基于神經網絡的天然氣流量計檢定工藝智能控制系統

溫 凱 韓 旭 李 燦 牛錦皓 周 雷 徐洪濤

1.中國石油大學（北京）城市油氣輸配技術北京市重點實驗室 2.國家石油天然氣管網集團有限公司西氣東輸分公司

3.國家石油天然氣管網集團有限公司（福建）應急維修有限責任公司

0 引言

隨著國家石油天然氣管網集團有限公司成立，形成了X+1+X的供氣格局，我國天然氣流量交接點和交接量大幅增加。為保證雙方的利益，交接流量計需要定期到國家流量計檢定站送檢。根據《天然氣流量量值溯源體系2020年發展規劃》，我國計劃在多個地區建設天然氣大流量計量檢定站[1]。天然氣計量檢定站是天然氣長輸管道系統中一類特殊的站場，該類站場大多依托干線管道建設，內部工藝流程包括進氣排氣管線、過濾分離系統、壓力流量控制系統、流量量值核查比對系統、各級計量標準裝置、檢定臺位、氮氣吹掃系統、ESD緊急截斷系統、安全切斷系統和放空排污等子系統。為了滿足各種類型流量計的檢定工作，站內檢定臺位前的壓力需要實現4～10 MPa的連續調節；經過檢定臺位的流量需要實現10～10 000 m3/h的工況范圍；流量和壓力的調節完全由站內工藝實現，能夠在較短的時間內完成流量、壓力的精確調節，偏差在被檢定點的5%范圍內。為實現標準表與被檢表在要求流量點的比對，工作人員需嚴格按照檢定流程進行一系列工藝操作，包括站內外流程切換、進站壓力的穩定、檢定流量調節、流態穩定、報表生成等諸多繁瑣的操作。這些步驟均由檢定員手動完成，其中檢定流量調節是耗時最多的步驟之一，且受檢定員工作經驗與操作習慣影響較大。

從檢定站工藝流程設計出發，宋春紅等[2]對站內工藝的流程、設備技術指標以及流量計檢定操作步驟等方面展開分析。徐明等[3]以武漢分站的檢定系統為例，介紹了高壓活塞體積法（High Pressure Poston Prover，HPPP）原級標準裝置。基于實流檢定工藝流程，王海向[4]通過對檢定系統的總體設計，實現了天然氣流量計檢定站場的工作級與被檢臺位儀表數據的自動采集與分析，站場自動化程度進一步提高。針對齊河天然氣計量檢定流程，張春杰等[5]通過FLUENT對天然氣流量計檢定站場調節閥與截斷閥部分CFD的建模分析，探討了天然氣流量計檢定流量和調節閥開度之間的關系。陳群堯等[6]將國內外檢定實驗室工藝進行對比，指出了國內天然氣流量計檢定水平改進提高的方向，通過對檢定工藝過程的分析研究，實現了檢定站的工藝設計改進和優化操作。

作為出具流量計準確量化證書的大流量檢定站，其檢定結果是否準確是實際運行過程中最為關注的問題。因此，檢定誤差、不確定度分析和量值溯源等也是研究的方向之一。張學騰[7]說明了檢定介質物性的變化會對測量結果產生一定的影響。于洋等[8]則研究了實際檢定過程中的工藝參數會使儀表的性能偏離。針對腰輪流量計，石廣宇[9]分析了該流量計在實際應用中的操作注意事項。

由于各檢定站系統配置、工藝流程以及上下游狀況存在差異，需要通過對站場水力系統建模來分析站內管路的流動特性。天然氣管網的數學模型由管道的質量、動量和能量方程、設備方程以及節點方程構成，常用的數值方法包括有限差分法[10]和有限容積法[11]。此外，傳遞函數模型[12]、狀態空間模型[13]以及神經網絡模型[14]等由其他領域引入的新方法也被應用在天然氣管網仿真中。Vidovi等[15-16]利用擬電路法分別對壓氣站和減壓計量站進行了建模分析。以上文獻表明長距離輸送的天然氣管網仿真技術已經較為成熟了，但是對于類似檢定站這種由大量短管和各類設備構成的站場管網的仿真研究相對較少。

天然氣流量計的檢定過程本質上是一個工業控制過程，即檢定管路是被控對象，調節閥是執行器，流量計是測量器。由于檢定管路系統的強非線性和時滯性，使得常規的線性控制方法應用效果不佳。韓巍等[17]以智能化為背景，以自動化為核心提出一套新型流量計檢定系統，避免重復操作。吳澤梁等[18]基于PID控制算法對檢定過程的流量進行調節，對標準表法的檢定過程進行控制。徐寶昌等[19]從氣體管道的傳遞函數模型出發，結合調節閥的控制特性，對檢定過程的最優控制邏輯問題進行了探討。黃維和等[20]針對檢定質量要求，討論了中高壓天然氣計量多氣源檢定系統。這些研究都在通過控制邏輯設計和優秀控制軟件的應用，提高站場自動化程度，減小檢定任務的操作復雜性。

近年來，人工智能與數據科學的快速發展，給世人展示了智能化理論與方法在復雜系統規律挖掘、自主推理、動態決策等方面的巨大潛力，將帶來大規模復雜系統狀態自主分析與主動決策的革命性變革，并已在電網、交通、物流等領域逐漸得到應用。油氣儲運業內專家也對該項技術在本行業的應用展開了討論。黃維和院士在能源互聯網的背景下，提出以數字孿生體為平臺，以人工智能為手段，為業務運行提供支持，以適應油氣儲運行業智能化發展，同時明確了油氣管道與人工智能結合的框架形式。宮敬等[21]進一步從工藝層面梳理現場數據、工藝流程、機理模型、數字孿生體和自主決策在管網智能化中的邏輯關系。吳長春等[22]剖析了油氣管道行業智慧管道的內涵與外延，指出開展智慧管道研究應當以需求為導向，在工藝系統的智慧運行等方面融合多源數據，滾動發展、持續改進的研究原則。經過近幾年的快速發展，國內對“智能管道、智慧管網”的認識和研究思路逐漸清晰，在強調新技術整合進入管道運行管理的同時，也不斷加強工藝和管網控制本身的智能化需求。

目前的流量計檢定過程，人員經驗對檢定速度與精度影響較大。檢定過程對流量控制準確度要求高，檢定員通過SCADA系統手動修正控制參數的檢定模式，已經成為檢定站檢定能力瓶頸。借助智能化的檢定手段提升系統的檢定速度，成為緩解檢定壓力、保障安全生產的可行方法。采用機理分析同神經網絡相結合的方法，筆者以廣州天然氣大流量檢定站為例，利用實時數據建立檢定站水力系統的仿真神經網絡模型。研究檢定工況與控制方案之間的關系，建立流量調節閥開度的控制神經網絡模型。最后結合現場站控系統，形成一套完整的智能檢定APP，并進行了現場測試。

1 檢定工藝與操作流程

1.1 站場工藝簡介

國家石油天然氣大流量計量站廣州分站（以下簡稱廣州站）是依托西氣東輸二線建設的實流檢定站，設有工作級標準和次級標準的兩類檢定系統。廣州站為“兩進兩出”流程，即有兩路來氣與兩路回氣，分別是廣深支干線和廣州城市燃氣，操作壓力跨越4.2～9.8 MPa。可對DN600 mm口徑下各類流量計進行檢定。

筆者主要研究了工作級標準的檢定系統，該系統采用標準表法進行實流檢定。上游來氣通過壓力保護及調節裝置實現壓力穩定，連續通過工作級標準裝置與檢定臺位，并由流量調節閥進行流量控制，最后由背壓調節裝置進行出站壓力調節，主要工藝流程如圖1所示。

作為檢定站流量調節的核心單元，流量調節閥組FV6102L 、FV6202L 、FV6302L和FV6402L對整個調節控制過程起到決定性作用（圖2）。

1.2 操作原則與要求

廣州站流量計檢定采用標準表法，即將待檢表與標準表串聯安裝，通過對比兩者在同等條件下流量計量的示數偏差，給出被檢表的準確性評價，并根據需求進行參數校準。用于對比的流量點稱為流量計檢定點，檢定點由檢定規范和標準給出，由被檢流量計準確度等級決定，具體原則如表1所示。

表1 待檢流量點原則表

檢定站在設計手冊中一般給出對應的操作原則：

1）該檢定站共設有DN50 mm～DN600 mm共7路檢定臺位，根據待檢定流量計的口徑選擇檢定臺位。

2）工作級標準管路用于放置核查超聲流量計和標準渦輪流量計，共設有8路，最大檢定流量可以到達12 000 m3/h。根據標準流量計的量程、下一檢定點以及當前檢定流量，確定工作級管路的組合方式。

3）以口徑不一的4個等百分比閥作為流量調節閥組，根據被檢表的要求確定相應的流量點。通過調節閥組各個閥門的開度和旁通選擇，完成被檢表檢定流量的調節。

4）采用從大流量點往小流量點調節，先降低流量，再切換標準表，防止標準表超量程損壞。

2 仿真模型與控制器搭建

流量計需要按照檢定規程要求的流量點從大到小的順序依次檢定。對于不同的檢定流量點，需要檢定員根據氣源變化、標準管路組合、檢定臺位和調節閥狀態等多種因素綜合考慮，確定4路調節閥的開度值，使過表流量穩定在檢定點的±5%偏差范圍內。廣州站采用巧妙的工藝設計，通過旁通和調節支路球閥的開關組合實現同一調節閥在調節和旁通支路的切換，實現更加靈活流量調節。

對于檢定站這種復雜水力系統來說，各參數之間的關系很復雜，很難利用傳統數值方法進行模型構建。同時對于日常檢定工作來說，其關注的重點是通過調節閥門使得檢定流量達到設定流量點，而并非全站各點的水力參數數值，所以對整個站內管網進行水熱力建模，再用數值算法進行管網求解顯然是不合理的。針對本文所關注的智能調閥問題，本質是根據站場當前各點參數情況，尋找檢定流量與四個閥門開度之間的關系。BP神經網絡具有擬合多元變量任意函數關系的能力，因此，本文利用BP神經網絡對該水力系統閥門與流量之間的復雜非線性關系進行建模。

2.1 BP神經網絡

作為目前應用最廣泛的神經網絡模型之一，BP神經網絡可應對各類復雜非線性關系的擬合。BP神經網絡的優勢是不需要知道輸入輸出變量所滿足的機理模型，而是通過大量的樣本數據自行擬合。對于所研究的天然氣流量計檢定系統建模問題，采用如下網絡結構（圖3）。該網絡結構輸入層、隱含層和輸出層節點數分別為n、l、m，x、y、h分別表示輸入層、輸出層與隱藏層。wik和wkj分別表示輸入層到隱含層和隱含層到輸出層的權值矩陣。

隱含層和輸出層各節點的輸出可表示為：

式中hk表示隱藏層矩陣；xi表示輸入層矩陣；yj表示輸出層矩陣。

BP神經網絡核心原理就是通過數據正向計算結果，和利用模型計算與樣本結果的誤差的修正權值矩陣，連續迭代使整個網絡的誤差到達容許的限值，構建輸入輸出的映射關系。

2.2 仿真模型建立

檢定站的仿真模型是個正向模型，其目的是對操作指令進行可行性驗證。仿真模型需要根據控制器提供開閥方案，來判斷該方案的檢定流量是否滿足需求。廣州檢定站站內管網是個復雜的水力系統，過待檢表的流量受多因素影響。FV6102L～FV6402L這4個調節閥直接控制檢定流量，且由于各個閥門口徑以及流通特性不同，流量對其敏感性也不同。同時標準表通路以及檢定臺位的選擇會改變站內管路水力特性，也對檢定流量有影響。此外，檢定站采用實流檢定工藝，進站壓力隨時間變化，也是影響檢定流量的重要因素。如果采用傳統數值仿真方法對檢定站進行建模，需要對每個閥門、每段管路以及各個元件之間的連接關系進行數學描述，不僅建模復雜，計算量大，同時受限于各類參數的不確定性，其建模精度也無法保證。

BP神經網絡對于此類復雜的非線性映射關系有著較好的適用性，同時對于廣州站這樣一個長期運行的檢定站，存在著大量的歷史檢定數據，可供神經網絡訓練。從現場站控系統獲得DN100 mm流量計檢定過程歷史數據，剔除錯誤值和重復值，并以現場檢定流程導通作為零時刻，每隔3秒取一次現場儀表的數據，得到15 120組數據，其流量范圍為0 ～ 1 800 m3/h（圖 4）。

根據上文分析，將FV6102L～FV6402L閥門狀態和站場工藝參數條件作為輸入，檢定流量作為輸出，構建檢定站神經網絡仿真模型（圖5）。利用樣本數據總量的70%作為BP神經網絡的訓練訓練數據，剩下的30%一半作為驗證數據，一半為網絡有效性的測試數據。

所用計算機CPU配置為AMD 3600，內存為16 GB，系統為Windows 10，訓練結果如圖6所示，訓練時間為362 s。以相關系數R作為BP神經網絡訓練效果的評價指標，R越接近1，其訓練效果越好。回歸系數（R值）超過0.99，擬合效果較好。從數據集中均勻選取2 000個點進行結果驗證（圖7）。從圖7可以看出，仿真檢定流量與實際檢定流量基本一致，證明了該神經網絡仿真模型的準確性。

2.3 控制器建立

天然氣流量計檢定控制器的功能是根據當前工況和目標流量，給出4個調節閥的開度，該控制器模型是2.2節仿真模型的逆模型。閥門組合和進站壓力作為工況判斷參數與檢定流量（目標流量）作為BP神經網絡的輸入，而4個閥的開度作為輸出，構建控制神經網絡模型（圖8）。

與仿真神經網絡的建立過程類似，控制網絡也采用樣本數據進行BP神經網絡訓練，花費時間612 s，結果如圖9所示，該神經網絡全部數據的R值為0.985 92，說明擬合效果較好。從數據集中均勻選取2 000個點進行結果驗證（圖10），控制器給出方案與實際方案也基本一致，證明了該神經網絡控制器的可用性。

2.4 仿真與控制模型有效性分析

基于BP神經網絡的天然氣流量計檢定站仿真與控制模型的泛化能力與參與訓練的樣本涉及的工況范圍有關。對于樣本集所包含的工況或相似工況，神經網絡模型可以實現較好的預測精度。而對于未參與訓練的新工況，此種數據模型的預測精度會降低。當前工況由站內工藝流程與上下游變化兩部分決定。站內工藝根據待檢表口徑進行切換，本文以DN100 mm流量計檢定為例，對檢定過程進行預測與控制，驗證了該方法的可行性。對于其他口徑流量計的檢定過程，更換其對應的訓練樣本，采用相同方法重新訓練模型即可。此外，通過實測數據與預測數據的偏差對比，可以對當前模型的有效性進行分析，當相對偏差超過5%，需更新訓練樣本，更新當前模型，以解決上下游變化而導致的模型失準問題。

3 智能檢定軟件

智能檢定軟件是將智能調閥算法應用于現場實際檢定過程中的一個軟件客戶端（圖11），該軟件安裝于檢定站的控制服務器，與站場原有站控系統和檢定客戶端通過局域網進行數據通信，對站場儀表閥門數據的采集與控制，實現對檢定過程的實時監控，完成檢定客戶端下達的檢定流量點智能調節。

智能檢定軟件啟動后，首先檢查站場流程工作狀態，并根據檢定需求對現場情況自動做出提示。在站場安全邏輯的約束下，在檢定客戶端下達檢定流量指令后，軟件可以立即算出開閥方案，并自動下達到站場實際調節閥。流量調節完成后，保持30 s后，檢查當前流量點與目標偏差，滿足要求則給出開始檢定指令。

經現場測試，天然氣流量計智能檢定軟件以及與之匹配的仿真模型可以在工作條件下正常運行，可以根據輸入的待檢流量計參數（量程，分界流量，精度等級），自動判斷需要檢定的流量點，并且選擇流量點后，可以自動生成標準表管路的選擇以及四個調節閥的開閥方案，對于DN100 mm口徑流量計，現場實測如圖12所示。

4 結束語

油氣行業智能化是當前趨勢，通過將現場人員工作經驗轉換成程序化模型應用于現實現天然氣流量計檢定過程中流量調節的效率。對站內工藝流程進行了分析，研究了其流量控制原理，設計出一套適用于天然氣流量計的智能檢定調節控制系統。通過梳理檢定臺位、標準表和流量調節閥的選用原則實現了流程的自動判斷。通過分析站內管路水力特性，確定了檢定流量影響因素。利用歷史運行數據，基于BP神經網絡搭建了檢定站工藝仿真模型與控制器。同時，將仿真模型與控制器接入檢定站站控系統，形成完整的智能檢定控制系統，最終通過現場測試驗證了本系統的實用性。