(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111055478.0 (22)申请日 2021.09.09 (71)申请人 浙江浙能天然气运行有限公司 地址 310052 浙江省杭州市滨江区滨 盛路 1751号浙能二厦 (72)发明人 沈佳园　沈国良　严骏驰　钱济人　 朱松强　陈迦勒　蔡坤　许亚婷　 (74)专利代理 机构 浙江千克知识产权代理有限 公司 33246 代理人 黎双华 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/08(2020.01) G06F 113/14(2020.01) G06F 119/14(2020.01) (54)发明名称 基于机器学习方法的天然气管网泄漏预警 方法 (57)摘要 本发明属于管道泄漏检测技术领域， 具体涉 及基于机器学习方法的天然气管网泄漏预警方 法。 包括以下步骤： S1， 收集天然气管道正常工作 和泄漏时的历史数据指标作为训练集， 并构建拓 扑结构图； S2， 建立故障检测与小概率预警模型 以及故障原因分析模型， 并训练； S3， 利用模型， 实时收集天然气管道工作数据， 判断是否有泄漏 发生； S4， 当判定为发生泄漏时， 利用模型得到发 生泄漏的原因； S5， 收集数据 样本， 并对模型进行 微调更新。 本发 明具有能够自动预 警天然气管道 泄漏， 并建立经验更新模型， 利用每一次新的泄 漏事件快速更新当前模型以及对天然气管道运 行中的小概 率事件进行预警的特点。 权利要求书2页 说明书7页 附图2页 CN 113987908 A 2022.01.28 CN 113987908 A 1.基于机器学习方法的天然气管网泄漏预警方法， 其特 征在于， 包括以下步骤： S1， 收集天然气管道正常工作和泄漏时的历史数据指标作为训练集， 并根据历史数据 指标构建一个包 含所有历史数据指标的拓扑 结构图； S2， 建立故障检测与小概率预警模型以及故障原因分析模型， 并根据步骤S1中所述的 训练集对所述故障检测与小概 率预警模型和故障原因分析模型进行训练； S3， 利用步骤S2中训练好的故障检测与小概率预警模型， 实时收集天然气管道的工作 数据信息并进行推理， 判断天然气管网中是否有泄漏发生； S4， 当天然气管网被判定为发生泄漏时， 利用所述故障原因分析模型进行推理运算， 向 训练好的故障原因分析模型输入天然气管道实时各项 数据指标所构建的拓扑结构图， 得到 发生泄漏的原因； S5， 收集每次天然气管网预警过程中发生的准确判断与错误判断的数据并对应构建正 学习样本和负学习样本； 保留正学习样本， 利用新增保留的正学习样本对所述故障检测与 小概率预警模型以及故障原因分析模型进行微调更新， 以获取 更加准确的模型。 2.基于权利要求1所述的基于机器学习方法的天然气管网泄漏预警方法， 其特征在于， 步骤S1中所述数据指标包括管道拓扑结构、 管道流量、 管道压降、 用户终端流量、 管道气 压、 气体温度、 流 量及压力偏离量； 步骤S1还 包括以下步骤： S11， 将所述数据指标中的管道拓扑结构量化为一个数值矩阵， 所述矩阵中非零值为管 道所在位置； S12， 将管道流量、 管道压降、 用户终端流量、 管道气压、 气体温度、 流量及压力偏离量数 值作为数组填入对应位置的非零管道区域， 以完成构建一个包含所有历史数据指标的拓扑 结构图。 3.基于权利要求1所述的基于机器学习方法的天然气管网泄漏预警方法， 其特征在于， 所述故障检测与小概率预警模型包括编码器、 解码器和分类器； 所述编码器用于将输入的 数据编码成隐含分布； 所述解码器用于对所述隐含分布进行解码， 使解码结果接近原始输 入数据； 所述分类器用于根据隐含分布输出对应的输入数据样本是处于管道故障状态下产 生的概率。 4.基于权利要求3所述的基于机器学习方法的天然气管网泄漏预警方法， 其特征在于， 所述编码器与解码器结构相互对称。 5.基于权利要求3所述的基于机器学习方法的天然气管网泄漏预警方法， 其特征在于， 步骤S2还 包括如下步骤： S21， 对重构损失函数Lrec进行优化； 所述重构损失函数Lrec＝|Xrec‑Xin|2， 其中Xrec为重 构输入， Xin为原始输入； S22， 对隐含分布损失函数Lkl进行优化； 所述隐含分布损失函数Lkl表示经验分布和多元 标准正态分布之间的KL距离， 所述Lkl＝KL(Pemp||PGauss)， 其中Pemp为经验分布， 而PGauss为预 计拟合的多元 标准正态分布； S23， 对分类损失函数函数Lcls进行优化； 使用交叉熵度量的分类损失函数Lcls＝‑∑ PpredlogPtrue， 其中Ppred为预测概 率分布， Ptrue为真实的概 率分布； S24， 获得最终需要优化的目标函数L＝α Lrec+β Lkl+γLcls， 其中， α、 β和γ均为手动调节 参数。权　利　要　求　书 1/2 页 2 CN 113987908 A 26.基于权利要求3所述的基于机器学习方法的天然气管网泄漏预警方法， 其特征在于， 步骤S3还 包括如下步骤： S31， 所述故障检测与小概率预警模型中的编码器输出当前运行状态下的概率密度函 数， 当所述概率密度小于指定阈值时， 所述故障检测与小概率预警模型判断发生了小概率 事件， 提醒维护人员多加注意； 其中， 所述小概 率事件包括管道发生泄漏和管道下游的气压负荷发生变化。 7.基于权利要求1所述的基于机器学习方法的天然气管网泄漏预警方法， 其特征在于， 所述故障原因分析模型包括第一特征提取层和 第二分类层； 所述第一特征提取层是以数据 维度为输入维度， 64为输出维度的全连接层， 后接Tanh作为激活函数； 所述第二分类层是以 64为输入维度， 2为输出维度的全连接层。 8.基于权利要求3所述的基于机器学习方法的天然气管网泄漏预警方法， 其特征在于， 步骤S5还 包括如下步骤： S51， 在收集并积累了一批正学习样本后， 使用FTRL算法对所述故障检测与小概率预警 模型中的编码器和解码器的参数进行 更新； S52， 使用FTRL算法对所述故障检测与小概率预警模型中的分类器和所述故障原因分 析模型的参数进行 更新。 9.基于权利要求8所述的基于机器学习方法的天然气管网泄漏预警方法， 其特征在于， 步骤S51和步骤S 52中对所述参数进行更新的幅度取决于所述新增正学习样本的数量； 所述 新增正学习样本的数量越大， 更新幅度越大， 所述新增正学习样本的数量越小， 更新幅度越 小。权　利　要　求　书 2/2 页 3 CN 113987908 A 3