基于復合BP神經網絡的天然氣工況監測系統研究

沈國良，蘇祥偉，譚 漢，邵 迪

（1.浙江浙能天然氣運行有限公司，杭州 310012；2.浙江浙能技術研究院有限公司，杭州 311121）

0 引言

浙江省天然氣管網為省級干線網絡，沿線設置有發電廠輸配站，直接對接發電廠燃氣機組，通過SCADA（數據采集與監控）系統的控制調節來滿足機組運行時對壓力和流量的要求，而采用智能系統代替人對機組運行時的復雜工況進行實時監控是站場無人化的關鍵核心。

天然氣輸配調節的本質就是在調節前后存在差壓的前提下，通過改變調節閥的閥位來改變輸配氣的工況流量，同時當輸配環節發生異常，如閥門誤動、計量故障等時，最直接的表征就是實測流量發生變化，所以對天然氣輸配進行工況監測，其直接有效的方式就是建立壓差、閥位和流量之間的系統模型，通過對流量的跟蹤分析來實現工況監測的功能。

1 研究背景

天然氣站場無人化建設規劃中，以站場集中監控、統一管理的方式進行調度和運行管理，而傳統的站場值守模式完全依賴于運行人員的經驗來對整個輸氣工藝狀況進行分析評價，當集中監控后，由于監控點的成倍增長，監管頻率和難度也相應增加，且長時間的監盤極易導致習慣性疲勞，存在風險隱患。在供天然氣發電機組的發電廠站，由于機組負荷大、工況變化復雜、反應時間短等特點，即使傳統的站對站監控模式，也會因調節故障、閥門異動等原因導致機組甩負荷甚至跳機。所以，在實現發電廠站的集中監控前，首先需要解決的問題是如何進行供氣狀態的智能分析，并提前預警，再以此為基礎，通過系統或人為干預來保證供氣的穩定性。

但是目前針對天然氣輸配控制的建模和分析主要集中在管網的仿真調度方面[1-5]，而對于以站場或用戶為單位的具體調節系統，其建模主要采用多元函數擬合的方式[6-8]來實現，但是在氣體的計量過程中，需要充分考慮組分、管道、流態、壓縮因子、流出系數等多個不確定因素，所以通過多元函數建立準確的數學模型非常困難。

對于復雜及非線性系統，神經網絡的應用非常廣泛，但在天然氣的輸配領域，神經網絡主要用于氣量預測和供氣的可靠度計算[9-10]，極少用于流調控制[11]，所以對于單個流調系統來講，關鍵在于一定前提下，工況體積流量、調節閥閥位、調節的前后壓差這3個參量是否存在對應關系[12]，通過天然氣管輸調節控制仿真模型[13]，同一站場中由于工藝條件不變，且對于工況體積的計量只取決于管道壓差和管道工藝，從而排除了組分、補償系數、壓縮因子等相關系數的影響，所以對于單條支路，完全可以通過數學函數建立模型。但在實際應用場景中，特別是對于發電廠用戶，要保證系統的穩定可靠運行往往需要主、備支路同時使用，在該種工況下，由于流態、調節擾動等相關因素的影響，不能簡單地通過單一支路模型疊加方式進行計算，所以需要借助神經網絡強大的非線性擬合能力來建立系統模型。

2 模型建立

通過神經網絡進行系統建模，關鍵是用于訓練的樣本具有代表性和覆蓋性，以浙江省天然氣管網所屬某發電廠站（見圖1）為研究對象，從省網調控中心的數據庫中檢索了2012年1月—2018年8月的樣本數據，并從中挖掘出具有典型性的5萬組樣本進行建模，將樣本以三參量綜合排序后，按照奇偶序號劃分成相近的各2.5萬組樣本數據，分別用于訓練和驗證。

圖1 某發電廠站流調工藝

2.1 數據的預處理

樣本數據的覆蓋面較廣，分布差異較大，所以需要將數據進行歸一化處理。歸一化即標準化，是將不同數量級的數據轉變成同一數量級的方法，以此來減少樣本數量級對擬合準確性的影響，同時，考慮神經網絡輸出層激活函數的值域限制，所以需要將網絡訓練的目標數據映射到所選用的激活函數的值域。

采用了最大-最小標準法，對于每一個變量X，通過式（1）進行變換，使得變換后樣本數據X′的范圍都在[-1，1]區間：

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）將數據歸一化后，相應地在網絡的輸出層，激活函數采用雙極S形函數，見圖2。

式中：x為前層各神經元輸入當前神經元的加權和；f（x）為神經元激活后的輸出；α為激活函數的調整系數，協同學習率對網絡的性能進行優化。

2.2 神經網絡結構

在網絡構建時，首先采用LM-BP[14]網絡，其結構見圖3。

圖2 雙極S形函數

圖3 LM-BP神經網絡結構

其中，輸入向量3個，分別為PV1（一支路調節閥閥位）、PV2（二支路調節閥閥位）、 DP（壓差）；輸出向量1個，為QW（工況流量）；隱含包含250個神經元，人工神經元模型如圖4所示；每一個輸入，通過式（1）變換后進行輸入，經過式（3）加權求和后，通過式（2）輸出：

式中：i為網絡層數；n為每層的神經元數量；ω為神經元的連接權；θ為偏置，并作為ωi0計算；neti為輸入當前神經元的加權和，即式（2）中的x，y為計算值，同時為下一層神經元的輸入x。

模型的損失函數采用均方差MSE，其中e為誤差，N為樣本數量，同時計算均方根差RMSE進行匹配度的評價：

圖4 人工神經元模型

采用Levenberg-Marquardt法進行訓練和驗證后得到的誤差分布分別如圖5、圖6所示。

圖5 LM-BP神經網絡的訓練誤差

圖6 LM-BP神經網絡的驗證誤差

觀察圖5和圖6，在500 m3/h以上區域，網絡的訓練效果較好，誤差基本控制在5%左右，驗證時少量數據誤差超過10%，可考慮系統誤差；但在500 m3/h以下的小流量區，網絡的擬合誤差較大，主要原因為：一是計量準確度的問題，研究站場所用的超聲波流量計標稱量程為5 000 m3/h，有效計量的最低范圍為10%，即500 m3/h，該區間的計量不確定度較大；二是調節閥的調節特性問題，小流量區域的調節閥位基本在10%～15%（見表1），處在閥門的非線性區域，流態也不穩定。所以綜合來說，小流量區域的函數關系不同于大流量區，需要額外處理。

表1 小流量時的各參數

在小流量區單獨構建CGF-BP[14]網絡，如圖7所示，通過共軛梯度法進行訓練，通過樣本驗證后，采用絕對誤差進行評價，如圖8所示。

圖7 CGF-BP神經網絡結構

圖8 CGF-BP神經網絡驗證的絕對誤差

最后將2個神經網絡結合，首先通過LMBP進行擬合計算，當計算結果小于500時，通過CGF-BP進行修正，通過復合神經網絡[16]來優化擬合過程，形成最終的模型，其計算流程如圖9所示。

圖9 復合網絡的計算流程

對模型進行樣本驗證的結果見圖10和圖11，可以看出，在驗證結果上，模型基本實現了擬合的誤差要求。

3 實際應用

模型訓練完成后，考慮到網絡的計算效率，設置2 min 1次的采樣及分析頻率，通過對該發電廠站4個起機-運行-停機的完整工況比對，進行實際測試。模型共分析了2 800多組工況數據，比對結果見圖12；同時為檢查模型對異常工況的監測效果，對流量計的補償壓變進行屏蔽處理以模擬計量系統故障，由于差壓和調節閥的閥位正常，模型的計算值會延續正常工況，比對結果如圖13所示。

圖10 復合網絡的驗證擬合

圖11 復合網絡的計算值比對

圖12 復合網絡的實際比對效果

圖13 復合網絡的模擬故障監測效果

從圖12的擬合情況分析，模型基本實現了對實際工況的高度還原，但是對于小流量的擬合方面相對誤差較大，考慮系統不確定度和樣本量級，認為結果處于可接受范圍；在總體的擬合誤差方面，除不可避免的系統檢測誤差，系統誤差控制在5%左右，與訓練和驗證的誤差基本保持一致，這也說明訓練樣本數據的覆蓋面較好，模型的辨識度較完善。

圖13中在樣本號100～160區間計算值和實測值之間有一個明顯AE（絕對誤差），根據表2數據，其RE（相對誤差）達到20%～30%，通過這個差值，并過濾掉系統誤差的干擾，即實現了對異常工況的監測功能。

表2 模擬計量故障時的各參數

4 結語

在天然氣調節系統的運行過程中，調節工況隨著運行時間不斷累積大量的數據，目前這類數據在進行備份存檔后極少進行開發利用。因此，對系統的數據進行充分挖掘、分析處理后，選取典型數據進行系統建模，在匹配性、覆蓋程度、準確性等方面均取得了良好的效果。

由于缺少神經網絡在天然氣輸氣調節控制及工況監測中的應用案例借鑒，所以在系統的開發過程中，通過多次測試，選擇了LM和共軛梯度等改進型訓練法，但是BP網絡在梯度下降法的訓練過程中還是難免陷入局部最優解的問題。同時，為避免擬合誤差過大，采用了分段擬合的方式來進行函數逼近，整個系統結構相對比較復雜，計算效率偏慢，而且在計算值轉換過程中容易導致損失函數的失控，所以在后期的研究過程中，可以采用更有效的復合神經網絡及深度學習的方式來完善功能，提高工作效率。