CN113902270A - 一种用于城市燃气区域安全评级的方法及系统 - Google Patents
一种用于城市燃气区域安全评级的方法及系统 Download PDFInfo
- Publication number
- CN113902270A CN113902270A CN202111125868.0A CN202111125868A CN113902270A CN 113902270 A CN113902270 A CN 113902270A CN 202111125868 A CN202111125868 A CN 202111125868A CN 113902270 A CN113902270 A CN 113902270A
- Authority
- CN
- China
- Prior art keywords
- strategy
- gas
- population
- formula
- grid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000007906 compression Methods 0.000 claims abstract description 10
- 230000006835 compression Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 23
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008901 benefit Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000002860 competitive effect Effects 0.000 claims description 2
- 238000013144 data compression Methods 0.000 claims description 2
- 238000004200 deflagration Methods 0.000 claims description 2
- 238000004880 explosion Methods 0.000 claims description 2
- 231100000572 poisoning Toxicity 0.000 claims description 2
- 230000000607 poisoning effect Effects 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 claims description 2
- 238000005295 random walk Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 230000004083 survival effect Effects 0.000 claims description 2
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims 2
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims 2
- 210000000299 nuclear matrix Anatomy 0.000 claims 2
- 238000012937 correction Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000007726 management method Methods 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 abstract 1
- 230000007774 longterm Effects 0.000 abstract 1
- 238000012800 visualization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013523 data management Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于城市燃气区域安全评级的方法及系统,所述系统包括:燃气地理信息栅格划分服务、燃气事故监控服务、燃气管网区域评级服务、燃气事故区域评级服务和燃气智能算法分布式计算服务。本发明提供的城市燃气区域安全评级系统及方法,充分利用了燃气管道数据、燃气事故数据和燃气消费数据,通过自主设计的栅格划分算法,将数据分栅格区域进行统计和计算,使用本发明提出的多搜索策略竞争合作演化算法、聚类算法、压缩算法,提取有用的特征,将区域数据进行智能安全分级。将分级后的结果数据通过系统可视化出来,并具体用于指导实际的城市燃气的安全巡查及长期规划中,提高工作效率,实现跨区域燃气差异化管理,在解决区域安全评级方面采取了多种技术结合的方法,有效的衡量了燃气的区域安全性。
Description
技术领域
本发明涉及城市能源数据管理技术领域,具体涉及一种用于城市燃气区域安全评级的方法及系统。
背景技术
信息技术与经济社会的交汇融合引发了数据迅猛增长,以容量大、类型多、存取速度快、应用价值高为主要特征的大数据已成为国家基础性战略资源,大数据正日益对全球生产、流通、分配、消费活动以及经济运行机制、社会生活方式和国家治理能力产生重要影响。能源行业是我国经济建设和产业结构调整与升级的重点,在能源生产、运输、消费和管理的过程中,每天都会产生大量的数据,其中燃气区域安全评级是城市能源区域管理的重要组成部分,燃气具有易燃易爆的特性,与城市安全生产、生活密切相关,利用新一代信息技术,与互联网实现深度融合,对保障城市能源安全、稳定供应和节能减排具有重要作用。
随着互联网技术的发展,互联网技术与传统燃气行业相结合,出现了一些面向城市燃气的系统,但是,目前现有的城市燃气系统主要以数据可视化、燃气运营指标展示等以燃气可视化为核心工作内容,没有与互联网技术进行深度的结合,系统获取大量的燃气数据只是被记录下来并加以简单的展示,如燃气管网可视化、燃气用户可视化、燃气用气量可视化、燃气事故可视化等,现有的城市燃气系统没有将上述系统记录下的数据加以充分的利用,没有深入挖掘和分析数据,并将数据转换成智慧,所以由于各种技术及相关因素的限制,国内目前对于城市燃气数据评级方面的技术还处于传统的管理系统的阶段,已经不足以应对当今社会对于智慧城市、城市安全建设的需求。
目前约束城市燃气区域安全评级的主要技术因素有。
1、中大型城市的城市能源数据的数据量庞大,如何有效的将城市能源数据进行分析和处理,并得到一些有意义的数据和结论是目前城市能源数据管理系统的重要难题。
2、基于微服务框架的面向城市能源数据管理系统的Web端应当如何构建。
3、由于城市能源数据量庞大、数据维度较高,如何能够正确的利用计算机算法对燃气区域进行安全评级。
发明内容
本发明为了克服现有技术的不足,旨在提出一种用于城市燃气区域安全评级的方法及系统。本发明系统将以燃气管网数据、燃气客户数据、燃气事故数据为基础,将多源异构数据进行深度融合,并进行城市燃气日常监控、燃气区域风险评级和燃气管网区域风险评级,为能源企业提供综合业务应用和展示、数据分析和数据计算方法。
为解决上述技术问题,本发明提供如下技术方案:一种用于城市燃气区域计算的方法及系统,如图1所示,包括:燃气地理信息栅格划分服务、燃气事故监控服务、燃气管网区域评级服务、燃气事故区域评级服务和燃气智能算法分布式计算服务。。
燃气地理信息栅格划分服务:本服务主要功能就是将燃气地上用户数据和燃气地下管网数据上的位置信息转化为离散的数据模型可以接受的栅格数据。
将全上海市划分为256m*256m的栅格,最后将各类离散数据按照所处栅格坐标进行数据互联,实现地下燃气管网与地上用户数据互联。将燃气公司内部已有管道数据,与地上用户数据进行互联,形成一个全新的数据库。在本服务中通过对上海市地图划分成众多256*256m的栅格,可以很容易的运用领域的概念,来进行模拟计算。根据用户所留的经纬度坐标,由于经纬度坐标是球面坐标,所以无法使用球面坐标计算栅格坐标,故通过使用平面坐标转换公式将经纬度坐标转换成平面坐标。进一步使用栅格坐标转换公式将平面坐标转换成栅格的离散坐标。
所述经纬度坐标转换为平面坐标的计算公式为。
所述公式中,所述x为平面横坐标;所述y为平面纵坐标;所述Ln为经度;所述La为纬度;所述a为弧度,计算公式为。
最后由平面坐标得到地图栅格坐标。地图栅格从平面坐标的原点(0,0)开始一张一张的平铺,所以通过平面坐标与栅格坐标转换公式将平面坐标转换为栅格坐标。
燃气区域监控服务:如图5所示,该服务通过使用栅格化的燃气事故数据、燃气管网数据、燃气消费数据进行统计分析,对上述各类数据以栅格为单位进行统计,设置定时更新计算任务,以保证监控数据的实时性,本服务实现了燃气事故栅格等级统计、燃气管网栅格等级统计、燃气消费时间序列统计、燃气管道压力统计功能。
燃气管网区域评级服务:如图3所示,服务通过划分栅格坐标的方法对地理区域进行划分和标记,并按照相应的栅格坐标返回管网区域等级,管网区域等级由该区域下的管网等级加权决定,管网等级由管线的相关参数决定,本发明充分考虑了影响管道安全的因素以及本发明提出的多策略种群搜索算法的特征选择的结果,最终确定了如下的影响因素:管道材质、管道压力、管道铺设年限、管段壁厚和管径大小这5个指标,本发明基于这5个指标,使用聚类的方法分4段构造出每个指标的每一个取值范围,并通过统计分析的方式对4类管道进行分级。进一步的,本发明将管道分级的结果应用于管网区域评级中,设计了一个加权的公式计算管网区域的安全分数。
所述公式为管道聚类得到的安全等级;所述x为管道安全的影响因素。
所述公式为管网区域安全评级的公式。
本服务使用一个三元组来表示该区域的评价等级,三元组的第一项表示栅格 x坐标,第二项表示栅格 y坐标,第三项表示该栅格的管网评级级别。
所述公式中,R表示为一个三元组结果,所述L为该栅格的评价等级。
由于将地图区域转换为栅格坐标,导致产生了大量的0栅格数据,这使得栅格的表示数据过于稀疏,为了进一步优化栅格区域评级服务的运算速度,本发明采用了一种新的基于增量机制的栅格区域评级信息压缩方式,设原始栅格数据表示为(x, y),并求得最小的栅格坐标(minx,miny),通过将栅格区域评级结果进行增量化压缩处理,服务仅返回最小的栅格坐标以及相应的增量非零栅格数据。设燃气地图栅格总数为N,非零栅格数量为M,则该压缩方式总体的数据压缩率P为。
所述P为栅格评级数据的压缩率。
燃气事故区域评级服务:如图4所示,本服务将燃气事故的相关数据与栅格区域进行对应划分,并对不同栅格下的事故数据进行统计分析,得到相应的事故区域等级。考虑事故区域评级的方法,本发明将燃气事故的类型T、发生的时间time以及该栅格区域发生事故的数量N,作为该栅格区域评级的重要指标,设计出该栅格的评级分数Score,其中燃气事故的类型T分不同的事故类型会有不同的分值,例如:设备故障1分,停气1.5分,泄露、中毒2分,爆炸、爆燃、火灾3分。
燃气智能算法分布式计算服务:为了进一步处理用户发送过来的耗时比较长的任务,本发明基于分布式任务队列设计了一种智能算法的计算方法,将用户发送的算法计算请求封装成异步任务,并提交给多台机器进行分布式计算,这样在不影响应用快速响应的同时,也尽可能高效的处理高复杂度高耗时的任务。
进一步本发明在燃气智能算法分布式计算服务中,如图6所示,设计了多策略种群搜索算法,用于燃气管道区域评级的特征学习任务。由于燃气区域内包含大量的数据,同时数据的维度也同样很高,从而出现了维度灾难的问题,所以本发明设计的方法主要针对燃气区域高维数据难以处理的问题,使用多策略的方式搜索一种最佳的特征学习策略。进一步结合k-means聚类算法和聚类性能的内部指标来对聚类问题进行优化,最终得到最好的特征子集结果,即从燃气管道多个特征中选择较好的评价管道安全的指标。
改进传统演化算法单一搜索策略的模式,基于本发明的分布式计算服务,引入并行多策略搜索模型,给演化算法赋予策略机制;在多策略种群模型中,一个策略对应着一个种群,每个种群根据策略的不同执行不同的搜索动作,把整个种群的适应值作为所属搜索策略的适应值;搜索的策略就好比种群的知识库、基因库,指导着种群的搜索以及种群的新生个体,种群与自然环境交互过程中得到的结果也可以反馈给策略,指导策略的自适应更新,进而实现了策略到决策、决策到策略的双向搜索反馈的过程,最终整个演化模型中会搜索到最优的搜索策略,以及最优策略下的最优决策结果。
提出量化的种群间竞争合作模型,在自然界中,群体之间必然存在生存竞争,通过群体间的竞争合作,不同种群在同一环境下可以实现共存,从而实现生态平衡。在多策略种群模型中,也存在两种模型,即竞争模型和合作模型,与其他种群搜索算法中的竞争合作模型不同的是,本发明根据Kuno提出的多物种竞争影响生物种群密度的模型,进一步引入合作影响因子,定义了量化的种群间竞争合作模型。通过该模型,较优的种群可以繁衍出更多优秀的后代,而较差的种群可以通过合作机制吸取其他较优种群的优点,即在自身策略的基础上学习其他优秀种群的策略,从而繁衍出更优的后代。
竞争模型的定义。在生态环境中,多个种群之间以及种群中的多个个体之间,往往存在着竞争的关系,有竞争就必然存在种群之间的相互制约,更加适应当前环境的种群就会在竞争的过程中占有比其他种群更多的优势。在生态学范围内,竞争的结果往往代表着种群个体数量的增多与减少,即较优种群有更多的优势获得环境的资源也就有更多生殖繁衍的机会,而较差种群没有得到充足的环境资源,从而更少繁衍或者濒临灭亡。本发明受大自然种群竞争过程的启发,定义了种群竞争的模型。
合作模型的定义。同样的,多个种群在竞争的同时也存在相互合作、相互促进的行为,种群之间的合作体现在种群中的个体可以学习其他个体,或吸取与其他竞争种群的优点,从而使得自身种群的能力得到逐步的提升,合作的结果象征着种群能够更加的适应环境,有更多生殖繁衍的机会,从而带来种群规模的壮大。受到种群间合作的过程的启发,定义了合作模型。
进一步的本发明综合考虑了生物种群中同时存在竞争与合作的情况,在 Kuno模型中,其定义了多个种群之间因为竞争而产生的种群密度的变化趋势,本发明根据该模型做了进一步的扩展,即假设多个种群之间不仅可以相互竞争,也可以相互合作相互促进。
所述公式为种群个体数量的导数。
所述fxy为两种群合作的程度值。
所述hxy为两种群竞争的程度值。
所述算法具体的执行过程如下。
1)初始化N个搜索策略。
2)根据N个搜索策略的初始化创建N个种群,每个种群中个体的数量为M。
3)计算每个个体的适应度fitness,根据fitness排序将个体分为领导者、跟随者、游走者和淘汰者。
4)根据种群中个体适应值计算策略价值gValue,根据gValue排序,选出最优策略。
5)策略进行位置更新,种群根据竞争合作模型计算种群增长率x。
6)淘汰种群中的淘汰者,按照各个种群的增长率使用更新的策略生成种群新个体。
7)重复3)-6)直到最优策略的最优个体达到一定的阈值,或策略个体由于竞争的存在导致策略空间中仅存在一个策略时,算法终止,求得最优策略的最优决策。
在特征提取时本发明采用基于聚类的策略,即利用聚类方法将不同的区域数据分为多个簇,每个簇代表了某一个安全评级,本发明进一步采用聚类内部评价指标Davies-Boulding指数(DBI)的方法,DBI越小说明聚类效果越好,即将DBI指数作为种群的适应度函数,从而引导种群搜索到较优的特征集合,实现特征提取的策略搜索;
所述公式为燃气区域数据特征学习的策略定义。所述ps为关于搜索策略的选择比率;所述pa为其他位置更新相关参数的选择概率。
所述公式为燃气区域数据特征学习的策略衍生个体定义。。
每个策略会等待所衍生的种群的加权结果,这一过程对于整个策略空间的搜索来说是并行的,当最后一个策略得到对应的适应值后,算法会对所有策略的适应值进行排序分析,对多个策略进行策略划分,记录相应的最优策略,其他策略可以访问最优的策略信息,各个策略利用该信息并按照位置更新公式进行并行搜索。
所述公式为策略的速度更新公式。
所述w是惯性权重;所述c是学习因子,体现的是策略学习的能力;所述r是参数,介于0到1之间;所述pi为策略自身的最优位置;所述pg是全局的策略最优位置。
所述公式为策略位置更新公式。
所述公式为策略学习因子的计算公式。
对于策略衍生种群的搜索过程,在一次种群迭代中,会按照个体的适应值fitness将种群中的个体分为领导者、跟随者、游走者和淘汰者,采用多行为交互方式,对不同的角色执行不同的搜索动作,领导者受自身历史位置和两个随机矢量影响,对自身位置进行更新,跟随者受自身历史位置和领导者位置影响,在领导者的方向周围进行适当修正的位置更新,游走者采用随机游走的方式,根据自身历史位置和随机扰动影响更新自身位置。而淘汰者则会被在种群中删除,被新生个体所替代。
所述公式为领导者个体的描述。
所述公式为跟随者个体的描述。
所述公式为游走者个体的描述。
所述公式为淘汰者个体的描述。
所述条件为参数的取值范围。
领导者搜索行为采用扫描机制,搜索最佳的方向并更新自身位置,通过种群的搜索策略,领导者按照当前的搜索方法进行搜索。
所述为角度与距离的关系公式。
所述公式表示矢量公式。
所述公式为领导者向前搜索的位置更新公式,其中α为自我权重,β为随机权重,两者和为1。
所述公式为领导者向左搜索的位置更新公式。
所述公式为领导者向右搜索的位置更新公式。
跟随者受自身历史位置和领导者位置影响,在领导者的方向周围进行适当修正的位置更新。
所述公式为跟随者位置更新公式。
游走者采用随机游走的方式,根据自身位置和随机扰动影响更新自身位置。
所述公式为游走者位置更新公式。
附图说明
图1是本发明中的整体架构图。
图2是本发明中管网压力可视化效果图。
图3是本发明中燃气管网区域评级服务效果图。
图4是本发明中燃气事故区域评级服务效果图。
图5是燃气区域监控服务效果图。
图6是燃气区域评级算法流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
下面结合附图和具体实施方式对本发明作进一步说明。
参照附图1,一种用于城市燃气区域安全评级的方法及系统,包括。
(一)燃气地理信息栅格划分服务,用于将地上燃气用户数据和地下燃气管网数据进行栅格化处理,并进一步通过栅格将地上数据和地下数据进行整合。
地上数据:现有燃气用户的身份信息数据、地址数据以及用气性质和用气用途等一些标注,还有燃气的事故位置数据、时间数据以及燃气事故的性质标注。
地下数据:现有燃气管道位置数据、管线材质数据以及管线的压力数据。
先使用本发明提出的坐标转换公式将经纬度坐标转换成平面坐标,进一步将平面坐标转换成栅格坐标,从而对上述两种数据进行空间划分,即将位置数据中的经纬度信息转换为离散的栅格坐标,这样可以实现地下燃气管网数据与地上用户数据互联,从而形成一个全新的数据表,为本系统后续的其他服务搭建了数据基础,使得其他的数据相关算法得以运行。
(二)燃气区域监控服务,基于燃气地理信息栅格划分服务,该服务通过分析相同栅格下的燃气历史事故数据、燃气管网数据、燃气用户消费数据、燃气管道压力数据,按照一定的时间间隔将数据更新到监控服务中,保证了监控数据一定程度上的实时性。
1、燃气事故栅格区域评级的分析统计,统计每个月燃气事故数量,并绘制事故数量趋势图,统计不同评级下的栅格数量,从栅格的角度去显示不同区域的事故评级。
2、燃气管网区域数据评级的分析统计,按照栅格以及不同栅格下的管网栅格等级进行统计计算,得出不同管网区域等级的数量,如发现部分等级的栅格区域数量较多,可以对该区域进行重点考察与巡逻。
3、燃气消费区域数据的分析统计,按照栅格内的消费信息,可以统计出燃气用气量较高的栅格区域,相关燃气部门可以重点观测相关区域以及该栅格邻域的区域。
(三)燃气管网区域评级服务,该服务通过将管线的位置信息映射到栅格中,并使用当前栅格下铺设的管线数量作为当前管网栅格评级的分值,通过四等分的方法,将不同的栅格做出四种不同的评级。
即总体的前0%-25%分值为0级管网区域、前25%-50%为1级管网区域、50%-75%范围的为2级管网区域、75%-100%范围的定位3级管网区域,级别越高的管网区域所代表相关燃气部门应该更加重视该区域的燃气管道检修,更换新燃气管道以替换老旧的燃气管道。
参照附图3,通过对栅格评级数据压缩处理,在不影响数据表示的前提下,对传输的大量数据进行了压缩处理。
利用压缩到的栅格评级结果,可以对栅格评级结果进行恢复,借助初始点的位置进行加法,即得到了原栅格评级数据。
所述公式为栅格x、y坐标的恢复公式。
(四)燃气事故区域评级服务,该服务通过将燃气事历史故数据的位置信息映射到栅格中,并使用当前栅格下历史发生的事故信息作为当前事故区域评级的分值,通过五等分的方法,按照不同栅格下的事故栅格分值,对栅格区域划分出五种不同的评级。
即总体的前0%-20%分值区域定为0级事故区域、前20%-40%分值区域定为1级事故区域、40%-60%定为2级事故区域、60%-80%定为3级事故区域、80%-100%定为4级事故区域,级别越高的事故区域所代表该区域发生重大事故的概率就越大,燃气公司可以在该区域及该区域附近区域设立多个流动抢修站点,做到快速应急处置、针对特定区域的重大事故预案提前制定等。
(五)燃气智能算法分布式计算服务,本服务主要应对执行时间较长、算法运算较复杂的任务,通过实现本发明中提到的多策略种群搜索算法用于处理管网区域评级和事故区域评级时的指标选择的问题,通过进一步结合聚类算法,对聚类的结果使用内部评价指标,对聚类的结果进行综合评价,从而指导多策略种群搜索算法的搜索过程。
即通过不断的迭代:指标选择、数据聚类、聚类评价、搜索更新。这一过程,从而获得一个最优的指标选择策略以及最优的指标选择结果。燃气智能算法分布式计算服务通过记录算法执行过程的状态、执行的结果以及保存的数据,来达到计算任务检测的效果,附图4。
采用聚类内部评价指标Davies-Boulding指数(DBI)的方法,DBI越小说明聚类效果越好,从而引导种群搜索到较优的特征集合,从而实现特征提取的策略搜索。
所述公式为聚类算法得出的各个簇集合。
所述公式为聚类簇的样本间平均距离。
所述公式为簇内中心点计算公式。
所述公式为本发明选择的聚类算法的DBI指数作为评价指标。
Claims (2)
1.一种城市燃气区域安全评级系统,其特征在于,所述系统包括:燃气地理信息栅格划分服务、燃气事故监控服务、燃气管网区域评级服务、燃气事故区域评级服务和燃气智能算法分布式计算服务;
所述燃气地理信息栅格划分服务:主要功能就是将燃气地上用户数据和燃气地下管网数据上的位置信息转化为离散的栅格数据;
将全上海市划分为256m*256m的栅格,最后将各类离散数据按照所处栅格坐标进行数据互联,实现地下燃气管网与地上用户数据互联;
将燃气公司内部已有管道数据,与地上用户数据进行互联,形成一个全新的数据库;
在本服务中通过对上海市地图划分成众多256*256m的栅格,可以很容易的运用领域的概念,来进行模拟计算;
根据用户所留的经纬度坐标,由于经纬度坐标是球面坐标,所以无法使用球面坐标计算栅格坐标,故通过使用平面坐标转换公式将经纬度坐标转换成平面坐标;
进一步使用栅格坐标转换公式将平面坐标转换成栅格的离散坐标;
所述经纬度坐标转换为平面坐标的计算公式为;
所述公式中,所述x为平面横坐标;所述y为平面纵坐标;所述Ln为经度;所述La为纬度;所述a为弧度,计算公式为;
最后由平面坐标得到地图栅格坐标;
地图栅格从平面坐标的原点(0,0)开始一张一张的平铺,所以通过平面坐标与栅格坐标转换公式将平面坐标转换为栅格坐标;
所述燃气区域监控服务:使用栅格化的燃气事故数据、燃气管网数据、燃气消费数据进行统计分析,对上述各类数据以栅格为单位进行统计,设置定时更新计算任务,以保证监控数据的实时性,本服务实现了燃气事故栅格等级统计、燃气管网栅格等级统计、燃气消费时间序列统计、燃气管道压力统计功能;
所述燃气管网区域评级服务:服务通过划分栅格坐标的方法对地理区域进行划分和标记,并按照相应的栅格坐标返回管网区域等级,管网区域等级由该区域下的管网等级加权决定,管网等级由管线的相关参数决定,本发明充分考虑了影响管道安全的因素以及本发明提出的多策略种群搜索算法的特征选择的结果,最终确定了如下的影响因素:管道材质、管道压力、管道铺设年限、管段壁厚和管径大小这5个指标,本发明基于这5个指标,使用聚类的方法分4段构造出每个指标的每一个取值范围,并通过统计分析的方式对4类管道进行分级;
进一步的,本发明将管道分级的结果应用于管网区域评级中,设计了一个加权的公式计算管网区域的安全分数;
所述公式为管道聚类得到的安全等级;所述x为管道安全的影响因素;
所述公式为管网区域安全评级的公式;
本服务使用一个三元组来表示该区域的评价等级,三元组的第一项表示栅格 x坐标,第二项表示栅格 y坐标,第三项表示该栅格的管网评级级别;
所述公式中,R表示为一个三元组结果,所述L为该栅格的评价等级;
由于将地图区域转换为栅格坐标,导致产生了大量的0栅格数据,这使得栅格的表示数据过于稀疏,为了进一步优化栅格区域评级服务的运算速度,本发明采用了一种新的基于增量机制的栅格区域评级信息压缩方式,设原始栅格数据表示为(x, y),并求得最小的栅格坐标(minx,miny),通过将栅格区域评级结果进行增量化压缩处理,服务仅返回最小的栅格坐标以及相应的增量非零栅格数据;
设燃气地图栅格总数为N,非零栅格数量为M,则该压缩方式总体的数据压缩率P为;
所述P为栅格评级数据的压缩率;
所述燃气事故区域评级服务:本服务将燃气事故的相关数据与栅格区域进行对应划分,并对不同栅格下的事故数据进行统计分析,得到相应的事故区域等级;
考虑事故区域评级的方法,本发明将燃气事故的类型T、发生的时间time以及该栅格区域发生事故的数量N,作为该栅格区域评级的重要指标,设计出该栅格的评级分数Score,其中燃气事故的类型T分不同的事故类型会有不同的分值,例如:设备故障1分,停气1.5分,泄露、中毒2分,爆炸、爆燃、火灾3分;
所述燃气智能算法分布式计算服务:为了进一步处理用户发送过来的耗时比较长的任务,本发明基于分布式任务队列设计了一种智能算法的计算方法,将用户发送的算法计算请求封装成异步任务,并提交给多台机器进行分布式计算,这样在不影响应用快速响应的同时,也尽可能高效的处理高复杂度高耗时的任务。
2.所述一种用于城市燃气区域安全评级的方法,其特征包括:多搜索策略竞争合作演化算法、聚类求解区域安全评级方法、演化算法求解特征子集方法;
所述多搜索策略竞争合作演化算法,改进传统演化算法单一搜索策略的模式,基于权利要求1所述的燃气智能算法分布式计算服务,引入并行多策略搜索模型,给演化算法赋予策略机制;
在多策略种群模型中,一个策略对应着一个种群,每个种群根据策略的不同执行不同的搜索动作,把整个种群的适应值作为所属搜索策略的适应值;搜索的策略就好比种群的知识库、基因库,指导着种群的搜索以及种群的新生个体,种群与自然环境交互过程中得到的结果也可以反馈给策略,指导策略的自适应更新,进而实现了策略到决策、决策到策略的双向搜索反馈的过程,最终整个演化模型中会搜索到最优的搜索策略,以及最优策略下的最优决策结果;
提出量化的种群间竞争合作模型,在自然界中,群体之间必然存在生存竞争,通过群体间的竞争合作,不同种群在同一环境下可以实现共存,从而实现生态平衡;
在多策略种群模型中,也存在两种模型,即竞争模型和合作模型,与其他种群搜索算法中的竞争合作模型不同的是,本发明根据Kuno提出的多物种竞争影响生物种群密度的模型,进一步引入合作影响因子,定义了量化的种群间竞争合作模型;
通过该模型,较优的种群可以繁衍出更多优秀的后代,而较差的种群可以通过合作机制吸取其他较优种群的优点,即在自身策略的基础上学习其他优秀种群的策略,从而繁衍出更优的后代;
竞争模型的定义;
在生态环境中,多个种群之间以及种群中的多个个体之间,往往存在着竞争的关系,有竞争就必然存在种群之间的相互制约,更加适应当前环境的种群就会在竞争的过程中占有比其他种群更多的优势;
在生态学范围内,竞争的结果往往代表着种群个体数量的增多与减少,即较优种群有更多的优势获得环境的资源也就有更多生殖繁衍的机会,而较差种群没有得到充足的环境资源,从而更少繁衍或者濒临灭亡;
本发明受大自然种群竞争过程的启发,定义了种群竞争的模型;
合作模型的定义;
同样的,多个种群在竞争的同时也存在相互合作、相互促进的行为,种群之间的合作体现在种群中的个体可以学习其他个体,或吸取与其他竞争种群的优点,从而使得自身种群的能力得到逐步的提升,合作的结果象征着种群能够更加的适应环境,有更多生殖繁衍的机会,从而带来种群规模的壮大;
受到种群间合作的过程的启发,定义了合作模型;
进一步的本发明综合考虑了生物种群中同时存在竞争与合作的情况,在 Kuno模型中,其定义了多个种群之间因为竞争而产生的种群密度的变化趋势,本发明根据该模型做了进一步的扩展,即假设多个种群之间不仅可以相互竞争,也可以相互合作相互促进;
所述公式为种群个体数量的导数;
所述fxy为两种群合作的程度值;
所述hxy为两种群竞争的程度值;
所述算法具体的执行过程如下;
1)初始化N个搜索策略;
2)根据N个搜索策略的初始化创建N个种群,每个种群中个体的数量为M;
3)计算每个个体的适应度fitness,根据fitness排序将个体分为领导者、跟随者、游走者和淘汰者;
4)根据种群中个体适应值计算策略价值gValue,根据gValue排序,选出最优策略;
5)策略进行位置更新,种群根据竞争合作模型计算种群增长率x;
6)淘汰种群中的淘汰者,按照各个种群的增长率使用更新的策略生成种群新个体;
7)重复3)-6)直到最优策略的最优个体达到一定的阈值,或策略个体由于竞争的存在导致策略空间中仅存在一个策略时,算法终止,求得最优策略的最优决策;
所述聚类求解区域安全评级方法,在特征提取时本发明采用基于聚类的策略,即利用聚类方法将不同的区域数据分为多个簇,每个簇代表了某一个燃气区域安全评级,本发明进一步采用聚类内部评价指标Davies-Boulding指数(DBI)的方法,DBI越小说明聚类效果越好,即将DBI指数作为种群的适应度函数,从而引导种群搜索到较优的特征集合,实现特征提取的策略搜索;
每个策略被定义为核矩阵和燃气区域数据特征的选择比率的结合,每个策略衍生的种群中的个体被定义为核矩阵的系数以及特征的选择概率,进而策略搜索负责搜索出全局最优策略,通过并行的优化策略实现对衍生种群的正向反馈,同时可以获得衍生种群并行演化后得到的加权适应值,并按照衍生种群的反向反馈对策略进行并行化更新;
所述公式为燃气区域数据特征学习的策略定义;
所述ps为关于搜索策略的选择比率;所述pa为其他位置更新相关参数的选择概率;
所述公式为燃气区域数据特征学习的策略衍生个体定义;
所述演化算法求解特征子集方法,即为将种群中个体的位置信息作为特征选择的结果,并通过聚类的内部指标DBI来评价该个体的适应值;
每个策略会等待所衍生的种群的加权结果,这一过程对于整个策略空间的搜索来说是并行的,当最后一个策略得到对应的适应值后,算法会对所有策略的适应值进行排序分析,对多个策略进行策略划分,记录相应的最优策略,其他策略可以访问最优的策略信息,各个策略利用该信息并按照位置更新公式进行并行搜索;
所述公式为策略的速度更新公式;
所述w是惯性权重;所述c是学习因子,体现的是策略学习的能力;所述r是参数,介于0到1之间;所述pi为策略自身的最优位置;所述pg是全局的策略最优位置;
所述公式为策略位置更新公式;
所述公式为策略学习因子的计算公式;
对于策略衍生种群的搜索过程,在一次种群迭代中,会按照个体的适应值fitness将种群中的个体分为领导者、跟随者、游走者和淘汰者,采用多行为交互方式,对不同的角色执行不同的搜索动作,领导者受自身历史位置和两个随机矢量影响,对自身位置进行更新,跟随者受自身历史位置和领导者位置影响,在领导者的方向周围进行适当修正的位置更新,游走者采用随机游走的方式,根据自身历史位置和随机扰动影响更新自身位置;
而淘汰者则会被在种群中删除,被新生个体所替代;
所述公式为领导者个体的描述;
所述公式为跟随者个体的描述;
所述公式为游走者个体的描述;
所述公式为淘汰者个体的描述;
所述条件为参数的取值范围;
领导者搜索行为采用扫描机制,搜索最佳的方向并更新自身位置,通过种群的搜索策略,领导者按照当前的搜索方法进行搜索;
所述为角度与距离的关系公式;
所述公式表示矢量公式;
所述公式为领导者向前搜索的位置更新公式,其中α为自我权重,β为随机权重,两者和为1;
所述公式为领导者向左搜索的位置更新公式;
所述公式为领导者向右搜索的位置更新公式;
跟随者受自身历史位置和领导者位置影响,在领导者的方向周围进行适当修正的位置更新;
所述公式为跟随者位置更新公式;
游走者采用随机游走的方式,根据自身位置和随机扰动影响更新自身位置;
所述公式为游走者位置更新公式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111125868.0A CN113902270A (zh) | 2021-09-26 | 2021-09-26 | 一种用于城市燃气区域安全评级的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111125868.0A CN113902270A (zh) | 2021-09-26 | 2021-09-26 | 一种用于城市燃气区域安全评级的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902270A true CN113902270A (zh) | 2022-01-07 |
Family
ID=79029150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111125868.0A Pending CN113902270A (zh) | 2021-09-26 | 2021-09-26 | 一种用于城市燃气区域安全评级的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902270A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341761A (zh) * | 2023-05-22 | 2023-06-27 | 北京京燃凌云燃气设备有限公司 | 一种燃气管网阀门远程控制机构优化部署方法及系统 |
CN117094528A (zh) * | 2023-10-16 | 2023-11-21 | 四川省高发城镇燃气研究院有限公司 | 一种分区计量dma的管理方法和系统 |
CN118012848A (zh) * | 2024-03-04 | 2024-05-10 | 成都秦川物联网科技股份有限公司 | 智慧燃气信息政府安全监管方法、物联网系统及介质 |
-
2021
- 2021-09-26 CN CN202111125868.0A patent/CN113902270A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341761A (zh) * | 2023-05-22 | 2023-06-27 | 北京京燃凌云燃气设备有限公司 | 一种燃气管网阀门远程控制机构优化部署方法及系统 |
CN116341761B (zh) * | 2023-05-22 | 2023-08-25 | 北京京燃凌云燃气设备有限公司 | 一种燃气管网阀门远程控制机构优化部署方法及系统 |
CN117094528A (zh) * | 2023-10-16 | 2023-11-21 | 四川省高发城镇燃气研究院有限公司 | 一种分区计量dma的管理方法和系统 |
CN117094528B (zh) * | 2023-10-16 | 2024-01-26 | 四川省高发城镇燃气研究院有限公司 | 一种分区计量dma的管理方法和系统 |
CN118012848A (zh) * | 2024-03-04 | 2024-05-10 | 成都秦川物联网科技股份有限公司 | 智慧燃气信息政府安全监管方法、物联网系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902270A (zh) | 一种用于城市燃气区域安全评级的方法及系统 | |
AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
Chen et al. | Data quality of electricity consumption data in a smart grid environment | |
Wang et al. | Integrated evaluation of the carrying capacities of mineral resource-based cities considering synergy between subsystems | |
Folino et al. | An evolutionary multiobjective approach for community discovery in dynamic networks | |
Yu et al. | A PSO–GA optimal model to estimate primary energy demand of China | |
CN110263111A (zh) | 基于先验知识的土地利用/覆被信息时空监测方法 | |
CN102737126B (zh) | 云计算环境下的分类规则挖掘方法 | |
CN102542051B (zh) | 一种随机分布型地理要素的多目标协同抽样方案设计方法 | |
Wang et al. | Assessing industrial ecosystem vulnerability in the coal mining area under economic fluctuations | |
CN107918830A (zh) | 一种基于大数据技术的配电网运行状态评估系统及方法 | |
CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
CN105868906A (zh) | 一种优化的区域发展成熟度分析方法 | |
Sun et al. | Predicting and Analyzing CO 2 Emissions Based on an Improved Least Squares Support Vector Machine. | |
Jiang et al. | Industrial carbon emission efficiency prediction and carbon emission reduction strategies based on multi-objective particle swarm optimization-backpropagation: A perspective from regional clustering | |
CN113743659B (zh) | 一种基于成分法和马尔可夫元胞自动机的城市布局预测方法及应用 | |
Ke et al. | Spatio-temporal characteristics and typical patterns of eco-efficiency of cultivated land use in the Yangtze River Economic Belt, China | |
Sun et al. | Does Industrial Agglomeration Promote Carbon Efficiency? A Spatial Econometric Analysis and Fractional‐Order Grey Forecasting | |
CN114239962A (zh) | 一种基于开源信息的精细化空间负荷预测方法 | |
CN113112152A (zh) | 一种国土空间规划现状评估方法 | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
Tang et al. | Carbon emission efficiency and spatially linked network structure of China’s logistics industry | |
Yang et al. | Research on the temporal and spatial characteristics, spatial clustering and governance strategies of carbon emissions in cities of Shandong | |
CN104182528B (zh) | 基于偏序模式的教育信息化课程关联模式发现方法及系统 | |
Qin et al. | Correlation between Population Structure and Regional Innovation Ability Based on Big Data Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |