天然氣輸配網絡優化模型的可行性分析
中文題目：天然氣輸配網絡優化模型的可行性分析
論文題目：Feasibility Analysis of Optimization Models for Natural Gas Distribution Networks Using Machine Learning
錄用期刊/會議： Journal of Advanced Computational Intelligence and Intelligent Informatics (英文EI期刊)
原文DOI：https://doi.org/10.20965/jaciii.2025.p0614
原文鏈接：https://www.fujipress.jp/jaciii/jc/jacii002900030614/
錄用/見刊時間：2025年5月20日
作者列表：
1） 劉軍豪 中國石油大學（北京）自動化系 博24;
2） 高小永 中國石油大學（北京）自動化系 教師;
3） 陳曉政 中國石油大學（北京）自動化系 博22;
文章簡介:
針對天然氣管網調度模型復雜性增加導致可行性分析困難的問題，文章將可行性分析視為一個分類問題，開發并評估了傳統神經網絡（TNN）、并行分支神經網絡（PBNN）和圖神經網絡（GNN）三種模型。實驗表明PBNN展現出更優的分類性能，并引入了一種不可行案例的溯源診斷方法，為天然氣管網調度模型的快速可行性分析及溯源診斷提供了實用框架。
摘要:
隨著天然氣管網的不斷擴展，管道調度模型的復雜性隨之增加，使得可行性分析變得日益困難。在工程實踐中，判斷模型可行性及在模型不可行時識別沖突約束是一項耗時且具有挑戰性的任務，這限制了優化模型的實際應用。針對這一問題，本文提出將天然氣輸配網絡調度優化模型的可行性分析視為一個分類問題，并開發和評估了三種神經網絡模型——傳統神經網絡（TNN）、并行分支神經網絡（PBNN）和圖神經網絡（GNN）模型。通過兩個不同規模的天然氣網絡案例數據集進行訓練驗證，實驗結果表明PBNN模型性能最佳。此外，本研究引入了一種不可行性溯源診斷方法，為工程應用提供了實用框架。
背景與動機:
天然氣作為重要的低碳清潔能源，其消費量持續攀升，高效經濟的管道運輸是連接氣源與市場的關鍵。然而，隨著天然氣管網的擴展，調度優化模型的復雜性隨之增加，使得判斷給定調度方案是否可行以及識別不可行原因（即可行性分析）變得日益困難和耗時。
傳統的可行性分析方法依賴求解器的反復試錯或人工經驗，效率低下，難以應對大規模復雜管網。這一瓶頸嚴重制約了先進優化算法在實際調度中的應用，因為優化算法的前提是存在可行解。若無法快速判斷可行性并定位不可行原因，優化模型便難以有效落地。
因此，對優化模型進行快速、有效的可行性分析及不可行溯源診斷，對提升天然氣管網運營效率至關重要。本文針對此迫切需求，提出將天然氣輸配網絡調度優化模型的可行性分析問題轉化為一個分類問題，利用神經網絡模型快速判斷調度方案的可行性，并為不可行方案提供診斷思路，旨在為工程應用提供高效實用的解決方案。
設計與實現:
為解決天然氣輸配網絡調度優化模型的可行性分析問題，即判斷給定調度配置（由一組決策變量定義）是“可行”/ “不可行”的二分類任務，本文設計并實現了三種不同的神經網絡模型。這些模型均以代表管網各運行特征（如流量、壓力水平、組件容量）的數據作為輸入，通過多層處理特征數據，最終輸出配置可行或不可行的概率。具體模型結構如圖1所示：
圖1 三種神經網絡模型結構
實驗結果及分析:
為驗證所提三種可行性分析模型的有效性，本研究選取了13節點和131節點兩個不同規模的天然氣管網模型進行案例分析，旨在評估模型在不同數據集規模下的性能，并對預測為不可行的案例進行根本原因診斷。
以13節點案例為例（各模型性能指標見表1），PBNN模型表現最佳，其正確可行率（CF%）和正確不可行率（CIF%）均在90%以上，而過高估計可行區域百分比（NC%）和總錯誤率（Total error）接近0，表明該模型能準確逼近可行區域。TNN模型的性能優于GNN模型，但兩者均不及PBNN。
Table 1. 13節點案例中各模型性能指標
此外，為驗證模型診斷不可行根本原因的能力，本文結合性能最佳的PBNN模型，借鑒不可約不可行子系統（IIS）思想進行診斷，其具體流程如圖2所示。
圖2 不可行性溯因診斷流程
結論:
本文針對天然氣輸配網絡優化模型的可行性分析問題，通過將可行性分析視為分類問題，開發并評估了三種神經網絡模型：TNN、PBNN和GNN。實驗結果表明，PBNN模型在不同規模的天然氣管網案例中均表現出最佳的預測性能，能夠有效地界定參數空間內的可行邊界。此外，本文還提出了一種結合PBNN模型的不可行性溯源診斷方法，能夠快速定位導致模型不可行的關鍵組件，為工程應用提供了實用的洞察。然而，當前模型受限于管網拓撲結構，未來研究應致力于開發適用于不同拓撲結構的統一可行性分析框架，以提升模型泛化能力。
通訊作者簡介:
高小永，人工智能學院副院長，教授，博士生導師，石大學者，校青年拔尖人才，自動化專業及控制科學與工程學科建設負責人，擔任北京自動化學會常務理事、中國自動化學會過程控制專業委員會委員、中國自動化學會教育工作委員會委員、中國化工學會信息技術應用專業委員會副秘書長、中國系統工程學會過程系統工程專業委員會委員等。研究領域為復雜石油石化工業過程智能制造，主要方向有：機理與數據驅動的故障診斷、復雜工業過程建模與優化控制、工業過程計劃與調度優化等。主持國家自然科學基金項目2項、北京市自然科學基金面上項目1項、校企聯合項目30多項，發表SCI/EI等各類論文50多篇。
Email：x.gao@cup.edu.cn