登錄注冊 CHEN

英雄联盟可以用话费充值吗: 力控科技

管控一體化解決之道

城市燃氣管網調度優化系統

一、概述

城市燃氣管網系統在城市社會活動和經濟活動中起著重要的作用,它不僅關系到千家萬戶城市人民的日常生活,而且也關系到工業生活和各企事業單位、工業設施等的用氣問題,目前很多燃氣公司都建立了燃氣管網系統實時監控和調度中心,該中心是以計算機為核心的分布式控制系統,由它完成對管網的監控。它由調度控制中心(完成對城市燃氣管網各站場、遠控截斷閥室的監控、調度管理和優化運行等任務。)、容災后備控制中心、門站區域控制站(SCS)、遠程終端裝置(RTU)、通信系統等組成。

調度中心將通過通信系統與各個工藝場站的站控系統互聯,從而進行數據采集與監控,并實現輸氣調度、設備運行優化、計量管理、管道模擬等任務。監控中心SCADA系統的控制功能分為“中心控制”、“站場控制”、“就地控制”三級控制模式。監控中心的操作人員通過系統所提供的管線壓力、溫度、流量、設備運行狀態等信息,完成對管道全線及場站的運行監控和管理。

系統框架如下圖所示;



系統業務模型如下圖所示:


然后,多年以來管理人員僅憑經驗對各氣源廠進行調度,而不考慮壓縮機站的運行特性及供氣成本等問題,對于整個系統管理的經濟效益方面考慮甚少,從而使供氣系統的調度管理處于盲目狀態,造成能量的很大浪費,影響燃氣企業的經濟效益和社會效益。隨著城市人口的激增,工業的迅速發展,使得供氣系統規模不斷擴大,供氣量也日趨上升,復雜性也隨之提高,這為計劃部門制定合理計劃帶來很大難度。力控科技燃氣管網計劃優化和調度優化系統很好地解決上述問題。

燃氣管網計劃優化和調度優化是基于整個燃氣系統SCADA監控之上,根據現場運行實際情況,確保供氣系統、調壓站等設備的工作狀況下運行經濟效益最佳。其流程如下:

  

    燃氣企業的計劃優化主要是使用BP神經網絡根據過去用氣量的歷史數據l來預測長周期的用氣量,然后根據氣源的燃氣費用和輸送費用,建立數學模型,使得成本費用最小,從而優化計劃。

燃氣管網調度優化系統通過SCADA系統實時監測燃氣系統運行中的主要狀態參數,然后把用氣量作為調度優化決策的依據,而用氣量的預測是使用BP神經網絡根據過去各時刻用氣量的歷史數據及影響未來用氣量的各種因素,預測出未來時刻用戶所需要用氣量,滿足用氣需求。調度優化系統根據系統負荷,在保證供氣服務和經濟效益最佳的前提下,確保系統中壓送和調節裝置的運行工況最優。

二、燃氣管網的負荷預測

天然氣管網負荷預測即用氣量預測在實時控制、制定計劃和調度優化方面起著重要作用,尤其是負荷預測對燃氣系統運行和生產費用都有重大的影響。天然氣負荷預測不僅是天然氣系統調度優化、實時控制、運行計劃和發展規劃的前提,更是一個天然氣管網調度部門和計劃部門所必需的基本信息。提高負荷預測技術水平,有利于天然氣系統計劃管理,有利于天然氣管網優化運行和機組檢修計劃,有利于管網系統的經濟效益和社會效益。

燃氣管網系統的負荷變化受多方面因素的影響,它的變動具有時序性、時變性、隨機性和非線性等特性。為了解決天然氣管網負荷預測的非線性問題,力控科技開發的計算引擎產品將遺傳神經網絡引入管網負荷預測領域。通過多個神經元相互鏈接,人工神經網絡的輸入和輸出構成一個復雜的非線性處理系統;同時,它還具有可記憶復雜的非線性輸入輸出映射關系的特征,而這種特性正是一些傳統的負荷預測方法難以實現的。

但是,人工神經網絡存在著學習速度慢、網絡訓練失敗的可能性較大、泛化能力較差等主要問題。因此利用遺傳算法在復雜空間進行全局優化搜索,并具有較強的魯棒性,取代一些傳統的學習算法對初始值進行優化,在解空間中定位較好的搜索空間,然后用BP網絡在這些小的解空間搜索出最優解。

三、力控計算引擎介紹

1)產品概述

隨著計算機技術、網絡技術、控制技術及傳感技術的發展,在保證生產過程安全高效運行的同時,工業過程控制系統日益朝著集成化、大型化方向發展,表現為系統的復雜性不斷增加,控制目標多元化,變量數量增多且相關性增強,并存在多種約束。

在工業過程控制系統設計中通過實時歷史數據庫及計算引擎可實現系統的優化分析。通過力控實時歷史數據庫提供的海量數據源與計算引擎的多種優化算法相結合,能夠實現在線優化全廠過程自動化系統,保證全廠裝置在實際生產過程中達到優化調度、節能降耗的作用。


力控計算引擎Fcyber基于node.js腳本引擎結合靈活的編程語言,實現海量數據的統計分析、關系數據庫交互以及第三方用戶自定義庫封裝調用等功能。結合力控企業級實時歷史數據庫pSpace、以及離線仿真平臺,可實現從采集、數據處理、數據模型建立、控制策略到全廠綜合自動化在線優化,進而可將企業領導者的經營決策、生產管理和調度信息落實至全廠裝置的實際生產過程中,達到統計分析、優化調度、節能降耗的作用,為企業實現“安穩長滿優”提供有力支撐和保障。


2)產品架構

計算引擎Fcyber分為底層內核、功能???、配置管理三部分。內核主要實現執行運算以及接口封裝;功能??櫓饕沒峁┏S玫囊恍┬幸滌τ玫墓δ苣??,另提供用戶二次開發腳本編輯環境,可供用戶生成自定義模型;

配置管理主要是給予用戶實現快速的實時歷史數據庫測點及關系庫配置管理,通過快速操作能夠實現整體環境的配置。


3)產品特點

計算引擎以力控實時歷史數據庫pSpace作為數據源,支持與Oracle、SqlServer、MySql、Access的多種關系數據庫接入。軟件提供豐富的函數運算支持數據庫函數、定時器、字符函數、日期時間函數、數學函數、控制語句、操作符、自定義函數以及CSV等操作函數,原生支持Nodejs函數。計算引擎適用于各類行業場景,提供多種行業應用模板,軟件提供便捷的開發環境及調試環境,運行環境可以隨時監測工程內各個任務的運行狀態。

n  工程管理

n支持工程任務的創建、刪除、修改

n支持配置多任務,支持多任務的并行執行

n支持工程備份、導入/導出

n支持工程加密

n  任務管理

n支持任務的編輯、調試

n支持模板功能

n任務運行狀態、結果監控

n  腳本編輯器

n支持js腳本

n支持復制、粘貼、撤銷

n支持高亮、語法檢測、提示聯想

n支持任務代碼配置調試、運行調試

n  函數

n支持pSpace函數

n支持各類關系數據庫操作函數

n支持自定義函數

n支持第三方算法調用

nNode.js原生支持函數

四、基于GA-BP方法的管網負荷預測

GA-BP算法模型簡介

首先建立BP神經網絡模型,對模型進行預訓練一定次數,取得權重與閥值的取值范圍,之后采用浮點數編碼(即是真值編碼方法,使用的是權值的真實值),生成基因群體,用遺傳算法尋優,最后再使用神經網絡對進行了K代進化后所選擇的m個具有全局性的進化解進行求解,從中得出最優解。

用遺傳算法優化BP神經網絡示意圖

歷史數據中,選取每隔2小時隊管網負荷的測量值,這樣可以得到12組負荷數據。將預測日前數日每天的負荷數據作為網絡的樣本數據,根據生產調度或生產計劃可以選擇不同的預測周期。

由于管網負荷還與環境因素有關,比如最高氣溫和最低氣溫等。因此,還需要通過天氣預報等手段獲得預測日的日期類型、平均溫度和天氣狀況特征值(晴天、陰天還是雨天)。將管網負荷預測日當天的氣象特征數據作為網絡的輸入變量,因此網絡的輸入變了量就是一個15維的向量;網絡目標向量是預測日當天的12個負荷值,這樣輸出變量就是一個12維的向量。

對于管網負荷進行預測時,一個重要的問題是劃分日期類型,一般有三種劃分方法:

(1)將一周分為工作日(星期一到星期五)和休息日(星期六和星期天)等兩種類型。

(2)將一周分為星期一、星期二到星期四,星期五、星期六和星期天等5種類型。

(3)將一周的7天每天都看成一種類型,共有7種類型。

為了簡化參數,一般使用第一種劃分方法:


日期類型映射

天氣也是影響天然氣管網負荷的一個重要因素,為了使天氣相關輸入參數數值化,輸入的天氣情況作如下映射:


天氣情況映射

溫度對負荷影響的權重很大,但考慮到在一定的溫度范圍內,負荷變化很小,將溫度劃分成多個區間,使同一區間內的溫度對應相同的值,溫度區間的劃分和對應的取值可根據實際情況調整,


溫度情況映射

選取訓練樣本模擬預測

訓練樣本數目的確定沒有通用的方法,一般認為,樣本過少可能使得網絡的表達不夠充分,從而導致網絡泛化能力不夠;而樣本過多則可能出現樣本冗余現象,既增加了網絡的訓練負擔,也有可能出現信息量過剩使得網絡出現過擬合現象。總之,樣本的選取過程需要注意代表性、均衡性和管網負荷自身的特點,從而選擇合理的訓練樣本。

天然氣管網負荷預測的程序框圖如下:

使用近一周的數據作為訓練數據,最近一天的數據作為預測數據,訓練BP網絡后預測結果如下圖


采用BP方法預測的平均相對誤差為5.3%,而GA-BP方法對管網負荷的預測平均相對誤差僅2.5%。如果多次預測取平均值,則其誤差會更低,能夠滿足生產實際需要。天然氣管網系統負荷的預測是天然氣管網調度優化的一個基礎性工作,可靠的管網負荷預測對獲得經濟合理的調度優化方案是至關重要的。

五、計劃優化

目前城市燃氣供氣系統來自多個氣源,每個氣源地燃氣費用和輸送成本費用也不一樣,根據燃氣用量的預測,燃氣企業的計劃部門使用BP神經網絡根據過去用氣量的歷史數據來預測長周期的用氣量,然后根據氣源的燃氣費用和輸送費用,建立數學模型,使得成本費用最小,從而優化計劃,一般都是年計劃和月計劃。

六、調度優化

進行天然氣管網運行優化時,其數學模型雖然不甚復雜,但是其約束條件眾多,既含有等式約束,也含有不等式約束;既含有線性約束,也含有非線性約束。故其求解規模龐大。傳統的直接搜索法有網格法和復合形法。網格法是一種窮舉法,計算量太大;而復合形法的不足是收斂速度較慢,為了得到一個較好的頂點,往往要向中心多次收縮,工作量較大。粒子群算法是一種基于群體智能和計算機科學的優化方法,不需要函數的導數信息,適合求解大規模、復雜的優化問題。因此,利用力控科技計算引擎中粒子群算法模型為天然氣管網調度優化模型的求解提供了新的手段和方法。

粒子群優化模型計算流程如下圖所示;

天然氣管網調度優化的目標是在管網拓撲參數確定的情況下,根據管網中各監測點狀態變量的實時變化情況,在滿足管網的工藝約束,滿足用戶對氣量和供氣壓力要求的前提下,以及確定壓縮機、調壓站等設備的工作狀態,使管網各節點的能量浪費最小,壓力分布均勻,以使天然氣公司的收益最大化。

目前城市供氣系統來自多個氣源,同時每個氣源地壓縮機的型號和臺數也不一樣,在系統負荷已知的情況下,存在著多種壓縮機的組合方案,即有不同的壓縮機組合滿足用戶的要求,而調度優化就是要確定各個氣源開啟壓縮機的型號和臺數,以燃氣企業經濟效益最佳。

由于城市燃氣供氣系統的復雜性,力控科技采用兩級調度優化模式,首先根據燃氣需求的預測量,計算出所有各氣源站最佳的供氣量和供氣壓力,然后在確定各個氣源站壓縮機運行的二級調度優化,即確定投入運行的壓縮機型號和臺數,以滿足一級優化計算的最佳供氣量和供氣壓力的要求。


 


1、氣源最佳供氣量及供氣壓力的確定(一級調度優化)

通過力控模型庫建立供氣量和供氣壓力的優化數學模型,

   F = Min{Σ(σ1i +σ2i+ Pi*σ3i)Qi }

(i= 1,2,3,… 氣源廠的數量)

式中:

Q 各氣源廠的供氣量(m3/h),約束條件 Qmin < Q < Qmax

P 各氣源廠的供氣壓力(帕) ,約束條件 Pmin < P < Pmax

σ1 各氣源廠單位供氣量費用(元/m3)

σ2 供氣系統單位供氣量成本系數(元/m3)

σ3 該氣源廠壓縮機將每立方燃氣增加單位壓力所耗電費用(元/m3帕)

通過力控計算引擎調用計算出優化后的各站供氣量、供氣壓力等。


2、壓縮機站的調度優化(二級調度優化)

    燃氣系統中,電耗占整個供氣成本很大一部分,因此從優化的觀點來考慮氣源廠壓縮機站中各壓縮機的組合運行方式,是實現調度優化管理,提高經濟效益和社會效益的重要措施。

一級調度優化所需要的各氣源的供氣量和供氣壓力必須通過供氣壓縮機來實現。一般供氣系統中壓縮機型號雜,臺數多,于是二級調度優化就是根據當前壓縮機的性能,約束條件,選擇壓縮機機組最優組合運行方式,使得滿足供氣管網負荷要求的情況下系統總耗電最小,其模型如下:

J= Min(ΣNiQiPi/ηi)  (i = 1,2,3,…)

式中:Q,P,η第i壓縮機站第i種壓縮機單機供氣量、供氣壓力及供氣效率。

通過力控計算引擎調用計算出壓縮機組合的最優方案。

七、調度排程

一級排程計算

原理:計劃部門根據GA-BP預測模型計算用氣量,再根據用氣量計算出各氣源站最佳的供氣量和供氣壓力,一般都是短周期的周計劃和日計劃。

 

輸出值:各氣源站最佳的供氣量和供氣壓力


約束條件:

Q 各氣源廠的供氣量(m3/h),約束條件 Qmin < Q < Qmax

P 各氣源廠的供氣壓力(帕) ,約束條件 Pmin < P < Pmax

二級排程計算

原理:調度部門根據日計劃以及使用GA-BP管網預測模型計算每個時間段的用氣量,生成調度指令。

輸出值:壓縮機機組最優組合運行方式。

約束條件:

壓縮機的性能約束

單機供氣量、供氣壓力約束

管網壓力約束