燃气加臭剂浓度预测方法技术

本公开揭示了一种燃气加臭剂浓度预测方法

【技术实现步骤摘要】
燃气加臭剂浓度预测方法、装置、存储介质及电子设备


[0001]本公开属于数据预测
，具体涉及一种燃气加臭剂浓度预测方法
、
装置
、
存储介质及电子设备
。

技术介绍

[0002]燃气加臭作为安全措施已有
100
多年的历史，各国相继颁布了燃气输配设备和管网运行的各项法规，也制定了有关燃气加臭的标准，各国还在不断充实
、
完善这项工
。
但各国的工艺和设备不易，加臭标准也各不相同，缺乏准确的关于各类燃气泄露的安全指标和它们之间的数学规律
。
现有的预测方法例如包括长短时记忆神经网络（
LSTM
）
、
双向长短时记忆神经网络（
Bi
‑
LSTM
）以及门控循环单元（
GRU
）等在内的循环神经网络因特征提取器提取能力有限，在面对高维复杂数据时无法有效提取数据之间的特征联系，从而导致燃气加臭剂浓度预测精度低
。
因此，对燃气加臭剂浓度规律进行预测对保障群众生命财产安全具有重要的意义
。

技术实现思路

[0003]针对现有技术中的不足，本公开的目的在于提供一种燃气加臭剂浓度预测方法，本方法相比现有的循环神经网络能够提高燃气加臭剂的实时浓度预测精度
。
[0004]为实现上述目的，本公开提供以下技术方案：一种燃气加臭剂浓度预测方法，其特征在于，所述方法包括以下步骤：
S100
：采集燃气管网运行系统中的实时燃气数据；
S200
：对所采集的实时燃气数据进行预处理；
S300
：构建燃气加臭剂浓度预测模型并进行训练；其中，燃气加臭剂浓度预测模型包括编码模块
、
特征提取模块和解码模块，特征提取模块包括主干网络，主干网络采用多尺度残差结构以提取输入数据的不同尺度信息；主干网络通过引入注意力机制模块以提高模型对于重要特征的关注度；
S400
：将预处理后的实时燃气数据输入训练好的燃气加臭剂浓度预测模型，以对燃气管网中燃气加臭剂的实时浓度进行预测
。
[0005]优选的，步骤
S200
中，所述对所采集的实时燃气数据进行预处理包括以下步骤：
S201
：使用
Min
‑
Max
标准化方法对所采集的实时燃气数据进行标准化处理；
S202
：使用滑窗将标准化处理后的实时燃气数据划分为带有时序特征的数据矩阵
。
[0006]优选的，步骤
S300
中，所述燃气加臭剂浓度预测模型通过以下步骤进行训练：
S301
：采集多组含有不同加臭剂浓度的燃气数据，获得燃气加臭剂浓度数据集，对数据集进行预处理后划分为训练集和测试集；
S302
：设置训练参数，利用训练集对模型进行训练，训练策略设置为线性预测策略，当达到最大训练次数后，模型训练完成；
S303
：利用测试集对训练后的模型进行测试，在测试过程中，当模型输出的预测值与真实值的平均相对误差达到
0.15
，模型测试通过；否则调整训练参数或扩大数据集样本对模型重新进行训练，直至模型测试通过
。
[0007]本公开还提供一种燃气加臭剂浓度预测装置，所述装置包括：采集模块，用于采集燃气管网运行系统中的实时燃气数据；预处理模块，用于对所采集的实时燃气数据进行预处理；模型构建及训练模块，用于构建燃气加臭剂浓度预测模型并进行训练；其中，燃气加臭剂浓度预测模型包括编码模块
、
特征提取模块和解码模块，特征提取模块包括主干网络，主干网络采用多尺度残差结构以提取输入数据的不同尺度信息；主干网络通过引入注意力机制模块以提高模型对于重要特征的关注度；预测模块，用于将预处理后的实时燃气数据输入训练好的燃气加臭剂浓度预测模型，以对燃气管网中燃气加臭剂的实时浓度进行预测
。
[0008]本公开还提供一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如前任一所述的方法
。
[0009]本公开还提供一种电子设备，包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如前任一所述的方法
。
[0010]与现有技术相比，本公开带来的有益效果为：
1、
本公开通过滑窗技术将数值数据转换为类图像数据，使用传统图像算法对数值数据进行建模分析，充分利用卷积神经网络强大的特征提取能力来提取数据之间的联系，提高预测精确度；
2、
本公开使用了多尺度残差结构
、
注意力机制
CBAM
以及膨胀卷积来搭建卷积神经网络，将数据的局部特征和全局特征进行融合，提高网络的特征提取能力，提高预测精确度
。
附图说明
[0011]图1为本公开一个实施例提供的一种燃气加臭剂浓度预测方法的流程图；图2为本公开一个实施例提供的数据矩阵划分示意图；图3为本公开另一个实施例提供的燃气加臭剂浓度预测模型的结构示意图；图4为本公开另一个实施例提供的模型中编码模块过程示意图；图5为本公开另一个实施例提供的模型中特征提取模块网络结构图；图6为本公开另一个实施例提供的模型中多尺度残差结构示意图；图7为本公开另一个实施例提供的模型中注意力机制
CBAM
的结构示意图；图8为本公开另一个实施例提供的模型中解码模块过程示意图；图9为本公开另一个实施例提供的本模型与现有循环神经网络的预测结果对比图
。
具体实施方式
[0012]下面将参照附图1至附图9详细地描述本公开的具体实施例
。
虽然附图中显示了本
公开的具体实施例，然而应当理解，可以通过各种形式实现本公开而不应被这里阐述的实施例所限制
。
相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员
。
[0013]需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件
。
本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件
。
本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则
。
如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。
说明书后续描述为实施本公开的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本公开的范围
。
本公开的保护范围当视所附权利要求所界定者为准
。
[0014]为便于对本公开实施例的理解，下面将结合附图以具体实施例为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种燃气加臭剂浓度预测方法，其特征在于，所述方法包括以下步骤：
S100
：采集燃气管网运行系统中的实时燃气数据；
S200
：对所采集的实时燃气数据进行预处理；
S300
：构建燃气加臭剂浓度预测模型并进行训练；其中，燃气加臭剂浓度预测模型包括编码模块
、
特征提取模块和解码模块，特征提取模块包括主干网络，主干网络采用多尺度残差结构以提取输入数据的不同尺度信息；主干网络通过引入注意力机制模块以提高模型对于重要特征的关注度；
S400
：将预处理后的实时燃气数据输入训练好的燃气加臭剂浓度预测模型，以对燃气管网中燃气加臭剂的实时浓度进行预测
。2.
根据权利要求1所述的方法，其特征在于，步骤
S200
中，所述对所采集的实时燃气数据进行预处理包括以下步骤：
S201
：使用
Min
‑
Max
标准化方法对所采集的实时燃气数据进行标准化处理；
S202
：使用滑窗将标准化处理后的实时燃气数据划分为带有时序特征的数据矩阵
。3.
根据权利要求1所述的方法，其特征在于，步骤
S300
中，所述燃气加臭剂浓度预测模型通过以下步骤进行训练：
S301
：采集多组含有不同加臭剂浓度的燃气数据，获得燃气加臭剂浓度数据集，对数据集进行预处理后划分...

【专利技术属性】
技术研发人员：贺亮，刘云川，李劲涛，李想成真，周伟，
申请(专利权)人：重庆泓宝科技股份有限公司，
类型：发明
国别省市：