CC BY
1
УДК 532.542: 622.692.4
https://doi.org/10.24412/0131-4270-2023-5-6-75-79
ИДЕНТИФИКАЦИЯ ОТКЛОНЕНИЙ В РЕЗУЛЬТАТАХ ИЗМЕРЕНИЯ РАСХОДА ГАЗА В ГАЗОТРАНСПОРТНОЙ СИСТЕМЕ ПРИ ПОМОЩИ LSTM-НЕЙРОННОЙ СЕТИ
IDENTIFICATION OF DEVIATIONS IN A GAS TRANSPORTATION SYSTEM' GAS FLOW MEASUREMENT RESULTS USING AN LSTM NEURAL NETWORK
Абрамкин С.Е., Петрова А.К.
Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина), 197022, Санкт-Петербург, Россия E-mail: seabramkin@etu.ru
ORCID: http://orcid.org/0000-0002-1613-2097, E-mail: ak72p@yandex.ru
Резюме: Целью исследования является повышение эффективности управления объектами газотранспортной системы на основе применения современных технологий. Одной из задач исследования является идентификация отклонений результатов измерения расхода газа от значений, рассчитанных при помощи новых методов, а также сравнение эффективности различных подходов. Для идентификации отклонений в результатах измерения объемов газа предложено применение единой для участка LSTM-нейросети, наиболее эффективной для аппроксимации многомерных временных зависимостей нелинейных величин. Осуществлено сравнение ее с другими методами аппроксимации и с LSTM-нейросетями, обученными отдельно для каждой газораспределительной станции. Сравнение показало эффективность единой для участка LSTM-нейросети. Для обучения нейросетей применены статистические данные одного из участков региональной газотранспортной сети. Выявленные отклонения могут быть учтены при расчете баланса в газотранспортной системе.
Ключевые слова: магистральный газопровод, баланс газа, идентификация отклонений, LSTM-нейронные сети.
Для цитирования: Абрамкин С.Е., Петрова А.К. Идентификация отклоне-ний в результатах измерения расхода газа в газотранспортной системе при по-мощи LSTM-нейронной сети // Транспорт и хранение нефтепродуктов и уг-леводородного сырья. 2023. № 5-6. С. 75-79.
D0I:10.24412/0131-4270-2023-5-6-75-79
Abramkin Sergey E., Petrova Aygul ^
Saint Petersburg Electrotechnical University, 197022, St. Petersburg, Russia E-mail: seabramkin@etu.ru
ORCID: http://orcid.org/0000-0002-1613-2097, E-mail: ak72p@yandex.ru
Abstract. The purpose of the study is to improve the efficiency of management of the facilities of gas transportation system based on the use of modern technologies. One of the objectives of the study is to identify deviations in the results of gas flow measurement from values calculated using new methods, as well as to compare the effectiveness of different approaches. To identify deviations in the results of measuring gas volumes, it is proposed to use a common to the section of gas transportation system LSTM neural network, which is the most effective for approximating multidimensional time dependencies of nonlinear quantities. Other approximation methods and with LSTM neural networks trained separately for each gas distribution station were compared. The comparison showed the effectiveness of a common to the section of gas transportation system LSTM neural network. Neural networks were trained on the base of statistical data from one of the sections of the regional gas transportation network. Identified deviations could be taken into account when calculating the balance in the gas transportation system.
Keywords: main gas pipeline, gas balance, identification of deviations, LSTM neural networks
For citation: Abramkin S. E., Petrova A.K. IDENTIFICATION OF DEVIATIONS IN A GAS TRANSPORTATION SYSTEM' GAS FLOW MEASUREMENT RESULTS USING AN LSTM NEURAL NETWORK. Transport and storage of Oil Products and hydrocarbons. 2023, no. 5-6, pp. 75-79.
DOI:10.24412/0131-4270-2023-5-6-75-79
Введение
В рамках национальной программы «Цифровая экономика Российской Федерации» Минэнерго России при участии компаний ТЭК сформирован ведомственный проект «Цифровая энергетика» с целью внедрения цифровых технологий в энергетическую инфраструктуру страны для повышения ее эффективности и безопасности. Перспективными проектами этой программы являются «Роботизация нефтегазовой отрасли», «Данные для роста - искусственный интеллект» и «Открытая цифровая платформа» [1, 2]. Одним из направлений для применения данных технологий является повышение эффективности управления в газотранспортной системе (ГТС).
В статье рассматривается применение LSTM-нейросети, наиболее эффективной для аппроксимации многомерных временных зависимостей нелинейных величин [3], для
идентификации отклонений в результатах измерения объемов газа в ГТС с целью дальнейшего учета выявленных отклонений при расчете баланса. Для проверки работы регрессионной модели при расчее каждого прогнозного значения использовалось наблюдаемое значение предыдущего временного шага. Обучение осуществлялось на статистических данных Калининградского участка Северо-Западной ГТС.
Согласно СТО Газпром 2-3.5-051-2006, пункт 3.1, баланс газа - это сравнительный итог поступлений газа, отборов, затрат на собственные нужды и потерь, а также изменений объемов газа в трубопроводах [4, 5].
Обучение нейронной сети осуществлялось на статистических данных по объему газа, прошедшего через ГИС на входе калининградского участка, направленного потребителям через ГРС и отложившегося в запас этого участка за 2015 год. На рис. 1 представлены суммарный расход
по всем ГРС и запас газа. Для расхода на ГРС и запаса использовались сравнительные шкалы, справа находится шкала для запаса, слева - для расхода на ГРС, единица измерения - млн м3. На графике видно, что при уменьшении расхода растет запас.
Рис. 2 иллюстрирует график выходного технологического параметра процесса управления транспортом газа: баланса между поступившим и отобранным объемом газа, который должен быть равен нулю, в противном случае в системе имеет место небаланс, Qнеб [6].
(1)
®неб = ®гис вх - (Qnxr + Qrpc + Q
запас + Qch + Qmc вых'
Согласно формуле (1), Qнеб определяется объемами газа, проходящего через ГИС на входе региональной ГТС -Qгисвх, закачанного в подземное хранилище газа ПХГ - Qпхг, направляемого потребителям через ГРС - Qгрс, запаса в МГ
Qзапас и израсходованного на СН Qсн и переданного в следующий регион через ГИС на выходе ГТС - Qгисвых. Другими словами, Qнеб складывается из отклонений в результатах учета объемного расхода газа на ГИС и ГРС и в расчетах запаса в МГ и на СН. Проиллюстрированный на рис. 2 суммарный годовой небаланс составил 17,700 млн м3.
Применение LSTM-нейронных сетей для идентификации отклонений
В работах [7, 8] рассматривается применение для идентификации отклонений LSTM-нейронных сетей для каждой из 10 действующих в 2015 году ГРС Калининградского участка Северо-Западной ГТС, то есть были синтезированы 10 LSTM-нейронных сетей.
В данной статье рассматривается возможность обучения на массиве данных по ГИС и всем ГРС одной общей
Рис. 1. Графики суммарного расхода на ГРС участка и объема, отложенного в запас
Рис. 2. График баланса в ГТС
I Рис. 3. Результаты тестирования LSTM-нейросети, единой для всего участка ГТС
Таблица 1
Сравнение результатов работы LSTM-нейросетей
|Рис. 4. Результаты тестирования LSTM-нейросети, обученных на данных одной ГРС (здесь ТЭЦ 2)
LSTM-нейросеть
Единая для всей ГТС
В отдельности для каждой ГРС
Ошибка RMSE (Validation)
0,045 0,07-0,09
76
ТРАНСПОРТ И ХРАНЕНИЕ НЕФТЕПРОДУКТОВ И УГЛЕВ О Л ОРО ЛНО Г О СЫРЬЯ
LSTM-нейронной сети для всего участка с целью сравнения эффективности применения при обучении отдельной сети для каждой ГРС. В качестве вектора входных факторов использовались следующие данные:
- Рвх, кгс/см2, давление газа на входе ГРС;
- Т °С, температура газа на входе ГРС;
расход с шагом
1, тыс. м3;
- фактор времени (дата, час);
- Токр, 0С, температура окружающей среды.
Перед обучением данные были нормированы по математическому ожиданию и среднеквадратическому отклонению.
Объекты ГТС, для и на которых обучена единая общая ней-росеть: Краснознаменская, Гусев, Полесск, Светлогорск, Советск 1, Советск 2, Калининград 1, Калининград 2, ТЭЦ-2, Зеленоградск, ГИС Шакяй. Остальные ГРС, указанные на схеме на рис. 1, в 2015 году еще не были открыты. Компьютерные эксперименты осуществлялись в среде Ма^аЬ [9].
Параметры нейросети:
- два рабочих слоя: один рекуррентный с модулями LSTM, один полносвязный слой прямого распространения;
- число нейронов в LSTM - 128;
I Рис. 5. Результаты тестирования LSTM-нейросети на синтезированных аномалиях
I
Рис. 6. Результаты идентификации отклонений данных от значений, рассчитанных при помощи LSTM-нейросети
- алгоритм обучения - ADAM (adaptive moment estimation);
- время обучения: 100 эпох;
- начальная скорость обучения (initial learning rate) равна 0,01.
Количество наблюдений в каждом пакете, MiniBatchSize = 1. Сравнение результатов применения на тестовой выборке LSTM-нейросети, единой для всего участка ГТС (рис. 3) и в отдельности для каждой ГРС (рис. 4) показало преимущество первой, что объяснимо разницей в объемах данных для обучения.
Результаты сравнения работы LSTM-нейросетей показаны в табл. 1.
Эксперименты с обученной единой для ГТС LSTM-нейросети
Следующим шагом искусственным образом были синтезированы аномалии в данных (рис. 5), и к ним применена обученная ранее единая для всей ГТС LSTM-нейросеть.
Результаты компьютерных экспериментов показали, что, несмотря на то, что нейросеть распознает аномалию, поскольку особенностью LSTM-сетей является использование наблюдаемого значения предыдущего временного шага для определения каждого прогнозного значения на следующем шаге, аномалия распознавалась нейросетью как отклонение только в течение одного временного шага, на следующем же шаге эта аномалия уже подавалась в нейросеть как входной фактор.
Таким образом, оказалось, что при помощи LSTM-нейросети возможно идентифицировать отклонение лишь в момент сравнения с результатами измерений.
Для идентификации отклонения был проведен следующий компьютерный эксперимент: к данным одной из ГРС была применена единая для ГТС LSTM-нейросеть. Значения ней-росети на k-м шаге сравнивались со значениями результатов измерения реальных данных параметров ТП учета расхода газа на k - 1-м шаге. Отклонения реальных данных от значений, рассчитанных при помощи нейросети, идентифицировались по следующим параметрам:
- величина отклонений значений параметров ТП учета расхода газа от значений, определенных нейронной сетью, обученной на статистических данных, tr_jump;
- длительность этих отклонений во времени, tr_dur;
- скорость возрастания отклонений, tr_speed (скорость нарастания отклонения).
При обнаружении отклонений данных любой скорости и
I Рис. 7. Графики некоторых отклонений, длящихся более заданного порога (3 ч)
Отклонение № 56 продолжительность 8 часов
Отклонение № 716 продолжительность 3 часа
Разница между предсказанным и тестовым значениями
Разница между предсказанным и тестовым значениями
Время, ч
Время, ч
длительности информация о таком отклонении выводилась на экран. При превышении длительности отклонения заданного порога это отклонение маркировалось на общем графике и для него выводился отдельный график, чтобы можно было наблюдать динамику.
Рис. 6 иллюстрирует результаты компьютерного эксперимента по идентификации отклонений данных от значений, рассчитанных при помощи нейросети.
Эксперимент был проведен для следующих пороговых значений рассматриваемых параметров:
^итр = 0,25 в нормированной шкале, что равно 0,5 тыс. м3 в абсолютных значениях; tr_dur = 3 ч;
tr_speed = 0 тыс. м3/ч, то есть в данном эксперименте фиксировались отклонения с любой скоростью нарастания.
Рис. 7 иллюстрирует некоторые из отклонений, длящихся более заданного порога (3 ч), для которых выведены графики.
При вычислении баланса выявленные отклонения были удалены из данных по расходу. Это позволило уменьшить расчетный небаланс на 1,77 млн м3.
Результаты идентификации далее могут быть использованы для определения уровня небаланса и выдвижения гипотезы о причине отклонения, выбора мероприятия по его устранению и разработки алгоритма поддержки принятия решений на основе дискретного автомата [10-15].
Выводы
В статье рассматриваются задачи идентификации отклонений результатов измерения реальных данных ТП учета расхода газа от значений, рассчитанных при помощи LSTM-нейросети. Отклонения идентифицировались по параметрам: величина, длительность и скорость возрастания.
Компьютерные эксперименты показали целесообразность применения единой для участка ГТС LSTM-нейросети по сравнению с нейронными сетями, обученными отдельно для каждой ГРС, что обусловлено разницей в объемах данных для обучения.
Перспективным направлением для дальнейших исследований является классификация выявленных отклонений по конкретному виду аномалий, для чего необходима разметка данных.
СПИСОК ЛИТЕРАТУРЫ
1. Цифровая экономика Российской Федерации URL: https://digital.gov.ru/ru/activity/directions/858/ (дата обращения 15.09.2023)
2. Сайт ПАО «Газпром» URL: https://gasandmoney.ru/novosti/gazprom-budet-vychislyat-nebalans-gaza-pri-pomoshhi-big-data/ (дата обращения 15.09.2023)
3. Хайкин С. Нейронные сети. Полный курс. М.: Вильямс, 2018, 1104 с.
4. Саликов А.Р. Разбаланс в сетях газораспределения // Газ России. 2015. № 4. С. 36-41.
5. Хворов Г.А., Козлов С.И., Акопова Г.С., Евстифеев А.А. Сокращение потерь природного газа при транспортировке по магистральным газопроводам ОАО «Газпром» // Газовая промышленность. 2013. № 12. С. 66-69.
6. Бренц А.Д. и др. Организация, планирование и управление на предприятиях транспорта и хранения нефти и газа: учеб. для вузов. М.: Недра, 1980. 580 с.
7. Петрова А.К. Детектирование аномалий в технологических процессах газотранспортной системы с использованием сетей с долгой краткосрочной памятью (LSTM). Проектирование и обеспечение качества информационных процессов и систем: сб. докл. междунар. конф. СПбГЭТУ «ЛЭТИ», 2022. С. 95-98
8. Петрова А.К. Моделирование системы контроля баланса газа в газотранспортной системе как объекта управления // Известия СПбГЭТУ «ЛЭТИ», 2022, № 10. С. 25-34
9. Дьяконов В.П., Круглов В.В. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформации. М.: СОЛОН-ПРЕСС, 2006. 454 с.
10. Альтшуль С.Д., Имаев Д.Х., Квашнин С.В., Шестопалов М.Ю. Распределенное управление процессами ком-примирования природного газа, СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 184 с.
11. Шалыто А.А Алгоритмизация и программирование для систем логического управления и «реактивных» систем // Автоматика и телемеханика. 2001. № 1. C. 3-39.
78
ТРАНСПОРТ И ХРАНЕНИЕ НЕФТЕПРОДУКТОВ И УГЛЕВОДОРОДНОГО СЫРЬЯ
12. Хопкрофт Д.Э., Мотвани Р., Ульман Д.Д. Введение в теорию автоматов, языков и вычислений. М.: Вильямс, 2002. 528 с.
13. Алексеев В.Б. Лекции по дискретной математике. М.: ИНФРА, 2012. 90 с.
14. Марценюк М.А., Селетков И.П. Приведение конечного нечеткого автомата к нечеткой комбинационной схеме с блоком памяти // Научно-технические ведомости Санкт-Петербургского политехнического университета. 2014. Вып. 6(210). С. 67-80.
15. Петрова А.К. Метод синтеза алгоритма управления балансом газа в региональной газотранспортной системе // Известия СПБГЭТУ «ЛЭТИ», 2023. № 6. С. 42-51.
REFERENCES
1. Tsifrovaya ekonomika Rossiyskoy Federatsii (Digital economy of the Russian Federation) Available at: https://digital. gov.ru/ru/activity/directions/858/ (accessed 15 September 2023)
2. Sayt PAO «Gazprom» (Website of Gazprom PJSC) Available at: https://gasandmoney.ru/novosti/gazprom-budet-vychislyat-nebalans-gaza-pri-pomoshhi-big-data/ (accessed 15 September 2023)
3. Khaykin S. Neyronnyye seti. Polnyy kurs [Neural networks. Full course]. Moscow, Vil'yams Publ., 2018. 1104 p.
4. Salikov A.R. Imbalance in gas distribution networks. Gaz Rossii, 2015, no. 4, pp. 36-41 (In Russian).
5. Khvorov G.A., Kozlov S.I., Akopova G.S., Yevstifeyev A.A. Reducing losses of natural gas during transportation through main gas pipelines of Gazprom OJSC. Gazovaya promyshlennost', 2013, no. 12, pp. 66-69 (In Russian).
6. Brents A.D. Organizatsiya, planirovaniye i upravleniye na predpriyatiyakh transporta i khraneniya nefti i gaza [Organization, planning and management at oil and gas transport and storage enterprises]. Moscow, Nedra Publ., 1980. 580 p.
7. Petrova A.K. Detektirovaniye anomaliy v tekhnologicheskikh protsessakh gazotransportnoy sistemy s ispol'zovaniyem setey s dolgoy kratkosrochnoy pamyat'yu (LSTM) [Detecting anomalies in technological processes of a gas transportation system using long short-term memory (LSTM) networks]. Trudy Mezhd. konf. «Proyektirovaniye i obespecheniye kachestva informatsionnykh protsessov i sistem» [Proc. of Int. conf. "Design and quality assurance of information processes and systems"]. St. Petersburg, 2022, pp. 95-98.
8. Petrova A.K. Modeling of a gas balance control system in a gas transportation system as a control object. Izvestiya SPbGETU «LETI», 2022, no. 10, pp. 25-34 (In Russian).
9. D'yakonov V.P., Kruglov V.V. MATLAB 6.5 SP1/7/7SP1/7 SP2 + Simulink 5/6. Instrumenty iskusstvennogo intellekta i bioinformatsii [MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Artificial intelligence and bioinformation tools]. Moscow, SOLON-PRESS Publ., 2006. 454 p.
10. Al'tshul' S.D., Imayev D.KH., Kvashnin S.V., Shestopalov M.YU. Raspredelennoye upravleniye protsessami komprimirovaniya prirodnogo gaza [Distributed control of natural gas compression processes]. St. Petersburg, SPbGETU «LETI» Publ., год?. 184 p.
11. Shalyto A.A Algorithmization and programming for logical control systems and "reactive" systems. Avtomatika i telemekhanika, 2001, no. 1, pp. 3-39 (In Russian).
12. Khopkroft D.E., Motvani R., Ul'man D.D. Vvedeniye v teoriyu avtomatov, yazykov i vychisleniy [Introduction to the theory of automata, languages and calculations]. Moscow, Vil'yams Publ., 2002. 528 p.
13. Alekseyev V.B. Lektsiipo diskretnoy matematike [Lectures on discrete mathematics]. Moscow, INFRA Publ., 2012. 90 p.
14. Martsenyuk M.A., Seletkov I.P. Reducing a finite fuzzy automaton to a fuzzy combinational circuit with a memory block. Nauchno-tekhnicheskiye vedomosti Sankt-Peterburgskogo politekhnicheskogo universiteta, 2014, no. 6(210), pp. 67-80 (In Russian).
15. Petrova A.K. Method for synthesizing an algorithm for controlling the gas balance in a regional gas transportation system. Izvestiya SPBGETU «LETI», 2023, no. 6, pp. 42-51 (In Russian).
ИНФОРМАЦИЯ ОБ АВТОРАХ / INFORMATION ABOUT THE AUTHORS
Абрамкин Сергей Евгеньевич, к.т.н., доцент кафедры автоматики и процессов управления, Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина). Петрова Айгуль Камиловна, ст. препод. кафедры инновационного менеджмента, Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина).
Sergey E. Abramkin, Cand. Sci. (Tech.), Assoc. Prof., of the Department of Automation and Control Processes, Saint Petersburg Electrotechnical University.
Aigul K. Petrova, Senior Lecturer at the Department of Innovation Management, Saint Petersburg Electrotechnical University.
