一种基于D-S证据的供热管网泄漏识别及定位方法与流程

本发明涉及供热管网的安全运行领域，具体为一种基于d-s证据的供热管网泄漏识别及定位方法。

背景技术：

1、集中供热管网作为一个城市的基础设施，安全高效运营尤为重要。但是每年都会因为热力管道泄漏出现大量的经济及资源损失，老旧管网检测手段不到位，部分管网甚至完全没有检测手段。有很多原因会造成管网的泄漏，如管道内外腐蚀、焊缝破裂、局部水流冲击、管线超压、施工质量低下、运营人员误操作等。如果管网发生泄漏而没有及时发现并处理会引发巨大的问题。持续的管网泄漏会造成能量浪费、大幅度增加运营成本。此外，爆管事故也是重大的安全问题。然而，当泄漏事故发生时，泄漏点往往很难迅速定位，极大影响系统的安全运行。随着供热成本与供热质量的不断提升，供热管道泄漏检测与控制变得越来越重要。

2、目前，针对管道泄漏识别与定位多采用负压波检测法，负压波检测法具有成本低、灵敏度高、定位精准等特点，但其不足之处在于经常受到调节工况的干扰而引起误报。所以基于此问题，需要改进现有的管道泄漏识别与定位方法，使提高故障诊断的准确性降低误报率并提高计算效率，同时保持灵敏度。

技术实现思路

1、本发明为了解决管道泄漏识别与定位中，现有技术中所采用的负压波检测法存在虽然灵敏度高，定位精准，但是容易受到调节工况干扰而引起误报的问题，提供了一种基于d-s证据的供热管网泄漏识别及定位方法。

2、本发明是通过如下技术方案来实现的：一种基于d-s证据的供热管网泄漏识别及定位方法，包括如下步骤：

3、步骤一、利用数据采集系统得到管道首、末站以及各节点的负压波压力和管道振动原始数据，用于后续对泄漏情况的识别以及对泄漏点的定位；

4、步骤二、根据正常、泄露、调阀三种工况进行小波包分解振动信号并提取各分段小波包熵作为特征变量输入进入lssvm进行训练；

5、定义为第j层小波分解得到的第i个小波包，小波包分解算法表示为：

6、

7、将待分解的数字信号定义为则通过公式(1)将信号一层层分解为一个个小波包；每个小波包代表了原始信号在不同频段上的成分，小波包的频段宽度相等且相邻，而且随着小波包分解层数的增加，频段划分的越细，对原始信号的刻画越精细；

8、小波包的重构是利用分解得到数据进行小波包变换的逆变换；分解后得到的小波包数据是分解系数，由这些分解系数重构后得到的信号是去除干扰的并且无冗余的数据；通过这些分解系数构造出表征故障类型的特征参数向量；重构公式：

9、

10、综上，小波包分解比小波分解更有优势的地方在于，它在每一层分解后同时将低频高频信号分解，这样同时提高了低频和高频信息的多尺度分析能力，而且小波包分解后每一层的信息都是完整的。

11、小波包分解后得到的各个频段对应着一个能量值，而且不同故障类型的振动信号往往各频段的能量值是不相同的，也就是说，小波包分解的得到的频段能量分布表征着滚动轴承不同的故障类型，通过检测各频段相对能量的变化可以有效地了解滚动轴承的运行状态。所以，可以采用小波包频段能量参数构建故障特征向量；

12、选取四阶daubechies小波基，其在matlab中表示为db4，对振动信号进行3层分解，在第3层共得到8个频段的小波包；

13、设第3层的总能量为total，第i个(频段)小波包重构后的能量为则存在有如下关系：

14、

15、步骤三、lssvm对泄露工况进行分类诊断，采用粒子群优化算法对lssvm中超参数进行寻优，进一步提高分类精度：

16、最小二乘支持向量机在本质上是支持向量机的拓展形式，将svm的不等式约束转化为等式，从而降低求解难度，ls-svm进行线性回归，回归函数由下式表示：

17、

18、

19、再将lagrange函数代入式可得：

20、

21、其中αi为各个样本的拉格朗日乘子，再对各分量求微分，当且仅当偏微分均为0时，代表取得极值：

22、

23、对公式(7)进行求解可得：

24、

25、将求解出来的结果回代到(4)式可得出ls-svm回归模型的表达式：

26、

27、步骤301：粒子群算法是一种仿生算法，对一群粒子进行位置与速度的初始化，在一个d维空间内进行寻找。pso算法根据以下两个公式来对粒子速度与位置进行更新：

28、

29、p＝p+v                          (11)

30、其中c1，c2为学习因子，w为惯性权重因子；r表示随机数；pbest表示为粒子轨迹上最好位置；gbest表示整个粒子群的最好位置，p表示为粒子当前位置；

31、步骤302：将步骤二中正常、泄漏、调阀三种工况提取的小波包熵按照70％和30％划分训练数据集和测试数据集，将训练数据集输入到pso-lssvm模型中，使用测试数据集进行准确率测试；然后，即利用此pso-lssvm对三种工况进行识别，并提取泄漏工况；

32、步骤四、针对步骤三中测试数据集的正确率作为先验概率，对首末站以及各个节点的传感器利用d-s理论进行策略级信息融合。

33、步骤401：首先，定义mass函数：在识别框架θ下，如果映射m：2θ→[0,1]满足

34、

35、则称其为定义在θ上的mass函数，集函数m(a)即对子集a本身赋予的置信度；

36、然后，定义置信函数：如果映射bel:2θ→[0,1]满足：

37、

38、则称其为定义在θ上的置信函数，集函数bel(a)表示对子集a及其全部子集赋予了置信度；bel(a)为a的所有子集可能性度量之和，表示了对a的信任；

39、d-s证据理论的组合规则解决了单个证据精度不足易误分类的问题，已知n个相互独立的基本概率赋值可确定组合之后的基本概率赋值的大小；

40、假设，bel1,bel2,bel3是同一个识别框架下的3个信任函数，m1,m2,m3分别为其对应的基本概率赋值，那么为：

41、

42、其中，符号表示dempster组合规则；k为规范化因子，由下式定义：

43、

44、在产生组合后的质量函数之后，进一步得到相应的置信函数和似然函数，从而得到组合后的置信区间，完成证据的推理；

45、为了根据dempster组合得到的mass函数判断哪个集合是最可能的决策结果，采用一种基于mass函数的方法：

46、若则a1为判决结果；

47、步骤402：计算如何取合理的基本概率分配函数：

48、假设需诊断的测试样本集d包括t个样本，其中含有n个故障状态，每个故障状态的样本数分别为ti,i＝1,2,…,n，于是经过准确率统计之后可以得到混淆矩阵cm(confusionmatrix)；

49、

50、其中，下标a的3个不同取值分别对应了3个最小二乘支持向量机；混淆矩阵中元素的行下标为测试样本的真实故障状态，列下标为经最小二乘支持向量机分类识别后产生的识别状态；故cmij表示真实故障状态为第i类的测试样本被最小二乘支持向量机分类判断为第j类故障状态的样本个数与真实故障状态为第i类的测试样本总数的比值；对角线元素为各故障状态能够被最小二乘支持向量机正确分类的百分比；所以，混淆矩阵反映最小二乘支持向量机对不同故障状态的分类能力；

51、为了衡量这种分类能力不确定性，确定各对诊断结果的贡献率，以下给出具体的最小二乘支持向量机可信度估计公式；

52、根据混淆矩阵可知真实故障状态为第i类的测试样本被最小二乘支持向量机分类到第j类的概率为：

53、ωij＝cmij                              (17)

54、所以最小二乘支持向量机识别出第j种故障状态的局部可信度为：

55、

56、而最小二乘支持向量机的全局可信度将由下式给出：

57、

58、以上即为所需的先验统计信息，在得到之后，对于其中一次最小二乘支持向量机的输出结果paj，那么基本概率赋值将由下式给出：

59、

60、ma(s1,s2,s3,s4,θ)＝(γap'a1,γap'a2,γap'a3,γap'a4,1-γa)     (21)

61、其中，识别框架为θ＝(s1,s2,s3,s4,θ)；sj为滚动轴承的第j种故障状态；

62、步骤五、负压波定位方法：负压波在管道中传播速度v被视为定常值。实际上，负压波的传播速度由下式决定：

63、

64、式中：v为管内负压波的传播速度，单位为m/s；k为液体的体积弹性系数，单位为pa；ρ为液体密度，单位为kg/m3；e为管材的弹性模量，单位为pa；d为管道直径，单位为m；e为管壁厚度，单位为m；c1为与管道约束条件有关的修正系数；

65、二分区间搜索算法：针对负压波波速和负压波定位方法，确定供热管道泄漏点的位置；

66、假设速度a为一个常数，对实测时间差δt，先以首端速度af代入定位计算公式得到一个泄漏点xaf，再以末端速度ae代入定位计算公式得到一个泄漏点xae，显然泄漏点位置在xaf与xae之间；

67、二分区间法，是在粗分得到的区间内，将搜索区间按1/2的比率缩小，这一次的计算位置为上一次搜索确定区间的中间点，不断判断新的区间边界的关系以确定下一步的取舍，具体为：

68、取区间[τ0,τ4]的中间点τ2，计算y(τ2)，比较y(τ0)、y(τ2)、y(τ4)的大小，这里设定y(τ0)＜0，y(τ4)＞0：

69、(1)当y(τ2)＞0时舍弃τ2-τ4段，由τ0-τ2段继续二分搜索，下一次计算区间[τ0,τ2]的中间点y(τ1)；

70、(2)当y(τ2)＜0时舍弃τ0-τ2段，由τ2-τ4段继续二分搜索，下一次计算区间[τ2,τ4]的中间点y(τ3)；从而快速准确的找到泄漏点的位置。

71、采用二分区间搜索可以减少函数值的计算次数，能够快速准确的找到合适的“点”。

72、与现有技术相比本发明具有以下有益效果：本发明所提供的一种基于d-s证据的供热管网泄漏识别及定位方法，提出一种将负压波检测法与提取振动信号小波包熵作为特征值的最小二乘支持向量机相结合的供热管网泄漏识别及定位方法；采用在首末站以及节点处设置振动传感器并提取振动信号小波包熵作为特征值训练lssvm的供热管道泄漏识别模型，判断管道是否发生泄漏，还结合d-s理论融合了多个传感器的诊断结果，最后利用负压波对故障点位进行定位，提高了故障诊断的准确性降低误报率并提高计算效率。