(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 202111055473.8 (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 杨敬东　沈国良　沈佳园　苏祥伟　 钱济人　朱松强　陈迦勒　蔡坤　 邵迪　 (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) G06F 119/14(2020.01) G06F 113/14(2020.01)G06F 113/08(2020.01) (54)发明名称 基于机器学习的天然气站场输配流量异常 检测系统及其检测方法 (57)摘要 本发明属于流量检测技术领域， 具体涉及基 于机器学习的天然气站场输配流量异常检测系 统及其检测方法。 包括计量区机构和调压区机 构； 所述计量区机构和调压区机构连接； 所述计 量区机构包括压力变送器P1、 压力变送器P2、 流 量变送器F 1和流量变送器F2； 所述调压区机构 包 括压力调节阀V1、 压力调节阀V2、 压力变送 器P01 和压力变送器P02。 本发明实现了对输配流量异 常的实时监测， 减少因计量异常引起的贸易纠 纷。 本发明节约成本， 模 型构建速度快， 以及能够 避免多元函数建模的繁琐和高成本的优化过程， 又无需标注众多的数据， 方便快捷。 权利要求书2页 说明书5页 附图2页 CN 113987907 A 2022.01.28 CN 113987907 A 1.基于机器学习的天然气站场输配流量异常检测系统， 其特征在于， 包括计量区机构 和调压区机构； 所述计量区机构和调压区机构连接； 所述计量区机构包括压力变送器P1、 压 力变送器P2、 流量变送器F1和流量变送器F2， 所述压力变送器P1与压力变送器P2并联， 所述 压力变送器P1与流量变送器F1连接， 所述压力变送器P2与流量变送器F2连接； 所述调压区 机构包括压力调节阀V1、 压力调节阀V2、 压力变送器P01和压力变送器P 02， 所述压力变送器 P01与压力变送器P02并联， 所述压力调节阀V1与压力变送器P01连接， 所述压力调节阀V2与 压力变送器P02连接 。 2.根据权利要求1所述的基于机器学习的天然气站场输配流量异常检测系统， 其特征 在于， 所述计量区机构还包括温度变送器T1和温度变送器T2； 所述温度变送器T1与流量变 送器F1连接； 所述温度变送器T2与流量变送器F2连接； 所述温度变送器T1和温度变送器T2 均分别与压力调节阀V1和压力调节阀V 2连接。 3.基于权利要求2所述的基于机器学习的天然气站场输配流量异常检测系统 的检测方 法， 其特征在于， 包括以下步骤： S1， 将调节支路数量、 压力调 节阀V1和压力调节阀V2的开度及其阀门特性、 压力变送器 P1和压力变送器P2检测到的流量计前管道压力值、 压力变送器P 01和压力变送器P 02检测到 的压力调节阀后压力值作为输入项， 将流量变送器F1和流量变送器F2检测到的流量计工况 瞬时体积流 量值作为输出项， 建立回归 模型； S2， 将正常状态下的输入项各实时数据作为数据 特征以及对应的输出项工况瞬时体积 流量值作为训练数据集， 并利用步骤S1建立的回归模型， 对 数据特征进 行回归学习， 用于拟 合实际的流 量数值， 并实现对回归 模型的训练过程； S3， 在训练完回归模型后， 通过将所述训练数据集中的负样本特征输入回归模型， 得到 预测的负样本流量值， 将所述预测的负样本流量值与真实的负样本流量值进行比较， 得到 允许的最大阈值,将所述最大阈值作为测试阶段的阈值， 并根据阈值判断真实流量数值是 否异常； S4， 对回归模型实现上线处理， 并将回归模型获得的数据持续进行更新， 对获取的线上 数据， 保留所有的新检测到的正样本加入到新设定的微调训练数据集中， 并用所述微调训 练数据集调整原先的回归 模型， 以获取 更加准确的回归 模型。 4.基于权利要求3所述的基于机器学习的天然气站场输配流量异常检测系统 的检测方 法， 其特征在于， 步骤S1中所述回归模型以神经网络为基础， 且包括第一全连接层、 第二全 连接层、 第三全连接层和第四全连接层； 所述第一全连接层的输入维度为所述数据特征 的 维度， 输出维度为128， 所述第一全连接层后接ReLU激活函数； 所述第二全连接层的输入维 度为128， 输出维度为32， 所述第二全连接层后接ReLU激活函数； 所述第三全连接层的输入 维度为32， 输出维度为4， 所述第三全连接层后接ReLU激活函数； 所述第四全连接层的输入 维度为4， 输出维度为1， 所述第四全连接层获取最终的输出 数值。 5.基于权利要求3所述的基于机器学习的天然气站场输配流量异常检测系统 的检测方 法， 其特征在于， 步骤S2 中回归模型训练过程中的损失函数为平均平方损失MSE， 所述平均 平方损失MSE的形式表述为MSE＝(Ftrue‑Fpred)2； 其中， Fpred为预测流量值， Ftrue为实际流量 值。 6.基于权利要求3所述的基于机器学习的天然气站场输配流量异常检测系统 的检测方权　利　要　求　书 1/2 页 2 CN 113987907 A 2法， 其特征在于， 步骤S3中所述最大阈值为所述预测的负样本流量值与真实的负样本流量 值之间的差值 绝对值的平均值。 7.基于权利要求5所述的基于机器学习的天然气站场输配流量异常检测系统 的检测方 法， 其特征在于， 步骤S3中所述 根据阈值判断真实流 量数值是否异常包括如下步骤： S31， 在测试阶段， 当预测得到的流量数值与真实测得的流量数值的绝对值之差超过了 所述阈值， 则判断真实测得的流量数值数据为异常状况； 当预测得到的流量数值与真实测 得的流量数值的绝对值之差 没有超过所述阈值， 则判断真实测得的流量数值数据为正常状 况。 8.基于权利要求3所述的基于机器学习的天然气站场输配流量异常检测系统 的检测方 法， 其特征在于， 步骤S4还 包括如下步骤： S41， 利用获取的线上数据构建新的训练数据集， 并将所述新的训练数据集中的负样本 全部剔除， 并保留所有正样本； S42， 利用保留的正样本对回归模型进行微调， 并再利用步骤S41中剔除的负样本对计 算得到的阈值进行调整， 以获取 更加准确的回归 模型。 9.基于权利要求8所述的基于机器学习的天然气站场输配流量异常检测系统 的检测方 法， 其特征在于， 步骤S42中对所述阈值进 行调整的幅度取决于所述新的训练数据集与 原始 训练数据集的大小比例。权　利　要　求　书 2/2 页 3 CN 113987907 A 3