CN112240595B - 一种蓄热供热系统及泄漏检测方法 - Google Patents

Abstract

本发明提供了一种蓄热供热系统，所述系统包括热源、供热管网、用户以及蓄热器，所述供热管网包含供水管网和回水管网，热水通过供水管网进入用户供热，供热后的冷水通过回水管网返回到热源；所述供热系统还包括蓄热器，所述蓄热器设置在第一管路上，所述用户设置在第二管路上，第一管路和第二管路是并联结构；所述的供水管网和回水管网分别设置第三阀门和第四阀门，热源运行的时候，第三阀门和第四阀门打开；当热源停止运行或者热源能量不足，第三阀门和第四阀门关闭，从而使得蓄热器成为新的热源，蓄热器与用户形成新的供热系统，通过蓄热器向用户提供供热。通过上述设置，保证蓄热器能够将热量储存，满足条件不足情况下的供热。

Description

一种蓄热供热系统及泄漏检测方法

技术领域

本发明涉及一种供热系统，尤其涉及一种智能进行蓄热的供热系统。

背景技术

随着经济的快速发展和人民生活水平的提高，人们对生活热水和采暖热水的需求量也不断增加。根据统计数据表明，我国建筑能耗占社会总能耗的比例在22％-25％之间，其中约40％用于建筑采暖，北方城镇地区采用热网集中供热或小区集中供热的能耗约占建筑采暖能耗的60％。随着生活水平的提高，目前长江流域许多新建的社区也开始采用集中供热，很多城市也在规划大规模集中供热网。可见，有集中采暖需求的地域越来越广。另外，建筑面积的快速增加，采暖需求也会随之大幅度增长，这些都使得国家的节能减排压力与日俱增。

目前供热通常是用锅炉燃烧化石燃料烧出低温热水(60-90℃)直接供给用户采暖，或利用供热站将集中热网中130℃左右的热水(一次侧热水)转换成低温热水(二次侧热水)再供给用户采暖，虽然换热前后的热量总量没有改变，但是换热环节造成的可用能量损失却非常大，其供热效率总是小于1.0的，在长时间运行下，造成大量的采暖能耗。

而另一些采暖设备比如热泵等，从低品位能源侧取热，其效率有所提高，但仍采用的是实时供热模式。即无论是空气源还是土壤源水源等，都是从当前的低温环境中取热。当热泵直接向空气取热时，冬季外界温度较低，温度波动幅度较大，设备效率较低，且冬季空气源热泵蒸发器结霜问题也是无法进一步提高空气源热泵效率的一大技术难题。基于此，冬季土壤温度高于气温且相对稳定一度受到大家的青睐，然而热源并不是取之不尽用之不竭的可再生资源，热泵系统常年从地下提取热量势必会造成土壤温度的逐年下降，从而造成机组性能的大幅度衰减，甚至根本无法运行。

现在现有的供热系统，一般采用一种储热热源作为供热源进行供热，供热源的切换需要人力手工去实现。因此，当储热热源发生故障不能继续提供能量时，或为降低供热成本而一种热源无法满足时，不能及时的对热源进行切换，对生活造成了一定的不便。尤其是在寒冷的冬季，如果热源在供热过程中发生故障或不能继续提供热源时，若不及时切换热源，不仅会发生停热现象，还会因为天气过冷冻坏供热装置，造成一定损失。相变储热是利用材料在发生相变的过程中吸收或释放热能而实现热量存储的一类技术。该类产品采用具有较高相变潜热的材料，通过设计合理的换热、封装结构，搭配智能化控制系统，为用户实现冬季供暖。同时该技术利用电网的峰谷电价差异，在谷电时段将电加热产生的热量进行存储，在峰电或平电时段，将存储的热量放出，为用户供暖。

在我国，具有冬季供暖需求的北方(南方)地区覆盖了约70％的国土面积。长期以来，这些地区清洁供暖比例低，冬季供暖大量使用散煤及热效率低下的小型燃煤锅炉，造成了严重的大气污染。推进清洁取暖对于改善北方地区冬季雾霾具有重要的意义，也是我国建设清洁低碳、安全高效的现代能源体系的有效措施。

相变储能供热系统包含电锅炉、水泵、换热器、二次网、相变储热装置等设备，在实际使用中存在锅炉直接供热、储热装置供热等情况，因此常用的相变储能供热系统均结构复杂，控制繁琐。

供热过程中可能存在局部热量过多，导致供热温度过高，造成供热浪费，因此需要充分利用供热，利用蓄热功能把热量利用起来。

此外集中供热管网泄漏会直接导致管内高温介质大量流失，热污染环境，泄漏严重甚至还可能导致地质塌陷，造成人员伤亡，一直以来都是影响管网安全经济运行的主要故障。随着近些年国内集中供热的快速发展，供热区域及管网规模不断扩大，特别是传统火电厂在国家节能减排政策引导下，积极发展热电联产(如低真空改造、切缸改造、循环水余热利用等)，使得热网运行安全对电厂机组的安全运行影响越来越大，一旦供热管网发生较大泄漏，会直接导致机组跳机，造成重大安全事故。

在先发明利用蓄热技术，将多余热量存储起来，以便使得热量不充分时候利用蓄热继续供热。但是存在一旦热源不足会导致供热出现问题。因此本发明对此进行了进一步的改进，通过改进蓄热器和供热用户的位置关系，满足不同情况下的蓄热需求。

发明内容

本发明针对现有技术中的不足，提供一种相变储能供热系统，该系统结构简单、控制方便，可以合理调节系统的供热模式。本发明同时提供一种智能检测泄漏的供热系统及方法，对管网泄漏实时检测，以解决供热管网泄漏实时检测的技术问题。

为实现上述目的，本发明采用如下技术方案：

一种蓄热供热系统，所述系统包括热源、供热管网、用户以及蓄热器，所述供热管网包含供水管网和回水管网，热水通过供水管网进入用户供热，供热后的冷水通过回水管网返回到热源；所述供热系统还包括蓄热器，所述蓄热器设置在第一管路上，所述用户设置在第二管路上，第一管路和第二管路是并联结构；所述的供水管网和回水管网分别设置第三阀门和第四阀门，热源运行的时候，第三阀门和第四阀门打开；当热源停止运行或者热源能量不足，第三阀门和第四阀门关闭，从而使得蓄热器成为新的热源，蓄热器与用户形成新的供热系统，通过蓄热器向用户提供供热。

作为优选，多个用户所在的管路是并联结构；或者用户是一个。

一种热力供热系统，包括热源、供热管网及用户，所述供热管网包含供水管网和回水管网，管网在线监测系统根据设定的固定时间间隔读取热源、管网分支点与用户处压力数据，实时存储在数据库中，采用两级一维深度卷积神经网络的层级式串联结构，其中第一级网络用来判别泄漏程度，第二级网络用来判别泄漏位置，经过分层故障诊断，最终输出泄漏程度及泄漏位置，以此进行供热管网泄漏故障检测；

包括如下步骤：

数据准备：对数据库中的供热系统压力数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性。

补充数据：采用供热管网泄漏模型，通过增设“虚拟用户”，从而在供回水管路上对应增加“虚拟节点”，实现管道节点泄漏仿真，补充各种泄漏工况标签数据。

生成数据集：对应第一级网络和第二级网络，将准备好的数据分成第一级网络训练集/训练集标签、测试集/测试集标签以及第二级网络训练集/训练集标签、测试集/测试集标签。

网络训练：将第一级网络的训练集数据输入第一级卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络，通过计算网络的输出与第一级网络训练集标签的差，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，第一级网络训练完成，得到泄漏程度检测模型；将第二级网络的训练集数据输入第二级卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络，通过计算网络的输出与第二级网络训练集标签的差，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，第二级网络训练完成，得到泄漏位置检测模型；至此整个层级式串联一维深度卷积神经网络的训练过程完成。

网络测试：将第一级网络的测试集数据输入对应的第一级卷积神经网络中，得到泄漏程度检测结果；根据该泄漏程度，将第二级网络的相应测试集数据输入到相应的第二级网络中，得到泄漏程度以及泄漏位置检测结果。

作为优选，数据准备包括如下步骤：

1)缺失数据的处理：由于网络传输的故障，数据库中会出现缺失值，对缺失的数据值，采用估算的方法，用样本均值代替缺失值；

2)无效数据的处理：由于传感器的故障，导致数据库中的压力数据出现无效值，将其从数据库中删除；

3)不一致数据的处理：借助数据库管理系统的完整性约束机制，检查不一致数据，然后参考数据库中相应的数据值进行纠正。

作为优选，补充数据的管网泄漏模型的方程组如下：

式中，A为管网的关联矩阵，n×m阶；B_f为管网的基本回路矩阵，(m-n)×m阶；G为管段流量向量，G＝(G₁,G₂,···,G_m)；ΔH为管段阻力压降，ΔH＝(ΔH₁,ΔH₂,···,ΔH_m)；S为管段阻力特性系数矩阵(m阶对角矩阵)，S＝diag{S₁,S₂,…,S_m}；|G|为管段流量G的绝对值，m阶对角矩阵，|G|＝diag{|G₁|,|G₂|,…,|G_m|}；DH为管段的水泵向量，DH＝(DH₁,DH₂,···,DH_m)^T，当管段不含水泵时，DH＝0，当有水泵时，DH为水泵扬程；Z为管段支路中两节点的位能差向量，Z＝(Z₁,Z₂,···，Z_m)^T；Q为节点泄漏量，Q＝(Q₁,Q₁,…,Q_n)，正常工况时Q＝0，

其中，

式中，K为管壁的当量绝对粗糙度，m，对于供热管道，一般K＝0.0005m；d为管道内径，m；l、l_d分别为管网计算管段的长度和局部阻力当量长度，m。ρ为管内流体介质的平均密度，kg/m³。

作为优选，生成数据集包括如下步骤：

1)生成第一级网络训练集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的训练集数据以及工况标签；

2)生成第一级网络测试集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的测试集数据以及工况标签；

3)生成第二级网络训练集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的训练集数据以及工况标签；

4)生成第二级网络测试集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的测试集数据以及工况标签。

作为优选，网络训练包括如下步骤：

第一级卷积神经网络的训练：

1)读入一组训练集数据d1，其大小为[M1×1×N1],其中M1表示训练批的大小，1×N1表示一维的训练数据；

2)对读入的训练数据进行第一次卷积操作,得到特征图t1。初始化卷积核g1的系数，设g1的大小为[P1×1×Q1]，其中P1表示卷积核的数量，[1×Q1]表示卷积核的尺寸，得到的卷积结果为t1＝∑(d1*g1)，特征图的大小为[M1×1×N1×Q1]；

3)对卷积操作得到的特征图t1进行最大池化操作，得到特征图z1。初始化池化系数，设池化步长为p1，池化窗口大小为k1，最后得到的特征图z1的大小为[M1×1×(N1/p1)×Q1],池化过程降低了数据的维度；

4)重复以上2)-3)步骤，反复进行卷积与池化操作，得到特征向量x1，此时卷积神经网络的特征提取过程完成；

5)初始化全连接网络的权值矩阵w1和偏置b1，将提取到的特征向量x1送入全连接网络，与权值矩阵w1、偏置b1进行运算，得到网络输出y1＝∑(w1×x1+b1)；

6)将网络得到的输出y1与训练集标签数据l1相减，得到网络误差e1＝y1-l1，利用网络误差e1反向传播，依次修正全连接网络的权值w1、偏置b1、各层池化系数、各层卷积系数；

7)重复上述过程，知道网络误差e1满足精度要求，第一级网络训练过程完成，生成第一级卷积神经网络模型。

第二级卷积神经网络的训练：

1)读入一组训练集数据d2，其大小为[M2×1×N2],其中M2表示训练批的大小，1×N2表示一维的训练数据；

2)对读入的训练数据进行第一次卷积操作,得到特征图t2。初始化卷积核g2的系数，设g2的大小为[P2×1×Q2]，其中P2表示卷积核的数量，[1×Q2]表示卷积核的尺寸，得到的卷积结果为t2＝∑(d2*g2)，特征图的大小为[M2×1×N2×Q2]；

3)对卷积操作得到的特征图t2进行最大池化操作，得到特征图z2。初始化池化系数，设池化步长为p2，池化窗口大小为k2，最后得到的特征图z2的大小为[M2×1×(N2/p2)×Q2],池化过程降低了数据的维度；

4)重复以上2)-3)步骤，反复进行卷积与池化操作，得到特征向量x2，此时卷积神经网络的特征提取过程完成；

5)初始化全连接网络的权值矩阵w2和偏置b2，将提取到的特征向量x2送入全连接网络，与权值矩阵w2、偏置b2进行运算，得到网络输出y2＝∑(w2×x2+b2)；

6)将网络得到的输出y2与训练集标签数据l2相减，得到网络误差e2＝y2-l2，利用网络误差e2反向传播，依次修正全连接网络的权值w2、偏置b2、各层池化系数、各层卷积系数；

7)重复上述过程，直到网络误差e2满足精度要求，第二级网络训练过程完成，生成第二级卷积神经网络模型。

作为优选，网络测试包含如下步骤：

1)加载已经训练好的第一级卷积神经网络模型，此时卷积神经网络的卷积核系数、池化系数、网络权值w1，偏置b1都已经训练完毕；

2)将第一级网络测试数据集输入已经训练好的卷积神经网络中，输出工况标签，从而输出泄漏故障程度检测结果；

3)加载已经训练好的第二级卷积神经网络模型，此时卷积神经网络的卷积核系数、池化系数、网络权值w2，偏置b2都已经训练完毕；

4)根据第一级网络的故障程度检测结果，将第二级网络相应的测试数据集输入已经训练好的卷积神经网络中，从而输出泄漏程度及泄漏位置检测结果。

本发明具有如下优点：

1)本发明提供了一种具有蓄热功能的供热系统，通过上述设置，保证蓄热器能够将热量储存，满足条件不足情况下的供热。

2)本发明提出了一种层级化诊断策略，将泄漏故障分为泄漏程度与泄漏位置，采用两级深度卷积神经网络模型进行诊断。一级网络诊断泄漏程度，二级网络针对每个泄漏程度，进一步诊断泄漏位置，从而降低单级网络模型的复杂度以及网络模型的训练难度，提高检测精度。

3)本申请提供了一种新的智能检测泄漏故障的供热管网系统，通过增加了供热管网泄漏模型建立步骤，诊断泄漏故障程度和泄漏位置提供有力保证，并提高深度神经网络模型精度和泛化能力，从而泄漏提高供热管网泄漏检测效率，降低误报率与漏报率，保证供热管网与电厂机组的安全运行。

4)本发明采用供热管网泄漏模型，通过增设“虚拟用户”，从而在供回水管路上对应增加“虚拟节点”。通过采用管网泄漏仿真模型，获得更多的泄漏标签数据，该数据包含泄漏程度和泄漏位置，从而使得检测功能更全面，检测精度更高。

5)本发明提出了一种检测管网泄漏故障的新思路，充分利用集中供热管网在线监测数据，检测速度快，成本低。

6)本发明将数据处理技术、机器学习与模式识别理论有机融合，可以提高供热管网泄漏故障检测效率，保证供热管网以及电厂机组的安全运行。

附图说明：

图1是本发明供热蓄热系统结构示意图。

图2是本发明供热系统结构示意图。

图3示出了两级深度卷积神经网络的层级式串联结构示意图。

图4示出了供热管网泄漏故障检测流程示意图。

图5示出了一维卷积神经网络结构示意图。

图6示出了卷积神经网络训练过程算法流程图。

图7示出了卷积神经网络误差反向传播示意图。

图8示出了卷积神经网络测试过程算法流程图。

图9示出了供热管网泄漏仿真模型的算法流程图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

图1展示了一种蓄热供热系统。如图1所示，所述供热系统包括热源1(优选为锅炉)、供热管网、用户5以及蓄热器4，所述供热管网包含供水管网2和回水管网3，热水通过供水管网2进入用户供热，供热后的冷水通过回水管网3返回到热源1。

作为一个改进，所述供热系统还包括蓄热器4，所述蓄热器4设置在第一管路9上，所述用户5设置在第二管路11上，第一管路和第二管路是并联结构。通过设置蓄热器，能够将热源1的部分热量储存在蓄热器4中，以达到热量的充分利用。

作为优选，所述的多个用户5所在的管路是并联结构。

作为优选，用户5可以是一个。

作为一个改进，所述第一管路上设置第一阀门7，所述第一阀门7设置在蓄热器4的入口管路上，第二管路11上设置第二阀门8，第二阀门8设置在用户的入口管路上。

作为一个改进，所述蓄热器4中设置第一温度传感器12，检测蓄热器中的温度，优选是蓄热材料的温度，所述供水管网2上设置第二温度传感器13，控制器根据第一温度传感器12和第二温度传感器13检测的大小确定第一阀门7的开闭。

作为优选，如果第一温度传感器检测的温度大于等于第二温度传感器检测的温度，控制器控制第一阀门关闭。

作为优选，如果第一温度传感器检测的温度小于第二温度传感器检测的温度，控制器控制阀门打开。

相对于在先申请，本发明增加了两个温度传感器，通过根据检测的两个温度来控制第一阀门的开闭，可以通过温度的比较，得出蓄热器是否可以进行蓄热。如果供水管网温度低于蓄热器的温度，此时针对蓄热器来说是放热，不是蓄热。通过上述设置能够避免蓄热的损失。

作为一个改进，所述第一阀门和第二阀门是互相配合，第一阀门7和第二阀门8的开度的和保持不变。这样使得总流量保持不变。当第二阀门开度增加，第一阀门开度降低，这样使得更多的热水进入用户5，减少进入蓄热器的热水量，满足用户需要。当第二阀门开度降低，第一阀门开度增加，这样减少热水量进入用户5，增加进入蓄热器的热水量，在满足用户需要的情况下使得更多的热量存储。

作为一个优选，用户5室内设置温度传感器，所述温度传感器用于检测用户的室内温度。所述温度传感器、第一阀门、第二阀门与控制器数据连接，控制器根据检测的用户室内温度控制相应的用户所在管路上阀门的开度大小。

作为一个改进，当检测的用户5室内温度降低，则控制器自动增加第二阀门的开度，降低第一阀门的开度，这样保证更多的热水进入相对应的用户，减少进入蓄热器的水的量，满足供热需要；当检测的用户室内温度升高，则控制器自动降低第二阀门的开度，增加第一阀门的开度，这样保证少的热水进入相对应的用户，增加进入蓄热器的水的量，在满足供热需要的情况下存储更多的热量。

作为一个改进，所述的供水管网2和回水管网3分别设置第三阀门6和第四阀门10，热源1运行的时候，第三阀门6和第四阀门10打开。当热源停止运行或者热源能量不足，第三阀门6和第四阀门10关闭，从而使得蓄热器4成为新的热源，蓄热器4与用户5形成新的供热系统。通过蓄热器4向用户5提供供热。

这样可以使得多余热量存储起来，满足在供热不足条件下的供热。

集中供热管网泄漏会直接导致管内高温介质大量流失，热污染环境，泄漏严重甚至还可能导致地质塌陷，造成人员伤亡，一直以来都是影响管网安全经济运行的主要故障。随着近些年国内集中供热的快速发展，供热区域及管网规模不断扩大，特别是传统火电厂在国家节能减排政策引导下，积极发展热电联产(如低真空改造、切缸改造、循环水余热利用等)，使得热网运行安全对电厂机组的安全运行影响越来越大，一旦供热管网发生较大泄漏，会直接导致机组跳机，造成重大安全事故。

供热管网泄漏检测，特别是泄漏故障实时监测方法的研究及应用，一直得到国内外学者及热力管网运营单位的重点关注。该方法可以分为直接法与间接法两类。直接法主要包括直埋预警线法、分布式光纤测温法以及红外成像检测方法。目前欧洲直埋预警线监测系统已经拥有了较成熟的设计与工艺方法。该方法分为阻抗式与电阻式两种，都需要在预制保温层中埋设报警线，分别通过检测脉冲反射信号和电阻值来诊断故障点及其位置，能够检测内、外渗漏。但该方法需要在一定距离内(国内建议500m)布置检测点，且检测点的现场安装工艺以及整个监测系统对管网设计及工艺都要求很高；分布式光纤测温法主要基于拉曼光反射、布里渊光反射和光纤光栅原理，通过布置在管道外侧，由串联的测温光纤传感器构成的测温系统，感知泄漏产生的温度变化，从而发现泄漏并能进行精确定位。其中基于拉曼光反射的英国York公司分布式光纤温度传感系统应用较多，但相对直埋预警线法，成本更高，技术成熟度低；红外成像检测方法采用热红外成像技术，将被测目标的红外辐射能量分布图像，转换成被测目标温度场的标准视频信号。该方法作为供热管网人工巡检方法之一，不对管网运行产生任何影响，主要用于埋置较浅的直埋热力管道。目前国内外有研究采用无人机载红外摄像对整个城市管网进行泄漏监测，但无法分辨泄漏与管道保温破坏导致的管道周围温度上升，且无人机高空飞行目前受到国家安全管控，实施难度大。

间接法目前主要包括模型法、统计检测法以及神经网络法。模型法即通过建立供热管网稳态或瞬态模型，将管网模拟值与实际运行数据(流量或压力)进行比较分析确定是否泄漏，该方法的准确度主要取决于管网模型的精度；统计检测法是基于统计理论，分析泄漏工况运行数据，并与正常工况建立函数关系来估算泄漏量和泄漏位置。该方法不需要建立模型，只需进行少量的压力与流量概率运算，具有广泛适应性，但是对仪器精度要求严格。鉴于目前供热管网在线监测系统在国内的广泛应用以及仪表精度的不断提高，统计检测法正在逐渐拥有越来越坚实的应用物质基础；神经网络法依靠学习管网正常与故障运行数据，自主分析管网运行状态并建立判断管网泄漏的能力。该方法具有很强的抗干扰能力，但需要大量泄漏数据学习建模。

以上所述两类方法中，第一类直接法中的直埋预警线法，技术工艺较成熟，检测效率较高，但工艺要求高，造价较高，难以短期内在国内推广应用。即使新建管网可以考虑采用，但对于目前已建成运行的供热管网，由于成本过高，更难应用实施；分布式光纤测温法虽然已经有了一定的研究及工程应用积累，且该方法检测效率高，但相对直埋预警线法，其成本更高，技术成熟度更低；红外成像检测方法由于其简便快捷的特性，在人工检测领域已经获得大量应用。但即使国内条件允许，能够采用目前研究开发的无人机载红外摄像检测方法，也只能达到定期检测巡查的目的，且该方法还需解决如何在复杂背景与环境干扰下，分辨并确认供热管道泄漏；第二类间接法中，首先是模型法。无论是稳态或瞬态模型法，还需进一步提高模型精度，研究如何快速有效的建立具体供热管网模型；统计检测方法运算简单、适应性广，且目前国内供热管网大量采用在线监测系统，为其提供了较扎实的应用基础。但还需依靠仪表精度的进一步提高，以及研究开发合适的检测方法与系统，使其能够应用在大型复杂城镇集中供热管网领域；神经网络法面对的主要问题，除了获得有效的运行及泄漏数据以外，还要研究保证神经网络快速有效收敛的优化算法，进一步增强其泛化能力，目前深度学习神经网络的研究，促进了其在故障诊断领域的进一步发展应用。

但鉴于目前集中供热系统运行管理水平，难以从大量运行数据中，获得足够的供热管网泄漏工况标签数据，导致深度学习神经网络模型建立有效的训练集和测试集非常困难，阻碍了其在供热系统故障诊断领域的进一步应用，特别是包含泄漏点位置信息的标签数据的严重缺乏，大大增加了泄漏位置的诊断难度。本项目基于机器学习、模式识别及管网仿真的理论方法，根据供热管网不同的运行工况，利用集中供热管网实时监控系统中具有时间相关性的压力数据，设计出相应的管网模式(正常模式/故障模式)，用大量的压力数据训练两级串联深度卷积神经网络，并采用管网泄漏仿真模型，补充泄漏故障工况下标签数据的不足。补充的泄漏标签数据不但包含泄漏程度信息，还包含泄漏位置信息，为建立有效的训练集与测试集数据，同时诊断泄漏故障程度和泄漏位置提供有力保证，并提高深度神经网络模型精度和泛化能力，从而提高供热管网泄漏检测效率，降低误报率与漏报率，保证供热管网与电厂机组的安全运行。

由于目前城市供热管网规模越来越大，管网运行数据量成倍增长，同时对管网泄漏程度及泄漏位置的诊断精度要求也在不断提高，促进泄漏程度和泄漏位置分类也在增加，从而导致深度神经网络模型的复杂度越来越高，训练难度也越来越大。

一种热力供热系统，包括热源1、供热管网及用户5，所述供热管网包含供水管网2和回水管网3，管网在线监测系统根据设定的固定时间间隔读取热源、管网分支点与用户处压力数据，实时存储在数据库中，采用一维深度卷积神经网络提取数据特征，并进行模式识别。

作为优选，系统除了采集热源、用户处的压力数据以外，至少还要采集1/4的管网分支节点压力数据，供水侧回水侧对称采集。

如图3所示，本申请还公开了一种层级式串联深度卷积神经网络结构。

整个串联结构由两级深度卷积神经网络构成，其中第一级网络由一个一维卷积神经网络构成，用于进行泄漏程度的判别，第二级网络由K个一维卷积神经网络构成，K的取值与泄漏程度等级数有关，作为优选，K＝4。第二级网络根据第一级网络的输出(即泄漏程度)，选择对应的二级网络进行泄漏位置的判别。经过这种层级式的故障诊断，在降低模型的复杂度同时，还可以降低模型训练难度。

因此如图4所示，本申请还公开了一种供热管网泄漏在线检测方法，包括如下步骤：

1、数据准备：对数据库中的供热系统压力数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性。

2、采用管网泄漏模型补充泄漏标签数据。采用供热管网泄漏模型，通过增设“虚拟用户”，从而在供回水管路上对应增加“虚拟节点”，实现管道节点泄漏仿真，补充各种泄漏工况标签数据。

3.生成数据集：对应第一级网络和第二级网络，将准备好的数据分成第一级网络训练集数据/训练集标签、测试集数据/测试集标签以及第二级网络训练集数据/训练集标签、测试集数据/测试集标签。

4.网络训练：将第一级网络的训练集数据输入第一级卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络；通过计算网络的输出与第一级网络训练集标签的差，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，第一级网络训练完成，输出训练集标签，得到泄漏程度检测模型；将第二级网络的训练集数据输入第二级卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络，通过计算网络的输出与第二级网络训练集标签的差，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，第二级网络训练完成，输出训练集标签，得到泄漏位置检测模型；至此整个层级式串联一维深度卷积神经网络的训练过程完成。

5.网络测试：将第一级网络的测试集数据输入对应的第一级卷积神经网络中，得到泄漏程度检测结果；根据该泄漏程度，将第二级网络的相应测试集数据输入到相应的第二级网络中，得到泄漏程度以及泄漏位置检测结果。

作为优选，标签数据是采用两位数来标识泄漏故障程度以及泄漏位置，十位数表示泄漏故障程度，个位数表示泄漏故障位置所在区域。泄漏程度按未泄漏、轻微、中等、严重分别用0、1、2、3标识，泄漏位置标签按供热管网拓扑结构分为若干区域。比如正常工况的标签为00；标签13表示泄漏程度轻微，泄漏位置在第3区。

本发明提供了一种新的智能检测泄漏故障的供热管网系统，本发明基于机器学习与模式识别的理论方法，根据供热管网不同的运行工况，利用集中供热管网实时监控系统中具有时间相关性的压力数据，设计出相应的管网模式(正常模式/故障模式)，用大量的压力数据训练层级式串联深度卷积神经网络，从而进行集中供热管网泄漏故障检测。

相对于先前发明，本发明主要提出采用层级式串联深度卷积神经网络模型代替先前申请的单级式网络模型，将泄漏程度和泄漏位置诊断任务分解，第一级网络模型只完成泄漏程度诊断任务，然后针对不同泄漏程度，连接一个二级网络模型，进一步诊断泄漏位置，从而简化单个神经网络模型结构，同时两级模型分别单独进行泄漏程度与泄漏位置训练，大大降低模型训练难度，提高泄漏故障检测效率。

本发明还采用管网泄漏模型补充泄漏标签数据的步骤，从而解决实际供热系统难以获得足够泄漏故障标签数据，特别是包含泄漏点位置信息的标签数据，保障训练集与测试集包含充分有效的标签数据，使得所提出的深度神经网络模型获得较高的精度和泛化能力，能够同时检测泄漏故障程度和泄漏位置，用训练集数据训练一维卷积神经网络，得到网络模型，用测试集数据测试网络模型的适用性和泛化程度，最终判断泄漏故障是否发生、泄漏故障程度及其泄漏位置所在区域。从而提高故障检测效率，并推动神经网络技术在供热系统故障诊断领域的进一步应用。

本发明通过采用管网泄漏仿真模型，获得更多的泄漏标签数据，该数据包含泄漏程度和泄漏位置，从而使得检测功能更全面，检测精度更高。

作为优选，数据准备步骤具体包含如下处理：

1)缺失数据的处理：由于网络传输的故障，数据库中会出现缺失值。对缺失的数据值，采用估算的方法，用样本均值代替缺失值；

2)无效数据的处理：由于传感器的故障，导致数据库中的压力数据出现无效值，比如负值或者超出了理论上的最大值，此时对于这些值，将其从数据库中删除；

3)不一致数据的处理：借助数据库管理系统的完整性约束机制，检查不一致数据，然后参考数据库中相应的数据值进行纠正。作为一个优选，在供热管网系统中，一个管段的出口压力一定小于进口压力，如果数据库中某管段的出口压力大于其进口压力，此时可以借助数据库管理系统的完整性约束中的检查约束机制，给出用户错误提示，用户根据错误提示，用出口临近点的压力数据值代替这种不一致数据的出口压力数据值。

通过数据处理，能够使得检测方法更加准确。

作为优选，采用管网泄漏模型补充泄漏标签数据，具体如下：

采用供热管网泄漏模型，通过增设“虚拟用户”，从而在供回水管路上对应增加“虚拟节点”，实现管道节点泄漏仿真，补充各种泄漏工况标签数据。虚拟节点应包括管道补偿器节点、管道弯头节点以及管道连接焊接节点(优选每隔12m)等较易发生泄漏的节点。供热管网泄漏模型如下：设供热管网管段数为m，节点数为n+1，则由网络图论理论及基尔霍夫定律，可得该管网泄漏模型的方程组如下：

式中，A为管网的关联矩阵，n×m阶；B_f为管网的基本回路矩阵，(m-n)×m阶；G为管段流量向量，G＝(G₁,G₂,···,G_m)；ΔH为管段阻力压降，ΔH＝(ΔH₁,ΔH₂,···,ΔH_m)；S为管段阻力特性系数矩阵(m阶对角矩阵)，S＝diag{S₁,S₂,…,S_m}；|G|为管段流量G的绝对值，m阶对角矩阵，|G|＝diag{|G₁|,|G₂|,…,|G_m|}；DH为管段的水泵向量，DH＝(DH₁,DH₂,···,DH_m)^T(上标T表示转置矩阵的标示，标示行向量变为列向量)，当管段不含水泵时，DH＝0，当有水泵时，DH为水泵扬程；Z为管段支路中两节点的位能差向量，Z＝(Z₁,Z₂,···，Z_m)^T；Q为节点泄漏量，Q＝(Q₁,Q₁,…,Q_n)，正常工况时Q＝0，其中，管段阻力特性系数如下：

式中，K为管壁的当量绝对粗糙度，m，对于供热管道，一般K＝0.0005m；d为管道内径，m；l、l_d分别为管网计算管段的长度和局部阻力当量长度，m。ρ为管内流体介质的平均密度，kg/m³。)

令

Δh^k＝B_f(S|G^k|G^k+Z-DH)，则管网泄漏模型方程组变为

式中，M—称为马克斯威(Max Well)矩阵，是以B_f为基础的(m-n)×(m-n)阶的对称正定矩阵。M矩阵对应于一定的树，不同的树，相对应的M矩阵也不同；Δh_k—基本回路管段压降代数和，当G^k+1为方程组的解时，其值为0；G^k+1＝G^k+ΔG^k+1，k为迭代次数。

采用改进平方根法，将上述M矩阵唯一地分解为：M＝LDL^T，其中，L为单位下三角矩阵，D为对角矩阵，且因为M矩阵是对称正定矩阵，D的对角元素均为正数。

因此，方程组变为

由矩阵乘法，并注意l_jj＝1，l_jr＝0(j＜r)，得

为了避免重复计算，引进t_ij＝l_ijd_j，则可得按行计算L,T元素的公式为

令

只须求解两个简单的三角形方程组：

①解L^ky^k+1＝-Δh^k，顺代求出y^k+1，

②解

回代求出

将①式开即可得到以下关系式：

然后，由②式可求出以下关系式；

最后求出管网各管段流量G，以及各管段压降ΔH，然后根据设定参考节点(一般取管网定压点)压力，计算获得管网各节点压力P。

d代表式中对角矩阵D的元素；i，k都是表示序号的符号，其中k表示计算循环次数。lk，li均表示式中单位下三角矩阵L中第k个，第i个元素的值。上述表示都是数学中常见的表述方式。

标签数据是采用两位数来标识泄漏故障程度以及泄漏位置，十位数表示泄漏故障程度，个位数表示泄漏故障位置所在区域。泄漏程度按未泄漏、轻微、中等、严重分别用0、1、2、3标识，泄漏位置标签按供热管网拓扑结构分为若干区域。比如正常工况的标签为00；标签13表示泄漏程度轻微，泄漏位置在第3区。

作为优选，生成数据集步骤包括如下步骤：

1)生成第一级网络训练集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的训练集数据以及工况标签；

2)生成第一级网络测试集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的测试集数据以及工况标签；

3)生成第二级网络训练集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的训练集数据以及工况标签；

4)生成第二级网络测试集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的测试集数据以及工况标签。

作为优选，第一级与第二级训练集数据与测试集数据的比例均优选为7：3。

网络训练具体步骤如下：

第一级卷积神经网络的训练：

1)读入一组训练集数据d1，其大小为[M1×1×N1],其中M1表示训练批的大小，1×N1表示一维的训练数据；

2)对读入的训练数据进行第一次卷积操作,得到特征图t1。初始化卷积核g1的系数，设g1的大小为[P1×1×Q1]，其中P1表示卷积核的数量，[1×Q1]表示卷积核的尺寸，得到的卷积结果为t1＝∑(d1*g1)，特征图的大小为[M1×1×N1×Q1]；

3)对卷积操作得到的特征图t1进行最大池化操作，得到特征图z1。初始化池化系数，设池化步长为p1，池化窗口大小为k1，最后得到的特征图z1的大小为[M1×1×(N1/p1)×Q1],池化过程降低了数据的维度；

4)重复以上2)-3)步骤，反复进行卷积与池化操作，得到特征向量x1，此时卷积神经网络的特征提取过程完成；

5)初始化全连接网络的权值矩阵w1和偏置b1，将提取到的特征向量x1送入全连接网络，与权值矩阵w1、偏置b1进行运算，得到网络输出y1＝∑(w1×x1+b1)；

6)将网络得到的输出y1与训练集标签数据l1相减，得到网络误差e1＝y1-l1，利用网络误差e1反向传播，依次修正全连接网络的权值w1、偏置b1、各层池化系数、各层卷积系数；

7)重复上述过程，知道网络误差e1满足精度要求，第一级网络训练过程完成，生成第一级卷积神经网络模型。

第二级卷积神经网络的训练：

1)读入一组训练集数据d2，其大小为[M2×1×N2],其中M2表示训练批的大小，1×N2表示一维的训练数据；

2)对读入的训练数据进行第一次卷积操作,得到特征图t2。初始化卷积核g2的系数，设g2的大小为[P2×1×Q2]，其中P2表示卷积核的数量，[1×Q2]表示卷积核的尺寸，得到的卷积结果为t2＝∑(d2*g2)，特征图的大小为[M2×1×N2×Q2]；

3)对卷积操作得到的特征图t2进行最大池化操作，得到特征图z2。初始化池化系数，设池化步长为p2，池化窗口大小为k2，最后得到的特征图x2的大小为[M2×1×(N2/p2)×Q2],池化过程降低了数据的维度；

4)重复以上2)-3)步骤，反复进行卷积与池化操作，得到特征向量x2，此时卷积神经网络的特征提取过程完成；

5)初始化全连接网络的权值矩阵w2和偏置b2，将提取到的特征向量x2送入全连接网络，与权值矩阵w2、偏置b2进行运算，得到网络输出y2＝∑(w2×x2+b2)；

6)将网络得到的输出y2与训练集标签数据l2相减，得到网络误差e2＝y2-l2，利用网络误差e2反向传播，依次修正全连接网络的权值w2、偏置b2、各层池化系数、各层卷积系数；

7)重复上述过程，直到网络误差e2满足精度要求，第二级网络训练过程完成，生成第二级卷积神经网络模型。作为优选，训练数据是压力数据。

网络测试步骤具体步骤如下：

1)加载已经训练好的第一级卷积神经网络模型，此时卷积神经网络的卷积核系数、池化系数、网络权值w1，偏置b1都已经训练完毕；

2)将第一级网络测试数据集输入已经训练好的卷积神经网络中，输出工况标签，从而输出泄漏程度检测结果；

3)加载已经训练好的第二级卷积神经网络模型，此时卷积神经网络的卷积核系数、池化系数、网络权值w2，偏置b2都已经训练完毕；

4)根据第一级网络的故障程度检测结果，将第二级网络相应的测试数据集输入已经训练好的卷积神经网络中，从而输出泄漏程度及泄漏位置检测结果。

本发明首先对数据库中的供热系统压力数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性。然后将准备好的数据分成第一级网络训练集/训练集标签、测试集/测试集标签，第二级网络训练集/训练集标签、测试集/测试集标签，训练集数据与测试集数据的优选比例为7：3；紧接着将第一级网络训练集数据输入第一级卷积神经网络，经过卷积、池化，得到特征向量，送入全连接网络，通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，第一级网络训练完成，得到泄漏程度判别模型；按照同样方式训练第二级网络，得到泄漏位置判别模型；最后将第一级测试集数据输入到已经训练好的第一级网络中，得到泄漏程度检测结果；根据第一级网络的输出结果，将相应的第二级测试集数据输入到已经训练好的第二级网络中，得到泄漏程度以及泄漏位置。

本发明提出了一种检测管网泄漏故障的新思路，充分利用集中供热管网在线监测数据，检测速度快，成本低。

本发明将数据处理技术、机器学习与模式识别理论有机融合，可以提高供热管网泄漏故障检测效率，保证供热管网以及电厂机组的安全运行。

图5示出了一维卷积神经网络结构示意图，其具体工作过程如下：

1)读入一组训练集数据d，其大小为[M×1×N],其中M表示训练批的大小，1×N表示一维的训练数据；

2)对读入的训练数据进行第一次卷积操作,得到特征图t。初始化卷积核g的系数，设g的大小为[P×1×Q]，其中Q表示卷积核的数量，[1×Q]表示卷积核的尺寸，得到的卷积结果为t＝∑(d*g)，特征图的大小为[M×1×N×Q]；

3)对卷积操作得到的特征图t进行最大池化操作，得到特征图z。初始化池化系数，设池化步长为p，池化窗口大小为k，最后得到的特征图z的大小为[M×1×(N/p)×Q],池化过程降低了数据的维度；

4)重复以上2)-3)步骤，反复进行卷积与池化操作，得到特征向量x，此时卷积神经网络的特征提取过程完成。

本发明中层级式串联网络结构中的第一级、第二级网络均是一维卷积神经网络，其每一级网络的工作过程与上述描述一致。

图6示出了一维卷积神经网络训练过程算法流程图，具体步骤如下：

1)初始化一维卷积神经网络，具体包括初始化卷积核系数，池化系数，全连接层的权值和偏置；

2)从训练集中读取数据以及对应的标签，输入网络；

3)开始进行卷积、池化，再卷积，再池化，得到特征向量；

4)将得到的特征向量送入全连接网络，得到网络输出；

5)计算网络输出与标签数据的误差，判断该误差是否满足精度要求；

6)如果误差满足精度要求，训练结束，保存网络模型；

7)如果误差不满足精度要求，则对误差求梯度，用梯度值依次更新全连接层的权值和偏置、各层池化系数以及卷积系数；

8)重复3)-7)步骤，直到误差满足精度要求，训练完成。

本发明中的层级式串联网络结构中的第一级、第二级网络均是一维卷积神经网络，其每一级网络的训练过程与上述步骤一致。

图7示出了一维卷积神经网络误差反向传播示意图，具体步骤如下：

1)从输出层(最后一层是输出层)开始计算网络输出与训练集标签数据之间的误差，对误差进行求导，得出误差梯度；

2)误差梯度反向传播至全连接层，用梯度值更新全连接网络的权值和偏置；

3)误差梯度继续反向传播至第N个池化层，用误差梯度值更新池化系数；

4)误差梯度继续反向传播至第N个卷积层，用误差梯度值更新卷积层系数；

5)误差梯度继续反向传播至第N-1个池化层，用误差梯度值更新池化系数；

6)误差梯度继续反向传播至第N-1个卷积层，用误差梯度值更新卷积层系数；

7)最后一直到误差梯度继续反向传播至第一池化层，用误差梯度值更新池化系数；

8)最后一直到误差梯度继续反向传播至第一卷积层，用误差梯度值更新卷积层系数；

7)至此，误差反向传播过程完成，同时网络参数得到更新。

本发明中层级式串联网络结构中的第一级、第二级网络均是一维卷积神经网络，其每一级网络的误差传播过程与上述描述步骤一致。

作为优选，N为2。

图8示出了两级串联式卷积神经网络测试过程算法流程图，具体步骤如下：

1)加载已经训练好的第一级神经网络模型；

2)输入测试集数据1；

3)输出管网泄漏程度；

4)根据第一级网络输出的泄漏程度，加载相应的第二级网络模型；

5)输入测试数据集2；

6)输出供热管网泄漏程度以及泄漏位置。

应用案例

在实际应用中，本发明中所定义的两级串联深度卷积神经网络中的每一级网络结构中都包含两个卷积层，两个池化层，一个全连接层，各层参数如下表所示：

Claims (4)

1.一种热力供热系统的检测方法，包括热源、供热管网及用户，所述供热管网包含供水管网和回水管网，管网在线监测系统根据设定的固定时间间隔读取热源、管网分支点与用户处压力数据，实时存储在数据库中，采用两级一维深度卷积神经网络的层级式串联结构，其中第一级网络用来判别泄漏程度，第二级网络用来判别泄漏位置，包括如下步骤：

数据准备：对数据库中的供热系统压力数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性；

补充数据：采用供热管网泄漏模型，通过增设“虚拟用户”，从而在供回水管路上对应增加“虚拟节点”，实现管道节点泄漏仿真，补充各种泄漏工况标签数据；

生成数据集：将准备好的数据分成第一级网络训练集及训练集标签、测试集及测试集标签以及第二级网络训练集及训练集标签、测试集及测试集标签；

网络训练：将第一级网络的训练集数据输入第一级卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络，通过计算网络的输出与第一级网络训练集标签的差，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，第一级网络训练完成，得到泄漏程度检测模型；将第二级网络的训练集数据输入第二级卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络，通过计算网络的输出与第二级网络训练集标签的差，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，第二级网络训练完成，得到泄漏位置检测模型；至此整个层级式串联一维深度卷积神经网络的训练过程完成；

网络测试：将第一级网络的测试集数据输入对应的第一级卷积神经网络中，得到泄漏程度检测结果；根据该泄漏程度，将第二级网络的相应测试集数据输入到相应的第二级网络中，得到泄漏程度以及泄漏位置检测结果；

数据准备包括如下步骤：

1)缺失数据的处理：由于网络传输的故障，数据库中会出现缺失值，对缺失的数据值，采用估算的方法，用样本均值代替缺失值；

2)无效数据的处理：由于传感器的故障，导致数据库中的压力数据出现无效值，将其从数据库中删除；

3)不一致数据的处理：借助数据库管理系统的完整性约束机制，检查不一致数据，然后参考数据库中相应的数据值进行纠正；

补充数据的管网泄漏模型的方程组如下：

式中，A为管网的关联矩阵，n×m阶；B_f为管网的基本回路矩阵，(m-n)×m阶；G为管段流量向量，G＝(G₁,G₂,···,G_m)；ΔH为管段阻力压降，ΔH＝(ΔH₁,ΔH₂,···,ΔH_m)；S为管段阻力特性系数矩阵(m阶对角矩阵)，S＝diag{S₁,S₂,…,S_m}；|G|为管段流量G的绝对值，m阶对角矩阵，|G|＝diag{|G₁|,|G₂|,…,|G_m|}；DH为管段的水泵向量，DH＝(DH₁,DH₂,···,DH_m)^T，当管段不含水泵时，DH＝0，当有水泵时，DH为水泵扬程；Z为管段支路中两节点的位能差向量，Z＝(Z₁,Z₂,···，Z_m)^T；Q为节点泄漏量，Q＝(Q₁,Q₁,…,Q_n)，正常工况时Q＝0，

其中，

式中，K为管壁的当量绝对粗糙度，m，对于供热管道，一般K＝0.0005m；d为管道内径，m；l、l_d分别为管网计算管段的长度和局部阻力当量长度，m；ρ为管内流体介质的平均密度，kg/m³。

2.如权利要求1所述的热力供热系统的检测方法，其特征在于，生成数据集包括如下步骤：

1)生成第一级网络训练集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的训练集数据以及工况标签；

2)生成第一级网络测试集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的测试集数据以及工况标签；

3)生成第二级网络训练集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的训练集数据以及工况标签；

4)生成第二级网络测试集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的测试集数据以及工况标签。

3.如权利要求1所述的热力供热系统的检测方法，其特征在于，网络训练包括如下步骤：

第一级卷积神经网络的训练：

1)读入一组训练集数据d1，其大小为[M1×1×N1],其中M1表示训练批的大小，1×N1表示一维的训练数据；

2)对读入的训练数据进行第一次卷积操作，得到特征图t1，初始化卷积核g1的系数，设g1的大小为[P1×1×Q1]，其中P1表示卷积核的数量，[1×Q1]表示卷积核的尺寸，得到的卷积结果为t1＝∑(d1*g1)，特征图的大小为[M1×1×N1×Q1]；

3)对卷积操作得到的特征图t1进行最大池化操作，得到特征图z1，初始化池化系数，设池化步长为p1，池化窗口大小为k1，最后得到的特征图z1的大小为[M1×1×(N1/p1)×Q1]，池化过程降低了数据的维度；

4)重复以上2)-3)步骤，反复进行卷积与池化操作，得到特征向量x1，此时卷积神经网络的特征提取过程完成；

5)初始化全连接网络的权值矩阵w1和偏置b1，将提取到的特征向量x1送入全连接网络，与权值矩阵w1、偏置b1进行运算，得到网络输出y1＝∑(w1×x1+b1)；

6)将网络得到的输出y1与训练集标签数据l1相减，得到网络误差e1＝y1-l1，利用网络误差e1反向传播，依次修正全连接网络的权值w1、偏置b1、各层池化系数、各层卷积系数；

7)重复上述过程，知道网络误差e1满足精度要求，第一级网络训练过程完成，生成第一级卷积神经网络模型；

第二级卷积神经网络的训练：

1)读入一组训练集数据d2，其大小为[M2×1×N2]，其中M2表示训练批的大小，1×N2表示一维的训练数据；

2)对读入的训练数据进行第一次卷积操作，得到特征图t2，初始化卷积核g2的系数，设g2的大小为[P2×1×Q2]，其中P2表示卷积核的数量，[1×Q2]表示卷积核的尺寸，得到的卷积结果为t2＝∑(d2*g2)，特征图的大小为[M2×1×N2×Q2]；

3)对卷积操作得到的特征图t2进行最大池化操作，得到特征图z2，初始化池化系数，设池化步长为p2，池化窗口大小为k2，最后得到的特征图z2的大小为[M2×1×(N2/p2)×Q2]，池化过程降低了数据的维度；

4)重复以上2)-3)步骤，反复进行卷积与池化操作，得到特征向量x2，此时卷积神经网络的特征提取过程完成；

5)初始化全连接网络的权值矩阵w2和偏置b2，将提取到的特征向量x2送入全连接网络，与权值矩阵w2、偏置b2进行运算，得到网络输出y2＝∑(w2×x2+b2)；

6)将网络得到的输出y2与训练集标签数据l2相减，得到网络误差e2＝y2-l2，利用网络误差e2反向传播，依次修正全连接网络的权值w2、偏置b2、各层池化系数、各层卷积系数；

7)重复上述过程，直到网络误差e2满足精度要求，第二级网络训练过程完成，生成第二级卷积神经网络模型。

4.如权利要求1所述的热力供热系统的检测方法，其特征在于，网络测试包含如下步骤：

1)加载已经训练好的第一级卷积神经网络模型，此时卷积神经网络的卷积系数、池化系数、网络权值w1，偏置b1都已经训练完毕；

2)将第一级网络测试集数据输入已经训练好的卷积神经网络中，输出工况标签，从而输出泄漏程度检测结果；

3)加载已经训练好的第二级卷积神经网络模型，此时卷积神经网络的卷积系数、池化系数、网络权值w2，偏置b2都已经训练完毕；

4)根据第一级网络的故障程度检测结果，将第二级网络相应的测试数据集输入已经训练好的卷积神经网络中，从而输出泄漏程度及泄漏位置检测结果。

Images