авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 ||

Прогнозирование затрат электроэнергии на нефтепроводе с использованием искусственных нейронных сетей

-- [ Страница 2 ] --

Вид - зависит от выбранной модельной структуры нейронной сети. Параметрами архитектуры ИНС являются:

а) количество слоёв и количество нейронов в каждом слое {N};

б) множество {W} допустимых значений весовых коэффициентов ;

в) множество {} допустимых значений величин смещения нейронов;

г) функции активации нейронов f.

Необходимо, по имеющимся данным за N прошлых периодов определить множество параметров прогнозной модели F({N},{W},{},f) путём обучения ИНС и составить прогнозный план ежесуточного расхода электроэнергии на Т шагов вперёд. При этом прогноз необходимо осуществить с некоторой заданной точностью Н.

Алгоритм построения математической модели прогнозирования расхода электроэнергии на Т шагов вперёд является итерационным. Блок-схема разработанного алгоритма представлена на рисунке 3.

По данным обучающей и валидационной (проверочной) выборкам построены ИНС с ранним остановом. Обучающая выборка используется для обычного обучения сети с небольшой модификацией: сеанс обучения периодически останавливается (через каждое несколько эпох) после чего сеть тестируется на проверочной выборке. Периодический процесс обучения-тестирования образует процедуру обучения ИНС с ранним остановом.

Для решения задачи аппроксимации выбрана ИНС с архитектурой многослойного персептрона. Сеть такой архитектуры позволяет моделировать функции практически любой сложности. Алгоритм обучения - алгоритм обратного распространения ошибки. Количество скрытых слоев - два. В этом случае нейронная сеть строит отображение вида:

, (4)
где i=1,2,…,n число нейронов входного слоя;

m=1,2,…,M число нейронов первого скрытого слоя;

k=1,2,…,K число нейронов второго скрытого слоя;

функции активации нейронов первого и второго слоев;

,, начальное возбуждение i-го, k-го нейрона первого и второго скрытого, и выходного слоя;

i-я координата входного вектора.

Рисунок 3 - Блок-схема алгоритма построения математической модели прогнозирования расхода электроэнергии

По тестовой выборке данных эксплуатации рассматриваемого МН получены результаты тестирования построенной ИНС (рисунок 4).

 График результатов тестирования ИНС в нормализованном виде Средняя-28

Рисунок 4 - График результатов тестирования ИНС в нормализованном виде

Средняя относительная ошибка прогноза для денормализованных значений составила 2%.

В четвертой главе рассматривается задача прогнозирования расхода электроэнергии по статистической информации о работе нескольких магистральных нефтепроводов (разного диаметра и коэффициента загрузки). Целью задачи является построение информационной модели для прогнозирования суточного расхода электроэнергии на планируемый период на развивающихся и вводимых в эксплуатацию магистральных нефтепроводах, то есть на таких нефтепроводах, у которых количество имеющихся наблюдений, отражающих изменение условий перекачки, ограничено. Предложена математическая модель и алгоритм решения.

При вводе в эксплуатацию новых нефтепроводов, законсервированных нефтеперекачивающих станций, строительстве лупингов на первых этапах эксплуатации нет достаточной статистической информации, отражающей их эксплуатационные характеристики, поэтому использование нейронных сетей при прогнозировании расхода электроэнергии в трубопроводном транспорте нефти практически невозможно. Предлагается подход, который позволит использовать как собственную информацию о работе нефтепровода предыдущего периода, даже при незначительном её объеме, так и статистические данные других нефтепроводов. В этом случае требуется определить расход электроэнергии W (кВт·ч/сут):

,
где Q коэффициент загрузки магистрального нефтепровода относительно проектной пропускной способности, (100%);
q коэффициент загрузки предыдущего (начального) режима относительно проектной пропускной способности, (100%);
Dэкв эквивалентный диаметр нефтепровода, (мм);
L протяженность магистрального нефтепровода, (км);
Z разность геодезических отметок нефтепровода, (м).

В обучающем и валидационном массивах используются наблюдения по эксплуатации нескольких (группы) магистральных нефтепроводов, содержащие достаточную статистическую информацию за предыдущей период и одинакового объема для каждого нефтепровода. В нашем случае информация о магистральном нефтепроводе с ограниченным количеством наблюдений в обучающем и валидационном массиве составляла 6% от их объема. Это величина индивидуальна для каждого рассматриваемого примера и зависит от наличия и качества информации на момент построения ИНС.

Тестирование обученной ИНС проводится по тестовой выборке, которая состоит из данных по эксплуатации действующего магистрального нефтепровода с ограниченным количеством имеющихся наблюдений, отражающих изменение условий перекачки. Средняя относительная ошибка прогнозирования расхода электроэнергии по статистической информации группы нефтепроводов составила 2,5%.

Точность прогнозирования расхода электроэнергии на развивающихся и вводимых в эксплуатацию магистральных нефтепроводах, то есть на таких нефтепроводах, у которых количество имеющихся наблюдений, отражающих изменение условий перекачки, ограничено, будет тем выше, чем больше будет статистической информации об эксплуатации данного магистрального нефтепровода.

Разработанные алгоритмы решения задач прогнозирования расхода электроэнергии при планировании работы магистральных нефтепроводов вошли в состав разрабатываемого комплекса режимно-технологических задач, который поэтапно внедряется на предприятиях трубопроводного транспорта нефти и включает в себя блоки по:

  1. идентификации параметров оборудования и контролю технического состояния объектов магистральных нефтепроводов;
  2. моделированию, гидравлическому расчету и оптимизации режимов работы магистральных нефтепроводов;
  3. планированию работы систем магистральных нефтепроводов.

В блок задач по планированию работы систем магистральных нефтепроводов предложено дополнительно включить задачи:

- прогнозирование расхода электроэнергии на планируемый период;

- контроль исполнения принятого календарного план-графика работы систем магистральных нефтепроводов.

Комплекс задач по прогнозированию расхода электроэнергии на планируемый период позволяет планировать расход электроэнергии с заданной точностью для заявки электроэнергии на оптовом рынке электроэнергии (мощности).

По выбранным входным и выходным показателям на основе имеющейся базы данных наблюдений осуществляется сбор информации:

- двухчасовая и суточная (массовая) производительность нефтепровода доступна на диспетчерских листах, в системе диспетчерского контроля и управления (СДКУ), автоматизированной системе контроля исполнения договоров (АСКИД);

- свойства и объемы партий перекачиваемых нефтей – информация лаборатории качества, АСКИД;

- наличие нефти в резервуарах НПС – данные СДКУ и диспетчерских листов;

- фактические данные энергопотребления – ежедневные записи в журналах энергопотребления на ЛПДС и НПС, в автоматизированной системе технического учета электроэнергии с элементами управления энергохозяйством (АСТУЭ), автоматизированной информационно-измерительной системе коммерческого учета электроэнергии (АИИС КУЭ);

- проектная пропускная способность, протяженность, диаметр и профиль трассы магистральных нефтепроводов – комплекты проектной, исполнительной и эксплуатационной документации отдела эксплуатации нефтепроводов.

По сформированной выборке набора данных осуществляется предобработка данных. После подготовки данных файл импортируется в программу «NeuroSolutions», где все наблюдения делятся на три выборки (массива): обучающая, валидационная, тестовая. Обучающая выборка служит для обучения нейронной сети, валидационная – для независимой оценки хода обучения, тестовая – для окончательной оценки хода обучения. Аналогично все переменные делятся на входные и выходные.

После этого приступают к построению и обучению нейронной сети: проводятся эксперименты с различным числом скрытых элементов для каждой пробной архитектуры сети, отбирая при этом наилучшую сеть по показателю контрольной ошибки.

Параметры нейронной сети, для которой задача решается наилучшим образом, запоминаются и используются для прогнозирования расхода электроэнергии по рассматриваемому магистральному нефтепроводу на заданный период.

Комплекс задач по контролю исполнения принятого календарного план-графика работы систем магистральных нефтепроводов подразумевает соблюдение технологических режимов работы магистральных нефтепроводов. Позволяет осуществлять контроль и анализ фактических режимов работы нефтепроводов, потребленной электроэнергии по сравнению с плановыми показателями.


Выводы

  1. Установлено, что на потребление электроэнергии при транспорте нефти наряду с основными параметрами (расход, плотность и вязкость нефти), значительно влияет дополнительный фактор - характер управления при смене режима на нефтепроводе который необходимо учитывать при прогнозировании расхода электроэнергии.
  2. Разработана математическая модель задачи нейросетевого метода прогнозирования расхода электроэнергии по данным эксплуатации одного из действующих магистральных нефтепроводов. Разработан алгоритм решения задачи по прогнозированию расхода электроэнергии. Средняя относительная ошибка прогноза составила 2%, что позволяет говорить о приемлемости предлагаемого метода прогнозирования.
  3. Показано, что при малом объеме данных о работе нефтепровода, можно воспользоваться статистической информацией о работе других нефтепроводов (разного диаметра и коэффициента загрузки магистрального нефтепровода) при небольшой потере точности прогноза. Разработан алгоритм и выбрана архитектура нейронной сети для решения задачи по прогнозированию расхода электроэнергии на развивающихся и вводимых в эксплуатацию магистральных нефтепроводах, для которых качество прогнозирования ИНС индивидуально для каждого конкретного случая и зависит от наличия информации на момент построения сети. Средняя относительная ошибка прогнозирования расхода электроэнергии по статистической информации группы нефтепроводов составила 2,5%.
  4. Результаты диссертационной работы использованы при разработке рабочих комплексов для решения режимно-технологических задач ОАО МН, а также переданы для использования в учебном процессе при подготовке и переподготовке специалистов по специальности «Проектирование и эксплуатация газонефтепроводов и газонефтехранилищ».

Основные результаты работы опубликованы в следующих научных трудах

  1. Петренко, С. В. Решение задачи календарного планирования работы нефтепроводной сети генетическим алгоритмом/ С.В. Петренко, И.Н. Пирогов, Б.А. Козачук, И.А. Шаммазов, Л.Ф. Шириазданова // Материалы V Международной учебно-научно-практической конференции «Трубопроводный транспорт – 2009».- Уфа: изд-во УГНТУ, 2009. - С. 117–119.
  2. Пирогов, И.Н. Алгоритм решения вопроса по корректировке план-графика работы нефтепроводов./ И.Н. Пирогов, Л.Ф. Шириазданова, Б.А. Козачук // Материалы VI Международной учебно-научно-практической конференции «Трубопроводный транспорт – 2010».- Уфа: изд-во УГНТУ, 2010. - С. 101.
  3. Шаммазов, А.М. Оценка влияния различных факторов на расход электроэнергии при транспорте нефти/ А.М Шаммазов, Б.А. Козачук, Н.Т. Габдрахманова, Л.Ф. Шириазданова // Материалы IV Международной учебно-научно-практической конференции «Трубопроводный транспорт – 2008».- Уфа: изд-во УГНТУ, 2008. - С. 130–132.
  4. Шаммазов, И.А. Применение нейронных сетей для прогнозирования расхода электроэнергии при транспорте нефти/ И.А Шаммазов, Б.А. Козачук, Н.Т. Габдрахманова, Л.Ф. Шириазданова // Проблемы сбора, подготовки и транспорта нефти и нефтепродуктов: научно-технический журнал. - ГУП «ИПТЭР». – Уфа, 2009. – Выпуск 2 (76). - С. 89–95.
  5. Шаммазов, А.М. Алгоритм решения задачи прогнозирования расхода электроэнергии в трубопроводном транспорте нефти с использованием нейронных сетей/ А.М Шаммазов, Б.А. Козачук, Н.Т. Габдрахманова, Л.Ф. Шириазданова // [Электронный ресурс]// Электронный научный журнал «Нефтегазовое дело», 2010, 26 ноября. URL http://ogbus.ru/authors/Shammazov-2.pdf. (дата обращения 28.10.2010).
  6. Шириазданова, Л.Ф. Влияние технологических факторов на расход электроэнергии при транспорте нефти/ Л.Ф. Шириазданова // Материалы 60-й научно-технической конференции студентов, аспирантов и молодых ученых. - Уфа: изд-во УГНТУ, 2009. - С. 16.
  7. Шириазданова, Л.Ф. Алгоритм планирования расхода электроэнергии при транспорте нефти/ Л.Ф. Шириазданова, И.Н. Пирогов, Б.А. Козачук // Материалы VI Международной учебно-научно-практической конференции «Трубопроводный транспорт – 2010».- Уфа: изд-во УГНТУ, 2010. - С. 138.
  8. Шириазданова, Л.Ф. К прогнозированию расхода электроэнергии по данным совокупности нефтепроводов/ Л.Ф. Шириазданова, И.Н. Пирогов, Б.А. Козачук // Материалы VI Международной учебно-научно-практической конференции «Трубопроводный транспорт – 2010».- Уфа: изд-во УГНТУ, 2010. - С. 139.
  9. Шириазданова, Л.Ф. Основные аспекты построения нейросетевой прогнозной модели расхода электроэнергии для развивающихся нефтепроводов/ Л.Ф. Шириазданова, О.А. Макаренко, Б.А. Козачук, Н.Т. Габдрахманова, С.М. Халаби // Электронный научный журнал «Нефтегазовое дело», 2011, №3. URL http://www.ogbus.ru/authors/Shiriazdanova/Shiriazdanova_1.pdf .


Pages:     | 1 ||
 





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.