技术领域
[0001] 本发明涉及数据处理领域。本发明涉及一种燃气管道稳态运行监测方法及系统。
相关背景技术
[0002] 燃气具有易燃易爆的特性，因此其在输送过程中的安全就极为重要，这对燃气输送管道的可靠性提出了很高的要求。燃气管道在输送天然气等可燃气体时可能会存在一定的安全风险，例如泄露、爆炸等事故会对人员和环境造成严重危害。为了确保燃气管道的安全运行，必须采用有效的监测手段和措施。
[0003] 公开号为CN116480955A的专利申请文件公开了一种地下管廊燃气管道泄漏监测及漏点精确定位系统，通过管外由轨道机器人搭载激光遥感探测仪在管道周围进行巡检，通过监测甲烷气体浓度值的变化以实现燃气管道泄漏的精确定位，通过管内监测燃气管道压力和流量信号，根据实时监测值和模拟值进行比较实现燃气管网的泄漏识别，并建立泄漏定位模型对泄漏位置进行求解，准确判断出泄漏发生的位置，采用融合管外监测和管内监测，让它们共同作用，不管是发生泄漏比较小还是泄露比较严重的情况都能实现漏点的精准定位。
[0004] 上述操作虽然实现对地下管廊燃气管道漏点的精确定位。但是在进行管内监测时管道外部也在进行巡检，可能会产生一定的噪声影响内部收集相关数据的真实性，导致燃气管道的压力检测结果不准确的情况发生。
具体实施方式
[0023] 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，都属于本发明保护的范围。
[0024] 下面结合附图来详细描述本发明的具体实施方式。
[0025] 参照图1，一种燃气管道稳态运行监测方法包括步骤S1‑S5，具体如下：S1：采集多个采样时刻下燃气管道内的压力数据和流量数据，获取压力数据集和流量数据集。
[0026] 在对燃气管道内的压力数据和流量数据进行采集时，需要确保在同一时间段进行且开始采集的时间相同，在本发明实施例中，可用压力传感器和涡轮流量计分别采集压力数据和流量数据，对于这两种数据的采集时长为30分钟，采集频率为一秒一次，使用模数转换设备对采集的压力数据和流量数据进行数字化转换，得到压力数据集和流量数据集。
[0027] S2：确定压力数据集中任一压力数据的延伸规则，所述延伸规则为定义多个尺度，在每个尺度下，以每个压力数据为中心得到对应的目标数据段。
[0028] 本发明实施例中对燃气管道中的压力数据使用CA算法进行显著性检测，在多个尺度上对数据进行观察和分析，考虑到这些不同尺度上的数据变化对于确定压力数据是否显著的影响，因此确定一种延伸规则。
[0029] 具体地，在本发明实施例中，确定延伸规则包括：对于每一个压力数据，作为其对应的尺度末尾端处的端点，在对应的采样时刻向前选取100个压力数据作为初始尺度，并在这个尺度上进行显著性检测，而位于初始尺度起始端处的数据，若其之前的数据量不足以构成100个数据的尺度，可采取数据延拓的方式补充一部分数据用于后续分析，数据延拓的手段在选择进行分析的数据段之前对压力数据进行采集，每一个压力数据在相邻尺度之间延伸的数据量为100个数据，进行延伸的尺度上限为5个尺度。
[0030] 示例性的，以1个压力数据的初始尺度为例进行平滑处理，取相邻的100个数据获得第2个尺度，第2个尺度的数据个数为200个，依次类推可获取第5个尺度。
[0031] 以上述选取的初始尺度为例，以其对应的压力数据为中心，向左向右均选取50个数据，组成一个数据段，并将其作为该压力数据在对应尺度下的目标数据段，以用于后续分析。
[0032] S3：获取目标数据段的突变程度。
[0033] 在确定每一个压力数据的延伸规则后，需要对每一个压力数据在多个尺度下对应的目标数据段发生突变进行分析。
[0034] 在本发明实施例中，依据每一个压力数据在多个尺度下对应的目标数据段中自身的数据波动情况获得该目标数据段的混乱程度。
[0035] 具体地，根据压力数据集建立直角坐标系，其中横坐标为采样时刻，纵坐标为压力数据对应的数值。
[0036] 随机选取第 个压力数据在第 个尺度下的目标数据段，从该目标数据段中共选取Y个压力数据用于计算其与紧邻两侧数据连线夹角余弦值，由于该目标数据段的首尾处的数据不具备该指标，因此在选取时需要排除首尾处的这两个数据。计算目标数据段内第 个数据与其紧邻两侧数据连线的夹角的余弦值。统计目标数据段内共出现了多少个不同大小的数值，每一个数值记为一个类，并统计为 ，进而计算目标数据段中第 类数值出现的频率，以及该目标数据段中所有类出现频率的平均值和标准差。
[0037] 则上述目标数据段的混乱程度的计算公式如下：
[0038] 式中，表示目标数据段的混乱程度，表示在目标数据段内有效的压力数据总数， 表示目标数据段内第 个数据与其紧邻两侧数据连线的夹角的余弦值，表示目标数据段中的峭度， 为归一化函数， 表示以自然常数e为底数的指数函数，其中，有效的压力数据总数等于目标数据段内的总压力数据减去其首尾两端处的压力数据。
[0039] 其中，峭度 的具体计算公式为：
[0040] 式中， 表示目标数据段中第 类数值出现的概率， 与 分别表示该数据段中所有类出现概率的平均值与标准差。
[0041] 该夹角 的取值范围在0‑360度之间，其余弦值的取值范围在 之间，该值越大说明该夹角的形状越尖锐，那么目标数据段中存在剧烈变化的数据越多，以及目标数据段中的峭度值越偏离3，其混乱程度越大。
[0042] 从上述计算公式可得到每一个压力数据在多个尺度下对应的目标数据段的混乱程度，但是其中对每一个压力数据在多个尺度下对应的目标数据段发生突变进行分析时，可能会受到局部数据的影响，导致对其混乱程度的准确性评估出现偏差，所以还需要结合多个数据段之间关于混乱程度的差异进行分析，从而获取每一个压力数据在多个尺度下对应的目标数据段的突变程度。
[0043] 具体地，在压力数据集中，对于每个目标数据段，在同一尺度下选择多个与之等长的参考数据段，将参考数据段的总个数记为 。
[0044] 同理，参考数据段的混乱程度可根据目标数据段的混乱程度的获取方式获取。
[0045] 则目标数据段的突变程度为：
[0046] 式中，表示目标数据段的突变程度，表示目标数据段的混乱程度，表示参考数据段的混乱程度，表示目标数据段的信息熵， 为归一化函数。
[0047] 其中，的具体计算公式如下：
[0048] 式中， 表示以e为底的对数函数。
[0049] 目标数据段的混乱程度与所有参考数据段的混乱程度的差值越大，以及该信息熵的值越大说明对应的目标数据段中的数值分布越乱，那么该目标数据段中的混乱程度越大的可信度就高，对应的突变程度就越大。
[0050] 在获得目标数据段的突变程度后，同理可得参考数据段的突变程度。
[0051] S4：将目标数据段与所有参考数据段的突变程度的差值之和的均值作为压力数据对应尺度下的显著性值，进而得到该压力数据最终的显著性值，进而得到所有压力数据最终的显著性值。
[0052] 将目标数据段与所有参考数据段的突变程度的差值之和的均值作为压力数据对应尺度下的显著性值，进而对压力数据在多个尺度下的异常情况进行评估。
[0053] 上述对应尺度下的显著性值的计算公式为：
[0054] 式中， 表示压力数据对应尺度下的显著性值，表示目标数据段的突变程度，表示参考数据段的突变程度。
[0055] 但是实际在燃气管道中的压力数据采集过程中，会因为外界环境等因素产生压力噪声数据，与真实发生异常的压力数据在数值上极为相似，所以获得的任一压力数据在多个尺度下对应的目标数据段的突变程度并不能准确的反映一个压力数据在多个尺度下的异常情况。
[0056] 燃气管道内的压力和流量之间的关系是由多种因素决定的，包括管道的几何形状、管道材料、流体性质以及管道的工作条件等。一般来说，压力和流量之间存在着一定的关联，这种关系可以通过燃气管道的基本流体力学原理来理解。一般情况下燃气管道内压力越高，相对应的阻力也越大，导致流体流过管道的速度减小，从而使流量减少。
[0057] 因此，在本实施例中通过对每一个压力数据结合其在多个尺度下对应相同采样时刻的流量数据之间的相关性进行分析，对每一个压力数据在多个尺度下的目标数据段的突变程度进行调整，得到每一个压力数据在多个尺度下的显著性值的权重。
[0058] 首先，计算任一压力数据在多个尺度下的数据段对应采样时刻的压力数据集和流量数据集的皮尔逊相关系数。则皮尔逊相关系数的计算公式如下：
[0059] 式中， 表示目标数据段对应采样时刻的压力数据集和流量数据集的皮尔逊相关系数， 表示该采样时间段中压力数据集与流量数据集的协方差， 表示该采样时间段中压力数据集与流量数据集的标准差乘积。
[0060] 其次，分别获取目标数据段对应采样时刻的压力数据集和流量数据集的极值点个数，得到压力数据集和流量数据集的极值点个数的差异值，并结合上述提到的皮尔逊相关系数、目标数据段的突变程度得到每一个压力数据在多个尺度下的显著性值的权重因子。
[0061] 则上述每一个压力数据在多个尺度下的显著性值的权重因子的计算公式如下：
[0062] 式中，表示权重因子， 表示压力数据在任一尺度下的目标数据段对应采样时刻的压力数据集和流量数据集的皮尔逊相关系数，表示目标数据段的突变程度， 、分别表示压力数据在对应尺度下的目标数据段中对应采样时刻的压力数据集的极值点个数和流量数据集的极值点个数， 为归一化函数， 表示以自然常数e为底数的指数函数。
[0063] 在获得每一个压力数据在多个尺度下的显著性值的权重因子后，可将其引入从而得到对应的显著性值的权重，从而强调或减弱压力数据在某些尺度下的影响。
[0064] 其中，对应的显著性值的权重为：
[0065] 式中，表示压力数据在多个尺度下对应的显著性值的权重，表示压力数据在每个尺度下对应的权重因子，表示压力数据对应的所有尺度的总数。
[0066] 上述皮尔逊相关系数的值越接近于‑1，说明两种数据集之间的负相关性越强，那么在该尺度下的数据段中的突变程度起因是由于压力数据本身产生的真实异常的可能性越大，说明数据越真实，那么该尺度应该获得的权重越大。上述极值点个数的差异值越大说明两种数据之间的负相关性越强的可信度越大，同样也可以证明数据的真实性越强，那么该尺度应该获得的权重同样应该越大。
[0067] 需要说明的是，在其他实施例中，当一个压力数据包含多个显著性值时，可能需要对这些值整合以得到一个最终的显著性值的方法可以是直接计算所有显著性值的算数平均值，也可以是选择所有显著性值的中位数作为最终的显著性值等方法。
[0068] 在本发明实施例中，在得到压力数据在多个尺度下对应的显著性的权重后，可以计算压力数据最终的显著性值。
[0069] 则上述压力数据最终的显著性值的计算公式如下：
[0070] 式中， 表示压力数据对应尺度下的显著性值， 表示压力数据最终的显著性值，表示压力数据在每个尺度下的显著性值的权重。
[0071] S5：基于最终的显著性值对燃气管道内的压力数据进行异常检测。
[0072] 具体地，预先设定阈值，将所有最终的显著性值分别与阈值进行比较，在本发明实施例中，设置阈值为0.7，将所有压力数据的显著性值分别与设置的阈值进行比较，超过0.7的压力数据被视为异常点。这些异常点可能表示管道内发生了异常情况，如泄漏、堵塞或其他故障。
[0073] 对于检测到的异常点，可以采取适当的措施来处理异常，例如修复管道、调整操作参数或采取紧急措施以确保管道安全。
[0074] 本发明通过获取每一个压力数据在多个尺度下对应的数据段的突变程度，计算压力数据和流量数据的权重信息可以帮助提高显著性检测算法的鲁棒性，得到每一个压力数据更为准确的显著性值，可以对整个管道内的压力数据进行全面的异常检测，进而得到更准确的压力数据异常检测结果，从而避免因外界环境的干扰产生噪声数据导致燃气管道的压力检测结果准确性降低的情况发生。
[0075] 系统包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本发明第一方面的燃气管道稳态运行监测方法。
[0076] 系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
[0077] 在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive Random Access Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random‑Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High‑Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
[0078] 在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
[0079] 虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
