基于卷积长短期记忆网络的泄漏监测算法研究

TP391; 针对长距离输送管道的应用中,沿线参数无法逐点测量,采用显式数学模型的方法并不完全能获得全部准确数值,提出一种基于卷积长短期记忆网络(CNN-LSTM)的流量预测方法.该方法使用CNN网络拟合空间特征,LSTM探索时间特征.采用从实际运行管道中收集的真实数据训练出对应的深度学习模型,从而可根据沿线压力梯度预测流量,误差范围为0.3％～0.7％管道输量.将该模型用于泄漏监测,可以通过连续监测预测与实际流量之间的偏差发现管道泄漏.确定泄漏点位置时采用了基于相关压力点之间曲线距离算法.在实际管道上的现场测试表明,新算法不仅稳定有效,而且在管道设备运行过程中不会产生错误报警....

Full description

Saved in:
Bibliographic Details
Published in太原理工大学学报 Vol. 53; no. 5; pp. 924 - 932
Main Authors 韩佳豪, 陈小华, 姜海斌, 李霖, 李振, 张皓, 赵涓涓
Format Journal Article
LanguageChinese
Published 太原理工大学 信息与计算机学院,山西 晋中 030600%国家管网集团西南管道有限责任公司,成都 610000 2022
Subjects
长短期记忆神经网络
卷积神经网络
长输管道泄漏监测
压力坡降线
Online AccessGet full text
ISSN1007-9432
DOI10.16355/j.cnki.issn1007-9432tyut.2022.05.018

Cover

More Information
Summary:TP391; 针对长距离输送管道的应用中,沿线参数无法逐点测量,采用显式数学模型的方法并不完全能获得全部准确数值,提出一种基于卷积长短期记忆网络(CNN-LSTM)的流量预测方法.该方法使用CNN网络拟合空间特征,LSTM探索时间特征.采用从实际运行管道中收集的真实数据训练出对应的深度学习模型,从而可根据沿线压力梯度预测流量,误差范围为0.3％～0.7％管道输量.将该模型用于泄漏监测,可以通过连续监测预测与实际流量之间的偏差发现管道泄漏.确定泄漏点位置时采用了基于相关压力点之间曲线距离算法.在实际管道上的现场测试表明,新算法不仅稳定有效,而且在管道设备运行过程中不会产生错误报警.
ISSN:1007-9432
DOI:10.16355/j.cnki.issn1007-9432tyut.2022.05.018