کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8127789 1522986 2018 41 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A systematic hybrid method for real-time prediction of system conditions in natural gas pipeline networks
ترجمه فارسی عنوان
یک روش ترکیبی سیستماتیک برای پیش بینی زمان واقعی شرایط سیستم در شبکه های گاز طبیعی گاز
کلمات کلیدی
سیستم خط لوله گاز طبیعی، یادگیری عمیق، داده های رانده شده، تئوری کنترل ساختاری، پیش بینی زمان واقعی،
ترجمه چکیده
چارچوب فعلی مدیریت سیستم های خط لوله گاز طبیعی، بر اساس شبیه سازی خارج از خط، به دلیل پیچیدگی های فزاینده، عدم اطمینان و تعدادی از عوامل وابسته به زمان، با چالش مواجه است. برای موثر بودن، نیاز به دانش جامع از ویژگی های سیستم، شرایط اولیه و مرزی دقیق است. در تلاش برای دور زدن این مشکلات، در این کار ما پیشنهاد می کنیم از روش یادگیری عمیق در عملیات و سیستم مدیریت گاز طبیعی گاز استفاده کنیم. روش پیشبینی داده محور، از داده های زمان واقعی مصرف فشار و مصرف عمل می کند. به طور خاص، روش یادگیری عمیق با روش پنجره داده ها و نظریه کنترل ساختاری برای پیش بینی شرایط اجزای شبکه خط لوله گاز ترکیب شده است. روش پنجره داده ها برای بازسازی ساختار داده ها و ایجاد حافظه ای کاربرد دارد؟ برای روش یادگیری عمیق تئوری کنترل ساختاری برای استخراج پارامترهای مهم برای کاهش اندازه مشکل استفاده می شود. روش توسعه یافته امکان پیش بینی دقیق و کارآمد را فراهم می کند، به ویژه در شرایط غیر طبیعی. برای تظاهرات، این روش به یک شبکه خط لوله گاز پیچیده اعمال می شود. نتایج نشان می دهد که روش توسعه یافته می تواند پیش بینی های دقیق در زمان واقعی را برای کاهش تلفات بالقوه در عملیات مفید و مدیریت سیستم های خط لوله گاز موثر و موثر ارائه دهد. در مورد مطالعه، دقت پیش بینی میانگین بالاتر از 0.99 است.
موضوعات مرتبط
مهندسی و علوم پایه علوم زمین و سیارات علوم زمین و سیاره ای (عمومی)
پیش نمایش مقاله
یک روش ترکیبی سیستماتیک برای پیش بینی زمان واقعی شرایط سیستم در شبکه های گاز طبیعی گاز
چکیده انگلیسی
The current framework of management of natural gas pipeline systems, based on off-line simulation, is facing challenges because of the increasing complexity, uncertainty and a number of time-dependent factors. To be effective, it requires comprehensive knowledge of system characteristics, accurate initial and boundary conditions. In an attempt to circumvent these problems, in this work we propose to use the deep learning method in the natural gas transmission system operation and management context. A data-driven prediction method is developed from real-time data of operation pressure and gas consumption. Specifically, the deep learning method is combined with the data window method and structural controllability theory to predict the conditions of gas pipeline network components. The data window method is applied to reconstruct the data structure and build a “memory” for the deep learning method. Structural controllability theory is applied to extract critical parameters, for reducing the problem size. The developed method allows accurate and efficient predictions, especially in abnormal conditions. For demonstration, the method is applied to a complex gas pipeline network. The results show that the developed method can provide accurate real-time predictions useful for reducing potential losses in operation, and perform efficient and effective management of the gas pipeline system. In the case study, the average prediction accuracy is higher than 0.99.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Natural Gas Science and Engineering - Volume 57, September 2018, Pages 31-44
نویسندگان
, , , , , ,