。

為了既能滿足生產需求，同時又降低算法本身對目標函數和約束條件的依賴性，應選取一種能夠保證計算效率和穩定性的算法。本模型最終選擇了一種混合型的優化算法，結合了傳統算法中的動態規劃與現代算法中的深度學習，如圖1所示。

圖1 優化方法簡圖Fig.1 Diagram of optimization methods

2 單線管道優化模型搭建

在搭建整個管網的優化運行模型之前，需要先對單線管道的優化運行模型進行搭建。動態規劃算法在求解單條管道的運行優化方案時有著高度的穩定性，但應用在西部管道這樣大型的管道上時，所涉及的相關參數過多，難免會面臨計算量過大，計算時間過長，甚至無法收斂的情況[8]。因此本模型將深度學習嵌入優化計算中，通過深度學習結合大量SPS計算結果搭建了水力計算與沿線開站方案計算模型，然后將深度學習模型融入傳統的動態規劃算法中形成混合優化模型，由于深度學習模型承擔了優化計算中的部分功能，因此大大縮短了優化計算所需要的時間。

2.1 基于動態規劃的輸氣管道優化原理

輸氣干線的運行過程遵循匹配原則：全線各壓縮機站提供的總壓力等于全線的總壓降(包括摩阻與位差)，且管線的操作壓力要滿足管道強度、壓縮機吸入性能等因素的約束，在線壓縮機組的運行參數還應滿足其本身性能的約束[9]。當一條天然氣管線的輸量、所輸天然氣的性質等一定時，按匹配原則一般可選擇多種壓氣站出站壓力組合與管線匹配，但其中必有一種壓氣站出站壓力組合使全線的總動力費用最低，稱之為全線最優壓氣站出站壓力組合。對于任一條輸氣干線，任何壓氣站出站壓力組合的確定都是先選出首站的出站壓力方案，再逐站選擇，直至末站，以得到一個可行的全線各壓氣站出站壓力組合方案[10]。簡略的計算步驟如下所示：①對當前管線的最優開站方案進行計算，即哪些壓氣站開啟與哪些壓氣站關閉這一步由深度學習網絡進行計算；②在固定首站進站壓力的情況下，選定首站的出站壓力方案組合；③通過對出站壓力組合進行水力計算，得到下一站的進站壓力組合，這一步由深度學習網絡進行計算，若下一站不是末站則進入第4步驟，否則進入第5步驟；④得到了進站壓力組合后，在壓縮機允許范圍內選定出此站的出站壓力組合，最優出站壓力依據站內能耗計算函數進行選擇，之后繼續從第3步驟開始；⑤得到了末站的進站壓力組合后，選出能耗最低的一個進站壓力方案進行算法回溯[11]，由當前進站壓力回推得出上一站的出站壓力與進站壓力，逐站回推，最后得到整條管線中各個壓力站的最優壓力方案。

模型中深度學習網絡承擔了動態規劃中的水力計算與開站方案計算，節省了大量動態規劃的計算時間。

2.2 基于深度學習網絡的水力計算模型

受到現場報表數據樣本不足、部分樣本存在錯誤以及運行工況較為集中等情況影響，難以直接利用現場數據進行訓練，因此本文訓練深度學習網絡的數據庫采用SPS模擬方案庫，現場數據則用于調整與校核SPS仿真模型精確度[12]。

本文利用SPS軟件搭建了西部天然氣管網模型，在各管道系統可行的運行方案范圍內以流量和運行壓力梯度為主要變量，對每個流量與出站壓力臺階均進行運行方案的模擬計算，利用小梯度間隔以增加計算方案數量，單條管道系統在模擬時采用等出站壓力的原則以降低方案復雜度[13]。針對單線系統的壓氣站開啟規則為：固定開啟首站，對于管線中間某一壓氣站，若不開啟此站會造成管線壓力過低或使得下一站的壓縮機無法處于高效工作區，則開啟這一站，否則不開啟此站，即在保證運行效率的基礎上降低壓氣站開站數量。西部天然氣管網SPS運行方案庫共包含4 430個方案，其中西氣東輸一線系統包含方案1 200個，西氣東輸二、三線系統包含方案3 170個，輪吐線方案60個。

模擬目標為西部管網內任意一段管段的沿線壓降與溫降，每一管段中間無壓氣站與分輸站，一共對30個神經網絡進行搭建[14]。

根據西部管道的實際運行情況，建立起管道水力深度學習結構計算模型（圖2），以虛擬流量、環境數據、前一個壓氣站出站壓力溫度為輸入；環境數據主要表現為季節[15]，本計算模型依據夏季、冬季以及春秋季節進行劃分。

圖2 深度學習結構水力計算模型示意圖Fig.2 Schematic diagram of hydraulic calculation model for deep learning structure

依據經驗公式以及經過大量的試算，最終選定了本網絡模型的結構，一共10個隱藏層，輸入層4個節點，輸出層2個節點，每個隱藏層為5個節點。在預訓練階段將全部隱層的權值進行調整，在整體微調階段將前5層進行凍結，保留預訓練時的狀態，增強網絡的泛化性，對后5個隱層的權值進行微調使整個網絡達到精度要求[16]。

2.3 基于深度學習的開站方案計算模型

模擬目標為對當前流量和環境情況下的單條線最優開站方案進行預測，用于訓練的數據源已在上文進行了概述，這里不再展開。

訓練數據源為所有SPS方案中的大量數據，以邊界數據與環境數據為輸入，分別為首站進站流量、分輸點流量、首站溫度、首站進站壓力以及季節，輸出為此條管道的最優開站方案，如圖3所示。

圖3 深度學習結構開站方案計算模型示意圖Fig.3 Schematic diagram of station development calculation model for deep learning structure

依據經驗公式以及經過大量的試算，最終選定了本網絡模型的結構，一共10個隱藏層，輸入層5個節點，輸出層節點數根據壓氣站數目而定，每個隱藏層為7個節點。在預訓練階段將全部隱層的權值進行調整，在整體微調階段將前5層進行凍結，保留預訓練時的狀態，增強網絡的泛化性，對后5個隱層的權值進行微調使整個網絡達到精度要求。

預訓練時每層平均迭代3 027次，整體微調時一共迭代了5 572次使訓練誤差達到要求，在網絡訓練完成之后，隨機選取300個非訓練樣本檢驗網絡的預測能力。非訓練樣本的選取原則有兩個，一是完全隨機，二是與訓練樣本有一定距離，預測好壞的標準依據各個非訓練樣本的平均預測誤差。

根據預測結果計算得出，預測開站方案無誤差的樣本比例為95.4%，預測方案中有1站不一致的樣本比例為4%，大于1站不一致的比例僅為0.66%，其分析結果與水力計算神經網絡基本一致，網絡模型對于最優開站方案問題的擬合精度較高，滿足工程要求，網絡模型具備泛化性。

3 管網優化軟件

3.1 管網優化模型搭建

基于單線管道優化模型對整個管網的優化模型進行搭建，在解決了單條管線的優化運行方案后，整個管網優化運行的主要問題則為各條管線的流量分配問題。

通過對西部管網進行管網結構分析可知，其中西一線與西二、三線的運行相對獨立，西一線西段主要運輸塔里木氣源的天然氣，將其輸送到寧夏中衛，西二、三線西段主要輸送中亞氣源的天然氣，其輸氣末點與西一線西段末點相同，西氣東輸一、二、三線西段的輸氣末點互聯互通。連接西一線與西二、三線的管線為輪吐線，上起連接西一線輪南站，下至連接西二、三線吐魯番站，起到調節整個西部管道流量的作用，因此在固定總氣源輸量時，由于可以通過輪吐線對各條管線的流量進行調節，形成管網內部流量分配方案的多樣性[17]。

解決西部管網流量分配的主要方法是通過循環所有管網中可能的流量組合，使每一種流量組合都用單線管道優化模型對管網中各條線的能耗費用之和進行計算，在所有的流量組合循環完畢后，選出能耗費用最低的一組流量，這一組流量以及通過這組流量計算出來的各條線的優化運行方案就是當前整個管網的優化運行方案。

整個西部天然氣管網運行優化模型的計算過程如圖4所示。

首先在一系列管網內可能的各條管道流量組合中隨機選出其中一組流量，根據當前選定的流量組合，對管網中各條管道的優化運行方案進行計算。

在某一條管線的優化方案的計算中，首先由基于深度學習的沿線開站方案計算模型對當前管線的開站方案進行計算；再由動態規劃對沿線各站的出站壓力進行確定，便得到當前管線的最優運行方案；然后開始對下一條管線的優化方案進行計算。

圖4 優化計算步驟Fig.4 Steps of optimization calculation

各條管道的優化計算完成后得到當前流量組合下的管網最優方案；之后便在一系列管網內可能的各條管道流量組合中再次隨機選出其中一組流量，重復根據當前選定的流量組合，對管網中各條管道的優化運行方案進行計算。

所有流量組合計算完成后，目標函數最低情況下的流量組合及此流量組合下的各條管線的最優運行方案即為整個管網的最優運行方案[18]。

3.2 軟件介紹

為方便優化模型在實際生產中的使用，編制了西部管網優化運行優化軟件。使用基于Groovy語言的Grails網頁應用編寫框架進行開發，算法部分由相較Groovy語言更高效的Java語言進行編寫，算法與框架間進行了多次磨合，因此軟件兼具穩定與高效性[19]，軟件開發過程中使用Net Beans開發平臺，提高了開發效率；運用編程語言設計了易于操作的可交互界面，將西部管網優化嵌入其中，本軟件目前已經在使用中。基于現場數據對現場實際條件下的西部管網優化方案進行計算，通過對各種工況、時間段下的軟件優化方案的計算結果與實際方案進行對比可知，本優化模型準確可靠，優化結果可以顯著降低管網運行能耗，可為現場提供參考和指導。

軟件功能主要分3類：第1類功能為用戶管理功能，主要作用是對使用軟件的人員的賬號、密碼及權限進行管理；第2類功能是數據庫功能，可將優化模型需要獲取的各項基礎數據存入其中，包括壓縮機特性數據及沿線高程地溫等，方便數據管理及計算時直接調用；第3類為計算功能，主要為西部天然氣管網優化方案計算功能，此功能內嵌了西部天然氣管網優化模型。為了方便實用，本軟件的各項功能基本都支持使用Excel表格進行數據的導入/導出。

4 計算結果分析

4.1 計算工況概述

西部天然氣管網運行工況主要包括各管道系統日輸送量、壓氣站開啟數、壓縮機開啟數、各壓氣站運行壓力等。本文對2016年2月15日（冬季氣溫）、2016年7月15日（夏季氣溫）與2016年10月15日（年均氣溫）的現場工況進行了優化運行方案計算，并與實際運行方案進行對比分析。

現對2016年7月15日工況進行簡單描述，并以此作為后續分析的基礎數據。當日西氣東輸一線系統日輸送完成量為2 610×104m3（0 ℃，1 atm），西氣東輸二線與三線系統共完成11 209×104m3，輪吐線日轉供量為2 570×104m3。西氣東輸一線系統開啟了3座壓氣站，共4臺壓縮機組，其中燃驅3臺，電驅1臺。西氣東輸二、三線系統開啟了8座壓氣站，壓氣站出站壓力在10～11 MPa之間，共17臺壓縮機組，14臺燃驅，3臺電驅。

4.2 固定管網流量優化結果

利用西部天然氣管網優化模型對2016年7月15日工況進行模擬優化，保證西氣東輸一線以及二、三線系統進氣量、輪吐線調氣量與實際工況相同。西部天然氣管網系統各管線開站方案與各壓氣站出站壓力方案如圖5與圖6所示。由圖5可知，在該工況下，優化方案中西一線開啟了3座壓氣站，與現場開站方案相同；在西二、三線系統中，優化方案開啟了6座壓氣站，少于現場實際運行的8座壓氣站。

圖5 西一線報表運行方案與優化方案出站壓力Fig.5 Outlet pressure of operation plan and optimization plan for theWest-East Gas Pipeline

圖6 西二、三線報表運行方案與優化方案出站壓力Fig.6 Outlet pressure of operation plan and optimization plan for the second and third line of the West-East Gas Pipeline

優化方案中的各站出站壓力要普遍高于實際方案，體現出了輸氣管道的運行規律：管道平均運行壓力越高，管段壓降越小，從而降低了運行能耗。表1和表2為系統內各站能耗費用對比。由對比可看出，通過優化計算，優化方案相比實際方案具有一定的節能優勢，其中一線能耗費用降低了10.8%，二、三線能耗費用降低了7.9%，總能耗費用共降低了8.4%。

表1 西一線能耗費用對比Tab.1 Energy consumption cost comparison of the West-East Gas Pipeline

表2 西二、三線能耗費用對比Tab.2 Energy consumption cost comparison of the second and third line of the West-East Gas Pipeline

4.3 不固定管網流量優化結果

利用西部天然氣管網優化模型對2016年7月15日工況進行模擬優化，以總收益最高為目標函數，保證西氣東輸一線以及二、三線系統進氣量與實際工況相同，采用不固定管網流量分配方案。表3為優化模型計算的各方案的流量分配以及能耗費用情況，圖7為各方案總能耗費用趨勢與管道收益趨勢。

表3 模型計算各方案流量分配與能耗費用情況Tab.5 Flow distribution and energy consumption costs of each program calculated by the models

圖7 模型計算各方案總能耗費用趨勢與管道收益趨勢Fig.7 Trend of total energy cost of each program and pipeline revenue calculated by the model

由圖7與表3可以看出，在當前條件下，隨著輪吐線流量的增加，管道收益持續增加，管道能耗費用先是有一個大幅度的下降，之后趨于平緩，并在第10個方案之后出現了緩慢回升。通過對管道總管輸收益進行比選，模型最終選定了第10個方案為流量分配方案，各線流量分別為西一線2 780×104m3/d，輪吐線2 400×104m3/d，西二、三線11 039×104m3/d；現場流量分配方案為西一線2 610×104m3/d，輪吐線2 570×104m3/d，西二、三線11 209×104m3/d。由此可見，在當前電氣價與管輸費條件下，現場流量分配方案與優化計算流量分配方案相差不大。

圖8 西一線報表運行方案與優化方案出站壓力Fig.8 Outlet pressure of operation plan and optimization plan for the West-East Gas Pipeline

圖9 西二、三線報表運行方案與優化方案出站壓力Fig.9 Outlet pressure of operation plan and optimization plan for the second and third line of the West-East Gas Pipeline

圖8與圖9為不固定輪吐線調氣量時的優化方案。方案中，壓氣站出站壓力普遍要高于實際方案，這也間接體現出了輸氣管道的運行規律：在保障管道運行安全以及不超出壓縮機能力的前提下，管道平均運行壓力越高，管段壓降越小，從而降低了管線運行能耗。現場工況下對優化方案與實際方案的能耗費用與收益進行了總結對比（表4～表6）。

表4 2016年7月15日優化方案與現場方案能耗費用與收益對比Tab.6 Energy consumption cost and income comparison between optimization plan and on-site plan on 2016/7/15

由表4～表6可知，采用流量分配方案進行各管線運行方案計算后的能耗費用低于現場實際運行方案，體現出了單線管道優化模型的優化能力。在單線管道優化的基礎上，管網優化模型以管道總收益最大為目標，對管網的流量分配方案進行優化，模型得出的流量分配方案的管道總收益要大于實際流量方案。因此，本文所搭建的西部天然氣管網優化運行模型具有一定的優化潛力，可以為西部天然氣管網的實際生產提供指導。

表5 2016年2月15日優化方案與現場方案能耗費用與收益對比Tab.5 Energy consumption cost and income comparison between optimization plan and on-site plan on 2016/2/15

表6 2016年10月15日優化方案與現場方案能耗費用與收益對比Tab.8 Energy consumption cost and income comparison between optimization plan and on-site plan on 2016/10/15

5 結束語

（1）本文提出了一種適用于西部天然氣管網的優化運行模型，先進行單線管道模型優化，之后在單線管道優化模型的基礎上，通過進行管網流量優化搭建適用于整個管網的優化模型。

（2）單條管線的優化計算采用了綜合動態規劃與深度學習兩種算法的混合算法，結合了兩種算法的優勢，既保證了計算的準確度，又提升了計算的效率。

（3）通過與西部天然氣管網的生產報表數據對比可知，從能耗費用最低的角度來講，本文搭建的西部天然氣管網運行優化模型的優化計算結果要優于現場實際運行方案，具有一定的指導意義。

（4）不固定管網流量優化方案普遍優化程度高于固定管網流量優化方案，這也符合優化計算的一般規律，因為加入流量優化相當于增加了一個優化自由度，必定加深優化空間。

（5）西部管道系統各條線路流量分配的優化結果往往與實際流量分配不相同，開放全線流量優化后的能耗費用要小于實際情況，因此西部天然氣管網在開放了全線流量優化后管網的優化深度將進一步加強。