一种油气管网系统异常状态识别方法、装置及设备

1.本说明书实施例涉及油气传输技术领域，特别涉及一种油气管网系统异常状态识别方法、装置及设备。


背景技术：

2.随着油气管网系统的发展以及供需市场的复杂化，对于油气管网系统的建设与优化也在不断进行，使得油气管网系统的复杂化程度也在不断提高。快速识别油气管网系统所出现的故障，以便及时对油气管网系统故障进行处理，对于保障油气管网系统正常运行具有重要的意义。
3.实际应用中，针对油气管网系统，可以直接获取相应的传输数据，或通过在油气管网系统上设置相应的传感器来采集相应的传感数据，收集所述油气管网系统的运行数据。但是，随着油气管网系统复杂程度的提升，以及异常运行工况种类的增加，从数量众多的运行数据中及时地识别出故障状态对应的数据，进而根据所识别出的数据确定管网系统的故障的难度也逐渐提高，相应地对于油气管网系统的稳定运行也造成了一定的影响。因此，目前亟需一种能够快速准确地对油气管网系统的异常状态进行识别的方法。


技术实现要素：

4.本说明书实施例的目的是提供一种油气管网系统异常状态识别方法、装置及设备，以解决如何快速准确地对油气管网系统的异常状态进行识别的问题。
5.为了解决上述技术问题，本说明书实施例提出一种油气管网系统异常状态识别方法，包括：获取对应于油气管网系统的运行数据；所述运行数据对应有关联于时间的自相关系数；根据所述自相关系数将所述运行数据划分为至少两组分段数据；所述分段数据对应有不同的时间频率；分别确定所述分段数据对应的行为模式数据；所述行为模式数据用于表示预设时段内所述油气管网系统的运行模式；对所述行为模式数据进行分类得到至少一组聚类数据；所述聚类数据对应有行为模式类别；基于所述行为模式类别识别所述油气管网系统的异常状态。
6.本说明书实施例还提出一种油气管网系统异常状态识别装置，包括：运行数据获取模块，用于获取对应于油气管网系统的运行数据；所述运行数据对应有关联于时间的自相关系数；分段数据划分模块，用于根据所述自相关系数将所述运行数据划分为至少两组分段数据；所述分段数据对应有不同的时间频率；行为模式数据确定模块，用于分别确定所述分段数据对应的行为模式数据；所述行为模式数据用于表示预设时段内所述油气管网系统的运行模式；行为模式数据分类模块，用于对所述行为模式数据进行分类得到至少一组聚类数据；所述聚类数据对应有行为模式类别；异常状态识别模块，用于基于所述行为模式类别识别所述油气管网系统的异常状态。
7.本说明书实施例还提出一种油气管网系统异常状态识别设备，包括存储器和处理器；所述存储器用于存储计算机程序指令；所述处理器用于执行所述计算机程序指令以实
现以下步骤：获取对应于油气管网系统的运行数据；所述运行数据对应有关联于时间的自相关系数；根据所述自相关系数将所述运行数据划分为至少两组分段数据；所述分段数据对应有不同的时间频率；分别确定所述分段数据对应的行为模式数据；所述行为模式数据用于表示预设时段内所述油气管网系统的运行模式；对所述行为模式数据进行分类得到至少一组聚类数据；所述聚类数据对应有行为模式类别；基于所述行为模式类别识别所述油气管网系统的异常状态。
8.由以上本说明书实施例提供的技术方案可见，本说明书实施例在获取到油气管网系统的运行数据之后，根据运行数据对应于时间的自相关系数对运行数据进行分组后，确定分组数据对应的行为模式数据，从而根据行为模式数据进行分类得到至少一组聚类数据，使得能够通过所述聚类数据反映相应的行为模式类别，最终根据相应的行为模式类别识别出油气管网系统的异常状态。通过上述方法，能够通过分类对数量庞大的运行数据进行简化，并通过识别运行数据所对应的行为模式类别，进而基于行为模式类别对油气管网系统的异常状态进行分类，从而能够及时准确地对油气管网的运行状态进行调整，实现了油气管网系统的正常运行，保障了油气资源的正常输送。
附图说明
9.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，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。
10.图1为本说明书实施例一种油气管网系统异常状态识别方法的流程图；
11.图2为本说明书实施例一种管网运行数据的示意图；
12.图3为本说明书实施例一种分类评价结果的示意图；
13.图4为本说明书实施例一种油气管网系统异常状态识别装置的模块图；
14.图5为本说明书实施例一种油气管网系统异常状态识别设备的结构图。
具体实施方式
15.下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
16.为了解决上述技术问题，本说明书实施例提出了一种油气管网系统异常状态识别方法。所述油气管网异常状态识别方法的执行主体为油气管网异常状态识别设备，所述油气管网异常状态识别设备包括但不限于服务器、工控机、pc机、移动终端、可穿戴设备等。如图1所示，所述油气管网系统异常状态识别方法可以包括以下具体步骤。
17.s110：获取对应于油气管网系统的运行数据；所述运行数据对应有关联于时间的自相关系数。
18.油气管网系统可以是传输油气资源的管道网络所对应的系统，所述油气管网系统不仅可以包括管道网络本身，还可以包含用于采集油气管网运行状况的数据采集模块以及
对油气管网进行操控的调控模块等。
19.所述油气管网系统在日常运行过程中会产生大量的运行数据，这些运行数据可以用于反映油气管网系统的实际状况。所述运行数据可以是通过直接在油气管网系统中设置相应的传感器，并利用所述传感器采集得到的数据。所述运行数据也可以是通过所获取的其他数据而间接推出的数据。具体的采集所述运行数据的方法可以根据实际应用的需求进行设置，在此不再赘述。
20.具体的，所述运行数据例如可以是油气管网中的油气资源输送速率，油气管网的温度、压力等状态数据，油气管网的吞吐能力数据等。实际应用中所述运行数据可以根据油气管网系统实际采集到的数据类型进行设置，并不限于上述示例中所介绍的运行数据的类型，在此不再赘述。
21.随着油气管网系统复杂程度日益提高，在油气管网的日常运行过程中会产生海量的运行数据，单纯基于操作人员的经验对这些运行数据进行人工分析显然无法对这些运行数据均实现有效的处理。而若仅仅依赖由操作人员经验而设定的较为简单的水力模拟分析模型对运行数据进行分析，也难以应付复杂多变的运行工况，即这些水力模拟分析模型并不能处理多种异常工况，也不能对未设置的异常情况进行识别。因此，目前亟需一种能够有效且准确地对这些运行数据进行分析以确定油气管网的异常状态的方法。
22.因此，在对所述运行数据进行分析之前，可以先对所述运行数据进行简化，从而能够更方便有效地针对简化后的运行数据进行分析而得到。
23.在一些实施方式中，可以结合时间序列对所述运行数据进行分段。具体的，所述运行数据可以对应有关联于时间的自相关系数。所述自相关系数用于表示所述运行数据在不同时期的关联程度，即用于区分某一时间序列上不同时段所对应的运行数据之间的关联性。根据所述自相关系数可以确定将具有一定区别的运行数据进行区分，从而便于进行后续的分段操作。
24.在一些实施方式中，获取到所述运行数据之后，还可以对所述运行数据进行预处理。所述预处理可以包括异常值处理、降维处理中的至少一种。所述异常值处理用于去除所述运行数据中的异常值，从而减少所述运行数据中的异常值所造成的干扰。所述降维处理用于降低运行数据的维度，从而在后续过程中能够更为方便地对数据进行处理。
25.具体的，可以先利用利用hampel滤波器、卡尔曼滤波、聚类法中的至少一种方法去除所述运行数据中的异常值。
26.hampel滤波主要针对所输入的样本数据，计算由样本数据及关联的样本数据组成的窗口的中值，每边三个，并利用中位数绝对值估计了各样本数据对中值的标准差。如果某个样本数据与中值相差超过三个标准差，则用中值替换该样本数据，从而起到去除异常值的效果。
27.卡尔曼滤波在线性系统的状态空间表示基础上，从输出和输入观测数据求系统状态的最优估计。这里所说的系统状态，是总结系统所有过去的输入和扰动对系统的作用的最小参数的集合，知道了系统的状态就能够与未来的输入与系统的扰动一起确定系统的整个行为。利用卡尔曼滤波可以有效去除运行数据中的噪声信号。
28.聚类法通过数据之间的相关性对数据进行聚类，根据聚类结果可以查找无法与其他数据进行聚类的其他数据，并将这些数据作为异常数据进行剔除。
29.上述方法均可以实现异常值的去除，实际应用中也可以根据具体需求采取其他方式去除所述运行数据中的异常值，并不限于上述示例，在此不再赘述。
30.在去除所述运行数据中的异常值后，还可以删除对应于时间序列重复不变的数据。在相应的采集时长内，若运行数据的数值均重复不变，则该运行数据出现异常的可能性较小，为了减少后续过程中的处理量，可以对这些时间序列重复不变的数据也一并剔除。
31.之后，可以利用主成分分析法对所述运行数据进行降维，使用主成分分析法对运行数据进行降维可以保留85％的原信息，从而在提高了数据质量的同时，减少了数据本身的损失，有效地加快了后续过程中的数据处理进度。具体的降维过程可以根据实际应用的过程进行调整，在此不再赘述。
32.在对所述运行数据进行异常值处理和/或降维处理后，能够有效提高所述运行数据的质量，从而能够在后续分析过程中更为高效准确地获取相应的分析结果。
33.s120：根据所述自相关系数将所述运行数据划分为至少两组分段数据；所述分段数据对应有不同的时间频率。
34.在获取到所述运行数据后，即可根据所述运行数据所对应的自相关系数对所述运行数据进行划分。由于所述自相关系数用于表示不同时段的数据之间的关联程度，当所述自相关系数越大时，表示对应的两段数据之间的关联程度越小。因此，可以基于所述自相关系数的大小对所述运行数据进行划分。
35.具体的，可以选取所述自相关系数中的最大值，并基于所述最大值对应的时间节点对所述运行数据进行划分。在一些实施例中，也可以预先设定自相关阈值，并选取大于所述自相关系数阈值的自相关系数，基于这些选取出的自相关系数所对应的时间节点对所述运行数据进行划分。
36.所述自相关系数例如可以是通过自相关性分析法所确定出的系数，具体的确定过程可以根据实际应用过程进行设置，在此不再赘述。
37.在基于所述自相关系数对运行数据进行处理后，还可以利用离散小波变换方法对所述分段数据进行分解，由此可以将非线性时间序列的分段数据划分为低频序列数据和高频序列数据。所述低频序列数据和高频序列数据分别对应于不同的时间频率，从而进一步地对数据进行区分，使得后续过程中能够根据数据的不同类型分别对数据进行相应的处理。
38.在一些实施方式中，在对所述运行数据进行预处理的情况下，可以根据所述自相关系数对预处理后的运行数据进行处理，以得到至少两组分段数据。具体实施过程可以参照上述介绍，在此不再赘述。
39.s130：分别确定所述分段数据对应的行为模式数据；所述行为模式数据用于表示预设时段内所述油气管网系统的运行模式。
40.由于分段数据只是对运行数据进行划分操作后所得到的数据，并未对运行数据的实质进行改变，而基于划分后的数据一般也难以直观地对数据所体现的状态进行查看，因此还可以确定所述分段数据所对应的行为模式数据，进而进行后续的分析判断。所述行为模式数据可以用于表示油气管网系统的运行模式。运行数据一般只能用于反映单一时刻系统的状态，而逐一针对系统的各个时刻进行分析显然需要消耗大量的工作量，因此可以利用所述行为模式数据表示某一时段内的系统的状态，从而提高处理效率。
41.在一些实施方式中，可以首先获取所述分段数据的数据斜率和数据均值，再根据所述数据斜率和数据均值确定所述分段数据对应的行为模式数据，从而将系统每一时刻的运行状态转化为系统某一时段内的行为模式。
42.在一些实施方式中，在对所述运行数据进行分解的情况下，也可以确定分解后的运行数据所对应的行为模式数据，具体的实施过程可以参照上述介绍，在此不再赘述。
43.s140：对所述行为模式数据进行分类得到至少一组聚类数据；所述聚类数据对应有行为模式类别。
44.由于所述行为模式数据分别用于反应系统在不同时段内的运行状态，即不同的行为模式数据可能对应于不同类别的运行状态，因此，可以通过对所述行为模式数据进行聚类而得到至少一组聚类数据，并通过所述聚类数据分别反映系统的不同状态。
45.具体的，可以根据数据之间的欧式距离作为簇内和簇间相似性的度量方式，再根据数据之间的欧式距离对数据进行聚类，实现在未定义数据类别的情况下根据数据之间的区别对数据进行分类。
46.在一些实施方式中，可以利用k-means 聚类方法和/或birch聚类方法将所述行为模式数据分类为至少一组聚类数据。k-means 聚类方法在实现时，主要对于给定的样本集，按照样本之间的距离大小，将样本集划分为k个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大，从而实现对数据的多分类。birch聚类方法birch算法利用了一个树结构来帮助我们快速的聚类，这个数结构类似于平衡b 树，一般将它称之为聚类特征树(clustering feature tree，简称cf tree)，再利用层次方法来聚类和约束相应的数据。
47.上述方法只是对数据进行聚类时所使用的方法进行示意性地说明，具体的操作过程可以根据实际应用的需求进行设置。实际应用中也可以使用其他聚类方法实现上述效果，在此不再赘述。
48.在完成对数据的分类之后，还可以根据聚类数据对分类效果进行评价。例如，可以通过dbi、chi、f检验和p值对结果进行评价，当chi最大、dbi最小时，分类的数目最优，采用的方法也为最优的聚类方法，当p值小于0.01时，说明有很高的可能性目前所假设的聚类数目是正确的。
49.上述评价方法只是进行一个示例性的说明，实际应用中也可以采用其他具体方法实现对分类结果进行评价，并不限于上述示例，在此不做赘述。
50.s150：基于所述行为模式类别识别所述油气管网系统的异常状态。
51.在获取到所述聚类数据之后，由于所述聚类数据被分类之后，分别对应有相应的行为模式类别，因此可以根据不同的聚类数据所对应的行为模式类别来识别所述油气管网的异常状态。
52.在一些实施方式中，由于不同的聚类数据之间只是在相似度上存在差异，无法直接根据分类得到的聚类数据确定各组聚类数据所对应的类别，即无法直接判断具体是由哪一组反映系统的异常状态。因此，在获取到所述聚类数据之后，可以利用分类算法对各类数据进行分类，从而实现对于不同的未知数据的类型识别。
53.具体的，可以使用ovo(一对一)分类原理进行多类划分。具体实现过程可以是首先基于所述聚类数据训练至少一个分类器模型，所述分类器模型用于对其中的两组聚类数据进行分类。由于需要针对任意两组聚类数据进行训练，在存在k组聚类数据的情况下，需要
设计k(k-1)/2个分类器模型，并依次利用所对应的聚类数据进行训练。在训练完之后，可以利用训练得到的这些分类器模型依次对各组聚类数据进行分类，每个分类器模型针对每组聚类数据都可以输出一个候选分类结果，在获取到对应于一组聚类数据的多个候选分类结果后，可以根据候选分类结果中各项分类结果出现的频次，选取其中出现频次最多的候选分类结果作为分类结果。所述分类结果即可用于表示所述聚类数据的类别。根据所述分类结果可以实现对于油气管网系统的异常状态的识别。
54.上述分类以及识别的方法只是实现油气管网系统的异常状态的识别的具体的示例，实际应用中也可以采用其他分类器模型完成聚类数据的分类，从而实现油气管网系统的异常状态识别，并不限于上述示例，在此不再赘述。
55.在确定所述油气管网系统的具体的异常状态之后，可以执行所述异常状态所对应的处理策略，从而使所述油气管网系统摆脱相应的异常状态，保证油气管网系统的正常稳定的运行。具体的处理油气管网异常状态的过程可以根据实际应用的需求进行设置，在此不再赘述。
56.利用一个具体的场景示例对上述油气管网系统异常状态识别方法进行说明。在该场景示例中，采用tgnet仿真软件搭建某油气管网仿真模型，并分别对该模型进行稳态和瞬态模拟。在瞬态模拟过程中，分别模拟了油气管网供应异常、天然气需求异常、压缩机停机、阀门异常关闭、调压阀异常和管道泄漏6种管网常见异常运行工况，模拟过程的总时长为360小时，且每段时间内只发生一种异常工况。设置每3分钟生成一组油气管网运行数据。油气管网系统运行状态参数如图2所示。
57.根据本说明书实施例中的异常状态识别方法方法，对大小为7200
×
844的管网运行数据矩阵进行简化表征，表征后的管网运行数据矩阵大小为480
×
28。基于简化后的数据，采用本发明提出的复杂油气管网系统异常运行状态的感知方法，给定聚类数目k＝7，对管网各段运行模式进行聚类分析，通过聚类评价指标dbi、chi、f检验和p值对聚类结果进行评价，聚类评价结果如下：k-means 的伪f值是[[207.47926878]]，k-means 的p值是[[1.11022302e-16]]，k-means 的聚类dbi值是0.7424885535941589，k-means 的聚类chi值是207.47926877872655。
[0058]
由于chi越大、dbi越小，假设的聚类数目越接近真实的数据种类数目，而且，当p值小于0.01时，说明有很高的可能性证明我们原假设的聚类数目是正确的。通过上述评价结果可以看出，该方法适用于该油气管网系统模拟数据集的异常感知。
[0059]
设定上述数据集为训练集，改变该油气管网系统运行工况的异常变化幅度，重复上述步骤，得到该数据集分段标签，设定该数据集为预测集，采用本说明书实施例中提出的随机森林分类算法对异常运行模式进行分类识别，通过训练集和验证集对训练随机森林分类器模型，将训练好的分类器用于预测集的工况识别，预测集的分类评价结果如图3所示。
[0060]
通过分类评价结果可以看出，预测集识别准确率为97.9％，该方法适用于该预测数据集的分类识别。
[0061]
基于上述实施例和场景示例的介绍，可以看出，所述油气管网系统异常状态识别方法在获取到油气管网系统的运行数据之后，根据运行数据对应于时间的自相关系数对运行数据进行分组后，确定分组数据对应的行为模式数据，从而根据行为模式数据进行分类得到至少一组聚类数据，使得能够通过所述聚类数据反映相应的行为模式类别，最终根据
相应的行为模式类别识别出油气管网系统的异常状态。通过上述方法，能够通过分类对数量庞大的运行数据进行简化，并通过识别运行数据所对应的行为模式类别，进而基于行为模式类别对油气管网系统的异常状态进行分类，从而能够及时准确地对油气管网的运行状态进行调整，实现了油气管网系统的正常运行，保障了油气资源的正常输送。
[0062]
基于上述油气管网系统异常状态识别方法，本说明书还提出一种油气管网系统异常状态识别装置的实施例。所述油气管网系统异常状态识别装置可以设置于所述油气管网系统异常状态识别设备上。如图4所示，所述孔喉结构动态表征装置具体包括：
[0063]
运行数据获取模块410，用于获取对应于油气管网系统的运行数据；所述运行数据对应有关联于时间的自相关系数；
[0064]
分段数据划分模块420，用于根据所述自相关系数将所述运行数据划分为至少两组分段数据；所述分段数据对应有不同的时间频率；
[0065]
行为模式数据确定模块430，用于分别确定所述分段数据对应的行为模式数据；所述行为模式数据用于表示预设时段内所述油气管网系统的运行模式；
[0066]
行为模式数据分类模块440，用于对所述行为模式数据进行分类得到至少一组聚类数据；所述聚类数据对应有行为模式类别；
[0067]
异常状态识别模块450，用于基于所述行为模式类别识别所述油气管网系统的异常状态。
[0068]
基于上述油气管网系统异常状态识别方法，本说明书实施例还提供一种油气管网系统异常状态识别设备。如图5所示，所述油气管网系统异常状态识别设备可以包括存储器和处理器。
[0069]
在本实施例中，所述存储器可以按任何适当的方式实现。例如，所述存储器可以为只读存储器、机械硬盘、固态硬盘、或u盘等。所述存储器可以用于存储计算机程序指令。
[0070]
在本实施例中，所述处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式等等。所述处理器可以执行所述计算机程序指令实现以下步骤：获取对应于油气管网系统的运行数据；所述运行数据对应有关联于时间的自相关系数；根据所述自相关系数将所述运行数据划分为至少两组分段数据；所述分段数据对应有不同的时间频率；分别确定所述分段数据对应的行为模式数据；所述行为模式数据用于表示预设时段内所述油气管网系统的运行模式；对所述行为模式数据进行分类得到至少一组聚类数据；所述聚类数据对应有行为模式类别；基于所述行为模式类别识别所述油气管网系统的异常状态。
[0071]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0072]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的第一硬件平台的方式来实现。基于这样的理解，本说明书的技术方案
本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
[0073]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0074]
本说明书可用于众多第一或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
[0075]
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0076]
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。