基于机器学习方法的天然气管网泄漏预警方法技术

本发明专利技术属于管道泄漏检测技术领域，具体涉及基于机器学习方法的天然气管网泄漏预警方法。包括以下步骤：S1，收集天然气管道正常工作和泄漏时的历史数据指标作为训练集，并构建拓扑结构图；S2，建立故障检测与小概率预警模型以及故障原因分析模型，并训练；S3，利用模型，实时收集天然气管道工作数据，判断是否有泄漏发生；S4，当判定为发生泄漏时，利用模型得到发生泄漏的原因；S5，收集数据样本，并对模型进行微调更新。本发明专利技术具有能够自动预警天然气管道泄漏，并建立经验更新模型，利用每一次新的泄漏事件快速更新当前模型以及对天然气管道运行中的小概率事件进行预警的特点。行中的小概率事件进行预警的特点。行中的小概率事件进行预警的特点。

【技术实现步骤摘要】
基于机器学习方法的天然气管网泄漏预警方法


[0001]本专利技术属于管道泄漏检测
，具体涉及基于机器学习方法的天然气管网泄漏预警方法。

技术介绍

[0002]目前现有技术中，长输天然气管道泄漏监控主要通过管道内气压传感器的方式感知管道流量变化，当局部管道发生气体泄漏或者对接的下游负荷发生变化，且对应管道被捕捉到一个明显的压降信号时，需要由运行人员通过管道交接处的气压、压降和流量变化，以及具体管网拓扑结构、流量、流速、气压等多种信息，再结合工程经验进行综合判定管道是否发生泄漏。
[0003]上述管道泄漏判定方式具有一定的局限性：首先，判定是否发生泄漏取决于传感器数据在工程上的计算结果，由于工程经验迁移性有限，在特殊复杂环境下重新测试建模的成本和复杂度较高，耗时较长，效率低下；其次，这种方法在某些复杂管网中难以使用，需要完全依赖于工程人员的经验，导致排查速度受限、施工成本增大。
[0004]在事故后续处理中，统计过去的天然气管道安全事故发生时的各项数据，并利用这些数据进行工程经验的迭代更新工程是一个很长的过程，这一更新周期使得经验通常不能快速应用到实践中，导致同一问题反复出现、同一问题在不同场景反复出现，管理者难以找到问题发生的关联性因素。
[0005]其次，现有大部分基于机器学习算法的天然气故障检测方法采用的是有监督学习的方法。然而，对于稳定运行的天然气管网，出现故障的次数一般较少，这就导致在有监督学习中无法获得足够的异常样本来进行学习。当新传感器加入到传感器网络中时，基于有监督方法的模型无法利用新加入的传感器的信息。
[0006]此外，现有技术针对的是天然气管网的故障分析，主要目的是在管道出现故障后进行预警，分析故障点与故障原因。但是故障一旦发生，就会带来安全风险和经济损失。
[0007]因此，设计一种能够自动预警天然气管道泄漏，并建立经验更新模型，利用每一次新的泄漏事件快速更新当前模型以及对天然气管道运行中的小概率事件进行预警的天然气管网泄漏预警方法，就显得十分必要。
[0008]例如，申请号为CN201910520932.1的中国专利技术专利所述的管道泄漏的定位方法、装置和设备，所述方法包括：接收动态压力变送器检测并发送的管道首末站两端的实时动态压力信号；对其进行初步分析，以判断是否发生泄漏；当判断为已发生泄漏时，利用多尺度采样原理对异常动态压力信号进行重新分组，以构成多尺度重采样信号数组；利用最大互信息对多尺度重采样信号数组分别进行定位时间差的计算，并得出多个定位时间差的期望值；基于定位时间差的期望值，利用动态压力波法相关的定位公式进一步计算，以精确定位泄漏点。虽然使用了更合理的分析方法来对压力信号数据进行分析，从而能够减少分析误差，提高分析准确度，最终能够提升对泄漏点的定位精度，但是其缺点在于，上述方案针对的是管道泄漏故障的定位分析，主要目的是在管道出现故障后进行定位报警，而无法对
天然气管道运行状态中的小概率事件进行检测，无法对未来可能发生的故障进行预警，一旦故障发生，就会带来安全风险和经济损失。

技术实现思路

[0009]本专利技术是为了克服现有技术中，现有的天然气管道泄漏判定方式具有一定的局限性，无法实现天然气管道泄漏的自动预警以及无法对未来可能发生的故障进行预警的问题，提供了一种能够自动预警天然气管道泄漏，并建立经验更新模型，利用每一次新的泄漏事件快速更新当前模型以及对天然气管道运行中的小概率事件进行预警的基于机器学习方法的天然气管网泄漏预警方法。
[0010]为了达到上述专利技术目的，本专利技术采用以下技术方案：
[0011]基于机器学习方法的天然气管网泄漏预警方法，包括以下步骤：
[0012]S1，收集天然气管道正常工作和泄漏时的历史数据指标作为训练集，并根据历史数据指标构建一个包含所有历史数据指标的拓扑结构图；
[0013]S2，建立故障检测与小概率预警模型以及故障原因分析模型，并根据步骤S1中所述的训练集对所述故障检测与小概率预警模型和故障原因分析模型进行训练；
[0014]S3，利用步骤S2中训练好的故障检测与小概率预警模型，实时收集天然气管道的工作数据信息并进行推理，判断天然气管网中是否有泄漏发生；
[0015]S4，当天然气管网被判定为发生泄漏时，利用所述故障原因分析模型进行推理运算，向训练好的故障原因分析模型输入天然气管道实时各项数据指标所构建的拓扑结构图，得到发生泄漏的原因；
[0016]S5，收集每次天然气管网预警过程中发生的准确判断与错误判断的数据并对应构建正学习样本和负学习样本；保留正学习样本，利用新增保留的正学习样本对所述故障检测与小概率预警模型以及故障原因分析模型进行微调更新，以获取更加准确的模型。
[0017]作为优选，步骤S1中所述数据指标包括管道拓扑结构、管道流量、管道压降、用户终端流量、管道气压、气体温度、流量及压力偏离量；步骤S1还包括以下步骤：
[0018]S11，将所述数据指标中的管道拓扑结构量化为一个数值矩阵，所述矩阵中非零值为管道所在位置；
[0019]S12，将管道流量、管道压降、用户终端流量、管道气压、气体温度、流量及压力偏离量数值作为数组填入对应位置的非零管道区域，以完成构建一个包含所有历史数据指标的拓扑结构图。
[0020]作为优选，所述故障检测与小概率预警模型包括编码器、解码器和分类器；所述编码器用于将输入的数据编码成隐含分布；所述解码器用于对所述隐含分布进行解码，使解码结果接近原始输入数据；所述分类器用于根据隐含分布输出对应的输入数据样本是处于管道故障状态下产生的概率。
[0021]作为优选，所述编码器与解码器结构相互对称。
[0022]作为优选，步骤S2还包括如下步骤：
[0023]S21，对重构损失函数L
rec
进行优化；所述重构损失函数L
rec
＝|X
rec
‑
X
in
|2，其中X
rec
为重构输入，X
in
为原始输入；
[0024]S22，对隐含分布损失函数L
kl
进行优化；所述隐含分布损失函数L
kl
表示经验分布
和多元标准正态分布之间的KL距离，所述L
kl
＝KL(P
emp
||P
Gauss
)，其中P
emp
为经验分布，而P
Gauss
为预计拟合的多元标准正态分布；
[0025]S23，对分类损失函数函数L
cls
进行优化；使用交叉熵度量的分类损失函数L
cls
＝
‑
∑P
pred
logP
true
，其中P
pred
为预测概率分布，P
true
为真实的概率分布；
[0026]S24，获得最终需要优化的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习方法的天然气管网泄漏预警方法，其特征在于，包括以下步骤：S1，收集天然气管道正常工作和泄漏时的历史数据指标作为训练集，并根据历史数据指标构建一个包含所有历史数据指标的拓扑结构图；S2，建立故障检测与小概率预警模型以及故障原因分析模型，并根据步骤S1中所述的训练集对所述故障检测与小概率预警模型和故障原因分析模型进行训练；S3，利用步骤S2中训练好的故障检测与小概率预警模型，实时收集天然气管道的工作数据信息并进行推理，判断天然气管网中是否有泄漏发生；S4，当天然气管网被判定为发生泄漏时，利用所述故障原因分析模型进行推理运算，向训练好的故障原因分析模型输入天然气管道实时各项数据指标所构建的拓扑结构图，得到发生泄漏的原因；S5，收集每次天然气管网预警过程中发生的准确判断与错误判断的数据并对应构建正学习样本和负学习样本；保留正学习样本，利用新增保留的正学习样本对所述故障检测与小概率预警模型以及故障原因分析模型进行微调更新，以获取更加准确的模型。2.基于权利要求1所述的基于机器学习方法的天然气管网泄漏预警方法，其特征在于，步骤S1中所述数据指标包括管道拓扑结构、管道流量、管道压降、用户终端流量、管道气压、气体温度、流量及压力偏离量；步骤S1还包括以下步骤：S11，将所述数据指标中的管道拓扑结构量化为一个数值矩阵，所述矩阵中非零值为管道所在位置；S12，将管道流量、管道压降、用户终端流量、管道气压、气体温度、流量及压力偏离量数值作为数组填入对应位置的非零管道区域，以完成构建一个包含所有历史数据指标的拓扑结构图。3.基于权利要求1所述的基于机器学习方法的天然气管网泄漏预警方法，其特征在于，所述故障检测与小概率预警模型包括编码器、解码器和分类器；所述编码器用于将输入的数据编码成隐含分布；所述解码器用于对所述隐含分布进行解码，使解码结果接近原始输入数据；所述分类器用于根据隐含分布输出对应的输入数据样本是处于管道故障状态下产生的概率。4.基于权利要求3所述的基于机器学习方法的天然气管网泄漏预警方法，其特征在于，所述编码器与解码器结构相互对称。5.基于权利要求3所述的基于机器学习方法的天然气管网泄漏预警方法，其特征在于，步骤S2还包括如下步骤：S21，对重构损失函数L
rec
进行优化；所述重构损失函数L
rec
＝|X
rec
‑
X
in
|2，其中X
rec
为重构输入，X
in
为原始输入；S22，对隐含...

【专利技术属性】
技术研发人员：沈佳园，沈国良，严骏驰，钱济人，朱松强，陈迦勒，蔡坤，许亚婷，
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：