CN113341813B - 一种城市燃气中低压管网检测方法及*** - Google Patents

Abstract

本发明涉及一种城市燃气中低压管网检测***，包括设备层、边缘层和云计算层，设备层、边缘层和云计算层之间通过通讯网络进行连接；设备层包括多个智能仪表以及控制设备，该控制设备用于读取智能仪表存储于边缘层存储端的实时检测数据，并且根据在控制设备中预存的实时物理参数的激发阈值，判断是否进行管网状态异常进一步判断。

Description

一种城市燃气中低压管网检测方法及***

技术领域

本发明涉及能源输送领域，具体涉及一种城市燃气中低压管网检测方法及***。

背景技术

随着智能技术的发展，大量的智能仪表应用于城市燃气管网的日常监测中。现有技术中，通常是通过边缘计算***来对大规模和复杂数据信息的燃气管网的智能检测仪表进行计算和监控。边缘计算是指靠近数据测量源头一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近服务端的***。虽然相比于早先的云计算***已经大为节省计算和网络资源，但是目前应用于城市燃气管网监控的边缘计算***还存在以下问题：1)设备端介入整个计算或监控管理程序的程度较低，设备层主要的作用还是用于检测数据，大部分计算还是在云计算层或边缘层，网络负担还需要进一步降低；2)对于燃气管网故障的判断往往直接通过大规模的数据计算，缺乏比较灵活节约的判断方式，计算资源的利用效率还需要进一步提升；3)计算结果的准确性也需要进一步得到提升。

因此，需要提供一种提高设备端参与度的、具有灵活节约的判断方式的、计算结果准确的城市燃气中低压管网检测方法及***。

发明内容

本发明所要解决的技术问题是现有技术存在的以下不足：1)设备端介入整个计算或监控管理程序的程度较低，设备层主要的作用还是用于检测数据，大部分计算还是在云计算层或边缘层，网络负担还需要进一步降低；2)对于燃气管网故障的判断往往直接通过大规模的数据计算，缺乏比较灵活节约的判断方式，计算资源的利用效率还需要进一步提升；3)计算结果的准确性也需要进一步得到提升。

本发明解决其技术问题所采取的技术方案是：

一种城市燃气中低压管网检测***，包括设备层、边缘层和云计算层，设备层、边缘层和云计算层之间通过通讯网络进行连接；设备层包括多个智能仪表以及控制设备，该控制设备用于读取智能仪表存储于边缘层存储端的实时检测数据，并且监控上述实时数据中的各类参数是否超出了其各自类别的激发阈值，判断是否进行管网状态异常进一步判断。

进一步，该智能仪表安装于城市燃气中低压管网的分支管道末端。

进一步，控制设备的配备方式是在一定范围内的多个末端管道配备一个控制设备。

进一步，控制设备的配备方式是在一定范围内的多个末端管道配备多个控制设备。

进一步，智能仪表为压力传感智能仪表、温度传感智能仪表、流量传感智能仪表的一种或者多种。

进一步，智能仪表还可以是湿度传感智能仪表。

一种城市燃气中低压管网检测方法，该方法基于所述的城市燃气中低压管网检测***。

进一步，该方法包括：步骤S1,安装于中低压燃气管网的多个末端管线上的设备层的n个智能仪表的实时检测数据上传至边缘层的存储端进行保存。

进一步，该方法包括：设备层中的控制设备对于存储端中存储的实时数据进行读取，监控上述实时数据中的各类参数是否超出了其各自类别的激发阈值。

进一步，该方法包括：控制设备将需要进一步判断管道异常的请求指令发送给云计算层，云计算层根据上述指令确定分类模型。

本申请提供的为本申请提供的一种城市燃气中低压管网检测方法及***有以下有益效果：

1)通过设置设备层的控制设备，将大部分读取实时数据的工作留在了与边缘层接近的设备端，节省了网络资源。

2)通过控制设备的初步判断、云计算层的自动分类器分类和最终数具模型计算三个层次来判断管道的异常情况，能够将明显非故障情况利用最少的网络资源最早排除，并利用云计算层的分类器模型以及有限的数据，进一步筛选出最需要进行大量数据计算才能够判断的网络故障，进一步避免了大规模计算造成的***负担，最后通过针对不同的可能的故障类型有针对性的设置计算模型能够提高判断的准确性。

3)在云计算层的分类器模型分类过程中，结合异常数据距离超出激发阈值数据采集时间越接近，造成的可能的管道异常的风险越大的思想，本申请在分类器模型分类后引入时间参数的考量，避免了分类器较早的数据过于敏感造成的误判断和对于近期数据对于管道影响的权重考虑不足造成的危险情况的遗漏，提高的检测的准确性。

附图说明

图1为本申请提供的一种城市燃气中低压管网检测***的结构示意图。

具体实施方式

下面将参照附图对本发明进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明而仍然实现本发明的有益效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。

为了清楚，不描述实际实施例的全部特征。在下列描述中，不详细描述公知的功能和结构，因为它们会使本发明由于不必要的细节而混乱。应当认为在任何实际实施例的开发中，必须作出大量实施细节以实现开发者的特定目标。

为使本发明的目的、特征更明显易懂，下面结合附图对本发明的具体实施方式作进一步的说明。需要说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用一方便、清晰地辅助说明本发明实施例的目的。

本申请首先提供了一种城市燃气中低压管网检测***，该***的结构示意图如图1所示。参见图1，本申请提供的城市燃气中低压管网检测***，包括设备层、边缘层和云计算层，设备层、边缘层和云计算层之间通过通讯网络进行连接。

其中，所述设备层包括检测端和控制设备。检测端包括n个传感器，上述n个传感器分布在多个城市燃气中低压管网的末端管道上，例如：入户管道或者单元楼宇的管道的末端。上述n个传感器可以是一类或者多类具有传感功能的智能仪表，上述一类或者多类智能仪表可以为压力传感智能仪表、温度传感智能仪表、流量传感智能仪表、湿度传感智能仪表的一种或者多种。上述具有传感功能的智能仪表用于检测末端管道的实时物理参数数据，并将上述数据通过网络上传至边缘层中的存储端。

设备层还包括控制设备，控制设备用于读取智能仪表存储于边缘层存储端的实时检测数据，并且通过将在控制设备中预存的实时物理参数的激发阈值和相应的实时检测数据值进行比较，判断是否需要在云计算层进行管网状态是否初步异常的进一步判断。

上述控制设备的配备方式可以是在一定范围内的多个末端管道配备一个控制设备，例如：如果末端管道未入户管道，则可以在一个或多个楼宇范围内配置一个控制设备，从而来控制检测该范围内的所有末端管道的物理参数。虽然图1中，仅仅画出了一个控制设备，但是根据末端管道数量和位置分布的不同也可以配置多个控制设备，从而将一个范围内的多个末端管道，分为多个子区域进行分别的控制检测。上述控制设备可以为工业上位机等计算机设备。

控制设备还用于：在云计算层进行管网状态是否初步异常的判断结果为初步异常，需要进行管网状态的物理参数数据计算来确定最终的异常情况时，接收云计算层发送的控制命令，上述控制命令包括上述物理参数数据计算所需的数据范围、计算任务和计算任务涉及的计算模型等信息，控制设备在接受到上述控制命令后，将上述计算任务按照程序的可执行性进行分解，并按照计算任务分解结果，将上述分解的计算任务分别发送给多个计算节点进行卸载计算。多个计算节点最终将各自的计算结果反馈给云计算层，云计算层对最终的计算结果进行融合后，进一步基于管网状态的物理参数数据计算结果进行管网状态是否异常的判断。

例如：在云计算层判断目前管网存在初步异常，并且该初步异常的类型为堵塞异常风险时，需要进行在堵塞异常模式下的管网状态的物理参数数据计算来确定最终的异常情况，云计算层将包括堵塞异常模式下的计算所需的数据范围——相应末端管道在2小时内的压力、温度和流量参数、计算任务——包括：1)拟合末端管道的实时压力和时间构成的拟合函数；2)根据温度补偿和流量-涡流参量关系来修正拟合函数；3)对修正后的拟合函数进行傅里叶FFT变换，得到频域函数，提取高强度频率信号，用以判断该条管道是否存在堵塞风险。控制设备接收到上述计算任务后，按照程序的可执行性将上述三个计算步骤分解为多个子计算任务，并将每一个步骤的多个子计算任务，通过计算指令的方式分别发送给边缘层的多个计算节点，进行卸载计算。

上面仅仅列举了初步堵塞异常的情况，对于泄露和其他异常的情况，本领域技术人员可以根据其掌握的技术知识，设计相关的计算步骤，上述技术设置并非本申请的发明贡献点，因此在此不再赘述。

边缘层包括存储端和计算端。其中，存储端用于存储n个智能仪表实时上传的检测数据。计算端包括m个计算节点，上述计算节点用于根据控制设备的计算指令，计算卸载的子计算任务。

云计算层，其远程连接于边缘层，云计算层可以读取边缘层数据，并且云计算层预先训练并存储了多个类别的分类器模型，具体的上述分类器可以是SVM分类器。针对不同维度组合的数据类型分别进行不同的分类器模型设计和训练。例如：针对压力-温度数据、流量-压力-时间、流量-时间数据等不同的数据类型均对应有不同的分类器模型。对于上述分类器是通过首先建立该类数据包括历史非故障数据、历史堵塞状态数据、历史泄露状态数据、历史其他异常状态数据的给定类别的已知的检测参数样本，再调整准则函数，最终以求最优解的数学方法求准则函数的极值解，从而求得权向量和阈值权，而设计训练而成。上述分类器能够将一段时间内连续采集的多个多维的物理参数值点(例如：压力-温度-时间三维、或压力-流量-温度-时间多维等)，进行历史非故障数据、历史堵塞状态数据、历史泄露状态数据、历史其他异常状态数据的自动分类。并根据上述分类的统计结果进行是否存在初步异常以及初步异常类型的判断。

云计算层还用于将边缘层多个计算节点做出的计算结果进行融合，并根据融合后的结果进一步进行中低压管网状态是否最终异常的判断。例如，针对初步堵塞异常情况，多个计算节点最终将各自的步骤3)的计算结果反馈给云计算层，云计算层对最终的计算结果进行融合后得到高强度频率信号，进一步通过该高强度频率信号和阈值比较来进行管网状态是否存在最终堵塞异常的判断。

根据上述城市燃气中低压管网检测***，本申请还提供了一种城市中低压管网检测方法，上述方法包括：

步骤S1,安装于中低压燃气管网的多个末端管线上的设备层的n个智能仪表的实时检测数据上传至边缘层的存储端进行保存。

具体的，上述实时数据可以通过进行对应末端管线、参数类型和时间段的分类进行分类储存，从而方便后续计算过程中的访问和调用。

步骤S2,设备层中的控制设备对于存储端中存储的实时数据进行读取，监控上述实时数据中的各类参数是否超出了其各自类别的激发阈值。

具体的，智能仪表的实时检测数据上传至边缘层的存储端后，控制设备同时实时读取上述存入的数据，并且控制设备按照上述实时数据的类别和该实时数据的数值，判断上述实时数据是否超出了其所述类别的激发阈值。通过将在控制设备中预存的实时物理参数的激发阈值和相应的实时检测数据值进行比较，判断是否需要在云计算层进行管网状态是否初步异常的进一步判断。

上述激发阈值可以为本领域技术人员根据经验公式计算的固定数值，或者是根据累计的实时数据的平均值的推导值。例如，针对管道压力，其压力类别的激发阈值，可以是上端激发阈值为0.6Mpa，下端激发阈值为0.005MPa，或者是24小时内积累的压力数据的平均值±20％。作为激发进一步判断的激发阈值，为了避免遗漏异常状态，通常将激发阈值的范围设置的比较宽广，即将尽可能多的情况纳入。

如果实时数据超出了其所属类别的激发阈值，则进行步骤S3,如果实时数据没有超出其所属类别的激发阈值，则继续执行步骤S2。

步骤S3,控制设备将需要在云计算层进行管网状态是否初步异常的进一步判断的请求指令发送给云计算层，云计算层根据上述请求指令进行初步异常的进一步判断。

具体的，所属请求指令包括超出激发阈值的数据类型、数据值以及对应时间。云计算层根据上述请求指令调用预存的针对不同类型数据，并根据上述数据的类型确定需要从存储端调用的参数类型、数据检测时间段以及在云计算层自身存储的相应的分类器模型。例如：控制设备判断时间t1的压力参数超出了激发阈值，云计算端根据预存的分类模型，确定向存储器调用t1之前1小时的温度、压力和流量实时数据，以及温度-压力-流量-时间数据分类用的分类器模型。

步骤S4，云计算层根据调用数据的需求，生成并向存储端发送数据获取请求，存储端在收到上述数据获取请求后，根据云计算层的需求将相应的数据发送给云计算层，并存储于云计算层的缓存部分。

具体的，数据获取请求包括从存储端调用的参数类型、数据检测时间段。存储端在收到上述信息后，将特定检测时间段的特定类型的实时数据发送给云计算层进行分类计算。云计算层在接收到上述所需数据后，将上述数据存储于其缓存部分。

步骤S5，云计算层基于接收到的数据以及对应的分类器模型判断管道是否处于初步异常状态，并确定初步异常状态的类型。如果管道状态判断为初步异常，则需要通过在特定初步异常的模式下的管网状态的物理参数数据计算来确定最终的异常情况，并向控制设备发送控制命令用于驱动进一步的计算，如果管道状态判断为初步正常，则回到步骤S1。

具体的，云计算层基于接收到的数据，并将该所有的多维数据点在多维空间内，通过相应类型的的分类器模型进行分类，上述分类器模型可以为SVM分类器针对不同维度组合的数据类型分别进行不同的分类器模型设计和训练。例如：针对压力-温度数据、流量-压力-时间、流量-时间数据等不同的数据类型均对应有不同的分类器模型。对于上述分类器是通过首先建立该类数据包括历史非故障数据、历史堵塞状态数据、历史泄露状态数据、历史其他异常状态数据的给定类别的已知的检测参数样本，再调整准则函数，最终以求最优解的数学方法求准则函数的极值解，从而求得权向量和阈值权，而设计训练而成。上述分类器能够将一段时间内连续采集的多个多维的物理参数值点(例如：压力-温度-时间三维、或压力-流量-温度-时间多维等)，进行历史非故障数据、历史堵塞状态数据、历史泄露状态数据、历史其他异常状态数据的自动分类。并根据上述分类的统计结果进行是否存在初步异常以及初步异常类型的判断。

通过上述不同类型的分类器模型，将云计算层调用的数据分为历史非故障数据、历史堵塞状态数据、历史泄露状态数据、历史其他异常状态数据四类。将分类为历史堵塞状态数据、历史泄露状态数据、历史其他异常状态数据的故障数据点的赋值x设定为-1，将分类为非故障数据点的赋值x设定为1，如果∑(t1-Ti)Xi>0，则判断管道状态为初步正常，不需要进一步的计算确定，如果∑(t1-Ti)Xi≤0，则判断管道状态为初步异常，需要进一步的计算确定。其中，t1表示超出激发阈值的数据点的采集时间，Ti表示第i个数据点的采集时间，i表示云计算层按照需求请求获得的全部数据中的任意一个，Xi表示第i个数据点的赋值。

通过将上述数据进行分类，并结合异常数据距离超出激发阈值数据采集时间越接近，造成的可能的管道异常的风险越大的思想，本申请在分类器模型分类后引入时间参数的考量，避免了分类器较早的数据过于敏感造成的误判断和对于近期数据对于管道影响的权重考虑不足造成的危险情况的遗漏，提高的检测的准确性。

如果需要进一步通过在特定初步异常的模式下的管网状态的物理参数数据计算，则向控制设备发送控制命令用于驱动进一步的计算，如果不需要进一步计算，则回到步骤S1。

上述控制命令包括计算所需的数据范围、计算任务和计算任务涉及的计算模型等信息。上述计算任务和计算任务涉及的计算模型等信息根据具体可能的故障类型的不同有所不同。具体的，根据数据分类过程中，历史堵塞状态数据、历史泄露状态数据、历史其他异常状态数据的占比量来确定可能的异常类型，例如：根据数据分类过程中，历史堵塞状态数据的占比最大，则对数据进行进一步计算时，选择针对堵塞情况的计算模型和任务。

S6，控制设备根据云计算层发送的控制命令，将计算任务分解，并向边缘层的多个计算节点进行卸载计算。

具体的，控制设备在接受到上述控制命令后，将上述计算任务按照程序的可执行性进行分解，并按照计算任务分解结果，将上述分解的计算任务，分别发送给多个计算节点进行卸载计算。

例如：在云计算层判断目前管网存在初步异常，并且该初步异常的类型为堵塞异常风险时，需要进行在堵塞异常模式下的管网状态的物理参数数据计算来确定最终的异常情况，云计算层将包括堵塞异常模式下的计算所需的数据范围——相应末端管道在2小时内的压力、温度和流量参数、计算任务——包括：1)拟合末端管道的实时压力和时间构成的拟合函数；2)根据温度补偿和流量-涡流参量关系来修正拟合函数；3)对修正后的拟合函数进行傅里叶FFT变换，得到频域函数，提取高强度频率信号，用以判断该条管道是否存在堵塞风险。控制设备接收到上述计算任务后，按照程序的可执行性将上述三个计算步骤分解为多个子计算任务，并将每一个步骤的多个子计算任务，通过计算指令的方式分别发送给边缘层的多个计算节点，进行卸载计算。

S7，多个计算节点最终计算结果反馈给云计算层，云计算层将边缘层多个计算节点做出的计算结果进行融合，并根据融合后的结果进一步进行中低压管网状态是否最终异常的判断。

具体的，例如，针对初步堵塞异常情况，多个计算节点最终将各自的步骤3)的计算结果反馈给云计算层，云计算层对最终的计算结果进行融合后得到高强度频率信号，进一步通过该高强度频率信号和阈值比较来进行管网状态是否存在最终堵塞异常的判断。

本申请提供的为本申请提供的一种城市燃气中低压管网检测方法及***有以下有益效果：

1)通过设置设备层的控制设备，将大部分读取实时数据的工作留在了与边缘层接近的设备端，节省了网络资源。

2)通过控制设备的初步判断、云计算层的自动分类器分类和最终数具模型计算三个层次来判断管道的异常情况，能够将明显非故障情况利用最少的网络资源最早排除，并利用云计算层的分类器模型以及有限的数据，进一步筛选出最需要进行大量数据计算才能够判断的网络故障，进一步避免了大规模计算造成的***负担，最后通过针对不同的可能的故障类型有针对性的设置计算模型能够提高判断的准确性。

3)在云计算层的分类器模型分类过程中，结合异常数据距离超出激发阈值数据采集时间越接近，造成的可能的管道异常的风险越大的思想，本申请在分类器模型分类后引入时间参数的考量，避免了分类器较早的数据过于敏感造成的误判断和对于近期数据对于管道影响的权重考虑不足造成的危险情况的遗漏，提高的检测的准确性。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种城市燃气中低压管网检测方法，其特征在于：所述城市燃气中低压管网检测方法 基于一种城市燃气中低压管网检测***，该城市燃气中低压管网检测***包括设备层、边缘层和云计算层，设备层、边缘层和云计算层之间通过通讯网络进行连接；设备层包括多个智能仪表以及控制设备，该控制设备用于读取智能仪表存储于边缘层存储端的实时数据，并且监控实时数据中的各类参数是否超出了其各自类别的激发阈值，判断是否进行管网状态异常进一步判断；

所述城市燃气中低压管网检测方法，包括：

步骤S1，安装于中低压燃气管网的多个末端管线上的设备层的n个智能仪表的实时数据上传至边缘层的存储端进行保存；

步骤S2，设备层中的控制设备对于存储端中存储的实时数据进行读取，监控实时数据中的各类参数是否超出了其各自类别的激发阈值；

具体的，智能仪表的实时数据上传至边缘层的存储端后，控制设备同时实时读取存入的数据，并且控制设备按照实时数据的类别和该实时数据的数值，判断实时数据是否超出了其所属类别的激发阈值；通过将在控制设备中预存的实时物理参数的激发阈值和相应的实时数据值进行比较，判断是否需要在云计算层进行管网状态是否初步异常的进一步判断；

如果实时数据超出了其所属类别的激发阈值，则进行步骤S3，如果实时数据没有超出其所属类别的激发阈值，则继续执行步骤S2；

步骤S3，控制设备将需要在云计算层进行管网状态是否初步异常的进一步判断的请求指令发送给云计算层，云计算层根据请求指令进行初步异常的进一步判断；

具体的，请求指令包括超出激发阈值的数据类型、数据值以及对应时间，云计算层根据请求指令调用预存的针对不同类型数据，并根据数据的类型确定需要从存储端调用的参数类型、数据检测时间段以及在云计算层自身存储的相应的分类器模型；

步骤S4，云计算层根据调用数据的需求，生成并向存储端发送数据获取请求，存储端在收到数据获取请求后，根据云计算层的需求将相应的数据发送给云计算层，并存储于云计算层的缓存部分；

具体的，数据获取请求包括从存储端调用的参数类型、数据检测时间段；存储端在收到信息后，将特定检测时间段的特定类型的实时数据发送给云计算层进行分类计算；云计算层在接收到所需数据后，将数据存储于其缓存部分；

步骤S5，云计算层基于接收到的数据以及对应的分类器模型判断管道是否处于初步异常状态，并确定初步异常状态的类型；如果管道状态判断为初步异常，则需要通过在特定初步异常的模式下的管网状态的物理参数数据计算来确定最终的异常情况，并向控制设备发送控制命令用于驱动进一步的计算，如果管道状态判断为初步正常，则回到步骤S1；

具体的，云计算层基于接收到的数据，并将所有的多维数据点在多维空间内，通过相应类型的分类器模型进行分类，分类器模型为SVM分类器针对不同维度组合的数据类型分别进行不同的分类器模型设计和训练；

通过不同类型的分类器模型，将云计算层调用的数据分历史非故障数据、历史堵塞状态数据、历史泄露状态数据、历史其他异常状态数据四类；将分类为历史堵塞状态数据、历史泄露状态数据、历史其他异常状态数据的故障数据点的赋值x设定为-1，将分类为非故障数据点的赋值x设定为1，如果∑(t1-Ti)Xi>0，则判断管道状态为初步正常，不需要进一步的计算确定，如果∑(t1-Ti)Xi≤0，则判断管道状态为初步异常，需要进一步的计算确定；其中，t1表示超出激发阈值的数据点的采集时间，Ti表示第i个数据点的采集时间，i表示云计算层按照需求请求获得的全部数据中的任意一个，Xi表示第i个数据点的赋值；

如果需要进一步通过在特定初步异常的模式下的管网状态的物理参数数据计算，则向控制设备发送控制命令用于驱动进一步的计算，如果不需要进一步计算，则回到步骤S1；

S6，控制设备根据云计算层发送的控制命令，将计算任务分解，并向边缘层的多个计算节点进行卸载计算；

S7，多个计算节点最终计算结果反馈给云计算层，云计算层将边缘层多个计算节点做出的计算结果进行融合，并根据融合后的结果进一步进行中低压管网状态是否最终异常的判断。

2.根据权利要求1所述的城市燃气中低压管网检测方法，其特征在于：该智能仪表安装于城市燃气中低压管网的分支管道末端。

3.根据权利要求1所述的城市燃气中低压管网检测方法，其特征在于：控制设备的配备方式是在一定范围内的多个末端管道配备一个控制设备。

4.根据权利要求1所述的城市燃气中低压管网检测方法，其特征在于：控制设备的配备方式是在一定范围内的多个末端管道配备多个控制设备。

5.根据权利要求2所述的城市燃气中低压管网检测方法，其特征在于：智能仪表为压力传感智能仪表、温度传感智能仪表、流量传感智能仪表的一种或者多种。

6.根据权利要求5所述的城市燃气中低压管网检测方法，其特征在于：智能仪表还可以是湿度传感智能仪表。

Images