梁 兵，董莎莎，任玉清，何宇琪，伍連碧，劉 筱，廖 勇

（1.中國石油西南油氣田分公司重慶氣礦，重慶 400707；2.重慶錦禹云能源科技有限公司，重慶 400050；3.重慶大學(xué)微電子與通信工程學(xué)院，重慶 400044）

0 引言

在“雙碳”目標(biāo)的背景下［1］，可再生能源正逐漸成為實現(xiàn)碳中和的主流能源。天然氣作為一種相對于煤炭和石油的低碳能源，在化石能源向可再生能源的能源消費結(jié)構(gòu)轉(zhuǎn)變中仍發(fā)揮著重要作用［2－3］。2020年，我國碳排放量約為98.9×108t，約占全球碳排放總量的30.9%，而天然氣僅占5.4%［4］。因此，政府鼓勵煤改氣的政策將成為天然氣需求增長的強(qiáng)大動力。天然氣管道系統(tǒng)作為連接上游供氣和下游用戶需求的中間環(huán)節(jié)，承擔(dān)著天然氣資源配置的重要功能［5－6］。隨著天然氣需求的不斷增長，我國天然氣管道規(guī)模也在逐步擴(kuò)大［7］，形成了全國天然氣管道體系，即所謂的“一國網(wǎng)”體系［8］?！叭珖痪W(wǎng)”的全面管理，意味著管道規(guī)模更大，管道組成部件更多，用戶需求變化更快，減碳要求更嚴(yán)格［9］，因此迫切需要一種能夠更完整地描述大型復(fù)雜天然氣管道系統(tǒng)結(jié)構(gòu)、適應(yīng)用戶需求多樣化變化的優(yōu)化方法，以實現(xiàn)管道運行中的降本增效減碳［10］。天然氣管道系統(tǒng)是由管道、壓縮站、儲氣庫［11］等具有不同功能的結(jié)構(gòu)要素組成的復(fù)雜的輸送網(wǎng)絡(luò)，這將給優(yōu)化問題的解決帶來很大的挑戰(zhàn)［12］。

研究人員在管道運輸規(guī)劃和運行優(yōu)化方面做了大量工作。管道運輸規(guī)劃的主要目的是在滿足市場需求的前提下優(yōu)化輸送路線［13］。通常，管道運營商在運營管道時主要關(guān)注3個基本目標(biāo)，即天然氣輸送量、經(jīng)濟(jì)效益和管線充填量（定義為管道中隨時儲存的天然氣量）。除了滿足優(yōu)化目標(biāo)外，還需同時滿足描述系統(tǒng)物理行為的性能方程和預(yù)先設(shè)定的其他限制。

在過去的幾十年里，人們提出了大量的算法來解決上述優(yōu)化問題。動態(tài)規(guī)劃法（dynamic programming，DP）［14］和線性規(guī)劃法（linear programming，LP）［15］2種典型的確定性算法，被廣泛應(yīng)用于天然氣管道運行優(yōu)化模型的求解，特別是用于解決壓縮機(jī)的燃油成本最小化問題（minimize fuel cost problems，MFCP）。DP是其中最成功的方法，因為它保證了全局最優(yōu)，并且易于處理非線性問題［16］。然而，DP算法的計算成本隨著問題維數(shù)的增加呈指數(shù)增長，因此很難推廣到涉及數(shù)百個氣源、用戶和管道的大型復(fù)雜管道中。許多改進(jìn)的LP算法都有強(qiáng)大的理論支撐和找到全局最優(yōu)的能力，但該算法未被設(shè)計用于求解與天然氣管道特殊優(yōu)化問題相關(guān)的混合整數(shù)非線性規(guī)劃（mixed integer nonlinear programming，MINLP）模型。

最近，一些新興的隨機(jī)優(yōu)化算法在處理大規(guī)模管道和MINLP問題［17］方面表現(xiàn)出了搜索能力快、尋優(yōu)能力強(qiáng)等優(yōu)點。典型的隨機(jī)優(yōu)化算法包括遺傳算法、粒子群優(yōu)化、蟻群優(yōu)化、模擬退火優(yōu)化及其擴(kuò)展。為此，綜述了基于隨機(jī)算法的天然氣管道穩(wěn)態(tài)運行優(yōu)化模型及其求解方法的研究進(jìn)展。首先建立了天然氣管道運行優(yōu)化的數(shù)學(xué)模型，包括目標(biāo)函數(shù)與約束條件。然后歸納了遺傳、粒子群、蟻群、模擬退火4類算法在求解運行優(yōu)化問題上的典型應(yīng)用。最后討論了這一領(lǐng)域的技術(shù)挑戰(zhàn)和發(fā)展趨勢。

1 天然氣管道優(yōu)化模型

1.1 目標(biāo)函數(shù)

對于天然氣管道的優(yōu)化運行，目標(biāo)函數(shù)一般分為3個方面：使總吞吐量最大化或使特定用戶的天然氣輸送量最大化；使定義為管道中任何時刻儲存的天然氣體積的線包最大化；使經(jīng)濟(jì)效益最大化。

1）氣體輸送量最大化。天然氣輸氣總量反映了管道及相關(guān)設(shè)施是否得到充分利用［18］。最大限度地提高天然氣輸送量將提高整個管道的總輸氣量。它的一般形式為：

式中：fD和Nn分別為氣體輸送量和節(jié)點總數(shù)；Qni為第i個節(jié)點的氣流速率；β為一個系數(shù)，若該節(jié)點是氣源，則β＝1，否則β＝0；下標(biāo)i為節(jié)點索引。

2）管線填充量最大化。管線填充量為任何時刻儲存在管道中的天然氣體積。顯然，最大化管線充填量可以提高管道的峰值能力，其目標(biāo)函數(shù)為

式中：fLP為管線填充量；Np為管道總數(shù)；LPj為第j根管道的填充體積；下標(biāo)j為節(jié)點索引。

3）運行經(jīng)濟(jì)效益最大化。運行經(jīng)濟(jì)效益定義為燃?xì)怃N售收入與燃?xì)獠少彙⒐艿肋\營、管理和壓縮機(jī)運行成本之間的差額［19］，其目標(biāo)函數(shù)為：

式中：fB為經(jīng)濟(jì)效益；Si為第i個節(jié)點的天然氣銷售或購買統(tǒng)一價格；Qni為第i個節(jié)點的輸入／輸出速率，輸入速率為正值，否則為負(fù)值；Rj為第j段管道的管理運行成本系數(shù)；fm為管道管理運營成本；Nc為壓縮機(jī)總數(shù)量；Hcl為第l個壓縮機(jī)的狀態(tài)，用二進(jìn)制變量（1或0）表示；Ccl為第l個壓縮機(jī)的成本系數(shù)；Wl為第l個壓縮機(jī)的功率；下標(biāo)l為壓縮機(jī)索引。然而，研究表明所有壓縮機(jī)的燃油消耗占管道總運行預(yù)算的25%～50%［20］，因此降低燃料成本將大大提高經(jīng)濟(jì)效益。MFCP是天然氣管道優(yōu)化運行領(lǐng)域最熱門的課題［21］。MFCP目標(biāo)函數(shù)為

1.2 約束條件

1）不等式約束。不等式約束用于將管道流量、壓力和溫度限制在指定范圍內(nèi)。不等式約束通常在每個節(jié)點上給出，有：

式中：Tni為第i個節(jié)點的溫度；Pni為第i個節(jié)點的壓力；下標(biāo)min和max分別為允許的最小值和最大值。其中，Tni可以從一維管道的能量方程中計算得到。

2）等式約束。等式約束主要通過氣體在管道中流動的控制方程來表示，包括質(zhì)量平衡方程、壓力方程和溫度方程。等式約束公式如下［22］：

式中：i、j、k分別為節(jié)點、管道和元素索引；Ui為與第i個節(jié)點相連的元素的集合；Mik為與第i個節(jié)點相連的第k個元素的絕對質(zhì)量流速；αik為一個常數(shù)，取1代表第k個元素來自第i個節(jié)點，?。?代表第k個元素進(jìn)入第i個節(jié)點；Ne＝Nc＋Np；PQj為第j根管子的進(jìn)口壓力；PZj為第j根管子出口壓力；Tupi為管道入口節(jié)點的溫度；T0i為環(huán)境溫度；Tdowni為管道出口節(jié)點的溫度；fP為壓力函數(shù)。

3）壓縮機(jī)約束。壓縮機(jī)約束最初是在理想壓縮機(jī)假設(shè)基礎(chǔ)上建立的，沒有考慮壓頭、功率、效率、壓縮機(jī)比和容積流速之間的非線性關(guān)系，然而，這些約束也被廣泛使用，主要是由于該假設(shè)便于計算。此后，Wu等［23］開發(fā)了一組多項式關(guān)系來描述離心式壓縮機(jī)的可行域，克服了理想化壓縮機(jī)模型的缺陷。Sanaye等［24］在文獻(xiàn)［23］的基礎(chǔ)上，考慮了更多與壓縮機(jī)超設(shè)計轉(zhuǎn)速運行相關(guān)的修正參數(shù)，得到了更能代表真實運行行為的約束。

式中：下標(biāo)H、E分別代表壓力頭和效率；A、B、C、D為系數(shù)；ns為轉(zhuǎn)速；η為效率。除了壓縮機(jī)的運行參數(shù)外，壓縮機(jī)的運行狀態(tài)（開或關(guān)）也是一個重要參數(shù)，文獻(xiàn)［22］使用單位和零的值來描述壓縮機(jī)的狀態(tài)，這為模型引入了新的離散變量。

2 管道優(yōu)化模型的求解算法

在上述約束條件中，壓力、流率和壓縮機(jī)功率為連續(xù)參數(shù)，壓縮機(jī)狀態(tài)為離散參數(shù)。由于存在非線性目標(biāo)函數(shù)、非凸可行域以及連續(xù)、離散和整數(shù)優(yōu)化變量的混合，因此優(yōu)化問題被歸結(jié)為MINLP問題［25］。隨機(jī)算法與傳統(tǒng)的確定性算法不同，求解策略不依賴于梯度信息，能夠適應(yīng)離散變量，因此在解決MINLP問題上比一些經(jīng)典的確定性算法更有效［26］。以下將分析、對比和歸納遺傳算法、粒子群算法、蟻群優(yōu)化、模擬退火4類算法在解決天然氣管道運行優(yōu)化問題上的重要進(jìn)展。

2.1 遺傳算法

遺傳算法［27］是一種元啟發(fā)式搜索算法。Goldberg［28］首次將遺傳算法應(yīng)用于天然氣管道優(yōu)化。其以最小化所有壓縮機(jī)的總功率為目標(biāo)，計算結(jié)果表明經(jīng)過50代的進(jìn)化，得到了接近最優(yōu)的結(jié)果。此外，利用改進(jìn)的遺傳算法來解決優(yōu)化問題也是一個重要進(jìn)展。Li等［29］采用由Srinivas等［30］提出的自適應(yīng)遺傳算法來解決管道運行優(yōu)化問題。自適應(yīng)遺傳算法根據(jù)樣本的平均適應(yīng)度動態(tài)調(diào)整交叉和突變概率種群［31］，當(dāng)指定個體更接近到目前為止最好的個體時，產(chǎn)生較低的交叉和突變概率，因此保留了屬于“更好個體”的歷史信息。高建豐等［32］應(yīng)用改進(jìn)的遺傳算法，以系統(tǒng)流量最大化為優(yōu)化目標(biāo)，同時考慮管道內(nèi)各節(jié)點流量的平衡、壓力等約束條件，實現(xiàn)了算法的改進(jìn)和優(yōu)化。

在單目標(biāo)優(yōu)化的基礎(chǔ)上，利用遺傳算法進(jìn)行多目標(biāo)優(yōu)化也取得了顯著的成果。Botros等［33］列舉了幾個成功的多目標(biāo)優(yōu)化案例，將遺傳算法應(yīng)用于TransCanada管道有限公司運營的大型管道。以最大限度地減少燃料消耗，同時最大限度地增加氣體輸送量為優(yōu)化目標(biāo)，將目標(biāo)函數(shù)和約束條件以懲罰函數(shù)的方式結(jié)合起來，建立了適應(yīng)度函數(shù)。后來，研究了更多的改進(jìn)方法來提高計算效率，如混合遺傳算法、基于梯度的算法以及并行處理技術(shù)［34］。這些改進(jìn)的方法被納入TransCanada管道有限公司的自動優(yōu)化系統(tǒng)。

近年來，一種新型的非支配排序遺傳算法Ⅱ（non-dominated sorting genetic algorithm-Ⅱ，NSGA-Ⅱ）在求解多目標(biāo)操作優(yōu)化問題方面引起了越來越多的關(guān)注［35］。Alinia等［36］使用NSGA-Ⅱ算法來平衡由2個氣源、10個管段和5個壓縮機(jī)組成的管道的最大氣體輸送量、最大線路包和最小運行成本。Hu等［37］使用NSGA-Ⅱ算法求解氣電聯(lián)網(wǎng)規(guī)劃的多目標(biāo)優(yōu)化模型，該組合系統(tǒng)的投資成本和生產(chǎn)成本均達(dá)到最小。

綜上所述，遺傳算法在過去30年中廣泛參與解決天然氣管道的優(yōu)化運行問題。遺傳算法的可行性和有效性也被許多成功的工業(yè)項目所證明。表1對遺傳算法在天然氣管道運行中的應(yīng)用情況進(jìn)行了總結(jié)。

表1 遺傳算法在天然氣管道運行中的應(yīng)用

2.2 粒子群算法

粒子群算法是一種進(jìn)化優(yōu)化算法，該算法的產(chǎn)生來自一群鳥類或魚類中的生物運動［38］，存在粒子收斂到局部最優(yōu)區(qū)域的過早收斂問題，不能保證全局最優(yōu)解。為了緩解該問題，許多學(xué)者已對粒子群算法本身或優(yōu)化模型進(jìn)行了改進(jìn)。Zheng等［39］提出了一種改進(jìn)的粒子群算法來解決管道的多路徑控制問題。采用指數(shù)函數(shù)的方法，通過進(jìn)化生成改變惰性權(quán)值，從本質(zhì)上提高了全局搜索能力和收斂速度。Wu等［22］采用慣性自適應(yīng)粒子群算法求解考慮最大運行效益和最大輸送量的雙目標(biāo)優(yōu)化模型。當(dāng)粒子遠(yuǎn)離全局最優(yōu)值時，該算法會自動增加粒子群的慣性權(quán)重；當(dāng)粒子接近全局最優(yōu)值時，會自動減小慣性權(quán)重。這種自適應(yīng)調(diào)整方法使算法在候選粒子遠(yuǎn)離全局最佳位置時具有較強(qiáng)的全局搜索能力。此外，Liu等［40］采用改進(jìn)的粒子群算法對模型進(jìn)行求解，在算法中引入了隨機(jī)粒子的最優(yōu)個體值，同樣解決了局部最優(yōu)的問題。

除了解決天然氣管道的運行優(yōu)化問題外，粒子群算法在石油管道［41］的運行優(yōu)化、礦山管道設(shè)備［42］的運行優(yōu)化、油氣管道［43］的布局優(yōu)化、壓縮機(jī)［44］的優(yōu)化控制等領(lǐng)域也有不少成功的應(yīng)用。這些優(yōu)化場景雖然與天然氣管道不同，但也存在過早收斂的缺點。綜上所述，粒子群算法收斂速度快，然而如何緩解原有粒子群優(yōu)化算法的過早收斂缺陷是相當(dāng)具有挑戰(zhàn)性的，在求解MINLP問題時，參數(shù)的設(shè)置（如粒子數(shù)和函數(shù)求值的最大值）也會影響算法的最終性能。表2對粒子群算法在天然氣管道運行中的應(yīng)用情況進(jìn)行了總結(jié)。

表2 粒子群算法在天然氣管道運行中的應(yīng)用

2.3 蟻群優(yōu)化算法

蟻群優(yōu)化算法是由意大利學(xué)者Dorigo提出的一種仿生學(xué)算法［45］。這種算法學(xué)習(xí)了螞蟻從蟻穴如何通過最短路徑尋找到食物的過程，包括邊緣選擇和信息素更新2個關(guān)鍵步驟。蟻群優(yōu)化算法具有正反饋特性，信息素水平較高的邊緣更有可能被螞蟻選擇，同時如果更多的螞蟻通過相同的邊緣，那么會在此邊緣留下更多的信息素［46］。Chebouba等［46］是首先利用蟻群優(yōu)化算法解決天然氣管道運行優(yōu)化問題的，使用局部更新和全局更新來更新信息素軌跡。計算表明，蟻群優(yōu)化結(jié)果和DP結(jié)果之間的相對誤差通常小于1%，但蟻群優(yōu)化的計算速度比DP快14倍以上，證明了蟻群優(yōu)化對解決天然氣管道運行優(yōu)化問題的可行性。文獻(xiàn)［47］使用人工神經(jīng)網(wǎng)絡(luò)和蟻群優(yōu)化聯(lián)合算法在穩(wěn)態(tài)假設(shè)下優(yōu)化管道系統(tǒng)的壓縮機(jī)數(shù)量和相關(guān)排放壓力。與之前的工作相比，他們使用人工神經(jīng)網(wǎng)絡(luò)方法來描述壓縮機(jī)的性能，而不是非線性方程。文獻(xiàn)［48］應(yīng)用原始蟻群優(yōu)化來解決管道的MFCP問題，該管道包括18個節(jié)點、2個壓縮機(jī)站和每個站的3個相同壓縮機(jī)。在固定氣體流量下，比較了蟻群優(yōu)化和廣義簡約梯度方法計算的燃料成本。與廣義簡約梯度方法計算的結(jié)果相比，蟻群優(yōu)化能夠進(jìn)一步節(jié)省0.015 kg／s的燃料，每年總計節(jié)約近35萬美元，即蟻群優(yōu)化產(chǎn)生了更高質(zhì)量的解決方案。

蟻群優(yōu)化算法在輸氣管道設(shè)計、壓縮機(jī)的輸氣量和每個壓縮機(jī)站出口壓力等方面的優(yōu)化中扮演著重要角色。同時該算法具有并行性、自組織性和魯棒性的優(yōu)點，但不足之處是在求解初期信息素匱乏，求解速度較慢。到目前為止，蟻群優(yōu)化算法還沒有在具有更復(fù)雜管道的系統(tǒng)中實現(xiàn)［49］。表3歸納了蟻群優(yōu)化算法在天然氣管道中的應(yīng)用情況。

表3 蟻群優(yōu)化算法在天然氣管道運行中的應(yīng)用

2.4 模擬退火算法

根據(jù)熱力學(xué)理論，金屬材料的熱力學(xué)自由能會因材料溫度的上升而增加，材料溫度的下降過程又降低了熱力學(xué)自由能。最終，當(dāng)材料溫度在某一環(huán)境下達(dá)到平衡狀態(tài)時，熱力學(xué)自由能將降至全局最小值。受熱力學(xué)理論的啟發(fā)，Khachaturyan等［50］提出了模擬退火算法，該算法以概率搜索的方式近似指定函數(shù)的全局最優(yōu)值，這一特性增強(qiáng)了模擬退火的隨機(jī)搜索和全局優(yōu)化能力。模擬退火算法可與其他方法很好地融合，具有很好的推廣價值。

Kirkpatrik等［51］為基于模擬退火的大型復(fù)雜系統(tǒng)的組合優(yōu)化提供了一個有用的框架。高建豐等［32］以天然氣輸配流量作為目標(biāo)函數(shù)建立輸氣管道數(shù)學(xué)模型，采用整數(shù)編碼的遺傳算法進(jìn)行模型求解，使用模擬退火罰函數(shù)轉(zhuǎn)化約束條件，改進(jìn)的遺傳算法在解的質(zhì)量和收斂速度上都優(yōu)于基本遺傳算法。周昊等［52］將模擬退火算法與Hopfield神經(jīng)網(wǎng)絡(luò)相結(jié)合有效解決了輸氣管道優(yōu)化設(shè)計問題，防止了搜索陷入局部最優(yōu)且避免了對初始迭代值的過于依賴，使算法能以較快的速度收斂到全局最優(yōu)，與常規(guī)方案相比，在保證各項約束的前提下達(dá)到投資最小化。Zhang等［53］采用遺傳算法和模擬退火算法相結(jié)合的方式來計算大型天然氣管道的最大運行收益，結(jié)果顯示聯(lián)合遺傳－退火算法比改進(jìn)的復(fù)雜算法具有更好的性能。

在天然氣管道系統(tǒng)運行優(yōu)化模型計算中，遺傳算法具有較強(qiáng)的全局尋優(yōu)的能力，能快速地在解空間中搜索出全體解，但是在實際的應(yīng)用過程中容易出現(xiàn)局部最優(yōu)的問題，而模擬退火算法可以有效避免陷入局部極值的現(xiàn)象，從而提高遺傳算法的全局和局部意義下的尋優(yōu)效率。模擬退火算法除了解決天然氣管道的運行優(yōu)化問題外，在石油管道的運行優(yōu)化［54］、水網(wǎng)管道布局［55］等領(lǐng)域也有不少成功地應(yīng)用。表4歸納了模擬退火算法在天然氣管道中的應(yīng)用情況。

表4 模擬退火算法在天然氣管道運行中的應(yīng)用

3 挑戰(zhàn)與趨勢

3.1 優(yōu)化隨機(jī)算法

開發(fā)穩(wěn)健有效的優(yōu)化算法也是一個挑戰(zhàn)。強(qiáng)的全局尋優(yōu)能力和高的計算效率是隨機(jī)優(yōu)化算法最重要的2個方面。在遺傳算法、粒子群算法、蟻群算法和模擬退火算法中，只有遺傳算法在工業(yè)上得到了廣泛應(yīng)用，其他3種算法還沒有進(jìn)行深入研究。由于這些算法中有許多參數(shù)會影響全局搜索能力和收斂速度，因此應(yīng)根據(jù)不同情況首先研究相關(guān)參數(shù)的敏感性，預(yù)期的結(jié)果將為這些算法的最優(yōu)參數(shù)設(shè)置提供一般規(guī)則。混合隨機(jī)算法結(jié)合了不同方法的優(yōu)點，如混合模擬退火-遺傳算法和差分進(jìn)化-遺傳算法，可以對原有方法進(jìn)行顯著改進(jìn)。然而，關(guān)于這一研究的已發(fā)表文獻(xiàn)有限。許多混合策略尚未應(yīng)用于管道優(yōu)化，如混合遺傳算法-粒子群優(yōu)化和遺傳算法-蟻群優(yōu)化。

3.2 瞬態(tài)優(yōu)化研究

準(zhǔn)穩(wěn)態(tài)優(yōu)化方法雖然可以得到近似的瞬態(tài)優(yōu)化結(jié)果，但不能準(zhǔn)確描述真實的瞬態(tài)過程。穩(wěn)態(tài)優(yōu)化問題與瞬態(tài)優(yōu)化問題最大的區(qū)別在于約束方程和決策變量的增加。瞬態(tài)優(yōu)化需要使用包含連續(xù)性、能量和動量方程的偏微分方程來描述相關(guān)決策變量（如氣流、速度、密度、壓力和溫度）隨時間的變化。如此一來，優(yōu)化問題的固有復(fù)雜性增加了。在求解瞬態(tài)問題時，隨機(jī)優(yōu)化算法已經(jīng)顯示出了優(yōu)于經(jīng)典優(yōu)化算法的潛在優(yōu)勢，因此應(yīng)用隨機(jī)優(yōu)化算法將有助于天然氣管道瞬態(tài)優(yōu)化的發(fā)展?？傮w而言，這方面的工作仍處于發(fā)展的初級階段。

3.3 數(shù)據(jù)驅(qū)動和隨機(jī)優(yōu)化聯(lián)合算法

近年來，隨著人工智能技術(shù)的不斷成熟，人工智能開始逐漸應(yīng)用于天然氣管道調(diào)度［57］。數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)方法能利用多個堆疊層來學(xué)習(xí)天然氣運行數(shù)據(jù)中隱藏的非線性規(guī)律，從而代替復(fù)雜的數(shù)學(xué)模型。這是一種“黑盒”機(jī)制，使得數(shù)學(xué)模型不具備可解釋性，是天然氣管道運行優(yōu)化難以接受的，因為“黑盒”機(jī)制是存在風(fēng)險的，而安全性是天然氣管道運行優(yōu)化的前提。數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)方法可以與現(xiàn)有模型驅(qū)動的方法進(jìn)行結(jié)合，減小對數(shù)據(jù)的依賴，對某些參數(shù)進(jìn)行訓(xùn)練和優(yōu)化，使得深度學(xué)習(xí)的可解釋性更強(qiáng)，同時增強(qiáng)算法的安全性。因此，數(shù)據(jù)驅(qū)動的人工智能技術(shù)和模型驅(qū)動的隨機(jī)優(yōu)化相結(jié)合的智能管道運行優(yōu)化算法是未來發(fā)展的一大趨勢。

4 結(jié)束語

天然氣管道運行優(yōu)化問題是MINLP問題。從天然氣管道運行優(yōu)化問題出發(fā)，首先闡述了現(xiàn)有天然氣管道運行優(yōu)化模型，包括目標(biāo)函數(shù)及約束條件；然后從隨機(jī)優(yōu)化算法出發(fā)，總結(jié)了遺傳算法、粒子群優(yōu)化、蟻群優(yōu)化及模擬退火4類算法的實際應(yīng)用；最后探討了基于隨機(jī)優(yōu)化算法的天然氣管道運行的技術(shù)挑戰(zhàn)與發(fā)展趨勢。