CN114091723A - 基于交叉熵理论的天然气管网供气可靠性检测方法及装置 - Google Patents
基于交叉熵理论的天然气管网供气可靠性检测方法及装置 Download PDFInfo
- Publication number
- CN114091723A CN114091723A CN202111178060.9A CN202111178060A CN114091723A CN 114091723 A CN114091723 A CN 114091723A CN 202111178060 A CN202111178060 A CN 202111178060A CN 114091723 A CN114091723 A CN 114091723A
- Authority
- CN
- China
- Prior art keywords
- pipe network
- natural gas
- gas supply
- demand
- gas pipe
- 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.)
- Pending
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 272
- 239000007789 gas Substances 0.000 title claims abstract description 179
- 239000003345 natural gas Substances 0.000 title claims abstract description 136
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 75
- 230000007704 transition Effects 0.000 claims abstract description 70
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 63
- 238000012546 transfer Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012512 characterization method Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 9
- 238000012952 Resampling Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 239000000872 buffer Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Public Health (AREA)
Abstract
一种基于交叉熵理论的天然气管网供气可靠性检测方法及装置，所述方法包含：根据目标天然气管网的需求侧分析获得用户需求预测和用户分级结果；根据历史失效数据库对目标天然气管网的预设区域进行可靠性评估获得系统状态转移模拟的输入数据；根据所述输入数据通过基于交叉熵的时序蒙特卡洛方法对目标天然气管网状态转移过程进行模拟，获得时序状态转移序列；根据各需求点所含用户的用气特性和所述时序状态转移序列计算结果获得状态转移后目标天然气管网的供气量；根据所述用户需求预测结果和所述供气量分析获得目标天然气管网的供气可靠性检测数据。
Description
技术领域
本发明涉及天然气管网维护领域，尤指一种基于交叉熵理论的天然气管网供气可靠性检测方法及装置。
背景技术
系统运行状态的随机过程模拟和各种运行状态下供气量计算是天然气管网供气可靠性研究的关键。序贯蒙特卡洛模拟由于能够给出与时间密切相关的系统可靠性指 标的无偏估计，常被用于系统可靠性评价中系统状态转移的模拟。然而，天然气管网 庞大的状态空间、时变非线性的运行状态变化以及大时滞、非线性的系统特性，决定 了传统的序贯蒙特卡洛方法在求解天然气管网供气可靠性中存在着速度瓶颈。而对于 管网供气量计算，则主要采用最大流方法、稳态水力仿真和离线水力数据库等途径， 但均未充分考虑天然气需求的波动特征以及用户重要度的影响。
基于此，本研究提出了一种基于交叉熵理论的大型、复杂天然气管网供气可靠性检测方法及装置以弥补已有研究的不足。
发明内容
本发明目的在于提供一种基于交叉熵理论的天然气管网供气可靠性检测方法及装置，对天然气管网的可靠性进行有效评估和检测。
为达上述目的，本发明提供了一种基于交叉熵理论的天然气管网供气可靠性检测方法，所述方法包含：根据目标天然气管网的需求侧分析获得用户需求预测和用户分 级结果；根据历史失效数据库对目标天然气管网的预设区域进行可靠性评估获得系统 状态转移模拟的输入数据；根据所述输入数据通过基于交叉熵的时序蒙特卡洛方法对 目标天然气管网状态转移过程进行模拟，获得时序状态转移序列；根据各需求点所含 用户的用气特性和所述时序状态转移序列计算结果获得状态转移后目标天然气管网 的供气量；根据所述用户需求预测的结果、所述用户分级结果和所述供气量分析获得 目标天然气管网的供气可靠性检测数据。
在上述基于交叉熵理论的天然气管网供气可靠性检测方法中，优选的，所述方法还包含：基于供气可靠性定义，根据气量和时间两个维度构建天然气管网的供气可靠 性表征函数；根据所述用户需求预测的结果获得目标天然气管网的需求量，根据所述 需求量、所述用户分级结果中的用户特性数据和所述供气量通过所述供气可靠性表征 函数计算获得目标天然气管网的供气可靠性检测数据。
在上述基于交叉熵理论的天然气管网供气可靠性检测方法中，优选的，根据气量和时间两个维度构建天然气管网的供气可靠性表征函数包含：根据时间维度构建供气 可靠性表征函数包含：
根据气量维度构建供气可靠性表征函数包含：
在上式中，上标i表示管网中第i个需求点，LODEi，LODPi，EGNSi和ERNSi分别代表第i个需求点的时间期望值、时间概率、气量期望值和削减量占需求总量的 比值，下标j表示第j次模拟，N为总的模拟次数，T为任务时间，Ci(t)表示管网系统 在第t天不能满足需求的程度，其计算公式为
Xi(t)和Di(t)分 别是第t天天然气管网供给第i个需求点的供气量以及第i个需求点的需求量。
在上述基于交叉熵理论的天然气管网供气可靠性检测方法中，优选的，根据目标天然气管网的需求侧分析获得用户需求预测结果包含：根据目标天然气管网的需求侧 分析获取用户的用气特性，采用时间序列模型、支持向量机和长短期记忆人工神经网 络模型中的一种构建用气需求预测模型。
在上述基于交叉熵理论的天然气管网供气可靠性检测方法中，优选的，根据目标天然气管网的需求侧分析获得用户分级结果：基于用户用气数据，采用气量、波动和 用气习惯指标分析用户用气特性，确定各用户需求保障属性；根据各用户需求保障属 性将用户分为完全保障用户，可少量压减用户、可压减用户和可中断用户。
在上述基于交叉熵理论的天然气管网供气可靠性检测方法中，优选的，通过基于交叉熵的时序蒙特卡洛方法对管网的状态转移过程进行抽样，获得时序状态转移序列 还包含：通过寻优算法获取单元重采样畸变转移率；根据重采样畸变转移率对状态转 移过程中系统运行状态进行随机模拟，通过所述概率密度抽样状态转移过程获得时序 状态转移序列。
在上述基于交叉熵理论的天然气管网供气可靠性检测方法中，优选的，根据各需求点所含用户的用气特性和所述时序状态转移序列计算结果获得状态转移后目标天 然气管网的供气量包含：根据目标天然气管网的拓扑结构和用户用气特性构建管网供 气目标函数、管网流量约束函数、管网压力约束函数和管网水力约束函数；根据所述 管网供气目标函数、所述管网流量约束函数、所述管网压力约束函数和所述管网水力 约束函数，并考虑失效对管网供气能力影响计算获得管网流量分配数据，即状态转移 后目标天然气管网的供气量。
本发明还提供一种基于交叉熵理论的天然气管网供气可靠性检测装置，所述装置包含市场需求分析模块、单元可靠性估计模块、状态转移模拟模块、供气量计算模块 和检测分析模块；所述市场需求分析模块用于根据目标天然气管网的需求侧分析获得 用户需求预测和用户分级结果；所述单元可靠性估计模块用于根据历史失效数据库对 目标天然气管网的预设区域进行可靠性评估获得系统状态转移模拟的输入数据；所述 状态转移模拟模块用于根据所述输入数据通过基于交叉熵的时序蒙特卡洛方法对目 标天然气管网状态转移过程进行模拟，获得时序状态转移序列；所述供气量计算模块 用于根据各需求点的用气特性和所述时序状态转移序列计算结果获得状态转移后目 标天然气管网的供气量；所述检测分析模块用于根据所述用户需求预测的结果、所述 用户分级结果和所述供气量分析获得目标天然气管网的供气可靠性检测数据。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
本发明的有益技术效果在于：基于现场提供的基础资料，获取天然气管网的拓扑结构图以及管道和压缩机单元的失效和维修数据，基于交叉熵的时序蒙特卡洛方法对 目标天然气管网状态转移过程进行快速模拟，确定任务时间内管网的时序状态转移序 列；再结合考虑用户特性和水力计算的管网供气量计算模型，实现管网供气可靠性的 评价，并识别供气薄弱点和关键环节以及提出应急状态下的流量分配方案和供气可靠 性增强措施。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1为本发明一实施例所提供的基于交叉熵理论的天然气管网供气可靠性检测方法的流程示意图；
图2为本发明一实施例所提供的基于交叉熵理论的天然气管网供气可靠性检测方法的原理示意图；
图3为本发明一实施例所提供的供气可靠性检测数据的计算流程示意图；
图4为本发明一实施例所提供的状态转移核示意图；
图5为本发明一实施例所提供的系统状态转移示意图；
图6为本发明一实施例所提供的目标天然气管网的供气量的计算流程示意图；
图7为本发明一实施例所提供的基于交叉熵理论的天然气管网供气可靠性检测装置的结构示意图；
图8为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要 说明的是，只要不构成冲突，本发明中的各个实施例及各实施例中的各个特征可以相 互结合，所形成的技术方案均在本发明的保护范围之内。
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同 于此处的顺序执行所示出或描述的步骤。
请参考图1所示，本发明提供了一种基于交叉熵理论的天然气管网供气可靠性检测方法，所述方法包含：
S101：根据目标天然气管网的需求侧分析获得用户需求预测和用户分级结果
S102：根据历史失效数据库对目标天然气管网的预设区域进行可靠性评估获得系统状态转移模拟的输入数据
S103：根据所述输入数据，通过基于交叉熵的时序蒙特卡洛方法对目标天然气管网状态转移过程进行模拟，获得时序状态转移序列
S104：根据各需求点所含用户的用气特性和所述时序状态转移序列计算结果获得状态转移后目标天然气管网的供气量；
S105：根据所述用户需求预测的结果、所述用户分级结果和所述供气量分析获得目标天然气管网的供气可靠性检测数据。
在上述实施例中，本发明所提供的天然气管网供气可靠性检测方法的原理流程主要如下：首先是提出量化天然气管网供气可靠性的指标；其次是基于需求侧分析，获 取天然气需求量的预测值并确定用户特性和用户级别；然后，基于失效数据库，对管 网重要单元的可靠度进行估计，获取系统状态转移模拟的输入；最后，基于时序蒙特 卡洛方法，结合交叉熵技术，对系统状态转移过程进行抽样，并考虑管网状态不确定 性、用户特性以及水力计算的管网供气量，并采用已建指标对天然气管网供气可靠性 进行评估。由此，综合考虑天然气管网运行状态不确定性和时序性、市场需求波动性、 用户特性以及管网管输能力、气源供气能力、用户需求、节点流量、压力约束和管网 水力计算。具体可参考图2所示，各步骤的具体实现方式将在后续实施例中逐一说明， 在此就不再详述。
请参考图3所示，在本发明一实施例中，所述基于交叉熵理论的天然气管网供气可靠性检测方法中关于供气可靠性指标的建立流程可包含：
S401基于供气可靠性定义，根据气量和时间两个维度构建天然气管网的供气可靠性表征函数；
S402根据所述用户需求预测的结果获得目标天然气管网的需求量，根据所述需求量、所述用户分级结果中的和所述供气量通过所述供气可靠性表征函数计算获得目 标天然气管网的供气可靠性检测数据。
在实际工作中，根据气量和时间两个维度构建天然气管网的供气可靠性表征函数可包含时间维度构建的期望值计算函数和概率函数，以及气量维度构建的期望值函数 和比值函数，具体公式如下：
给定时间区间内，系统不能满足市场需求的小时或天数的期望值(The loss ofdemand expectation,LODE)包含：
给定时间区间内系统不能满足市场需求的概率(The expectation of the lossof demand probability,LODP)包含：
系统在给定时间区间内因不能满足需求造成需求削减的期望值(The expectednatural gas not supplied EGNS)包含：
系统在给定时间区间内，需求削减量占需求总量的比值(The expected ratio ofthe natural gas not supplied,ERNS)包含：
在上式中，上标i表示管网中第i个需求点，LODEi，LODPi，EGNSi和ERNSi分别代表第i个需求点的时间期望值、时间概率、气量期望值和削减量占需求总量的 比值，下标j表示第j次模拟，N为总的模拟次数，T为任务时间，Ci(t)表示管网系统 在第t天不能满足需求的程度，其计算公式为
Xi(t)和Di(t)分 别是第t天天然气管网供给第i个需求点的供气量以及第i个需求点的需求量。
在本发明一实施例中，根据目标天然气管网的需求侧分析获得用户需求预测模型包含：根据目标天然气管网的需求侧各用户的需求波动性特征，采用时间序列模型、 支持向量机和长短期记忆人工神经网络模型中的一种构建用气需求预测模型。具体 的，通过需求侧分析，可以对任务周期内的市场需求进行预测并确定各个需求点(分 输点)的重要性。天然气用户按用气用途分类，主要包括燃气用户、CNG用户、电 厂用户和工业用户四大类型。一般而言，天然气管网各个分输点都包含多个和多种天 然气用户。各个用户的用气特征和波动特性都有所不同，因此需要采用不同的评价方 法对其市场需求进行预测。本发明针对用户需求波动性特征，采用时间序列模型、支 持向量机和长短期记忆人工神经网络(LSTM)模型作为用户需求预测方法进行建模， 各方法的使用范围如下表1所示。
表1
在本发明一实施例中，根据目标天然气管网的需求侧分析获得用户分级结果：基于用户用气数据，采用气量、波动和用气习惯指标分析用户用气特性，确定各用户需 求保障属性；根据各用户需求保障属性将用户分为完全保障用户，可少量压减用户、 可压减用户和可中断用户。在实际工作中，主要是根据用户的需求保障属性对天然气 用户进行分级，分别是需完全保障用户、可少量压减用户、可压减用户以及可中断用 户四级。依据用户的需求保障属性进行分级的关键就在于如何确定用户的需求保障属 性。本发明在经验的基础上进行数据分析，结合用户自身属性，确定其需求保障属性。 具体的，各级用户的模型构建原理如下：
1)城市燃气用户：
在缺乏具体城市燃气用户中居民用气与非居民用气占比时，可以建立波动性指标，采用智能算法依据用户的波动性进行聚类分析，确定城市燃气用户的需求保障属 性。部分的小型工业分销用户与居民和商业用户相比具有波动性较大的特点，这种特 点在聚类分析中可以体现出来。因此，可以人为将用气量较小且不均匀度较大的用户 视为可少量压减用户。与可压减用户相比，此类用户由于包含居民用户，因此压减的 程度不宜过高。
2)CNG用户：
由于CNG用户占比较小，且多属于民用及商用，属于需完全保障用户。
3)电厂用户：
根据电厂本身的功能，依据季节对电厂的需求保障属性进行确定。春季时，连续天然气电厂为需完全保障用户，调峰电厂为可中断用户，备用能源电厂为可压减用户。 夏季时连续天然气电厂、调峰电厂和备用能源电厂均为需完全保障用户。秋季时连续 天然气电厂为需完全保障用户，调峰电厂为可中断用户，备用能源电厂为可压减用户。 冬季时连续天然气电厂为需完全保障用户，调峰电厂为可中断用户，备用能源电厂为 可中断用户。
4)直供工业：
本身具有可中断与不可中断等属性，由于目前此类数据的缺失，能否中断的属性依靠数据分析以及假设进行确定。在对已有数据进行分析的过程中，从用气趋势角度 来说，工业用户大致分为以下几类：连续用气用户定义为需完全保障用户，在一定周 期内超过7天销量为0的用户定义为可中断用户，在一定周期内连续10天用气不均 匀度高于1的用户定义为可压减用户。
当前对于天然气管道可靠性评价的方法主要包括失效数据统计法和基于结构可靠性的方法。在本发明一实施例中，关于单元可靠性分析可采用失效数据统计法计算 天然气管道可靠度参数。基于GBT 29167-2012以及EGIG和PHMSA可知，天然气 管道发生大孔泄漏和破裂的失效概率为1×10-4～2×10-4(km·a)-1。对于压缩机站场，本 发明将天然气站场简化为由多个压缩机单元组成的增压系统，并采用GO法对压缩机 站的故障概率进行计算，从而获得压缩机站的失效率和维修率。
在本发明一实施例中，通过基于交叉熵的时序蒙特卡洛方法对管网的状态转移过程进行抽样，获得时序状态转移序列还包含：利用迭代学习的方式最小化交叉熵获得 概率密度；根据所述概率密度抽样状态转移过程获得时序状态转移序列。进一步的， 根据所述概率密度抽样状态转移过程获得时序状态转移序列还可包含：通过寻优算法 获取单元重采样畸变转移率；根据重采样畸变转移率对状态转移过程中系统运行状态 进行随机模拟，通过所述概率密度抽样状态转移过程获得时序状态转移序列。在实际 工作中，当采用序贯蒙特卡洛方法，管网系统状态空间庞大且单元可靠度较高时，抽 样效率往往较低。为此，本发明基于交叉熵理论，提高了系统状态抽样效率和系统可 靠性计算速度；具体实施流程如下：
考虑一般的转移过程：系统在时刻t1转入状态x1，则决定系统在时刻t2发生下一次转移并进入状态x2的概率转移核是(如图4所示)：
K((x2,t2)|(x1,t1))＝T(t2|t1,x1)·C(x2|t2,x1)；
在上式中，T(t2|t1,x1)为给定系统在时刻t1发生上一次转移并进入状态x1条件下，系统在t2时刻发生下一次转移的条件概率；C(x2|t2,x1)为给定系统初始状态为x1、在 时刻t2发生状态转移的条件下进入状态x2的条件概率。考虑在天然气管网系统运行 特性服从马尔科夫过程的假设条件下，本发明采用序贯蒙特卡洛模拟对管网系统状态 转移过程进行描述，并以样本的方差系数小于某个常数作为蒙特卡洛收敛性判据。并 设f(x；α)为可靠性评估所需的随机变量x的概率密度函数，其参数为α(即单元可靠 性参数)。在序贯蒙特卡洛模拟机制下，随机变量x为系统在任务时间内的系统状态 序列。
设S(x)为样本x对应的损失映射函数，基于不同的供气可靠性指标，损失映射 函数有不同的计算公式。则可靠性零方差采样概率密度函数的通用表达式为h(x；β)：
式中，Ef(S(x))为在概率密度f(x；α)下S(x)的数学期望，显然Ef(S(x))与h(x；β)是一对相互依存的待求量。为解决这一矛盾，可以对h(x；β)进行预估：若设f(x；γ)与 f(x；α)来自同一分布族，且γ≠α，则可以通过迭代学习的方式最小化f(x；γ)与h(x；β)的Kullback-Leibler(K-L)距离，亦称为交叉熵，求解γ。其流程如下所述。
首先，建立如下所示迭代表达式。
在常见问题中，上式中需要最大化的函数是凸的且关于γ可微，因而可以通过求解关于γ的方程组来获得上式的解：
式中：γ(k)上标表示第k次迭代，通常令γ(1)＝α；N为蒙特卡洛模拟次数；
为 来自概率密度函数
的样本，表示系统在任务时间内的状态序列；
为 状态序列样本
对应的损失映射函数，对于不同的供气可靠性指标，损失映射函数 有不同的计算公式。
实际迭代求解γ(k)时，当采用原始单元转移率作为迭代初始转移率时，事件
的发生概率很小(即供气不可靠是小概率事件)，特别是评价周期较短时， 为稀有事件。因此，本发明通过建立两阶段的强化寻优算法获取单元重采样畸变转移 率，以避免迭代求解时损失映射函数过多地取为零，导致算法启动困难的问题。此处 两阶段的强化寻优算法是指：第一阶段完成小概率状态转移序列样本的加速训练；第 二阶段对第一阶段得到的重采样畸变转移率进行强化寻优。然后，基于重采样畸变转 移率对系统运行状态进行随机模拟，获得任务时间内系统的状态序列，如下式所示：
x＝{(x0,t0),(x1,t1),...,(xm,tm),(t0+T)}；
上式中，(xi，ti)表示第i次状态转移发生在ti时刻，且转移后的系统状态为xi，(x0,t0)为当前系统状态，T为任务时间，(t0+T)表示最后一次转移所处时刻，其示意图 如图5所示。
最后，结合复杂作用下天然气管网供气量计算模型和市场需求预测气量，对损失映射函数进行计算，并对其进行重采样偏移校正，从而在满足收敛性条件下输出可靠 性评价结果。
请参考图6所示，在本发明一实施例中，根据各需求点所含用户的用气特性和所述时序状态转移序列计算结果获得状态转移后目标天然气管网的供气量包含：
S601根据目标天然气管网的拓扑结构和用户用气特性构建管网供气目标函数、管网流量约束函数、管网压力约束函数和管网水力约束函数；
S602根据所述管网供气目标函数、所述管网流量约束函数、所述管网压力约束 函数和所述管网水力约束函数，并考虑失效对管网供气能力影响计算获得管网流量分 配数据，即状态转移后目标天然气管网的供气量。
在实际工作中，获得系统运行状态转移过程后，下一步是如何计算系统在各种状态下的供气量。本发明将天然气管网在任意运行状态下供给各需求点气量的求解问题 转为一个优化问题，具体模型如下所示：
目标函数：任务时间内，天然气管网供给各需求点的总加权气量最大，具体如下所示。
上式中，T为任务时间；day，t为时刻，day；D为需求点的集合；d为虚拟汇点； Q1 id(t)表示t时刻，管网供给第i个需求点中需完全保障用户的气量，104m3/day；Q2 id(t) 表示t时刻，管网供给第i个需求点中可少量压减用户的气量，104m3/day；Q3 id(t)表 示t时刻，管网供给第i个需求点中可压减用户的气量，104m3/day；Q4 id(t)表示t时刻， 管网供给第i个需求点中可中断用户的气量，104m3/day；
分别是各 级用户权重。显然用户级别越高，用户重要度越大，权重越高。本研究采用层次分析 法确定各级用户权重，认为完全保障用户级别最高，可少量压减用户、可压减用户和 可中断用户级别依次降低，权重计算结果为0.9576，0.0245，0.0120，0.0059。
约束条件：
1)管网流量约束：
进入节点的流量之和等于离开的流量之和。
上式中，Qij(t)表示t时刻，第i节点到第j节点的流量，104Nm3/day；(i,j)和(j,l)分别表示节点i到节点j之间的管道和节点j到节点l之间的管道，V代表图中节点集 合，包括气源点、站场和需求点，E代表天然气管道的集合
双向管道的流向约束，表示管道中最多有一个管道流向。
上式中，Eb表示双向管道的集合，yij(t)为控制t时刻双向管道流向的二元决策变量。
各分输点所含用户获得气量之和等于分输点所得气量。
式中
表示t时刻，管网供给第i个需求点的气量，104m3/day。
2)气源供气能力约束
气源点供给流量小于气源供气能力。
式中
为第t时刻第i个气源供气流量，104Nm3/day，
为第t天第i个气 源供气能力，104Nm3/day。
3)需求约束
供给需求点的流量小于需求点的需求量.
式中
表示t时刻，第i个需求点的需求气量，104m3/day；
4)管输能力约束
式中
表示管道(i，j)最小安全输量，104m3/day；
表示管道(i，j) 最大输送能力，104m3/day。
5)管网压力约束：
管网各节点压力约束。
Pi,min(t)≤Pi(t)≤Pi,max(t)；
上式中，Pi(t)为第i个节点第t时刻的压力，MPa，Pi,min(t)和Pi,max(t)分别为第i 个节点第t时刻压力的上下限，MPa。
压缩机站上下游压力约束。
上式中
分别是第i个压缩机站第t时刻上游压力、下游压力、上游压力限制和下游压力限制，MPa。
调节阀室上下游压力约束(用于不同压力等级管道的接口调压)。
上式中
分别为第i个调节阀室第t时刻上游压力、下游压力、上游压力限制和下游压力限制，MPa。
6)管网水力约束：
上式中，Pi(t)和Pj(t)分别为第t天第i和j节点的压力，MPa，λ为水力摩阻系数、 Z为天然气在管输条件下的压缩因子，Δ*天然气的相对密度，T为输气温度，K，L 输气管道计算段长度，km，D为输气管内径，m，C0为常数，其值随各参数单位而 定，上述参数均为节点i到节点j之间的管道的参数。
由于管网水力约束为非线性约束，且包含的未知数很多。为了简化约束便于模型求解，尝试将水力约束分段线性化处理。
决策变量：管道流量Qij、双向管道的流向yij以及管道两端节点压力Pi。
由于系统中单元的随机失效和维修活动，会导致管网系统中各弧的管输能力发生改变，导致系统的供气量发生变化。管网系统中不同类型单元的失效对管输能力的影 响如表2所示，其中管道和压缩机失效对管输能力的影响程度需要通过对管网系统进 行水-热力仿真方可准确确定，本发明不考虑各需求点失效情况。
表2
因此，天然气管网任意状态下的供气量计算可以转化为上述混合整数线性规划问题。通过对该优化问题的求解，可以获得天然气管网在任意工况下的供气量。并与市 场需求气量相结合，采用已建指标，实现天然气管网供气可靠性的评价检测。
请参考图7所示，本发明还提供一种基于交叉熵理论的天然气管网供气可靠性检测装置，所述装置包含市场需求分析模块、单元可靠性估计模块、状态转移模拟模块、 供气量计算模块和检测分析模块；
所述市场需求分析模块用于根据目标天然气管网的需求侧分析获得用户需求预测和用户分级结果；所述单元可靠性估计模块用于根据历史失效数据库对目标天然气 管网的预设区域进行可靠性评估获得系统状态转移模拟的输入数据；所述状态转移模 拟模块用于根据所述输入数据通过基于交叉熵的时序蒙特卡洛方法对目标天然气管 网状态转移过程进行模拟，获得时序状态转移序列；所述供气量计算模块用于根据各 需求点的用气特性和所述时序状态转移序列计算结果获得状态转移后目标天然气管 网的供气量；所述检测分析模块用于根据所述用户需求预测的结果、所述用户分级结 果和所述供气量分析获得目标天然气管网的供气可靠性检测数据。
本发明的有益技术效果在于：弥补了已有的天然气管网供气可靠性的评价不足，基于现场提供的基础资料，获取天然气管网的拓扑结构图以及管道和压缩机单元的失 效和维修数据，采用时序蒙特卡洛算法对天然气管网状态转移过程进行模拟，确定任 务时间内管网的时序状态转移序列，并基于交叉熵理论，提高了系统运行状态抽样速 度；再结合考虑用户特性和水力计算的管网供气量计算模型，实现管网供气可靠性的 评价，并识别供气薄弱点和关键环节以及提出应急状态下的流量分配方案和供气可靠 性增强措施。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
如图8所示，该电子设备600还可以包括：通信模块110、输入单元120、音频 处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须 要包括图8中所示的所有部件；此外，电子设备600还可以包括图8中没有示出的部 件，可以参考现有技术。
如图8所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器 或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600 的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储 器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信 息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140 存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输 入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等 显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选 择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还 可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。 存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程 序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如 联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140 的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的 其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这 可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂 窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还 经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输 出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130 可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中 央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬 声器131来播放本机上存储的声音。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件 方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序 代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流 程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的 每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些 计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设 备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执 行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方 框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包 括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一 个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算 机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或 方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发 明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等， 均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于交叉熵理论的天然气管网供气可靠性检测方法，其特征在于，所述方法包含：
根据目标天然气管网的需求侧分析获得用户需求预测和用户分级结果；
根据历史失效数据库对目标天然气管网的预设区域进行可靠性评估获得系统状态转移模拟的输入数据；
根据所述输入数据通过基于交叉熵的时序蒙特卡洛方法对目标天然气管网状态转移过程进行模拟，获得时序状态转移序列；
根据各需求点所含用户的用气特性和所述时序状态转移序列计算结果获得状态转移后目标天然气管网的供气量；
根据所述用户需求预测的结果、所述用户分级结果和所述供气量分析获得目标天然气管网的供气可靠性检测数据。
2.根据权利要求1所述的基于交叉熵理论的天然气管网供气可靠性检测方法，其特征在于，根据所述用户需求预测的结果、所述用户分级结果和所述供气量分析获得目标天然气管网的供气可靠性检测数据包含：
基于供气可靠性定义，根据气量和时间两个维度构建天然气管网的供气可靠性表征函数；
根据所述用户需求预测的结果获得目标天然气管网的需求量，根据所述需求量、所述用户分级结果中的用户特性数据和所述供气量通过所述供气可靠性表征函数计算获得目标天然气管网的供气可靠性检测数据。
3.根据权利要求2所述的基于交叉熵理论的天然气管网供气可靠性检测方法，其特征在于，根据气量和时间两个维度构建天然气管网的供气可靠性表征函数包含：
根据时间维度构建供气可靠性表征函数包含：
根据气量维度构建供气可靠性表征函数包含：
在上式中，上标i表示管网中第i个需求点，LODEi，LODPi，EGNSi和ERNSi分别代表第i个需求点的时间期望值、时间概率、气量期望值和削减量占需求总量的比值，下标j表示第j次模拟，N为总的模拟次数，T为任务时间，Ci(t)表示管网系统在第t天不能满足需求的程度，其计算公式为
Xi(t)和Di(t)分别是第t天天然气管网供给第i个需求点的供气量以及第i个需求点的需求量。
4.根据权利要求3所述的基于交叉熵理论的天然气管网供气可靠性检测方法，其特征在于，根据目标天然气管网的需求侧分析获得用户需求预测模型包含：
根据目标天然气管网的需求侧各用户的需求波动性特征，采用时间序列模型、支持向量机和长短期记忆人工神经网络模型中的一种构建用气需求预测模型。
5.根据权利要求4所述的基于交叉熵理论的天然气管网供气可靠性检测方法，其特征在于，根据目标天然气管网的需求侧分析获得用户分级结果：
基于用户用气数据，采用气量、波动和用气习惯指标分析用户用气特性，确定各用户需求保障属性；
根据各用户需求保障属性将用户分为完全保障用户，可少量压减用户、可压减用户和可中断用户。
6.根据权利要求5所述的基于交叉熵理论的天然气管网供气可靠性检测方法，其特征在于，通过基于交叉熵的时序蒙特卡洛方法对管网的状态转移过程进行抽样，获得时序状态转移序列还包含：
利用迭代学习的方式最小化交叉熵获得概率密度；
根据所述概率密度抽样状态转移过程获得时序状态转移序列。
7.根据权利要求6所述的基于交叉熵理论的天然气管网供气可靠性检测方法，其特征在于，根据各需求点所含用户的用气特性和所述时序状态转移序列计算结果获得状态转移后目标天然气管网的供气量供气量包含：
根据目标天然气管网的拓扑结构和用户用气特性构建管网供气目标函数、管网流量约束函数、管网压力约束函数和管网水力约束函数；
根据所述管网供气目标函数、所述管网流量约束函数、所述管网压力约束函数和所述管网水力约束函数，并考虑失效对管网供气能力影响计算获得管网流量分配数据，即状态转移后目标天然气管网的供气量。
8.一种基于交叉熵理论的天然气管网供气可靠性检测装置，其特征在于，所述装置包含市场需求分析模块、单元可靠性估计模块、状态转移模拟模块、供气量计算模块和检测分析模块；
所述市场需求分析模块用于根据目标天然气管网的需求侧分析获得用户需求预测和用户分级结果；
所述单元可靠性估计模块用于根据历史失效数据库对目标天然气管网的预设区域进行可靠性评估获得系统状态转移模拟的输入数据；
所述状态转移模拟模块用于根据所述输入数据通过基于交叉熵的时序蒙特卡洛方法对目标天然气管网状态转移过程进行模拟，获得时序状态转移序列；
所述供气量计算模块用于根据各需求点的用气特性和所述时序状态转移序列计算结果获得状态转移后目标天然气管网的供气量；所述检测分析模块用于根据所述用户需求预测的结果、所述用户分级结果和所述供气量分析获得目标天然气管网的供气可靠性检测数据。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有由计算机执行权利要求1至7任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111178060.9A CN114091723A (zh) | 2021-10-09 | 2021-10-09 | 基于交叉熵理论的天然气管网供气可靠性检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111178060.9A CN114091723A (zh) | 2021-10-09 | 2021-10-09 | 基于交叉熵理论的天然气管网供气可靠性检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114091723A true CN114091723A (zh) | 2022-02-25 |
Family
ID=80296644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111178060.9A Pending CN114091723A (zh) | 2021-10-09 | 2021-10-09 | 基于交叉熵理论的天然气管网供气可靠性检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114091723A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116085685A (zh) * | 2023-03-15 | 2023-05-09 | 上海叁零肆零科技有限公司 | 保证用气高峰时段天然气稳定供气的方法和系统 |
| CN116307553A (zh) * | 2023-03-03 | 2023-06-23 | 中国石油大学(北京) | 用于天然气管网系统的气体分配方法、存储介质及处理器 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105912844A (zh) * | 2016-04-07 | 2016-08-31 | 中国石油大学(北京) | 一种天然气管网供气可靠性的评价方法及装置 |
| CN109345080A (zh) * | 2018-09-06 | 2019-02-15 | 中国石油大学(北京) | 天然气管道系统供气可靠性评价方法及系统 |
| CN112632794A (zh) * | 2020-12-30 | 2021-04-09 | 苏州电力设计研究院有限公司 | 基于交叉熵参数子集模拟优化的电网可靠性评估方法 |
-
2021
- 2021-10-09 CN CN202111178060.9A patent/CN114091723A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105912844A (zh) * | 2016-04-07 | 2016-08-31 | 中国石油大学(北京) | 一种天然气管网供气可靠性的评价方法及装置 |
| CN109345080A (zh) * | 2018-09-06 | 2019-02-15 | 中国石油大学(北京) | 天然气管道系统供气可靠性评价方法及系统 |
| CN112632794A (zh) * | 2020-12-30 | 2021-04-09 | 苏州电力设计研究院有限公司 | 基于交叉熵参数子集模拟优化的电网可靠性评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 廖柯熹 等: "天然气管网系统性能评价指标及方法研究进展", 《科学技术与工程》, vol. 21, no. 14, 18 May 2021 (2021-05-18), pages 5630 - 5640 * |
| 虞维超: "基于需求侧分析的天然气管网供气可靠性研究", 《中国博士学位论文全文数据库 工程科技I辑》, no. 1, 15 January 2021 (2021-01-15), pages 80 - 81 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307553A (zh) * | 2023-03-03 | 2023-06-23 | 中国石油大学(北京) | 用于天然气管网系统的气体分配方法、存储介质及处理器 |
| CN116085685A (zh) * | 2023-03-15 | 2023-05-09 | 上海叁零肆零科技有限公司 | 保证用气高峰时段天然气稳定供气的方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ding et al. | Forecasting Chinese CO2 emissions from fuel combustion using a novel grey multivariable model | |
| US20210383041A1 (en) | In-situ thermodynamic model training | |
| Nicolini et al. | Optimal location and control of pressure reducing valves in water networks | |
| Xiao et al. | Impacts of data preprocessing and selection on energy consumption prediction model of HVAC systems based on deep learning | |
| CN111541237B (zh) | 基于机会约束极限学习机的风电功率非参数区间预测方法 | |
| CN114091723A (zh) | 基于交叉熵理论的天然气管网供气可靠性检测方法及装置 | |
| CN111476422A (zh) | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 | |
| CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
| CN113222230B (zh) | 事故工况下天然气管网的流量分配方法及装置 | |
| CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
| CN109345080B (zh) | 天然气管道系统供气可靠性评价方法及系统 | |
| CN112700326A (zh) | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 | |
| CN104636834B (zh) | 一种改进的联合概率规划模型系统优化方法 | |
| CN113554213A (zh) | 一种天然气需求预测方法、系统、存储介质及设备 | |
| CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN108932562B (zh) | 综合能源系统综合效益评价模型建立方法 | |
| CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
| Zhijun | RBF neural networks optimization algorithm and application on tax forecasting | |
| CN111242266A (zh) | 一种运行数据管理系统 | |
| Hey et al. | Surrogate optimization of energy retrofits in domestic building stocks using household carbon valuations | |
| CN103514486A (zh) | 基于因素分析的高炉煤气受入流量预测方法 | |
| Horng et al. | Ordinal optimization of G/G/1/K polling systems with k-limited service discipline | |
| Liu et al. | Consideration of streamflow forecast uncertainty in the development of short-term hydropower station optimal operation schemes: A novel approach based on mean-variance theory | |
| CN114862104B (zh) | 天然气配气方法、电子设备及计算机可读存储介质 | |
| CN115511230A (zh) | 一种电能替代潜力分析预测方法 |
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 |