CN114398987A - 一种天然气能量计量的异常监测方法和系统 - Google Patents
一种天然气能量计量的异常监测方法和系统 Download PDFInfo
- Publication number
- CN114398987A CN114398987A CN202210045108.7A CN202210045108A CN114398987A CN 114398987 A CN114398987 A CN 114398987A CN 202210045108 A CN202210045108 A CN 202210045108A CN 114398987 A CN114398987 A CN 114398987A
- Authority
- CN
- China
- Prior art keywords
- natural gas
- data
- metering
- gas
- output 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.)
- Granted
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 718
- 239000003345 natural gas Substances 0.000 title claims abstract description 359
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 239000007789 gas Substances 0.000 claims abstract description 123
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 238000010438 heat treatment Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000034423 Delivery Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring Volume Flow (AREA)
Abstract
本说明书实施例公开了一种天然气能量计量的异常监测方法,该方法包括:基于计量设备获取天然气损耗数据;天然气损耗数据为:被测区域在多个时间段,所消耗的天然气的计量数据;获取天然气输出数据;天然气输出数据为:供气方在多个时间段,为被测区域输送的天然气的计量数据;基于对天然气损耗数据与天然气输出数据的处理,确定是否发生天然气输送异常。
Description
技术领域
本发明涉及物联网技术领域,具体涉及一种天然气能量计量的异常监测方法和系统。
背景技术
天然气相较于传统的能源在城市燃气和交通领域的需求将维持高速增长的趋势,随着燃气公司面对的客户群体越来越复杂,燃气应用场景越来越多元化,对燃气输送的安全性提出了更高的要求。
因此,希望提供一种天然气能量计量的异常监测方法和系统,以实现对天然气输送的准确监测。
发明内容
本说明书实施例之一提供一种天然气能量计量的异常监测方法。所述天然气能量计量的异常监测方法,包括:基于计量设备获取天然气损耗数据;所述天然气损耗数据为:被测区域在多个时间段,所消耗的天然气的计量数据;获取天然气输出数据;所述天然气输出数据为:供气方在所述多个时间段,为所述被测区域输送的天然气的计量数据;基于对所述天然气损耗数据与所述天然气输出数据的处理,确定是否发生天然气输送异常。
本说明书实施例之一提供一种天然气能量计量的异常监测系统。
在一些实施例中,所述天然气能量计量的异常监测系统包括:损耗数据获取模块,用于获取天然气损耗数据;所述天然气损耗数据为:被测区域在多个时间段,所消耗的天然气的计量数据;输出数据获取模块,用于获取天然气输出数据;所述天然气输出数据为:供气方在所述多个时间段,为所述被测区域输送的天然气的计量数据;数据处理模块,用于基于对所述天然气损耗数据与所述天然气输出数据的处理,确定是否发生天然气输送异常。
本说明书实施例之一提供一种天然气能量计量的异常监测装置,包括处理器,所述处理器用于执行天然气能量计量的异常监测方法。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行天然气能量计量的异常监测方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的天然气能量计量的异常监测系统的应用场景示意图;
图2是根据本说明书一些实施例所示的天然气能量计量的异常监测方法的示例性流程图;
图3是根据本说明书一些实施例所示的天然气输送异常判断的示例性流程图;
图4是根据本说明书一些实施例所示的天然气输送异常判断的示意图;
图5是根据本说明书一些实施例所示的多个时间段的时间间隔的示意图;
图6是根据本说明书一些实施例所示的确定异常发生位置的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的天然气能量计量的异常监测系统的应用场景100的示意图。
在一些实施例中,天然气能量计量的异常监测系统可以通过实施本说明书中披露的方法和/或过程确定是否发生天然气输送异常。
如图1所示,本说明书实施例所涉及的应用场景100可以包括处理设备110、网络120、输送管网130、计量设备140、输送站点150、用气区域160及存储设备170。
处理设备110可以用于处理来自应用场景100的至少一个组件或外部数据源(例如,云数据中心)的数据和/或信息。处理设备110可以通过网络120从输送管网130、计量设备140、输送站150、用气区域160及存储设备170访问数据和/或信息。处理设备110可以直接连接存储设备170以访问信息和/或数据。例如,处理设备110可以从存储设备170获取天然气输出数据和/或天然气损耗数据。
处理设备110可以对获取的数据和/或信息进行处理。例如,处理设备110可以基于计量设备140获取的天然气输出数据和天然气损耗数据判断天然气输送是否异常。在一些实施例中,处理设备110可以是单个服务器或服务器组。处理设备110可以是本地的、远程的。处理设备110可以在云平台上实现。
网络120可以包括提供能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中,应用场景100的一个或多个组件(例如,处理设备110、输送管网130、计量设备140、输送站150、用气区域160及存储设备170)之间可以通过网络120交换信息和/或数据。
在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换点120-1、120-2、…,通过这些网络接入点,场景100的一个或多个组件可连接到网络120以交换数据和/或信息。
输送管网130可以用于将天然气从输送站点150输送至用气区域160。在一些实施例中,输气管网130中设有多个分输管线,用于与多个输送站点150和多个用气区域160相连。在一些实施例中,多个用气区域160根据用气量大小及气压不同,可以设有多套管网。在一些实施例中,输送管网130中设有计量设备140用于计量天然气输送量。
计量设备140可以用于测量输送管网130中天然气的输送量。在一些实施例中,计量设备140可以设置于输送管网的输气节点,并采集所述输气节点的天然气输出数据。在一些实施例中,计量设备140可以设置于输送管网的供气终端或供气节点,并采集所述供气终端或供气节点的天然气损耗数据。
在一些实施例中,计量设备140可以将采集的天然气输出数据和/或天然气损耗数据通过网络120发送至处理设备110和/或天然气输送站150。在一些实施例中,计量设备140可以包括一个或以上不同计量方式的计量装置。例如,计量设备140可以包括天然气体积计量装置140-1、天然气能量计量装置140-2、天然气质量计量装置(图中未示出)等。
天然气体积计量装置140-1可以计量一段时间内天然气输送体积及对应的天然气压力、温度等数据。在一些实施例中,天然气体积计量装置140-1可以是孔板流量计、涡轮流量计、超声波流量计、腰轮流量计、涡街流量计、旋进式旋涡流量计等。天然气能量计量可以通过体积计量和/或质量计量与单位流量天然气的发热值乘积计算获得。在一些实施例中,天然气的发热值可通过直接燃烧法测量,也可通过分析气体组分计算而得。在一些实施例中,天然气能量计量装置140-2中设置有在线和/或离线气相色谱仪,用于测量天然气发热值。
输送站150可以用于将天然气主干管网或天然气储气库中的天然气通过输送管网130输送给用气区域160。在一些实施例中,输送站150可以设置有天然气数据监测装置,可以用于监测输送站的天然气的性能参数,例如,压力、温度、流量、成分等。在一些实施例中,输送站150可以调节天然气的输送压力、输送流量等输送参数。
在一些实施例中,输送站150可以设置有计量设备,用于计量天然气输出数据。在一些实施例中,输送站150可以通过网络120将天然气出站输出数据发送至处理设备110。在一些实施例中,输送站150可以接收处理设备110和/或计量设备140发出的天然气输送信息。在一些实施例中,输送站150可以从处理设备110获取天然气输送是否异常的结果。在一些实施例中,输送站150可以响应与天然气输送异常的结果调节天然气输送参数,例如,降低天然气的输送压力和/或流量、关闭阀门停止输送等。
用气区域160是指消耗天然气的终端区域。在一些实施例中,用气区域160可以包括城市居民用气区域、天然气加气站区域、城市集中供暖区域、天然气发电区域、工业用气区域等。
在一些实施例中,所述天然气能量计量的异常监测系统可以包括损耗数据获取模块、输出数据获取模块和数据处理模块。
所述损耗数据获取模块被配置为用于基于计量设备获取天然气损耗数据。在一些实施例中,所述天然气损耗数据为:被测区域在多个时间段,所消耗的天然气的计量数据。
所述输出数据获取模块被配置为用于获取天然气输出数据。在一些实施例中,所述天然气输出数据为:供气方在所述多个时间段,为所述被测区域输送的天然气的计量数据。
所述数据处理模块被配置为用于基于对所述天然气损耗数据与所述天然气输出数据的处理,确定是否发生天然气输送异常。在一些实施例中,数据处理模块还可以用于:判断所述天然气输出数据与所述天然气损耗数据之差是否满足小于预设阈值;若是,则确定未发生天然气输送异常,否则,确定发生天然气输送异常。
在一些实施例中,所述数据处理模块进一步用于:计算所述天然气输出数据与所述天然气损耗数据的能量差值,判断所述能量差值是否小于第一阈值,若是,则计算所述天然气输出数据与所述天然气损耗数据的体积差值,否则,确定发生天然气输送异常;判断所述体积差值是否小于第二阈值,若是,确定未发生天然气输送异常,否则,确定发生天然气输送异常。
在一些实施例中,所述数据处理模块进一步用于:基于第一模型对所述多个时间段中一个时间段的第一天然气使用数据的处理,确定所述一个时间段的漏气风险度。
在一些实施例中,所述天然气能量计量的异常监测系统还包括异常位置确定模块。
所述异常位置确定模块用于响应于发生天然气输送异常,确定异常发生位置。在一些实施例中,所述异常位置确定模块进一步用于:获取天然气各个输送装置的检测数据;基于第三模型对所述检测数据的处理确定异常发生位置。
应当理解,图1所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中应用场景100还可以包括数据库。然而,这些变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的天然气能量计量的异常监测方法的示例性流程图。如图2所示,流程200包括下述步骤。在一些实施例中,流程200可以由处理设备110执行。
步骤210,基于计量设备获取天然气损耗数据;在一些实施例中,步骤210可以由损耗数据获取模块执行。
天然气损耗数据是指被测区域在多个时间段所消耗的天然气的计量数据。在一些实施例中,天然气损耗数据可以包括天然气的体积消耗量、天然气的能量消耗量。
被测区域是指需要统计其天然气消耗量的终端区域(即用气区域)。在一些实施例中,被测区域可以包括城市居民用气区域、天然气加气站区域、城市集中供暖区域、天然气发电区域、工厂等区域。在一些实施例中,大的被测区域可以划分为多个小的被测区域。例如,城市居民用气区域可以按层级划分为社区范围用气区域、小区用气区域、单元楼用气区域、家庭用气区域。
多个时间段是指依据设定划分的,多个采集数据的时间段。在一些实施例中,可以按季度、月、天、小时、分钟等时间尺度划分时间段。不同用气区域的时间段之间的间隔可以不同。
在一些实施例中,多个时间段之间的时间间隔可以基于多种方式确定,例如,可以预先设置为均取相同的间隔值,还可以根据实际情况设置为不同的间隔值。关于确定时间间隔的更多说明参见图4及图5的更多说明。
计量数据是指计量设备采集的天然气的统计数据。在一些实施例中,计量数据包括基于天然气的温度、压力、成分、含量、流量、压缩因子、密度和发热量等信息确定。在一些实施例中,计量数据可以包括天然气体积计量数据和天然气能量计量数据。
在一些实施例中,天然气的损耗数据可以通过对被测区域的损耗计量数据加总得到。在一些实施例中,被测区域的天然气的损耗数据可以将被测区域中,所有最小用气单元的计量设备测得的损耗数据进行求和得到。例如,某小区的天然气损耗数据可以基于小区内的所有家庭的计量设备测得的损耗量求和得到。
在一些实施例中,天然气的损耗数据还可以基于用气区域的历史数据获取,例如,获取历史同时期的天然气损耗数据作为当前的天然气的损耗数据。
步骤220,获取天然气输出数据。在一些实施例中,步骤220可以由输出数据获取模块执行。
天然气输出数据是指供气方在所述多个时间段,为所述被测区域输送的天然气的计量数据。在一些实施例中,天然气输出数据可以包括天然气的体积输出量、天然气的能量输出量。
供气方是指将天然气输入管网对被测区域进行供气的供气节点,也可以称为供气区域。在一些实施例中,供气方可以是天然气干线节点、天然气储气库或储气站、天然气增压站等供应天然气的节点。在一些实施例中,供气方可以是用气区域的上级节点。例如,城市小区的供气方可以是该小区的供气节点,同时又是社区用气区域的损耗节点。
在一些实施例中,天然气的输出数据可以通过对供气区域的计量数据加总得到。例如,由供气方基于计量设备进行统一计量获得。
在一些实施例中,在一些实施例中,天然气的输出数据还可以基于供气方的历史数据获取,例如,获取历史同时期的天然气输出数据作为当前的天然气的输出数据。
步骤230,基于对所述天然气损耗数据与所述天然气输出数据的处理,确定是否发生天然气输送异常。在一些实施例中,步骤230可以由数据处理模块执行。
对天然气损耗数据与天然气输出数据进行处理可以是指对二者进行比较,确认是否一致或确认差异值大小。处理的方式可以有多种,例如,直接对二者进行求取差值,或分别给二者先赋予一个权重系数,再对乘以权重系数后的两个值求取差值等。
输送异常是指天然气的输出数据与损耗数据存在差异且差异较大的情况。例如,输送异常可能为天然气发生泄露,导致天然气输出数据远超于天然气损耗数据。在一些实施例中,可以设定天然气的输出数据与损耗数据存在差异超过一定阈值即认为当天然气的输出能量或输出体积与天然气的损耗能量或损耗体积差值超过阈值时,确定发生天然气输送异常。关于输送异常的进一步说明参照图3及其说明。
在一些实施例中,若确定发生天然气输送异常时,还可以进一步对异常进行响应,例如,可以采取下述步骤240的操作。需要说明的是步骤240可以根据情况自行选择是否执行。
步骤240,响应于发生天然气输送异常,确定异常发生位置。在一些实施例中,步骤240可以由异常位置确定模块执行。
异常发生位置是指,天然气输送管网中发生输送异常的点位,即异常位置可能是天然气泄漏点。例如,异常位置可能为某管网转接点等。
异常位置确定模块可以通过多种方式确定异常发生位置,例如,异常位置确定模块可以获取历史数据,将被测区域中历史发生漏气较多的位置设定为异常位置。又如,处理设备可以将被测区域中使用时长较长的管道等设定为异常位置。处理设备也可以根据其他方法确定异常位置,如采用模型实现等,具体说明参照图6。
本说明书一个实施例实现了对天然气的输出数据和损耗数据进行获取和处理,可以确定天然气输送是否异常,及时发现天然气泄漏风险和避免能源浪费,还可以确定异常位置以便规避和处置风险。
在一些实施例中,可以通过判断天然气输出数据与天然气损耗数据之差是否满足预设要求(如小于预设阈值),确定天然气的输送情况,其中,预设阈值可以根据天然气输送情况来设定,如,预设阈值可以设置为正常输送中产生漏气量的合理范围的最大值。响应于满足预设要求,则确定未发生天然气输送异常;否则,确定发生天然气输送异常。
在一些实施例中,天然气的计量数据可以包括天然气的能量数据和/或天然气的体积数据,计量数据的单位可以包括能量单位和/或体积单位。
天然气能量数据可以是与天然气可以产生或提供的能量相关的数据,如天然气然燃烧时释放的热量(即燃气的热值)等。能量单位可以是千卡/标准立方米(kcal/Nm3)、兆卡/标准立方米(Mcal/Nm3)或兆焦耳/标准立方米(MJ/Nm3)等。
在一些实施例中,天然气的能量数据可以与天然气的气源种类、气体组分或气源热值的稳定性相关。例如,不同天然气站输送出来同一标准立方米的不同组分的天然气,其燃烧释放的能量可能是不一样的,如A站天然气的热值为36.44MJ/Nm3,B站天然气的热值为37.62MJ/Nm3。
天然气体积是指天然气在0摄氏度1个标准大气压下的气体体积,体积单位可以为标准立方米(Nm3)。
在一些实施例中,可以基于相应的计量设备如计量仪表获取天然气体积。天然气体积的计量仪表可以包括孔板流量计、涡轮流量计、超声波流量计、腰轮流量计等等。
在一些实施例中,可以通过判断天然气输出数据与天然气损耗数据的能量差值和/或体积差值是否满足小于预设阈值,确定是否发生天然气输送异常。
天然气供应方在输出的天然气经过管道运输到用户端的过程中,可能会产生一定程度泄露,当泄露的天然气量在正常范围内时,可以认为天然气输送正常,当泄露的天然气超过正常范围时,则认为天然气输送异常。
在一些实施例中,可以通过多种指标来判断天然气的量,例如,天然气的能量、体积、质量等。基于不同的衡量指标,可以设定相应的预设阈值。基于不同预设阈值判断天然气是否发生输送异常的具体内容可以参照图3-图4及其详细描述。
图3是根据本说明书一些实施例所示的天然气输送异常判断的示例性流程图。在一些实施例中,步骤310-步骤350可以由数据处理模块执行。
步骤310,计算天然气输出数据与天然气损耗数据的能量差值。
在一些实施例中,天然气输出数据与天然气损耗数据的能量差值可以是某个区域内用户消耗的天然气能量与天然气供应方输出的天然气能量的差值。
在一些实施例中,可以将天然气输出数据用E1表示,天然气损耗数据用E2表示,E1-E2表示天然气输出数据与天然气损耗数据的能量差值。
例如,E1=37.62MJ/Nm3,E2=36.44MJ/Nm3,E1-E2=1.18MJ/Nm3。
步骤320,判断能量差值是否小于第一阈值。
第一阈值是指将天然气供应方输出的天然气运输到某区域的过程中,天然气能量泄露的正常范围。在一些实施例中,第一阈值可以根据运输的区域不同、管道布局、计量设备等之间的区别,灵活调整第一阈值的设定。例如,基于输送的目标小区距离较远、或管道布局复杂、设备老化等情况,可以将第一阈值设定的值较高一些。
在一些实施例中,可以将能量差值与第一阈值进行对比,判断天然气的泄露情况。
在一些实施例中,响应于能量差值不小于第一阈值,执行至判断结果确定步骤350,并得到发生天然气输送异常的判断结果352。
在一些实施例中,响应于能量差值小于第一阈值,执行步骤330。
步骤330,计算天然气输出数据与天然气损耗数据的体积差值。
在一些实施例中,天然气输出数据与天然气损耗数据的体积差值可以是某个区域内用户消耗的天然气体积与天然气供应方输出的天然气体积的差值。
在一些实施例中,可以将天然气输出数据用V1表示,天然气损耗数据用V2表示,V1-V2表示天然气输出数据与天然气损耗数据的体积差值。
例如,V1=60Nm3,V2=58Nm3,V1-V2=2Nm3。
步骤340,判断体积差值是否小于第二阈值。
第二阈值是指天然气供应方输出天然气运输到某区域的过程中天然气体积泄露的正常范围。在一些实施例中,第二阈值可以根据运输的区域不同、管道布局、计量设备等之间的区别,灵活调整第二阈值的设定。例如,基于输送的目标小区距离较远、或管道布局复杂、设备老化等情况,可以将第二阈值设定的值较高一些。
在一些实施例中,可以将体积差值与第二阈值进行对比,判断天然气的泄露情况。
在一些实施例中,响应于体积差值不小于第二阈值,进入判断结果确定步骤350,并得到发生天然气输送异常的判断结果352。
在一些实施例中,响应于体积差值小于第二阈值,进入判断结果确定步骤350,并得到未发生天然气输送异常的判断结果351。
步骤350,基于前述的判断结果确定是否发生天然气输送异常。
在一些实施例中,如前序步骤所述,在步骤350中,可以基于步骤320及步骤340中不同的判断结果确定是否发生天然气输送异常。如若能量差值不小于第一阈值或体积差值不小于第二阈值时,则认为发生天然气输送异常,若能量差值小于第一阈值且体积差值小于第二阈值是,则认为未发生天然气输送异常。
在一些实施例中,发生天然气输送异常表示天然气在输送过程中有一个或多个点位发生不正常的泄露,导致天然气的泄露量超过正常标准。在一些实施例中,响应于天然气输送异常,可以通过管理系统向相关负责人发出警报提醒,并对相应的点位进行故障排查。
在一些实施例中,管理系统可以是能量计量管理系统。能量计量管理系统可以将故障数据(如天然气输送异常)通过服务信息服务器发送至所述管网公司管理系统;管网公司管理系统可以根据故障数据对匹配于故障数据的区域进行管网检修。
在一些实施例中,响应于未发生天然气输送异常,管理系统可以将天然气相关数据先存储到存储设备中进行备份,还可以显示天然气输送正常的提示。
天然气在输送过程中的泄露,可能是由各个部分的泄露共同确定的,因此判断天然气输送是否发生异常需要综合考虑各种情况,例如,可能存在计量设备的误差影响、输送管道的影响等。通过本说明书中的方法。通过上述一些实施例的方式,可以精准的判断天然气输送数据,减小不同影响因素可能导致的误差带来的影响。
应当注意的是,上述有关天然气输送异常判断流程的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对天然气输送异常判断流程进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,也可以根据能量差值是否小于第一阈值的判断结果确定天然气输送是否异常。
图4是根据本说明书一些实施例所示的天然气输送异常判断的示意图。
天然气使用数据是指在某段时间段内,用户使用天然气的相关数据。例如,天然气使用数据可以包括用户数量、用户使用方式、天然气布局数据、损耗数据、输送数据、计量设备类型中的至少一种。
用户数量可以指被监测区域内的天然气用户总数,如一个小区的天然气用户总数、一个街道的天然气用户总数等。
用户使用方式可以基于用户使用场景的不同分为相应的内容,例如,居民用气、工业用气、热锅炉供暖用气等,居民用气还可以分为水炉供暖用气、灶具用气等。
在一些实施例中,基于用户不同的使用场景造成燃气泄露的原因可能不同。例如,在居民用气中可能造成燃气泄露的原因有:灶具开关未及时关好导致的泄露;使用灶具过程中,由于人的长时间远离,造成因沸汤溢出或风吹引起灶具熄火引发燃气泄漏;胶管连接处的卡子固定不牢或胶管老化、开裂等等导致的泄露。
天然气布局数据可以指管网的布设数据,例如,可以包括管道数量、管道长度、管道类型等。在一些实施例中,天然气布局数据可以基于天然气计量物联网系统的服务平台获取。计量设备类型是指用于统计计量数据的设备类型。在一些实施例中,计量设备类型可以包括膜式燃气表、气体腰轮(罗茨)燃气表和气体涡轮燃气表等。
漏气风险度是指某个时间段内发生天然气异常泄露的可能性。在一些实施例中,可以通过概率值来表示漏气风险度的大小。例如,漏气风险度用0-1中的某一数值表示,数值越接近1表示漏气风险度越高,越接近0表示漏气风险度越低。
在一些实施例中,可以基于第一模型410对所述多个时间段中一个时间段的天然气使用数据的处理,确定该时间段的漏气风险度。
在一些实施例中,第一模型410可以的类型可以是多种。例如,第一模型的类型可以是CNN模型、DNN模型等。又如,第一模型还可以是循环神经网络(RNN)、深度置信网络(DBN)等深度学习模型。
在一些实施例中,第一模型的输入包括基于多个时间段中一个时间段的天然气使用数据确定的特征,输入特征可以是构成天然气使用数据中的用户数量、用户使用方式、天然气布局数据、计量设备类型等相应的数据特征。
在一些实施例中,输入特征可以包括多种形式,如向量、矩阵、序列等。例如,计量设备类型可以通过向量表示。作为示例的,若计量设备类型包括三种,如膜式燃气表、气体腰轮(罗茨)燃气表和气体涡轮燃气表,当该被测区域选用5个膜式燃气表、0个气体腰轮(罗茨)燃气表和2个气体涡轮燃气表时,该计量设备类型的向量表示可以为[5,0,2]。其中,数字5表示被测区域使用了膜式燃气表,数量为5;数字0表示被测区域未使用气体腰轮(罗茨)燃气表;数字2表示被测区域使用了气体涡轮燃气表,数量为2。
在一些实施例中,第一模型的输出为一个时间段的漏气风险度。
在一些实施例中,处理设备可以基于多组训练数据训练初始第一模型,得到第一模型。每组训练数据包括天然气使用数据中的至少一项数据特征,每组训练数据的标签代表该天然气使用状况下的漏气风险度。
在一些实施例中,可以通过标签和初始第一模型的结果构建损失函数,基于损失函数迭代更新第一模型的参数。当初始第一模型的损失函数满足预设条件时模型训练完成,得到训练好的第一模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
通过上述一些实施例的方式,可以针对各个时间段的天然气用气数据确定该时间段的漏气情况,从而更加精确、及时的发现天然气输送异常的状况。
在一些实施例中,多个时间段之间的间隔可以基于多个时间段中至少部分时间段的漏气风险度确定。
时间间隔可以体现采集天然气的计量数据(如天然气损耗数据、天然气输出数据)进行漏气风险度判断的频率。在一些实施例中,可以依据某个时间段的漏气风险度的高低,确定与下一个采集时间段的之间的间隔时间。例如,当某个时间段的漏气风险度较高时,可以缩短下一次采集天然气的计量数据进行漏气风险度判断的时间与当前时间段之间的时间间隔。
在一些实施例中,可以基于漏气风险度的取值划定风险等级,基于风险等级确定时间间隔。例如,当漏气风险度为0-0.4时为低风险,此时对应的时间间隔可以为2小时;当漏气风险度为0.4-0.7时为中风险,此时对应的时间间隔可以为1小时;当漏气风险度为0.8-1时为高风险,此时对应的时间间隔可以为0.5小时。
在一些实施例中,多个时间段之间的时间间隔还可以通过其他方式来确定。具体可以参见图5及其详细描述。
通过上述一些实施例的方式,可以基于漏气风险度的高低灵活调节数据采集的时间间隔,当漏气风险度较高时,通过缩短时间间隔提高采集频率,有利于及时发现天然气输送的异常情况。
图5是根据本说明书一些实施例所示的多个时间段的时间间隔的示意图。
在一些实施例中,多个时间段之间的间隔,可以基于第二模型510对当前时间的时间类型和被测区域的天然气使用特征的处理确定。
当前时间的时间类型是指当前时间的属性类别,可以基于对时间的不同分类确定,例如,可以将时间类型分为白天或晚上,又例如,可以将时间类型分为用气高峰及用气低峰。在一些实施例中,可以通过数字代表时间类型,例如,1代表白天,2代表晚上。
天然气的使用特征是指关于用户使用天然气的相关情况的数据特征。在一些实施例中,天然气使用特征可以包括用户在单位时间使用天然气的量、用户与天然气管道总阀之间的距离、公用管道的长度值等数据特征。
在一些实施例中,用户在单位时间使用天然气的量可以是一定时间内使用天然气的体积值和/或能量值。例如,用户在单位时间使用天然气的量可以为2m3/天。在一些实施例中,用户与天然气管道总阀之间的距离是指用户天然气入户阀门与供气方总阀之间的管道长度,例如,用户与天然气管道总阀之间的距离可以为10km。在一些实施例中,公用管道的长度值是指从总阀到入户之前天然气管道铺设的长度,也可以说是天然气输送的总管道长度。例如,公用管道的长度值可以是天然气总阀到进入小区之前的管道长度为7km。
第二模型是用于确定多个时间段的间隔的模型。在一些实施例中,第二模型可以是机器学习模型,机器学习模型可以包括但不限于神经网络模型(DNN)、图神经网络模型(Graph Neural Networks,GNN)、支持向量机模型、k近邻模型、决策树模型等一种或多种的组合。
在一些实施例中,第二模型的特征输入可以包括天然气使用特征、当前时间的时间类型和公用管道长度值等,输出可以包括当前时间段与下次采集数据的时间的时间间隔。
在一些实施例中,第二模型可以由一个图网络模型(GNN)和一个深度神经网络模型(DNN)组合而成。GNN模型的输出可以作为DNN模型的输入,DNN模型的输出可以作为第二模型最终的输出。
GNN模型用于关联多项天然气使用特征及公用管道长度。GNN网络模型的特征输入可以包括公用管道长度值和天然气使用特征(如,用户单位时间使用的天然气量、用户与天然气总阀之间的距离等),输出为每个用户天然气输送特征向量。
在该GNN模型中以各天然气用户作为图的节点,以各个用户之间连接的公用管道作为图的边,其中节点特征为相应用户对应的天然气使用特征,边的特征为两个相连接用户之间的公用管道距离值。
在一些实施例中,可以基于两个用户输送天然气公用管道的长度来确定两个节点之间是否可以连成边。例如,当两个用户输送的天然气公用管道的长度超过阈值时,则将两个节点相连;否则,则不相连。如,住在同一栋楼房中相邻用户之间的公用管道较短,未超过预设阈值,则不连接两个用户的相应节点。
DNN模型用于确定时间间隔。DNN模型的输入是GNN模型的输出以及当前时间的时间类型,输出为下次数据采集与当前时间的时间间隔。
在一些实施例中,GNN模型和DNN模型可以通过联合训练得到。第二模型的训练样本包括带标签的天然气的输送特征构成的图以及对应的历史时间的时间类型,其中,天然气的输送特征构成的图中包括的节点为该历史时间使用天然气的用户,节点的特征表示相应历史时间中用户的天然气使用特征,边为两个相连的用户之间的连线,边的特征表示被连接的两个用户之间公用管道长度值。标签可以是多个历史时间段之间的时间间隔值。
在一些实施例中,标签的获取方式可以人工标注,例如,可以基于历史天然气检修结果确定,若基于检修结果发现未出现异常,则可以基于未出现异常的区域,获取该区域之前的数据采集时间间隔作为训练标签,并将该区域的之前的天然气的输送特征构成的图以及对应的历史时间的时间类型作为训练样本。若基于检修结果发现异常,则可以基于检修结果调整之后的数据采集时间间隔,并将调整得到的时间间隔作为训练标签,同时采集之前出现异常时的天然气的输送特征构成的图以及对应的历史时间的时间类型作为训练样本。
在一些实施例中,将天然气的输送特征构成的图(包括天然气输送特征和公用管道长度值)输入第二模型中的GNN模型,将当前时间的时间类型输入第二模型中的DNN模型,并基于将GNN模型的输出和标签构建损失函数,并基于损失函数同时迭代更新GNN模型和DNN模型的参数,直到预设条件被满足训练完成。训练完成后第二模型中GNN模型的参数也可以确定。
通过上述一些实施例的方式,可以利用机器学习模型准确判断采集天然气漏气风险度的采集频率,进而提高检测天然气漏气情况的效率。
在一些实施例中,响应于发生天然气输送异常,可以确定异常发生位置。图6是根据本说明书一些实施例所示的确定异常发生位置的示意图。
候选点是指在天然气输送管道需要重点关注的点位。在一些实施例中,候选点可以基于管道的距离来确定,例如,以管道总阀为起点,每100米设定一个候选点;还可以基于人为预判漏气率较高的位置,例如,管道之间的连接处、阀门处等。
在一些实施例中,在输送装置的相应候选点上可以安装测量装置,用于测量候选点的天然气输送数据。
输送装置是用于输送天然气的管道或设备等,例如,燃气输送管路。测量装置是指测量天然气输送过程中的天然气的相关数据的仪器。例如,压力传感器、流量传感器等。
检测数据是基于测量装置获得的关于天然气输送的相关数据。例如,基于压力传感器检测到的压力值,或基于流量传感器检测到的流量值等等。候选点的检测数据是指基于该候选点安装的测量装置采集的检测数据。
在一些实施例中,可以基于第三模型对各个候选点的检测数据的处理确定各个候选点发生漏气的概率。
各个候选点漏气的概率是指某个候选点在输送过程中天然气泄露的可能性。
第三模型可以用于确定各个候选点发生漏气的概率。在一些实施例中,第三模型可以是机器学习模型,机器学习模型可以包括但不限于神经网络模型、图神经网络模型、支持向量机模型、k近邻模型、决策树模型等一种或多种。
在一些实施例中,第三模型可以为图神经网络模型(GNN),该模型的输入中以各个候选点为图的节点,根据两个候选点是否位于同一预设区域(例如,同一同楼等)确定是否连接边。例如,若两个候选点位于同一预设区域则相连,否则,不相连。其中,输入的节点特征包括对应候选点的检测数据,如压力值、流量值等,输入的边的特征包括两个候选点之间的距离值。
在一些实施例中,处理设备可以基于多组带标签的训练数据训练初始第三模型,得到第三模型。每组训练数据包括多个候选点构成的图,其中,图的节点为候选点,图的边为两个候选点之间的连线,节点的特征为候选点对应的历史检测数据,边的特征为两个候选点之间的距离。每组训练数据的标签代表该检测数据对应候选点的是否发生漏气。
在一些实施例中,可以通过标签和初始第三模型的结果构建损失函数,基于损失函数迭代更新第三模型的参数。当初始第三模型的损失函数满足预设条件时模型训练完成,得到训练好的第三模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,可以基于各个候选点发生漏气的概率确定异常发生位置。漏气概率越大的候选点表示该点位发生天然气输送异常的概率越大。例如,可以将所有候选点中漏气概率值最大的点确定为天然气输送异常发生的位置,又如,可以将漏气概率值超过阈值的候选点均作为天然气输送异常发生的位置。
通过上述一些实施例的方式,可以基于模型对天然气各个输送装置或管道的监测数据进行处理,从而确定漏气位置,提高天然气输送的检修效率,降低意外发生的风险。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种天然气能量计量的异常监测方法,包括:
基于计量设备获取天然气损耗数据;所述天然气损耗数据为:被测区域在多个时间段,所消耗的天然气的计量数据;
获取天然气输出数据;所述天然气输出数据为:供气方在所述多个时间段,为所述被测区域输送的天然气的计量数据;
基于对所述天然气损耗数据与所述天然气输出数据的处理,确定是否发生天然气输送异常。
2.根据权利要求1所述的方法,
所述基于对所述天然气损耗数据与所述天然气输出数据的处理,确定是否发生天然气输送异常包括:
判断所述天然气输出数据与所述天然气损耗数据之差是否满足小于预设阈值;
若是,则确定未发生天然气输送异常,否则,确定发生天然气输送异常。
3.根据权利要求2所述的方法,所述计量数据的单位包括能量单位和/或体积单位。
4.根据权利要求3所述的方法,所述基于对所述天然气损耗数据与所述天然气输出数据的处理,确定是否发生天然气输送异常包括:
计算所述天然气输出数据与所述天然气损耗数据的能量差值,判断所述能量差值是否小于第一阈值,若是,则计算所述天然气输出数据与所述天然气损耗数据的体积差值,否则,确定发生天然气输送异常;
判断所述体积差值是否小于第二阈值,若是,确定未发生天然气输送异常,否则,确定发生天然气输送异常。
5.根据权利要求1所述的方法,所述基于对所述天然气损耗数据与所述天然气输出数据的处理,确定是否发生天然气输送异常包括:
基于第一模型对所述多个时间段中一个时间段的第一天然气使用数据的处理,确定所述一个时间段的漏气风险度。
6.根据权利要求1所述的方法,还包括:
响应于发生天然气输送异常,确定异常发生位置。
7.根据权利要求6所述的方法,所述确定异常发生位置包括:
获取天然气各个输送装置的检测数据;
基于第三模型对所述检测数据的处理确定异常发生位置。
8.一种天然气能量计量的异常监测系统,包括:
损耗数据获取模块,用于获取天然气损耗数据;所述天然气损耗数据为:被测区域在多个时间段,所消耗的天然气的计量数据;
输出数据获取模块,用于获取天然气输出数据;所述天然气输出数据为:供气方在所述多个时间段,为所述被测区域输送的天然气的计量数据;
数据处理模块,用于基于对所述天然气损耗数据与所述天然气输出数据的处理,确定是否发生天然气输送异常。
9.一种天然气能量计量的异常监测装置,所述装置包括处理器以及存储器;所述存储器用于存储指令,所述指令被所述处理器执行时,导致所述装置实现如权利要求1至7中任一项所述天然气能量计量的异常监测方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行如权利要求1至7中任意一项所述天然气能量计量的异常监测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210045108.7A CN114398987B (zh) | 2022-01-14 | 2022-01-14 | 一种天然气能量计量的异常监测方法和系统 |
US17/649,336 US20220214203A1 (en) | 2021-02-04 | 2022-01-28 | Method and system of risk prevention based on energy of natural gas in a full cycle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210045108.7A CN114398987B (zh) | 2022-01-14 | 2022-01-14 | 一种天然气能量计量的异常监测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114398987A true CN114398987A (zh) | 2022-04-26 |
CN114398987B CN114398987B (zh) | 2024-09-20 |
Family
ID=81229950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210045108.7A Active CN114398987B (zh) | 2021-02-04 | 2022-01-14 | 一种天然气能量计量的异常监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114398987B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863649A (zh) * | 2022-07-08 | 2022-08-05 | 西南石油大学 | 天然气大数据分析用数据管理系统、存储方法和装置 |
CN115330361A (zh) * | 2022-10-14 | 2022-11-11 | 成都秦川物联网科技股份有限公司 | 基于户内安全的燃气泄漏预测方法及智慧燃气物联网系统 |
CN115796408A (zh) * | 2023-02-13 | 2023-03-14 | 成都秦川物联网科技股份有限公司 | 一种用于智慧燃气的燃气输送损耗预测方法和物联网系统 |
CN117132026A (zh) * | 2023-10-26 | 2023-11-28 | 成都秦川物联网科技股份有限公司 | 一种基于智慧燃气平台的燃气损耗管控方法与物联网系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130325377A1 (en) * | 2012-05-31 | 2013-12-05 | Johnson Controls Technology Company | Systems and methods for measuring and verifying energy usage in a building |
CN105546352A (zh) * | 2015-12-21 | 2016-05-04 | 重庆科技学院 | 基于声音信号的天然气管道微泄漏检测方法 |
WO2019200662A1 (zh) * | 2018-04-20 | 2019-10-24 | 东北大学 | 电-热-气综合能源系统的稳定评估与静态控制方法 |
CN111861379A (zh) * | 2020-06-23 | 2020-10-30 | 五八有限公司 | 一种聊天数据的检测方法和装置 |
CN112944221A (zh) * | 2021-02-04 | 2021-06-11 | 成都秦川物联网科技股份有限公司 | 基于天然气全周期能量的风险防范方法和系统 |
CN113887910A (zh) * | 2021-09-25 | 2022-01-04 | 诸暨市天然气有限公司 | 一种天然气安全巡检排查方法、系统及电子设备 |
-
2022
- 2022-01-14 CN CN202210045108.7A patent/CN114398987B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130325377A1 (en) * | 2012-05-31 | 2013-12-05 | Johnson Controls Technology Company | Systems and methods for measuring and verifying energy usage in a building |
CN105546352A (zh) * | 2015-12-21 | 2016-05-04 | 重庆科技学院 | 基于声音信号的天然气管道微泄漏检测方法 |
WO2019200662A1 (zh) * | 2018-04-20 | 2019-10-24 | 东北大学 | 电-热-气综合能源系统的稳定评估与静态控制方法 |
CN111861379A (zh) * | 2020-06-23 | 2020-10-30 | 五八有限公司 | 一种聊天数据的检测方法和装置 |
CN112944221A (zh) * | 2021-02-04 | 2021-06-11 | 成都秦川物联网科技股份有限公司 | 基于天然气全周期能量的风险防范方法和系统 |
CN113887910A (zh) * | 2021-09-25 | 2022-01-04 | 诸暨市天然气有限公司 | 一种天然气安全巡检排查方法、系统及电子设备 |
Non-Patent Citations (2)
Title |
---|
WU, Y等: "Graph neural networks for anomaly detection in industrial Internet of Things", 《IEEE INTERNET OF THINGS JOURNAL》, vol. 9, no. 12, 2 July 2021 (2021-07-02), pages 9214 - 9231, XP011910628, DOI: 10.1109/JIOT.2021.3094295 * |
张洋洋: "基于多Agent技术的往复式压缩机在线智能诊断系统研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 10, 15 October 2012 (2012-10-15), pages 029 - 223 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863649A (zh) * | 2022-07-08 | 2022-08-05 | 西南石油大学 | 天然气大数据分析用数据管理系统、存储方法和装置 |
CN115330361A (zh) * | 2022-10-14 | 2022-11-11 | 成都秦川物联网科技股份有限公司 | 基于户内安全的燃气泄漏预测方法及智慧燃气物联网系统 |
US11776378B2 (en) | 2022-10-14 | 2023-10-03 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods for predicting gas leakage based on indoor safety and smart gas Internet of Things systems |
US12033487B2 (en) | 2022-10-14 | 2024-07-09 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods for gas leakage emergency treatment based on indoor safety and smart gas internet of things systems |
CN115796408A (zh) * | 2023-02-13 | 2023-03-14 | 成都秦川物联网科技股份有限公司 | 一种用于智慧燃气的燃气输送损耗预测方法和物联网系统 |
US11965765B2 (en) | 2023-02-13 | 2024-04-23 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things (IoT) systems for predicting gas transmission loss of smart gas |
CN117132026A (zh) * | 2023-10-26 | 2023-11-28 | 成都秦川物联网科技股份有限公司 | 一种基于智慧燃气平台的燃气损耗管控方法与物联网系统 |
CN117132026B (zh) * | 2023-10-26 | 2024-01-12 | 成都秦川物联网科技股份有限公司 | 一种基于智慧燃气平台的燃气损耗管控方法与物联网系统 |
US12072066B2 (en) | 2023-10-26 | 2024-08-27 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things (IoT) systems for gas loss control based on smart gas platform |
Also Published As
Publication number | Publication date |
---|---|
CN114398987B (zh) | 2024-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114398987B (zh) | 一种天然气能量计量的异常监测方法和系统 | |
CN100380260C (zh) | 用于管理煤气输送系统的报告式调节器 | |
CN115358432B (zh) | 用于智慧燃气的燃气表计量故障确定方法和物联网系统 | |
US20220214203A1 (en) | Method and system of risk prevention based on energy of natural gas in a full cycle | |
CN115796408B (zh) | 一种用于智慧燃气的燃气输送损耗预测方法和物联网系统 | |
US6785620B2 (en) | Energy efficiency measuring system and reporting methods | |
CN113139353A (zh) | 蒸汽管网动态计算及在线监测预警分析方法 | |
US20220163365A1 (en) | Methods and systems for measuring energy of natural gas based on internet of things | |
CN105046595A (zh) | 一种基于物联网技术的能效评估诊断云系统及方法 | |
CN107883190A (zh) | 核电站管道检测方法和用于核电站管道故障检修方法 | |
CN110873857A (zh) | 基于多源数据融合的智能电能表运行状态评价方法及系统 | |
CN116930424A (zh) | 一种碳排放在线连续监测系统 | |
US20230075892A1 (en) | Method, system and software product to identify installations likely to exhibit an electrical non-conformity | |
CN102999028B (zh) | 煤气介质计量数据预警系统数模建构方法 | |
CN114332515B (zh) | 一种基于直觉模糊聚类磨煤机运行安全性在线评判方法 | |
Chen et al. | Metering equipment running error estimation model based on genetic optimized LM algorithm | |
Frotscher et al. | Software-in-the-Loop-simulation of a District Heating System as Test Environment for a Sophisticated Operating Software. | |
CN118228641B (zh) | 一种流体管网输差监控方法、系统以及计算机程序产品 | |
Curtin | The Development and Testing of an Automated Building Commissioning Anlaysis Tool (ABCAT) | |
CN111487488A (zh) | 一种基于灰色关联分析的智能台区户变识别方法 | |
CN104133393A (zh) | 一种能源管理控制方法和装置 | |
Sun et al. | Partial Fault Detection of Cooling Tower in Building HVAC System | |
CN114198805B (zh) | 一种基于云服务的煤改电供热管理监控系统 | |
Lai et al. | Distribution‐based PV module degradation model | |
CN219474669U (zh) | 一种基于能量流动平衡的在线仪器仪表校准系统 |
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 |