در پايان‎نامه حاضر بطور كلي به سه محور كليدي شبيه‎سازي، بهينه‎سازي و كنترل شبكه‎هاي گاز طبيعي در حالت گذرا پرداخته شده است. لازمه ورود به بحث بهينه‎سازي و كنترل شبكه گاز، شبيه‎سازي رفتار شبكه مي‎باشد. از آنجائيكه در يك شبكه گاز در اغلب موارد نيازهاي مصرف‎كنندگان تابعي از زمان مي‎باشد، لذا شبيه‎سازي رفتار شبكه در حالت گذرا ضروري بنظر مي‎رسد. معادلات حاكم بر جريان درون لوله‎ها در حالت گذرا از دسته معادلات با مشتقات جزئي و غيرخطي مي‎باشند. در اين پايان‎نامه با بررسي انواع روش‎هاي حل اين معادلات، روش تفاضل محدود ضمني بواسطه پايداري بودن جواب مستقل از شرائط اوليه، انتخاب گرديد. بمنظور تهسيل در فرآيند حل اين معادلات روشي نوين بر مبناي الگوريتم‎هاي فراشهودي ارائه گرديد. اين روش علاوه بر فراهم كردن امكان خطي‎سازي معادلات، امكان حل مستقلانه معادلات جريان را براي لوله‎هاي يك شبكه مهيا مي‎كند. استفاده از اين روش، فرآيند شبيه‎سازي گذراي معادلات جريان را تا سه برابر سرعت مي‎بخشد. مي‎دانيم كه با بهبود عملكرد شبكه گاز حتي به ميزان اندك، صرفه جويي فراواني در هزينه‎ها خواهد شد. لذا در ادامه اين پايان‎نامه به بهينه‎سازي انرژي مصرفي ايستگاه‎هاي افزايش فشار كه عمده هزينه عملكردي شبكه گاز را شامل مي‎شود، پرداخته مي‎شود. تابع هزينه بهينه‎سازي در حالت گذرا عبارتي پيچيده از متغيرهاي تصميم‎گيري است كه در معرض قيود خطي و غيرخطي بسياري قرار دارد. همچنين اگر وضعيت باز و بسته شيرها نيز بعنوان متغير بهينه‎سازي در نظر گرفته شود، مسئله از نوع تركيبي-صحيح مي‎شود. براي حل اين مسئله پيچيده مي-بايست روش بهينه‎سازي مناسبي انتخاب شود كه متغيرهاي تصميم كه شامل دور كمپرسورها و وضعيت شير در شبكه است را طوري تعيين كند كه علاوه بر ارضاي تمامي قيود عملكردي شبكه، نياز متغير با زمان مشتري در فشار مطلوب تامين بشود. لذا در اين پايان‎نامه روشي نوين بر مبناي استفاده از الگوريتم‎هاي فراشهودي ارائه گرديده است كه ضرورت يافتن عبارتي صريح براي تابع هدف بر حسب متغيرهاي بهينه‎سازي و نيز مشتق‎گيري از اين تابع را رفع مي‎كند و بعلاوه امكان مديريت مسئله تركيبي-صحيح نيز فراهم مي‎شود. در بهينه‎سازي گذرا نمودار مصرف متقاضيان عموما از ميانگين بلند مدت آن تعيين مي‎شود. در عمل ممكن است كه اين نمودار مصرف در بعضي دوره‎هاي زماني از اين ميانگين فاصله بگيرد. در اين حالت يك راه، حل مجدد مسئله بهينه‎سازي است كه فرآيندي زمان‎بر است. در اين پايان‎نامه يك روش نوين جايگزين بر مبناي استفاده از راهكار كنترلي پيش‎بين ارائه شده است كه در فرآيندي بسيار سريع‎تر رفتار نزديك به بهينه‎كمپرسورها را بنحوي تعيين مي‎كند كه نياز جديد مصرف‎كنندگان تامين بشود. بدين منظور كنترل‎كننده بايد فشار بهينه بدست آمده از فاز بهينه‎سازي را دنبال نمايد. در اين پايان‎نامه نشان داده مي‎شود كه بواسطه رفتار بسيار غيرخطي شبكه گاز و نيز ثابت زماني بزرگ سيستم كه موجب مي‎شود تغييرات در ورودي بلافاصله در خروجي شبكه مشاهده نشود، پياده‎سازي روش‎هاي كنترلي سنتي از جمله پي‎آي‎دي منجر به نتايج مطلوب نخواهد شد. بدين منظور از راهكار كنترل‎ پيش‎بين مدل بر مبناي استفاده از شبكه‎هاي عصبي استفاده مي‎شود. در اين راهكار شبكه‎هاي عصبي به منظور انجام عمل پيش‎بيني و كنترل استفاده مي‎شوند. الگوريتم آموزش شبكه عصبي از نوع گراديان نزولي مي‎باشد. يك مشكل اساسي در اين الگوريتم آموزش، تعيين نرخ بهينه آموزش است تا همگرايي به خطاي كمينه تضمين شود. براي حل اين مشكل در اين پايان‎نامه يك الگوريتم تطبيقي تنطيم نرخ يادگيري ارائه شده است كه همگرايي خطاي شبكه‎هاي عصبي پيش‎بين و كنترل‎كننده را به مقدار كمينه تضمين مي‎كند. همچنين بمنظور بررسي مقاومت اين راهكار كنترلي، سناريوهاي مختلفي براي تغيرات دبي خروجي در نظر گرفته مي‎شود و نتايج شبيه‎سازي تاييد كننده صحت عملكرد كنترل‎كننده است.

1397/12/21

Intelligent Control of Selectable Configuration Natural Gas Pipeline Networks

3/12/2019 12:00:00 AM

In this thesis three main subjects comprising transient simulation, optimization and control of natural gas pipeline networks are discussed. Simulation of natural gas network operation is a prerequisite for optimization and control tasks. Since in a real gas network costumer demands vary over the time, it is essential to simulate the gas flow behavior in transient state. The transient flow equation of natural gas in a pipeline is governed by a set of nonlinear partial differential equations. In this thesis after surveying different discretization methods for solving this type of equation, the implicit finite difference method is chosen where its solution is unconditionally stable. In order to facilitate the process of solving discretized flow equations a novel approach based on using meta-heuristic algorithm is presented. This approach provides the possibility of linearizing the flow equation while the pipeline flow equations can be solved independently. The usage of this approach will decrease the computational time of flow simulation to one/third with respect to conventional gradient based approach. It is clear that improving the gas network behavior even in small percentage will lead to considerable cost saving. Thus in this thesis the energy consumption of compressor station which constitute the majority of network operational cost is optimized in transient state. The cost function in this case is complicated function of decision variables which is subjected to different linear and non-linear constraints. Moreover if the valves status in a gas network (ON/OFF) is considered as another decision variable the optimization problem will converted to mixed-integer type. In order to solve this intricate problem an appropriate method should be chosen. This approach should determine continuous and discrete decision variables that provide the costumer demands in appropriate pressure while none of gas network operational costs are violated. In response to this problem a novel approach based on utilizing meta-heuristic algorithms is presented in this thesis. This approach eliminate the necessity of finding an explicit expression for cost function as well as finding its derivative providing the capability of handling the mixed-integer optimization problem. In transient optimization of gas network the customer demand profiles are determined from its long time average. In reality this demand profile may become different from this average. In this case one solution is to re-solve the optimization problem which is time consuming task. Another choice is using an approach proposed in this thesis. This approach finds the near optimum performances of compressor stations in much smaller computational time supplying the new customer demand in an appropriate pressure. As the natural gas network is a nonlinear dynamic system with large time constant the implementation of conventional controller such as PID will not lead to a desirable performance. To handle this problem a model predictive control scheme is presented in this thesis which utilizes two distinct neural networks for prediction and control tasks. The gradient descent algorithm is used for updating the parameters of these neural networks. A main challenge in this learning algorithm is finding the optimum learning. In this thesis an algorithm for adaptive adjustment of this learning rate is proposed which guarantees the convergences of neural network predictor and controller error to zero. Moreover the robustness of this control scheme is investigated by varying the network costumers demand profiles in four different scenarios. The simulation results of implementing the presented control scheme confirm its appropriate performances.