CN115111537B - 用于确定燃气管网中泄漏点的位置的方法、装置和介质 - Google Patents

用于确定燃气管网中泄漏点的位置的方法、装置和介质 Download PDF

Info

Publication number
CN115111537B
CN115111537B CN202211015723.XA CN202211015723A CN115111537B CN 115111537 B CN115111537 B CN 115111537B CN 202211015723 A CN202211015723 A CN 202211015723A CN 115111537 B CN115111537 B CN 115111537B
Authority
CN
China
Prior art keywords
network
node
leakage
gas
pipe
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
Application number
CN202211015723.XA
Other languages
English (en)
Other versions
CN115111537A (zh
Inventor
王庆涛
王长欣
田淑明
赵洪斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yunlu Technology Co Ltd
Original Assignee
Beijing Yunlu Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Yunlu Technology Co Ltd filed Critical Beijing Yunlu Technology Co Ltd
Priority to CN202211015723.XA priority Critical patent/CN115111537B/zh
Publication of CN115111537A publication Critical patent/CN115111537A/zh
Application granted granted Critical
Publication of CN115111537B publication Critical patent/CN115111537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本申请涉及一种用于确定燃气管网中泄漏点的位置的方法、装置和介质。所述方法包括利用燃气管网的网络拓扑、各个网络节点和节点间管段的配置信息构建燃气管网数据模型，利用燃气管网数据模型确定燃气管网中的特征节点，在燃气管网的特征节点处布置压力传感器和/或流量传感器以获取节点压力和/或节点流量数据；基于特征节点关联的管段的出入口压力差和/或流量差来确定第一泄漏管段；将燃气管网泄漏情况下特征节点的压力和/或流量数据构成的第一特征向量输入训练好的深度学习网络以确定第二泄漏管段，基于第一泄漏管段和第二泄漏管段确定燃气管网中的第三泄漏管段。本申请的方法通过将多种手段综合应用来提高燃气管网泄漏点定位的准确性。

Description

用于确定燃气管网中泄漏点的位置的方法、装置和介质
技术领域
本申请涉及管道泄漏检测技术领域，尤其涉及一种用于确定燃气管网中泄漏点的位置的方法、装置和介质。
背景技术
随着管道服务时间的增加，周围环境和内部介质本身等问题会导致管道出现缺陷，例如在外在荷载或电流腐蚀等因素的影响下，管道老化所导致的泄漏事故频繁发生。发达国家在上世纪70年代就逐渐开展了管道泄漏定位技术的研究，包括光纤技术法、空气采样法、示踪元素法等等，但这些手段通常比较耗费人工，经济成本也较高。现有技术中，基于流量平衡的泄漏管段定位技术通常要求非常精准的流量传感器支持，而现有的燃气管网中流量传感器/压力传感器布设的点位往往较少并且很难在各个节点都加装流量传感器，因此往往需要构建燃气管网的数学模型，利用数学模型进行仿真计算，但在燃气管网本身规模较大、网络节点数量和节点的参数种类都较多的情况下，进行泄漏检测定位时所需安装设备投资较多，增加了运维工作难度，并且建模的准确性和设备精度极大地影响着泄漏检测的准确度。而AI技术的发展为管网泄漏定位提供了新的思路。对于在实际中难于建立准确数学模型的复杂系统，神经网络能够存储有关过程的知识，从历史信息中学习，并且能在噪声环境中高效地完成工作。但上述神经网络往往存在可用的训练数据较少，从而无法将神经网络训练到理想的性能指标。此外，上述基于仿真系统或神经网络的方式，往往只能将泄漏定位到燃气管段，无法实现更细颗粒度的泄漏检测。
可见，现有的单一的泄漏定位技术方案难以满足泄漏检测在准确度和精度等方面的要求，无法同时解决上述问题和缺陷。
发明内容
提供了本申请以解决现有技术中存在的上述问题。
需要一种用于确定燃气管网中泄漏点的位置的方法、装置和介质，能够将多种泄漏检测技术相结合，以解决各种泄漏检测技术单独应用时的缺陷，使得在进行燃气管网的泄漏检测时，能够以更高的效率实现更准确的泄漏管段识别，并能够以更高的精度对泄漏点的具体位置进行定位。
根据本申请的第一方案，提供一种用于确定燃气管网中泄漏点的位置的方法，包括获取燃气管网的网络拓扑、各个网络节点和节点间管段的配置信息，基于所述网络拓扑、各个网络节点和节点间管段的配置信息，构建燃气管网数据模型，利用所述燃气管网数据模型，确定所述燃气管网中的特征节点，在所述燃气管网中特征节点的第一子集的各个网络节点处布置压力传感器和/或流量传感器，以获取各个特征节点的节点压力和/或节点流量数据；基于各个特征节点的节点压力和/或节点流量数据，计算各对特征节点之间的管段的出口和入口压力的第一压力差和/或流量的第一流量差，基于所述第一压力差和/或第一流量差，确定发生泄漏的至少一个第一泄漏管段；将燃气管网泄漏情况下的特征节点的节点压力和/或节点流量数据构成的第一特征向量输入训练好的深度学习网络，以确定发生泄漏的至少一个第二泄漏管段；基于所述第一泄漏管段和所述第二泄漏管段，确定所述燃气管网中的第三泄漏管段。
根据本申请的第二方案，提供一种用于确定燃气管网中泄漏点的位置的装置，所述装置包括接口和至少一个处理器，其中接口被配置为获取燃气管网的网络拓扑、各个网络节点和节点间管段的配置信息；至少一个处理器被配置为执行根据本申请各个实施例的用于确定燃气管网中泄漏点的位置的方法的步骤。
根据本申请的第三方案，提供一种非暂时性计算机可读存储介质，其上存储有计算机可执行的指令，其中当所述计算机可执行指令由处理器执行时，执行根据本申请各个实施例的用于确定燃气管网中泄漏点的位置的方法的步骤。
根据本申请实施例的用于确定燃气管网中泄漏点的位置的方法、装置和介质，能够基于所获取的燃气管网的网络拓扑、各个网络节点和节点间管段的配置信息构建燃气管网数据模型，并利用燃气管网数据模型确定燃气管网中的特征节点，然后在特征节点中选择用于布置参数采集设备的网络节点，从而使得燃气管网数据模型能够仅利用较少的特征节点参数来确定第一泄漏管段，大大降低利用燃气管网数据模型进行泄漏检测的运算量，提高泄漏检测的速度。此外，燃气管网数据模型还可以用于生成更多训练数据，使得训练好的深度学习网络预测得到的第二泄漏管段具有更高的准确度，并且更近一步地，还可以在第一泄漏管段和第二泄漏管段的基础上，进一步确定用于对燃气管段泄漏进行更精确的检测定位的第三泄漏管段。本申请能够将多种泄漏检测技术相结合，从而解决各种泄漏检测技术单独应用时的缺陷，使得在进行燃气管网的泄漏检测时，能够以更高的效率实现更准确的泄漏管段识别，并能够以更高的精度对泄漏点的具体位置进行定位。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出根据本申请实施例的用于确定燃气管网中泄漏点的位置的方法的流程图。
图2示出根据本申请实施例的部分燃气管网的拓扑结构的示意图。
图3示出根据本申请实施例的利用特征节点的参数信息确定第一泄漏管段的流程图。
图4示出根据本申请实施例的对深度学习网络进行训练的流程图。
图5示出根据本申请实施例的利用改进的负压波法对泄漏管段中泄漏点进行定位的示意图。
具体实施方式
为使本领域技术人员更好的理解本申请的技术方案，下面结合附图和具体实施方式对本申请作详细说明。下面结合附图和具体实施例对本申请的实施例作进一步详细描述，但不作为对本申请的限定。
本申请中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。本申请中结合附图所描述的方法中各个步骤的执行顺序并不作为限定。只要不影响各个步骤之间的逻辑关系，可以将数个步骤整合为单个步骤，可以将单个步骤分解为多个步骤，也可以按照具体需求调换各个步骤的执行次序。
图1示出根据本申请实施例的用于确定燃气管网中泄漏点的位置的方法的流程图。
首先，在步骤S101中，可以获取燃气管网的网络拓扑、各个网络节点和节点间管段的配置信息，基于所述网络拓扑、各个网络节点和节点间管段的配置信息，构建燃气管网数据模型，利用所述燃气管网数据模型，确定所述燃气管网中的特征节点，在所述燃气管网中特征节点的第一子集的各个网络节点处布置压力传感器和/或流量传感器，以获取各个特征节点的节点压力和/或节点流量数据。
在一些实施例中，构建燃气管网数据模型所需的燃气管网的网络拓扑以及节点和管段的相关参数例如可以从现有的燃气管网施工图中获取，也可以从用于管理的燃气管网地理信息系统中获取。图2示出根据本申请实施例的燃气管网的部分网络拓扑结构的示意图。在图2示出燃气管网200的部分网络拓扑结构中，包括各个网络节点的节点类型，例如网络节点16为气源节点，是燃气管网中燃气供给的首端节点，其他的网络节点15、网络节点14、网络节点13、网络节点11、网络节点9、网络节点10以及网络节点8等为普通网络节点。网络拓扑中还可以包括各个网络节点之间的燃气管段中燃气的流向，如图2中的箭头所示。各个网络节点和节点间管段的配置信息例如可以包括各个网络节点间的燃气管段的管段流量、管径和管长等参数，末端的支管则包括支管的流量参数等。
在一些实施例中，除流量数据外，各个网络节点和节点间管段的配置信息至少还可以包括压力数据。上述压力和/或流量数据等例如可以经由SCADA（Supervisory ControlAnd Data Acquisition，数据采集与监视控制）系统实时采集得到。然而，在实际的燃气管网中，并不一定所有的节点都布设有流量传感器、压力传感器等数据采集设备，在这种情况下，节点的参数信息例如也可以基于燃气管网的流量分配信息、压力分配信息等来获取。
在获取了如上所述的所述网络拓扑、各个网络节点和节点间管段的配置信息后，可以进一步按照包括第一规则在内的模型和算法来构建燃气管网数据模型。仅作为示例，所述第一规则可以是用于计算燃气管网中各个节点的压力、流量等参数信息的数学模型，例如可以按照式（1）来计算燃气管网正常运行情况下，网络节点x处的节点压力：
Figure 361492DEST_PATH_IMAGE001
（1）
其中，P(0)代表燃气管网首端节点（例如起源节点16）的节点压力，L代表从燃气管网首端节点到燃气管网末端节点的管段的长度，P(L)代表燃气管网末端的节点压力，D(x)代表网络节点x距离燃气管网首端节点的距离，P(x)代表管网络节点x处的节点压力，Δ(x)为网络节点x的节点压力的修正值，所述修正值是理论计算与实际的燃气管网运行状态之间的偏差，可以基于燃气管网的具体情况设置，也可以基于一定的经验模型而设置为对应的典型值，在此不赘述。
上述所构建的燃气管网数据模型优选地实现为可以进行在线计算，以保证能够基于计算所得到的数据，对燃气管网的运行状况进行实时或近实时地监测，并且一旦发生泄漏，能够通过计算对泄漏管段进行快速准确的判定。
在一些实施例中，利用所构建的燃气管网数据模型，可以对燃气管网中具有更高敏感性、对于整个燃气管网和其他网络节点更具影响力的特征节点进行筛选，并在后续的确定泄漏点的步骤中主要依据选出的各个特征点进行计算和判断，可以大大降低运算的复杂度，提供泄漏检测的速度。
在一些实施例中，各个网络节点和节点间管段的配置信息至少包括压力和/或流量数据，可以利用所述燃气管网数据模型，对于各条从首端节点到末端节点的管网支路中的各个中间网络节点，计算各个中间网络节点的压力变化率和/或流量变化率与其下游节点的压力变化率和/或流量变化率的比值，当所述比值小于第一比值阈值时，确定该网络节点设定为所述燃气管网中的特征节点。在一些实施例中，第一比值阈值可以根据燃气管网的具体状况来设置，仅作为示例，例如可以设置为1，因此，当计算得到的中间网络节点的压力变化率和/或流量变化率与其下游节点的压力变化率和/或流量变化率的比值小于1时，表明该网络节点的压力、流量等参数只要发生较小幅度的变化，就能引起其下游网络节点对应的参数指标的较大的变化，因此，可以将这类网络节点设定为特征节点。
在一些实施例中，对于布置有压力传感器和/或流量传感器等参数采集设备的特征节点，可以利用压力传感器和/或流量传感器等来获取该节点的节点压力和/或节点流量数据，而对于第一子集之外的未布置压力传感器和/或流量传感器的各个特征节点，则可以利用燃气管网数据模型来计算得到这些特征节点的节点压力和/或节点流量数据。在另一些实施例中，特别是模拟实际的燃气管网中尚未出现的系统条件或参数时，也可以利用燃气管网数据模型来计算得到全部特征节点的节点压力和/或节点流量数据等参数信息，如此，可以大大减小仅能从实时的燃气管网中获取数据的限制，可以获取更丰富条件下的节点和网络数据。
接下来，在步骤S102中，可以基于各个特征节点的节点压力和/或节点流量数据，计算各对特征节点之间的管段的出口和入口压力的第一压力差和/或流量的第一流量差，基于所述第一压力差和/或第一流量差，确定发生泄漏的至少一个第一泄漏管段。
在一些实施例中，例如可以在燃气管网数据模型中，对应于各个特征节点的网络节点处设置虚拟压力传感器和/或虚拟流量传感器，以用于对特征节点处的节点压力和/或流量进行监测，并由此计算得到各对特征节点间管段的出口和入口的第一压力差和/或第一流量差数据。
然后，在步骤S103中，将燃气管网泄漏情况下的特征节点的节点压力和/或节点流量数据构成的第一特征向量输入训练好的深度学习网络，以确定发生泄漏的至少一个第二泄漏管段。
然后，在步骤S104中，可以基于所述第一泄漏管段和所述第二泄漏管段，确定所述燃气管网中的第三泄漏管段。
利用步骤S101-步骤S104所述的方法，至少将利用燃气管网数据模型和利用深度学习网络两种泄漏检测方法结合应用，能够大大提高燃气管网中泄漏点检测的准确度。
在一些实施例中，当所确定的一个或多个第三泄漏管段较长时，还可以进一步利用改进的负压波法，例如通过获取所述第三泄漏管段中压力信号的突变点，来进一步确定第三泄漏管段中泄漏点具体的准确位置，然后，可以优先对所确定的泄漏点的准确位置进行人工核实，如此，可以大大提高泄漏检测的效率。
在一些实施例中，在所述第一泄漏管段和所述第二泄漏管段均为单个的情况下，例如可以简单地求取所述第一泄漏管段的位置和所述第二泄漏管段的位置的加权平均值，将所述加权平均值位置所对应的管段，作为所述第三泄漏管段，并进一步利用改进的负压波法获取所述第三泄漏管段中压力信号的突变点，从而确定所述第三泄漏管段中泄漏点的具体位置以供人工核实。
在另外一些实施例中，在所述第一泄漏管段和所述第二泄漏管段均为多个的情况下，可以将所述多个第一泄漏管段和所述多个第二泄漏管段的并集作为所述第三泄漏管段。然后，对多个第三泄漏管段中的各个管段设定优先级，例如可以首先求取所述多个第一泄漏管段和所述多个第二泄漏管段的交集，将所述交集中的管段的优先级设定为第一优先级，而将第三泄漏管段中的其他的第一泄漏管段和第二泄漏管段的优先级设定为第二优先级，其中，所述第一优先级高于所述第二优先级。
在一些实施例中，还可以在显示界面上对各个第三泄漏管段进行标识，例如将具有不同优先级利用不同的色块进行区分，以向用户提示可能发生泄漏的管段的不同的风险级别，以利于用户对高风险的管段进行泄漏排查和人工核实的优先安排。
接下来，可以在利用改进的负压波法获取各个第三泄漏管段中压力信号的突变点从而确定各个第三泄漏管段中泄漏点的具体位置之后，进一步按照第三泄漏管段的优先级从高到低的顺序依序进行人工核实，如此，有利于降低人工核查的成本，并且可以大大提高泄漏检测的效率，降低燃气泄漏可能带来的损害。
图3示出根据本申请实施例的利用特征节点的参数信息确定第一泄漏管段的流程图。
首先，在步骤S301中，可以针对所述燃气管网的用气状况，分别设置不同的压力差阈值和流量差阈值，其中，所述用气状况至少包括用气低峰、用气高峰和用气均值。
在上述情况下，基于所述第一压力差和/或第一流量差，确定发生泄漏的至少一个第一泄漏管段可以按照如下步骤S302-步骤S305来执行。
在步骤S302中，可以首先判断燃气管网当前的用气状况，并根据所述用气状况，设置对应的压力差阈值和/或流量差阈值。
在步骤S303中，对所述第一压力差是否超出对应的压力差阈值，和/或所述第一流量差是否超出对应的流量差阈值进行判断，如果是，则在步骤S304中输出该对特征节点间的管段为发生泄漏的第一泄漏管段的判定结果。
在一些实施例中，由于在理想的燃气管网内，管段上下游的压力和/或流量应该保 持平衡，但由于压力传感器和/或流量传感器精度、管网状态、用气负荷等因素的变化和影 响，所以往往在管网首端节点和末端节点之间存在压力差和/或流量差，以用气状况为用气 均值情况下，流量差阈值
Figure 888420DEST_PATH_IMAGE002
的计算方法为例，如式（2）所示：
Figure 871419DEST_PATH_IMAGE003
（2）
其中，Qm in (t)是首端节点流量（
Figure 860104DEST_PATH_IMAGE004
），Qm out (t)是末端节点流量（
Figure 940055DEST_PATH_IMAGE004
），
Figure 231359DEST_PATH_IMAGE005
是首端节点和末端节点流量的流量差（
Figure 45863DEST_PATH_IMAGE004
），而
Figure 510342DEST_PATH_IMAGE002
则是用气状况为用气均值情 况下的流量差阈值。
类似地，可以求得用气状况为用气低峰、用气高峰情况下的流量差阈值
Figure 772696DEST_PATH_IMAGE006
和
Figure 234902DEST_PATH_IMAGE007
。
与上述流量差阈值的计算方法类似，可以分别计算得到用气状况为用气低峰、用气高峰和用气均值情况下的压力差阈值。
如上按照具体的用气状况来设置对应的压力差阈值和/或流量差阈值的方式，能够自动地匹配第一压力差和/或第一流量差的阈值范围，减少误判，提高燃气管网中泄漏点检测和位置确定的准确度和定位效率。
然而，无论是在燃气管网中设置流量传感器，以实时地测量管道截面瞬时流量，还是利用燃气管网数据模型来对特征节点的压力、流量等参数进行模拟和近似计算，都可能由于燃气管网中流量传感器等参数采集设备数量不足、精度不够、布设位置欠佳、检定不及时等而导致参数采集设备失准，管网中存在影响特征节点参数的复杂回路等情况，而使得第一泄漏管段的判断不够准确，因此还需要和其他方法结合使用。
图4示出根据本申请实施例的对深度学习网络进行训练的流程图。在一些实施例中，深度学习网络包括能够基于输入的特征节点的相关数据实现燃气管网泄漏管段预测的诸如神经网络、多层神经网络以及神经网络与其他机器学习模型复合而成的多层深度学习网络等。
在对该深度学习网络进行训练时，可以按照图4所示的步骤进行。
首先，在步骤S401中，可以利用燃气管网泄漏情况下特征节点的节点压力和/或节点流量的历史数据，以及对应的泄漏管段的真值数据，对所述进行第一训练，并在并在步骤S403中得到训练好的深度学习网络。
在另外一些实施例中，在实际的燃气管网条件允许的情况下，也可以在特定的区域内，根据管材材质、 建设年代、周边腐蚀情况、历次抢修情况等，对燃气管网中的阀门进行不同开启度的放散，然后利用诸如SCADA系统以及其他参数采集设备采集并记录来自燃气管网中的多个压力、流量变化数据等，并将所采集的数据以及这些放散点作为深度学习网络的具有真值数据的训练数据集，从而完成深度学习网络的训练。
在一些实施例中，对于从实际的燃气管网中采集到的表征压力和/或流量的压力波信号等，首先需要对电磁干扰、工况变化等因素导致的信号噪声进行消噪处理，然后例如利用多尺度连续小波变换等对信号进行奇异性分析，来获取准确的压力突变点，从而获得各个节点压力下降沿开始的时刻等。
与步骤S401相对应地，可以在步骤S401’中，选择特征节点的第二子集，在所述第二子集中的各个网络节点处进行多种泄漏量的模拟放散，利用所述燃气管网数据模型，计算模拟放散条件下各个特征节点的节点压力和/或节点流量数据，利用模拟放散条件下各个特征节点的节点压力和/或节点流量数据以及与模拟放散网络节点对应的泄漏管段的真值数据，对所述深度学习网络进行第二训练。
在步骤S402’中，可以利用所述第二子集之外的特征节点进行模拟放散时的各个特征节点的节点压力和/或节点流量数据，对完成了所述第二训练的所述深度学习网络进行验证，并在步骤S403中得到训练好的深度学习网络。
仍然以图2所示的燃气管网200的部分网络拓扑结构为例，可以设定训练次数和/或误差目标，分别在网络节点15、网络节点9、网络节点13、网络节点8进行0.1%、2%、5%、7%、10%、15%等不同泄漏量的放散，并监测燃气管网中其他网络节点的节点压力和/或流量变化值，作为训练样本，与网络节点15、网络节点9、网络节点13、网络节点8相关联的管段作为真值数据，对深度学习网络进行训练，并在训练完成后，选取其他位置的管段以及未参与训练的燃气管网的状态，作为验证数据，对训练后的深度学习网络进行验证，通过验证，实现对深度学习网络的诸如学习率、批样本数量等超参数的调整，从而使得深度学习网络在用于确定发生泄漏的第二泄漏管段时具有更优化的性能，准确度更高，并且检测效率更高。
由此可见，基于实际的燃气管网所构建的燃气管网数据模型不仅能够通过模拟计算确定第一泄漏管段，还能够便捷地为用于确定第二泄漏管段的深度学习网络提供可供使用的大量的训练数据，从而在可用于训练的实际燃气管网泄漏情况下的真实数据不足的情况下，也能够利用模拟数据使深度学习网络达到较好的训练效果。
在一些实施例中，在燃气管网发生泄漏时，可以将特征节点的节点压力和/或节点流量数据构成的第一特征向量输入训练好的深度学习网络，以确定发生泄漏的至少一个第二泄漏管段，例如可以将深度学习网络的输出向量中，判定为泄漏管段的元素设置为1，其他元素设置为0。
图5示出根据本申请实施例的利用改进的负压波法对泄漏管段中泄漏点进行定位的示意图。在一些实施例中，针对第三泄漏管段中单个长距离管段，可以进一步利用改进的负压波法对管段中发生泄漏的具体位置进行精确定位。
传统的负压波法将燃气流速、负压波速度当做常量，压力传感器、流量传感器等参数采集设备（传感器）之间时间标签可能不一致。因此可以将管道压力沿程变化公式和管道温度沿程变化公式带入燃气流速、负压波流速公式，从而推导出二者的沿程变化规律，如式（3）所示。
Figure 333439DEST_PATH_IMAGE008
其中，L为首端节点到末端节点的距离，x为泄漏点到首站的距离，
Figure 539292DEST_PATH_IMAGE009
为负压波在管 道内的流速，
Figure 390573DEST_PATH_IMAGE010
为泄漏点到管道首端的燃气流速，
Figure 554839DEST_PATH_IMAGE011
为泄漏点到管道末端的燃气流速，
Figure 137742DEST_PATH_IMAGE012
为上下游参数采集设备接收到的压力波的时间差。
在一些实施例中，由于压力采集设备容易受到阀门启闭的影响，为了在同一时间维度上采集设备信号，可以在首末端布设压力送变器，加上同步时钟协议，保证时间一致性。在另一些实施例中，对压力送变器所采集的信号进行小波去噪，对压力波信号进行奇异性分析，由此获得压力信号的突变点，从而对小泄漏点进行检测与定位。
接下来，对于无法直接求解的式（2），采用复化辛普森公式进行积分简化，然后再利用黄金比例节点法反复迭代，从而求出长管段中燃气泄漏的精确位置。
根据本申请实施例的用于确定燃气管网中泄漏点的位置的方法，不仅能够将多种泄漏检测技术相结合，以解决各种泄漏检测技术单独应用时的缺陷，使得在进行燃气管网的泄漏检测时，能够以更高的效率实现更准确的泄漏管段识别，还能够对特别是长管段以更高的精度对泄漏点的具体位置进行定位。
根据本申请的实施例还提供一种用于确定燃气管网中泄漏点的位置的装置，所述装置包括接口和至少一个处理器，其中，所述接口被配置为获取燃气管网的网络拓扑、各个网络节点和节点间管段的配置信息。所述至少一个处理器，其被配置为执行根据本申请的实施例的用于确定燃气管网中泄漏点的位置的方法的步骤。
在一些实施例中，所述至少一个处理器例如可以是包括一个及以上通用处理器的处理部件，诸如微处理器、中央处理单元（CPU）、图形处理单元（GPU）等。更具体地，该处理部件可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理部件还可以是一个以上专用处理设备，诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、片上系统（SoC）等。
根据本申请的实施例还提供一种非暂时性计算机可读存储介质，其上存储有计算机可执行的指令，其中当所述计算机可执行指令由处理器执行时，执行根据本申请的实施例的用于确定燃气管网中泄漏点的位置的步骤。其中，处理器可以是本地的，也可以是部署在云端的计算和处理能力。
上述非暂时性计算机可读存储介质可以是诸如只读存储器（ROM）、随机存取存储器（RAM）、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAMs)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、只读光盘存储器(CD-ROM)、数字多功能光盘(DVD)或其他光存储器、磁带或其他磁存储装置，或任意其他可用于存储能被计算机装置访问的信息或指令的非暂时性介质等。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本申请的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本申请。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本申请的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本申请的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (8)

1.一种用于确定燃气管网中泄漏点的位置的方法，其特征在于，包括：
获取燃气管网的网络拓扑、各个网络节点和节点间管段的配置信息，基于所述网络拓扑、各个网络节点和节点间管段的配置信息，构建燃气管网数据模型，利用所述燃气管网数据模型，确定所述燃气管网中的特征节点，所述配置信息至少包括压力和/或流量数据，利用所述燃气管网数据模型，确定所述燃气管网中的特征节点具体包括：
利用所述燃气管网数据模型，对于各条从首端节点到末端节点的管网支路中的各个中间网络节点，计算各个中间网络节点的压力变化率和/或流量变化率与其下游节点的压力变化率和/或流量变化率的比值，当所述比值小于第一比值阈值时，将该网络节点设定为所述燃气管网中的特征节点；
在所述燃气管网中特征节点的第一子集的各个网络节点处布置压力传感器和/或流量传感器，以获取各个特征节点的节点压力和/或节点流量数据；
基于各个特征节点的节点压力和/或节点流量数据，计算各对特征节点之间的管段的出口和入口压力的第一压力差和/或流量的第一流量差，基于所述第一压力差和/或第一流量差，确定发生泄漏的至少一个第一泄漏管段；
将燃气管网泄漏情况下的特征节点的节点压力和/或节点流量数据构成的第一特征向量输入训练好的深度学习网络，以确定发生泄漏的至少一个第二泄漏管段；
基于所述第一泄漏管段和所述第二泄漏管段，确定所述燃气管网中的第三泄漏管段，
在所述第一泄漏管段和所述第二泄漏管段均为单个的情况下，基于所述第一泄漏管段和所述第二泄漏管段，确定所述燃气管网中的第三泄漏管段进一步包括：求取所述第一泄漏管段的位置和所述第二泄漏管段的位置的加权平均值，将所述加权平均值位置所对应的管段，作为所述第三泄漏管段；
在所述第一泄漏管段和所述第二泄漏管段均为多个的情况下，基于所述第一泄漏管段和所述第二泄漏管段，确定所述燃气管网中的第三泄漏管段进一步包括：将所述多个第一泄漏管段和所述多个第二泄漏管段的并集作为所述第三泄漏管段；求取所述多个第一泄漏管段和所述多个第二泄漏管段的交集，将所述交集中的管段的优先级设定为第一优先级，将其他第一泄漏管段和第二泄漏管段的优先级设定为第二优先级，其中，所述第一优先级高于所述第二优先级。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用改进的负压波法获取所述第三泄漏管段中压力信号的突变点，从而确定所述第三泄漏管段中泄漏点的具体位置以供人工核实。
3.根据权利要求2所述的方法，其特征在于，利用改进的负压波法获取所述第三泄漏管段中压力信号的突变点，从而确定所述第三泄漏管段中泄漏点的具体位置以供人工核实进一步包括：利用改进的负压波法获取所述第三泄漏管段中压力信号的突变点，从而确定所述第三泄漏管段中泄漏点的具体位置，并按照第三泄漏管段的优先级从高到低的顺序依序进行人工核实。
4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括，利用所述燃气管网数据模型计算得到所述第一子集之外的未布置压力传感器和/或流量传感器的各个特征节点的节点压力和/或节点流量数据。
5.根据权利要求1或2所述的方法，其特征在于，所述方法进一步包括：针对所述燃气管网的用气状况，分别设置不同的压力差阈值和流量差阈值，其中，所述用气状况至少包括用气低峰、用气高峰和用气均值；
基于所述第一压力差和/或第一流量差，确定发生泄漏的至少一个第一泄漏管段进一步包括：判断燃气管网当前的用气状况，并根据所述用气状况，设置对应的压力差阈值和/或流量差阈值，并且在所述第一压力差超出对应的压力差阈值，和/或所述第一流量差超出对应的流量差阈值的情况下，判定与所述特征节点相关联的管段为发生泄漏的第一泄漏管段。
6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
利用燃气管网泄漏情况下特征节点的节点压力和/或节点流量的历史数据，以及对应的泄漏管段的真值数据，对所述深度学习网络进行第一训练，以得到训练好的深度学习网络；以及/或者
选择特征节点的第二子集，在所述第二子集中的各个网络节点处进行多种泄漏量的模拟放散，利用所述燃气管网数据模型，计算模拟放散条件下各个特征节点的节点压力和/或节点流量数据，利用模拟放散条件下各个特征节点的节点压力和/或节点流量数据以及与模拟放散网络节点对应的泄漏管段的真值数据，对所述深度学习网络进行第二训练；利用所述第二子集之外的特征节点进行模拟放散时的各个特征节点的节点压力和/或节点流量数据，对完成了所述第二训练的所述深度学习网络进行验证，以得到训练好的深度学习网络。
7.一种用于确定燃气管网中泄漏点的位置的装置，其特征在于，所述装置包括：
接口，其被配置为：获取燃气管网的网络拓扑、各个网络节点和节点间管段的配置信息；
至少一个处理器，其被配置为执行根据权利要求1至6中任一项所述的用于确定燃气管网中泄漏点的位置的方法。
8.一种非暂时性计算机可读存储介质，其上存储有计算机可执行的指令，其中当所述计算机可执行指令由处理器执行时，执行根据权利要求1至6中任一项所述的用于确定燃气管网中泄漏点的位置的方法。
CN202211015723.XA 2022-08-24 2022-08-24 用于确定燃气管网中泄漏点的位置的方法、装置和介质 Active CN115111537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211015723.XA CN115111537B (zh) 2022-08-24 2022-08-24 用于确定燃气管网中泄漏点的位置的方法、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211015723.XA CN115111537B (zh) 2022-08-24 2022-08-24 用于确定燃气管网中泄漏点的位置的方法、装置和介质

Publications (2)

Publication Number Publication Date
CN115111537A CN115111537A (zh) 2022-09-27
CN115111537B true CN115111537B (zh) 2022-11-18

Family

ID=83335608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211015723.XA Active CN115111537B (zh) 2022-08-24 2022-08-24 用于确定燃气管网中泄漏点的位置的方法、装置和介质

Country Status (1)

Country Link
CN (1) CN115111537B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115899595B (zh) * 2023-03-08 2023-05-23 成都秦川物联网科技股份有限公司 一种智慧燃气管道防腐优化方法、物联网系统及存储介质
CN116123465B (zh) * 2023-04-11 2023-06-30 东莞先知大数据有限公司 一种管道漏损预警方法、电子设备和存储介质
CN116857572B (zh) * 2023-07-14 2024-01-02 湖南理工学院 一种基于大数据的智慧水务管理方法及系统
CN117688775A (zh) * 2023-12-21 2024-03-12 上海叁零肆零科技有限公司 一种燃气管网泄漏数据生成方法、装置、设备及存储介质
CN117521313B (zh) * 2024-01-08 2024-04-19 北京云庐科技有限公司 用于对管道网络进行泄漏检测的方法和装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103939749A (zh) * 2014-04-28 2014-07-23 东北大学 基于大数据的输油管网泄漏智能自适应监控系统及方法
US9395262B1 (en) * 2015-12-21 2016-07-19 International Business Machines Corporation Detecting small leaks in pipeline network
CN106015951A (zh) * 2016-07-07 2016-10-12 北京信息科技大学 一种适应多种状态变化的输气管道泄漏检测系统及方法
CN109084186A (zh) * 2018-08-17 2018-12-25 常州大学 基于改进的elmd多尺度熵的管道泄漏信号识别方法
CN111311577A (zh) * 2020-02-14 2020-06-19 迈拓仪表股份有限公司 一种基于生成对抗网络及强化学习的智能渗水检测方法
CN111797888A (zh) * 2020-05-11 2020-10-20 山东建筑大学 一种蓄热供热系统及泄漏检测方法
CN112610903A (zh) * 2020-12-10 2021-04-06 合肥学院 一种基于深度神经网络模型的给水管网泄漏定位方法
CN113074324A (zh) * 2021-04-09 2021-07-06 天津大学 基于城市供水管网运行安全动态预警的数据库及建立方法
CN113987908A (zh) * 2021-09-09 2022-01-28 浙江浙能天然气运行有限公司 基于机器学习方法的天然气管网泄漏预警方法
CN114245337A (zh) * 2021-12-17 2022-03-25 吉林大学 一种基于图卷积网络的供水管网泄露定位传感器布置方法
CN114413184A (zh) * 2021-12-31 2022-04-29 北京无线电计量测试研究所 一种智能管道、智能管道管理系统及其测漏方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103939749A (zh) * 2014-04-28 2014-07-23 东北大学 基于大数据的输油管网泄漏智能自适应监控系统及方法
US9395262B1 (en) * 2015-12-21 2016-07-19 International Business Machines Corporation Detecting small leaks in pipeline network
CN106015951A (zh) * 2016-07-07 2016-10-12 北京信息科技大学 一种适应多种状态变化的输气管道泄漏检测系统及方法
CN109084186A (zh) * 2018-08-17 2018-12-25 常州大学 基于改进的elmd多尺度熵的管道泄漏信号识别方法
CN111311577A (zh) * 2020-02-14 2020-06-19 迈拓仪表股份有限公司 一种基于生成对抗网络及强化学习的智能渗水检测方法
CN111797888A (zh) * 2020-05-11 2020-10-20 山东建筑大学 一种蓄热供热系统及泄漏检测方法
CN112610903A (zh) * 2020-12-10 2021-04-06 合肥学院 一种基于深度神经网络模型的给水管网泄漏定位方法
CN113074324A (zh) * 2021-04-09 2021-07-06 天津大学 基于城市供水管网运行安全动态预警的数据库及建立方法
CN113987908A (zh) * 2021-09-09 2022-01-28 浙江浙能天然气运行有限公司 基于机器学习方法的天然气管网泄漏预警方法
CN114245337A (zh) * 2021-12-17 2022-03-25 吉林大学 一种基于图卷积网络的供水管网泄露定位传感器布置方法
CN114413184A (zh) * 2021-12-31 2022-04-29 北京无线电计量测试研究所 一种智能管道、智能管道管理系统及其测漏方法

Also Published As

Publication number Publication date
CN115111537A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN115111537B (zh) 用于确定燃气管网中泄漏点的位置的方法、装置和介质
CN108984873B (zh) 供水管网实时漏损检测方法、设备、系统及存储介质
Wu et al. Water loss detection via genetic algorithm optimization-based model calibration
US11280696B2 (en) Method and apparatus for model-based leak detection of a pipe network
CN115076618B (zh) 用于燃气管网泄漏管段判定的方法、装置和存储介质
CN109668058B (zh) 基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法
CN106352244A (zh) 一种基于分层神经网络的管道泄漏检测方法
CN110792928B (zh) 一种基于大数据的组合算法的管道泄漏诊断方法
CN115388344B (zh) 一种基于分布式协调检测的管道泄漏监测方法
CN115127037B (zh) 一种供水管网漏损定位方法及系统
CN111998918A (zh) 一种误差校正方法、误差校正装置及流量传感系统
CN112348290A (zh) 河流水质预测方法、装置、存储介质及设备
Li et al. Fast detection and localization of multiple leaks in water distribution network jointly driven by simulation and machine learning
CN115854999A (zh) 基于场景自适应的h-adcp断面平均流速自校正方法
Ma et al. A real-time method to detect the leakage location in urban water distribution networks
Li et al. Leakage localization using pressure sensors and spatial clustering in water distribution systems
CN109086186A (zh) 日志检测方法及装置
CN110543719B (zh) 一种基于空间计量模型的供水管道漏失预测方法
Guan et al. Pressure-driven background leakage models and their application for leak localization using a multi-population genetic algorithm
CN104331361A (zh) 一种用于白盒测试覆盖率计算可视化的测试装置及方法
CN112097125B (zh) 一种基于自适应校核的供水管网爆管侦测及定位方法
CN111563332B (zh) 基于夜间调压实测的城镇供水管网漏失定位方法
Sophocleous et al. Leak detection and localization based on search space reduction and hydraulic modelling
CN113033842A (zh) 一种供水管网系统漏损的控制管理方法以及控制管理系统
CN112182959A (zh) 一种配水管网泄漏检测方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Method, device, and medium for determining the location of leakage points in gas pipeline networks

Granted publication date: 20221118

Pledgee: Shijiazhuang Luquan Rural Commercial Bank Co.,Ltd.

Pledgor: BEIJING YUNLU TECHNOLOGY CO.,LTD.

Registration number: Y2024980015341