CN116906839A - 融合物理测量和软测量的热力管线安全智能监测预警方法 - Google Patents

融合物理测量和软测量的热力管线安全智能监测预警方法 Download PDF

Info

Publication number
CN116906839A
CN116906839A CN202311182713.XA CN202311182713A CN116906839A CN 116906839 A CN116906839 A CN 116906839A CN 202311182713 A CN202311182713 A CN 202311182713A CN 116906839 A CN116906839 A CN 116906839A
Authority
CN
China
Prior art keywords
pipeline
data
heating power
pressure
power pipeline
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
Application number
CN202311182713.XA
Other languages
English (en)
Other versions
CN116906839B (zh
Inventor
谢金芳
孙敬贤
刘定杰
赵琼
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.)
Zhejiang Yingji Power Technology Co ltd
Original Assignee
Zhejiang Yingji Power 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 Zhejiang Yingji Power Technology Co ltd filed Critical Zhejiang Yingji Power Technology Co ltd
Priority to CN202311182713.XA priority Critical patent/CN116906839B/zh
Publication of CN116906839A publication Critical patent/CN116906839A/zh
Application granted granted Critical
Publication of CN116906839B publication Critical patent/CN116906839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0475—Generative 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mechanical Engineering (AREA)
  • Emergency Management (AREA)
  • Physiology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pipeline Systems (AREA)

Abstract

本发明公开了一种融合物理测量和软测量的热力管线安全智能监测预警方法，包括：在热力管线便于监测的点位安装包括压力传感器和温度传感器的数据采集装置，获取易测量物理数据集；在数据采集装置不便安装于热力管线或数据无法可靠采集时，以热力管线运行特性建立热力管线机理模型，以热力管线的历史运行数据和热力管线的属性数据建立热力管线数据驱动模型，采用数据驱动与机理模型融合的方法构建热力管线压力和温度软测量模型，获取不易测量的软测量数据集；采用机器学习算法进行训练学习，建立热力管线异常风险概率预测模型，并依据热力管线的异常风险概率预测值进行安全监测和分级预警，提高城市热力管网系统的安全管理能力。

Description

融合物理测量和软测量的热力管线安全智能监测预警方法
技术领域
本发明属于供热系统热力管线安全监测预警技术领域，具体涉及一种融合物理测量和软测量的热力管线安全智能监测预警方法。
背景技术
随着社会经济的不断发展，作为我国重要基础设施之一的集中供热也在蓬勃发展，集中供热管网的规模不断扩大，结构越来越复杂，一旦某个热力管线发生异常风险，将严重影响整个供热系统全网的安全运行，甚至产生人身安全事故，因此如何保障热力管线的安全运行监测与预警是十分重要的问题。
在热力管线故障诊断技术的研究中负压波监测和温度监测方法是最常用的一种方法，当热力管线中某处发生泄漏时，由于热力管线中的压力高于管道外的压力，因此会有大量的流体迅速流出，导致泄漏点的压力迅速降低形成负压，同时由于管线中压力的作用，泄漏点两侧的流体会不断的向泄漏点进行补充，因此负压迅速向泄漏点两侧传播，形成负压波。另外，当热力管线发生泄漏、爆管等异常风险时，热力管线及其周围区域的温度会发生变化，能够通过温度及时监测到相关异常风险。
然而，随着热力管线的网络结构更加复杂，热力管线在进行压力、温度等传感器的安装时难度大、成本高，压力传感器有的需要破坏性安装，而且部分关键测点的流动参数无法获取，这样会导致实际物理测量数据较少，难以准确分析热力管线的运行状态。
基于上述技术问题，需要设计一种融合物理测量和软测量的热力管线安全智能监测预警方法。
发明内容
本发明所要解决的技术问题是，克服现有技术的不足，提供一种融合物理测量和软测量的热力管线安全智能监测预警方法，借助机理分析与数据驱动构建的热力管线软测量模型，从部分位置安装物理测量仪表可实现热力管线全域运行状态参数的观测，不依赖直接传感装置，而是先得到可以测量或易于测量的参数，再通过数学关系和计算软件的辅助，推断和估计状态参数；以及，通过将物理测量数据和软测量数据的软硬数据结合，建立热力管线的异常风险概率预测模型，可以保障异常风险预测结果的准确性，提高城市热力管网系统的安全管理能力。
为了解决上述技术问题，本发明的技术方案是：
本发明提供了一种融合物理测量和软测量的热力管线安全智能监测预警方法，所述热力管线安全智能监测预警方法包括：
在热力管线便于监测的点位安装包括压力传感器和温度传感器的数据采集装置，获取包括压力数据和温度数据在内的易测量的物理测量数据集；
在数据采集装置不便安装于热力管线或数据无法可靠采集时，以热力管线运行特性建立热力管线机理模型，以热力管线的历史运行数据和热力管线的属性数据建立热力管线数据驱动模型后，采用数据驱动与机理模型融合的方法构建热力管线压力和温度软测量模型；所述热力管线的属性数据包括管线老旧程度、管线长度、管线结构、管线使用寿命和管线保温特性；
基于热力管线压力和温度软测量模型获取包括压力数据和温度数据在内的不易测量的软测量数据集，并结合易测量的物理测量数据集作为数据样本，采用机器学习算法进行训练学习，建立热力管线异常风险概率预测模型，获得该热力管线的异常风险概率预测值，并依据热力管线的异常风险概率预测值进行安全监测和分级预警。
进一步，所述在热力管线便于监测的点位安装包括压力传感器和温度传感器的数据采集装置，获取包括压力数据和温度数据在内的易测量的物理测量数据集，包括：
确定热力管线可便于安装包括压力传感器和温度传感器的数据采集装置的监测点位，在对应监测点位安装相应的压力传感器和温度传感器；所述温度传感器为温度胶囊，安装于焊缝、补偿器、阀门、弯道、顶管和管道井监测点位，以及管道侧边打孔安装，用于监测管管线异常风险处及周围区域的温度；
基于监测点位安装的压力传感器和温度传感器，获取包括压力数据和温度数据在内的易测量的物理测量数据集；所述物理测量数据集包括监测点位不同时刻对应的压力数据和温度数据。
进一步，所述以热力管线运行特性建立热力管线机理模型，以热力管线的历史运行数据和热力管线的属性数据建立热力管线数据驱动模型后，采用数据驱动与机理模型融合的方法构建热力管线压力和温度软测量模型，包括：
采用图论方法和热力管线内部管道以及节点之间的拓扑关系建立热力管线流体网络矩阵，结合基尔霍夫流量定律和基尔霍夫压降定律，并确定初始条件与边界条件后建立热力管线机理模型；所述初始条件包括结构尺寸参数、网络各节点流体的初始物性参数、设备性能参数，所述边界条件根据网路拓扑结构差异以及初始工况进行设定；
基于热力管线机理模型计算获得热力管线各节点不同运行工况下的压力数据和温度数据，并结合压力实际数据、温度实际数据计算机理模型数据结果与实际数据的差值，对热力管线机理模型进行修正；
获取热力管线不同运行工况下的历史运行数据，至少包括管线各节点的热负荷、流量、温度、压力和泵阀调控数据；获取热力管线的属性数据，至少包括管线老旧程度、管线长度、管线结构、管线使用寿命和管线保温特性；
将获取的热力管线的历史运行数据和属性数据作为辅助变量，并进行数据预处理；
采用关联分析法对预处理后的辅助变量进行分析，选取影响热力管线压力和温度的关键特征变量；
将选取的关键特征变量输入至WNN神经网络模型中进行训练，建立热力管线数据驱动模型；所述热力管线数据驱动模型包括热力管线压力数据驱动模型和温度数据驱动模型；
将修正后的热力管线机理模型的输出量和热力管线数据驱动模型/>的输出量进行融合处理后构建热力管线压力和温度软测量模型/>。
进一步，所述关联分析法为基于Copula熵相关性分析法，对预处理后的辅助变量进行分析排序，选取排序后影响热力管线压力和温度相关性较大的变量作为关键特征变量；所述Copula熵相关性分析法基于Copula理论，估计Copula的概率密度函数和计算变量X和Y之间的互信息，表示为：
；
为热力管线辅助变量；/>为压力、温度目标变量；/>为热力管线辅助变量和目标变量的联合概率密度；/>、/>分别为热力管线辅助变量/>和目标变量/>的边缘概率密度函数；所述互信息越大，表明辅助变量包含了关于目标变量越多的信息，即两变量之间的相关性越大；
所述Copula的概率密度函数表示为：
；
假定，/>，并依据经验Copula估算/>、/>后，则。
进一步，所述将选取的关键特征变量输入至WNN神经网络模型中进行训练之前，包括：将关键特征变量的互信息系数进行归一化处理，并作为每个关键特征变量的权重，连同选取的关键特征变量共同输入至WNN神经网络模型中进行训练。
进一步，所述WNN神经网络模型的权值和阈值参数采用蚁群优化算法和萤火虫优化算法共同优化，具体包括：
设置蚁群规模、迭代次数、信息挥发系数和信息素浓度，设置核函数参数和正则化参数的范围，并随机生成一组包括核函数参数和正则化参数序列，作为蚂蚁的初始位置向量；
计算蚂蚁个体当前所在位置的适应度函数和信息素浓度；
依据信息素浓度确定蚂蚁适应度值最小的位置，并进行信息素浓度的不断迭代更新，将满足适应度条件的蚂蚁位置向量存储，直至迭代结束；
设置萤火虫规模和迭代次数，并依据蚁群优化算法获得的最优位置向量初始化萤火虫的位置，各萤火虫均携带有相同的荧光素浓度和感知半径；
通过更新萤火虫的荧光素浓度，确定一萤火虫的邻居和移动方向，当邻居萤火虫的荧光素浓度比该萤火虫大，且萤火虫之间的距离在可感知范围内，则该萤火虫将向邻居萤火虫的方向移动；
更新萤火虫的位置，通过迭代计算各萤火虫个体极值和最优位置；
将各萤火虫个体极值与群体最优位置适应度值进行比较，若更优时，则将该萤火虫的最优位置作为群体的最优位置，该萤火虫个体极值作为群体极值，直至满足迭代结束条件，输出最优的位置向量；否则，返回重新计算适应度值；
基于所述最优的位置向量优化WNN神经网络模型的权值和阈值参数；
其中，所述WNN神经网络采用小波母函数进行小波变化，表示为：；
所述WNN神经网络包括输入层、隐含层和输出层，所述输入层节点数为n，隐含层节点数为m，输出层节点数为p；所述输入层的数据为影响热力管线压力和温度的关键特征变量以及对应关键特征变量的权重；
所述隐含层输出值表示为：；所述输出层输出值表示为：/>；/>、/>分别为隐含层节点与输入层的连接权重、输出层与隐含层节点的连接权重；/>为输入层的输入数据；/>、/>分别为伸缩因子和平移因子。
进一步，所述构建热力管线压力和温度软测量模型时，还包括计算辅助变量与压力、温度目标变量的滞后时间：在热力管线的运行过程中，t时刻的热力管线节点压力、温度目标变量与t-d时刻的相关辅助变量成时序相关；设定最大滞后时间和计算时间步数，每选择一个辅助变量，该辅助变量每次提前一个时间步，计算时间步数中该辅助变量与热力管线压力、温度最大的互信息，并记录该时间步，则该辅助变量与热力管线压力、温度之间的时序滞后表示为：；/>为滞后时间；/>为Copula函数；/>为时间步长；/>、/>分别为数据长输的上下限；/>为辅助变量；/>为目标变量；/>为数据采样间隔。
进一步，所述结合压力实际数据、温度实际数据计算机理模型数据结果与实际数据的差值，对热力管线机理模型进行修正，表示为：
；
为偏差修正系数；/>为最大允许偏差修正系数；/>为热力管线机理模型获得的压力数据、温度数据；/>为热力管线的压力实际数据、温度实际数据；/>为当前工况下热力管线机理模型获得的压力数据、温度数据；
其中，所述偏差修正系数的目标函数表示为：；/>为数据的互信息系数；/>为热力管线各历史运行数据向量与各关键特征变量的欧式距离。
进一步，所述采用机器学习算法进行训练学习，建立热力管线异常风险概率预测模型，包括：
将软测量数据集和物理测量数据集作为数据样本，进行预处理和划分为训练集、测试集；
将训练集采用设置的Inception模块进行特征提取后输入至加入注意力机制的LSTM模型中进行训练，建立热力管线的异常风险概率预测模型，获得热力管线的异常风险概率预测值；所述风险概率预测值越大，表示该热力管线发生异常风险的概率越高；所述注意力机制为不同时间步的隐藏输出赋予不同的权重，保留时间序列的全局信息。
进一步，所述依据热力管线的异常风险概率预测值进行安全监测和分级预警，包括：
若异常风险概率预测值小于对应的预设异常风险发生概率最小值，则表明热力管线处于安全状态；
若异常风险概率预测值大于对应的预设异常风险发生概率最小值，且小于对应的预设异常风险发生概率最大值，则表明热力管线处于初级风险预警状态，并生成初级风险告警指令；
若异常风险概率预测值大于对应的预设异常风险发生概率最大值，则表明热力管线处于紧急风险预警状态，并生成紧急风险告警指令。
本发明的有益效果是：
本发明在热力管线便于监测的点位安装包括压力传感器和温度传感器的数据采集装置，获取包括压力数据和温度数据在内的易测量的物理测量数据集；在数据采集装置不便安装于热力管线或数据无法可靠采集时，以热力管线运行特性建立热力管线机理模型，以热力管线的历史运行数据和热力管线的属性数据建立热力管线数据驱动模型后，采用数据驱动与机理模型融合的方法构建热力管线压力和温度软测量模型；所述热力管线的属性数据包括管线老旧程度、管线长度、管线结构、管线使用寿命和管线保温特性；基于热力管线压力和温度软测量模型获取包括压力数据和温度数据在内的不易测量的软测量数据集，并结合易测量的物理测量数据集作为数据样本，采用机器学习算法进行训练学习，建立热力管线异常风险概率预测模型，获得该热力管线的异常风险概率预测值，并依据热力管线的异常风险概率预测值进行安全监测和分级预警；能够使得热力管线在面临压力、温度等传感器安装难度大、成本高，压力传感器需要破坏性安装，部分关键测点的流动参数无法获取的难题时，采用基于热力管线运行数据与机理模型之间的信息融合，建立热力管线软测量模型，可克服机理模型建模条件简单化，精度低和不确定性较大的问题；另外，借助机理分析与数据驱动构建的热力管线软测量模型，从部分位置安装物理测量仪表可实现热力管线全域运行状态参数的观测，不依赖直接传感装置，而是先得到可以测量或易于测量的参数，再通过数学关系和计算软件的辅助，推断和估计状态参数；以及，通过将物理测量数据和软测量数据的软硬数据结合，建立热力管线的异常风险概率预测模型，可以保障异常风险预测结果的准确性，提高城市热力管网系统的安全管理能力。
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种融合物理测量和软测量的热力管线安全智能监测预警方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
图1是本发明所涉及的一种融合物理测量和软测量的热力管线安全智能监测预警方法流程图。
如图1所示，本实施例1提供了一种融合物理测量和软测量的热力管线安全智能监测预警方法，所述热力管线安全智能监测预警方法包括：
在热力管线便于监测的点位安装包括压力传感器和温度传感器的数据采集装置，获取包括压力数据和温度数据在内的易测量的物理测量数据集；
在数据采集装置不便安装于热力管线或数据无法可靠采集时，以热力管线运行特性建立热力管线机理模型，以热力管线的历史运行数据和热力管线的属性数据建立热力管线数据驱动模型后，采用数据驱动与机理模型融合的方法构建热力管线压力和温度软测量模型；所述热力管线的属性数据包括管线老旧程度、管线长度、管线结构、管线使用寿命和管线保温特性；
基于热力管线压力和温度软测量模型获取包括压力数据和温度数据在内的不易测量的软测量数据集，并结合易测量的物理测量数据集作为数据样本，采用机器学习算法进行训练学习，建立热力管线异常风险概率预测模型，获得该热力管线的异常风险概率预测值，并依据热力管线的异常风险概率预测值进行安全监测和分级预警。
在本实施例中，所述在热力管线便于监测的点位安装包括压力传感器和温度传感器的数据采集装置，获取包括压力数据和温度数据在内的易测量的物理测量数据集，包括：
确定热力管线可便于安装包括压力传感器和温度传感器的数据采集装置的监测点位，在对应监测点位安装相应的压力传感器和温度传感器；所述温度传感器为温度胶囊，安装于焊缝、补偿器、阀门、弯道、顶管和管道井监测点位，以及管道侧边打孔安装，用于监测管管线异常风险处及周围区域的温度；
基于监测点位安装的压力传感器和温度传感器，获取包括压力数据和温度数据在内的易测量的物理测量数据集；所述物理测量数据集包括监测点位不同时刻对应的压力数据和温度数据。
需要说明的是，温度传感器除了温度胶囊之外，还包括管壁或插入式的温度计测量管内热水供回水温度，可以是气温测量地下管井小室的温度，可以是管线周围土壤的温度。
需要说明的是，在热力管线可便于监测的点位安装包括压力传感器和温度传感器的数据采集装置时，以热力管线压力监测点优化布局为例（同理可以进行温度监测点布局），设置以热力管线监测范围最大、压力监测点数量最小、压力误差最小和异常风险感知程度最大为目标，建立热力管线压力监测点优化布局模型，获得热力管线的压力监测点最优布局策略，包括：
针对热力管线的压力监测点优化布局问题，设置决策变量为压力监测点的位置布局，设决策变量为X，表示决策变量矩阵中值为1的元素对应的候选压力监测点布局位置；
假设有n个候选的压力监测点布局位置，则生成的/>矩阵，0表示不布局压力监测点，1表示布局压力监测点；
所述以热力管线监测范围最大、压力监测点数量最小、压力误差最小、安全风险感知程度最大和压力变化灵敏度最大为目标，分别表示为：
；
为压力监测矩阵；/>为压力监测矩阵各行；/>为方案中选择为压力监测点的各列；/>为决策变量节点总数；
；
为压力监测点数量，压力监测点的数量等于决策变量X中值为1的元素的个数；
；
为压力监测实际测量值；/>为压力监测计算值；
设正常运行工况下和异常运行工况下的热力管线各节点的压力变化矩阵为，包括正常运行工况下与不同类别异常运行工况下的压力变化数据；
设表示热力管线/>发生异常风险是否可被监测点集X感知程度，表示为：
；
为产生的最大压力变化值；/>为异常风险感知阈值；
通过各监测节点的异常风险感知程度形成异常风险感知矩阵B；
；
为异常下的管段流量；
计算热力管线监测范围最大、压力监测点数量最小、压力误差最小和异常风险感知程度最大的各个目标的权重，形成最终的热力管线压力监测点优化布局的目标函数；
设置热力管线压力监测点优化布局的约束条件，包括：两个压力监测点之间的压差小于设定值、两个压力监测点之间的距离限制约束和压力监测点的压力敏感范围；
依据热力管线压力监测点优化布局的目标函数和约束条件，建立热力管线压力监测点优化布局模型，并采用智能优化算法求解获得热力管线的压力监测点最优布局策略。
需要说明的是，异常风险至少包括漏失、爆管、堵塞异常运行工况，异常风险感知矩阵包括漏失风险感知矩阵、爆管风险感知矩阵和堵塞风险感知矩阵，首先获取正常运行工况下热力管线的压力监测 ，然后对每个热力管线进行漏失、爆管、堵塞模拟，根据漏失、爆管、堵塞时压降构建压力变化矩阵，若大于异常风险感知阈值，则置为1，表示该压力监测点可以检测到相关异常风险；否则置为0，表示该压力监测点补课检测到相关异常风险，从而建立0-1异常风险感知矩阵。
在本实施例中，所述以热力管线运行特性建立热力管线机理模型，以热力管线的历史运行数据和热力管线的属性数据建立热力管线数据驱动模型后，采用数据驱动与机理模型融合的方法构建热力管线压力和温度软测量模型，包括：
采用图论方法和热力管线内部管道以及节点之间的拓扑关系建立热力管线流体网络矩阵，结合基尔霍夫流量定律和基尔霍夫压降定律，并确定初始条件与边界条件后建立热力管线机理模型；所述初始条件包括结构尺寸参数、网络各节点流体的初始物性参数、设备性能参数，所述边界条件根据网路拓扑结构差异以及初始工况进行设定；
基于热力管线机理模型计算获得热力管线各节点不同运行工况下的压力数据和温度数据，并结合压力实际数据、温度实际数据计算机理模型数据结果与实际数据的差值，对热力管线机理模型进行修正；
获取热力管线不同运行工况下的历史运行数据，至少包括管线各节点的热负荷、流量、温度、压力和泵阀调控数据；获取热力管线的属性数据，至少包括管线老旧程度、管线长度、管线结构、管线使用寿命和管线保温特性；
将获取的热力管线的历史运行数据和属性数据作为辅助变量，并进行数据预处理；
采用关联分析法对预处理后的辅助变量进行分析，选取影响热力管线压力和温度的关键特征变量；
将选取的关键特征变量输入至WNN神经网络模型中进行训练，建立热力管线数据驱动模型；所述热力管线数据驱动模型包括热力管线压力数据驱动模型和温度数据驱动模型；
将修正后的热力管线机理模型的输出量和热力管线数据驱动模型/>的输出量进行融合处理后构建热力管线压力和温度软测量模型/>。
需要说明的是，热力管线不同运行工况下的运行数据包括：在正常运行工况下热力管线各节点的热负荷、流量、温度、压力和泵阀调控数据，在漏失、爆管、堵塞的异常运行工况下热力管线各节点的热负荷、流量、温度、压力和泵阀调控数据，以及计算正常运行工况下和异常运行工况下的热力管线各节点的压力变化值和温度变化值。
在实际的应用中，例如流量、流速的测量标准要求是前后有10个直径的直管段，这是为了让流体流过传感器时为层流状态才可以测得准。如果在部分地方有弯头、三通的扰动，就会导致测不准，不可靠。因此，在数据无法可靠采集时，需要进行软测量。
在实际的应用中，随着热力管线的网络结构更加复杂，与各类设备链接复杂，热力管线在进行压力、温度等传感器的安装时难度大、成本高，压力传感器需要破坏性安装，部分关键测点的流动参数无法获取，基于热力管线运行数据与机理模型之间的信息融合，建立热力管线软测量模型，可克服机理模型建模条件简单化，精度低和不确定性较大的问题；另外，借助机理分析与数据驱动可以构建热力管线数字孪生模型，进而构建在线实时软测量系统，从部分位置安装物理测量仪表可实现热力管线全域运行状态参数的观测，不依赖直接传感装置，而是先得到可以测量或易于测量的参数，再通过数学关系和计算软件的辅助，推断和估计状态参数，以及在热力管线关键节点处铺设温度、压力数据采集装置，热力管线物理测量数据可与软测量仿真数据进行相互校验，形成系统性认知。
在本实施例中，所述关联分析法为基于Copula熵相关性分析法，对预处理后的辅助变量进行分析排序，选取排序后影响热力管线压力和温度相关性较大的变量作为关键特征变量；所述Copula熵相关性分析法基于Copula理论，估计Copula的概率密度函数和计算变量X和Y之间的互信息，表示为：
；
为热力管线辅助变量；/>为压力、温度目标变量；/>为热力管线辅助变量和目标变量的联合概率密度；/>、/>分别为热力管线辅助变量/>和目标变量/>的边缘概率密度函数；所述互信息越大，表明辅助变量包含了关于目标变量越多的信息，即两变量之间的相关性越大；
所述Copula的概率密度函数表示为：
；
假定，/>，并依据经验Copula估算/>、/>后，则。
需要说明的是，Copula密度函数表征变量之间的依赖结构，Copula熵为非参数方法用于从数据中估算互信息；所述非参数方法包括估算经验Copula密度函数以及估算Copula熵。由于辅助变量较多，与热力管线压力、温度目标变量之间的影响程度也不一样，因此采用Copula熵相关性分析法对辅助变量进行排序，筛选相关性较强的关键特征变量，提高后续风险异常预测的准确性和效率。
在本实施例中，所述将选取的关键特征变量输入至WNN神经网络模型中进行训练之前，包括：将关键特征变量的互信息系数进行归一化处理，并作为每个关键特征变量的权重，连同选取的关键特征变量共同输入至WNN神经网络模型中进行训练。
在本实施例中，所述WNN神经网络模型的权值和阈值参数采用蚁群优化算法和萤火虫优化算法共同优化，具体包括：
设置蚁群规模、迭代次数、信息挥发系数和信息素浓度，设置核函数参数和正则化参数的范围，并随机生成一组包括核函数参数和正则化参数序列，作为蚂蚁的初始位置向量；
计算蚂蚁个体当前所在位置的适应度函数和信息素浓度；
依据信息素浓度确定蚂蚁适应度值最小的位置，并进行信息素浓度的不断迭代更新，将满足适应度条件的蚂蚁位置向量存储，直至迭代结束；
设置萤火虫规模和迭代次数，并依据蚁群优化算法获得的最优位置向量初始化萤火虫的位置，各萤火虫均携带有相同的荧光素浓度和感知半径；
通过更新萤火虫的荧光素浓度，确定一萤火虫的邻居和移动方向，当邻居萤火虫的荧光素浓度比该萤火虫大，且萤火虫之间的距离在可感知范围内，则该萤火虫将向邻居萤火虫的方向移动；
更新萤火虫的位置，通过迭代计算各萤火虫个体极值和最优位置；
将各萤火虫个体极值与群体最优位置适应度值进行比较，若更优时，则将该萤火虫的最优位置作为群体的最优位置，该萤火虫个体极值作为群体极值，直至满足迭代结束条件，输出最优的位置向量；否则，返回重新计算适应度值；
基于所述最优的位置向量优化WNN神经网络模型的权值和阈值参数；
其中，所述WNN神经网络采用小波母函数进行小波变化，表示为：；
所述WNN神经网络包括输入层、隐含层和输出层，所述输入层节点数为n，隐含层节点数为m，输出层节点数为p；所述输入层的数据为影响热力管线压力和温度的关键特征变量以及对应关键特征变量的权重；
所述隐含层输出值表示为：；所述输出层输出值表示为：/>；/>、/>分别为隐含层节点与输入层的连接权重、输出层与隐含层节点的连接权重；/>为输入层的输入数据；/>、/>分别为伸缩因子和平移因子。
需要说明的是，WNN神经网络同时结合了小波变换和神经网络的优点，它是一种结合了小波变换的定位特性和神经网络的自学习能力的神经网络。WNN神经网络的网络结构是根据小波分析的理论确定的，它避免了BP神经网络等在网络结构设计中的盲目性，并提高了容错性和逼近性能，具有更加简单的网络层结构，收敛速度更快，准确率更高。通过采用蚁群优化算法和萤火虫优化算法共同优化WNN神经网络的模型参数，对网络结构进行自训练和优化，避免了蚁群优化算法和萤火虫优化算法二者自身的缺点，实现优势互补，寻找最优解进行局部寻优，提高WNN神经网络的搜索效率和收敛速度，减少WNN神经网络参数寻优的人工干预，软测量模型预测精度高，鲁棒性强。
在实际的应用中，若软测量数据集和物理测量数据集组合后的初始样本数据较少，则搭建生成对抗网络模型，并将初始样本数据集划分为多种异常风险类别数据，作为生成对抗网络模型的输入样本进行训练后，扩充生成不同类别的新样本数据集，包括：
搭建包括生成模型和判别模型的生成对抗网络，并将初始样本数据集划分为多种异常风险类别数据，并为每一种异常风险类别定义异常风险标签；所述生成模型的输入数据为噪声数据和初始样本数据集，由生成模型对初始样本数据集的特征分布进行学习，并输出与初始样本数据集近似的不同类别的新的样本数据集；所述判别模型的输入数据包括初始样本数据集和新样本数据集，由判别模型进行判别输出新样本数据集和初始样本数据集的判别结果；
依据噪声数据和包括新样本数据集和初始样本数据集的条件数据对所述生成对抗网络中的生成模型和判别模型的参数进行更新训练，获得训练后的生成对抗网络；
基于训练后的生成对抗网络，输入随机噪声和条件数据后，生成不同异常风险类别的新样本数据集。
在实际应用中，所述噪声数据是依据概率分布采样获得；所述生成模型通过判别模型反馈的梯度来不断更新参数；所述判别模型通过输出判别结果来交替更新自身和生成模型的参数，直至两个模型达到最优；所述生成对抗网络通过生成模型和判别模型的交替训练，新样本数据集的分布关系逐渐逼近初始样本数据集的分布关系，当生成模型和判别模型达到纳什均衡时，表明判别模型无法辨别输入数据是来自于初始样本数据集还是生成的新样本数据集，此时生成模型的输出即为与初始样本数据集近似的新样本数据集；
所述训练后的生成对抗网络的优化目标函数表示为：
；
为初始样本数据集；/>为条件数据；/>为判别模型；/>为生成模型；/>为分布函数的期望值；/>为初始样本数据集的分布；/>为噪声数据z的分布。
在本实施例中，所述构建热力管线压力和温度软测量模型时，还包括计算辅助变量与压力、温度目标变量的滞后时间：在热力管线的运行过程中，t时刻的热力管线节点压力、温度目标变量与t-d时刻的相关辅助变量成时序相关；设定最大滞后时间和计算时间步数，每选择一个辅助变量，该辅助变量每次提前一个时间步，计算时间步数中该辅助变量与热力管线压力、温度最大的互信息，并记录该时间步，则该辅助变量与热力管线压力、温度之间的时序滞后表示为：；/>为滞后时间；/>为Copula函数；/>为时间步长；/>、/>分别为数据长输的上下限；/>为辅助变量；/>为目标变量；/>为数据采样间隔。
需要说明的是，热力管线运行过程是一个大延迟系统，筛选出的辅助变量与目标变量之间还存在大延时，为了保证热力管线压力和温度软测量模型各辅助变量与目标变量间的时序一致，需要计算滞后时间，对辅助变量的时序进行调整。
在本实施例中，所述结合压力实际数据、温度实际数据计算机理模型数据结果与实际数据的差值，对热力管线机理模型进行修正，表示为：
；
为偏差修正系数；/>为最大允许偏差修正系数；/>为热力管线机理模型获得的压力数据、温度数据；/>为热力管线的压力实际数据、温度实际数据；/>为当前工况下热力管线机理模型获得的压力数据、温度数据；
其中，所述偏差修正系数的目标函数表示为：；/>为数据的互信息系数；/>为热力管线各历史运行数据向量与各关键特征变量的欧式距离。
在本实施例中，所述采用机器学习算法进行训练学习，建立热力管线异常风险概率预测模型，包括：
将软测量数据集和物理测量数据集作为数据样本，进行预处理和划分为训练集、测试集；
将训练集采用设置的Inception模块进行特征提取后输入至加入注意力机制的LSTM模型中进行训练，建立热力管线的异常风险概率预测模型，获得热力管线的异常风险概率预测值；所述风险概率预测值越大，表示该热力管线发生异常风险的概率越高；所述注意力机制为不同时间步的隐藏输出赋予不同的权重，保留时间序列的全局信息。
在本实施例中，所述依据热力管线的异常风险概率预测值进行安全监测和分级预警，包括：
若异常风险概率预测值小于对应的预设异常风险发生概率最小值，则表明热力管线处于安全状态；
若异常风险概率预测值大于对应的预设异常风险发生概率最小值，且小于对应的预设异常风险发生概率最大值，则表明热力管线处于初级风险预警状态，并生成初级风险告警指令；
若异常风险概率预测值大于对应的预设异常风险发生概率最大值，则表明热力管线处于紧急风险预警状态，并生成紧急风险告警指令。
需要说明的是，还可以采用迁移学习算法将热力管线异常风险概率预测模型进行自适应微调和迁移至其他热力管线，包括：
将建立的热力管线异常风险概率预测模型数据作为源域数据，将具有同一属性标签和运行状况的其他热力管线数据作为目标域数据；
结合强化学习理论搭建热力管线异常风险概率强化学习模型进行自学习，并积累自学习过程中学习到的源域的异常风险知识；通过迁移学习挖掘和利用学习到的源域的异常风险知识，搭建相似度计算模型，实现知识的再利用；在目标域中基于相似度计算模型，利用异常风险知识进行微调学习，获得目标域的热力管线异常风险概率预测模型；其中，所述相似度计算模型用于衡量评估源域热力管线异常风险和目标域热力管线异常风险的相似程度，若相似程度处于第一范围，则直接应用源域的热力管线异常风险概率预测模型，否则将源域的热力管线异常风险概率预测模型进行微调学习；
将强化学习和迁移学习引入到热力管线异常风险概率预测中，强化学习具有强大的学习和记忆能力，并且能够将学习到的异常风险知识进行积累，当面对新的且相似的热力管线异常风险预测任务时，可通过迁移学习的手段实现知识的迁移共享，让目标域的热力管线异常风险智能体拥有先验知识，进而提高智能体自身的学习效率，提升异常风险预测寻优速度。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明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、程序段或代码的一部分，模块、程序段或代码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。也应当注意，在有些作为替换的实现方式中，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。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (10)

1.一种融合物理测量和软测量的热力管线安全智能监测预警方法，其特征在于，所述热力管线安全智能监测预警方法包括：
在热力管线便于监测的点位安装包括压力传感器和温度传感器的数据采集装置，获取包括压力数据和温度数据在内的易测量的物理测量数据集；
在数据采集装置不便安装于热力管线或数据无法可靠采集时，以热力管线运行特性建立热力管线机理模型，以热力管线的历史运行数据和热力管线的属性数据建立热力管线数据驱动模型后，采用数据驱动与机理模型融合的方法构建热力管线压力和温度软测量模型；所述热力管线的属性数据包括管线老旧程度、管线长度、管线结构、管线使用寿命和管线保温特性；
基于热力管线压力和温度软测量模型获取包括压力数据和温度数据在内的不易测量的软测量数据集，并结合易测量的物理测量数据集作为数据样本，采用机器学习算法进行训练学习，建立热力管线异常风险概率预测模型，获得该热力管线的异常风险概率预测值，并依据热力管线的异常风险概率预测值进行安全监测和分级预警。
2.根据权利要求1所述的热力管线安全智能监测预警方法，其特征在于，所述在热力管线便于监测的点位安装包括压力传感器和温度传感器的数据采集装置，获取包括压力数据和温度数据在内的易测量的物理测量数据集，包括：
确定热力管线可便于安装包括压力传感器和温度传感器的数据采集装置的监测点位，在对应监测点位安装相应的压力传感器和温度传感器；所述温度传感器为温度胶囊，安装于焊缝、补偿器、阀门、弯道、顶管和管道井监测点位，以及管道侧边打孔安装，用于监测管线异常风险处及周围区域的温度；
基于监测点位安装的压力传感器和温度传感器，获取包括压力数据和温度数据在内的易测量的物理测量数据集；所述物理测量数据集包括监测点位不同时刻对应的压力数据和温度数据。
3.根据权利要求1所述的热力管线安全智能监测预警方法，其特征在于，所述以热力管线运行特性建立热力管线机理模型，以热力管线的历史运行数据和热力管线的属性数据建立热力管线数据驱动模型后，采用数据驱动与机理模型融合的方法构建热力管线压力和温度软测量模型，包括：
采用图论方法和热力管线内部管道以及节点之间的拓扑关系建立热力管线流体网络矩阵，结合基尔霍夫流量定律和基尔霍夫压降定律，并确定初始条件与边界条件后建立热力管线机理模型；所述初始条件包括结构尺寸参数、网络各节点流体的初始物性参数、设备性能参数，所述边界条件根据网路拓扑结构差异以及初始工况进行设定；
基于热力管线机理模型计算获得热力管线各节点不同运行工况下的压力数据和温度数据，并结合压力实际数据、温度实际数据计算机理模型数据结果与实际数据的差值，对热力管线机理模型进行修正；
获取热力管线不同运行工况下的历史运行数据，至少包括管线各节点的热负荷、流量、温度、压力和泵阀调控数据；获取热力管线的属性数据，至少包括管线老旧程度、管线长度、管线结构、管线使用寿命和管线保温特性；
将获取的热力管线的历史运行数据和属性数据作为辅助变量，并进行数据预处理；
采用关联分析法对预处理后的辅助变量进行分析，选取影响热力管线压力和温度的关键特征变量；
将选取的关键特征变量输入至WNN神经网络模型中进行训练，建立热力管线数据驱动模型；所述热力管线数据驱动模型包括热力管线压力数据驱动模型和温度数据驱动模型；
将修正后的热力管线机理模型的输出量和热力管线数据驱动模型/>的输出量进行融合处理后构建热力管线压力和温度软测量模型/>。
4.根据权利要求3所述的热力管线安全智能监测预警方法，其特征在于，所述关联分析法为基于Copula熵相关性分析法，对预处理后的辅助变量进行分析排序，选取排序后影响热力管线压力和温度相关性较大的变量作为关键特征变量；所述Copula熵相关性分析法基于Copula理论，估计Copula的概率密度函数和计算变量X和Y之间的互信息，表示为：
；
为热力管线辅助变量；为压力、温度目标变量；为热力管线辅助变量和目标 变量的联合概率密度；、分别为热力管线辅助变量和目标变量的边缘概率密 度函数；所述互信息越大，表明辅助变量包含了关于目标变量越多的信息，即两变量之间的 相关性越大；
所述Copula的概率密度函数表示为：
；
假定，/>，并依据经验Copula估算/>、/>后，则。
5.根据权利要求3所述的热力管线安全智能监测预警方法，其特征在于，所述将选取的关键特征变量输入至WNN神经网络模型中进行训练之前，包括：将关键特征变量的互信息系数进行归一化处理，并作为每个关键特征变量的权重，连同选取的关键特征变量共同输入至WNN神经网络模型中进行训练。
6.根据权利要求3所述的热力管线安全智能监测预警方法，其特征在于，所述WNN神经网络模型的权值和阈值参数采用蚁群优化算法和萤火虫优化算法共同优化，具体包括：
设置蚁群规模、迭代次数、信息挥发系数和信息素浓度，设置核函数参数和正则化参数的范围，并随机生成一组包括核函数参数和正则化参数序列，作为蚂蚁的初始位置向量；
计算蚂蚁个体当前所在位置的适应度函数和信息素浓度；
依据信息素浓度确定蚂蚁适应度值最小的位置，并进行信息素浓度的不断迭代更新，将满足适应度条件的蚂蚁位置向量存储，直至迭代结束；
设置萤火虫规模和迭代次数，并依据蚁群优化算法获得的最优位置向量初始化萤火虫的位置，各萤火虫均携带有相同的荧光素浓度和感知半径；
通过更新萤火虫的荧光素浓度，确定一萤火虫的邻居和移动方向，当邻居萤火虫的荧光素浓度比该萤火虫大，且萤火虫之间的距离在可感知范围内，则该萤火虫将向邻居萤火虫的方向移动；
更新萤火虫的位置，通过迭代计算各萤火虫个体极值和最优位置；
将各萤火虫个体极值与群体最优位置适应度值进行比较，若更优时，则将该萤火虫的最优位置作为群体的最优位置，该萤火虫个体极值作为群体极值，直至满足迭代结束条件，输出最优的位置向量；否则，返回重新计算适应度值；
基于所述最优的位置向量优化WNN神经网络模型的权值和阈值参数；
其中，所述WNN神经网络采用小波母函数进行小波变化，表示为：；
所述WNN神经网络包括输入层、隐含层和输出层，所述输入层节点数为n，隐含层节点数为m，输出层节点数为p；所述输入层的数据为影响热力管线压力和温度的关键特征变量以及对应关键特征变量的权重；
所述隐含层输出值表示为：；所述输出层输出值表示为：；/>、/>分别为隐含层节点与输入层的连接权重、输出层与隐含层节点的连接权重；/>为输入层的输入数据；/>、/>分别为伸缩因子和平移因子。
7.根据权利要求3所述的热力管线安全智能监测预警方法，其特征在于，所述构建热力管线压力和温度软测量模型时，还包括计算辅助变量与压力、温度目标变量的滞后时间：在热力管线的运行过程中，t时刻的热力管线节点压力、温度目标变量与t-d时刻的相关辅助变量成时序相关；设定最大滞后时间和计算时间步数，每选择一个辅助变量，该辅助变量每次提前一个时间步，计算时间步数中该辅助变量与热力管线压力、温度最大的互信息，并记录该时间步，则该辅助变量与热力管线压力、温度之间的时序滞后表示为：；/>为滞后时间；/>为Copula函数；/>为时间步长；
、/>分别为数据长输的上下限；/>为辅助变量；/>为目标变量；/>为数据采样间隔。
8.根据权利要求3所述的热力管线安全智能监测预警方法，其特征在于，所述结合压力实际数据、温度实际数据计算机理模型数据结果与实际数据的差值，对热力管线机理模型进行修正，表示为：
；
为偏差修正系数；/>为最大允许偏差修正系数；/>为热力管线机理模型获得的压力数据、温度数据；/>为热力管线的压力实际数据、温度实际数据；/>为当前工况下热力管线机理模型获得的压力数据、温度数据；
其中，所述偏差修正系数的目标函数表示为：；/>为数据的互信息系数；为热力管线各历史运行数据向量与各关键特征变量的欧式距离。
9.根据权利要求1所述的热力管线安全智能监测预警方法，其特征在于，所述采用机器学习算法进行训练学习，建立热力管线异常风险概率预测模型，包括：
将软测量数据集和物理测量数据集作为数据样本，进行预处理和划分为训练集、测试集；
将训练集采用设置的Inception模块进行特征提取后输入至加入注意力机制的LSTM模型中进行训练，建立热力管线的异常风险概率预测模型，获得热力管线的异常风险概率预测值；所述风险概率预测值越大，表示该热力管线发生异常风险的概率越高；所述注意力机制为不同时间步的隐藏输出赋予不同的权重，保留时间序列的全局信息。
10.根据权利要求1所述的热力管线安全智能监测预警方法，其特征在于，所述依据热力管线的异常风险概率预测值进行安全监测和分级预警，包括：
若异常风险概率预测值小于对应的预设异常风险发生概率最小值，则表明热力管线处于安全状态；
若异常风险概率预测值大于对应的预设异常风险发生概率最小值，且小于对应的预设异常风险发生概率最大值，则表明热力管线处于初级风险预警状态，并生成初级风险告警指令；
若异常风险概率预测值大于对应的预设异常风险发生概率最大值，则表明热力管线处于紧急风险预警状态，并生成紧急风险告警指令。
CN202311182713.XA 2023-09-14 2023-09-14 融合物理测量和软测量的热力管线安全智能监测预警方法 Active CN116906839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311182713.XA CN116906839B (zh) 2023-09-14 2023-09-14 融合物理测量和软测量的热力管线安全智能监测预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311182713.XA CN116906839B (zh) 2023-09-14 2023-09-14 融合物理测量和软测量的热力管线安全智能监测预警方法

Publications (2)

Publication Number Publication Date
CN116906839A true CN116906839A (zh) 2023-10-20
CN116906839B CN116906839B (zh) 2023-12-01

Family

ID=88353529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311182713.XA Active CN116906839B (zh) 2023-09-14 2023-09-14 融合物理测量和软测量的热力管线安全智能监测预警方法

Country Status (1)

Country Link
CN (1) CN116906839B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206258226U (zh) * 2016-12-20 2017-06-16 清华大学合肥公共安全研究院 一种基于热水介质的热力管线泄漏监测系统
WO2017214729A1 (en) * 2016-06-16 2017-12-21 Hifi Engineering Inc. Method of estimating flowrate in a pipeline
US20180365555A1 (en) * 2016-12-22 2018-12-20 Naveed Aslam Artificial intelligence based algorithm for predicting pipeline leak and corrosion detection
CN113139353A (zh) * 2021-05-11 2021-07-20 东北大学 蒸汽管网动态计算及在线监测预警分析方法
CN113761727A (zh) * 2021-08-23 2021-12-07 中国人民解放军海军工程大学 一种含分布式电热泵的热电联合系统优化调度模型构建方法
CN115127036A (zh) * 2022-09-01 2022-09-30 北京云庐科技有限公司 一种市政燃气管网漏损定位方法及系统
CN115264406A (zh) * 2022-08-01 2022-11-01 中国石油大学(华东) 一种深度学习融合物理信息的管道泄漏监测系统
CN115656439A (zh) * 2022-11-03 2023-01-31 太原理工大学 一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法
JP7230155B1 (ja) * 2021-11-16 2023-02-28 株式会社エヌ・ティ・ティ・データCcs 情報処理装置、制御システム、情報処理方法、及びプログラム

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017214729A1 (en) * 2016-06-16 2017-12-21 Hifi Engineering Inc. Method of estimating flowrate in a pipeline
CN206258226U (zh) * 2016-12-20 2017-06-16 清华大学合肥公共安全研究院 一种基于热水介质的热力管线泄漏监测系统
US20180365555A1 (en) * 2016-12-22 2018-12-20 Naveed Aslam Artificial intelligence based algorithm for predicting pipeline leak and corrosion detection
CN113139353A (zh) * 2021-05-11 2021-07-20 东北大学 蒸汽管网动态计算及在线监测预警分析方法
CN113761727A (zh) * 2021-08-23 2021-12-07 中国人民解放军海军工程大学 一种含分布式电热泵的热电联合系统优化调度模型构建方法
JP7230155B1 (ja) * 2021-11-16 2023-02-28 株式会社エヌ・ティ・ティ・データCcs 情報処理装置、制御システム、情報処理方法、及びプログラム
CN115264406A (zh) * 2022-08-01 2022-11-01 中国石油大学(华东) 一种深度学习融合物理信息的管道泄漏监测系统
CN115127036A (zh) * 2022-09-01 2022-09-30 北京云庐科技有限公司 一种市政燃气管网漏损定位方法及系统
CN115656439A (zh) * 2022-11-03 2023-01-31 太原理工大学 一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法

Also Published As

Publication number Publication date
CN116906839B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
US10387590B2 (en) Techniques for iterative reduction of uncertainty in water distribution networks
US20210216852A1 (en) Leak detection with artificial intelligence
EP1984860B1 (en) Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators
US20080082470A1 (en) Infrastructure health monitoring and analysis
Vrachimis et al. Leakage detection and localization in water distribution systems: A model invalidation approach
Abdulla et al. Pipeline leak detection using artificial neural network: Experimental study
Jiang et al. Model correction and updating of a stochastic degradation model for failure prognostics of miter gates
Dawood et al. Soft computing for modeling pipeline risk index under uncertainty
Kutyłowska Prediction of failure frequency of water-pipe network in the selected city
Garðarsson et al. Graph-based learning for leak detection and localisation in water distribution networks
CN117540329B (zh) 基于机器学习的排水管网缺陷在线预警方法及系统
Rajabi et al. Leak detection and localization in water distribution networks using conditional deep convolutional generative adversarial networks
CN117072891B (zh) 一种无异常样本下的输氢管网实时智能泄漏监测定位方法
Garzón et al. Machine learning-based surrogate modelling for Urban Water Networks: Review and future research directions
Fan et al. Two-level diagnosis of heating pipe network leakage based on deep belief network
Zheng et al. Physics-informed deep Monte Carlo quantile regression method for interval multilevel Bayesian Network-based satellite circuit board reliability analysis
CN116906839B (zh) 融合物理测量和软测量的热力管线安全智能监测预警方法
Mollaiy-Berneti Determination of minimum miscibility pressure in CO2-IOR projects with the aid of hybrid neuro-fuzzy system
CN117034808A (zh) 一种基于图注意力网络的天然气管网压力估计方法
Dawood et al. Watermain's failure index modeling via Monte Carlo simulation and fuzzy inference system
Ganji-Azad et al. Reservoir fluid PVT properties modeling using adaptive neuro-fuzzy inference systems
Ahmed et al. Assessing the impact of borehole field data on AI-based deep learning models for heating and cooling prediction
US20220196512A1 (en) Detection of a leakage in a supply grid
Hu et al. Negative pressure wave-based method for abnormal signal location in energy transportation system
Zhou et al. Multi-fault diagnosis of district heating system based on PCA_BP neural network

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