22981

طراحي كنترل كننده پيش بين غيرخطي براي بهينه سازي در شبكه گاز طبيعي

دكتري تخصصي

طراحي كاربردي

1392

139/4/11

دكتر رضا معدوليت

دكتر اسماعيل خان ميرزا

مكانيك

در شبكه‌هاي خط لوله انتقال گاز، براي كمينه¬كردن مصرف سوخت ايستگاه‌هاي تقويت فشار و رعايت قيود شبكه، بايد نقاط تنظيم كمپرسورها به دقت محاسبه شوند. در عمل، تقاضاي واقعي مصرف¬كننده¬ها داراي نوساناتي نسبت به مقادير پيش¬بيني شده دارد و در نتيجه استفاده از يك كنترل¬كننده مناسب به منظور كمينه¬كردن مصرف سوخت و همچنين مديريت نوسانات شبكه، اجتناب¬ناپذير است. كنترل پيش¬بين مدل، يك انتخاب مناسب براي سيستم‌هاي داراي تاخير طولاني مانند شبكه‌هاي گاز مي‌باشد. در اين رساله، رهيافتي نوين بر اساس الگوريتم‌هاي هوشمند و سه تابع اساسي براي مدل¬كردن حالت گذراي شبكه خط لوله انتقال گاز پيشنهاد مي‌شود. با استفاده از راهبرد پيشنهادي، هر تك لوله را مي‌توان به صورت جداگانه تحليل كرد كه اين امر باعث افزايش سرعت تحليل مي‌گردد. همچنين، دو رهيافت كنترلي براي كنترل پيش¬بين مدل غيرخطي پلنت شبكه گاز پيشنهاد مي‌شود. كنترل شبكه در دو مرحله حلقه باز و حلقه بسته صورت مي¬پذيرد. در مرحله حلقه باز، با فرض مشخص¬بودن ميزان تقاضاي مصرف¬كننده¬هاي شبكه، مصرف سوخت ايستگاه تقويت فشار بهينه شده و فشار خروجي به عنوان مسير مرجع در مرحله حلقه بسته مورد استفاده قرار مي¬گيرد. بدين منظور رهيافتي نوين بر اساس الگوريتم‌هاي فراابتكاري براي بهينه-سازي شبكه خطوط لوله گاز در شرايط تماما گذرا پيشنهاد مي‌شود. بهينه¬سازي با يك رويه سرراست در هر نمونه زماني انجام مي¬شود كه نسبت به بهينه¬سازي شبه-گذرا، منجر به پاسخ‌هاي دقيق¬تري است. در رهيافت اول، يك شبكه عصبي چند لايه براي مدل¬كردن شبكه خط لوله گاز به عنوان پلنت در حالت گذرا به كار مي‌رود و يك الگوريتم بهينه¬سازي هوشمند براي كمينه¬كردن خطاي كنترلي مورد استفاده قرار مي‌گيرد. در رهيافت دوم به جاي استفاده از بهينه¬ساز هوشمند از يك شبكه عصبي، براي كنترل پلنت استفاده مي¬شود. قدرت پيش¬بيني شبكه عصبي به منظور پيش¬بيني خروجي پلنت در يك افق پيش¬بين به كار مي‌رود. در ابتدا شبكه عصبي به صورت برون-خط آموزش مي‌بيند و وزن‌ها و باياس‌هاي آن به عنوان مقادير اوليه در آموزش بر-خط به كار خواهند رفت. راهبرد پيشنهادي از دو مرحله اصلي تشكيل شده است. در مرحله اول، نقاط تنظيم كمپرسور‌ها به صورت حلقه باز با در نظر گرفتن دبي پيش-بيني شده، در طول افق پيش¬بين، بهينه مي‌شوند و فشار‌هاي خروجي بدست آمده به عنوان مسيرهاي مرجع براي سيستم كنترل حلقه بسته انتخاب مي‌شوند. در مرحله دوم، كنترل¬كننده براي جبران نوسانات تقاضاي مصرف¬كننده¬ها اعمال مي‌شود. نتايج عددي، دقت و مقاوم بودن كنترل¬كننده‌هاي پيشنهادي در حضور نوسانات دبي مصرف¬كننده¬ها، نويز و عدم قطعيت‌ها را تاييد مي‌كند.

1399/10/08

Design of Nonlinear Predictive Controller for Optimization in Natural Gas Network

7/1/2020 12:00:00 AM

In gas pipeline networks, the set-points should be carefully tuned to minimize the fuel consumption of compressor stations and meet the network requirements. In practice, the real demand has some variations over the forecasted one. Consequently, utilizing an appropriate controller to minimize the fuel consumption and manage the network variations is inevitable. The model predictive control is a great choice for systems with long delay such as gas networks. In this thesis, a novel approach based on intelligent algorithms and three basic functions is proposed for modeling the transient state of gas pipeline networks. Using the proposed technique, each pipeleg is analyzed separately which speeds up the analysis. Also, two control strategies for the nonlinear model predictive control of a gas pipeline plant are proposed. The control of the network is carried out in two open loop and closed loop steps. In the open loop step, the fuel consumption of the compressor stations is optimized considering the known demand of the network. Then the output pressures are considered as the reference trajectories in the closed loop step. A novel approach is proposed based on metaheuristic algorithms for optimization of a gas pipeline network in fully transient conditions. The optimization is carried out by a straightforward methodology in each time sample, which leads to more precise solutions as compared to the quasi transient optimizations. In the first approach, a multi-layer perceptron neural network is used to model the gas pipeline network in transient state as the plant and an intelligent optimization algorithm is used to minimize the control error. In the second approach, instead of using an intelligent optimizer, a neural network is used to control the plant. The prediction power of the neural network is used to predict the plant output over a receding horizon. Initially, the neural network is trained offline and its weights and biases are used as the initial values in the online training. The proposed strategy consists of two main stages. In the first stage, the compressor set-points are optimized in the open loop condition considering the forecasted demand over a receding horizon and the resulting output pressures are chosen as the reference trajectories for the closed loop system. In the second stage, the controller is applied to compensate the demand variations. Numerical results confirm the accuracy and robustness of the proposed controller in the presence of demand variations, noise and uncertainties.