«Автоматизация и информатизация ТЭК»

Об обоснованности применения, современном состоянии и некоторых перспективах развития нейросетевых моделей Единой системы газоснабжения России

УДК: 519.673
DOI: 10.33285/2782-604X-2022-5(586)-6-17

Авторы:

¹ Газпром, Санкт-Петербург, Россия
² НИИгазэкономика, Москва, Россия

Ключевые слова: газотранспортная система, Единая система газоснабжения, математическое моделирование, оптимизация, искусственный интеллект, машинное обучение, нейронные сети

Аннотация:

Успехи развития современных компьютерных технологий открывают новые возможности для решения актуальных задач газовой отрасли. К их числу относятся так называемые задачи верхнего уровня управления, направленные на исследование особенностей работы Единой системы газоснабжения (ЕСГ) России в целом при штатных и пиковых режимах работы. Решение этих задач предусматривает поиск системных управляющих воздействий, минимизирующих некоторую общесистемную целевую функцию, при ограничениях, характеризующих производственные мощности и загрузку крупных объектов и подсистем ЕСГ. В этих задачах технологические нюансы работы отдельных технологических объектов отходят на второй план. Основное внимание в них сосредоточено на анализе достаточности производственной мощности системы для удовлетворения спроса на газ внутри России и выполнения экспортных контрактных обязательств. В статье рассматривается модель газотранспортной системы (ГТС) ЕСГ России, предназначенная для создания на ее основе расчетного инструмента для решения задач этого класса. Предложенная модель не претендует на замену существующих и развивающихся методов моделирования ГТС, когда речь идет об исследовании отдельных подсистем ЕСГ, но отличается двумя особенностями. Во-первых, в отличие от потоковых моделей, традиционно применяющихся в этих задачах, она позволяет учесть значимые технологические особенности ЕСГ (например, эффекты изменения объемов газа, аккумулированного в ГТС). Во-вторых, в отличие от более детальных гидравлических моделей, предложенная модель в руках специалиста является инструментом оперативного поиска рациональных решений по управлению ЕСГ в целом за счет использования нейросетевых аппроксимаций основных зависимостей, характеризующих работу подсистем ЕСГ и обеспечивающих высокую скорость вычислений. В статье доказывается обоснованность предложенного подхода к нейросетевому моделированию ЕСГ. Практическая значимость модели демонстрируется на примере исследования работы крупного фрагмента ГТС ЕСГ. Отмечается, что дальнейшее развитие нейросетевого моделирования ЕСГ должно быть скоординировано с развитием программных комплексов, предназначенных для детального моделирования режимов ГТС.

Список литературы:

1. 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. – 397 с.
2. Кисленко Н.А., Белинский А.В., Казак А.С. Методы, алгоритмы и инструменты моделирования и оптимизации режимов работы Единой системы газоснабжения России на основе технологий искусственного интеллекта. Часть 1 // Газовая пром-сть. – 2021. – № 9(821). – С. 88–96.
3. Кисленко Н.А., Белинский А.В., Казак А.С. Методы, алгоритмы и инструменты моделирования и оптимизации режимов работы Единой системы газоснабжения России на основе технологий искусственного интеллекта. Часть 2 // Газовая пром-сть. – 2021. – № 10(822). – С. 98–104.
4. Сарданашвили С.А. Расчетные методы и алгоритмы (трубопроводный транспорт газа). – М.: Нефть и газ, 2005. – 577 с.
5. Сухарев М.Г., Тверской И.В. О методологии применения математических моделей нейронных сетей к проблемам нефтегазового комплекса // Автоматизация и информатизация ТЭК. – 2022. – № 2(583). – С. 28–35. – DOI: 10.33285/2782-604X-2022-2(583)-28-35
6. Sukharev M., Popov R., Balchenko A. Multiple-criteria decision analysis for cross-country gas pipelines // E3S Web of Conf. – 2019. – Vol. 102. Mathematical Models and Methods of the Analysis and Optimal Synthesis of the Developing Pipeline and Hydraulic Systems. – DOI: 10.1051/e3sconf/201910203010
7. Сухарев М.Г., Попов Р.В., Бальченко А.С. Проблемы многокритериального управления многониточными коридорами газопроводов // Математические модели и методы анализа и оптимального синтеза развивающихся трубопроводных и гидравлических систем: тр. XV Всерос. науч. семинара, Иркутск, 5–11 сент. – Иркутск: ИСЭМ СО РАН, 2016. – С. 283–304.
8. Сухарев М.Г., Тверской И.В., Белинский А.В. Критерии эффективности и оптимальности технологических режимов газотранспортных систем // Математические модели и методы анализа и оптимального синтеза развивающихся трубопроводных и гидравлических систем: тр. XII Всерос. науч. семинара с междунар. участием, Ялта, 20–26 сент. – Иркутск: ИСЭМ СО РАН, 2010. – С. 334–346.
9. Энергоэффективные режимы газотранспортных систем и принципы их обеспечения / А.М. Карасевич, М.Г. Сухарев, А.В. Белинский [и др.] // Газовая пром-сть. – 2012. – № 1(672). – С. 30–34.
10. Р Газпром 2-3.5-647-2012. Методика экономичного управления низконапорными режимами газотранспортной системы. – М.: ОАО "Газпром", 2014. – IV, 51 с.
11. Р Газпром 8-017-2020. Оптимизация потоков газа по ГТС ЕСГ с учетом энергозатрат на транспортировку при диспетчерском управлении. – СПб.: Газпром экспо, 2020. – V, 31 с.
12. Гусев А.В., Киреев А.Ю. Структурный анализ состояния и перспективы развития диспетчерского управления ЕСГ РФ // Газовая пром-сть. – 2019. – № 2(780). – С. 16–22.
13. Оценка потенциала энергосбережения в магистральном транспорте газа: проблемы, реализация, перспективы / Г.А. Хворов, М.Н. Мацук, А.В. Белинский [и др.] // Газовая пром-сть. – 2017. – № 7(755). – С. 76–85.
14. Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press, 2016. – XVI, 782 p.
15. Белинский А.В. Deep Reinforcement Learning в управлении крупными инженерными системами // Альманах "Искусственный интеллект". – М., 2020.