西部天然气管网稳态运行优化研究

1中国石油西部管道分公司

2中国石油大学（北京）

3中国石油湖北销售分公司

在天然气资源开发和市场快速发展的带动下，我国天然气管道已超过7×104km，形成横跨东西、纵贯南北、连接中外的管网格局[1]，作为“一带一路”重要枢纽之一和我国西北能源战略通道的主要建设者与运营管理者，西部管道公司承担着将进口的中亚天然气以及新疆地区产的天然气和煤质气输往我国中部和东部地区的任务。

影响输气管道公司收益的最大因素是沿线各个站场的压缩机组所产生的能耗[2]，各站场压缩机能耗直接与各站场的运行压比相关，而在能耗最低目标下，各个站场的最佳压比并不是一个独立的变量，而是站场之间相互影响与相互约束的结果。每一个站场的最优操作压比都与整条管线的操作压比有关，因此通过现场经验往往很难得出一组整条管道各个站场最佳压比[3]。

西部天然气管网已逐渐实现互联互通，管网运行优化需综合考虑管道间的流量分配。由于管网内各条管线的管径、压气站数量与压缩机型号等参数皆不同，造成不同的管线通过同样的流量时所产生的能耗有所不同，因此在维持整个管网输送天然气总量不变的情况下，通过优化算法对各条管线的通过流量进行优化有着较大意义[4]。

西部天然气管网与独立的输气管道相比有着更为复杂的运行情况以及更多需要考虑的优化影响因素[5]，因此单一的优化算法无法很好地解决目前西部管道的优化问题，需要综合现代算法与传统算法的优势，形成一个适合西部管道情况并兼具经济性与可靠性的运行优化模型。本文基于SPS仿真方案库，结合深度学习建立了一种新的管网水力计算与压气站配置方法，以能耗最低或效益最优为目标，利用动态规划及循环判断方法，针对压力层级和流量层级优化维度搭建了西部天然气管网运行与调度优化模型。

1 技术路线

西部天然气管网相对于一般的输气管道，由于各条管线里程较长，压气站较多，且存在联络线（轮吐线），各管线之间互联互通，实际运行情况非常复杂。西部天然气管网的优化运行计算问题为大规模的混合整数非线性规划算法，传统的优化算法在面对如此复杂的问题时往往会陷入困境，出现计算量过大或无法收敛等问题，因此需对传统优化算法进行改进。针对西部天然气管网构建的优化算法应具有以下特点：①能够处理大规模的非线性约束优化问题；②稳定性强，对不同类型的目标函数和约束条件均有效；③求解精度和效率较高，适合生产实际应用。

优化算法按照时间顺序可分为传统算法和现代算法，两类方法各有优缺点。现代算法的核心是人工智能计算，如深度学习、微粒群法、遗传算法等，它们对初值的依赖度不高，可处理的计算量较大，在进行复杂问题的计算时效率要优于传统算法，但计算精度较低[6]。在传统算法中，运用到优化模型求解的主要有线性逼近法、复合形法、动态规划法以及各种算法的改进方法[7]，传统方法不易于处理过于复杂的优化问题，但其计算精度较高。

为了既能满足生产需求，同时又降低算法本身对目标函数和约束条件的依赖性，应选取一种能够保证计算效率和稳定性的算法。本模型最终选择了一种混合型的优化算法，结合了传统算法中的动态规划与现代算法中的深度学习，如图1所示。

图1 优化方法简图Fig.1 Diagram of optimization methods

2 单线管道优化模型搭建

在搭建整个管网的优化运行模型之前，需要先对单线管道的优化运行模型进行搭建。动态规划算法在求解单条管道的运行优化方案时有着高度的稳定性，但应用在西部管道这样大型的管道上时，所涉及的相关参数过多，难免会面临计算量过大，计算时间过长，甚至无法收敛的情况[8]。因此本模型将深度学习嵌入优化计算中，通过深度学习结合大量SPS计算结果搭建了水力计算与沿线开站方案计算模型，然后将深度学习模型融入传统的动态规划算法中形成混合优化模型，由于深度学习模型承担了优化计算中的部分功能，因此大大缩短了优化计算所需要的时间。

2.1 基于动态规划的输气管道优化原理

输气干线的运行过程遵循匹配原则：全线各压缩机站提供的总压力等于全线的总压降(包括摩阻与位差)，且管线的操作压力要满足管道强度、压缩机吸入性能等因素的约束，在线压缩机组的运行参数还应满足其本身性能的约束[9]。当一条天然气管线的输量、所输天然气的性质等一定时，按匹配原则一般可选择多种压气站出站压力组合与管线匹配，但其中必有一种压气站出站压力组合使全线的总动力费用最低，称之为全线最优压气站出站压力组合。对于任一条输气干线，任何压气站出站压力组合的确定都是先选出首站的出站压力方案，再逐站选择，直至末站，以得到一个可行的全线各压气站出站压力组合方案[10]。简略的计算步骤如下所示：①对当前管线的最优开站方案进行计算，即哪些压气站开启与哪些压气站关闭这一步由深度学习网络进行计算；②在固定首站进站压力的情况下，选定首站的出站压力方案组合；③通过对出站压力组合进行水力计算，得到下一站的进站压力组合，这一步由深度学习网络进行计算，若下一站不是末站则进入第4步骤，否则进入第5步骤；④得到了进站压力组合后，在压缩机允许范围内选定出此站的出站压力组合，最优出站压力依据站内能耗计算函数进行选择，之后继续从第3步骤开始；⑤得到了末站的进站压力组合后，选出能耗最低的一个进站压力方案进行算法回溯[11]，由当前进站压力回推得出上一站的出站压力与进站压力，逐站回推，最后得到整条管线中各个压力站的最优压力方案。

模型中深度学习网络承担了动态规划中的水力计算与开站方案计算，节省了大量动态规划的计算时间。

2.2 基于深度学习网络的水力计算模型

受到现场报表数据样本不足、部分样本存在错误以及运行工况较为集中等情况影响，难以直接利用现场数据进行训练，因此本文训练深度学习网络的数据库采用SPS模拟方案库，现场数据则用于调整与校核SPS仿真模型精确度[12]。

本文利用SPS软件搭建了西部天然气管网模型，在各管道系统可行的运行方案范围内以流量和运行压力梯度为主要变量，对每个流量与出站压力台阶均进行运行方案的模拟计算，利用小梯度间隔以增加计算方案数量，单条管道系统在模拟时采用等出站压力的原则以降低方案复杂度[13]。针对单线系统的压气站开启规则为：固定开启首站，对于管线中间某一压气站，若不开启此站会造成管线压力过低或使得下一站的压缩机无法处于高效工作区，则开启这一站，否则不开启此站，即在保证运行效率的基础上降低压气站开站数量。西部天然气管网SPS运行方案库共包含4 430个方案，其中西气东输一线系统包含方案1 200个，西气东输二、三线系统包含方案3 170个，轮吐线方案60个。

模拟目标为西部管网内任意一段管段的沿线压降与温降，每一管段中间无压气站与分输站，一共对30个神经网络进行搭建[14]。

根据西部管道的实际运行情况，建立起管道水力深度学习结构计算模型（图2），以虚拟流量、环境数据、前一个压气站出站压力温度为输入；环境数据主要表现为季节[15]，本计算模型依据夏季、冬季以及春秋季节进行划分。

图2 深度学习结构水力计算模型示意图Fig.2 Schematic diagram of hydraulic calculation model for deep learning structure

依据经验公式以及经过大量的试算，最终选定了本网络模型的结构，一共10个隐藏层，输入层4个节点，输出层2个节点，每个隐藏层为5个节点。在预训练阶段将全部隐层的权值进行调整，在整体微调阶段将前5层进行冻结，保留预训练时的状态，增强网络的泛化性，对后5个隐层的权值进行微调使整个网络达到精度要求[16]。

2.3 基于深度学习的开站方案计算模型

模拟目标为对当前流量和环境情况下的单条线最优开站方案进行预测，用于训练的数据源已在上文进行了概述，这里不再展开。

训练数据源为所有SPS方案中的大量数据，以边界数据与环境数据为输入，分别为首站进站流量、分输点流量、首站温度、首站进站压力以及季节，输出为此条管道的最优开站方案，如图3所示。

图3 深度学习结构开站方案计算模型示意图Fig.3 Schematic diagram of station development calculation model for deep learning structure

依据经验公式以及经过大量的试算，最终选定了本网络模型的结构，一共10个隐藏层，输入层5个节点，输出层节点数根据压气站数目而定，每个隐藏层为7个节点。在预训练阶段将全部隐层的权值进行调整，在整体微调阶段将前5层进行冻结，保留预训练时的状态，增强网络的泛化性，对后5个隐层的权值进行微调使整个网络达到精度要求。

预训练时每层平均迭代3 027次，整体微调时一共迭代了5 572次使训练误差达到要求，在网络训练完成之后，随机选取300个非训练样本检验网络的预测能力。非训练样本的选取原则有两个，一是完全随机，二是与训练样本有一定距离，预测好坏的标准依据各个非训练样本的平均预测误差。

根据预测结果计算得出，预测开站方案无误差的样本比例为95.4%，预测方案中有1站不一致的样本比例为4%，大于1站不一致的比例仅为0.66%，其分析结果与水力计算神经网络基本一致，网络模型对于最优开站方案问题的拟合精度较高，满足工程要求，网络模型具备泛化性。

3 管网优化软件

3.1 管网优化模型搭建

基于单线管道优化模型对整个管网的优化模型进行搭建，在解决了单条管线的优化运行方案后，整个管网优化运行的主要问题则为各条管线的流量分配问题。

通过对西部管网进行管网结构分析可知，其中西一线与西二、三线的运行相对独立，西一线西段主要运输塔里木气源的天然气，将其输送到宁夏中卫，西二、三线西段主要输送中亚气源的天然气，其输气末点与西一线西段末点相同，西气东输一、二、三线西段的输气末点互联互通。连接西一线与西二、三线的管线为轮吐线，上起连接西一线轮南站，下至连接西二、三线吐鲁番站，起到调节整个西部管道流量的作用，因此在固定总气源输量时，由于可以通过轮吐线对各条管线的流量进行调节，形成管网内部流量分配方案的多样性[17]。

解决西部管网流量分配的主要方法是通过循环所有管网中可能的流量组合，使每一种流量组合都用单线管道优化模型对管网中各条线的能耗费用之和进行计算，在所有的流量组合循环完毕后，选出能耗费用最低的一组流量，这一组流量以及通过这组流量计算出来的各条线的优化运行方案就是当前整个管网的优化运行方案。

整个西部天然气管网运行优化模型的计算过程如图4所示。

首先在一系列管网内可能的各条管道流量组合中随机选出其中一组流量，根据当前选定的流量组合，对管网中各条管道的优化运行方案进行计算。

在某一条管线的优化方案的计算中，首先由基于深度学习的沿线开站方案计算模型对当前管线的开站方案进行计算；再由动态规划对沿线各站的出站压力进行确定，便得到当前管线的最优运行方案；然后开始对下一条管线的优化方案进行计算。

图4 优化计算步骤Fig.4 Steps of optimization calculation

各条管道的优化计算完成后得到当前流量组合下的管网最优方案；之后便在一系列管网内可能的各条管道流量组合中再次随机选出其中一组流量，重复根据当前选定的流量组合，对管网中各条管道的优化运行方案进行计算。

所有流量组合计算完成后，目标函数最低情况下的流量组合及此流量组合下的各条管线的最优运行方案即为整个管网的最优运行方案[18]。

3.2 软件介绍

为方便优化模型在实际生产中的使用，编制了西部管网优化运行优化软件。使用基于Groovy语言的Grails网页应用编写框架进行开发，算法部分由相较Groovy语言更高效的Java语言进行编写，算法与框架间进行了多次磨合，因此软件兼具稳定与高效性[19]，软件开发过程中使用Net Beans开发平台，提高了开发效率；运用编程语言设计了易于操作的可交互界面，将西部管网优化嵌入其中，本软件目前已经在使用中。基于现场数据对现场实际条件下的西部管网优化方案进行计算，通过对各种工况、时间段下的软件优化方案的计算结果与实际方案进行对比可知，本优化模型准确可靠，优化结果可以显著降低管网运行能耗，可为现场提供参考和指导。

软件功能主要分3类：第1类功能为用户管理功能，主要作用是对使用软件的人员的账号、密码及权限进行管理；第2类功能是数据库功能，可将优化模型需要获取的各项基础数据存入其中，包括压缩机特性数据及沿线高程地温等，方便数据管理及计算时直接调用；第3类为计算功能，主要为西部天然气管网优化方案计算功能，此功能内嵌了西部天然气管网优化模型。为了方便实用，本软件的各项功能基本都支持使用Excel表格进行数据的导入/导出。

4 计算结果分析

4.1 计算工况概述

西部天然气管网运行工况主要包括各管道系统日输送量、压气站开启数、压缩机开启数、各压气站运行压力等。本文对2016年2月15日（冬季气温）、2016年7月15日（夏季气温）与2016年10月15日（年均气温）的现场工况进行了优化运行方案计算，并与实际运行方案进行对比分析。

现对2016年7月15日工况进行简单描述，并以此作为后续分析的基础数据。当日西气东输一线系统日输送完成量为2 610×104m3（0 ℃，1 atm），西气东输二线与三线系统共完成11 209×104m3，轮吐线日转供量为2 570×104m3。西气东输一线系统开启了3座压气站，共4台压缩机组，其中燃驱3台，电驱1台。西气东输二、三线系统开启了8座压气站，压气站出站压力在10～11 MPa之间，共17台压缩机组，14台燃驱，3台电驱。

4.2 固定管网流量优化结果

利用西部天然气管网优化模型对2016年7月15日工况进行模拟优化，保证西气东输一线以及二、三线系统进气量、轮吐线调气量与实际工况相同。西部天然气管网系统各管线开站方案与各压气站出站压力方案如图5与图6所示。由图5可知，在该工况下，优化方案中西一线开启了3座压气站，与现场开站方案相同；在西二、三线系统中，优化方案开启了6座压气站，少于现场实际运行的8座压气站。

图5 西一线报表运行方案与优化方案出站压力Fig.5 Outlet pressure of operation plan and optimization plan for theWest-East Gas Pipeline

图6 西二、三线报表运行方案与优化方案出站压力Fig.6 Outlet pressure of operation plan and optimization plan for the second and third line of the West-East Gas Pipeline

优化方案中的各站出站压力要普遍高于实际方案，体现出了输气管道的运行规律：管道平均运行压力越高，管段压降越小，从而降低了运行能耗。表1和表2为系统内各站能耗费用对比。由对比可看出，通过优化计算，优化方案相比实际方案具有一定的节能优势，其中一线能耗费用降低了10.8%，二、三线能耗费用降低了7.9%，总能耗费用共降低了8.4%。

表1 西一线能耗费用对比Tab.1 Energy consumption cost comparison of the West-East Gas Pipeline

表2 西二、三线能耗费用对比Tab.2 Energy consumption cost comparison of the second and third line of the West-East Gas Pipeline

4.3 不固定管网流量优化结果

利用西部天然气管网优化模型对2016年7月15日工况进行模拟优化，以总收益最高为目标函数，保证西气东输一线以及二、三线系统进气量与实际工况相同，采用不固定管网流量分配方案。表3为优化模型计算的各方案的流量分配以及能耗费用情况，图7为各方案总能耗费用趋势与管道收益趋势。

表3 模型计算各方案流量分配与能耗费用情况Tab.5 Flow distribution and energy consumption costs of each program calculated by the models

图7 模型计算各方案总能耗费用趋势与管道收益趋势Fig.7 Trend of total energy cost of each program and pipeline revenue calculated by the model

由图7与表3可以看出，在当前条件下，随着轮吐线流量的增加，管道收益持续增加，管道能耗费用先是有一个大幅度的下降，之后趋于平缓，并在第10个方案之后出现了缓慢回升。通过对管道总管输收益进行比选，模型最终选定了第10个方案为流量分配方案，各线流量分别为西一线2 780×104m3/d，轮吐线2 400×104m3/d，西二、三线11 039×104m3/d；现场流量分配方案为西一线2 610×104m3/d，轮吐线2 570×104m3/d，西二、三线11 209×104m3/d。由此可见，在当前电气价与管输费条件下，现场流量分配方案与优化计算流量分配方案相差不大。

图8 西一线报表运行方案与优化方案出站压力Fig.8 Outlet pressure of operation plan and optimization plan for the West-East Gas Pipeline

图9 西二、三线报表运行方案与优化方案出站压力Fig.9 Outlet pressure of operation plan and optimization plan for the second and third line of the West-East Gas Pipeline

图8与图9为不固定轮吐线调气量时的优化方案。方案中，压气站出站压力普遍要高于实际方案，这也间接体现出了输气管道的运行规律：在保障管道运行安全以及不超出压缩机能力的前提下，管道平均运行压力越高，管段压降越小，从而降低了管线运行能耗。现场工况下对优化方案与实际方案的能耗费用与收益进行了总结对比（表4～表6）。

表4 2016年7月15日优化方案与现场方案能耗费用与收益对比Tab.6 Energy consumption cost and income comparison between optimization plan and on-site plan on 2016/7/15

由表4～表6可知，采用流量分配方案进行各管线运行方案计算后的能耗费用低于现场实际运行方案，体现出了单线管道优化模型的优化能力。在单线管道优化的基础上，管网优化模型以管道总收益最大为目标，对管网的流量分配方案进行优化，模型得出的流量分配方案的管道总收益要大于实际流量方案。因此，本文所搭建的西部天然气管网优化运行模型具有一定的优化潜力，可以为西部天然气管网的实际生产提供指导。

表5 2016年2月15日优化方案与现场方案能耗费用与收益对比Tab.5 Energy consumption cost and income comparison between optimization plan and on-site plan on 2016/2/15

表6 2016年10月15日优化方案与现场方案能耗费用与收益对比Tab.8 Energy consumption cost and income comparison between optimization plan and on-site plan on 2016/10/15

5 结束语

（1）本文提出了一种适用于西部天然气管网的优化运行模型，先进行单线管道模型优化，之后在单线管道优化模型的基础上，通过进行管网流量优化搭建适用于整个管网的优化模型。

（2）单条管线的优化计算采用了综合动态规划与深度学习两种算法的混合算法，结合了两种算法的优势，既保证了计算的准确度，又提升了计算的效率。

（3）通过与西部天然气管网的生产报表数据对比可知，从能耗费用最低的角度来讲，本文搭建的西部天然气管网运行优化模型的优化计算结果要优于现场实际运行方案，具有一定的指导意义。

（4）不固定管网流量优化方案普遍优化程度高于固定管网流量优化方案，这也符合优化计算的一般规律，因为加入流量优化相当于增加了一个优化自由度，必定加深优化空间。

（5）西部管道系统各条线路流量分配的优化结果往往与实际流量分配不相同，开放全线流量优化后的能耗费用要小于实际情况，因此西部天然气管网在开放了全线流量优化后管网的优化深度将进一步加强。