CN117669381A - 融合动态仿真和实时监测的长输供热管线安全运行方法 - Google Patents

Abstract

本发明公开了一种融合动态仿真和实时监测的长输供热管线安全运行方法，包括：建立长输供热管线动态仿真模型；优先对长输供热管线的可操作设备进行动作预演，同时启动仿真模型对每一动作后的管线运行状态信息进行预测，并记录作为对应的动作结果预测值；对管线现场的可操作设备进行动作执行，再获取每一动作执行后的管线实际运行状态信息，并记录作为对应的动作结果实测值；将实测值和预测值进行比较，若偏差在预设阈值内，则运行正常；否则运行异常；针对运行异常现象，通过结合管线运行数据分析偏差，判断是否为未知的非监测动作引起的异常，若是，则建立异常诊断机制，获得未知的非监测动作并进行异常处理后，恢复长输供热管线安全运行。

Description

融合动态仿真和实时监测的长输供热管线安全运行方法

技术领域

本发明属于长输供热管线安全运行技术领域，具体涉及一种融合动态仿真和实时监测的长输供热管线安全运行方法。

背景技术

长输供热管线特指输送距离超过20公里并在管线中间设置有中继泵站或隔压站的热力系统，长输供热管线的供热面积通常在1500万平方米以上，长输管线的公称直径一般大于等于DN1200。长输供热管线长、高差大、流速快，需多级加压，因此在长输供热管线的首站、中继泵站、隔压站中通常设置有多级循环水泵和多个阀门，用于对长输管线的流量进行调节，以及在各个站、关键节点和管段处设置有温度、压力、流量等测量装置，用于监测长输供热管线运行数据，分析长输供热管线的运行状态。

由于长输供热管线的规模不断扩大，结构越来越复杂，一旦某个管线发生异常风险，将严重影响整个长输全网的安全运行，因此如何保障长输供热管线的安全运行是十分重要的问题。然而，在长输供热管线的运行调度过程中，需要对循环水泵、阀门等可操作设备进行调节，满足热量、流量的需求，但是在对循环水泵、阀门的调节动作后，有可能会导致管线运行状态异常，或者管线自身发生泄漏、堵塞故障、管线上其他运行设备故障也会造成管线运行状态异常，因此如何判断设备动作后管线运行是否异常，以及快速判断出异常动作、异常原因是目前急需解决的问题。

基于上述技术问题，需要设计一种融合动态仿真和实时监测的长输供热管线安全运行方法。

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，提供一种融合动态仿真和实时监测的长输供热管线安全运行方法，能够通过建立长输供热管线动态仿真模型，首先通过管线可操作设备的动作预演，进行动态仿真后对每一动作后的管线运行状态信息进行预测，获得动作结果预测值，相当于对人为已知可监测的所有设备动作进行预测分析，保证每一步动作和动作预演后的结果是被记录可知的，当在实际长输供热管线中进行设备动作时，获取每一动作执行后的动作结果实测值，再与动作结果预测值进行比较，判断长输供热管线运行是否异常，实现由动作预测值和动作实测值进行长输管线运行是否异常的综合评判，能够快速识别可监测动作后管线异常状态，以及能够建立异常诊断机制，判断是由可监测的动作引起异常还是不可监测的未知动作引起的异常，最后再综合分析判断异常原因，获知非监测的未知动作具体类型或者是管线、其他运行设备异常故障原因，快速进行异常处理，恢复长输供热管线的高安全运行，提升长输供热管线运行的安全性。

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动态仿真和实时监测的长输供热管线安全运行方法，包括：

S1、依据长输供热管线的组成结构和动态特性数据，建立长输供热管线动态仿真模型，并进行模型校核验证；

S2、在对可操作设备进行实际动作之前，优先对长输供热管线的可操作设备进行动作预演，同时启动长输供热管线动态仿真模型对每一动作后的长输供热管线运行状态信息进行预测，并记录作为对应的动作结果预测值保存在仿真数据库中；

S3、在进行动作预演和动作结果预测之后，对长输供热管线现场的可操作设备进行动作执行，再获取每一动作执行后的长输供热管线实际运行状态信息，并记录作为对应的动作结果实测值；

S4、将每一动作的动作结果实测值和仿真数据库中相应的动作结果预测值进行比较，若偏差在预设阈值内，则表明长输供热管线运行正常；若偏差不在预设阈值内，则表明长输供热管线运行异常；

S5、针对长输供热管线运行异常现象，通过结合管线运行数据分析偏差，判断是否为未知的非监测动作引起的异常，若是，则通过建立异常诊断机制，诊断获得未知的非监测动作并进行异常处理后，恢复长输供热管线安全运行。

进一步，所述S1中，依据长输供热管线的组成结构和动态特性数据，建立长输供热管线动态仿真模型，并进行模型校核验证，包括：

在进行仿真建模长输供热管线模型之前，分析长输供热管线物理模型，对长输供热管线涉及的部件进行分类、编号和明确管线拓扑结构；

进行长输供热管线各部件的连接，确定长输供热管线的部件参数，完成部件参数的设定，并结合水力和热力特性方程建立长输供热管线模型搭建；所述固定参数包括各管线的直径、长度、材料、局部阻力系数、沿程阻力系数、保温层材料和各级水泵性能曲线设置、换热器参数设置、流量调节阀参数设置、各管线流量与压降参数设置；

获取长输供热管线的运行参数，并驱动长输供热管线模型，建立长输供热管线的动态仿真模型；所述运行参数包括温度、压力和流量；

利用长输供热管线动态仿真模型进行仿真，获得长输供热管线的仿真结果，将仿真结果与实时采集的长输供热管线真实数据进行对比，选取相对误差以验证仿真结果的准确性，若验证不准确，则不断调试纠正以获得正确的动态仿真模型。

进一步，所述S2中，对长输供热管线的可操作设备进行动作预演，同时启动长输供热管线动态仿真模型对每一动作后的长输供热管线运行状态信息进行预测，并记录作为对应的动作结果预测值保存在仿真数据库中，包括：

对长输供热管线中的阀门进行开启、关停、开度调节动作预演和对循环水泵进行开启、关停、频率调节动作预演；其中，所述长输供热管线中包括首站、中继泵站和隔压站，且各个站中均设置有多个循环水泵，每个循环水泵前后和管线节点、管段处设置有压力、流量、温度测量装置，以及每个循环水泵入口、出口处设置有阀门；

在进行每一动作预演的同时启动长输供热管线动态仿真模型对每一动作后的长输供热管线各个站、节点、管段的运行状态信息进行预测，包括各个站进出口、节点、管段的压力、流量、温度信息，作为动作预演后的动作结果预测值；

将预演的每一个动作和动作预演后的动作结果预测值进行记录，并保存在仿真数据库中。

进一步，所述S3中，对长输供热管线现场的可操作设备进行动作执行，再获取每一动作执行后的长输供热管线实际运行状态信息，并记录作为对应的动作结果实测值，包括：

对长输供热管线现场的阀门、循环水泵进行动作执行，通过设置的压力、流量、温度测量装置获取每一动作执行后的长输供热管线各个站、节点、管段的压力实测值、流量实测值、温度实测值，作为动作实际执行后的动作结果实测值；

将实际执行的每一个动作和动作实际执行后的动作结果实测值进行记录。

进一步，所述S4中，将每一动作的动作结果实测值和仿真数据库中相应的动作结果预测值进行比较，若偏差在预设阈值内，则表明长输供热管线运行正常；若偏差不在预设阈值内，则表明长输供热管线运行异常，包括：

将每一动作的动作结果实测值和仿真数据库中相应的动作结果预测值进行比较，判断动作结果实测值和动作结果预测值的参数变化趋势是否一致，计算两者之间的偏差是否在允许的偏差阈值范围内；所述偏差阈值根据长输供热管线的各个动作属性由操作人员依据设定规则进行设置；

若偏差在阈值的允许范围内，则表明长输供热管线运行正常；若偏差不在阈值的允许范围内并且参数变化趋势不同，则发出风险预警，表明长输供热管线运行异常。

进一步，所述S5中，针对长输供热管线运行异常现象，通过结合管线运行数据分析偏差，判断是否为未知的非监测动作引起的异常，若是，则通过建立异常诊断机制，诊断获得未知的非监测动作并进行异常处理后，恢复长输供热管线安全运行，包括：

针对长输供热管线运行异常现象，以异常时间点为起点进行异常逆向推理，通过对异常前各时间段的管线各个站、各节点、管段的测点运行数据、设备动作状态和仿真数据进行偏差分析，判断偏差是否由记录的已知监测动作执行产生的，如果监测的动作变量中不会产生该异常现象，则判断出该异常现象由未知的非监测动作引起；

针对未知的非监测动作引起的异常现象，通过各时间段的管线各个站、各节点、管段的实际运行数据和仿真数据的变化趋势进行对比分析，初步确认存在数据偏差的长输管线区域位置，再综合分析该长输管线区域位置内是否存在未知的非监测的可操作设备动作、管线发生故障和设备故障，最终决策诊断获得未知的非监测动作，并进行异常处理后，恢复长输供热管线安全运行。

进一步，所述综合分析该长输管线区域位置内是否存在未知的非监测的可操作设备动作、管线发生故障和设备故障，最终决策诊断获得未知的非监测动作，包括：

基于故障树分析法建立未知的非监测的可操作设备动作异常故障树、管线异常故障树、设备异常故障树；所述未知的非监测的可操作设备动作异常故障树包括分析非监测的循环水泵、阀门是否动作、动作后的管线运行状态、是否引起管线运行异常、故障参数、参数表现，以非监测的可操作设备为一级事件，以设备动作行为为二级事件，逐步向下挖掘动作行为引起的故障参数、参数表现；所述管线异常故障树包括管线泄漏、管线堵塞、管线超压三种异常故障，以管线异常为故障树的一级事件，以管线泄漏、管线堵塞和管线超压为二级事件，逐步向下挖掘引起各二级事件的原因，直至各事件不能被继续挖掘为止；其中，管线泄漏包括管线腐蚀、管线断裂和管线缺陷，管线堵塞为管道杂质堵塞，管线超压为管线压力过高；所述设备异常故障树包括测量装置异常故障和运行设备异常故障一级事件，故障参数二级事件和参数表现三级事件；

分析不同异常故障原因引起的故障参数模式变化情况，包括参数趋势上升、趋势下降、正常模式、向上阶跃模式和向下阶跃模式，挖掘不同异常故障的特征参数；

获取管线异常历史和仿真样本数据，将不同异常故障的特征参数进行机器学习算法网络训练后，建立异常诊断模型，获得管线异常原因，即诊断获得未知的非监测动作为非监测的可操作设备类型、管线故障类型和设备故障类型。

进一步，所述未知的非监测的可操作设备动作异常故障、管线异常故障、设备异常故障采用多个平行的机器学习算法网络建立长输供热管线多异常故障诊断模型；其中，按照异常故障类型设置机器学习算法网络的个数，对训练数据根据实际故障发生情况进行编码，再将训练数据以及每个故障对应的编码输入到各自的机器学习算法网络中进行训练，获得可以诊断长输管线运行过程中每个故障的机器学习算法网络。

进一步，所述机器学习算法网络包括BPNN神经网络 、SVM神经网络、BP神经网络和LSTM神经网络。

进一步，若长输管线新增一类异常故障，则只需单独增加一个针对于新异常故障的机器学习算法网络即可，不同异常故障诊断模型之间相互工作独立。

本发明的有益效果是：

本发明通过依据长输供热管线的组成结构和动态特性数据，建立长输供热管线动态仿真模型，并进行模型校核验证；在对可操作设备进行实际动作之前，优先对长输供热管线的可操作设备进行动作预演，同时启动长输供热管线动态仿真模型对每一动作后的长输供热管线运行状态信息进行预测，并记录作为对应的动作结果预测值保存在仿真数据库中；在进行动作预演和动作结果预测之后，对长输供热管线现场的可操作设备进行动作执行，再获取每一动作执行后的长输供热管线实际运行状态信息，并记录作为对应的动作结果实测值；将每一动作的动作结果实测值和仿真数据库中相应的动作结果预测值进行比较，若偏差在预设阈值内，则表明长输供热管线运行正常；若偏差不在预设阈值内，则表明长输供热管线运行异常；针对长输供热管线运行异常现象，通过结合管线运行数据分析偏差，判断是否为未知的非监测动作引起的异常，若是，则通过建立异常诊断机制，诊断获得未知的非监测动作并进行异常处理后，恢复长输供热管线安全运行；本发明能够通过建立长输供热管线动态仿真模型，首先通过管线可操作设备的动作预演，进行动态仿真后对每一动作后的管线运行状态信息进行预测，获得动作结果预测值，相当于对人为已知可监测的所有设备动作进行预测分析，保证每一步动作和动作预演后的结果是被记录可知的，当在实际长输供热管线中进行设备动作时，获取每一动作执行后的动作结果实测值，再与动作结果预测值进行比较，判断长输供热管线运行是否异常，实现由动作预测值和动作实测值进行长输管线运行是否异常的综合评判，能够快速识别可监测动作后管线异常状态，以及能够建立异常诊断机制，判断是由可监测的动作引起异常还是不可监测的未知动作引起的异常，最后再综合分析判断异常原因，获知非监测的未知动作具体类型或者是管线、其他运行设备异常故障原因，快速进行异常处理，恢复长输供热管线的高安全运行，提升长输供热管线运行的安全性。

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为本发明一种融合动态仿真和实时监测的长输供热管线安全运行方法流程图；

图2为本发明融合动态仿真和实时监测的长输供热管线安全运行原理示意图。

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1

图1是本发明所涉及的一种融合动态仿真和实时监测的长输供热管线安全运行方法流程图。

图2是本发明所涉及的融合动态仿真和实时监测的长输供热管线安全运行原理示意图。

如图1、2所示，本实施例1提供了一种融合动态仿真和实时监测的长输供热管线安全运行方法，包括：

S1、依据长输供热管线的组成结构和动态特性数据，建立长输供热管线动态仿真模型，并进行模型校核验证；

S2、在对可操作设备进行实际动作之前，优先对长输供热管线的可操作设备进行动作预演，同时启动长输供热管线动态仿真模型对每一动作后的长输供热管线运行状态信息进行预测，并记录作为对应的动作结果预测值保存在仿真数据库中；

S3、在进行动作预演和动作结果预测之后，对长输供热管线现场的可操作设备进行动作执行，再获取每一动作执行后的长输供热管线实际运行状态信息，并记录作为对应的动作结果实测值；

S4、将每一动作的动作结果实测值和仿真数据库中相应的动作结果预测值进行比较，若偏差在预设阈值内，则表明长输供热管线运行正常；若偏差不在预设阈值内，则表明长输供热管线运行异常；

S5、针对长输供热管线运行异常现象，通过结合管线运行数据分析偏差，判断是否为未知的非监测动作引起的异常，若是，则通过建立异常诊断机制，诊断获得未知的非监测动作并进行异常处理后，恢复长输供热管线安全运行。

需要说明的是，如图2所示，以调节水泵动作为例，长输供热管线依据长输热源调度计划和计划流量，对首站、1#中继站、2#中继站和隔压站的水泵频率、运行状态进行动作，先通过动态仿真模型输出动作结果预测值，再从实际现场获取动作结果实测值，综合分析动作结果预测值和动作结果实测值来判断长输供热管线是否异常，最后进行异常原因的快速诊断，判断是由于水泵动作引起的异常还是其他未知的非监测动作引起的异常，进行异常处理，恢复长输供热管线的安全运行。

在本实施例中，所述S1中，依据长输供热管线的组成结构和动态特性数据，建立长输供热管线动态仿真模型，并进行模型校核验证，包括：

在进行仿真建模长输供热管线模型之前，分析长输供热管线物理模型，对长输供热管线涉及的部件进行分类、编号和明确管线拓扑结构；

进行长输供热管线各部件的连接，确定长输供热管线的部件参数，完成部件参数的设定，并结合水力和热力特性方程建立长输供热管线模型搭建；所述固定参数包括各管线的直径、长度、材料、局部阻力系数、沿程阻力系数、保温层材料和各级水泵性能曲线设置、换热器参数设置、流量调节阀参数设置、各管线流量与压降参数设置；

获取长输供热管线的运行参数，并驱动长输供热管线模型，建立长输供热管线的动态仿真模型；所述运行参数包括温度、压力和流量；

利用长输供热管线动态仿真模型进行仿真，获得长输供热管线的仿真结果，将仿真结果与实时采集的长输供热管线真实数据进行对比，选取相对误差以验证仿真结果的准确性，若验证不准确，则不断调试纠正以获得正确的动态仿真模型。

需要说明的是，长输供热管线动态仿真模型根据动作输入量和其他输入量（热源参数、热负荷等），可以计算在不同工况、不同异常故障情况下，长输供热管线各个站、节点、管段的运行状态信息。

在实际的应用中，在长输供热管线受到异常故障影响下，通过判断动态仿真模型中各个参数的变化趋势是否与实际实验中各个参数的变化趋势一致，来验证仿真模型可以正确地反映长输供热管线中各个参数在异常故障下的变化。可以利用PSO粒子群优化算法对长输供热管线动态仿真模型参数进行不断寻优，直到仿真的误差达到可接受的范围时，计算出的仿真结果便是可以接受的。

在本实施例中，所述S2中，对长输供热管线的可操作设备进行动作预演，同时启动长输供热管线动态仿真模型对每一动作后的长输供热管线运行状态信息进行预测，并记录作为对应的动作结果预测值保存在仿真数据库中，包括：

对长输供热管线中的阀门进行开启、关停、开度调节动作预演和对循环水泵进行开启、关停、频率调节动作预演；其中，所述长输供热管线中包括首站、中继泵站和隔压站，且各个站中均设置有多个循环水泵，每个循环水泵前后和管线节点、管段处设置有压力、流量、温度测量装置，以及每个循环水泵入口、出口处设置有阀门；

在进行每一动作预演的同时启动长输供热管线动态仿真模型对每一动作后的长输供热管线各个站、节点、管段的运行状态信息进行预测，包括各个站进出口、节点、管段的压力、流量、温度信息，作为动作预演后的动作结果预测值；

将预演的每一个动作和动作预演后的动作结果预测值进行记录，并保存在仿真数据库中。

在本实施例中，所述S3中，对长输供热管线现场的可操作设备进行动作执行，再获取每一动作执行后的长输供热管线实际运行状态信息，并记录作为对应的动作结果实测值，包括：

对长输供热管线现场的阀门、循环水泵进行动作执行，通过设置的压力、流量、温度测量装置获取每一动作执行后的长输供热管线各个站、节点、管段的压力实测值、流量实测值、温度实测值，作为动作实际执行后的动作结果实测值；

将实际执行的每一个动作和动作实际执行后的动作结果实测值进行记录。

在本实施例中，所述S4中，将每一动作的动作结果实测值和仿真数据库中相应的动作结果预测值进行比较，若偏差在预设阈值内，则表明长输供热管线运行正常；若偏差不在预设阈值内，则表明长输供热管线运行异常，包括：

将每一动作的动作结果实测值和仿真数据库中相应的动作结果预测值进行比较，判断动作结果实测值和动作结果预测值的参数变化趋势是否一致，计算两者之间的偏差是否在允许的偏差阈值范围内；所述偏差阈值根据长输供热管线的各个动作属性由操作人员依据设定规则进行设置；

若偏差在阈值的允许范围内，则表明长输供热管线运行正常；若偏差不在阈值的允许范围内并且参数变化趋势不同，则发出风险预警，表明长输供热管线运行异常。

在本实施例中，所述S5中，针对长输供热管线运行异常现象，通过结合管线运行数据分析偏差，判断是否为未知的非监测动作引起的异常，若是，则通过建立异常诊断机制，诊断获得未知的非监测动作并进行异常处理后，恢复长输供热管线安全运行，包括：

针对长输供热管线运行异常现象，以异常时间点为起点进行异常逆向推理，通过对异常前各时间段的管线各个站、各节点、管段的测点运行数据、设备动作状态和仿真数据进行偏差分析，判断偏差是否由记录的已知监测动作执行产生的，如果监测的动作变量中不会产生该异常现象，则判断出该异常现象由未知的非监测动作引起；

针对未知的非监测动作引起的异常现象，通过各时间段的管线各个站、各节点、管段的实际运行数据和仿真数据的变化趋势进行对比分析，初步确认存在数据偏差的长输管线区域位置，再综合分析该长输管线区域位置内是否存在未知的非监测的可操作设备动作、管线发生故障和设备故障，最终决策诊断获得未知的非监测动作，并进行异常处理后，恢复长输供热管线安全运行。

在本实施例中，所述综合分析该长输管线区域位置内是否存在未知的非监测的可操作设备动作、管线发生故障和设备故障，最终决策诊断获得未知的非监测动作，包括：

基于故障树分析法建立未知的非监测的可操作设备动作异常故障树、管线异常故障树、设备异常故障树；所述未知的非监测的可操作设备动作异常故障树包括分析非监测的循环水泵、阀门是否动作、动作后的管线运行状态、是否引起管线运行异常、故障参数、参数表现，以非监测的可操作设备为一级事件，以设备动作行为为二级事件，逐步向下挖掘动作行为引起的故障参数、参数表现；所述管线异常故障树包括管线泄漏、管线堵塞、管线超压三种异常故障，以管线异常为故障树的一级事件，以管线泄漏、管线堵塞和管线超压为二级事件，逐步向下挖掘引起各二级事件的原因，直至各事件不能被继续挖掘为止；其中，管线泄漏包括管线腐蚀、管线断裂和管线缺陷，管线堵塞为管道杂质堵塞，管线超压为管线压力过高；所述设备异常故障树包括测量装置异常故障和运行设备异常故障一级事件，故障参数二级事件和参数表现三级事件；

分析不同异常故障原因引起的故障参数模式变化情况，包括参数趋势上升、趋势下降、正常模式、向上阶跃模式和向下阶跃模式，挖掘不同异常故障的特征参数；

获取管线异常历史和仿真样本数据，将不同异常故障的特征参数进行机器学习算法网络训练后，建立异常诊断模型，获得管线异常原因，即诊断获得未知的非监测动作为非监测的可操作设备类型、管线故障类型和设备故障类型。

需要说明的是，故障树分析法是一种多因素图形演绎法，是描述异常故障因果关系的一种有方向的“树”，该方法使用逻辑演绎技术从顶部故障事件开始推导出可能导致整个长输供热管线异常的潜在事件。故障树分析法能够对异常故障产生的原因和逻辑关系进行形象、清晰的构建，能够为复杂的长输供热管线提供安全可靠的分析。

在本实施例中，所述未知的非监测的可操作设备动作异常故障、管线异常故障、设备异常故障采用多个平行的机器学习算法网络建立长输供热管线多异常故障诊断模型；其中，按照异常故障类型设置机器学习算法网络的个数，对训练数据根据实际故障发生情况进行编码，再将训练数据以及每个故障对应的编码输入到各自的机器学习算法网络中进行训练，获得可以诊断长输管线运行过程中每个故障的机器学习算法网络。

需要说明的是，采用多个平行的机器学习算法网络建立长输供热管线多异常故障诊断模型，具备的优点包括：

（1）可以为每个长输供热管线异常故障单独挑选特征量，不再受限于公用的特征量；

（2）当研究的长输供热管线异常故障新增一类时，只需单独增加一个针对于新故障的机器学习算法网络即可，不必像原本的单机器学习算法网络一样，当新增一种故障时还需要重新设计输入输出关系，重新训练整个神经网络；

（3）提出的多个平行的机器学习算法网络异常故障诊断逻辑，对应一个异常故障设置一个异常故障诊断模型，各个异常故障诊断模型之间相互工作独立，理论上具有诊断并发异常故障的能力。

在本实施例中，所述机器学习算法网络包括BPNN神经网络 、SVM神经网络、BP神经网络和LSTM神经网络。

在本实施例中，若长输管线新增一类异常故障，则只需单独增加一个针对于新异常故障的机器学习算法网络即可，不同异常故障诊断模型之间相互工作独立。

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，RandomAccess 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)

1.一种融合动态仿真和实时监测的长输供热管线安全运行方法，其特征在于，包括：

S1、依据长输供热管线的组成结构和动态特性数据，建立长输供热管线动态仿真模型，并进行模型校核验证；

S2、在对可操作设备进行实际动作之前，优先对长输供热管线的可操作设备进行动作预演，同时启动长输供热管线动态仿真模型对每一动作后的长输供热管线运行状态信息进行预测，并记录作为对应的动作结果预测值保存在仿真数据库中；

S3、在进行动作预演和动作结果预测之后，对长输供热管线现场的可操作设备进行动作执行，再获取每一动作执行后的长输供热管线实际运行状态信息，并记录作为对应的动作结果实测值；

S4、将每一动作的动作结果实测值和仿真数据库中相应的动作结果预测值进行比较，若偏差在预设阈值内，则表明长输供热管线运行正常；若偏差不在预设阈值内，则表明长输供热管线运行异常；

S5、针对长输供热管线运行异常现象，通过结合管线运行数据分析偏差，判断是否为未知的非监测动作引起的异常，若是，则通过建立异常诊断机制，诊断获得未知的非监测动作并进行异常处理后，恢复长输供热管线安全运行。

2.根据权利要求1所述的长输供热管线安全运行方法，其特征在于，所述S1中，依据长输供热管线的组成结构和动态特性数据，建立长输供热管线动态仿真模型，并进行模型校核验证，包括：

在进行仿真建模长输供热管线模型之前，分析长输供热管线物理模型，对长输供热管线涉及的部件进行分类、编号和明确管线拓扑结构；

进行长输供热管线各部件的连接，确定长输供热管线的部件参数，完成部件参数的设定，并结合水力和热力特性方程建立长输供热管线模型搭建；所述固定参数包括各管线的直径、长度、材料、局部阻力系数、沿程阻力系数、保温层材料和各级水泵性能曲线设置、换热器参数设置、流量调节阀参数设置、各管线流量与压降参数设置；

获取长输供热管线的运行参数，并驱动长输供热管线模型，建立长输供热管线的动态仿真模型；所述运行参数包括温度、压力和流量；

利用长输供热管线动态仿真模型进行仿真，获得长输供热管线的仿真结果，将仿真结果与实时采集的长输供热管线真实数据进行对比，选取相对误差以验证仿真结果的准确性，若验证不准确，则不断调试纠正以获得正确的动态仿真模型。

3.根据权利要求1所述的长输供热管线安全运行方法，其特征在于，所述S2中，对长输供热管线的可操作设备进行动作预演，同时启动长输供热管线动态仿真模型对每一动作后的长输供热管线运行状态信息进行预测，并记录作为对应的动作结果预测值保存在仿真数据库中，包括：

对长输供热管线中的阀门进行开启、关停、开度调节动作预演和对循环水泵进行开启、关停、频率调节动作预演；其中，所述长输供热管线中包括首站、中继泵站和隔压站，且各个站中均设置有多个循环水泵，每个循环水泵前后和管线节点、管段处设置有压力、流量、温度测量装置，以及每个循环水泵入口、出口处设置有阀门；

在进行每一动作预演的同时启动长输供热管线动态仿真模型对每一动作后的长输供热管线各个站、节点、管段的运行状态信息进行预测，包括各个站进出口、节点、管段的压力、流量、温度信息，作为动作预演后的动作结果预测值；

将预演的每一个动作和动作预演后的动作结果预测值进行记录，并保存在仿真数据库中。

4.根据权利要求1所述的长输供热管线安全运行方法，其特征在于，所述S3中，对长输供热管线现场的可操作设备进行动作执行，再获取每一动作执行后的长输供热管线实际运行状态信息，并记录作为对应的动作结果实测值，包括：

对长输供热管线现场的阀门、循环水泵进行动作执行，通过设置的压力、流量、温度测量装置获取每一动作执行后的长输供热管线各个站、节点、管段的压力实测值、流量实测值、温度实测值，作为动作实际执行后的动作结果实测值；

将实际执行的每一个动作和动作实际执行后的动作结果实测值进行记录。

5.根据权利要求1所述的长输供热管线安全运行方法，其特征在于，所述S4中，将每一动作的动作结果实测值和仿真数据库中相应的动作结果预测值进行比较，若偏差在预设阈值内，则表明长输供热管线运行正常；若偏差不在预设阈值内，则表明长输供热管线运行异常，包括：

将每一动作的动作结果实测值和仿真数据库中相应的动作结果预测值进行比较，判断动作结果实测值和动作结果预测值的参数变化趋势是否一致，计算两者之间的偏差是否在允许的偏差阈值范围内；所述偏差阈值根据长输供热管线的各个动作属性由操作人员依据设定规则进行设置；

若偏差在阈值的允许范围内，则表明长输供热管线运行正常；若偏差不在阈值的允许范围内并且参数变化趋势不同，则发出风险预警，表明长输供热管线运行异常。

6.根据权利要求1所述的长输供热管线安全运行方法，其特征在于，所述S5中，针对长输供热管线运行异常现象，通过结合管线运行数据分析偏差，判断是否为未知的非监测动作引起的异常，若是，则通过建立异常诊断机制，诊断获得未知的非监测动作并进行异常处理后，恢复长输供热管线安全运行，包括：

针对长输供热管线运行异常现象，以异常时间点为起点进行异常逆向推理，通过对异常前各时间段的管线各个站、各节点、管段的测点运行数据、设备动作状态和仿真数据进行偏差分析，判断偏差是否由记录的已知监测动作执行产生的，如果监测的动作变量中不会产生该异常现象，则判断出该异常现象由未知的非监测动作引起；

针对未知的非监测动作引起的异常现象，通过各时间段的管线各个站、各节点、管段的实际运行数据和仿真数据的变化趋势进行对比分析，初步确认存在数据偏差的长输管线区域位置，再综合分析该长输管线区域位置内是否存在未知的非监测的可操作设备动作、管线发生故障和设备故障，最终决策诊断获得未知的非监测动作，并进行异常处理后，恢复长输供热管线安全运行。

7.根据权利要求6所述的长输供热管线安全运行方法，其特征在于，所述综合分析该长输管线区域位置内是否存在未知的非监测的可操作设备动作、管线发生故障和设备故障，最终决策诊断获得未知的非监测动作，包括：

基于故障树分析法建立未知的非监测的可操作设备动作异常故障树、管线异常故障树、设备异常故障树；所述未知的非监测的可操作设备动作异常故障树包括分析非监测的循环水泵、阀门是否动作、动作后的管线运行状态、是否引起管线运行异常、故障参数、参数表现，以非监测的可操作设备为一级事件，以设备动作行为为二级事件，逐步向下挖掘动作行为引起的故障参数、参数表现；所述管线异常故障树包括管线泄漏、管线堵塞、管线超压三种异常故障，以管线异常为故障树的一级事件，以管线泄漏、管线堵塞和管线超压为二级事件，逐步向下挖掘引起各二级事件的原因，直至各事件不能被继续挖掘为止；其中，管线泄漏包括管线腐蚀、管线断裂和管线缺陷，管线堵塞为管道杂质堵塞，管线超压为管线压力过高；所述设备异常故障树包括测量装置异常故障和运行设备异常故障一级事件，故障参数二级事件和参数表现三级事件；

分析不同异常故障原因引起的故障参数模式变化情况，包括参数趋势上升、趋势下降、正常模式、向上阶跃模式和向下阶跃模式，挖掘不同异常故障的特征参数；

获取管线异常历史和仿真样本数据，将不同异常故障的特征参数进行机器学习算法网络训练后，建立异常诊断模型，获得管线异常原因，即诊断获得未知的非监测动作为非监测的可操作设备类型、管线故障类型和设备故障类型。

8.根据权利要求7所述的长输供热管线安全运行方法，其特征在于，所述未知的非监测的可操作设备动作异常故障、管线异常故障、设备异常故障采用多个平行的机器学习算法网络建立长输供热管线多异常故障诊断模型；其中，按照异常故障类型设置机器学习算法网络的个数，对训练数据根据实际故障发生情况进行编码，再将训练数据以及每个故障对应的编码输入到各自的机器学习算法网络中进行训练，获得可以诊断长输管线运行过程中每个故障的机器学习算法网络。

9.根据权利要求8所述的长输供热管线安全运行方法，其特征在于，所述机器学习算法网络包括BPNN神经网络 、SVM神经网络、BP神经网络和LSTM神经网络。

10.根据权利要求8所述的长输供热管线安全运行方法，其特征在于，若长输管线新增一类异常故障，则只需单独增加一个针对于新异常故障的机器学习算法网络即可，不同异常故障诊断模型之间相互工作独立。