CN117132103A - 基于天然气管道风险预警及数据采集方法、计算机设备 - Google Patents
基于天然气管道风险预警及数据采集方法、计算机设备 Download PDFInfo
- Publication number
- CN117132103A CN117132103A CN202310034785.3A CN202310034785A CN117132103A CN 117132103 A CN117132103 A CN 117132103A CN 202310034785 A CN202310034785 A CN 202310034785A CN 117132103 A CN117132103 A CN 117132103A
- Authority
- CN
- China
- Prior art keywords
- natural gas
- gas pipeline
- risk
- early warning
- 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.)
- Pending
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 438
- 239000003345 natural gas Substances 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims description 28
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000005236 sound signal Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/06—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
-
- 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
-
- 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
- G08B21/185—Electrical failure alarms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Emergency Management (AREA)
- Primary Health Care (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Pipeline Systems (AREA)
Abstract
本申请提供了基于天然气管道风险预警及数据采集方法、计算机设备,运用于天然气管道风险预警技术领域,其方法包括:通过时间戳获取天然气管道数据,所述天然气管道数据包括天然气输送量和天然气送达量;将所述天然气输送量进行电力载波处理,得到与所述天然气输送量对应的二进制编码数据;判断所述天然气输送量是否大于或等于预定的天然气风险阈值,若是,则调用二进制编码数据,并将所述二进制编码数据进行向量化,得到风险预警向量;将所述风险预警向量和天然气送达量导入至预设的风险点定位神经网络中,得到天然气管道的天然气泄漏具体定位;实现对天然气管道的数据实时的获取并监测到风险数据时可以精准的定位。
Description
技术领域
本申请涉及天然气管道风险预警技术领域,特别涉及基于天然气管道风险预警技术及采集方法、计算机设备。
背景技术
随着我国经济快速发展和能源结构优化调整,天然气作为一种高效清洁能源,需求日益增加,天然气管输行业快速发展。天然气管道是指将天然气(包括油田生产的伴生气)从开采地或处理厂输送到城市配气中心或工业企业用户的管道,又称输气管道,利用天然气管道输送天然气,是陆地上大量输送天然气的方式,在世界管道总长中,天然气管道约占一半。面对快速增长的天然气新建管道公里数,现有的对天然气管道风险预测存在以下问题:
(1)原有的天然气场站管理支线的数量逐渐增加,消耗了更多的人工时间和成本;
(2)天然气场站对天然气管道监测时间不够全面,会导致对天然气管道的风险监测数据造成遗漏;
(3)在监测到天然气管道风险后不能精确的定位其天然气管道的具体位置,由此给天然气管道平稳运行带来巨大的挑战。
为解决上述问题,最优的一种方案是通过时间戳来获取天然气管道的数据,建立风险预警向量,同时还需要预设天然气管道风险点定位神经网络,基于此:
参考专利申请号CN202011064340.2-一种湿天然气管道内腐蚀高风险段识别方法,及其相关专利如:CN202111401274.8-一种天然气运输管道泄露的预测方法及其应用;获取运输管道的原始数据集与监测点集;对所述原始数据集进行处理,得到降维数据集;将所述降维数据集输入至预测模型中,得到所述监测点集的预测概率集;根据所述监测点集构建管道模型,将所述预测概率集填充至所述管道模型内,得到所述管道模型内网格区域的单位矩形的泄露概率;判断所述网格区域的单位矩形的泄露概率是否小于一个预设阈值。
此现有技术优化了对天然气管道监测的定点定位处理,但从其方案针对的来说,对运输管道的数据监测并不是全时间段的,存在遗漏的缺陷,且对原始数据进行处理得到降维数据集的步骤中会丢失高维空间的信息,也就是会对天然气管道的原始数据中存在风险的信息会丢失,这样就会造成没有监测到天然气管道的风险数据。因此,如何实现对天然气管道的数据实时的获取并监测到风险数据时可以精准的定位,从而解决天然气管道监测时间不够全面、不能精确的定位其天然气管道的具体位置的问题是目前天然气管道风险预警技术及采集所迫切需要的。
发明内容
本申请的目的是提供基于天然气管道风险预警技术及采集方法、计算机设备,旨在解决在获取天然气管道的时间范围存在遗漏、监测天然气管道风险的定位不够精准,导致天然气管道发生泄漏,以及无法预防意想不到的风险问题的问题。
为实现上述目的,本申请提供如下技术方案:
本申请提供基于天然气管道风险预警技术及采集方法包括:
通过时间戳获取天然气管道数据,所述天然气管道数据包括天然气输送量和天然气送达量;
将所述天然气输送量进行电力载波处理,使所述电力载波嵌入到天然气管道中,利用电力线作为载波通信媒介,实时查询各个天然气管道输送量,远程的控制输送量的开关,可与天然气收费系统连为一体,根据天然气的峰谷时段进行输送量的分段处理得到与所述天然气输送量对应的二进制编码数据;
判断所述天然气输送量是否大于或等于预定的天然气风险阈值,若是,则调用二进制编码数据,并将所述二进制编码数据进行向量化,得到风险预警向量,具体为:
其中,和/>分别表示第i个天然气管道的二进制编码为0和1的向量,m为输送量转化为二进制编码的最大值,D为天然气管道的数量;
将所述风险预警向量和天然气送达量导入至预设的风险点定位神经网络中,得到天然气管道的天然气泄漏具体定位;
对天然气管道进行实时在线智能远程监控技术,遇到紧急情况对天然气管道阀门远程开关控制,并将所述天然管道数据进行监控时可以输出视频信号传输至显示控制服务器,并输出音频信号传输至报警服务器,由所述显示控制服务器控制智慧显示平台的输出画面。
进一步的,所述预设的风险点定位神经网络中包括:对所述风险预警向量和天然气送达量的数据进行纠偏处理,生成训练序列样本,进行模型训练,基于最小二乘法曲线拟合原理,对已知数据离散点上的数据集生成风险传播模型,用训练序列样本和风险传播模型根据神经网络定位算法,对天然气管道位置进行风险匹配,精确定位所述天然气管道的天然气泄漏的位置经纬度。
进一步的,所述纠偏处理为将所述风险预警向量和天然气送达量的数据进行风险危害分析,并确定关键的确定点,再生成所述训练序列样本,所述最小二乘法曲线拟合原理是通过最小化误差的平方和寻找所述风险预警向量和天然气送达量的数据的最佳函数匹配。
进一步的,所述判断所述天然气输送量是否大于或等于预定的天然气风险阈值的步骤中还包括风险动态分析:
可靠性分析,通过对关键因素的输入参数进行±10%的调整,观察整个系统的风险评估波动是否正常;
结构重要读分析,使用概率的异变比Rov进行重要度分析,利用每个叶节点的先验概率和后验概率计算Rov;
预测性分析,利用DBN进行时间序列上的基本事件以及失效后果概率预测。
进一步的,结构重要度分析时,在模型运行中,先验概率越大的事件表示其发生频率越高,Rov越高的事件对管道破坏事故的贡献度越大,其公式为:
其中,为叶节点i的后验概率,φBE(Xi)是叶节点i的先验概率。
进一步的,所述神经网络定位算法为:设(x,y)为天然气管道的位置,(Xi,Yi)为第i个天然气管道Ri的泄漏位置R1,Ri1表示天然气管道Ri和泄漏位置R1的距离差,则:
线性化可得:
其中XN=Xi-X1,YN=Yi-Y1;i=2,3,...,N,N为天然气管道泄漏的数目。
进一步的,所述输出画面包括:将所述输出画面分割成m*n的子画面,每个子画面可以切换为任意一个监控的画面。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述的基于天然气管道风险预警技术及采集方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于天然气管道风险预警技术及采集方法的步骤。
本申请提供了基于天然气管道风险预警技术及采集方法、计算机设备,具有以下有益效果:
(1)利用时间戳来获取天然气管道的数据,以防出现对某一时间段的数据丢失,将电力线作为载波通信媒介,通过载波方式将模拟或数字信号进行高速传输,节约了时间和成本,不需要重新搭建网络,利用电力线就可以进行数据传递,可以远程的控制天然气管道输送量的开关,并根据天然气的峰谷变化时段对应分段处理输送量;
(2)在判断天然气输送量大于或等于预定的天然气风险阈值,对其天然气输送量进行二进制编码,二进制编码可以对天然气输送量简化表示,有利于对数据的处理和提高运算速度,因为每位数据只有高低两个状态,因此具有抗干扰能力强的特点,当受到一定程度的干扰时,仍能可靠的分辨;
(3)本申请还运用在线智能远程监控技术以得到天然气管道的视频信号和音频信号,其音频信号可以输出报警控制器,遇到紧急情况可以对天然气管道阀门远程开关的控制,在视频信号中,由智慧显示平台输出画面,该画面可以进行分割,便于对远程监控时了解的更加全面。
附图说明
图1为本申请一实施例的基于天然气管道风险预警技术及采集方法的流程示意图;
图2为本申请一实施例的计算机设备的结构示意框图。
本申请为目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参考附图1,为本申请提出的基于天然气管道风险预警技术及采集方法的流程示意图;
本申请所提供的基于天然气管道风险预警技术及采集方法,步骤包括:
S1:通过时间戳获取天然气管道数据,天然气管道数据包括天然气输送量和天然气送达量;
该步骤中,时间戳可信时间的源头可以使用以下的一种或多种方法获得:a.使用一种无线接收装置;b.使用时间同步协议从一个指定网络地址获得时间;c.使用通过国家权威时间部门认证的硬件获得时间;天然气输送量和天然气送达量为每家用户或小区的数据,获取天然气管道数据之后会保存到数据库中,以便随时可以调出某天然气管道的输送量和送达量,利用时间戳对天然气管道数据的获取不会产生遗漏,造成管道泄露等风险,且可以实时的了解每个时间段天然气管道的数据。
S2:将天然气输送量进行电力载波处理,使电力载波嵌入到天然气管道中,利用电力线作为载波通信媒介,实时查询各个天然气管道输送量,远程的控制输送量的开关,可与天然气收费系统连为一体,根据天然气的峰谷时段进行输送量的分段处理得到与天然气输送量对应的二进制编码数据;
在该步骤中,电力载波可以嵌入到天然气管道中,利用电力线作为载波通信媒介,通过载波方式将模拟或数字信号进行高速传输,节约了时间和成本,不需要重新搭建网络,利用电力线就可以进行数据传递,可以远程的控制天然气管道输送量的开关,并根据天然气的峰谷变化时段对应分段处理输送量,再转换成对应的二进制编码数据,二进制编码可以对天然气输送量简化表示,且运算规则简单,有利于对数据的处理,提高运算速度,因为每位数据只有高低两个状态,具有抗干扰能力强的特点,当受到一定程度的干扰时,仍能可靠的分辨。
S3:判断天然气输送量是否大于或等于预定的天然气风险阈值,若是,则调用二进制编码数据,并将二进制编码数据进行向量化,得到风险预警向量,具体为:
其中,和/>分别表示第i个天然气管道的二进制编码为0和1的向量,m为输送量转化为二进制编码的最大值,D为天然气管道的数量;
S3步骤中还包括风险动态分析:可靠性分析,当开发新模型时需要确保其有一定的鲁棒性,通过改变模型的输入参数,使得输出在适当范围内变化的方法来验证,通过对关键因素的输入参数进行10%的调整,观察整个系统的风险评估波动是否正常;结构重要读分析,使用概率的异变比Rov进行重要度分析,利用每个叶节点的先验概率和后验概率计算Rov;预测性分析,根据当前数据信息情况结合历史数据得到最有可能发生的失效后果和导致失效发生的最可能基本事件,并且当有新的数据作为输入进系统之后,能够实时概率更新,确保分析预测结果的时效性。其中结构重要度分析时,在模型运行中,先验概率越大的事件表示其发生频率越高,Rov越高的事件对管道破坏事故的贡献度越大,其公式为:
其中,为叶节点i的后验概率,φBE(Xi)是叶节点i的先验概率。
S4:将风险预警向量和天然气送达量导入至预设的风险点定位神经网络中,得到天然气管道的天然气泄漏具体定位,预设的风险点定位神经网络中包括:对风险预警向量和天然气送达量的数据进行纠偏处理,生成训练序列样本,进行模型训练,基于最小二乘法曲线拟合原理,对已知数据离散点上的数据集生成风险传播模型,用训练序列样本和风险传播模型根据神经网络定位算法,对天然气管道位置进行风险匹配,精确定位天然气管道的天然气泄漏的位置经纬度;纠偏处理为将风险预警向量和天然气送达量的数据进行风险危害分析,并确定关键的确定点,再生成所述训练序列样本,最小二乘法曲线拟合原理是通过最小化误差的平方和寻找所述风险预警向量和天然气送达量的数据的最佳函数匹配。
神经网络定位算法为:设(x,y)为天然气管道的位置,(Xi,Yi)为第i个天然气管道Ri的泄漏位置R1,Ri1表示天然气管道Ri和泄漏位置R1的距离差,则:
线性化可得:
其中XN=Xi-X1,YN=Yi-Y1;i=2,3,...,N,N为天然气管道泄漏的数目;
在一实施例中,例如:天然气管道的位置Ri为(10,6),第二个天然气管道的位置Ri的泄露位置R1为(7,2),第一个天然气管道的位置Ri的泄露位置R1为(2,0),Ri和泄漏位置R1的距离差Ri1的计算结果为:
因此,Ri1的计算结果出的距离差为
在另一实施例中,基于最小二乘法曲线拟合原理,对已知数据离散点上的数据集生成风险传播模型包括:最小二乘法是用最简的方法求得一些绝对不可知的真值,而令误差平方之和为最小,当预测的变量是离散的,我们称其为分类,如果预测的变量是连续的,我们称其为回归,在回归分析中,如果只包括一个自变量和一个因变量,且二者的关系可用一条直线近似表示,这种回归分析称为一元线性回归分析,回归分析法是根据对因变量与一个或多个自变量的统计分析,建立因变量和自变量的关系,最简单的情况就是一元回归分析,一般式为:Y=α+βX式中Y是因变量,X是自变量,α和β是回归系数,用这个式子来预测天然气管道的风险数据。
S5:对天然气管道进行实时在线智能远程监控技术,遇到紧急情况对天然气管道阀门远程开关控制,并将天然管道数据进行监控时可以输出视频信号传输至显示控制服务器,并输出音频信号传输至报警服务器,由显示控制服务器控制智慧显示平台的输出画面,将输出画面分割成m*n的子画面,每个子画面可以切换为任意一个监控的画面;
在该步骤中,运用在线智能远程监控技术可以得到天然气管道的视频信号和音频信号,其音频信号可以输出报警控制器,遇到紧急情况可以对天然气管道阀门远程开关的控制,在视频信号中,由智慧显示平台输出画面,该画面可以进行分割,便于对远程监控时了解的更加全面。
参照图2,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图2所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储天然气输送量对应的二进制编码数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于天然气管道风险预警技术及采集方法。
本领域技术人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种基于天然气管道风险预警技术及采集方法的步骤,具体为:
通过时间戳获取天然气管道数据,天然气管道数据包括天然气输送量和天然气送达量;
将天然气输送量进行电力载波处理,使电力载波嵌入到天然气管道中,利用电力线作为载波通信媒介,实时查询各个天然气管道输送量,远程的控制输送量的开关,可与天然气收费系统连为一体,根据天然气的峰谷时段进行输送量的分段处理得到与天然气输送量对应的二进制编码数据;
判断天然气输送量是否大于或等于预定的天然气风险阈值,若是,则调用二进制编码数据,并将二进制编码数据进行向量化,得到风险预警向量;
将风险预警向量和天然气送达量导入至预设的风险点定位神经网络中,得到天然气管道的天然气泄漏具体定位,预设的风险点定位神经网络中包括:对风险预警向量和天然气送达量的数据进行纠偏处理,生成训练序列样本,进行模型训练,基于最小二乘法曲线拟合原理,对已知数据离散点上的数据集生成风险传播模型,用训练序列样本和风险传播模型根据神经网络定位算法,对天然气管道位置进行风险匹配,精确定位天然气管道的天然气泄漏的位置经纬度。
综上所述,本申请通过时间戳获取天然气管道数据,对天然气输送量进行电力载波处理,二进制编码数据进行向量化,预设的风险点定位神经网络,在线智能远程监控技术,解决了在获取天然气管道的时间范围存在遗漏、监测天然气管道风险的定位不够精准,导致天然气管道发生泄漏,以及无法预防意想不到的风险问题的问题。本申请提出的基于天然气管道风险预警技术及采集方法绕过了传统的人工检测和采集的方式,减少了天然气场站管理支线的数量,通过也避免了采用降维处理的方式,减少了成本,实现对天然气管道数据的实时采集和风险预测的效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本申请的专利保护范围内。
尽管已经示出和描述了本申请的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本申请的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本申请的范围由所附权利要求及其等同物限定。
Claims (9)
1.基于天然气管道风险预警技术及采集方法,其特征在于,包括:
通过时间戳获取天然气管道数据,所述天然气管道数据包括天然气输送量和天然气送达量;
将所述天然气输送量进行电力载波处理,使所述电力载波嵌入到天然气管道中,利用电力线作为载波通信媒介,实时查询各个天然气管道输送量,远程的控制输送量的开关,可与天然气收费系统连为一体,根据天然气的峰谷时段进行输送量的分段处理得到与所述天然气输送量对应的二进制编码数据;
判断所述天然气输送量是否大于或等于预定的天然气风险阈值,若是,则调用二进制编码数据,并将所述二进制编码数据进行向量化,得到风险预警向量,具体为:
其中,和/>分别表示第i个天然气管道的二进制编码为0和1的向量,m为输送量转化为二进制编码的最大值,D为天然气管道的数量;
将所述风险预警向量和天然气送达量导入至预设的风险点定位神经网络中,得到天然气管道的天然气泄漏具体定位;
对天然气管道进行实时在线智能远程监控技术,遇到紧急情况对天然气管道阀门远程开关控制,并将所述天然管道数据进行监控时可以输出视频信号传输至显示控制服务器,并输出音频信号传输至报警服务器,由所述显示控制服务器控制智慧显示平台的输出画面。
2.根据权利要求1所述的基于天然气管道风险预警技术及采集方法,其特征在于,所述预设的风险点定位神经网络中包括:对所述风险预警向量和天然气送达量的数据进行纠偏处理,生成训练序列样本,进行模型训练,基于最小二乘法曲线拟合原理,对已知数据离散点上的数据集生成风险传播模型,用训练序列样本和风险传播模型根据神经网络定位算法,对天然气管道位置进行风险匹配,精确定位所述天然气管道的天然气泄漏的位置经纬度。
3.根据权利要求2所述的基于天然气管道风险预警技术及采集方法,其特征在于,所述纠偏处理为将所述风险预警向量和天然气送达量的数据进行风险危害分析,并确定关键的确定点,再生成所述训练序列样本,所述最小二乘法曲线拟合原理是通过最小化误差的平方和寻找所述风险预警向量和天然气送达量的数据的最佳函数匹配。
4.根据权利要求1所述的基于天然气管道风险预警技术及采集方法,其特征在于,所述判断所述天然气输送量是否大于或等于预定的天然气风险阈值的步骤中还包括风险动态分析:
可靠性分析,通过对关键因素的输入参数进行±10%的调整,观察整个系统的风险评估波动是否正常;
结构重要读分析,使用概率的异变比Rov进行重要度分析,利用每个叶节点的先验概率和后验概率计算Rov;
预测性分析,利用DBN进行时间序列上的基本事件以及失效后果概率预测。
5.根据权利要求1所述的基于天然气管道风险预警技术及采集方法,其特征在于,所述结构重要度分析时,在模型运行中,先验概率越大的事件表示其发生频率越高,Rov越高的事件对管道破坏事故的贡献度越大,其公式为:
其中,为叶节点i的后验概率,φBE(Xi)是叶节点i的先验概率。
6.根据权利要求1所述的基于天然气管道风险预警技术及采集方法,其特征在于,所述神经网络定位算法为:设(x,y)为天然气管道的位置,(Xi,Yi)为第i个天然气管道Ri的泄漏位置R1,Ri1表示天然气管道Ri和泄漏位置R1的距离差,则:
线性化可得:
其中XN=Xi-X1,YN=Yi-Y1;i=2,3,...,N,N为天然气管道泄漏的数目。
7.根据权利要求1所述的基于天然气管道风险预警技术及采集方法,其特征在于,所述输出画面包括:将所述输出画面分割成m*n的子画面,每个子画面可以切换为任意一个监控的画面。
8.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于天然气管道风险预警技术及采集方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于天然气管道风险预警技术及采集方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310034785.3A CN117132103A (zh) | 2023-01-10 | 2023-01-10 | 基于天然气管道风险预警及数据采集方法、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310034785.3A CN117132103A (zh) | 2023-01-10 | 2023-01-10 | 基于天然气管道风险预警及数据采集方法、计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117132103A true CN117132103A (zh) | 2023-11-28 |
Family
ID=88849680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310034785.3A Pending CN117132103A (zh) | 2023-01-10 | 2023-01-10 | 基于天然气管道风险预警及数据采集方法、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132103A (zh) |
-
2023
- 2023-01-10 CN CN202310034785.3A patent/CN117132103A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11842301B1 (en) | Methods for monitoring distributed energy storage safety and internet of things systems thereof | |
DeStefano et al. | Method for estimating transition probability in bridge deterioration models | |
CN113944888B (zh) | 燃气管道泄漏检测方法、装置、设备和存储介质 | |
CN112365029B (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 | |
CN115358432A (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 | |
CN115796408A (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 | |
CN115614678B (zh) | 智慧燃气管道电化学腐蚀评估方法和物联网系统、介质 | |
CN108549955B (zh) | 一种充电桩异常率确定方法及装置 | |
CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网系统 | |
CN105785086A (zh) | 一种计量设备监造方法及系统 | |
US11830091B2 (en) | Methods for production line electricity management based on an industrial internet of things, systems and storage mediums thereof | |
CN116070771A (zh) | 智慧燃气管道运输性能确定方法和物联网系统 | |
US20240036563A1 (en) | Method and system for determining maintenance time of pipe networks of natural gas | |
Gocheva-Ilieva et al. | Assaying SARIMA and generalised regularised regression for particulate matter PM10 modelling and forecasting | |
CN117132103A (zh) | 基于天然气管道风险预警及数据采集方法、计算机设备 | |
CN116882290A (zh) | 基于时空图卷积神经网络的管网压力预测方法和系统 | |
CN109389330B (zh) | 配电网基建工程造价分析方法、装置、计算机设备和存储介质 | |
CN111473777A (zh) | 一种水文用监测系统及方法 | |
CN114399113A (zh) | 一种天然气管网管理方法和系统 | |
CN109213119A (zh) | 基于在线学习的复杂工业关键部件故障预测方法及系统 | |
CN114077933B (zh) | 蒸汽在线监测数据实时传输系统及方法 | |
CN111271608A (zh) | 一种压缩空气系统泄漏管理系统及方法 | |
CN111966966A (zh) | 一种传感器测量误差模型参数可行域分析方法及系统 | |
CN117174197B (zh) | 基于动态有监督机器学习的臭氧污染风险预报方法 | |
CN117114369B (zh) | 智慧燃气应急供气处置方法、物联网系统、装置及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |