1.一种热力供热系统的检测方法,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,采用两级一维深度卷积神经网络的层级式串联结构,其中第一级网络用来判别泄漏程度,第二级网络用来判别泄漏位置,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;
补充数据:采用供热管网泄漏模型,通过增设“虚拟用户”,从而在供回水管路上对应增加“虚拟节点”,实现管道节点泄漏仿真,补充各种泄漏工况标签数据;
生成数据集:将准备好的数据分成第一级网络训练集及训练集标签、测试集及测试集标签以及第二级网络训练集及训练集标签、测试集及测试集标签;
网络训练:将第一级网络的训练集数据输入第一级卷积神经网络,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第一级网络训练集标签的差,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,第一级网络训练完成,得到泄漏程度检测模型;将第二级网络的训练集数据输入第二级卷积神经网络,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第二级网络训练集标签的差,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,第二级网络训练完成,得到泄漏位置检测模型;至此整个层级式串联一维深度卷积神经网络的训练过程完成;
网络测试:将第一级网络的测试集数据输入对应的第一级卷积神经网络中,得到泄漏程度检测结果;根据该泄漏程度,将第二级网络的相应测试集数据输入到相应的第二级网络中,得到泄漏程度以及泄漏位置检测结果;
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;
补充数据的管网泄漏模型的方程组如下:式中,A为管网的关联矩阵,n×m阶;Bf为管网的基本回路矩阵,(m‑n)×m阶;G为管段流量向量,G=(G1,G2,···,Gm);ΔH为管段阻力压降,ΔH=(ΔH1,ΔH2,···,ΔHm);S为管段阻力特性系数矩阵(m阶对角矩阵),S=diag{S1,S2,…,Sm};|G|为管段流量G的绝对值,m阶对角矩阵,|G|=diag{|G1|,|G2|,…,|Gm|};DH为管段的水泵向量,DH=(DH1,T
DH2,···,DHm) ,当管段不含水泵时,DH=0,当有水泵时,DH为水泵扬程;Z为管段支路中T
两节点的位能差向量,Z=(Z1,Z2,···,Zm) ;Q为节点泄漏量,Q=(Q1,Q1,…,Qn),正常工况时Q=0,
其中,
式中,K为管壁的当量绝对粗糙度,m,对于供热管道,一般K=0.0005m;d为管道内径,m;
l、ld分别为管网计算管段的长度和局部阻力当量长度,m;ρ为管内流体介质的平均密度,3
kg/m。
2.如权利要求1所述的热力供热系统的检测方法,其特征在于,生成数据集包括如下步骤:
1)生成第一级网络训练集数据及标签: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)生成第一级网络测试集数据及标签: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;
3)生成第二级网络训练集数据及标签: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;
4)生成第二级网络测试集数据及标签: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。
3.如权利要求1所述的热力供热系统的检测方法,其特征在于,网络训练包括如下步骤:
第一级卷积神经网络的训练:
1)读入一组训练集数据d1,其大小为[M1×1×N1],其中M1表示训练批的大小,1×N1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t1,初始化卷积核g1的系数,设g1的大小为[P1×1×Q1],其中P1表示卷积核的数量,[1×Q1]表示卷积核的尺寸,得到的卷积结果为t1=∑(d1*g1),特征图的大小为[M1×1×N1×Q1];
3)对卷积操作得到的特征图t1进行最大池化操作,得到特征图z1,初始化池化系数,设池化步长为p1,池化窗口大小为k1,最后得到的特征图z1的大小为[M1×1×(N1/p1)×Q1],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x1,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w1和偏置b1,将提取到的特征向量x1送入全连接网络,与权值矩阵w1、偏置b1进行运算,得到网络输出y1=∑(w1×x1+b1);
6)将网络得到的输出y1与训练集标签数据l1相减,得到网络误差e1=y1‑l1,利用网络误差e1反向传播,依次修正全连接网络的权值w1、偏置b1、各层池化系数、各层卷积系数;
7)重复上述过程,知道网络误差e1满足精度要求,第一级网络训练过程完成,生成第一级卷积神经网络模型;
第二级卷积神经网络的训练:
1)读入一组训练集数据d2,其大小为[M2×1×N2],其中M2表示训练批的大小,1×N2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t2,初始化卷积核g2的系数,设g2的大小为[P2×1×Q2],其中P2表示卷积核的数量,[1×Q2]表示卷积核的尺寸,得到的卷积结果为t2=∑(d2*g2),特征图的大小为[M2×1×N2×Q2];
3)对卷积操作得到的特征图t2进行最大池化操作,得到特征图z2,初始化池化系数,设池化步长为p2,池化窗口大小为k2,最后得到的特征图z2的大小为[M2×1×(N2/p2)×Q2],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x2,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w2和偏置b2,将提取到的特征向量x2送入全连接网络,与权值矩阵w2、偏置b2进行运算,得到网络输出y2=∑(w2×x2+b2);
6)将网络得到的输出y2与训练集标签数据l2相减,得到网络误差e2=y2‑l2,利用网络误差e2反向传播,依次修正全连接网络的权值w2、偏置b2、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e2满足精度要求,第二级网络训练过程完成,生成第二级卷积神经网络模型。
4.如权利要求1所述的热力供热系统的检测方法,其特征在于,网络测试包含如下步骤:
1)加载已经训练好的第一级卷积神经网络模型,此时卷积神经网络的卷积系数、池化系数、网络权值w1,偏置b1都已经训练完毕;
2)将第一级网络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,从而输出泄漏程度检测结果;
3)加载已经训练好的第二级卷积神经网络模型,此时卷积神经网络的卷积系数、池化系数、网络权值w2,偏置b2都已经训练完毕;
4)根据第一级网络的故障程度检测结果,将第二级网络相应的测试数据集输入已经训练好的卷积神经网络中,从而输出泄漏程度及泄漏位置检测结果。