CN117575341A - 一种基于大数据天然气传输网络的气量调度评价方法 - Google Patents

一种基于大数据天然气传输网络的气量调度评价方法 Download PDF

Info

Publication number
CN117575341A
CN117575341A CN202311392192.0A CN202311392192A CN117575341A CN 117575341 A CN117575341 A CN 117575341A CN 202311392192 A CN202311392192 A CN 202311392192A CN 117575341 A CN117575341 A CN 117575341A
Authority
CN
China
Prior art keywords
flow
natural gas
subsequence
scheduling
gas
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
Application number
CN202311392192.0A
Other languages
English (en)
Inventor
贺新群
付豪
龙小琴
王佑涛
张萌
覃华兴
李清峰
马征
耿启征
霍佃星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Ieslab Electronic Co ltd
Hubei Natural Gas Development Co ltd
Original Assignee
Qingdao Ieslab Electronic Co ltd
Hubei Natural Gas Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Ieslab Electronic Co ltd, Hubei Natural Gas Development Co ltd filed Critical Qingdao Ieslab Electronic Co ltd
Priority to CN202311392192.0A priority Critical patent/CN117575341A/zh
Publication of CN117575341A publication Critical patent/CN117575341A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明涉及天然气传输网络技术领域，具体是一种基于大数据天然气传输网络的气量调度评价方法，获取目标天然气传输网络的传输流程特性，根据所述传输流程特性将天然气传输过程划分为若干流程子序列，并在各流程子序列设置气量监测点位；构建气量调度全流程拓扑图，在所述气量调度全流程拓扑图的基础上添加气量调度全流程预测模型，获取各流程子序列当前监测周期内的预测场景序列以及预测场景序列对应的预测天然气流量数据；各流程子序列的所述预测场景序列与实时场景序列进行相似度比较，根据相似度比较结果对天然气管网气量调度过程进行实时监控及控制，提高了天然气传输网络的气量调度评价的准确性。

Description

一种基于大数据天然气传输网络的气量调度评价方法
技术领域
本发明涉及天然气传输网络技术领域，具体是一种基于大数据天然气传输网络的气量调度评价方法。
背景技术
随着天然气管道建设不断加速、国家级天然气主干管网不断形成和扩展、天然气用户增加迅速并在局部地区超出管道设施的设计预期、同时天然气大用户尤其调峰用户的小时调峰需求增加，在用户终端用气调峰设施严重不足的情况下，迅速增加的天然气深度调峰需求用户对既有的天然气管道设施的运营调度提出越来越高的要求和技术挑战。
对比文件CN109058762B“一种多气源天然气传输网络的气量均衡调度方法”结合管网实际运行数据，在多气源条件下，量化储气/调峰关系，为天然气传输网络计算出管输量与调峰量的关系曲线，为天然气传输网络运行企业合理调控管输参数、把握气量调度范围、控制安全运行风险提供可靠依据
对比文件CN109064033B“一种天然气传输网络的气量调度方法”、本发明结合管网实际运行数据，为天然气传输网络计算出管输量与调峰量的边界曲线，为天然气传输网络运行企业合理调控管输参数、把握气量调度范围、控制安全运行风险提供可靠依据：只要在上述输量与调峰量边界曲线范围内，管道能力即是满足的，安全性也是允许的；
天然气传输网络的气量调度需要进行日前规划和日内调度，通过天然气管道设施进行天然气传输过程往往要求在高低温等恶劣环境及高压情况下高效稳定运行，除此之外，天然气传输网络也受到用户数量与用气量的影响，因此，针对不同处理场景下天然气传输过程进行提前规划，并对天然气传输过程进行气量调度评价就显得尤为重要，目前关于天然气传输过程进行气量调度评价过程较为简单，当通过日前规划对天然气管网的提前规划与实际情况不符合时，无法对天然气传输过程中各个天然气管道天然气流量迅速做出响应性的调度决策，为了解决上述技术问题，现提供一种基于大数据天然气传输网络的气量调度评价方法。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于大数据天然气传输网络的气量调度评价方法，包括以下步骤：
步骤S1：获取目标天然气传输网络的传输流程特性，根据所述传输流程特性将天然气传输过程划分为若干流程子序列，并在各流程子序列设置气量监测点位；
步骤S2：构建气量调度全流程拓扑图，在所述气量调度全流程拓扑图的基础上添加气量调度全流程预测模型，获取各流程子序列当前监测周期内的预测场景序列以及预测场景序列对应的预测天然气流量数据；
步骤S3：各流程子序列的所述预测场景序列与实时场景序列进行相似度比较，根据相似度比较结果对天然气管网气量调度过程进行实时监控及控制。
进一步的，获取目标天然气传输网络的传输流程特性，根据所述传输流程特性将天然气传输过程划分为若干流程子序列，并在各流程子序列设置气量监测点位的过程包括：
获取目标天然气传输网络的传输流程特性，根据所述传输流程特性提取流程信息，所述传输流程特性包括天然气传输需要经过的不同管道属性的天然气管道以及不同管道属性的天然气管道对应的资源信息，根据流程信息将目标天然气传输网络的天然气传输过程进行拆分，划分为若干流程子序列；
根据各流程子序列中的传输流程特性选取评价指标，设置评价指标的指标权重和重要性等级，通过模糊综合评价判断各流程子序列对于重要性等级的隶属度矩阵；
根据隶属度矩阵及指标权重获取各流程子序列的重要性等级，预设重要性等级阈值，通过流程子序列的重要性等级与预设重要性等级阈值进行对比，将符合预设重要性等级阈值的流程子序列设置气量监测点位，并根据流程子序列的重要性等级确定气量监测点位的布设数量及取点分布。
进一步的，构建气量调度全流程拓扑图的过程包括：
获取当前天然气传输过程中各流程子序列对应的天然气管道的物理实体，获取当前天然气传输过程中各流程子序列对应的天然气管道的气量监测点位的多源异构数据，并对多源异构数据进行数据格式预处理；
将天然气管道的物理实体进行三维建模处理映射到数字空间，将预处理后的多源异构数据生成孪生数据，获取目标天然气传输网络管道的网络拓扑结构，根据所述网络拓扑结构将数字空间中的三维模型进行装配连接，在三维模型上设置API接口，将各流程子序列作为数字孪生拓扑图的节点，将各天然气管道之间的装配顺序及作为节点之间的连接关系，将孪生数据与三维模型进行匹配获得数字孪生拓扑图；
根据各流程子序列对应的管道属性和资源信息获取各不同处理场景信息，将不同处理场景信息处理为场景序列，将所述场景序列存储到数字空间，将当前数字孪生有向图中天然气管道的三维模型结合各流程子序列当前场景序列生成气量调度全流程拓扑图。
进一步的，在所述气量调度全流程拓扑图的基础上添加气量调度全流程预测模型，获取各流程子序列当前监测周期内的预测场景序列以及预测场景序列对应的预测天然气流量数据的过程包括：
基于图卷积神经网络构建气量调度全流程预测模型，在气量调度全流程拓扑图中各天然气管道的三维模型API接口上链接气量调度全流程预测模型；
根据各流程子序列在不同场景序列下的历史天然气流量监测数据构建历史数据集，将所述历史数据集划分为训练集以及测试集；
将所述训练集输入到所述气量调度全流程预测模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述气量调度全流程预测模型进行测试，直至符合预设要求，输出所述气量调度全流程预测模型；
根据所述气量调度全流程预测模型获取当前监测周期内各流程子序列的预测场景序列以及预测场景序列对应的预测天然气流量数据。
进一步的，将各流程子序列的所述预测场景序列与实时场景序列进行相似度比较，根据相似度比较结果对天然气管网气量调度过程进行实时监控及控制的过程包括：
获取当前监测周期内各流程子序列的实时场景序列，将所述实时场景序列与预测场景序列进行相似度比较，设置相似度阈值；
若所述相似度大于等于相似度阈值，则将当前监测周期内各流程子序列的预测场景序列对应的预测天然气流量数据作为标准阈值，随后基于所述标准阈值完成所有流程子序列的调度监测过程，并根据调度监测结果对天然气管网进行天然气流量补偿调整；
若所述相似度小于相似度阈值，则对各个流程子序列的进行标准阈值设置的排序，根据排序结果依次获取各流程子序列的标准阈值，随后基于标准阈值依次完成各流程子序列的调度监测过程，并根据调度监测结果对天然气管网进行天然气流量补偿调整。
进一步的，对各个流程子序列的进行标准阈值设置的排序的过程包括：
获取各流程子序列的气量监测点位在不同场景序列下的产生供应不稳定警报信号的历史发生频率，根据所述历史发生频率获取各流程子序列的不同场景序列下的调度异常概率；
根据气量调度全流程拓扑图中各个节点的邻接矩阵计算对其他节点的供应稳定性影响程度；
根据各流程子序列在不同场景序列下的调度异常概率和各流程子序列的供应稳定性影响程度获取各流程子序列的综合异常率；
通过综合异常率对各个流程子序列进行顺序排序，获取各个流程子序列的进行标准阈值设置的排序结果。
进一步的，根据排序结果依次获取各流程子序列的标准阈值，随后基于标准阈值依次完成各流程子序列的调度监测过程包括：
获取当前监测周期气量监测点位监测的天然气流量，获取不同场景序列下当前监测周期气量监测点位的天然气流量平均值；
提取当前监测周期气量监测点位的处理场景信息，获取与所述气量监测点位的处理场景信息一致的天然气流量平均值，将所述天然气流量平均值设置为标准阈值，将所述天然气流量与天然气流量平均值进行比较，获取所述天然气流量与天然气流量平均值的偏差值；
设置偏差阈值，若所述偏差值小于等于偏差阈值，则证明气量监测点位所属的流程子序列的供应稳定性符合预设标准，并进行下一流程子序列的标准阈值设置过程；
若所述偏差值大于偏差阈值，则证明气量监测点位所属的流程子序列的供应稳定性不符合稳定性标准，并生成供应稳定性不合格警报信号，并对气量监测点位所属的流程子序列进行天然气流量补偿调整。
进一步的，对气量监测点位所属的流程子序列进行天然气流量补偿调整的过程包括：
基于气量调度全流程可视图获取与所述流程子序列存在装配连接关系的其他流程子序列，获取其他流程子序列可调度的储气量之和，通过调度所述储气量之和对天然气流量补偿调整。
与现有技术相比，本发明的有益效果是：获取目标天然气传输网络的传输流程特性，根据所述传输流程特性将天然气传输过程划分为若干流程子序列，并在各流程子序列设置气量监测点位，通过气量调度全流程预测模型获取各流程子序列当前监测周期内的预测场景序列以及预测场景序列对应的预测天然气流量数据，若所述预测场景序列与实际场景序列不匹配，则各个流程子序列的进行标准阈值设置的排序，根据排序结果对依次获取各流程子序列的标准阈值，随后基于标准阈值依次进行各流程子序列的调度监测过程，若各流程子序列的调度监测结果满足预设调度标准，则进行下一流程子序列的调度监测过程，若各流程子序列的调度监测结果不满足预设调度标准，则根据调度监测结果对天然气管网进行天然气流量补偿调整，对气量监测点位所属的流程子序列进行天然气流量补偿调整后，若气量监测点位的天然气流量仍不符合阈值标准，则将流程子序列的气量调度难度评价为高；若气量监测点位的天然气流量符合阈值标准，则将流程子序列的气量调度难度评价为低，提高了天然气传输网络的气量调度评价的准确性。
附图说明
图1为本申请实施例的一种基于大数据天然气传输网络的气量调度评价方法的原理图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，一种基于大数据天然气传输网络的气量调度评价方法，包括以下步骤：
步骤S1：获取目标天然气传输网络的传输流程特性，根据所述传输流程特性将天然气传输过程划分为若干流程子序列，并在各流程子序列设置气量监测点位；
步骤S2：构建气量调度全流程拓扑图，在所述气量调度全流程拓扑图的基础上添加气量调度全流程预测模型，获取各流程子序列当前监测周期内的预测场景序列以及预测场景序列对应的预测天然气流量数据；
步骤S3：各流程子序列的所述预测场景序列与实时场景序列进行相似度比较，根据相似度比较结果对天然气管网气量调度过程进行实时监控及控制。
需要进一步说明的是，在具体实施过程中，获取目标天然气传输网络的传输流程特性，根据所述传输流程特性将天然气传输过程划分为若干流程子序列，并在各流程子序列设置气量监测点位的过程包括：
获取目标天然气传输网络的传输流程特性，根据所述传输流程特性提取流程信息，所述传输流程特性包括天然气传输需要经过的不同管道属性的天然气管道以及不同管道属性的天然气管道对应的资源信息，根据流程信息将目标天然气传输网络的天然气传输过程进行拆分，划分为若干流程子序列；
根据各流程子序列中的传输流程特性选取评价指标，设置评价指标的指标权重和重要性等级，通过模糊综合评价判断各流程子序列对于重要性等级的隶属度矩阵；
根据隶属度矩阵及指标权重获取各流程子序列的重要性等级，预设重要性等级阈值，通过流程子序列的重要性等级与预设重要性等级阈值进行对比，将符合预设重要性等级阈值的流程子序列设置气量监测点位，并根据流程子序列的重要性等级确定气量监测点位的布设数量及取点分布。
需要进一步说明的是，在具体实施过程中，根据流程子序列的重要性等级确定气量监测点位的布设数量及取点分布的过程包括：
根据流程子序列的传输流程特性确定天然气管道的管道管径和管道长度，根据所述管道管径和管道长度确定天然气管道的管道范围，根据气量监测点位的传感器的最大覆盖区域、气量监测点位数量和天然气管道的管道范围获取气量监测点位的实际覆盖率作为适应度函数，所述实际覆盖率s的计算公式为
其中，s为气量监测点位的实际覆盖率；q为传感器的最大覆盖距离；xab为气量监测点位a与气量监测点位b之间的距离，ec为天然气管道的管道范围；
并引入随迭代次数改变的动态权重对粒子群算法进行改进，通过改进后的粒子群算法生成天然气管道预设范围内的气量监测点位器最佳布设位置，动态权重反映了粒子继承先前速度的比例，随粒子迭代次数进行改变，对粒子搜索进行优化，所述动态权重的计算公式为：
ω(i)＝ω(b)+i(ω(d)-ω(b))/Nmax
其中，ω(b)为初始动态权重；ω(d)为最终动态权重；i为迭代次数；Nmax为最大迭代次数。
需要进一步说明的是，在具体实施过程中，天然气管道的管道属性包括：管道管径、管道长度、管道类型、管道传输天然气的起点与终点；
所述管道类型包括主天然气输气管道、输气干管和分配管道；
所述主天然气输气管道是连接天然气生产地和消费地的长距离管道，主要用于将天然气从生产地输送到大城市或主要工业区，其通常具有较大的输送能力和输送距离，是天然气输送系统的主干线路；
所述输气干管是连接主天然气输气管道和用户之间的中间管道，用于将天然气从主干管道输送到地方城市、工业区或输气站，所述输气干管运输能力较主管道较小，但仍然具有较长的输送距离。
所述分配管道是将输送到地方的天然气从输气干管分配到最终用户的管道网络。它们通常是城市或地区的管道网，覆盖了住宅、工业和商业区域，分配管道的作用是将天然气分配到不同用户的需要，通过管道网络实现供应；
这三种管道的作用相互联系、相互依赖，主天然气输气管道是长距离、大容量的输送通道，输气干管连接主管道与用户之间，而分配管道则负责将天然气从输气干管分配到各个最终用户，这些管道共同构成了天然气传输网络，实现了从产地到用户端的天然气输送。
需要进一步说明的是，在具体实施过程中，不同管道属性的天然气管道对应的资源信息包括各天然气管道在当前监测周期内的天然气进出量和天然气储气量、天然气管道连接的用户终端数量、天然气管道连接的用户终端在当前监测周期内的天然气用量以及用户天然气用量峰值时间。
需要进一步说明的是，在具体实施过程中，构建气量调度全流程拓扑图的过程包括：
获取当前天然气传输过程中各流程子序列对应的天然气管道的物理实体，获取当前天然气传输过程中各流程子序列对应的天然气管道的气量监测点位的多源异构数据，并对多源异构数据进行数据格式预处理；
将天然气管道的物理实体进行三维建模处理映射到数字空间，将预处理后的多源异构数据生成孪生数据，获取目标天然气传输网络管道的网络拓扑结构，根据所述网络拓扑结构将数字空间中的三维模型进行装配连接，在三维模型上设置API接口，将各流程子序列作为数字孪生拓扑图的节点，将各天然气管道之间的装配顺序及作为节点之间的连接关系，将孪生数据与三维模型进行匹配获得数字孪生拓扑图；
根据各流程子序列对应的管道属性和资源信息获取各不同处理场景信息，将不同处理场景信息处理为场景序列，将所述场景序列存储到数字空间，将当前数字孪生有向图中天然气管道的三维模型结合各流程子序列当前场景序列生成气量调度全流程拓扑图。
需要进一步说明的是，在具体实施过程中，所述处理场景信息表示各流程子序列当前时刻输气干管输送的天然气输气量、分配管道连接的用户终端数量、分配管道连接的用户终端当前时刻的用气量、当前季节以及当日天然气进出量峰值时间。
需要进一步说明的是，在具体实施过程中，在所述气量调度全流程拓扑图的基础上添加气量调度全流程预测模型，获取各流程子序列当前监测周期内的预测场景序列以及预测场景序列对应的预测天然气流量数据的过程包括：
基于图卷积神经网络构建气量调度全流程预测模型，在气量调度全流程拓扑图中各天然气管道的三维模型API接口上链接气量调度全流程预测模型；
根据目标天然气管网在不同场景序列下的历史天然气流量监测数据构建历史数据集，将所述历史数据集划分为训练集以及测试集；
将所述训练集输入到所述气量调度全流程预测模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述气量调度全流程预测模型进行测试，直至符合预设要求，输出所述气量调度全流程预测模型；
根据所述气量调度全流程预测模型获取当前监测周期内的预测场景序列以及预测场景序列对应的预测天然气流量数据。
需要进一步说明的是，在具体实施过程中，将各流程子序列的所述预测场景序列与实时场景序列进行相似度比较，根据相似度比较结果对天然气管网气量调度过程进行实时监控及控制的过程包括：
获取当前监测周期内各流程子序列的实时场景序列，将所述实时场景序列与预测场景序列进行相似度比较，设置相似度阈值；
若所述相似度大于等于相似度阈值，则将当前监测周期内各流程子序列的预测场景序列对应的预测天然气流量数据作为标准阈值，随后基于所述标准阈值完成所有流程子序列的调度监测过程，并根据调度监测结果对天然气管网进行天然气流量补偿调整；
若所述相似度小于相似度阈值，则对各个流程子序列的进行标准阈值设置的排序，根据排序结果依次获取各流程子序列的标准阈值，随后基于标准阈值依次完成各流程子序列的调度监测过程，并根据调度监测结果对天然气管网进行天然气流量补偿调整。
需要进一步说明的是，在具体实施过程中，对各个流程子序列的进行标准阈值设置的排序的过程包括：
获取各流程子序列的气量监测点位在不同场景序列下的产生供应不稳定警报信号的历史发生频率，根据所述历史发生频率获取各流程子序列的不同场景序列下的调度异常概率；
根据气量调度全流程拓扑图中各个节点的邻接矩阵计算对其他节点的供应稳定性影响程度；
根据各流程子序列在不同场景序列下的调度异常概率和各流程子序列的供应稳定性影响程度获取各流程子序列的综合异常率；
通过综合异常率对各个流程子序列进行顺序排序，获取各个流程子序列的进行标准阈值设置的排序结果。
需要进一步说明的是，在具体实施过程中，根据气量调度全流程拓扑图中各个节点的邻接矩阵计算对其他节点的供应稳定性影响程度的具体计算公式为：
其中，L(j+1)，L(j)分别表示第j+1，j次迭代后某流程子序列对其它流程子序列的供应稳定性影响程度；L＝(L1，L2，...，Ln)T，其具体数值通过节点邻接矩阵得出；θ表示阻尼因子；(KT)′表示状态转移矩阵；E表示元素全为1的n×1矩阵；N表示流程子序列的数量。
需要进一步说明的是，在具体实施过程中，根据各流程子序列在不同场景序列下的调度异常概率和各流程子序列的供应稳定性影响程度获取各流程子序列的综合异常率的具体计算公式为：
Ri＝Rui+Li(1-Rji)Rui
其中，Ri表示流程子序列i的综合异常率；Rui表示流程子序列i的在不同场景序列下的调度异常概率进行平均求和后的平均调度异常概率；Li表示流程子序列i对其他流程子序列的供应稳定性影响程度；Rji其他流程子序列的在不同场景序列下的调度异常概率进行平均求和后的平均调度异常概率。
需要进一步说明的是，在具体实施过程中，根据排序结果依次获取各流程子序列的标准阈值，随后基于标准阈值依次完成各流程子序列的调度监测过程包括：
获取当前监测周期气量监测点位监测的天然气流量，获取不同场景序列下当前监测周期气量监测点位的天然气流量平均值；
提取当前监测周期气量监测点位的处理场景信息，获取与所述气量监测点位的处理场景信息一致的天然气流量平均值，将所述天然气流量平均值设置为标准阈值，将所述天然气流量与天然气流量平均值进行比较，获取所述天然气流量与天然气流量平均值的偏差值；
设置偏差阈值，若所述偏差值小于等于偏差阈值，则证明气量监测点位所属的流程子序列的供应稳定性符合预设标准，并进行下一流程子序列的标准阈值设置过程；
若所述偏差值大于偏差阈值，则证明气量监测点位所属的流程子序列的供应稳定性不符合稳定性标准，并生成供应稳定性不合格警报信号，并对气量监测点位所属的流程子序列进行天然气流量补偿调整。
需要进一步说明的是，在具体实施过程中，获取不同处理场景信息下各个气量监测点位的不同时间段的天然气流量的阈值范围的过程包括：
获取不同场景序列下各个气量监测点位的历史天然气流量，对不同处理场景信息下各个气量监测点位的历史天然气流量进行求和平均处理，获取不同处理场景信息下各个气量监测点位的不同时间段的天然气流量平均值；
例如，当流程子序列所处的处理场景信息为北方的寒冷的冬季时，供暖需求较高，许多地区会使用天然气作为主要的供暖燃料，因此，冬季时天然气用量会显著增加，家庭、商业和工业用户会增加供暖设备的使用，导致天然气流量平均值的上升；
当流程子序列所处的处理场景信息为温暖或炎热的季节，这时人们的供暖需求相对较低，由于不需要大量供暖，天然气流量平均值会下降，但是，一些商业和工业用户仍然需要天然气用于空调系统和生产过程等，对天然气的需求仍然存在。
需要进一步说明的是，在具体实施过程中，当生成供应稳定性不合格警报信号时，获取生成供应稳定性不合格警报信号所在气量监测节点的位置信息，获取与所述气量监测节点位置距离最近的同一流程子序列的其它气量监测节点的天然气流量数据，获取其它气量监测节点的天然气流量数据与所述气量监测节点的天然气流量数据的邻近偏差值；
根据所述邻近偏差值设置差值阈值，将所述邻近偏差值与差值阈值进行对比；
若所述邻近偏差值小于等于差值阈值，则生成气量监测节点的传感器正常信息；
若所述邻近偏差值大于差值阈值，则生成气量监测节点的传感器故障警报信息，并安排人员对传感器故障进行维修。
需要进一步说明的是，在具体实施过程中，对气量监测点位所属的流程子序列进行天然气流量补偿调整的过程包括：
基于气量调度全流程可视图获取与所述流程子序列存在装配连接关系的其他流程子序列，获取其他流程子序列可调度的储气量之和，通过调度所述储气量之和对天然气流量补偿调整。
需要进一步说明的是，在具体实施过程中，对气量监测点位所属的流程子序列进行天然气流量补偿调整后，若气量监测点位的天然气流量仍不符合阈值标准，则将流程子序列的气量调度难度评价为高；若气量监测点位的天然气流量符合阈值标准，则将流程子序列的气量调度难度评价为低。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.一种基于大数据天然气传输网络的气量调度评价方法，其特征在于，包括以下步骤：
步骤S1：获取目标天然气传输网络的传输流程特性，根据所述传输流程特性将天然气传输过程划分为若干流程子序列，并在各流程子序列设置气量监测点位；
步骤S2：构建气量调度全流程拓扑图，在所述气量调度全流程拓扑图的基础上添加气量调度全流程预测模型，获取各流程子序列当前监测周期内的预测场景序列以及预测场景序列对应的预测天然气流量数据；
步骤S3：各流程子序列的所述预测场景序列与实时场景序列进行相似度比较，根据相似度比较结果对天然气管网气量调度过程进行实时监控及控制。
2.根据权利要求1所述的一种基于大数据天然气传输网络的气量调度评价方法，其特征在于，获取目标天然气传输网络的传输流程特性，根据所述传输流程特性将天然气传输过程划分为若干流程子序列，并在各流程子序列设置气量监测点位的过程包括：
获取目标天然气传输网络的传输流程特性，根据所述传输流程特性提取流程信息，所述传输流程特性包括天然气传输需要经过的不同管道属性的天然气管道以及不同管道属性的天然气管道对应的资源信息，根据流程信息将目标天然气传输网络的天然气传输过程进行拆分，划分为若干流程子序列；
根据各流程子序列中的传输流程特性选取评价指标，设置评价指标的指标权重和重要性等级，通过模糊综合评价判断各流程子序列对于重要性等级的隶属度矩阵；
根据隶属度矩阵及指标权重获取各流程子序列的重要性等级，预设重要性等级阈值，通过流程子序列的重要性等级与预设重要性等级阈值进行对比，将符合预设重要性等级阈值的流程子序列设置气量监测点位，并根据流程子序列的重要性等级确定气量监测点位的布设数量及取点分布。
3.根据权利要求2所述的一种基于大数据天然气传输网络的气量调度评价方法，其特征在于，构建气量调度全流程拓扑图的过程包括：
获取当前天然气传输过程中各流程子序列对应的天然气管道的物理实体，获取当前天然气传输过程中各流程子序列对应的天然气管道的气量监测点位的多源异构数据，并对多源异构数据进行数据格式预处理；
将天然气管道的物理实体进行三维建模处理映射到数字空间，将预处理后的多源异构数据生成孪生数据，获取目标天然气传输网络管道的网络拓扑结构，根据所述网络拓扑结构将数字空间中的三维模型进行装配连接，在三维模型上设置API接口，将各流程子序列作为数字孪生拓扑图的节点，将各天然气管道之间的装配顺序及作为节点之间的连接关系，将孪生数据与三维模型进行匹配获得数字孪生拓扑图；
根据各流程子序列对应的管道属性和资源信息获取各不同处理场景信息，将不同处理场景信息处理为场景序列，将所述场景序列存储到数字空间，将当前数字孪生有向图中天然气管道的三维模型结合各流程子序列当前场景序列生成气量调度全流程拓扑图。
4.根据权利要求3所述的一种基于大数据天然气传输网络的气量调度评价方法，其特征在于，在所述气量调度全流程拓扑图的基础上添加气量调度全流程预测模型，获取各流程子序列当前监测周期内的预测场景序列以及预测场景序列对应的预测天然气流量数据的过程包括：
基于图卷积神经网络构建气量调度全流程预测模型，在气量调度全流程拓扑图中各天然气管道的三维模型API接口上链接气量调度全流程预测模型；
根据各流程子序列在不同场景序列下的历史天然气流量监测数据构建历史数据集，将所述历史数据集划分为训练集以及测试集；
将所述训练集输入到所述气量调度全流程预测模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述气量调度全流程预测模型进行测试，直至符合预设要求，输出所述气量调度全流程预测模型；
根据所述气量调度全流程预测模型获取当前监测周期内各流程子序列的预测场景序列以及预测场景序列对应的预测天然气流量数据。
5.根据权利要求4所述的一种基于大数据天然气传输网络的气量调度评价方法，其特征在于，将各流程子序列的所述预测场景序列与实时场景序列进行相似度比较，根据相似度比较结果对天然气管网气量调度过程进行实时监控及控制的过程包括：
获取当前监测周期内各流程子序列的实时场景序列，将所述实时场景序列与预测场景序列进行相似度比较，设置相似度阈值；
若所述相似度大于等于相似度阈值，则将当前监测周期内各流程子序列的预测场景序列对应的预测天然气流量数据作为标准阈值，随后基于所述标准阈值完成所有流程子序列的调度监测过程，并根据调度监测结果对天然气管网进行天然气流量补偿调整；
若所述相似度小于相似度阈值，则对各个流程子序列的进行标准阈值设置的排序，根据排序结果依次获取各流程子序列的标准阈值，随后基于标准阈值依次完成各流程子序列的调度监测过程，并根据调度监测结果对天然气管网进行天然气流量补偿调整。
6.根据权利要求5所述的一种基于大数据天然气传输网络的气量调度评价方法，其特征在于，对各个流程子序列的进行标准阈值设置的排序的过程包括：
获取各流程子序列的气量监测点位在不同场景序列下的产生供应不稳定警报信号的历史发生频率，根据所述历史发生频率获取各流程子序列的不同场景序列下的调度异常概率；
根据气量调度全流程拓扑图中各个节点的邻接矩阵计算对其他节点的供应稳定性影响程度；
根据各流程子序列在不同场景序列下的调度异常概率和各流程子序列的供应稳定性影响程度获取各流程子序列的综合异常率；
通过综合异常率对各个流程子序列进行顺序排序，获取各个流程子序列的进行标准阈值设置的排序结果。
7.根据权利要求6所述的一种基于大数据天然气传输网络的气量调度评价方法，其特征在于，根据排序结果对依次获取各流程子序列的标准阈值，随后基于标准阈值依次完成各流程子序列的调度监测过程包括：
获取当前监测周期气量监测点位监测的天然气流量，获取不同场景序列下当前监测周期气量监测点位的天然气流量平均值；
提取当前监测周期气量监测点位的处理场景信息，获取与所述气量监测点位的处理场景信息一致的天然气流量平均值，将所述天然气流量平均值设置为标准阈值，将所述天然气流量与天然气流量平均值进行比较，获取所述天然气流量与天然气流量平均值的偏差值；
设置偏差阈值，若所述偏差值小于等于偏差阈值，则证明气量监测点位所属的流程子序列的供应稳定性符合预设标准，并进行下一流程子序列的标准阈值设置过程；
若所述偏差值大于偏差阈值，则证明气量监测点位所属的流程子序列的供应稳定性不符合稳定性标准，并生成供应稳定性不合格警报信号，并对气量监测点位所属的流程子序列进行天然气流量补偿调整。
8.根据权利要求7所述的一种基于大数据天然气传输网络的气量调度评价方法，其特征在于，对气量监测点位所属的流程子序列进行天然气流量补偿调整的过程包括：
基于气量调度全流程可视图获取与所述流程子序列存在装配连接关系的其他流程子序列，获取其他流程子序列可调度的储气量之和，通过调度所述储气量之和对天然气流量补偿调整。
CN202311392192.0A 2023-10-25 2023-10-25 一种基于大数据天然气传输网络的气量调度评价方法 Pending CN117575341A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311392192.0A CN117575341A (zh) 2023-10-25 2023-10-25 一种基于大数据天然气传输网络的气量调度评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311392192.0A CN117575341A (zh) 2023-10-25 2023-10-25 一种基于大数据天然气传输网络的气量调度评价方法

Publications (1)

Publication Number Publication Date
CN117575341A true CN117575341A (zh) 2024-02-20

Family

ID=89861368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311392192.0A Pending CN117575341A (zh) 2023-10-25 2023-10-25 一种基于大数据天然气传输网络的气量调度评价方法

Country Status (1)

Country Link
CN (1) CN117575341A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150308919A1 (en) * 2014-04-28 2015-10-29 Northeastern University Intelligent adaptive system and method for monitoring leakage of oil pipeline networks based on big data
CN109064033A (zh) * 2018-08-07 2018-12-21 中国海洋石油集团有限公司 一种天然气管网的气量调度方法
CN113129164A (zh) * 2021-04-13 2021-07-16 中海石油气电集团有限责任公司 一种天然气管网天然气流量压力调度决策指标的计算方法
CN114528674A (zh) * 2022-02-14 2022-05-24 寰清能源科技(上海)有限公司 天然气长输管道管网流量计算和表决方法及系统
CN116307206A (zh) * 2023-03-23 2023-06-23 杭州电子科技大学 基于分段图卷积和时间注意力机制的天然气流量预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150308919A1 (en) * 2014-04-28 2015-10-29 Northeastern University Intelligent adaptive system and method for monitoring leakage of oil pipeline networks based on big data
CN109064033A (zh) * 2018-08-07 2018-12-21 中国海洋石油集团有限公司 一种天然气管网的气量调度方法
CN113129164A (zh) * 2021-04-13 2021-07-16 中海石油气电集团有限责任公司 一种天然气管网天然气流量压力调度决策指标的计算方法
CN114528674A (zh) * 2022-02-14 2022-05-24 寰清能源科技(上海)有限公司 天然气长输管道管网流量计算和表决方法及系统
CN116307206A (zh) * 2023-03-23 2023-06-23 杭州电子科技大学 基于分段图卷积和时间注意力机制的天然气流量预测方法

Similar Documents

Publication Publication Date Title
CN108916986B (zh) 信息物理融合的二级管网变流量水力平衡调控方法及系统
CN115355447B (zh) 一种基于物联网的智慧燃气门站调压优化方法和系统
CN111125938B (zh) 基于次优算法的大型中央空调冷冻水管网优化设计方法
CN107067119B (zh) 一种基于多目标分层选择的多工况给水管网优化方法
CN109307159A (zh) 一种基于用水量优化预测模型的管网漏损报警方法
CN109064033B (zh) 一种天然气管网的气量调度方法
CN111276976B (zh) 一种用于复杂能源互联系统极端事件的应急响应方法
CN113988655A (zh) 一种计及多气象因素的输电线路运行状态评估方法
Kofinas et al. Daily multivariate forecasting of water demand in a touristic island with the use of artificial neural network and adaptive neuro-fuzzy inference system
CN110795845B (zh) 一种供热系统裕度量化计算方法和系统
CN114936742A (zh) 一种供水系统调度代理决策方法
CN117575341A (zh) 一种基于大数据天然气传输网络的气量调度评价方法
CN111062576A (zh) 一种基于dma分区最不利点的压力管理系统
CN116415708B (zh) 考虑置信水平的电网鲁棒规划方法
CN114110716B (zh) 一种热电机组的运行能效监测控制系统、方法、计算机设备及存储介质
CN116485582A (zh) 一种基于深度学习的供热优化调控方法及装置
CN113701232B (zh) 基于温度多样性分析的供热系统楼宇级调控方法及系统
CN104713410A (zh) 一种调控冷却塔出水温度的方法
CN115730228A (zh) 基于bp神经网络的中央空调能耗分析方法
Wu et al. Neural network based feasible region approximation model for optimal operation of integrated electricity and heating system
CN113361763B (zh) 一种输气管网的全时段运行优化方法及系统
CN117273465B (zh) 一种梯级水电枢纽群风险传递方法
CN116719357B (zh) 一种供水管网压力调节方法、装置及设备
CN111612266B (zh) 考虑清洁能源利用率的水电集群送出网架优化方法
CN111612271B (zh) 考虑清洁能源利用率的清洁能源外送规划及运行优化方法

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