摘要：城市燃?xì)庀到y(tǒng)的高效運(yùn)行對(duì)保障城市能源供應(yīng)和居民生活質(zhì)量至關(guān)重要。隨著人工智能技術(shù)的快速發(fā)展，將其應(yīng)用于城市燃?xì)膺\(yùn)行預(yù)測(cè)與優(yōu)化成為可能。該研究提出了一種基于深度學(xué)習(xí)的城市燃?xì)庑枨箢A(yù)測(cè)模型，并結(jié)合強(qiáng)化學(xué)習(xí)算法實(shí)現(xiàn)了燃?xì)夤芫W(wǎng)運(yùn)行優(yōu)化。實(shí)驗(yàn)結(jié)果表明，所提出的方法在預(yù)測(cè)準(zhǔn)確度上較傳統(tǒng)方法提高了15%，同時(shí)將燃?xì)夤芫W(wǎng)運(yùn)行效率提升了8%。這一研究為城市燃?xì)庀到y(tǒng)的智能化管理提供了新的思路和方法。

關(guān)鍵詞：人工智能;城市燃?xì)?需求預(yù)測(cè);運(yùn)行優(yōu)化;深度學(xué)習(xí);強(qiáng)化學(xué)習(xí)

DOI：10.12433/zgkjtz.20243611

城市燃?xì)庀到y(tǒng)作為重要的城市基礎(chǔ)設(shè)施，面臨需求波動(dòng)大、管網(wǎng)復(fù)雜、安全隱患多等挑戰(zhàn)。傳統(tǒng)管理方法依賴經(jīng)驗(yàn)判斷和簡(jiǎn)單統(tǒng)計(jì)模型，難以應(yīng)對(duì)日益復(fù)雜的系統(tǒng)需求。而人工智能技術(shù)的快速發(fā)展為解決這些問(wèn)題提供了新的可能。本研究旨在探索基于深度學(xué)習(xí)的燃?xì)庑枨箢A(yù)測(cè)模型和強(qiáng)化學(xué)習(xí)的管網(wǎng)運(yùn)行優(yōu)化方法，以提高燃?xì)庀到y(tǒng)的運(yùn)行效率和安全性。這一研究對(duì)于推動(dòng)城市燃?xì)庀到y(tǒng)智能化管理具有重要意義。

一、基于深度學(xué)習(xí)的城市燃?xì)庑枨箢A(yù)測(cè)模型

（一）數(shù)據(jù)收集與預(yù)處理

研究收集了某市2018年1月至2022年12月的每日燃?xì)庀臄?shù)據(jù)，共1826條記錄。同時(shí)獲取了相應(yīng)時(shí)間段的氣象數(shù)據(jù)和宏觀經(jīng)濟(jì)指標(biāo)。數(shù)據(jù)預(yù)處理包括四個(gè)步驟：異常值處理、缺失值填補(bǔ)、特征工程和數(shù)據(jù)標(biāo)準(zhǔn)化。通過(guò)這些步驟，得到了一個(gè)高質(zhì)量的訓(xùn)練數(shù)據(jù)集，包含多個(gè)關(guān)鍵特征，如日燃?xì)庀牧俊庀笠蛩?、?jīng)濟(jì)指標(biāo)等連續(xù)變量，以及時(shí)間相關(guān)的類別變量[1]。這些特征全面反映了影響燃?xì)庑枨蟮母鞣N因素，為后續(xù)模型訓(xùn)練奠定了基礎(chǔ)。

（二）模型架構(gòu)設(shè)計(jì)

本模型采用長(zhǎng)短期記憶網(wǎng)絡(luò)和時(shí)間卷積網(wǎng)絡(luò)相結(jié)合的混合架構(gòu)，并引入注意力機(jī)制。模型輸入為過(guò)去30天的歷史數(shù)據(jù)，每天包含9個(gè)特征。數(shù)據(jù)首先通過(guò)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)層處理，然后輸入時(shí)間卷積網(wǎng)絡(luò)層提取多尺度特征。注意力層計(jì)算不同時(shí)間步的權(quán)重，最后通過(guò)全連接層輸出未來(lái)7天的預(yù)測(cè)值。該架構(gòu)充分利用了兩種網(wǎng)絡(luò)的優(yōu)勢(shì)，有望提高預(yù)測(cè)的準(zhǔn)確性和魯棒性。

（三）模型訓(xùn)練與驗(yàn)證

模型訓(xùn)練采用自適應(yīng)矩估計(jì)優(yōu)化器，學(xué)習(xí)率初始為0.001。損失函數(shù)選擇均方根誤差，使用小批量梯度下降法訓(xùn)練200輪。為防止過(guò)擬合，采用早停法、隨機(jī)丟棄和二范數(shù)正則化。數(shù)據(jù)集劃分采用時(shí)間序列交叉驗(yàn)證方法，使用2018～2020年數(shù)據(jù)作為訓(xùn)練集，2021年數(shù)據(jù)作為驗(yàn)證集，2022年數(shù)據(jù)作為測(cè)試集。模型在各數(shù)據(jù)集上的性能指標(biāo)如表1所示。

（四）預(yù)測(cè)結(jié)果分析

我們將深度學(xué)習(xí)模型與傳統(tǒng)時(shí)間序列預(yù)測(cè)方法進(jìn)行了對(duì)比，結(jié)果顯示深度學(xué)習(xí)模型在各項(xiàng)指標(biāo)上均優(yōu)于傳統(tǒng)方法。具體對(duì)比結(jié)果如表2所示。模型在不同預(yù)測(cè)時(shí)間尺度上的表現(xiàn)也進(jìn)行了評(píng)估，特別是在3天內(nèi)的短期預(yù)測(cè)中表現(xiàn)出色[2]。通過(guò)可解釋人工智能技術(shù)分析了模型的決策依據(jù)，發(fā)現(xiàn)日平均氣溫、時(shí)間特征、節(jié)假日效應(yīng)和經(jīng)濟(jì)指標(biāo)都對(duì)預(yù)測(cè)結(jié)果有顯著影響。這些分析結(jié)果驗(yàn)證了模型的有效性，并為進(jìn)一步優(yōu)化提供了見解。

二、基于強(qiáng)化學(xué)習(xí)的燃?xì)夤芫W(wǎng)運(yùn)行優(yōu)化

（一）問(wèn)題建模

燃?xì)夤芫W(wǎng)運(yùn)行優(yōu)化問(wèn)題建模為馬爾可夫決策過(guò)程，核心在于精確定義狀態(tài)空間、動(dòng)作空間和獎(jiǎng)勵(lì)函數(shù)。狀態(tài)空間包含管網(wǎng)中各關(guān)鍵節(jié)點(diǎn)的壓力、流量、燃?xì)赓|(zhì)量等參數(shù)。動(dòng)作空間涵蓋調(diào)壓閥開度、壓縮機(jī)功率和儲(chǔ)氣設(shè)施調(diào)度量等可控變量。

獎(jiǎng)勵(lì)函數(shù)設(shè)計(jì)綜合考慮能耗最小化、供氣穩(wěn)定性和安全性，可表示為：

R（s，a） = w1 E（s，a） + w2S（s，a） + w3F（s，a）

其中E（s，a）為能耗項(xiàng)，S（s，a）為供氣穩(wěn)定性項(xiàng)，F(xiàn)（s，a）為安全性項(xiàng)，w1 、w2 、w3為權(quán)重系數(shù)。這種建模方法全面反映了燃?xì)夤芫W(wǎng)的動(dòng)態(tài)特性和優(yōu)化目標(biāo)，為強(qiáng)化學(xué)習(xí)算法提供了明確的學(xué)習(xí)方向，使其能夠根據(jù)不同場(chǎng)景自適應(yīng)地調(diào)整優(yōu)化策略[3]。

（二）算法選擇與實(shí)現(xiàn)

考慮到燃?xì)夤芫W(wǎng)優(yōu)化問(wèn)題的高維連續(xù)狀態(tài)和動(dòng)作空間特性，我們選擇深度確定性策略梯度算法作為核心方法。該算法結(jié)合了深度學(xué)習(xí)和確定性策略梯度，能有效處理連續(xù)動(dòng)作空間。算法包括四個(gè)神經(jīng)網(wǎng)絡(luò)：當(dāng)前策略網(wǎng)絡(luò)、目標(biāo)策略網(wǎng)絡(luò)、當(dāng)前價(jià)值網(wǎng)絡(luò)和目標(biāo)價(jià)值網(wǎng)絡(luò)。

策略網(wǎng)絡(luò)結(jié)構(gòu)采用多層感知機(jī)，輸入層對(duì)應(yīng)狀態(tài)維度，隱藏層使用修正線性單元激活函數(shù)，輸出層使用雙曲正切函數(shù)映射到動(dòng)作空間。價(jià)值網(wǎng)絡(luò)采用類似結(jié)構(gòu)，但輸出層為單個(gè)價(jià)值估計(jì)。學(xué)習(xí)率設(shè)為0.001，采用自適應(yīng)矩估計(jì)優(yōu)化器。經(jīng)驗(yàn)回放緩沖區(qū)大小為十萬(wàn)，小批量大小為64。

為適應(yīng)大規(guī)模燃?xì)夤芫W(wǎng)，我們?cè)O(shè)計(jì)了多智能體框架，將網(wǎng)絡(luò)分解為多個(gè)子網(wǎng)絡(luò)，每個(gè)子網(wǎng)絡(luò)由一個(gè)智能體負(fù)責(zé)。智能體間通過(guò)經(jīng)驗(yàn)共享和動(dòng)作協(xié)調(diào)實(shí)現(xiàn)全局優(yōu)化。這種設(shè)計(jì)顯著提高了算法的可擴(kuò)展性和計(jì)算效率。

（三）仿真環(huán)境構(gòu)建

為驗(yàn)證強(qiáng)化學(xué)習(xí)算法的有效性，我們構(gòu)建了高保真度的燃?xì)夤芫W(wǎng)數(shù)字孿生模型。該模型基于某市實(shí)際主干管網(wǎng)，包含200個(gè)節(jié)點(diǎn)、300條管段、50個(gè)調(diào)壓閥和10個(gè)壓縮機(jī)站。使用專業(yè)流體仿真軟件作為基礎(chǔ)引擎，并進(jìn)行了定制化擴(kuò)展。流體動(dòng)力學(xué)模型采用非線性方程組描述，包括節(jié)點(diǎn)流量平衡方程、管段壓降方程和壓縮機(jī)功率方程。其中，管段壓降方程可簡(jiǎn)化表示為：

ΔP = kQ2

式中，ΔP為壓降，k為管段阻力系數(shù)，Q為流量。

模型還整合了多種約束條件，如節(jié)點(diǎn)壓力限制、管段流速限制、壓縮機(jī)運(yùn)行范圍等。這些約束通過(guò)懲罰項(xiàng)添加到獎(jiǎng)勵(lì)函數(shù)中。仿真環(huán)境采用高級(jí)編程語(yǔ)言實(shí)現(xiàn)，提供標(biāo)準(zhǔn)化接口。每個(gè)時(shí)間步長(zhǎng)設(shè)為15分鐘，支持加速仿真。為增加魯棒性，引入隨機(jī)擾動(dòng)模擬用戶需求波動(dòng)和設(shè)備故障。

（四）優(yōu)化結(jié)果分析

通過(guò)在構(gòu)建的仿真環(huán)境中對(duì)強(qiáng)化學(xué)習(xí)算法進(jìn)行大規(guī)模訓(xùn)練（約100萬(wàn)個(gè)時(shí)間步長(zhǎng)），我們獲得了顯著的優(yōu)化效果。相比傳統(tǒng)比例—積分—微分控制方法，強(qiáng)化學(xué)習(xí)方法在多個(gè)關(guān)鍵指標(biāo)上均有明顯改善。

能耗方面，系統(tǒng)日均能耗從156.3萬(wàn)千瓦時(shí)降至136.8萬(wàn)千瓦時(shí)，降幅達(dá)12.5%。主要節(jié)能來(lái)自壓縮機(jī)運(yùn)行優(yōu)化和管網(wǎng)壓力控制優(yōu)化。壓縮機(jī)平均利用率提高了8.7%，而平均運(yùn)行壓力從0.45兆帕降至0.41兆帕[4]。供氣穩(wěn)定性顯著提升，用戶端壓力波動(dòng)標(biāo)準(zhǔn)差從0.032兆帕降至0.026兆帕，減小18.7%。強(qiáng)化學(xué)習(xí)方法能更快響應(yīng)需求變化，平均調(diào)節(jié)時(shí)間縮短了23.5%。特別是在早晚用氣高峰期，壓力波動(dòng)抑制效果最為明顯。

安全性指標(biāo)也有改善，系統(tǒng)異常事件發(fā)生頻率從每月4.3次降至3.9次，降低9.3%。通過(guò)風(fēng)險(xiǎn)熱圖分析，發(fā)現(xiàn)高風(fēng)險(xiǎn)區(qū)域面積減少了15.6%。這主要得益于算法學(xué)習(xí)到了更為穩(wěn)健的運(yùn)行策略，能夠預(yù)先調(diào)整管網(wǎng)狀態(tài)以應(yīng)對(duì)潛在風(fēng)險(xiǎn)。

綜上所述，基于強(qiáng)化學(xué)習(xí)的燃?xì)夤芫W(wǎng)運(yùn)行優(yōu)化方法展現(xiàn)出優(yōu)異的性能和適應(yīng)性，為智能化城市燃?xì)庀到y(tǒng)管理提供了新的解決方案。

三、實(shí)際案例應(yīng)用與驗(yàn)證

（一）研究區(qū)域概況

研究選擇了華北地區(qū)某中等規(guī)模城市作為實(shí)際應(yīng)用案例。該城市面積約1200平方公里，常住人口210萬(wàn)，年均氣溫14℃，冬季供暖期長(zhǎng)達(dá)5個(gè)月。城市燃?xì)夤芫W(wǎng)總長(zhǎng)度達(dá)2300公里，包括高壓管網(wǎng)300公里、中壓管網(wǎng)1500公里和低壓管網(wǎng)500公里。系統(tǒng)日均供氣量為180萬(wàn)立方米，高峰時(shí)段可達(dá)280萬(wàn)立方米。管網(wǎng)結(jié)構(gòu)呈現(xiàn)“三環(huán)六射”的布局特點(diǎn)，共有5座門站、12座調(diào)壓站和3座儲(chǔ)配站[5]。

該城市的燃?xì)庑枨缶哂忻黠@的季節(jié)性和周期性特征，冬季供暖期間的用氣量是夏季的3倍左右。此外，工業(yè)用戶占總用氣量的40%，對(duì)供氣穩(wěn)定性要求較高。城市近年來(lái)快速發(fā)展，燃?xì)庑枨竽昃鲩L(zhǎng)率達(dá)8%，給現(xiàn)有管網(wǎng)系統(tǒng)帶來(lái)了巨大壓力。表3概述了研究區(qū)域的主要特征。

（二）數(shù)據(jù)采集與系統(tǒng)部署

為實(shí)現(xiàn)基于人工智能的燃?xì)膺\(yùn)行預(yù)測(cè)與優(yōu)化，我們構(gòu)建了一套全面的數(shù)據(jù)采集和系統(tǒng)部署方案。數(shù)據(jù)采集系統(tǒng)包括三個(gè)層面：第一，管網(wǎng)監(jiān)測(cè)數(shù)據(jù)，通過(guò)在關(guān)鍵節(jié)點(diǎn)和管段安裝壓力、流量、溫度等傳感器，實(shí)時(shí)采集運(yùn)行數(shù)據(jù)；第二，用戶用氣數(shù)據(jù)，利用智能燃?xì)獗砗陀脩艄芾硐到y(tǒng)，收集不同類型用戶的用氣情況；第三，外部環(huán)境數(shù)據(jù)，包括氣象數(shù)據(jù)、節(jié)假日信息、重大事件等。

數(shù)據(jù)采集頻率根據(jù)不同指標(biāo)的變化特性進(jìn)行了優(yōu)化設(shè)置，關(guān)鍵參數(shù)如壓力、流量等每分鐘采集一次，非關(guān)鍵參數(shù)如管網(wǎng)溫度每5分鐘采集一次。所有數(shù)據(jù)通過(guò)4G/5G網(wǎng)絡(luò)實(shí)時(shí)傳輸?shù)皆贫藬?shù)據(jù)中心，經(jīng)過(guò)數(shù)據(jù)清洗、預(yù)處理后存入分布式數(shù)據(jù)庫(kù)。

系統(tǒng)部署采用了邊緣計(jì)算與云計(jì)算相結(jié)合的架構(gòu)。在每個(gè)門站和調(diào)壓站部署邊緣計(jì)算節(jié)點(diǎn)，負(fù)責(zé)局部數(shù)據(jù)處理和快速響應(yīng)控制。云端部署了大規(guī)模并行計(jì)算集群，用于運(yùn)行深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)算法。整個(gè)系統(tǒng)通過(guò)專用的工業(yè)控制網(wǎng)絡(luò)實(shí)現(xiàn)安全可靠的通信和控制。

（三）運(yùn)行效果評(píng)估

系統(tǒng)在該城市實(shí)際運(yùn)行6個(gè)月后，我們對(duì)其性能進(jìn)行了全面評(píng)估。評(píng)估指標(biāo)包括預(yù)測(cè)準(zhǔn)確性、能源效率、供氣穩(wěn)定性和系統(tǒng)安全性。在預(yù)測(cè)準(zhǔn)確性方面，基于深度學(xué)習(xí)的需求預(yù)測(cè)模型在日尺度上的平均絕對(duì)百分比誤差（MAPE）為3.8%，優(yōu)于傳統(tǒng)時(shí)間序列模型的5.7%。特別是在節(jié)假日和極端天氣等特殊情況下，新模型表現(xiàn)出更強(qiáng)的適應(yīng)性。

能源效率方面，通過(guò)強(qiáng)化學(xué)習(xí)優(yōu)化的運(yùn)行策略使系統(tǒng)整體能耗降低了15.3%。主要體現(xiàn)在壓縮機(jī)運(yùn)行優(yōu)化和管網(wǎng)壓力控制兩個(gè)方面。供氣穩(wěn)定性顯著提升，用戶端壓力波動(dòng)幅度減小了22.6%，有效投訴率下降了35.2%。

安全性是燃?xì)庀到y(tǒng)的重中之重。新系統(tǒng)上線后，自動(dòng)檢測(cè)到的潛在安全隱患數(shù)量增加了40%，但需要人工干預(yù)處理的緊急情況減少了28.7%，體現(xiàn)了系統(tǒng)在主動(dòng)預(yù)防方面的優(yōu)勢(shì)。表4總結(jié)了系統(tǒng)運(yùn)行前后的主要性能指標(biāo)對(duì)比。

（四）系統(tǒng)可擴(kuò)展性討論

基于人工智能的燃?xì)膺\(yùn)行預(yù)測(cè)與優(yōu)化系統(tǒng)展現(xiàn)出良好的可擴(kuò)展性。在地理范圍上，系統(tǒng)可擴(kuò)展至更大規(guī)模的城市群或區(qū)域性燃?xì)饩W(wǎng)絡(luò)。功能方面，可進(jìn)一步整合泄漏檢測(cè)、管網(wǎng)規(guī)劃和應(yīng)急響應(yīng)等模塊。系統(tǒng)預(yù)留的標(biāo)準(zhǔn)化接口便于與智慧城市平臺(tái)和綜合能源管理系統(tǒng)對(duì)接，為能源互聯(lián)網(wǎng)應(yīng)用創(chuàng)造條件。

然而，系統(tǒng)擴(kuò)展也面臨挑戰(zhàn)，如數(shù)據(jù)質(zhì)量和標(biāo)準(zhǔn)化問(wèn)題、算法泛化能力的驗(yàn)證，以及計(jì)算復(fù)雜度增加和實(shí)時(shí)性降低等。未來(lái)研究方向包括開發(fā)先進(jìn)的遷移學(xué)習(xí)算法、探索聯(lián)邦學(xué)習(xí)技術(shù)，以及結(jié)合區(qū)塊鏈技術(shù)增強(qiáng)安全性和可追溯性。這些努力將進(jìn)一步提升系統(tǒng)的可擴(kuò)展性和應(yīng)用價(jià)值，推動(dòng)燃?xì)庑袠I(yè)向更智能、高效的方向發(fā)展。

四、結(jié)語(yǔ)

該研究將深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)技術(shù)成功應(yīng)用于城市燃?xì)膺\(yùn)行預(yù)測(cè)與優(yōu)化，開發(fā)了一套智能化的燃?xì)夤芾硐到y(tǒng)。通過(guò)大規(guī)模實(shí)驗(yàn)和實(shí)際案例驗(yàn)證，證明了所提出方法的有效性和先進(jìn)性。研究成果不僅顯著提高了燃?xì)庑枨箢A(yù)測(cè)的準(zhǔn)確度，還實(shí)現(xiàn)了燃?xì)夤芫W(wǎng)運(yùn)行的智能優(yōu)化，為城市燃?xì)庀到y(tǒng)的現(xiàn)代化管理提供了新的技術(shù)支撐。未來(lái)研究將進(jìn)一步探索多源數(shù)據(jù)融合、邊緣計(jì)算等技術(shù)在燃?xì)庀到y(tǒng)中的應(yīng)用，以及人工智能方法在更大規(guī)模城市能源系統(tǒng)中的推廣應(yīng)用。

參考文獻(xiàn)：

[1]翟鵬.城市化背景下城市燃?xì)夤こ添?xiàng)目建設(shè)風(fēng)險(xiǎn)管理[J].中國(guó)石油和化工標(biāo)準(zhǔn)與質(zhì)量，2024，44（10）：69-71.

[2]鐘振茂.大型城市燃?xì)怆娬驹肼曋卫砑夹g(shù)[J].安裝，2023（03）：62-65.

[3]何文萱，唐海亮，孫健.城市燃?xì)庳?fù)荷預(yù)測(cè)研究[J].中國(guó)設(shè)備工程，2022（13）：253-255.

[4]黃健雄.城市燃?xì)庵械蛪汗芫W(wǎng)運(yùn)行管理模式的優(yōu)化方法[J].化工設(shè)計(jì)通訊，2022，48（09）：133-135.

[5]翟向琳，張強(qiáng)，王世奉.智能化城市燃?xì)廨斉湎到y(tǒng)設(shè)計(jì)探討[J].石油和化工設(shè)備，2021，24（08）：64-65+63.

（作者單位：1.杭州天然氣有限公司，

2.杭州市能源集團(tuán)工程科技有限公司）