一种基于神经网络的配气站运行参数智能控制方法技术

本发明专利技术公开了一种基于神经网络的配气站运行参数智能控制方法，涉及配气站智能控制技术领域，包括控制系统，所述控制系统包括控制器，调节阀，输气管道，压力传感器，包括如下步骤：S01：根据天然气配气站进站压力、下游用户用气量、工艺流程导通相关的阀数据以及调节阀阀位数据建立相应的仿真模型；S02：根据SPS动态模拟数据，将上游进站压力、阀门开度变化作为广义回归神经网络的输入，下游用户用气量作为输出，构建配气站智能分析仿真模型；S03：以阀门组合和进站压力作为工况判断参数与用户用气量作为广义回归神经网络的输入，而阀门的开度作为输出构建天然气配气站的控制模型；S04：对实际值和预测值进行误差分析，验证其模型的准确性，本发明专利技术使配气站的控制精度更高、分输方案更合理，实现配气站安全、稳定、高效的运行。运行。运行。

【技术实现步骤摘要】
一种基于神经网络的配气站运行参数智能控制方法


[0001]本专利技术涉及配气站智能控制
，尤其涉及一种基于神经网络的配气站运行参数智能控制方法。

技术介绍

[0002][0003]输配气站场面临人员众多、位置分散、地形条件复杂、环境恶劣、工艺复杂等问题，采用传统的人工巡防效率低下，成本高昂，且在高温、高压、有毒、高污染的环境下，人员安全也面临较大威胁。传统的监测控制设备(如PLC)价格昂贵、体积巨大、运行成本高并且耗电量大，已成为制约输配气站场降本增效的关键难题。
[0004]传统的控制方法基于模糊控制规则的PID控制方法，通过在线调整三个参数(比例、积分、微分)，提高了系统的响应速度及抗干扰性能；据站场上下游用户的用气规律，合理预测站场出入口压力的变化趋势。问题是尽管模糊PID克服了控制参数不能实时调整的缺点，但被控对象处于经常变化的环境中时，需要经常修改三个参数，当参数变化大时，其控制系统适应性较低；输气管道的输出流量与用户的用气量相关，用气量的波动性和不可预测性使站场出入口压力预测变得困难。
[0005]综上所述，现有的配气站调压系统是一个典型的非线性、时变、易受干扰的系统，利用神经网络寻找下游用户用气量和阀门开度之间的关系，解决输气场站天然气超输、分输不稳定、分输中断等问题，提高配气站智能分输管理水平。。

技术实现思路

[0006]本专利技术提供一种基于神经网络的配气站运行参数智能控制方法，解决了控制系统的滞后问题和天然气用户波动导致的阀门频繁动作问题。
[0007]为解决上述技术问题，本专利技术提供的一种基于神经网络的配气站运行参数智能控制方法，包括控制系统，所述控制系统包括控制器，调节阀，输气管道，压力传感器，包括如下步骤：
[0008]S01：根据天然气配气站进站压力、下游用户用气量、工艺流程导通相关的阀数据以及调节阀阀位数据建立相应的仿真模型；
[0009]S02：根据SPS动态模拟数据，将上游进站压力、阀门开度变化作为广义回归神经网络的输入，下游用户用气量作为输出，构建配气站智能分析仿真模型；
[0010]S03：以阀门组合和进站压力作为工况判断参数与用户用气量作为广义回归神经网络的输入，而阀门的开度作为输出构建天然气配气站的控制模型；
[0011]S04：对实际值和预测值进行误差分析，验证其模型的准确性。
[0012]优选的，所述步骤S01中，仿真模型计算方法如下：
[0013]连续性方程：
[0014][0015]动量方程：
[0016][0017]能量方程：
[0018][0019]状态方程：
[0020]ρ＝ρ(p,T)
[0021]内能方程：
[0022]u＝u(p,T)
[0023]焓方程：
[0024]h＝h(p,T)
[0025]优选的，所述步骤S01中，PID控制算法为：
[0026][0027][0028][0029]优选的，所述步骤S02中，根据天然气分输站实际运行数据，通过SCADA系统以1min 的采样间隔，连续采集现场13个孔板流量计以及与工艺流程导通相关的阀数据、调节阀阀位数据，建立动态的工艺流体模型，其特征在于，所述动态工艺流体模型是SPS运用66个节点、27条管道、47个阀门及4个边界条件(进站压力、阀门开度、下游用户用气量及截断阀的开关)建立的仿真模型，将SPS的输出的下游用户用气量和站内的压力与现场实际数据进行对比。
[0030]优选的，所述步骤S02中，BWRS气体状态方程：
[0031][0032]优选的，所述步骤S03中，将动态模拟的阀门开度、进站压力及工艺状态参数作为广义回归神经网络的输入，下游用户用气量的变化作为输出，建立神经网络仿真模型，其特征在于，所述神经网络仿真模型，其样本数据的70％作为广义回归神经网络的训练样本，余下的30％作为模型的验证样本，并计算误差精度。
[0033]优选的，所述步骤S03中，模式层神经元传递函数为：
[0034][0035][0036][0037][0038]优选的，所述步骤S04中，配气站的控制模型则是神经网络仿真模型的逆模型，将下游用户用气量、工艺状态参数作为输入，阀门开度作为输出，建立配气站的控制模型，其特征在于，所述的配气站的控制模型，其误差精度决定了模型了可行性及配气站智能分输方案的合理性。
[0039]优选的，所述步骤S04中，GRNN以均方误差计算方法：
[0040][0041]与相关技术相比较，本专利技术提供的一种基于神经网络的配气站运行参数智能控制方法具有如下有益效果：
[0042]本专利技术提供一种基于神经网络的配气站运行参数智能控制方法，可解决调节阀流量特性随时间变化而带来的控制率失配问题，实现配气站场生产运行过程的智能控制，并能更好的实现智能分输，保证下游用户用气的安全，连续以及平稳。
附图说明
[0043]图1为一种基于神经网络的配气站运行参数智能控制方法的控制方法结构图；
[0044]图2为一种基于神经网络的配气站运行参数智能控制方法中GRNN结构图；
[0045]图3为一种基于神经网络的配气站运行参数智能控制方法中智能分析神经网络模型图；
[0046]图4为一种基于神经网络的配气站运行参数智能控制方法中用户1压力、流量验证图。
[0047]图5为一种基于神经网络的配气站运行参数智能控制方法中用户2压力、流量验证图。
[0048]图6为一种基于神经网络的配气站运行参数智能控制方法中用户3压力、流量验证图。
[0049]图7为一种基于神经网络的配气站运行参数智能控制方法中用户6压力、流量验证图。
[0050]图8为一种基于神经网络的配气站运行参数智能控制方法中用户8压力、流量验证图。
[0051]图9为一种基于神经网络的配气站运行参数智能控制方法中用户11压力、流量验证图。
[0052]图10为一种基于神经网络的配气站运行参数智能控制方法中用户12压力、流量验证图。
[0053]图11为一种基于神经网络的配气站运行参数智能控制方法中用户13压力、流量验证图。
具体实施方式
[0054]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例；基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0055]请参阅图1
‑
4，本专利技术提供一种技术方案：一种基于神经网络的配气站运行参数智能控制方法，包括控制系统，控制系统包括控制器，调节阀，输气管道，压力传感器，包括如下步骤：
[0056]S01：根据天然气配气站进站压力、下游用户用气量、工艺流程导通相关的阀数据以及调节阀阀位数据建立相应的仿真模型；
[0057]S02：根据S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的配气站运行参数智能控制方法，包括控制系统，所述控制系统包括控制器，调节阀，输气管道，压力传感器，其特征在于：包括如下步骤：S01：根据天然气配气站进站压力、下游用户用气量、工艺流程导通相关的阀数据以及调节阀阀位数据建立相应的仿真模型；S02：根据SPS动态模拟数据，将上游进站压力、阀门开度变化作为广义回归神经网络的输入，下游用户用气量作为输出，构建配气站智能分析仿真模型；S03：以阀门组合和进站压力作为工况判断参数与用户用气量作为广义回归神经网络的输入，而阀门的开度作为输出构建天然气配气站的控制模型；S04：对实际值和预测值进行误差分析，验证其模型的准确性。2.根据权利要求1所述的一种基于神经网络的配气站运行参数智能控制方法，其特征在于，所述步骤S01中，仿真模型计算方法如下：连续性方程：动量方程：能量方程：状态方程：ρ＝ρ(p,T)内能方程：u＝u(p,T)焓方程：h＝h(p,T)。3.根据权利要求1所述的一种基于神经网络的配气站运行参数智能控制方法，其特征在于，所述步骤S01中，PID控制算法为：在于，所述步骤S01中，PID控制算法为：在于，所述步骤S01中，PID控制算法为：4.根据权利要求1所述的一种基于神经网络的配气站运行参数智能控制方法，其特征
在于，所述步骤S02中，根据天然气分输站实际运行数据，通过SCADA系统以1min的采样间隔，连续采集现场13个孔板流量计以及与工艺流程导通相关的阀数据、调节阀阀位数据，建立动态的工艺流体模型，其特征在于，所述动态工艺流体模型是SPS运用66个...

【专利技术属性】
技术研发人员：梁平，黄辉荣，张瀚月，游书婷，王大庆，王飞，卢万，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：