力控科技

管控一体化解决之道

城市燃气管网调度优化解决方案

一、概述

城市燃气管网系统在城市社会活动和经济活动中起着重要的作用,它不仅关系到千家万户城市人民的日常生活,而且也关系到工业生活和各企事业单位、工业设施等的用气问题,目前很多燃气公司都建立了燃气管网系统实时监控和调度中心,该中心是以计算机为核心的分布式控制系统,由它完成对管网的监控。它由调度控制中心(完成对城市燃气管网各站场、远控截断阀室的监控、调度管理和优化运行等任务。)、容灾后备控制中心、门站区域控制站(SCS)、远程终端装置(RTU)、通信系统等组成。

调度中心将通过通信系统与各个工艺场站的站控系统互联,从而进行数据采集与监控,并实现输气调度、设备运行优化、计量管理、管道模拟等任务。监控中心SCADA系统的控制功能分为“中心控制”、“站场控制”、“就地控制”三级控制模式。监控中心的操作人员通过系统所提供的管线压力、温度、流量、设备运行状态等信息,完成对管道全线及场站的运行监控和管理。

系统框架如下图所示;



系统业务模型如下图所示:


然后,多年以来管理人员仅凭经验对各气源厂进行调度,而不考虑压缩机站的运行特性及供气成本等问题,对于整个系统管理的经济效益方面考虑甚少,从而使供气系统的调度管理处于盲目状态,造成能量的很大浪费,影响燃气企业的经济效益和社会效益。随着城市人口的激增,工业的迅速发展,使得供气系统规模不断扩大,供气量也日趋上升,复杂性也随之提高,这为计划部门制定合理计划带来很大难度。力控科技燃气管网计划优化和调度优化系统很好地解决上述问题。

燃气管网计划优化和调度优化是基于整个燃气系统SCADA监控之上,根据现场运行实际情况,确保供气系统、调压站等设备的工作状况下运行经济效益最佳。其流程如下:

  

    燃气企业的计划优化主要是使用BP神经网络根据过去用气量的历史数据l来预测长周期的用气量,然后根据气源的燃气费用和输送费用,建立数学模型,使得成本费用最小,从而优化计划。

燃气管网调度优化系统通过SCADA系统实时监测燃气系统运行中的主要状态参数,然后把用气量作为调度优化决策的依据,而用气量的预测是使用BP神经网络根据过去各时刻用气量的历史数据及影响未来用气量的各种因素,预测出未来时刻用户所需要用气量,满足用气需求。调度优化系统根据系统负荷,在保证供气服务和经济效益最佳的前提下,确保系统中压送和调节装置的运行工况最优。

二、燃气管网的负荷预测

天然气管网负荷预测即用气量预测在实时控制、制定计划和调度优化方面起着重要作用,尤其是负荷预测对燃气系统运行和生产费用都有重大的影响。天然气负荷预测不仅是天然气系统调度优化、实时控制、运行计划和发展规划的前提,更是一个天然气管网调度部门和计划部门所必需的基本信息。提高负荷预测技术水平,有利于天然气系统计划管理,有利于天然气管网优化运行和机组检修计划,有利于管网系统的经济效益和社会效益。

燃气管网系统的负荷变化受多方面因素的影响,它的变动具有时序性、时变性、随机性和非线性等特性。为了解决天然气管网负荷预测的非线性问题,力控科技开发的计算引擎产品将遗传神经网络引入管网负荷预测领域。通过多个神经元相互链接,人工神经网络的输入和输出构成一个复杂的非线性处理系统;同时,它还具有可记忆复杂的非线性输入输出映射关系的特征,而这种特性正是一些传统的负荷预测方法难以实现的。

但是,人工神经网络存在着学习速度慢、网络训练失败的可能性较大、泛化能力较差等主要问题。因此利用遗传算法在复杂空间进行全局优化搜索,并具有较强的鲁棒性,取代一些传统的学习算法对初始值进行优化,在解空间中定位较好的搜索空间,然后用BP网络在这些小的解空间搜索出最优解。

三、力控计算引擎介绍

1)产品概述

随着计算机技术、网络技术、控制技术及传感技术的发展,在保证生产过程安全高效运行的同时,工业过程控制系统日益朝着集成化、大型化方向发展,表现为系统的复杂性不断增加,控制目标多元化,变量数量增多且相关性增强,并存在多种约束。

在工业过程控制系统设计中通过实时历史数据库及计算引擎可实现系统的优化分析。通过力控实时历史数据库提供的海量数据源与计算引擎的多种优化算法相结合,能够实现在线优化全厂过程自动化系统,保证全厂装置在实际生产过程中达到优化调度、节能降耗的作用。


力控计算引擎Fcyber基于node.js脚本引擎结合灵活的编程语言,实现海量数据的统计分析、关系数据库交互以及第三方用户自定义库封装调用等功能。结合力控企业级实时历史数据库pSpace、以及离线仿真平台,可实现从采集、数据处理、数据模型建立、控制策略到全厂综合自动化在线优化,进而可将企业领导者的经营决策、生产管理和调度信息落实至全厂装置的实际生产过程中,达到统计分析、优化调度、节能降耗的作用,为企业实现“安稳长满优”提供有力支撑和保障。


2)产品架构

计算引擎Fcyber分为底层内核、功能模块、配置管理三部分。内核主要实现执行运算以及接口封装;功能模块主要为用户提供常用的一些行业应用的功能模块,另提供用户二次开发脚本编辑环境,可供用户生成自定义模型;

配置管理主要是给予用户实现快速的实时历史数据库测点及关系库配置管理,通过快速操作能够实现整体环境的配置。


3)产品特点

计算引擎以力控实时历史数据库pSpace作为数据源,支持与OracleSqlServerMySqlAccess的多种关系数据库接入。软件提供丰富的函数运算支持数据库函数、定时器、字符函数、日期时间函数、数学函数、控制语句、操作符、自定义函数以及CSV等操作函数,原生支持Nodejs函数。计算引擎适用于各类行业场景,提供多种行业应用模板,软件提供便捷的开发环境及调试环境,运行环境可以随时监测工程内各个任务的运行状态。

n  工程管理

n支持工程任务的创建、删除、修改

n支持配置多任务,支持多任务的并行执行

n支持工程备份、导入/导出

n支持工程加密

n  任务管理

n支持任务的编辑、调试

n支持模板功能

n任务运行状态、结果监控

n  脚本编辑器

n支持js脚本

n支持复制、粘贴、撤销

n支持高亮、语法检测、提示联想

n支持任务代码配置调试、运行调试

n  函数

n支持pSpace函数

n支持各类关系数据库操作函数

n支持自定义函数

n支持第三方算法调用

nNode.js原生支持函数

四、基于GA-BP方法的管网负荷预测

GA-BP算法模型简介

首先建立BP神经网络模型,对模型进行预训练一定次数,取得权重与阀值的取值范围,之后采用浮点数编码(即是真值编码方法,使用的是权值的真实值),生成基因群体,用遗传算法寻优,最后再使用神经网络对进行了K代进化后所选择的m个具有全局性的进化解进行求解,从中得出最优解。

用遗传算法优化BP神经网络示意图

历史数据中,选取每隔2小时队管网负荷的测量值,这样可以得到12组负荷数据。将预测日前数日每天的负荷数据作为网络的样本数据,根据生产调度或生产计划可以选择不同的预测周期。

由于管网负荷还与环境因素有关,比如最高气温和最低气温等。因此,还需要通过天气预报等手段获得预测日的日期类型、平均温度和天气状况特征值(晴天、阴天还是雨天)。将管网负荷预测日当天的气象特征数据作为网络的输入变量,因此网络的输入变了量就是一个15维的向量;网络目标向量是预测日当天的12个负荷值,这样输出变量就是一个12维的向量。

对于管网负荷进行预测时,一个重要的问题是划分日期类型,一般有三种划分方法:

(1)将一周分为工作日(星期一到星期五)和休息日(星期六和星期天)等两种类型。

(2)将一周分为星期一、星期二到星期四,星期五、星期六和星期天等5种类型。

(3)将一周的7天每天都看成一种类型,共有7种类型。

为了简化参数,一般使用第一种划分方法:


日期类型映射

天气也是影响天然气管网负荷的一个重要因素,为了使天气相关输入参数数值化,输入的天气情况作如下映射:


天气情况映射

温度对负荷影响的权重很大,但考虑到在一定的温度范围内,负荷变化很小,将温度划分成多个区间,使同一区间内的温度对应相同的值,温度区间的划分和对应的取值可根据实际情况调整,


温度情况映射

选取训练样本模拟预测

训练样本数目的确定没有通用的方法,一般认为,样本过少可能使得网络的表达不够充分,从而导致网络泛化能力不够;而样本过多则可能出现样本冗余现象,既增加了网络的训练负担,也有可能出现信息量过剩使得网络出现过拟合现象。总之,样本的选取过程需要注意代表性、均衡性和管网负荷自身的特点,从而选择合理的训练样本。

天然气管网负荷预测的程序框图如下:

使用近一周的数据作为训练数据,最近一天的数据作为预测数据,训练BP网络后预测结果如下图


采用BP方法预测的平均相对误差为5.3%,而GA-BP方法对管网负荷的预测平均相对误差仅2.5%。如果多次预测取平均值,则其误差会更低,能够满足生产实际需要。天然气管网系统负荷的预测是天然气管网调度优化的一个基础性工作,可靠的管网负荷预测对获得经济合理的调度优化方案是至关重要的。

五、计划优化

目前城市燃气供气系统来自多个气源,每个气源地燃气费用和输送成本费用也不一样,根据燃气用量的预测,燃气企业的计划部门使用BP神经网络根据过去用气量的历史数据来预测长周期的用气量,然后根据气源的燃气费用和输送费用,建立数学模型,使得成本费用最小,从而优化计划,一般都是年计划和月计划。

六、调度优化

进行天然气管网运行优化时,其数学模型虽然不甚复杂,但是其约束条件众多,既含有等式约束,也含有不等式约束;既含有线性约束,也含有非线性约束。故其求解规模庞大。传统的直接搜索法有网格法和复合形法。网格法是一种穷举法,计算量太大;而复合形法的不足是收敛速度较慢,为了得到一个较好的顶点,往往要向中心多次收缩,工作量较大。粒子群算法是一种基于群体智能和计算机科学的优化方法,不需要函数的导数信息,适合求解大规模、复杂的优化问题。因此,利用力控科技计算引擎中粒子群算法模型为天然气管网调度优化模型的求解提供了新的手段和方法。

粒子群优化模型计算流程如下图所示;

天然气管网调度优化的目标是在管网拓扑参数确定的情况下,根据管网中各监测点状态变量的实时变化情况,在满足管网的工艺约束,满足用户对气量和供气压力要求的前提下,以及确定压缩机、调压站等设备的工作状态,使管网各节点的能量浪费最小,压力分布均匀,以使天然气公司的收益最大化。

目前城市供气系统来自多个气源,同时每个气源地压缩机的型号和台数也不一样,在系统负荷已知的情况下,存在着多种压缩机的组合方案,即有不同的压缩机组合满足用户的要求,而调度优化就是要确定各个气源开启压缩机的型号和台数,以燃气企业经济效益最佳。

由于城市燃气供气系统的复杂性,力控科技采用两级调度优化模式,首先根据燃气需求的预测量,计算出所有各气源站最佳的供气量和供气压力,然后在确定各个气源站压缩机运行的二级调度优化,即确定投入运行的压缩机型号和台数,以满足一级优化计算的最佳供气量和供气压力的要求。


 


1、气源最佳供气量及供气压力的确定(一级调度优化)

通过力控模型库建立供气量和供气压力的优化数学模型,

   F = Min{Σ(σ1i +σ2i+ Pi*σ3i)Qi }

(i= 1,2,3,… 气源厂的数量)

式中:

Q 各气源厂的供气量(m3/h),约束条件 Qmin < Q < Qmax

P 各气源厂的供气压力(帕) ,约束条件 Pmin < P < Pmax

σ1 各气源厂单位供气量费用(元/m3)

σ2 供气系统单位供气量成本系数(元/m3)

σ3 该气源厂压缩机将每立方燃气增加单位压力所耗电费用(元/m3帕)

通过力控计算引擎调用计算出优化后的各站供气量、供气压力等。


2、压缩机站的调度优化(二级调度优化)

    燃气系统中,电耗占整个供气成本很大一部分,因此从优化的观点来考虑气源厂压缩机站中各压缩机的组合运行方式,是实现调度优化管理,提高经济效益和社会效益的重要措施。

一级调度优化所需要的各气源的供气量和供气压力必须通过供气压缩机来实现。一般供气系统中压缩机型号杂,台数多,于是二级调度优化就是根据当前压缩机的性能,约束条件,选择压缩机机组最优组合运行方式,使得满足供气管网负荷要求的情况下系统总耗电最小,其模型如下:

J= Min(ΣNiQiPi/ηi)  (i = 1,2,3,…)

式中:Q,P,η第i压缩机站第i种压缩机单机供气量、供气压力及供气效率。

通过力控计算引擎调用计算出压缩机组合的最优方案。

七、调度排程

一级排程计算

原理:计划部门根据GA-BP预测模型计算用气量,再根据用气量计算出各气源站最佳的供气量和供气压力,一般都是短周期的周计划和日计划。

 

输出值:各气源站最佳的供气量和供气压力


约束条件:

Q 各气源厂的供气量(m3/h),约束条件 Qmin < Q < Qmax

P 各气源厂的供气压力(帕) ,约束条件 Pmin < P < Pmax

二级排程计算

原理:调度部门根据日计划以及使用GA-BP管网预测模型计算每个时间段的用气量,生成调度指令。

输出值:压缩机机组最优组合运行方式。

约束条件:

压缩机的性能约束

单机供气量、供气压力约束

管网压力约束