КРАТКОСРОЧНОЕ СТОХАСТИЧЕСКОЕ ПРОГНОЗИРОВАНИЕ ДИНАМИКИ ПОТОКОВ И ЗАПАСОВ ГАЗА В ЕДИНОЙ СИСТЕМЕ ГАЗОСНАБЖЕНИЯ РОССИИ НА ОСНОВЕ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ
УДК: 681.5:622.279
DOI: 10.33285/0132-2222-2021-9(578)-27-35
Авторы:
КИСЛЕНКО НИКОЛАЙ АНАТОЛЬЕВИЧ 1,2,
БЕЛИНСКИЙ АЛЕКСАНДР ВЯЧЕСЛАВОВИЧ2,
КАЗАК АЛЕКСАНДР СОЛОМОНОВИЧ 2,
БЕЛИНСКАЯ ОЛЬГА ИГОРЕВНА
1 ПАО "Газпром", г. Санкт-Петербург, Россия
2 ООО "НИИгазэкономика", г. Москва, Россия
Ключевые слова: газотранспортная система; модель оптимального управления; оперативное прогнозирование; стохастическое прогнозирование; технологии глубокого машинного обучения; рекуррентные нейронные сети.
Аннотация:
В статье рассматривается актуальная задача оперативного прогнозирования динамики крупной инженерной системы - Единой системы газоснабжения России (ЕСГ). В качестве пространства состояний ЕСГ выбрано непрерывное множество балансово-потоковых переменных, характеризующих объем транспортировки газа по газотранспортным системам - фрагментам ЕСГ, а также объем газа, аккумулированного в трубопроводах этих систем. Ставится задача моделирования динамики функционирования ЕСГ по заданной динамике объемов поступления и распределения газа в ЕСГ. Отмечается, что адекватные модели должны учитывать стохастический характер функционирования ЕСГ, а также нелинейные взаимосвязи между параметрами, характеризующими состояние системы. Показано, что существующие в отрасли модели не обеспечивают приемлемого решения этой задачи. Предложена модель, основанная на технологиях глубокого машинного обучения и современных архитектурах рекуррентных нейронных сетей. Обучение модели, имеющей прикладное значение, выполнено на фактических данных суточных балансов газа по газотранспортным предприятиям в 2010-2020 гг. Обсуждаются преимущества модели и ее особенности, требующие дальнейших исследований. Предполагается, что предложенные подходы получат развитие в виде новых моделей оптимального управления ЕСГ, которые также затрагиваются в работе.
Список литературы:
1. Айвазян С.А., Фантаццини Д. Эконометрика-2: продвинутый курс с приложениями в финансах: учеб. - М.: Магистр; Инфра-М. - 2015. - 944 с.
2. Белинский А.В. Влияние газоснабжения и газификации на экономический рост российских регионов (эконометрический подход) // Газовая пром-сть. - 2018. - № S2(770). - С. 6-13.
3. Белинский А.В. Deep Reinforcement Learning в управлении крупными инженерными системами // Альманах "Искусственный интеллект". - М., 2020.
4. Кисленко Н.А., Казак А.С., Косова К.О. Регрессионный подход к прогнозу запаса газа в ГТС // Автоматизация, телемеханизация и связь в нефтяной промышленности. - 2020. - № 3(560). - С. 15-21. - DOI: 10.33285/0132-2222-2020-3(560)-15-21
5. Сарданашвили С.А. Расчетные методы и алгоритмы (трубопроводный транспорт газа). - М.: Нефть и газ, 2005. - 577 с.
6. Сухарев М.Г., Самойлов Р.В. Анализ и управление стационарными и нестационарными режимами транспорта газа: моногр. - М.: Изд. центр РГУ нефти и газа (НИУ) им. И.М. Губкина, 2016. - 399 с.
7. Belinsky A.V. Gas pipeline infrastructure and economic growth of Russian regions: panel cointegration analysis // E3S Web of Conferences. - 2019. - Vol. 102. Mathematical Models and Methods of the analysis and Optimal Synthesis of the Developing Pipeline and Hydraulic Systems, Irkutsk, Russia, June 16-22. - DOI: 10.1051/e3sconf/201910202002
8. Belinsky A., Afanasev V. Optimal Control of Energy Pipeline Systems Based on Deep Reinforcement Learning // "Smart Technologies" for Society, State and Economy (Lecture Notes in Networks and Systems, vol. 155). - Cham: Springer, 2021. - P. 1348-1355. - DOI: 10.1007/978-3-030-59126-7_148
9. Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation / Kyunghyun Cho, B. van Merrienboer, C. Gulcehre [et al]. - 2014. - URL: https://arxiv.org/pdf/1406.1078.pdf
10. Hinton G.E., Roweis S.T. Stochastic Neighbor Embedding // Advances in Neural Information Processing Systems. - Cambridge, MA, USA: The MIT Press, 2003. - Vol. 15. - P. 833-840.
11. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural computation. - 1997. - Vol. 9, Issue 8. - P. 1735-1780. - DOI: 10.1162/neco.1997.9.8.1735
12. Jungsik Hwang. Modeling Financial Time Series using LSTM with Trainable Initial Hidden States. - 2020. - URL: https://arxiv.org/ftp/arxiv/papers/2007/2007.06848.pdf
13. Application of Long Short-Term Memory (LSTM) Neural Network for Flood Forecasting / Xuan-Hien Le, Hung Viet Ho, Giha Lee, Sungho Jung // Water. - 2019. - Vol. 11, Issue 7. - DOI: 10.3390/w11071387
14. Manibardo E.L., Laña I., Del Ser J. Deep Learning for Road Traffic Forecasting: Does it Make a Difference? - 2020. - URL: https://arxiv.org/pdf/2012.02260.pdf
15. Siami-Namini S., Tavakoli N., Siami Namin A. A Comparison of ARIMA and LSTM in Forecasting Time Series // 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), Orlando, FL, USA, Dec. 17-20. - 2018. - P. 1394-1401. - DOI: 10.1109/ICMLA.2018.00227
16. Sutskever I., Vinyals O., Le Q.V. Sequence to sequence learning with neural networks // Advances in neural information processing systems. - 2014. - P. 3104-3112. - URL: https://papers.nips.cc/paper/5346-sequence-to-sequence-learning-with-neural-networks.pdf
Назад в номер