CN115081741A - 一种基于神经网络的天然气计量检定智能预测的方法 - Google Patents
一种基于神经网络的天然气计量检定智能预测的方法 Download PDFInfo
- Publication number
- CN115081741A CN115081741A CN202210855731.9A CN202210855731A CN115081741A CN 115081741 A CN115081741 A CN 115081741A CN 202210855731 A CN202210855731 A CN 202210855731A CN 115081741 A CN115081741 A CN 115081741A
- Authority
- CN
- China
- Prior art keywords
- data
- natural gas
- prediction
- neural network
- model
- 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
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 128
- 239000003345 natural gas Substances 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 238000012795 verification Methods 0.000 title claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012502 risk assessment Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000003066 decision tree Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation 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
- 238000010606 normalization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Abstract
本发明提供一种基于神经网络的天然气计量检定智能预测的方法，包括以下步骤：S1：对于天然气管道进行数据采集，并对数据进行预处理，所述数据通过工作标准流量计、核查流量计、温度变送器、压力变送器、在线色谱仪、水露点分析仪进行采集；S2：对于流量、温度和压力类型的时间序列数据，分别对流量、温度和压力三个参数进行时间序列预测；S3：根据全部数据对天然气管道进行总体风险评估。本发明将数据从两个维度进行考虑，以更精准的单参数时间序列数据为基准来训练预测单参数模型，以多参数平行时序数据为基准来训练风险预警模型，可清晰地展示出标准表性能的变化趋势，进而根据预测结果为分站标准装置完整性管理提供数据支持。
Description
技术领域
本发明涉及一种天然气计量方法，尤其是涉及一种基于神经网络的天然气计量检定智能预测的方法。
背景技术
中国天然气管道的数字化发展与实践历经近20年，在数据采集、数据管理等方面积累了大量实践经验。大数据分析是管网运行与管理的重要“智慧”来源之一。2019年，中国石油管道公司提出了智慧管网的定义，明确了智慧管网由“感知层、数据层、知识层、应用层、决策层”构成。数据层、知识层及应用层是大数据分析与应用的主要环节，其分析和应用方法分别对应数据处理、数据挖掘、数据综合分析3个研究方向。
参数预测是实现智慧管网预测预警可控和综合性预判的基础。在天然气管网中，参数预测方法可分为两大类：①通过采集多项传感器数据，对天然气管网运行压力、流量和温度参数进行预测；②通过采集压力、流量和温度的时间序列数据，进行基于时间序列的预测。这两种预测方法虽然都是对压力、流量和温度参数的预测，但采用的理论方法截然不同：第一类方法是基于经典机器学习模型的传统训练方法，通过大量的传感器数据对需要预测的参数进行回归拟合，第二类方法是通过最新的时间序列预测模型，通过采集需要预测参数的过往时间序列数据，对需要预测的参数进行精准地分析预测。对于预测问题而言数据挖掘对象包括数据自身的演化规律和多维数据间的相互作用两个方面，是建立当前数据与预测结果间映射关系的基础。针对不同的数据类型和应用场景，管网数据的预测方法应深度融合统计学习、集成学习模型及深度学习。其中，深度学习是当前工业界预测方法研究的重点和前沿方向。
参考文件：温凯,韩旭,李灿,牛锦皓,周雷,徐洪涛.基于神经网络的天然气流量计检定工艺智能控制系统[J].天然气工业,2021,41(07):124-133.
吴岩,宋超凡,刘喆,顾继俊,刘译文,金钟翔.天然气流量计检定过程智能化质量控制技术实践[J].油气储运,2021,40(06):637-642.
肖广云.利用小波网络处理凝析天然气流量计测量数据[D].中国石油大学,2008。
（1）目前以数据挖掘为导向的天然气检定方法普遍采用了BP神经网络技术，但这一技术已经显露出了由于网络层数浅、网络结构简单而导致的欠拟合问题。以参考文献[1]中的方法为例，采用的是三层的神经网络。
输入数据通过输入层进入网络，通过两次线性变换及非线性函数映射后到达输出层。随着信息社会的飞速发展，数据量越来越大，简单的BP神经网络由于网络结构受限，无法从大量的数据中提取到具有辨识性的特征，也无法很好地拟合到所需要的函数。
（2）目前的天然气检定系统虽然具有一定的预警、报警功能，但由于深度学习模型的“黑箱特性”，导致工程现场的技术人员无法完全信服系统给出的报警。模型的高性能意味着模型足够智能和“聪明”，但这不足以了解它的运作原理，因此需要赋予模型“表达能力”，这样才能更加理解和信任模型。除了单一的性能评价之外，模型的评价还应该增加一个维度，以表示模型的“表达能力”，可解释性就是其中一个。在实际工程落地后，每一次对天然气管道的排查会花费一定的人力、物力资源，在缺乏预警的“可解释性”的时候，工程人员难以在承担资源成本浪费的压力下信任系统给出的预警信息。
发明内容
本发明提供了一种基于神经网络的天然气计量检定智能预测的方法，解决了借助智能化的检定手段，实现对复杂天然气管网非稳态水力工况（压力、流量、温度）的高精度预测及风险预测，进而来提升系统的检定速度、保障安全生产的基于神经网络的天然气流量计检定装置及检定的问题，其技术方案如下所述：
一种基于神经网络的天然气计量检定智能预测的方法，包括以下步骤：
S1：对于天然气管道进行数据采集，并对数据进行预处理，所述数据通过工作标准流量计、核查流量计、温度变送器、压力变送器、在线色谱仪、水露点分析仪进行采集；
S2：对于流量、温度和压力类型的时间序列数据，分别对流量、温度和压力三个参数进行时间序列预测；
S3：根据全部数据对天然气管道进行总体风险评估。
进一步的，步骤S1中，所述对数据进行预处理采用平滑或删除离群点实现数据清洗。
所述平滑或删除离群点采用拉依达准则，是先假设一组检测数据只含有随机误差，对其使用如下标准差公式进行计算处理得到标准偏差：
式中，Xi为现场采集的数据；μ为平均值；σ为标准差；N为采集总数，然后对于(u-3σ，u+3σ)这个区间外的数据予以剔除。
进一步的，步骤S2中，对于经过预处理后的流量、温度和压力数据，采集间隔为20分钟的时间序列数据点。
进一步的，步骤S2中，时间序列预测使用Informer模型，在进行一个固定窗的滚动预测时，每个时刻的输入为：
式中，
为每个时刻输入的参数值，Lx为当前输入序列的长度，
为实数集，i为1~Lx，为自然数；
输出为需要预测的序列为：
式中，
为每个时刻输出的预测值，Ly为当前输出序列的长度，
为实数集，i为1~Lx，为自然数；
进一步的，所述Informer模型的第一个结构为Encoder结构，对Informer模型进行了稀疏性处理，并且将原始Attention公式修改为：
式中：Q、K、V分别是输入数据经过三个不同的全连接层产生的自注意力向量；
是经稀疏性处理的Q；KT为转置向量；d为输入维度；
在经过j层循环的自注意力模块后，在j到j+1层之间加入最大池化层来降低维度，最大池化操作为：
式中，Conv1d是1维卷积层；ELU是一种神经网络的激活函数；MaxPool为最大池化层计算，
为MaxPool层的输入序列，即经过j层自注意力模块的输出。
进一步的，所述Informer模型的第二个结构为Decoder结构，由一个多头掩码注意力模块层和一个多头注意力层组成，最后有一个全连接层，全连接层输出的维度取决于要预测的变量维度，整个Decoder结构的解码过程采用一次前向过程得到整个输出序列，训练时选用MSE作为损失函数。
进一步的，步骤S3中，将平行时序所有特征数据构成样本集作为输入，特征数据包括工作标准流量计、核查流量计、每路温度变送器、压力变送器、在线色谱仪、水露点分析仪采集的数据，在训练完XGBoost模型后，通过对模型本身进行Shapley value公式的计算，最后模型输出天然气管道下一个时刻的风险水平及各个特征对这一预测所做贡献，以百分比的形式呈现。
所述基于神经网络的天然气计量检定智能预测的方法具有以下有益效果：
（1）利用历年装置集聚相关数据，对不同流量、压力工况下的数据进行分析，并以控制图形式进行展示，由此可清晰地展示出标准表性能的变化趋势，进而根据预测结果为分站标准装置完整性管理提供数据支持，为根据情况维护提供科学的决策依据。
（2）创新性地提出“平行时序和时间序列分离”方案。将数据从两个维度进行考虑：以更精准的单参数时间序列数据为基准来训练预测单参数模型，以多参数平行时序数据为基准来训练风险预警模型。
（3）针对以往方法中采用的深度学习模型欠拟合的缺点，抛弃传统方法通过大量传感器平行时序数据进行预测的技术，采集关注参数的时间序列数据。将数据从单参数时间序列的角度进行切分，使用基于Transformer模型的Informer时间序列预测技术，对天然气检定的三大参数（温度、压力和流量）进行精准地预测。
（4）对天然气管道的风险预测，将数据从平行时序的角度进行切分，采用基于决策树和梯度提升树（XGBoost）的风险预警技术，对大量传感器数据的平行时序数据进行分析，实现对天然气管道的风险评估和预测。在其中采用基于Shapley values博弈理论的机器学习可解释性技术，对系统做出的风险预警进行合理的解释。
附图说明
图1是所述基于神经网络的天然气计量检定智能预测的方法的整体逻辑示意图；
图2是所述Informer整体结构设计示意图；
图3是所述Informer模型的Encoder结构示意图；
图4是所述决策树的示意图。
具体实施方式
本发明提供了一种基于神经网络的天然气计量检定智能预测的方法，能够应用在天然气站控系统，为便于理解本发明，设定天然气站控系统共设多路并联设置的气体传输管道，每路气体传输管道都安装有多种传感器，包括工作标准流量计、核查流量计、压力变送器及温度变送器，所述核查仪表分布在天然气输出管线的上游或下游汇管上，用于实时采集当前天然气的各项指标；每路气体传输管道的汇管还设置有在线色谱分析仪和水露点分析仪。
所述站控系统采集的数据如下：工作标准流量计采集的脉冲信号；核查流量计采集的脉冲信号；在线色谱分析仪和水露点分析仪采集的仪表RS485通信信号；压力变送器、温度变送器采集的FF总线信号。
本专利是对每路工作标准流量计、核查流量计、温度变送器、压力变送器及在线色谱分析仪、水露点分析仪等现场测量信号进行处理、计算和预测。
如图1所示，基于神经网络的天然气计量检定智能预测的方法，包括以下步骤：
S1：对于天然气管道的数据采集，进行数据预处理；
S2：其中的时间序列数据，分别对流量、温度和压力三个参数进行时间序列预测；
S3：根据全部数据对天然气管道进行总体风险评估。
步骤S1中，数据预处理主要是对数据进行清洗，数据的质量直接决定了模型的预测和泛化能力的好坏。数据清洗的主要处理方式分为三种，通过填补缺失值、光滑噪声数据、平滑或删除离群点，并解决数据的不一致性来“清洗”数据。本发明采用平滑或删除离群点进行处理，实现数据清洗。
天然气流量检定过程的生产数据以时间序列为主，潜在的数据异常主要体现为由于传感器故障、传输异常等原因导致的数据重复或错误。因此，本专利采用3-sigma原则来对工作标准流量计、核查流量计，每路温度变送器、压力变送器、在线色谱仪、水露点分析仪等现场采集的数据进行异常值处理。
3-sigma原则又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其使用如下标准差公式进行计算处理得到标准偏差：
式中，Xi为现场采集的数据；μ为平均值；σ为标准差；N为采集总数。
确定(u-3σ，u+3σ)这个区间，超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据予以剔除。
结合上述3-sigma原则可分别计算得出工作标准流量计、核查流量计，每路温度变送器、压力变送器、在线色谱仪、水露点分析仪等预处理后的数据。
步骤S2中，本发明对管道流量、压力和温度三个参数分别进行时间系列预测，在经过数据清洗的预处理后，将需要预测的参数（流量、压力和温度）数据分别整理出来，采集间隔为20分钟的时间序列数据点。
首先，使用Informer模型，如图2的 Informer模型整体结构设计所示，在进行时间序列预测时，本发明的每个时刻的输入为：
式中，
为每个时刻输入的参数值，Lx为当前输入序列的长度，
为实数集，i为1~Lx，为自然数；
输出为需要预测的序列为：
式中，
为每个时刻输出的预测值，Ly为当前输出序列的长度，
为实数集，i为1~Lx，为自然数。
使用固定的位置编码对序列进行编码，使每个数据信息都被分配了一个可被模型学习的时间戳，用来保证位置不变性以及脱标签测试。另外，本发明将位置编码后的数据序列经由一层简单的卷积映射到固定维度
来保证Informer模型的泛化性。在对天然气参数（温度、压力、流量）时间序列数据进行归一化处理后再输入Informer模型。
第二，Encoder结构是Informer模型的第一个结构，如图3所示，其中的基础模块为自注意力模块，这个过程需要的时间复杂度和内存使用，因此在本专利中采用的模型考虑了这一问题，对Informer模型进行了稀疏性处理，并且将原始Attention公式修改为：
式中：Q、K、V分别是输入数据经过三个不同的全连接层产生的自注意力向量；
是经稀疏性处理的Q；KT为转置向量；d为输入维度。
经过j层循环的自注意力模块后，在j到j+1层之间加入最大池化层来降低维度，这大大地缩短了输入的时间维度。最大池化操作为：
式中，Conv1d是1维卷积层；ELU是一种神经网络的激活函数；MaxPool为最大池化层计算，
表示MaxPool层的输入序列，即经过j层自注意力模块的输出。
在时间维度上执行一维卷积（卷积核宽度为3）并且后面跟随ELU激活函数，然后经过MaxPool进行最大池化下采样（池化窗口宽度为2），将输入的长度变为原来的一半。为了增强最大池化操作的鲁棒性，本发明的Encoder架构还建立了多个Encoder的堆叠，每个堆叠都是一个独立的小的Encoder，只是随着堆叠个数的增加，逐步每次减少输出为输入长度的一半，最终将所有的堆叠输出拼接起来。
第三：Decoder结构是Informer模型的第二个结构，由一个多头掩码注意力模块（Multi-head Masked ProbSparse Self-attention）层和一个多头注意力（Multi-headSelf-attention）层组成。这里的Multi-head ProbSparse Self-attention要进行掩码，也是为了避免左向信息流，防止自回归。最后有一个全连接层，全连接层输出的维度取决于要预测的变量维度。整个Decoder结构的解码过程采用一次前向过程得到整个输出序列。训练时选用均方误差损失函数MSE作为损失函数。
通过Informer模型，本发明将温度、流量和压力三个参数的时间序列预测分别进行训练，可得到未来1~12个间隔后的预测数据，即20~240分钟后的预测数据。
步骤S3中，本发明还设计了对天然气管道的风险预警功能，并且对风险预警结果进行了解释，采用透明机器学习技术以及基于博弈论的事后解释技术，解决了以往天然气预警系统缺乏解释性的问题。
与步骤S2中的参数预测不同，本发明在这一功能中使用的是平行时序所有特征的数据（工作标准流量计、核查流量计，每路温度变送器、压力变送器、在线色谱仪、水露点分析仪等仪器采集的数据）。本发明将天然气管道传感器的所有数据构成样本集作为输入，通过算法进行训练，来预测管道的风险水平（无风险、一级风险和高风险）作为输出。下面来阐述技术细节。
首先，本发明采用了决策树+梯度提升树的机器学习模型。
在做决策树划分的时候，为了让样本集合的纯度变大的方向来划分，因此用划分之前的信息熵-划分之后的信息熵，来表示这个纯度变化的大小，选择能够使这个纯度变化最大的特征来划分。
通过信息熵和基尼系数，可以选择所要划分的特征，这样就可以将样本集，一步一步地划分特征，构建出一颗决策树，如图4的决策树所示。
接着本发明采用了XGBoost梯度提升树这个机器学习模型和Shapley value这个博弈论解释技术。因此在本次项目中，将天然气管道传感器的所有数据构成样本集作为输入，在训练完XGBoost模型后，通过对模型本身进行Shapley value公式的计算，最后模型输出天然气管道下一个时刻的风险水平（无风险、一级风险或高风险）及各个特征（天然气组分、水露点温度、流量、压力和管道温度）对这一预测所做贡献，以百分比的形式呈现。
本发明可以通过各个特征的贡献值实现对天然气管道风险预警的归因分析，不仅可以得到对天然气管道的风险预警，还可以得到是哪一个参数值异常导致的风险，得到报警原因。
所述基于神经网络的天然气计量检定智能预测的方法具有以下特点：
1、由于数据采集与传输过程中可能存在传感器失效、传输系统故障等意外情况，管网运行数据不可避免地存在数据丢失、错误、重复等问题。受到数据采集设备精度制约与环境条件影响，管网数据往往存在噪声。天然气管网中安装有大量传感器，所采集的数据间具有复杂的非线性关系，数据特征间可能高度相关，存在信息冗余，需要降维处理；相反地，在某些场景下也可能存在数据特征维度不足的情况，降低分析精度，因此本发明对数据特征进行“升维”处理，即生成新的数据特征。
2、本发明创新性地提出“平行时序和时间序列分离”方案。在数据分析理论中，多参数的平行时序数据往往蕴涵着当前时刻的丰富信息，而单参数的时间序列数据表征的是某一参数既往所有时间点的时间序列信息，以往的方法将全部数据放入神经网络中进行预测处理，虽然神经网络可以一定程度上拟合这些数据，但是效果并没有想象中那么精确。本发明将数据从两个维度进行考虑：以更精准的单参数时间序列数据为基准来训练预测单参数模型，以多参数平行时序数据为基准来训练风险预警模型。
3、针对以往方法中采用的深度学习模型欠拟合的缺点，抛弃传统方法通过大量传感器平行时序数据进行预测的技术，采集关注参数的时间序列数据。对某个参数（温度、流量和压力）的预测，往往需要使模型集中到某一参数的既往数据的序列上。这个时候本发明将数据从单参数时间序列的角度进行切分，使用基于Transformer模型的Informer时间序列预测技术，对天然气检定的三大参数（温度、压力和流量）进行精准地预测。
4、对天然气管道的风险预测，相对于对单个参数既往的时间序列数据，往往更需要考虑多个维度的信息。这个时候本发明将数据从平行时序的角度进行切分，采用基于决策树和梯度提升树（XGBoost）的风险预警技术，对大量传感器数据（包括天然气组分、露点温度、流量、压力和温度）的平行时序数据进行分析，实现对天然气管道的风险评估和预测。在其中采用基于Shapley values博弈理论的机器学习可解释性技术，对系统做出的风险预警进行合理的解释。
Claims (8)
1.一种基于神经网络的天然气计量检定智能预测的方法，包括以下步骤：
S1：对于天然气管道进行数据采集，并对数据进行预处理，所述数据通过工作标准流量计、核查流量计、温度变送器、压力变送器、在线色谱仪、水露点分析仪进行采集；
S2：对于流量、温度和压力类型的时间序列数据，分别对流量、温度和压力三个参数进行时间序列预测；
S3：根据全部数据对天然气管道进行总体风险评估。
2.根据权利要求1所述的基于神经网络的天然气计量检定智能预测的方法，其特征在于：步骤S1中，所述对数据进行预处理采用平滑或删除离群点实现数据清洗。
3.根据权利要求2所述的基于神经网络的天然气计量检定智能预测的方法，其特征在于：所述平滑或删除离群点采用拉依达准则，是先假设一组检测数据只含有随机误差，对其使用如下标准差公式进行计算处理得到标准偏差：
式中，Xi为现场采集的数据；μ为平均值；σ为标准差；N为采集总数，然后对于(u-3σ，u+3σ)这个区间外的数据予以剔除。
4.根据权利要求1所述的基于神经网络的天然气计量检定智能预测的方法，其特征在于：步骤S2中，对于经过预处理后的流量、温度和压力数据，采集间隔为20分钟的时间序列数据点。
5.根据权利要求1所述的基于神经网络的天然气计量检定智能预测的方法，其特征在于：步骤S2中，时间序列预测使用Informer模型，在进行一个固定窗的滚动预测时，每个时刻的输入为：
式中，
为每个时刻输入的参数值，Lx为当前输入序列的长度，
为实数集；i为1~Lx，为自然数；
输出为需要预测的序列为：
式中，
为每个时刻输出的预测值，Ly为当前输出序列的长度，
为实数集，i为1~Lx，为自然数。
6.根据权利要求5所述的基于神经网络的天然气计量检定智能预测的方法，其特征在于：所述Informer模型的第一个结构为Encoder结构，对Informer模型进行了稀疏性处理，并且将原始Attention公式修改为：
式中：Q、K、V分别是输入数据经过三个不同的全连接层产生的自注意力向量；
是经稀疏性处理的Q；KT为转置向量；d为输入维度；
在经过j层循环的自注意力模块后，在j到j+1层之间加入最大池化层来降低维度，最大池化操作为：
式中，Conv1d是1维卷积层；ELU是一种神经网络的激活函数；MaxPool为最大池化层计算，
表示MaxPool层的输入序列，即经过j层自注意力模块的输出。
7.根据权利要求5所述的基于神经网络的天然气计量检定智能预测的方法，其特征在于：所述Informer模型的第二个结构为Decoder结构，由一个多头掩码注意力模块层和一个多头注意力层组成，最后有一个全连接层，全连接层输出的维度取决于要预测的变量维度，整个Decoder结构的解码过程采用一次前向过程得到整个输出序列，训练时选用MSE作为损失函数。
8.根据权利要求1所述的基于神经网络的天然气计量检定智能预测的方法，其特征在于：步骤S3中，将平行时序所有特征数据构成样本集作为输入，特征数据包括工作标准流量计、核查流量计、每路温度变送器、压力变送器、在线色谱仪、水露点分析仪采集的数据，在训练完XGBoost模型后，通过对模型本身进行Shapley value公式的计算，最后模型输出天然气管道下一个时刻的风险水平及各个特征对这一预测所做贡献，以百分比的形式呈现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210855731.9A CN115081741A (zh) | 2022-07-21 | 2022-07-21 | 一种基于神经网络的天然气计量检定智能预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210855731.9A CN115081741A (zh) | 2022-07-21 | 2022-07-21 | 一种基于神经网络的天然气计量检定智能预测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115081741A true CN115081741A (zh) | 2022-09-20 |
Family
ID=83259310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210855731.9A Pending CN115081741A (zh) | 2022-07-21 | 2022-07-21 | 一种基于神经网络的天然气计量检定智能预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115081741A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114910125A (zh) * | 2022-05-12 | 2022-08-16 | 武汉理工大学 | 一种基于AR和IoT的管道监测系统及方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103557884A (zh) * | 2013-09-27 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种输电线路杆塔监控的多传感器数据融合预警方法 |
| CN204286557U (zh) * | 2014-12-30 | 2015-04-22 | 中国石油天然气股份有限公司 | 一种天然气实流检定实时核查系统 |
| CN107977513A (zh) * | 2017-11-30 | 2018-05-01 | 北京石油化工学院 | 一种基于路径搜索的天然气管网内天然气动态流动时的温度预测方法 |
| CN108561119A (zh) * | 2017-12-05 | 2018-09-21 | 西南石油大学 | 一种钻井溢流安全关井时间预测方法及系统 |
| CN110159869A (zh) * | 2019-05-20 | 2019-08-23 | 山东大学 | 一种管道检测机器人及其多传感器融合检测方法 |
| CN110702852A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于物联网的多油气浓度传感器的智能监测系统 |
| CN111022940A (zh) * | 2019-12-18 | 2020-04-17 | 中海石油气电集团有限责任公司 | 一种天然气管道检测系统和方法 |
| CN111696310A (zh) * | 2020-06-10 | 2020-09-22 | 北京市燃气集团有限责任公司 | 一种燃气管网空天地立体安全风险防控系统和防控方法 |
| CN111950585A (zh) * | 2020-06-29 | 2020-11-17 | 广东技术师范大学 | 一种基于XGBoost的地下综合管廊安全状况评估方法 |
| CN113916329A (zh) * | 2021-11-03 | 2022-01-11 | 国家石油天然气管网集团有限公司 | 基于神经网络的天然气流量计检定装置及检定方法 |
| CN114118202A (zh) * | 2022-01-17 | 2022-03-01 | 南京邮电大学 | 一种城市地下综合管廊异常事件预警方法 |
| CN114202230A (zh) * | 2021-12-20 | 2022-03-18 | 中国石油天然气股份有限公司 | 油气输送管道系统事故分析方法、装置、设备和存储介质 |
| WO2022072921A1 (en) * | 2020-10-04 | 2022-04-07 | Strong Force Iot Portfolio 2016, Llc | Industrial digital twin systems and methods with echelons of executive, advisory and operations messaging and visualization |
| CN114910125A (zh) * | 2022-05-12 | 2022-08-16 | 武汉理工大学 | 一种基于AR和IoT的管道监测系统及方法 |
-
2022
- 2022-07-21 CN CN202210855731.9A patent/CN115081741A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103557884A (zh) * | 2013-09-27 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种输电线路杆塔监控的多传感器数据融合预警方法 |
| CN204286557U (zh) * | 2014-12-30 | 2015-04-22 | 中国石油天然气股份有限公司 | 一种天然气实流检定实时核查系统 |
| CN107977513A (zh) * | 2017-11-30 | 2018-05-01 | 北京石油化工学院 | 一种基于路径搜索的天然气管网内天然气动态流动时的温度预测方法 |
| CN108561119A (zh) * | 2017-12-05 | 2018-09-21 | 西南石油大学 | 一种钻井溢流安全关井时间预测方法及系统 |
| CN110159869A (zh) * | 2019-05-20 | 2019-08-23 | 山东大学 | 一种管道检测机器人及其多传感器融合检测方法 |
| CN110702852A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于物联网的多油气浓度传感器的智能监测系统 |
| CN111022940A (zh) * | 2019-12-18 | 2020-04-17 | 中海石油气电集团有限责任公司 | 一种天然气管道检测系统和方法 |
| CN111696310A (zh) * | 2020-06-10 | 2020-09-22 | 北京市燃气集团有限责任公司 | 一种燃气管网空天地立体安全风险防控系统和防控方法 |
| CN111950585A (zh) * | 2020-06-29 | 2020-11-17 | 广东技术师范大学 | 一种基于XGBoost的地下综合管廊安全状况评估方法 |
| WO2022072921A1 (en) * | 2020-10-04 | 2022-04-07 | Strong Force Iot Portfolio 2016, Llc | Industrial digital twin systems and methods with echelons of executive, advisory and operations messaging and visualization |
| CN113916329A (zh) * | 2021-11-03 | 2022-01-11 | 国家石油天然气管网集团有限公司 | 基于神经网络的天然气流量计检定装置及检定方法 |
| CN114202230A (zh) * | 2021-12-20 | 2022-03-18 | 中国石油天然气股份有限公司 | 油气输送管道系统事故分析方法、装置、设备和存储介质 |
| CN114118202A (zh) * | 2022-01-17 | 2022-03-01 | 南京邮电大学 | 一种城市地下综合管廊异常事件预警方法 |
| CN114910125A (zh) * | 2022-05-12 | 2022-08-16 | 武汉理工大学 | 一种基于AR和IoT的管道监测系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| HAOYI ZHOU: "Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting", 《ARXIV:2012.07436V2》 * |
| 顾寻奥: "市区燃气管道风险分析及巡检策略优化", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114910125A (zh) * | 2022-05-12 | 2022-08-16 | 武汉理工大学 | 一种基于AR和IoT的管道监测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ni et al. | Deep learning for data anomaly detection and data compression of a long‐span suspension bridge | |
| CN111382542B (zh) | 一种面向全寿命周期的公路机电设备寿命预测系统 | |
| de la Hermosa González | Wind farm monitoring using Mahalanobis distance and fuzzy clustering | |
| CN111504676A (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
| CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
| CN112257263B (zh) | 基于自注意力机制的设备剩余寿命预测系统 | |
| CN115022187B (zh) | 一种电-气综合能源系统态势感知方法与装置 | |
| CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
| CN111898644A (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
| CN115081741A (zh) | 一种基于神经网络的天然气计量检定智能预测的方法 | |
| Rosso et al. | Review on deep learning in structural health monitoring | |
| CN111365624A (zh) | 一种输卤管道泄漏检测的智能终端与方法 | |
| CN115204032A (zh) | 一种基于多通道智能模型的enso预测方法及装置 | |
| CN113984389A (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
| CN103389360A (zh) | 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法 | |
| CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
| Zhang et al. | An unsupervised spatiotemporal fusion network augmented with random mask and time-relative information modulation for anomaly detection of machines with multiple measuring points | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN116027158A (zh) | 一种高压电缆局放故障预测方法及系统 | |
| CN115310693A (zh) | 一种综合能源数据清洗方法、系统、设备和介质 | |
| CN113537770A (zh) | 一种基于云计算的决策树配置寿命预测的方法及系统 | |
| CN114077849A (zh) | 一种基于部件级融合的发动机健康状态识别方法 | |
| Papaoikonomou et al. | Deep learning techniques for in-core perturbation identification and localization of time-series nuclear plant measurements | |
| CN112906793B (zh) | 一种用于桥梁健康监测系统的监测数据修补方法及系统 | |
| CN117408422A (zh) | 基于深度学习的天然气流量计性能评估方法和系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220920 |
|
| RJ01 | Rejection of invention patent application after publication |