【技术实现步骤摘要】
基于机器学习的埋地式燃气管线泄漏判断方法
本专利技术涉及埋地式燃气管线监测
,尤其是基于机器学习的埋地式燃气管线泄漏判断方法。
技术介绍
天然气作为易燃易爆气体,一旦发生泄漏,且泄漏到燃气管网的相邻地下空间的浓度达到爆炸点时,在点火源存在的条件下,极有可能酿成严重的火灾爆炸事故。因此,及时准确地发现埋地式燃气管线的泄漏,能够避免发生爆燃、爆炸等次生衍生灾害的发生,对保障人民生命财产安全具有重要意义。目前,普遍采用的燃气泄漏测量方法包括:在线监测燃气窨井的方法和人工地面沿线巡检的方法。其中,传统的人工地面沿线巡检的方法对工作技能要求较高,不能实时发现细微燃气管道泄漏,并且易受人生理因素的制约和劳动经验的影响,因此巡检容易出现漏洞,存在巡检效果并不理想,效率低下等问题。现有的在线监测燃气窨井的方法中监测指标单一,有很大局限性,只能适用于简单环境,其效果受限于监测设备技术,因为在窨井内的可燃气体一方面来源于井内有机物腐烂产生导致的沼气堆积,另一方面来源于燃气管线泄漏,但两种气体的主要成份均为甲烷,单靠甲烷监测设备无法直接甄别燃气管线是否泄漏,乙烷监测设备可以甄别燃气泄漏,但其成本较高,不利于推广应用。也有很多学者针对上述问题做了相关研究,并且在不同程度上解决了一些问题,但是也存在难以满足监测实时性要求和监测设备成本的问题。经检索,中国专利公开号为CN205350863U公开了一种燃气管网泄漏在线监测系统、监测装置和移动式监测装置,该专利利用甲烷分析仪检测甲烷浓度从而实现燃气泄漏的监测,但该专利并不能判断浓度超限报警是沼气引发还是燃气泄漏引发。经检索,中国专 ...
【技术保护点】
1.基于机器学习的埋地式燃气管线泄漏判断方法,其特征在于,包括:机器学习部分和预测分析部分;先进行机器学习得到分类模型;再利用该分类模型对待预测窨井即甲烷气体浓度超限的窨井进行预测分析,预测出该窨井内的甲烷气体浓度超限的原因;其中,所述机器学习部分,包括以下具体步骤:S101,收集各个监测点即甲烷气体浓度超限的窨井的样本数据;所述样本数据包括:该窨井的监测数据、监测曲线、标签;所述标签是指该窨井内的甲烷气体浓度值超限的原因,包括燃气管线泄漏和沼气堆积;S102,根据每个监测点的监测数据和监测曲线分别计算出每个监测点的特征参数;S103,将每个监测点的特征参数和该监测点的标签作为机器学习的样本,进行分类模型的训练,得到训练完成后的分类模型;所述分类模型的输入为特征参数,输出为标签即甲烷气体浓度值超限的原因;所述预测分析部分,包括以下具体步骤:S201,获取待预测窨井的监测数据和监测曲线;S202,根据该待预测窨井的监测数据和监测曲线计算出该待预测窨井的特征参数;S203,将该待预测窨井的特征参数输入到训练完成后的分类模型中,输出该待预测窨井的预测结果,即该待预测窨井的甲烷气体浓度值超限的 ...
【技术特征摘要】
1.基于机器学习的埋地式燃气管线泄漏判断方法,其特征在于,包括:机器学习部分和预测分析部分;先进行机器学习得到分类模型;再利用该分类模型对待预测窨井即甲烷气体浓度超限的窨井进行预测分析,预测出该窨井内的甲烷气体浓度超限的原因;其中,所述机器学习部分,包括以下具体步骤:S101,收集各个监测点即甲烷气体浓度超限的窨井的样本数据;所述样本数据包括:该窨井的监测数据、监测曲线、标签;所述标签是指该窨井内的甲烷气体浓度值超限的原因,包括燃气管线泄漏和沼气堆积;S102,根据每个监测点的监测数据和监测曲线分别计算出每个监测点的特征参数;S103,将每个监测点的特征参数和该监测点的标签作为机器学习的样本,进行分类模型的训练,得到训练完成后的分类模型;所述分类模型的输入为特征参数,输出为标签即甲烷气体浓度值超限的原因;所述预测分析部分,包括以下具体步骤:S201,获取待预测窨井的监测数据和监测曲线;S202,根据该待预测窨井的监测数据和监测曲线计算出该待预测窨井的特征参数;S203,将该待预测窨井的特征参数输入到训练完成后的分类模型中,输出该待预测窨井的预测结果,即该待预测窨井的甲烷气体浓度值超限的原因。2.根据权利要求1所述的基于机器学习的埋地式燃气管线泄漏判断方法,其特征在于,步骤S101和步骤S102中,所述监测数据根据监测该窨井的传感器所采集的数据信息得到,是一组时序数据;若在时间周期T内,传感器的采样间隔为T/N,传感器共进行了N次采样,其中,第i次采样所对应的采样时间点为ti,第i次采样即采样时间点ti所采集到的该窨井内的甲烷气体浓度值xi(ti),i=1,2,3,…,N;则所述监测数据包括:经N次采样所采集到该窨井内的N个的甲烷气体浓度值xi(ti),i=1,2,3,…,N,且此N个的甲烷气体浓度值xi(ti)按照采样时间顺序排列;所述监测曲线是根据所述监测数据拟合生成连续曲线,所述监测曲线是指该窨井内的甲烷气体浓度x与时间t之间的关系曲线,0≤t≤T。3.根据权利要求2所述的基于机器学习的埋地式燃气管线泄漏判断方法,其特征在于,步骤S102和步骤S202中,所述特征参数包括:最大值Xmax,是指监测数据中最大值,即所采集到的N个甲烷气体浓度值xi(ti),i=1,2,3,…,N中的最大值;最小值Xmin,是指监测数据中的最小值,即所采集到的N个甲烷气体浓度值xi(ti),i=1,2,3,…,N中的最小值;平均值是指监测数据的平均值,即所采集到的N个甲烷气体浓度值xi(ti),i=1,...
【专利技术属性】
技术研发人员:谭琼,袁宏永,李子浩,付明,李树林,刘贺子,苏国锋,王鹏,侯龙飞,朱友平,
申请(专利权)人:清华大学合肥公共安全研究院,合肥市城市生命线工程安全运行监测中心,合肥泽众城市智能科技有限公司,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。