基于大維數據驅動的油氣管網泄漏監控模糊決策方法

馬大中 胡旭光 孫秋野

基于大維數據驅動的油氣管網泄漏監控模糊決策方法

馬大中1胡旭光1孫秋野1

輸油管網狀態量多及工藝復雜,難以建立精確的管網數學模型,為了能夠實時監控管網的安全運行情況,本文提出一種基于大維數據驅動的管網泄漏監控模糊決策方法.首先利用管網現有的數據信息,在不對數據進行降維處理的情況下,從信息物理系統的角度出發,將油氣管網的拓撲結構、閥門開度等管道物理數據以及壓力、流量等運行信息數據結合起來對復雜管網系統建立數據驅動模型.然后基于大維隨機矩陣譜理論,將得到的信息物理數據協方差矩陣譜分布及圓環率作為模糊決策的條件對管網運行情況進行判斷.當管網拓撲發生動態變化時,提出的方法可以有效地解決誤報率高的問題.最后通過仿真及實例的分析,可以證明所提出方法的有效性.

大維數據驅動,信息物理系統,譜分析,模糊決策,油氣管網

管道運輸是我國流體輸送的主要運輸方式之一.在流體運輸的過程中,由于受到自然腐蝕、碰撞及人為破壞等因素的影響,管道破裂污染環境的事件時有發生,因此管道的泄漏監控是科研工作者致力研究的熱點之一[1?2].針對單段的管道,Feng等利用管道兩端壓力、流量及輸差數據對管道進行模糊決策,如發生泄漏采用壓力梯度法和負壓波法加權對泄漏點進行定位[3].劉金海等對流體管道進行模糊建模,對流體管道壓力、流量、溫度等信號進行實時分析,同時結合管道自身固有的參數及專家經驗實現管道泄漏實時檢測[4].但是隨著管道管網的結構更加地龐大和復雜,原有方法已出現劣勢,許多科學家開始從管網的角度對管道安全監控運行進行研究.Huang等將瞬變流動模型和模擬退火法結合起來用于檢測管網泄漏[5].Ozevin等提出了利用聲波法對管網進行檢測,并且利用相關系數法和管網結構來確定泄漏的位置[6].Kim等對管網壓力數據進行累積積分,利用曲率函數和區間估計來確定管道的泄漏點[7].在管網工況平穩運行時,上述方法都可以取得比較理想的定位精度.

目前隨著管網的規模不斷擴大以及多種類型設備的投入運行,使得管網的結構復雜性和運行不確定性大大增加,信息錯綜復雜.對于復雜的管網和多變的工況而言,很難建立精準的數學模型去進行工況的識別.尤其是由于泵的啟停、閥門的開關等引起的管道拓撲結構發生變化時,只考慮壓力、流量、輸差等表征管道運行信息建模去判斷管網是否發生泄漏的方法就呈現出誤判率高的特點.針對實際系統來說,數據驅動不需要建立精確的模型,計算復雜度低,能夠充分利用工業生產中存儲的大量與工藝相關的離線和在線數據,實現對系統的監控、診斷和決策等功能[8?10].因此本文采用數據驅動的方法來監控管網的運行狀態.

現有管網系統需要依靠采集到的壓力、流量、設備等信息進行決策控制,并且如果管網遭受到惡意數據攻擊或者通信偶然錯誤會導致管網信息的改變和管網的非正常運行.為了確保輸油順利進行,實際中會經常對泵、閥門等設備進行操作,改變壓力、流量等變量數據;反之,根據管道壓力、流量等信息,不同的站場會按照時間要求進行啟泵、增大閥門開度等操作以便于完成輸油計劃.因此設備物理量與管道運行信息之間相互影響.

信息物理系統(Cyber-physical system,CPS)通過計算、網絡及控制技術的相互協作與融合,實現對實際多維復雜系統信息的及時檢測、可靠傳輸和綜合處理[11].CPS的概念最早由研究嵌入式系統的學者提出,近年來已被用于能源、交通等領域[11?13].因此為了有效地建立輸油管網的物理拓撲結構和表征管網運行狀態的壓力和流量等信息之間的對應關系,本文首次提出了復雜管網的基于數據驅動的信息物理系統建模方法.

信息物理系統實現了數據資源與物理世界的緊密融合,泵、閥門等設備狀態量和壓力、流量等管道運行信息分別對應CPS中的物理系統與信息系統.實際運行時,物理系統的狀態為信息系統的數據輸入,經過傳輸、轉換及處理后,最終轉化為決策指令,反饋作用于物理系統.每一單獨的監控點所采集的數據點隨著站場的規模大小可能達到幾十個或幾百個.當組成管道監控管網的站點逐漸增多時,所需要監控的數據的維數也會迅速地增長,當數據量趨于無窮時數據的維數與數據量的比值不再趨于零,而是趨于一個小于1的常數,即呈現出大維數據的特點[14].管網系統已經成為大量物理數據和信息數據等不同數據類型交叉的大維數據系統.由于數據的維數和數據的長度等比例地進行增長,因此原有的針對于大數據系統的方法[15]已經不再適用于分析大維數據系統.Stubbs等利用典型變量分析對工業過程進行監控[16].樊繼聰等利用聯合指標獨立成分分析對故障進行檢測和診斷[17].顏雪軍等利用二維主成分分析方法解決局部特征描述向量的高維數問題[18].但是當數據維數大量增加即維數很大時,采用降維處理的方式會刪掉大量有效數據,導致得出錯誤的結論.因此,為了對管網數據進行處理及運行狀態分析,在不降低數據維數的情況下,本文采用大維隨機矩陣譜理論來處理管網復雜的物理數據和信息數據,從統計的角度研究管網的物理和信息對應關系以及數據變化的情況.然后根據建立的模糊準則和閾值關系[19?22],判斷油氣管網的運行狀態.

綜上所述,本文在建立復雜管網的信息物理系統的模型基礎上,提出基于大維數據驅動的管網泄漏監控模糊決策方法(Fuzzy detection based on large dimensional data,FDLDD).本文創新點在于:

1)建立了復雜管網的信息物理系統模型,該模型充分地考慮系統中所存在的物理數據和信息數據,并可以將管網的物理拓撲結構的變化直接與信息建立對應的關系;

2)針對復雜管網所存在的大維數據,采用大維隨機矩陣譜理論的方法進行分析,該方法可以在不降低數據維數的前提下,有效地發現數據中所存在的異常情況,及時報警;

3)提出了基于大維數據驅動的管道泄漏監控模糊決策方法.所設計的方法不需要建立大量的模糊規則,降低了建立模糊規則的難度.根據所設計的模糊規則判斷管道是否發生泄漏或者判斷管道的信息系統是否受到干擾或攻擊,能夠準確判斷管網運行狀態,減少誤報率.

本文從以下三個方面進行闡述:第1節介紹管網具體情況,將管網運行中涉及到的變量進行數據映射,從而建立起管網信息物理模型;第2節介紹判斷管網運行狀態的方法,利用模糊決策對管網經過處理的數據進行狀態分析,最終得到管網的運行情況;第3節從仿真及實例兩方面說明本文提出的FDLDD方法針對管網的各種情況均能達到預期的效果.

1 基于數據驅動的管網信息物理系統建模

1.1 管道管網系統描述

管道管網是一種復雜并且具有擴展性的大型網絡系統.管道管網系統包含3個部分如圖1所示:

第一個是分布式數據采集系統,能夠及時地獲得管道運行狀態和各種工藝參數值,并將這些信號轉換為數字信號傳輸到監控室或者管網調控中心.

圖1 管網整體結構Fig.1 The whole structure of pipeline network

第二個是過程監控與管理系統,它可以分成兩個部分:管網的調控中心和站場的監控室;過程監控與管理系統將收集到的運行情況經過處理以圖形、報表、聲音等形式呈現給工作人員并且根據需求調節現場設備狀態,達到實時監控管網運行狀態的目的.

第三個是數據通信網絡.通信網絡是管網系統中至關重要的環節,它聯系著分布式數據采集系統和過程監控與管理系統,實現二者之間的數據通訊,因此數據通信網絡對于管網系統來說顯得尤為重要.

管網系統這三個組成部分的功能不同,但三者的有效集成構成了功能強大的管網系統,完成對整個運輸過程的有效監控.

1.2 管網信息物理系統建模

根據第1.1節的描述可知,管網系統結構復雜,涉及到很多變量.在保證邏輯完整性和功能完整性的前提下,本文從數據流的角度對輸油管網系統建立多數據映射的數據流模型.

建立管網信息物理系統模型的目的在于對管網的運行情況進行檢測,其中物理系統為實際存在的輸送設備或者測量油品性質的設備,例如泵、閥門、密度計等設備.信息系統是泄漏檢測中起關鍵作用的壓力、流量等數據.通過管網變量間線性和非線性關系,將原本獨立的管道數據進行融合,從而組成管網的CPS模型.通過這種方法構造的模型,便于進一步對管網狀態進行識別和分析.

將管道管網定義為二元組:PN=hAS,PSi.其中PN 表示管道管網,AS表示管網設備運行狀態集合即管網物理系統數據集合,也就是指對周圍環境進行感知和監測得到的設備狀態量或者表征油品性質的物理數據,比如泵狀態、閥門開度以及油品密度等數據;PS表示管網信息系統數據集合,也就是指管網中影響物理集合量和對管網運行狀態判斷起決定性作用的信息數據,比如壓力、流量等數據.

管網中的數據通過二元組分別定義為物理數據和信息數據,可以將管道管網中有關于泄漏檢測的異構數據進行有效地分類,使影響管道的變量和泄漏常用的評價變量區分開來,保持不同數據類型在分析時的優勢.而且能夠對管網數據流有更為清晰地認知,便于對管網建立CPS模型.

與此同時AS和PS之間也具有耦合關系,彼此間關聯和影響.在管網運行的過程中,AS中泵的狀態、閥門的開度會直接影響PS中流量及壓力的值,反過來PS的值會對AS中如泵、閥門開度等變量值的持續時間及大小產生影響.

在管網中AS、PS的變量值需要互相傳遞并將變量值傳輸到過程監控與管理系統,定義如下一對一的數據映射關系為:

其中Ii是與xi具有相同維數的單位矩陣.

管網中泵和閥門的開度會影響儲油罐的液位以及流體流量,因此定義式(2)來說明變量間線性關系為:

在站場內AS的值會影響PS的值,因為管道物理集合信息的改變對于管道信息集合改變是非線性的,而且不同管道間壓力傳播衰減也是非線性的,定義下式來表征數據傳遞過程中的非線性關系:

通過Uline和Unonline建立起站場內部數據信息集合及管道間數據信息交互關系,得到整個管網的數據信息流,即:

其中 f為管網數據流算子,p=1,···,n,j=1,···,jl,jl+1,···,varl, 前 jl 個為 AS 變量,j=jl+1,···,varl為 PS 變量.

為了能夠實時通過管網模型對管網是否發生泄漏進行判斷,利用數據庫中AS和PS數據,使它們通過線性差分及式(1)～(4)分別構建滿足一階自回歸AR(1)模型條件的大維物理集合和信息集合矩陣.管網大維物理集合或信息集合矩陣表示為:

其中,G為AR(1)條件算子,i為管網站場編號即i=1,···,n,?為大維物理集合矩陣或大維信息集合矩陣,即?=AS或PS.

經過數據分析,管網物理集合AS定義為多組:AS=hV A,PU,TE,DE,STi,ΔAS表示在相鄰數據采集間隔內管網物理集合AS數據的差值,V A、PU、TE、DE、ST分別代表閥門狀態集合、泵狀態集合、溫度集合、油品密度集合和儲油罐液位集合,五種管道數據信息分別表示為:V A={va1,va2,···,vam},vam表示第m 個閥門狀態;PU={pu1,pu2,···,pul},pul表示第 l個泵的狀態;TE={te1,te2,···,tej},tej表示第 j 個站的監測溫度;DE={de1,de2,···,dep},dep表示第p個站管道內流體密度;ST={st1,st2,···,stk},stk表示第k個儲油罐液位;定義管網信息集合PS=hP,Fi,ΔPS表示在相鄰數據采集間隔內管網信息集合PS數據的差值,其中P和F分別表示壓力集合和流量集合,P={p1,p2,···,pn},pn表示第n個站場的進站/出站壓力;F={f1,f2,···,fn},fn表示第n個站場的進站/出站流量.圖2為基于數據驅動的管道管網信息物理系統模型結構圖.

2 基于大維數據驅動的管道管網泄漏監控

2.1 基于大維數據驅動的管網泄漏監控模糊決策方法

當管道管網信息物理系統模型建立后,為了實時通過所建立的信息物理模型判斷管道管網的運行狀態,根據數據間的關系將所采集的信息數據和物理數據分別構成信息集合矩陣和物理集合矩陣.由于實時監控所采集的信息和物理數據的維數和數據量長度的比值是一個小于1的常數,符合大維數據的定義[14],因此采用基于大維隨機矩陣的譜理論對所建立的基于大維數據的管道管網的信息物理系統模型進行分析.

矩陣X的協方差矩陣SM的經驗譜分布為:

其中I代表示性函數,λk,k=1,2,···,M 為矩陣SM的特征根.

圖2 基于數據驅動的管道管網信息物理系統模型Fig.2 The CPS model of pipeline network based on data-driven

當M/T→c∈(0,1)時,協方差矩陣SM的經驗譜分布依概率1收斂到極限譜分布F(x),其密度函數f(x)為:

當c＞1時,F(x)在原點有一個質量為1?1/c的測度.其中:

因為物理集合矩陣X 的元素均為實數,利用式(9)將矩陣X 變換成標準非厄米特矩陣Z:

矩陣Z通過式(10)得到具有相同奇異值的矩陣Zu:

其中,U為Haar分布的酉矩陣.

進一步,將矩陣Zu通過下式變換成標準矩陣Zl:

矩陣Zl的特征值分布于區間[(1?c)1/2,1]中[23?24].區間[(1?c)1/2,1]的物理意義在于將Zl的所有特征值在復平面上表示出來,特征根近似分布為一個內徑為(1?c)1/2,外徑為1的圓環.

當物理集合矩陣X 發生變化時,協方差矩陣SM的極限譜分布密度函數會窄于正常的情況;矩陣Zl中第i行第l?k個元素也會發生趨勢變化或者突變,特征值分布會變散,并且會有特征值不包含在圓環中.據此可知可以通過分析矩陣異常特征值分布及數量來檢測管網是否發生異常.

以同樣的方法可以得到管網的信息集合矩陣的協方差矩陣特征值分布.

由于管網數據形成的物理集合矩陣和信息集合矩陣經過變換得到的特征值和特征值的分布能夠及時反映管網的特征,物理集合矩陣經過譜分析得出的是關于管道管網是否發生工況調整的結論,信息集合矩陣得出的結論則是關于管網的運行狀態是否發生變化.將它們得出的結論作為模糊決策條件進行分析,特點在于將原有對于變量的分析轉化為對特征值的分析,模糊決策也就轉變成了對特征值相關內容的判別,降低了建立模糊規則的難度,減少了模糊規則數目.而且在兼顧物理數據和信息數據的同時,也可以消除管網頻繁調整帶來的數據不確定性,解決在工況調整時頻繁誤報的情況.

圖3 管網系統檢測示意圖Fig.3 Flowchart for leak detection of pipeline network

模糊決策條件空間為Cond={A1,A2,A3,A4}表示管網異常狀態表示量,A1為物理集合矩陣異常點數量;A2為物理集合矩陣異常特征值均值;A3為信息集合矩陣異常點數量;A4為信息集合矩陣異常特征值均值;其中,每個異常狀態表示量又分成3個程度的模糊子集,Asub={a1,a2,a3}.a1表示無異常,a2表示小異常,a3表示大異常.決策結果空間Res={B1,B2,B3},B1表示正常輸油,B2表示調整工況,B3表示產生泄漏;其中,每個管道運行狀態量又分成2個程度的模糊子集,Bsub={b1,b2},b1表示正常/小幅調整工況/發生小泄漏量泄漏,b2表示異常/大幅調整工況/發生大流量泄漏.經過原理分析和大量的實際數據進行學習后,選擇三角函數和梯形函數作為物理集合矩陣和信息集合矩陣的隸屬度函數.

根據現場及實際管網的情況得到一組模糊決策規則,形成一個決策規則庫.第i條模糊決策規則Ri為

其中i∈(1,2,3),j∈(1,2,3),k,l∈(1,2),分別表示管網中物理集合、信息集合的狀態及管網的運行狀態.

模糊決策規則前提中的變量Ai(i=1,2,3,4)均會影響決策空間的結果Bj(j=1,2,3),即改變Ai會使Bj發生改變,這種影響用測度矩陣δj來表示:

因為每個前提變量對于結果變量的影響不同,因此定義權重向量γj來表示Ai對Bj的影響程度:

對于最后決策空間的結果,定義置信度矩陣來決定具體結果:

當置信度滿足下式時,則認為管道運行的情況為Bj:

其中λjk為給定的置信度閾值,可以根據具體情況進行調整,本文取λjk=0.9,j為模糊決策結果,k為模糊決策結果的子集元素.

2.2 管網運行情況檢測步驟

管網異常情況發生時,數據的時間序列會發生改變,導致原來的模型參數不再適合于異常發生后的模型,其協方差矩陣的極限譜分布密度函數的曲線形狀及根據式(9)～(11)變換得到的標準矩陣在特征值復平面上的分布將會發生改變.因此,基于數據驅動的管道管網泄漏監控模糊決策方法的步驟如下,具體檢測示意圖如圖3所示:

1)基于管網運行狀況,建立CPS模型;

2)基于管網實時數據,建立管網大維物理集合矩陣和大維信息集合矩陣;

3)根據得到的矩陣計算管網狀態置信度;

4)根據置信度,得到當前管網的運行情況.

3 仿真及模擬分析

3.1 仿真驗證

為了說明FDLDD方法中關鍵參數的選擇及驗證該方法的有效性,本文采用五個算例來進行說明,算例1來闡述維度比的選擇,算例2～4利用某管網的運行數據及測試數據對不同的情況進行分析,并將結果與實際運行和測試情況進行比較,算例5進行與模糊分類方法的對比分析,通過以上算例驗證提出方法的有效性.由于信息集合矩陣的變化不明顯,因此在FDLDD方法中采用自適應放大來突出數據的變化.

算例1.選擇維度比參數

選取某管網泄漏測試的數據,并且以信息集合矩陣為例說明維度比對檢測結果的影響,具體結果如表1所示. 表中,均值差比值為(MSR-N?MSR-A)/MSR-N.

從表1可以看出矩陣維度比在0.5附近時,管網均值差比值是最明顯的,因此在選擇維度比時應當選擇在0.5附近比較好.

算例2～4均采用下述的信息物理系統模型:輸油管網總共有10個站場,按照管網信息物理系統進行建模,根據算例1中的維度比選取準則選取10個站場內與管道管網運行狀態相關的泵、下載閥、調節閥、溫度、密度等物理數據100個,數據隊列長度為250,即維度比為c1=0.4的物理集合矩陣,選取管網內10個站場的進/出站的壓力和流量等信息數據24個,數據隊列長度為50,即維度比為c2=0.48的信息集合矩陣.

表1 不同維度對比結果Table 1 The results of di ff erent dimension ratio

算例2.正常調整工況

圖4 上下游壓力曲線圖Fig.4 The curve of pipeline pressure

圖5 管網MSR時間序列Fig.5 MSR series of pipeline network

選取該管網的正常輸油數據,圖4為管網中某管道進行正常工況調整時產生的壓力曲線,該管道流量、泵、閥門等曲線和本管網其余站場的相關曲線未在本文中給出.圖5為管網CPS模型矩陣的特征值均值(Mean spectral radius,MSR)圖,從圖5(a)可以看到T=304時物理集合矩陣的MSR開始下降,說明此刻泵、閥門等狀態發生改變;T=503時由于工況調整引起的負壓波已經影響到了其他站場,使得管網的信息集合矩陣MSR開始下降,如圖5(b)所示.

利用管網數據分別對兩個矩陣進行預處理后畫出其在T=503時的具體譜分布曲線及復平面上的圓環曲線,如圖6所示.圖中κerrormsr表示異常特征值均值,即小于圓環內徑rinner的矩陣特征值均值.

從圖6可以看到在T=503時,兩個矩陣均出現異常特征值,即有特征值不包含在極限譜分布函數的包絡中.物理集合矩陣的異常特征值均值為0.40791,數量為47;信息集合矩陣的異常特征值均值為0.4528,數量為7,經過模糊規則后,B1中b1的隸屬度為0.92,B2中b1的隸屬度為0.93,因此認為管網運行正常,處于小幅工況調整的狀態,系統會顯示此時狀態為小幅工況調整.分析結果與實際中管網有工況調整的情況相符.

圖6 管網矩陣譜分布及圓環Fig.6 Spectral distribution and ring law of pipeline network matrix

圖7 上下游壓力曲線圖Fig.7 The curve of pipeline pressure

算例3.測試大流量泄漏

選取該管網的測試數據,圖7為測試閥室的上下游站場壓力曲線,該管道流量、泵、閥門等曲線和本管網其余站場的相關曲線未在本文中給出.測試期間沒有改變任何設備狀態,但是在T=300時信息集合矩陣MSR變小,說明有異常情況出現,如圖8所示.

按照第2.3節中的檢測步驟,分別對兩個矩陣進行預處理后畫出T=300時譜分布曲線及復平面上的圓環曲線,如圖9所示.圖9(a)中物理集合矩陣譜分布及圓環未發生改變,即管網中不存在工況調整,而此時信息集合矩陣特征值卻發生變化,物理集合矩陣的異常特征值均值為0,數量為0;信息集合矩陣的異常特征值均值為0.4844,數量為8,經過模糊規則后,B1中b2的隸屬度為0.94,B3中b2的隸屬度為0.93,因此經過模糊決策認為管網存在異常,發生大范圍泄漏.

圖8 管網MSR時間序列Fig.8 MSR series of pipeline network

圖9 管網矩陣譜分布及圓環Fig.9 Spectral distribution and ring law of pipeline network matrix

算例4.測試小泄漏量泄漏

算例4測試了FDLDD方法對管道緩慢泄漏的效果,數據來源于該管網的測試數據,和算例3屬于同一次測試.圖10為測試閥室的上下游站場壓力曲線,該管道流量、泵、閥門等曲線和本管網其余站場的相關曲線未在本文中給出.測試期間沒有改變任何設備狀態,但是在T=511時信息集合矩陣MSR變小,說明有異常情況出現,如圖11所示.

按照第2.3節中的檢測步驟,分別對兩個矩陣進行預處理后畫出T=511時譜分布曲線及復平面上的圓環曲線,如圖12所示.

圖12(a)中物理集合矩陣的異常特征值均值為0,數量為0;信息集合矩陣的異常特征值均值為0.54729,數量為6,經過模糊規則及隸屬度函數判斷,B1中b2的隸屬度為0.91,B3中b1的隸屬度為0.92,因此經過模糊決策認為管網存在異常,發生小泄漏量泄漏.

算例5.與模糊分類的方法對比

文中提出的方法將物理數據和信息數據結合進行分析判斷,并與文獻[4]所提出的基于模糊分類的管道檢測方法進行對比.考慮到不同管道管網的情況,分別選取了具有不同站場數量的管道管網系統的歷史數據進行仿真,具體對比結果如圖13所示.

圖13(a)的縱坐標為檢測方法的實時計算響應時間.在管網站點數比較少的時候,兩種方法的響應時間相差不多.但是隨著站點數的增加,管網中每個管道都需要進行模糊分類的判斷,檢測所需要的時間也隨之呈現出快速增長的趨勢,而FDLDD方法從全局出發,只是在之前站場數判斷方法的基礎上增加了維數,所以響應時間增加速度比模糊分類方法的時間要慢.圖13(b)表明在相同條件下,FDLDD方法比模糊分類方法的準確性要高而誤報次數少.FDLDD方法是從管網的角度來解決泄漏檢測的問題,相較于基于單條管道的檢測方法,它能夠充分利用管網的物理數據和信息數據,采用模糊決策的方法將二者進行有效地融合,減少由于正常工況調整操作帶來的影響.因此,從以上分析可以看出本文提出的方法在檢測響應時間和誤報次數方面的性能均優于模糊分類的方法.

圖10 上下游壓力曲線圖Fig.10 The curves of pipeline pressure

圖11 管網MSR時間序列Fig.11 MSR series of pipeline network

圖13 兩種方法響應時間與誤報警次數的對比Fig.13 The comparison of response time and misalarm number of the methods

3.2 實例驗證

為了能夠測試本文提出方法的有效性以及檢測該方法的實際效果和是否能夠有效地屏蔽誤報警,選擇在某管網現場進行應用測試.圖14為放油測試時管網的壓力下降曲線圖.

圖14 管網壓力示意圖Fig.14 The pressure of pipeline network

現場共進行了兩天的測試,一共進行泄漏模擬放油測試19次,其中停輸保壓3次,穩態單點10次,全線降量2次,全線增量2次,穩態多點2次,總共放油時長3小時34分31秒.工況調整30次.FDLDD方法針對上述任意一種工況都可以準確地進行報警.在工況調整的過程中,只有一次由于通訊網絡原因所采集的物理信息不完整而出現誤報.

4 結論

本文針對管網的復雜工況、眾多種類不同的設備和運行狀態量的特點,從大維數據驅動的角度出發對油氣管網建立信息物理系統模型,實現了整個管網泵、閥門等運行物理數據和壓力、流量等信息數據的融合.為了判斷管網整體的運行情況,通過管網的大維物理數據和信息數據矩陣的譜分布函數以及圓環變化對管網的狀態進行實時監控,并且利用模糊決策及時判斷管網運行狀態.當管道管網任意一點發生泄漏時,都可以準確報警,并降低由于工況調整所引起的誤報.通過一系列仿真及實際測試說明在管網發生異常時,FDLDD方法能夠及時地檢測異常情況并進行報警.

1 Wang Gui-Zeng,Ye Hao.Leak Detection and Positioning in Fluid Transmit Pipeline.Beijing:Tsinghua University Press,2010.

(王桂增,葉昊.流體輸送管道的泄漏檢測與定位.北京:清華大學出版社,2010.)

2 Zhang Y,Chen S L,Li J,Jin S J.Leak detection monitoring system of long distance oil pipeline based on dynamic pressure transmitter.Measurement,2014,49:382?389

3 Feng J,Zhang H G.Diagnosis and localization of pipeline leak based on fuzzy decision-making method.Acta Automatica Sinica,2005,31(3):484?490

4 Liu Jin-Hai,Feng Jian.Research on leak fault intelligent detection method for fl uid pipeline based on fuzzy classi fi cation.Chinese Journal of Scienti fi c Instrument,2011,32(1):26?32

(劉金海,馮健.基于模糊分類的流體管道泄漏故障智能檢測方法研究.儀器儀表學報,2011,32(1):26?32)

5 Huang Y C,Lin C C,Yeh H D.An optimization approach to leak detection in pipe networks using simulated annealing.Water Resources Management,2015,29(11):4185?4201

6 Ozevin D,Harding J.Novel leak localization in pressurized pipeline networks using acoustic emission and geometric connectivity.International Journal of Pressure Vessels and Piping,2012,92:63?69

7 Kim Y,Lee S J,Park T,Lee G,Suh J C,Lee J M.Robust leak detection and its localization using interval estimation for water distribution network.Computers and Chemical Engineering,2016,92:1?17

8 Hou Zhong-Sheng,Xu Jian-Xin.On data-driven control theory:the state of the art and perspective.Acta Automatica Sinica,2009,35(6):650?667

(侯忠生,許建新.數據驅動控制理論及方法的回顧和展望.自動化學報,2009,35(6):650?667)

9 Wang Hong,Chai Tian-You,Ding Jin-Liang,Brown M.Data driven fault diagnosis and fault tolerant control:some advances and possible new directions.Acta Automatica Sinica,2009,35(6):739?747

(王宏,柴天佑,丁進良,布朗馬丁.數據驅動的故障診斷與容錯控制:進展與可能的新方向.自動化學報,2009,35(6):739?747)

10 Dai Wei,Chai Tian-You.Data-driven optimal operational control of complex grinding processes.Acta Automatica Sinica,2014,40(9):2005?2014

(代偉,柴天佑.數據驅動的復雜磨礦過程運行優化控制方法.自動化學報,2014,40(9):2005?2014)

11 Wang Zhong-Jie,Xie Lu-Lu.Cyber-physical systems:a survey.Acta Automatica Sinica,2011,37(10):1157?1166

(王中杰,謝璐璐.信息物理融合系統研究綜述.自動化學報,2011,37(10):1157?1166)

12 WenJing-Rong,WuMu-Qing,SuJing-Fang.Cyberphysical system.Acta Automatica Sinica,2012,38(4):507?517

(溫景容,武穆清,宿景芳.信息物理融合系統.自動化學報,2012,38(4):507?517)

13 Khaitan S K,McCalley J D.Design techniques and applications of cyberphysical systems:a survey.IEEE Systems Journal,2015,9(2):350?365

14 Bai Z D,Silverstein J W.Spectral Analysis of Large Dimensional Random Matrices(Second edition).New York:Springer-Verlag,2010.

15 Liu Qiang,Qin S J.Perspectives on big data modeling of process industries.Acta Automatica Sinica,2016,42(2):161?171

(劉強,秦泗釗.過程工業大數據建模研究展望.自動化學報,2016,42(2):161?171)

16 Stubbs S,Zhang J,Morris J.Fault detection in dynamic processes using a simpli fi ed monitoring-speci fi c CVA state space modelling approach.Computers and Chemical Engineering,2012,41:77?87

17 Fan Ji-Cong,Wang You-Qing,Qin S J.Combined indices for ICA and their applications to multivariate process fault diagnosis.Acta Automatica Sinica,2013,39(5):494?501

(樊繼聰,王友清,秦泗釗.聯合指標獨立成分分析在多變量過程故障診斷中的應用.自動化學報,2013,39(5):494?501)

18 Yan Xue-Jun,Zhao Chun-Xia,Yuan Xia.2DPCA-SIFT:an efficient local feature descriptor.Acta Automatica Sinica,2014,40(4):675?682

(顏雪軍,趙春霞,袁夏.2DPCA-SIFT:一種有效的局部特征描述方法.自動化學報,2014,40(4):675?682)

19 Zhang Hua-Guang,He Xi-Qin.Theory and Application of Fuzzy Self adaptive Control.Beijing:Beijing University of Aeronautics and Astronautics Press,2002.

(張化光,何希勤.模糊自適應控制理論及其應用.北京:北京航空航天大學出版社,2002.)

20 Zhang H G,Zhang J L,Yang G H,Luo Y H.Leader-based optimal coordination control for the consensus problem of multiagent di ff erential games via fuzzy adaptive dynamic programming.IEEE Transactions on Fuzzy Systems,2015,23(1):152?163

21 Yang F S,Zhang H G,Wang Y C.An enhanced input-delay approach to sampled-data stabilization of T-S fuzzy systems via mixed convex combination.Nonlinear Dynamics,2014,75(3):101?512

22 Yang Gui-Jun,Jiang Zhao-Hui,Gui Wei-Hua,Yang Chun-Hua,Xie Yong-Fang.Fuzzy synthesis evaluation method for position state of blast furnace cohesive zone based on entropy weight extension theory.Acta Automatica Sinica,2015,41(1):75?83

(楊貴軍,蔣朝輝,桂衛華,楊春華,謝永芳.基于熵權-可拓理論的高爐軟熔帶位置狀態模糊綜合評判方法.自動化學報,2015,41(1):75?83)

23 Guionnet A,Krishnapur M,Zeitouni O.The single ring theorem.Annals of mathematics,2011,174(2):1189?1217

24 Benaych-Georges F,Rochet J.Outliers in the single ring theorem.Probability Theory and Related Fields,2016,165(1?2):313?363

馬大中 東北大學信息科學與工程學院副教授.主要研究方向為故障診斷,容錯控制,能源管理系統以及分布式發電系統、微網和能源互聯網的優化與控制.本文通信作者.

E-mail:madazhong@ise.neu.edu.cn

(MA Da-Zhong Associate professor at the College of Information Science and Engineering,Northeastern University.His research interest covers fault diagnosis,fault-tolerant control,energy management systems,and control and optimization of distributed generation systems,microgrids and energy internet.Corresponding author of this paper.)

胡旭光 東北大學信息科學與工程學院博士研究生.主要研究方向為基于數據驅動的故障診斷,信息物理系統的建模及優化控制.

E-mail:1501004@stu.neu.edu.cn

(HU Xu-Guang Ph.D.candidate at the College of Information Science and Engineering,Northeastern University. His research interest covers fault diagnosis based on data-driven,modeling and optimal control of cyberphysical system.)

孫秋野 東北大學信息科學與工程學院教授.主要研究方向為網絡控制技術,分布式控制技術,分布式優化分析及其在能源互聯網,微網,配電網等領域相關應用.E-mail:sunqiuye@mail.neu.edu.cn

(SUN Qiu-Ye Professor at the College of Information Science and Engineering,Northeastern University.His research interest covers network control technology,distributed control technology,distributed optimization analysis and various applications in energy internet,microgrid,power distribution network.)

A Large Dimensional Data-driven Fuzzy Detection Method for Oil-gas Pipeline Network Leakage

MA Da-Zhong1HU Xu-Guang1SUN Qiu-Ye1

It is difficult to build an exact math model for the oil-gas pipeline network because there are multiple state variables and complex processing technology.A leakage detection method using fuzzy detection based on large dimensional data for oil pipeline network is proposed,which can monitor oil pipeline network operational status in real time.Firstly,from the view-point of cyber-physical system(CPS),existing oil pipeline network data containing network topology,physical data like valve opening,and operating data like pressure and fl ow are used to build a data-driven model without dimensionality reduction.Then,as for fuzzy decision conditions,the eigenvalue spectrum distribution and ring law based on spectral analysis of large dimensional random matrices are used to judge the network operating status.When the topological structure of oil pipeline network is dynamically altered,the fuzzy method can solve the problem of high rate false alarm.Finally,the e ff ectiveness of the proposed method is demonstrated through simulation and case study.

Large dimensional data-driven,cyber-physical system(CPS),spectral analysis,fuzzy detection,oil-gas pipeline network

May 28,2016;accepted September 20,2016

馬大中,胡旭光,孫秋野.基于大維數據驅動的油氣管網泄漏監控模糊決策方法.自動化學報,2017,43(8):1370?1382

Ma Da-Zhong,Hu Xu-Guang,Sun Qiu-Ye.A large dimensional data-driven fuzzy detection method for oil-gas pipeline network leakage.Acta Automatica Sinica,2017,43(8):1370?1382

2016-05-28 錄用日期2016-09-20

國家自然科學基金重大項目(61627809),國家自然科學基金重點項目(61433004),國家自然科學基金(61473069,61573094),中央高?；究蒲袠I務費專項基金(N160404005)資助

Supported by the Major Program of National Natural Science Foundation of China(61627809),the Key Program of National Natural Science Foundation of China(61433004),National Natural Science Foundation of China(61473069,61573094)and Fundamental Research Funds for the Central Universities(N160404005)

本文責任編委文成林

Recommended by Associate Editor WEN Cheng-Lin

1.東北大學信息科學與工程學院沈陽110004

1.College of Information Science and Engineering,Northeastern University,Shenyang 110004

DOI10.16383/j.aas.2017.c160435