CN115127036A - 一种市政燃气管网漏损定位方法及系统 - Google Patents
一种市政燃气管网漏损定位方法及系统 Download PDFInfo
- Publication number
- CN115127036A CN115127036A CN202211060851.6A CN202211060851A CN115127036A CN 115127036 A CN115127036 A CN 115127036A CN 202211060851 A CN202211060851 A CN 202211060851A CN 115127036 A CN115127036 A CN 115127036A
- Authority
- CN
- China
- Prior art keywords
- pipe network
- leakage
- gas pipe
- municipal gas
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 35
- 238000003066 decision tree Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 158
- 238000001514 detection method Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000004880 explosion Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 208000034423 Delivery Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
-
- 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
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
一种市政燃气管网漏损定位方法及系统,属于市政燃气管网漏损监测技术领域,其包括步骤建立市政燃气管网系统水力学、热力学模型;通过数值分析方法,利用所述模型获得市政燃气管网各节点流量、压力、温度;采用所述模型模拟漏损位置;确定市政燃气管网漏损预警值,并识别管网新增漏损点;训练人工智能市政燃气管网漏损位置定位模型,并采用所述人工智能市政燃气管网漏损位置定位模型定位市政燃气管网漏损位置;输出计算得到的所述市政燃气管网漏损位置。该方法及系统采用有限个传感器在线监测数据,通过求解管网水力学、热力学方程组并结合人工智能模型,可在较短时间内高效识别复杂管网漏损状态,训练更快速且需求样本量大大减少。
Description
技术领域
本发明属于市政燃气管网漏损监测技术领域,特别涉及一种市政燃气管网漏损定位方法及系统。
背景技术
城市内市政燃气管道发生事故而导致燃气泄漏的频频发生,不仅影响了燃气的正常输送,而且还会造成环境污染,引发火灾、爆炸等,给人民的生命财产安全带来了极大的威胁。2016年-2019年共发生燃气爆炸事故3395起,死亡374人,受伤3754人;纵观所有燃气爆炸事故的发生,80%以上都是因为管道严重腐蚀而穿孔漏气引起的。因此,燃气管道泄漏检测和定位技术的研究有着极为重要的现实意义,并已引起了世界各国的重视。
虽然对管道泄漏检测方法的研究已有几十年的历史,但由于燃气泄漏检测的复杂性,管道所处环境的多样性,以及泄漏形式的多样性,使得目前还没有一种简单可靠、通用的方法来解决燃气管道泄漏检测与定位问题。
人工巡检法是目前国内各城市燃气公司常用的一种泄漏检测方法。由巡线工人手持燃气检漏仪或检漏车定期沿管道敷设路径巡视,通过看、闻、听等多种方式来判断是否有燃气泄漏。由于燃气从地下管道泄漏以后,会因燃气的种类不同、比重不同、周围环境不同而向不同方向冒跑,因此该法检漏和定位的准确度与巡检人员的经验和主观判断关系重大。
质量平衡法,是一种最基本的检测方法。它根据进出口管道流体的流量差来判断管道是否发生泄漏。这种方法简单直观、易于实现,但由于流量测量受流体成分、温度以及压力等参数变化的影响较大,因此测量的准确度比较低,同时该方法需要在管线两端安装高精度的流量计,成本较高,也不能实现泄漏位置的定位。
负压波法是在国内研究较多的一种方法,当管道某处突然发生泄漏时,泄漏处将出现瞬态压力突降,形成一个负压波,该负压波以一定的速度向管道两端传播,根据负压波传播到上下游端压力传感器的时间差和负压波的传播速度就可以确定漏损点的具体位置。目前研究的焦点问题是如何精确确定时间差和对传播速度公式的修正,主要研究方法有相关分析法、小波变换法、时间序列法和基于图像处理的方法等。例如中国专利CN200910070101.5公开了一种基于地理信息(GIS)和数据采集与监控(SCADA)技术的对燃气管网泄漏自动检测和定位的方法:建立燃气管网GIS系统,读取和存储管网图、管网属性数据等;由SCADA系统实时采集每段燃气管道的压力、温度、流量参数;对采集参数与储存数据比较计算;计算管道首末端处测量值和计算参数值之间的偏差,显示出现异常的管道信息;搜索极值点确定压力突变点,根据发生泄漏管段的燃气流量、温度、压力参数,通过泄漏定位公式计算泄漏点位置。其采用的即为小波变换法进行相关分析。但负压波法的缺点是只能检测到大的突发性的泄漏,而对缓慢发生的小泄漏则不适用。
发明内容
本发明的目的在于解决现有技术中城市级复杂拓扑结构市政燃气管网无法精准定位漏损点、大规模人工查漏效率低等问题,提供一种市政燃气管网漏损定位方法及系统;本发明的方法及系统采用数值计算对漏损进行模拟,并采用数值模拟得到的数据对人工智能模型进行训练,对市政燃气管网的漏损进行识别和定位;由于数值模拟计算结果精确,所以人工智能模型的精度也可以得到保证。此外,提供另外一种市政燃气管网漏损定位方法及系统,在市政燃气管网漏损数量较少的情况下采用数值计算对漏损进行识别及定位、在积累了一定数量的漏损数据之后,采用人工智能的方式对漏损进行识别及定位,并且,在训练人工智能模型时,采用真实记录的市政燃气管网漏损数据与数值模拟数据两部分作为训练集,可以保证在真实漏损数据较少时仍有足够数量的样本数据,保证人工智能模型的计算精度;本发明采用数值计算和人工智能两种方式相结合,可以在市政燃气管网运行的各阶段对漏损进行快速、准确的定位。
本发明提供一种市政燃气管网漏损定位方法,其特征在于,包括以下步骤:
步骤S1、建立市政燃气管网系统水力学、热力学模型;通过数值分析方法,获得市政燃气管网各节点流量、压力、温度;
步骤S2、采用步骤S1中所述市政燃气管网系统水力学、热力学模型,模拟漏损位置;
步骤S3、确定市政燃气管网漏损预警值,并识别管网新增漏损点;
步骤S4、训练人工智能市政燃气管网漏损位置定位模型,并采用所述人工智能市政燃气管网漏损位置定位模型定位市政燃气管网漏损位置;
步骤S5、输出计算得到的所述市政燃气管网漏损位置。
本发明提供另外一种市政燃气管网漏损定位方法,其特征在于,包括以下步骤:
步骤S1、建立市政燃气管网系统水力学、热力学模型;通过数值分析方法,获得计算市政燃气管网各节点流量、压力、温度;
步骤S2、采用步骤S1中所述市政燃气管网系统水力学、热力学模型,模拟漏损位置;
步骤S3、确定市政燃气管网漏损预警值,并识别管网新增漏损点;
步骤S4、选择适合的管网漏损定位方式;如果记录的真实漏损事件少于K件,则采用步骤S5的水力学、热力学计算方式定位漏损位置;如果记录的真实漏损事件大于等于K件,则采用步骤S6的人工智能计算方式定位漏损位置;
步骤S5、采用步骤S1中所述市政燃气管网系统水力学、热力学模型,定位市政燃气管网漏损位置;包括步骤:
步骤S501、将新增漏损量依次假定在修正后的市政燃气管网系统水力学、热力学模型中全部管段剖分的计算单元两端节点上,遍历所述水力学、热力学模型模型中的所有计算单元,求得市政燃气管网各节点流量、压力、温度;
步骤S502、将每次节点压力、温度计算值与市政燃气管网内传感器测得的压力、温度实测值进行对比,吻合度最高的当次计算所假定的节点位置作为自动定位的漏损位置。
步骤S6、训练人工智能市政燃气管网漏损位置定位模型,并采用所述人工智能市政燃气管网漏损位置定位模型定位市政燃气管网漏损位置;
步骤S7、输出计算得到的所述市政燃气管网漏损位置。
进一步地,所述步骤S1中,具体包括步骤:
步骤S101、通过读取物理层信息,建立市政燃气管网系统水力学、热力学模型;
步骤S102、在所述市政燃气管网系统模型中求解管网水力学及热力学联立方程组,求得各节点流量、压力、温度。
进一步地,所述步骤S1中,还包括步骤:利用市政燃气管网系统内的传感器监测流量、压力、温度数据,对所述市政燃气管网系统水力学、热力学模型进行修正。
进一步地,所述步骤S3中,对市政燃气管网新增漏损进行识别具体为:
步骤S301、根据市政燃气管网设计情况及实际运行情况,合理确定漏失预警值;
步骤S302、以一定周期,采集市政燃气管网系统内出入口及用户节点处设置的传感器的流量监测数据,计算本次采集值与上次采集值的差异,若该差异大于漏失预警值,即判断出现新增漏损点。
进一步地,所述人工智能市政燃气管网漏损位置定位模型的训练包括如下步骤:
在时间段T内,以一定的采样频率对市政燃气管网传感器监测的流量、压力、温度数据进行采集,得到漏损情况下管网传感器监测的流量、压力、温度实测数据,并记录漏损位置;
随机选出实测的上述漏损位置及步骤S2中获得的所述模拟漏损位置中部分数据作为原始训练集,剩余部分数据作为测试集;
利用所述训练集与测试集,采用深度学习算法,获得人工智能市政燃气管网漏损位置定位模型。
进一步地,所述深度学习算法选择随机森林算法,具体步骤为:
步骤1、对于n个训练集,分别训练n个决策树模型,层数为p;
步骤2、对于单个决策树模型,假设训练样本特征的个数为m,那么每次分裂时根据信息增益比选择最好的特征进行分裂;
步骤3、每棵树依据以上步骤进行分裂,直到该节点的所有训练样例都属于同一类;
步骤4、将生成的多棵决策树组成随机森林,由多棵树预测的均值决定预测漏损位置;
步骤5、采用所述测试集中的数据对所述模型进行测试,将预测漏损位置与已知漏损位置做对比:
(1)偏差度≤L’(米),即认为测试合格;
(2)若偏差度>L’(米),则增加层数p,重复步骤2-步骤4;
若测试合格,即认为测试合格;
若测试不合格,则将决策树模型层数p与决策树模型层数py进行比较,若p≤py则增加层数p,重复步骤2-步骤4,直至测试合格;若p>py则延长采集时间段T,重复步骤1-4,直至测试合格。
进一步地,将新发现漏损点的位置反馈至训练集或测试集,使得人工智能模型随着样本数据量的增长自动提升精度和适应新数据。
本发明提供一种市政燃气管网漏损定位系统,包括:感知系统,数据传输系统,以及漏损定位系统;
所述感知系统为市政燃气管网系统内设置的压力传感器、流量传感器、温度传感器,用于对市政燃气管网网出入口、用户节点及重点非用户节点等处的压力、流量、温度进行实时监测;
所述数据传输系统用于将所述感知系统测得的压力、流量、温度数据传输到所述漏损定位系统;
所述漏损定位系统包括:
数据存储模块,用于存储所述感知系统中测得的压力、流量、温度数据,漏损位置数据;
数值仿真模块,用于构建市政燃气管网水力学、热力学模型,并通过数值分析方法求得市政燃气管网各节点流量、压力、温度值;
漏损识别模块,用于利用所述感知系统中获得的市政燃气管网流量、压力、温度数据,确定市政燃气管网的漏损预警值,并依据所述漏损预警值及市政燃气管网系统内出入口及用户节点处实时流量监测数据,实现新增漏损点识别;
漏损位置人工智能定位模块,利用所述感知系统测得的压力、流量、温度数据、市政燃气管网历史漏损位置数据,以及由所述数值仿真模块获得的模拟漏损位置数据,其中随机选取部分数据作为训练集,其余部分的数据作为测试集,训练人工智能模型,获得人工智能市政燃气管网漏损位置定位模型,并采用所述人工智能市政燃气管网漏损位置定位模型确定市政燃气管网漏损位置;
漏损位置输出模块,输出市政燃气管网漏损位置。
进一步地,还包括模型校正模块,用于利用所述感知系统中获得的市政燃气管网流量及压力、温度数据,对所述市政燃气管网系统水力学、热力学模型进行实时校正。
进一步地,还包括:漏损点定位方法选择模块,用于依据记录的真实漏损事件数量,选择采用漏损位置数值定位模块或漏损位置人工智能定位模块进行漏损点定位;
漏损位置数值定位模块,用于采用数值仿真模块中的模型,并采用数值分析方法定位市政燃气管网漏损位置。
本发明提供的市政燃气管网漏损定位方法及系统实现了市政燃气管网漏损自动定位及压力自动调节。该方法及系统具有如下有益效果:
1.可在线自动定位漏损位置,加速市政燃气管网漏损的抢修,降低漏损导致的安全风险和经济损失;
2.采用有限个传感器在线监测数据,通过求解管网水力学、热力学方程组并结合随机森林模型训练,可在较短时间内高效识别复杂管网漏损状态,相较于其它对漏损样本数据进行人工智能训练更快速且需求样本量大大减少;
3.适合各种拓扑结构(环状网、枝状网)及各种规模的管网,可适应管网不断扩展,用气布局、节点流量不断变化的发展现状;
4.随着持续应用和数据的不断积累,系统可进行自我学习,提升漏损识别准确率及漏损定位精度,增强抗干扰能力;
5.极大的节省日常运维巡检人员工作量,降低运维成本,提高日常巡检工作效率;
6.可以和运维部门进行协同作业,及时发现潜在威胁,有效防止爆管等安全事故的发生,为城市市政燃气突发事件应急预案提供快速可靠的科学依据。
附图说明
为了更完整地理解本发明,现在将参考结合附图的以下描述,其中:
图1为本发明实施例一市政燃气管网漏损定位方法流程图;
图2为本发明采用人工智能方法定位市政燃气管网漏损点位置流程图;
图3为本发明实施例二市政燃气管网漏损定位方法流程图;
图4为本发明市政燃气管网漏损定位系统结构示意图;
图5为本发明市政燃气管网漏损定位系统传感器布置图。
具体实施方式
为说明清楚本发明的目的、技术细节及有效应用,使之便于本领域普通技术人员理解与实施,下面将结合本发明实施例及附图作进一步的详细阐述。显然,此处描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种市政燃气管网漏损定位方法,该方法将市政燃气管网物理层、感知层、控制层、数据层、模型层、应用层等各系统相互关联,核心为管网水力学、热力学模型及人工智能模型:管网水力学、热力学模型对管网进行剖分,并采用穷举法对漏损点位置进行假定并计算各节点流量、压力、温度,将每次节点压力、温度计算值与压力、温度实测值进行对比,吻合度最高的当次计算所假定的节点位置即为系统自动定位的漏损点位置;人工智能模型通过一段时间的漏损样本数据采集,利用模型模拟漏损数据和实际漏损数据进行训练,并自动定位漏损点。当漏损事件较少时,以管网水力学、热力学模型为主计算漏损点位置;当漏损事件足够时,以人工智能模型为主计算漏损点位置。该方法利用有限个传感器在线监测数据,可在投入应用的较短时间内高效识别复杂管网漏损状态,相较于其它对漏损样本数据进行人工智能训练更快速且需求样本量大大减少,可自动定位漏损位置,加速市政燃气管网漏损的抢修,降低安全风险和财产损失。
参考说明书附图图1,本发明所述市政燃气管网漏损定位方法主要包括以下步骤:
步骤S1、建立市政燃气管网水力学、热力学模型。
步骤S101、建立市政燃气管网系统水力学、热力学模型;通过读取物理层信息,包括地理信息、管网基础信息(包含管道平面及竖向信息、管径、管材、阀门)、气源、调压站、用户等信息,建立市政燃气管网系统模型。
步骤S102、通过数值分析方法,在市政燃气管网系统模型中求解管网水力学、热力学方程组,求得各节点流量、压力、温度;具体包括:
建立仿真分析的管网系统拓扑结构图,根据用户节点分布情况及漏损点定位精度需求,将全部管段剖分为长度≤L(例如1-10米)米的计算单元管段,
无论是枝状网还是环状网,都遵循能量守恒和质量守恒,基于上述守恒定律进行非线性方程组的求解。
假定计算单元管段中无流量流出,只在管段两端节点有流量流出,则按照下式分别计算所述计算单元管段两端节点(包含用户及非用户)的流量值、压力值、温度值:
其中,M为气体质量流量;T为气体温度;P为气体压力;x为管段不同位置(m);A为管道横截面积;g为重力加速度;θ为管道倾斜角度;D为燃气管道内径;λ为摩擦阻力系数;T 0为管道埋深处土壤温度;
h为燃气焓值,可由下式计算:
其中,m i为混合气体中i组分的质量成分;Ai、Bi、Ci、Di、Ei、Fi为i组分常数;M0为气体的平均分子量。
K为燃气到土壤的总传热系数,可由下式计算:
在管网未漏损时:管网总入口压力值、流量值、温度值已知,管网用户节点流量已知,管网非用户节点流量为0,可根据上述关系式推求各节点压力值、流量值、温度值。
步骤S103、利用市政燃气管网系统内的传感器监测流量、压力、温度数据,对所述市政燃气管网系统有限元模型进行修正。
管网运行一段时间后,由于管道内部污垢累积、管网腐蚀等因素,会造成管道摩阻系数λ、燃气到土壤的总传热系数K的改变,因此,需要对理论摩擦阻力系数λ、燃气到土壤的总传热系数K进行修正,以使管网模型更贴近实际的运行状态,保障模型精度。
所述模型修正的方式如下:
初始建立模型后,在管网未漏损的状态下(低于漏失预警值时),采集市政燃气管网系统内设置的传感器的流量、压力及温度监测数据,将各用户节点对应时间点的压力监测值、温度检测值与该时间点的压力计算值、温度计算值进行对比,根据偏差对各用户节点间管段的进行修正。修正后的λ、K作为后续步骤模型计算采用的λ、K值。
步骤S2、采用步骤S1中所述市政燃气管网水力学、热力学模型,模拟漏损位置。
将计算单元管段某节点假定为漏损节点,并赋以不同的漏损量后,求解管网水力学及热力学方程组,得到漏损状态下监测点节点流量、压力、温度模拟数值,并记录模拟漏损位置。
其中,模拟漏损位置的求解方法为:将假定的漏损量依次假定在全部管段剖分的计算单元两端节点上,进行步骤S102的计算,将每次节点压力、温度计算值与压力、温度实测值进行对比,吻合度最高的当次计算所假定的节点位置作为模拟漏损位置。
步骤S3、确定市政燃气管网漏损预警值,并识别管网新增漏损点。
根据市政燃气管网设计情况(管材、管龄等)及实际运行情况(管线巡查、保养水平),合理确定漏失预警值,一般可取总供气量的5%-6%。
以一定周期(如5分钟一次),采集市政燃气管网系统内出入口及用户节点处设置的传感器的流量监测数据,计算本次采集流量与上次采集流量的差异,若该差异大于漏失预警值,即判断出现新增漏损点。
步骤S4、训练人工智能市政燃气管网漏损位置定位模型,并采用所述人工智能市政燃气管网漏损位置定位模型定位市政燃气管网漏损位置。所述人工智能方法可以采用常用的人工智能计算方法,例如随机森林算法、神经网络等等,以下以随机森林算法为例进行说明,具体流程参见说明书附图图2。
步骤S401、在时间段T内,以一定的采样频率对市政燃气管网传感器监测的流量、压力、温度数据进行采集,得到漏损情况下管网传感器监测的流量、压力、温度实测数据,并记录漏损位置。
步骤S402、使用Bootstraping方法随机选出步骤S401及步骤S2中数据合集的80%作为原始训练集,剩余20%的数据作为测试集。
步骤S403、利用步骤S402中的所述训练集与测试集,采用深度学习算法,获得人工智能市政燃气管网漏损位置定位模型。
以随机森林算法为例,具体方法如下:
步骤4031、对于n个训练集,分别训练n个决策树模型,层数为p。
步骤4032、对于单个决策树模型,假设训练样本特征的个数为m,那么每次分裂时根据信息增益比选择最好的特征进行分裂。
步骤4033、每棵树依据以上步骤进行分裂,直到该节点的所有训练样例都属于同一类。步骤4034、将生成的多棵决策树组成随机森林,由多棵树预测的均值决定预测漏损位置。
步骤4035、采用所述测试集中的数据对所述模型进行测试,将预测漏损位置与已知漏损位置做对比:
(1)偏差度≤L’(米),即认为测试合格;
(2)若偏差度>L’(米),则增加层数p,重复步骤4032-步骤4034。
若测试合格,即认为测试合格;
若测试不合格,则将决策树模型层数p与决策树模型层数py(限定的最高层数)进行比较,若p≤py则增加层数p,重复步骤4032-步骤4034,直至测试合格;若p>py则延长步骤S401中的采集时间段T,重复步骤S401-步骤S403,直至测试合格。
步骤S404、采用测试合格的所述人工智能市政燃气管网漏损位置定位模型确定漏损位置。
步骤S5、输出计算得到的漏损位置。例如,可以展示在市政燃气管网数字孪生模型上,并将漏损具体定位信息发送至运维管理中心,实现漏损的自动识别与定位。
为了提高市政燃气管网的漏损定位精度,可以在步骤S5结束后,进一步将新发现漏损的位置反馈至步骤S401,以增加样本数量,使得人工智能模型随着样本数据量的增长自动提升精度和适应新数据。
可以根据市政燃气管网系统拓扑结构中最不利用户点最低供气压力值Hmin,推求供气区域入口、重要节点及用户处最小压力值,并根据阀门开度与压力损失的关系,输出关联管段阀门、调压站调节建议。例如,一周以上,监测到最不利用户点最低供气压力值连续高于规范取值,即判断系统压力过高,存在调压空间。
此外,考虑到在市政燃气管网运行初期,漏损发生的情况较少,人工智能模型训练时的样本数量较少,可能会导致人工智能模型精度不够高,因此,本发明提出基于力学计算和人工智能的市政燃气管网漏损定位方法,该方法在本发明实施例一的定位方法的基础上,增加了漏损定位方法的选择步骤,以及采用数值方法计算漏损位置的步骤,参考说明书附图图3,具体步骤如下:
步骤S1、建立市政燃气管网系统水力学、热力学模型。
步骤S2、采用步骤S1中所述市政燃气管网系统水力学、热力学模型,模拟漏损位置。
步骤S3、确定市政燃气管网漏损预警值,并识别管网新增漏损点。
以上步骤S1-S3与本发明实施例一中的相应步骤相同,在此不赘述。
步骤S4、选择适合的管网漏损定位方式。
采集管网运行时实时传输的节点流量、压力、温度传感器数据,当步骤S3识别出管网出现新增漏损点后,如果记录的真实漏损事件少于K件,则采用步骤S5的水力学、热力学计算方式定位漏损位置;如果记录的真实漏损事件大于等于K件,则采用步骤S6的人工智能计算方式定位漏损位置。
步骤S5、采用步骤S1中所述市政燃气管网系统水力学、热力学模型,定位市政燃气管网漏损位置。具体步骤如下:
步骤S501、将新增漏损量依次假定在修正后的市政燃气管网系统水力学、热力学模型中全部管段剖分的计算单元两端节点上,遍历所述水力学、热力学模型模型中的所有计算单元,求解方程组,求得市政燃气管网各节点流量、压力、温度;
步骤S502、将每次节点压力、温度计算值与市政燃气管网内传感器测得的压力、温度实测值进行对比,吻合度最高的当次计算所假定的节点位置(如X,Y坐标、所在管段及附近地理信息等)作为自动定位的漏损位置。
步骤S6、训练人工智能市政燃气管网漏损位置定位模型,并采用所述人工智能市政燃气管网漏损位置定位模型定位市政燃气管网漏损位置。
该步骤与本发明实施例一中的步骤S4相同,在此不赘述。
步骤S7、输出计算得到的所述市政燃气管网漏损位置。
本发明提供一种市政燃气管网漏损定位系统,参见说明书附图图4,包括:感知系统100,数据传输系统200,以及漏损定位系统300。
其中,所述感知系统100为市政燃气管网系统内设置的压力传感器、流量传感器、温度传感器,参见说明书附图图5,在区域所有入口、出口、重要节点均安装流量、压力、温度传感器,用于对市政燃气管网出入口、用户节点及重点非用户节点等处的压力、流量、温度进行实时监测。
所述数据传输系统200用于将所述感知系统100测得的压力、流量、温度数据传输到所述漏损定位系统300。其中,所述数据传输系统200的数据传输可以采用本领域常用的无线或有线传输方式;所述数据传输系统200可以包括网线,光纤,路由器等。
所述漏损定位系统300包括:
数据存储模块301,用于存储所述感知系统100中测得的压力、流量、温度数据,漏损位置数据;
数值仿真模块302,用于构建市政燃气管网水力学、热力学模型,并通过数值分析方法求得市政燃气管网各节点流量、压力、温度值;
漏损识别模块303,用于利用所述感知系统100中获得的市政燃气管网流量、压力、温度数据,确定市政燃气管网的漏损预警值,并依据所述漏损预警值及市政燃气管网系统内出入口及用户节点处实时流量监测数据,实现新增漏损点识别;
漏损位置人工智能定位模块304,利用所述感知系统100测得的压力、流量、温度数据、市政燃气管网历史漏损位置数据,以及由所述数值仿真模块302获得的模拟漏损位置数据,其中随机选取80%的数据作为训练集,20%的数据作为测试集,训练人工智能模型,获得人工智能市政燃气管网漏损位置定位模型,并采用所述人工智能市政燃气管网漏损位置定位模型确定市政燃气管网漏损位置;
漏损位置输出模块305,输出市政燃气管网漏损位置。
可选的,所述漏损定位系统300还可以包括:
模型校正模块306,利用所述感知系统100中获得的市政燃气管网流量及压力、温度数据,对所述市政燃气管网系统水力学、热力学模型进行实时校正;
漏损点定位方法选择模块307,用于依据记录的真实漏损事件数量,选择采用漏损位置数值定位模块308或漏损位置人工智能定位模块305进行漏损点定位;
漏损位置数值定位模块308,用于采用数值仿真模块302中的模型,并采用数值分析方法定位市政燃气管网漏损位置。
所述市政燃气管网漏损定位系统可以连接应用模块,将定位系统中获得的原始数据、漏损识别、漏损定位、压力/温度预测等,通过云图等方式显示,实现漏损定位、流量仿真云图、压力仿真云图、温度仿真云图、实时监控、信息集成、运维反馈、更新决策等。
所述市政燃气管网漏损定位系统用以实现本发明的所述市政燃气管网漏损定位方法。
Claims (13)
1.一种市政燃气管网漏损定位方法,其特征在于,包括以下步骤:
步骤S1、建立市政燃气管网系统水力学、热力学模型;通过数值分析方法,获得市政燃气管网各节点流量、压力、温度;
步骤S2、采用步骤S1中所述市政燃气管网系统水力学、热力学模型,模拟漏损位置;
步骤S3、确定市政燃气管网漏损预警值,并识别管网新增漏损点;
步骤S4、训练人工智能市政燃气管网漏损位置定位模型,并采用所述人工智能市政燃气管网漏损位置定位模型定位市政燃气管网漏损位置;
步骤S5、输出计算得到的所述市政燃气管网漏损位置。
2.一种市政燃气管网漏损定位方法,其特征在于,包括以下步骤:
步骤S1、建立市政燃气管网系统水力学、热力学模型;通过数值分析方法,获得计算市政燃气管网各节点流量、压力、温度;
步骤S2、采用步骤S1中所述市政燃气管网系统水力学、热力学模型,模拟漏损位置;
步骤S3、确定市政燃气管网漏损预警值,并识别管网新增漏损点;
步骤S4、选择适合的管网漏损定位方式;如果记录的真实漏损事件少于K件,则采用步骤S5的水力学、热力学计算方式定位漏损位置;如果记录的真实漏损事件大于等于K件,则采用步骤S6的人工智能计算方式定位漏损位置;
步骤S5、采用步骤S1中所述市政燃气管网系统水力学、热力学模型,定位市政燃气管网漏损位置;
步骤S6、训练人工智能市政燃气管网漏损位置定位模型,并采用所述人工智能市政燃气管网漏损位置定位模型定位市政燃气管网漏损位置;
步骤S7、输出计算得到的所述市政燃气管网漏损位置。
3.根据权利要求2所述的方法,其特征在于,所述步骤S5中,包括步骤:
步骤S501、将新增漏损量依次假定在所述市政燃气管网系统水力学、热力学模型中全部管段剖分的计算单元两端节点上,遍历所述水力学、热力学模型模型中的所有计算单元,求得市政燃气管网各节点流量、压力、温度;
步骤S502、将每次节点压力、温度计算值与市政燃气管网内传感器测得的压力、温度实测值进行对比,吻合度最高的当次计算所假定的节点位置作为自动定位的漏损位置。
4.根据权利要求1或2所述的方法,其特征在于,所述步骤S1中,具体包括步骤:
步骤S101、通过读取物理层信息,建立市政燃气管网系统水力学、热力学模型;
步骤S102、在所述市政燃气管网系统模型中求解管网水力学及热力学联立方程组,求得各节点流量、压力、温度。
5.根据权利要求1或2所述的方法,其特征在于,所述步骤S1中,还包括步骤:利用市政燃气管网系统内的传感器监测流量、压力、温度数据,对所述市政燃气管网系统水力学、热力学模型进行修正。
6.根据权利要求1或2所述的方法,其特征在于,所述步骤S3中,对市政燃气管网新增漏损进行识别具体为:
步骤S301、根据市政燃气管网设计情况及实际运行情况,合理确定漏失预警值;
步骤S302、以一定周期,采集市政燃气管网系统内出入口及用户节点处设置的传感器的流量监测数据,计算本次采集值与上次采集值的差异,若该差异大于漏失预警值,即判断出现新增漏损点。
7.根据权利要求1或2所述的方法,其特征在于,所述人工智能市政燃气管网漏损位置定位模型的训练包括如下步骤:
在时间段T内,以一定的采样频率对市政燃气管网传感器监测的流量、压力、温度数据进行采集,得到漏损情况下管网传感器监测的流量、压力、温度实测数据,并记录漏损位置;
随机选出实测的上述漏损位置及步骤S2中获得的所述模拟漏损位置中部分数据作为原始训练集,剩余部分数据作为测试集;
利用所述训练集与测试集,采用深度学习算法,获得人工智能市政燃气管网漏损位置定位模型。
8.根据权利要求7所述的方法,其特征在于,所述深度学习算法选择随机森林算法,具体步骤为:
步骤1、对于n个训练集,分别训练n个决策树模型,层数为p;
步骤2、对于单个决策树模型,假设训练样本特征的个数为m,那么每次分裂时根据信息增益比选择最好的特征进行分裂;
步骤3、每棵树依据以上步骤进行分裂,直到该节点的所有训练样例都属于同一类;
步骤4、将生成的多棵决策树组成随机森林,由多棵树预测的均值决定预测漏损位置;
步骤5、采用所述测试集中的数据对所述模型进行测试,将预测漏损位置与已知漏损位置做对比:
(1)偏差度≤L’(米),即认为测试合格;
(2)若偏差度>L’(米),则增加层数p,重复步骤2-步骤4;
若测试合格,即认为测试合格;
若测试不合格,则将决策树模型层数p与决策树模型层数py进行比较,若p≤py则增加层数p,重复步骤2-步骤4,直至测试合格;若p>py则延长采集时间段T,重复步骤1-4,直至测试合格。
9.根据权利要求7所述的方法,其特征在于,将新发现漏损点的位置反馈至训练集或测试集,使得人工智能模型随着样本数据量的增长自动提升精度和适应新数据。
10.一种市政燃气管网漏损定位系统,包括:感知系统,数据传输系统,以及漏损定位系统;
所述感知系统为市政燃气管网系统内设置的压力传感器、流量传感器、温度传感器,用于对市政燃气管网网出入口、用户节点及重点非用户节点等处的压力、流量、温度进行实时监测;
所述数据传输系统用于将所述感知系统测得的压力、流量、温度数据传输到所述漏损定位系统;
所述漏损定位系统包括:
数据存储模块,用于存储所述感知系统中测得的压力、流量、温度数据,漏损位置数据;
数值仿真模块,用于构建市政燃气管网水力学、热力学模型,并通过数值分析方法求得市政燃气管网各节点流量、压力、温度值;
漏损识别模块,用于利用所述感知系统中获得的市政燃气管网流量、压力、温度数据,确定市政燃气管网的漏损预警值,并依据所述漏损预警值及市政燃气管网系统内出入口及用户节点处实时流量监测数据,实现新增漏损点识别;
漏损位置人工智能定位模块,利用所述感知系统测得的压力、流量、温度数据、市政燃气管网历史漏损位置数据,以及由所述数值仿真模块获得的模拟漏损位置数据,其中随机选取部分数据作为训练集,其余部分的数据作为测试集,训练人工智能模型,获得人工智能市政燃气管网漏损位置定位模型,并采用所述人工智能市政燃气管网漏损位置定位模型确定市政燃气管网漏损位置;
漏损位置输出模块,输出市政燃气管网漏损位置。
11.根据权利要求10所述的系统,其特征在于,还包括模型校正模块,用于利用所述感知系统中获得的市政燃气管网流量及压力、温度数据,对所述市政燃气管网系统水力学、热力学模型进行实时校正。
12.根据权利要求10所述的系统,其特征在于,还包括:
漏损点定位方法选择模块,用于依据记录的真实漏损事件数量,选择采用漏损位置数值定位模块或漏损位置人工智能定位模块进行漏损点定位;
漏损位置数值定位模块,用于采用数值仿真模块中的模型,并采用数值分析方法定位市政燃气管网漏损位置。
13.根据权利要求10-12中任一项所述的系统,其特征在于,所述系统用以实现权利要求1-9中任意一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211060851.6A CN115127036B (zh) | 2022-09-01 | 2022-09-01 | 一种市政燃气管网漏损定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211060851.6A CN115127036B (zh) | 2022-09-01 | 2022-09-01 | 一种市政燃气管网漏损定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115127036A true CN115127036A (zh) | 2022-09-30 |
CN115127036B CN115127036B (zh) | 2022-11-08 |
Family
ID=83387289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211060851.6A Active CN115127036B (zh) | 2022-09-01 | 2022-09-01 | 一种市政燃气管网漏损定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115127036B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116906839A (zh) * | 2023-09-14 | 2023-10-20 | 浙江英集动力科技有限公司 | 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 |
WO2024118809A1 (en) * | 2022-12-01 | 2024-06-06 | Saudi Arabian Oil Company | Pipeline corrosion assessment |
CN118569566A (zh) * | 2024-05-24 | 2024-08-30 | 瓶安用气(杭州)物联网科技有限公司 | 一种基于物联网大数据的燃气损耗预估方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625071A (zh) * | 2009-08-07 | 2010-01-13 | 天津大学 | 燃气管道泄漏检测和定位方法 |
CN107420743A (zh) * | 2017-06-09 | 2017-12-01 | 中国计量大学 | 一种智能城市燃气pe管网测控系统及测控方法 |
WO2018097746A1 (en) * | 2016-11-28 | 2018-05-31 | Siemens Aktiengesellschaft | Method for detecting abnormal state of a fluid supply network based on pressure pattern analysis |
WO2020136475A1 (en) * | 2018-12-27 | 2020-07-02 | Atlas Copco Airpower, Naamloze Vennootschap | Method for detecting leaks in a gas network under pressure or under vacuum and gas network |
CN111520615A (zh) * | 2020-04-28 | 2020-08-11 | 清华大学 | 基于线谱对和三次插值搜索的管网漏损识别与定位方法 |
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 |
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 |
CN114048694A (zh) * | 2021-11-09 | 2022-02-15 | 中船第九设计研究院工程有限公司 | 一种基于物联网和水力模型的漏损定位方法 |
CN114352947A (zh) * | 2021-12-08 | 2022-04-15 | 天翼物联科技有限公司 | 一种燃气管道泄漏检测方法、系统、装置及存储介质 |
-
2022
- 2022-09-01 CN CN202211060851.6A patent/CN115127036B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625071A (zh) * | 2009-08-07 | 2010-01-13 | 天津大学 | 燃气管道泄漏检测和定位方法 |
WO2018097746A1 (en) * | 2016-11-28 | 2018-05-31 | Siemens Aktiengesellschaft | Method for detecting abnormal state of a fluid supply network based on pressure pattern analysis |
CN107420743A (zh) * | 2017-06-09 | 2017-12-01 | 中国计量大学 | 一种智能城市燃气pe管网测控系统及测控方法 |
WO2020136475A1 (en) * | 2018-12-27 | 2020-07-02 | Atlas Copco Airpower, Naamloze Vennootschap | Method for detecting leaks in a gas network under pressure or under vacuum and gas network |
CN111520615A (zh) * | 2020-04-28 | 2020-08-11 | 清华大学 | 基于线谱对和三次插值搜索的管网漏损识别与定位方法 |
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 |
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 |
CN114048694A (zh) * | 2021-11-09 | 2022-02-15 | 中船第九设计研究院工程有限公司 | 一种基于物联网和水力模型的漏损定位方法 |
CN114352947A (zh) * | 2021-12-08 | 2022-04-15 | 天翼物联科技有限公司 | 一种燃气管道泄漏检测方法、系统、装置及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024118809A1 (en) * | 2022-12-01 | 2024-06-06 | Saudi Arabian Oil Company | Pipeline corrosion assessment |
CN116906839A (zh) * | 2023-09-14 | 2023-10-20 | 浙江英集动力科技有限公司 | 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 |
CN116906839B (zh) * | 2023-09-14 | 2023-12-01 | 浙江英集动力科技有限公司 | 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 |
CN118569566A (zh) * | 2024-05-24 | 2024-08-30 | 瓶安用气(杭州)物联网科技有限公司 | 一种基于物联网大数据的燃气损耗预估方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115127036B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115127036B (zh) | 一种市政燃气管网漏损定位方法及系统 | |
CN107420743B (zh) | 一种智能城市燃气pe管网测控系统及测控方法 | |
CN115685787B (zh) | 用于城市燃气管网的建模仿真方法、建模仿真系统和介质 | |
US11959777B2 (en) | Methods and Internet of Things (IoT) systems for safety management of smart gas underground gas pipeline networks | |
CN115127037B (zh) | 一种供水管网漏损定位方法及系统 | |
CN110332465A (zh) | 一种长输天然气管道泄漏监测决策方法和系统 | |
CN111486930B (zh) | 一种天然气能量计量赋值核查方法及系统 | |
CN110245411A (zh) | 一种城镇集中供热系统及泄漏点检测方法 | |
CN113139353A (zh) | 蒸汽管网动态计算及在线监测预警分析方法 | |
WO2023284060A1 (zh) | 一种基于地理三维信息的污水管网流量不确定性分析方法 | |
CN102072409B (zh) | 一种结合漏失概率计算与记录仪监测的管网漏失监测方法 | |
CN105868444A (zh) | 一种基于特征图像的燃气管网泄漏检测和定位方法 | |
CN112884250B (zh) | 一种智慧燃气管理系统及方法 | |
CN105757459B (zh) | 一种瓦斯抽采管网参数监测系统及漏点精确定位方法 | |
CN113074324A (zh) | 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 | |
CN107013812A (zh) | 一种三场耦合管道泄漏监测方法 | |
CN113128709B (zh) | 一种供水管网漏损管理系统 | |
CN100480662C (zh) | 煤气泄漏自动检测方法 | |
CN110516883A (zh) | 一种基于空间计量模型的供水管网区域漏失预测方法 | |
CN115493093A (zh) | 一种基于力学仿真的蒸汽供热管网漏损定位方法及系统 | |
CN115879324B (zh) | 城市燃气多级管网的仿真方法、仿真平台和介质 | |
CN117520989A (zh) | 一种基于机器学习的天然气管道泄漏检测方法 | |
Zhou et al. | Risk index assessment for urban natural gas pipeline leakage based on artificial neural network | |
Hao et al. | An inverse transient nonmetallic pipeline leakage diagnosis method based on markov quantitative judgment | |
Li et al. | A Leak Detection Algorithm for Natural Gas Pipeline Based on Bhattacharyya Distance |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A leakage location method and system for municipal gas pipeline network Granted publication date: 20221108 Pledgee: Shijiazhuang Luquan Rural Commercial Bank Co.,Ltd. Pledgor: BEIJING YUNLU TECHNOLOGY CO.,LTD. Registration number: Y2024980015341 |