«Автоматизация и информатизация ТЭК»

О возможности использования технологии машинного обучения для моделирования компрессорной станции магистрального газопровода

УДК: 681.5:622.279
DOI: -

Авторы:

¹ Газпром трансгаз Чайковский, Чайковский, Россия
² НИИгазэкономика, Москва, Россия

Ключевые слова: компрессорная станция, математическое моделирование, динамическая система, машинное обучение, нейронные сети

Аннотация:

В статье исследуются вопросы разработки нейросетевой модели сложной технической системы – компрессорной станции, оценки адекватности и целесообразности использования таких моделей при построении цифровых двойников фрагментов газотранспортных систем. Предполагается, что такая модель обладает рядом преимуществ, в том числе позволяет естественным образом учитывать данные фактических режимов технологической системы, дает быстрый способ решения ряда оптимизационных задач. Для формирования нейросетевой модели предусматривается использование подходов машинного обучения на реальных или модельных данных функционирования компрессорной станции. В статье предложено несколько различных нейросетевых моделей и сделан вывод о лучшей модели для исследуемой технологической системы.

Список литературы:

1. Варламов Г.Б., Приймак Е.А. Фактические характеристики оборудования компрессорных станций и оптимизация загрузки магистрального газопровода // Восточно-Европ. журн. передовых технологий. – 2013. – Т. 5, № 8(65). – С. 9–13.
2. Булыгина Л.В. Оптимизация режимов работы компрессорной станции c целью повышения локальной и системной энергоэффективности газотранспортной системы // Наука и техника в газовой пром-сти. – 2019. – № 1(77). – С. 53–68.
3. Крюков О.В. Комплексная оптимизация энергопотребления агрегатов компрессорных станций // Экспозиция Нефть Газ. – 2015. – № 1(40). – С. 30–33.
4. Dynamic simulation of natural gas pipeline network based on interpretable machine learning model / Dengji Zhou, Xingyun Jia, Shixi Ma [et al] // Energy. – 2022. – Vol. 253. – P. 124068. – DOI: 10.1016/j.energy.2022.124068
5. Rodrigues L.R. A hybrid multi-population metaheuristic applied to load-sharing optimization of gas compressor stations // Computers & Electrical Engineering. – 2022. – Vol. 97. – P. 107632. – DOI: 10.1016/j.compeleceng.2021.107632
6. 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.
7. Vaszi Z., Szabó C., Varga A. Implementing the mathematical model of the throughput of compressor station aggregates // Nonlinear Analysis: Modelling and Control. – 2015. – Vol. 20, No. 2. – P. 291–304. – DOI: 10.15388/NA.2015.2.10
8. Botros K.K. Transient Phenomena in Compressor Stations During Surge // J. of Engineering for Gas Turbines and Power. – 1994. – Vol. 116, No. 1. – P. 133–142. – DOI: 10.1115/1.2906782
9. Pyanylo Ya.D., Gladun S.V. Optimization of energy costs for gas transportation in complex gas transmission systems // Annals of the Faculty of Engineering Hunedoara – Int. J. of Engineering. – 2015. – Vol. 13, No. 3. – P. 31–36.
10. Sukharev M.G., Kulalaeva M.A. Identification of model flow parameters and model coefficients with the help of integrated measurements of pipeline system operation parameters // Energy. – 2021. – Vol. 232. – P. 120864. – DOI: 10.1016/j.energy.2021.120864
11. Статистическая математическая модель расчета коэффициента полезного действия компрессоров турбодетандерных агрегатов: усовершенствование и идентификация / Ю.Б. Галеркин, А.Ф. Рекстин, О.А. Соловьева [и др.] // Изв. высших учеб. заведений. Машиностроение. – 2022. – № 7(748). – С. 68–81. – DOI: 10.18698/0536-1044-2022-7-68-81
12. Carter R.G. Compressor Station Optimization: Computational Accuracy and Speed // PSIG Annual Meeting, San Francisco, California, Oct. 23–25, 1996. – PSIG, 1996. – С. PSIG-9605.
13. 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.
14. 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.
15. Zhenhao Tang, Zijun Zhang. The multi-objective optimization of combustion system operations based on deep data-driven models // Energy. – 2019. – Vol. 182. – P. 37–47. – DOI: 10.1016/j.energy.2019.06.051
16. Batayev N., Onbayev A. Prediction of Gas Turbine Parameters based on Machine Learning Regression Methods // The 6th Int. Virtual Conf. on Advanced Scientific Results. – 2018. – P. 217–221. – DOI: 10.18638/scieconf.2018.6.1.495
17. Applying Artificial Neural Network to Optimize the Performance of the Compressor Station: A Case Study / I. Đuračić, M. Stojkov, T. Šarić [et al.] // Tehnički vjesnik. – 2021. – Vol. 28, No. 4. – P. 1197–1202. – DOI: 10.17559/TV-20200926113750
18. Online Feedback Optimization of Compressor Stations with Model Adaptation using Gaussian Process Regression / M. Zagorowska, M. Degner, L. Ortmann [et al.] // J. of Process Control. – 2023. – Vol. 121. – P. 119–133. – DOI: 10.1016/j.jprocont.2022.12.001
19. Vilalta P.C., Hui Wan, Patnaik S.S. Centrifugal Compressor Performance Prediction Using Gaussian Process Regression and Artificial Neural Networks // ASME Int. Mechanical Engineering Congress and Exposition, Salt Lake City, Utah, USA, Nov. 11–14, 2019. – American Society of Mechanical Engineers, 2019. – DOI: 10.1115/IMECE2019-11936
20. Application of Gaussian Processes to online approximation of compressor maps for load-sharing in a compressor station / A. Ahmed, M. Zagorowska, E.A. del Rio-Chanona, M. Mercangöz // 2022 European Control Conf. (ECC), London, UK, July 12–15, 2022. – IEEE, 2022. – P. 205–212. – DOI: 10.23919/ECC55457.2022.9838042
21. Multiobjective Tree-structured Parzen Estimator for Computationally Expensive Optimization Problems / Yo. Ozaki, Yu. Tanigaki, S. Watanabe, M. Onishi // Proceedings of the 2020 genetic and evolutionary computation conf., Cancún, Mexico, July 8–12, 2020. – New York, NY, United States: Association for Computing Machinery, 2020. – P. 533–541. – DOI: 10.1145/3377930.3389817