一种天然气管网水力计算与阻力系数辨识方法

本发明属于天然气水力计算领域，涉及基于神经网络的天然气管网水力计算，特别是涉及基于卷积神经网络的天然气管网压力计算与基于遗传算法的阻力系数辨识技术。

背景技术：

1、过去几十年，针对天然气管网水力计算，研究者曾尝试采用许多不同的方法对建立的各种模型进行求解，也提出了许多不同的求解理论。根据这些求解方法的不同，可以将其归纳为三类：图解法、解析法和数值解法。在这几种方法中，目前被普遍认同的两种数值解法是特征线法和隐式有限差分法。计算机技术的进步也为提出更加准确的管网数学模型提供了必要条件。

2、随着我国城市燃气事业逐步发展，管网结构日趋复杂，传统物理方法中迭代试算求解的思想在面对此类复杂的管网结构时，其计算速度和收敛性均会明显降低。因此，有必要开发出一种能够快速完成管网水力计算的方法，从而解决城市燃气实时仿真任务计算开销大的问题。神经网络作为一种强大的非线性拟合器，已被用于求解能源领域许多难以被显式表示的复杂计算问题。目前，已有部分研究者采用前馈神经网络方法对管道压降进行求解，该方法旨在利用代理模型强大的非线性拟合能力，通过大量样本学习微分方程边界条件与求解结果的关系，从而在给定初始条件的情况下直接输出计算结果。此类方法跳过了差分方程迭代求解这一环节，具有减少计算量和加块求解时间的优势。结果表明基于神经网络的水力仿真方法能够提高计算速度，但是此类方法的训练数据来源为仿真计算，当在线仿真时未能考虑仿真模型与实际模型的差别，因此在实际应用时会有较大的计算误差。

技术实现思路

1、本发明的目的在于克服现有技术的不足，并提出一种具有高精度且高性能的天然气管网水力计算与阻力系数辨识方法。该方法利用机器学习算法进行水力仿真，并通过遗传算法辨识管道阻力系数，使得仿真结果更加贴近于真实管网数据，旨在解决传统物理方程方法求解开销大和传统数据驱动方法实际应用计算误差大的问题。

2、为了实现上述发明目的，本发明具体采用的技术方案如下：

3、一种天然气管网水力计算与阻力系数辨识方法，其包括如下步骤：

4、s1、以天然气组分、温度和压力作为模型输入，以密度和压缩因子作为模型输出，利用天然气参数样本数据集训练基于机器学习模型的天然气物性计算模型；所述天然气参数样本数据集中的样本通过在不同天然气组分、温度和压力下，利用热力学方法计算天然气的密度和压缩因子后得到；

5、s2、以单条天然气管道的管道参数、入口压力、流速、天然气密度和压缩因子作为模型输入，以天然气管道内各处的压降作为输出，利用管道仿真样本数据集训练基于机器学习模型的天然气管道压力计算模型；所述管道仿真样本数据集中的样本通过在不同管道参数、入口压力、流速和天然气组分下，对管内的压力分布情况进行计算流体动力学仿真后得到；

6、s3、针对目标天然气管网，以单条管道为边，以三通及管道末端为节点，构建天然气管网连接结构图；根据管网气源流量和末端流量数据，初始化每根管道的流速与流向，并根据管网设计确定管网内各管道中的天然气组分和温度；

7、s4、基于目标天然气管网的气源点和末端点各自的压力与流速历史数据，以管网末端点压力的真值和模型计算值之间的均方误差为目标函数，以管道阻力系数与管道流速的数值范围限制为约束条件，采用遗传算法对管网内每条管道的阻力系数和管内流速进行辨识；且遗传算法的每一轮迭代过程中，均需要基于气源点处的压力以及和天然气管网连接结构图中所有节点当前确定的流速与流向，从连接气源点的第一个节点开始沿天然气流向逐条管道进行递推计算，确定每个节点的压力；且递推计算过程中以上一根管道的出口压力作为下一根管道的入口压力，每一条管道需先由天然气物性计算模型计算当前管道内的天然气密度和压缩因子，再由天然气管道压力计算模型进一步计算当前管道各处的压降，进而确定当前管道末端节点的压力；所述遗传算法迭代至达到收敛条件后，根据最优解确定管网内每条管道的阻力系数和管内流速。

8、作为优选，利用热力学方法计算天然气的密度和压缩因子时，需从天然气组分和压力的取值范围中采样形成一系列的取值组合，再通过热力学方法分别计算各取值组合对应的天然气密度和压缩因子，从而构建为天然气参数样本数据集中的样本。

9、作为优选，对管内的压力分布情况进行计算流体动力学仿真时，需从管道参数、入口压力、流速和天然气组分的取值范围中采样形成一系列的工况，再对各工况分别进行计算流体动力学仿真确定天然气管道内的压力分布，换算得到天然气管道内各处相对于入口的压降，从而构建为管道仿真样本数据集中的样本。

10、作为优选，构建所述天然气物性计算模型和/或天然气管道压力计算模型所采用的机器学习模型为神经网络模型。

11、作为优选，所述天然气管道压力计算模型中，入口压力的参数输入方式为n个管道入口压力组成的1维向量，输出为由沿管道中轴线均布的n个点处的压降组成的1维向量，且最后一个点需为管道末端点。

12、作为优选，所述天然气物性计算模型和天然气管道压力计算模型中的超参数均需预先进行优化，通过预先划分训练集和验证集，将模型在训练集上训练，并以验证集的总损失函数值最小为目标，对模型的超参数进行优化，从而得到一组最优的超参数。

13、作为优选，所述天然气物性计算模型和天然气管道压力计算模型的超参数包括神经元数量、学习率和学习轮次。

14、作为优选，所述天然气参数样本数据集和管道仿真样本数据集中的样本均需要经过归一化操作；优选的，归一化操作采用最大最小归一化，将各输入输出参数归一化至0～1范围内。

15、作为优选，采用遗传算法对管网内每条管道的阻力系数和管内流速进行辨识时，需预先按管道内径和管道是否为管网末端管道两个维度进行分类，两个维度均相同的同一类管道在参数辨识过程中需保持阻力系数相同。

16、作为优选，训练所述天然气物性计算模型和所述天然气管道压力计算模型所采用的损失函数形式均为均方误差。

17、与现有技术相比，本发明所述的一种天然气管网水力计算与阻力系数辨识方法具有的优势在于：

18、与传统基于物理方程求解方法相比，该方法具有计算速度上的优势，同时该方法具有更佳的收敛性，具有更广的适用条件。与传统数据驱动方法相比，基于卷积神经网络的管道压力计算模型具有更强的泛化性，并且通过引入遗传算法进行管道阻力系数辨识，使得理论计算模型输出的结果更贴合实际工况数据，从而使得模型计算结果具有更高的实际应用精度。

技术特征：

1.一种天然气管网水力计算与阻力系数辨识方法，其特征在于，包括如下步骤：

2.如权利要求1所述的一种天然气管网水力计算与阻力系数辨识方法，其特征在于，利用热力学方法计算天然气的密度和压缩因子时，需从天然气组分和压力的取值范围中采样形成一系列的取值组合，再通过热力学方法分别计算各取值组合对应的天然气密度和压缩因子，从而构建为天然气参数样本数据集中的样本。

3.如权利要求1所述的一种天然气管网水力计算与阻力系数辨识方法，其特征在于，对管内的压力分布情况进行计算流体动力学仿真时，需从管道参数、入口压力、流速和天然气组分的取值范围中采样形成一系列的工况，再对各工况分别进行计算流体动力学仿真确定天然气管道内的压力分布，换算得到天然气管道内各处相对于入口的压降，从而构建为管道仿真样本数据集中的样本。

4.如权利要求1所述的一种天然气管网水力计算与阻力系数辨识方法，其特征在于，构建所述天然气物性计算模型和/或天然气管道压力计算模型所采用的机器学习模型为神经网络模型。

5.如权利要求1所述的一种天然气管网水力计算与阻力系数辨识方法，其特征在于，所述天然气管道压力计算模型中，入口压力的参数输入方式为n个管道入口压力组成的1维向量，输出为由沿管道中轴线均布的n个点处的压降组成的1维向量，且最后一个点需为管道末端点。

6.如权利要求1所述的一种天然气管网水力计算与阻力系数辨识方法，其特征在于，所述天然气物性计算模型和天然气管道压力计算模型中的超参数均需预先进行优化，通过预先划分训练集和验证集，将模型在训练集上训练，并以验证集的总损失函数值最小为目标，对模型的超参数进行优化，从而得到一组最优的超参数。

7.如权利要求1所述的一种天然气管网水力计算与阻力系数辨识方法，其特征在于，所述天然气物性计算模型和天然气管道压力计算模型的超参数包括神经元数量、学习率和学习轮次。

8.如权利要求1所述的一种天然气管网水力计算与阻力系数辨识方法，其特征在于，所述天然气参数样本数据集和管道仿真样本数据集中的样本均需要经过归一化操作；优选的，归一化操作采用最大最小归一化，将各输入输出参数归一化至0～1范围内。

9.如权利要求1所述的一种天然气管网水力计算与阻力系数辨识方法，其特征在于，采用遗传算法对管网内每条管道的阻力系数和管内流速进行辨识时，需预先按管道内径和管道是否为管网末端管道两个维度进行分类，两个维度均相同的同一类管道在参数辨识过程中需保持阻力系数相同。

10.如权利要求1所述的一种天然气管网水力计算与阻力系数辨识方法，其特征在于，训练所述天然气物性计算模型和所述天然气管道压力计算模型所采用的损失函数形式均为均方误差。

技术总结
本发明提出了一种天然气管网水力计算与阻力系数辨识方法。该方法通过机器学习模型提取天然气管道压降与管道参数、入口压力、流速和天然气组分之间的关系，按照实际管网连接情况递推计算所有节点的压力，并通过遗传算法辨识管道阻力系数，从而增强了仿真计算模型的实际应用精度。该方法可用于大型天然气管网的水力仿真求解，相较于传统物理方程求解法，该方法在保证计算精度的同时，具有更高的计算效率，可减少仿真求解所需的时间。

技术研发人员：马鹏岳,章文恺,赵阳,周凯,吴昀,董志
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/3/27