【技术实现步骤摘要】
本专利技术涉及风险预测，具体但不限于涉及一种基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法。
技术介绍
1、目前国内采用液化天然气(lng)作为清洁能源得到了广泛的推广，有效的降低了我国大气污染物排放量，改善了环境质量。
2、由于大型lng储罐区储存有大量的天然气，通过天然气管道进行燃气传输，为居民生活、储罐车等提供天然气使用，车辆人流大，但是在lng存储和管道运输过程中，因阀门密封性能不足、焊接处腐蚀等情况导致的lng气体存在泄漏的风险，因此要对lng储罐区的ch4浓度进行实时监测预警，严格预防事故的发生。随着自动化程度的不断提高，可以利用传感器或数采仪对lng储罐和运输管道运行参数、大气参数等进行感知并记录再数据库中，但是这些数据并没有被很好地利用起来。因此这些数据为我们优化ch4预测模型提供了新的思路。
3、有鉴于此，需要提供一种新的预测方法，以期解决上述至少部分问题。
技术实现思路
1、针对现有技术中的一个或多个问题，本专利技术提出了一种基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法，能够解决lng大型储罐区大气中ch4浓度预测预警问题。
2、实现本专利技术目的的技术解决方案为：
3、一种基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法，包括：
4、步骤1：获取lng储罐和运输管道的历史运行参数、以及lng罐区的大气环境的历史参数，从前述历史运行参数和历史参数中采
5、步骤2：采用滑动窗口模块将标准化数据样本集转换为输入特征矩阵，所述输入特征矩阵用于lng大型储罐区ch4浓度预测模型的输入，得到重构数据样本集；
6、步骤3：基于重构数据样本集，采用遗传粒子群优化cnn-lstm混合神经网络构建lng大型储罐区ch4浓度预测模型；
7、步骤4：建立lng大型储罐区ch4预警系统，获取lng储罐和运输管道的实时运行参数、以及lng罐区的大气环境的实时参数，将上述实时运行参数和实时参数进行预处理后输入至所述lng大型储罐区ch4浓度预测模型中，得到lng大型储罐区ch4浓度预测值，并根据所述预测值对lng罐区进行风险预警。
8、进一步的，本专利技术的基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法，步骤1中的标记位特征参数包括：储罐温度、储罐压力、管道压力、管道流速、大气温度、大气湿度、风场方向、太阳辐射。
9、进一步的，本专利技术的基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法，步骤1中对所述标记位特征参数进行数据预处理包括：
10、步骤1-1：数据清洗：对于标记位特征参数中的缺失数据，用前一标记位的正常数据进行填补，所述缺失数据指数据值为空的数据；对于标记位特征参数中的异常值数据，删除该异常值数据后用前一标记位的正常数据进行填补，所述异常值数据指与前后时刻数据相差较大、陡升陡降或存在着明显的错误的数据；对于标记位特征参数中的重复数据，保留，所述重复数据指与前后标记位数据相同的多条数据；
11、步骤1-2：数据标准化：采用min-max标准化计算方法对经过数据清洗后的标记位特征参数进行归一化处理，得到标准化数据样本集，min-max标准化计算如下：
12、xinorm＝(xi-xmin)/(xmax-xmin)
13、其中，xinorm表示归一化后的第i个特征参数，xmin表示归一化前特征参数中的最小值，xmax表示归一化前特征参数中的最大值，xi表示归一化前的第i个特征参数。
14、进一步的，本专利技术的基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法，步骤2中获取重构数据样本集包括：
15、步骤2-1：将标准化数据样本集按某一时刻的出口ch4浓度及其影响因子串联成向量构成新的序列数据；所述影响因子为标准化数据样本集中储罐温度、储罐压力、管道压力、管道流速、大气温度、大气湿度、风场方向、太阳辐射等影响ch4浓度的数据；
16、步骤2-2：在时间轴上采用滑动窗口对所述新的序列数据进行捕捉，每次滑动窗口捕捉一段时间内的数据构成一个子序列，所述子序列中的元素表示t时刻lng大型储罐区ch4浓度的影响因子；将子序列转换成特征矩阵用于预测下一时间点的ch4浓度；
17、步骤2-3：重复进行步骤2-2，对每个滑动窗口捕捉到的子序列，将其转换成一个特征矩阵图，所有特征矩阵图组合成一个集合，得到重构数据样本集。
18、进一步的，本专利技术的基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法，步骤2-2中的特征矩阵为：
19、
20、式中：xt×s表示t行s列的输入矩阵，t代表时间窗口，s代表序列特征数。
21、进一步的，本专利技术的基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法，步骤3中采用遗传粒子群优化cnn-lstm混合神经网络构建lng大型储罐区ch4浓度预测模型包括：
22、步骤3-1：获取lng储罐区正常运行时的重构数据样本集，将所述重构数据样本集中的输入特征矩阵的特征变量的历史数据划分为训练集和测试集；
23、步骤3-2：基于所述训练集和测试集建立cnn-lstm神经网络预测模型，所述cnn-lstm预测模型包括四个卷积层、四个池化层、一个lstm层和两个全连接层，并引入了dropout机制减少神经网络预测模型对局部特征的依赖；
24、步骤3-3：设置遗传粒子群ga-pso优化模型的变量约束范围，构建ga-pso优化模型对cnn-lstm预测模型的卷积核个数、隐藏神经元个数、迭代次数进行优化，获得基于遗传粒子群优化的cnn-lstm预测模型，所述ga-pso优化模型是将ga算法中的交叉和变异操作作为算子嵌入到pso算法模型中；
25、步骤3-4：将训练集和测试集数据输入到所述基于遗传粒子群优化的cnn-lstm预测模型中，并将预测的结果进行反归一化处理，计算如下：
26、xi＝xinorm(xmax-xmin)+xmin
27、其中，xi表示反归一化后的第i个特征参数，xinorm表示反归一化前的第i个特征参数，xmin表示反归一化前特征参数中的最小值，xmax表示反归一化前特征参数中的最大值；
28、步骤3-5：基于均方根误差rmse和平均绝对百分比误差mape对lng大型储罐区ch4浓度预测模型的性能进行评价。
29、进一步的，本专利技术的基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法，步骤3-3中ga-pso模型的变量包括：初始种群规模、ga-pso迭代次数、惯性权重系数、交叉概率、变异概率、模型训练轮数、lstm神经元个数范围、卷积核本文档来自技高网...
【技术保护点】
1.一种基于遗传粒子群优化CNN-LSTM的LNG大型储罐区风险预测方法，其特征在于，包括：
2.根据权利要求1所述的基于遗传粒子群优化CNN-LSTM的LNG大型储罐区风险预测方法，其特征在于，步骤1中的标记位特征参数包括：储罐温度、储罐压力、管道压力、管道流速、大气温度、大气湿度、风场方向、太阳辐射。
3.根据权利要求1所述的基于遗传粒子群优化CNN-LSTM的LNG大型储罐区风险预测方法，其特征在于，步骤1中对所述标记位特征参数进行数据预处理包括：
4.根据权利要求1所述的基于遗传粒子群优化CNN-LSTM的LNG大型储罐区风险预测方法，其特征在于，步骤2中获取重构数据样本集包括：
5.根据权利要求4所述的基于遗传粒子群优化CNN-LSTM的LNG大型储罐区风险预测方法，其特征在于，步骤2-2中的特征矩阵为：
6.根据权利要求1所述的基于遗传粒子群优化CNN-LSTM的LNG大型储罐区风险预测方法，其特征在于，步骤3中采用遗传粒子群优化CNN-LSTM混合神经网络构建LNG大型储罐区CH4浓度预测模型包括：
...【技术特征摘要】
1.一种基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法，其特征在于，包括：
2.根据权利要求1所述的基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法，其特征在于，步骤1中的标记位特征参数包括：储罐温度、储罐压力、管道压力、管道流速、大气温度、大气湿度、风场方向、太阳辐射。
3.根据权利要求1所述的基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法，其特征在于，步骤1中对所述标记位特征参数进行数据预处理包括：
4.根据权利要求1所述的基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法，其特征在于，步骤2中获取重构数据样本集包括：
5.根据权利要求4所述的基于遗传粒子群优化cnn-lstm的lng大型储罐区风险预测方法，其特征在于，步骤2-2中的特征矩阵为：
6.根据权利...
【专利技术属性】
技术研发人员：赵红岩，路荣朝，冯志强，郭锐，张升豪，杨田，
申请(专利权)人：曹妃甸新天液化天然气有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。