CC BY
70
УДК 681.518.3
ПОДСИСТЕМА ПРОГНОЗИРОВАНИЯ ГАЗОПОТРЕБЛЕНИЯ КРУПНОГО ПРОМЫШЛЕННОГО КЛАСТЕРА АСУТП МАГИСТРАЛЬНОГО ТРАНСПОРТА ГАЗА
Владислав Васильевич Никаноров, канд. техн. наук, зам. начальника Департамента, e-mail v.nikanorov@adm.gazprom.ru, ПАО «Газпром», http://www.gazprom.ru, Сергей Григорьевич Марченко, главный инженер, первый зам. ген. директора ООО, e-mail marchenko@mtg.gazprom.ru, «Газпром трансгазМосква» (http://moskva-tr.gazprom.ru),.
Леонид Исаакович Бернер, д-р техн. наук, проф., ген. директор,
e-mail berner@atgs.ru, АО «АтлантикТрансгазСистема» http://www.atgs.ru, Юрий Маркович Зельдин, канд. техн. наук, зав. отделом, e-mail zeldin@atgs.ru,.
ИУС АО «АтлантикТрансгазСистема», http://www.atgs.ru
Представлена подсистема прогнозирования газопотребления крупного промышленного узла с учётом её суточной неравномерности. Использование прогнозных параметров в АСУТП магистрального транспорта газа позволяет заранее выявить возможные проблемы, обеспечить гарантированное газоснабжение потребителей.
Ключевые слова: прогноз газопотребления, АСУТП, магистральный газопровод, оперативное диспетчерское управление.
Основной задачей оперативного диспетчерского управления (ОДУ) газотранспортной системой (ГТС) на уровне газотранспортного предприятия (ГТП) является гарантированное выполнение заданий ПАО «Газпром» на транспортировку газа и договорных обязательств поставки газа потребителям в зоне ответственности ГТП с максимально возможной надежностью и эффективностью. Процесс оперативного диспетчерского управления ГТС (без учета нештатных ситуаций) состоит из следующих этапов:
- планирование режима работы ГТС с учетом плана транспорта и распределения газа, плановых работ по техническому обслуживанию и ремонту участков газопроводов, газоперекачивающих агрегатов и прочего технологического оборудования. Планирование производится на день, месяц, год и включает оперативную корректировку планового режима работы ГТС при изменении заданий на транспортировку и распределение газа;
- установка планового режима работы ГТС, контроль параметров технологического процесса;
- выявление отклонений от плановых показателей, проведение корректирующих действий для возврата к плановому режиму (при необходимости).
Оперативное диспетчерское управление охватывает временной горизонт от нескольких часов до нескольких суток, в течение которых описанные выше этапы циклически повторяются. ОДУ ГТС является достаточно сложной задачей из-за особенностей технологического объекта управления, а именно:
- инерционность системы. Время от выполнения корректирующих действий до достижения требуемого результата составляет, как правило, от двух до шести часов. Поведение ГТС зависит не только от текущего состояния, но и от его предыстории (нестационарный режим);
- ограниченность имеющихся ресурсов (поступление газа в ГТС, запас газа в трубопроводах, имеющиеся в резерве газоперекачивающие агрегаты и т.п.);
- технологические ограничения на параметры режима (максимальное и минимальное давление в трубопроводе, максимальная скорость изменения давления, максимальная пропускная способность участка и т.п.).
Вследствие описанных выше причин, корректировка режима «постфактум», когда выявились отклонения текущих параметров от плановых, требует повышенного расхода энергетических ресурсов и повышает опасность невыполнения плана. Управление на основе прогноза поведения ГТС позволяет заранее выявить возможные проблемы и избежать их [1, 2]. При этом используются различные программно-вычислительные комплексы (ПВК) моделирования ГТС в стационарном и нестационарном режимах [3]. Наилучшую точность обеспечивают ПВК моделирования, работающие в нестационарном режиме online.
Управление на основе прогноза поведения ГТС производится следующим образом [2]:
- при заданных граничных условиях ГТС и плане переключений, с помощью ПВК моделирования рассчитывается прогноз режима работы ГТС на сутки-трое вперед. В качестве начального состояния используется текущий online-режим газотранспортной системы. План переключений должен учитывать также плановые работы по техническому обслуживанию и ремонту участков ГТС и оборудования компрессорных станций;
- производится анализ прогноза поведения ГТС для выявления «узких мест», оценки энергетической эффективности технологического процесса (отношения затрат топливного газа и электроэнергии к суммарному объему транспорта и распределения газа). Прогноз может выявить, что при текущих граничных условиях невозможно обеспечить плановые показатели. В этом случае организационными мерами обеспечивается их корректировка (увеличение подачи газа от смежного ГТП, отбор газа из подземного хранилища и т.п.);
- если прогнозный режим удовлетворяет заданным требованиям (отсутствие «узких мест», соблюдение технологических ограничений, выполнение норм расхода энергоносителей на собственные нужды), он передается для выполнения оперативному персоналу. Если нет -производится корректировка плана переключений и/или граничных условий, и расчет и анализ повторяется до выполнения заданных требований.
При управлении на основе прогноза может производиться расчет нескольких вариантов поведения ГТС при различных планах переключений. Для исполнения выбирается вариант, обеспечивающий наилучшую энергоэффективность технологического процесса.
При расчёте прогнозного режима ГТС особое значение для точности имеет краткосрочный прогноз отбора газа потребителями c учётом суточной неравномерности. Его влияние тем больше, чем больше отношение объёма распределения газа к объёму его транзитной транспортировки - то есть для ГТП, снабжающих газом крупные промышленные узлы. Прогнозирование газопотребления является достаточно сложной задачей. На потребление газа влияет температура наружного воздуха, сила ветра, тип потребителя (промышленный, коммерческий, частный), день недели (рабочий, предпраздничный/пятница, праздничный/выходной) и др. [4]. В настоящее время для прогнозирования газопотребления используются в основном регрессионные, авторегрессионные и нейросетевые модели, однако учёт множества разнородных факторов существенно повышает их сложность, в том числе при эксплуатации.
Упомянутые выше методы практически не используют архивы газопотребления по технологическим объектам, накопленные в автоматизированных системах за несколько предыдущих лет. Использовать архив за семь предыдущих дней для нейросе-тевой модели прогноза потребления электроэнергии было предложено в [5]. Там же отмечалось, что дневные/месячные тренды потребления электроэнергии за разные дни подобны друг другу. Аналогичное подобие можно предположить у временных рядов (трендов) потребления газа. Суточная кривая потребления газа различна для разных типов потребителей (ТЭЦ, ГРС для газоснабжения промышленного предприятия, ГРС для газоснабжения населения и др.), однако форма кривой для одного и того же потре-
бителя при сходных условиях повторяется. Был проведен анализ расхода газа потребителями ООО «Газпром трансгаз Москва» в один и тот же период разных лет. Результаты для двух потребителей за первую декаду 2013 и 2014 г.г. приведены на Рис. 2, Рис. 3. Аналогичные кривые наблюдаются и в остальных случаях. Толстыми линиями приведен расход газа 0, тонкими - температура наружного воздуха Т.
Очевидно, что форма кривой газопотребления из года в год повторяется. Температура на величину потребления влияет по разному. Для газораспределительной станции (ГРС) города наблюдается существенное влияние температуры на потребление газа. Для промышленных потребителей влияние температуры на потребление существенно меньше.
1200
Цч ЗВД •*чтг 100 000
80 000 + 60 000 40 000 20 000
1001 1201 1401 1601 1801
Рис. 1. Выборка подобия временных рядов с учетом внешнего
фактора
Имеющиеся архивы и очевидная повторяемость позволяют использовать для расчета прогноза экстраполяцию временных рядов по выборке максимального подобия. Данный метод прогнозирования был разработан в [6], где показаны его преимущества по сравнению с широко при-
меняемыми авторегрессионными и нейросетевыми моделями. Апробация метода в [6] была проведена на примере прогнозирования энергопотребления в краткосрочной (24 часа) и среднесрочной (7 дней) перспективе. Средняя абсолютная ошибка прогноза (MAPE - mean absolute percentage error) на 24 часа составила 0.91-1.83%, на 7 дней -1.26-3.3%, что доказывает высокую эффективность применения разработанной модели.
В разработанной подсистеме прогнозирования газопотребления применена модель прогнозирования временного ряда параметра (газопотребления) с учетом влияю-
s
тГ
О } 10 IS 20 1 t II Li.21 2 1 121712 > I 13 »21 4 »141*0 S 1015 20 1 « 111621 2 7 121722 ] » 13 1823 4 9 1*1»
0 S 1OI520 I 6 311621 2 7 121722 3 I 131*7} 4 9 H 19 О i 10152« 1 6 11 34 71 1 7 121722 1 I 131(23 4 9 H 39
Рис. 3. ГИС Яхрома, расход газа КГМО-2, зима 2013 и 2014 г.г.
Рис. 2. Расход газа ГРС Голицыно, зима 2013 и 2014 г.г.
щего внешнего фактора (температуры наружного воздуха). Краткое описание модели приведено на примере Рис. 1 [6]. Даны временные ряды параметра и влияющего на него внешнего фактора Х^). Требуется определить прогнозный временной ряд параметра с учетом прогноза влияющего фактора Х^р+1. Для этого для выборки 2т-м+ъ содержащей значения параметра непосредственно перед моментом прогноза, находим выборку максимального подобия ЯЦ^ах*. Для вычисления прогноза параметра используется выборка 2£шах*+м, расположенная по оси времени сразу за выборкой максимального подобия, и прогноз внешнего фактора Хт+1. В вычислении прогноза параметра участвуют коэффициенты влияния внешнего фактора, которые вычисляются
по методу наименьших квадратов по рядам Zjfmax„, Z"_M+1, В качестве про
7М
гМ
гноза внешнего фактора - температуры наружного воздуха - используется прогноз погоды Гидрометцентра России.
Был разработан программный модуль прогнозирования газопотребления, реализующий метод прогнозирования временного ряда по выборке максимального подобия. В качестве исходных данных используются часовые (2-часовые) архивы газопотребления по объектам за несколько предыдущих лет совместно с архивом температуры наружного воздуха, а также прогноз температуры наружного воздуха Гидрометцентра России с дискретностью 1 час. Архивы могут подгружаться из любой базы данных, имеющей ОБВС-интерфейс. Прогноз газопотребления рассчитывается отдельно по каждому объекту учета (выходу ГРС, КРП) на заданное время вперед (от 24 часов до 7 суток) с той же дискретностью, с которой собран исходный архив (один или два часа).
В модуле прогнозирования реализована подсистема обработки исходных данных, задействуемая при необходимости. Обработка исходных данных заключается в расчете часового расхода газа в случае, когда архивируется нарастающий суточный расход расходомера. Также рассчитывается потребление газа по объекту учета (например, выходу ГРС), когда в архиве есть данные только по точкам учета (расходомерам).
Прогноз рассчитывается по каждому объекту газопотребления в отдельности, с возможностью суммирования для расчета прогноза по набору объектов (району, промышленному узлу и т.п.). Результат прогноза по каждому объекту доступен для просмотра на экране монитора и для загрузки во внешний ПВК моделирования через ОБВС-интерфейс. Возможна выгрузка результата прогноза в ХМЬ-файл определенного формата. Для передачи в ПВК моделирования прогнозные кривые по объектам учета (выходам ГРС / КРП) суммируются для расчета прогноза по объекту отбора (ГРС / КРП в целом).
Очевидно, что применяемый метод автоматически учитывает такие факторы как тип потребителя, день недели (рабочий, предпраздничный/пятница, праздничный/выходной), сезон (зима / лето) и т.п. Модель не накладывает ограничений ни на непрерывность, ни на стационарность опорного временного ряда. Однако при использовании модуля прогноза следует помнить об ограничениях используемого метода [7]:
- модель экстраполяции по выборке максимального подобия решает задачу краткосрочного прогнозирования (до 50 значений вперед), что при шаге один час составляет интервал двое суток;
- для работы модуля необходимо, чтобы опорный архив содержал не менее 1000 отсчетов, собранных при различных ситуациях (зима/лето, длинные/короткие праздники и т.п.). Желательная глубина опорного архива - не менее двух лет.
Разработанный модуль верифицировался на данных ООО «Газпром трансгаз Москва». Для верификации по архивам 2008-2012 г. г. рассчитывался прогноз газопотребления по объектам на заданный период 2013 года и сравнивался с фактом за этот же период. Результаты верификации для ГРС Наро-Фоминск приведены на Рис. 4, для ГРС Климовск - на Рис. 5. Зеленой линией отображен прогноз, синей - факт газопотребления, красной - факт температуры наружного воздуха. Для ГРС Наро-Фоминск средняя абсолютная ошибка прогноза (МАРЕ) составила 5.7%, для ГРС Климовск -10.7%, что достаточно для целей планирования режима работы ГТС.
Разработанный программный модуль прогнозирования газопотребления с учетом суточной неравномерности может использоваться как самостоятельно, так и в составе систем поддержки принятия диспетчерских решений. Его использование позволит существенно повысить точность расчёта планового режима работы ГТС (на временном горизонте 24-48 часов), заранее выявлять возможные «узкие места» и проблемы, обеспечить гарантированное газоснабжение потребителей.
— Потребление Пррги|
— прогне! -TeunepsTVps
Рис. 4. Прогноз и факт по ГРС Наро-Фоминск, Рис. 5 Прогноз и факт по ГРС Климовск, сентябрь июнь 2013 г. 2013 г.
Литература
1. Бернер Л.И., Ковалев А.А. Блок моделирования и прогнозирования режимов работы газотранспортных сетей системы поддержки принятия диспетчерских решений // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2011. № 11.
2. Бернер Л.И., Никаноров В.В., Зельдин Ю.М., Рощин А.В. Системы поддержки принятия диспетчерских решений в газовой промышленности // Информационные технологии в науке, образовании и управлении: труды международной конференции IT+S&E'15 / под ред. проф. Е.Л. Глориозова. - М.: ИНИТ, 2015.
3. Бернер Л.И., Ковалев А.А., Киселев В.В. Управление газотранспортной сетью с использованием методов моделирования и прогнозирования // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2013. № 1.
4. Vitullo S., Brown R., Corliss G., Marx B. Mathematical Models for Natural Gas Forecasting // Canadian Applied Mathematics Quarterly. Vol.17, No.4 (2009), pp/807-827. Сайт Университета Альберты. Режим доступа: http://www.math.ualberta.ca/ami/CAMQ/pdf_files/vol_17/17_4/17_4i.pdf (дата обращения 05.05.2017)
5. Basaran U., Kurban M.A New Approach for the Short-Term Load Forecasting with Autoregressive and Artificial Neural Network Models // International Journal of Computational Intelligence Research. Vol.3. No.1 (2007). pp.66-71.
6. Чучуева И.А. Модель прогнозирования временных рядов по выборке максимального подобия. Дисс. канд. техн. наук МГТУ им. Н.Э. Баумана, Москва, 2012.
7. Чучуева И.А. Модель экстраполяции временных рядов по выборке максимального подобия. Сайт «Математическое бюро». Режим доступа: http://www.mbureau.ru/articles/model-ekstrapolyacii-vremennyh-ryadov-po-vyborke-maksimalnogo-podobiya (дата обращения 05.05.2017).
Gas Consumption Forecast Subsystem for Large Industrial Hub for Gas Pipelines APCS
Vladislav Vasil'evich Nikanorov, Candidate of Engineering Sciences, Deputy Head of Department, Gazprom
Sergey Grogor'evich Marchenko, Chief Engineer - Deputy General Director, Gazprom transgas Moscow
LeonidIsaakovich Berner, PhD in Engineering, Professor, General Director, AtlanticTransgas-System
Yury Markovich Zeldin, Candidate of Engineering Sciences, Head of SCADA and HMI Department, AtlanticTransgasSystem
The article describes the gas consumption forecast subsystem for large industrial hub, which considers into account its daily unevenness. Using the forecast data for gas pipeline automated process control system allows us to identify possible problems in advance and ensure guaranteed gas supply to the customers.
Keywords: gas consumption forecast, automated process control system, gas pipeline, operational dispatch control.
