基于边缘计算的SAF罐区油气逸散智能预警方法及系统与流程

摘要: 本发明涉及智能预警,具体为基于边缘计算的saf罐区油气逸散智能预警方法及系统。背景技术:1、可持续航空燃料(sustainableaviationfuel,sa...
基于边缘计算的SAF罐区油气逸散智能预警方法及系统与流程

本发明涉及智能预警,具体为基于边缘计算的saf罐区油气逸散智能预警方法及系统。

背景技术:

1、可持续航空燃料(sustainable aviation fuel, saf)作为航空业实现碳中和目标的关键技术路径,近年来在全球范围内获得了快速发展与规模化应用。随着saf产能的持续扩张,大型罐区的建设规模与储存密度不断攀升,罐区安全运行管理面临日益严峻的挑战。saf及其前体组分多为易燃易爆的挥发性有机物,在储罐收发料作业、密封老化、温差变化等工况下易发生无组织逸散,形成潜在的安全隐患与环保风险。当前,罐区油气逸散监测主要依赖两类技术途径:一类是基于固定式气体检测点阵的在线监测系统,通过布设于罐区关键位置的电化学、红外或激光传感器实时采集油气浓度数据;另一类是基于模型估算的逸散量预测方法,利用热力学方程或经验公式推算储罐的蒸发损耗与排放速率。与此同时,物联网、大数据分析与边缘计算等新一代信息技术正在加速向工业安全领域渗透,多源传感器网络与智能预警系统的融合应用已成为罐区安全管理的重要发展方向。

2、然而,现有罐区油气逸散监测与预警技术仍存在若干亟待突破的瓶颈。其一,气体检测点的实测浓度是罐区多点逸散源叠加作用的结果,现有方法普遍缺乏有效的源项分离与贡献度量化手段,难以从混合监测信号中精准辨识各储罐的独立逸散行为,导致异常源定位困难。其二,油气从逸散源传播至检测点存在明确的时间延迟与空间衰减,传统监测方法往往忽视传播过程的动态特性,将检测点浓度直接等同于源端状态,致使预警响应存在时序错位与空间失真。其三,储罐油气逸散受温度、风速等环境因素的显著调制,现有方法对环境因素与逸散行为之间的耦合关系刻画不足,多为静态阈值比对或单一参数趋势判断,难以实现逸散异常与环境波动因素的有效解耦,误报率与漏报率偏高。其四,现有系统多采用“端—云”集中式架构,海量传感数据需全部上传云端进行处理分析,不仅占用了大量网络带宽与云端计算资源,更引入了不可忽视的传输延迟,难以满足罐区安全预警对实时性与低延迟的严苛要求。

技术实现思路

1、本发明的目的在于提供基于边缘计算的saf罐区油气逸散智能预警方法及系统,以解决上述背景技术中提出的问题。

2、为了解决上述技术问题,本发明提供如下技术方案:

3、基于边缘计算的saf罐区油气逸散智能预警方法,本方法包括以下步骤:步骤s1:调取saf灌区内全部储罐的运行数据和saf灌区的环境因素数据;构建历史数据采集周期;步骤s2:分析储罐在历史数据采集时间点之间的参数运行状态变化度;基于储罐在历史数据采集时间点之间的压力数据变化度、油气浓度数据变化度和环境因素数据变化度,计算储罐在历史数据采集时间点之间的综合状态变化指标;步骤s3:计算储罐的油气理论浓度变化量;基于油气理论浓度变化量和油气浓度数据变化度,计算储罐的异常逸散程度值;计算历史数据采集时间点下油气从储罐传播至气体检测点的传播延迟时间;计算储罐至气体检测点的距离衰减系数;步骤s4:基于传播延迟时间和距离衰减系数,计算储罐传播至气体检测点的理论贡献浓度值;基于理论贡献浓度值,计算气体检测点的监测残差;步骤s5:基于监测残差和储罐的异常逸散程度值,构建历史数据采集时间点下saf灌区的逸散风险综合评估指标;预设阈值,分析并进行智能预警。

4、作为本发明所述基于边缘计算的saf罐区油气逸散智能预警方法的一种优选方案,从云平台中调取saf灌区内全部储罐的运行数据和saf灌区的环境因素数据,所述运行数据包括压力数据和油气浓度数据,所述环境因素数据包括温度数据和风速数据;所述压力数据和油气浓度数据分别由布设在储罐内的压力传感器和油气浓度传感器采集得到,所述温度数据和风速数据分别由布设在saf灌区的温度采集传感器和风速采集传感器采集得到;

5、构建历史数据采集周期,记为,其中,表示第t个历史数据采集时间点,t表示历史数据采集时间点总数;将历史数据采集时间点下采集的saf灌区内第i个储罐的压力数据和油气浓度数据进行归一化处理,并分别记为和,将历史数据采集时间点下采集的saf灌区的温度数据和风速数据进行归一化处理,并分别记为和。

6、作为本发明所述基于边缘计算的saf罐区油气逸散智能预警方法的一种优选方案,构建历史数据采集时间点下第i个储罐的数据样本集合,记为,分析第i个储罐在历史数据采集时间点到历史数据采集时间点之间的参数运行状态变化度,具体如下:

7、;

8、其中,、和分别表示saf灌区的第i个储罐在历史数据采集时间点到历史数据采集时间点之间的压力数据变化度、油气浓度数据变化度和环境因素数据变化度,、、和分别表示历史数据采集时间点下采集的saf灌区的第i个储罐的压力数据、油气浓度数据、温度数据和风速数据,和分别表示温度数据和风速数据的环境因素权重;

9、基于saf灌区的第i个储罐在历史数据采集时间点到历史数据采集时间点之间的压力数据变化度、油气浓度数据变化度和环境因素数据变化度,计算saf灌区的第i个储罐在历史数据采集时间点到历史数据采集时间点之间的综合状态变化指标,计算公式如下:

10、;

11、其中,表示saf灌区的第i个储罐在历史数据采集时间点到历史数据采集时间点之间的综合状态变化指标,、和分别表示预设的压力数据变化度、油气浓度数据变化度和环境因素数据变化度的影响因子。

12、作为本发明所述基于边缘计算的saf罐区油气逸散智能预警方法的一种优选方案,计算saf灌区的第i个储罐在历史数据采集时间点下由环境因素导致的油气理论浓度变化量,计算公式如下:

13、;

14、其中,表示saf灌区的第i个储罐在历史数据采集时间点下的油气理论浓度变化量,m表示历史数据采集时间点的索引(从第1个时间点到前一个时间点 t-1),表示预设的时间距离权重,表示常数,表示saf灌区的第i个储罐的环境因素数据变化度,表示saf灌区的第i个储罐的油气浓度数据变化度;

15、基于saf灌区的第i个储罐在历史数据采集时间点下的油气理论浓度变化量和油气浓度数据变化度,计算saf灌区的第i个储罐在历史数据采集时间点下的异常逸散程度值,计算公式为:,其中,表示saf灌区的第i个储罐在历史数据采集时间点下的异常逸散程度值。

16、作为本发明所述基于边缘计算的saf罐区油气逸散智能预警方法的一种优选方案,获取saf灌区内储罐位置和气体检测点位置,将第i个储罐与第j个气体检测点之间的空间距离记为;

17、计算历史数据采集时间点下油气从第i个储罐传播至第j个气体检测点的传播延迟时间,计算公式为:,其中,表示油气从第i个储罐传播至第j个气体检测点的传播延迟时间,表示无风环境下油气基础扩散速度,表示预设的风速影响系数;

18、计算第i个储罐至第j个气体检测点的距离衰减系数,计算公式为:,其中,表示第i个储罐至第j个气体检测点的距离衰减系数,表示预设的衰减因子。

19、作为本发明所述基于边缘计算的saf罐区油气逸散智能预警方法的一种优选方案,基于历史数据采集时间点下油气从第i个储罐传播至第j个气体检测点的传播延迟时间和第i个储罐至第j个气体检测点的距离衰减系数,计算第i个储罐传播至第j个气体检测点的理论贡献浓度值,计算公式如下:

20、;

21、其中,表示第i个储罐传播至第j个气体检测点的理论贡献浓度值,表示预设的第i个储罐的基线油气浓度,表示第i个储罐在历史数据采集时间点到历史数据采集时间点之间的油气浓度数据变化度(当k=0时,即,表示从到的变化度),表示预设的记忆衰减因子,表示预设的历史影响窗口长度,表示预设的时间扩散系数;

22、基于第i个储罐传播至第j个气体检测点的理论贡献浓度值,计算第j个气体检测点的监测残差,计算公式为:,其中,表示第j个气体检测点的监测残差,表示第j个气体检测点在历史数据采集时间点下采集的实际油气浓度监测值,表示第j个气体检测点处由环境背景因素导致的油气浓度基准值,n表示saf灌区内的储罐总数量。

23、作为本发明所述基于边缘计算的saf罐区油气逸散智能预警方法的一种优选方案,基于第j个气体检测点的监测残差和saf灌区的第i个储罐在历史数据采集时间点下的异常逸散程度值,构建历史数据采集时间点下saf灌区的逸散风险综合评估指标,计算公式如下:

24、;

25、其中,表示历史数据采集时间点下saf灌区的逸散风险综合评估指标,表示saf灌区内的气体检测点总数,表示预设的第j个气体检测点的权重系数,表示预设的异常逸散程度放大系数;

26、预设动态预警阈值,所述动态预警阈值根据saf罐区的历史正常运行数据和当前环境条件自适应更新,将历史数据采集时间点下saf灌区的逸散风险综合评估指标与动态预警阈值进行比较:

27、若,则判定历史数据采集时间点下saf罐区处于安全状态,不触发预警,继续执行下一数据采集时间点的监测;

28、若,则判定历史数据采集时间点下saf罐区存在油气逸散风险,由边缘计算节点实时触发预警信号,并将预警信号通过边缘计算节点发送至云端平台和现场运维终端;

29、实时获取每个数据采集时间点下的逸散风险综合评估指标,进行动态实时预警。

30、基于边缘计算的saf罐区油气逸散智能预警系统,本系统包括:数据获取模块、变化指标计算模块、逸散程度值计算与系数计算模块、残差计算模块和分析预警模块;

31、所述数据获取模块:调取saf灌区内全部储罐的运行数据和saf灌区的环境因素数据;构建历史数据采集周期;

32、所述变化指标计算模块:分析储罐在历史数据采集时间点之间的参数运行状态变化度;基于储罐在历史数据采集时间点之间的压力数据变化度、油气浓度数据变化度和环境因素数据变化度,计算储罐在历史数据采集时间点之间的综合状态变化指标;

33、所述逸散程度值计算与系数计算模块:计算储罐的油气理论浓度变化量;基于油气理论浓度变化量和油气浓度数据变化度,计算储罐的异常逸散程度值;计算历史数据采集时间点下油气从储罐传播至气体检测点的传播延迟时间;计算储罐至气体检测点的距离衰减系数;

34、所述残差计算模块:基于传播延迟时间和距离衰减系数,计算储罐传播至气体检测点的理论贡献浓度值;基于理论贡献浓度值,计算气体检测点的监测残差;

35、所述分析预警模块:基于监测残差和储罐的异常逸散程度值,构建历史数据采集时间点下saf灌区的逸散风险综合评估指标;预设阈值,分析并进行智能预警。

36、进一步的,所述逸散程度值计算与系数计算模块包括逸散程度值计算单元和系数计算单元;

37、所述逸散程度值计算单元:计算saf灌区的储罐在历史数据采集时间点下的油气理论浓度变化量;基于saf灌区的储罐在历史数据采集时间点下的油气理论浓度变化量和油气浓度数据变化度,计算saf灌区的储罐在历史数据采集时间点下的异常逸散程度值;

38、所述系数计算单元:获取saf灌区内储罐位置和气体检测点位置;计算历史数据采集时间点下油气从储罐传播至气体检测点的传播延迟时间;计算储罐至气体检测点的距离衰减系数。

39、进一步的,所述残差计算模块包括残差计算单元;

40、所述残差计算单元:基于历史数据采集时间点下油气从储罐传播至气体检测点的传播延迟时间和储罐至气体检测点的距离衰减系数,计算储罐传播至气体检测点的理论贡献浓度值,计算气体检测点的监测残差。

41、与现有技术相比,本发明所达到的有益效果是:本发明提供的基于边缘计算的saf罐区油气逸散智能预警方法及系统,通过构建标准化的边缘端数据采集与归一化体系,为后续实时计算奠定了低延迟、高一致性的数据基础;在此基础上,通过构建压力、油气浓度与环境因素的三维变化度指标及综合状态变化指标,有效刻画储罐运行状态的动态演变规律,为异常识别提供了具有环境解耦能力的多维特征输入;利用历史时序加权回归模型提取环境驱动的理论浓度变化量,并与实际变化度进行差分运算,从而精准剥离出超出环境因素解释范围的异常逸散分量,同时通过引入传播延迟时间与距离衰减系数,建立了逸散源至检测点之间的时空传递函数,为多源信号的空间解耦提供了物理可解释的传播基准;构建融合记忆衰减与时间扩散效应的理论贡献浓度模型,将各储罐的历史变化信息映射至各检测点,再通过实测值与多源叠加估算值之间的残差分析,实现了混合监测信号中各个储罐独立贡献度的有效分离与源项辨识;将监测残差与源端异常逸散程度纳入统一的风险量化框架,结合动态自适应阈值进行综合判定与实时预警触发,并通过边—云协同机制实现预警参数的持续迭代优化。各步骤之间呈现出清晰的因果递进关系——从数据标准化、状态表征、异常解耦与传播建模、多源信号分离到综合评估与闭环进化——共同构成了一套逻辑严密、功能完整的saf罐区油气逸散智能预警技术方案,相较于现有技术在实时性、定位精度、环境适应性及系统可进化性等方面均具有显著的实质性进步。