温度和介质密度,并求解目标网段的介质平均温度和 介质平均密度,根据介质平均温度和介质平均密度获得目标管段内负压波波速;
[0085] 公式如下:
[0086]
[0087] 式中,K(t)为液体的体积弹性系数,P⑴为液体的密度,E为管材的弹性模量,D 为管道直径,e为管壁厚度,(^为与管道约束条件有关的修正系数。
[0088] 步骤8、上位机根据目标管段的进口压力和出口压力,采用小波理论确定管道泄漏 发生时,被监测管段负压波到达进口和出口的时间差,在根据目标管段的长度、波速和负压 波到达进口和出口的时间差,获得泄漏点的位于目标管段的位置;
[0089]
[0090] 其中,X表示泄漏点距离目标管段入口的距离,m,L表示目标管段长度,m ; a表示 负压波传播的速度,m/s,^表示负压波到达目标管段第一个站的时间,s ;t2表示负压波到 达目标管段第二个站的时间,s ;
[0091] 本发明实施例中,根据华东石油管网的某管段的实际数据,通过密度计和温度信 号实时校验负压波的波速和成品油的黏度,通过上述的时间差模型来计算泄漏点的位置信 息;
[0092] 步骤9、根据目标管段的历史数据采用BP神经网络算法,确定目标管段中压力波 衰减率,具体步骤如下:
[0093] 步骤9-1、将目标管段的进口正常压力值P1、目标管段的出口正常压力值P2、目标 管段的进口出现泄漏事故后的压力值P3、目标管段的出口出现泄漏事故后的压力值P4、目 标管段的进口正常流量值Q1、目标管段的出口正常流量值Q2、目标管段的进口出现泄漏事 故后的流量值Q3、目标管段的出口出现泄漏事故后的流量值Q4、泄漏点距离进口的距离L、 管道介质的黏度n、管道介质的密度P,雷诺数Re和管道的直径D作为BP神经网络的输 入,将目标管段进口和出口的压力衰减率作为输出进行训练;
[0094]具体步骤如下:
[0095] 步骤9-1-1、对网络状态初始化,选取隐层的数目为1,取用较小的随机数(0-1的 随机数)对网络的连接权值WpVkj和阈值0 j、%:置初值;
[0096] Wy表示输入层的第i个输入神经元与第j个隐层神经元的连接权值,V k]表示第j 个隐层神经元与第k个输出神经元的连接权值,0 ,,巧分别表示各隐层和输出层的阈值;
[0097] 步骤9-1-2、把学习样本的值依次作为输入层单元的输入Xl,用输入层与隐层单元 的连接权值和隐层单元阈值0 ,,分别求出隐层单元j的输入U,和输出Y ,,即:
[0098] (6)
[0099] Yj=f(Uj) (7)
[0100] 其中,f(.)函数是根据负压波特点所选的激励函数,本计算方法选取f(x)= (l+ce x) SWu为输入层和隐层节点之间的连接权值,0 ,表示隐层节点的阈值,c表示常数, 这里取1即可。
[0101] 步骤9-1-3、采用以泄漏点位置信息对应的隐层输出yi与压力衰减率Y ,的连接权 重Vkj、输出层单元k的阈值巧,计算出对输出层单元k输入Sk&及相应的输出0 k,即:
[0102]
(8:)
[0103] 0k=f(Sk) (9)
[0104] 其中,表示输出层节点的阈值;
[0105] 步骤9-1-4、计算第1个管道输入样本的网络输出0k与目标结果压力衰减率输出 1误差信号,即:
[0106] 8k= (0k-Tk)0k(l-0k) (10)
[0107] 其中,8,表示误差信号;k表示第k个输出层神经元;
[0108] 步骤9-1_5、将S k方向沿连接通路逆向传播,计算出由它在泄漏点位置信息单元 引起的装减率误差彳目号,即:
[0109]
⑴)
[0110] 步骤9-1-6、采用8,向减少误差方向,按递推公式调整权值和阈值,为了使学习速 率足够大,又不易产生振荡,在权值调整算式中,加入动量项,这样将样本集中N个样本数 据依次输入网络,按上述过程学习,每学完1遍,计算其均方差,即:
[0111] Q2)
[0112] 其中,N表示样本数据的个数;
[0113] 步骤9-1-7、当E<a (a为衰减率精度),学习结束,并输出此时的权值和阈值, 否则更新学习次数和权值,返回步骤9-1-1,将样本重新输入网络继续学习,直至E< a为 止。
[0114] 本发明实施例中,a取值范围是323mm管径的管道中为0.0181%,406mm管径的 管道中,为0. 089%。
[0115] 步骤9-2、将实时采集的目标管段进口压力、目标管段出口处的压力、目标管段进 口流量、目标管段出口流量、介质温度和介质密度作为训练好后BP神经网络的输入,获得 目标管段中压力波衰减率;
[0116] 本发明实施例中,根据某站压力变化值可以得到一个结果,而根据某站压力变化 值又可以得到另一个结果,为了尽可能减少误差,采取平均值方法,将求得的两个衰减率取 平均数;
[0117] 步骤10、根据获得的目标管段中压力波衰减率,获得目标管段泄漏点的压降AP 和泄漏点压力,进而获得该泄漏点的孔径;
[0118] 本发明实施例中,采用华东石油管网某管段发生泄漏事故,已知泄漏点的面积A =d2/4, d为小孔的泄漏直径,同时对泄漏圆孔进行分级,在[2mm,20mm]之间平均取10个 的泄漏等级;
[0119] 本发明实施例中,管道内油品密度740kg/m3、管内流量200m3/h时得到的压力波衰 减率为〇. 0106/公里,从而得到泄漏点压降0. 0095MPa,泄漏点压力为2. 6523MPa,通过数据 库中的大数据表格反推得到最接近的泄漏孔径大小为6mm。
[0120] 步骤11、采用无量纲化处理法来获取目标管段的泄漏量,方法流程图如图4所示, 具体步骤如下:
[0121] 步骤11-1、根据目标管段的历史数据,采用非线性回归拟合的方法,构建介质密 度、介质黏度、泄漏点压力、介质实时温度、瞬时泄漏量和泄漏孔径六个物理量之间的函数 关系;
[0122] 所述的六个物理量之间的函数关系,具体公式如下:
[0123] a):
[0124] 其中,兩:表示六个物理量之间的函数,P表示介质密度,豪表示介 质黏度,P表示泄漏点压力,T表示介质实时温度,Q为成品油管道泄漏的瞬时泄漏量,d表 示泄漏孔径,a、b、c、d、e、f、g、p、q表示返回拟合后的待定系数。
[0125] 步骤11-2、在介质密度、介质黏度、泄漏点压力、介质实时温度和泄漏孔径五个物 理量中随机选取四个物理量作为基本量,将另一个物理量和瞬时泄漏量作为循环量;
[0126] 步骤11-3、构建两个循环量分别与四个基本量的函数关系;
[0127] 步骤11-3所述的构建两个循环量分别与四个基本量的函数关系,具体公式如下:
[0128]
⑵
[0129] 其中,t表示第j个无量纲数与四个基本量纲的函数;a,0,y,S表示基本量 指数;w、x、y、z为选取的基本量纲;p_j表示第j个循环量,j = 1或2。
[0130] 步骤11-4、将两个循环量分别与四个基本量的函数关系代入六个物理量之间的函 数关系中,获得成品油管道泄漏时的泄漏量模型;
[0131] 所述的将两个循环量分别与四个基本量的函数关系代入六个物理量之间的函数 关系中,获得成品油管道泄漏时的泄漏量模型,具体如下:
[0132]
中,等价 为另一关系式淨进而得到31 ,= f ( 31 2 ,),即获得成品油管道泄漏时的泄漏量模 型为:
[0133] (S:)
[0134] 其中,Q为成品油管道泄漏的瞬时泄漏量,a p y p 』表示第j组基本量指 数;w、x、y、z为选取的基本量;p_j表示第j个循环量,j = 1或2。
[0135] 步骤11-5、将实时采集的介质密度、介质黏度、泄漏点压力、介质实时温度和泄漏 孔径代入泄漏量模型中,获得泄漏量,并确定该管道上由入口到出口方向前3个监控站内 的出口压降,依次计算上述出口压降与报警站入口压降的比值,作为泄漏量的置信度,或确 定该管道上由出口到入口方向的前3个监控站内的入口压降,依次计