CN105042339A - 一种基于无量纲的成品油管道泄漏量估计系统及方法 - Google Patents

Abstract

本发明提出一种基于无量纲的成品油管道泄漏量估计系统及方法，涉及成品油管道泄漏量检测方法技术领域，本发明将现场采集到大量数据在合理的时间内进行有效的分析，利用压力传感器阵列获取整条管段的状态，得到管线的压力变化趋势，同时采用流量平衡法，结合信息一致性理论来分析管道是否发生存在异常情况，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BP神经网络来进行管道压力衰减率进行计算，提高了最终结果的准确性，同时，采用无量纲建模的方法大大的减小了计算量和提高了计算精度。

Description

一种基于无量纲的成品油管道泄漏量估计系统及方法

技术领域

本发明涉及成品油管道泄漏量检测方法技术领域，具体涉及一种基于无量纲的成品油管道泄漏量估计系统及方法。

背景技术

目前，基于负压波检测法的管道泄漏检测系统已经得到较为广泛的应用，但这类系统还存在一些共性的问题：成品油管道泄漏监测系统对于泄漏事故的泄漏等级无法评估，即管道的泄漏量的定量估计在技术上一直无法实现。

目前，准确估计成品油管道的泄漏量与很多方面的因素相关，其中最关键的就是当前管道介质的压力波衰减率，通过准确的压力波衰减率可以建立对应的模型来估计泄漏量；长输成品油管道在水力瞬变过程中，所发生的直接水击压力将会沿管道传播，由于存在剩余流动，直接水击压力波的所到之处，流速会不断变化，直接水击压力波前峰值存在明显的衰减，即所谓的压力波衰减；压力波在管道中传递存在着不同程度上的损失，压力波的每一次传递过程中都是衰减的，根据不同的介质以及距离导致压力波衰减的程度不一；但由于长输管道间距较长，环境影响因素较多，各管道介质边界条件不同，因而目前针对成品油管道中压力波衰减的程度及形式的相关理论还未形成，只能以针对性的管段进行数据收集研究，因此，寻求合适的途径计算压力波衰减率以及建立合适的模型估计泄漏量是未来研究的大方向。

发明内容

针对现有技术的不足，本发明提出一种基于无量纲的成品油管道泄漏量估计系统及方法，以达到准确计算管道压力衰减率和估计泄漏量的目的。

一种基于无量纲的成品油管道泄漏量估计系统，该系统包括信号采集器、压力传感器阵列、三阶有源滤波器、中央处理单元和上位机，其中，

信号采集器：用于采集目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度，并对采集的各类信号进行归一化处理，再发送至三阶有源滤波器；

压力传感器阵列：用于测量管道运行时，整条管道的压力变化情况，再发送至中央处理单元中；

三阶有源滤波器：用于对信号采集器采集的数据进行噪声滤波，再发送至中央处理单元中；

中央处理单元：用于对信号进行放大和模数转换，存储并发送至上位机中；

上位机：

用于查询管网的历史工况情况，判断是否为误报警；

用于实时显示目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度，并求解目标管段的介质平均温度和介质平均密度，根据介质平均温度和介质平均密度获得目标管段内负压波波速；

用于根据目标管段的进口压力和出口压力，采用小波理论确定管道泄漏发生时，被监测管段负压波到达进口和出口的时间差，在根据目标管段的长度、波速和负压波到达进口和出口的时间差，获得泄漏点位于目标管段的位置；

用于根据目标管段的历史数据采用BP神经网络算法，确定目标管段中压力波衰减率；

用于根据获得的目标管段中压力波衰减率，获得目标管段泄漏点的压降，进而获得该泄漏点的孔径；

用于采用无量纲化处理法获取目标管段的泄漏量，并将泄漏量，泄漏点位置和泄漏时间在上位机中进行显示，提示工作人员。

采用基于无量纲的成品油管道泄漏量估计系统进行的估计方法，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，即开通或关闭，并根据阀门和泵的初始状态及压力传感器阵列，构建管网的整体拓扑结构图并获得管网的压力变化曲线；

步骤2、采用信号采集器采集目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度，并对采集的各类信号进行归一化处理，并发送至三阶有源滤波器中进行滤波，再发送至中央处理单元中；

步骤3、采用中央处理单元对信号进行放大和模数转换，存储并发送至上位机中；

步骤4、采用上位机判断目标管段进口与出口的流量差值，判断流量差值是否达到设定阈值，若是，则执行步骤5；否则，返回执行步骤4；

步骤5、查询目标管段的历史工况情况，判断该监控站历史工况情况中是否存在开阀、关阀、开泵和停泵的操作，若是，则为误报警，否则，执行步骤6；

步骤6、查询整条管道的历史工况情况，并确定其他监控站的工况操作是否影响报警监控站的流量差值，若是，则为误报警，否则，执行步骤7；

步骤7、采用上位机实时显示目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度，并求解目标管段的介质平均温度和介质平均密度，根据介质平均温度和介质平均密度获得目标管段内负压波波速；

步骤8、上位机根据目标管段的进口压力和出口压力，采用小波理论确定管道泄漏发生时，被监测管段负压波到达进口和出口的时间差，在根据目标管段的长度、波速和负压波到达进口和出口的时间差，获得泄漏点的位于目标管段的位置；

步骤9、根据目标管段的历史数据采用BP神经网络算法，确定目标管段中压力波衰减率，具体步骤如下：

步骤9-1、将目标管段的进口正常压力值、目标管段的出口正常压力值、目标管段的进口出现泄漏事故后的压力值、目标管段的出口出现泄漏事故后的压力值、目标管段的进口正常流量值、目标管段的出口正常流量值、目标管段的进口出现泄漏事故后的流量值、目标管段的出口出现泄漏事故后的流量值、泄漏点距离进口的距离、管道介质的黏度、管道介质的密度，雷诺数和管道的直径作为BP神经网络的输入，将目标管段进口和出口的压力波衰减率作为输出进行训练；

步骤9-2、将实时采集的目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度作为训练好后BP神经网络的输入，获得目标管段中压力波衰减率；

步骤10、根据获得的目标管段中压力波衰减率，获得目标管段泄漏点的压降和泄漏点压力，进而获得该泄漏点的孔径；

步骤11、采用无量纲化处理法来获取目标管段的泄漏量，具体步骤如下：

步骤11-1、根据目标管段的历史数据，采用非线性回归拟合的方法，构建介质密度、介质黏度、泄漏点压力、介质实时温度、瞬时泄漏量和泄漏孔径六个物理量之间的函数关系；

步骤11-2、在介质密度、介质黏度、泄漏点压力、介质实时温度和泄漏孔径五个物理量中随机选取四个物理量作为基本量，将另一个物理量和瞬时泄漏量作为循环量；

步骤11-3、构建两个循环量分别与四个基本量的函数关系；

步骤11-4、将两个循环量分别与四个基本量的函数关系代入六个物理量之间的函数关系中，获得成品油管道泄漏时的泄漏量模型；

步骤11-5、将实时采集的介质密度、介质黏度、泄漏点压力、介质实时温度和泄漏孔径代入泄漏量模型中，获得泄漏量，并确定该管道上由入口到出口方向前3个监控站内的出口压降，依次计算上述出口压降与报警站入口压降的比值，作为泄漏量的置信度，或确定该管道上由出口到入口方向的前3个监控站内的入口压降，依次计算上述入口压降与报警站出口压降的比值，作为泄漏量的置信度；

步骤11-6、判断泄漏量置信度是否均在设定范围内，若是，则执行步骤11-7，否则，返回执行步骤11-2；

步骤11-7、获得目标管段的泄漏量；

步骤12、将泄漏量、泄漏点位置和泄漏时间在上位机中进行显示，提示工作人员。

步骤11-1所述的六个物理量之间的函数关系，具体公式如下：

其中，表示六个物理量之间的函数，ρ表示介质密度，表示介质黏度，P表示泄漏点压力，T表示介质实时温度，Q为成品油管道泄漏的瞬时泄漏量，d表示泄漏孔径，a、b、c、d、e、f、g、p、q表示返回拟合后的待定系数。

步骤11-3所述的构建两个循环量分别与四个基本量的函数关系，具体公式如下：

${\mathrm{\π}}_j=w^{{\mathrm{\α}}_j}{x}^{{\mathrm{\β}}_j}{y}^{{\mathrm{\γ}}_j}{z}^{{\mathrm{\δ}}_j}{p}_j---\left(2\right)$

其中，π_j表示第j个无量纲数与四个基本量纲的函数；α，β，γ，δ表示基本量指数；w、x、y、z为选取的基本量；p_j表示第j个循环量，j＝1或2。

步骤11-4所述的将两个循环量分别与四个基本量的函数关系代入六个物理量之间的函数关系中，获得成品油管道泄漏时的泄漏量模型，具体如下：

将 ${\mathrm{\π}}_j=w^{{\mathrm{\α}}_j}{x}^{{\mathrm{\β}}_j}{y}^{{\mathrm{\γ}}_j}{z}^{{\mathrm{\δ}}_j}{p}_j$ 代入中，等价为另一关系式：进而得到π_j＝f(π_2-j)，即获得成品油管道泄漏时的泄漏量模型为：

$Q=w^{-{\mathrm{\α}}_j}{x}^{-{\mathrm{\β}}_j}{y}^{-{\mathrm{\γ}}_j}{z}^{-{\mathrm{\δ}}_j}f\left(w^{{\mathrm{\α}}_{3-j}}{x}^{{\mathrm{\β}}_{3-j}}{y}^{{\mathrm{\γ}}_{3-j}}{z}^{{\mathrm{\δ}}_{3-j}}{p}_{3-j}\right)---\left(3\right)$

其中，Q为成品油管道泄漏的瞬时泄漏量，α_j、β_j、γ_j、δ_j表示第j组基本量指数；w、x、y、z为选取的基本量；p_j表示第j个循环量，j＝1或2。

本发明优点：

本发明提出一种基于无量纲的成品油管道泄漏量估计系统及方法，将现场采集到大量数据在合理的时间内进行有效的分析，利用安装压力传感器阵列的方法来获取整条管段的状态，从而得到管线的压力变化趋势，同时采用流量平衡法，结合信息一致性理论来分析管道是否发生存在异常情况，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BP神经网络来进行管道压力衰减率进行计算，提高了最终结果的准确性，同时，采用无量纲建模的方法大大的减小了计算量和提高了计算精度，最后，将泄漏点孔径及泄漏量进行了分级，将各个级别泄漏时的压降、泄漏点的压力进行了归纳，这有利于发生意外泄漏事故时，调度员通过漏点压力、压降及泄漏流量初步判断泄漏事故的级别，更准确地判断所应该采取的应急措施。

附图说明

图1为本发明一种实施例的基于无量纲的成品油管道泄漏量估计系统装置结构框图；

图2为本发明一种实施例的基于无量纲的成品油管道泄漏量估计系统信号传递示意图；

图3为本发明一种实施例的基于无量纲的成品油管道泄漏量估计方法流程图；

图4为本发明一种实施例的采用无量纲化处理来获取目标管段的泄漏量方法流程图。

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所示，本发明实施例中基于无量纲的成品油管道泄漏量估计系统，该系统包括信号采集器、压力传感器阵列、三阶有源滤波器、中央处理单元和上位机；系统中还包括频谱识别模块和串口通信模块；

信号采集器：用于采集目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度，并对采集的各类信号进行归一化处理，再发送至三阶有源滤波器；

压力传感器阵列：用于测量管道运行时，整条管道的压力变化情况，再发送至中央处理单元中；

三阶有源滤波器：用于对信号采集器采集的数据进行噪声滤波，再发送至中央处理单元中；

中央处理单元：用于对信号进行放大和模数转换，存储并发送至上位机中；

上位机：

用于查询管网的历史工况情况，判断是否为误报警；

用于实时显示目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度，并求解目标网段的介质平均温度和介质平均密度，并求解目标管段的介质平均温度和介质平均密度，根据介质平均温度和介质平均密度获得目标管段内负压波波速；

用于根据目标管段的进口压力和出口压力，采用小波理论确定管道泄漏发生时，被监测管段负压波到达进口和出口的时间差，在根据目标管段的长度、波速和负压波到达进口和出口的时间差，获得泄漏点位于目标管段的位置；

用于根据目标管段的历史数据采用BP神经网络算法，确定目标管段中压力波衰减率；

用于根据获得的目标管段中压力波衰减率，获得目标管段泄漏点的压降，进而获得该泄漏点的孔径；

用于采用无量纲化处理法获取目标管段的泄漏量，并将泄漏量，泄漏点位置和泄漏时间在上位机中进行显示，提示工作人员。

频谱识别模块用于对中央处理单元发出的信号进行识别进而调整压电传感器阵列的信号采集模式；

串口通信模块用于实现上位机与中央处理单元之间的通讯；

本发明实施例中，信号采集器采用SITRANSFUH1010外夹式非接触式超声波流量计，压力传感器阵列采用至少6个平面阵列式AC9AP14型压电晶体传感器，三阶有源滤波器采用2个三阶萨顿斯有源滤波器，频谱识别模块主要包括2个AC9AP14型压电晶体传感器；中央处理单元包括DSP、GPS校时模块、时钟电路、复位电路、A/D转化模块和电源电路，其中，DSP采用TMS320F28335型号，GPS校时模块选用DNF4533F型号；

如图2所示，本发明实施例中，在目标管道的上游(入口)和下游(出口)各设置有信号采集器和压力传感器阵列，所述的信号采集器包括流量传感器、温度传感器和密度计，分别采集上游和下游的数据并发送至中央处理单元，中央处理单元通过局域网发送至上位机中，最终实现在终端进行显示；

本发明实施例中，系统基于BP神经网络算法以及无量纲化处理法来分析，获取整条管线的状态并得到整条管线的拓扑结构，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线的运行状况，通过加入压力传感器阵列，更清晰的显示整条管线各个位置的压力变化趋势，同时，也能分析和屏蔽来自工况调整的误报警，利用流量的变化准确的判断出管网是否发生泄漏；利用BP神经网络建立模型，能在较短的时间内计算出管道的压力波衰减率以及泄漏点的泄漏孔径。

采用基于无量纲的成品油管道泄漏量估计系统进行的估计方法，方法流程图如图3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，即开通或关闭，并根据阀门和泵的初始状态及压力传感器阵列，构建管网的整体拓扑结构图并获得管网的压力变化曲线；

本发明实施例中，将上述的检测装置分别安装在某管段的监控站上，通过站内的SCADA系统可以详细监测被监测管段的数据；

步骤2、采用信号采集器采集目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度，并对采集的各类信号进行归一化处理，并发送至三阶有源滤波器中进行滤波，再发送至中央处理单元中；

本发明实施例中，将现场采集到的用于管道检测泄漏各类数据，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，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、采用中央处理单元对信号进行放大和模数转换，存储并发送至上位机中；

步骤4、采用上位机判断目标管段进口与出口的流量差值，判断流量差值是否达到设定阈值，若是，则执行步骤5；否则，返回执行步骤4；

在本发明实施例中，检测异常的时间取1秒钟，设定阈值取值为0.5m³/h；

步骤5、查询目标管段的历史工况情况，判断该监控站历史工况情况中是否存在开阀、关阀、开泵和停泵的操作，若是，则为误报警，否则，执行步骤6；

步骤6、查询整条管道的历史工况情况，并确定其他监控站的工况操作是否影响报警监控站的流量差值，若是，则为误报警，否则，执行步骤7；

本发明实施例中，当输油管段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最大阈值时，获得影响该监控站运行状态的站内工况调整信息，查询数据库对应信息，获得与该监控站相邻的其他监控站的所有工况调整信息以及工况调整信息是否影响报警站的流量差值；

步骤7、采用上位机实时显示目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度，并求解目标网段的介质平均温度和介质平均密度，根据介质平均温度和介质平均密度获得目标管段内负压波波速；

公式如下：

$a=\sqrt{\frac{K\left(t\right)/\mathrm{\ρ}\left(t\right)}{1+\frac{K\left(t\right)}{E}\·\frac{D}{e}\·C_1}}---\left(4\right)$

式中，K(t)为液体的体积弹性系数，ρ(t)为液体的密度，E为管材的弹性模量，D为管道直径，e为管壁厚度，C₁为与管道约束条件有关的修正系数。

步骤8、上位机根据目标管段的进口压力和出口压力，采用小波理论确定管道泄漏发生时，被监测管段负压波到达进口和出口的时间差，在根据目标管段的长度、波速和负压波到达进口和出口的时间差，获得泄漏点的位于目标管段的位置；

$X=\frac{L-\mathrm{\α}(t_2-t_1)}{2}---\left(5\right)$

其中，X表示泄漏点距离目标管段入口的距离，m，L表示目标管段长度，m；α表示负压波传播的速度，m/s，t₁表示负压波到达目标管段第一个站的时间，s；t₂表示负压波到达目标管段第二个站的时间，s；

本发明实施例中，根据华东石油管网的某管段的实际数据，通过密度计和温度信号实时校验负压波的波速和成品油的黏度，通过上述的时间差模型来计算泄漏点的位置信息；

步骤9、根据目标管段的历史数据采用BP神经网络算法，确定目标管段中压力波衰减率，具体步骤如下：

步骤9-1、将目标管段的进口正常压力值P1、目标管段的出口正常压力值P2、目标管段的进口出现泄漏事故后的压力值P3、目标管段的出口出现泄漏事故后的压力值P4、目标管段的进口正常流量值Q1、目标管段的出口正常流量值Q2、目标管段的进口出现泄漏事故后的流量值Q3、目标管段的出口出现泄漏事故后的流量值Q4、泄漏点距离进口的距离L、管道介质的黏度η、管道介质的密度ρ，雷诺数Re和管道的直径D作为BP神经网络的输入，将目标管段进口和出口的压力衰减率作为输出进行训练；

具体步骤如下：

步骤9-1-1、对网络状态初始化，选取隐层的数目为1，取用较小的随机数(0-1的随机数)对网络的连接权值W_ji、V_kj和阈值θ_j、置初值；

W_ji表示输入层的第i个输入神经元与第j个隐层神经元的连接权值，V_kj表示第j个隐层神经元与第k个输出神经元的连接权值，θ_j，分别表示各隐层和输出层的阈值；

步骤9-1-2、把学习样本的值依次作为输入层单元的输入x_i，用输入层与隐层单元的连接权值W_ij和隐层单元阈值θ_j，分别求出隐层单元j的输入U_j和输出Y_j，即：

$U_j=\underset{i}{\mathrm{\Σ}}{w}_{\mathrm{ji}}{x}_i+{\mathrm{\θ}}_j---\left(6\right)$

Y_j＝f(U_j)(7)

其中，f(.)函数是根据负压波特点所选的激励函数，本计算方法选取f(x)＝(1+ce^-x)^-1，W_ji为输入层和隐层节点之间的连接权值，θ_j表示隐层节点的阈值，c表示常数，这里取1即可。

步骤9-1-3、采用以泄漏点位置信息对应的隐层输出y_i与压力衰减率Y_j的连接权重V_kj、输出层单元k的阈值计算出对输出层单元k输入S_k以及相应的输出O_k，即：

O_k＝f(S_k)(9)

其中，表示输出层节点的阈值；

步骤9-1-4、计算第l个管道输入样本的网络输出O_k与目标结果压力衰减率输出T_k误差信号，即：

δ_k＝(O_k-T_k)O_k(1-O_k)(10)

其中，δ_k表示误差信号；k表示第k个输出层神经元；

步骤9-1-5、将δ_k方向沿连接通路逆向传播，计算出由它在泄漏点位置信息单元引起的衰减率误差信号，即：

${\mathrm{\σ}}_k=\left(\underset{k}{\mathrm{\Σ}}{\mathrm{\δ}}_k{V}_{\mathrm{kj}}\right)y_i(1-y_i)---\left(11\right)$

步骤9-1-6、采用δ_k向减少误差方向，按递推公式调整权值和阈值，为了使学习速率足够大，又不易产生振荡，在权值调整算式中，加入动量项，这样将样本集中N个样本数据依次输入网络，按上述过程学习，每学完1遍，计算其均方差，即：

$E=\frac{1}{2N}\underset{l=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\mathrm{\Σ}}{(O_k-T_k)}^2---\left(12\right)$

其中，N表示样本数据的个数；

步骤9-1-7、当E＜α(α为衰减率精度)，学习结束，并输出此时的权值和阈值，否则更新学习次数和权值，返回步骤9-1-1，将样本重新输入网络继续学习，直至E＜α为止。

本发明实施例中，α取值范围是323mm管径的管道中为0.0181％，406mm管径的管道中，为0.089％。

步骤9-2、将实时采集的目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度作为训练好后BP神经网络的输入，获得目标管段中压力波衰减率；

本发明实施例中，根据某站压力变化值可以得到一个结果，而根据某站压力变化值又可以得到另一个结果，为了尽可能减少误差，采取平均值方法，将求得的两个衰减率取平均数；

步骤10、根据获得的目标管段中压力波衰减率，获得目标管段泄漏点的压降ΔP和泄漏点压力，进而获得该泄漏点的孔径；

本发明实施例中，采用华东石油管网某管段发生泄漏事故，已知泄漏点的面积A＝d²/4，d为小孔的泄漏直径，同时对泄漏圆孔进行分级，在[2mm，20mm]之间平均取10个的泄漏等级；

本发明实施例中，管道内油品密度740kg/m³、管内流量200m³/h时得到的压力波衰减率为0.0106/公里，从而得到泄漏点压降0.0095MPa，泄漏点压力为2.6523MPa，通过数据库中的大数据表格反推得到最接近的泄漏孔径大小为6mm。

步骤11、采用无量纲化处理法来获取目标管段的泄漏量，方法流程图如图4所示，具体步骤如下：

步骤11-1、根据目标管段的历史数据，采用非线性回归拟合的方法，构建介质密度、介质黏度、泄漏点压力、介质实时温度、瞬时泄漏量和泄漏孔径六个物理量之间的函数关系；

所述的六个物理量之间的函数关系，具体公式如下：

其中，表示六个物理量之间的函数，ρ表示介质密度，表示介质黏度，P表示泄漏点压力，T表示介质实时温度，Q为成品油管道泄漏的瞬时泄漏量，d表示泄漏孔径，a、b、c、d、e、f、g、p、q表示返回拟合后的待定系数。

步骤11-2、在介质密度、介质黏度、泄漏点压力、介质实时温度和泄漏孔径五个物理量中随机选取四个物理量作为基本量，将另一个物理量和瞬时泄漏量作为循环量；

步骤11-3、构建两个循环量分别与四个基本量的函数关系；

步骤11-3所述的构建两个循环量分别与四个基本量的函数关系，具体公式如下：

${\mathrm{\π}}_j=w^{{\mathrm{\α}}_j}{x}^{{\mathrm{\β}}_j}{y}^{{\mathrm{\γ}}_j}{z}^{{\mathrm{\δ}}_j}{p}_j---\left(2\right)$

其中，π_j表示第j个无量纲数与四个基本量纲的函数；α，β，γ，δ表示基本量指数；w、x、y、z为选取的基本量纲；p_j表示第j个循环量，j＝1或2。

步骤11-4、将两个循环量分别与四个基本量的函数关系代入六个物理量之间的函数关系中，获得成品油管道泄漏时的泄漏量模型；

所述的将两个循环量分别与四个基本量的函数关系代入六个物理量之间的函数关系中，获得成品油管道泄漏时的泄漏量模型，具体如下：

将 ${\mathrm{\π}}_j=w^{{\mathrm{\α}}_j}{x}^{{\mathrm{\β}}_j}{y}^{{\mathrm{\γ}}_j}{z}^{{\mathrm{\δ}}_j}{p}_j$ 代入中，等价为另一关系式：进而得到π_j＝f(π_2-j)，即获得成品油管道泄漏时的泄漏量模型为：

$Q=w^{-{\mathrm{\α}}_j}{x}^{-{\mathrm{\β}}_j}{y}^{-{\mathrm{\γ}}_j}{z}^{-{\mathrm{\δ}}_j}f\left(w^{{\mathrm{\α}}_{3-j}}{x}^{{\mathrm{\β}}_{3-j}}{y}^{{\mathrm{\γ}}_{3-j}}{z}^{{\mathrm{\δ}}_{3-j}}{p}_{3-j}\right)---\left(3\right)$

其中，Q为成品油管道泄漏的瞬时泄漏量，α_j、β_j、γ_j、δ_j表示第j组基本量指数；w、x、y、z为选取的基本量；p_j表示第j个循环量，j＝1或2。

步骤11-5、将实时采集的介质密度、介质黏度、泄漏点压力、介质实时温度和泄漏孔径代入泄漏量模型中，获得泄漏量，并确定该管道上由入口到出口方向前3个监控站内的出口压降，依次计算上述出口压降与报警站入口压降的比值，作为泄漏量的置信度，或确定该管道上由出口到入口方向的前3个监控站内的入口压降，依次计算上述入口压降与报警站出口压降的比值，作为泄漏量的置信度；

步骤11-6、判断泄漏量置信度是否均在设定范围内，若是，则执行步骤11-7，否则，返回执行步骤11-2；

本发明实施例中，白天设定的置信度为0.7～1.0之间，晚上为0.5～1.0之间。

步骤11-7、获得目标管段的泄漏量；

步骤12、将泄漏量，泄漏点位置和泄漏时间在上位机中进行显示，提示工作人员。

Claims (5)

1.一种基于无量纲的成品油管道泄漏量估计系统，其特征在于：该系统包括信号采集器、压力传感器阵列、三阶有源滤波器、中央处理单元和上位机，其中，

信号采集器：用于采集目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度，并对采集的各类信号进行归一化处理，再发送至三阶有源滤波器；

压力传感器阵列：用于测量管道运行时，整条管道的压力变化情况，再发送至中央处理单元中；

三阶有源滤波器：用于对信号采集器采集的数据进行噪声滤波，再发送至中央处理单元中；

中央处理单元：用于对信号进行放大和模数转换，存储并发送至上位机中；

上位机：

用于查询管网的历史工况情况，判断是否为误报警；

用于实时显示目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度，并求解目标管段的介质平均温度和介质平均密度，根据介质平均温度和介质平均密度获得目标管段内负压波波速；

用于根据目标管段的进口压力和出口压力，采用小波理论确定管道泄漏发生时，被监测管段负压波到达进口和出口的时间差，在根据目标管段的长度、波速和负压波到达进口和出口的时间差，获得泄漏点位于目标管段的位置；

用于根据目标管段的历史数据采用BP神经网络算法，确定目标管段中压力波衰减率；

用于根据获得的目标管段中压力波衰减率，获得目标管段泄漏点的压降，进而获得该泄漏点的孔径；

用于采用无量纲化处理法获取目标管段的泄漏量，并将泄漏量，泄漏点位置和泄漏时间在上位机中进行显示，提示工作人员。

2.采用权利要求1所述的基于无量纲的成品油管道泄漏量估计系统进行的估计方法，其特征在于，包括以上步骤：

步骤1、确定管网中每个阀门和泵的初始状态，即开通或关闭，并根据阀门和泵的初始状态及压力传感器阵列，构建管网的整体拓扑结构图并获得管网的压力变化曲线；

步骤2、采用信号采集器采集目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度，并对采集的各类信号进行归一化处理，并发送至三阶有源滤波器中进行滤波，再发送至中央处理单元中；

步骤3、采用中央处理单元对信号进行放大和模数转换，存储并发送至上位机中；

步骤4、采用上位机判断目标管段进口与出口的流量差值，判断流量差值是否达到设定阈值，若是，则执行步骤5；否则，返回执行步骤4；

步骤5、查询目标管段的历史工况情况，判断该监控站历史工况情况中是否存在开阀、关阀、开泵和停泵的操作，若是，则为误报警，否则，执行步骤6；

步骤6、查询整条管道的历史工况情况，并确定其他监控站的工况操作是否影响报警监控站的流量差值，若是，则为误报警，否则，执行步骤7；

步骤7、采用上位机实时显示目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度，并求解目标管段的介质平均温度和介质平均密度，根据介质平均温度和介质平均密度获得目标管段内负压波波速；

步骤8、上位机根据目标管段的进口压力和出口压力，采用小波理论确定管道泄漏发生时，被监测管段负压波到达进口和出口的时间差，再根据目标管段的长度、波速和负压波到达进口和出口的时间差，获得泄漏点的位于目标管段的位置；

步骤9、根据目标管段的历史数据采用BP神经网络算法，确定目标管段中压力波衰减率，具体步骤如下：

步骤9-1、将目标管段的进口正常压力值、目标管段的出口正常压力值、目标管段的进口出现泄漏事故后的压力值、目标管段的出口出现泄漏事故后的压力值、目标管段的进口正常流量值、目标管段的出口正常流量值、目标管段的进口出现泄漏事故后的流量值、目标管段的出口出现泄漏事故后的流量值、泄漏点距离进口的距离、管道介质的黏度、管道介质的密度，雷诺数和管道的直径作为BP神经网络的输入，将目标管段进口和出口的压力波衰减率作为输出进行训练；

步骤9-2、将实时采集的目标管段进口压力、目标管段出口处的压力、目标管段进口流量、目标管段出口流量、介质温度和介质密度作为训练好后BP神经网络的输入，获得目标管段中压力波衰减率；

步骤10、根据获得的目标管段中压力波衰减率，获得目标管段泄漏点的压降和泄漏点压力，进而获得该泄漏点的孔径；

步骤11、采用无量纲化处理法来获取目标管段的泄漏量，具体步骤如下：

步骤11-1、根据目标管段的历史数据，采用非线性回归拟合的方法，构建介质密度、介质黏度、泄漏点压力、介质实时温度、瞬时泄漏量和泄漏孔径六个物理量之间的函数关系；

步骤11-2、在介质密度、介质黏度、泄漏点压力、介质实时温度和泄漏孔径五个物理量中随机选取四个物理量作为基本量，将另一个物理量和瞬时泄漏量作为循环量；

步骤11-3、构建两个循环量分别与四个基本量的函数关系；

步骤11-4、将两个循环量分别与四个基本量的函数关系代入六个物理量之间的函数关系中，获得成品油管道泄漏时的泄漏量模型；

步骤11-5、将实时采集的介质密度、介质黏度、泄漏点压力、介质实时温度和泄漏孔径代入泄漏量模型中，获得泄漏量，并确定该管道上由入口到出口方向前3个监控站内的出口压降，依次计算上述出口压降与报警站入口压降的比值，作为泄漏量的置信度，或确定该管道上由出口到入口方向的前3个监控站内的入口压降，依次计算上述入口压降与报警站出口压降的比值，作为泄漏量的置信度；

步骤11-6、判断泄漏量置信度是否均在设定范围内，若是，则执行步骤11-7，否则，返回执行步骤11-2；

步骤11-7、获得目标管段的泄漏量；

步骤12、将泄漏量、泄漏点位置和泄漏时间在上位机中进行显示，提示工作人员。

3.根据权利要求2所述的估计方法，其特征在于，步骤11-1所述的六个物理量之间的函数关系，具体公式如下：

$F(\mathrm{\ρ},\mathrm{\θ},P,T,Q,d)=a+\frac{b{\mathrm{\ρ}}^e{\mathrm{\θ}}^f{P}^g{e}^{-T}{Q}^P{d}^q+c}{d}=0---\left(1\right)$

其中，F(ρ,θ,P,T,Q,d)表示六个物理量之间的函数，ρ表示介质密度，θ表示介质黏度，P表示泄漏点压力，T表示介质实时温度，Q为成品油管道泄漏的瞬时泄漏量，d表示泄漏孔径，a、b、c、d、e、f、g、p、q表示返回拟合后的待定系数。

4.根据权利要求2所述的估计方法，其特征在于，步骤11-3所述的构建两个循环量分别与四个基本量的函数关系，具体公式如下：

${\mathrm{\π}}_j=w^{{\mathrm{\α}}_j}{x}^{{\mathrm{\β}}_j}{y}^{{\mathrm{\γ}}_j}{Z}^{{\mathrm{\δ}}_j}{p}_j---\left(2\right)$

其中，π_j表示第j个无量纲数与四个基本量纲的函数；α，β，γ，δ表示基本量指数；w、x、y、z为选取的基本量p_j表示第j个循环量，j＝1或2。

5.根据权利要求2所述的估计方法，其特征在于，步骤11-4所述的将两个循环量分别与四个基本量的函数关系代入六个物理量之间的函数关系中，获得成品油管道泄漏时的泄漏量模型，具体如下：

将 ${\mathrm{\π}}_j=w^{{\mathrm{\α}}_j}{x}^{{\mathrm{\β}}_j}{y}^{{\mathrm{\γ}}_j}{Z}^{{\mathrm{\δ}}_j}{p}_j$ 代入 $F(\mathrm{\ρ},\mathrm{\θ},P,T,Q,d)=a+\frac{b{\mathrm{\ρ}}^e{\mathrm{\θ}}^f{P}^g{e}^{-T}{Q}^P{d}^q+c}{d}=0$ 中，等价为另一关系式：进而得到π_j＝f(π_3-j)，即获得成品油管道泄漏时的泄漏量模型为：

$Q=w^{-{\mathrm{\α}}_j}{x}^{-{\mathrm{\β}}_j}{y}^{-{\mathrm{\γ}}_j}{z}^{-{\mathrm{\δ}}_j}f\left(w^{{\mathrm{\α}}_{3-j}}{x}^{{\mathrm{\β}}_{3-j}}{y}^{{\mathrm{\γ}}_{3-j}}{z}^{{\mathrm{\δ}}_{3-j}}{p}_{3-j}\right)---\left(3\right)$

其中，Q为成品油管道泄漏的瞬时泄漏量，α_j、β_j、γ_j、δ_j表示第j组基本量指数；w、x、y、z为选取的基本量；pj表示第j个循环量，j＝1或2。