[发明专利]一种油气管道的异常预测方法、装置、电子设备及介质

说明书

本发明涉及一种油气管道的异常预测方法、装置、电子设备及介质，该方法包括：获取油气管道的多个检测参数，多个检测参数包括当前检测参数以及当前检测参数之前多次采集的检测参数；根据多个检测参数，通过预先基于SVM方法建立的第一预测模型，得到第一异常预测结果；根据多个检测参数，通过预先基于ARIMA方法建立的第二预测模型，得到第二异常预测结果；根据多个检测参数，通过MA方法得到第三异常预测结果；根据第一异常预测结果、第二异常预测结果和第三异常预测结果，确定油气管道在当前时间的目标异常预测结果。通过本发明的方法，结合三个不同的方法进行异常预测，从不同的角度对油气管道的异常进行预测，使得目标异常预测结果更加准确。

技术领域

本发明涉及油气和机器学习技术领域，具体而言，本发明涉及一种油气管道的异常预测方法、装置、电子设备及介质。

背景技术

横跨东西、纵贯南北、连通海外的油气管网布局成为推动经济发展和造福民生的能源动脉，在役管道的安全运行逐渐成为业界关注的焦点。特别是对管网中关键节点(节点指的是管网中的油气管道)的压力、温度、流量等重要参数的监控，预判故障并及时进行维修和保养是管网健康运行的前提条件。

然而，由于诸如雷击、电缆破损、传感器故障、人为干扰等因素影响管道的压力、流量等监测值，压变根部阀关闭或者漏气，会引起工艺区或者进出站区的压力变化，温变套管插入深度不足，根部阀关闭或者漏气，以及外部热源影响等，会引起工艺区温度的变化，使得监测值出现异常，不但不能准确反映现场工况的实际运行工况，还容易引起运维人员的误判，不能及时排除安全隐患。

基于上述原因，需要构建鲁棒性强的方法，可以对压力或者温度数据的异常值进行准确识别。目前常用的异常值检测方法有神经网络法、支持向量机、信息论法、自组织映射法、主成分分析法、物理模型法、统计法等。基于模型的异常检测方法通过构建对特定模式异常敏感的数学模型来估计系统，并通过估计和测量之间的偏差实现异常检测，但是该方法不可扩展，且模型只能用于特定系统。

基于先验知识的方法不依赖于数学或物理模型，而是根据专家经验来确定诊断结果，受主观的影响较大。数据驱动的方法主要使用各种数据挖掘技术来提取历史数据特征，并通过判定当前数据与历史数据特征的一致性来达到异常检测的目的，主要包括统计分析、信号处理和机器学习方法。其中，经典统计分析法具有成熟的理论基础，模型可靠稳定，算法效率高，但统计模型的超参数没有增量更新的能力，很难适应非线性序列模式的变化。机器学习方法如多层感知机、支持向量机等模型弥补了统计模型的一些缺陷，可拟合非线性数据，降低参数的敏感性，提高泛化能力，建模过程更加直观。但是大部分模型仍然直接拟合历史序列值与待预测值之间的函数映射关系，忽略了时间序列中数据相关性和固定窗口尺度的问题。信号处理方法将异常检测问题切分为信号分解、信号增强、信号拟合等若干问题，并对各个子问题在假设条件下进一步细化，进行严格的物理和数学原理推导，是归纳演绎的智慧结晶。但由于其设定了各种严格的使用场景，往往在实际应用中并不理想。深度学习方法将模型设定为复杂非线性系统，在设计良好和训练数据充足的条件下会具有更好的鲁棒性，其不足是可解释性差，而且需要大量的标注数据进行训练，运算量大、对硬件要求高。

因此，鉴于目前运行的油气管网中压力、温度、流量等参数的数据应对的情况复杂，存在大量的噪声，不易捕捉数据规律等特点，单一的检测方法很难达到比较高的准确度。

发明内容

本发明所要解决的技术问题是提供了一种油气管道的异常预测方法、装置、电子设备及介质，旨在解决上述至少一个问题。

第一方面，本发明解决上述技术问题的技术方案如下：一种油气管道的异常预测方法，该方法包括：

获取油气管道的多个检测参数，多个检测参数包括当前检测参数以及当前检测参数之前多次采集的检测参数；

根据多个检测参数，通过预先基于SVM方法建立的第一预测模型，得到第一异常预测结果；