CN114118289B - 基于数据驱动的成品油管道运行工况识别方法及系统 - Google Patents
基于数据驱动的成品油管道运行工况识别方法及系统 Download PDFInfo
- Publication number
- CN114118289B CN114118289B CN202111462058.4A CN202111462058A CN114118289B CN 114118289 B CN114118289 B CN 114118289B CN 202111462058 A CN202111462058 A CN 202111462058A CN 114118289 B CN114118289 B CN 114118289B
- Authority
- CN
- China
- Prior art keywords
- pipeline
- data
- working condition
- matrix
- operation data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 230000009467 reduction Effects 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Pipeline Systems (AREA)
Abstract
本发明涉及一种基于数据驱动的成品油管道工况识别方法及系统,方法包括:构造成品油管道运行数据矩阵;基于管道运行数据矩阵,构建基于降噪自编码器的矩阵降噪模型;对降噪后的管道运行数据进行数据聚类,获得工况识别模型;通过工况识别模型完成对成品油管道的工况识别。本发明工况识别算法利用现场SCADA实时运行数据进行管道运行工况的实时监控,识别模型可验证管道运行工况是否符合制定工况类型,预防管道运行中出现的异常工况变化,能够很大程度上减少现场人员的工作量,提高成品油管道运行状况识别的准确性,提高经济效益,保障管道的正常运行,同时保障油品的稳定、连续供应,并且有助于实现对成品油管道的高效、安全管理。
Description
技术领域
本发明涉及一种基于数据驱动的成品油管道工况识别方法及系统,涉及成品油管道识别技术领域。
背景技术
成品油管道运行时,由于各个站场泵、阀门等设备运行状态的改变,管道运行工况会随之发生变化。站场调度员根据压力、流量等运行参数的变化趋势来判断工况的切换。由于长输管道呈网络化、智能化发展,监控点随之成倍增长,对管道进行人为监测分析变得越来越困难。管道运行工况数据具备多维度、连续时间的特点,其变化情况较为复杂,工况切换较为频繁。人为识别监控效率较低、耗时耗力,且容易对运行工况产生误判。
目前,对管道运行工况的识别主要利用管道压力信号。现有技术利用数据驱动方法对管道运行的压力数据进行分析的方法仅仅考虑了管道运行状况改变时的压力差异,并没有将流量密度等数据考虑进来,也忽略了管道沿线各站间的时间序列和物理空间特性;同时识别主要针对泄漏工况开展,所识别的工况种类较少,难以对运行状况较为复杂的成品油管道进行准确的工况识别。
利用实验数据进行降噪处理后开展管道运行工况识别研究,也是目前常用的方法之一。目前主流的降噪方法是小波分析法,同时为减小数据维度,主成分分析被用于特征降维。余东亮等选用局部投影降噪法并结合小波包分析技术对管道负压波信号进行降噪处理并提取特征值,再对工况进行分析识别。李传宪等利用环道装置模拟出的5种管道运行工况,基于核的主成分分析法对时频域特征进行降维,基于遗传算法和粒子群算法优化的神经网络对管道运行工况进行识别。Zhang等采用动量项梯度下降算法和自适应学习率优化后的BP算法对管道运行状态进行识别等。利用实验数据虽然能得到较好的识别效果,但是其与现场真实数据间仍存在较大差异。同时主流的小波去噪方法对阈值的依赖程度较高,通常需要多次实验以得到合适的阈值;主成分分析法作为一种线性降维方法,难以对非线性的管道运行数据进行有效的特征降维。因此,对管道运行工况的准确识别开展研究是十分有必要的。
发明内容
针对上述问题,本发明的目的是提供一种能够很大程度上减少现场人员的工作量,提高成品油管道运行状况识别准确性的基于数据驱动的成品油管道工况识别方法及系统。
为实现上述目的,本发明采取以下技术方案:
第一方面,本发明提供的基于数据驱动的成品油管道工况识别方法,包括:
构造成品油管道运行数据矩阵;
基于管道运行数据矩阵,构建基于降噪自编码器的矩阵降噪模型;
对降噪后的管道运行数据进行数据聚类,获得工况识别模型;
通过工况识别模型完成对成品油管道的工况识别。
进一步地,基于管道运行数据矩阵,构建基于降噪自编码器的矩阵降噪模型,包括:
对输入的管道运行数据矩阵数据添加高斯噪声;
将添加高斯噪声的管道运行数据矩阵输入至降噪自编码器的编码网络中,编码网络通过每层神经网络对输入数据进行深层特征提取;
将编码网络的输出结果输入到降噪自编码器的解码网络,解码网络通过逐渐扩大每层节点数的方法,对编码网络得到的深层潜在特征进行还原,使其恢复至与输入数据相同的维度。
进一步地,编码网络采用Adam优化算法进行迭代训练完成特征提取。
进一步地,对降噪后的管道运行数据进行数据聚类采用基于SNE数据聚类。
进一步地,对降噪后的管道运行数据基于SNE数据聚类,获得工况识别模型,包括:
基于管道运行矩阵数据的条件概率分布计算矩阵数据之间的联合概率分布;
初始化得到矩阵数据的低维空间初始解;
计算低维空间管道运行数据间的相似度;
优化数据矩阵对应概率分布与低维空间数据对应概率分布间的距离;
基于迭代得到梯度下降值,求得低维空间下管道运行数据解;
当迭代次数达到设定次数后,输出管道运行数据的二维空间表达,获得工况识别模型。
进一步地,通过工况识别模型完成对成品油管道的工况识别,包括:
输入新的成品油管道运行数据,根据聚类得到的工况识别模型判断其属于哪一个工况类别,完成工况识别。
第二方面,本发明提供的一种基于数据驱动的成品油管道工况识别系统,包括:
管道数据单元,被配置为构造成品油管道运行数据矩阵;
降噪单元,被配置为基于管道运行数据矩阵,构建基于降噪自编码器的矩阵降噪模型;
聚类单元,被配置为对降噪后的管道运行数据聚类,获得工况识别模型;
识别单元,被配置为通过工况识别模型完成对成品油管道的工况识别。
第三方面,本发明提供的电子设备,所述电子设备至少包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现所述的方法。
第四方面,本发明提供的计算机存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现所述的方法。
本发明由于采取以上技术方案,其具有以下优点:人工监控方法准确性较差且耗时耗力,传统的研究局限于泄漏工况,通用性较差,本发明工况识别算法利用现场SCADA实时运行数据进行管道运行工况的实时监控,识别模型可验证管道运行工况是否符合制定工况类型,预防管道运行中出现的异常工况变化,能够很大程度上减少现场人员的工作量,提高成品油管道运行状况识别的准确性,提高经济效益,保障管道的正常运行,同时保障油品的稳定、连续供应,并且有助于实现对成品油管道的高效、安全管理。综上,本发明可以广泛应用于成品油管道工况识别中。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在整个附图中,用相同的附图标记表示相同的部件。在附图中:
图1为本发明实施例的降噪自编码器网络结构;
图2为本发明实施例的基于SNE的管道数据聚类流程;
图3为本发明实施例的电子设备结构图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行,除非明确指出执行顺序。还应当理解,可以使用另外或者替代的步骤。
为了便于描述,可以在文中使用空间相对关系术语来描述如图中示出的一个元件或者特征相对于另一元件或者特征的关系,这些相对关系术语例如为“内部”、“外部”、“内侧”、“外侧”、“下面”、“上面”等。这种空间相对关系术语意于包括除图中描绘的方位之外的在使用或者操作中装置的不同方位。
本发明提出的基于数据驱动的成品油管道工况识别方法及系统,利用SCADA系统(数据采集与监视控制系统)实时运行数据,对成品油管道运行期间的工作状况进行实时准确监控,基于现场实时数据建立工况识别模型,当此工况识别模型的识别工况与现场制定工况不同时,可判断出现场可能存在异常工况,对管道进行事故排查确保管道稳定安全运行。
实施例一:本实施例提供的基于数据驱动的成品油管道工况识别方法,包括内容为:
S1、构造成品油管道运行数据矩阵
考虑到成品油管道具有的物理空间特性,将成品油管道划分为多个子单元(首站、中间站、末站),收集各个站的运行参数—流量、压力和油品密度,包括首站的出站流量、压力,中间站的进出站流量、压力,末站的进站流量、压力,以及各站的油品密度,共11个运行参数。
同时,考虑成品油管道运行的时间序列特性,将一段时间(例如1分钟)的运行数据构建为矩阵形式,SCADA系统可以每间隔设定时间例如5秒采集一次成品油管道运行数据,由此可得到12×11的管道运行数据矩阵,如式(1)所示。
其中,Q为流量,P为压力,ρ为油品密度,上标数字代表不同的站场(A为首站、B为中间站、C为末站),下标t代表不同时刻。
S2、基于管道运行数据矩阵,构建基于降噪自编码器(DAE)的矩阵降噪模型
由于管路和泵的振动、管内阀门或者弯管引起管内流体状态改变以及阀门的突然开闭引起管内压力突变,管道内会出现不同程度的噪声。为了降低噪声对工况识别的影响,本实施例针对管道运行数据矩阵,将构建基于降噪自编码器(DAE)的矩阵降噪模型。
如图1所示,DAE基于自编码网络在输入层引入噪声成分,通过学习数据的深层特征,从含噪声的管道运行数据中提取有效的数据信息,具体过程为:
首先,对输入的管道运行数据矩阵数据添加高斯噪声;
之后,将添加高斯噪声的管道运行数据矩阵输入至DAE的编码网络中,编码网络会通过每层神经网络对输入数据进行深层特征的提取,编码结束后,此时网络得到了输入矩阵的潜在特征;进一步地,考虑Adam优化算法基于随机梯度下降法,且对每个不同的参数设定独立的自适应学习率,对于大批量数据的深度学习算法具有良好的优化能力,因此本实施例的编码网络选用Adam优化算法进行迭代训练。
随后,将编码网络的输出结果输入到DAE的解码网络,解码网络通过逐渐扩大每层节点数的方法,对编码网络得到的深层潜在特征进行还原,使其恢复至与输入数据相同的维度下,解码结束后,得到尺寸为12×11的降噪数据。
S3、对降噪后的管道运行数据基于SNE数据聚类,获得工况识别模型
优良的数据降维方法是准确提取管道运行矩阵数据潜在特征的关键。相较于目前主流的主成分分析(PCA)以及基于核的主成分分析(Kpca)的降维聚类算法,随机邻域嵌入(SNE)对于非线性的管道高维数据矩阵表现出更为优良的聚类效果。本实施例通过聚类,结果相同的工况会聚为一类,以此判断对应的运行数据属于哪些工况。
如图2所示,本实施例的基于SNE的管道矩阵数据聚类的算法流程如下:
S31、获得管道运行数据矩阵
其中,矩阵的行代表不同时间,列代表不同站场的流量压力密度参数,得到高维数据x1,x2,x3,…xN,同时定义所需得到的运行数据二维空间分布yi,yj;
S32、基于管道运行矩阵数据的条件概率分布计算矩阵数据之间的联合概率分布pj|i和qi|i;
式中,σi为以数据点xi为中心的高斯均方差;k为x的下标,指代某个x;xi与xj代表某两个不同的x;exp代表自然对数的幂次方;yi与yj分别代表二维空间分布。
S33、初始化得到矩阵数据的低维空间初始解;
S34、计算低维空间管道运行数据间的相似度;
S35、优化数据矩阵对应概率分布与低维空间数据对应概率分布间的距离;
S36、基于迭代得到梯度下降值,求得低维空间下管道运行数据解;
其中,Y(t)是迭代t次的低维数据解,η为学习率,α(t)表示迭代t次的动量;
S37、当迭代次数达到设定次数后,输出管道运行数据的二维空间表达,二维空间表达即是可视化图像上点的坐标,作为工况识别模型。
S4、输入的新的运行数据,根据聚类得到的工况识别模型判断其属于哪一个工况类别,以此达到工况识别的目的,可判断出现场可能存在异常工况,对管道进行事故排查确保管道稳定安全运行。
本实施例通过对华南成品油管网进行测试,对各站运行数据进行降噪。所研究的管道运行工况种类如表1所示。其中每种工况含有20个样本,总样本为120个,按照5:1的比例划分训练集(100个样本)和测试集(20个样本)。
表1工况种类对照表
基于SNE的管道运行工况聚类识别结果如表2所示。为对比说明SNE聚类识别的优越性,选用传统机器学习非线性分类算法如人工神经网络(ANN)、决策树(DT)以及随机森林(RF)进行分类比较,可看出运行数据降噪后,SNE的工况识别率可达100%,准确性最高。
表2基于SNE的各工况识别准确率对比
实施例二:上述实施例一提供了基于数据驱动的成品油管道工况识别方法,与之相对应地,本实施例提供一种基于数据驱动的成品油管道工况识别系统。本实施例提供的系统可以实施实施例一的基于数据驱动的成品油管道工况识别方法,该系统可以通过软件、硬件或软硬结合的方式来实现。为了描述的方便,描述本实施例时以功能分为各种单元分别描述。当然,在实施时可以把各单元的功能在同一个或多个软件和/或硬件中实现。例如,该系统可以包括集成的或分开的功能模块或功能单元来执行实施例一各方法中的对应步骤。由于本实施例的系统基本相似于方法实施例,所以本实施例描述过程比较简单,相关之处可以参见实施例一的部分说明即可,本发明提供的基于数据驱动的成品油管道工况识别的系统的实施例仅仅是示意性的。
本实施例提供的基于数据驱动的成品油管道工况识别系统,包括:
管道数据单元,被配置为构造成品油管道运行数据矩阵;
降噪单元,被配置为基于管道运行数据矩阵,构建基于降噪自编码器的矩阵降噪模型;
聚类单元,被配置为对降噪后的管道运行数据聚类,获得工况识别模型;
识别单元,被配置为通过工况识别模型完成对成品油管道的工况识别。
实施例三:本实施例提供一种与本实施例一所提供的基于数据驱动的成品油管道工况识别方法对应的电子设备,电子设备可以是用于客户端的电子设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例一的方法。
如图3所示,电子设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。总线可以是工业标准体系结构(ISA,IndustryStandard Architecture)总线,外部设备互连(PCI,Peripheral Component)总线或扩展工业标准体系结构(EISA,Extended Industry Standard Component)总线等等。存储器中存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行本实施例一所提供的基于数据驱动的成品油管道工况识别的方法。本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算设备的限定,具体的计算设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实现中,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、光盘等各种可以存储程序代码的介质。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例四:本实施例一的基于数据驱动的成品油管道工况识别方法可被具体实现为一种计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例一所述的基于数据驱动的成品油管道工况识别的方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实现”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于数据驱动的成品油管道工况识别方法,其特征在于包括:
构造成品油管道运行数据矩阵,包括:
基于成品油管道的物理空间特性,将成品油管道划分为首站、中间站、末站,收集首站的出站流量、压力,中间站的进出站流量、压力,末站的进站流量、压力,以及各站的油品密度;同时考虑成品油管道运行的时间序列特性,得到管道运行数据矩阵;
基于管道运行数据矩阵,构建基于降噪自编码器的矩阵降噪模型,包括:
对输入的管道运行数据矩阵数据添加高斯噪声;
将添加高斯噪声的管道运行数据矩阵输入至降噪自编码器的编码网络中,编码网络通过每层神经网络对输入数据进行深层特征提取;
将编码网络的输出结果输入到降噪自编码器的解码网络,解码网络通过逐渐扩大每层节点数的方法,对编码网络得到的深层潜在特征进行还原,使其恢复至与输入数据相同的维度;
对降噪后的管道运行数据基于SNE数据聚类,获得工况识别模型,包括:
基于管道运行矩阵数据的条件概率分布计算矩阵数据之间的联合概率分布;
初始化得到矩阵数据的低维空间初始解;
计算低维空间管道运行数据间的相似度;
优化数据矩阵对应概率分布与低维空间数据对应概率分布间的距离;
基于迭代得到梯度下降值,求得低维空间下管道运行数据解;
当迭代次数达到设定次数后,输出管道运行数据的二维空间表达,获得工况识别模型;
通过工况识别模型完成对成品油管道的工况识别。
2.根据权利要求1所述的基于数据驱动的成品油管道工况识别方法,其特征在于,编码网络采用Adam优化算法进行迭代训练完成特征提取。
3.根据权利要求1或2所述的基于数据驱动的成品油管道工况识别方法,其特征在于,通过工况识别模型完成对成品油管道的工况识别,包括:
输入新的成品油管道运行数据,根据聚类得到的工况识别模型判断其属于哪一个工况类别,完成工况识别。
4.一种基于数据驱动的成品油管道工况识别系统,其特征在于包括:
管道数据单元,被配置为构造成品油管道运行数据矩阵,包括:
基于成品油管道的物理空间特性,将成品油管道划分为首站、中间站、末站,收集首站的出站流量、压力,中间站的进出站流量、压力,末站的进站流量、压力,以及各站的油品密度;同时考虑成品油管道运行的时间序列特性,得到管道运行数据矩阵;
降噪单元,被配置为基于管道运行数据矩阵,构建基于降噪自编码器的矩阵降噪模型,包括:对输入的管道运行数据矩阵数据添加高斯噪声;
将添加高斯噪声的管道运行数据矩阵输入至降噪自编码器的编码网络中,编码网络通过每层神经网络对输入数据进行深层特征提取;
将编码网络的输出结果输入到降噪自编码器的解码网络,解码网络通过逐渐扩大每层节点数的方法,对编码网络得到的深层潜在特征进行还原,使其恢复至与输入数据相同的维度;
聚类单元,被配置为对降噪后的管道运行数据聚类,获得工况识别模型,包括:
基于管道运行矩阵数据的条件概率分布计算矩阵数据之间的联合概率分布;
初始化得到矩阵数据的低维空间初始解;
计算低维空间管道运行数据间的相似度;
优化数据矩阵对应概率分布与低维空间数据对应概率分布间的距离;
基于迭代得到梯度下降值,求得低维空间下管道运行数据解;
当迭代次数达到设定次数后,输出管道运行数据的二维空间表达,获得工况识别模型;
识别单元,被配置为通过工况识别模型完成对成品油管道的工况识别。
5.一种电子设备,所述电子设备至少包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现权利要求1到3任一项所述的方法。
6.一种计算机存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现权利要求1到3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111462058.4A CN114118289B (zh) | 2021-12-02 | 2021-12-02 | 基于数据驱动的成品油管道运行工况识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111462058.4A CN114118289B (zh) | 2021-12-02 | 2021-12-02 | 基于数据驱动的成品油管道运行工况识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114118289A CN114118289A (zh) | 2022-03-01 |
CN114118289B true CN114118289B (zh) | 2024-04-23 |
Family
ID=80366447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111462058.4A Active CN114118289B (zh) | 2021-12-02 | 2021-12-02 | 基于数据驱动的成品油管道运行工况识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118289B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920866A (zh) * | 2018-07-20 | 2018-11-30 | 清华大学 | 基于滚动时域估计理论的热网动态调节运行参数估计方法 |
CN109190672A (zh) * | 2018-08-02 | 2019-01-11 | 清华大学 | 电力系统运行工况无监督聚类方法及装置 |
CN110474716A (zh) * | 2019-08-14 | 2019-11-19 | 安徽大学 | 基于降噪自编码器的scma编解码器模型的建立方法 |
CN110701487A (zh) * | 2019-09-18 | 2020-01-17 | 浙江工业大学 | 一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法 |
CN110738274A (zh) * | 2019-10-26 | 2020-01-31 | 哈尔滨工程大学 | 一种基于数据驱动的核动力装置故障诊断方法 |
CN111425768A (zh) * | 2020-03-31 | 2020-07-17 | 长安大学 | 基于水下传感器网络的输油管道漏油点与漏油速率的探测方法 |
CN111428780A (zh) * | 2020-03-20 | 2020-07-17 | 上海理工大学 | 基于数据驱动的电网异常运行状态识别方法 |
CN113283443A (zh) * | 2020-02-20 | 2021-08-20 | 中国石油天然气股份有限公司 | 工况识别方法、装置、计算机设备以及存储介质 |
CN113468804A (zh) * | 2021-06-10 | 2021-10-01 | 电子科技大学 | 一种基于矩阵束和深度神经网络的地下管道识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005045698A2 (fr) * | 2003-10-24 | 2005-05-19 | Enrico Maim | Procede mis en oeuvre dans un environnement informatique pour engendrer une vue courante a partir d’au moins un objet d’information source susceptible de varier |
-
2021
- 2021-12-02 CN CN202111462058.4A patent/CN114118289B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920866A (zh) * | 2018-07-20 | 2018-11-30 | 清华大学 | 基于滚动时域估计理论的热网动态调节运行参数估计方法 |
CN109190672A (zh) * | 2018-08-02 | 2019-01-11 | 清华大学 | 电力系统运行工况无监督聚类方法及装置 |
CN110474716A (zh) * | 2019-08-14 | 2019-11-19 | 安徽大学 | 基于降噪自编码器的scma编解码器模型的建立方法 |
CN110701487A (zh) * | 2019-09-18 | 2020-01-17 | 浙江工业大学 | 一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法 |
CN110738274A (zh) * | 2019-10-26 | 2020-01-31 | 哈尔滨工程大学 | 一种基于数据驱动的核动力装置故障诊断方法 |
CN113283443A (zh) * | 2020-02-20 | 2021-08-20 | 中国石油天然气股份有限公司 | 工况识别方法、装置、计算机设备以及存储介质 |
CN111428780A (zh) * | 2020-03-20 | 2020-07-17 | 上海理工大学 | 基于数据驱动的电网异常运行状态识别方法 |
CN111425768A (zh) * | 2020-03-31 | 2020-07-17 | 长安大学 | 基于水下传感器网络的输油管道漏油点与漏油速率的探测方法 |
CN113468804A (zh) * | 2021-06-10 | 2021-10-01 | 电子科技大学 | 一种基于矩阵束和深度神经网络的地下管道识别方法 |
Non-Patent Citations (2)
Title |
---|
Fault detection and identification in NPP instruments using kernel principal component analysis;Ma J 等;《International Conference on Nuclear Engineering》;20100408;第765-771页 * |
一种基于T-分布随机近邻嵌入的聚类集成方法;徐森等;《电子与信息学报》;20180630;第1316~1322页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114118289A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Chiller fault diagnosis based on VAE-enabled generative adversarial networks | |
CN108052968B (zh) | 一种qsfla-svm的感知入侵检测方法 | |
Chen et al. | Aero-engine remaining useful life prediction method with self-adaptive multimodal data fusion and cluster-ensemble transfer regression | |
CN111241755A (zh) | 电力负荷预测方法 | |
He et al. | MTAD‐TF: Multivariate Time Series Anomaly Detection Using the Combination of Temporal Pattern and Feature Pattern | |
Chen | Data mining applications in e-government information security | |
Xiao et al. | Addressing Overfitting Problem in Deep Learning‐Based Solutions for Next Generation Data‐Driven Networks | |
CN113283590A (zh) | 一种面向后门攻击的防御方法 | |
CN114067915A (zh) | 一种基于深度对抗变分自编码器的scRNA-seq数据降维方法 | |
CN112308341A (zh) | 电力数据的处理方法和装置 | |
CN114118289B (zh) | 基于数据驱动的成品油管道运行工况识别方法及系统 | |
CN116545733A (zh) | 一种电网入侵检测方法及系统 | |
Sun et al. | Intelligent fault diagnosis scheme for rolling bearing based on domain adaptation in one dimensional feature matching | |
CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
CN114912109B (zh) | 一种基于图嵌入的异常行为序列识别方法及系统 | |
CN116225752A (zh) | 基于故障模式库的微服务系统故障根因分析方法及系统 | |
CN116150687A (zh) | 一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法 | |
Yu | Gaussian mixture models-based control chart pattern recognition | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
CN114036319A (zh) | 一种电力知识抽取方法、系统、装置及存储介质 | |
Lu et al. | A modified active learning intelligent fault diagnosis method for rolling bearings with unbalanced samples | |
Wang et al. | Fault diagnosis of ship ballast water system based on support vector machine optimized by improved sparrow search algorithm | |
CN115392615B (zh) | 基于信息增强生成对抗网络的数据缺失值补全方法及系统 | |
CN113904801B (zh) | 一种网络入侵检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |