基于机器学习方法的天然气管网泄漏预警方法与流程

1.本发明属于管道泄漏检测技术领域，具体涉及基于机器学习方法的天然气管网泄漏预警方法。


背景技术：

2.目前现有技术中，长输天然气管道泄漏监控主要通过管道内气压传感器的方式感知管道流量变化，当局部管道发生气体泄漏或者对接的下游负荷发生变化，且对应管道被捕捉到一个明显的压降信号时，需要由运行人员通过管道交接处的气压、压降和流量变化，以及具体管网拓扑结构、流量、流速、气压等多种信息，再结合工程经验进行综合判定管道是否发生泄漏。
3.上述管道泄漏判定方式具有一定的局限性：首先，判定是否发生泄漏取决于传感器数据在工程上的计算结果，由于工程经验迁移性有限，在特殊复杂环境下重新测试建模的成本和复杂度较高，耗时较长，效率低下；其次，这种方法在某些复杂管网中难以使用，需要完全依赖于工程人员的经验，导致排查速度受限、施工成本增大。
4.在事故后续处理中，统计过去的天然气管道安全事故发生时的各项数据，并利用这些数据进行工程经验的迭代更新工程是一个很长的过程，这一更新周期使得经验通常不能快速应用到实践中，导致同一问题反复出现、同一问题在不同场景反复出现，管理者难以找到问题发生的关联性因素。
5.其次，现有大部分基于机器学习算法的天然气故障检测方法采用的是有监督学习的方法。然而，对于稳定运行的天然气管网，出现故障的次数一般较少，这就导致在有监督学习中无法获得足够的异常样本来进行学习。当新传感器加入到传感器网络中时，基于有监督方法的模型无法利用新加入的传感器的信息。
6.此外，现有技术针对的是天然气管网的故障分析，主要目的是在管道出现故障后进行预警，分析故障点与故障原因。但是故障一旦发生，就会带来安全风险和经济损失。
7.因此，设计一种能够自动预警天然气管道泄漏，并建立经验更新模型，利用每一次新的泄漏事件快速更新当前模型以及对天然气管道运行中的小概率事件进行预警的天然气管网泄漏预警方法，就显得十分必要。
8.例如，申请号为cn201910520932.1的中国发明专利所述的管道泄漏的定位方法、装置和设备，所述方法包括：接收动态压力变送器检测并发送的管道首末站两端的实时动态压力信号；对其进行初步分析，以判断是否发生泄漏；当判断为已发生泄漏时，利用多尺度采样原理对异常动态压力信号进行重新分组，以构成多尺度重采样信号数组；利用最大互信息对多尺度重采样信号数组分别进行定位时间差的计算，并得出多个定位时间差的期望值；基于定位时间差的期望值，利用动态压力波法相关的定位公式进一步计算，以精确定位泄漏点。虽然使用了更合理的分析方法来对压力信号数据进行分析，从而能够减少分析误差，提高分析准确度，最终能够提升对泄漏点的定位精度，但是其缺点在于，上述方案针对的是管道泄漏故障的定位分析，主要目的是在管道出现故障后进行定位报警，而无法对
天然气管道运行状态中的小概率事件进行检测，无法对未来可能发生的故障进行预警，一旦故障发生，就会带来安全风险和经济损失。


技术实现要素：

9.本发明是为了克服现有技术中，现有的天然气管道泄漏判定方式具有一定的局限性，无法实现天然气管道泄漏的自动预警以及无法对未来可能发生的故障进行预警的问题，提供了一种能够自动预警天然气管道泄漏，并建立经验更新模型，利用每一次新的泄漏事件快速更新当前模型以及对天然气管道运行中的小概率事件进行预警的基于机器学习方法的天然气管网泄漏预警方法。
10.为了达到上述发明目的，本发明采用以下技术方案：
11.基于机器学习方法的天然气管网泄漏预警方法，包括以下步骤：
12.s1，收集天然气管道正常工作和泄漏时的历史数据指标作为训练集，并根据历史数据指标构建一个包含所有历史数据指标的拓扑结构图；
13.s2，建立故障检测与小概率预警模型以及故障原因分析模型，并根据步骤s1中所述的训练集对所述故障检测与小概率预警模型和故障原因分析模型进行训练；
14.s3，利用步骤s2中训练好的故障检测与小概率预警模型，实时收集天然气管道的工作数据信息并进行推理，判断天然气管网中是否有泄漏发生；
15.s4，当天然气管网被判定为发生泄漏时，利用所述故障原因分析模型进行推理运算，向训练好的故障原因分析模型输入天然气管道实时各项数据指标所构建的拓扑结构图，得到发生泄漏的原因；
16.s5，收集每次天然气管网预警过程中发生的准确判断与错误判断的数据并对应构建正学习样本和负学习样本；保留正学习样本，利用新增保留的正学习样本对所述故障检测与小概率预警模型以及故障原因分析模型进行微调更新，以获取更加准确的模型。
17.作为优选，步骤s1中所述数据指标包括管道拓扑结构、管道流量、管道压降、用户终端流量、管道气压、气体温度、流量及压力偏离量；步骤s1还包括以下步骤：
18.s11，将所述数据指标中的管道拓扑结构量化为一个数值矩阵，所述矩阵中非零值为管道所在位置；
19.s12，将管道流量、管道压降、用户终端流量、管道气压、气体温度、流量及压力偏离量数值作为数组填入对应位置的非零管道区域，以完成构建一个包含所有历史数据指标的拓扑结构图。
20.作为优选，所述故障检测与小概率预警模型包括编码器、解码器和分类器；所述编码器用于将输入的数据编码成隐含分布；所述解码器用于对所述隐含分布进行解码，使解码结果接近原始输入数据；所述分类器用于根据隐含分布输出对应的输入数据样本是处于管道故障状态下产生的概率。
21.作为优选，所述编码器与解码器结构相互对称。
22.作为优选，步骤s2还包括如下步骤：
23.s21，对重构损失函数l
rec
进行优化；所述重构损失函数l
rec
＝|x
rec-x
in
|2，其中x
rec
为重构输入，x
in
为原始输入；
24.s22，对隐含分布损失函数l
kl
进行优化；所述隐含分布损失函数l
kl
表示经验分布
和多元标准正态分布之间的kl距离，所述l
kl
＝kl(p
emp
||p
gauss
)，其中p
emp
为经验分布，而p
gauss
为预计拟合的多元标准正态分布；
25.s23，对分类损失函数函数l
cls
进行优化；使用交叉熵度量的分类损失函数l
cls
＝-∑p
pred
logp
true
，其中p
pred
为预测概率分布，p
true
为真实的概率分布；
26.s24，获得最终需要优化的目标函数l＝αl
rec
βl
kl
γl
cls
，其中，α、β和γ均为手动调节参数。
27.作为优选，步骤s3还包括如下步骤：
28.s31，所述故障检测与小概率预警模型中的编码器输出当前运行状态下的概率密度函数，当所述概率密度小于指定阈值时，所述故障检测与小概率预警模型判断发生了小概率事件，提醒维护人员多加注意；
29.其中，所述小概率事件包括管道发生泄漏和管道下游的气压负荷发生变化。
30.作为优选，所述故障原因分析模型包括第一特征提取层和第二分类层；所述第一特征提取层是以数据维度为输入维度，64为输出维度的全连接层，后接tanh作为激活函数；所述第二分类层是以64为输入维度，2为输出维度的全连接层。
31.作为优选，步骤s5还包括如下步骤：
32.s51，在收集并积累了一批正学习样本后，使用ftrl算法对所述故障检测与小概率预警模型中的编码器和解码器的参数进行更新；
33.s52，使用ftrl算法对所述故障检测与小概率预警模型中的分类器和所述故障原因分析模型的参数进行更新。
34.作为优选，步骤s51和步骤s52中对所述参数进行更新的幅度取决于所述新增正学习样本的数量；所述新增正学习样本的数量越大，更新幅度越大，所述新增正学习样本的数量越小，更新幅度越小。
35.本发明与现有技术相比，有益效果是：(1)本发明相比根据运行人员工程经验的天然气管网泄漏事故事后排查方式，更为提前、快速，并通过以机代人实现实时监测，并提供预警和原因辅助分析功能，而且在不同场景下的适应性更好，并且能够利用对系统中小概率事件的检测来反映管道运行的健康状态；(2)本发明采用无监督学习和有监督学习相结合的模式，能够充分的利用数据，通过采用在线学习的参数更新方法，使得模型更新成本极低，仅需人工收集历史参数以及校对，模型的更迭无需人工设计新的物理模型，只需对对应网络进行增量学习或微调；(3)本发明中涉及的数据模型仅需要运行在计算机设备上，因此无需对管网做任何设备硬件的改动，可灵活加装在已有的管网中，并可快速投入生产使用；(4)本发明对传感器的类型、数量和精度没有特殊的要求，可以利用天然气管网中现有的传感器，无需添加额外的传感器；(5)本发明具有较好的实用性和经济效益及社会效益，市场前景广阔。
附图说明
36.图1为本发明基于机器学习方法的天然气管网泄漏预警方法的一种流程图；
37.图2为本发明中所述故障检测与小概率预警模型的一种结构示意图；
38.图3为本发明中故障告警处理过程的一种流程图。
39.图中：编码器1、解码器2、分类器3。
具体实施方式
40.为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，并获得其他的实施方式。
41.实施例1：
42.如图1所示的基于机器学习方法的天然气管网泄漏预警方法，包括以下步骤：
43.s1，收集天然气管道正常工作和泄漏时的历史数据指标作为训练集，并根据历史数据指标构建一个包含所有历史数据指标的拓扑结构图；
44.s2，建立故障检测与小概率预警模型以及故障原因分析模型，并根据步骤s1中所述的训练集对所述故障检测与小概率预警模型和故障原因分析模型进行训练；
45.s3，利用步骤s2中训练好的故障检测与小概率预警模型，实时收集天然气管道的工作数据信息并进行推理，判断天然气管网中是否有泄漏发生；
46.s4，当天然气管网被判定为发生泄漏时，利用所述故障原因分析模型进行推理运算，向训练好的故障原因分析模型输入天然气管道实时各项数据指标所构建的拓扑结构图，得到发生泄漏的原因；
47.s5，收集每次天然气管网预警过程中发生的准确判断与错误判断的数据并对应构建正学习样本和负学习样本；保留正学习样本，利用新增保留的正学习样本对所述故障检测与小概率预警模型以及故障原因分析模型进行微调更新，以获取更加准确的模型。
48.进一步的，步骤s1中所述数据指标包括管道拓扑结构、管道流量、管道压降、用户终端流量、管道气压、气体温度、流量及压力偏离量；步骤s1还包括以下步骤：
49.s11，将所述数据指标中的管道拓扑结构量化为一个数值矩阵，所述矩阵中非零值为管道所在位置；
50.其中，所述矩阵中0为无管道位置。
51.s12，将管道流量、管道压降、用户终端流量、管道气压、气体温度、流量及压力偏离量数值作为数组填入对应位置的非零管道区域，以完成构建一个包含所有历史数据指标的拓扑结构图。
52.其中，数据指标中管道拓扑结构、管道流量、管道压降、用户终端流量、管道气压、气体温度、气体流量、外部气压、外部温度等由安装在天然气管网系统内的对应传感器所收集的实时数据。所述压力偏离量则通过天然气管网水力仿真模型计算获得。
53.进一步的，如图2所示，所述故障检测与小概率预警模型包括编码器1、解码器2和分类器3；所述编码器用于将输入的数据编码成隐含分布；所述解码器用于对所述隐含分布进行解码，使解码结果接近原始输入数据；所述分类器用于根据隐含分布输出对应的输入数据样本是处于管道故障状态下产生的概率。
54.进一步的，所述编码器与解码器结构相互对称。
55.所述解码器与编码器在结构上具有对称性，包含相同数量的层数与对称的网络层架构。编码器将收集到的实时管道信息编码成紧密有效且服从特定概率分布的隐向量来压缩信息，而解码器以该隐向量为输入来重构编码器的输入以证实编码器的压缩是正确有效的。上述编码解码过程能够恰当完善地将天然气管道正常运行时的实时信息描述出来，以
当发生错误(如天然气泄漏)时编码出的隐向量会与正常的隐向量大有不同。解码器与编码器的具体结构如下：
56.解码器：解码器各层的输入输出维度逐渐下降，其中：
57.第一层为输入维度为数据维度，输出维度为256的全连接层，后接激活函数relu；
58.第二层为输入维度256，输出维度为64的全连接层，后接激活函数relu；
59.第三层为输入维度64，输出维度为16的全连接层，后接激活函数relu；
60.最后一层为输入维度16，输出维度为2的全连接层，并接激活函数tanh。
61.编码器：编码器与解码器的结构相互对称，其中：
62.第一层为输入维度2，输出维度为16的全连接层，后接激活函数relu；
63.第二层为输入维度16，输出维度为64的全连接层，后接激活函数relu；
64.第三层为输入维度64，输出维度为256的全连接层，后接激活函数relu；
65.最后一层是重构层，为输入维度256，输出维度为原始数据维度的全连接层。
66.进一步的，步骤s2还包括如下步骤：
67.s21，对重构损失函数l
rec
进行优化；所述重构损失函数l
rec
＝|x
rec-x
in
|2，其中x
rec
为重构输入，x
in
为原始输入；
68.s22，对隐含分布损失函数l
kl
进行优化；所述隐含分布损失函数l
kl
表示经验分布和多元标准正态分布之间的kl距离，所述l
kl
＝kl(p
emp
||p
gauss
)，其中p
emp
为经验分布，而p
gauss
为预计拟合的多元标准正态分布；
69.s23，对分类损失函数函数l
cls
进行优化；使用交叉熵度量的分类损失函数l
cls
＝-∑p
pred
logp
true
，其中p
pred
为预测概率分布，p
true
为真实的概率分布；
70.s24，获得最终需要优化的目标函数l＝αl
rec
βl
kl
γl
cls
，其中，α、β和γ均为手动调节参数。
71.步骤s21至步骤s24是对模型的学习训练以及对目标参数的优化。所述故障检测与小概率预警模型以及故障原因分析模型模型的算法流程均可以表述如下：
72.输入：
73.天然气管道传感器获得的不同时间的不同数值及相应的正常与否状态；
74.天然气管道异常泄漏时管网中多组传感器的读数与相应的泄漏点位置和泄漏流速；
75.实时的各类传感器数据；
76.损失函数中权重参数。
77.所有模型的对应优化器均采用adamw。
78.进一步的，步骤s3还包括如下步骤：
79.s31，所述故障检测与小概率预警模型中的编码器输出当前运行状态下的概率密度函数，当所述概率密度小于指定阈值时，所述故障检测与小概率预警模型判断发生了小概率事件，提醒维护人员多加注意；
80.其中，所述小概率事件包括管道发生泄漏和管道下游的气压负荷发生变化。
81.在判断采集到的样本是否有潜在危险时，一方面，使用故障检测与小概率预警模型中的分类器判断天然气管网是否发生了故障。训练阶段利用变分自编码器(变分自编码器包括编码器和解码器)对正常状态下的传感器获取数值进行自监督学习，利用重构损失
获取相应模型及隐向量服从的分布；通过将该压缩的向量与相应的正常与否状态作为输入，经过分类器的有监督学习，利用交叉熵损失得到经过训练的二分类器；在测试阶段计算不同样本的预测概率，预测正常结果大于一定数值的样本可视为有问题的样本。另一方面，我们可以计算隐含分布与多元标准正态分布之间的kl散度，当kl散度超过设定好的阈值时即认为发生了小概率事件，提醒维护人员注意。
82.进一步的，所述故障原因分析模型包括第一特征提取层和第二分类层；所述第一特征提取层是以数据维度为输入维度，64为输出维度的全连接层，后接tanh作为激活函数；所述第二分类层是以64为输入维度，2为输出维度的全连接层。
83.天然气管网泄漏事故原因分析方法，是将天然气管道异常泄漏时的管网中多组传感器的读数作为输入数据，将泄漏原因作为预测标签构建事故原因判断数据集。构建一个浅层的二分类网络对现有数据集进行建模与训练，其架构即为故障原因分析模型。通过构建浅层的二分类网络，采用交叉熵作为分类损失函数，可以有效地发现原始数据中不同特征对于异常原因的影响程度。由于管道处于异常状态的数据量较少，因此神经网络深度较浅，训练次数较少，推理判断过程也较短，故而在实际应用过程中可以迅速地得到事故发生的原因。
84.当天然气管网被判定为泄漏状态时，进行模型推理运算，向训练好的故障原因分析模型输入实时各项数据指标所构建的拓扑结构矩阵，最终得到发生泄漏的原因。
85.进一步的，步骤s5还包括如下步骤：
86.s51，在收集并积累了一批正学习样本后，使用ftrl算法对所述故障检测与小概率预警模型中的编码器和解码器的参数进行更新；
87.s52，使用ftrl算法对所述故障检测与小概率预警模型中的分类器和所述故障原因分析模型的参数进行更新。
88.为了能够更好地适应外部情况的变化，在运行时我们采用在线学习算法对模型进行实时更新。一方面，系统实时记录运行状态，在累积了一批数据后使用ftrl算法对变分自编码器的参数进行更新；另一方面，如图3所示，系统实时收集每一次发出预警时的天然气管网实际状态信息：当故障信号产生，检修人员进行现场检查，判断实际是否出现故障，若没有出现故障则登录误报，若确实出现故障，则登录确认后的天然气管网故障信息，将其记录并加入原数据集，处理结束。当系统积累了一批新数据时，使用ftrl算法对分类器和故障原因分析模型的参数进行更新。
89.进一步的，步骤s51和步骤s52中对所述参数进行更新的幅度取决于所述新增正学习样本的数量；所述新增正学习样本的数量越大，更新幅度越大，所述新增正学习样本的数量越小，更新幅度越小。
90.本发明相比根据运行人员工程经验的天然气管网泄漏事故事后排查方式，更为提前、快速，并通过以机代人实现实时监测，并提供预警和原因辅助分析功能，而且在不同场景下的适应性更好，并且能够利用对系统中小概率事件的检测来反映管道运行的健康状态；本发明采用无监督学习和有监督学习相结合的模式，能够充分的利用数据，通过采用在线学习的参数更新方法，使得模型更新成本极低，仅需人工收集历史参数以及校对，模型的更迭无需人工设计新的物理模型，只需对对应网络进行增量学习或微调；本发明中涉及的数据模型仅需要运行在计算机设备上，因此无需对管网做任何设备硬件的改动，可灵活加
装在已有的管网中，并可快速投入生产使用；本发明对传感器的类型、数量和精度没有特殊的要求，可以利用天然气管网中现有的传感器，无需添加额外的传感器；本发明具有较好的实用性和经济效益及社会效益，市场前景广阔。
91.以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。