[发明专利]一种基于LSTM-AE-DT模型的中低压燃气调压器异常检测方法

说明书

本发明涉及一种基于LSTM‑AE‑DT模型的中低压燃气调压器异常检测方法，包括：S1、采集中低压燃气调压器出口压力数据；S2、对燃气调压器出口压力数据进行预处理；S3、建立LSTM‑AE模型，输入预处理后的训练数据对模型进行训练，并且保存训练好的模型；S4、将预处理后的测试数据输入到训练好的算法模型中，输出燃气调压器出口压力的预测值；S5、计算燃气调压器出口压力的预测值与燃气调压器出口压力的真实值的误差和阈值ε；S6、根据阈值ε检测燃气调压器时序数据的状态，输出相应的燃气调压器运行状态。与现有技术相比，本发明将长短期记忆网络和自编码器相结合，可在学习数据长依赖性的基础上对时序数据进行重构，提高了燃气调压器时序数据异常检测的性能。

技术领域

本发明涉及一种中低压燃气调压器异常检测方法，尤其是涉及一种基于LSTM-AE-DT模型的中低压燃气调压器异常检测方法。

背景技术

随着燃气事业迅猛发展，如何保障燃气输送过程中的平稳性、安全性一直是燃气领域研究的重点。燃气调压器是保障燃气正常输送至下游用户的重要设备，当其发生故障时会导致下游用气不足、燃气供应不平稳等问题，如果没有及时发现故障并进行维修，会不断恶化引发爆炸、火灾等事故。通过燃气调压器运行过程中的时序数据可以反馈调压器状态，进而检测燃气调压器是否出现故障。因此燃气调压器时序数据的异常检测研究具有重大实践意义和价值。

燃气调压器异常检测技术主要是用来判断燃气调压器是正常工作状态还是异常状态。传统方法的燃气调压器异常检测技术是通过维修工人的经验直接判断异常或者利用传统的统计学理论进行异常判断；传统方法不能提前预警故障隐患，且精确率较低、时效性较差。故对燃气调压器时序数据异常检测开展智能检测方法的研究是亟待解决的问题。

近年来，机器学习方法越来越多，应用也越来越广泛，行业内许多学者提出基于机器学习的燃气

调压器异常检测技术。基于机器学习的燃气调压器异常检测技术是利用系统在正常和故障情况下的历史数据训练支持向量机等机器学习算法进行异常检测；该技术需要人工标注数据做有监督处理，需要消耗大量的时间和人力成本。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于LSTM-AE-DT模型的中低压燃气调压器异常检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于LSTM(长短期记忆网络)-AE(自编码器)-DT(动态阈值法)模型的中低压燃气调压器异常检测方法，包括以下步骤：

S1、采集中低压燃气调压器出口压力数据；

S2、对燃气调压器出口压力数据进行预处理，得到训练数据和测试数据；

S3、建立LSTM-AE模型，输入预处理后的训练数据对模型进行训练，并且保存训练好的模型；

S4、将预处理后的测试数据输入到训练好的算法模型中，输出燃气调压器出口压力的预测值；

S5、重构输出的燃气调压器出口压力的预测值与燃气调压器出口压力的真实值的误差，和此段时序数据的阈值ε；

S6、根据阈值ε检测燃气调压器时序数据的状态，输出燃气调压器正常运行状态或异常运行状态。

进一步地，所述的步骤S2中通过步骤S1得到燃气调压器原始出口压力时序训练数据集X＝(x₁，x₂，…，x_j，…，x_N)，1≤j≤N，计算缺失数据的值前三天同一时间点出口压力值的平均值，对缺失数据的值进行填补；运用离差标准化方法对原始时序数据集进行处理，得到标准化的时序数据集X′＝(x′₁，x′₂，…，x′_j，…，x′_N)，x′_j∈[0，1]，公式如下：