基于人工智能技術的輸氣管道系統可靠性量化方法

朱汪友 侯 磊

1.中國石油大學（北京） 2.國家石油天然氣管網集團有限公司北方管道有限責任公司

0 引言

油氣管道是關乎國民經濟持續、穩定發展和人民生活的能源命脈。2017年印發的《關于深化石油天然氣體制改革的若干意見》，明確了油氣體制改革是包括上中下游全產業鏈的改革，其基本思路是“管住中間，放開兩頭”?！爸虚g”即管網輸送環節。油氣體制改革的目的是推進管輸環節公平開放，提升集約輸送和公平服務能力。在此背景下，國家石油天然氣管網集團有限公司（以下簡稱國家管網公司）于2019年12月9日正式組建成立，負責全國油氣干線管網的建設和調度運行。國家管網公司的成立有助于形成上游油氣資源多主體多渠道供應、中間統一管網高效集輸、下游銷售市場充分競爭的“X+1+X”油氣市場體系，提升了油氣資源全局優化能力及利用效率。

當前，國家管網公司所轄天然氣管道總里程約5×104km，“X+1+X” 油氣市場體系和橫跨東西、縱貫南北的“全國一張網”的天然氣干線管網運營機制逐步形成。但是，較之于其他世界主要經濟體，中國天然氣管網的系統冗余度小[1-3]，拓撲結構相對復雜、用氣不均衡性突出，導致天然氣保供狀態下部分管道所承擔的輸送任務極重，一旦出現局部失效，管網系統應對措施有限，天然氣管網系統的供氣安全與生產安全難以保障。供氣安全即管網系統有足夠的資源和輸送能力，保證在規定時間內能夠滿足用戶日常及用氣高峰需求；生產安全即管網系統中各組成部分的安全性處于可控、受控狀態，并確保在事故狀態下可以避免連鎖反應而不至于由此引發整個管網系統失控和大面積停輸[4]。

黃維和等[4-5]于2013年首次將可靠性理論、方法、技術體系創新性地與油氣管道行業運行特點及業務需求結合起來，以應對大型復雜管網的生產安全及供氣安全的挑戰——通過建立包含可靠性指標、可靠性計算模型、可靠性增強方法的技術體系從而實現可靠性閉環。該體系使用可靠性指標以明確管網系統可靠性的內涵和實質，建立可靠性計算模型以量化管網系統的可靠性、分析系統的薄弱環節，采用可靠性增強方法以使系統可靠性數值達到目標要求?？煽啃约夹g及管理有利于決策者從全局高度優化管網安全管理，以實現對全國管網系統可靠性信息的全面掌控與統籌管理。艾慕陽[1-2]基于黃維和等的研究，進一步細化了可靠性指標，提出了管網系統單元層級可靠性的相關函數。

艾慕陽[1-2]、黃維和等[4-5]及其他相關研究人員[6-8]將系統可靠性與管道行業的輸送特點結合起來，明確了由于輸送負荷不同，不僅有可能導致元件的工作條件變化，而且還有可能影響系統可靠性邏輯關系——可靠性邏輯關系因輸送負荷不同有可能會引入非線性，從而導致基于傳統的可靠性串聯、可靠性并聯及K/N決策系統等簡單可靠性邏輯在管道行業系統層級并不適用。因此，當前油氣管道業界對于輸送負荷的不確定性以及管網系統的可靠性開展研究已迫在眉睫。

天然氣管網系統作為點多、線長、面廣的開放式大系統，具有以下特點：①就管網物理本體而言，其途經復雜地質地貌地區，生態敏感點眾多、沿線人文社會環境復雜；②從供需角度來看，其資源多元化、市場分布廣；③從運行管理角度來看，其管輸不平衡性突出，同時面臨著多目標運行條件下的效率提升壓力；④更為重要的是，隨著上游資源多主體多渠道供應“X”的形成和對下游銷售市場充分競爭“X”的定位、認知，運行機制、運行平臺的逐步清晰和深化[3]，管網的運行及輸送負荷將面臨更大的不確定性。管網系統的可靠性是指其在給定的工作條件下、在給定的時間段內完成給定運輸任務的概率，因而短周期輸送負荷的變化、運行條件的不確定性都必然會帶來系統可靠性的變化。筆者認為，可以基于多源異構海量數據（大數據）的采集、預處理、分析，創新性地應用人工智能技術開展模擬及預測分析，以降低管網系統的不確定性，以期為解決“全國一張網”大背景下的天然氣管網系統可靠性計算及分析難題提供一種新方法。

覃偉中[9-10]等基于九江石化智能化建設成果，通過將新一代信息技術與工業業務結合，為解決不確定性問題探索出了一條成功之路。唐善華等[11]基于多源多維度復雜的工業數據，采用數據處理技術和人工智能領域的深度學習算法用于解決管網短周期消費量預測、實時平衡分析及監控、運行方案推薦等生產需求。通過工業實踐充分證明了人工智能技術由于其自身特點可以有效應對大型復雜系統的不確定性問題。

為了保障“全國一張網”的天然氣干線管網運營機制以及上游油氣資源多主體多渠道供應、中間“一張網”高效集輸、下游市場化良性競爭油氣市場體系（“X+1+X”體系）的安全穩定運行，筆者首次提出了基于人工智能技術的天然氣管道系統可靠性量化方法，通過采用長短期記憶神經網絡（LSTM）方法進行短周期用氣量預測；短周期用氣量確定后，管道的輸送負荷也隨之確定，在給定時間內，管道系統的運行條件也隨之相對確定。因此系統生產運行的不確定性大大降低，從而保障了可靠性計算結果的正確性及適用性。本文依次介紹了天然氣管道系統可靠性模型、天然氣管道系統可靠性計算方法、實際應用案例及結論。

1 天然氣管道系統可靠性模型

管道系統可靠性量化方法是管網系統可靠性計算的基礎，也是量化全國管網的可靠性、分析其系統薄弱環節、采取管理及技術措施進行可靠性增強的前提。管道系統可靠性模型從數學上展示了管道系統可靠性與其輸送壓力及用戶需求量的相關性。因此，筆者采用了LSTM方法對短周期用氣量進行預測，通過采用貝葉斯理論、“N–1原則”及預測的用氣量數值，提出了量化管道系統可靠性的方法，并且選擇實際天然氣管道對所提出的方法進行了驗證。

20世紀30年代末，系統可靠性研究正式被提出，航空航天、電力系統、電子工業等領域較早引入可靠性技術，形成了多種可靠性理論和計算方法，如故障樹結構的事故分析技術、事件樹結構的可靠性分析技術、Bayesian方法、系統可靠性快速評估法、可靠性計算的遞推法、系統可靠性蒙特卡羅（Monte Carlo）仿真算法等?？煽啃杂嬎闶强煽啃约夹g的核心，目前常用的兩種基本方法分別是解析法和Monte Carlo模擬法。

解析法[12-14]主要通過對產品性能、工況及故障等數據進行統計分析，利用系統結構、元件功能及兩者之間的邏輯關系（如串并聯系統、K/N系統等），建立可靠性框圖及概率模型，通過遞推和迭代等過程對模型精確求解，從而計算可靠性指標。該方法的優點在于采用精確數學模型、計算準確度較高，但對于復雜系統，解析法計算維度大，并且為了獲得解析模型通常都需要對系統實際條件作較多的簡化。因此其應用受到較大的限制。

Monte Carlo模擬法[15]是一種以概率統計理論和方法為基礎的數值計算方法，與故障樹分析技術相結合，可以對系統進行有效的可靠性分析計算。該方法采用數值計算方法模擬實際過程，并從大量模擬試驗結果中統計系統可靠性指標。模擬法不需要對實際問題作過多的簡化和假設，但計算精度相對較低。

傳統可靠性理論中，系統只有正常工作和完全失效兩種狀態。系統可靠性函數可退化為僅與時間相關的狀態函數，計算過程得以大大簡化，通常稱之為基于極限狀態的可靠性函數計算方法。無論是解析法還是Monte Carlo模擬法，基本上針對的都是系統額定工況。

然而，如前所述，對于在較寬工況范圍內可以長期穩定運行的輸氣管網系統而言，僅表述單一工況是不夠的。這樣既沒有顧及管網運行工況差異，也不能表達管網的能力變化。特別是冬季天然氣保供期內，部分管道管輸負荷極大，導致管網整體輸送不平衡性突出。依據定性分析結果可知，在壓力、輸量等工藝參數動態變化的情況下，管網系統各組成部分可靠性數值有變化。因此管網系統可靠性技術及管理需將短周期負荷變化納入可靠性計算分析的范疇中，統籌考慮管網輸量與安全性。本文重點研究單條天然氣管道系統的可靠性，進而為天然氣管網系統的可靠性計算分析奠定技術基礎。

單條管道系統的可靠性模型如圖1、2所示，為了不喪失代表性和一般性，可以假設用戶在系統末端，圖1、2中的STi、Pi分別代表第i個站、第i個管段，站及管段在文中統稱為“子系統”。

圖1 天然氣管道系統拓撲結構示意圖

圖2 單條天然氣管道系統可靠性框圖

可靠性計算的基本原則如下：

1）“N–1原則”，當子系統失效個數大于1時，系統應被視為失效狀態，即N–1原則。采用N–1原則，可以避免大量的計算成本和額外數據需求。

2）若最后一個管段Pn－1或最后一個站STn失效，則認為系統失效。

此外，由于系統的可靠性與上述運輸功能有關，因此應滿足以下條件：①如p≥psev，則系統供氣正常；②如p＜pmin，系統的供氣不符合用戶需求；③如pmin≤p＜psev，系統進行部分供氣。

式中Qavl表示實際輸送能力，Nm3/s；p表示當前（給定）運行壓力，MPa；pmin表示城市門站所需的最低供氣壓力；psev表示正常輸送壓力，MPa；Qreq表示用戶要求的輸量，Nm3/s。

2 天然氣管道系統可靠性計算方法

2.1 基于大數據及人工智能技術的天然氣輸量預測模型

天然氣用戶用氣量預測是典型的時間序列問題，對其進行預測的傳統模型包括兩類：①以自回歸積分滑動平均模型為代表的傳統時間序列；②機器學習模型，如使用BP神經網絡、支持向量機（SVM）等進行預測。傳統機器學習算法模型復雜度低，難以加入時間序列維度信息，預測準確度相對較低。因此，近年來多采用遞歸神經網絡（RNN）類模型來對天然氣管網的日（小時）輸量進行預測。該方法隱藏層神經元之間帶權重數值，隨著序列推進，前隱藏層將會影響到后隱藏層，因而可以對時間序列信息進行表達。然而標準RNN模型隨著序列的逐步推進，會存在梯度消失現象，即不同隱藏層雖然存在過去時刻對當前時刻的影響，但隨著時間跨度變大上述影響會被削弱。因此業界提出了基于RNN的改進模型，長短期記憶神經網絡（LSTM），以確定過去信息對當前信息的影響。

對應迭代公式如下：

式中向量O表示輸出層的值；V表示隱藏層到輸出層的權重矩陣；向量S表示隱藏層的值；U表示輸入層到隱藏層的權重矩陣；向量X表示輸入層的值；W表示隱藏層上一次的值作為本次輸入的權重矩陣；下標t表示時間。

2.1.1 數據采集

天然氣輸量預測的所用數據來源于管道基礎數據、時間序列數據、運行報表數據、數據采集與監視控制系統（SCADA）實時數據、仿真模擬計算數據、管道生產系統（PPS）的日運行數據、氣象數據、非結構化數據（表1），特征數據來源于節假日信息及歷史天氣數據和預報數據。

表1 用于天然氣輸量預測的基礎數據分類表

表1中的SCADA實時數據通過中間數據庫獲取，氣象數據獲取自氣象大數據服務商的API，氣源及輸量數據自PPS系統獲取。上述數據中既有實時動態數據，也有靜態數據，既包括結構化數據，也包括非結構化數據，屬于典型的多源異構海量大數據范疇。

2.1.2 實驗方法

LSTM數據輸入的數據格式為NF矩陣加上時間軸后的數據立方體，即時間軸上的切片，第一、第二、第三維度分別為樣本數、時間及特征數。

上述數據集是一個多元時間序列數據集，描述城市指定時間內的用氣量。本文用氣量數據時間跨度為2021年1月至2021年7月。歷史天氣數據從天氣運營商提供的API服務中獲取，通過自定義及開發程序將各數據通過日期聚合在一起，形成的基本數據集包括時間（日期）、日用氣量（小時用氣量）、日最高溫度、日最低溫度、是否節假日、風力、風向、天氣狀態、空氣質量、濕度等。采用訓練參數如下：特征維數為9，隱藏層神經元個數為256， LSTM 堆疊的層數為10。

模型訓練后，日用氣量最終損失曲線的累積損失誤差達到了收斂條件。選取某天然氣管道從2021年1月1日至2021年7月11日共計192天真實日用氣量數據中的前186天的日輸量作為訓練數據，最后6天作為測試數據，采用LSTM方法進行預測比較，實驗結果如圖3、4所示。從圖3、4中可以看出，訓練數據與預測結果基本無誤差，真實數據（測試數據）與使用人工智能算法計算結果的平均誤差約為4%，最小誤差小于1%，滿足了工業化應用的要求。

圖3 日用氣量訓練數據驗證圖

圖4 日用氣量預測值與真實值對比圖

日用氣量數據的數據樣本因工業數據采集系統存儲容量及策略的原因相對較少，因而選取了小時級的用氣量數據對本文所提出的方法進行再次驗證。通過選取某天然氣管道從2021年1月1日至2021年7月11日總計4 608 h（192天）用氣量數據中的前4 584個樣本作為訓練數據，后24個數據作為測試數據，采用LSTM方法進行預測比較，實驗結果如圖5所示。從圖5可以看出，真實數據（測試數據）與使用人工智能算法計算結果的平均誤差約為2%，最小誤差小于0.1%，數據樣本的大幅度增加有效提升了應用效果。

圖5 小時級用氣量預測值與真實值對比圖

LSTM模型的初始參數如下：特征維數為9，隱藏層神經元個數為256， LSTM 堆疊的層數為10，一次性輸入的訓練序列數為20（向量數據），初始誤差為6.9%。LSTM的輸入為4 584個樣本，輸入特征向量為溫度、風力、天氣狀態、PM2.5濃度、節假日、用氣量等數據，輸出為24個預測數據。

2.2 天然氣管道系統可靠性計算

2.2.1 貝葉斯理論及其在可靠性計算中的應用

貝葉斯技術因其兼容隨機變量的不確定性和相關性，可以彌補傳統可靠性評估方法的不足[16-19]。由于貝葉斯網絡結構的特點和雙向推理的優勢，在進行系統可靠性研究中，可以直接計算一個元件或多個元件故障對系統故障的影響，以及系統故障條件下元件的故障概率，避免了最小割集及重要度計算。

貝葉斯網絡是一個有向無環圖（DAG），它由代表變量的節點及連接這些節點的有向邊構成。其中節點代表論域中的變量，有向弧代表變量間的關系（影響概率），通過圖形表達不確定性知識，通過條件概率分布（CPD）的注釋，可以在模型中表達局部條件的依賴性。按照貝葉斯公式給出的條件概率定義：

式中P(A/B)表示后驗概率；P(B/A)表示似然率；P(A)表示后驗概率；P(B)表示先驗概率。

假設A是一個變量，存在著n個狀態a1,a2, …ai, …,an，則由全概率公式可以得出：

從而根據貝葉斯公式算出后驗概率P(A/B)。貝葉斯網絡不但可以實現正向推理，由先驗概率推導出后驗概率，即由原因導出結果，還可以利用公式由后驗概率推導出先驗概率，即由結果導出原因。

貝葉斯方法多用于評估油氣管道腐蝕可靠性、結構可靠性和管道剩余壽命分析。CHEN[20]、張杰等[21]基于貝葉斯理論對腐蝕管道可靠性評價進行了研究，提出小樣本條件下管道腐蝕、結構可靠性的貝葉斯推斷法。

2.2.2 元件（組件）可靠性計算

管網系統可靠性指標是開展天然氣管網系統可靠性評價的前提，其所考量的可靠性指標又可以進一步細分為管網系統、管道系統、站場及單元層級，單元層級則包括管段、壓縮機組、閥門、工藝管道等各級系統的主要組成要素。

管網系統單元眾多，應根據不同特點選擇不同的可靠性計算方法來計算其可靠度。如針對含缺陷管道和埋地懸空管道的斷裂失效模式，結合受力特征，采用蒙特卡洛模擬方法計算其可靠度；針對管段第三方破壞，采用故障樹分析方法，從管道遭受第三方破壞活動沖擊概率和沖擊力作用下管道失效概率兩個方面，建立了可靠度計算模型。需要說明的是，目前各單元可靠性模型的使用條件均是在指定工況條件下，即壓力、流量、溫度均為定值[22-25]，但對于在較寬工況范圍內可以長期穩定運行的大型油氣管網系統而言，僅表述單一工況是不夠的，未來尚需逐步研究將可靠性函數的“規定條件”和“規定功能”由單一狀態拓展為選定區間，即壓力、流量、溫度在某區間內變化。

采用基于典型結構的“分布式階梯式”站場可靠度計算模型，將站場模型（壓氣站、聯絡站、分輸站3種類型）分為站場、典型結構、基本回路及設備單元4個層級進行建模，建模時采用模塊化建模的方式。站場可靠度計算流程如圖6所示?；赟CADA或仿真系統的輸送狀態，可得出各模塊的可靠性邏輯計算模型。設備單元可靠度需結合設備單元的運行參數（從可靠性數據庫中獲?。┻M行計算。

圖6 站場可靠度計算流程圖

可靠性計算所需數據及數據傳遞關系如圖7所示。首先，可靠性數據庫從其他信息系統，如資產完整性系統（PIS）或管理信息系統（ERP）獲取可靠性相關數據信息，缺失數據通過單元可靠性的研究成果補充。同時從SCADA中獲取每個設備的歷史工作區間。其次，計算引擎從仿真/SCADA系統獲取單元當前運行工況（p、Q、T）并從可靠性數據庫中調取單元在此運行狀態下的可靠度數值。

圖7 各系統間數據傳遞關系圖

2.2.3 管道系統可靠性計算

假設第i個站的可靠性用表示RSTi，第i個管段的可靠性用RPi表示，單個管道系統的可靠性用RS表示。根據貝葉斯理論，系統的可靠性應由式（5）計算：

基于貝葉斯理論的特性，式（5）為系統可靠性的所有可能方案的解空間。

考慮N–1原則，則只需計算如下2個事件的發生可能性及其對應的可靠性。

2.2.3.1 事件1，所有子系統均為正常狀態

該條件下事件發生的可能性及對應的可靠性可通過下式計算：

2.2.3.2 事件2，只有一個子系統處于失效狀態

該事件又可細分為以下3類：

1）最后一個站或最后一個管段發生故障，則系統無法完成輸氣任務，因此系統的可靠度為0。

2）僅第i個站失效：在T時間段內，當第i(1＜i＜2n–2)個站失效時，假設失效時間為Ti(0≤Ti≤T)。由于第i個站失效，系統壓力p發生變化，其他子系統的可靠度也變化為

若系統壓力p滿足pmin≤p＜psev，由于管道系統的自身儲氣能力，系統能夠持續輸送氣體的時間為Ti1(0≤Ti1≤Ti)，則系統可靠度為：

在時間段Ti2內，Ti2(0≤Ti2≤Ti)，Ti1+Ti2=Ti。元件i繼續失效，供氣不足或壓力過小不能輸送，可靠度為0。

3）僅第i個管段失效：如果系統壓力p滿足p≤pmin＜psev，由于管道系統的儲氣能力，系統可以持續輸送氣體的時間為Ti1(0≤Ti1≤Ti)，則系統可靠度：

在時間段Ti2內，Ti2(0≤Ti2≤Ti)，Ti1+Ti2=Ti，元件i持續失效，供氣不足，系統可靠度為0。

3 實際應用案例

為驗證本文所提出方法的可靠性，選取了一條真實的天然氣管道進行實用性分析，該管道系統由12個站點、41個閥室和5個管段組成（圖8）。

圖8 實際應用天然氣管道示意圖

3.1 元件可靠性計算結果

閥門、壓縮機、過濾器的可靠性分別為0.996 94、0.955 30、0.906 00。其中閥室的可靠性可通過使用串并聯系統可靠性模型計算獲得。

式中RVS表示閥室的可靠度；Rf表示組成閥室的閥門的可靠度。

站場可靠度計算采用基于典型結構的“分布式階梯式”站場可靠度計算模型，將站場模型分為站場、典型結構、基本回路及設備單元4個層級，壓氣站、聯絡站、分輸站3種類型進行建模。以壓氣站為例進行說明，如圖9所示。

圖9 壓氣站場可靠性框圖

計算步驟：①基于進、出站部分的可靠性邏輯結構，采用串并聯模型進行計算；②過濾分離部分采用并聯模型進行計算；③壓縮機組部分采用k/N系統計算；④站內工藝管道基于故障率進行計算。

壓氣站場可靠度模型由進站部分、過濾分離部分、壓縮機組部分等組成的串聯模型。根據串聯系統可靠度計算模型可以計算其可靠度。同理可以進行分輸站、聯絡站等站場可靠度計算。

k/N系統由n個元件組成。當n個元件中至少有k個元件正常工作時，系統才算正常工作，即失效的部件數小于等于n－k時，系統正常工作。當系統中失效的元件數大于n－k時系統失效。其可靠度計算公式為：

式中RS(t)為壓縮機組可靠度；P為每臺壓縮機正常工作概率；q為每臺壓縮機的失效概率；q+P=1。

3.2 子系統可靠性計算結果

根據輸送方案和設備單元可靠度信息如表2所示，基于站場典型結構，在不同運輸工況下，基于智能化仿真技術，計算天然氣干線管道各站點的可靠度結果（表3）。

表2 站場設備可靠性信息統計表

表3 各站點可靠度計算結果表

管段的可靠度可以綜合考慮各外部因素對其安全可靠性的影響（表4），即：

式中RP表示管段可靠度；Rthirdparty表示管段第三方破壞可靠度；Rcorrosion表示腐蝕可靠度；Rgeologicaldisaster表示地質災害可靠度。

3.3 天然氣管道系統可靠性計算結果

由所選天然氣管道系統在不同運行條件下的系統可靠性（表5）可以看出，不同運行條件下，系統的可靠度數值也隨之改變。當冬季天然氣保供時，由于用氣量預測模型計算出系統輸量，系統運行狀態也隨之改變，可靠度數值也對應改變。

表5 不同運行條件下的系統可靠度統計表

4 結論

1）根據天然氣“全國一張網”互聯互通“十四五”建設規劃，預計到2025年，中國將形成合計長度達16.3×104km的天然氣大管網。同時，隨著市場化運行機制的不斷深化及天然氣管網數字化、網絡化、智能化的持續發展，天然氣管網這一開放式大型復雜系統將有可能面臨更多的技術挑戰，包括管網基礎設施的安全可靠性、復雜多變的外部運行環境、特殊事件的沖擊及各層面的不確定性?？陀^上需要借助人工智能技術、大數據分析及可靠性技術來量化管網系統可靠性。通過將人工智能技術應用于天然氣管道系統可靠性計算，可以為量化全國天然氣管網的可靠性探索出一條可行的技術路徑，從而為分析系統薄弱環節、采取管理及技術措施以增強可靠性的奠定基礎。

2）國家管網公司積累了海量的實時數據、歷史數據、性能監測數據、仿真結果數據及管理數據，管網系統的生產運行數據具有較強時序性、數據關聯性強，可以采用LSTM等人工智能技術基于管網系統自身數據及其他相關數據中挖掘出更多有價值的信息，為管網運行決策提供技術支持。

3）本文所提出的基于人工智能技術的管道系統可靠性計算方法，可以逐步與基于物理機理的在線仿真工藝預測結合，將能夠自動預測天然氣管網未來工況（如資源及銷售、關鍵節點壓力及用戶用氣量等），探索管網在安全約束下的智能運行，為中國管道行業最終實現有監督條件下的自適應運行提供安全監測、預測等方面的技術支持及保障。