一种基于5G技术的氢油氨区智能监测预警及风险隐患识别方法与流程

一种基于5g技术的氢油氨区智能监测预警及风险隐患识别方法
技术领域：
1.本发明应用于火电厂氢油氨区等重大危险源的监测预警，具体涉及一种基于5g技术的氢油氨区智能监测预警及风险隐患识别方法。


背景技术：

2.随着火电厂当前精细化管理的逐步提升，对于安全管控、监测预警、应急处置方面的工作内容要求也逐步深入，能源局及国务院要求安全整治三年计划，重点要求加强隐患及风险双治理，但是目前在火电厂氢油氨区的监测预警方面，信息孤岛现象较为明显，并且基于物联网的通信方式不断发展，随着基于5g窄带物联网技术的发展，给以监测信息的采集带来新的应用模式，而基于5g窄带物联网技术的监测预警及隐患识别领域相关的国内研究尚处于起步阶段，目前电力智慧应急指挥系统的研究和应用主要集中在政府及电网企业，在火电厂方面研究较少，火电厂事故监测预警及隐患智能识别的研究更少。
3.因此，开展基于5g火电厂重大危险源的智能安全管控及预警技术的研究与开发，结合nb-iot技术，对进一步安全智能管控，提高火电厂安全管控和风险预警能力，降低电厂事故中的人员伤亡和财产损失，都有重要的理论意义和现实意义。


技术实现要素：

4.本发明为了解决上述问题，提出了一种基于5g技术的氢油氨区智能监测预警及风险隐患识别方法，结合nb-iot技术，对火电厂的工程车辆作业、火灾火情、氢油氨区等重大危险源数据以及人员、资源、环境等信息进行立体的智能感知和数据接入，具备较高的容错和纠错能力，提高了现场数据采集的准确性，提高了火电厂安全管控和风险预警能力。
5.本发明为解决以上技术问题提出了一种基于5g技术的氢油氨区智能监测预警及风险隐患识别方法，具体为：
6.步骤1，采用nb-iot技术的数据采集监测设备对火电厂的厂区基本数据进行采集；
7.步骤2，将采集完成的数据进行数据预处理以及多源融合；
8.步骤3，构建火电厂氢油氨区长时空风险异兆识别预警模型；
9.步骤4，利用火电厂氢油氨区长时空风险异兆识别预警模型，通过5g网络将实时监控数据和异常识别信息发送到服务器，确定预警结果；
10.步骤5，通过预警结果进行风险等级评估；
11.步骤6，根据风险等级评估结果通过5g网络进行生产区域的预警发布；
12.步骤7，通过5g网络进行信息推送。
13.进一步地，步骤1中，其中数据类型分为四类：火电厂现场数据，包括设备名称、设备位置、设备数量、设备容量；气象环境数据，包括火电厂现场风速、风向、温湿度、气压；气体浓度信息，包括氢气、氨气气体浓度以及氧气、二氧化碳气体浓度；压力压强数据，包括储油储气罐体、阀门的压力压强数据。
14.进一步地，步骤1中，由于火电厂厂区通常比较大，为了更准确的采集气象环境数据，根据火电厂厂区的布局，将其划分为n个不重叠的区域，其中n》1；每个区域设置多个采集设备，利用nb-iot技术将区域内的采集设备进行组网连接，形成n个采集网，不同的采集网之间同样采用nb-iot技术进行互联，其中每个采集网对应一个区域，负责采集本区域内的气象环境数据；根据区域大小，为不同区域的气象环境采集设备设置不同的权重kn，计算出火电厂厂区内气象环境参数m，其中气象环境参数m表示火电厂厂区的气象环境是否达到安全生产的标准；
15.m＝∑(kn·mn
)，其中n∈n；
16.mn＝α
·
s (1-r) β
·
(100-t) 1/(pa-1000)；
17.mn为第n个区域内的气象环境参数，其中s表示风速，r表示区域内的湿度，t表示区域内的温度，pa表示区域内气压大小，α、β分别为调整系数，根据生产季节进行不同的调整。
18.进一步地，步骤2中，数据预处理的方法包括首对火电厂现场数据、火电厂现场数据、气象环境数据、气体浓度信息和压力压强数据进行数据校准，然后转换数据格式，将所有数据全部转换成可用模式。
19.进一步地，步骤3中，根据事故案例集和专业工程师、检修人员在日常工作实践中积累的经验，把理论和经验相结合分析得出火电厂氢油氨区长时空风险异兆识别预警模型；通过对典型火电厂氢油氨区长时空风险异兆识别预警模型的分析，把事故案例分析结论和专业工程师、检修人员的隐患判断量化为数值和计算公式，明确预警准则，建立起一套完整的预警机制。
20.进一步地，步骤4中，通过步骤3的火电厂氢油氨区长时空风险异兆识别预警技术，对自动采集的实时数据进行存储，结合专家知识库及常见隐患数据库，再根据火电厂氢油氨区长时空风险异兆识别预警模型中建立维护的隐患预警准则进行计算和分析，用以判断预警准则是否成立，通过5g网络将实时监控、火源识别和设备异常识别的信息发送到服务器，确定预警结果。
21.进一步地，步骤5中，根据预警结果确定风险指数，风险指数rpn的确定基于对风险出现的可能性p1、结果严重性p2和风险可识别性p3，具体为：rpn＝p1
×
p2
×
p3；根据风险指数的高低确定风险等级。
22.进一步地，步骤6中，基于5g网络的快速低时延特性，综合利用数据挖掘算法、人工智能技术以及视频图像识别分析系统，获取隐患风险识别预警信息，根据预警信息，实时监控查看氢油氨区可能发生风险隐患的观测点，并通过查看发生警示的设备，确定是否是其上游设备的异常导致，以及是否会影响到其下游设备的运行，并结合基于人工智能的生产区域烟感温度预警技术，实现生产区域的风险隐患提前规避，降低人员设备的损失；对氢油氨等重点防护危险区域实行安全管理，实现安全全域定期监测排查，构建重点防范安全区域。
23.进一步地，步骤7中，进行信息推送具体为，利用物联网技术，基于火灾位置信息和泄漏点信息进行影响分析，并通过5g网络推送给pc端或移动app端的管理人员，进行预警提示，提示管理人员及时进行应急处理，动态分析应急物资需求，实现应急资源的快速调度和应急处置，保障火电厂的生产安全。
24.本发明的优点在于：
25.本发明利用各类传感器终端形成的感知节点，利用nb-iot等5g技术，通过分区域采集，网格化管理，所有区域协同处理，提高了现场数据采集的准确性，使用临近区域相似计算算法，及时获得故障区域的采集数据，提高了系统的容错率，对火电厂的火灾火情、氢油氨区等重大危险源数据以及人员、资源、环境等信息进行立体的智能感知和数据接入，具备较高的容错和纠错能力，将采集的数据规范化和可视化处理，实现多平台多业务对接、科学数据预警、综合指挥救援处置以及跨部门多网络联动，加强信息交互协同机制建设，提高了火电厂生产安全、风险预警及应急处置能力。
附图说明：
26.图1为基于5g技术的氢油氨区智能监测预警及风险隐患识别方法。
具体实施方式：
27.下面结合附图及具体实施方式对本发明作进一步的说明。
28.图1示出了基于5g技术的氢油氨区智能监测预警及风险隐患识别方法。
29.步骤1：采用nb-iot技术对电厂氢油氨区等基本数据进行采集。
30.其中数据类型分为四类：火电厂现场数据，包括设备名称、设备位置、设备数量、设备容量；气象环境数据，包括火电厂现场风速、风向、温湿度、气压；气体浓度信息，包括氢气、氨气气体浓度以及氧气、二氧化碳气体浓度；压力压强数据，包括储油储气罐体、阀门的压力压强数据。由于这些数据来源以及存储形式的不同，采用数据收集的方式也各有不同。
31.由于火电厂厂区通常比较大，为了更准确的采集气象环境数据，根据火电厂厂区的布局，将其划分为n个不重叠的区域，其中n》1；每个区域设置多个采集设备，利用nb-iot技术将区域内的采集设备进行组网连接，形成n个采集网，不同的采集网之间同样采用nb-iot技术进行互联，其中每个采集网对应一个区域，负责采集本区域内的气象环境数据；根据区域大小，为不同区域的气象环境采集设备设置不同的权重kn，计算出火电厂厂区内气象环境参数m，其中气象环境参数m表示火电厂厂区的气象环境是否达到安全生产的标准；
32.m＝∑(kn·mn
)，其中n∈n；
33.mn＝α
·
s (1-r) β
·
(100-t) 1/(pa-1000)，
34.mn为第n个区域内的气象环境参数，其中s表示风速，r表示区域内的湿度，t表示区域内的温度，pa表示区域内气压大小，α、β分别为调整系数，根据生产季节进行不同的调整。
35.进一步地，若某个区域内的气象环境采集设备出现故障，为了保证整个厂区内的数据采集过程不收到影响，采用临近区域相似计算算法，根据临近区域的采集设备采集出的结果，估算出故障区域的气象环境参数w。
36.w＝(∑(w
neighbors
·
p
neighbors
))/i
37.p
neighbors
为临近区域的相似度，p
neighbors
的取值为0-1之间任意的实数，根据临近区域的面积大小以及相邻区域之间的生产设备数量共同确定的，若故障区域与临近区域的面积大小以及生产设备数量越接近，则p
neighbors
越接近于1，反之，则越接近于0；其中w
neighbors
为与故障区域相邻区域的气象环境参数，可以取任意值，i表示与故障区域相邻区域的个数。当某个区域发生故障时，根据临近区域的气象环境参数，从而获得整个厂区的气象环境数据，保证正常的生产操作，提高系统的容错率。
38.进一步地，利用气体采集传感器采集火电厂厂区的氢气、氨气等有毒易燃气体的相关参数，根据不同区域的气体的相关参数，计算得到整个厂区内的气体的相关参数，当某个区域内或整个厂区内的有毒易燃气体的相关参数超过安全生产的阈值时，则可以判定有毒易燃气体发生泄漏。
39.步骤2：将采集完成的数据进行数据选择、预处理以及多源融合。
40.进一步地，进行数据选择，数据选择是多源数据融合的第一步必须保证数据选择的正确性。通过选择火电厂氢油氨区优质数据对象进行处理。
41.进一步地，数据合理选择之后要先对其进行预处理，以免未经处理的数据在多源融合时影响到融合效果，使融合后得到的数据无法满足火电厂氢油氨区预警监测要求。数据预处理的方法主要包括首对火电厂现场数据、火电厂现场数据、气象环境数据、气体浓度信息和压力压强数据进行数据校准，然后转换数据格式，将所有数据全部转换成可用模式
42.进一步地，进行数据融合，数据融合操作时可借助图像处理手段来对预处理过的多种数据进行融合，采用决策级融合等数据融合技术对处理后的数据进行多源数据融合。
43.步骤3：构建火电厂氢油氨区长时空风险异兆识别预警模型。
44.进一步地，根据专家的专业知识、事故案例分析和专业工程师、检修人员在日常工作实践中积累的经验，把理论和经验相结合分析总结出一套典型火电厂氢油氨区长时空风险异兆识别预警模型，包括安全隐患征兆、分析、解决方案等。通过对典型火电厂氢油氨区长时空风险异兆识别预警模型的分析和公式量化，把专家的知识、事故案例分析结论和专业工程师、检修人员的隐患判断量化为数据、计算公式等一系列明确的预警准则，建立起一套完整的预警机制。
45.步骤4：利用火电厂氢油氨区长时空风险异兆识别预警模型，通过5g网络将实时监控数据和异常识别信息发送到服务器，确定预警结果。
46.进一步地，通过步骤3的火电厂氢油氨区长时空风险异兆识别预警技术，对自动采集的实时数据进行存储，结合专家知识库及常见隐患数据库，再根据火电厂氢油氨区长时空风险异兆识别预警模型中建立维护的隐患预警准则进行计算和分析，用以判断预警准则是否成立，通过5g网络将实时监控数据、火源识别和设备异常识别的信息发送到服务器，确定预警结果。
47.步骤5：通过预警结果进行风险等级评估。
48.进一步地，根据预警结果确定风险指数，风险指数rpn的确定基于对风险出现的可能性p1、结果严重性p2和风险可识别性p3,p1、p2和p3由预警结果确定，则风险指数rpn＝出现的可能性
×
结果严重性
×
风险的可识别性，根据风险指数的高低确定风险等级。风险等级：得分小于20分为低风险，20-30分为中等风险，大于30分为高风险。rpn为20分以下的低风险为合理可接受的风险。
49.步骤6：根据风险等级评估结果通过5g网络进行生产区域的预警发布。
50.进一步地，基于5g网络的快速低时延特性，综合利用数据挖掘算法、人工智能技术以及视频图像识别分析系统，获取隐患风险识别预警信息，根据预警信息，实时监控查看氢油氨区可能发生风险隐患的观测点，并通过查看发生警示的设备，确定是否是其上游设备的异常导致，以及是否会影响到其下游设备的运行，并结合基于人工智能的生产区域烟感温度预警技术，实现生产区域的风险隐患提前规避，降低人员设备的损失；对氢油氨等重点
防护危险区域实行安全管理，实现安全全域定期监测排查，构建重点防范安全区域。
51.步骤7：通过5g网络进行信息推送。
52.进一步地，利用物联网技术，基于火灾位置信息和泄漏点信息进行影响分析，并通过5g网络推送给pc端或移动app端的管理人员，进行预警提示，提示管理人员及时进行应急处理，动态分析应急物资需求，实现应急资源的快速调度和应急处置，保障火电厂的生产安全。
53.综上所述，尽管本发明的基本结构、原理、方法通过以上实例予以具体阐述，但不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换。