基于蚁群算法的油气管道预警系统优化研究.pdf

第 5 O卷第 1 期 2 0 1 4 年 2 月 石油化工自动化 AUTOMATI ON I N PE TR CHEMI CAL I NDUS TRY Vo L 5 0，No ． 1 Fe b r u a r y ，2 0 1 4 基于蚁群算法 的油气管道 预警系统优化研究 李明鑫 ， 王岳 ， 张月 ， 史俊杰 辽宁石油化工大学 石油与天然气工程学院， 辽宁 抚顺 1 1 3 0 0 1 摘要 油气管道预警系统的可靠性是实现整个系统稳定性的重要环节之～。分析了油气管道预警系统的结构， 利用蚁群算 法， 可得到预警系统各设备故障概率 ， 并在专项经费一定的情况下， 对系统安装并联备用设备， 同时进行优化研究。结果表明 采用蚁群算法优化预警设备可实现整个 系统投资小 ， 提高可靠性 ， 从而提高了管道安 全级别 。 关键词 蚁群算法油气管道预警系统故障率优化 中图分 类号 T P 2 7 3 ． 2 3 文献标志码 B 文章编号 1 0 0 7 7 3 2 4 2 0 1 4 0 1 0 0 2 3 0 3 Opt i m i z a t i on St u dy o f Oi l a nd Ga s Pi pe l i ne Ea r l y Al a r m i ng S y s t e m Ba s e d o n An t Co l o n y Al g o r i t hm L i Mi n g x i n ， Wa n g Yu e ， Z h a n g Yu e ， S h i J u n j i e P e t r o l e u m a n d Na t u r a 1 Ga s En g i n e e r i n g Co l l e g e ， Li a o n i n g S h i h u a Un i v e r s i t y ，F u s h u n， 1 1 3 0 0 1 ，Ch i n a Ab s t r a c t Th e r e l i a b i l i t y o f o i l a n d g a s p i p e l i n e e a r l y wa r n i n g s y s t e m i s o f g r e a t i mp o r t a n c e t o r e a l i z e wh o l e s y s t e m s t a b i l i t y ．Th e s t r u c t u r e o f o i l a n d g a s p i p e l i n e e a r l y a l a r mi n g s y s t e m i s i n v e s t i g a t e d ．Th e p r o b a b i l i t y o f e a c h e q u i p me n t f a i l u r e i n wa r n i n g s y s t e m c a n b e a c q u i r e d t h r o u g h a n t c o l o n y a l g o r i t h m． Th e p a r a l l e l s p a r e e q u i p me n t c a n b e i n s t a l l e d a n d o p t i mi z e d u n d e r c e r t a i n s p e c i a l f u n d s ．Th e r e s u l t s h o ws o p t i mi z a t i o n o f e a r l y wa r n i n g e q u i p me n t wi t h a n t c o l o n y a l g o r i t h m c a n a c h i e v e o v e r a l l s y s t e m r e l i a b i l i t y ma x i mi z a t i o n wi t h s ma l l i n v e s t me n t t o i mp r o v e p i p e l i n e s a f e t y l e v e 1 ． Ke y wo r d s a n t c o l o n y a l g o r i t h m ；o i l a n d g a s p i p e l i n e ；e a r l y wa r n i n g s y s t e m ；f a u l t p r o b a b i l i t y ； o p t i m i z a t i o n 油气管道应急系统对于管道安全稳定运行至 关重要 ， 而管道预警系统又是应急系统的一个重要 环节 。 随着仿生学和计算技术的不断发展 ， 形成 了一 系列智能优化方法。目前应用较广的主要有遗传算 法、 神经网络、 微粒群算法、 蚁群算法等， 其中蚁群算 法是一种新型的群智能理论模拟算法 J ， 虽然该方 法的研究时间不长 ， 但现有的研究表 明 蚁群算法 在求解复杂动态规划 问题 ， 特别是离散型规划 问题 方面具有一定的优势， 是今后极具发展前景的优化 算法。笔者系统分析 了油气管道预警系统的结构 ， 并借助蚁群算法， 得到预警系统各设备故障概率， 在 专项经费一定 的情况下， 对系统安装并联备用设备 进行优化研究， 实现整个系统的可靠性最大化。 1 蚁群算法基本原理 蚁群算法 An t C o l o n y Op t i mi z a t i o n 又称 蚂 蚁算法 ， 是一种用来在 图中寻找优化路径 的几率型 算法。其灵感来源于蚂蚁在寻找食物过程中发现路 径的行为， 即观察真实蚂蚁的行为， 建立起相应的行 为模型 ， 然后将这些模型用于设计新的算法 ， 以解决 优化问题、 离散控制以及聚类等相应的问题。蚁群 算法在解决组合优化问题中取得了一系列较好的实 验结果 ， 因而该算法逐渐引起 了研究者的注意， 并 将其应用到实际工程问题中_ 5J 。如蚁群算法在解 决 TS P、 指派以及车 间调度 等离散领域优 化问题 有着 自身的优势 ， 并取得了很大的进展与收获 J 。 1 ． 1 蚁群算法数学模型概述 设 ， 为 t 时刻路径 ， 上的信息素浓度， 稿件收到 日期 2 0 1 3 0 5 2 9 ， 修改稿收到 日期 2 0 1 3 1 0 3 1 。 作者简介 李 明鑫 1 9 8 6 一 ， 现就读于辽宁石油化工大学油气储运 工程专业， 在读硕士研究生。 学兔兔 w w w .x u e t u t u .c o m 2 4 石油化工 自动化 第 5 O卷 b 为 t 时刻位于城市 i的蚂蚁数 目， r n为蚁群 中 蚂蚁的总数 目， 即 一∑b ， t ， 为 TS P规模 ， 即 城市的数 目。初始时刻各条路径上信息素浓度 相 等 ， 设 r i ， ￡ 一c o n s t 为常量 。 蚂蚁 k 走 一1 ，2 ，⋯， 在运动过程中， 根据 各条路径上的信息素浓度决定其转移方向。这里 用禁忌表 t a b u 是 1 ，2 ，⋯， 来记录蚂蚁 k当 前所走过的城市， 集合 t a b u 随着进化过程作动态 调整。在搜索过程中， 蚂蚁根据各条路径上的信息 素浓度及路径 的启发信 息来计算状 态转移概率 。 P ， ￡ 表示在 t 时刻蚂蚁 k由城市 i转移 到城市 的状态转移概率 f ] [ 讯 ￡ 量 [ [ ] l 0， ，若 ∈a l l o w e d k 1 否则 式 中 a 1 l o we 一蚂 蚁 k下 一 步 选 择 的 城 市 ； a 信息启发式因子 ， 表示 轨迹 的相对 重要性 ， 反 映了蚂蚁在 运动 过程 中所积 累 的信 息在 蚂蚁 运 动时所起 的作用 ， 其值越 大 ， 则该 蚂蚁 越倾 向 于选择其他蚂蚁经过的路径， 蚂蚁之间的协作性 越 强 ； 一 期望启发 式 因子 ， 表示 能见度 的相 对 重要性 ， 反映了蚂蚁在运动过程 中启发信息在蚂蚁 选择路径时受重视的程度 ， 其值越大 ， 则该状态转 移概率越接近于贪心规则 ； ￡ 与路径 ， J 相关联 的启 发 式信 息 值 。对 于 T S P， 其 表 达 式 如下 2 n 式中d 相邻 两个 城市 i和 J之 间 的距 离。 对于蚂蚁 k而言 ， d ， 越小 ， 则 越大， ￡ 也 就越大。显然 ， 该启发函数表示蚂蚁从城市 i 转移 到城市 的期望程度 。 为了避免残留信息素过多引起残留信息淹没 启发信息 ， 在 每只蚂蚁走完 1步或者 完成对所有 个城市的遍历 也 即 1 个循环结束 后 ， 要对残 留 信息进行更新处理， 由此 ￡ 时刻在路径 ， 上 的信息素可按照如下规则进行调整 r ￡ 一 1一 l0 ， ￡ △t ， ￡ 3 A r ￡ 一∑△ r ￡ 4 k一 1 式中 lD 一 一 信息素挥发系数， 则 1 ～l0 表示信息素 残留因子， 为 了防止信 息的无 限积累 ， P的取值 范 围为 [ 0 ， 1 ] ； Ar i j 该次循环 中路径 ， j J 2 的信息素增量 ， 初始时刻 Ar l ， ￡ 一o ； △r ， 第 k只蚂蚁在该次循环中留在路径 ， 上的信息 素量 。 1 ． 2 预警系统故障诊断 任何设备在发生状况时， 其输入或输 出信号将 表现出与正常运行不同的特征 ， 因而故障识别可转 化为对设备运行状态特征聚类的问题 ] 。设 F一 { F 』 F 一 f i ， f i 2 ， ⋯ ， f i ， 一 1 ，2 ， ⋯ ，N} 5 式中 F 待进行分类的数据特征 ； 数据特 征个数 ； N数据总数 。 1 将 N 个 数 据 各 自聚 为一 类 ， 即 C ， C2 ，⋯ ，CN 。 2 类 C ，C ， 之间的距离按式 6 计算 厂 一 f √ c z 一 6 c 一 1 ， F 1 N cj一 式 中 d ， 欧式空间距离 ； C ，C ， 一 类 i ， J的 中心向量 ； N ， N 类 i ， J中数据总量。 3 信息素浓度计算 设 r 为聚类半径， ￡ 为 t 时刻路径 ， 上的信息素浓度， 即 f 一j ≤ 7 一 1 0 4 计算归并概率 。当 d ， ≤r时 ， 若类 i ，J的 属性 是的距离 d ， J ， 志 ≤ 走 时 注 是 为 足 类 属性 的最 小距 离 ， 直 接 归并 ， 否则 计算 归并 概率 P ， 一 卫 8 ∑[ r ￡ ] 。 ． [ ] 式中 S 到第 J类距离小于等于 r的所有类 的 集合 ， S { S l d ， ≤ r ，S 一 1 ，2 ，⋯， 一 1 ， J 1 ，⋯ ， M} ， 其 中， S 代表某一类 号， M 为 当前总 的 类的数 目。 5 判断初始给定的概率 阈值 ， 并按照式 3 ～ 4 计算聚类中心 t 到 t 1时刻， 有 q只蚂蚁选择 路径 ， J 时的信息素变化量及信息素挥发率。 6 判断是否归并， 若无归并， 停止循环， 否则 继续执行式 6 ， 这样就可 以得到每个 设备发生故 障的次数 。 学兔兔 w w w .x u e t u t u .c o m 第 1 期 李明鑫等．基于蚁群算法的油气管道预警系统优化研究 2 5 1 ． 3 预警系统可靠性优化研究 由 1 ． 2节可计算出预警系统各设备故障概率 ， 现要求在专项经费一定的情况下， 对系统安装并联 备用设备， 使整个系统可靠性最大， 此类问题可归 结为典型的背包问题 j 。这里仍采用蚁群算法 对设备购置进行最优决策 。 分析可知 该 问题在数学上可归动态规划 问 题 ， 假设要购买 m类 台备用设备 m0 ， C O ， i 一1 ，2 ，⋯， ， 专项经费为 0 ， 如何购买设 备， 使其在经费一定的情况下， 可靠性最大， 该问题 的数学模型为 m ax∑ 1 一 叫 z j r ／ _ 5 卜 1 9 i 一 1 s t ． ∑z ≤ 1 o 式 中 z 第 i 阶段购买 的设备数 ； S i 第 i 阶 段的可用资金。 2 算例仿真及结论 以某长输管道预警系统为例 ， 整个系统由近端 适配器 A、 主控仪器 B和终端管理器 C二部分组 成， 如图 1 所示。任一设备发生故障， 均会使整个 系统受到严重影响 ， 现决定对每台设备配置并联备 用设备， 以增加其 可靠性。每台设 备单价分别 为 2 ， 3 ， 1万元 ， 可用专项经费 1 0万元 ， 在根据统计资 料进行预警系统故障排查时， 选取信息素的挥发率 为 0 ． 7 ， 蚁群数为 1 O ， 迭代 1 0 0 次； 在计算最优设备 配置决策时， 选择信息素的挥发率为 0 ． 5 ， 蚁群数 为 1 0 ， 迭代 1 0 0次 ， 计算结果见表 1所列 。 图 1 油气管道预警系统示意 表 1 给出了油气管线预警系统设备优化结果， 可以看出， 终端管理器 的故障率相对最大 ， 近端适 配器次之， 主控仪器最小； 在专项经费一定的情况 下， 购买 2 台设备 A， 1 台设备 B ， 3台设备 c为最 优购买决策， 此时系统的可靠性概率为 0 ． 6 8 2 ， 采 用蚁群算法优化预警系统是可行的。 表 1 计算的最优结果 排查设备故障概率 最优分配金额／ 万元 最优配备设备数量／ 台 最优决策下的可靠性概率 O．3 0 ．2 4 3 2 1 0． 68 2 3 结束语 1 蚁群算法对优化问题的数学模型没有具体 要求 ， 只要是能够显式表达 ， 就能够正确求解 。所 以， 应用蚁群算法求解油气管道预警系统各设备故 障概率 ， 计算速度快 ， 且易于实现。 2 针对油气 管道预警系统的优化 问题 ， 结合 算例仿真计算和分析表明， 在专项经费一定的前提 下， 通过计算设备故障率来选取最优设备配置决 策， 能够达到投资最小化， 同时实现整个系统的可 靠性最大化。 参考文献 [ 1 ] 朱小华， 杨骏． 天然气长输管道应急救援系统开发研究E J ] ． 天然气 与石油 ， 2 0 0 9 ， 2 7 O 2 3 8 4 1 ． [ 2 ] 董先聚． 管道燃气企业的危机管理[ J ] ． 煤气与热力， 2 0 0 9 ， 2 9 1 03 43 5 ． [3] 陈建 军．蚁群算法在物流配送 路径优化 中 的研究 E J ] ． 计算 机仿 真 ， 2 0 1 1 ， 2 8 O 2 2 6 8 2 7 1 ． [ 4 ] 张颖 ， 周韧， 钟凯． 改进蚁群算法在复杂配电网故障区段定 位中的应用 E J ] ． 电网计算 ， 2 0 1 1 ， 3 5 0 1 2 2 4 2 2 8 ． [ 5 ] 毋玉芝， 周超． 蚁群算法及其在求解优化问题中的应用[ J ] ． 科技信息 ， 2 0 0 7 3 1 9 ， 6 9 ． [ 6] DO RI G O M， MANI E Z Z O V，C OL ORNI久 An t S y s t e m．． O p t imi z a t i o n b y a C o l o n y o f C o o p e r a t i n g A g e n t s [ J ] ． I E E E Tr a n s a c t ion s o n S y s t e ms ，Ma n，a n d Cy b e r n e t i c s _ Pa r t B， 1 9 9 6，2 6 0 1 2 94 1 [ 7 ] 白士红， 唐辉辉． 蚁群算法在故障诊断中的应用E J ] ． 中国工 程机械学报 ， 2 0 1 0 ， 8 0 4 4 6 6 4 6 9 ． [ 8 ] 杨淑莹． 模式识别与智能计算[ M] ． 北京 电子工业 出版 社 ， 2 0 0 8 ． [ 9 ] 刘华蓥， 林玉娥， 刘金月． 基于蚁群算法求解 0 ／ 1 背包问题 [ J ] ． 大庆石油学 院学报 ， 2 0 0 5 ， 2 9 0 3 5 9 6 2 ． [ 1 O ] 胡小兵 ， 黄 席樾． 基 于蚁群 优化算 法 的 0 1背包 问题求 解 【_ J ] ． 系统工程学报， 2 0 0 5 ， 2 5 0 5 5 2 0 5 2 8 ． [ 1 1 ] 宋士祥， 张强， 吴明， 等． 基于 G I S 和 S O A的长输管道管理 系统的设计与实现[ J ] ． 化工自动化及仪表， 2 0 1 2 ， 3 9 0 8 9 9 8 一】 0 0 0， 】 0 3 3 ． 学兔兔 w w w .x u e t u t u .c o m