上海天然气主干网6.0MPa管道压力监测点最值预测

上海天然气主干网6.0MPa管道压力监测点最值预测
胡嵘
【摘要】文章介绍了上海天然气管网有限公司实现对主干网6.0 MPa管道压力监测点的最值预测,完善了管网运行控制和供需平衡计划工作.
【期刊名称】《上海煤气》
【年(卷),期】2011(000)003
【总页数】7页(P24-29,42)
【关键词】能源;天然气;压力预测
【作者】胡嵘
【作者单位】上海天然气管网有限公司
【正文语种】中文
0 前言
目前，上海天然气主干网已建成投运600余km管道，建有6.0 MPa、4.0 MPa、2.5 MPa和1.6 MPa四个压力级制的超高压、高压管道。

其中超过 1/3的6.0 MPa管道是当前主干网日常调峰、储气所依赖的最主要、最重要的输气设施。

按 2010年上海天然气供应统计数据，主干网6.0 MPa管道接收气源的供应占全
市气源供应量的92%；直供用户的用量占全市用户用量的41%，其中有燃气电厂、漕泾化工区、石化等市重点项目的用户。

随着上海天然气市场的发展，预计上述比例及直供的用户数量将在“十二五”期间
进一步增加，同时主干网调峰能力的需求随之增加。

根据2010年实际情况，上海天然气主干网的调峰主要通过气源调峰和6.0 MPa 管道实现。

但按规划的发展速度，主干网可用调峰量占全市日用气量的比例将在2010年不足 19 %的基础上再降低1/3，所以可以预计的是，6.0 MPa管道压力波动将进一步增大。

保障6.0 MPa管道的安全运行是确保全市天然气安全供应工作的重要一环。

具体来讲，就是要保障6.0 MPa管道运行压力在正常范围内波动——压力过高则影响气源的供应工作、减少供应量；压力过低则影响直供用户的安全用气和生产计划。

在制定日供需平衡计划工作中，将每天6:00(燃气日起始时间)6.0 MPa管道监测点的压力作为是否能够实现每日该管道安全运行以及供需计划是否可行的主要判定指标。

然而仅依靠早6:00监测压力无法直接判断日用气高峰、低谷期间6.0 MPa 管道的运行压力情况。

目前，依靠计划人员的经验来预测其运行压力的最值和估算管道调峰量，这存在一定的不确定性，不利于对气源供应和化工、燃气电厂等用户用气方式的协调工作，也不利于应对气源和用户突发计划调整的情况。

鉴于当前尚未建立对主干网6.0 MPa管道压力监测点最值预测的系统，以及由此对上海天然气主干网安全运行产生的风险，因此有必要尽快开展对主干网6.0 MPa管道压力监测点的最值预测工作，完善主干网安全运行判定指标。

1 6.0 MPa管道压力监测点最值的常规预测方法
目前对6.0 MPa管道压力监测点最值预测方法主要为直接计算法——依据管道小时负荷和气源小时供应量，通过计算调峰量推导管道压力或通过管道水力计算得出管道压力。

直接计算法可以计算出全天24 h的6.0 MPa管道压力监测点压力值，若使用水力计算模型则可以得到主干网任意点的压力值。

这是直接计算法具有的优势，但其也
有明显的劣势：
(1)需要所有用户的小时负荷，包括区域燃气销售公司、大工业、燃气电厂等用户。

大工业、燃气电厂等用户用量尚有上报计划可依，但销售公司用量受气温、节假日等外部因素影响明显，且上海各销售公司因其所处地域不同，其用气规律/特征各异，因此对销售公司小时负荷的预测一直是负荷预测工作中的难点，这也将影响直接计算法的准确性及推广使用。

此外，若进行水力计算，则更是需要主干网现有四、五十个用户场站的小时负荷，这必然需要预测软件的辅助才能实现，增加了整个系统失效的概率，降低了可靠性。

(2)存在其他影响因素。

通过计算调峰量推导管道压力，必需涉及到主干网小时产
销差的经验判断。

而在通过管道水力计算得出管道压力前，必需构建主干网全网模型并进行长时间的调试，运行后尚有大量维护和更新工作需要实施，因此所需投入的人力物力规模巨大。

此外，在进行管道水力计算过程中，还存在管道摩阻系数和气源气质等变化对计算结果的影响、软件计算时间长等负面因素。

另外，考虑到天然气管网自身所具备一定的储气调峰能力，不似电网般有刚性要求，因此，除管道监测压力的最值及早6:00压力值外，其余21个压力预测值对监测
工作仅有参考意义。

在综合考虑常规预测方法利弊和日常管网控制的需要后，为避免常规预测方法的劣势，并向计划编制及调度人员提供一定精度的6.0 MPa管道压力监测点最值及最
值出现时刻的预测参考，在此尝试使用神经网络方法进行预测。

2 神经网络预测方法
神经网络，即人工神经网络(Artificial Neutral Networks，简称 ANN)，是当前用于信息处理、组合优化计算方面较为先进的方法。

由于神经网络通过模拟人的大脑神经处理信息的方式，因此具有较强的学习能力、可以实现非线性映射过程及大规
模计算。

通俗来说，神经网络预测，即模拟人的经验判断来进行预测。

2.1 流程介绍
神经网络预测6.0 MPa管道压力监测点最值及最值出现时刻的流程如下：
图1 神经网络构建及预测流程
*根据调峰量定义，将全市大工业、电厂用户和气源当日产生的调峰量公式定为：
式中：Qi—第i个小时的调峰量；
qi—第i个小时的小时负荷，q0=0；
∑ q —24小时负荷的合计值；
Q—当天的调峰量；
i—时间，i=1，2，3， (24)
其中，6.0 MPa管道压力监测点次日6:00压力值通过供需气量可预测得到。

2.2 应用实例
根据神经网络的工作原理，只要有足够的数据输入，就可以得到相应的输出。

因此，对于管道上的任意压力点，只要提供充分的因素(数据输入)，就可以对可重复发生的情况进行预测。

但对于突发异常情况，则无法进行预测。

压力预测的对象本质上是虚拟点，但可以用实际点的正常数据来替代。

在这里，取上海白鹤首站6.0 MPa出站压力数据进行预测。

该压力监测点自 2004年主干网正式投运以来就一直是日常管网控制工作的主要监测对象和供需平衡计划是否可行的重要判定指标。

因此，取该点进行预测对日常工作有现实意义。

2.2.1 建立神经网络
取2009~2010年两年的历史数据分别作为输入层和输出层，经训练和学习，建立神经网络。

2.2.2 2011年1~3月历史数据模拟试验
取2011年1~3月历史数据进行预测，一次性输入2011年1~3月内每天的月份、日期、星期、节假日、最高温度、最低温度、天气状况、管容、6:00压力、次日6:00压力、工业用户调峰量、电厂用户调峰量和气源产生的调峰量数据。

其中对
于国定节假日，需要根据经验调整节假日数值。

经神经网络预测后，得到1~3月
每天6.0 MPa白鹤首站压力监测点的最高压力、最低压力、最高压力出现时刻和
最低压力出现时刻的预测值。

预测结果如下：
上海主干网6.0 MPa白鹤首站压力监测点最高实际压力同预测值对比见图2。

图2 实际最高压力同预测值对比
上海主干网6.0 MPa白鹤首站压力监测点实际最低压力同预测值对比见图3。

图3 实际最低压力同预测值对比
上海主干网6.0 MPa白鹤首站压力监测点实际最高压力出现时刻同预测值对比见
图4。

图4 实际最高压力出现时刻同预测值对比
上海主干网6.0 MPa白鹤首站压力监测点实际最低压力出现时刻同预测值对比见
图5。

图5 实际最低压力出现时刻同预测值对比
对预测结果采用绝对偏差进行统计，偏差结果见表1。

表1 2011年1~3月压力监测点最值预测绝对偏差统计最高压力绝对偏差/MPa
最低压力绝对偏差/MPa最大值 0.20 0.38最小值 0.00 0.00平均值 0.05 0.12
表1中最高压力和最低压力绝对偏差的最大值分别为0.20 MPa和0.38 MPa，但从绝对偏差平均值来看，总体预测情况还是能够被接受的。

最高压力出现时刻和最低压力出现时刻的预测结果可见图4、5。

其中最高压力出
现时刻绝对偏差最大值为20 h、最低为0 h、平均为4 h；最低压力出现时刻绝对偏差最大值为8 h、最低为0 h、平均为 1 h。

从统计数据来看，最低压力出现时刻的预测结果尚可，而最高压力出现时刻的预测结果精度稍差。

但考虑到最高压力出现的时间通常处于每天的起始或结束时间，且其对于重要性稍低，因此对其预测结果的精度要求可以稍低。

2.2.3 2008年3月历史数据模拟试验
采用2008年3月的历史数据进行预测试验，来观察神经网络对间隔时间较长的主干网6.0 MPa管道运行情况的预测精度。

同样选取上海白鹤首站6.0 MPa压力监测点为预测对象。

对预测结果采用绝对偏差进行统计，见表2。

表2 2008年3月压力监测点最值预测绝对偏差统计最高压力绝对偏差/MPa 最低压力绝对偏差/MPa最大值 0.23 0.28最小值 0.02 0.00平均值 0.10 0.13
根据统计数据观察，2008年3月的偏差情况接近2011年1~3月的预测结果。

这说明，神经网络预测方法对运行工况的连续性没有要求，甚至对早于学习/训练数据之前的情况，同样可以进行预测。

2.2.4 历史数据和计划数据预测结果对比
将神经网络预测法运用于实际供需平衡计划工作中，加入人为预测偏差因素，来观察该预测法的实际预测效果。

同样选取上海白鹤首站6.0 MPa压力监测点为预测对象。

历史数据预测，采用的历史数据(同上)，计划数据预测，采用供需计划量、人工预测数据以及负荷预测软件做提供的工业、电厂用户用气趋势数据，并对其中明显存在的错误数据进行人工校正。

2.2.4.1 历史数据预测
2011年4月上海主干网6.0 MPa白鹤首站压力监测点实际最高压力、实际最低压力以及它们出现的时刻同历史数据预测结果对比分别见图6、图7、图8、图9
所示。

图6 压力监测点实际最高压力同预测对比
图7 压力监测点实际最低压力同预测对比
图8 压力监测点最高压力出现的实际时间同预测对比
图9 压力监测点最低压力出现的实际时间同预测对比
对预测结果采用绝对偏差进行统计，见表3。

表3 历史数据预测的最值绝对偏差统计最高压力绝对偏差/MPa 最低压力绝对偏差/MPa最大值 0.25 0.23最小值 0.00 0.00平均值 0.05 0.09
根据统计结果，最高压力绝对偏差最大值出现在4月23日为0.25 MPa，最低压力绝对偏差最大值出现在4月13日为0.23 MPa。

最高压力出现时刻的绝对偏差最大值出现在4月17日为13 h，最低压力出现时刻的绝对偏差最大值出现在 4月 30日为3 h，平均值为1 h。

2.2.4.2 计划数据预测
2011年4月上海主干网6.0 MPa白鹤首站压力监测点实际最高压力、实际最低压力以及它们出现的时刻同计划数据预测结果对比分别见图 10、图11、图12、图13所示。

图10 压力监测点实际最高压力同计划预测对比
图11 压力监测点实际最低压力同计划预测对比
图12 压力监测点实际最高压力出现时刻同计划预测对比
图13 压力监测点实际最低压力出现时刻同计划预测对比
计划预测结果采用绝对偏差进行统计，见表4。

表4 计划预测的最值绝对偏差统计最高压力绝对偏差/MPa 最低压力绝对偏差
/MPa最大值 0.26 0.45最小值 0.02 0.00平均值 0.10 0.16
根据统计结果，最高压力绝对偏差最大值出现在4月26日为0.26 MPa，最低压
力绝对偏差最大值出现在4月20日为0.45 MPa；最高压力出现时刻的绝对偏差
最大值出现在4月30日为21 h，最低压力出现时刻的绝对偏差最大值出现在 4
月17日为9 h，平均值为2 h。

为找出人为预测偏差因素对预测结果的影响关系，特将计划数据同历史数据中各因素数值情况作如下对比：
图14 气源计划预测同历史数据预测数值对比
图15 工业用户计划预测同历史数据预测数值对比
图16 电厂用户计划预测同历史数据预测数值对比
图17 次日6时压力计划预测同历史数据预测数值对比
根据统计数据，计划预测同历史数据预测偏差最大值：气源调峰量，4月23日34万m3；工业用户调峰量，4月1日20万m3；电厂用户调峰量，4月30日55
万m3；6.0 MPa白鹤首站监测点次日6时压力，4月17日0.42 MPa，其中4
月26日偏差为0.37 MPa。

可以看出，人为预测偏差在一定程度上增加了预测结果的偏差。

将影响较大的气源调峰量和次日6时压力用历史数据替代后，预测结果统计见表5。

表5 数据替代后最值预测绝对偏差统计?
替代后预测偏差有明显的降低，其中最高压力绝对偏差最大值出现在4月23日为0.22 MPa，最低压力绝对偏差最大值出现在4月10日为0.37 MPa。

最高压力出现时刻的绝对偏差最大值出现在4月17日为13 h，平均值为4 h。

最低压力出现时刻的绝对偏差最大值出现在4月6日为5 h，平均值为1 h。

3 神经网络预测的适用范围
依据神经网络模拟人经验预测的工作原理，相对于常规预测方法神经网络预测法具有以下优势：
(1)无需各区域销售公司的小时预测；
(2)预测模型相对简单，执行一次预测所需时间短。

神经网络预测也有其局限性：
(1)对于重复次数极少的偶发事件，无法提供可靠预测，例如管网运行发生突变等
情况；
(2)需要大量历史数据积累，根据使用经验，若有5年的历史数据作为支撑，预测
精度能有进一步的提高。

从神经网络对历史数据以及计划预测的结果来看，总体上预测精度可以接受，但尚需要进一步的优化，包括继续进行数据积累，来降低出现的最大偏差值。

4 结论与建议
就当前上海天然气主干网现状及“十二五”规划发展形势而言，主干网调峰手段相对不足，形势严峻。

因此有必要尽快增加对主干网6.0 MPa管道压力监测点最值
的预测，为日常调峰工作提供决策辅助。

并根据当前工作实际，对该项工作提供如下建议：
(1)对管道压力监测点最值的预测，建议采用不同的预测方法以相互弥补不足，提
高预测的可靠性。

(2)加强信息化、数字化系统建设，为各种预测方法提供数据库和自动化方面的支持，尽可能降低人为误差发生的可能。

(3)从神经网络预测工作中发现，主要影响主干网 6.0 MPa管道压力的因素为气源调峰量(由气源供应方式决定)、工业用户调峰量、电厂用户调峰量、管道每日6时监测点压力值。

这些因素可以通过加强用户预测管理及气源协调工作来提高准确度。