CN117034808A - 一种基于图注意力网络的天然气管网压力估计方法 - Google Patents

一种基于图注意力网络的天然气管网压力估计方法 Download PDF

Info

Publication number
CN117034808A
CN117034808A CN202311056741.7A CN202311056741A CN117034808A CN 117034808 A CN117034808 A CN 117034808A CN 202311056741 A CN202311056741 A CN 202311056741A CN 117034808 A CN117034808 A CN 117034808A
Authority
CN
China
Prior art keywords
network
natural gas
node
pipeline
pressure
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311056741.7A
Other languages
English (en)
Inventor
马鹏岳
吕海舟
赵阳
吴昀
鲁洁
周凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Jiaxing Research Institute of Zhejiang University
Original Assignee
Zhejiang University ZJU
Jiaxing Research Institute of Zhejiang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, Jiaxing Research Institute of Zhejiang University filed Critical Zhejiang University ZJU
Priority to CN202311056741.7A priority Critical patent/CN117034808A/zh
Publication of CN117034808A publication Critical patent/CN117034808A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Pipeline Systems (AREA)
  • Fluid Mechanics (AREA)

Abstract

本发明提出了一种基于图注意力网络的天然气管网压力估计方法。该方法包括三个步骤，分别是训练数据生成、模型离线训练和模型在线测试。其中训练数据生成是指收集管网仿真数据，并进行数据预处理和图结构转换等数据处理操作；模型离线训练是指利用该数据训练基于图注意力网络的天然气管网压力估计模型；模型在线测试是指将训练完毕的模型在测试管网中进行应用。本发明方法采用注意力层进行图特征提取与计算，并采用全连接层加强非线性拟合能力，具有精度高、计算效率高和泛化能力强的优点。

Description

一种基于图注意力网络的天然气管网压力估计方法
技术领域
本发明属于天然气水力计算领域，涉及基于图神经网络的天然气管网压力计算技术，特别是涉及基于图注意力网络的天然气管网压力估计技术。
背景技术
天然气管网水力计算方法可分为知识驱动法和数据驱动法，其中知识驱动法可以归纳为三类：图解法、解析法和数值解法。在这其中，数值解法取得了较好的精度。该方法首先列写天然气流动微分方程，然后将其转化为差分方程，通过迭代求解差分方程从而得到各差分点的精确解。然而，这类知识驱动的天然气水力计算方法需要迭代求解的过程，在面对复杂的天然气管网计算任务时，其计算开销要求很大。而简化的知识驱动方法虽然会减少计算开销，但是会损失实际模型本身的信息。因此，在满足计算精度的要求下如何提高求解速度具有重要科学价值和工程意义。
基于神经网络的数据驱动方法在求解复杂物理问题方面具有求解速度快且精度高的优点。在天然气管网水力计算领域，部分研究者采用前馈神经网络代替天然气管道，利用神经网络相互拼接从而搭建整个管网的模型，进而进行模拟计算。然而该方法存在管道间的误差累计问题，且模型仅适用于单一对象。图神经网络作为一种针对图结构的计算及分类模型，具有良好的计算精度和泛化能力，在解决这一问题方面具有很大的潜力。因此，开发适合天然气管网的图神经网络计算模型是一个具有前景的发明方向。
发明内容
本发明的目的在于克服现有技术的不足，提出一种具有高性能且具有泛化性的基于图注意力网络的天然气管网压力估计方法。
本发明具体采用的技术方案如下：
一种基于图注意力网络的天然气管网压力估计方法，包括如下步骤：
S1、针对不同的天然气管网构建管网模型，并基于各天然气管网末端计量传感器实际记录的节点压力与标况瞬时流量，分别进行计算流体动力学仿真，获得每个天然气管网对应的管网仿真数据集；
S2、将每个天然气管网分别转换为图结构，图的节点为管网中管道末端以及三通，且计量传感器所在的节点作为已知节点，其余节点为未知节点，图的边为节点之间的管道；针对每个图结构，基于对应的管网仿真数据集对节点和边进行初始赋值从而形成第一训练样本，其中已知节点的节点数据为所述管网仿真数据集中的该节点处的压力和标况瞬时流量，每个未知节点的压力为所有已知节点压力的均值，每个未知节点的标况瞬时流量设为0，每条边的边数据为归一化后的管道长度和内径，每张图根据天然气管网中节点之间的直接连接关系构建连接矩阵；
S3、构建单条天然气管道的管道模型，并通过设置包含管道参数和管道两端压力的不同工况信息，对管内的流量情况进行计算流体动力学仿真，得到不同工况下的管道仿真数据集；针对管道仿真数据集中每一个工况下的仿真数据，提取工况信息作为样本输入，提取管道流量值作为样本输出，从而构建第二训练样本；
S4、利用第二训练样本训练基于反向传播神经网络的天然气管道流量估计模型，然后再进一步利用第一训练样本训练基于图注意力网络的天然气管网压力估计模型；所述天然气管网压力估计模型训练时的总损失函数为未知节点的压力损失、已知节点的流量损失以及已知管道两端压差的物理限制损失的加权和，其中已知节点的流量损失由训练完毕的天然气管道流量估计模型计算流量预测值并由同一节点的流量已知值提供监督信号；
S5、将目标天然气管网转换为图结构，并利用管网中已有的计量传感器检测到的压力与标况瞬时流量数据对图结构中节点和边进行初始赋值，将赋值后的图输入经过训练的所述天然气管网压力估计模型中，预测得到目标天然气管网内所有未知节点的管内压力值。
作为优选，所述管网仿真数据集和管道仿真数据集均需要覆盖实际运行过程中的不同工况，且根据两个数据集构建训练样本时均需要对数据进行归一化处理，以满足模型输入的要求。
作为优选，所述连接矩阵用于记录天然气管网中节点之间的直接连接关系，矩阵的行数为2，列数为图结构中边数量的两倍；构建连接矩阵时，先对图结构中所含的节点进行排序并标号，然后利用连接矩阵中相邻的两列记录每一条管道的两个不同流向所对应的起始节点和结束节点。
作为优选，用于作为所述天然气管网压力估计模型的图注意力网络由多层图注意力层和全连接层组成；每一层图注意力层中，每个节点均通过下式进行节点信息更新：
其中：xi'、xi分别代表节点i更新后、更新前的节点数据，为节点i的相邻节点集合，eij为连接节点i和节点j的边的边数据，W1、W2、W3为待训练的参数矩阵，σ为sigmoid激活函数；αij为节点间注意力系数，其计算式为：
其中：W4、W5、W6为待训练的参数矩阵。
所述全连接层以最后一层图注意力层输出的节点数据xi'为输入，通过下式得到节点输出：
yi＝σ(W7xi'+b)
其中：W7为待训练的参数矩阵，b为偏置项。
作为优选，用于作为所述天然气管道流量估计模型的反向传播神经网络中，两个已知节点之间管道的流量Q通过如下公式进行计算：
Q＝σ(W8p+b)
其中：W8为待训练的参数矩阵，p为当前计算管道对应的归一化后的所述工况信息，包括起始节点压力、结束节点压力、当前计算管道两端压差、当前计算管道两端压差的开方、当前计算管道长度和当前计算管道内径。
作为优选，所述天然气管网压力估计模型训练时的总损失函数形式为：
其中：yi为通过计算流体动力学仿真确定的单个未知节点的压力仿真值；为天然气管网压力估计模型输出的单个未知节点的压力预测值；n为天然气管网中未知节点的数量；Qj为单个已知节点的实际流量，由天然气管网末端计量传感器实际记录的标况瞬时流量得到；/>为单个已知节点的预测流量，由训练完毕的天然气管道流量估计模型根据已知节点相连管道的工况信息预测得到；m为天然气管网中已知节点的数量；pk为通过计算流体动力学仿真确定的单个已知节点的压力仿真值；p'k为天然气管网压力估计模型输出的与已知节点直接相连的节点的压力预测值；ReLU为ReLU激活函数；α为权重超参数。
作为优选，所述反向传播神经网络和图注意力网络中的超参数预先进行优化，通过预先划分训练集和验证集，将模型在训练集上训练，并以验证集的总损失函数值最小为目标，对模型的超参数进行优化，从而得到一组最优的超参数。
作为优选，所述反向传播神经网络的超参数包括隐藏层层数、神经元数量、学习率、学习轮次。
作为优选，使用贝叶斯优化算法对模型的超参数进行优化，获得最优的超参数。
作为优选，所述天然气管网中末端计量传感器实际记录的节点压力与标况瞬时流量，由数据采集与监视控制***(SCADA)获取。
与现有技术相比，本发明所述的一种基于图注意力网络的天然气管网压力估计方法具有的优势在于：
与传统知识驱动方法相比，该方法在保持计算精度的前提下，计算性能得到了提升。与传统数据驱动方法相比，该方法没有采取每根管道单独依次计算，因此避免了计算过程中的误差累计现象；该方法的图神经网络层能够提取图结构特征，具有更强的泛化能力，在测试对象与训练对象结构不同时，无需重新训练即可进行计算；该方法针对天然气管网水力计算特点，设计了更符合物理规律的损失函数，使得模型具有更快的收敛速度和计算精度。
附图说明
图1为本发明提供的估计方法实施流程图。
图2为本发明实施例中训练管网和测试管网的结构示意图；
图3为本发明实施例中天然气管网压力估计模型结构示意图。
具体实施方式
下面结合附图对本发明的实施例作详细说明，本实施例在本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。
如图1所示，本发明提供的一种基于图注意力网络的天然气管网压力估计方法，该方法包括训练数据生成、模型离线训练、模型在线测试或应用三个步骤。
训练数据生成是指通过改变仿真模型的工况，得到包含大量管网和管道仿真结果的仿真数据集，该数据集不同变量间的尺度差别较大，需进行归一化处理。并通过数据结构转换构建管网的图结构数据集和管道的表结构数据集，该数据集为模型训练的基础。
模型离线训练是指构建包含图注意力层和全连接层的压力估计方法。图注意力层通过变权重的数据聚合方法，实现网络图上的特征提取，全连接层通过当前值和目标值的全连接操作，进一步强化该方法的非线性拟合能力。按一定比例随机划分训练集和验证集，通过调整超参数使该方法的估计精度达到最佳。
模型在线测试或应用是指对测试管网或者实际的待估计管网进行与训练数据相同的数据处理和图结构转换后，利用训练完毕的压力估计模型进行未知节点压力的在线计算。由于该方法学习到的是节点间的信息聚合关系，因此在测试管网和训练管网结构与维度不一致的情况下，该方法仍然适用。
下面通过本发明的一个较佳实施例，具体对上述基于图注意力网络的天然气管网压力估计方法的训练数据生成、模型离线训练和模型在线测试三个步骤的具体实现方式进行展开描述。
步骤1、训练数据生成
1.1、针对不同的天然气管网构建管网模型，并基于各天然气管网末端计量传感器实际记录的节点压力与标况瞬时流量，分别进行计算流体动力学(CFD)仿真，获得每个天然气管网对应的管网仿真数据集。
1.2、将每个天然气管网分别转换为图结构，图的节点为管网中管道末端以及三通，且计量传感器所在的节点作为已知节点，其余节点为未知节点，图的边为节点之间的管道；针对每个图结构，基于对应的管网仿真数据集对节点和边进行初始赋值从而形成第一训练样本，其中已知节点的节点数据为所述管网仿真数据集中的该节点处的压力和标况瞬时流量，每个未知节点的压力为所有已知节点压力的均值，每个未知节点的标况瞬时流量设为0，每条边的边数据为归一化后的管道长度和内径，每张图根据天然气管网中节点之间的直接连接关系构建连接矩阵。
需要说明的是，上述连接矩阵用于记录天然气管网中节点之间的直接连接关系，矩阵的行数为2，列数为图结构中边数量的两倍。构建连接矩阵时，先对图结构中所含的节点进行排序并标号，然后利用连接矩阵中相邻的两列记录每一条管道的两个不同流向所对应的起始节点和结束节点。该连接矩阵也作为图数据的一部分输入模型中。
1.3、构建单条天然气管道的管道模型，并通过设置包含管道参数和管道两端压力的不同工况信息，对管内的流量情况进行计算流体动力学仿真，得到不同工况下的管道仿真数据集；针对管道仿真数据集中每一个工况下的仿真数据，提取工况信息作为样本输入，提取管道流量值作为样本输出，从而构建第二训练样本。
需要说明的是，为了尽可能扩大训练样本的代表性，管网仿真数据集和管道仿真数据集均需要覆盖实际运行过程中的不同工况。以管网仿真数据集为例，同一个天然气管网，可以对其不同的工况参数进行调整，然后分别进行计算流体动力学仿真，对应获得的管网仿真数据集可用于对图结构进行赋值，形成不同的第一训练样本，管道仿真数据同理。另外，为了保证模型输入的数据取值范围差异不会过大，根据两个仿真数据集构建训练样本时均需要对数据进行归一化处理，以满足模型输入的要求，本发明中优选采用最大最小归一化方式来实现。
因此作为本发明实施例的一种实现方式，上述步骤1所述的训练数据生成的具体子步骤如S11～S111所示：
S11、从天然气数据采集与监视控制***(SCADA)***中获取获取天然气管网用气数据与设计数据，在仿真软件中构建天然气管网模型。
S12、根据实际天然气管网运行情况，生成不同工况下的仿真案例，每个仿真案例对应于一个实际天然气管网以及一种运行工况。各仿真案例中，需要基于天然气管网用气数据中各计量传感器实际记录的节点压力与标况瞬时流量进行相应的模拟，保证这些节点处的压力、标况瞬时流量仿真值与实际相符。在本发明中，监测压力和标况瞬时流量的计量传感器均位于天然气管网末端。根据不同仿真案例的仿真结果，从中提取管网中各节点的压力与标况瞬时流量数据，从而得到管网仿真数据集。
S13、对上述管网仿真数据集中的各变量参数分别进行归一化处理，得到归一化处理后的管网仿真数据集，归一化方式按下式进行；
其中，zi为归一化前的参数值，zi'为归一化后的参数值。zmin、zmax为该变量的最小值与最大值。
S14、将每个实际天然气管网进行图结构转换，令管道三通与管道末端为图的节点，令管道为图的边，将实际管网转化成由节点和边组成的图结构。
S15、定义图的节点数据，令带有计量传感器的点作为已知节点，令其余点为未知节点，已知节点的节点数据为所述管网仿真数据中的该节点处的压力和标况瞬时流量，每个未知节点的节点数据也包含压力和标况瞬时流量两个维度，但每个未知节点的压力设置为所有已知节点压力的均值，每个未知节点的标况瞬时流量设为0。由此，针对每个图结构，基于对应的管网仿真数据集按照上述定义对节点和边进行初始赋值，从而形成第一训练样本。不同管网和不同工况的仿真数据集可生成不同的第一训练样本。由此，每个第一训练样本中，图结构与实际的天然气管网一致，而具有带有计量传感器的已知节点的节点数据与实际监测值一直，未知节点在直接进行了初始化，以便于后续由模型进行预测。而管网仿真数据集中通过仿真，也带有这些未知节点的节点数据，因此压力和标况瞬时流量的仿真值可以作为模型训练时的真值标签。
S16、上述每个第一训练样本中，除了图结构以及节点数据，还需要定义图的边数据，边的数据包含归一化后的管道长度和内径，这两个参数也可以根据管网的设计参数确定。
S17、上述每个第一训练样本中，还需要构建连接矩阵来记录天然气管网中节点之间的直接连接关系，其构建方式为：对图的节点进行排序并标号，根据连接情况构建行数为2，列数为两倍图中边数量的连接矩阵，矩阵第一行为各条边起始节点，第二行为结束节点；
S18、在仿真软件中建立单独一条天然气管道的管道模型，用于生成管道的仿真数据。
S19、基于构建的管道模型，根据实际管网运行情况，通过改变管道长度、管径参数和管道两端压力形成不同工况信息，进而对不同工况信息下的管道模型进行CFD仿真，生成不同工况下的仿真案例，记录管道流量与两端压力等数据，得到管道仿真数据集。针对管道仿真数据集中每一个工况下的仿真数据，提取工况信息作为样本输入，其中工况信息包括起始节点压力、结束节点压力、当前计算管道两端压差、当前计算管道两端压差的开方、当前计算管道长度和当前计算管道内径，同时提取管道流量值作为样本输出，从而构建第二训练样本。需注意，在基于管道仿真数据集构建第二训练样本时，也需要进行归一化处理，以满足模型的输入要。
S111、将归一化处理后的第一训练样本集合和第二训练样本集合按8:2的比例随机划分为训练集和验证集，用于后续的模型离线训练。
步骤2、模型离线训练
利用第二训练样本训练基于反向传播(BP)神经网络的天然气管道流量估计模型，然后再进一步利用第一训练样本训练基于图注意力网络的天然气管网压力估计模型。天然气管网压力估计模型训练时的总损失函数为未知节点的压力损失、已知节点的流量损失以及已知管道两端压差的物理限制损失的加权和，其中已知节点的流量损失由训练完毕的天然气管道流量估计模型计算流量预测值并由同一节点的流量已知值提供监督信号。
需要说明的是，已知管道两端压差的物理限制损失，是指针对每条已知节点所在的管道，管道两端的压力是存在物理限制的，即管道的入口端压力必须高于出口端压力。神经网络模型前向估计时，可能会预测出入口端压力低于或者等于出口端压力的情况，这与实际的物理限制不符，因此需要针对这种情况构建损失项来引导模型预测出符合实际的结果。
因此作为本发明实施例的一种实现方式，上述步骤2所述的模型离线训练的具体子步骤如S21～S24所示：
S21、构建基于图注意力网络的天然气管网压力估计模型。
图注意力网络由多层图注意力层和全连接层组成，具体的图注意力层的层数属于可优化的超参数。每一层图注意力层中，每个节点均通过下式进行节点信息更新：
其中：xi'、xi分别代表节点i更新后、更新前的节点数据，xi'右上角标代表下一时间步的参数；为节点i的相邻节点集合，eij为连接节点i和节点j的边的边数据，W1、W2、W3为待训练的参数矩阵，σ为sigmoid激活函数，计算式为/>
αij为节点间注意力系数，其计算式为：
其中：W4、W5、W6为待训练的参数矩阵。
S22、全连接层以最后一层图注意力层输出的节点数据xi'为输入，通过下式得到节点输出：
yi＝σ(W7xi'+b)
其中：W7为待训练的参数矩阵，b为偏置项，yi表示节点i输出的压力预测值。
S23、构建基于反向传播神经网络的天然气管道流量估计模型，该模型通过下式进行与已知点连接的管道流量计算；
Q＝σ(W8p+b)
其中，W8为待训练的参数矩阵，p为管道流量计算模型的输入向量，即为当前计算管道对应的归一化后的所述工况信息，包括起始节点压力、结束节点压力、当前计算管道两端压差、当前计算管道两端压差的开方、当前计算管道长度和当前计算管道内径。需注意的是，选择上述几个参数变量作为输入向量，是根据管道的流量理论计算方程式确定的，其选择与管道流量相关的特征作为模型输入，令流量值作为模型输出。
S24、利用第二训练样本的训练集训练上述基于反向传播神经网络的天然气管道流量估计模型，训练时的损失函数采用MSE损失。根据该总损失函数值，以梯度最大为方向，通过梯度下降算法更新模型待训练的各个可优化的参数矩阵与偏置。
S24、利用训练后的天然气管道流量估计模型来提供监督信号，进一步利用第一训练样本的训练集训练S21中构建的基于图注意力网络的天然气管网压力估计模型。训练时，需要计算压力估计模型输出值和真实值的总损失函数，并根据该总损失函数值，以梯度最大为方向，通过梯度下降算法更新模型待训练的各个可优化参数，总损失函数的计算公式如下；
其中，yi为通过计算流体动力学仿真确定的单个未知节点的压力仿真值；为天然气管网压力估计模型输出的单个未知节点的压力预测值；n为天然气管网中未知节点的数量；Qj为单个已知节点的实际流量，由天然气管网末端计量传感器实际记录的标况瞬时流量得到；/>为单个已知节点的预测流量，由训练完毕的天然气管道流量估计模型根据已知节点相连管道的工况信息预测得到，其中已知节点相连管道是指与已知节点直接相连的一段管道，由于已知节点为管网的末端节点，因此与其直接相连的管道仅有1段，管道的工况信息中的节点压力信息可以从天然气管网压力估计模型的预测结果中获取；m为天然气管网中已知节点的数量；pk为通过计算流体动力学仿真确定的单个已知节点的压力仿真值；p'k为天然气管网压力估计模型输出的与已知节点直接相连的节点的压力预测值；ReLU为ReLU激活函数；α为权重超参数。
另外，由于上述反向传播神经网络和图注意力网络中均存在大量的超参数，因此在实际应用时，可通过预先划分训练集和验证集，将模型在训练集上训练，并以验证集的总损失函数值最小为目标，对模型的超参数进行优化，从而得到一组最优的超参数。不同模型的超参数不同，以反向传播神经网络为例，其超参数包括隐藏层层数、神经元数量、学习率、学习轮次。超参数的优化算法可使用贝叶斯优化算法，即将模型在训练集上训练，以验证集的损失最小为目标，利用叶斯优化算法对天然气管网压力估计模型和天然气管道流量估计模型的网络层层数、神经元数量、学习率、学习轮次几项超参数进行优化，最终得到一组最优的超参数。
步骤3、模型在线测试或应用
当训练得到上述天然气管网压力估计模型后，可将实际应用中的目标天然气管网或者测试集中的天然气管网转换为图结构，并利用管网中已有的计量传感器检测到的压力与标况瞬时流量数据对图结构中节点和边进行初始赋值，将赋值后的图输入经过训练的所述天然气管网压力估计模型中，预测得到目标天然气管网内所有未知节点的管内压力值。
需说明的是，该步骤中具体的图结构以及图结构中节点和边进行初始赋值方式，均与前述训练样本的做法一致，不再赘述。
因此作为本发明实施例的一种实现方式，以测试集为例，上述步骤3所述的模型在线测试的具体子步骤如S31～S34所示：
S31、获取天然气测试管网的用气数据与设计数据。
S11、S32、对测试管网仿真数据集进行归一化处理，得到归一化处理后的测试管网数据集；对试管网数据集进行所述图结构转换处理，定义节点数据、边数据以及连接矩阵，构建天然气管网测试数据集，其中的每个测试样本形式与前述第一训练样本相同。
S33、将训练完毕的天然气管网压力估计模型在天然气管网测试数据集上做测试，得到测试模型中未知节点的压力，进而评估本发明的估计性能。
但需要注意的是，如果本发明的上述步骤3，针对的不是测试样本而是实际的待估计管网，则其已知节点数据来源于天然气管网中末端计量传感器实际记录的节点压力与标况瞬时流量，由数据采集与监视控制***(SCADA)获取，但最终构建的模型输入形式也需要与第一训练样本一致。
为了进一步展示本发明的上述基于图注意力网络的天然气管网压力估计方法的优点，下面将其应用于一个具体的场景实例中，以展示其技术效果。
实施例
在本实施例中，采用Aspen HYSYS软件进行训练管网和测试管网的搭建，其中，训练管网包含三种结构，分别为19、17、5个节点，测试管网为15个节点，如图2所示。其中，节点i是已知点作为模型输入，其余点是未知点作为模型输出。训练管网采用多种结构可以有效避免计算模型在训练过程中过拟合，测试管网采用新的结构，可以测试训练完毕的模型泛化性和精度。
利用MATLAB软件和Aspen HYSYS联调，按照前述S1训练数据生成步骤进行收集仿真数据、数据预处理和图结构转换，从而得到若干训练图和测试图。将训练图数据按8:2的比例划分为训练集和验证集。训练集用来训练模型，验证集用来检验模型精度表现。测试集不属于训练集和验证集，用来检验模型实际精度与泛化能力。
本实施例中，基于图注意力网络的天然气管网压力估计方法采用的压力估计模型为3层图注意力层和1层全连接层联级而成的混合模型，其结构如图3所示。图注意力层用于提取图特征，全连接层用于加强模型的非线性拟合能力。该方法的计算损失包括三部分，分别是未知节点的压力损失(即压力计算值和真实值的均方误差)、已知节点的流量损失(管道流量计算值和真实值的均方误差)以及已知管道两端压差的物理限制损失(即末端管道的压降ReLU误差)。其中未知点的压力损失代表模型的计算精度，已知节点的流量损失和已知管道两端压差的物理限制损失则代表模型符合物理规律的程度。
以验证集的损失最小为原则，调整模型超参数，从而得到一组最优的超参数，如表1所示
表1超参数寻优结果
在评估指标方面，采用平均绝对误差(Mean Absolute Error，MAE)、均方根误差(Root Mean Squared Error，RMSE)、决定系数(coefficient of determination，R2)和平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)四个常见的精度评估指标。其中指标MAE、RMSE和MAPE越接近0、R2越接近1则代表模型预测效果越好，误差值越小。
本实施例中，按照上述步骤1～步骤3执行基于图注意力网络的天然气管网压力估计方法，在完成上述步骤后，测试管网的测试数据如下表2所示。同时本实施例中，为了对比特定的总损失函数形式的优点，还设置了未改动损失函数的传统图注意力网络作为对照试验。该对照中，总损失函数仅具有未知节点的压力损失，形式如下：
从表2中可得，本发明提出的一种基于图注意力网络的天然气管网压力估计方法具有较高的计算精度，百分比误差为1％左右，且相较于未改动损失函数的传统图注意力网络误差更低。此时，传统数据驱动方法在网络的维度变化时无法使用，该方法通过引入能够提取图结构特征的图注意力网络层克服了此缺点，因而具备一定的泛化性，具有更广阔的应用前景。
表2超参数寻优结果
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种基于图注意力网络的天然气管网压力估计方法，其特征在于，包括如下步骤：
S1、针对不同的天然气管网构建管网模型，并基于各天然气管网末端计量传感器实际记录的节点压力与标况瞬时流量，分别进行计算流体动力学仿真，获得每个天然气管网对应的管网仿真数据集；
S2、将每个天然气管网分别转换为图结构，图的节点为管网中管道末端以及三通，且计量传感器所在的节点作为已知节点，其余节点为未知节点，图的边为节点之间的管道；针对每个图结构，基于对应的管网仿真数据集对节点和边进行初始赋值从而形成第一训练样本，其中已知节点的节点数据为所述管网仿真数据集中的该节点处的压力和标况瞬时流量，每个未知节点的压力为所有已知节点压力的均值，每个未知节点的标况瞬时流量设为0，每条边的边数据为归一化后的管道长度和内径，每张图根据天然气管网中节点之间的直接连接关系构建连接矩阵；
S3、构建单条天然气管道的管道模型，并通过设置包含管道参数和管道两端压力的不同工况信息，对管内的流量情况进行计算流体动力学仿真，得到不同工况下的管道仿真数据集；针对管道仿真数据集中每一个工况下的仿真数据，提取工况信息作为样本输入，提取管道流量值作为样本输出，从而构建第二训练样本；
S4、利用第二训练样本训练基于反向传播神经网络的天然气管道流量估计模型，然后再进一步利用第一训练样本训练基于图注意力网络的天然气管网压力估计模型；所述天然气管网压力估计模型训练时的总损失函数为未知节点的压力损失、已知节点的流量损失以及已知管道两端压差的物理限制损失的加权和，其中已知节点的流量损失由训练完毕的天然气管道流量估计模型计算流量预测值并由同一节点的流量已知值提供监督信号；
S5、将目标天然气管网转换为图结构，并利用管网中已有的计量传感器检测到的压力与标况瞬时流量数据对图结构中节点和边进行初始赋值，将赋值后的图输入经过训练的所述天然气管网压力估计模型中，预测得到目标天然气管网内所有未知节点的管内压力值。
2.如权利要求1所述的基于图注意力网络的天然气管网压力估计方法，其特征在于，所述管网仿真数据集和管道仿真数据集均需要覆盖实际运行过程中的不同工况，且根据两个数据集构建训练样本时均需要对数据进行归一化处理，以满足模型输入的要求。
3.如权利要求1所述的基于图注意力网络的天然气管网压力估计方法，其特征在于，所述连接矩阵用于记录天然气管网中节点之间的直接连接关系，矩阵的行数为2，列数为图结构中边数量的两倍；构建连接矩阵时，先对图结构中所含的节点进行排序并标号，然后利用连接矩阵中相邻的两列记录每一条管道的两个不同流向所对应的起始节点和结束节点。
4.如权利要求1所述的基于图注意力网络的天然气管网压力估计方法，其特征在于，用于作为所述天然气管网压力估计模型的图注意力网络由多层图注意力层和全连接层组成；每一层图注意力层中，每个节点均通过下式进行节点信息更新：
其中：x′i、xi分别代表节点i更新后、更新前的节点数据，为节点i的相邻节点集合，eij为连接节点i和节点j的边的边数据，W1、W2、W3为待训练的参数矩阵，σ为sigmoid激活函数；αij为节点间注意力系数，其计算式为：
其中：W4、W5、W6为待训练的参数矩阵；
所述全连接层以最后一层图注意力层输出的节点数据x′i为输入，通过下式得到节点输出：
yi＝σ(W7x′x+b)
其中：W7为待训练的参数矩阵，b为偏置项。
5.如权利要求4所述的基于图注意力网络的天然气管网压力估计方法，其特征在于，用于作为所述天然气管道流量估计模型的反向传播神经网络中，两个已知节点之间管道的流量Q通过如下公式进行计算：
其中：W8为待训练的参数矩阵，p为当前计算管道对应的归一化后的所述工况信息，包括起始节点压力、结束节点压力、当前计算管道两端压差、当前计算管道两端压差的开方、当前计算管道长度和当前计算管道内径。
6.如权利要求5所述的基于图注意力网络的天然气管网压力估计方法，其特征在于，所述天然气管网压力估计模型训练时的总损失函数形式为：
其中：yi为通过计算流体动力学仿真确定的单个未知节点的压力仿真值；为天然气管网压力估计模型输出的单个未知节点的压力预测值；n为天然气管网中未知节点的数量；Qj为单个已知节点的实际流量，由天然气管网末端计量传感器实际记录的标况瞬时流量得到；/>为单个已知节点的预测流量，由训练完毕的天然气管道流量估计模型根据已知节点相连管道的工况信息预测得到；m为天然气管网中已知节点的数量；pk为通过计算流体动力学仿真确定的单个已知节点的压力仿真值；p'k为天然气管网压力估计模型输出的与已知节点直接相连的节点的压力预测值；ReLU为ReLU激活函数；α为权重超参数。
7.如权利要求1所述的基于图注意力网络的天然气管网压力估计方法，其特征在于，所述反向传播神经网络和图注意力网络中的超参数预先进行优化，通过预先划分训练集和验证集，将模型在训练集上训练，并以验证集的总损失函数值最小为目标，对模型的超参数进行优化，从而得到一组最优的超参数。
8.如权利要求7所述的基于图注意力网络的天然气管网压力估计方法，其特征在于，所述反向传播神经网络的超参数包括隐藏层层数、神经元数量、学习率、学习轮次。
9.如权利要求7所述的基于图注意力网络的天然气管网压力估计方法，其特征在于，使用贝叶斯优化算法对模型的超参数进行优化，获得最优的超参数。
10.如权利要求1所述的基于图注意力网络的天然气管网压力估计方法，其特征在于，所述天然气管网中末端计量传感器实际记录的节点压力与标况瞬时流量，由数据采集与监视控制***(SCADA)获取。
CN202311056741.7A 2023-08-21 2023-08-21 一种基于图注意力网络的天然气管网压力估计方法 Pending CN117034808A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311056741.7A CN117034808A (zh) 2023-08-21 2023-08-21 一种基于图注意力网络的天然气管网压力估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311056741.7A CN117034808A (zh) 2023-08-21 2023-08-21 一种基于图注意力网络的天然气管网压力估计方法

Publications (1)

Publication Number Publication Date
CN117034808A true CN117034808A (zh) 2023-11-10

Family

ID=88635216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311056741.7A Pending CN117034808A (zh) 2023-08-21 2023-08-21 一种基于图注意力网络的天然气管网压力估计方法

Country Status (1)

Country Link
CN (1) CN117034808A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117850491A (zh) * 2024-03-06 2024-04-09 韵京厦(四川)能源科技研究院(有限合伙) 用于燃气输配的自动调压控制方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117850491A (zh) * 2024-03-06 2024-04-09 韵京厦(四川)能源科技研究院(有限合伙) 用于燃气输配的自动调压控制方法及***
CN117850491B (zh) * 2024-03-06 2024-05-10 韵京厦(四川)能源科技研究院(有限合伙) 用于燃气输配的自动调压控制方法及***

Similar Documents

Publication Publication Date Title
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN110807554B (zh) 基于风电/光伏经典场景集的生成方法及***
CN110689171A (zh) 一种基于e-lstm的汽轮机健康状态预测方法
CN112101480A (zh) 一种多变量聚类与融合的时间序列组合预测方法
Zhao et al. A new data generation approach with modified Wasserstein auto-encoder for rotating machinery fault diagnosis with limited fault data
CN112084727A (zh) 一种基于神经网络的转捩预测方法
CN105260786A (zh) 一种电力推进***仿真可信度评估模型综合优化方法
CN114492211B (zh) 一种基于自回归网络模型的剩余油分布预测方法
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN117034808A (zh) 一种基于图注意力网络的天然气管网压力估计方法
Li et al. Evolutionary deep learning with extended Kalman filter for effective prediction modeling and efficient data assimilation
CN114777192A (zh) 基于数据关联和深度学习的二级网供热自主优化调控方法
CN113836783A (zh) 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法
CN114239397A (zh) 基于动态特征提取与局部加权深度学习的软测量建模方法
CN114912364A (zh) 天然气井流量预测方法、装置、设备及计算机可读介质
CN113051828B (zh) 一种工艺参数驱动的天然气水露点在线预测方法
CN105894014B (zh) 基于多因素不一致度量的异常行为序贯检测方法
CN112862063A (zh) 一种基于深度信念网络的复杂管网泄漏定位方法
Geng et al. An improved algorithm of nearness degree of incidence based on grey neural network
Preis et al. Online hydraulic state prediction for water distribution systems
CN117131979A (zh) 基于有向超图及注意力机制的交通流速度预测方法及***
CN116303786A (zh) 一种基于多维数据融合算法的区块链金融大数据管理***
CN110705186B (zh) 通过rbf粒子群优化算法即时在线仪表校验和诊断方法
CN113887026A (zh) 一种基于集成学习的输油管道水力预测方法
CN110750756B (zh) 通过最优支持向量机算法即时在线仪表校验和诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination