基于前饋-反饋控制的天然氣分輸站場控制及前饋控制率自適應方法

(1.中國石油天然氣股份有限公司 北京油氣調控中心，北京 100007；2.中國石油天然氣管道工程有限公司，河北 廊坊 065000；3.中國石油天然氣股份有限公司管道分公司技術服務中心，河北 廊坊 065000；4.中國石油大學(北京)自動化系，北京 102249；5.北京安穩優自動化技術有限公司，北京 102249)

0 引言

隨著現代科學技術的發展，人們對于天然氣分輸站場控制的要求越來越高。為滿足安全穩定的輸送工藝要求，天然氣分輸站場應具有更高的可靠性、更高的控制精度、更合理的分輸方案，確保輸氣管線各個分輸站管線安全、穩定、高效的運行[1-2]。

目前天然氣站場調節閥控制的方式分為兩類[3]：一是帶調節閥控制器，它的控制邏輯功能全面、控制平穩、自適應能力強、智能化程度高，與站控PLC組成完整的下位機控制器組，在天然氣流量/壓力調節方面取得了不錯的效果，但是其知識產權嚴格保密，自主調試運行維護困難；二是不帶閥門控制器，分輸邏輯集成于PLC，這種情況下往往會遇到控制邏輯不統一、分輸操作繁瑣、控制精度低、無擾切換效果欠佳的情況，尤其是在上下游流量壓力變化較大的情況下調節效果不好。限流調壓的穩定性和精準度是調節閥的控制基礎，調節閥先進PID控制方法、智能控制邏輯仍有提升空間。

國外許多相關廠家長期對天然氣分輸站場的控制技術進行研究[4]，控制的指標和性能得到了提高，廣泛應用于工業生產。如Metso、SAMSON、Tyco、EMERSON-Fisher、Honeywell以及Flowserve。其中，美國的Fisher-Rosemount公司的產品占到了世界25%左右的市場份額，同時也是我國的主要提供商家。但是國外的技術價格昂貴，而且很難和國內目前使用的裝置相匹配，售后服務不完善，零部件配套困難。國外壟斷了高性能天然氣分輸站場控制的先進技術，這些分輸站場一旦在正常生產期發生故障，維修不及時將會給工業生產帶來不可估量的損失。

天然氣分輸站場控制的原則是要減少人工干預，降低調節閥操作頻次和風險，掌握智能控制的核心技術，通過實驗室測試及現場應用形成示范效應。為加強輸氣管道設計管理，規范輸氣管道站場工藝及控制操作過程，統一智能控制算法模塊的設計，提高設計效率和質量。天然氣分輸站場控制技術的市場需求量非常大，為了能夠滿足國內的工業生產需要，并降低工業的生產成本，同時也為了打破國外公司在站場分輸控制技術方面對我國的壟斷，研制出具有獨立自主知識產權的高性能天然氣分輸站場控制技術將具有重要現實意義和廣闊應用前景。

圍繞天然氣分輸站場控制問題，我們在深入分析造成控制調節效果欠佳原因的基礎上，提出了基于前饋-反饋的控制解決思路；為解決調節閥流量特性隨時間變化而帶來的控制律失配問題，提出了自適應規則；為驗證方案的有效性，進行了基于Stoner Pipeline Simulator(SPS)[5-6]的實際對象仿真控制實現驗證。下面將逐一分別介紹。

1 天然氣分輸站場控制特殊性與控制存在的問題分析

天然氣輸氣管道的流量控制有其特殊性，由于管容的存在使得流量調節的滯后性較大，而且天然氣用戶的使用量隨周期變化明顯，因此調節閥的動作很頻繁，調節閥頻繁的開關會增加磨損，降低調節閥的使用壽命。

對于民用用戶而言，存在用氣高峰三次/日的現象，往往需要短時間內流量設定值進行大范圍的調節，這種情況下傳統的PID控制器無法讓調節閥在短時間內走出單側正向/負向控制量的累積，使得調節閥失控、控制品質明顯下降；當管網內大功率設備組啟動瞬間，會造成管網壓力的波動，盡管管容會平緩用氣量突增對分輸支路響應時間的要求，但是也會造成輸氣壓力小幅度的頻繁波動，這就使得調節閥短期內頻繁動作，潛在對執行機構和閥體造成損害；系統投用前期及調節閥故障后復位時，若操作方式由手動改成自動，則存在設定值和反饋值偏差較大，調節閥快速向設定值靠近時，下游壓力隨之變化較大，造成控制量隨下游壓力快速大幅波動，對執行機構和閥體造成傷害。

鑒于天然氣調節過程的特殊性，以往的常規PID控制方案并不能取得理想的控制效果。隨著管道項目的建設和發展，對高精度、快速調節、低磨損的擁有自主知識產權的國產天然氣分輸站場控制技術的需求越來越迫切。

圖1 目前控制策略下的流量控制效果[22]

現有的常規PID控制算法在這么復雜的控制過程中很難達到理想的控制效果。目前國內的天然氣分輸站場大都沒有解決控制的滯后問題和天然氣用戶用氣波動導致的閥門頻繁動作問題。

對于分輸控制，由于很多控制對象(分輸管道對象)容積系數(管容與輸氣量的比值)小，使用常規PID控制容易引起震蕩，波及下游用戶安全，導致分輸控制難度較大現階段的控制算法在天然氣調節過程中流量穩定的時間較長，波動很大，這就使得對天然氣調節閥的損傷很大，而且流量不易穩定對下游用戶的用氣也造成一定的影響。

2 以長期穩定運行為目標的分輸過程綜合控制策略

2.1 前饋-反饋控制策略

傳統的PID控制系統中，反饋是按照偏差控制的。即，在干擾的作用下，被控變量先偏離給定值，然后調節器才按照偏差產生控制作用去抵消干擾的影響。PID中的誤差積分的反饋，對抑制常值擾動確實有其效果，而對隨時變化的擾動來說，積分反饋的抑制能力又不太顯著。閉環動態品質對PID增益的變化太敏感。當被控對象處于經常變化的環境之中時，根據環境變化，需要經常變動PID增益，這使得PID在實際應用中受到一定的限制。具體體現在以下兩方面：

1)來自上游的壓力波動，對于站場來說是干擾，不可控制，會引起壓力和流量的波動。

2)波峰波谷變化大，過程調節時間長，調節閥在流量需求峰值時所處工作區域非線性程度嚴重，基于偏差的PID的控制器容易超調，調節困難，需要頻繁整定PID參數以適應不同的操作區域的需求，而且操作區域隨著壓力、流量的不確定性變化以及調節閥的磨損等情況的發生而變化，難以形成固定化、程序化的整定規則。

而且，PID參數的自動在線整定方法在這種復雜變化工況下，也難以保證實現長期穩定有效。為此，基于以上分析，提出了一種前饋-反饋的智能調節閥方案。

前饋控制是按擾動量進行補償的開環控制，即當擾動出現時，按照擾動量的大小直接產生控制作用而不再等實際測量結果反饋的偏差信息。雖然前饋控制在理論上可以完全消除干擾的影響，但是在實際生產中，由于前饋控制是一個開環系統以及前饋控制律建模不準確的原因，往往采用前饋加反饋的復合控制方式，這樣既可以保證前饋控制的及時性，又有反饋控制精確的特點。

圖2 天然氣分輸站場長期穩定運行實施方案

2.2 基于廣義回歸神經網絡與頭腦風暴優化算法的自適應方法

2.2.1 方法介紹

天然氣調節閥在長周期穩態運行時，會產生諸如最大調節范圍、最小調節范圍等特性的變化。同時控制器的輸出值與閥前流量、閥后流量、閥前壓力、閥后壓力、控制器設定值的變化密切相關。通過基于頭腦風暴優化的廣義回歸神經網絡多變量擬合算法[7](BSO-GRNN)，預測不同條件下的前饋控制量，進而使天然氣調節閥在長周期穩態運行時能夠自適應調節條件的改變。廣義回歸神經網絡(general regression neural network，GRNN)由D.F.Specht博士于1991年提出[8]，以非線性參數回歸為基礎，并將樣本數據作為后驗條件，執行Parzen非參數估計，根據最大概率原則計算網絡輸出。GRNN以徑向基網絡為基礎，對于非線性而言具有良好的逼近性能，因此它與徑向基網絡相比，訓練變得更加方便，在信號過程、結構分析、控制決策系統等各個學科和工程領域得到了廣泛應用，本文引入GRNN作為前饋控制率學習的模型基礎。

為了解決傳統廣義回歸神經網絡GRNN由光滑因子選取困難所造成的易陷入局部極值和預測誤差較大的問題。這里我們引入了頭腦風暴優化算法，對廣義回歸神經網絡GRNN的光滑因子進行了優化，將頭腦風暴優化算法和廣義回歸神經網絡結合起來，建立了一種全新的多變量擬合算法模型。在廣義回歸神經網絡GRNN中，影響預測精度的主要參數就是光滑因子，引入頭腦風暴優化算法[9-10]對其進行尋優。這里我們通過頭腦風暴優化算法對光滑因子進行尋優，找出對樣本數據來說最合適的值來建立預測模型，具體的操作步驟如圖3所示。

圖3 頭腦風暴優化廣義回歸神經網絡流程圖

2.2.2 數據擬合驗證

頭腦風暴優化算法種群大小為50，維度為1，簇數取5，最大迭代次數取80。通過SPS仿真，仿真出調節閥不同工況以及長周期穩態運行情況下的數據，將數據導出，導出1000組數據，每一組數據中包含調節閥的CVC、CVO，調節閥上游流量Q+，調節閥下游流量Q-，調節閥的上游壓力P+，調節閥下游壓力P-，以及控制器設定值C_F：SP，相應的輸出為控制器的輸出C_F：OUT。將數據分成兩組，其中前600組數據用來訓練，后400組數據作為預測數據。將數據導入基于頭腦風暴算法優化的廣義回歸神經網絡(BSO-GRNN)進行訓練和預測。

1)未經頭腦風暴優化的GRNN神經網絡數據擬合仿真如圖4所示。

圖4 仿真所需要的輸入輸出數據

圖5 未經頭腦風暴優化的GRNN擬合仿真曲線及誤差

2)頭腦風暴優化的GRNN神經網絡數據擬合仿真如圖5所示。

圖6 頭腦風暴優化GRNN光滑因子仿真圖

如圖5所示，經過頭腦風暴優化算法的迭代優化，輸出GRNN網絡平滑參數優化值，作為GRNN網絡平滑參數的輸入。

圖7 經頭腦風暴優化的GRNN擬合仿真曲線及誤差

通過對SPS仿真數據產生的同一組數據，使用不同的預測模型進行預測，計算均方誤差MSE，均方誤差的計算如下所示：

(1)

其中:ti為實際值，pi為預測值。均方根誤差RMSE計算公式為：

(2)

均方誤差能夠表征預測精度，通過比較未經頭腦風暴優化的GRNN和經過頭腦風暴優化的GRNN預測精度得出了結論，如表1所示：

表1 不同算法實驗結果對比

通過表1中的數據可知，GRNN控制器輸出預測模型，速度比較快但是預測精度較低，均方根誤差較大；BSO-GRNN控制器輸出預測模型相對于未經優化的GRNN預測模型而言，精度提高，但是用時增加，均方根誤差減小?？傊?，經過頭腦風暴優化的廣義回歸神經網絡相比于單純的廣義神經網絡預測精度提高。

3 基于SPS的綜合控制策略仿真驗證

通過SPS仿真獲得1 000組數據，每一組數據中包含其中600組作為訓練樣本，400組作為預測樣本。通過基于頭腦風暴的廣義神經網絡多變量擬合算法得到相應的控制器輸出值，通過前饋進行補償。

搭建如圖8所示的SPS仿真平臺，經過多功能繼電器將前饋給到執行器。如圖9所示，添加前饋后由于調節閥的設定值直接給到調節閥，使調節閥快速動作，反應速度提高。第一次設定值的波動，添加前饋之前流量控制在35s左右到達穩定狀態，添加前饋之后流量控制在15 s左右達到穩定，時間提高20 s。第二次設定值變化時，添加前饋之前12 s左右達到穩定，添加前饋之后3 s左右達到穩定，響應提高9 s?？梢钥闯銮梆伩刂频男Ч浅Ｃ黠@。并且，流量的設定值波動越大前饋的效果就越明顯，流量在大范圍波動時將會比小范圍波動取得更加明顯的效果。前饋控制達到設定值附近后，經由PID控制，使得最后穩定在設定值。

圖8 前饋控制工藝流程圖

圖9 添加前饋后仿真對比圖

如未添加前饋的控制器輸出和添加前饋之后的控制器輸出圖10和圖11所示。從圖上可以看出，添加前饋作用之后，在調節閥長周期穩定運行發生變化時，前饋按照變化來增加，使得控制效果更加精確迅速，閥門在盡可能短的時間內達到指定開度。與單純的PID控制相比，從兩個控制

圖10 單純PID控制器輸出

圖11 添加前饋控制后控制器輸出

效果輸出對比可以看出，調節閥特征改變時添加前饋之后的輸出明顯增大，這就使得控制效果更加迅速，調節閥能夠快速地達到設定值。并且前饋作用保持實時的輸出，對PID控制器進行補償，使得調節速度大大加快。

并且，系統增加前饋與未增加前饋相比，由于它們的傳遞函數分母是相同的，則傳遞函數的極點是相同的，因此在增加前饋情況下并不會影響整個系統的穩定性，而且在不改變原系統結構和參數的情況下，增加前饋更是有利于提高系統的穩定精度，動態性能也比較容易保證。因此，前饋加反饋控制方案可以完全取代PID參數的在線整定。

4 結束語

本文系統全面地闡述了造成天然氣分輸站場控制穩定性差的根本原因基礎上，提出了前饋-反饋控制的整體控制策略。為了克服長期穩定自運行過程中因調節閥流量特性發生變化以及上下游壓力和流量擾動變化帶來的執行誤差影響，提出了基于廣義回歸神經元網絡和頭腦風暴優化算法的自適應方法。最后，基于SPS仿真對比實驗的結果表明所提控制策略以及自適應規則很好地解決了當前天然氣分輸站場控制中遇到的難題。