CN107885085A - 基于深度学习的复杂管道运行控制方法 - Google Patents
基于深度学习的复杂管道运行控制方法 Download PDFInfo
- Publication number
- CN107885085A CN107885085A CN201711124821.6A CN201711124821A CN107885085A CN 107885085 A CN107885085 A CN 107885085A CN 201711124821 A CN201711124821 A CN 201711124821A CN 107885085 A CN107885085 A CN 107885085A
- Authority
- CN
- China
- Prior art keywords
- loop control
- pipeline
- closed
- open
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
本发明提供基于深度学习的复杂管道运行控制方法,属于管道运输技术领域,特别涉及复杂管道运行控制方法。本发明首先在SCADA系统中建立面向控制的复杂管道模型;根据实时监测到的管网信息,结合用户或工业上对管道的需求,确定需要运行控制的位置或管段;然后根据获得的需要运行控制的位置或管段上的流量和压力信息,判定采用基于深度学习方法的复杂管道开环控制策略还是采用基于深度学习方法的复杂管道闭环控制策略;按判定结果执行,最后融合信息,协调完成复杂管网的运行控制。本发明解决了现有技术不能有效合理的进行复杂管道运行控制,从而导致安全问题频发、能源消耗较高、可靠运行时间短的问题。本发明可运用管道运输。
Description
技术领域
本发明属于管道运输技术领域,特别涉及复杂管道运行控制方法。
背景技术
管道是用管子、管子联接件和阀门等联接成的用于输送气体、液体或带固体颗粒的流体的装置。实际工程中,根据管道布置与连接情况,将管道分为简单管道与复杂管道两类;简单管道指管径和流量沿程不发生变化的管道(没有分支的等直径管道);复杂管道指管径和流量沿程发生变化的管道(由两条以上管道组成的管道系统),复杂管道又可分串联、并联管道和枝状、环状管网等。在世界范围内,复杂管道被广泛用于水、石油、液化天然气、液态化工产品等物料的供应与输送。和其他大规模物料运输方式相比,它具有高效、安全、易于管理等多项优点,是一种经济、方便的运输方式,因此在世界各国的物料运输中占有重要地位。复杂管道不仅仅局限于宏观的自来水供应系统、石油化工的长输管道系统、城市排水系统、航空推动系统,甚至还涉及微观的血液循环、微流体等领域。
复杂管道涉及战略资源、经济、民生、环保、医学、生物等多个领域,担负着能源供应、物资流动、能量交换、安全保障等许多重要的社会功能。然而在现行的复杂管道运行过程中,不能有效合理的进行运行控制,停泵等故障引起的水锤效应、管道能源的调度供应、微流体通道中粒子移动等问题频频发生;并且由于调度策略不合理,使复杂管道在稳定工作的条件下,泵、阀门等执行元件不必要的动作较多,导致复杂管道运行过程中的能源消耗过高,整个系统的可靠运行时间较短;如何有效地进行复杂管道的运行控制有着重大意义。
在复杂管道的运行和管理中,正确的运行控制策略是管道正常、安全运行的保障,如不能根据实际的管道运行参数做出正确的控制决策,从而触发不合理的开停泵以及阀门开合,则有可能导致管道系统出现“水击波”等比较严重的安全事故。同时,合理的管道运行控制策略也是减少管道能耗的有力保障。通过合理的优化调度策略,可以使管道在稳定工作的条件下,减少泵、阀门等执行元件不必要的动作,从而减少管道运行过程中的能源消耗,增加整个系统的可靠运行时间。而在微流体管道运行过程中,准确快速地控制溶液中大量粒子在微通道中到达指定区域,对石油炼化、海水淡化、药物输送有着巨大作用。因此,基于复杂管道的拓扑结构,设计边界执行器(如阀门、泵)的最优运行控制策略,从而确保整个系统以高性能运行成为当前急需解决的问题。
发明内容
本发明为解决现有技术不能有效合理的进行复杂管道运行控制,从而导致安全问题频发、能源消耗较高、可靠运行时间较短的问题,提供了基于深度学习的复杂管道运行控制方法。
本发明所述基于深度学习的复杂管道运行控制方法,通过以下技术方案实现:
步骤一、在SCADA系统中建立面向控制的复杂管道模型;
步骤二、SCADA系统根据实时监测到的复杂管网的流量信息、压力信息、阀门以及泵的运行信息,结合用户或工业上对管道的需求,确定需要运行控制的管网的位置或管段;
步骤三、根据步骤二中获得的需要运行控制的位置或管段上的流量和压力信息,判定采用基于深度学习方法的复杂管道开环控制策略还是采用基于深度学习方法的复杂管道闭环控制策略;
步骤四、根据步骤三中的判定结果执行基于深度学习方法的开环控制策略或者基于深度学习方法的闭环控制策略;
本步骤的执行过程具体包括:
步骤四一、执行复杂管道开环控制策略或者复杂管道闭环控制策略;
步骤四二、进行深度学习:进行复杂管道开环控制策略或复杂管道闭环控制策略过程中初始猜测值和控制曲线的学习;
步骤五、融合开环控制策略、闭环控制策略和学习得到的控制策略的信息,协调完成复杂管网的运行控制。
本发明与现有技术相比较,最为突出的特点和显著的有益效果是:
(1)建立了面向控制的复杂管道模型——时空演化模型,能更准确地反应复杂管道的动态响应。针对不同的管道运行工况,采用基于深度学习的开环控制和闭环控制相结合的控制策略,完成管道网络控制设计;
(2)针对复杂管道开环控制,采用协态方法,快速得到梯度信息,完成开环控制的设计;
(3)针对复杂管道闭环控制,提出边界控制的反馈形式,并结合内核优化的反步设计方法,采用全状态反馈策略;
(4)采用深度学习方法,在复杂管道开环控制和闭环控制优化过程中,完成初始猜测值的学习,从而让复杂管道开环控制和闭环控制在优化过程中,尽可能找到全局最优的开环/闭环控制;
(5)在开环控制和闭环控制的同时,采用深度学习方法完成复杂管道不同工况下开环控制曲线和闭环控制曲线的学习,从而得到在不同工况和开环/闭环控制曲线之间的关系。最后融合优化的开环控制曲线和闭环控制曲线信息,更好地完成复杂管道网络的运行控制。
在100个小时的仿真实验中,本方法的管道网络可靠运行时间为100%、安全问题发生率为0%、能源消耗相比现有方法减少12%。
综上可知,本发明能有效的完成复杂管道网络的运行控制,管道网络可靠运行时间长、安全问题少、能源消耗较低。
附图说明
图1为本发明复杂管道网络侧视图;
图2为本发明复杂管道网络结构图;
图3为本发明基于深度学习方法的复杂管道运行控制流程图;
图4为本发明复杂管道开环控制优策略程图;
图5为本发明复杂管道闭环控制优策略程图;
1.水源,2.流量计,3.阀门,4.泵,5.压力表
具体实施方式
具体实施方式一:结合图1、图2、图3对本实施方式进行说明,本实施方式给出的基于深度学习的复杂管道运行控制方法,如图3所示,具体是按照以下步骤进行的:
步骤一、对管道网络中的每段管道,在SCADA系统中建立面向控制的复杂管道模型。一个复杂管道网络通常由水源1(水库)、流量计2、压力表5、泵4(泵站)、阀门3等组成。流量计2、压力表5、泵4(泵站)、阀门3通过有线或无线跟中央控制室相连;中央控制室通过SCADA系统和强大的数值计算、信息融合等方式实时调度和监测整个管网的信息(复杂管道网络示意图如图1、图2所示);
步骤二、SCADA(数据采集与监视控制系统)系统根据实时监测到的复杂管网的流量信息、压力信息、阀门以及泵4的运行信息,结合用户或工业上对管道的需求,确定需要运行控制的管网的位置或管段;
步骤三、根据步骤二中获得的需要运行控制的位置或管段上的流量和压力信息,判定采用基于深度学习方法的复杂管道开环控制策略还是采用基于深度学习方法的复杂管道闭环控制策略;
步骤四、根据步骤三中的判定结果执行基于深度学习方法的复杂管道开环控制策略或是采用基于深度学习方法的复杂管道闭环控制策略。
步骤四包括两个阶段:在运行控制的初期,学习的数据还不是很多,这时候,复杂管道开环控制策略和复杂管道闭环控制策略占主导地位,因此执行复杂管道开环控制策略或者复杂管道闭环控制策略;在运行控制后期,由于深度学习方法训练了较成熟的学习模型,因此,在每次管道运行控制过程中,融合开环/闭环控制策略和学习模型得到的控制策略的两者信息,协调完成复杂流体管网的运行控制。
步骤四一、执行复杂管道开环控制策略或者复杂管道闭环控制策略。
步骤四二、进行深度学习:进行复杂管道开环控制策略或复杂管道闭环控制策略过程中初始猜测值和控制曲线的学习;
深度学习步骤的主要分为两部分,一个是数据存储层,另一个是TensorFlow深度学习平台(主流的深度学习框架,可以方便、快速地实现各种深度学习算法)和基于梯度提升决策树的机器学习平台(深度学习算法)。
1)复杂管道运行控制策略中(开环控制和闭环控制策略),基于梯度优化得到开环控制曲线和闭环控制曲线的前提是给出初始猜测值。然而,不同的初始猜测值一般搜索到的只是次优的/局部最优的控制曲线,无法搜索到全局最优的控制曲线。不同的初始猜测值,会得到不同的性能指标值(性能指标值越小越好)。因此,好的初始猜测能对开环和闭环控制策略起到事半功倍的作用。基于此,采用基于深度学习方法完成复杂管道开环/闭环控制优化的初始猜测值学习。
数据层的数据主要是开环/闭环控制优化的各个初始猜测值以及相应的性能指标值。当然在深度学习的同时(一般是前期的学习),复杂管道运行指令的是一次初始猜测值的最优结果(局部最优解)。而在云台或是中央控制服务器中,根据几百个不同的初始猜测值序列,结合开环控制策略或是闭环控制策略的优化步骤,给出几百个开环控制/闭环控制的性能参数。
基于梯度提升决策树的机器学习平台的算法原理是将多棵决策树的计算结果,通过梯度提升的方式整合起来,作为最终的计算结果。我们将上步骤中输入的几百个初始猜测值序列以及几百个开环控制/闭环控制的性能参数。通过基于梯度提升决策树的机器学习平台的算法,学习出相应的规律。从而得到最优性能参数(最小的性能参数值)与初始猜测值之间的关系。
2)复杂管道运行中,开/闭环控制策略过程中的开环的控制曲线合闭环的控制曲线的学习。对于不同的工况(需要运行控制的部分管道中的压力和流量),采用基于深度的学习方法学习最优控制曲线,使得深度学习方法得出的最优控制曲线能补充、融合、甚至在极端情况下替代开环/闭环控制优化。
数据层的数据主要是需要运行控制部分的管道中历史的压力和流量值、各个开环/闭环最优控制曲线以及相应的性能指标值。在云台或是中央控制服务器中,根据SCADA测量得到的几百甚至是上千个不同工况下的管道中的压力和流量值,以及对应的几百条甚至是上千开环控制/闭环控制曲线以及几百个甚至是上千开环控制/闭环控制的性能参数。通过基于梯度提升决策树的机器学习平台的算法,学习出相应的规律。从而得到管道不同工况下时,开环控制/闭环控制曲线。
基于深度学习方法的复杂管道运行控制的构架在深度学习初期,根据切换函数的大小,采用开环控制或是闭环控制结合优化过程来完成运行控制的设计。而在学习成熟后,得到的最优初始猜测可以传递给开环控制或是闭环控制作为优化初始值,得到的最优控制曲线可以纠正或与开环控制/闭环控制的优化结果相融合,更好地完成复杂管道的运行控制。在突然的管道工况时,深度学习方法得到的最优控制曲线甚至可以替代开环控制/闭环控制的优化结果,直接给出运行指令。
步骤五、在每次管道运行控制过程中,融合开环控制策略、闭环控制策略和学习模型得到的控制策略的信息,协调完成复杂管网的运行控制。
在开环控制策略和闭环控制策略实施的同时,我们采用深度学习方法,进行控制策略的学习,既可以尽可能的避免局部最优控制,得到全局最优控制,又可以提高控制策略的可靠性(学习最优控制曲线)。融合开环控制策略、闭环控制策略和学习模型得到的控制策略的信息,还可以提高运行控制的反应能力,快速给出控制信号。
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤三中,判定采用基于深度学习方法的复杂管道开环控制策略还是采用基于深度学习方法的复杂管道闭环控制策略的具体步骤包括:
定义以下切换函数:
其中,Pe1,Pe2是切换函数权值,为预先设定的管道位置的流量值或是管道段内的流量值,为预先设定的管道位置的压力值或是管道段内的压力值,qi表示管网中第i个流量计测得的流量值,i∈[1,M],pj表示管网中第j个压力表测得的压力值,j∈[1,N],M为管网中流量计的个数,N为管网中压力表的个数;
一般来说,开环控制策略的稳定性要比闭环控制策略差,而计算复杂度要比闭环控制策略小。因此,在管道运行过程中,我们要对复杂管道的不同工况采取不同的控制策略。计算公式(1)得到的切换值W,当W≤Wcha,说明管道运行的工况变化不是很大,如用户对水的一些需求或是不严重的水力震荡,则采用开环控制策略,当W>Wcha,说明管道运行的工况变化非常不稳定,如严重的水锤产生时,则采用闭环控制策略;Wcha为设定的切换阀值。
其他步骤及参数与具体实施方式一相同。
具体实施方式三:如图4所示,本实施方式与具体实施方式一不同的是:步骤四一中,复杂管道开环控制策略的具体步骤包括:
A1、从复杂管道的机理模型出发,建立面向控制的时空演化模型,给出边界阀门,并写入管道时空演化模块中;
A2、设定复杂管道开环控制的性能指标,并将其写入开环控制的性能指标模块;
A3、在开环控制的协态模块中引入拉格朗日函数λ(l,t),μ(l,t),得到增广的开环控制性能指标并通过变分方法得到开环控制的协态模型,将开环控制的协态模型写入开环控制的协态模块,得到的梯度形式写入开环控制梯度模块;
A4、通过时间正向计算管道时空演化模块,时间反向计算开环控制的协态模块,从而得到开环控制的梯度模块数值;然后,在系统中调用基于梯度的MATLAB软件并根据给定的一个合理的控制序列初始猜测值,迭代得到开环控制的控制曲线。
时空演化模块、性能指标模块、协态模块、梯度模块都属于自动化优化控制领域中的概念。时空演化模块:根据采集的压力值和流量值,演化(计算)未来一段时间内,管道内的压力和流量变化情况的模块。性能指标模块:表示演化的压力和流量值与期望的压力和流量值之间的差距(用积分值表示)的模块。协态模块:计算未来一段时间内的拉格朗日函数变化情况的模块。梯度模块:根据时空演化模块和协态模块所计算出的未来一段时间内的管道内压力和流量变化情况以及拉格朗日函数变化情况,得到梯度数值的模块;
其他步骤及参数与具体实施方式一相同。
具体实施方式四:如图5所示,本实施方式与具体实施方式一不同的是步骤四一中,复杂管道闭环控制策略的具体步骤包括:
B1、设计管道的边界闭环控制形式,即边界流量的反馈形式;通过压力全状态反馈,设计带有参数优化的边界流量反馈控制;
B2、设定复杂管道闭环控制的性能指标,并将其写入闭环控制的性能指标模块;
B3、在闭环控制的协态模块中引入拉格朗日函数α(l,t),β(l,t),得到增广的闭环控制性能指标并通过变分方法得到闭环控制的协态模型,将闭环控制的协态模型写入闭环控制的协态模块,得到的梯度形式写入闭环控制梯度模块;
B4、通过时间正向计算管道时空演化模块,时间反向计算闭环控制的协态模块,得到闭环控制的梯度模块数值;然后,在系统中调用基于梯度的MATLAB软件并根据给定性能参数的一组初始猜测值,迭代得到最优性能参数值,将最优性能参数值代入B1步骤的闭环控制形式,得到闭环的控制曲线。
其他步骤及参数与具体实施方式一相同。
具体实施方式五:本实施方式与具体实施方式三不同的是步骤A1具体步骤包括:
步骤A11、在系统中设定管道时空演化模型。常规的管道是牛顿流体,在连续介质假设成立的条件下,流体仍从质量守恒和动量守恒两个角度描述不可压缩牛顿流体的流动得到管道时空演化模型为:
其中,l∈[0,L],t∈[0,T],l是空间变量,单位为米;t是时间变量,单位为秒;L是管道总长度,单位为米;T是管道运行控制的时间,单位为秒;p是管内压降,单位为帕斯卡;q是管内流体流量,单位为立方米/秒;S是管道截面积,单位为平方米;D是管道直径,单位为米;c表示波速,单位为米/秒;ρ指的是流体密度,单位为千克/立方米;f为达西-威斯巴哈摩阻系数;
步骤A12、所述时空演化模型的边界条件为:
p(0,t)=P,q(L,t)=u(t) (4)
q(l,0)=Q0,p(l,0)=P0 (5)
其中,P是水源1(水库)或泵4(泵站、恒压泵)产生的压力,u(t)是管道网络中阀门3的流量调节量,即,边界阀门;Q0是当前流量,P0是当前压力,可以通过SCADA系统实时监测到;
步骤A13、将公式(2)-(5)写入管道时空演化模块中。
其他步骤及参数与具体实施方式三相同。
具体实施方式六:本实施方式与具体实施方式五不同的是步骤A2中复杂管道开环控制的性能指标为:
系统的性能指标模块,此性能指标的含义就是让管道的压力和流量达到指定的数值,从而满足运行控制的要求。设定复杂管道开环控制的性能指标J为:
Qtar为期望的管道位置的流量值或是管道段内的流量值,Ptar为期望的管道位置的压力值,为期望的管道段内的压力值,ω1,ω2,ω3分别代表开环控制性能指标权值;公式(6)的含义就是管道在运行过程中的压力和流量能平稳在期望的压力值和期望的流量值附近。比如,在管道运行过程中的水力震荡,会造成较大的压力波动和压力冲击。通过边界阀门执行器的相应控制,把管道内的压力抑制在正常运行时的压力附近,即,使J尽可能小。不仅能减少对管道压力的冲击和波动,还能让管道尽快的恢复健康的运行之中。又比如,在管道运行过程中,希望某个管段或某个位置的压力和流量能得到指定数量,以此来满足用户对流体资源的需求。
其他步骤及参数与具体实施方式五相同。
具体实施方式七:本实施方式与具体实施方式六不同的是步骤A3具体步骤包括:
步骤A31、在开环控制的协态模块中引入拉格朗日函数λ(l,t)、μ(l,t),得到增广的开环控制性能指标δJ并通过变分方法得到式(7):
为了使开环控制策略的设计达到最优的理想状态,δq(l,T),δp(l,T),δq(0,t),δq,δp,δp(L,t)前面的表达式必须为零,即,λ(l,T)、μ(l,T)、μ(0,t)、为0,由此,得到开环控制的协态模型:
协态模型的边界条件:
协态模型的终端条件:
μ(l,T)=λ(l,T)=0 (10)
步骤A32、得到开环控制策略边界控制的梯度形式:
其中,tn是第n个离散时间;
步骤A33、将(8)-(10)的协态模型写入开环控制的协态模块,所述梯度形式(11)写入开环控制梯度模块。
其他步骤及参数与具体实施方式六相同。
具体实施方式八:本实施方式与具体实施方式四不同的是步骤B1中管道的边界闭环控制形式如下:
其中,l∈[0,L],t∈[0,T],l是空间变量,t是时间变量,L是管道总长度,T是管道运行控制的时间,p是管内压降,u(t)是管道网络中阀门的流量调节量,q是管内流体流量,θ=[θ1 θ2 θ3]是性能参数,θ1,θ2,θ3为θ的元素。此边界控制的物理意义就是边界控制量通过管道压力状态来设计反馈。
其他步骤及参数与具体实施方式四相同。
具体实施方式九:本实施方式与具体实施方式八不同的是步骤B2中闭环控制的性能指标如下:
其中,Ptar为期望的管道位置的压力信息,为期望的管道段内的压力信息;闭环控制总的性能指标G=G1+G2,γ1,γ2,γ3分别代表闭环控制性能指标的权值。
其他步骤及参数与具体实施方式八相同。
具体实施方式十:本实施方式与具体实施方式九不同的是步骤B3具体步骤包括:
步骤B31、在闭环控制的协态模块中引入拉格朗日函数α(l,t),β(l,t),并对G2利用变分得到增广的闭环控制性能指标如下公式:
是代表运算符,即S是管道截面积,c表示波速,ρ指的是流体密度,f为达西-威斯巴哈摩阻系数;
对公式(12)求导得
为了使闭环控制策略的设计达到最优的理想状态,δq(l,T),δp(l,T),δq(0,t),δq,δp,δp(L,t)前面的表达式必须为零,即,α(l,T)、β(l,T)、β(0,t)、 为零;由此,得到闭环控制的协态模型:
协态模块的边界条件:
协态模块的终端条件:
β(l,T)=α(l,T)=0 (19)
步骤B32、得到边界控制的梯度形式:
步骤B33、将公式(17)~公式(19)写入闭环控制的协态模块,公式(16)、(20)写入闭环控制的梯度模块。
其他步骤及参数与具体实施方式九相同。
实施例
本实施例采用国内成熟的管道健康系统SCADA(数据采集与监视控制系统)实时监测整个复杂管道网络的运行状况,如图1、图2,复杂管道网络由水源1(水库)、流量计2、压力表5、泵4(泵站)、阀门3等组成。对于管道网络中的每段管道,建立面向控制的复杂管道模型。
针对不同的管道运行工况,采用基于深度学习方法的开环控制和闭环控制相结合的控制策略,完成管道控制设计。对于开环控制设计,结合协态方法,计算面向控制的管道模型和协态模型,完成主动控制策略设计。对于闭环控制设计,结合内核优化的反步设计方法,采用全状态反馈策略。然后,用特征线法(Method of characteristics一种基于特征理论的求解双曲型偏微分方程组的似方法)和自适应的线离散法(Method of lines)分别求解管道时空演化模型与协态方程模型以提高计算效率和计算的收敛性。最后,协同完成复杂管网的健康运行控制。
本实施例侧重管道运行以下两类工况,也是管道运行中比较常见的工况:
1)通过合理的优化调度策略,可以使复杂管道在稳定工作的条件下,减少泵、阀门等执行元件不必要的动作,从而减少复杂管道运行过程中的能源消耗,增加整个系统的可靠运行时间。即减少管道能耗的有力保障。如一般用户对管道中的资源的需求。
2)不计管道网络中的运输成本,消除管道的一些危害,主要针对管道的突然情况。比如管道中严重的水锤效应抑制。在压力管流中因流速剧烈变化引起动量转换,从而在管道中产生一系列急骤的压力交替变化的水力撞机现象,极大破坏管道的健康运行。因此现象产生时,要不惜代价尽力去消除。
根据经验,在水力震荡发生时,开环控制性能指标权值我们采用ω1=0,ω2=10,ω3=5;在用户对流体资源需求时,我们可采用ω1=10000,ω2=1,ω3=0。
试验在100小时内模拟进行600次用户对流体资源的复杂变更,本发明的方法能有效的完成复杂管道网络的运行控制,管道网络可靠运行时间为100小时、没有产生安全问题、能源消耗相比现有方法减少12%。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.基于深度学习的复杂管道运行控制方法,其特征在于,所述控制方法具体包括以下步骤:
步骤一、在SCADA系统中建立面向控制的复杂管道模型;
步骤二、SCADA系统根据实时监测到的复杂管网的流量信息、压力信息、阀门以及泵的运行信息,结合用户或工业上对管道的需求,确定需要运行控制的管网的位置或管段;
步骤三、根据步骤二中获得的需要运行控制的位置或管段上的流量和压力信息,判定采用基于深度学习方法的复杂管道开环控制策略还是采用基于深度学习方法的复杂管道闭环控制策略;
步骤四、根据步骤三中的判定结果执行基于深度学习方法的开环控制策略或者基于深度学习方法的闭环控制策略;
本步骤的执行过程具体包括:
步骤四一、执行复杂管道开环控制策略或者复杂管道闭环控制策略;
步骤四二、进行深度学习:进行复杂管道开环控制策略或复杂管道闭环控制策略过程中初始猜测值和控制曲线的学习;
步骤五、融合开环控制策略、闭环控制策略和学习得到的控制策略的信息,协调完成复杂管网的运行控制。
2.根据权利要求1所述基于深度学习的复杂管道运行控制方法,其特征在于,步骤三中,判定采用基于深度学习方法的复杂管道开环控制策略还是采用基于深度学习方法的复杂管道闭环控制策略的具体步骤包括:
定义以下切换函数:
<mrow>
<mi>W</mi>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>e</mi>
<mn>1</mn>
</mrow>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>Q</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>t</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>e</mi>
<mn>2</mn>
</mrow>
</msub>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>P</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>t</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Pe1,Pe2是切换函数权值,为预先设定的管道位置的流量值或是管道段内的流量值,为预先设定的管道位置的压力值或是管道段内的压力值,qi表示管网中第i个流量计测得的流量值,i∈[1,M],pj表示管网中第j个压力表测得的压力值,j∈[1,N],M为管网中流量计的个数,N为管网中压力表的个数;
计算公式(1)得到的切换值W,当W≤Wcha,则采用开环控制策略,当W>Wcha,则采用闭环控制策略;Wcha为设定的切换阀值。
3.根据权利要求1所述基于深度学习的复杂管道运行控制方法,其特征在于,步骤四一中,复杂管道开环控制策略的具体步骤包括:
A1、建立面向控制的时空演化模型,给出边界阀门,并写入管道时空演化模块中;
A2、设定复杂管道开环控制的性能指标,并将其写入开环控制的性能指标模块;
A3、在开环控制的协态模块中引入拉格朗日函数λ(l,t),μ(l,t),得到增广的开环控制性能指标并通过变分方法得到开环控制的协态模型,将开环控制的协态模型写入开环控制的协态模块,得到的梯度形式写入开环控制梯度模块;
A4、通过时间正向计算管道时空演化模块,时间反向计算开环控制的协态模块,从而得到开环控制的梯度模块数值;然后,调用基于梯度的MATLAB软件并根据给定的一控制序列初始猜测值,迭代得到开环控制的控制曲线。
4.根据权利要求1所述基于深度学习的复杂管道运行控制方法,其特征在于,步骤四一中,复杂管道闭环控制策略的具体步骤包括:
B1、设计管道的边界闭环控制形式,即边界流量的反馈形式;通过压力全状态反馈,设计带有参数优化的边界流量反馈控制;
B2、设定复杂管道闭环控制的性能指标,并将其写入闭环控制的性能指标模块;
B3、在闭环控制的协态模块中引入拉格朗日函数α(l,t),β(l,t),得到增广的闭环控制性能指标并通过变分方法得到闭环控制的协态模型,将闭环控制的协态模型写入闭环控制的协态模块,得到的梯度形式写入闭环控制梯度模块;
B4、通过时间正向计算管道时空演化模块,时间反向计算闭环控制的协态模块,得到闭环控制的梯度模块数值;然后,调用基于梯度的MATLAB软件并根据给定性能参数的一组初始猜测值,迭代得到最优性能参数值,将最优性能参数值代入B1步骤的闭环控制形式,得到闭环的控制曲线。
5.根据权利要求3所述基于深度学习的复杂管道运行控制方法,其特征在于,步骤A1具体步骤包括:
步骤A11、设定管道时空演化模型:
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>t</mi>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mi>S</mi>
<mi>&rho;</mi>
</mfrac>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>l</mi>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mn>2</mn>
<mi>D</mi>
<mi>S</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>t</mi>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msup>
<mi>&rho;c</mi>
<mn>2</mn>
</msup>
</mrow>
<mi>S</mi>
</mfrac>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>l</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,l∈[0,L],t∈[0,T],l是空间变量,t是时间变量,L是管道总长度,T是管道运行控制的时间,p是管内压降,q是管内流体流量,S是管道截面积,D是管道直径,c表示波速,ρ指的是流体密度,f为达西-威斯巴哈摩阻系数;
步骤A12、所述时空演化模型的边界条件为:
p(0,t)=P,q(L,t)=u(t) (4)
q(l,0)=Q0,p(l,0)=P0 (5)
其中,P是水库或恒压泵产生的压力,u(t)是管道网络中阀门的流量调节量,即,边界阀门;Q0是当前流量,P0是当前压力;
步骤A13、将公式(2)-(5)写入管道时空演化模块中。
6.根据权利要求5所述基于深度学习的复杂管道运行控制方法,其特征在于,步骤A2中复杂管道开环控制的性能指标为:
设定复杂管道开环控制的性能指标:
Qtar为期望的管道位置的流量值或是管道段内的流量值,Ptar为期望的管道位置的压力值,为期望的管道段内的压力值,ω1,ω2,ω3分别代表开环控制性能指标权值;通过边界阀门执行器的相应控制,使J最小。
7.根据权利要求6所述基于深度学习的复杂管道运行控制方法,其特征在于,步骤A3具体步骤包括:
步骤A31、在开环控制的协态模块中引入拉格朗日函数λ(l,t)、μ(l,t),得到增广的开环控制性能指标δJ并通过变分方法得到式(7):
由此,得到开环控制的协态模型:
协态模型的边界条件:
<mrow>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mi>&lambda;</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mi>&rho;</mi>
<mfrac>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>&omega;</mi>
<mn>3</mn>
</msub>
</mfrac>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>(</mo>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
协态模型的终端条件:
μ(l,T)=λ(l,T)=0 (10)
步骤A32、得到开环控制策略边界控制的梯度形式:
<mrow>
<mfrac>
<mrow>
<mi>d</mi>
<mi>J</mi>
</mrow>
<mrow>
<mi>d</mi>
<mi>u</mi>
</mrow>
</mfrac>
<msub>
<mo>|</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<msub>
<mi>t</mi>
<mi>n</mi>
</msub>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mn>3</mn>
</msub>
<msup>
<mi>&rho;c</mi>
<mn>2</mn>
</msup>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>t</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,tn是第n个离散时间;
步骤A33、将(8)-(10)的协态模型写入开环控制的协态模块,所述梯度形式(11)写入开环控制梯度模块。
8.根据权利要求4所述基于深度学习的复杂管道运行控制方法,其特征在于,步骤B1中管道的边界闭环控制形式如下:
<mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>L</mi>
</msubsup>
<mo>{</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<mi>l</mi>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<msup>
<mi>l</mi>
<mn>2</mn>
</msup>
<mo>}</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>l</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,l∈[0,L],t∈[0,T],l是空间变量,t是时间变量,L是管道总长度,T是管道运行控制的时间,p是管内压降,u(t)是管道网络中阀门的流量调节量,q是管内流体流量,θ=[θ1 θ2 θ3]是性能参数,θ1,θ2,θ3为θ的元素。
9.根据权利要求8所述基于深度学习的复杂管道运行控制方法,其特征在于,步骤B2中闭环控制的性能指标如下:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msub>
<mi>&gamma;</mi>
<mn>3</mn>
</msub>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>L</mi>
</msubsup>
<msup>
<mrow>
<mo>{</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<mi>l</mi>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<msup>
<mi>l</mi>
<mn>2</mn>
</msup>
<mo>}</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>l</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msub>
<mi>&gamma;</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</msup>
<mi>L</mi>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<msup>
<mi>L</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mn>2</mn>
<mn>3</mn>
</mfrac>
<msup>
<mi>L</mi>
<mn>3</mn>
</msup>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<mfrac>
<msup>
<mi>L</mi>
<mn>4</mn>
</msup>
<mn>2</mn>
</mfrac>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<mfrac>
<msup>
<mi>L</mi>
<mn>3</mn>
</msup>
<mn>3</mn>
</mfrac>
<msup>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<msup>
<mi>L</mi>
<mn>5</mn>
</msup>
<mn>5</mn>
</mfrac>
<msup>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Ptar为期望的管道位置的压力值,为期望的管道段内的压力值;闭环控制总的性能指标G=G1+G2,γ1,γ2,γ3分别代表闭环控制性能指标的权值。
10.根据权利要求9所述基于深度学习的复杂管道运行控制方法,其特征在于,步骤B3具体步骤包括:
步骤B31、在闭环控制的协态模块中引入拉格朗日函数α(l,t),β(l,t),并对G2利用变分得到增广的闭环控制性能指标如下公式:
是代表运算符,即S是管道截面积,c表示波速,ρ指的是流体密度,f为达西-威斯巴哈摩阻系数;
对公式(12)求导得
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>dG</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>d&theta;</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msub>
<mi>&gamma;</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mi>L</mi>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<msup>
<mi>L</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mn>2</mn>
<mn>3</mn>
</mfrac>
<msup>
<mi>L</mi>
<mn>3</mn>
</msup>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>dG</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>d&theta;</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msub>
<mi>&gamma;</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msup>
<mi>L</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<msup>
<mi>L</mi>
<mn>4</mn>
</msup>
<mn>2</mn>
</mfrac>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mn>2</mn>
<msup>
<mi>L</mi>
<mn>3</mn>
</msup>
</mrow>
<mn>3</mn>
</mfrac>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>dG</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>d&theta;</mi>
<mn>3</mn>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msub>
<mi>&gamma;</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mfrac>
<mn>2</mn>
<mn>3</mn>
</mfrac>
<msup>
<mi>L</mi>
<mn>3</mn>
</msup>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mfrac>
<msup>
<mi>L</mi>
<mn>4</mn>
</msup>
<mn>2</mn>
</mfrac>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mn>2</mn>
<msup>
<mi>L</mi>
<mn>5</mn>
</msup>
</mrow>
<mn>5</mn>
</mfrac>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
由此,得到闭环控制的协态模型:
协态模块的边界条件:
<mrow>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>&gamma;</mi>
<mn>1</mn>
</msub>
<mi>&rho;</mi>
</mrow>
<msub>
<mi>&gamma;</mi>
<mn>2</mn>
</msub>
</mfrac>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>(</mo>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>18</mn>
<mo>)</mo>
</mrow>
</mrow>
协态模块的终端条件:
β(l,T)=α(l,T)=0 (19)
步骤B32、得到边界控制的梯度形式:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>dG</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>d&theta;</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<msub>
<mi>&gamma;</mi>
<mn>2</mn>
</msub>
<msup>
<mi>&rho;c</mi>
<mn>2</mn>
</msup>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>T</mi>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>L</mi>
</msubsup>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>l</mi>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>dG</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>d&theta;</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<msub>
<mi>&gamma;</mi>
<mn>2</mn>
</msub>
<msup>
<mi>&rho;c</mi>
<mn>2</mn>
</msup>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>T</mi>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>L</mi>
</msubsup>
<mi>l</mi>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>l</mi>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>dG</mi>
<mn>3</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>d&theta;</mi>
<mn>3</mn>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<msub>
<mi>&gamma;</mi>
<mn>2</mn>
</msub>
<msup>
<mi>&rho;c</mi>
<mn>2</mn>
</msup>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>T</mi>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>L</mi>
</msubsup>
<msup>
<mi>l</mi>
<mn>2</mn>
</msup>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>l</mi>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>20</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤B33、将公式(17)~公式(19)写入闭环控制的协态模块,公式(16)、(20)写入闭环控制的梯度模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711124821.6A CN107885085B (zh) | 2017-11-14 | 2017-11-14 | 基于深度学习的复杂管道运行控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711124821.6A CN107885085B (zh) | 2017-11-14 | 2017-11-14 | 基于深度学习的复杂管道运行控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107885085A true CN107885085A (zh) | 2018-04-06 |
CN107885085B CN107885085B (zh) | 2020-07-31 |
Family
ID=61776685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711124821.6A Active CN107885085B (zh) | 2017-11-14 | 2017-11-14 | 基于深度学习的复杂管道运行控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107885085B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876016A (zh) * | 2018-05-30 | 2018-11-23 | 燕山大学 | 一种多阶段多目标给水管网优化分区方法 |
CN110569541A (zh) * | 2019-08-01 | 2019-12-13 | 天津大学 | 管道水锤分析方法 |
CN114496209A (zh) * | 2022-02-18 | 2022-05-13 | 青岛市中心血站 | 一种献血智能决策方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1249742A1 (de) * | 2001-04-09 | 2002-10-16 | Siemens Aktiengesellschaft | Verfahren zur Regelung des Durchflusses durch eine Leitung sowie Regeleinrichtung zur Durchführung des Verfahrens |
US20030105536A1 (en) * | 2001-12-04 | 2003-06-05 | Eastman Kodak Company | Open and closed loop flow control system and method |
CN103605837A (zh) * | 2013-11-04 | 2014-02-26 | 河南理工大学 | 多热源环状管网可及性分析判定方法及其改善方法 |
CN104166344A (zh) * | 2014-05-12 | 2014-11-26 | 中国石油大学(华东) | 基于自适应动态规划的天然气管网运行调控方法 |
CN106485325A (zh) * | 2016-10-11 | 2017-03-08 | 天津大学 | 基于复杂网络和深度学习的两相流多元信息融合法及应用 |
CN106678546A (zh) * | 2017-01-05 | 2017-05-17 | 中国石油大学(华东) | 一种天然气管道离心压缩机出口压力控制方法及系统 |
CN106842947A (zh) * | 2017-02-28 | 2017-06-13 | 杭州电子科技大学 | 一种城市排水管网的安全运行控制方法 |
-
2017
- 2017-11-14 CN CN201711124821.6A patent/CN107885085B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1249742A1 (de) * | 2001-04-09 | 2002-10-16 | Siemens Aktiengesellschaft | Verfahren zur Regelung des Durchflusses durch eine Leitung sowie Regeleinrichtung zur Durchführung des Verfahrens |
US20030105536A1 (en) * | 2001-12-04 | 2003-06-05 | Eastman Kodak Company | Open and closed loop flow control system and method |
CN103605837A (zh) * | 2013-11-04 | 2014-02-26 | 河南理工大学 | 多热源环状管网可及性分析判定方法及其改善方法 |
CN104166344A (zh) * | 2014-05-12 | 2014-11-26 | 中国石油大学(华东) | 基于自适应动态规划的天然气管网运行调控方法 |
CN106485325A (zh) * | 2016-10-11 | 2017-03-08 | 天津大学 | 基于复杂网络和深度学习的两相流多元信息融合法及应用 |
CN106678546A (zh) * | 2017-01-05 | 2017-05-17 | 中国石油大学(华东) | 一种天然气管道离心压缩机出口压力控制方法及系统 |
CN106842947A (zh) * | 2017-02-28 | 2017-06-13 | 杭州电子科技大学 | 一种城市排水管网的安全运行控制方法 |
Non-Patent Citations (5)
Title |
---|
TEHUAN CHENA,ECT.: "Optimal boundary control for water hammer suppression in fluid transmission pipelines", 《ELSEVIER LTD.》 * |
孟丽莉: "SCADA监测技术应用于大型复杂供水管网系统模拟的研究", 《万方数据库在线》 * |
张晔明等: "基于人工神经网络的供水管网压力管理探索", 《净水技术》 * |
游庆元等: "管网压力控制模型的建模检验与应用", 《供水技术》 * |
陈特欢: "管线流动最优控制计算研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876016A (zh) * | 2018-05-30 | 2018-11-23 | 燕山大学 | 一种多阶段多目标给水管网优化分区方法 |
CN108876016B (zh) * | 2018-05-30 | 2021-10-01 | 燕山大学 | 一种多阶段多目标给水管网优化分区方法 |
CN110569541A (zh) * | 2019-08-01 | 2019-12-13 | 天津大学 | 管道水锤分析方法 |
CN114496209A (zh) * | 2022-02-18 | 2022-05-13 | 青岛市中心血站 | 一种献血智能决策方法及系统 |
CN114496209B (zh) * | 2022-02-18 | 2022-09-27 | 青岛市中心血站 | 一种献血智能决策方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107885085B (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657031B (zh) | 基于数字孪生的供热调度自动化实现方法、系统及平台 | |
CN107885085B (zh) | 基于深度学习的复杂管道运行控制方法 | |
Zhang et al. | Sensitivity analysis and optimal operation control for large-scale waterflooding pipeline network of oilfield | |
CN108469744B (zh) | 一种建立核电机组蒸汽发生器机理模型的方法及其系统 | |
CN107420743A (zh) | 一种智能城市燃气pe管网测控系统及测控方法 | |
CN101907541B (zh) | 一种管道试压装置 | |
Glovatsky et al. | Estimation of the forecast of pump ready rate for reclamation systems | |
CN110765622A (zh) | 一种天然气管道模型的能流获取系统、设备及介质 | |
Miao et al. | Vibration reduction control of in-pipe intelligent isolation plugging tool based on deep reinforcement learning | |
Feng et al. | Speed control of pipeline inner detector based on interval dynamic matrix control with additional margin | |
CN104331539B (zh) | 一种核电站管道热分层效应疲劳评价方法及系统 | |
Topalov et al. | Information System for Automatic Planning of Liquid Ballast Distribution. | |
Liu et al. | Predictive zone control of pressure management for water supply network systems | |
AU2019383474A1 (en) | System and method for autonomous operation of pipeline and midstream facility systems | |
Bermúdez et al. | Optimal control in a pipeline coupled to a pressure reducing valve for pressure management and leakage reduction | |
Liu et al. | Wiener model of pressure management for water distribution network | |
CN110965610B (zh) | 一种基于mpc控制的双路调峰设备 | |
CN105840474B (zh) | 基于流体输送管路工艺及设备重组的机泵节能方法 | |
Mazouz et al. | Analysis of The Simulation of The Water Supply Network of The New City of Guelma by Epanet | |
CN105095539A (zh) | 含括蒸汽直管的蒸汽动力系统优化方法及系统 | |
Xu et al. | Research on pressure optimization effect of high level water tank by drinking water network hydraulic model | |
CN116484769B (zh) | 一种超大口径轴流止回蝶阀流体动力分析方法及系统 | |
CN112749469A (zh) | 原油管道监控方法和装置、计算机可读存储介质 | |
Han et al. | Optimal design and analysis of lubricating oil system in marine nuclear power based on adaptive genetic algorithm | |
CN108733097B (zh) | 一种并联多排管供水管网水击压力控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |