一种流量预测模型训练方法、检测方法、系统及存储介质技术方案

本发明专利技术实施例提供一种流量预测模型训练方法、检测方法、系统及存储介质。包括：对无泄漏天然气管道的首端输入流量的历史数据和末端输出流量的历史数据分别进行降噪；将降噪后的首端输入流量的历史数据和降噪后的末端输出流量的历史数据作为神经网络的输入向量，天然气管道的降噪后末端的输出流量的历史数据作为神经网络的输出向量；根据管道数据采样周期，建立用于训练和测试神经网络的数据集；将用于训练和测试神经网络的数据集，用以训练和测试流量预测模型，得到流量预测模型。本发明专利技术实施例能够有效简化数据测量的成本，简化神经网络模型结构，提高泄漏检测的准确度。提高泄漏检测的准确度。提高泄漏检测的准确度。

【技术实现步骤摘要】
一种流量预测模型训练方法、检测方法、系统及存储介质


[0001]本专利技术涉及一种流量预测模型训练方法、检测方法、系统及存储介质。

技术介绍

[0002]天然气是一种清洁、高效的绿色能源，而天然气储运主要是采用管道运输的方式。该方式通过管道连接各地区，构成一个复杂的大型管道传输系统。而天然气管道具有高压、易燃易爆、分布广、传输线路长、深埋地下等特点，容易受腐蚀、老化、自然灾害和第三方破坏等多方面的因素，会影响天然气管道传输的正常运行，引起天然气管道泄漏事件的发生。由于管网复杂，管道泄漏事件的具有极强的偶然性和不可控的特点。而天然气易燃易爆，含有有毒气体，若天然气一旦泄漏，可能引起爆炸事故，引起中毒事件，也会给周围环境造成污染，引起资源的浪费，对人的生命安全和财产安全造成严重威胁，所以对天然气管道泄漏检测是很有必要的。
[0003]如何利用反映管道运行状态下的有关数据对天然气管道泄漏进行检测是一种非开挖、低成本的管道泄漏检测方法，尤其适用于在役管道。现有的方法多是通过新装一些设备，利用负压波法、振动波法、声波法等方法进行检测。由于天然气的可压缩性和实际天然气管道传输都是长距离传输，泄漏产生的负压波、振动波、声波这类信号在传播过程中会出现衰减，且很容易受到环境的影响。而基于硬件的方法和产品，如沿管道铺设光纤等，尽管准确、简单，但高成本也不适用于在役埋地天然气管道的大范围升级改造应用。在利用管道运行状态下的数据信息搭建泄漏检测模型，多是通过提取管道正常数据和管道泄漏数据的时域或频域特征，然后分别给特征贴上正常和泄漏的标签来训练一个分类器，利用训练好的分类器来识别是否产生泄漏，从而达到泄漏检测的目的。这类方法需要大量的正常数据样本和泄漏数据样本来训练分类器，且需要保证正常数据和泄漏数据的正确性和完整性，不然会增加分类器训练的难度。而实际管道都是存在大量的正常数据，由于泄漏发生次数极少，泄漏数据样本极少；从而存在正常和泄漏样本比例极端不平衡的情况，对分类器的分类精度影响很大。如果模拟泄漏实验的的话，不仅消耗人力物力，浪费资源，而且就实验模拟的效果情况与真实情况也会存在较大的差异，污染环境，安全隐患较大。

技术实现思路

[0004]为解决现有的天然气管道泄露检测方法中由于泄露数据样本极少导致的模型训练困难影响天然气泄露检测效果的技术问题，本专利技术实施例提供一种流量预测模型训练方法、检测方法、系统及存储介质。
[0005]本专利技术实施例通过下述技术方案实现：
[0006]第一方面，本专利技术实施例提供一种流量预测模型训练方法，包括：
[0007]对无泄漏天然气管道的首端输入流量的历史数据和末端输出流量的历史数据分别进行降噪；
[0008]将当前时刻降噪后的天然气管道的首端输入流量的历史数据和当前时刻降噪后
的天然气管道的末端输出流量的历史数据作为神经网络的输入向量，将下一时刻降噪后的天然气管道的末端的输出流量的历史数据作为神经网络的输出向量，建立用于训练和测试神经网络的数据集；
[0009]将用于训练和测试神经网络的数据集，用以训练和测试神经网络，得到流量预测模型。
[0010]第二方面，本专利技术实施例提供一种流量预测模型训练方法，包括：
[0011]S1.获取无泄漏天然气管道的首端输入流量的历史数据和末端输出流量的历史数据；
[0012]S2.选取一个大小为M的滑动窗口，在k时刻对窗口内首端输入流量的历史数据和末端输出流量的历史数据分别进行降噪；
[0013]S3.选取k时刻及k时刻之前长度为N的降噪后的首端输入流量的历史数据和降噪后的末端输出流量的历史数据作为神经网络的输入向量，以k+1时刻天然气管道的降噪后末端的输出流量的历史数据作为神经网络的输出向量；
[0014]S4.根据管道数据采样周期令k＝k+1，移动滑动窗口，返回S2，直至建立用于训练和测试神经网络的数据集执行S5；
[0015]S5.将用于训练和测试神经网络的数据集划分为训练数据集和测试数据集，以训练数据集训练神经网络，以测试数据集测试训练后的神经网络；
[0016]S6.判断测试数据集测试后的神经网络是否可用于预测天然气泄漏，若是，则得到流量预测模型；
[0017]其中，M，k，N为大于零的整数且N≤M。
[0018]进一步的，所述S6还包括：判断测试数据集测试后的神经网络是否可用于预测天然气泄漏，若否，则调整相关结构和参数，返回S5；所述相关结构和参数包括滑动窗口的大小、选取流量历史数据的长度、训练数据集大小、神经网络的训练迭代次数、学习率、隐藏层数和节点数、隐藏层、输出层的激活函数、网络训练函数和训练目标精度。
[0019]进一步的，所述训练数据集和测试数据集的数据量比例为3:1；所述神经网络为多层BP神经网络。
[0020]第三方面，本专利技术实施例提供一种流量预测模型训练系统，包括：
[0021]数据获取单元，用于获取无泄漏天然气管道的首端输入流量的历史数据和末端输出流量的历史数据；
[0022]降噪单元，用于选取一个大小为M的滑动窗口，在k时刻对窗口内首端输入流量的历史数据和末端输出流量的历史数据分别进行降噪；
[0023]神经网络处理单元，用于选取k时刻及k时刻之前长度为N的降噪后的首端输入流量的历史数据和降噪后的末端输出流量的历史数据作为神经网络的输入向量，以k+1时刻天然气管道的降噪后末端的输出流量的历史数据作为神经网络的输出向量；
[0024]数据集建立单元，用于根据管道数据采样周期令k＝k+1，移动滑动窗口，返回降噪单元，直至建立用于训练和测试神经网络的数据集返回模型训练及测试单元；
[0025]模型训练及测试单元，用于将用于训练和测试神经网络的数据集划分为训练数据集和测试数据集，以训练数据集训练神经网络，以测试数据集测试训练后的神经网络；以及
[0026]判断单元，用于判断测试数据集测试后的神经网络是否可用于预测天然气泄漏，
若是，则得到流量预测模型；其中，M，k，N为大于零的整数且N≤M。
[0027]进一步的，所述判断单元还用于判断测试数据集测试后的神经网络是否可用于预测天然气泄漏，若否，则调整相关结构和参数，返回模型训练及测试单元。
[0028]第四方面，本专利技术实施例提供一种天然气泄漏检测方法，包括：
[0029]将采集的天然气管道的首端输入流量数据和末端输出流量数据输入由所述训练方法得到的流量预测模型中，得到预测值y'(k+1)；
[0030]将预测值y'(k+1)和末端输出流量数据降噪后的值进行对比，求得末端流量预测误差；
[0031]判定末端流量预测误差是否大于误差阈值，若是，则判定天然气管道存在天然气泄漏。进一步的，首端输入流量的历史数据和末端输出流量的历史数据分别表示为：
[0032][x(k
‑
M+2),x(k
‑
M+3),...,x(k
‑
1),x(k),本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种流量预测模型训练方法，其特征在于，包括：对无泄漏天然气管道的首端输入流量的历史数据和末端输出流量的历史数据分别进行降噪；将当前时刻降噪后的天然气管道的首端输入流量的历史数据和当前时刻降噪后的天然气管道的末端输出流量的历史数据作为神经网络的输入向量，将下一时刻降噪后的天然气管道的末端的输出流量的历史数据作为神经网络的输出向量，建立用于训练和测试神经网络的数据集；将用于训练和测试神经网络的数据集，用以训练和测试神经网络，得到流量预测模型。2.一种流量预测模型训练方法，其特征在于，包括：S1.获取无泄漏天然气管道的首端输入流量的历史数据和末端输出流量的历史数据；S2.选取一个大小为M的滑动窗口，在k时刻对窗口内首端输入流量的历史数据和末端输出流量的历史数据分别进行降噪；S3.选取k时刻及k时刻之前长度为N的降噪后的首端输入流量的历史数据和降噪后的末端输出流量的历史数据作为神经网络的输入向量，以k+1时刻天然气管道的降噪后末端的输出流量的历史数据作为神经网络的输出向量；S4.根据管道数据采样周期令k＝k+1，移动滑动窗口，返回S2，直至建立用于训练和测试神经网络的数据集执行S5；S5.将用于训练和测试神经网络的数据集划分为训练数据集和测试数据集，以训练数据集训练神经网络，以测试数据集测试训练后的神经网络；S6.判断测试数据集测试后的神经网络是否可用于预测天然气泄漏，若是，则得到流量预测模型；其中，M，k，N为大于零的整数且N≤M。3.如权利要求2所述流量预测模型训练方法，其特征在于，所述S6还包括：判断测试数据集测试后的神经网络是否可用于预测天然气泄漏，若否，则调整相关结构和参数，返回S5；所述相关结构和参数包括滑动窗口的大小、选取流量历史数据的长度、训练数据集大小、神经网络的训练迭代次数、学习率、隐藏层数和节点数、隐藏层、输出层的激活函数、网络训练函数和训练目标精度。4.一种流量预测模型训练系统，其特征在于，包括：数据获取单元，用于获取无泄漏天然气管道的首端输入流量的历史数据和末端输出流量的历史数据；降噪单元，用于选取一个大小为M的滑动窗口，在k时刻对窗口内首端输入流量的历史数据和末端输出流量的历史数据分别进行降噪；神经网络处理单元，用于选取k时刻及k时刻之前长度为N的降噪后的首端输入流量的历史数据和降噪后的末端输出流量的历史数据作为神经网络的输入向量，以k+1时刻天然气管道的降噪后末端的输出流量的历史数据作为神经网络的输出向量；数据集建立单元，用于根据管道数据采样周期令k＝k+1，移动滑动窗口，返回降噪单元，直至建立用于训练和测试神经网络的数据集返回模型训练及测试单元；模型训练及测试单元，用于将用于训练和测试神经网络的数据集划分为训练数据集和测试数据集，以...

【专利技术属性】
技术研发人员：马蠡，刘路，代娟，唐诗，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：