一种基于机器学习的天然气管道泄露检测方法及系统与流程

本发明涉及燃气泄露检测，尤其涉及一种基于机器学习的天然气管道泄露检测方法及系统。

背景技术：

1、智能燃气表是一种集成了智能技术的燃气计量设备，它能够实时监测和记录用户的燃气消耗情况，并通过无线通信技术将数据传输到相关的管理系统中。这些系统不仅可以测量气体流量，还可以随时间记录数据，从而监测使用模式。

2、智能燃气表的泄露检测是指通过智能燃气表的传感器和算法，对燃气泄漏进行检测和报警。然而，现有检测方法通常是擅长于识别简单系统中的大规模破坏或泄漏，但在检测复杂而广泛的管道网络中的早期轻微(微小)泄漏方面存在不足。

3、现有的检测方法中被应用于复杂或大型气体分配系统中时，往往缺乏识别微小泄漏的灵敏度，这些小规模的泄漏往往因其微妙的性质而被忽视。微小泄漏虽然不会立即造成危险，但随着时间的推移可能会逐渐升级，导致安全隐患、资源浪费和环境问题。此外，现有的检测方法难以区分正常的天然气使用模式和可能表明泄漏的异常情况。当前的系统可能对燃气使用的正常变化反应过度，导致误报；或者检测不足，遗漏了泄漏的细微迹象。

技术实现思路

1、为了解决以上技术问题，本发明提供了一种基于机器学习的天然气管道泄露检测方法及系统。

2、本发明所解决的技术问题可以采用以下技术方案实现：

3、一种基于机器学习的天然气管道泄露检测方法，包括：

4、步骤s1，获取一第一预设时间段内智能燃气表的气体参数的脉冲时间序列数据；

5、步骤s2，将所述脉冲时间序列数据与所述第一预设时间段对应的随时间变化的基准线进行比较，得到比较结果；

6、步骤s3，对所述比较结果中的异常情况进行分类，确定泄露程度；

7、步骤s4，根据所述泄露程度触发相应的响应动作。

8、优选地，所述步骤s2包括：

9、步骤s21，计算所述脉冲时间序列数据中各时间戳的脉冲数据与各所述时间戳对应的所述基准线的偏差；

10、步骤s22，根据所述第一预设时间段内所有所述时间戳对应的所述偏差进行计算，得到模式偏差度量值；

11、步骤s23，将所述模式偏差度量值与一预设检测阈值进行比较，得到所述比较结果。

12、优选地，预先设置一权函数，所述权函数包括随时间变化的权重；

13、所述步骤s22还包括：

14、步骤s221，根据所述权函数为各所述时间戳对应偏差赋予相应的权重；

15、步骤s222，根据赋予权重后的偏差计算得到所述模式偏差度量值。

16、优选地，所述步骤s23包括：

17、在所述模式偏差度量值超过所述预设检测阈值且持续一第二预设时间时，判定为存在所述异常情况，并将所述异常情况包括在所述比较结果。

18、优选地，预先建立一基线模型，所述基线模型包括所述智能燃气表的气体参数随时间变化的基准线；

19、所述步骤s2中，所述第一预设时间段对应的随时间变化的基准线从所述基线模型获取得到。

20、优选地，所述步骤s3包括：

21、步骤s31，根据所述比较结果中的异常情况从所述脉冲时间序列数据中提取与各所述异常情况对应的脉冲时间序列；

22、步骤s32，提取每一所述异常情况对应的脉冲时间序列中的非零子序列；

23、步骤s33，将所述第一预设时间段划分成多个子时间段，统计各所述子时间段内所述非零子序列的总和；

24、步骤s34，将各所述子时间段内所述非零子序列的总和分别与预设的泄漏程度阈值进行比较，确定所述泄露程度。

25、优选地，所述泄漏程度阈值预设有两个，包括第一泄漏程度阈值和第二泄漏程度阈值，所述第一泄漏程度阈值小于所述第二泄漏程度阈值；

26、所述步骤s34包括：

27、当所有所述子时间段内所述非零子序列的总和小于等于所述第一泄漏程度阈值时，确定所述泄露程度为微泄漏；

28、当所有所述子时间段内所述非零子序列的总和大于所述第一泄漏程度阈值，且小于等于所述第二泄漏程度阈值时，确定所述泄露程度为中度泄漏；

29、当所有所述子时间段内所述非零子序列的总和大于所述第二泄漏程度阈值时，确定所述泄露程度为严重泄漏。

30、优选地，所述步骤s4之后还包括：

31、步骤s5，对所述脉冲时间序列数据和对应的所述泄露程度进行可视化展示。

32、本发明还提供一种基于机器学习的天然气管道泄露检测系统，用于实施如上述的基于机器学习的天然气管道泄露检测方法，包括：

33、获取单元，用于获取一第一预设时间段内智能燃气表的气体参数的脉冲时间序列数据；

34、比较单元，连接所述获取单元，用于将所述脉冲时间序列数据与所述第一预设时间段对应的随时间变化的基准线进行比较，得到比较结果；

35、异常分类单元，连接所述比较单元，用于对所述比较结果中的异常情况进行分类，确定泄露程度；

36、响应触发单元，连接所述异常分类单元，用于根据所述泄露程度触发相应的响应动作。

37、本发明技术方案的优点或有益效果在于：

38、本发明提供一种比传统方法更准确、更及时、更经济的泄露检测方法，提高检测微小泄漏的灵敏度，还可以快速行动，避免泄漏升级为更严重的危害，解决复杂天然气分销网络中早期泄漏检测的关键问题。

技术特征：

1.一种基于机器学习的天然气管道泄露检测方法，其特征在于，包括：

2.根据权利要求1所述的基于机器学习的天然气管道泄露检测方法，其特征在于，所述步骤s2包括：

3.根据权利要求2所述的基于机器学习的天然气管道泄露检测方法，其特征在于，预先设置一权函数，所述权函数包括随时间变化的权重；

4.根据权利要求2所述的基于机器学习的天然气管道泄露检测方法，其特征在于，所述步骤s23包括：

5.根据权利要求1所述的基于机器学习的天然气管道泄露检测方法，其特征在于，预先建立一基线模型，所述基线模型包括所述智能燃气表的气体参数随时间变化的基准线；

6.根据权利要求1所述的基于机器学习的天然气管道泄露检测方法，其特征在于，所述步骤s3包括：

7.根据权利要求6所述的基于机器学习的天然气管道泄露检测方法，其特征在于，所述泄漏程度阈值预设有两个，包括第一泄漏程度阈值和第二泄漏程度阈值，所述第一泄漏程度阈值小于所述第二泄漏程度阈值；

8.根据权利要求1所述的基于机器学习的天然气管道泄露检测方法，其特征在于，所述步骤s4之后还包括：

9.一种基于机器学习的天然气管道泄露检测系统，其特征在于，用于实施如权利要求1-8任意一项所述的基于机器学习的天然气管道泄露检测方法，包括：

技术总结本发明提供一种基于机器学习的天然气管道泄露检测方法，包括：步骤S1，获取一第一预设时间段内智能燃气表的气体参数的脉冲时间序列数据；步骤S2，将所述脉冲时间序列数据与所述第一预设时间段对应的随时间变化的基准线进行比较，得到比较结果；步骤S3，对所述比较结果中的异常情况进行分类，确定泄露程度；步骤S4，根据所述泄露程度触发相应的响应动作。有益效果：本发明提供一种比传统方法更准确、更及时、更经济的微小泄露检测方法，提高检测微小泄漏的灵敏度，还可以快速行动，避免泄漏升级为更严重的危害，解决复杂天然气分销网络中早期泄漏检测的关键问题。技术研发人员：徐斌,束方存,殷达受保护的技术使用者：常州维格电子有限公司技术研发日：技术公布日：2024/5/12