CN106484987B - 基于粒子群算法的气体传感器优化部署方法及系统 - Google Patents

Abstract

本发明提供基于粒子群算法的气体传感器优化部署方法、系统，应用于为至少一个泄露气体源部署至少一个用于监测泄露气体源的气体传感器，包括：建立风速和风向不随时间变化的气体扩散预测模型；建立风速和风向皆随时间变化的气体扩散测量模型；将气体扩散预测模型和气体扩散测量模型在每个气体传感器监测点中的平均浓度误差率作为粒子群算法中的目标函数；利用粒子群算法计算得到所述目标函数的值在一定范围内的全局最优适应值所对应的至少一个坐标点即为所述为至少一个泄露气体源部署的至少一个气体传感器的坐标点。利用本发明部署的气体传感器监测效率高而且误差率低，解决了实际园区中由于气象变化导致的气体监测无效的问题，提高了监测效率。

Description

基于粒子群算法的气体传感器优化部署方法及系统

技术领域

本发明涉及安全应急监控与通信领域，特别是涉及基于粒子群算法的气体传感器优化部署方法及系统。

背景技术

随着化工行业的发展，在涉及易燃易爆、有毒有害危险品的危化品园区，由于人为、设备、生产、管理、环境等因素，危险气体的泄漏可能会引起火灾、爆炸等一系列严重的事故。事故一旦发生，危害范围较大，往往会超出工业园区或建设项目的边界，给周边人群、环境造成恶劣影响，甚至造成大量人员伤亡和财产损失等。当事故发生在人口密集的城市区域，由于人员疏散困难，造成的后果会更加严重。

现阶段，按照国家规定，园区内会按照一些常规行业标准安装气体传感器，用于对危化品泄漏进行监测，从而在事故发生前进行预警和应急。据健康与安全执行委员会(HSE)的统计，在安装了气体传感器的园区中所发生的事故，超过一半是由于没有被监测到而导致的，也就是说，目前园区中气体传感器的部署没有全面地考虑能够影响气体扩散的因素，包括：泄漏源位置、泄漏源数量、气体组分、气象条件、管道设计、工艺条件、化工园区设备及建筑结构部署、隔离系统、减压系统、监测频率等。除此之外，各种建筑物的阻挡，风向风速和地势、植被等因素，也会使得这些按照常规行业标准安装的气体传感器在气体发生泄漏后监测不到，从而失去了安装气体传感器的意义。换句话说，由于没有采用量化气体泄漏的方法部署气体传感器，所以在有风的情况下，气体扩散的态势图在风向和风力的影响下浓度等值线是变化的，此时，气体传感器形同虚设，根本无法监测到气体，更加不会报警。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供基于粒子群算法的气体传感器优化部署方法及系统，将气体扩散模型结合气象条件中的风速和风向建立预测模型和测量模型，并利用粒子群优化算法对气体传感器进行优化部署，从而解决现有技术中按照一般行业标准来部署气体传感器无法在风向风速改变的情况下监测到扩散的气体等问题。

为实现上述目的及其他相关目的，本发明提供一种基于粒子群算法的气体传感器优化部署方法，应用于为至少一个泄露气体源部署至少一个用于监测泄露气体源的气体传感器，所述方法包括：建立风速和风向不随时间变化的气体扩散预测模型；建立风速和风向皆随时间变化的气体扩散测量模型；将所述气体扩散预测模型和所述气体扩散测量模型在每个气体传感器监测点中的平均浓度误差率作为粒子群算法中的目标函数；利用粒子群算法计算得到所述目标函数的值在一定范围内的全局最优适应值所对应的至少一个坐标点即为所述为至少一个泄露气体源部署的至少一个气体传感器的坐标点。

于本发明一实施例中，所述气体扩散预测模型所在的第一直角坐标系的横坐标轴的方向与所述不随时间变化的风向一致。

于本发明一实施例中，所述气体扩散预测模型为：

其中，为任意空间位置处泄露气体源的预测浓度；v_x为风速大小；自变量(x',y')、(x₀',y₀')分别是该直角坐标系中气体传感器节点的位置坐标、泄漏气体源的位置坐标，(x'-x₀')为该直角坐标系中气体传感器节点与泄漏气体源的横坐标之差；为气体传感器节点与泄露气体源两点之间的距离；k为泄露气体源的扩散率；μ为泄露气体源的质量释放速率。

于本发明一实施例中，所述气体扩散测量模型所在的第二直角坐标系的横坐标轴的方向与所述随时间变化的风向一致。

于本发明一实施例中，将所述第二直角坐标系中的坐标点转换成所述第一直角坐标系中的坐标点，建立的所述气体扩散测量模型为：

其中，为任意空间位置处泄露气体源的测量浓度；v_x(t)为随时间变化的风速大小；为气体传感器节点与泄露气体源之间的距离；θ(t)为变化后的风向与变化前的风向之间的夹角，即所述第一直角坐标系的横坐标轴与所述第二直角坐标系的横坐标轴之间的夹角。

于本发明一实施例中，所述目标函数的公式为：

其中，N为气体传感器的个数，M为泄漏气体源的数目，time为气体泄漏总时间。

于本发明一实施例中，所述全局最优适应值的计算包括：步骤1)假设有K个粒子，每个粒子K_i对应的向量Q_i包括了N个气体传感器节点的：随机部署的初始位置坐标、每次迭代变化后的位置坐标、与二维位置坐标对应的粒子速度、及自身适应值；步骤2)计算每个粒子的自身适应值；步骤3)比较每个粒子的自身适应值，将与目标函数预设值最接近的自身适应值所对应的全局适应值选定为本次计算的全局最优适应值。

于本发明一实施例中，所述全局最优适应值的计算还包括：重复执行预设次数的步骤2)和步骤3)，从而得到最终的全局最优适应值。

为实现上述目的及其他相关目的，本发明提供一种基于粒子群算法的气体传感器优化部署系统，应用于为至少一个泄露气体源部署至少一个用于监测泄露气体源的气体传感器，所述系统包括：模型建立模块，用于建立风速和风向不随时间变化的气体扩散预测模型；建立风速和风向皆随时间变化的气体扩散测量模型；模型计算模块，用于将所述气体扩散预测模型和所述气体扩散测量模型在每个气体传感器监测点中的平均浓度误差率作为粒子群算法中的目标函数；利用粒子群算法计算得到所述目标函数的值在一定范围内的全局最优适应值所对应的至少一个坐标点即为所述为至少一个泄露气体源部署的至少一个气体传感器的坐标点。

于本发明一实施例中，所述气体扩散预测模型所在的第一直角坐标系的横坐标轴的方向与所述不随时间变化的风向一致。

于本发明一实施例中，所述气体扩散预测模型为：

其中，为任意空间位置处泄露气体源的预测浓度；v_x为风速大小；自变量(x',y')、(x₀',y₀')分别是该直角坐标系中气体传感器节点的位置坐标、泄漏气体源的位置坐标，(x'-x₀')为该直角坐标系中气体传感器节点与泄漏气体源的横坐标之差；为气体传感器节点与泄露气体源两点之间的距离；k为泄露气体源的扩散率；μ为泄露气体源的质量释放速率。

于本发明一实施例中，所述气体扩散测量模型所在的第二直角坐标系的横坐标轴的方向与所述随时间变化的风向一致。

于本发明一实施例中，将所述第二直角坐标系中的坐标点转换成所述第一直角坐标系中的坐标点，建立的所述气体扩散测量模型为：

其中，为任意空间位置处泄露气体源的测量浓度；v_x(t)为随时间变化的风速大小；为气体传感器节点与泄露气体源之间的距离；θ(t)为变化后的风向与变化前的风向之间的夹角，即所述第一直角坐标系的横坐标轴与所述第二直角坐标系的横坐标轴之间的夹角。

于本发明一实施例中，所述目标函数的公式为：

其中，N为气体传感器的个数，M为泄漏气体源的数目，time为气体泄漏总时间。

于本发明一实施例中，所述模型计算模块计算所述全局最优适应值是通过以下方式实现的：方式1)假设有K个粒子，每个粒子K_i对应的向量Q_i包括了N个气体传感器节点的：随机部署的初始位置坐标、每次迭代变化后的位置坐标、与二维位置坐标对应的粒子速度、及自身适应值；方式2)计算每个粒子的自身适应值；方式3)比较每个粒子的自身适应值，将与目标函数预设值最接近的自身适应值所对应的全局适应值选定为本次计算的全局最优适应值。

于本发明一实施例中，所述模型计算模块计算所述全局最优适应值的方式还包括：方式4)重复执行预设次数的方式2)和方式3)，从而得到最终的全局最优适应值。

如上所述，本发明的基于粒子群算法的气体传感器优化部署方法及系统，具有以下有益效果：

1)利用气体扩散模型，通过融合风速和风向变化对模型的影响，以及结合粒子群优化算法来部署气体传感器，能有效提高监测效率、降低误差率，解决了现有园区中由于气象变化导致的气体监测无效的问题，大大提高了监测效率；

2)部署好节点后产生的气体扩散态势图更加接近实际气体扩散态势；

3)能够为目前气体传感器部署的标准提供一定的参考价值。

附图说明

图1显示为本发明一实施例的基于粒子群算法的气体传感器优化部署方法流程图。

图2显示为本发明一实施例的坐标变换示意图。

图3显示为本发明一实施例的实验仿真示意图。

图4显示为本发明一实施例的基于粒子群算法的气体传感器优化部署系统模块图。

元件标号说明

4 基于粒子群算法的气体传感器优化部署系统

401 模型建立模块

401 模型计算模块

S101～S109 步骤

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

现有技术中，由于气象条件对气体扩散模型的影响，使得在园区中按照通常标准安装的气体传感器在气体发生泄漏后可能无法真正地将其监测到，从而失去了安装的意义。针对这个问题，本发明提出基于粒子群算法的气体传感器优化部署方法，如图1所示，具体包括步骤：

步骤S101：参考未考虑气象条件(风向、风速)的气体扩散模型(1)：

其中，为t时刻在任意空间位置处泄露气体源的浓度，和分别为泄露气体源的空间位置及其相对于无穷界面XOY的镜像位置，这里，取z＝z₀＝0，即默认化工园区中泄露气体源的位置位于无穷平面XOY中；k为该泄露气体源的扩散率，扩散率的单位为m²/s，扩散率会随环境温度的变化而变化；μ为该泄露气体源的质量释放速率，单位为kg/s；t₀为气体源质量释放的起始时间；

考虑一不变的风，即风速和风向不变，建立气体扩散预测模型(2)：

其中，模型(2)所在的直角坐标系如图2中X′OY′所示，X′轴的方向即为该不变的风向，v_x为风速大小；自变量(x',y')、(x₀',y₀')分别是该直角坐标系中气体传感器节点的位置坐标、泄漏气体源的位置坐标，(x'-x₀')为该直角坐标系中气体传感器节点与泄漏气体源的横坐标之差；为气体传感器节点与泄露气体源两点之间的距离。

步骤S102：考虑风发生了改变(风向和风速都变)，且变化后的风向与变化前的风向之间呈θ(t)夹角(夹角随时间发生变化)，则以变化后的风向建立X轴，进一步建立如图2所示的风向变化后的XOY直角坐标系，在该坐标系下，气体传感器节点的坐标(x,y)为：

泄漏气体源的坐标(x₀,y₀)为：

气体传感器节点与泄漏气体源的距离d为：

将上述式子①～③代入模型(2)中即可建立风速和风向随时间变化的气体扩散测量模型(3)：

步骤S103：根据粒子群算法，将预测模型(2)和测量模型(3)在每个气体传感器监测节点中的平均浓度误差率作为粒子群算法中的目标函数J，即：

其中，N为气体传感器的个数，M为泄漏气体源的数目，time为气体泄漏总时间。

步骤S104：假设有K个粒子，每个粒子K_i对应的向量Q_i包括了N个气体传感器节点的：随机部署的初始位置坐标、每次迭代变化后的位置坐标、与二维位置坐标对应的粒子速度、及自身适应值(该粒子经历过的最好位置)。由向量Q₁～Q_K构成的矩阵如公式(5)所示：

其中，以一个值为一列，第1列到第2N列是随机部署的初始位置坐标，第2N+1列到第4N列是每次迭代后的位置坐标，第4N+1列到第6N列是每个坐标的速度(由于每个气体传感器有x和y两个坐标，所以每个气体传感器有两个速度，N个气体传感器就有2N个速度)，最后一列是每次迭代后的粒子个体的自身适应值。

步骤S105：计算每个粒子的自身适应值[Pbest₁,Pbest₂…Pbest_M]^T。

步骤S106：比较每个粒子的自身适应值，将与目标函数预设值最接近的自身适应值所对应的全局适应值选定为本次计算的全局最优适应值gbest。

步骤S107：根据速度更新公式(6)更新速度：

v_id ^l+1＝w_l*v_id ^l+m₁ξ(P_id ^l-u_id ^l)+m₂η(P_gd ^l-u_id ^l) (6)

其中，i为第i个粒子，d为粒子的第d维变量，即第d个气体传感器的坐标位置的坐标x值或者y值；l为第l次迭代；m₁表示粒子对自身的认知，一般设为2；m₂表示粒子对粒子群的整体认知，通常设为2；ξ和η是[0-1]区间内随机分布的随机数；设定粒子速度v_id的范围为[v_min,v_max]，即当v_id＞v_max，取v_id＝v_max，当v_id＜v_min，取v_id＝v_min；w_l表示惯性权重，较大的w_l对全局具有较好的收敛能力，较小的w_l对局部具有较小的收敛能力；P_id表示在一次迭代后第i个粒子的自身适应值，u_id表示第i个粒子在一次迭代后的第d维坐标位置，P_gd表示在一次迭代后的全局适应值。

步骤S108：根据位置更新公式：u_id ^l+1＝u_id ^l+rv_id ^l+1，更新粒子的位置，其中，速度前面的系数r表示位置更新时的约束因子，一般设为1。

步骤S109：重复步骤S105～S108，直到得到满足平均浓度误差率在一定数值范围内的全局最优适应值，以及该全局最优适应值所对应的为M个泄露气体源部署的N个气体传感器的位置坐标(x₁',y₁')…(x_N',y_N')。

请参阅图3，假设某化工园区中，面积为100m*100m的范围内，共有5个泄漏源(以黑色三角所示)同时发生泄漏，现在要部署20个气体传感器，则根据以下部分假设数据进行实验仿真：气体扩散的预测模型中风速为2m/s，风向不发生变化，吹向-x轴，测量模型中风速设置为：v_x(t)＝2m/s+a*t，风向设置为θ(t)＝πt/n，吹向-x轴并且沿着逆时针方向变化，加速度设置为a＝0.2m/s²，n＝36，气体源扩散率k＝50m²/s，气体源质量释放速率μ＝20kg/s，惯性权重因子w取值为0.729，加速度常数m₁和m₂均取值为1.496，实验的迭代次数为1000次，粒子数目为50个，扩散时间为30s，误差率规定为10％以内，得到以黑点所示的20个气体传感器的布局位置如图3所示。

请参阅图4，与上述方法实施例原理相似的是，本发明提供基于粒子群算法的气体传感器优化部署系统4，作为一种软件实现与方法S101～S109对应的功能，为至少一个泄露气体源部署至少一个气体传感器。由于前述实施例中的技术特征可以应用于本系统实施例，因而不再重复赘述。

所述系统4主要包括：模型建立模块401、模型计算模块402。模型建立模块401用于建立风速和风向不随时间变化的气体扩散预测模型、建立风速和风向皆随时间变化的气体扩散测量模型；模型计算模块402用于将所述气体扩散预测模型和所述气体扩散测量模型在每个气体传感器监测点中的平均浓度误差率作为粒子群算法中的目标函数，利用粒子群算法计算得到所述目标函数的值在一定范围内的全局最优适应值所对应的至少一个坐标点即为所述为至少一个泄露气体源部署的至少一个气体传感器的坐标点。

综上所述，本发明的基于粒子群算法的气体传感器优化部署方法及系统，利用粒子群算法，结合气体扩散模型，融合了风速和风向变化对模型的影响建立了新的模型，利用本发明部署的气体传感器监测效率高而且误差率低，解决了实际园区中由于气象变化导致的气体监测无效的问题，提高了监测效率，有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (8)

1.一种基于粒子群算法的气体传感器优化部署方法，其特征在于，应用于为至少一个泄露气体源部署至少一个用于监测泄露气体源的气体传感器，所述方法包括：

建立风速和风向不随时间变化的气体扩散预测模型；其中，所述气体扩散预测模型为：

其中，为任意空间位置处泄露气体源的预测浓度；v_x为风速大小；自变量(x',y')、(x₀',y₀')分别是第一直角坐标系中气体传感器节点的位置坐标、泄漏气体源的位置坐标，(x'-x₀')为所述第一直角坐标系中气体传感器节点与泄漏气体源的横坐标之差；为气体传感器节点与泄露气体源两点之间的距离；k为泄露气体源的扩散率；μ为泄露气体源的质量释放速率；其中，所述第一直角坐标系的横坐标轴的方向与所述不随时间变化的风向一致；

建立风速和风向皆随时间变化的气体扩散测量模型；其中，所述气体扩散测量模型为：

其中，为任意空间位置处泄露气体源的测量浓度；v_x(t)为随时间变化的风速大小；为气体传感器节点与泄露气体源之间的距离；θ(t)为变化后的风向与变化前的风向之间的夹角，即所述第一直角坐标系的横坐标轴与所述气体扩散测量模型所在的第二直角坐标系的横坐标轴之间的夹角；第二直角坐标系的横坐标轴的方向与所述随时间变化的风向一致；

将所述气体扩散预测模型和所述气体扩散测量模型在每个气体传感器监测点中的平均浓度误差率作为粒子群算法中的目标函数；

利用粒子群算法计算得到所述目标函数的值在一定范围内的全局最优适应值所对应的至少一个坐标点即为所述为至少一个泄露气体源部署的至少一个气体传感器的坐标点。

2.根据权利要求1所述的基于粒子群算法的气体传感器优化部署方法，其特征在于，所述目标函数的公式为：

其中，N为气体传感器的个数，M为泄漏气体源的数目，time为气体泄漏总时间。

3.根据权利要求2所述的基于粒子群算法的气体传感器优化部署方法，其特征在于，所述全局最优适应值的计算包括：

步骤1)假设有K个粒子，每个粒子K_i对应的向量Q_i包括了N个气体传感器节点的：随机部署的初始位置坐标、每次迭代变化后的位置坐标、与二维位置坐标对应的粒子速度、及自身适应值；

步骤2)计算每个粒子的自身适应值；

步骤3)比较每个粒子的自身适应值，将与目标函数预设值最接近的自身适应值所对应的全局适应值选定为本次计算的全局最优适应值。

4.根据权利要求3所述的基于粒子群算法的气体传感器优化部署方法，其特征在于，所述全局最优适应值的计算还包括：重复执行预设次数的步骤2)和步骤3)，从而得到最终的全局最优适应值。

5.一种基于粒子群算法的气体传感器优化部署系统，其特征在于，应用于为至少一个泄露气体源部署至少一个用于监测泄露气体源的气体传感器，所述系统包括：

模型建立模块，用于建立风速和风向不随时间变化的气体扩散预测模型；建立风速和风向皆随时间变化的气体扩散测量模型；其中，

所述气体扩散预测模型为：

为任意空间位置处泄露气体源的预测浓度；v_x为风速大小；自变量(x',y')、(x₀',y₀')分别是第一直角坐标系中气体传感器节点的位置坐标、泄漏气体源的位置坐标，(x'-x₀')为所述第一直角坐标系中气体传感器节点与泄漏气体源的横坐标之差；为气体传感器节点与泄露气体源两点之间的距离；k为泄露气体源的扩散率；μ为泄露气体源的质量释放速率；其中，所述第一直角坐标系的横坐标轴的方向与所述不随时间变化的风向一致；

所述气体扩散测量模型为：

为任意空间位置处泄露气体源的测量浓度；v_x(t)为随时间变化的风速大小；为气体传感器节点与泄露气体源之间的距离；θ(t)为变化后的风向与变化前的风向之间的夹角，即所述第一直角坐标系的横坐标轴与所述气体扩散测量模型所在的第二直角坐标系的横坐标轴之间的夹角；第二直角坐标系的横坐标轴的方向与所述随时间变化的风向一致；

模型计算模块，用于将所述气体扩散预测模型和所述气体扩散测量模型在每个气体传感器监测点中的平均浓度误差率作为粒子群算法中的目标函数；利用粒子群算法计算得到所述目标函数的值在一定范围内的全局最优适应值所对应的至少一个坐标点即为所述为至少一个泄露气体源部署的至少一个气体传感器的坐标点。

6.根据权利要求5所述的基于粒子群算法的气体传感器优化部署系统，其特征在于，所述目标函数的公式为：

其中，N为气体传感器的个数，M为泄漏气体源的数目，time为气体泄漏总时间。

7.根据权利要求6所述的基于粒子群算法的气体传感器优化部署系统，其特征在于，所述模型计算模块计算所述全局最优适应值是通过以下方式实现的：

方式1)假设有K个粒子，每个粒子K_i对应的向量Q_i包括了N个气体传感器节点的：随机部署的初始位置坐标、每次迭代变化后的位置坐标、与二维位置坐标对应的粒子速度、及自身适应值；

方式2)计算每个粒子的自身适应值；

方式3)比较每个粒子的自身适应值，将与目标函数预设值最接近的自身适应值所对应的全局适应值选定为本次计算的全局最优适应值。

8.根据权利要求7所述的基于粒子群算法的气体传感器优化部署系统，其特征在于，所述模型计算模块计算所述全局最优适应值的方式还包括：方式4)重复执行预设次数的方式2)和方式3)，从而得到最终的全局最优适应值。