CN115688581A - 油气集输站设备参数预警方法、系统、电子设备及介质 - Google Patents

Abstract

本发明涉及一种油气集输站设备参数预警方法、系统、电子设备及介质，属于油气集输站安全预警领域。该方法利用斯皮尔曼秩相关系数计算过程数据集中每个设备运行参数与其他设备运行参数之间的相关性，建立相关设备参数集；根据相关设备参数集对LSTM模型进行预训练，利用遗传算法确定网络超参数；将相关设备参数集及网络超参数存入通用型数据库中；在线预测阶段，从通用型数据库中获取待预测设备运行参数的相关设备参数集及网络超参数代入LSTM模型中，采用历史数据对LSTM预训练模型进行训练，通过训练好的LSTM预测模型得到预测值，根据预测值与对应阈值的比较结果进行安全预警。采用本发明方法能够提高油气集输过程安全预警的准确性和预警方法的通用性。

Description

油气集输站设备参数预警方法、系统、电子设备及介质

技术领域

本发明涉及油气集输站安全预警技术领域，特别是涉及一种油气集输站设备参数预警方法、系统、电子设备及介质。

背景技术

随着中国经济迅猛发展，城市化进程逐渐加快，对资源需求也逐渐增加，油气作为重要的传统能源，对国民经济意义重大。而对油气的中转与集输则是油气集输联合站(简称油气集输站)的核心要务之一，存在着诸多风险因素，不断影响着其工作效率与安全。作为油气集输联合站关键部分，油田集输系统的安全直接关乎油气集输的安全与效率，其中主要进行包括原油脱水、油气分离等工作，系统中压力容器和热力设备集中，在高温、高压以及环境因素等影响下，一旦发生火灾等安全事故，对于整个油气集输联合站都会有不可估量的损失。

随着工业过程信息化自动化的发展，油气集输过程中的参数也越来越多。如何利用集输过程运行变量带来的工况信息保证集输过程的安全平稳运行成为亟待解决的问题。因此，为了油气集输的质量与安全，合理地进行风险事故预判，加强油气集输系统的安全监测预警及应急管理工作对于生产实践意义重大。为了实现油气集输的安全预测和异常工况的识别，有必要研究一种油气集输安全预测方法。

近年来，集输过程安全预警技术在中国国内也取得了一定的发展。针对集输过程安全问题，目前大多还是采取安全评价的方式，并且国内对于集输系统的研究多着重于对系统的风险安全管理和管道腐蚀分析上，安全评价就是为了达到系统安全的目的，通过一系列的安全规范和评价方法，对过程中存在的风险进行判别、计算和分析，并根据风险的类型和特点采取防护措施，规避事故的发生或降低事故发生的可能性。其中多是通过传感系统或者人为的经验分析与运营管理，从安全责任，设备管理维护和消防管理水平等方面加强对各种隐患的监督排查。然而，此种安全预警方式受安全评价规则和人为经验影响较大，无法保证预测结果的准确性，并且无法适用于油气集输站所有设备的安全预警。

发明内容

本发明的目的是提供一种油气集输站设备参数预警方法、系统、电子设备及介质，能够提高油气集输过程安全预警的准确性和预警方法的通用性。

为实现上述目的，本发明提供了如下方案：

一方面，本发明提供一种油气集输站设备参数预警方法，包括：

获取油气集输站中所有设备的设备运行参数历史数据并进行预处理，构成过程数据集；所述油气集输站中所有设备包括三相分离器、外输泵、储油罐、加热炉；所述设备运行参数包括三相分离器压力、三相分离器液位、外输泵压力、储油罐液位、加热炉温度；

对所述过程数据集中的每个设备运行参数，利用斯皮尔曼秩相关系数计算每个设备运行参数与其他所有设备运行参数之间的相关性，并建立每个设备运行参数的相关设备参数集；

根据每个设备运行参数的相关设备参数集对LSTM模型进行预训练，利用遗传算法对LSTM模型超参数进行选择和优化，确定网络超参数；

将每个设备运行参数的相关设备参数集及其对应的网络超参数存入数据库中，得到通用型数据库；

在线预测阶段，从所述通用型数据库中获取待预测设备运行参数的相关设备参数集及其对应的网络超参数，代入LSTM模型中，得到LSTM预训练模型；

采用待预测设备运行参数及其相关设备参数集中设备运行参数的历史数据对所述LSTM预训练模型进行训练，训练完成得到待预测设备运行参数的LSTM预测模型；

采用所述LSTM预测模型得到所述待预测设备运行参数的预测值，根据所述预测值与对应设备运行参数阈值的比较结果进行安全预警。

可选地，所述获取油气集输站中所有设备的设备运行参数历史数据并进行预处理，构成过程数据集，具体包括：

获取油气集输站中所有设备的设备运行参数历史数据并按照时间顺序进行排序，得到所有设备运行参数的时序数据集；

采用拉依达准则法和肖维勒法对所述时序数据集中的异常值进行识别和处理，得到所有设备运行参数的过程数据集。

可选地，所述对所述过程数据集中的每个设备运行参数，利用斯皮尔曼秩相关系数计算每个设备运行参数与其他所有设备运行参数之间的相关性，并建立每个设备运行参数的相关设备参数集，具体包括：

对所述过程数据集中的每个设备运行参数，利用斯皮尔曼秩相关系数计算每个设备运行参数与其他所有设备运行参数之间的相关性，当斯皮尔曼秩相关系数的绝对值大于0.8时，确定两个设备运行参数之间密切相关；

找出与每个设备运行参数密切相关的其他设备运行参数，建立出每个设备运行参数的相关设备参数集。

可选地，所述根据每个设备运行参数的相关设备参数集对LSTM模型进行预训练，利用遗传算法对LSTM模型超参数进行选择和优化，确定网络超参数，具体包括：

将每个设备运行参数的相关设备参数集作为LSTM模型的输入变量，将每个设备运行参数作为输出变量，对LSTM模型进行训练；

LSTM模型训练过程中，利用遗传算法对LSTM模型超参数进行选择和优化，确定网络超参数；所述网络超参数包括步频、网络节点数量、激活函数、优化器、学习率。

可选地，所述采用所述LSTM预测模型得到所述待预测设备运行参数的预测值，根据所述预测值与对应设备运行参数阈值的比较结果进行预警之前，还包括：

采用主成分分析方法计算出所有设备运行参数对应的T²统计阈值作为设备运行参数阈值。

另一方面，本发明还提供一种油气集输站设备参数预警系统，包括：

过程数据集构建模块，用于获取油气集输站中所有设备的设备运行参数历史数据并进行预处理，构成过程数据集；所述油气集输站中所有设备包括三相分离器、外输泵、储油罐、加热炉；所述设备运行参数包括三相分离器压力、三相分离器液位、外输泵压力、储油罐液位、加热炉温度；

相关设备参数集构建模块，用于对所述过程数据集中的每个设备运行参数，利用斯皮尔曼秩相关系数计算每个设备运行参数与其他所有设备运行参数之间的相关性，并建立每个设备运行参数的相关设备参数集；

LSTM模型预训练模块，用于根据每个设备运行参数的相关设备参数集对LSTM模型进行预训练，利用遗传算法对LSTM模型超参数进行选择和优化，确定网络超参数；

通用数据存储模块，用于将每个设备运行参数的相关设备参数集及其对应的网络超参数存入数据库中，得到通用型数据库；

预训练模型构建模块，用于在线预测阶段，从所述通用型数据库中获取待预测设备运行参数的相关设备参数集及其对应的网络超参数，代入LSTM模型中，得到LSTM预训练模型；

LSTM模型训练模块，用于采用待预测设备运行参数及其相关设备参数集中设备运行参数的历史数据对所述LSTM预训练模型进行训练，训练完成得到待预测设备运行参数的LSTM预测模型；

设备参数预测预警模块，用于采用所述LSTM预测模型得到所述待预测设备运行参数的预测值，根据所述预测值与对应设备运行参数阈值的比较结果进行安全预警。

另一方面，本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的油气集输站设备参数预警方法。

另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现所述的油气集输站设备参数预警方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种油气集输站设备参数预警方法、系统、电子设备及介质，所述方法包括：获取油气集输站中所有设备的设备运行参数历史数据并进行预处理，构成过程数据集；对所述过程数据集中的每个设备运行参数，利用斯皮尔曼秩相关系数计算每个设备运行参数与其他所有设备运行参数之间的相关性，并建立每个设备运行参数的相关设备参数集；根据每个设备运行参数的相关设备参数集对LSTM模型进行预训练，利用遗传算法对LSTM模型超参数进行选择和优化，确定网络超参数；将每个设备运行参数的相关设备参数集及其对应的网络超参数存入数据库中，得到通用型数据库；在线预测阶段，从所述通用型数据库中获取待预测设备运行参数的相关设备参数集及其对应的网络超参数，代入LSTM模型中，得到LSTM预训练模型；采用待预测设备运行参数及其相关设备参数集中设备运行参数的历史数据对所述LSTM预训练模型进行训练，训练完成得到待预测设备运行参数的LSTM预测模型；采用所述LSTM预测模型得到所述待预测设备运行参数的预测值，根据所述预测值与对应设备运行参数阈值的比较结果进行安全预警。采用本发明方法能够提高油气集输过程安全预警的准确性和预警方法的通用性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的油气集输站设备参数预警方法的流程图；

图2为本发明实施例提供的油气集输站设备参数预警技术路线图；

图3为本发明实施例提供的LSTM模型基本结构示意图；

图4为本发明实施例提供的LSTM模型搭建及训练过程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种油气集输站设备参数预警方法、系统、电子设备及介质，能够提高油气集输过程安全预警的准确性和预警方法的通用性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例提供的油气集输站设备参数预警方法的流程图，图2为本发明实施例提供的油气集输站设备参数预警技术路线图。参见图1和图2，本发明一种油气集输站设备参数预警方法包括：

步骤101：获取油气集输站中所有设备的设备运行参数历史数据并进行预处理，构成过程数据集。

通过DCS(Distributed Control System)系统从油气集输联合站采集所有设备的设备运行参数历史数据，油气集输站中的设备通常包括三相分离器、外输泵、储油罐、加热炉等设备，对应的设备运行参数包括三相分离器压力、三相分离器液位、外输泵压力、储油罐液位、加热炉温度等参数。具体地，又可以划分为1#分水器进油压力、1#分水器油水界面、1#分水器出气压力、2#分水器进油压力、2#分水器油水界面、2#分水器油液面、2#加热炉水套温度、3#加热炉进口温度、1#沉降罐液位、3#沉降罐液位、8#沉降罐液位、外送泵进进炉温度、外输油压力、外输油流量、8#轻油罐液位、1#空压机出口温度、外输油温度等设备运行参数。

以上历史数据是从DCS系统获取的全部设备的设备运行参数值的数据集合，由于LSTM模型中需要输入的数据是时序数据，因此需要对历史数据进行处理，将它们转化为按时间序列排列的时序一致的结构化数据。具体地，将获取的油气集输站中所有设备的设备运行参数历史数据按照时间顺序进行排序，得到所有设备运行参数的时序数据集。

数据预处理就是对直接从DCS系统取得的历史数据进行变化处理得到可以直接在LSTM模型中使用的数据的过程，因此预处理过程还进一步包括：采用拉依达准则法和肖维勒法对所述时序数据集中的异常值进行识别和处理，得到所有设备运行参数的过程数据集。

步骤102：对所述过程数据集中的每个设备运行参数，利用斯皮尔曼秩相关系数计算每个设备运行参数与其他所有设备运行参数之间的相关性，并建立每个设备运行参数的相关设备参数集。

对所述过程数据集中的每个设备运行参数(可将其称之为目标设备运行参数)，利用斯皮尔曼(Spearman)秩相关系数计算每个目标设备运行参数与其他所有设备运行参数之间的相关性，找出与每个目标设备运行参数密切相关的其他设备运行参数，构建出每个目标设备运行参数的相关设备参数集，并确定相关设备参数集中的各个设备运行参数对相应目标设备运行参数是正影响还是负影响。斯皮尔曼秩相关系数可以描述变量数据之间变化趋势的方向以及程度，取值范围-1到1，正值表示正相关，负值表示负相关，值越大相关性越强。如果当X增加时，Y趋向于增加，斯皮尔曼相关系数为正；如果当X增加时，Y趋向于减少，斯皮尔曼相关系数则为负。

本发明中，当斯皮尔曼秩相关系数的绝对值大于0.8时，确定两个设备运行参数之间密切相关；因此可以依据斯皮尔曼秩相关系数的值找出与每个设备运行参数密切相关的其他设备运行参数，将斯皮尔曼秩相关系数选择出来的密切相关的变量作为LSTM模型的输入特征进行训练，能够提高模型预测准确性。斯皮尔曼秩相关系数也可以为构建符号有向图提供支撑，SDG符号有向图揭示每个设备节点对相邻变量的影响，尽可能揭示所预测异常工况在未来的传播途径。

本发明选取的相关设备参数集是每个需要预测的设备运行参数的特征变量，这些特征变量会影响预测参数的值，将其作为LSTM神经网络的输入，然后预测所需要的变量值。相关设备参数集的构建就是根据Spearman秩相关系数将选择的与目标设备运行参数密切相关的特征变量(其他设备运行参数)放入参数集合中。因此得到的相关设备参数集就是根据Spearman秩相关系数选择出来的特征变量的集合。

步骤103：根据每个设备运行参数的相关设备参数集对LSTM模型进行预训练，利用遗传算法对LSTM模型超参数进行选择和优化，确定网络超参数。

图3为本发明实施例提供的LSTM模型基本结构示意图。图3中X_t是LSTM模型的输入单元，是LSTM模型各个时刻t的参数数据输入。h_t是隐藏节点的输出，来控制上一单元状态被遗忘的程度。σ代表sigmoid函数，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间。tanh表示双曲正切函数。A表示LSTM模型。

本发明将针对每个目标设备运行参数所选取的相关设备参数集作为LSTM(LongShort-TermMemory，长短期记忆网络)模型的输入变量，将每个目标设备运行参数作为输出变量(也称为预测变量)，将历史数据集按照8：2的比例分为训练集和测试集，输入到LSTM模型当中进行训练。

LSTM模型训练过程中，利用遗传算法对LSTM模型超参数进行选择和优化，通过验证与检验，确定网络超参数；所述网络超参数包括步频、网络节点数量、激活函数、优化器、学习率。

步骤104：将每个设备运行参数的相关设备参数集及其对应的网络超参数存入数据库中，得到通用型数据库。

本发明通过设计关系型数据库，将每个目标设备运行参数的相关设备参数集及其对应的网络超参数的数值存入数据库中，将整个过程通用化，建立出通用型数据库。

步骤105：在线预测阶段，从所述通用型数据库中获取待预测设备运行参数的相关设备参数集及其对应的网络超参数，代入LSTM模型中，得到LSTM预训练模型。

图4为本发明实施例提供的LSTM模型搭建及训练过程示意图。图4中过程数据集就是保存在通用型数据库中的每个设备各个时刻的设备运行参数值。其中T、P等和Y分别代表从DCS系统中获取的温度、压力等输入变量以及输出变量，y代表LSTM模型经过学习后输出的预测变量。

LSTM的记忆细胞C可以在多次的模拟中不断自我更新和完善。在测试过程中，将数据集按8:2的比例分为训练集和测试集，训练集用于网络学习，测试集用于测试网络性能。LSTM捕捉T、P等输入变量随时间的变化和特征以及这些输入变量与输出变量Y之间的关系，从而利用训练好的LSTM模型输出预测变量y_t+1,...,y_t+n，通过与实际变量Y_t+1,…,Y_t+n对比验证LSTM预测模型的准确性。

图4中C_t，h_t都是LSTM的隐藏状态：C_t是记忆单元，表示神经元状态的记忆，使得LSTM单元有保存、读取、重置和更新长距离历史信息的能力；h_t是隐藏层，是C_t衰减之后的内容，是LSTM模型内部的隐藏状态。

步骤106：采用待预测设备运行参数及其相关设备参数集中设备运行参数的历史数据对所述LSTM预训练模型进行训练，训练完成得到待预测设备运行参数的LSTM预测模型。

为了保证模型预测结果的准确性，在线预测阶段，每次采集各个待预测设备运行参数的最新一段时间的历史数据进行训练，更新模型中每个节点的权重和偏置等参数，训练完成得到待预测设备运行参数的LSTM预测模型。前面的模型预训练过程确定的是网络超参数，如学习率、优化器、隐藏层节点个数等，这些确定之后不会改变。在线预测阶段的每次训练只会改变模型的参数，如权重、偏置等。

得到训练好的LSTM预测模型后，只需将最新一次的相关设备参数集历史数据输入训练好的LSTM预测模型中，就能得到待预测设备运行参数的预测值。将得到的预测值与阈值进行比较，判断设备运行参数是否超过正常允许范围，如果超过则报警。

步骤107：采用所述LSTM预测模型得到所述待预测设备运行参数的预测值，根据所述预测值与对应设备运行参数阈值的比较结果进行安全预警。

本发明采用主成分分析(Principal ComponentAnalysis，PCA)方法计算出所有设备运行参数对应的T²统计阈值作为设备运行参数阈值。PCA方法通常在数据降维时试用，PCA用数据最主要的若干方面来代替原有的数据，这些最主要的方面首先保证蕴含了原始数据中的大量信息，保证相互之间不相关。T²是基于主成分分析(PCA)方法从统计学角度出发所建立的预警指标，通过大量的DCS离线数据进行离线建模计算出各设备运行参数对应的T²统计阈值。采用PCA和T²为步骤107在线预警判断提供设备运行参数阈值，各参数预测值分别与其阈值进行比较，超过阈值则进行安全预警。

当设备发生预警时，可以根据SDG有向图显示异常传播路径和根原因节点的设备，可以帮助解决出现异常时究竟应该操作哪个设备解决问题。SDG是一种表达过程变量之间相互影响关系的分析图形，它反映了所涉及设备的特性以及系统的总体拓扑结构。

本发明提出的一种油气集输站设备参数预警方法，利用长短期记忆网络解决了油气站库中设备运行参数的预测准确性问题，用户可以实时监测每个设备的状态，并对其设备运行参数进行准确预测。并且当本发明方法采用程序代码实现时，使得油气集输站一个预测代码能够实现对所有设备运行参数的智能预测预警，即提供了一种通用型LSTM预测模型，从而提高了预警方法的通用性，节约了计算设备资源。

以下通过一个具体实施例，对本发明方法进行详细说明。

本发明提出一种油气集输站设备参数预警方法主要包括关键变量的选取、主成成分分析、网络超参数保存、LSTM算法预测等过程。假设有6月19日0时到6月23日21时30分共34014个外输油温度和其它设备运行参数(简称参数)历史数据样本，本发明方法实施例的主要步骤如下：

1)数据预处理

将每个参数的历史数据按照时间顺序进行排序，对异常值采用拉依达准则法和肖维勒法进行异常值的识别和处理，构建出过程数据集，加快后续LSTM模型的训练效率和精度。

2)相关系数计算及特征变量选择

对过程数据集中的每个设备运行参数，利用斯皮尔曼秩相关系数计算每个设备运行参数与其他所有设备运行参数之间的相关性，构建出相关系数集。根据相关系数集，画出各个变量之间的相关性热力图。对相关性热力图进行分析，图中蓝色表示变量之间正相关性，红色表示变量之间负相关性，点的大小表示相关性绝对值的大小。根据上述分析结果，筛选出与外输油温度密切相关的变量有25个，包括1#分水器进油压力、1#分水器油水界面、1#分水器出气压力、2#分水器进油压力、2#分水器油水界面、2#分水器油液面、2#加热炉水套温度、3#加热炉进口温度、1#沉降罐液位、3#沉降罐液位、8#沉降罐液位、外送泵进进炉温度、外输油压力、外输油流量、8#轻油罐液位、1#空压机出口温度等。

3)模型搭建与优化

根据前面变量之间相关性的计算以及特征变量的选择，根据所选取的25个特征变量构建出相关设备参数集，作为LSTM模型的输入变量，外输油温度作为输出变量。将6月19日0时到6月23日21时30分共34014个数据，按照8：2的比例分为训练集和测试集，分为10组，每一组由3402个连续时间序列数据组成，分别包括用于训练的2721个数据，用于测试的682个数据，被分10批次输入到LSTM模型当中。

根据LSTM模型的特点，利用遗传算法对其超参数进行选择和优化，通过验证与检验，确定网络超参数步频、网络节点数量、激活函数、优化器、学习率、批处理量分别为：50、75、tanh、Adam、0.1、10。

4)网络超参数保存

设计关系型数据库，将影响外输油温度的特征变量和网络超参数：步频、网络节点数目、激活函数、优化器、学习率存到数据库中，建立出通用型数据库，当使用的时候可以直接在通用型数据库中提取相应的参数。

5)在线模型训练及在线参数预测

通过数据进行离线建模计算出外输油温度的T²统计阈值，为保证模型准确度和稳定性，在其他条件不变且相同的模型参数下对每一组数据各进行了10次训练和测试，用训练好的LSTM预测模型对联合站外输油温度进行预测，采用以均方根误差表示的损失函数对模型预测效果进行衡量。各项指标为预测误差约为0.5％，预测误差0.6％，满足技术要求。

6)在线预警判断

将得到的预测值与阈值进行比较，判断设备运行参数是否超过正常允许范围，如果超过则报警。

基于本发明提供的方法，本发明还提供一种油气集输站设备参数预警系统，包括：

过程数据集构建模块，用于获取油气集输站中所有设备的设备运行参数历史数据并进行预处理，构成过程数据集；所述油气集输站中所有设备包括三相分离器、外输泵、储油罐、加热炉；所述设备运行参数包括三相分离器压力、三相分离器液位、外输泵压力、储油罐液位、加热炉温度；

相关设备参数集构建模块，用于对所述过程数据集中的每个设备运行参数，利用斯皮尔曼秩相关系数计算每个设备运行参数与其他所有设备运行参数之间的相关性，并建立每个设备运行参数的相关设备参数集；

LSTM模型预训练模块，用于根据每个设备运行参数的相关设备参数集对LSTM模型进行预训练，利用遗传算法对LSTM模型超参数进行选择和优化，确定网络超参数；

通用数据存储模块，用于将每个设备运行参数的相关设备参数集及其对应的网络超参数存入数据库中，得到通用型数据库；

预训练模型构建模块，用于在线预测阶段，从所述通用型数据库中获取待预测设备运行参数的相关设备参数集及其对应的网络超参数，代入LSTM模型中，得到LSTM预训练模型；

LSTM模型训练模块，用于采用待预测设备运行参数及其相关设备参数集中设备运行参数的历史数据对所述LSTM预训练模型进行训练，训练完成得到待预测设备运行参数的LSTM预测模型；

设备参数预测预警模块，用于采用所述LSTM预测模型得到所述待预测设备运行参数的预测值，根据所述预测值与对应设备运行参数阈值的比较结果进行安全预警。

本发明提供的一种油气集输站设备参数预警方法及系统，基于通用型长短期记忆网络，主要预警过程分为数据预处理、相关系数计算及特征变量选择、网络模型搭建与优化、网络超参数保存、在线模型训练、在线参数预测、在线预警判断等七部分，主要是：将采集到的数据异常值进行处理，使用相关性分析得到关键变量和网络模型超参数值，将关键变量集(即相关设备参数集)和网络超参数保存到数据库，从而为每个设备运行参数建立不同的LSTM预训练模型；在线预测阶段，通过读取通用型数据库获取网络模型的参数并进行训练，由训练好的LSTM预测模型预测得到下一个时刻设备运行参数的预测值，比较预测值和允许范围阈值，判断设备是否进行安全预警，最终实现油气集输站一个预测代码实现对所有参数的智能预测预警，极大提高了预警方法通用性、预警效率及预警精度。

进一步地，本发明还提供一种电子设备，该电子设备可以包括：处理器、通信接口、存储器和通信总线。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的计算机程序，以执行所述的油气集输站设备参数预警方法。

此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

进一步地，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时可以实现所述的油气集输站设备参数预警方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种油气集输站设备参数预警方法，其特征在于，包括：

获取油气集输站中所有设备的设备运行参数历史数据并进行预处理，构成过程数据集；所述油气集输站中所有设备包括三相分离器、外输泵、储油罐、加热炉；所述设备运行参数包括三相分离器压力、三相分离器液位、外输泵压力、储油罐液位、加热炉温度；

对所述过程数据集中的每个设备运行参数，利用斯皮尔曼秩相关系数计算每个设备运行参数与其他所有设备运行参数之间的相关性，并建立每个设备运行参数的相关设备参数集；

根据每个设备运行参数的相关设备参数集对LSTM模型进行预训练，利用遗传算法对LSTM模型超参数进行选择和优化，确定网络超参数；

将每个设备运行参数的相关设备参数集及其对应的网络超参数存入数据库中，得到通用型数据库；

在线预测阶段，从所述通用型数据库中获取待预测设备运行参数的相关设备参数集及其对应的网络超参数，代入LSTM模型中，得到LSTM预训练模型；

采用待预测设备运行参数及其相关设备参数集中设备运行参数的历史数据对所述LSTM预训练模型进行训练，训练完成得到待预测设备运行参数的LSTM预测模型；

采用所述LSTM预测模型得到所述待预测设备运行参数的预测值，根据所述预测值与对应设备运行参数阈值的比较结果进行安全预警。

2.根据权利要求1所述的油气集输站设备参数预警方法，其特征在于，所述获取油气集输站中所有设备的设备运行参数历史数据并进行预处理，构成过程数据集，具体包括：

获取油气集输站中所有设备的设备运行参数历史数据并按照时间顺序进行排序，得到所有设备运行参数的时序数据集；

采用拉依达准则法和肖维勒法对所述时序数据集中的异常值进行识别和处理，得到所有设备运行参数的过程数据集。

3.根据权利要求1所述的油气集输站设备参数预警方法，其特征在于，所述对所述过程数据集中的每个设备运行参数，利用斯皮尔曼秩相关系数计算每个设备运行参数与其他所有设备运行参数之间的相关性，并建立每个设备运行参数的相关设备参数集，具体包括：

对所述过程数据集中的每个设备运行参数，利用斯皮尔曼秩相关系数计算每个设备运行参数与其他所有设备运行参数之间的相关性，当斯皮尔曼秩相关系数的绝对值大于0.8时，确定两个设备运行参数之间密切相关；

找出与每个设备运行参数密切相关的其他设备运行参数，建立出每个设备运行参数的相关设备参数集。

4.根据权利要求1所述的油气集输站设备参数预警方法，其特征在于，所述根据每个设备运行参数的相关设备参数集对LSTM模型进行预训练，利用遗传算法对LSTM模型超参数进行选择和优化，确定网络超参数，具体包括：

将每个设备运行参数的相关设备参数集作为LSTM模型的输入变量，将每个设备运行参数作为输出变量，对LSTM模型进行训练；

LSTM模型训练过程中，利用遗传算法对LSTM模型超参数进行选择和优化，确定网络超参数；所述网络超参数包括步频、网络节点数量、激活函数、优化器、学习率。

5.根据权利要求1所述的油气集输站设备参数预警方法，其特征在于，所述采用所述LSTM预测模型得到所述待预测设备运行参数的预测值，根据所述预测值与对应设备运行参数阈值的比较结果进行预警之前，还包括：

采用主成分分析方法计算出所有设备运行参数对应的T²统计阈值作为设备运行参数阈值。

6.一种油气集输站设备参数预警系统，其特征在于，包括：

过程数据集构建模块，用于获取油气集输站中所有设备的设备运行参数历史数据并进行预处理，构成过程数据集；所述油气集输站中所有设备包括三相分离器、外输泵、储油罐、加热炉；所述设备运行参数包括三相分离器压力、三相分离器液位、外输泵压力、储油罐液位、加热炉温度；

相关设备参数集构建模块，用于对所述过程数据集中的每个设备运行参数，利用斯皮尔曼秩相关系数计算每个设备运行参数与其他所有设备运行参数之间的相关性，并建立每个设备运行参数的相关设备参数集；

LSTM模型预训练模块，用于根据每个设备运行参数的相关设备参数集对LSTM模型进行预训练，利用遗传算法对LSTM模型超参数进行选择和优化，确定网络超参数；

通用数据存储模块，用于将每个设备运行参数的相关设备参数集及其对应的网络超参数存入数据库中，得到通用型数据库；

预训练模型构建模块，用于在线预测阶段，从所述通用型数据库中获取待预测设备运行参数的相关设备参数集及其对应的网络超参数，代入LSTM模型中，得到LSTM预训练模型；

LSTM模型训练模块，用于采用待预测设备运行参数及其相关设备参数集中设备运行参数的历史数据对所述LSTM预训练模型进行训练，训练完成得到待预测设备运行参数的LSTM预测模型；

设备参数预测预警模块，用于采用所述LSTM预测模型得到所述待预测设备运行参数的预测值，根据所述预测值与对应设备运行参数阈值的比较结果进行安全预警。

7.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的油气集输站设备参数预警方法。

8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至5中任一项所述的油气集输站设备参数预警方法。

Images