一種基于特征圖像的燃氣管網泄漏檢測和定位方法
【專利摘要】本發明公開一種基于特征圖像的燃氣管網泄漏檢測和定位方法，包括：1、選取燃氣管網各節點作為控制點；2、使用離線流體模擬軟件Pipeline Studio建立燃氣管網仿真模型；3、在燃氣管網仿真模型相鄰控制點之間的管段上分別設置m個等距離間隔的模擬泄漏點(m≥2)；4、根據燃氣管網供氣量選取n個等間隔的模擬泄漏量；5、將上述n個模擬泄漏量分別輸入m個模擬泄漏點，分別對每個工況進行穩態模擬，獲取各工況下控制點壓力數據；6、制作燃氣管網泄漏工況特征圖像；7、提取圖像特征向量，作為SVM的檢測樣本；8、SVM多次分類識別。本方法能夠比較快速、準確地檢測定位泄漏源位置，為應急處置提供依據。
【專利說明】
一種基于特征圖像的燃氣管網泄漏檢測和定位方法
技術領域
[0001] 本發明涉及燃氣管網安全檢測技術領域，具體涉及一種基于特征圖像的燃氣管網 泄漏檢測和定位方法。
【背景技術】
[0002] 隨著我國能源結構調整進程的加快，城市燃氣管網的建設也在飛速發展。由于燃 氣的易燃易爆特性，作為燃氣輸送主要手段的管道的安全性顯得尤為重要。在各類安全生 產事故中，燃氣管道泄漏無疑對人們的生命財產安全構成了巨大威脅，在竭力避免此類事 故發生的同時，也要求我們能夠盡早定位泄漏點并進行相關處置。
[0003] 目前，國內外對燃氣管道的泄漏檢測及定位的研究大多是針對輸氣、輸油的長輸 管道，然而城市燃氣管網一方面與長輸管道一樣，具有長期使用性、埋地隱蔽性的特點；另 一方面由于城市燃氣管網在城市中成環狀網絡分布，形成網絡拓撲結構和多管耦合結構， 管網中還包括閥門井等附屬設施，其泄漏檢測定位的難度遠高于長輸管道。加之城市人口 及財產密度較大，以及野蠻施工、私挖亂建對燃氣管道造成外力破壞等問題，這使得城市燃 氣管網的泄漏安全隱患較長輸管道更為突出。因此，尋求一種適用于城市燃氣管網的高效、 準確的泄漏檢測定位方法是十分必要的。
[0004] 燃氣管網運行中用氣負荷復雜多變，管網運行參數相應波動，其特征具有一定的 模糊性。
[0005] 支持向量機（Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于 1995年首先提出的，它在解決小樣本、非線性及高維模式識別等機器學習問題中表現出許 多特有的優勢。在機器學習中，支持向量機是與相關的學習算法有關的監督學習模型，可以 分析數據，識別模式，用于分類和回歸分析。
[0006] SCADA(Supervisory Control and Data Acquisition)系統，即數據米集與監視 控制系統日趨完善，它可以對現場的運行設備進行監視和控制，以實現數據采集、設備控 制、測量、參數調節以及各類信號報警等各項功能。
[0007] GIS(Geographic Information System)，即地理信息系統，結合地理學與地圖學 以及遙感和計算機科學，已經廣泛的應用在不同的領域，是用于輸入、存儲、查詢、分析和顯 示地理數據的計算機系統。
[0008] 燃氣管網仿真技術的不斷進步，各類水力計算軟件不斷更新，為模式識別在燃氣 管網泄漏檢測定位中的應用提供了技術條件。
[0009] 本發明的目的在于提供一種適用于復雜城市燃氣管網的泄漏源的較低成本的檢 測及定位方法，該方法充分利用現有軟硬件設施，無需對埋地管道進行開挖，可較為快速、 準確地檢測定位泄漏源位置，為應急處置提供依據，從而減少因燃氣泄漏以及查找泄漏源 造成的財產損失，降低安全風險。
【發明內容】
[0010] 有鑒于此，本發明提出一種基于特征圖像的燃氣管網泄漏檢測和定位方法，無需 對埋地管道進行開挖，可較為快速、準確地檢測定位泄漏源位置，為應急處置提供依據，從 而減少因燃氣泄漏以及查找泄漏源造成的財產損失，降低安全風險。
[0011] 為實現該技術目的，本發明的技術方案如下：
[0012] 本發明實現的一種基于特征圖像的燃氣管網泄漏檢測和定位方法，該方法包括：
[0013] 步驟一:選取燃氣管網各節點作為控制點，結合SCADA系統的壓力遙測信息，采用 多元回歸的方法擬合出各控制點宏觀模型的數學表達式，從而獲取各控制點在時間序列上 所對應的運行壓力另外若客觀條件允許，可在各控制點處直接安裝壓力變送器，實時 獲取控制點運行壓力；
[0014] 步驟二:結合燃氣管網地理信息，包括路由、管長、管徑、壁厚等，使用離線流體模 擬軟件Pipeline Studio建立燃氣管網仿真模型；
[0015] 步驟三:在燃氣管網仿真模型相鄰控制點之間的管段上分別設置m個等距離間隔 的模擬泄漏點(m2 2)，模擬泄漏點設置數量將影響定位精度，設置越多則定位越精確；
[0016] 步驟四：根據燃氣管網供氣量選取η個等間隔的模擬泄漏量(如各模擬泄漏量之間 相差總供氣量的5% )，泄漏量間隔選取越密集則使用該方法可檢測的泄漏工況越廣泛；
[0017] 步驟五:將上述η個模擬泄漏量分別輸入m個模擬泄漏點，得到kXmXn個泄漏工況 (其中k為燃氣管網所含管段數），輸入邊界條件，分別對每個工況進行穩態模擬，獲取各工 況下控制點壓力數據；
[0018] 步驟六:根據各工況下控制點壓力數據制作燃氣管網泄漏工況特征圖像，并分別 提取圖像特征向量，作為支持向量機(SVM)的訓練樣本；
[0019] 步驟七:根據待檢測實際運行工況各控制點壓力制作燃氣管網工況特征圖像，并 提取圖像特征向量，作為SVM的檢測樣本；
[0020] 步驟八:根據泄漏量、泄漏點位置等，將訓練樣本所包含的泄漏工況分類，并為其 對應的特征向量賦予相應的分類標簽，利用SVM，選取徑向基核函數（Radial Basis Function，RBF)，通過粒子群優化算法(Particle Swarm Optimization，PS0)或遺傳算法 (Genetic Algorithm，GA)對檢測樣本進行尋優分類，從而實現燃氣管網泄漏點定位。基于 特征圖像的燃氣管網泄漏檢測和定位方法流程圖如圖1所示。
[0021 ]所述步驟一中的結合SCADA系統的壓力遙測信息，各控制點在時間序列上所對應 的運行壓力/f 4是采用以下多項式，利用多元回歸的方法進行擬合的：
[0025]式中#+1)--當i = l，2,…，mi時，為第(k+Ι)時刻第i個儲配站的供氣壓力或儲氣 壓力，當i =mi+l，mi+2，· · ·，mi+m2時，為第(k+1)時刻第i個門站的計算供氣壓力，當i =mi+m2+ 1，mi+m2+2，…，mi+m2+m3時，為第(k+1)時刻第i個控制點的計算壓力；
[0026] q(k+1)一一第(k+Ι)時刻預計總用氣量；
[0027] --當j = l，2，···，mi時，為第(k+1)時刻第j個儲配站的出氣或進氣量，當j = nu+1，mi+2，…，mi+m2時，為第(k+1)時刻第j個門站的供氣量；
[0028] Ai〇,Aii ,Bij ,Cii--回歸系數，通過多兀線性回歸或逐步回歸確定；
[0029] P"一一第k時刻，各門站、儲配站及控制點的遙測壓力；
[0030] α--流量的冪數，取1~2。
[0031] 所述步驟七中的燃氣管網工況特征圖像的繪制方法如下：
[0032] 1)結合燃氣管網地理信息所包含的管段走向及長度信息繪制燃氣管網拓撲結構；
[0033] 2)將各管段上的壓力變化簡化為線性，已知長度為1的管段兩端編號分別為i和i+ 1的控制點在第(k+1)時刻壓力分別為if 4、/^+u，則該管段上距離控制點i距離為X的一 點壓力計算公式為：
[0035] 3)在各管段上每隔一定的壓力差標記一個等壓點，連接各管段上的等壓點點，從 而得到"等壓線圖"；
[0036] 4)將"等壓線"與各管段圍成的閉合區域按照一定的規律著色，獲得燃氣管網工況 特征圖像。
[0037] 圖2所示為根據研究中所使用的實驗管網繪制的在某正常運行工況下的特征圖 像。
[0038] 所述步驟六中的對燃氣管網泄露工況特征圖像進行特征向量提取是基于圖像的 紋理特征，本發明選擇紋理特征中的以下四個統計特征進行特征向量提取：
[0039] (1)均值:紋理平均亮度的度量。
[0041 ] (2)角二階距:也叫能量，是圖像灰度分布均勻性的度量。
[0043] (3)標準方差:文理平均對比度的度量。
[0045] (4)熵：隨機性的度量。熵越大表明隨機性越大，信息量也就越大；反之確定性越 大。
[0047]式中：
[0048] L一一灰度等級總數；
[0049] Zl-一第i個灰度級；
[0050] p(Zi)一一歸一化直方圖灰度級分布中灰度為Zi的概率。 [0051 ]基于Matlab的管網特征圖像特征向量提取程序如下：
[0052]
[0055]所述步驟八是利用支持向量機SVM分類識別功能對燃氣管網工況特征圖像進行分 類識別，實現燃氣泄漏檢測和定位。
[0056] 有益效果：
[0057] 1、充分利用現有軟硬件設施，能夠快速、準確地檢測定位泄漏源位置，為應急處置 提供依據。
[0058] 2、有效降低燃氣泄漏以及查找泄漏源造成的財產損失，降低安全風險。
[0059] 3、與現有技術相比，本方法無需對燃氣管網現有硬件設施進行改造，或只需在控 制點處增加壓力變送器，其成本較低;不受城市燃氣管網拓撲結構復雜及其附屬設施的影 響，且以圖像特征作為分類特征，具有一定的模糊性，其適應性較強；同時，本方法也可用于 供水、輸油等管網。
【附圖說明】
[0060] 圖1是本發明的基于特征圖像的燃氣管網泄露檢測和定位方法流程示意圖。
[0061] 圖2是根據研究中所使用的實驗管網繪制的在某正常運行工況下的特征圖像。
[0062] 圖3是天津城建大學燃氣管網實驗平臺。
[0063]圖4是根據天津城建大學燃氣管網實驗平臺，利用離線流體模擬軟件Pipeline Studio建立燃氣管網仿真模型。
[0064]圖5是由表1數據繪制各工況下模擬控制點壓力以及實測控制點壓力散點圖:a)工 況l;b)工況2;c)工況3。
[0065]圖6是改造后的管網模型及泄漏點編號。
[0066]圖7是6號泄漏點位于其所在管段中點，泄漏量為5m3/h工況下的特征圖像。
【具體實施方式】
[0067]下面結合各附圖和具體實施例對本發明做進一步詳細說明。
[0068] 實施例
[0069] -種基于特征圖像的燃氣管網泄漏檢測和定位方法，該方法包括：
[0070] 步驟一:選取燃氣管網各節點作為控制點，結合SCADA系統的壓力遙測信息，采用 多元回歸的方法擬合出各控制點宏觀模型的數學表達式，從而獲取各控制點在時間序列上 所對應的運行壓力if 另外若客觀條件允許，可在各控制點處直接安裝壓力變送器，實時 獲取控制點運行壓力；
[0071] 步驟二:結合燃氣管網地理信息，包括路由、管長、管徑、壁厚等，使用離線流體模 擬軟件Pipeline Studio建立燃氣管網仿真模型；
[0072]步驟三:在燃氣管網仿真模型相鄰控制點之間的管段上分別設置m個等距離間隔 的模擬泄漏點(m2 2)，模擬泄漏點設置數量將影響定位精度，設置越多則定位越精確；
[0073] 步驟四：根據燃氣管網供氣量選取η個等間隔的模擬泄漏量(如各模擬泄漏量之間 相差總供氣量的5% )，泄漏量間隔選取越密集則使用該方法可檢測的泄漏工況越廣泛；
[0074] 步驟五:將上述η個模擬泄漏量分別輸入m個模擬泄漏點，得到k Xm X η個泄漏工況 (其中k為燃氣管網所含管段數），輸入邊界條件，分別對每個工況進行穩態模擬，獲取各工 況下控制點壓力數據；
[0075] 步驟六:根據各工況下控制點壓力數據制作燃氣管網泄漏工況特征圖像，并分別 提取圖像特征向量，作為支持向量機(SVM)的訓練樣本；
[0076] 步驟七:根據待檢測實際運行工況各控制點壓力制作燃氣管網工況特征圖像，并 提取圖像特征向量，作為SVM的檢測樣本；
[0077] 步驟八:根據泄漏量、泄漏點位置等，將訓練樣本所包含的泄漏工況分類，并為其 對應的特征向量賦予相應的分類標簽，利用SVM，選取徑向基核函數（Radial Basis Function，RBF)，通過粒子群優化算法(Particle Swarm Optimization，PS0)或遺傳算法 (Genetic Algorithm，GA)對檢測樣本進行尋優分類，從而實現燃氣管網泄漏點定位。
[0078] 本方法基于圖像的紋理特征對燃氣管網工況特征圖像進行特征向量提取，本發明 選擇紋理特征中的以下四個統計特征進行特征向量提取：
[0079] (1)均值:紋理平均亮度的度量。
[0081 ] (2)角二階距:也叫能量，是圖像灰度分布均勻性的度量。
[0083] (3)標準方差:文理平均對比度的度量。
[0085] (4)熵：隨機性的度量。熵越大表明隨機性越大，信息量也就越大；反之確定性越 大。
[0087]式中：
[0088] L一一灰度等級總數；
[0089] Zl-一第i個灰度級；
[0090] p(zi)一一歸一化直方圖灰度級分布中灰度為Zi的概率。
[0091 ]基于Matlab的管網特征圖像特征向量提取程序如下：
[0094]
[0095] 本實施例基于天津城建大學燃氣管網實驗平臺，旨在用于解釋本發明，而不能理 解為對本發明的限制。
[0096] 天津城建大學燃氣管網實驗平臺如圖3所示，其控制點處均有壓力變送器測點，可 將控制點壓力信號以及進氣點和各負荷點的流量數據處理系統中（模擬SCADA系統），實現 對模擬管網運行的實時監控與數據采集。
[0097]根據天津城建大學燃氣管網實驗平臺，利用離線流體模擬軟件Pipeline Studio 建立燃氣管網仿真模型如圖4。
[0098]設置氣源點壓力為300Kpa，分別調節實驗管網和管網模型中負荷點的流 量，選取表1中所示3種工況，并將各工況下管網中16個控制點的模擬控制點壓力與實測控 制點壓力記入表1。
[0099]表1控制點壓力數據記錄表(壓力單位:KPa)
[0100]
[0102]
[0103] 由表1數據，分別繪制各工況下模擬控制點壓力以及實測控制點壓力散點圖，如圖 5所示。
[0104] 通過上圖對三種工況下模擬控制點壓力與實測控制點壓力的對比可以發現二者 節點壓力散點圖十分接近，因此可以認為該計算機管網模型基本可以準確反映實驗管網水 力工況。
[0105] 對已通過實驗驗證的計算機燃氣管網模型進行如下改造：（1)在進氣點以外的每 個節點處設置一個負荷點（主要指門站、儲氣站、枝狀分支以及直接連接中壓管網的工業用 戶），用以模擬正常用氣負荷。為簡化研究，將所節點流量全部設置為15m3/h; (2)在管網模 型各控制點之間的管段上設置一個負荷點，用以模擬泄漏點。由于管網拓撲結構為以進氣 點所在對角線為對稱軸的軸對稱圖形，且用氣負荷均勻分布，因此只需對一半管網設置泄 漏點進行研究。改造后的管網模型及泄漏點編號如圖6所示。
[0106] 將12個泄漏點位置設置在所在各管段中點，泄漏量分別設置為2.5、5、10m3/h(泄 漏量約占管網總流量的1%_4%)，得到36種泄漏工況。對各工況進行穩態模擬，獲取各控制 點壓力。
，繪制36中工況所分別對應的燃氣管網工況特 征圖。如圖7所示為6號泄漏點位于其所在管段中點，泄漏量為5m3/h工況下的特征圖像。
[0107] 分別對36張特征圖像提取特征向量，將泄漏量為2.5m3/h的12個工況所對應的特 征向量賦予分類標簽1，將泄漏量為5m 3/h的12個工況所對應的特征向量賦予分類標簽2,將 泄漏量為l〇m3/h的12個工況所對應的特征向量賦予分類標簽3,得到SVM訓練樣本。
[0108] 將12個泄漏點位置設置在距離所在各管段中點6m處(全部選擇遠離氣源點的方 向），泄漏量分別設置為5m3/h，得到12種泄漏工況作為待檢測工況。對各工況進行穩態模 擬，獲取各控制點壓力，并分別繪制對應的燃氣管網工況特征圖。
[0109] 分別對12張特征圖像提取特征向量，已知其泄漏量為5m3/h，則其分類標簽為2,由 此獲得SVM檢測樣本。
[0110] 利用SVM，選取徑向基核函數(Radial Basis Function，RBF)，通過粒子群優化算 法(Particle Swarm Optimization，PS0)對檢測樣本進行分類預測。在參數C = 3·916,g = 3.701的情況下，分類準確率為94.44%。由此確定待檢測泄漏工況泄漏量為5m3/h。
[0111]將12個泄漏點位置分別設置在所在各管段中點以及中點兩側距離中點12m處。由 第一次分類識別已知泄漏量為5m3/h，由此得到泄漏量為5m3/h而泄漏位置不同的36種泄漏 工況。對各工況進行穩態模擬，獲取各控制點壓力，并繪制36中工況所分別對應的燃氣管網 工況特征圖。
[0112]分別對36張特征圖像提取特征向量，根據每種工況的泄漏點編號分別賦予36組特 征向量1-12的分類標簽(例如，泄漏點編號為1的工況則賦予分類標簽1)，得到SVM訓練樣 本。
[0113]檢測樣本依然由第一次分類的12個特征向量構成，其分類標簽賦值方式與上述訓 練樣本相同。
[0114] 利用SVM，選取徑向基核函數(Radial Basis Function，RBF)，通過粒子群優化算 法(Particle Swarm Optimization，PS0)對檢測樣本進行分類預測。在參數C = 96·0679，g = 36.9597的情況下，分類準確率為100%。由此確定待檢測泄漏工況泄漏點所在管段。
[0115]由此可得出結論，通過以上兩次SVM分類識別，檢測出了泄漏量，并成功將泄漏點 定位在了泄漏發生的管段，其綜合準確率為94.44%。如需進一步精確泄漏點所在位置，只 需在各管段上增加模擬泄漏點的個數，重復上述步驟。
【主權項】
1. 一種基于特征圖像的燃氣管網泄漏檢測和定位方法，其特征在于，該方法包括： 步驟(一）：選取燃氣管網各節點作為控制點，結合SCADA系統的壓力遙測信息，采用多 元回歸的方法擬合出各控制點宏觀模型的數學表達式，從而獲取各控制點在時間序列上所 對應的運行壓力另外若客觀條件允許，可在各控制點處直接安裝壓力變送器，實時 獲取控制點運行壓力； 步驟(二）：結合燃氣管網地理信息，包括路由、管長、管徑、壁厚等，使用離線流體模擬 軟件Pipeline Studio建立燃氣管網仿真模型； 步驟(三）：在燃氣管網仿真模型相鄰控制點之間的管段上分別設置m個等距離間隔的 模擬泄漏點(m2 2)，模擬泄漏點設置數量將影響定位精度，設置越多則定位越精確； 步驟（四）：根據燃氣管網供氣量選取η個等間隔的模擬泄漏量(如各模擬泄漏量之間相 差總供氣量的5% )，泄漏量間隔選取越密集則使用該方法可檢測的泄漏工況越廣泛； 步驟（五）：將上述η個模擬泄漏量分別輸入m個模擬泄漏點，得到kXmXn個泄漏工況 (其中k為燃氣管網所含管段數），輸入邊界條件，分別對每個工況進行穩態模擬，獲取各工 況下控制點壓力數據； 步驟(六）：根據各工況下控制點壓力數據制作燃氣管網泄漏工況特征圖像，并分別提 取圖像特征向量，作為支持向量機(SVM)的訓練樣本； 步驟(七）：根據待檢測實際運行工況各控制點壓力制作燃氣管網工況特征圖像，并提 取圖像特征向量，作為SVM的檢測樣本； 步驟(八）：根據泄漏量、泄漏點位置等，將訓練樣本所包含的泄漏工況分類，并為其對 應的特征向量賦予相應的分類標簽，利用SVM，選取徑向基核函數（Rad ia 1 Bas i s Function，RBF)，通過粒子群優化算法(Particle Swarm Optimization，PS0)或遺傳算法 (Genetic Algorithm，GA)對檢測樣本進行尋優分類，從而實現燃氣管網泄漏點定位。2. 如權利要求1所述的一種基于特征圖像的燃氣管網泄漏檢測和定位方法，其特征在 于，所述步驟(一）中的結合SCADA系統的壓力遙測信息，各控制點在時間序列上所對應的運 行壓力是采用以下多項式，利用多元回歸的方法進行擬合的：p(k)=A · Q(k+1)+C · p(k) 式中Pi(k+1)--當1 = 1，2，-_，1111時，為第(1^1)時刻第1個儲配站的供氣壓力或儲氣壓 力，當i =mi+l，mi+2，…，mi+m2時，為第(k+1)時刻第i個門站的計算供氣壓力，當i =mi+m2+l， mi+m2+2，…，mi+m2+m3時，為第(k+1)時刻第i個控制點的計算壓力； q(k+1)一一第(k+Ι)時刻預計總用氣量； ^(/+1)--當j = l，2，···，mi時，為第(k+Ι)時刻第j個儲配站的出氣或進氣量，當j=mi+l， nu+2，…，mi+m2時，為第(k+1)時刻第j個門站的供氣量； Ai〇,Aii,Bij,Cii--回歸系數，通過多兀線性回歸或逐步回歸確定； Pi(k)-一第k時刻，各門站、儲配站及控制點的遙測壓力； α 流量的舉數，取1~2。3. 如權利要求1所述的一種基于特征圖像的燃氣管網泄漏檢測和定位方法，其特征在 于，所述步驟(七)中的燃氣管網工況特征圖像的繪制方法如下： 1) 結合燃氣管網地理信息所包含的管段走向及長度信息繪制燃氣管網拓撲結構； 2) 將各管段上的壓力變化簡化為線性，已知長度為1的管段兩端編號分別為i和i+Ι的 控制點在第(k+Ι)時刻壓力分別為，則該管段上距離控制點i距離為X的一點壓 力計算公式為：3) 在各管段上每隔一定的壓力差標記一個等壓點，連接各管段上的等壓點點，從而得 至Γ等壓線圖"； 4) 將"等壓線"與各管段圍成的閉合區域按照一定的規律著色，獲得燃氣管網工況特征 圖像。4. 如權利要求1所述的一種基于特征圖像的燃氣管網泄漏檢測和定位方法，其特征在 于，所述步驟(六）中的對燃氣管網泄露工況特征圖像進行特征向量提取是基于圖像紋理特 征;本方法選擇紋理特征中的以下四個統計特征進行特征向量提取： (1) 均值:紋理平均亮度的度量。1=0 (2) 角二階距:也叫能量，是圖像灰度分布均勻性的度量。(3) 標準方差:文理平均對比度的度量。(4) 熵:隨機性的度量。熵越大表明隨機性越大，信息量也就越大;反之確定性越大。 式中：L一一灰度等級總數； Zl一一第i個灰度級； P(Zi)--歸一化直方圖灰度級分布中灰度為Zi的概率。5. 如權利要求1所述的一種基于特征圖像的燃氣管網泄漏檢測和定位方法，其特征在 于，所述步驟(八)是利用支持向量機SVM分類識別功能對燃氣管網工況特征圖像進行分類 識別，從而實現燃氣泄漏檢測和定位。
【文檔編號】G06K9/46GK105868444SQ201610171812
【公開日】2016年8月17日
【申請日】2016年3月23日
【發明人】玉建軍, 靳新迪, 李宏陽
【申請人】天津城建大學