基于机器学习的天然气站场输配流量异常检测系统及其检测方法技术方案

本发明专利技术属于流量检测技术领域，具体涉及基于机器学习的天然气站场输配流量异常检测系统及其检测方法。包括计量区机构和调压区机构；所述计量区机构和调压区机构连接；所述计量区机构包括压力变送器P1、压力变送器P2、流量变送器F1和流量变送器F2；所述调压区机构包括压力调节阀V1、压力调节阀V2、压力变送器P01和压力变送器P02。本发明专利技术实现了对输配流量异常的实时监测，减少因计量异常引起的贸易纠纷。本发明专利技术节约成本，模型构建速度快，以及能够避免多元函数建模的繁琐和高成本的优化过程，又无需标注众多的数据，方便快捷。方便快捷。方便快捷。

【技术实现步骤摘要】
基于机器学习的天然气站场输配流量异常检测系统及其检测方法


[0001]本专利技术属于流量检测
，具体涉及基于机器学习的天然气站场输配流量异常检测系统及其检测方法。

技术介绍

[0002]目前天然气行业内以站场或用户为单位的对流量的监测，其建模方式主要采用多元函数拟合的方式来实现，且主要用于理论模拟；在实际生产工程上面，主要还是依赖于流量计配套的计算机，仅针对本体故障进行自检并报警，未实现对整个流量工况的有效监测。
[0003]现有技术上，对于流量异常检测目前有两种主要方法，其一依托于流体数学模型进行计算，其建模方式主要采用多元函数拟合的方式来实现，但是在气体的计量过程中，需要充分考虑组分、管道、流态、压缩因子、流出系数等多个不确定因素，但是由于该模型的参数需求量大、系统迭代次数多、实际参数输入不完整等多种原因导致计算误差较大，一般用于理论计算，无法直接应用于实际生产；其二是基于机器学习的检测方法，主要为有监督的方法和无监督的方法。有监督的分类方法虽然对于一般的问题可以达到较好的预测效果，但在天然气站场输配流量检测方面会由于正负样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的天然气站场输配流量异常检测系统，其特征在于，包括计量区机构和调压区机构；所述计量区机构和调压区机构连接；所述计量区机构包括压力变送器P1、压力变送器P2、流量变送器F1和流量变送器F2，所述压力变送器P1与压力变送器P2并联，所述压力变送器P1与流量变送器F1连接，所述压力变送器P2与流量变送器F2连接；所述调压区机构包括压力调节阀V1、压力调节阀V2、压力变送器P01和压力变送器P02，所述压力变送器P01与压力变送器P02并联，所述压力调节阀V1与压力变送器P01连接，所述压力调节阀V2与压力变送器P02连接。2.根据权利要求1所述的基于机器学习的天然气站场输配流量异常检测系统，其特征在于，所述计量区机构还包括温度变送器T1和温度变送器T2；所述温度变送器T1与流量变送器F1连接；所述温度变送器T2与流量变送器F2连接；所述温度变送器T1和温度变送器T2均分别与压力调节阀V1和压力调节阀V2连接。3.基于权利要求2所述的基于机器学习的天然气站场输配流量异常检测系统的检测方法，其特征在于，包括以下步骤：S1，将调节支路数量、压力调节阀V1和压力调节阀V2的开度及其阀门特性、压力变送器P1和压力变送器P2检测到的流量计前管道压力值、压力变送器P01和压力变送器P02检测到的压力调节阀后压力值作为输入项，将流量变送器F1和流量变送器F2检测到的流量计工况瞬时体积流量值作为输出项，建立回归模型；S2，将正常状态下的输入项各实时数据作为数据特征以及对应的输出项工况瞬时体积流量值作为训练数据集，并利用步骤S1建立的回归模型，对数据特征进行回归学习，用于拟合实际的流量数值，并实现对回归模型的训练过程；S3，在训练完回归模型后，通过将所述训练数据集中的负样本特征输入回归模型，得到预测的负样本流量值，将所述预测的负样本流量值与真实的负样本流量值进行比较，得到允许的最大阈值,将所述最大阈值作为测试阶段的阈值，并根据阈值判断真实流量数值是否异常；S4，对回归模型实现上线处理，并将回归模型获得的数据持续进行更新，对获取的线上数据，保留所有的新检测到的正样本加入到新设定的微调训练数据集中，并用所述微调训练数据集调整原先的回归模型，以获取更加准确的回归模型。4.基于权利要求3所述的基于机器学习的天然气站场输配流量异常检测系统的检测方法，其特征在于，步骤S1中所...

【专利技术属性】
技术研发人员：杨敬东，沈国良，沈佳园，苏祥伟，钱济人，朱松强，陈迦勒，蔡坤，邵迪，
申请(专利权)人：浙江浙能天然气运行有限公司，
类型：发明
国别省市：