CN114266208B - 用于实现管道压降的动态预测的方法、设备、介质和系统 - Google Patents
用于实现管道压降的动态预测的方法、设备、介质和系统 Download PDFInfo
- Publication number
- CN114266208B CN114266208B CN202210200725.XA CN202210200725A CN114266208B CN 114266208 B CN114266208 B CN 114266208B CN 202210200725 A CN202210200725 A CN 202210200725A CN 114266208 B CN114266208 B CN 114266208B
- Authority
- CN
- China
- Prior art keywords
- pressure drop
- data
- pressure
- prediction model
- fluid production
- 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 58
- 239000012530 fluid Substances 0.000 claims abstract description 231
- 238000004519 manufacturing process Methods 0.000 claims abstract description 163
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims description 34
- 238000012544 monitoring process Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 20
- 230000006835 compression Effects 0.000 description 11
- 238000007906 compression Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Pipeline Systems (AREA)
Abstract
本公开的实施例涉及用于一种用于实现管道压降的动态预测的方法、设备、介质和系统。根据该方法,在每一循环周期,基于与在前一循环周期内采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据相关联的多个第一样本数据集合,训练第一压降预测模型;确定经训练的第一压降预测模型是否符合预先确定的第一模型选择标准;以及响应于确定经训练的第一压降预测模型符合所述第一模型选择标准,将经训练的第一压降预测模型发送给边缘服务器,以供边缘服务器将当前使用的压降预测模型更新为所述经训练的第一压降预测模型并借助于所述经训练的第一压降预测模型来预测管道的压降。由此,能够确保所预测的压降的准确性。
Description
技术领域
本公开的实施例总体涉及智能检测领域,并且更具体地涉及一种用于实现管道压降的动态预测的方法、设备、介质和系统。
背景技术
管道压降是指流体在流经管道后压力所发生的变化。通常,可通过流体生产端(例如,产气端)中的一个或多个流体生产装置来生产相应的流体,并通过管道将其传输到相应的流体使用端。例如,在一些示例中,通过空气压缩站(简称为空压站)中的多个空气压缩机(通常简称为空压机)来生产气体(例如,压缩空气),并通过输气管道将所生产的气体传输到相应的用气车间。在这些示例中,气体在产气端(例如,空压站)传输到用气端(例如,用气车间))的过程中会发生压降,如果无法准确估计这样的压降,产气端就无法根据产气端压力准确估算出用气端压力,进而容易导致因所提供的产气端压力太小而导致所生产的产品的质量下降,或者因所提供的产气端压力太大而造成能源的浪费。虽然前面以通过管道输送气体的系统为例进行了说明,但是应了解,在通过管道传输其他流体的系统中,也会存在类似的管道压降的问题。另外,在通过管道输送气体或其他流体的系统中,通常,由边缘服务器基于管道压降来对流体生产端(例如,产气端)的流体生产装置(例如,空压站中的多个空压机)进行控制,以便提供合适的流体生产端压力(例如,产气端压力),进而实现合适的流体产量(例如,产气量)。但是,由于从流体生产端到流体使用端之间距离过长,通信由此受到限制,因此通常远离流体使用端的边缘服务器通常无法直接得到流体使用端的压力,进而无法直接基于流体生产端的压力和流体使用端的压力来确定管道压降,因此也无法达到很好的控制效果。另外,当流体在管道中流动时,存在动能向势能和内能的转化,而且管道当前流量大小、管道泄漏情况、中间工艺设备情况和管道的长度和孔径等也会影响最终的压降。此外,由于无法获取详细的管道属性参数,而且这些属性参数还会由于工况状态以及设备的维保情况而随着时间发生变化,因此也难以通过为边缘服务器建立管道压降模型的方式来确定管道的压降。
发明内容
针对上述问题,本公开提供了一种用于实现管道压降的动态预测的方法、设备、介质和系统,使得供边缘服务器使用来预测压降的第一压降预测模型可随着管道性能的缓慢变化(例如,管道缓慢劣化)而得到动态地更新,进而可确保所预测的压降的准确性。
根据本公开的第一方面,提供了一种用于实现管道压降的动态预测的方法,包括:在每一循环周期,基于与在前一循环周期内采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据相关联的多个第一样本数据集合,训练第一压降预测模型;确定经训练的第一压降预测模型是否符合预先确定的第一模型选择标准;以及响应于确定经训练的第一压降预测模型符合所述第一模型选择标准,将所述经训练的第一压降预测模型发送给边缘服务器,以供边缘服务器将当前使用的压降预测模型更新为所述经训练的第一压降预测模型并借助于所述经训练的第一压降预测模型来预测管道的压降。
根据本公开的第二方面,提供了一种计算设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开的第一方面的方法。
在本公开的第三方面中,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中计算机指令用于使所述计算机执行本公开的第一方面的方法。
在本公开的第四方面中,提供了一种管道压降动态预测系统,包括云端服务器和边缘服务器,其中所述云端服务器和所述边缘服务器通信连接;所述云端服务器被配置成执行本公开的第一方面的方法。
在一些实施例中,该方法还包括:在每一循环周期,基于与在前一循环周期内采集到的所述多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据相关联的多个第二样本数据集合,训练第二压降预测模型,所述第一样本数据集合是所述第二样本数据集合的子集;通过对所述经训练的第二压降预测模型的预测效果进行实时监控,来对所述经训练的第一压降预测模型的预测效果进行实时监控;以及响应于监控到所述经训练的第二压降预测模型的预测效果不再符合预定要求,将所述第一模型选择标准调整为第二模型选择标准,所述第二模型选择标准的满足条件低于所述第一模型选择标准的满足条件。
在一些实施例中,该方法还包括:响应于监控到所述经训练的第二压降预测模型的预测效果不再符合预定要求,向所述边缘服务器发送警报,以提醒所述边缘服务器停止基于所述经训练的第一压降预测模型预测所述管道的压降。
在一些实施例中,对所述经训练的第二压降预测模型的预测效果进行实时监控包括:基于所述经训练的第二压降预测模型以及在当前时间区间内实时采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据,预测当前时间区间内的压降;确定所述当前时间区间内的多个真实压降数据的均值是否在所预测的压降的置信度范围内,每一真实压降数据是相应的流体使用端压力数据与相应的流体生产端压力数据之间的差值;响应确定所述当前时间区间内的多个真实压降数据的均值不在所预测的压降的置信度范围内,将第一时间长度增加当前时间区间的长度,以便确定经增加的第一时间长度是否达到预定时间长度;响应于确定经增加的第一时间长度未达到所述预定时间长度,继续对所述经训练的第二压降预测模型的预测效果进行实时监控;以及响应于确定经增加的第一时间长度达到所述预定时间长度,指示所述经训练的第二压降预测模型的预测效果不符合预定要求。
在一些实施例中,该方法还包括:基于所述经训练的第二压降预测模型,对所述管道的阻力性能进行定时监控,以确定所述管道的所述阻力性能是否已降低到了预定的级别,所述阻力性能由借助于所述第二压降预测模型预测到的压降和相应的流体生产端流量之间的比值来表示。
在一些实施例中,每一第一样本数据集合包括:所述前一循环周期的相应时间区间内的多个样本流体生产端流量数据的均值的高阶项、所述相应时间区间内的多个样本流体生产端压力数据的均值、所述多个样本流体生产端压力数据的均值的高阶项的倒数以及所述相应时间区间内的多个真实压降数据的均值,每一真实压降数据是相应的样本流体使用端压力数据与相应的样本流体生产端压力数据之间的差值,其中所述多个样本流体生产端流量数据以及所述多个样本流体生产端压力数据是通过分别对所述相应时间区间内采集到的多个流体生产端流量数据和多个流体生产端压力数据进行处理得到的。
在一些实施例中,每一第二样本数据集合包括:所述前一循环周期的相应时间区间内的多个样本流体生产端流量数据的均值的高阶项、所述相应时间区间内的多个样本流体生产端压力数据的均值、所述多个样本流体生产端压力数据的均值的高阶项的倒数、所述相应时间区间内的多个样本流体使用端压力数据的均值、所述多个样本流体使用端压力数据的均值的高阶项的倒数、所述多个样本流体生产端压力数据的标准差、所述多个样本流体生产端流量数据的标准差以及所述多个样本流体生产端压力数据中的最大样本流体生产端压力数据以及所述相应时间区间内的多个真实压降数据的均值,每一真实压降数据是相应的样本流体使用端压力数据与相应的样本流体生产端压力数据之间的差值,其中所述多个样本流体生产端流量数据、所述多个样本流体生产端压力数据以及所述多个样本流体使用端压力数据是通过分别对所述相应时间区间内采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据进行处理得到的。
在一些实施例中,基于多个第一样本数据集合,训练第一压降预测模型包括:基于所述多个第一样本数据集合,使用回归算法确定以下第一线性模型中的系数α、β、ζ和γ:,其中表示流体生产端压力数据、表示流体生产端压力数据的高阶项的倒数,表示流体生产端流量数据的高阶项,表示真实压降数据,其中k大于1。
在一些实施例中,基于多个第二样本数据集合,训练第二压降预测模型包括:基于所述多个第二样本数据集合,使用多个不同的回归算法分别训练多个候选压降预测模型;选择经训练的多个候选压降预测模型中精确度排名最靠前的多个候选压降预测模型;将所选的多个候选压降预测模型融合为所述第二压降预测模型。
在一些实施例中,将所选的多个候选压降预测模型融合为所述第二压降预测模型包括:基于多个第三样本数据集合,使用回归算法确定以下第二线性模型中的加权系数a1、a2……an:Y=a1X1+a2X2+……+anXn,其中Y表示所述第一压降预测模型,所述X1、X2……Xn分别表示所选的多个候选压降预测模型,其中每一第三样本数据集合包括将相应的第二样本数据集合中的相应数据分别输入所述多个候选压降预测模型所得到的多个相应的预测压降数据以及相应的真实压降数据;以及基于所述第二线性模型,将所选的多个候选压降预测模型融合成所述第二压降预测模型。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素。
图1示出了用于实现根据本发明的实施例的用于实现管道压降的动态预测的方法的示例性系统100的示意图。
图2示出了根据本公开的实施例的用于实现管道压降的动态预测的方法200的流程图。
图3示出了根据本公开的实施例的基于经训练的第二压降预测模型来对所述经训练的第一压降预测模型的预测效果进行实时监控的方法300的流程图。
图4示出了根据本公开的实施例的示例性压降监控曲线400的示意图。
图5示出了根据本公开的实施例的训练第二压降预测模型的方法500的流程图。
图6示出了根据本公开的实施例的电子设备600的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上所述,通常由边缘服务器基于管道压降来对空压站中的多个空压机进行控制,以便提供合适的流体生产端压力,进而实现合适的产气量。但是,由于从流体生产端到流体使用端之间距离过长,通信会受到限制,因此边缘服务器通常无法直接得到用气车间(即流体使用端)的压力,进而无法直接基于流体生产端压力和流体使用端压力来确定管道压降,因此也无法达到很好的控制效果。另外,当气体在管道中流动时,存在动能向势能和内能的转化,而且管道当前流量大小、管道泄漏情况、中间工艺设备情况和管道的长度和孔径等也会影响最终的压降。此外,由于无法获取详细的管道属性参数,而且这些属性参数还会由于工况状态以及设备的维保情况而随着时间发生变化,因此也难以通过为边缘服务器建立管道压降模型的方式来确定管道的压降。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于实现管道压降的动态预测的方法,包括:在每一循环周期,基于与在前一循环周期内采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据相关联的多个第一样本数据集合,训练第一压降预测模型;确定经训练的第一压降预测模型是否符合预先确定的第一模型选择标准;以及响应于确定经训练的第一压降预测模型符合所述第一模型选择标准,将所述经训练的第一压降预测模型发送给边缘服务器,以供边缘服务器将当前使用的压降预测模型更新为所述经训练的第一压降预测模型并借助于所述经训练的第一压降预测模型来预测管道的压降。在该方法中,通过在云端服务器处周期性地使用最接近的一个循环周期采集到的流体生产端压力、流体生产端流量数据和流体使用端压力数据来训练第一压降预测模型,并基于相应的模型选择标准来选择供边缘服务器使用的第一压降预测模型,使得边缘服务器所使用的第一压降预测模型可随着管道性能的缓慢变化(例如,管道缓慢劣化)而得到动态地更新,进而可以确保所预测的压降的准确性。
图1示出了用于实现根据本发明的实施例的用于实现管道压降的动态预测的方法的示例性系统100的示意图。在如图1中所示的示例中,系统100包括管道压降动态预测系统102以及流体输送系统104(在图1所示的示例中为压缩空气输送系统)。管道压降动态预测系统102可包括云端服务器1021和边缘服务器1022,并且压缩空气输送系统可包括用气车间1041、管道1042和压缩站1043。压缩站1043包括多个压缩机(图中未示出),边缘服务器1022用于基于气体流经管道1042的压降(即,气体从空压站1043传输到用气车间1041的压降)以及所获取的流体生产端压力(在本示例中为产气端压力)来确定流体使用端压力(在本示例中为用气端压力),并基于此确定需要打开或关闭空压站中的哪一个或多个压缩机,从而达到对产气量进行控制的作用。在本公开中,管道102在靠近空压站的位置设置有流体生产端压力传感器(在本示例中为产气端压力传感器)和流体生产端流量传感器(在本示例中为产气端流量传感器,图中未示出),其分别用于采集流体生产端压力(在本示例中为产气端压力)和流体生产端流量(例如,产气端流量),并且管道102在靠近用气车间的位置设置有流体使用端压力传感器(在本示例中为用气端压力传感器,图中未示出),其用于采集流体使用端压力(在本示例中为用气端压力)。在本公开中,云端服务器1021可与流体生产端压力传感器、流体生产端流量传感器以及流体使用端压力传感器无线连接,诸如通过4G网络与这些传感器无线连接),以获取这些传感器所采集的相应的压力和流量数据。边缘服务器1022与云端服务器1021通信连接,例如也通过4G网络与云端服务器1021无线连接,以便于云端服务器1021进行交互通信。边缘服务器也与流体生产端压力传感器、流体生产端流量传感器以及流体使用端压力传感器无线连接,诸如通过Lora网络与这些传感器连接,以获取这些传感器所采集的相应的压力和流量数据。但是,如前面已提到过的,由于从流体生产端(在本示例中为压缩站)到流体使用端(在本示例中为用气车间)之间距离过长,边缘服务器1022与流体使用端压力传感器之间的通信会受到限制,因此边缘服务器1022通常无法直接得到流体使用端的压力,进而无法直接基于流体生产端压力和流体使用端压力来确定管道压降。由此,在本公开中,为了解决该问题,由云端服务器1021在每一循环周期(例如,在每一天)使用在最近的一个循环周期(例如,昨天)采集到的流体生产端压力、流体生产端流量数据和流体使用端压力数据来训练第一压降预测模型,并基于相应的模型选择标准来选择供边缘服务器1022使用的第一压降预测模型,使得边缘服务器1022使用的第一压降预测模型可随着管道性能的缓慢变化(例如,管道缓慢劣化)而动态地更新,进而可以确保边缘服务器1022可以预测到准确的压降。另外,在本公开中,还可在云端服务器1021处在每一循环周期(例如,在每一天)使用最接近的一个循环周期(例如,昨天)采集到的流体生产端压力、流体生产端流量数据和流体使用端压力数据来训练第二压降预测模型,并通过对相应的第二压降预测模型的预测效果进行实时监控来对相应的经训练的第一压降预测模型的预测效果进行实时监控,使得在现场工况发生变化(例如,管道上的设备发生维修等)时,可以实现以加快的速度来更新供边缘服务器使用来预测压降的第一压降预测模型,进而可进一步确保所预测的压降的准确性。另外,在本公开中,通过在云端服务器1021处基于第二压降预测模型对管道的阻力性能进行定时监控(例如,每两个月或三个月监控一次),使得可以确定管道的性能是否已经降低到了一定的水平,导致通过更新第一压降预测模型的方式已难以再保证仍可准确地确定压降,这时可通知相关的人员对管道或者其上的设备进行维护和保养。
在本公开中,云端服务器1021可通过一个或多个计算设备来实现。计算设备可包括至少一个处理器以及与该至少一个处理器耦合的至少一个存储器,存储器中存储有可由该至少一个处理器执行的指令,该指令在被该至少一个处理器执行时执行如下所述的方法200。在本公开中,边缘服务器1022也可由这样的一个或多个计算设备来实现。这样的计算设备的具体结构例如可以如下结合图6所述。
虽然在图1中以压缩空气输送系统为例对流体输送系统104进行了说明,但是流体输送系统也可以是用于输送其他流体(例如,液体)的系统,并且在这样的系统中,相应的流体生产端压力传感器和流体生产端流量传感器通常被设置在相应的管道的用于提供相应流体的一端,以分别用于测量相应的流体生产端压力和流体生产端流量,并且相应的流体使用端压力传感器通常被设置在相应的管道的用于使用相应流体的一端,以用于测量流体使用端压力。
图2示出了根据本公开的实施例的用于实现管道压降的动态预测的方法200的流程图。方法200可由如图1所示的云端服务器1021执行,该云端服务器1021可例如被实现为如图6所示的电子设备600。应当理解的是,方法200还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤202,云端服务器1021在每一循环周期,基于与在前一循环周期内(例如,以预定采样频率)采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据相关联的多个第一样本数据集合,训练第一压降预测模型。
由于边缘服务器1022的算力较小,而且边缘服务器1022无法直接获得流体使用端压力数据,进而无法计算实际的压降来作为训练模型的标签,因此在本公开中,在云端服务器1021处对供边缘服务器1022用来计算压降的第一压降预测模型进行训练。
在本公开中,一个循环周期可以例如为一天,由此当前循环周期可以为当天,并且前一循环周期可以为昨天。因此,在该示例中,每一天都会基于相应的多个第一样本数据集合训练一个相应的第一压降预测模型,这些第一样本数据集合与前一天以预定采样频率采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据相关联。
应领会,在其他条件不变的情况下,在多个不同的循环周期采集到的流体生产端流量数据、流体生产端压力数据和流体使用端压力数据可由于管道性能的缓慢变化(例如,管道缓慢劣化,管道在使用的过程中必定会产生缓慢的劣化)而有所不同,因此在本公开中,分别基于这些数据训练得到的多个不同的第一压降预测模型实际上是随着管道性能的缓慢变化而动态变化的。
经研究发现,管道压降与流量的高阶项以及流体生产端压力的高阶项的倒数相关。在本公开中,流量的高阶项可以为流量的2次方或更高次方,优选为流量的1.85次方或2次方。流体生产端压力的高阶项可以为流体生产端压力的2次方或更高次方,优先为流体生产端压力的2次方。因此,在一些实施例中,每一第一样本数据集合可包括:前一循环周期的相应时间区间内的多个样本流体生产端流量数据的均值的高阶项(例如,1.85次方或更高次方)、该相应时间区间内的多个样本流体生产端压力数据的均值、该多个样本流体生产端压力数据的均值的高阶项(例如,2次方或更高次方)的倒数以及该相应时间区间内的多个真实压降数据的均值,每一真实压降数据是相应的样本流体使用端压力数据与相应的样本流体生产端压力数据之间的差值。在本公开中,第一样本数据集合中所包括的相应时间区间内的多个真实压降数据的均值用作第一压降预测模型训练时需要用到的标签数据。
在本公开中,多个样本流体生产端流量数据以及多个样本流体生产端压力数据是通过分别对该相应时间区间内采集到的多个流体生产端流量数据和多个流体生产端压力数据进行处理得到的。这些处理可包括例如将 相应时间区间内采集到的、与小于或等于0的标签数据相对应的各个压力和流量数据删除,并且仅保留剩下的数据中位于相应的中位数两端的预定数目(例如,中位数左右各50个)相应的数据,从而有助于移除可能存在异常的数据。另外,在本公开中,还可对采集到的各个压力数据和流量数据进行分组对齐,例如将秒级数据则按照分钟进行分组平均(例如,将在1分钟内采集到的多个相应数据求平均)来实现这种分组对齐。
在本公开中,一个时间区间的长度可例如为5分钟或更多分钟。另外,在本公开中,以一个时间区间为单位获得第一样本数据集合,而不是以按照采样频率采集到的各个压力数据和/或流量数据来获得第一样本数据集合可起到数据平滑的作用,进而有助于降低因测量误差的波动所带来的负面影响。
在一些实施例中,可基于多个第一样本数据集合通过线性拟合相应的真实压降来训练相应的第一压降预测模型。具体地,基于多个第一样本数据集合,训练第一压降预测模型包括:基于该多个第一样本数据集合,使用回归算法确定以下第一线性模型中的系数α、β和ζ:,其中表示流体生产端压力数据、表示流体生产端压力数据的高阶项的倒数,表示流体生产端流量数据的高阶项,表示真实压降数据,其中k大于1。通过将多个第一样本数据集合中包括的数据代入第一线性模型中的相应项,并利用回归算法进行计算,可确定以上系数α、β和ζ。在另一些实施例中,该第一线性模型还可包括一个常数项γ,即该第一线性模型可以为,这时可基于该多个第一样本数据集合,使用回归算法确定该第一线性模型中的系数α、β、ζ和γ。在本公开中,在训练第一压降预测模型时,除了可确定相关的系数以外,还会确定相应的置信区间,即该模型的误差范围。
在步骤204,云端服务器1021确定经训练的第一压降预测模型是否符合预先确定的第一模型选择标准。
在本公开中,在采集到的样本数据充足(例如,在循环周期的70%以上的时间都采集到了相应的数据)的情况下,该第一模型选择标准可以为:如果当前循环周期训练的第一压降预测模型的指标(例如,R2指标)优于(即,大于)先前循环周期训练得到的多个第一压降预测模型中第一比例(例如,50%)的第一压降预测模型的指标,则表明当前循环周期的第一压降预测模型有效,可被选择来供边缘服务器将当前使用的第一压降预测模型更新为该第一压降预测模型。
在步骤206,云端服务器1021响应于确定经训练的第一压降预测模型符合第一模型选择标准,将该经训练的第一压降预测模型发送给边缘服务器1022,以供边缘服务器1022将当前使用的压降预测模型更新为该经训练的第一压降预测模型并借助于该经训练的第一压降预测模型来预测管道的压降。
在本公开中,边缘服务器1022基于预测到的管道的压降,可以准确估算出流体使用端压力,并基于该流体使用端压力对空压站中的多个空压机进行控制,以提供合适的流体生产端压力,进而实现合适的产气量。
例如,云端服务器1021可在确定经训练的第一压降预测模型符合第一模型选择标准的情况下,于下一循环周期的固定时间将该第一压降预测模型发送给边缘服务器1022。边缘服务器1022在接收到该经训练的第一压降预测模型之后,就可将当前使用的预测模型更新为该经训练的第一压降预测模型,从而使得边缘服务器所使用的第一压降预测模型并不是固定的,而是动态更新的,并且这种动态更新与管道性能有关。
另一方面,如果确定经训练的第一压降预测模型不符合第一模型选择标准,则边缘服务器1022将继续使用原来使用的压降预测模型来预测预测管道的压降,并随后基于此来控制空压机。
综上,通过以上技术手段,使得边缘服务器1022所使用的第一压降预测模型可随着管道性能的缓慢变化(例如,管道缓慢劣化)而得到动态地更新,进而可以确保所预测的压降的准确性。
图3示出了根据本公开的实施例的基于经训练的第二压降预测模型来对所述经训练的第一压降预测模型的预测效果进行实时监控的方法300的流程图。方法300可由云端服务器1021执行,该云端服务器1021可例如被实现为如图6所示的电子设备600。应当理解的是,方法300还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤302,云端服务器1021在每一循环周期,基于与在前一循环周期内采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据相关联的多个第二样本数据集合,训练第二压降预测模型。在本公开中,第一样本数据集合实际上是第二样本数据集合的子集,因此第二压降预测模型是基于更多的数据训练得到的,因此第二压降预测模型所需的训练计算量更大,由此第二压降预测模型的精度也更高。
在本公开中,可基于多个第二样本数据集合通过例如回归树的形式来拟合相应的真实压降来训练相应的第二压降预测模型。第二压降预测模型可与流量的高阶项、流体生产端压力、流体生产端压力的高阶项的倒数、流体使用端压力以及流体使用端压力的高阶项的倒数、以及流量的标准差和流体生产端压力的标准差相关。在本公开中,流量的高阶项可以为流量的2次方或更高次方,优选为流量的1.85次方或2次方;流体生产端压力的高阶项可以为流体生产端压力的2次方或更高次方;流体使用端压力的高阶项也可以为流体使用端压力的2次方或更高次方。在一些实施例中,每一第二样本数据集合可包括:前一循环周期的相应时间区间内的多个样本流体生产端流量数据的均值的高阶项、该相应时间区间内的多个样本流体生产端压力数据的均值、该多个样本流体生产端压力数据的均值的高阶项的倒数、该相应时间区间内的多个样本流体使用端压力数据的均值、该多个样本流体使用端压力数据的均值的高阶项的倒数、该多个样本流体生产端压力数据的标准差、该多个样本流体生产端流量数据的标准差以及该多个样本流体生产端压力数据中的最大样本流体生产端压力数据以及该相应时间区间内的多个真实压降数据的均值,每一真实压降数据是相应的样本流体使用端压力数据与相应的样本流体生产端压力数据之间的差值。同样,多个样本流体生产端流量数据、多个样本流体生产端压力数据以及多个样本流体使用端压力数据是通过分别对相应时间区间内采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据进行处理得到的。具体的处理与前面提到的处理相同,这里不再进行进一步赘述。在本公开中,第二样本数据集合中所包括的相应时间区间内的多个真实压降数据的均值用作第二压降预测模型训练时需要用到的标签数据。
在本公开中,训练第二压降预测模型包括训练该模型的模型参数,并且还会返回相应的置信范围,即相应的误差范围。
下面将结合图5对训练第二压降预测模型的方法500作进一步更详细的描述。
在步骤304,云端服务器1021通过对经训练的第二压降预测模型的预测效果进行实时监控,来对经训练的第一压降预测模型的预测效果进行实时监控。
如前面所提到的,与相应的第一压降预测模型相比,第二压降预测模型的精度更高。因此,经训练的第二压降预测模型的预测效果应当优于经训练的第一压降预测模型的预测效果,因此对经训练的第二压降预测模型的预测效果进行实时监控的结果实际上可以从一定程度上反映对经训练的第一压降预测模型的预测效果进行实时监控的结果。
在一些实施例中,可通过以下方式来实现对经训练的第二压降预测模型的预测效果的实时监控。首先,基于经训练的第二压降预测模型以及在当前时间区间内(例如,以预定采样频率)实时采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据,预测当前时间区间内的压降。具体地,可对在当前时间区间内采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据进行相应的处理(该处理与前面提到的在训练时进行的处理相同),以得到经处理的多个流体生产端流量数据、经处理的多个流体生产端压力数据以及经处理的多个流体使用端压力数据。然后通过计算得到经处理的多个流体生产端流量数据的均值的高阶项、经处理的多个流体生产端压力数据的均值、经处理的多个流体生产端压力数据的均值的高阶项的倒数、经处理的多个流体使用端压力数据的均值、经处理的多个流体使用端压力数据的均值的高阶项的倒数、经处理的多个流体生产端压力数据的标准差、经处理的多个流体生产端流量数据的标准差以及经处理的多个流体生产端压力数据中的最大流体生产端压力数据以及相应的多个真实压降数据的均值,其中每一真实压降数据是相应的经处理的流体使用端压力数据与相应的经处理的流体生产端压力数据之间的差值。将所得到的数据代入经训练的第二压降预测模型中,就可预测出当前时间区间内的压降。在预测出当前时间区间内的压降后,确定当前时间区间内的多个真实压降数据的均值是否在所预测的压降的置信度范围内。响应确定当前时间区间内的多个真实压降数据的均值不在所预测的压降的置信度范围内,将第一时间长度增加当前时间区间的长度,以便确定经增加的第一时间长度是否达到预定时间长度,该预定时间长度可例如为30分钟。响应于确定经增加的第一时间长度未达到预定时间长度,继续对经训练的第二压降预测模型的预测效果进行实时监控。响应于确定经增加的第一时间长度达到预定时间长度,指示经训练的第二压降预测模型的预测效果不再符合预定要求。例如,如图4所示,示出了根据本公开的实施例的示例性压降监控曲线400。根据图4,粗实线曲线表示当前循环周期的实际压降的曲线,细实线曲线表示当前循环周期的所预测的压降的曲线,细实线曲线两侧的虚线曲线限定了所预测的压降的置信度范围(即,误差范围)。根据该图,在感叹号所标注的位置处,相应时间区间内的多个真实压降数据的均值已在所预测的压降的置信度范围之外达预定时间长度(例如,30分钟),由此确定经训练的第二压降预测模型的预测效果不再符合预定要求。
在步骤306,云端服务器1021响应于监控到经训练的第二压降预测模型的预测效果不再符合预定要求,将第一模型选择标准调整为第二模型选择标准,第二模型选择标准的满足条件低于第一模型选择标准的满足条件。
在本公开中,如果监控到经训练的第二压降预测模型的预测效果不再符合预定要求,则说明发生了失控,而这种使用一般是由现场工况或者管道发生变化造成的,因此通过选择满足条件更低的第二模型选择标准,由此可使得第一压降预测模型的更新速度加快,从而适应这种现场工况或管道所发生的变化。
在一些实施例中,第二模型选择标准可以为如果当前循环周期训练的第一压降预测模型的指标(例如,R2指标)优于(即,大于)先前循环周期训练得到的多个第一压降预测模型中第二比例(例如,30%)的第一压降预测模型的指标,则表明当前循环周期的第一压降预测模型有效,可被选择来供边缘服务器将当前使用的第一压降预测模型更新为该第一压降预测模型。在本公开中,第二比例小于前面提到的第一比例。
在一些实施例中,云端服务器1021还响应于监控到经训练的第二压降预测模型的预测效果不再符合预定要求,向边缘服务器1022发送警报,以提醒所述边缘服务器停止基于经训练的第一压降预测模型预测管道的压降。
通过采用上述手段,本公开能够实现对第一压降预测模型的预测效果的实时监控,使得在现场工况或管道发生变化(例如,管道上的设备发生维修等)时,可以实现以加快的速度来更新供边缘服务器使用来预测压降的第一压降预测模型,进而在现场工况或管道发生变化的情况下仍能确保所预测的压降的准确性。
在本公开中,除了对第一和第二压降预测模型进行实时监控之外,还可基于所述经训练的第二压降预测模型,对管道的阻力性能进行定时监控(例如,可每两到三个月监控一次),以确定管道的阻力性能是否已降低到了预定的级别。在本公开中,该阻力性能由借助于第二压降预测模型预测到的压降和相应的流体生产端流量之间的比值来表示,即可基于以下公式来确定:,其中表示管道的阻力性能系数(单位为bar/(Nm/min)),表示借助于第二压降预测模型预测到的压降,并且表示相应的流体生产端流量。
在一些实施例中,管道的阻力性能的级别可例如基于以下管道阻力性能等级表来确定。这时,需要预先将流体生产端压力设定为以下5档排气压力中的至少一个:3bar、5bar、7bar、8bar、10bar、12.5bar。然而,通过对照该表格来确定借助于第二压降预测模型预测到的压降处于哪一个等级,由此确定管道的阻力性能是否已降低到了预定的级别,例如是否已降低到了下表中的一级。
表一 示例性管道阻力性能等级表
在该表格所示的示例中,管道阻力性能从高到低依次为三级、二级和一级。并且表格中所填的数值表示相应的产气压力下相应等级的阻力性能系数,例如在以上表一中,在产气压力为3bar的情况下,如果管道的阻力性能系数为约0.01左右,则表示管道性能等级为一级;如果管道的阻力性能系数为约0.008左右,则表示管道性能等级为二级;如果管道的阻力性能系数为约0.006左右,则表示管道性能等级为三级。
通过采用上述手段,本公开可以确定管道的性能是否已经降低到了预定的级别(例如,以上表格中的一级),从而可确定管道或者其上的设备可能存在一定的故障或异常,这时可通知相关人员对管道或者其上的设备进行维护和保养。
图5示出了根据本公开的实施例的根据本公开的实施例的训练第二压降预测模型的方法500的流程图。方法500可由云端服务器1021执行,该云端服务器1021可例如被实现为如图6所示的电子设备600。应当理解的是,方法300还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤502,基于多个第二样本数据集合,使用多个不同的回归算法分别训练多个候选压降预测模型。
该步骤中用到的多个不同的回归算法可以是极限梯度提升(Extreme GradientBoosting regression model,简称为Xgboost)回归算法、轻量级梯度提升机(lightgradient Boosting machine,简称为light GBM)算法、线性回归算法(Linear Regressor)或随机森林(Random Forest)算法等中的两个或更多个。
另外,该多个第二样数据集合可被划分成多份,每次将其中的一份被用作验证集,其余几份被用作训练集。因此,在一些实施例中,可通过以下方式来获得每一候选压降预测模型:将多个第二样本数据集合中的一份用作验证集,其余几份用作训练集,然后基于多个训练集,使用相应的回归算法训练一个压降预测模型;随后,将多个第二样本数据集合中的另一份用作验证集,其余几份用作训练集,然后再基于训练集,使用相应的回归算法训练一个不同的压降预测模型;并以此类推,最终得到多个不同的压降预测模型;然后,将这些压降预测模型求平均,从而得到与该相应的回归算法相关联的候选压降预测模型。与其他回归算法相关联的候选压降预测模型可以按类似的方法得到。
在步骤504,选择经训练的多个候选压降预测模型中精确度排名最靠前的多个候选压降预测模型。
在本公开中,精确度排名最靠前可以指的是在步骤502得到的多个压降预测模型中例如R2指标最大的多个候选压降预测模型。
在步骤506,将所选的多个候选压降预测模型融合为第二压降预测模型。
在一些实施例中,可通过以下方式来将所选的多个候选压降预测模型融合为第二压降预测模型。首先,基于多个第三样本数据集合,使用回归算法确定以下第二线性模型中的加权系数a1、a2……an:Y=a1X1+a2X2+……+anXn,其中Y表示第一压降预测模型,X1、X2……Xn分别表示所选的多个候选压降预测模型。每一第三样本数据集合包括将相应的第二样本数据集合中的相应数据分别输入多个候选压降预测模型所得到的多个相应的预测压降数据以及相应的真实压降数据。例如,通过将一个第二样本数据集合中的数据输入所选的第一候选压降预测模型可得到第一预测压降数据,将这些数据输入所选的第二候选压降预测模型可得到第二预测压降数据,并以此类推得到其他预测压降数据。另外,相应的真实压降数据可通过计算该第二样本数据集合中的流体生产端压力数据和流体使用端压力数据之间的差值来确定。该第一预测压降数据、第二预测压降数据、多个其他预测压降数据以及相应的真实压降数据组成一个相应的第三样本数据集合。其他第三样本数据集合可以通过类似的方式获得。通过将第一预测压降数据、第二预测压降数据、多个其他预测压降数据以及相应的真实压降数据代入以上第二线性模型,可得到第一等式。基于多个第二样本数据集合可得到多个这样的等式。随后基于这些等式,例如回归算法就可训练出相应的加权系数a1、a2……an。然后,基于该第二线性模型,将所选的多个候选压降预测模型融合成第二压降预测模型。利用已确定加权系数的第二线性模型,通过将多个候选压降预测模型代入该第二线性模型,就可得到相应的第二压降预测模型。
图6示出了可以用来实施本公开内容的实施例的示例电子设备600的示意性框图。例如,如图1所示的云端服务器1021和边缘服务器1022均可以由这样的一个或多个电子设备600来实施。如图所示,电子设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机存取存储器(RAM)603中的计算机程序指令,来执行各种适当的动作和处理。在随机存取存储器603中,还可存储电子设备600操作所需的各种程序和数据。中央处理单元601、只读存储器602以及随机存取存储器603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至输入/输出接口605,包括:输入单元606,例如键盘、鼠标、麦克风等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法200、300和500,可由中央处理单元601执行。例如,在一些实施例中,方法200、300和500可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由只读存储器602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序被加载到随机存取存储器603并由中央处理单元601执行时,可以执行上文描述的方法200、300和500的一个或多个动作。
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以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合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种用于实现管道压降的动态预测的方法,包括:
在云端服务器处,在每一循环周期,基于与在前一循环周期内采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据相关联的多个第一样本数据集合,训练第一压降预测模型;
确定经训练的第一压降预测模型是否符合预先确定的第一模型选择标准;以及
响应于确定经训练的第一压降预测模型符合所述第一模型选择标准,将所述经训练的第一压降预测模型发送给边缘服务器,以供边缘服务器将当前使用的压降预测模型更新为所述经训练的第一压降预测模型并借助于所述经训练的第一压降预测模型来预测管道的压降;
所述方法还包括:
在云端服务器处,在每一循环周期,基于与在前一循环周期内采集到的所述多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据相关联的多个第二样本数据集合,训练第二压降预测模型,所述第一样本数据集合是所述第二样本数据集合的子集;
通过对所述经训练的第二压降预测模型的预测效果进行实时监控,来对所述经训练的第一压降预测模型的预测效果进行实时监控;以及
响应于监控到所述经训练的第二压降预测模型的预测效果不再符合预定要求,将所述第一模型选择标准调整为第二模型选择标准,所述第二模型选择标准的满足条件低于所述第一模型选择标准的满足条件。
2.根据权利要求1所述的方法,还包括:
响应于监控到所述经训练的第二压降预测模型的预测效果不再符合预定要求,向所述边缘服务器发送警报,以提醒所述边缘服务器停止基于所述经训练的第一压降预测模型预测所述管道的压降。
3.根据权利要求1所述的方法,其中对所述经训练的第二压降预测模型的预测效果进行实时监控包括:
基于所述经训练的第二压降预测模型以及在当前时间区间内实时采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据,预测当前时间区间内的压降;
确定所述当前时间区间内的多个真实压降数据的均值是否在所预测的压降的置信度范围内,每一真实压降数据是相应的流体使用端压力数据与相应的流体生产端压力数据之间的差值;
响应确定所述当前时间区间内的多个真实压降数据的均值不在所预测的压降的置信度范围内,将第一时间长度增加当前时间区间的长度,以便确定经增加的第一时间长度是否达到预定时间长度;
响应于确定经增加的第一时间长度未达到所述预定时间长度,继续对所述经训练的第二压降预测模型的预测效果进行实时监控;以及
响应于确定经增加的第一时间长度达到所述预定时间长度,指示所述经训练的第二压降预测模型的预测效果不符合预定要求。
4.根据权利要求1所述的方法,还包括:
基于所述经训练的第二压降预测模型,对所述管道的阻力性能进行定时监控,以确定所述管道的所述阻力性能是否已降低到了预定的级别,所述阻力性能由借助于所述第二压降预测模型预测到的压降和相应的流体生产端流量之间的比值来表示。
5.根据权利要求1所述的方法,其中每一第一样本数据集合包括:所述前一循环周期的相应时间区间内的多个样本流体生产端流量数据的均值的高阶项、所述相应时间区间内的多个样本流体生产端压力数据的均值、所述多个样本流体生产端压力数据的均值的高阶项的倒数以及所述相应时间区间内的多个真实压降数据的均值,每一真实压降数据是相应的样本流体使用端压力数据与相应的样本流体生产端压力数据之间的差值,其中所述多个样本流体生产端流量数据以及所述多个样本流体生产端压力数据是通过分别对所述相应时间区间内采集到的多个流体生产端流量数据和多个流体生产端压力数据进行处理得到的。
6.根据权利要求1所述的方法,其中每一第二样本数据集合包括:所述前一循环周期的相应时间区间内的多个样本流体生产端流量数据的均值的高阶项、所述相应时间区间内的多个样本流体生产端压力数据的均值、所述多个样本流体生产端压力数据的均值的高阶项的倒数、所述相应时间区间内的多个样本流体使用端压力数据的均值、所述多个样本流体使用端压力数据的均值的高阶项的倒数、所述多个样本流体生产端压力数据的标准差、所述多个样本流体生产端流量数据的标准差以及所述多个样本流体生产端压力数据中的最大样本流体生产端压力数据以及所述相应时间区间内的多个真实压降数据的均值,每一真实压降数据是相应的样本流体使用端压力数据与相应的样本流体生产端压力数据之间的差值,其中所述多个样本流体生产端流量数据、所述多个样本流体生产端压力数据以及所述多个样本流体使用端压力数据是通过分别对所述相应时间区间内采集到的多个流体生产端流量数据、多个流体生产端压力数据和多个流体使用端压力数据进行处理得到的。
8.根据权利要求1所述的方法,其中基于多个第二样本数据集合,训练第二压降预测模型包括:
基于所述多个第二样本数据集合,使用多个不同的回归算法分别训练多个候选压降预测模型;
选择经训练的多个候选压降预测模型中精确度排名最靠前的多个候选压降预测模型;
将所选的多个候选压降预测模型融合为所述第二压降预测模型。
9.根据权利要求8所述的方法,其中将所选的多个候选压降预测模型融合为所述第二压降预测模型包括:
基于多个第三样本数据集合,使用回归算法确定以下第二线性模型中的加权系数a1、a2……an:Y=a1X1+a2X2+……+anXn,其中Y表示所述第一压降预测模型,所述X1、X2……Xn分别表示所选的多个候选压降预测模型,其中每一第三样本数据集合包括将相应的第二样本数据集合中的相应数据分别输入所述多个候选压降预测模型所得到的多个相应的预测压降数据以及相应的真实压降数据;以及
基于所述第二线性模型,将所选的多个候选压降预测模型融合成所述第二压降预测模型。
10.一种计算设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使计算机执行权利要求1-9中任一项所述的方法。
12.一种管道压降动态预测系统,包括云端服务器和边缘服务器,其中所述云端服务器和所述边缘服务器通信连接;
所述云端服务器被配置成执行权利要求1-9中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210200725.XA CN114266208B (zh) | 2022-03-03 | 2022-03-03 | 用于实现管道压降的动态预测的方法、设备、介质和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210200725.XA CN114266208B (zh) | 2022-03-03 | 2022-03-03 | 用于实现管道压降的动态预测的方法、设备、介质和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114266208A CN114266208A (zh) | 2022-04-01 |
CN114266208B true CN114266208B (zh) | 2022-05-24 |
Family
ID=80833839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210200725.XA Active CN114266208B (zh) | 2022-03-03 | 2022-03-03 | 用于实现管道压降的动态预测的方法、设备、介质和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266208B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115343967B (zh) * | 2022-10-19 | 2023-01-10 | 蘑菇物联技术(深圳)有限公司 | 用于对空压站进行仿真控制的方法、设备和介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100071696A1 (en) * | 2008-09-25 | 2010-03-25 | Nellcor Puritan Bennett Llc | Model-predictive online identification of patient respiratory effort dynamics in medical ventilators |
US8533222B2 (en) * | 2011-01-26 | 2013-09-10 | Google Inc. | Updateable predictive analytical modeling |
US10949260B2 (en) * | 2015-12-04 | 2021-03-16 | Cornell University | Execution time prediction for energy-efficient computer systems |
US11373105B2 (en) * | 2017-04-13 | 2022-06-28 | Oracle International Corporation | Autonomous artificially intelligent system to predict pipe leaks |
US10642249B2 (en) * | 2017-05-01 | 2020-05-05 | Honeywell International Inc. | Method and system for real-time damage prediction and quantification |
WO2020227383A1 (en) * | 2019-05-09 | 2020-11-12 | Aspen Technology, Inc. | Combining machine learning with domain knowledge and first principles for modeling in the process industries |
US20210116076A1 (en) * | 2019-10-22 | 2021-04-22 | Eog Resources, Inc. | Anomaly detection in pipelines and flowlines |
US11636389B2 (en) * | 2020-02-19 | 2023-04-25 | Microsoft Technology Licensing, Llc | System and method for improving machine learning models by detecting and removing inaccurate training data |
CN111927814B (zh) * | 2020-08-19 | 2022-02-22 | 蘑菇物联技术(深圳)有限公司 | 一种基于边缘计算的离心空压机组节能的方法 |
CN112700639B (zh) * | 2020-12-07 | 2022-03-08 | 电子科技大学 | 一种基于联邦学习与数字孪生的智能交通路径规划方法 |
CN113446519B (zh) * | 2021-09-01 | 2021-11-19 | 蘑菇物联技术(深圳)有限公司 | 用于确定管网泄漏程度的方法、电子设备和存储介质 |
-
2022
- 2022-03-03 CN CN202210200725.XA patent/CN114266208B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于压力时间序列的输油管道在线泄漏故障诊断算法;刘金海等;《东北大学学报(自然科学版)》;20090315;第30卷(第03期);第321-324页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114266208A (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9915399B1 (en) | Control system in a gas pipeline network to satisfy demand constraints | |
US10380274B2 (en) | Computer-implemented method for generating or updating topology model of pressure pipe network | |
US10323798B2 (en) | Control system in a gas pipeline network to increase capacity factor | |
US11061393B2 (en) | Consolidating anomaly root causes and alarms using graphical granger models | |
EP3475893A1 (en) | Method and apparatus for model-based control of a water distribution system | |
CN113464415B (zh) | 控制空压站的空压机的方法、设备和计算机存储介质 | |
US10657299B2 (en) | Posterior estimation of variables in water distribution networks | |
US10337674B2 (en) | Control system in a gas pipeline network to satisfy pressure constraints | |
CN114635844B (zh) | 用于控制空压站中的空压机的方法、设备和介质 | |
CN114266208B (zh) | 用于实现管道压降的动态预测的方法、设备、介质和系统 | |
CN113446519B (zh) | 用于确定管网泄漏程度的方法、电子设备和存储介质 | |
CN104346926B (zh) | 行驶时间预测方法和装置、以及相关终端设备 | |
CN115085196B (zh) | 电力负荷预测值确定方法、装置、设备和计算机可读介质 | |
CN114442583B (zh) | 用于对多个被控设备进行控制方法、设备和介质 | |
GB2565005A (en) | Analysis device, analysis method, and storage medium storing program | |
US20190104028A1 (en) | Performance monitoring at edge of communication networks using hybrid multi-granular computation with learning feedback | |
CN114928574B (zh) | 信息发送方法、装置、电子设备和计算机可读介质 | |
Balakrishnan et al. | A proposed measure of residual life of live components of a coherent system | |
CN115343967B (zh) | 用于对空压站进行仿真控制的方法、设备和介质 | |
CN114257521B (zh) | 流量预测方法、装置、电子设备和存储介质 | |
CN115237081A (zh) | 确定具有异常的后处理设备的方法、设备和介质 | |
CN116951317B (zh) | 基于智慧燃气的供气成本管控方法、物联网系统与介质 | |
CN117992834B (zh) | 一种数据分析方法以及相关装置 | |
JP7182961B2 (ja) | 末端圧力制御支援装置、末端圧力制御支援方法及びコンピュータプログラム | |
CN114382687A (zh) | 用于控制空压站中的空压机的方法、设备和介质 |
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 | ||
CP03 | Change of name, title or address |
Address after: No. 118, Building C1, No.1 Qingsheng Avenue, Nansha District, Guangzhou City, Guangdong Province, 511455 Patentee after: Guangdong Mushroom IoT Technology Co.,Ltd. Country or region after: Zhong Guo Address before: 518109 room 2202, building 1, Huide building, Beizhan community, Minzhi street, Longhua District, Shenzhen, Guangdong Patentee before: MOGULINKER TECHNOLOGY (SHENZHEN) CO.,LTD. Country or region before: Zhong Guo |
|
CP03 | Change of name, title or address |