H2CM在天然气管道建模中的应用

基于H2CM的天然气管道多智能体建模

摘要

天然气管道是一个相对简单的物理系统，但实现最优控制却较为困难。在从一种气体切换到另一种气体时，会产生一定体积的无用混合气体。因此，控制不仅要响应需求，还要尽量减少损失气体的体积。在需求稳定且完全已知的情况下，可以采用调度技术，但在其他情况下，计算时间与工业应用不兼容。本文介绍了H2CM（全息混合控制模型）通用架构在此特定案例中的应用。文中详细阐述了该案例研究，接着详细说明了所定义的全息架构（兼容H2CM），并介绍了每个智能体的作用和功能。最后，提出了一种尝试性的通用控制算法，为本研究后续将开发的实际控制算法提供了思路。

关键词 ：混合动力系统 ⋅ Holonic混合控制模型 ⋅ 管道运输系统

1 引言

混合动态系统（HDS）是明确且同时集成了连续系统和离散事件系统的动态系统。对其描述需要使用连续时间模型、离散事件模型以及它们之间的接口 [1]。系统的混合特性要么源于系统本身，要么源于施加于该系统的控制。此类系统的典型示例包括通信协议、制造系统、交通系统、电力电子等。

HDS的建模、分析与控制是至关重要的问题。用于HDS建模与分析的两种最重要形式化方法是混合自动机[2]和混合Petri网[3]。混合自动机可以在一个位置中考虑任意的连续动态，且从一个位置到另一个位置的切换由离散事件同步。因此，可以对任意类型的系统进行建模。混合自动机的主要建模缺陷在于，在实际系统中位置数量会急剧增加。为克服这一问题，混合Petri网将状态视为包含连续部分和离散部分的标识。它们提供了非常紧凑且易于理解的模型，对工程师非常有用。然而，为了进行形式化分析，必须回到以分析能力强著称的混合自动机。这种分析需要构造可达状态空间。由于离散部分通常具有强非线性，且时间常为非确定性，使得该操作尤为复杂。可达状态空间的计算算法仅在非常严格的约束条件下才能终止，例如定时模型或某些连续动态为常数的线性混合自动机。可达状态空间通过一组关于状态变量的不等式来描述，从而能够实现系统的性能分析以及控制综合。

大多数现实的建模方法要么考虑切换较少的连续方法，要么采用连续动态（时钟）非常简化的离散方法。由于这些系统具有强非线性特性，任何一个或多个参数的变化通常迫使我们完全重新研究该问题。当HDS变得更为复杂时，分析工具也随之变得更加复杂，导致系统灵活性降低，计算时间增加，难以对突发事件做出快速响应。为了提高HDS的灵活性，研究人员已探讨在复杂动态系统上实现灵活控制架构的可能性 [4, 5]。

全息混合控制模型（H2CM）[5]是一种全息架构，旨在提高HDS控制的灵活性，其基于称为PROSA [6]的离散系统全息架构。它由三个基本智能体组成：
- 产品智能体，包含产品的所有信息；
- 资源子整体，是对资源的抽象；
- 订单智能体，获取这两个智能体的信息，并生成服务的调度以实施。

一个复杂的HDS示例是管道系统[7]，它是一种非常重要的运输系统，能够保证产品的稳定供应，并快速适应市场需求，从而显著降低产品运输的成本和延迟。管道系统属于连续运行系统，可同时输送多种产品，在依次输送的两种产品接触面处会产生受污染的混合区。因此，输送的批次数量越多，产生的受污染产品批次也越多。为了最小化受污染产品批次，通常采用优化方法生成待输送的批次顺序调度，但这些优化方法存在计算时间较长且对运输需求变化缺乏灵活性的限制。

本文的目的是提出将H2CM架构应用于管道运输系统，以在产品需求变化阶段提供操作灵活性，同时保持受污染产品生成的优化准则。这项初步研究扩展了在水箱系统上进行的H2CM性能评估[8]，引入了切换成本（污染产品体积）和管道动态（切换与最终油箱填充之间的延迟）的概念。

案例研究将在下一节中详细介绍。然后，将详细阐述所定义的全息架构（与H2CM兼容），并介绍每个智能体的角色和功能。最后，提出了一种初步的通用控制算法，为今后工作中将要开发的实际控制算法提供了思路。

2 案例研究：管道介绍

2.1 ASR多产品管道描述

通过管道运输燃料在全球范围内日益普及。这归因于运输产品数量的增加。这一情况要求企业进一步发展其物流体系。正是出于这一目标，阿尔及利亚石油公司制定了一项投资计划，旨在通过建设智能管道网络来保障国内各地区的石油产品供应，满足国家不同地区的真实需求。

管道运输有助于降低成本、缩短交付时间、减少道路交通，同时以最高安全标准实现尊重环境的大规模运输。如果不存在管道，将不可避免地需要数千辆卡车和铁路货车在道路、高速公路和铁路上行驶来完成同样的运输任务。

当前技术面向多产品管道。后者在两种相继在管道中顺序输送的接触产品之间会产生混合或受污染产品区域（图1）。

每次不同燃料产品接触时都会产生受污染产品。因此，若干批次的序列将相应地产生多个受污染产品批次，需要大量空间进行储存。

本文中，我们的研究聚焦于阿尔及利亚国家石油公司（SONATRACH）的一条典型管道，即多产品ASR管道（ASR为阿尔及利亚西部三个城市阿尔泽、西迪贝勒阿巴斯和雷姆希的缩写，管道途经这三个城市）。该管道将燃料从阿尔泽炼油厂输送至西迪贝勒阿巴斯和雷姆希的储存与配送站点，为阿尔及利亚西部和西南部地区供应燃料（柴油和汽油）。由于该地区的市场需求，需向多产品ASR管道中注入大量批次序列以满足区域需求。这导致了众多界面、混合物生成区域的出现，以及雷姆希仓库中受污染产品库存水平升高。

鉴于污染约束和高燃料需求，研究多品种燃油运输的优化将具有重要意义。因此，目标一方面是最小化受污染产品库存，另一方面是满足两个配送仓库对纯产品的需求。

2.2 管道的物理数据

多产品ASR管道位于阿尔及利亚西部。其线路总长度约为168公里，从阿尔泽炼油厂出发，经过西迪贝勒阿巴斯仓库，最终到达雷姆希仓库。

该管道接收来自阿尔泽炼油厂的液体燃料，并向西迪贝勒阿巴斯和雷姆希的仓储及配送仓库供应（图2）。

表1 两个仓库中产品和受污染产品的容量、初始体积及安全库存

燃料	西迪贝勒阿巴斯仓库	西迪贝勒阿巴斯仓库	西迪贝勒阿巴斯仓库	雷姆希仓库	雷姆希仓库	雷姆希仓库
燃料	容量 [m³]	初始库存 [m³]	安全库存 [m³]	容量 [m³]	初始库存 [m³]	安全库存 [m³]
柴油	6000	814	1200	22000	5572.4	4400
纯汽油	1700	809	340	9500	3394.6	1900
超级汽油	450	196	90	1000	996	200
无铅汽油				5000	3284.7	1000
受污染的产品类型1				500	396.5
受污染的产品类型2				500	405

表2 两个仓库的日需求量产品

	日需求量	日需求量
	西迪贝勒阿巴斯仓库	雷姆希仓库
柴油	1200	3000
纯汽油	80	150
超级汽油	400	800
无铅汽油		150

3 多智能体建模

3.1 H2CM 概述

H2CM 通用架构基于 PROSA 的三个基本智能体，如图4a 所示。可以突出两个主要特征：

1. 每个资源在其生命周期中都会被分配一个订单和一个产品。订单智能体负责资源监控，而产品智能体则负责应用于实际产品的配方。订单智能体和产品智能体的内容与目标不断演变，但其结构始终保持不变。

2. 资源智能体上存在一个递归链接，见图4b。实际上，每个复合资源都可以分形分解为一个或多个子整体层级，包含一个或多个资源及其关联的订单和产品智能体。此处创建的聚合关系可以在系统运行过程中动态更改；子整体层级可以在线创建和销毁。

订单智能体负责系统的全局调度。它非常具有代表性地体现了每个智能体的双重工作模式：一部分专注于前瞻模式下的协商机制，以确定系统未来的调度和子整体层级；而智能体的另一部分则通过应用先前协商得出的调度方案，负责系统在实时模式下的运行。

产品智能体用于存储和传递从主配方推导出的产品配方。在H2CM中，该主配方可定义为通用配方，即为将原材料（物料清单（BOM））转化为最终产品而按顺序执行的一系列操作，实际配方可根据系统条件由此通用配方导出。在HDS背景下，如[9, 10]中提出的面向服务的规范，非常适合用于产品规格。本文所提出的一个区别在于，相对于[9, 10]中使用的定义，该服务的参数和变量可以是连续或离散的。

从本质上讲，HDS是大型系统，由多个组件构成。因此，需要大量的资源子整体来控制该系统。图4b 定义了资源的递归性，其中需定义的最小资源智能体称为原子资源，可表述为“能够在相对于系统动态较短的延迟内将其微分方程系统逆向求解的最大元素集合”。对于复合资源，协商机制旨在通过递归方式确定最佳解决方案，即持续查询所聚合的资源直至原子资源。

资源智能体属于协商机制的一部分，其功能是评估并向订单智能体传递为实现期望功能和服务所需的最优变量值。资源智能体还负责设备在线控制，即充当系统的控制器角色。

资源子整体的另一个特性是其结构。通常，它由物理部分和逻辑部分组成，参见图4a。物理部分由车间floor表示。资源子整体的逻辑部分是对物理部分的抽象，包含连续状态与离散状态之间相互转换的转换模型。所使用的模型是混合模型，通过连续变量的阈值水平来改变其状态。物理部分的抽象可以通过任何具有通信能力的工业计算机来实现。

3.2 管道案例中的智能体与服务描述

本文所开展的工作聚焦于连接阿尔泽炼油厂与西迪贝勒阿巴斯和雷姆希的燃料储存及分销中心的多产品ASR管道。后者涉及的燃料包括：柴油、超级汽油、无铅汽油和普通汽油。从智能体的角度来看，该多产品ASR管道将被划分为三个复合智能体（见图5），它们将提供三种不同类型的服务。

首个要定义的复合智能体是阿尔泽炼油厂，由成品储罐系统和管道和泵系统组成。阿尔泽炼油厂智能体提供的服务是燃料产品供应。从图6可以看出，炼油厂资源子整体关联有产品智能体和订单智能体。产品智能体持有混质产品信息，例如每次产品混合所产生的体积以及混合过程中产品密度的变化。订单智能体的任务是调度并执行产品供应服务。订单智能体使用离散优化方法进行调度，因此需要通过智能体协商获取原子资源智能体和存储智能体的信息。订单智能体的第二个任务是基于实时调度监控；如果在执行过程中发生任何干扰，订单智能体必须根据新信息采取纠正措施并进行重新调度。该过程将在下一节中讨论。

另一方面，炼油厂资源智能体由储罐智能体组成，在本研究案例中被视为无限供应。因此，其功能是根据待供应的产品切换供应阀。如果没有无限供应，该智能体应提供每种产品的液位状态，以供调度时考虑。炼油厂智能体中另一个可用的智能体是管道智能体；其任务基于确定管道可用性，并在产品供应期间提供产品密度测量服务和泵控服务。

4 算法

产品供应调度算法的主要目标是在确保满足需求的同时，最小化受污染产品的数量。为此，需要执行一种能够保证实现预期目标的优化算法。

常用的优化方法计算时间较长，难以在线实施。因此，系统可以使用最优方法进行初步调度，因为此时有足够的时间进行计算，但该调度需要通过其他技术实时更新。这种重新调度是通过炼油厂全息单元与仓库全息单元之间的协商获得的。

一旦调度计划被计算出来（通过任何方法），调度监控过程便开始。如果在产品供应过程中发生突发事件，订单智能体需要根据智能体之间协商所获得的信息做出决策，以解决这一新的扰动。显然，很难穷举系统中可能发生的所有扰动，但以下扰动可被视为最频繁且影响最大的几种：
1. 产品仓库需求变化
2. 受污染产品储罐容量变化
3. 管道系统泵性能下降

这些扰动如果发生在基于最优方法且无在线调整的调度控制的系统上，可能导致系统发生变化，从而引起运输系统功能的关闭。为此，需要一种在线调度算法来应对不确定性。

提出了一种调度算法，旨在找到解决所述扰动的方法，见图8。

在图8中可以观察到，一旦出现干扰，对当前计划的影响将作为时间的函数进行计算。如果当前干扰并不严重且无需立即更改，则将通过最优方法进行重新调度；否则，将使用其他足够快速的计算方法来找到解决方案。一种用于储罐填充、以最小化单一服务器切换次数的在线调度算法已在[8]中提出，并可适应于本特定案例研究。其核心思想是尽量最大化服务器保持在相同状态的持续时间，同时避免其余储罐同时变空的情况。因此，当某个储罐即将变空的时间段已被分配给另一个储罐时，算法会尝试提前预留服务器。

同时还定义了一个时间间隔，该时间间隔表示储罐试图安排的预留长度。若系统在预设时间间隔内无法找到解决方案，则算法将以更短的时间间隔循环尝试。该算法的计算时间非常短，这使我们相信此类调度方法尽管不能保证最大限度地减少产生的受污染产品量，但在输入数据频繁受到干扰的情况下，仍是一个合适的控制方案。

本案例研究中需要开发的算法与之前发表的算法有很大不同[8]。事实上，前者涉及单个供水服务器且无启动时间，而本研究涉及单个服务器，会产生启动废料，在本文描述中称为受污染产品。

5 结论

管道运输系统是复杂的HDS，可以通过最优方法进行调度，但在面对扰动时灵活性较差，这使得使用在线方法对其进行控制变得困难。为此，先前提出了在HDS上实施H2CM，以增强这些系统的灵活性。

为展示H2CM在HDS中的应用，本文采用多产品ASR管道的案例研究。该初步工作概述了将H2CM适应该特定案例研究的过程，并证明其适用于建模。文中还给出了一些关于未来算法定义的要素，这些算法将用于控制整个架构，旨在通过最优与非最优方法寻找解决方案，并允许在出现任何偏差时进行在线监控和重新调度。

这项初步工作的展望涉及架构的实际编码，以及与需求完全已知情况下的调度技术进行性能评估，以评估异构控制的最优性。然后，基于这一初始分析，将开展一项研究，以评估在需求变化情况下控制的鲁棒性。基于H2CM的控制旨在实时吸收这些不确定性，而这需要通过特定程序来解决。