基于数据驱动的成品油管道运行工况识别方法及系统技术方案

本发明专利技术涉及一种基于数据驱动的成品油管道工况识别方法及系统，方法包括：构造成品油管道运行数据矩阵；基于管道运行数据矩阵，构建基于降噪自编码器的矩阵降噪模型；对降噪后的管道运行数据进行数据聚类，获得工况识别模型；通过工况识别模型完成对成品油管道的工况识别。本发明专利技术工况识别算法利用现场SCADA实时运行数据进行管道运行工况的实时监控，识别模型可验证管道运行工况是否符合制定工况类型，预防管道运行中出现的异常工况变化，能够很大程度上减少现场人员的工作量，提高成品油管道运行状况识别的准确性，提高经济效益，保障管道的正常运行，同时保障油品的稳定、连续供应，并且有助于实现对成品油管道的高效、安全管理。理。理。

【技术实现步骤摘要】
基于数据驱动的成品油管道运行工况识别方法及系统


[0001]本专利技术涉及一种基于数据驱动的成品油管道工况识别方法及系统，涉及成品油管道识别


技术介绍

[0002]成品油管道运行时，由于各个站场泵、阀门等设备运行状态的改变，管道运行工况会随之发生变化。站场调度员根据压力、流量等运行参数的变化趋势来判断工况的切换。由于长输管道呈网络化、智能化发展，监控点随之成倍增长，对管道进行人为监测分析变得越来越困难。管道运行工况数据具备多维度、连续时间的特点，其变化情况较为复杂，工况切换较为频繁。人为识别监控效率较低、耗时耗力，且容易对运行工况产生误判。
[0003]目前，对管道运行工况的识别主要利用管道压力信号。现有技术利用数据驱动方法对管道运行的压力数据进行分析的方法仅仅考虑了管道运行状况改变时的压力差异，并没有将流量密度等数据考虑进来，也忽略了管道沿线各站间的时间序列和物理空间特性；同时识别主要针对泄漏工况开展，所识别的工况种类较少，难以对运行状况较为复杂的成品油管道进行准确的工况识别。
[0004]利用实验数据进行降噪处理后开展管道运行工况识别研究，也是目前常用的方法之一。目前主流的降噪方法是小波分析法，同时为减小数据维度，主成分分析被用于特征降维。余东亮等选用局部投影降噪法并结合小波包分析技术对管道负压波信号进行降噪处理并提取特征值，再对工况进行分析识别。李传宪等利用环道装置模拟出的5种管道运行工况，基于核的主成分分析法对时频域特征进行降维，基于遗传算法和粒子群算法优化的神经网络对管道运行工况进行识别。Zhang等采用动量项梯度下降算法和自适应学习率优化后的BP算法对管道运行状态进行识别等。利用实验数据虽然能得到较好的识别效果，但是其与现场真实数据间仍存在较大差异。同时主流的小波去噪方法对阈值的依赖程度较高，通常需要多次实验以得到合适的阈值；主成分分析法作为一种线性降维方法，难以对非线性的管道运行数据进行有效的特征降维。因此，对管道运行工况的准确识别开展研究是十分有必要的。

技术实现思路

[0005]针对上述问题，本专利技术的目的是提供一种能够很大程度上减少现场人员的工作量，提高成品油管道运行状况识别准确性的基于数据驱动的成品油管道工况识别方法及系统。
[0006]为实现上述目的，本专利技术采取以下技术方案：
[0007]第一方面，本专利技术提供的基于数据驱动的成品油管道工况识别方法，包括：
[0008]构造成品油管道运行数据矩阵；
[0009]基于管道运行数据矩阵，构建基于降噪自编码器的矩阵降噪模型；
[0010]对降噪后的管道运行数据进行数据聚类，获得工况识别模型；
[0011]通过工况识别模型完成对成品油管道的工况识别。
[0012]进一步地，基于管道运行数据矩阵，构建基于降噪自编码器的矩阵降噪模型，包括：
[0013]对输入的管道运行数据矩阵数据添加高斯噪声；
[0014]将添加高斯噪声的管道运行数据矩阵输入至降噪自编码器的编码网络中，编码网络通过每层神经网络对输入数据进行深层特征提取；
[0015]将编码网络的输出结果输入到降噪自编码器的解码网络，解码网络通过逐渐扩大每层节点数的方法，对编码网络得到的深层潜在特征进行还原，使其恢复至与输入数据相同的维度。
[0016]进一步地，编码网络采用Adam优化算法进行迭代训练完成特征提取。
[0017]进一步地，对降噪后的管道运行数据进行数据聚类采用基于SNE数据聚类。
[0018]进一步地，对降噪后的管道运行数据基于SNE数据聚类，获得工况识别模型，包括：
[0019]基于管道运行矩阵数据的条件概率分布计算矩阵数据之间的联合概率分布；
[0020]初始化得到矩阵数据的低维空间初始解；
[0021]计算低维空间管道运行数据间的相似度；
[0022]优化数据矩阵对应概率分布与低维空间数据对应概率分布间的距离；
[0023]基于迭代得到梯度下降值，求得低维空间下管道运行数据解；
[0024]当迭代次数达到设定次数后，输出管道运行数据的二维空间表达，获得工况识别模型。
[0025]进一步地，通过工况识别模型完成对成品油管道的工况识别，包括：
[0026]输入新的成品油管道运行数据，根据聚类得到的工况识别模型判断其属于哪一个工况类别，完成工况识别。
[0027]第二方面，本专利技术提供的一种基于数据驱动的成品油管道工况识别系统，包括：
[0028]管道数据单元，被配置为构造成品油管道运行数据矩阵；
[0029]降噪单元，被配置为基于管道运行数据矩阵，构建基于降噪自编码器的矩阵降噪模型；
[0030]聚类单元，被配置为对降噪后的管道运行数据聚类，获得工况识别模型；
[0031]识别单元，被配置为通过工况识别模型完成对成品油管道的工况识别。
[0032]第三方面，本专利技术提供的电子设备，所述电子设备至少包括处理器和存储器，所述存储器上存储有计算机程序，其特征在于，所述处理器运行所述计算机程序时执行以实现所述的方法。
[0033]第四方面，本专利技术提供的计算机存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现所述的方法。
[0034]本专利技术由于采取以上技术方案，其具有以下优点：人工监控方法准确性较差且耗时耗力，传统的研究局限于泄漏工况，通用性较差，本专利技术工况识别算法利用现场SCADA实时运行数据进行管道运行工况的实时监控，识别模型可验证管道运行工况是否符合制定工况类型，预防管道运行中出现的异常工况变化，能够很大程度上减少现场人员的工作量，提高成品油管道运行状况识别的准确性，提高经济效益，保障管道的正常运行，同时保障油品的稳定、连续供应，并且有助于实现对成品油管道的高效、安全管理。综上，本专利技术可以广泛
应用于成品油管道工况识别中。
附图说明
[0035]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
[0036]图1为本专利技术实施例的降噪自编码器网络结构；
[0037]图2为本专利技术实施例的基于SNE的管道数据聚类流程；
[0038]图3为本专利技术实施例的电子设备结构图。
具体实施方式
[0039]下面将参照附图更详细地描述本专利技术的示例性实施方式。虽然附图中显示了本专利技术的示例性实施方式，然而应当理解，可以以各种形式实现本专利技术而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本专利技术，并且能够将本专利技术的范围完整的传达给本领域的技术人员。
[0040]应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的成品油管道工况识别方法，其特征在于包括：构造成品油管道运行数据矩阵；基于管道运行数据矩阵，构建基于降噪自编码器的矩阵降噪模型；对降噪后的管道运行数据进行数据聚类，获得工况识别模型；通过工况识别模型完成对成品油管道的工况识别。2.根据权利要求1所述的基于数据驱动的成品油管道工况识别方法，其特征在于，基于管道运行数据矩阵，构建基于降噪自编码器的矩阵降噪模型，包括：对输入的管道运行数据矩阵数据添加高斯噪声；将添加高斯噪声的管道运行数据矩阵输入至降噪自编码器的编码网络中，编码网络通过每层神经网络对输入数据进行深层特征提取；将编码网络的输出结果输入到降噪自编码器的解码网络，解码网络通过逐渐扩大每层节点数的方法，对编码网络得到的深层潜在特征进行还原，使其恢复至与输入数据相同的维度。3.根据权利要求2所述的基于数据驱动的成品油管道工况识别方法，其特征在于，编码网络采用Adam优化算法进行迭代训练完成特征提取。4.根据权利要求1所述的基于数据驱动的成品油管道工况识别方法，其特征在于，对降噪后的管道运行数据进行数据聚类采用基于SNE数据聚类。5.根据权利要求2所述的基于数据驱动的成品油管道工况识别方法，其特征在于，对降噪后的管道运行数据基于SNE数据聚类，获得工况识别模型，包括：基于管道运行矩阵数据的条件概率分布计算矩阵...

【专利技术属性】
技术研发人员：梁永图，郑坚钦，杜渐，王昌，廖绮，于晓，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：