[0001] 本发明涉及管道运输技术领域，特别是涉及一种天然气运输管道泄露的预测方法及其应用。

[0002] 在对天然气等进行运输时，管道受到运行时间、运行环境等的影响，会不可避免的受到腐蚀，最终造成泄漏事故，因此需要对管道泄露的位置进行定位。传统的检测方法都是通过硬件检测方法进行检测的，这种检测方式存在泛化能力差、定位精度低等问题。

[0054] 下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0055] 请参阅图1所示，本发明公开了一种天然气运输管道泄露的预测方法，其可对天然气运输管道上可能存在的泄漏位置进行预测，以对运输管道的泄漏点的泄露概率进行预测，及时有效的发现泄露，精确定位泄漏点。天然气运输管道泄露的预测方法可包括步骤：

[0056] 步骤S1、获取运输管道的原始数据集与监测点集。

[0057] 在本实施例中，原始数据集可包括第一数据集、第二数据集以及第三数据集。其中，第一数据集为通过软件等对压力、温度等多因素综合的实际工作环境进行模拟仿真，建立离散化的包含多个监测点的瞬态流动模型，从而可通过计算获得监测点的压力、温度、流速、浓度等基本数据，每组数据都对应一个相应的类别标签，例如压力数据组对应压力标签，从而将基本数据与类别标签进行集合，得到第一数据集。

[0058] 第二数据集指的是通过传感器实时采集到的数据，例如可通过在管道内安装多个压力传感器，从而可以对管道内不同位置的压力进行实时检测，从而得到相应的压力数据；通过在管道内安装多个温度传感器，从而可以对管道内不同位置的温度进行实时检测，从而得到相应的温度数据；通过在管道内安装多个流速传感器，从而可以对管道内不同位置的流速进行实时检测，从而得到相应的流速数据；通过在管道内安装多个浓度传感器，从而可以对管道内不同位置的浓度进行实时检测，从而得到相应的浓度数据，可通过不同的传感器对不同的类别标签进行检测，从而获得相应的数据。

[0059] 第三数据集指的是其他公司预先对管道进行检测，之后得到的相应的数据集。监测点集指的是多个传感器所在的安装位置，可通过不同的传感器检测管道内的相应的数据。

[0060] 请参阅图2所示，步骤S2、对所述原始数据集进行处理，得到降维数据集。所述对所述原始数据集进行处理，得到降维数据集的步骤包括：

[0061] 步骤S21、对所述原始数据集进行样本中心化处理，得到不同类别标签的中心化数据集x’i，表示为： 其中，

[0062] xi为类别标签中的第i个数据，

[0063] m为单个类别标签中包含的数据的总数，

[0064] 原始数据集Xm*n表示为： 其中，

[0065] n为类别标签的数量，

[0066] amn为第n个类别标签的第m个数据，

[0067] cn为第n个类别标签中包含的数据的列向量。

[0068] 步骤S22、对所述中心化数据集进行处理，得到相应的特征值集，表示为： A＝QΣ‑1Q ，其中，

[0069] Q为协方差矩阵A的特征向量组成的矩阵，

[0070] Σ为对角阵，其每一个对角线上的元素即为相应特征值，

[0071] 协方差矩阵A表示为：A＝X*XT,其中，

[0072] X为中心化数据x’i的矩阵，

[0073] T为转置。

[0074] 步骤S23、选取所述特征值集中的最大特征值，得到对应的特征向量集W，表示为：W＝(w1,w2,w3,…,wd)，其中，最大的特征值表示为每个对角阵Σ的对角线上的数值最大的元素，wd为第d个最大特征值对应的特征向量。

[0075] 步骤S24、对所述特征向量集与所述中心化数据集进行处理，得到降维数据集Y，表示为：Y＝W*X。

[0076] 其中，在步骤S21中，当需要对原始数据集进行处理时，可先将原始数据集用矩阵形式表示出来，以便后续对其进行处理，原始数据集的矩阵形式Xm*n，表示为：其中，

[0077] n为类别标签的数量，

[0078] amn为第n个类别标签的第m个数据，

[0079] cn为第n个类别标签中包含的数据的列向量。具体的，原始数据集的矩阵形式中的每一列数据代表类别标签的数据，例如第一列数据可代表类别标签为压力的数据，第二列数据可代表类别标签为温度的数据，第三列数据可代表类别标签为流速的数据，第四列数据可代表类别标签为浓度的数据，当然，原始数据集的矩阵形式中的每列数据代表的具体类别标签可安装实际需求进行设定。在对原始数据集进行样本中心化处理时，可先对原始数据集的矩阵形式中的每一列数据求取相应的平均值，后计算每一列数据中的具体数据与该列数据平均值的差值，从而可得到不同列数据的中心化数据集，即不同类别标签的中心化数据集x’i，表示为： 其中，

[0080] xi为类别标签中的第i个数据，

[0081] m为单个类别标签中包含的数据的总数。

[0082] 在步骤S22中，当得到不同类别标签的中心化数据集x’i后，为了便于对其进行处理，因此可用矩阵的形式对中心化数据集x’i进行表示，表示为：T
为了得到相应的特征值集，可先计算中心化数据集的协方差矩阵A，表示为：A＝X*X ，其中T‑1
为转置，之后可对协方差矩阵A进行特征值分解，得到A＝QΣQ ，其中，Q为协方差矩阵A的特征向量组成的矩阵，Σ为对角阵，其每一个对角线上的元素即为相应特征值，从而可根据对角阵Σ得到相应的特征值集。

[0083] 在步骤S23中，由于每个对角阵Σ上都有多个特征值，因此可先将单个对角阵Σ的多个特征值中最大的特征值选出，之后对其余的对角阵Σ进行相应的处理，从而可将对角阵Σ中的最大的特征值选出，得到一个最大特征值集，从而最大特征值集对应的特征向量集W，可表示为：W＝(w1,w2,w3,…,wd)，其中，wd为第d个最大特征值对应的特征向量。

[0084] 在步骤S24中，在得到最大特征值集对应的特征向量集后，可根据中心化数据集与特征向量集得到降维数据集Y，表示为：Y＝W*X。

[0085] 步骤S3、将所述降维数据集输入至预测模型中，得到所述监测点集的预测概率集P，表示为： 其中，pmn为第n个类别标签中的第m个监测点泄露概率。

[0086] 在本实施例中，可利用降维数据集对预测模型的神经网络进行训练，可对神经网络的训练参数进行优化，以对预测泄漏点进行分类。从而可根据不同的最大特征值与不同的类别标签赋予不同的预测概率来优化表征监测点监测到的数据，从而可得到监测点集的预测概率集P，表示为： 其中，pmn为第n个类别标签中的第m个监测点泄露概率。

[0087] 请参阅图3所示，步骤S4、根据所述监测点集构建管道模型，将所述预测概率集填充至所述管道模型内，得到所述管道模型内网格区域的单位矩形的泄露概率。所述根据所述监测点集构建管道模型，将所述预测概率集填充至所述管道模型内，得到所述管道模型内网格区域的单位矩形的泄露概率的步骤包括：

[0088] 步骤S41、根据所述监测点集构建管道模型，并根据所述监测点集中的监测点的位i置对所述管道模型进行网格化处理，得到单个监测点的泄露概率p ，表示为：
其中，

[0089] i为第i个监测点，

[0090] c*d为第i个监测点的周围区域的网格形式，

[0091] 为以第i个监测点为中心的c*d个矩形的量化系数。

[0092] 步骤S42、根据所述监测点的泄露概率，得到所述管道模型内网格区域的单位矩形的泄露概率pw，表示为： 其中，

[0093] w为网格区域内的一个单位矩形，

[0094] k为单位矩形w周围的有效监测点的数量，

[0095] λi为不同监测点对单位矩形w影响的权值，

[0096] 为第i个监测点对单位矩形w的贡献，表示为 其中，

[0097] 为以第i个监测点为中心的单位矩形w的量化系数。

[0098] 其中，在步骤S41中，可先根据监测点集中各个监测点的位置，对运输管道构建管道模型，并对管道模型进行网格化处理，将各个监测点的周围区域用网格形式表现出，并将各个监测点的周围区域划分出多个单位矩形。从而可根据监测点集的预测概率集得到单个i监测点的泄露概率p，表示为： 其中，

[0099] i为第i个监测点，

[0100] c*d为第i个监测点的周围区域的网格形式，

[0101] 为以第i个监测点为中心的c*d个矩形的量化系数。

[0102] 在步骤S42中，由于每个监测点的泄露概率pi都是不大于1的，因此在对各个监测点的周围区域划分出多个单位矩形后，所有的单位矩形的泄露概率pw的累积也是不大于1的。从而可将每个监测点的周围区域都划分为多个单位矩形，并将单个监测点的泄露概率作为权值，填入到细分出的单位矩形内，从而可得到单位矩形的泄露概率，当单位矩形的面积足够小时，即可实现管道内泄露点的精确定位。其中，管道模型内网格区域的单位矩形的泄露概率pw，表示为： 其中，

[0103] w为网格区域内的一个单位矩形，

[0104] k为单位矩形w周围的有效监测点的数量，

[0105] λi为不同监测点对单位矩形w影响的权值，

[0106] 为第i个监测点对单位矩形w的贡献，表示为 其中，

[0107] 为以第i个监测点为中心的单位矩形w的量化系数。

[0108] 步骤S5、判断所述网格区域的单位矩形的泄露概率是否小于一个预设阈值：若为是，则判断为该网格区域的单位矩形无泄露风险，若为否，则判断为该网格区域的单位矩形存在泄露风险，并关闭运输管道。

[0109] 在本实施例中，预设阈值的具体大小可根据实际需求进行设定，例如可以设为0.3、0.4、0.5等。当网格区域内的某个单位矩形的泄露概率大于预设阈值时，此时可先向系统发出警报，并通过运输管道的管道模型与网格区域内的单位矩形的具体位置对泄漏点进行定位，以提醒工作人员该泄漏点可能存在泄露的风险，并关闭运输管道，同时系统会记录在一段时间内该泄漏点周围传感器记录的数据，并对数据进行保留，以使后期可对预测模型的神经网络内的参数进行优化，其中，记录数据的这段时间的具体长度可根据实际需求进行设定，例如可记录泄露前后半小时内的所有数据，当然，当发生泄露时，也可通过数据统计等图表将相应的数据显示出来。

[0110] 请参阅图4所示，本发明还公开了一种天然气运输管道泄露的预测系统，天然气运输管道泄露的预测系统可包括：数据获取模块1、数据处理模块2、预测模块3、模型构建模块4以及判断模块5。其中，数据获取模块1可用来获取运输管道的原始数据集与监测点集，数据处理模块2可用来对原始数据集进行处理，从而得到降维数据集，预测模块3可对降维数据集进行处理，得到监测点集的预测概率集，模型构建模块4可根据监测点集构建管道模型，并将预测概率集填充至管道模型内，得到管道模型内网格区域的单位矩形的泄露概率，判断模块5可用于对网格区域的单位矩形的泄露概率进行判断，以判断网格区域的单位矩形是否有泄露风险。

[0111] 综上所述，通过本发明提供的一种天然气运输管道泄露的预测方法及其应用，能够及时有效的发现泄露，精确定位泄漏点，从而能够缩小检修范围，便于维修人员进行排查。同时本发明实现了智能化检测，能减少人力物力投入，降低泄露溯源的成本，减少了人员的直接接触，降低人员受伤风险。本发明能及时发出预警，对可能存在泄露风险的位置进行提前预防，及时作出一些保护措施，将人员财产损失降到最小，有效的保护了人员的生命安全。

[0112] 在本说明书的描述中，参考术语“本实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

[0113] 以上公开的本发明实施例只是用于帮助阐述本发明。实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。