(1.中國石油天然氣股份有限公司 北京油氣調(diào)控中心，北京 100007；2.中國石油天然氣管道工程有限公司，河北 廊坊 065000；3.中國石油天然氣股份有限公司管道分公司技術(shù)服務(wù)中心，河北 廊坊 065000；4.中國石油大學(北京)自動化系，北京 102249；5.北京安穩(wěn)優(yōu)自動化技術(shù)有限公司，北京 102249)

0 引言

隨著現(xiàn)代科學技術(shù)的發(fā)展，人們對于天然氣分輸站場控制的要求越來越高。為滿足安全穩(wěn)定的輸送工藝要求，天然氣分輸站場應(yīng)具有更高的可靠性、更高的控制精度、更合理的分輸方案，確保輸氣管線各個分輸站管線安全、穩(wěn)定、高效的運行[1-2]。

目前天然氣站場調(diào)節(jié)閥控制的方式分為兩類[3]：一是帶調(diào)節(jié)閥控制器，它的控制邏輯功能全面、控制平穩(wěn)、自適應(yīng)能力強、智能化程度高，與站控PLC組成完整的下位機控制器組，在天然氣流量/壓力調(diào)節(jié)方面取得了不錯的效果，但是其知識產(chǎn)權(quán)嚴格保密，自主調(diào)試運行維護困難；二是不帶閥門控制器，分輸邏輯集成于PLC，這種情況下往往會遇到控制邏輯不統(tǒng)一、分輸操作繁瑣、控制精度低、無擾切換效果欠佳的情況，尤其是在上下游流量壓力變化較大的情況下調(diào)節(jié)效果不好。限流調(diào)壓的穩(wěn)定性和精準度是調(diào)節(jié)閥的控制基礎(chǔ)，調(diào)節(jié)閥先進PID控制方法、智能控制邏輯仍有提升空間。

國外許多相關(guān)廠家長期對天然氣分輸站場的控制技術(shù)進行研究[4]，控制的指標和性能得到了提高，廣泛應(yīng)用于工業(yè)生產(chǎn)。如Metso、SAMSON、Tyco、EMERSON-Fisher、Honeywell以及Flowserve。其中，美國的Fisher-Rosemount公司的產(chǎn)品占到了世界25%左右的市場份額，同時也是我國的主要提供商家。但是國外的技術(shù)價格昂貴，而且很難和國內(nèi)目前使用的裝置相匹配，售后服務(wù)不完善，零部件配套困難。國外壟斷了高性能天然氣分輸站場控制的先進技術(shù)，這些分輸站場一旦在正常生產(chǎn)期發(fā)生故障，維修不及時將會給工業(yè)生產(chǎn)帶來不可估量的損失。

天然氣分輸站場控制的原則是要減少人工干預(yù)，降低調(diào)節(jié)閥操作頻次和風險，掌握智能控制的核心技術(shù)，通過實驗室測試及現(xiàn)場應(yīng)用形成示范效應(yīng)。為加強輸氣管道設(shè)計管理，規(guī)范輸氣管道站場工藝及控制操作過程，統(tǒng)一智能控制算法模塊的設(shè)計，提高設(shè)計效率和質(zhì)量。天然氣分輸站場控制技術(shù)的市場需求量非常大，為了能夠滿足國內(nèi)的工業(yè)生產(chǎn)需要，并降低工業(yè)的生產(chǎn)成本，同時也為了打破國外公司在站場分輸控制技術(shù)方面對我國的壟斷，研制出具有獨立自主知識產(chǎn)權(quán)的高性能天然氣分輸站場控制技術(shù)將具有重要現(xiàn)實意義和廣闊應(yīng)用前景。

圍繞天然氣分輸站場控制問題，我們在深入分析造成控制調(diào)節(jié)效果欠佳原因的基礎(chǔ)上，提出了基于前饋-反饋的控制解決思路；為解決調(diào)節(jié)閥流量特性隨時間變化而帶來的控制律失配問題，提出了自適應(yīng)規(guī)則；為驗證方案的有效性，進行了基于Stoner Pipeline Simulator(SPS)[5-6]的實際對象仿真控制實現(xiàn)驗證。下面將逐一分別介紹。

1 天然氣分輸站場控制特殊性與控制存在的問題分析

天然氣輸氣管道的流量控制有其特殊性，由于管容的存在使得流量調(diào)節(jié)的滯后性較大，而且天然氣用戶的使用量隨周期變化明顯，因此調(diào)節(jié)閥的動作很頻繁，調(diào)節(jié)閥頻繁的開關(guān)會增加磨損，降低調(diào)節(jié)閥的使用壽命。

對于民用用戶而言，存在用氣高峰三次/日的現(xiàn)象，往往需要短時間內(nèi)流量設(shè)定值進行大范圍的調(diào)節(jié)，這種情況下傳統(tǒng)的PID控制器無法讓調(diào)節(jié)閥在短時間內(nèi)走出單側(cè)正向/負向控制量的累積，使得調(diào)節(jié)閥失控、控制品質(zhì)明顯下降；當管網(wǎng)內(nèi)大功率設(shè)備組啟動瞬間，會造成管網(wǎng)壓力的波動，盡管管容會平緩用氣量突增對分輸支路響應(yīng)時間的要求，但是也會造成輸氣壓力小幅度的頻繁波動，這就使得調(diào)節(jié)閥短期內(nèi)頻繁動作，潛在對執(zhí)行機構(gòu)和閥體造成損害；系統(tǒng)投用前期及調(diào)節(jié)閥故障后復(fù)位時，若操作方式由手動改成自動，則存在設(shè)定值和反饋值偏差較大，調(diào)節(jié)閥快速向設(shè)定值靠近時，下游壓力隨之變化較大，造成控制量隨下游壓力快速大幅波動，對執(zhí)行機構(gòu)和閥體造成傷害。

鑒于天然氣調(diào)節(jié)過程的特殊性，以往的常規(guī)PID控制方案并不能取得理想的控制效果。隨著管道項目的建設(shè)和發(fā)展，對高精度、快速調(diào)節(jié)、低磨損的擁有自主知識產(chǎn)權(quán)的國產(chǎn)天然氣分輸站場控制技術(shù)的需求越來越迫切。

圖1 目前控制策略下的流量控制效果[22]

現(xiàn)有的常規(guī)PID控制算法在這么復(fù)雜的控制過程中很難達到理想的控制效果。目前國內(nèi)的天然氣分輸站場大都沒有解決控制的滯后問題和天然氣用戶用氣波動導(dǎo)致的閥門頻繁動作問題。

對于分輸控制，由于很多控制對象(分輸管道對象)容積系數(shù)(管容與輸氣量的比值)小，使用常規(guī)PID控制容易引起震蕩，波及下游用戶安全，導(dǎo)致分輸控制難度較大現(xiàn)階段的控制算法在天然氣調(diào)節(jié)過程中流量穩(wěn)定的時間較長，波動很大，這就使得對天然氣調(diào)節(jié)閥的損傷很大，而且流量不易穩(wěn)定對下游用戶的用氣也造成一定的影響。

2 以長期穩(wěn)定運行為目標的分輸過程綜合控制策略

2.1 前饋-反饋控制策略

傳統(tǒng)的PID控制系統(tǒng)中，反饋是按照偏差控制的。即，在干擾的作用下，被控變量先偏離給定值，然后調(diào)節(jié)器才按照偏差產(chǎn)生控制作用去抵消干擾的影響。PID中的誤差積分的反饋，對抑制常值擾動確實有其效果，而對隨時變化的擾動來說，積分反饋的抑制能力又不太顯著。閉環(huán)動態(tài)品質(zhì)對PID增益的變化太敏感。當被控對象處于經(jīng)常變化的環(huán)境之中時，根據(jù)環(huán)境變化，需要經(jīng)常變動PID增益，這使得PID在實際應(yīng)用中受到一定的限制。具體體現(xiàn)在以下兩方面：

1)來自上游的壓力波動，對于站場來說是干擾，不可控制，會引起壓力和流量的波動。

2)波峰波谷變化大，過程調(diào)節(jié)時間長，調(diào)節(jié)閥在流量需求峰值時所處工作區(qū)域非線性程度嚴重，基于偏差的PID的控制器容易超調(diào)，調(diào)節(jié)困難，需要頻繁整定PID參數(shù)以適應(yīng)不同的操作區(qū)域的需求，而且操作區(qū)域隨著壓力、流量的不確定性變化以及調(diào)節(jié)閥的磨損等情況的發(fā)生而變化，難以形成固定化、程序化的整定規(guī)則。

而且，PID參數(shù)的自動在線整定方法在這種復(fù)雜變化工況下，也難以保證實現(xiàn)長期穩(wěn)定有效。為此，基于以上分析，提出了一種前饋-反饋的智能調(diào)節(jié)閥方案。

前饋控制是按擾動量進行補償?shù)拈_環(huán)控制，即當擾動出現(xiàn)時，按照擾動量的大小直接產(chǎn)生控制作用而不再等實際測量結(jié)果反饋的偏差信息。雖然前饋控制在理論上可以完全消除干擾的影響，但是在實際生產(chǎn)中，由于前饋控制是一個開環(huán)系統(tǒng)以及前饋控制律建模不準確的原因，往往采用前饋加反饋的復(fù)合控制方式，這樣既可以保證前饋控制的及時性，又有反饋控制精確的特點。

圖2 天然氣分輸站場長期穩(wěn)定運行實施方案

2.2 基于廣義回歸神經(jīng)網(wǎng)絡(luò)與頭腦風暴優(yōu)化算法的自適應(yīng)方法

2.2.1 方法介紹

天然氣調(diào)節(jié)閥在長周期穩(wěn)態(tài)運行時，會產(chǎn)生諸如最大調(diào)節(jié)范圍、最小調(diào)節(jié)范圍等特性的變化。同時控制器的輸出值與閥前流量、閥后流量、閥前壓力、閥后壓力、控制器設(shè)定值的變化密切相關(guān)。通過基于頭腦風暴優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)多變量擬合算法[7](BSO-GRNN)，預(yù)測不同條件下的前饋控制量，進而使天然氣調(diào)節(jié)閥在長周期穩(wěn)態(tài)運行時能夠自適應(yīng)調(diào)節(jié)條件的改變。廣義回歸神經(jīng)網(wǎng)絡(luò)(general regression neural network，GRNN)由D.F.Specht博士于1991年提出[8]，以非線性參數(shù)回歸為基礎(chǔ)，并將樣本數(shù)據(jù)作為后驗條件，執(zhí)行Parzen非參數(shù)估計，根據(jù)最大概率原則計算網(wǎng)絡(luò)輸出。GRNN以徑向基網(wǎng)絡(luò)為基礎(chǔ)，對于非線性而言具有良好的逼近性能，因此它與徑向基網(wǎng)絡(luò)相比，訓練變得更加方便，在信號過程、結(jié)構(gòu)分析、控制決策系統(tǒng)等各個學科和工程領(lǐng)域得到了廣泛應(yīng)用，本文引入GRNN作為前饋控制率學習的模型基礎(chǔ)。

為了解決傳統(tǒng)廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN由光滑因子選取困難所造成的易陷入局部極值和預(yù)測誤差較大的問題。這里我們引入了頭腦風暴優(yōu)化算法，對廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN的光滑因子進行了優(yōu)化，將頭腦風暴優(yōu)化算法和廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)合起來，建立了一種全新的多變量擬合算法模型。在廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN中，影響預(yù)測精度的主要參數(shù)就是光滑因子，引入頭腦風暴優(yōu)化算法[9-10]對其進行尋優(yōu)。這里我們通過頭腦風暴優(yōu)化算法對光滑因子進行尋優(yōu)，找出對樣本數(shù)據(jù)來說最合適的值來建立預(yù)測模型，具體的操作步驟如圖3所示。

圖3 頭腦風暴優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)流程圖

2.2.2 數(shù)據(jù)擬合驗證

頭腦風暴優(yōu)化算法種群大小為50，維度為1，簇數(shù)取5，最大迭代次數(shù)取80。通過SPS仿真，仿真出調(diào)節(jié)閥不同工況以及長周期穩(wěn)態(tài)運行情況下的數(shù)據(jù)，將數(shù)據(jù)導(dǎo)出，導(dǎo)出1000組數(shù)據(jù)，每一組數(shù)據(jù)中包含調(diào)節(jié)閥的CVC、CVO，調(diào)節(jié)閥上游流量Q+，調(diào)節(jié)閥下游流量Q-，調(diào)節(jié)閥的上游壓力P+，調(diào)節(jié)閥下游壓力P-，以及控制器設(shè)定值C_F：SP，相應(yīng)的輸出為控制器的輸出C_F：OUT。將數(shù)據(jù)分成兩組，其中前600組數(shù)據(jù)用來訓練，后400組數(shù)據(jù)作為預(yù)測數(shù)據(jù)。將數(shù)據(jù)導(dǎo)入基于頭腦風暴算法優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)(BSO-GRNN)進行訓練和預(yù)測。

1)未經(jīng)頭腦風暴優(yōu)化的GRNN神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)擬合仿真如圖4所示。

圖4 仿真所需要的輸入輸出數(shù)據(jù)

圖5 未經(jīng)頭腦風暴優(yōu)化的GRNN擬合仿真曲線及誤差

2)頭腦風暴優(yōu)化的GRNN神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)擬合仿真如圖5所示。

圖6 頭腦風暴優(yōu)化GRNN光滑因子仿真圖

如圖5所示，經(jīng)過頭腦風暴優(yōu)化算法的迭代優(yōu)化，輸出GRNN網(wǎng)絡(luò)平滑參數(shù)優(yōu)化值，作為GRNN網(wǎng)絡(luò)平滑參數(shù)的輸入。

圖7 經(jīng)頭腦風暴優(yōu)化的GRNN擬合仿真曲線及誤差

通過對SPS仿真數(shù)據(jù)產(chǎn)生的同一組數(shù)據(jù)，使用不同的預(yù)測模型進行預(yù)測，計算均方誤差MSE，均方誤差的計算如下所示：

(1)

其中:ti為實際值，pi為預(yù)測值。均方根誤差RMSE計算公式為：

(2)

均方誤差能夠表征預(yù)測精度，通過比較未經(jīng)頭腦風暴優(yōu)化的GRNN和經(jīng)過頭腦風暴優(yōu)化的GRNN預(yù)測精度得出了結(jié)論，如表1所示：

表1 不同算法實驗結(jié)果對比

通過表1中的數(shù)據(jù)可知，GRNN控制器輸出預(yù)測模型，速度比較快但是預(yù)測精度較低，均方根誤差較大；BSO-GRNN控制器輸出預(yù)測模型相對于未經(jīng)優(yōu)化的GRNN預(yù)測模型而言，精度提高，但是用時增加，均方根誤差減小?？傊?，經(jīng)過頭腦風暴優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)相比于單純的廣義神經(jīng)網(wǎng)絡(luò)預(yù)測精度提高。

3 基于SPS的綜合控制策略仿真驗證

通過SPS仿真獲得1 000組數(shù)據(jù)，每一組數(shù)據(jù)中包含其中600組作為訓練樣本，400組作為預(yù)測樣本。通過基于頭腦風暴的廣義神經(jīng)網(wǎng)絡(luò)多變量擬合算法得到相應(yīng)的控制器輸出值，通過前饋進行補償。

搭建如圖8所示的SPS仿真平臺，經(jīng)過多功能繼電器將前饋給到執(zhí)行器。如圖9所示，添加前饋后由于調(diào)節(jié)閥的設(shè)定值直接給到調(diào)節(jié)閥，使調(diào)節(jié)閥快速動作，反應(yīng)速度提高。第一次設(shè)定值的波動，添加前饋之前流量控制在35s左右到達穩(wěn)定狀態(tài)，添加前饋之后流量控制在15 s左右達到穩(wěn)定，時間提高20 s。第二次設(shè)定值變化時，添加前饋之前12 s左右達到穩(wěn)定，添加前饋之后3 s左右達到穩(wěn)定，響應(yīng)提高9 s?？梢钥闯銮梆伩刂频男Ч浅Ｃ黠@。并且，流量的設(shè)定值波動越大前饋的效果就越明顯，流量在大范圍波動時將會比小范圍波動取得更加明顯的效果。前饋控制達到設(shè)定值附近后，經(jīng)由PID控制，使得最后穩(wěn)定在設(shè)定值。

圖8 前饋控制工藝流程圖

圖9 添加前饋后仿真對比圖

如未添加前饋的控制器輸出和添加前饋之后的控制器輸出圖10和圖11所示。從圖上可以看出，添加前饋作用之后，在調(diào)節(jié)閥長周期穩(wěn)定運行發(fā)生變化時，前饋按照變化來增加，使得控制效果更加精確迅速，閥門在盡可能短的時間內(nèi)達到指定開度。與單純的PID控制相比，從兩個控制

圖10 單純PID控制器輸出

圖11 添加前饋控制后控制器輸出

效果輸出對比可以看出，調(diào)節(jié)閥特征改變時添加前饋之后的輸出明顯增大，這就使得控制效果更加迅速，調(diào)節(jié)閥能夠快速地達到設(shè)定值。并且前饋作用保持實時的輸出，對PID控制器進行補償，使得調(diào)節(jié)速度大大加快。

并且，系統(tǒng)增加前饋與未增加前饋相比，由于它們的傳遞函數(shù)分母是相同的，則傳遞函數(shù)的極點是相同的，因此在增加前饋情況下并不會影響整個系統(tǒng)的穩(wěn)定性，而且在不改變原系統(tǒng)結(jié)構(gòu)和參數(shù)的情況下，增加前饋更是有利于提高系統(tǒng)的穩(wěn)定精度，動態(tài)性能也比較容易保證。因此，前饋加反饋控制方案可以完全取代PID參數(shù)的在線整定。

4 結(jié)束語

本文系統(tǒng)全面地闡述了造成天然氣分輸站場控制穩(wěn)定性差的根本原因基礎(chǔ)上，提出了前饋-反饋控制的整體控制策略。為了克服長期穩(wěn)定自運行過程中因調(diào)節(jié)閥流量特性發(fā)生變化以及上下游壓力和流量擾動變化帶來的執(zhí)行誤差影響，提出了基于廣義回歸神經(jīng)元網(wǎng)絡(luò)和頭腦風暴優(yōu)化算法的自適應(yīng)方法。最后，基于SPS仿真對比實驗的結(jié)果表明所提控制策略以及自適應(yīng)規(guī)則很好地解決了當前天然氣分輸站場控制中遇到的難題。