CN103939749A - 基于大数据的输油管网泄漏智能自适应监控系统及方法 - Google Patents

Abstract

本发明一种基于大数据的石油管网泄漏智能自适应监控系统及方法，属于管道组网内部检测方法技术领域，可以将现场采集到大量数据在合理的时间内进行有效的分析，利用智能自适应的方法来获取管网的状态，从而得到管网的拓扑结构，具体采用流量平衡法，结合信息一致性理论来分析管网是否发生泄漏，方法直观、简单，且灵敏度高、误报率低；并且可以很好的对小泄漏量和缓慢泄漏的检测进行精确的报警；采用广义回归神经网络来进行管网的泄漏定位，提高了结果的准确性。因此，本发明采用基于大数据的策略和智能自适应的方法来解决管道组网的泄漏检测与定位，可以同时达到高精度和高准确性的目标。

Description

基于大数据的输油管网泄漏智能自适应监控系统及方法

技术领域

本发明涉及管道组网内部检测方法技术领域，具体涉及一种基于大数据的石油管网泄漏智能自适应监控系统及方法。

背景技术

管道运输是一种经济、方便的运输方式，和其它运输方式相比，它具有高效、安全、经济、便于控制和管理等优点，因此在流体输送中占有重要的地位。根据“十二五”规划，到2015年末我国油气输送管总长度将达到15万公里左右，其中：新增石油管道2.5万公里，天然气管道4.4万公里。但是由于管道设备老化，地理条件的变化以及人为破坏原因，管道泄漏事故经常发生。当管道发生泄漏事故时，不仅会带来爆炸和引起火灾，甚至还会造成人员伤亡。因此，及时对流体输送管道的监测，采取相应的应急措施，防止泄漏事故的进一步扩大，具有重要的经济意义和社会效益。

流体输送管道的泄漏检测方法很多，主要包括外部环境检测、管壁状况检测和管内流动状态检测，其中管内流动状态检测是目前泄漏检测和定位的主要方法，它又包括状态模型法、基于声波的方法，压力点分析法，负压波方法等等。基于压力信号的管道泄漏检测系统已经得到较为广泛的应用，但目前这类系统还存在一些共性的问题：一是对小泄漏量和缓慢泄漏的检测漏报多，二是系统抗工况扰动能力不强，系统误报多。

目前，对于单条管道的泄漏检测与定位方法的研究已经比较成熟，但在工程实际中存在很多带有一条或者多条支路的输油管线，即管网，从石油管网得到的信息具有信息量大，数据量多的特点，对压力、流量等信号的采集都是毫秒级的数据，这充分体现了大数据的特点，另外石油管网结构复杂，更增加了对石油管网检测泄漏的难度，而当前对管网运输的研究还基本停留在单条管线运输上，不能很好地从整体把握分析，对管网进行检测，并且在管网运输中，压力波在传播过程中受到工况扰动和系统噪声的影响更大，压力信号的衰减也会更剧烈，使得泄漏检测的灵敏度和定位精度大大降低。

发明内容

针对现有技术的缺点以及石油管网的具体特点，本发明提出了一种基于大数据的石油管网泄漏智能自适应监控系统和方法，以达到提高定位精度的准确性、降低在实际应用中的误报率的目的。

一种基于大数据的输油管网泄漏智能自适应监控系统，包括上位机和下位机；下位机包括数据采集器、滤波电路、放大电路、PLC中央处理单元，其中，

数据采集器：用于采集管道进口和出口处的毫秒级压力、毫秒级流量、温度和密度，并对采集的各类信号进行多源一致处理，将其转换为标准统一的数据，并发送至滤波电路中；

滤波电路：用于将采集的信号进行噪声滤波，并将滤波后的信号发送至放大电路中；

放大电路：用于将采集到的信号进行放大处理，并将放大后的信号发送至PLC中央处理单元中；

PLC中央处理单元：用于对采集的信号进行模数转换，并对每段管道进口和出口的数据进行校时处理，并将校时处理后的信号发送至上位机中；

上位机：

用于根据阀门和泵的状态，采用智能自适应的方法获得管网的初始状态，从而得到整个管网的拓扑结构；

用于通过判断采集的入口流量与出口流量之间的差值是否超过阈值，确定管网区域的优先检测范围；

用于通过检查此时所有阀门和泵的状态是否与初始状态相同和判断流量差值与人工放油量或人工加油量是否相等，确定导致采集的信号变化是否由于人为导致；

用于对采集的流量值进行一致性测试，确定采集的流量数据是否有效；

用于确定理论预置泄漏点所产生的压力波到达上游传感器和下游传感器的理论时间差，并将理论时间差的序列和每段管道长度的序列作为广义回归神经网络的输入，将每个预置泄漏点与所在管道入口之间距离的序列作为期望输出，进行训练获得非线性模型，将泄漏点所产生的压力波到达上游传感器和下游传感器的实际时间差带入训练获得的非线性模型中获得实际泄漏点所在位置。

采用基于大数据的输油管网泄漏智能自适应监控系统进行的监控方法，包括以下步骤：

步骤1、确定管网中每个阀门和泵的初始状态，即开启状态或关闭状态，并根据阀门和泵的状态，采用智能自适应的方法获得管网的初始状态，从而得到整个管网的拓扑结构；

步骤2、采用数据采集器采集管道进口和出口处的毫秒级压力、毫秒级流量、温度和密度，并对采集的各类信号进行多源一致处理，将其转换为标准统一的数据，并发送至滤波电路中；

步骤3、采用PLC单元对采集的信号进行模数转换，并对每段管道进口和出口的数据进行校时处理，发送至上位机中进行存储；

步骤4、判断采集的入口流量与出口流量之间的差值是否超过阈值，若超过该阈值，则调查管网历史工况情况，确定与该流量最接近的历史流量所对应的泄漏点监控站，将该监控站负责的管网区域作为优先检测范围，若未超过返回执行步骤2；

步骤5、检查此时所有阀门和泵的状态是否与初始状态相同，若相同，则执行步骤7；若不同，则确定状态变化的阀门和泵的人工放油量或人工加油量，并确定管网进口和出口的流量差值，并执行步骤6；

步骤6、判断流量差值与人工放油量或人工加油量是否相等，若不等，则执行步骤7，若相等则返回执行步骤2；

步骤7、对采集的流量值进行一致性测试，确定采集的流量数据是否有效，具体如下：

判断是否成立，若成立，则执行步骤7，否则返回执行步骤2；

其中，M表示传感器总数；R表示每个监控站安装的流量传感器个数；F表示采集到变化数据的流量传感器个数；

步骤8、确定泄漏点所产生的压力波到达上游传感器和下游传感器的实际时间差；

上游端采集到的压力信号值与下游端采集到的压力信号值之间互相关系数计算公式如下：

${R_{x_i}}_{y_j}=\underset{N\→\∞}{\lim }\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}x\left(t\right)y(t+\mathrm{\τ})---\left(1\right)$

其中，N表示压力数组的长度，T_s表示采样时间间隔，L表示相邻两个监控站之间的管道长度，Δd表示管道内流体的流量状态从旧稳态到新稳态所需的时间；x(t)表示上游端采集到的压力信号值；y(t)表示下游端采集到的压力信号值；x_i表示整个管网中的某个监控站，i为其对应的编号；y_j表示与x_i监控站相邻的监控站，j为对应的编号；a表示压力波的波速；

计算互相关系数取最大值时对应的τ值，该值即为实际时间差；

步骤9、确定理论预置泄漏点所产生的压力波到达上游传感器和下游传感器的理论时间差；

步骤9-1、在管网的每个管道上均匀设置若干个预置泄漏点，每两个预置泄漏点间距离相等；

步骤9-2、确定每个预置泄漏点的压力波到达上游和下游的理论时间差；

理论时间差计算公式如下：

${\mathrm{\τ}}_0=\frac{L-x_l}{a+v}-\frac{x_l}{a-v}---\left(2\right)$

其中，v表示管道内流体本身的流速；x_l表示预置泄漏点距离管道入口的距离；τ₀表示理论时间差；

步骤10、构建每个预置泄漏点与所在管道入口之间距离的序列，构建每个预置泄漏点的压力波到达上游和下游理论时间差的序列，构建每段管道长度的序列；

步骤11、将理论时间差的序列和每段管道长度的序列作为广义回归神经网络的输入，将每个预置泄漏点与所在管道入口之间距离的序列作为期望输出，进行训练；

训练获得的非线性模型如下：

X_L＝f(Δt，Y)      (3)

其中，Δt表示理论时间差序列；X_L表示每个预置泄漏点与所在管道入口之间距离的序列；Y表示每段管道长度的序列；f(Δt，Y)表示理论时间差的序列、每段管道长度的序列、每个预置泄漏点与所在管道入口之间距离的序列之间的非线性函数；

步骤12、将实际时间差带入训练获得的非线性模型中获得实际泄漏点所在位置；

步骤13、将结果进行存储并显示。

步骤4所述的判断采集的每个流量值的变化值通过计算获得或根据实际经验获得，其中，流量值的变化值计算公式如下：

ΔQ_i＝E{Q_in-Q_out-Q_r}       (4)

其中，ΔQ_i表示考虑热动态效应时的入口流量与出口流量之间的差值；Q_in表示管段上游段的入口流量；Q_out表示管段下游段的出口流量；E{·}表示数学期望；Q_r表示考虑热动态效应引起的管道流体变化量的计算值，D表示管道直径；K表示与管道的修正参数有关的修正系数，取值为0.91～0.95；T表示管道中进口处和出口处油品的温度的平均值；P表示管道中的压强；λ流体的黏度，λ的具体取值要参考采集到的密度值来确定。

步骤4中所述的阈值采用智能自适应的方法进行确定：在输油管网正常状态下，在时间t内采集多组管道进出口流量值，求出前时间内的流量平均值和后时间内的流量平均值，计算获得上述两个平均值的差值，若该差值在0.001到0.01之间，则该阈值为所获得差值；否则，则分别去掉前时间内和后的最大流量值和最小流量值，重新求得前时间内的流量平均值和后时间内的流量平均值，直至得到阈值。

本发明的优点：

本发明是一种基于大数据的石油管网泄漏智能自适应监控系统及方法，可以将现场采集到大量数据在合理的时间内进行有效的分析，利用智能自适应的方法来获取管网的状态，从而得到管网的拓扑结构，具体采用流量平衡法，结合信息一致性理论来分析管网是否发生泄漏，方法直观、简单，且灵敏度高、误报率低；并且可以很好的对小泄漏量和缓慢泄漏的检测进行精确的报警；采用广义回归神经网络来进行管网的泄漏定位，提高了结果的准确性。因此，本发明采用基于大数据的策略和智能自适应的方法来解决管道组网的泄漏检测与定位，可以同时达到高精度和高准确性的目标。

附图说明

图1为本发明一种实施例的系统结构图；

图2为本发明一种实施例的硬件电路结构框图；

图3为本发明一种实施例的硬件中下位机的电路结构图；

图4为本发明一种实施例的基于大数据的石油管网泄漏智能自适应监控系统及方法流程图；

图5为本发明一种实施例的管网拓扑图。

具体实施方式

下面结合附图对本发明一种实施例做进一步说明。

如图1和图2所示，一种基于大数据的输油管网泄漏智能自适应监控系统，其特征在于，包括上位机和下位机；下位机包括数据采集器、滤波电路、放大电路、PLC中央处理单元，其中，数据采集器用于采集管道进口和出口处的毫秒级压力、毫秒级流量、温度和密度，并对采集的各类信号进行多源一致处理，将其转换为标准统一的数据，并发送至滤波电路中；滤波电路用于将采集的信号进行噪声滤波，并将滤波后的信号发送至放大电路中；放大电路用于将采集到的信号进行放大处理，并将放大后的信号发送至PLC中央处理单元中；PLC中央处理单元用于对采集的信号进行模数转换，并对每段管道进口和出口的数据进行校时处理，并将校时处理后的信号发送至上位机中；上位机用于根据阀门和泵的状态，采用智能自适应的方法获得管网的初始状态，从而得到整个管网的拓扑结构；用于通过判断采集的入口流量与出口流量之间的差值是否超过阈值，确定管网区域的优先检测范围；用于通过检查此时所有阀门和泵的状态是否与初始状态相同和判断流量差值与人工放油量或人工加油量是否相等，确定导致采集的信号变化是否由于人为导致；用于对采集的流量值进行一致性测试，确定采集的流量数据是否有效；用于确定理论预置泄漏点所产生的压力波到达上游传感器和下游传感器的理论时间差，并将理论时间差的序列和每段管道长度的序列作为广义回归神经网络的输入，将每个预置泄漏点与所在管道入口之间距离的序列作为期望输出，进行训练获得非线性模型，将泄漏点所产生的压力波到达上游传感器和下游传感器的实际时间差带入训练获得的非线性模型中获得实际泄漏点所在位置。

本发明实施例中，数据信号为单向传递，在施工现场，将检测到的这些大量的毫秒级数据，如压力、流量、温度、密度传给数据采集器，进行信号处理，采集到的泵的状态、阀门的状态存储到数据库中，并根据阀门和泵的状态，采用智能自适应的方法获得管网的初始状态，从而得到整个管网的拓扑结构；由滤波电路对这些信号进行滤波，再由放大电路对信号进行放大，处理后的数据信号接到PLC的A/D转换模块中，最后由通讯接口传输到上位机中。

如图3所示，本发明实施例中，PLC单元包括CPS校时模块、时钟电路、复位电路、信号处理模块和电源电路，达到对上下游采集的数据进行时间上的同步的目的，放大电路与PLC单元的A/D转换接口相连，实现从模拟信号导数据信号的转变；PLC单元的输出端连接到上位机中；所述的PLC单元选用PEC9000型号的模块，GPS校时模块选用DNF4533F型号；滤波电路选用EDP型号芯片，放大电路芯片选用NE5532型号，数据采集器选用SYAD02C型号。

本发明基于上述装置，提供了一个石油管网泄漏智能自适应监控系统，该系统基于大数据的策略来分析，结合智能自适应的方法来获取管网的状态并得到管网的拓扑结构，具体利用信息一致性理论，通过对流量传感器的实时监控，做到准确的识别当前管网的运行状况，利用流量的变化准确的判断出管网是否发生泄漏；利用广义回归神经网络建立模型，能在较短的时间内作出响应以及泄漏点的精确定位。

一种基于大数据的石油管网泄漏智能自适应监控方法，流程图如图4所示，包括以下步骤：

步骤1、确定管网中每个阀门和泵的初始状态，即开启状态或关闭状态，并根据阀门和泵的状态，采用智能自适应的方法获得管网的初始状态，从而得到整个管网的拓扑结构；

本发明实施例中，结合智能自适应的方法，当阀门和泵的状态开启时，则对应站的情况反映到管网的拓扑结构中，在关闭时则不反映该站的情况；

步骤2、采用数据采集器采集管道进口和出口处的毫秒级压力、毫秒级流量、温度和密度，并对采集的各类信号进行多源一致处理，将其转换为标准统一的数据，并发送至滤波电路中；

本发明实施例中，将现场采集到的用于管网检测泄漏各类数据，有压力、流量、温度、密度等，这些数据是多源的，并且输入标准是不一致的，因此必须结合智能自适应的方法，将这些数据以及采集到的泵的状态、阀门的状态统一按类存储于数据库中。

步骤3、采用PLC单元对采集的信号进行模数转换，并对每段管道进口和出口的数据进行校时处理，发送至上位机中进行存储；

管道泄漏的精确定位关键之处在于将上、下游同时刻采集的数据经网络通讯汇集到一起，以得到泄漏信号到达上下游端的准确时间差，该时间差是否精确直接影响定位结果，为了提高时间差的精确程度，需要对上下游采集的数据进行时间上的同步，因此，本发明实施例中采用全球定位系统GPS来同步上、下游管道泄漏监测的系统时间，从而消除两端远程数据单元RTU与服务器之间的通信延迟所造成的上下游数据时间差，达到提高定位精度的目的。

步骤4、判断采集的入口流量与出口流量之间的差值是否超过阈值，若超过，则查看管网历史工况情况，确定与该流量差值最接近的历史流量差值所对应的泄漏点监控站，将该监控站负责的管网区域作为优先检测范围，若未超过返回执行步骤2；在该实施例中，t取10分钟；

所述的阈值采用智能自适应的方法进行确定：在输油管网正常状态下，在时间t内采集多组管道进出口流量值，求出前时间内的流量平均值和后时间内的流量平均值，计算获得上述两个平均值的差值，若该差值在0.001到0.01之间，则该阈值为所获得差值；否则，则要分别去掉前时间内和后的最大流量值和最小流量值，重新求得前时间内的流量平均值和后时间内的流量平均值，直至得到阈值；

流量值的变化值计算公式如下：

ΔQ_i＝E{Q_in-Q_out-Q_r}       (4)

其中，ΔQ_i表示考虑热动态效应时的入口流量与出口流量之间的差值；Q_in表示管段上游段的入口流量；Q_out表示管段下游段的出口流量；E{·}表示数学期望；Q_r表示考虑热动态效应引起的管道流体变化量的计算值，D表示管道直径；K表示与管道的修正参数有关的修正系数，取值为0.91～0.95；T表示管道中进口处和出口处油品的温度的平均值；P表示管道中的压强；λ流体的黏度，具体取值要参考采集到的密度值来确定。本实施例中，ΔQ_i取0.005。

本发明实施例中，当油气管网中的某一个监控站在短时间内测出的流量变化值超过规定警戒阈值时，利用PLC和数据库存储的历史信息，获得影响该监控站运行状态变化的所有工况调整信息，依据调整信息结合历史记录中的类似的情况，查询数据库，得到与该监控站相邻的其他监控站的所有工况调整信息，缩小了排查范围。

步骤5、检查此时所有阀门和泵的状态是否与初始状态相同，若相同，则执行步骤7；若不同，则确定状态变化的阀门和泵的油量变化，并确定管网进口和出口的流量差值，并执行步骤6；

步骤6、判断流量差值与人工放油量或人工加油量是否相等，若不等，则执行步骤7，若相等则返回执行步骤2；

本发明实施例中，当检测到管段的阀门、泵的状态发生改变时，判断流量变化是否满足：Δq＝|Q_in-Q_out|，其中：Δ_q表示本次人工放油量或者人工加油量；若是，则可以将该次报警屏蔽掉；若不满足，则对本次流量超过阈值事件进行报警。

步骤7、对采集的流量值进行一致性测试，确定采集的流量数据是否有效，具体如下：

本发明实施例中，如果发生泄漏，在每个端点的流量传感器会检测出流量的变化，但是由于实际中各种因素的影响，如噪声的干扰，传感器的工作状态等等，有可能使部分端点的流量传感器检测不准流量的细微变化。因此，本发明提出的方法是设定多个传感器信号检测一致性的判断准则，即判断是否成立，若成立，则执行步骤7，否则返回执行步骤2；本发明实施例中，判断数据变化的流量传感器个数是否大于4；

其中，M表示流量传感器总数；R表示每个监控站安装的流量传感器个数；F表示采集到变化数据的流量传感器个数；在本实施例中，M取7，R取1；

步骤8、确定泄漏点所产生的压力波到达上游传感器和下游传感器的实际时间差；

本发明实施例中采用对上、下游远程数据单元RTU采集到的泄漏信号进行相关分析的方法来计算时间差，此方法是基于上、下游监测点接收到的泄漏信号的相关性，以互相关系数最大时所对应的时间表征产生的泄漏信号传播到上、下游监测点的时间差。

上游端采集到的压力信号值与下游端采集到的压力信号值之间互相关系数计算公式如下：

${R_{x_i}}_{y_j}=\underset{N\→\∞}{\lim }\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}x\left(t\right)y(t+\mathrm{\τ})---\left(1\right)$

其中，N表示压力数组的长度，T_s表示采样时间间隔，L表示相邻两个监控站之间的管道长度，Δd表示管道内流体的流量状态从旧稳态到新稳态所需的时间；计算机进行相关分析算法时，N的取值决定了最后相关系数的精度，上、下游的泄漏信号各存在两个数组中，在每个采样后，两个计算机数组都需要进行更新(祛除旧的泄漏信号，读取新的泄漏信号)。在本实施例中，L取10公里，a取1000m/s，T_s取0.001s，Δd取4s；

x(t)表示上游端采集到的压力信号值；y(t)表示下游端采集到的压力信号值；x_i表示整个管网中的某个监控站，i为其对应的编号；y_j表示与x_i监控站相邻的监控站，j为对应的编号；a表示压力波的波速；

本发明实施例中，选取5min长度的数据进行相关计算，在计算互相关系数时，若直接用上式计算，计算复杂度为O(N²)，当管道长、采样率高时，计算量大。本发明实施例中，采用快速傅里叶变换算法，可以使总计算量大大降低，复杂度也大大降低；在未发生泄漏时，相关函数将维持在某一很小的数值，而如有泄漏发生，且当τ＝τ′₀时，R(τ)将达到最大值，即R(τ′₀)＝maxR(τ)，相关函数R(τ)的极大值所对应的τ即被认为τ′₀，τ′₀为实际时间差。

步骤9、确定理论预置泄漏点所产生的压力波到达上游传感器和下游传感器的理论时间差；

步骤9-1、在管网的每个管道上均匀设置若干个预置泄漏点，两点间距离相等；

步骤9-2、确定每个预置泄漏点的压力波到达上游和下游的理论时间差；

理论时间差计算公式如下：

${\mathrm{\τ}}_0=\frac{L-x_l}{a+v}-\frac{x_l}{a-v}---\left(2\right)$

其中，v表示管道内流体本身的流速；x_l表示预置泄漏点距离管道入口的距离；τ₀表示理论时间差；本实施例中，v忽略不计；

步骤10、构建每个预置泄漏点与所在管道入口之间距离的序列，构建每个预置泄漏点的压力波到达上游和下游理论时间差的序列，构建每段管道长度的序列；

如图5所示，本发明实施例中，设管网共有7个端点(图中A、B、C、D、E、F、G)E₁，E₂，E₃，E₄，E₅，E₆，E₇，假设泄漏发生在距离上游测点150m处，从第一个监控站出发，将管网按等距离设定66预置泄漏点S₁，S₂，S₃……S₆₆，构建每个预置泄漏点与所在管道入口之间距离的序列，即模拟泄漏位置序列X_L＝[S₁，S₂，S₃……S₆₆]；计算出理论时间差序列从实际中总结出起始站位置，构造位置序列，即每段管道长度的序列Y＝[Y₁，Y₂，Y₃……Y₁₂]；

步骤11、将理论时间差的序列和每段管道长度的序列作为广义回归神经网络的输入，将每个预置泄漏点与所在管道入口之间距离的序列作为期望输出，进行训练；

训练获得的非线性模型如下：

X_L＝f(Δt，Y)       (3)

其中，Δt表示理论时间差序列；X_L表示每个预置泄漏点与所在管道入口之间距离的序列；Y表示每段管道长度的序列；f(Δt，Y)表示理论时间差的序列、每段管道长度的序列、每个预置泄漏点与所在管道入口之间距离的序列之间的非线性函数；

步骤12、将实际时间差带入训练获得的非线性模型中获得实际泄漏点所在位置；

步骤13、将结果进行存储并显示；

本发明实施例中，泄漏点位置确定之后，会通过远程数据单元传到上位机中，然后上位机会按要求显示泄漏信息并且刷新曲线，并对一些其他操作作出响应。

Claims (4)

1.一种基于大数据的输油管网泄漏智能自适应监控系统，其特征在于，包括上位机和下位机；下位机包括数据采集器、滤波电路、放大电路、PLC中央处理单元，其中，

数据采集器：用于采集管道进口和出口处的毫秒级压力、毫秒级流量、温度和密度，并对采集的各类信号进行多源一致处理，将其转换为标准统一的数据，并发送至滤波电路中；

滤波电路：用于将采集的信号进行噪声滤波，并将滤波后的信号发送至放大电路中；

放大电路：用于将采集到的信号进行放大处理，并将放大后的信号发送至PLC中央处理单元中；

PLC中央处理单元：用于对采集的信号进行模数转换，并对每段管道进口和出口的数据进行校时处理，并将校时处理后的信号发送至上位机中；

上位机：

用于根据阀门和泵的状态，采用智能自适应的方法获得管网的初始状态，从而得到整个管网的拓扑结构；

用于通过判断采集的入口流量与出口流量之间的差值是否超过阈值，确定管网区域的优先检测范围；

用于通过检查此时所有阀门和泵的状态是否与初始状态相同和判断流量差值与人工放油量或人工加油量是否相等，确定导致采集的信号变化是否由于人为导致；

用于对采集的流量值进行一致性测试，确定采集的流量数据是否有效；

用于确定理论预置泄漏点所产生的压力波到达上游传感器和下游传感器的理论时间差，并将理论时间差的序列和每段管道长度的序列作为广义回归神经网络的输入，将每个预置泄漏点与所在管道入口之间距离的序列作为期望输出，进行训练获得非线性模型，将泄漏点所产生的压力波到达上游传感器和下游传感器的实际时间差带入训练获得的非线性模型中获得实际泄漏点所在位置。

2.采用权利要求1所述的基于大数据的输油管网泄漏智能自适应监控系统进行的监控方法，其特征在于，包括以下步骤：

步骤1、确定管网中每个阀门和泵的初始状态，即开启状态或关闭状态，并根据阀门和泵的状态，采用智能自适应的方法获得管网的初始状态，从而得到整个管网的拓扑结构；

步骤2、采用数据采集器采集管道进口和出口处的毫秒级压力、毫秒级流量、温度和密度，并对采集的各类信号进行多源一致处理，将其转换为标准统一的数据，并发送至滤波电路中；

步骤3、采用PLC单元对采集的信号进行模数转换，并对每段管道进口和出口的数据进行校时处理，发送至上位机中进行存储；

步骤4、判断采集的入口流量与出口流量之间的差值是否超过阈值，若超过该阈值，则调查管网历史工况情况，确定与该流量最接近的历史流量所对应的泄漏点监控站，将该监控站负责的管网区域作为优先检测范围，若未超过返回执行步骤2；

步骤5、检查此时所有阀门和泵的状态是否与初始状态相同，若相同，则执行步骤7；若不同，则确定状态变化的阀门和泵的人工放油量或人工加油量，并确定管网进口和出口的流量差值，并执行步骤6；

步骤6、判断流量差值与人工放油量或人工加油量是否相等，若不等，则执行步骤7，若相等则返回执行步骤2；

步骤7、对采集的流量值进行一致性测试，确定采集的流量数据是否有效，具体如下：

判断是否成立，若成立，则执行步骤7，否则返回执行步骤2；

其中，M表示传感器总数；R表示每个监控站安装的流量传感器个数；F表示采集到变化数据的流量传感器个数；

步骤8、确定泄漏点所产生的压力波到达上游传感器和下游传感器的实际时间差；

上游端采集到的压力信号值与下游端采集到的压力信号值之间互相关系数计算公式如下：

${R_{x_i}}_{y_j}=\underset{N\→\∞}{\lim }\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}x\left(t\right)y(t+\mathrm{\τ})---\left(1\right)$

其中，N表示压力数组的长度，T_s表示采样时间间隔，L表示相邻两个监控站之间的管道长度，Δd表示管道内流体的流量状态从旧稳态到新稳态所需的时间；x(t)表示上游端采集到的压力信号值；y(t)表示下游端采集到的压力信号值；x_i表示整个管网中的某个监控站，i为其对应的编号；y_j表示与x_i监控站相邻的监控站，j为对应的编号；a表示压力波的波速；

计算互相关系数取最大值时对应的τ值，该值即为实际时间差；

步骤9、确定理论预置泄漏点所产生的压力波到达上游传感器和下游传感器的理论时间差；

步骤9-1、在管网的每个管道上均匀设置若干个预置泄漏点，每两个预置泄漏点间距离相等；

步骤9-2、确定每个预置泄漏点的压力波到达上游和下游的理论时间差

理论时间差计算公式如下：

${\mathrm{\τ}}_0=\frac{L-x_l}{a+v}-\frac{x_l}{a-v}---\left(2\right)$

其中，v表示管道内流体本身的流速；x_l表示预置泄漏点距离管道入口的距离；τ₀表示理论时间差；

步骤10、构建每个预置泄漏点与所在管道入口之间距离的序列，构建每个预置泄漏点的压力波到达上游和下游理论时间差的序列，构建每段管道长度的序列；

步骤11、将理论时间差的序列和每段管道长度的序列作为广义回归神经网络的输入，将每个预置泄漏点与所在管道入口之间距离的序列作为期望输出，进行训练；

训练获得的非线性模型如下：

X_L＝f(Δt，Y)       (3)

其中，Δt表示理论时间差序列；X_L表示每个预置泄漏点与所在管道入口之间距离的序列；Y表示每段管道长度的序列；f(Δt，Y)表示理论时间差的序列、每段管道长度的序列、每个预置泄漏点与所在管道入口之间距离的序列之间的非线性函数；

步骤12、将实际时间差带入训练获得的非线性模型中获得实际泄漏点所在位置；

步骤13、将结果进行存储并显示。

3.根据权利要求2所述的监控方法，其特征在于，步骤4所述的判断采集的每个流量值的变化值通过计算获得或根据实际经验获得，其中，流量值的变化值计算公式如下：

ΔQ_i＝E{Q_in-Q_out-Q_r}     (4)

其中，ΔQ_i表示考虑热动态效应时的入口流量与出口流量之间的差值；Q_in表示管段上游段的入口流量；Q_out表示管段下游段的出口流量；E{·}表示数学期望；Q_r表示考虑热动态效应引起的管道流体变化量的计算值，D表示管道直径；K表示与管道的修正参数有关的修正系数，取值为0.91～0.95；T表示管道中进口处和出口处油品的温度的平均值；P表示管道中的压强；λ流体的黏度，λ的具体取值要参考采集到的密度值来确定。

4.根据权利要求2所述的监控方法，其特征在于，步骤4中所述的阈值采用智能自适应的方法进行确定：在输油管网正常状态下，在时间t内采集多组管道进出口流量值，求出前时间内的流量平均值和后时间内的流量平均值，计算获得上述两个平均值的差值，若该差值在0.001到0.01之间，则该阈值为所获得差值；否则，则分别去掉前时间内和后的最大流量值和最小流量值，重新求得前时间内的流量平均值和后时间内的流量平均值，直至得到阈值。