基于机器学习的天然气站场输配流量异常检测系统及其检测方法与流程

1.本发明属于流量检测技术领域，具体涉及基于机器学习的天然气站场输配流量异常检测系统及其检测方法。


背景技术：

2.目前天然气行业内以站场或用户为单位的对流量的监测，其建模方式主要采用多元函数拟合的方式来实现，且主要用于理论模拟；在实际生产工程上面，主要还是依赖于流量计配套的计算机，仅针对本体故障进行自检并报警，未实现对整个流量工况的有效监测。
3.现有技术上，对于流量异常检测目前有两种主要方法，其一依托于流体数学模型进行计算，其建模方式主要采用多元函数拟合的方式来实现，但是在气体的计量过程中，需要充分考虑组分、管道、流态、压缩因子、流出系数等多个不确定因素，但是由于该模型的参数需求量大、系统迭代次数多、实际参数输入不完整等多种原因导致计算误差较大，一般用于理论计算，无法直接应用于实际生产；其二是基于机器学习的检测方法，主要为有监督的方法和无监督的方法。有监督的分类方法虽然对于一般的问题可以达到较好的预测效果，但在天然气站场输配流量检测方面会由于正负样本数量的不平衡而丧失有效性；无监督的方法可以虽然可以避免这一问题，但却很难达到预期的异常检测效果。
4.基于机器学习的异常检测，由于异常数据稀少导致标记足量的数据集更加困难，使得传统的有监督学习的方法，例如支持向量机、逻辑斯蒂回归等，效果受到影响。这是由于不同标签的数据量之间有着巨大的差异，导致模型在训练过程中学习到的参数过拟合到数据量过大的那个标签数据上，而无法有效学习到相对少量数据所具有的信息。而无监督的异常检测方法，例如oneclasssvm算法、孤立森林算法，对经验和参数的依赖较大，且鲁棒性差。这类算法虽然能够对维度较低的数据进行有效的聚类，但严重依赖于参数的调整与人工经验，导致模型难以被有效训练，且无法适用于不断变化的实际状况。
5.因此，基于固定的站场工艺，设计一种高效的、适用于天然气站场输配流量异常检测系统，就显得十分必要。
6.例如，申请号为cn201410541125.5的中国发明专利所述的一种气体流量计的数据检测方法，将气体流量在管道中的状态分为水平平稳状态和跳变状态，然后分别对水平平稳状态和跳变状态的数据进行处理。虽然能有效识别气体流量计采集的数据中出现的异常数据，当气体流量计采集的数据变化时，能及时跟进并做平滑处理，当气体流量计采集的数据在一个固定的点上下振荡时，能使数据趋于平稳，使经过处理的输出数据稳定性好，灵敏度高，误差小，但是其缺点在于，对于计量失准发生较大偏差，或者因调节阀特性突变(比如阀位反馈故障)、补偿仪表故障(如偏差)等非计量设备问题造成的流量异常，则无法实现有效检测。


技术实现要素：

7.本发明是为了克服现有技术中，天然气站场输配流量，采用传统流量计进行计量的方式，对于非计量设备问题造成的流量异常，无法实现有效检测的问题，提供了一种能够迅速有效地检测异常状况，并根据最新数据进行更新以适应不断变化的实际情况的基于机器学习的天然气站场输配流量异常检测系统及其检测方法。
8.为了达到上述发明目的，本发明采用以下技术方案：
9.基于机器学习的天然气站场输配流量异常检测系统，包括计量区机构和调压区机构；所述计量区机构和调压区机构连接；所述计量区机构包括压力变送器p1、压力变送器p2、流量变送器f1和流量变送器f2，所述压力变送器p1与压力变送器p2并联，所述压力变送器p1与流量变送器f1连接，所述压力变送器p2与流量变送器f2连接；所述调压区机构包括压力调节阀v1、压力调节阀v2、压力变送器p01和压力变送器p02，所述压力变送器p01与压力变送器p02并联，所述压力调节阀v1与压力变送器p01连接，所述压力调节阀v2与压力变送器p02连接。
10.作为优选，所述计量区机构还包括温度变送器t1和温度变送器t2；所述温度变送器t1与流量变送器f1连接；所述温度变送器t2与流量变送器f2连接；所述温度变送器t1和温度变送器t2均分别与压力调节阀v1和压力调节阀v2连接。
11.本发明还提供了基于机器学习的天然气站场输配流量异常检测系统的检测方法，包括以下步骤：
12.s1，将调节支路数量、压力调节阀v1和压力调节阀v2的开度及其阀门特性、压力变送器p1和压力变送器p2检测到的流量计前管道压力值、压力变送器p01和压力变送器p02检测到的压力调节阀后压力值作为输入项，将流量变送器f1和流量变送器f2检测到的流量计工况瞬时体积流量值作为输出项，建立回归模型；
13.s2，将正常状态下的输入项各实时数据作为数据特征以及对应的输出项工况瞬时体积流量值作为训练数据集，并利用步骤s1建立的回归模型，对数据特征进行回归学习，用于拟合实际的流量数值，并实现对回归模型的训练过程；
14.s3，在训练完回归模型后，通过将所述训练数据集中的负样本特征输入回归模型，得到预测的负样本流量值，将所述预测的负样本流量值与真实的负样本流量值进行比较，得到允许的最大阈值,将所述最大阈值作为测试阶段的阈值，并根据阈值判断真实流量数值是否异常；
15.s4，对回归模型实现上线处理，并将回归模型获得的数据持续进行更新，对获取的线上数据，保留所有的新检测到的正样本加入到新设定的微调训练数据集中，并用所述微调训练数据集调整原先的回归模型，以获取更加准确的回归模型。
16.作为优选，步骤s1中所述回归模型以神经网络为基础，且包括第一全连接层、第二全连接层、第三全连接层和第四全连接层；所述第一全连接层的输入维度为所述数据特征的维度，输出维度为128，所述第一全连接层后接relu激活函数；所述第二全连接层的输入维度为128，输出维度为32，所述第二全连接层后接relu激活函数；所述第三全连接层的输入维度为32，输出维度为4，所述第三全连接层后接relu激活函数；所述第四全连接层的输入维度为4，输出维度为1，所述第四全连接层获取最终的输出数值。
17.作为优选，步骤s2中回归模型训练过程中的损失函数为平均平方损失mse，所述平
均平方损失mse的形式表述为mse＝(f
true-f
pred
)2；其中，f
pred
为预测流量值，f
true
为实际流量值。
18.作为优选，步骤s3中所述最大阈值为所述预测的负样本流量值与真实的负样本流量值之间的差值绝对值的平均值。
19.作为优选，步骤s3中所述根据阈值判断真实流量数值是否异常包括如下步骤：
20.s31，在测试阶段，当预测得到的流量数值与真实测得的流量数值的绝对值之差超过了所述阈值，则判断真实测得的流量数值数据为异常状况；当预测得到的流量数值与真实测得的流量数值的绝对值之差没有超过所述阈值，则判断真实测得的流量数值数据为正常状况。
21.作为优选，步骤s4还包括如下步骤：
22.s41，利用获取的线上数据构建新的训练数据集，并将所述新的训练数据集中的负样本全部剔除，并保留所有正样本；
23.s42，利用保留的正样本对回归模型进行微调，并再利用步骤s41中剔除的负样本对计算得到的阈值进行调整，以获取更加准确的回归模型。
24.作为优选，步骤s42中对所述阈值进行调整的幅度取决于所述新的训练数据集与原始训练数据集的大小比例。
25.本发明与现有技术相比，有益效果是：(1)本发明提供了一个流量预测模型，所述预测模型能够作为更复杂的系统下的一个子系统，用于帮助工作人员更好地预测管道流量状态；(2)本发明实现了对输配流量异常的实时监测，减少因计量异常引起的贸易纠纷；(3)本发明节约成本，模型构建速度快，基于本发明中提出的异常检测方法，能够避免多元函数建模的繁琐和高成本的优化过程，又无需标注众多的数据，方便快捷。
附图说明
26.图1为本发明中基于机器学习的天然气站场输配流量异常检测系统的一种工艺示意图；
27.图2为本发明中回归模型的一种架构示意图；
28.图3为本发明中基于机器学习的天然气站场输配流量异常检测系统的检测方法的一种流程图。
29.图中：计量区机构1、调压区机构2、第一全连接层3、第二全连接层4、第三全连接层5、第四全连接层6。
具体实施方式
30.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。
31.实施例1：
32.如图1所示的基于机器学习的天然气站场输配流量异常检测系统，包括计量区机构1和调压区机构2；所述计量区机构和调压区机构连接；所述计量区机构包括压力变送器
p1、压力变送器p2、流量变送器f1和流量变送器f2，所述压力变送器p1与压力变送器p2并联，所述压力变送器p1与流量变送器f1连接，所述压力变送器p2与流量变送器f2连接；所述调压区机构包括压力调节阀v1、压力调节阀v2、压力变送器p01和压力变送器p02，所述压力变送器p01与压力变送器p02并联，所述压力调节阀v1与压力变送器p01连接，所述压力调节阀v2与压力变送器p02连接。
33.其中，如图1所示调节支路数量为两支，所述压力变送器p1、流量变送器f1、压力调节阀v1和压力变送器p01为一支，所述压力变送器p2、流量变送器f2、压力调节阀v2和压力变送器p02为另一支。
34.进一步的，所述计量区机构还包括温度变送器t1和温度变送器t2；所述温度变送器t1与流量变送器f1连接；所述温度变送器t2与流量变送器f2连接；所述温度变送器t1和温度变送器t2均分别与压力调节阀v1和压力调节阀v2连接。所述温度变送器用于检测天然气流量的温度。
35.基于实施例1，如图3所示，本发明还提供了基于机器学习的天然气站场输配流量异常检测系统的检测方法，包括以下步骤：
36.s1，将调节支路数量、压力调节阀v1和压力调节阀v2的开度及其阀门特性、压力变送器p1和压力变送器p2检测到的流量计前管道压力值、压力变送器p01和压力变送器p02检测到的压力调节阀后压力值作为输入项，将流量变送器f1和流量变送器f2检测到的流量计工况瞬时体积流量值作为输出项，建立回归模型；
37.s2，将正常状态下的输入项各实时数据作为数据特征以及对应的输出项工况瞬时体积流量值作为训练数据集，并利用步骤s1建立的回归模型，对数据特征进行回归学习，用于拟合实际的流量数值，并实现对回归模型的训练过程；
38.s3，在训练完回归模型后，通过将所述训练数据集中的负样本特征输入回归模型，得到预测的负样本流量值，将所述预测的负样本流量值与真实的负样本流量值进行比较，得到允许的最大阈值,将所述最大阈值作为测试阶段的阈值，并根据阈值判断真实流量数值是否异常；
39.s4，对回归模型实现上线处理，并将回归模型获得的数据持续进行更新，对获取的线上数据，保留所有的新检测到的正样本加入到新设定的微调训练数据集中，并用所述微调训练数据集调整原先的回归模型，以获取更加准确的回归模型。
40.进一步的，如图2所示，步骤s1中所述回归模型以神经网络为基础，且包括第一全连接层3、第二全连接层4、第三全连接层5和第四全连接层6；所述第一全连接层的输入维度为所述数据特征的维度，输出维度为128，所述第一全连接层后接relu激活函数；所述第二全连接层的输入维度为128，输出维度为32，所述第二全连接层后接relu激活函数；所述第三全连接层的输入维度为32，输出维度为4，所述第三全连接层后接relu激活函数；所述第四全连接层的输入维度为4，输出维度为1，所述第四全连接层获取最终的输出数值。
41.其中，所述第四全连接层不接任何激活函数并得到最终的输出数值。
42.进一步的，步骤s2中回归模型训练过程中的损失函数为平均平方损失mse，所述平均平方损失mse的形式表述为mse＝(f
true-f
pred
)2；其中，f
pred
为预测流量值，f
true
为实际流量值。采用监督学习的回归模型，通过对数据特征进行回归学习，以尽力拟合实际的流量数值。在训练阶段，我们以adamw作为优化器以获取较快且稳定的收敛速度。
43.进一步的，步骤s3中所述最大阈值为所述预测的负样本流量值与真实的负样本流量值之间的差值绝对值的平均值。
44.在判断数据流量是否异常时：一方面通过训练数据中的正常样本，通过mse损失函数训练得到深度回归模型。另一方面借助训练数据中的异常样本，将其输入训练好的回归模型得到预测流量，与真实流量进行比较得到用于测试阶段的阈值。
45.进一步的，步骤s3中所述根据阈值判断真实流量数值是否异常包括如下步骤：
46.s31，在测试阶段，当预测得到的流量数值与真实测得的流量数值的绝对值之差超过了所述阈值，则判断真实测得的流量数值数据为异常状况；当预测得到的流量数值与真实测得的流量数值的绝对值之差没有超过所述阈值，则判断真实测得的流量数值数据为正常状况。
47.进一步的，步骤s4还包括如下步骤：
48.s41，利用获取的线上数据构建新的训练数据集，并将所述新的训练数据集中的负样本全部剔除，并保留所有正样本；
49.s42，利用保留的正样本对回归模型进行微调，并再利用步骤s41中剔除的负样本对计算得到的阈值进行调整，以获取更加准确的回归模型。
50.进一步的，步骤s42中对所述阈值进行调整的幅度取决于所述新的训练数据集与原始训练数据集的大小比例。
51.为了使系统能够更好地适应外部情况的变化，在系统运行时采用在线学习算法对系统进行实时更新。一方面系统实时记录运行状态，在累积了一批数据后利用这部分数据构建新的训练数据集。与之前相同，该数据集中的负样本全部被剔除，在微调回归模型后使用负样本再对计算得到的阈值进行调整。
52.本发明在双计量及调压支路的固定天然气站场工艺以及天然气成本变化较小的两个前提下，采用基于监督学习的参数化机器学习方法设计了一种用于输配流量异常检测的系统。本发明的工作基本原理为：当站场工艺固定时，比如支路管径、支路数量、调节特性、流量特性等，由于同一站场中工艺条件不变，而组分、补偿系数、压缩因子等相关系数的变化不大，实际对于工况流量的影响也较小，因此正常情况下相当于工况体积流量与调节阀阀位、调节阀前后压差、计量前压力三个主要参量之间存在一个非线性对应关系，以此可通过建立模型进行计算，再将计算值与实际测量值进行比对，并设置阈值之后实现监测及报警。
53.本发明提供了一个流量预测模型，所述预测模型能够作为更复杂的系统下的一个子系统，用于帮助工作人员更好地预测管道流量状态；本发明实现了对输配流量异常的实时监测，减少因计量异常引起的贸易纠纷；本发明节约成本，模型构建速度快，基于本发明中提出的异常检测方法，能够避免多元函数建模的繁琐和高成本的优化过程，又无需标注众多的数据，方便快捷。
54.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。