[发明专利]一种基于LSTM的天然气管道供能末端状态快速估计方法

权利要求书

1.一种基于LSTM的天然气管道供能末端状态快速估计方法，其特征在于：包括，

通过统一能路理论搭建天然气管道网络集总参数模型；

通过所述模型的阶跃冲击响应曲线获得LSTM神经网络参数；

利用所述神经网络参数进行训练，得到天然气管道网络状态拟合值；

利用所述拟合值，求解得到天然气管道系统控制变量与状态变量线性关系的显示表达式；

其中，搭建天然气管道网络集总参数模型的步骤如下：

根据管道长度、半径，环境温度、气压，天然气质量和密度搭建天然气管道网络动力学方程组；

利用统一能路理论，将所述方程组从时域转化至频域；

通过类比电阻、电感和电抗，求解获得天然气管道网络集总参数模型，模型由管道源侧节点气压U_{g_n}、负荷节点气压U_{g_l}、管道源侧节点气流I_{g_n}、负荷节点注入气流I_{g_l}、对地导纳Y_{g_n0}、Y_{g_l0}、线路气阻R_g+jX_g和气压KU_{g_n}组成；

节点网络状态计算模型如下式所示：

U_{g_l}(t)＝F^-1{∫_ω[U_{g_n}(ω)-Z_{g_ln}×I_{g_l}(ω)]/(Z_{g_ln}×Y_{g_l0}+1)dω}

其中，A＝-Z_{g_ln}/(Z_{g_ln}×Y_{g_l0}+1)，B＝1/(Z_{g_ln}×Y_{g_l0}+1)反映了天然气管道系统在频域下的输入/输出关系。

2.如权利要求1所述的基于LSTM的天然气管道供能末端状态快速估计方法，其特征在于：所述LSTM神经网络包括，

所述神经网络的输入为时间离散的有序指令序列，用于拟合天然气管道状态的神经细胞并通过状态参数记录和传递控制指令对大惯性状态的影响。

3.如权利要求2所述的基于LSTM的天然气管道供能末端状态快速估计方法，其特征在于：所述神经细胞包括，

神经细胞的输入为状态参数与当前时刻控制指令，输出为天然气管道系统在当前控制时段内的状态；

天然气管道系统的输出不仅与当前时刻的控制指令相关，而且与前序控制指令导致天然气管道系统所处的运行状态相关。

4.如权利要求3所述的基于LSTM的天然气管道供能末端状态快速估计方法，其特征在于：所述前序控制指令包括，

当前时刻的控制指令的影响将随着时间逐渐减弱。

5.如权利要求4所述的基于LSTM的天然气管道供能末端状态快速估计方法，其特征在于：所述阶跃冲击响应曲线包括，

在可行范围内随机生成天然气管道系统的控制指令序列，通过傅里叶变换将其分解为频域信号；

计算求解天然气管道系统对各频域信号分量的响应，累加后通过傅里叶逆变换获得天然气管道系统状态在控制指令下的时域响应结果。

6.如权利要求5所述的基于LSTM的天然气管道供能末端状态快速估计方法，其特征在于：所述训练包括，

将各时段的控制指令与响应结果打包形成带标签的数据样本；

定义90％的所述数据样本为训练集，10％的所述数据样本为测试集。

7.如权利要求6所述的基于LSTM的天然气管道供能末端状态快速估计方法，其特征在于：所述训练集和测试集包括，

通过将所述训练集输入所述LSTM神经网络，训练所述网络参数；

通过测试所述测试集，对比分析网络拟合效果。