1.一种热力供热系统的泄漏检测方法,所述系统包括热源、供热管网及用户,所述供热管网包含供水管网和回水管网,管网在线监测系统根据设定的固定时间间隔读取热源、管网分支点与用户处压力数据,实时存储在数据库中,采用一维深度卷积神经网络提取数据特征,并进行模式识别;
所述方法包括如下步骤:
数据准备:对数据库中的供热系统压力数据进行重新审查和校验,对缺失数据、无效数据、不一致数据进行纠正,保证数据的正确性以及逻辑上的一致性;
生成数据集:将准备好的数据分成训练集和训练集标签、测试集和测试集标签;
网络训练:将训练集数据输入卷积神经网络,不断经过卷积、池化,得到特征向量,送入全连接网络;通过计算网络的输出与训练集标签,得到网络误差,利用误差反向传播算法,不断修正网络权值、偏置、卷积系数、池化系数,使误差满足设定的精度要求,网络训练完成;
网络测试:将测试集数据输入到已经训练好的网络中,输出故障检测结果;
数据准备包括如下步骤:
1)缺失数据的处理:由于网络传输的故障,数据库中会出现缺失值,对缺失的数据值,采用估算的方法,用样本均值代替缺失值;
2)无效数据的处理:由于传感器的故障,导致数据库中的压力数据出现无效值,将其从数据库中删除;
3)不一致数据的处理:借助数据库管理系统的完整性约束机制,检查不一致数据,然后参考数据库中相应的数据值进行纠正;
生成数据集包括如下步骤:
1)生成训练集数据及标签:根据供热管网不同的运行工况,从数据库中读取对应工况的压力数据值,生成各种工况状态下的训练集数据以及工况标签;
2)生成测试集数据及标签:根据供热管网不同的运行工况,从数据库中读取对应工况的压力数据值,生成各种工况状态下的测试集数据以及工况标签;
网络训练包括如下步骤:
1)读入一组训练集数据 ,其大小为 ,其中M表示训练批的大小, 表示一维的训练数据;
2)对读入的训练数据进行第一次卷积操作,得到特征图 ;初始化卷积核 的系数,设的大小为 ,其中P表示卷积核的数量,[1×Q]表示卷积核的尺寸,得到的卷积结果为 ,特征图的大小为 ;
3)对卷积操作得到的特征图 进行最大池化操作,得到特征图 ;初始化池化系数,给定池化步长为 ,池化窗口大小为 ,最后得到的特征图 的大小为 ,池化过程降低了数据的维度;
4)重复以上2)‑ 3)步骤,反复进行卷积与池化操作,得到特征向量 ,此时卷积神经网络的特征提取过程完成;
5)初始化全连接网络的权值矩阵 和偏置 ,将提取到的特征向量 送入全连接网络,与权值矩阵 、偏置 进行运算,得到网络输出 ;
6)将网络得到的输出 与训练集标签相减,得到网络误差 ,对网络误差进行求导,利用该导数反向传播,依次修正全连接网络的权值 、偏置 、各层池化系数、各层卷积系数;
7)重复上述过程,直到网络误差 满足精度要求,网络训练过程完成,生成卷积神经网络模型。
2.如权利要求1所述的检测方法,其特征在于,网络测试包含如下步骤:
1)加载已经训练好的卷积神经网络模型,此时卷积神经网络的卷积系数、池化系数、网络权值 ,偏置 都已经训练完毕;
2)将测试集数据输入已经训练好的卷积神经网络中,输出工况标签,从而输出故障检测结果。
3.如权利要求1所述的检测方法,其特征在于,系统除了采集热源、用户处的压力数据以外,至少还要采集1/4的管网分支点压力数据,供水侧回水侧对称采集。