Авторы:
С.А. Сарданашвили, e-mail: Sardanashvili.S@gubkin.ru; Федеральное государственное автономное образовательное учреждение высшего образования «Российский государственный университет нефти и газа (Национальный исследовательский университет) имени И.М. Губкина» (Москва, Россия).
Е.А. Голубятников, e-mail: sjusts1@gmail.com Федеральное государственное автономное образовательное учреждение высшего образования «Российский государственный университет нефти и газа (Национальный исследовательский университет) имени И.М. Губкина» (Москва, Россия).
Литература:
СТО Газпром 8-005–2013. Диспетчерское управление. Инструменты диспетчерского управления. Системы поддержки принятия диспетчерских решений. Общие требования. М.: ОАО «Газпром», 2012. 26 с.
Голубятников Е.А., Сарданашвили С.А. Проблемы моделирования on-line режимов систем газоснабжения // Территория «НЕФТЕГАЗ». 2015. № 4. С. 32–37.
Сарданашвили С.А. Расчетные методы и алгоритмы (трубопроводный транспорт газа). М.: ФГУП «Изд-во «Нефть и газ» РГУ нефти и газа имени И.М. Губкина, 2005. 577 с.
Сарданашвили С.А., Самсонова В.В. Методы оценки адекватности расчетных режимов систем газоснабжения // Газовая промышленность. 2013. № 9 (695). С. 84–88.
HTML
ПРИКЛАДНЫЕ РЕЖИМНО-ТЕХНОЛОГИЧЕСКИЕ ЗАДАЧИ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ ДИСПЕТЧЕРСКИХ РЕШЕНИЙ, ОСНОВАННЫЕ НА ОНЛАЙН-ДАННЫХ
Основные задачи системы поддержки принятия диспетчерских решений (СППДР), основанные на онлайн-данных, представлены в стандарте ПАО «Газпром», регламентирующем диспетчерское управление [1] (рис. 1).
Решение перечисленных задач невозможно без математической модели, адекватно отражающей не только физические процессы, но и их динамику в реальном масштабе времени при изменяющихся условиях и факторах эксплуатации технологических реальных комплексов. Несмотря на то что многие программные средства моделирования, применяемые в ПАО «Газпром», позволяют использовать в расчетах актуальную телеметрическую информацию, в том числе полученную автоматическими системами измерения, комплексного решения проблем повышения достоверности результатов задач СППДР на сегодняшний день нет. Это обусловлено тем, что на адекватность получаемых результатов существенное влияние оказывают многочисленные факторы, основные из которых приведены на рис. 2.
Решение проблемы повышения достоверности результатов решения задач СППДР можно декомпозировать на четыре основных блока:
1) повышение достоверности массивов исходных параметрических данных, замеряемых системами телеметрии, посредством применения современных математических методов регрессионного, дисперсного, многофакторного анализов, методов математической статистики и проверки статистических гипотез;
2) выбор и применение на каждом временном отрезке моделируемого реального процесса (стационарного, квазистационарного, нестационарного, изотермического, неизотермического, адиабатического, политропического и т. д.) математической модели, отражающей его основные характеристики;
3) оценка статистической адекватности результатов моделирования замеряемым онлайн-параметрам реального процесса, при значимых расхождениях выполнение настройки модели на реальный процесс посредством ее математической адаптации методом идентификации различных поправок к эмпирическим (достоверно не определенным) внутренним параметрам модели;
4) ситуационный анализ значимых параметров, характеризующих состояние технологических объектов (оборудования) и системы в целом, которые могли быть ошибочно использованы в модели.
ПРОЦЕДУРЫ ПОВЫШЕНИЯ ДОСТОВЕРНОСТИ ОНЛАЙН-ДАННЫХ
Наиболее характерной особенностью онлайн-моделирования является то, что в качестве исходных данных применяются замеры датчиков, показания которых по мере прохождения по каналам связи, преобразований из аналоговых в цифровой формат, процедур защиты баз данных от переполнения и т. д. могут подвергаться модификации. Кроме того, на показания датчиков влияют факторы эксплуатационных условий (температура, давление, влажность, состав среды), изменений механизмов и свойств материалов.
Все это может приводить к значимым погрешностям исходных данных, которые передаются в компьютерные комплексы моделирования, возрастающих из-за погрешностей самих моделей и применяемых численных методов и в итоге к неадекватности полученных результатов в целом.
При использовании онлайн-моделирования обычно имеется набор замеров каждого параметра технологического процесса во времени) tj, (tj), который может быть представлен стохастическим временным рядом. Для обработки временных рядов могут быть использованы различные методы математической статистики, в частности следующие.
1. Сглаживание ряда непрерывными или кусочно-непрерывными функциями (tj), (отрезками функциональных рядов: тригонометрическими, степенными, сплайновыми, ортогональными и т. д.). Применение этого метода поз-воляет, во-первых, получить частоту квантования значений параметров с любым временным шагом, что наиболее актуально при использовании нестационарных моделей, а также при больших пропусках замеров параметров (при бездействии датчиков) во временных рядах. Во-вторых, при сглаживании выделяется детерминированная составляющая (оценка истинного значения) параметра и фильтруется влияние случайных погрешностей (различных шумов). Для сглаживания временных рядов замеров могут применяться методы линейной регрессии, сглаживания рядами Фурье, аппроксимации кубическим сплайнами. Так, в [2] представлена популярная методика адаптивной сплайн-аппроксимации, которая позволяет производить сглаживание c учетом заданных (в частности паспортных) погрешностей измерительных устройств.
При этом в качестве критерия завершения построения регрессионной функции стохастического ряда может быть (чтобы не доводить процесс до интерполяционной функции, лишенной свойств фильтрации случайного шума) предложен критерий проверки гипотезы о том, что эмпирическая дисперсия погрешности невязок rj = ((tj) – (tj)) сглаживания не превышает дисперсии погрешности измерений соответствующего параметра.
Для проверки данной гипотезы оценка математического ожидания выполняется по формуле:
, (1)
несмещенная оценка эмпирической дисперсии S2 выполняется по формуле:
, (2)
оценка дисперсии погрешности измерений вычисляется на основе предположения, что случайная составляющая замеров c.c. имеет нормальное распределение.
Вероятность того, что детерминированная составляющая (tj) лежит в доверительном интервале (tj) – < p(tj) < < (tj) + , вычисляется по следующей формуле:
(3)
где: – функция Лапласа; – теоретическая абсолютная погрешность показаний прибора (tj).
При условии значения вероятности доверительного уровня, равного P((tj) – – < pr(tj) < (tj) + ) = 0,975, оценку дисперсии погрешности измерительного прибора вычисляют по формуле:
(4)
или рассчитывают среднюю дисперсию погрешности прибора на интервале замеров
. (5)
В качестве критерия (для нормально распределенной случайной величи-ны rj) проверки гипотезы о том, что эмпирическая дисперсия S2 сглаживания не превышает дисперсии измерений , используется неравенство:
, (6)
где = m – 1, – квантили распределения 2.
Гипотеза S2 < принимается, если выполняется неравенство (6).
2. Наличие систематических погрешностей показаний единичных датчиков может быть оценено на основании появления во временных рядах замеров устойчивых интервалов, на которых невязки rj = ((tj) – (tj)), рассогласования замеров (tj) и расчетных (tj) (по модели) значений параметра будут иметь статистически ненулевое математическое ожидание
.
Гипотеза о нулевом среднем = 0 принимается, если выполняются неравенства:
, (7)
. (8)
Критерий (7) применяется, если дисперсия погрешности измерений не известна, критерий (8) – если она известна.
3. Фильтрация аномальных выбросов показаний датчиков, которые могут быть обусловлены внезапным возникновением различных отрицательных эффектов в каналах связи или внешних импульсных воздействий на сами датчики. Для выявления выбросов, не обусловленных изменениями технологического процесса, могут применяться различные критерии и методы математической статистики, в частности метод Анскомба, критерий Диксона, а также методы, основанные на других статистических критериях, например Стьюдента [3].
Например, проверка гипотезы о наличии аномальных замеров методом Анскомба состоит в том, что k-й замер отбрасывается, если |k| > c.S, где c вычисляется из выражения:
, (9)
где – распределение Стьюдента, = m – 1.
Оставшаяся выборка j рассматривается как вновь полученная.
Если дисперсия задана, то величина c вычисляется через F-распределение:
, (10)
где q = , значение F1–q задается при степенях свободы.
Метод доверительного интервала исходит из предположения о нормальном распределении выборки невязок rj.
Доверительный интервал оценки случайной величины rj:
, (11)
. (12)
Замер считается аномальным, если для невязки rj не выполняется проверяемое неравенство. Данный подход к фильт-рации аномальных замеров обладает рядом недостатков:
• он позволяет статистически оценивать наличие одного или незначительного числа аномальных замеров в выборке, о которой достоверно известно, что она принадлежит нормальному распределению с условиями (0, );
• возможно, аномальное значение замеряемого параметра обусловлено технологическим процессом (переключениями крановой системы, включениями/отключениями газоперекачивающего агрегата, изменениями объемов подачи и отбора газа и т. п.), а не ошибкой прибора. В этом случае такой параметр будет отброшен ошибочно.
В результате применения описанных процедур можно получить оценки детерминированной составляющей, тем самым снизив влияние погрешности исходных данных на адекватность результатов онлайн-моделирования. На рис. 3 представлен пример применения описанных процедур для обработки замеров выходных параметров магист-рального газопровода «Ямал – Европа». Как можно увидеть на графиках, использование методов позволило не только сгладить ряд, но и выявить явно недостоверный замер расхода.
ПРОЦЕДУРЫ ПОВЫШЕНИЯ ДОСТОВЕРНОСТИ РЕЗУЛЬТАТОВ МОДЕЛИРОВАНИЯ
При моделировании режимов онлайн, и особенно при решении задач СППДР на основе результатов онлайн-моделирования, адекватность этих результатов приобретает особую значимость.
Оценка адекватности моделирования обычно проводится с использованием «избыточных» замеров, т. е. замеров параметров, которые не являются исходными данными для модели. Например, при расчете газотранспортной системы в качестве исходных данных для модели обычно используются показатели давления, расхода и температуры на входах и выходах системы. Замеры этих параметров в промежуточных точках системы, например на крановых площадках линейных участков, компрессорных цехов, в таком случае могут применяться для проверки адекватности модели. При онлайн-моделировании появляется возможность оценить адекватность модели в динамике, сравнить временные ряды замеров и расчетных параметров по избыточным данным.
Модель может считаться адекватной, если:
1) отклонения расчетных значений каждого параметра от замеров являются случайными величинами (модель отражает динамику процесса);
2) математическое ожидание отклонений расчетных значений параметра от замеров статистически равно 0, т. е. модель отражает динамику процесса и не имеет систематического смещения;
3) отклонения расчетных значений параметра от замеров не содержат аномальных значений, т. е. модель отражает волновые процессы изменения режима;
4) отклонения расчетных значений параметра от замеров статистически не превышают погрешности измерительных устройств замеров параметра, т. е. погрешность модели статистически не превышает погрешности измерений параметров моделируемого процесса.
Если выполняются все критерии, можно принять гипотезу об адекватности модели фактическому режиму.
Каждый из критериев адекватности может быть сформулирован в форме статистической гипотезы и проверен соответствующими методами математической статистики. В работе [4] авторами приводится вариант применения методики оценки адекватности модели на примере моделирования режимов магистрального газопровода «Голубой поток». Данная методика универсальна и может быть применена к анализу адекватности результатов моделирования любого онлайн-технологического процесса, технологического объекта или системы.
Самостоятельной проблемой являются оценка и анализ причин неадекватности результатов моделирования, особенно с учетом того факта, что рассматриваемые технологические комплексы, такие как газодобывающие, газотранспортные, газораспределительные, обычно содержат сотни и тысячи контрольных точек замеров параметров газового потока, для части которых результаты могут соответствовать замерам, а для другой – значимо расходиться с замерами. Для расхождений могут производиться оценка значимости и выявляться факторы их появления, например:
1) могут иметь место постоянно недостоверные показания соответствующих замерных датчиков (в замерах есть систематические погрешности);
2) в модель может быть передана неправильная информация о составе и состояниях объектов газотранспортной системы. Требуется актуализация расчетной схемы, чтобы она соответствовала фактической технологической схеме системы;
3) в модель может быть передана неверная информация о паспортных или фактических параметрах технологических объектов газотранспортной системы: труб, газоперекачивающих агрегатов, аппаратов воздушного охлаждения, крановых систем и т. д. Требуется актуализация данных о параметрах объектов;
4) в моделируемом технологическом комплексе происходят штатные или не-штатные процессы (изменения гидравлических характеристик объектов: тренды пропускной способности, газодинамические характеристики центробежных нагнетателей газоперекачивающих агрегатов, несанкционированные отборы и т. д.), которые не учитывались в модели;
5) для расчета параметров режима применяется модель, не соответствующая характеру фактического режима: например, режим нестационарный, а применялась стационарная модель; процесс неизотермический, а модель изотермическая; трубопроводы имеют значимые перепады высот, а модель построена для горизонтальных трубопроводов, и т. д.;
6) математическая модель требует проведения настройки (адаптации) к фактическим онлайн-режимам.
Основной целью адаптации моделей к заданным параметрам гидравлического режима является настройка расчетных режимов на фактические в соответствии с выбранными критериями, например:
(13)
где p, q, T – весовые коэффициенты; – вектор идентифицируемых эмпирических параметров модели газотранспортной системы; , , Tr* – замеры давления, расхода, температуры газа в контрольных точках газотранспортной системы; (), (), () – расчетные значения давления, расхода, температуры газа в контрольных точках системы.
Средством адаптации моделей является идентификация различных эмпирических коэффициентов , всегда входящих в состав моделей технологических систем, значения которых достоверно не известны либо меняются в течение эксплуатации оборудования.
Примерами таких эмпирических коэффициентов , в частности, являются:
• коэффициент гидравлической эффективности или коэффициент эквивалентной шероховатости внутренней поверхности трубопроводов;
• интегральный коэффициент тепло-обмена трубопроводов с окружающей средой;
• интегральные поправки на газодинамические характеристики газоперекачивающих агрегатов компрессорных цехов;
• для аппаратов воздушного охлаждения обычно используют поправку к расчетному коэффициенту теплообмена;
• для кранов регуляторов или кранов редуцирования давления может использоваться поправка к эффективному открытому сечению и т. д.
Критерий (13) может быть минимизирован с помощью стандартных методов оптимизации, при этом надо учитывать, что функция F() как по компонентам вектора оцениваемых параметров , так и по квадратам невязок давлению p, расходу газа q и температуре T может обладать плохими свойствами, в частности на порядки разной чувствительностью (так называемые овражные многомерные поверхности). Кроме того, разные методы (градиентные, неградиентные) обладают разной эффективностью (скоростью сходимости к решению) на разных участках поверхности в зависимости от расстояния (близости) к точке оптимума. Поэтому при выборе численных методов минимизации критерия (13) следует также учитывать возможности комбинации и чередования различных численных методов, задание различных весовых коэффициентов компонент критерия (13) и даже выбора на каких-то начальных этапах процедуры очередности покоординатного спуска по параметрам сравнения p, q, T. От учета всех этих факторов существенно зависит соотношение точности решения задачи и требуемых для этого вычислительных затрат (время решения задачи), которые могут оказаться неприемлемыми. Решение проблемы выбора критерия рассогласования F() множества эмпирических параметров модели численных методов решения задачи выходит за рамки данной статьи.
На рис. 4 представлена панель программы адаптации модели газотранспортной системы, реализованной авторами в программно-вычислительном комплексе «Веста-онлайн».
На данной панели показаны:
• список «Модель ТС», содержащий значения поправочных коэффициентов гидравлической эффективности Кэф и теплообмена Кто подсистем трубопроводов, диапазон изменения параметров;
• список «Модель крана», содержащий список кранов регуляторов и редуцирования давления газа, у которых показаны эффективный диаметр и текущее значение коэффициента гидравлического сопротивления;
• списки замеров и расчетных пара-метров: давление, расход, температура в узлах замеров для потребителей и поставщиков газа;
• списки замеров и расчетных пара-метров: давление, температура на входах и выходах компрессорного цеха, а также интегральные поправки на расчет политропического коэффициента полезного действия (Ккпд) и работу сжатия центробежного нагнетателя газоперекачивающего агрегата компрессорного цеха (Коб). Поправочный коэффициент на степень сжатия (Ке) в данной версии программы не используется.
В группе «Максимальные отклонения от замеров» можно задать погрешность замеров по давлению Р и расходу газа Q.
Можно задать значение критерия завершения итерационной процедуры адаптации.
В результате решения задачи адаптации может выполняться идентификация не самих эмпирических коэффициентов моделей, а поправок (идентифицируемых параметров) к ним. При этом одна поправка может относиться не к одному, а к группе однотипных объектов, например ко всем трубопроводам линейной части между компрессорными станциями или ко всем газоперекачивающим агрегатам одного компрессорного цеха.
На рис. 5 представлена общая схема процесса адекватного моделирования, планирования и управления онлайн-режимами газотранспортной системы.
Основу схемы составляет система телеметрии сбора онлайн-замеров, которая является источником данных реального времени. Поступающие из системы замеры обрабатываются процедурами повышения достоверности данных, в результате формируются непрерывные оценки детерминированной составляющей значений параметров. Эти оценки являются исходными данными для онлайн-моделирования, результаты которого проверяются на адекватность параметрам фактического режима. В случае появления значимых расхождений расчетных и замеренных данных выполняется ситуационный анализ возможных факторов, приводящих к неадекватности модели. Для получения адекватных результатов влияние этих факторов должно быть учтено в модели. При необходимости выполняется адаптация модели.
Адекватная модель используется для решения следующих задач поддержки принятия решений:
• контроль текущего режима;
• планирование управляющих воздействий;
• прогнозирование влияния воздействий на ход технологического процесса.
На основе решения этих задач формируются и реализуются диспетчерские управления объектами системы. Изменения режима вследствие управлений передаются в модель через систему сбора данных, и затем цикл повторяется.
Таким образом, общая схема планирования онлайн-режима основана:
• на применении адекватной онлайн-модели текущего режима технологического комплекса;
• на применении нестационарной модели прогноза поведения системы: что будет, если произойдут те или иные события или будут применены те или иные управления;
• на результатах ситуационного анализа текущего и оперативного прогноза перспективного состояния системы;
• на результатах оперативного прогноза объемов поставок газа от смежных сис-тем и объемов попутного потребления газа, его передачи в газораспределительные сети;
• на результатах оценки и прогноза изменений гидравлических характеристик линейной части и газоперекачивающего оборудования;
• на применении адекватных реальному технологическому процессу процедур автоматизированного и интерактивного многовариантного планирования режимов.
ПРОГРАММНО-ВЫЧИСЛИТЕЛЬНЫЙ КОМПЛЕКС ОНЛАЙН-МОДЕЛИРОВАНИЯ
Сотрудники РГУ нефти и газа (НИУ) имени И.М. Губкина уже третий десяток лет развивают программно-вычислительный комплекс «Веста», который успешно внедряется и эксплуатируется дочерними организациями ПАО «Газпром». Комплекс позволяет моделировать стационарные и нестационарные режимы газотранспортной системы, а также решать широкий набор режимно-технологических задач.
Описанные в работе процедуры нашли практическую реализацию в виде нового модуля «Веста-онлайн». Модуль позволяет решать такие задачи, как:
• интеграция с информационными системами газотранспортных и газодобывающих предприятий для обмена данными, в том числе замерами реального времени;
• предварительная подготовка замеров для онлайн-моделирования с помощью процедур повышения достоверности исходных данных;
• онлайн-моделирование режимов газотранспортной системы с применением нестационарной модели;
• анализ и оценка адекватности результатов онлайн-моделирования;
• адаптация математической модели к фактическим режимам газотранспортной системы;
• расчет аналитических показателей на основе онлайн-модели, в том числе запаса газа в системе, изменения запаса газа, баланса газа, товаротранспортной работы;
• представление информации о режиме и результатах моделирования в виде отчетных форм, графиков и т. д., а также визуализация информации непосредственно на экранных формах системы диспетчерского контроля и управления.
На рис. 6 представлен пример предварительной подготовки онлайн-замеров фактического режима Северо-Европейского газопровода для моделирования.
Программно-вычислительный комплекс «Веста-онлайн» в настоящий момент эксплуатируется ООО «Газпром трансгаз Санкт-Петербург» и позволяет осуществ-лять онлайн-моделирование, решать задачи планирования режимов на основе онлайн-модели, а также рассчитывать онлайн балансовые показатели. Завершено внедрение комплекса «Веста-онлайн» для первых двух пусковых комплексов (9 линейно-производственных управлений), сейчас ведутся работы по реализации третьей очереди (5 ЛПУ).
ЗАКЛЮЧЕНИЕ
Рассмотренные в статье методы повышения достоверности онлайн-данных и результатов моделирования режимов промысловых, магистральных, газораспределительных трубопроводных систем являются универсальными. В процессе апробации на реальных данных диспетчерских служб они продемонстрировали свою эффективность, позволяют повышать достоверность и адекватность результатов онлайн-моделирования сложных распределенных технологических комплексов. Однако многие проблемы, связанные с формализацией процедуры ситуационного анализа результатов неадекватного моделирования, а также оценки фактического состояния технологических объектов и системы в целом, остаются пока не решенными и являются предметом дальнейших исследований.