CN109268692B - 一种供热管网井式补偿器泄漏监测***及监测方法 - Google Patents

Abstract

本发明公开了一种供热管网井式补偿器泄漏监测***，包括主控单元，主控单元通过导线连接有A/D转换模块，A/D转换模块通过导线分别连接有温度测量模块、电导率传感器和液位传感器，主控单元通过导线连接有GPRS无线模块，GPRS无线模块与远程监测中心连接。其监测方法为，首先，建立样本输入矩阵，进行归一化处理，建立供热管网井式补偿器泄漏状况预测模型，最后再将测量参数作为输入，即可得到供热管网井式补偿器泄漏状况。将基于ELM极限学习机的多参数补偿器泄漏状态分析嵌入监控***中，进行自动化、智能化、科学化的实时在线监测和泄漏级别评估，既能保障设备的可靠性和安全性，又能节约大量的人力物力。

Description

一种供热管网井式补偿器泄漏监测***及监测方法

技术领域

本发明属于供热管泄露监测技术领域，具体涉及一种供热管网井式补偿器泄漏监测***，还涉及该***的监测方法。

背景技术

供热管道补偿器是供热管网的组成部分，供热管道补偿器泄漏监测方式属于热力管网泄漏监测方式，两者的泄漏检测手段具有通用性。作为运行工况复杂而又极其庞大的供热***，其在运行过程中，由于多种因素的影响，致使管道损坏泄漏事故频发，一般是根据管网泄漏后，***相关参数的变化对其泄漏进行监测。供热管网泄漏监测是一项***工程，必须使用多重手段和多学科交叉的方法进行其泄漏监测。

目前，国内外学者对供热管道补偿器泄漏监测方法的研究较少，主要是通过借鉴其它类型管网泄漏监测方法判断和定位供热管道的泄漏。补偿器作为热力管道的一部分，其因材质老化、违规操作、外界干扰等因素损坏引发的泄漏事故占大多数，严重影响着供热***的安全稳定运行。

发明内容

本发明的目的是提供一种供热管网井式补偿器泄漏监测***，解决了现有补偿器泄漏监测***监测效果差的问题。

本发明的另一目的是提供上述监测***的监测方法。

本发明所采用的技术方案是，一种供热管网井式补偿器泄漏监测***，包括主控单元，主控单元通过导线连接有A/D转换模块，A/D转换模块通过导线分别连接有温度测量模块、电导率传感器和液位传感器，主控单元通过导线连接有GPRS无线模块，GPRS无线模块与远程监测中心连接。

本发明的特点还在于，

还包括电源模块，电源模块，包括太阳能光伏阵列，所述太阳能光伏阵列通过导线连接有光伏控制器，光伏控制器与蓄电池连接，蓄电池通过导线分别连接有第一电源变换器、第二电源变换器和第三电源变换器，第二电源变换器通过导线连接有稳压器，稳压器与主控单元连接。

温度测量模块包括第一温度传感器、第二温度传感器、第三温度传感器和第四温度传感器，且第一温度传感器、第二温度传感器、第三温度传感器和第四温度传感器均为PT100铂热电阻式温度传感器。

主控单元为STM32F103RBT6单片机。

GPRS无线模块的型号为ATK-SIM800C；液位传感器的型号为WRT-136。

本发明所采用的另一技术方案是，一种供热管网井式补偿器泄漏监测方法，具体步骤如下：

步骤1，根据第一温度传感器、第二温度传感器、第三温度传感器、第四温度传感器、电导传感器和液位传感器分别模拟测量到的参数T1、T2、T3、T4、G、H，对供热管网井式补偿器泄漏状况进行模拟分类，分别得到正常状态、较小泄漏状态和较大泄漏状态下的样本矩阵m*6；

当T2与T1、T3与T1、T4与T1的温度差均小于20℃，且G和H均为0时，则供热管网井式补偿器属于正常状态；反之，则为不正常状态；

在不正常状态中，若H小于等于0.5毫米时，则属于较小泄漏状态；若H大于0.5毫米时，则属于较大泄漏状态；

步骤2，将经步骤1后得到的每个样本矩阵的每一列均进行归一化处理，使每个样本矩阵的每一列参数值x′_i均落在[0，1]内，如式(1)所示；

式(1)中，x_max和x_min分别为每个样本矩阵中每一列参数的最大值和最小值；x_i为归一化前每个样本矩阵中每一列参数值；x′_i为归一化后每个样本矩阵中每一列参数值；

步骤3，经步骤2后，将样本矩阵m*6以行相接的方式进行拼接，形成3m*6的矩阵，之后，在矩阵最后增加一列，以区分三种状态的数据，以1、2、3依次代表模拟供热管网井式补偿器的正常状态、较小泄露状态和较大泄露状态，得到样本输入矩阵3m*7；

步骤4，经步骤3后，建立供热管网井式补偿器泄漏状况预测模型，具体步骤如下：

步骤4.1，将经步骤3后得到的样本输入矩阵作为训练样本和测试样本，其中，训练样本和测试样本的数据个数比为8：2，作为ELM分类模型的输入，建立供热管网井式补偿器泄漏状况预测模型，如式(2)所示：

式(2)中，y_k为神经元的输出值；x_j为从其他神经元传来的输入信号；w_k为连接权值，即连接强度；b_k为神经元的阈值；

式(2)中，隐含层的输出矩阵Φ，如式(3)所示：

式(3)中，φ(.)为神经元的激活函数，激活函数为sig函数；

隐含层个数K从10递加至200，且每次递加10；

步骤4.2，建立输出层与隐含层之间的连接矩阵β，如式(4)所示：

β＝Φ⁺T＝(Φ^TΦ)^-1Φ^TT (4)；

式(4)中，T为训练样本的输出矩阵，Φ^TΦ为奇异或者非奇异矩阵；Φ⁺是隐含层输出矩阵Φ的Moore-Penrose广义逆矩阵；Φ^T是隐含层输出矩阵Φ的转置矩阵；

其中，训练样本的输出矩阵T，如式(5)所示：

式(5)中，M为输出的分类个数，M＝1,2,.....,n；

步骤4.3，计算极限学习机的学习误差Z，以学习误差最小时的隐含层个数K和激活函数φ(.)为参数，即准确率最高，即可得到供热管网井式补偿器泄漏状况预测模型；

其中，若学习误差相同时，则取隐含层神经元个数较少时的隐含层个数K和激活函数φ(.)作为参数；

学习误差Z的计算公式，如式(6)所示：

Z＝||Φβ-T|| (6)；

步骤5，经步骤4后，将第一温度传感器、第二温度传感器、第三温度传感器、第四温度传感器、电导传感器和液位传感器采集到的样本数据矩阵进行如步骤2的归一化处理，再将样本数据矩阵作为ELM分类模型的输入，输入到经步骤4后得到的供热管网井式补偿器泄漏状况预测模型中，该模型输出一个状态类别，即可得到供热管网井式补偿器泄漏状况。

本发明的有益效果是，

该多传感器热力管网井式补偿器泄漏监测***对补偿器因损坏导致的泄漏监测效果良好，能在其发生泄漏事故时及时发出报警信号，为相关人员及时抢修提供重要依据，降低泄漏造成的影响，对保障供热***的正常运行具有重要的意义。

附图说明

图1是本发明一种供热管网井式补偿器泄漏监测***的框架图；

图2是本发明方法中供热管网井式补偿器泄漏状况预测模型测试样本与实际输出的对比图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种供热管网井式补偿器泄漏监测***，如图1所示，包括主控单元1，主控单元1通过导线连接有A/D转换模块2，A/D转换模块2通过导线分别连接有温度测量模块3、电导率传感器4和液位传感器5，主控单元1通过导线连接有GPRS无线模块6，GPRS无线模块6与远程监测中心7连接；

还包括电源模块，电源模块包括太阳能光伏阵列，太阳能光伏阵列通过导线连接有光伏控制器，光伏控制器与蓄电池连接，光伏控制器的输出电压为12V，蓄电池通过导线分别连接有第一电源变换器、第二电源变换器和第三电源变换器，第一电源变换器产生+12V和-12V电压，第二电源变换器产生+5V和-5V电压，第三电源变换器产生+24V电压，第二电源变换器通过导线连接有稳压器，可将+5V降压到+3.3V，稳压器与主控单元1连接；稳压器的型号为ASM1117；

温度测量模块3包括第一温度传感器、第二温度传感器、第三温度传感器和第四温度传感器，第一温度传感器安装在井式补偿器正上方，第二温度传感器安装在井式补偿器正下方，第三温度传感器和第四温度传感器分别安装在井式补偿器1两侧，电导率传感器4安装在井式补偿器正下方保温层内，液位传感器5安装在井式补偿器井底部；

第一电源变换器分别与第一温度传感器、第二温度传感器、第三温度传感器、第四温度传感器和电导率传感器4相连；

第二电源变换器分别与第一温度传感器、第二温度传感器、第三温度传感器、第四温度传感器、液位传感器5和A/D转换模块2相连；

第三电源变换器与液位传感器5相连；

其中，产生的+12V电压提供给温度测量模块3和电导率传感器4；

产生的-12V电压提供给温度测量模块3；

产生的+5V电压提供给温度测量模块3、液位传感器5和A/D转换模块2；

产生的-5V电压提供给A/D转换模块2；

产生的+24V电压提供给液位传感器5；

第一电源变换器、第二电源变换器和第三电源变换器的型号分别为VRA1212YMD-6WR3、VRA1205YMD-6WR3、VRA1224YMD-6WR3；第一温度传感器、第二温度传感器、第三温度传感器和第四温度传感器均为PT100铂热电阻式温度传感器；

主控单元1为STM32F103RBT6单片机；

GPRS无线模块6的型号为ATK-SIM800C；

液位传感器5的型号为WRT-136；

A/D转换模块2将采集的参数进行模数转换，由4位双积分A/D芯片ICL7135CN和ICL8069芯片组成，ICL8069基准电压源为AD转换芯片ICL7135CN提供基准电压，通过STM32F103RBT6单片机控制实现各传感器数据的采集。

本发明一种供热管网井式补偿器泄漏监测***，其具体工作原理是：

将该***中的各个传感器布置在井式补偿器上，实现对井式补偿器的泄漏监测；温度测量模块3用来同时检测井式补偿器周围的温度，将布置在井式补偿器上的任意一个测量温度作为参考，与其它三个温度传感器所测量色温度进行比对，若温差存在一定差异，则可初步判定井式补偿器已发生泄漏事故，监测***发出补偿器泄漏预警信息；同时启动液位传感器5和电导率传感器4，开始采集井底液位和井式补偿器正下方保温层里电导参数，若电导G值明显升高，或井底液位H也发生明显变化，则进一步确认井式补偿器发生损坏泄漏，并将采集到的温度、电导、液位等参数通过GPRS无线网络发送至远程监测中心，然后对采集到的参数进行存储、处理与分析，综合评定所监测热力管网补偿器的工作状态，对不正常运行状态进行报警和损坏泄漏状况评定。

太阳能光伏阵列将白天采集太阳能转换为电能，为补偿器泄漏监测***供电，通过光伏控制器保护电路且保护蓄电池不受过冲损坏，控制输出电压为12V，并将多余的电量存储在蓄电池中，电压转换电路将蓄电池输出的12V电压转换为检测模块可接收的直流电压，夜晚蓄电池通过电压转换电路独立为补偿器泄漏检测***提供电源。

本发明一种供热管网井式补偿器泄漏监测方法，具体步骤如下：

步骤1，根据第一温度传感器、第二温度传感器、第三温度传感器、第四温度传感器、电导传感器和液位传感器分别模拟测量到的参数T1、T2、T3、T4、G、H，对供热管网井式补偿器泄漏状况进行模拟分类，分别得到正常状态、较小泄漏状态和较大泄漏状态下的样本矩阵m*6，在每个样本矩阵中，相同类型的参数值为每个矩阵的列，即所测量的T1、T2、T3、T4、G、H为每个矩阵的列，每个矩阵共六列；

当T2与T1、T3与T1、T4与T1的温度差均小于20℃，且G和H均为0时，则供热管网井式补偿器属于正常状态；反之，则为不正常状态；

在不正常状态中，若H小于等于0.5毫米时，则属于较小泄漏状态；若H大于0.5毫米时，则属于较大泄漏状态；

步骤2，将经步骤1后得到的每个样本矩阵的每一列均进行归一化处理，使每个样本矩阵的每一列参数值x′_i均落在[0，1]内，如式(1)所示；

式(1)中，x_max和x_min分别为每个样本矩阵中每一列参数的最大值和最小值，x_i为归一化前每个样本矩阵中每一列参数值，x′_i为归一化后每个样本矩阵中每一列参数值；

步骤3，经步骤2后，将样本矩阵m*6以行相接的方式进行拼接，形成3m*6的矩阵，之后，在矩阵最后增加一列，以区分三种状态的数据，以1、2、3依次代表模拟供热管网井式补偿器的正常状态、较小泄露状态和较大泄露状态，得到样本输入矩阵3m*7；

步骤4，经步骤3后，建立供热管网井式补偿器泄漏状况预测模型，具体步骤如下：

步骤4.1，将经步骤3后得到的样本输入矩阵作为训练样本和测试样本，其中，训练样本和测试样本的数据个数比为8：2，作为ELM分类模型的输入，建立供热管网井式补偿器泄漏状况预测模型，如式(2)所示：

式(2)中，y_k为神经元的输出值；x_j为从其他神经元传来的输入信号；w_k为连接权值，即连接强度；b_k为神经元的阈值；

式(2)中，隐含层的输出矩阵Φ，如式(3)所示：

式(3)中，φ(.)为神经元的激活函数，激活函数为sig函数；

隐含层个数K从10递加至200，且每次递加10；

步骤4.2，建立输出层与隐含层之间的连接矩阵β，如式(4)所示：

β＝Φ⁺T＝(Φ^TΦ)^-1Φ^TT (4)；

式(4)中，T为训练样本的输出矩阵，Φ^TΦ为奇异或者非奇异矩阵；Φ⁺是隐含层输出矩阵Φ的Moore-Penrose广义逆矩阵；Φ^T是隐含层输出矩阵Φ的转置矩阵；

其中，训练样本的输出矩阵T，如式(5)所示：

式(5)中，M为输出的分类个数，M＝1,2,.....,n；

步骤4.3，计算极限学习机的学习误差Z，以学习误差最小时的隐含层个数K和激活函数φ(.)为参数，即准确率最高，即可得到供热管网井式补偿器泄漏状况预测模型；

其中，若学习误差相同时，则取隐含层神经元个数较少时的隐含层个数K和激活函数φ(.)作为参数；

学习误差Z的计算公式，如式(6)所示：

Z＝||Φβ-T|| (6)；

步骤5，经步骤4后，将第一温度传感器、第二温度传感器、第三温度传感器、第四温度传感器、电导传感器和液位传感器采集到的样本数据矩阵进行如步骤2的归一化处理，再将样本数据矩阵作为ELM分类模型的输入，输入到经步骤4后得到的供热管网井式补偿器泄漏状况预测模型中，该模型输出一个状态类别，即可得到供热管网井式补偿器泄漏状况。

本发明的方法中，隐含层个数K从初值10，每次递加10，直到200，计算出模型的学习准确率(准确率＝1-误差)，通过比对，将误差最小的神经元个数确定为最终的模型隐含层个数K，若出现相同的准确率，取隐含层神经元个数小的作为参数，以降低模型的复杂度，从而保证了模型的分类速度。

本发明的方法将采集的测试样本的数据输入到供热管网井式补偿器泄漏状况预测模型中，并计算得到的输出矩阵与测试样本的实际输出进行对比，如图2所示，可以看出分类模型在测试集的实验结果，横轴代表测试集数据，纵轴为所属的1、2、3三种类型标签(其中，1-正常情况；2-较小泄漏；3-较大泄漏)，图中空心圆表示测试集数据的原本所属的类别，星线代表算法计算出的类别。可以看出，该模型具有较高的预测结果，从而验证了基于ELM算法的供热管网井式补偿器泄漏状况预测模型的有效性。

Claims (2)

1.一种供热管网井式补偿器泄漏监测方法，其特征在于，具体步骤如下：

步骤1，根据第一温度传感器、第二温度传感器、第三温度传感器、第四温度传感器、电导传感器和液位传感器分别模拟测量到的参数T1、T2、T3、T4、G、H，对供热管网井式补偿器泄漏状况进行模拟分类，分别得到正常状态、较小泄漏状态和较大泄漏状态下的样本矩阵m*6；

当T2与T1、T3与T1、T4与T1的温度差均小于20℃，且G和H均为0时，则供热管网井式补偿器属于正常状态；反之，则为不正常状态；

在不正常状态中，若H小于等于0.5毫米时，则属于较小泄漏状态；若H大于0.5毫米时，则属于较大泄漏状态；

步骤2，将经步骤1后得到的每个样本矩阵的每一列均进行归一化处理，使每个样本矩阵的每一列参数值x′_i均落在[0，1]内，如式(1)所示；

式(1)中，x_max和x_min分别为每个样本矩阵中每一列参数的最大值和最小值；x_i为归一化前每个样本矩阵中每一列参数值；x′_i为归一化后每个样本矩阵中每一列参数值；

步骤3，经步骤2后，将样本矩阵m*6以行相接的方式进行拼接，形成3m*6的矩阵，之后，在矩阵最后增加一列，以区分三种状态的数据，以1、2、3依次代表模拟供热管网井式补偿器的正常状态、较小泄露状态和较大泄露状态，得到样本输入矩阵3m*7；

步骤4，经步骤3后，建立供热管网井式补偿器泄漏状况预测模型；

步骤5，经步骤4后，将第一温度传感器、第二温度传感器、第三温度传感器、第四温度传感器、电导传感器和液位传感器采集到的样本数据矩阵进行如步骤2的归一化处理，再将样本数据矩阵作为ELM分类模型的输入，输入到经步骤4后得到的供热管网井式补偿器泄漏状况预测模型中，该模型输出一个状态类别，即可得到供热管网井式补偿器泄漏状况。

2.根据权利要求1所述的一种供热管网井式补偿器泄漏监测方法，其特征在于，所述步骤4，具体步骤如下：

步骤4.1，将经步骤3后得到的样本输入矩阵作为训练样本和测试样本，其中，训练样本和测试样本的数据个数比为8：2，作为ELM分类模型的输入，建立供热管网井式补偿器泄漏状况预测模型，如式(2)所示：

式(2)中，y_k为神经元的输出值；x_j为从其他神经元传来的输入信号；w_k为连接权值，即连接强度；b_k为神经元的阈值；

式(2)中，隐含层的输出矩阵Φ，如式(3)所示：

式(3)中，φ(.)为神经元的激活函数，激活函数为sig函数；

隐含层个数K从10递加至200，且每次递加10；

步骤4.2，建立输出层与隐含层之间的连接矩阵β，如式(4)所示：

β＝Φ⁺T＝(Φ^TΦ)^-1Φ^TT (4)；

式(4)中，T为训练样本的输出矩阵，Φ^TΦ为奇异或者非奇异矩阵；Φ⁺是隐含层输出矩阵Φ的Moore-Penrose广义逆矩阵；Φ^T是隐含层输出矩阵Φ的转置矩阵；

其中，训练样本的输出矩阵T，如式(5)所示：

式(5)中，M为输出的分类个数，M＝1,2,.....,n；

步骤4.3，计算极限学习机的学习误差Z，以学习误差最小时的隐含层个数K和激活函数φ(.)为参数，即准确率最高，即可得到供热管网井式补偿器泄漏状况预测模型；

其中，若学习误差相同时，则取隐含层神经元个数较少时的隐含层个数K和激活函数φ(.)作为参数；

学习误差Z的计算公式，如式(6)所示：

Z＝||Φβ-T|| (6)。

Images