«Автоматизация и информатизация ТЭК»

Построение модели верхнего уровня агрегации для имитационных расчетов нестационарных режимов работы газотранспортной системы Единой системы газоснабжения

УДК: 681.5:622.279
DOI: -

Авторы:

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

Ключевые слова: системный анализ, газотранспортные системы, нестационарное моделирование, машинное обучение, Единая система газоснабжения

Аннотация:

В статье представлены подходы к практическому применению изложенных ранее моделей [1], а также приведены разработанные авторами алгоритмы расчета динамики потоков газа по всей газотранспортной системе (ГТС) Единой системы газоснабжения (ЕСГ) с помощью моделей машинного обучения, получения прогноза оценок граничных условий в выбранных точках ГТС. Основой представленного научного исследования является применение методов системного анализа для построения адекватных результатов расчета динамики потоков газа по крупным ГТС. В ходе исследования рассмотрены вопросы формирования агрегированной расчетной схемы ГТС ЕСГ и подготовки необходимых исходных данных. Для построенной модели верхнего уровня детализации разработан метод расчета, основанный на комбинации алгоритмов линейной оптимизации и технологий машинного обучения. Отмечается целесообразность проведения уточняющих расчетов для отдельных фрагментов ГТС с помощью моделей с большей детализацией, построенных на обучающей выборке по результатам численных экспериментов с использованием физических моделей.

Список литературы:

1. Практическая реализация применения нейросетевых моделей для моделирования сложных газотранспортных систем большой размерности / Н.А. Кисленко, С.Н. Панкратов, В.В. Дедкова [и др.] // Автоматизация и информатизация ТЭК. – 2024. – № 9(614). – С. 33–41.
2. Algorithms and Theory of Computation Handbook. Optimization Problem. – CRC Press, 1999. – URL: https://www.nist.gov/dads/HTML/optimization.html (дата обращения 24.12.2022).
3. Dutta S. Optimization in Chemical Engineering. – 2016. – URL: https://www.researchgate.net/publication/308725162_Optimization_in_Chemical_Engineering (дата обращения 24.12.2022).
4. Yang Xin-She. Nature-Inspired Optimization Algorithms. – Second Edition. – Academic Press, 2020. – 310 p. – URL: https://www.researchgate.net/publication/344443170_Nature-Inspired_Optimization_Algorithms_Second_Edition (дата обращения 24.12.2022).
5. Кочегурова Е.А. Теория и методы оптимизации: учеб. пособие для вузов. – М.: Юрайт, 2021. – 133 с.
6. Сухарев М.Г., Ставровский Е.Р. Оптимизация систем транспорта газа. – М.: Недра, 1975. – 277 с.
7. Смирнов В.А., Гарляускас А.И., Фирер А.С. Математические модели и их применение в оптимизационных расчетах единой газоснабжающей системы: темат. науч.-техн. обзор. – М.: ВНИИЭгазпром, 1971. – 60 с.
8. Гольштейн Е.Г., Юдин Д.Б. Задачи линейного программирования транспортного типа. – М.: Наука, 1969. – 382 с.
9. Ху Т. Целочисленное программирование и потоки в сетях / пер. с англ. П.Л. Бузыцкого, Е.В. Левнера, Б.Г. Литвака; под ред. Л.Л. Фридмана. – М.: Мир, 1974. – 520 с.
10. Казак А.С., Олейников А.В. Применение методов системного анализа для построения цифровых двойников фрагментов газотранспортных систем на основе нейросетевого моделирования (основные положения методологии анализа и синтеза) // Автоматизация и информатизация ТЭК. – 2024. – № 1(606). – С. 5–12.
11. Исследование целесообразности нейросетевого моделирования режимов работы компрессорных станций / А.В. Олейников, А.С. Казак, А.В. Белинский [и др.] // Автоматизация и информатизация ТЭК. – 2024. – № 2(607). – С. 10–19.
12. О новом методе цифрового моделирования нестационарных режимов течения газа в магистральных газопроводах с применением нейронных операторов / А.В. Белинский, Д.В. Горлов, И.А. Пятышев, А.Е. Титов // Газовая пром-сть. – 2024. – № 5(865). – С. 54–66.