一种基于神经网络的天然气计量检定智能预测的方法技术

本发明专利技术提供一种基于神经网络的天然气计量检定智能预测的方法，包括以下步骤：S1：对于天然气管道进行数据采集，并对数据进行预处理，所述数据通过工作标准流量计、核查流量计、温度变送器、压力变送器、在线色谱仪、水露点分析仪进行采集；S2：对于流量、温度和压力类型的时间序列数据，分别对流量、温度和压力三个参数进行时间序列预测；S3：根据全部数据对天然气管道进行总体风险评估。本发明专利技术将数据从两个维度进行考虑，以更精准的单参数时间序列数据为基准来训练预测单参数模型，以多参数平行时序数据为基准来训练风险预警模型，可清晰地展示出标准表性能的变化趋势，进而根据预测结果为分站标准装置完整性管理提供数据支持。为分站标准装置完整性管理提供数据支持。为分站标准装置完整性管理提供数据支持。

【技术实现步骤摘要】
一种基于神经网络的天然气计量检定智能预测的方法


[0001]本专利技术涉及一种天然气计量方法，尤其是涉及一种基于神经网络的天然气计量检定智能预测的方法。

技术介绍

[0002]中国天然气管道的数字化发展与实践历经近20年，在数据采集、数据管理等方面积累了大量实践经验。大数据分析是管网运行与管理的重要“智慧”来源之一。2019年，中国石油管道公司提出了智慧管网的定义，明确了智慧管网由“感知层、数据层、知识层、应用层、决策层”构成。数据层、知识层及应用层是大数据分析与应用的主要环节，其分析和应用方法分别对应数据处理、数据挖掘、数据综合分析3个研究方向。
[0003]参数预测是实现智慧管网预测预警可控和综合性预判的基础。在天然气管网中，参数预测方法可分为两大类：
①
通过采集多项传感器数据，对天然气管网运行压力、流量和温度参数进行预测；
②
通过采集压力、流量和温度的时间序列数据，进行基于时间序列的预测。这两种预测方法虽然都是对压力、流量和温度参数的预测，但采用的理论方法截然不同：第一类方法是基于经典机器学习模型的传统训练方法，通过大量的传感器数据对需要预测的参数进行回归拟合，第二类方法是通过最新的时间序列预测模型，通过采集需要预测参数的过往时间序列数据，对需要预测的参数进行精准地分析预测。对于预测问题而言数据挖掘对象包括数据自身的演化规律和多维数据间的相互作用两个方面，是建立当前数据与预测结果间映射关系的基础。针对不同的数据类型和应用场景，管网数据的预测方法应深度融合统计学习、集成学习模型及深度学习。其中，深度学习是当前工业界预测方法研究的重点和前沿方向。
[0004]参考文件：温凯,韩旭,李灿,牛锦皓,周雷,徐洪涛.基于神经网络的天然气流量计检定工艺智能控制系统[J].天然气工业,2021,41(07):124
‑
133.吴岩,宋超凡,刘喆,顾继俊,刘译文,金钟翔.天然气流量计检定过程智能化质量控制技术实践[J].油气储运,2021,40(06):637
‑
642.肖广云.利用小波网络处理凝析天然气流量计测量数据[D].中国石油大学,2008。
[0005]（1）目前以数据挖掘为导向的天然气检定方法普遍采用了BP神经网络技术，但这一技术已经显露出了由于网络层数浅、网络结构简单而导致的欠拟合问题。以参考文献[1]中的方法为例，采用的是三层的神经网络。
[0006]输入数据通过输入层进入网络，通过两次线性变换及非线性函数映射后到达输出层。随着信息社会的飞速发展，数据量越来越大，简单的BP神经网络由于网络结构受限，无法从大量的数据中提取到具有辨识性的特征，也无法很好地拟合到所需要的函数。
[0007]（2）目前的天然气检定系统虽然具有一定的预警、报警功能，但由于深度学习模型的“黑箱特性”，导致工程现场的技术人员无法完全信服系统给出的报警。模型的高性能意味着模型足够智能和“聪明”，但这不足以了解它的运作原理，因此需要赋予模型“表达能力”，这样才能更加理解和信任模型。除了单一的性能评价之外，模型的评价还应该增加一
个维度，以表示模型的“表达能力”，可解释性就是其中一个。在实际工程落地后，每一次对天然气管道的排查会花费一定的人力、物力资源，在缺乏预警的“可解释性”的时候，工程人员难以在承担资源成本浪费的压力下信任系统给出的预警信息。

技术实现思路

[0008]本专利技术提供了一种基于神经网络的天然气计量检定智能预测的方法，解决了借助智能化的检定手段，实现对复杂天然气管网非稳态水力工况（压力、流量、温度）的高精度预测及风险预测，进而来提升系统的检定速度、保障安全生产的基于神经网络的天然气流量计检定装置及检定的问题，其技术方案如下所述：一种基于神经网络的天然气计量检定智能预测的方法，包括以下步骤：S1：对于天然气管道进行数据采集，并对数据进行预处理，所述数据通过工作标准流量计、核查流量计、温度变送器、压力变送器、在线色谱仪、水露点分析仪进行采集；S2：对于流量、温度和压力类型的时间序列数据，分别对流量、温度和压力三个参数进行时间序列预测；S3：根据全部数据对天然气管道进行总体风险评估。
[0009]进一步的，步骤S1中，所述对数据进行预处理采用平滑或删除离群点实现数据清洗。
[0010]所述平滑或删除离群点采用拉依达准则，是先假设一组检测数据只含有随机误差，对其使用如下标准差公式进行计算处理得到标准偏差：式中，X
i
为现场采集的数据；μ为平均值；σ为标准差；N为采集总数，然后对于(u
‑
3σ，u+3σ)这个区间外的数据予以剔除。
[0011]进一步的，步骤S2中，对于经过预处理后的流量、温度和压力数据，采集间隔为20分钟的时间序列数据点。
[0012]进一步的，步骤S2中，时间序列预测使用Informer模型，在进行一个固定窗的滚动预测时，每个时刻的输入为：式中，为每个时刻输入的参数值，L
x
为当前输入序列的长度，为实数集，i为1~Lx，为自然数；输出为需要预测的序列为：式中，为每个时刻输出的预测值，L
y
为当前输出序列的长度，为实数集，i为1~Lx，为自然数；进一步的，所述Informer模型的第一个结构为Encoder结构，对Informer模型进行
了稀疏性处理，并且将原始Attention公式修改为：式中：Q、K、V分别是输入数据经过三个不同的全连接层产生的自注意力向量；是经稀疏性处理的Q；K
T
为转置向量；d为输入维度；在经过j层循环的自注意力模块后，在j到j+1层之间加入最大池化层来降低维度，最大池化操作为：式中，Conv1d是1维卷积层；ELU是一种神经网络的激活函数；MaxPool为最大池化层计算，为MaxPool层的输入序列，即经过j层自注意力模块的输出。
[0013]进一步的，所述Informer模型的第二个结构为Decoder结构，由一个多头掩码注意力模块层和一个多头注意力层组成，最后有一个全连接层，全连接层输出的维度取决于要预测的变量维度，整个Decoder结构的解码过程采用一次前向过程得到整个输出序列，训练时选用MSE作为损失函数。
[0014]进一步的，步骤S3中，将平行时序所有特征数据构成样本集作为输入，特征数据包括工作标准流量计、核查流量计、每路温度变送器、压力变送器、在线色谱仪、水露点分析仪采集的数据，在训练完XGBoost模型后，通过对模型本身进行Shapley value公式的计算，最后模型输出天然气管道下一个时刻的风险水平及各个特征对这一预测所做贡献，以百分比的形式呈现。
[0015]所述基于神经网络的天然气计量检定智能预测的方法具有以下有益效果：（1）利用历年装置集聚相关数据，对不同流量、压力工况下的数据进行分析，并以控制图形式进行展示，由此可清晰地展示出标准表性能的变化趋势，进而根据预测结果为分站标准装置完整性管理提供数据支持，为根据情况维护提供科学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的天然气计量检定智能预测的方法，包括以下步骤：S1：对于天然气管道进行数据采集，并对数据进行预处理，所述数据通过工作标准流量计、核查流量计、温度变送器、压力变送器、在线色谱仪、水露点分析仪进行采集；S2：对于流量、温度和压力类型的时间序列数据，分别对流量、温度和压力三个参数进行时间序列预测；S3：根据全部数据对天然气管道进行总体风险评估。2.根据权利要求1所述的基于神经网络的天然气计量检定智能预测的方法，其特征在于：步骤S1中，所述对数据进行预处理采用平滑或删除离群点实现数据清洗。3.根据权利要求2所述的基于神经网络的天然气计量检定智能预测的方法，其特征在于：所述平滑或删除离群点采用拉依达准则，是先假设一组检测数据只含有随机误差，对其使用如下标准差公式进行计算处理得到标准偏差：式中，X
i
为现场采集的数据；μ为平均值；σ为标准差；N为采集总数，然后对于(u
‑
3σ，u+3σ)这个区间外的数据予以剔除。4.根据权利要求1所述的基于神经网络的天然气计量检定智能预测的方法，其特征在于：步骤S2中，对于经过预处理后的流量、温度和压力数据，采集间隔为20分钟的时间序列数据点。5.根据权利要求1所述的基于神经网络的天然气计量检定智能预测的方法，其特征在于：步骤S2中，时间序列预测使用Informer模型，在进行一个固定窗的滚动预测时，每个时刻的输入为：式中，为每个时刻输入的参数值，L
x
为当前输入序列的长度，为实数集；i为1~Lx，为自然数；输出为需要预测的序列为：式中，为每个时刻输出的预测值，L
y
为当前输出序列...

【专利技术属性】
技术研发人员：张剑，李梓涵，杨云，郝翱枭，刘卓林，姚强，王文东，盛行，李坤，肖禹涵，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：