CC BY
21
Вестник Евразийской науки / The Eurasian Scientific Journal https://esi.today 2020, №4, Том 12 / 2020, No 4, Vol 12 https://esj.today/issue-4-2020.html URL статьи: https://esj.today/PDF/50SAVN420.pdf Ссылка для цитирования этой статьи:
Волков К.Р., Маслеев А.В., Гончарова В.В., Ерошкин Д.В., Чемезов И.И., Леченко Г.Е. Использование генетических алгоритмов для оптимизации потребления газа на компрессорной станции // Вестник Евразийской науки, 2020 №4, https://esj.today/PDF/50SAVN420.pdf (доступ свободный). Загл. с экрана. Яз. рус., англ.
For citation:
Volkov K.R., Masleev A.V., Goncharova V.V., Eroshkin D.V., Chemezov I.I., Lechenko G.E. (2020). Using genetic algorithms to optimize gas consumption at a compressor station. The Eurasian Scientific Journal, [online] 4(12). Available at: https://esj.today/PDF/50SAVN420.pdf (in Russian)
УДК 72
Волков Кирилл Романович
ФГОУ ВО «Дальневосточный федеральный университет», Владивосток, Россия Студент 2-го курса кафедры «Нефтегазовое дело и нефтехимии»
Магистрант E-mail: volkov.vk@students.dvfu.ru
Маслеев Александр Владимирович
ФГОУ ВО «Дальневосточный федеральный университет», Владивосток, Россия Студент 2-го курса кафедры «Нефтегазовое дело и нефтехимии»
Магистрант E-mail: masleev.av@students.dvfu.ru
Гончарова Виктория Владимировна
ФГОУ ВО «Дальневосточный федеральный университет», Владивосток, Россия Студент 2-го курса кафедры «Нефтегазовое дело и нефтехимии»
Магистрант
E-mail: goncharova.vv@students.dvfu.ru
Ерошкин Дмитрий Владимирович
ФГОУ ВО «Дальневосточный федеральный университет», Владивосток, Россия Студент 2-го курса кафедры «Нефтегазовое дело и нефтехимии»
Магистрант
E-mail: eroshkin.dv@students.dvfu.ru
Чемезов Илья Игоревич
ФГОУ ВО «Дальневосточный федеральный университет», Владивосток, Россия Студент 2-го курса кафедры «Нефтегазовое дело и нефтехимии»
Магистрант
E-mail: chemezov.ii@students.dvfu.ru
Леченко Геннадий Евгеньевич
ФГОУ ВО «Дальневосточный федеральный университет», Владивосток, Россия Студент 2-го курса кафедры «Нефтегазовое дело и нефтехимии»
Магистрант
E-mail: lechenko.ge@students.dvfu.ru
Использование генетических алгоритмов для оптимизации потребления газа на компрессорной станции
Аннотация. Со всевозрастающим спросом на энергоносители в мире также растет потребность в их транспортировке. Природный газ является самым быстроразвивающимся направлением в энергетики современной экономики как в нашей стране, так и во всем мире. Наибольшее распространение на сегодняшний день получил трубопроводный транспорт природного газа. Однако, при транспортировке газа на большие расстояния возникает необходимость постоянного поддержания внутреннего давления в системе для того, чтобы газ мог перемещаться по трубопроводу. По этой причине на протяжении всей длины трассы магистральный газопроводов строятся компрессорные станции, на которых повышается внутреннее давление в системе. Приводы магистральных компрессорных агрегатов (газотурбинные установки) потребляют природный газ, который транспортируется по газопроводу в качестве топлива. По этой причине, чем дальше необходимо транспортировать газ, тем больше газа будет использовано для его транспортировки. По различным оценкам при транспортировке газа на большие расстояния от 3 до 5 % газа расходуется для поддержания давления на компрессорных станциях. По этой причине так важно оптимизировать потребления газа при работе компрессорных агрегатов. В представленной работе предлагается использовать так называемый генетический алгоритм для поиска оптимальных эксплуатационных параметров компрессора. Предлагаемая в исследовании модель может быть использована для выбора оптимальных параметров компрессоров для увеличения эффективности их работы. Различные режимы работы магистральных компрессорных агрегатов были оценены в представленной работе для выбора наиболее экономичного с точки зрения потребления энергии варианта.
Ключевые слова: генетические алгоритмы; оператор воспроизведения; компрессорная станция; моделирование; оптимизация работы; газотранспортная система; частота вращения рабочего колеса; поиск оптимальных параметров
Введение
Использование природного газа является наиболее быстро развивающимся направлением энергетики. Главной сложностью, с которой сталкивается отрасль, является сложность транспортировки природного газа, так как по сравнению с жидкими и твердыми источниками энергии, газ занимает многократно больший объем для той же энергетической ценности. Газопроводные системы уже успели себя зарекомендовать как наиболее надежный и экономически привлекательный вид транспорта природного газа. Однако, при транспортировке газа на большие расстояния, необходимо постоянно поддерживать давления газа, так как оно неуклонно снижается за счет сил трения и теплообмена потока газа с окружающей средой. С этой целью на протяжении всей трассы газопровода устанавливаются компрессорные станции. Приводы компрессорных агрегатов представляют собой газотурбинные установки, которые потребляют природный газ для своей работы. Именно работа компрессорных станций несет в себе основные затраты, которые впоследствии влияют на экономическую привлекательность использования природного газа для конечного потребителя. Поэтому оптимизация потребления газа магистральными компрессорными агрегатами является одной из приоритетных задач для развития всей газовой отрасли как нашей страны, так и всего мира [1].
Сложности для решения задач по оптимизации возникают по нескольким причинам. Во-первых, компрессорные станции являются очень сложными объектами, которые зачастую
включают в себя несколько компрессорных агрегатов, соединенных параллельно для увеличения расхода в системе. При этом компрессоры могут быть представлены в различных конфигурациях с различными диаметрами рабочего колеса и работать в различных режимах. Также стоит отметить, что характеристики компрессорных агрегатов, то есть зависимость между напором, создаваемым компрессором и расходом газа, являются нелинейными, что создает дополнительные трудности для автоматизации процесса расчета оптимальных параметров работы всей компрессорной станции. Во-вторых, существует ряд ограничений, связанных с допустимыми внутренними давлениями на участках трассы, содержащей переходы через водные или другие препятствия, представляющие собой участки повышенной опасности. Эти ограничения формируют комплекс нелинейных лимитирующих условий при работе всей системы, так как все участки газопровода связаны неразрывно [2].
В работе [3] предлагается использование метода динамического программирования и принципа адаптивной дискретизации для расчета оптимальной скорости вращения рабочего колеса компрессорных агрегатов. Этот подход показал хорошие результаты по сходимости моделируемых значений, однако в нем не учитывалось изменение коэффициента сжимаемости газа при работе компрессора.
Постановка задачи
На компрессорных станциях используются центробежные компрессорные агрегаты. Для таких агрегатов основные эксплуатационные параметры, то есть напор (Н), расход (0) и адиабатический КПД (п) связаны между собой следующими зависимостями:
£ = Ли + 5я(2) + Ся(2)Ч0и(2)3, (1)
Ч = лг + Йг(2) + Сг(2)2 + 0Е(2)3, (2)
где Ан, Вн, Сн, Бн, Ае , ВЕ, СЕ, БЕ - постоянные, которые зависят от используемых в уравнении величин, п - частота вращения рабочего колеса компрессорного агрегата.
Рисунок 1 показывает зависимость адиабатической эффективности (^) от отношения расхода (0) к частоте вращения рабочего колеса компрессорного агрегата (п).
86 -■
72 -
0 0,1 0.2 0.3 0.4 0.5 0.6
Q/n
Рисунок 1. Графическое представление зависимости эффективности работы компрессора от основных эксплуатационных параметров (составлено авторами)
Вестник Евразийской науки 2020, №4, Том 12 ISSN 2588-0101
The Eurasian Scientific Journal 2020, No 4, Vol 12 https://esi.todav
Рисунок 1 по своей сути является графическим отражением уравнений (1) и (2).
Также важно оценить зависимость напора от давления на всасывание (Рв) и давления нагнетания (Рн) и параметров газа:
H = ^[(твГЧ (3)
где m = —-—, в свою очередь k - определенный коэффициент теплопередачи
компрессора и гага, R - универсальная газовая постоянная, Тв - температура всасывания и Z - сжимаемость природного газа.
Сжимаемость природного газа может быть рассчитана по уравнению (4):
Z = Z0 + aP + ЬР2, (4)
где Z0, а и b - это константы, которые выводятся из разложения в вириальный ряд уравнения для Z на основе уравнения состояния Редлиха-Квонга и зависят от температуры газа и псевдокритических давления и температуры.
Разложение вириального ряда для сжимаемости представляется в следующем виде
Z = Z0 + (Z1B + Z2A2)P + (3Z3BA2 + Z4A4)P2, (5)
где A и B - это константы, которые зависят от температуры газа и псевдокритических давления и температуры. Они могут быть выражены следующим образом:
(6) (7)
Газовые турбины служат приводами магистральных компрессорных агрегатов. Они вырабатывают необходимую мощность для раскручивания рабочего колеса компрессора.
Оптимизация работы
В качестве приводов компрессорных агрегатов используются двухвальные газотурбинные установки. Центробежные нагнетатели могут работать в различных режимах в зависимости от скорости вращения рабочего колеса. Это наиболее эффективный способ управления работой компрессора. Благодаря такому подходу система может работать в широком диапазоне скоростей. Это позволяет также варьировать скорость потока газа с помощью гидравлических частей, таких как сопло Вентури или инфразвуковое оборудование. Специализированные системы автоматизации могут позволить варьировать подачу природного газа в камеру газотурбинной установки для регулирования частоты вращения вала в зависимости от того или иного параметра, который выбирается в качестве опорного. Таким параметром может быть выбрано, например, давление на выходе из компрессора или на входе, а также их отношение, которое определяет эффективность работы компрессора [4].
Важно отметить, что производителями компрессорных агрегатов устанавливаются ограничения по минимальной и максимальной скорости вращения рабочего колеса компрессора.
Исходя из таких ограничений следует, что объемный расход на входе в компрессор должен удовлетворять этим необходимым условиям и находиться в определенном диапазоне, позволяющем компрессору работать в оптимальном режиме.
Вестник Евразийской науки 2020, №4, Том 12 ISSN 2588-0101
The Eurasian Scientific Journal 2020, No 4, Vol 12 https://esi.today
Генетический алгоритм оптимизации
В представленной работе использовался так называемый генетический алгоритм оптимизации работы компрессорной станции. Этот алгоритм был разработан для решения задач, связанных с определением оптимальных параметров сложных систем. Название метода происходит от теории эволюции Дарвина. Генетические алгоритмы поиска оптимальных параметров начинаются с популяции начальных решений определенной задачи. Затем происходит развитие этих решений в направлении улучшения их точности. Так называемые поколения решений, которые сменяют друг друга приводят к тому, что набор этих решений сокращается, а сами решения становятся более точными для выбранной задачи [5; 6]. В представленной работе предлагается применить генетические алгоритмы к решению задачи по регулированию работы компрессорных агрегатов. Генетические алгоритмы решения отличаются от более традиционных методов по ряду ключевых вопросов:
• генетические алгоритмы используют информацию о целевой функции (постоянно оценивают целевую функцию с использованием параметров, закодированных в структуре строки). В отличие от традиционных методов, где применяются производные или другая вспомогательная информация для поиска;
• генетические алгоритмы используют кодирование параметров, используемых для вычисления целевой функции при поиске, а не сами параметры;
• генетические алгоритмы перебирают множество точек возможного решения в одно время, а не одну точку;
• генетические алгоритмы используют вероятностные подходы, а не средневзвешенные значения при переходе от одного набора решений (совокупности) к следующему.
К преимуществам использования генетических алгоритмов можно также отнести следующие особенности:
• Рассматриваемая задача по поиску оптимальных параметров для сложной системы, превращается в генетическое пространство, которое будет закодировано в алгоритме решения. Таким образом, станет возможным превратить огромное поле возможных решений в разрозненные крошечные пространства, которые будут использованы для поиска оптимальных значений эксплуатационных параметров.
• Генетические алгоритмы взаимодействуют с целым набором точек, в то время как большинство традиционных методов оптимизации концентрируется на определенном моменте времени в исследуемом процессе. Другими словами, генетические алгоритмы обрабатывают несколько возможных ответов, которые в конечном итоге позволят нам получить оптимальные решения с наименьшей погрешностью, удовлетворяющей требуемой степени точности [7; 8].
Общая эффективность работы компрессорной станции оценивается на основе уровня потребления газа и повышения внутреннего давления в системе при сохранении требуемого расхода. Важно отметить, что зачастую возможно достичь снижения скорости вращения рабочего колеса компрессора без снижения продуктивности всей системы [9].
Рисунок 2 показывает отбор возможных решений из набора (совокупности) рассматриваемых решений.
Рисунок 2. Схематическое представление генетического алгоритма решения (составлено авторами)
Оптимизированные результаты получены на основе одного из совокупности.
Для того, чтобы алгоритм мог прекратить работу и считать, что решение найдено, необходимо установить критерии остановки:
• количество рожденных поколений (максимально количество поколений решений). Это критерий необходим для того, чтобы остановить решение в случаях, когда алгоритм не способен найти решение;
• сходимость полученных результатов с уставкой и оценка расхождения. В случае, если полученное решение соответствует установленным требованиям точности, алгоритм может остановить поиск и считать, что решение найдено. Также, возможна остановка поиска решений в случае, если результат не был улучшен за определенное число поколений;
• нет улучшения целевой функции в течение определенного времени.
Методология генетических алгоритмов может работать с переменными, которые постоянно меняют свои значения. Это дает существенное преимущество именно в вопросах оценки оптимальных параметров.
Кодовое пространство состоит из элементов с бинарной структурой. Величина к вычисляется на основе разности ограничений скорости каждого элемента, чтобы определить длину этого элемента в рассматриваемом пространстве.
п11<щ< пЧ, (8)
где Ь соответствует длине элемента, а и - скорости элемента.
Для кодировки одного решения в методологии бинарного кода требуется к бит. В конце решения задачи будут отображены ответные элементы как показано на рисунке 3.
50SAVN420
Рисунок 3. Форма элементов системы (составлено авторами) Каждое отдельное значение скорости можно вычислить следующим образом
Щ=Щ +
пхк{
(9)
Для доступных операторов могут быть предусмотрены разнообразные методологии. В рассматриваемой задаче по поиску оптимальной скорости вращения рабочего колеса компрессорного агрегата используется оператор воспроизведения. Другими словами, небольшой набор элементов случайно выбирается и сравнивается друг с другом [10]. Один из элементов копируется как основа для определения целевой функции. Затем оператор воспроизведения действует на элементы в соответствии с методологией двухточечного разбиения и содержимое двух элементов меняется местами, выделяя два поля. Процесс воздействия оператором воспроизведения показан на рисунке 4.
Дочерний элемент 1 Дочерним элемент 2
Рисунок 4. Оператор воспроизведения для двух элементов (составлено авторами)
Заключение
В работе предлагается алгоритм решения комплексной задачи по поиску оптимальной скорости вращения рабочего колеса магистрального компрессорного агрегата. В перспективе такой анализ позволит за счет снижения частоты вращения рабочего колеса компрессоров понизить общий уровень потребления природного газа при его транспортировке на большие расстояния. Это может создать дополнительный стимул для развития всей газовой отрасли как в России, так и во всем мире, за счет повышения экономической привлекательности трубопроводного газа.
ЛИТЕРАТУРА
1. Годовский Д.А., Артемьева Е.Л. Оценка эффективности применения электрического запуска газотурбинных установок на компрессорных станциях // «Нефтегазовое дело». - 2016. - № 3 (Т. 14). - С. 88-95.
2. J.J. Grainger, W.D. Stevenson, G.W. Chang, Power System Analysis. McGraw-Hill Series in Electrical and Computer Engineering: Power and Energy (McGraw-Hill Education, 2016). ISBN: 9781259 008351.
3. Borraz-Sánchez, C. 2010. Minimizing Fuel Cost in Gas Transmission Networks by Dynamic Programming and Adaptive Discretization. Journal of Computers & Industrial Engineering 61 (2): 364-372. http://dx.doi.org/10.1016/j.cie.2010.07.012.
4. Антипов Б.Н. Энерготехнологическое оборудование компрессорных станций: Учебное пособие. - М.: Издательский центр РГУ нефти и газа (НИУ) имени И.М. Губкина, 2017. - 192 с.
5. Habibvand, G. and Behbahani, R.M. 2012. Using Genetic Algorithm for Fuel Consumption Optimization of a Natural Gas Transmission Compressor Station. International Journal of Computer Applications 43 (1): 1-6. http://dx.doi.org/10.5120/6064-8180.
6. Hawryluk, A., Botros, K.K., Golshan, H. et al. 2010. Multi-Objective Optimization of Natural Gas Compression Power Train with Genetic Algorithms. Presented at the 8th International Pipeline Conference, Calgary, 27 September - 1 October. IPC2010-31017. http://dx.doi.org/10.1115/IPC2010-31017.
7. Thompson, J.H. 2011. Lingo, version 13.0.2.17. Chicago, Illinois: LINDO Systems Inc.
8. T. Mak et al., Dynamic compressor optimization in natural gas pipeline systems. INFORMS J. Comput. 2019.
9. Анализ эффективности работы ГПА с газотурбинным приводом / Бухолдин Ю.С., Парафейник В.П., Романов В.В., Смирнов А.В. // «Газотурбинные технологии». -2011. - № 3. - С. 8-12.
10. T. Walther, B. Hiller, Modelling compressor stations in gas networks. ZIB Report 1767. Zuse Institute Berlin, 2017. https://opus4.kobv.de/opus4-trr154/frontdoor/index/index/docId/203.
Volkov Kirill Romanovich
Far Eastern federal university, Vladivostok, Russia E-mail: volkov.vk@students.dvfu.ru
Masleev Alexander Vladimirovich
Far Eastern federal university, Vladivostok, Russia E-mail: masleev.av@students.dvfu.ru
Goncharova Victoria Vladimirovna
Far Eastern federal university, Vladivostok, Russia E-mail: goncharova.vv@students.dvfu.ru
Eroshkin Dmitry Vladimirovich
Far Eastern federal university, Vladivostok, Russia E-mail: eroshkin.dv@students.dvfu.ru
Chemezov Il'ya Igorevich
Far Eastern federal university, Vladivostok, Russia E-mail: chemezov.ii@students.dvfu.ru
Lechenko Gennady Evgenievich
Far Eastern federal university, Vladivostok, Russia E-mail: lechenko.ge@students.dvfu.ru
Using genetic algorithms to optimize gas consumption at a compressor station
Abstract. With the ever-increasing demand for energy resources in the world, the need for their transportation is also growing. Natural gas is the fastest growing area in the energy sector of the modern economy both in our country and around the world. The most widespread today is the pipeline transport of natural gas. However, when transporting gas over long distances, it becomes necessary to constantly maintain the internal pressure in the system so that the gas can move through the pipeline. For this reason, compressor stations are being built along the entire length of the main gas pipeline route, at which the internal pressure in the system rises. The drives of main compressor units (gas turbine units) consume natural gas, which is transported through the pipeline as fuel. For this reason, the farther it is necessary to transport gas, the more gas will be used to transport it. According to various estimates, when transporting gas over long distances, from 3 to 5 % of the gas is consumed to maintain pressure at compressor stations. For this reason, it is so important to optimize the gas consumption during the operation of the compressor units. In the presented work, it is proposed to use the so-called genetic algorithm to find the optimal operating parameters of the compressor. The model proposed in the study can be used to select the optimal compressor parameters to increase their efficiency. Various modes of operation of main compressor units were evaluated in the presented work to select the most economical option in terms of energy consumption.
Keywords: genetic algorithms; playback operator; compressor station; modeling; optimization of work; gas transportation system; impeller speed; search for optimal parameters
