王 子， 朱朋勇

(中石油管道有限責(zé)任公司 西氣東輸分公司, 杭州 310006)

引言

油氣管道是油氣運輸?shù)闹匾d體，油氣運輸管道網(wǎng)絡(luò)的優(yōu)化節(jié)點部署設(shè)計是保障油氣運輸網(wǎng)絡(luò)可靠穩(wěn)定運行的關(guān)鍵，通過對油氣運輸管道網(wǎng)絡(luò)的優(yōu)化路徑規(guī)劃和調(diào)度設(shè)計，降低管道部署的開銷，提高油氣運輸?shù)耐掏滦阅?。油氣運輸管道網(wǎng)絡(luò)具有自組織性，以各個壓氣站為節(jié)點進行全局網(wǎng)絡(luò)設(shè)計，在整個管道組網(wǎng)設(shè)計中，受到地理環(huán)境、用戶分布情況以及壓氣站分布情況等各種因素的影響，導(dǎo)致油氣運輸管道運輸調(diào)度變得復(fù)雜，油氣運輸?shù)墓艿勒{(diào)度是一項系統(tǒng)性的綜合網(wǎng)絡(luò)工程，需要研究一種優(yōu)化的油氣運輸管道調(diào)度技術(shù)，提高油氣運輸管道的全局穩(wěn)定性和暢通性，保障大型油氣運輸工程的安全穩(wěn)定運行[1]。

對油氣運輸管道調(diào)度是建立在對管道網(wǎng)絡(luò)的綜合節(jié)點定位和路由優(yōu)化設(shè)計基礎(chǔ)上的，通過建立管道網(wǎng)絡(luò)的無線組網(wǎng)結(jié)構(gòu)模型，采用自適應(yīng)傳感器組網(wǎng)設(shè)計方法進行路由分發(fā)設(shè)計，提高管道網(wǎng)絡(luò)的連通性和覆蓋能力，傳統(tǒng)方法中，對油氣運輸管道組網(wǎng)和調(diào)度方法主要有最大角度路由選擇算法、不規(guī)則三角網(wǎng)組網(wǎng)調(diào)度方法、最少跳數(shù)路由調(diào)度方法等[2-3]，通過優(yōu)化的路由算法設(shè)計，最大化油氣運輸管道的覆蓋范圍和吞吐量，提高管道油氣運輸能力，取得了一定的研究成果。其中，文獻(xiàn)[4]中提出一種剩余能量均衡調(diào)度的油氣運輸管道的組網(wǎng)調(diào)度模型，采用動態(tài)自適應(yīng)性路由節(jié)點定位技術(shù)進行管道節(jié)點的組網(wǎng)設(shè)計，設(shè)計均衡控制方法提高油氣運輸管道網(wǎng)絡(luò)傳輸?shù)木庑?，但該組網(wǎng)控制方法抗局部干擾能力不強，全局均衡性不好；文獻(xiàn)[5]提出一種基于量化傳感融合跟蹤識別的油氣運輸調(diào)度技術(shù)，采用無線傳感組網(wǎng)技術(shù)進行管道節(jié)點的優(yōu)化部署設(shè)計，結(jié)合量化分析方法提高管道節(jié)點對油氣的自組織收發(fā)能力，整個網(wǎng)絡(luò)的暢通性較好，但該組網(wǎng)結(jié)構(gòu)復(fù)雜，在應(yīng)對大規(guī)模的油氣運輸管道調(diào)度時的工程實踐應(yīng)用性不好。

針對上述問題，本文提出一種基于變結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)控制的油氣運輸管道調(diào)度技術(shù)。首先采用三層變結(jié)構(gòu)的PID神經(jīng)網(wǎng)絡(luò)模型進行油氣運輸管道的網(wǎng)絡(luò)結(jié)構(gòu)模型，然后采用地理位置尋優(yōu)算法進行油氣運輸管道組網(wǎng)的最優(yōu)路由設(shè)計，以各個壓氣站為Sink節(jié)點進行能量融合均衡調(diào)度，建立油氣運輸管道調(diào)度的控制目標(biāo)函數(shù)并進行全局穩(wěn)定性求證，根據(jù)模糊神經(jīng)網(wǎng)絡(luò)的積分控制方法進行管道調(diào)度的路徑規(guī)劃最優(yōu)解求解，縮短了管道組網(wǎng)路徑，提高管道網(wǎng)絡(luò)的吞吐性能和均衡性。最后進行仿真測試，得出有效性結(jié)論。

1 油氣運輸管道的網(wǎng)絡(luò)結(jié)構(gòu)模型

1.1 三層變結(jié)構(gòu)的PID神經(jīng)網(wǎng)絡(luò)

為了實現(xiàn)對油氣運輸管道調(diào)度優(yōu)化，首先進行網(wǎng)絡(luò)組網(wǎng)結(jié)構(gòu)模型分析，采用三層變結(jié)構(gòu)的PID神經(jīng)網(wǎng)絡(luò)模型進行油氣運輸管道的網(wǎng)絡(luò)結(jié)構(gòu)模型研究[6]，如圖1所示。

圖1 油氣運輸管道三層變結(jié)構(gòu)的PID神經(jīng)網(wǎng)絡(luò)

Fig.1ThreelayervariablestructurePIDneuralnetworkforoilandgaspipeline

在圖1所示的油氣運輸管道組網(wǎng)PID網(wǎng)絡(luò)結(jié)構(gòu)模型中，輸入層有2n個相同的神經(jīng)元，作為網(wǎng)絡(luò)的Source與Sink節(jié)點，神經(jīng)元的輸入為油氣運輸管道的當(dāng)前負(fù)載:

(1)

油氣運輸管道網(wǎng)絡(luò)過載邊的神經(jīng)元狀態(tài)為：

usi(k)=netsi(k)

(2)

式(2)表示油氣運輸管道網(wǎng)絡(luò)過載邊，輸入層神經(jīng)元的輸出為：

(3)

表示每個轉(zhuǎn)運節(jié)點的能量消耗和路徑損耗，為了使得整個網(wǎng)絡(luò)的路徑消耗最小，選定任意一個結(jié)點作為開始結(jié)點進行均勻遍歷，給定能量閾值，令管道運輸?shù)氖н^載比可表述為：

(4)

當(dāng)不考慮整個油氣運輸管道調(diào)度系統(tǒng)的不確定因素時，通過2×(m0-1)條有向邊連接每個壓氣站節(jié)點，得到管道網(wǎng)絡(luò)的拓?fù)淇刂坪瘮?shù)描述為：

(5)

在上述構(gòu)造的三層變結(jié)構(gòu)的PID神經(jīng)網(wǎng)絡(luò)模型中，采用地理位置尋優(yōu)算法進行油氣運輸管道組網(wǎng)的最優(yōu)路由設(shè)計，實現(xiàn)管道優(yōu)化調(diào)度。

1.2 地理位置尋優(yōu)算法

地理位置尋優(yōu)算法的原理是將運輸管道的遍歷過程看作一個時間離散的馬爾科夫過程[7]，在不同管道鋪設(shè)路段中，以管道的流量和阻抗?fàn)顟B(tài)為約束參量，構(gòu)造管道調(diào)度的滑模面，定義為：

s=ce1+e2

(6)

則根據(jù)流量模型可以確定管道網(wǎng)絡(luò)有向邊的分布特征函數(shù)：

(7)

令:

(8)

則得到油氣運輸管道調(diào)度的阻抗模型為：

(9)

從已生成的網(wǎng)絡(luò)中選擇終端結(jié)點，各支路輸出量x1，x2，…，xn分別乘上權(quán)重值w1j，w2j，…，wnj，得到油氣運輸管道調(diào)度的等效控制律為：

(10)

考慮系統(tǒng)存在不確定因素，在任意時刻t，對模糊神經(jīng)網(wǎng)絡(luò)的第j個神經(jīng)元進行自學(xué)習(xí)優(yōu)選控制，選擇到達(dá)律為：

(11)

遍歷管道網(wǎng)絡(luò)的結(jié)點列表，得到油氣運輸網(wǎng)絡(luò)的路由分配函數(shù)為：

(12)

對上式進行Lyapunove泛函，實現(xiàn)油氣運輸網(wǎng)絡(luò)鋪設(shè)組網(wǎng)的地理位置自適應(yīng)尋優(yōu)，有效降低組網(wǎng)的路徑開銷。

2 油氣運輸管道調(diào)度模型優(yōu)化

2.1 能量融合均衡調(diào)度

在上述構(gòu)建了油氣運輸管道的網(wǎng)絡(luò)結(jié)構(gòu)模型的基礎(chǔ)上，進行油氣運輸管道調(diào)度算法優(yōu)化設(shè)計，本文提出一種基于變結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)控制的油氣運輸管道調(diào)度技術(shù)，以各個壓氣站為Sink節(jié)點進行能量融合均衡調(diào)度[8]，給出第r輪，節(jié)點ni的最優(yōu)接收油氣流量的輸出函數(shù)由f(·)決定，以神經(jīng)元狀態(tài)uj為自變量，得到管道的輸出流量狀態(tài)函數(shù)為：

xj(k)=f(uj(t))

(13)

這里采用Sigmoid函數(shù)作為能量融合的傳導(dǎo)模型，其表達(dá)式為：

(14)

采用模糊神經(jīng)網(wǎng)絡(luò)控制方法進行管道節(jié)點輸出流量的自適應(yīng)調(diào)節(jié)，對于神經(jīng)網(wǎng)絡(luò)的2個Sink神經(jīng)元，在任意采樣時刻k，其輸入的油氣吞吐量為：

neti(k)=ri(k)i=1,2

(15)

在最優(yōu)調(diào)度策略下，輸入層神經(jīng)元的油氣流量控制狀態(tài)函數(shù)為：

(16)

(17)

(18)

2.2 油氣運輸管道調(diào)度全局穩(wěn)定性分析

下面對所設(shè)計的油氣運輸管道調(diào)度模型的穩(wěn)定性進行證明分析。

(19)

假設(shè)2在全局綜合調(diào)度過程中，油氣運輸量和路徑損耗存在不確定控制約束變量的上界滿足：

(20)

(21)

(22)

定義Lyapunov函數(shù)為：

(23)

(24)

基于Lyapunove穩(wěn)定性原理，得到本文設(shè)計的基于模糊神經(jīng)網(wǎng)絡(luò)的油氣運輸管道調(diào)度模型是全局漸進穩(wěn)定的，系統(tǒng)的穩(wěn)定性得證。

3 仿真實驗與性能測試

為了驗證本文設(shè)計算法在實現(xiàn)油氣運輸管道優(yōu)化調(diào)度中的應(yīng)用性能，進行仿真實驗，實驗采用Matlab仿真軟件設(shè)計，實驗以1 000 m×1 000 m二維平面作為油氣運輸管道網(wǎng)絡(luò)的覆蓋區(qū)域，管道的Sink節(jié)點數(shù)量為100，Source節(jié)點數(shù)量為12，管道網(wǎng)絡(luò)區(qū)域分割的網(wǎng)格大小為24 m2，簇頭分布節(jié)點數(shù)目分別為15,30,30,50,100，在管道中的油氣傳輸速率記為10 Mbps，路由跳數(shù)間歇時間為0.2 s，簇首節(jié)點的最大覆蓋距離為50 m，神經(jīng)網(wǎng)絡(luò)的級數(shù)為24，神經(jīng)元個數(shù)為100，信道衰減常數(shù)為12，傳輸能量損失為3.249 77 KJ，根據(jù)上述仿真環(huán)境和參量設(shè)定，進行油氣運輸管道調(diào)度仿真，在不同流場下測試不同的調(diào)度模型進行油氣運輸管道調(diào)度的均衡性，得到結(jié)果如圖2所示。

(b)石油流場(b) Oil flow field

(c)混合流場(c) Mixed flow field圖2 不同流場下不同模型進行調(diào)度均衡性對比

Fig.2Comparisonofschedulingequilibriaofdifferentmodelsunderdifferentflowfields

分析圖2結(jié)果得知，采用本文模型進行油氣運輸管道調(diào)度的均衡性較好，輸出流量分布曲線的平滑性較好，說明管道輸出的全局穩(wěn)定性較好，最后統(tǒng)計分析得知，本文方法提出的油氣運輸管道調(diào)度的吞吐量比傳統(tǒng)方法提高了25.87%，管道鋪設(shè)路徑節(jié)省12.65%，效能改善顯著。

4 結(jié)束語

本文研究一種優(yōu)化的油氣運輸管道調(diào)度技術(shù)，提高油氣運輸管道的全局穩(wěn)定性和暢通性，提出一種基于變結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)控制的油氣運輸管道調(diào)度技術(shù)。采用三層變結(jié)構(gòu)的PID神經(jīng)網(wǎng)絡(luò)模型進行油氣運輸管道的網(wǎng)絡(luò)結(jié)構(gòu)建模，采用地理位置尋優(yōu)算法進行油氣運輸管道組網(wǎng)的最優(yōu)路由設(shè)計，進行管道運輸?shù)哪芰咳诤暇庹{(diào)度，并對調(diào)度模型進行全局穩(wěn)定性分析，研究表明，采用本文模型進行油氣運輸管道調(diào)度的均衡性較好，縮短了管道組網(wǎng)路徑，提高管道網(wǎng)絡(luò)的吞吐量和油氣運輸?shù)钠椒€(wěn)性。

[1] 尤冬石,劉亞龍,殷若鵬. 基于定量遞歸分析的天然氣管線輸送流量均衡調(diào)度方法[J]. 智能計算機與應(yīng)用,2016,6(4):16-19.

[2] JIANG Yizhang, CHUNG Fulai, WANG Shitong, et al. Collaborative fuzzy clustering from multiple weighted views[J]. IEEE Transactions on Cybernetics, 2015, 45(4): 688-701.

[3] LONG Mingsheng, WANG Jianmin, DING Guiguang, et al. Adaptation regularization: A general framework for transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2014, 26(5): 1076-1089.

[4] PATRICIA N, CAPUTO B. Learning to learn, from transfer learning to domain adaptation: A unifying perspective[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Columbus, OH, USA:IEEE, 2014: 1442-1449.

[5] SUN Leilei, GUO Chonghui. Incremental affinity propagation clustering based on message passing[J]. IEEE Transactions on Knowledge and Data Engineering, 2014, 26(11): 2731-2744.

[6] 李可,米捷. 基于變結(jié)構(gòu)PID的仿生機器人機電控制算法[J]. 河南工程學(xué)院學(xué)報(自然科學(xué)版),2016,28(2):32-37.

[7] 崔永君,張永花. 基于特征尺度均衡的Linux系統(tǒng)雙閾值任務(wù)調(diào)度算法[J]. 計算機科學(xué),2015,42(6):181-184.

[8] 薛明,許德剛. 基于云網(wǎng)格集成調(diào)度的防擁堵車輛路徑規(guī)劃算法[J]. 計算機科學(xué),2015, 42 (7):295-299.

[9] 龔聰. 改進神經(jīng)網(wǎng)絡(luò)煤礦安全評價模型仿真研究[J]. 計算機仿真,2012,29(1):156-159.

[10]宋明紅,俞華鋒,陳海燕. 改進量子進化算法在計算機網(wǎng)絡(luò)路由選擇中的應(yīng)用研究[J]. 科技通報,2014,30(1):170-173.