DCNN-BiLSTM驱动的天然气管网压力联合预测预警方法

吴倩颖; 宋林隆; 胡昌权; 张易黎; 叶富铭; 尹爱军

doi:10.12404/j.issn.1671-1815.2504372

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (12) :5063-5071 DOI: 10.12404/j.issn.1671-1815.2504372

石油、天然气工业

DCNN-BiLSTM驱动的天然气管网压力联合预测预警方法

吴倩颖 ¹ ,
宋林隆 ² ,
胡昌权 ¹ ,
张易黎 ¹ ,
叶富铭 ¹ ,
尹爱军 ²^,^*

作者信息 +

DCNN-BiLSTM-driven Integrated Pressure Prediction and Anomaly Detection for Natural Gas Pipeline Networks

Author information +

文章历史 +

摘要

管道与阀室压力的联合预测和实时预警是保障天然气管网输送系统安全高效运行的关键环节。传统的物理建模难以捕捉非线性、非平稳的动态压力特征,现有数据驱动方法对管道与阀室之间复杂的时空耦合关系建模不足。针对上述问题,基于真实作业数据提出一种动态卷积神经网络-双向长短时记忆网络(dynamic convolutional neural network-bidirectional long short-term memory,DCNN-BiLSTM)的压力预测方法:动态卷积能够根据输入数据的波动自适应调整卷积核权重,从而增强对非平稳和局部动态特征的提取能力;双向长短时记忆网络则通过捕捉双向时间依赖结构,提高对复杂时序规律的建模精度。该方法在压力预测任务中取得了决定系数R²为0.998、均方根误差为8.632×10^-3的优异性能,优于其他主流对比模型。基于此,设计了一种动态预警机制,利用工况数据自适应更新阈值,实现98.23%的异常识别准确率。所设计开发的压力预测预警系统已部署于真实作业场景,能够有效提升天然气输送系统的智能化监测与安全预警能力,具有广泛的工程应用价值与现实意义。

Abstract

Joint prediction and real-time warning of pipeline and valve-chamber pressures are essential for the safe and efficient operation of natural gas transmission systems. Traditional physical modeling has difficulty capturing the nonlinear and nonstationary characteristics of pressure dynamics, and existing data-driven approaches are often limited in modeling the complex spatiotemporal coupling between pipelines and valve chambers. To address these issues, a dynamic convolutional bidirectional long short-term memory (DCNN-BiLSTM) method was proposed for pressure prediction based on real operational data. The DCNN component adapted convolutional kernel weights to input fluctuations, improving the extraction of nonstationary and local dynamic features, while the BiLSTM component models bidirectional temporal dependencied to better represent time-series patterns. The method achieves an coefficient of determination R² of 0.998 and an root mean square error of 8.632×10^-3 on the pressure prediction task, performing favorably compared with several commonly used baseline models. Building on this, a dynamic warning mechanism was designed to adaptively update pressure thresholds using operational data, achieving an anomaly detection accuracy of 98.23%. The developed pressure prediction and early-warning system has been deployed in real operational environments, contributing to improved intelligent monitoring and safety management in natural gas transmission systems.

Graphical abstract

关键词

管网安全 / 压力预测 / 异常检测 / 动态卷积神经网络(DCNN) / 时空耦合

Key words

pipeline security / pressure prediction / anomaly detection / dynamic convolutional neural network (DCNN) / spatio-temporal coupling

引用本文

引用格式 ▾

吴倩颖, 宋林隆, 胡昌权, 张易黎, 叶富铭, 尹爱军. DCNN-BiLSTM驱动的天然气管网压力联合预测预警方法[J]. 科学技术与工程, 2026, 26(12): 5063-5071 DOI:10.12404/j.issn.1671-1815.2504372

WU Qian-ying, SONG Lin-long, HU Chang-quan, ZHANG Yi-li, YE Fu-ming, YIN Ai-jun. DCNN-BiLSTM-driven Integrated Pressure Prediction and Anomaly Detection for Natural Gas Pipeline Networks[J]. Science Technology and Engineering, 2026, 26(12): 5063-5071 DOI:10.12404/j.issn.1671-1815.2504372

登录浏览全文

4963

注册一个新账户忘记密码

天然气作为清洁、高效的能源,全球消耗量持续增长。大规模燃气输送依赖于管网建设,管道安全已成为保障能源稳定供应的关键基础^[1]。管道腐蚀老化、外部损坏,以及内部压力的动态变化影响天然气输送的安全性和稳定性,异常压力波动可能引发管道泄漏甚至爆炸等重大事故。中国的天然气管网建设较晚,管道建设和管理仍与世界先进水平存在差距。因此,利用高效准确的监测手段确保燃气管道的正常运作,对场站安全、工业生产和经济稳定至关重要^[2]。

天然气管网由管道、场站组成,管道之间通过多个阀室调节燃气输送的压力、流量。现有的研究对单一或者分布式管道进行联合诊断,建立多管道预测模型。Jiang等^[3]提出了一种基于设备嵌入神经网络的方法用于管道压力预测。该模型通过将设备模型嵌入神经网络,显著提高了预测精度。模型在石油和天然气管道具有良好的预测结果,可部署于多个管道进行故障诊断。然而,现有的研究仅对管道状态进行分析,阀室作为重要组成部分很少被纳入研究,主要原因是缺少阀室数据的监控,且这一关键运输环节往往被忽略,从而造成管网监测的盲区。对燃气管网的安全监测应当结合多阀室的工况和管道状态,实现全方位的快速准确判断。

现有管网监测方式多样化,从监测方式可划分为基于管道外部和基于管道内部的监测方法^[4]。外部监测方法包括声学传感器^[5]、光纤传感器^[6]等,以探测管道异常变化实现异常报警。内部监测方法通过监测管道压力^[7]、流量^[8]等运行参数的实时变化实现安全预警。其中,压力等内部监测方法因不易受外界环境干扰,依托现有数据采集与监视控制系统(supervisory control and data acquisition,SCADA)系统,部署成本低,及迅速、稳定的监测效果成为主要研究方向。

天然气管网压力的预测研究主要分为物理模型^[9]和数据模型^[10]两大类方法^[11]。传统的物理模型依赖于复杂的流体力学和热力学理论,具备较好的解释性,但由于管道运行环境的复杂性和多样性,这类方法在处理非线性、非平稳特性的压力数据时往往表现出较大的局限性^[4]。随着人工智能和大数据技术的发展,基于数据驱动的方法逐渐成为研究热点,其中机器学习以其强大的特征提取能力和非线性建模能力得到了广泛关注。Gong等^[12]提出了时空三流时间卷积网络模型,融合机制知识与数据驱动方法,通过时间卷积捕捉时间序列特征及构建拓扑图提取空间特征,有效预测石油运输管道网络中的压力和温度,误差率低于5%。但该模型在长期预测及应对复杂动态变化时存在局限。为了进一步探索这一问题,Yusuf等^[13]提出了一种不同的解决方案,利用K近邻算法(K-nearest neighbors algorithm,KNN)和长短期记忆网络(long short-term memory network,LSTM)模型预测天然气输送管道中的压力条件。通过对比多个参数的性能,实验结果显示:LSTM模型的表现优于KNN,决定系数R²为0.994 5,而KNN为0.928 2。LSTM模型能够有效捕捉长短时间压力的变化,而KNN则倾向于预测常态压力,无法反映实际波动。结果表明,传统机器学习方法在处理复杂时间序列数据的潜力及传统模型建模长短期依赖关系的不足^[14],对天然气管网中非线性、非平稳压力信号的时空耦合建模不足。

鉴于此,现提出一种基于动态卷积双向长短时记忆网络(dynamic convolutional neural network-bidirectional long short-term memory,DCNN-BiLSTM)的管网压力联合预测方法,通过采集真实生产数据实现输送管道与多阀室的联合预测。该方法通过DCNN与BiLSTM的深度融合充分挖掘管网压力的时空耦合特性:DCNN 能通过动态调整卷积核权重,自适应捕捉多点压力在空间维度的突发波动与非平稳特征,提取关键的局部动态关联信息,从而提升预测的精确性与鲁棒性;BiLSTM则利用双向依赖结构整合历史与未来的时序上下文,刻画压力演化的潜在规律,增强模型对复杂时间序列的表达能力。基于此,进一步设计了动态预警机制,能够根据真实工况数据自适应更新压力阈值,实现对泄漏等异常工况的精准识别。该压力预测与预警系统已在真实作业场景中完成部署,验证了所提出方法的有效性与良好的工程应用前景。为多测点管网压力的联合预测与预警提供了一种数据驱动的建模思路,为管网运行状态分析与异常识别提供参考。

1 技术背景

1.1 动态卷积神经网络

DCNN是一种改进的卷积,通过动态生成卷积核来增强传统卷积神经网络(convolutional neural network,CNN)的表现能力^[15]。传统卷积操作使用固定的卷积核对所有输入进行相同的处理^[16],这种静态特性限制了网络适应输入多样性的能力。动态卷积引入了一种输入依赖的卷积核生成机制,根据输入特征动态调整卷积核参数,从而提升模型对不同数据分布的建模能力和泛化性能。

在动态卷积中,卷积核不再固定,而是通过一个权重生成网络动态生成。设传统卷积操作为

(1)Y=K*X

式(1)中:Y为输出特征图;K为固定的卷积核;X为输入特征图;*为卷积操作。

动态卷积核通过多个固定卷积核的加权求和生成,可表示为

(2)

${K}_{\mathrm{d}}=\stackrel{K}{\sum _{i=1}}{\alpha }_{i}{K}_{i}$

式(2)中:K_i={K₁,K₂,…,K_K}为基础卷积核集合;权重α_i由输入特征通过权重生成网络计算,满足归一化约束:

(3)

$\stackrel{K}{\sum _{i=1}}{\alpha }_{i}=1$

权重生成网络通常提取输入特征的全局信息以生成权重分配。通过全局平均池化获得全局特征表示,即

(4)

$\mathrm{g}=\frac{1}{HW}\stackrel{H}{\sum _{i=1}}\stackrel{W}{\sum _{j=1}}{X}_{i,j,c}$

式(4)中:X_i_,_j_,_c为输入特征在位置(i,j)和通道c的值;H和W分别为输入特征图的高度和宽度。

用全连接层映射为动态权重向量w,可表示为

(5)w=W_fcg+b_fc

式(5)中:W_fc为全连接层的权重矩阵;b_fc为全连接层的偏置向量。

对权重向量w归一化,得到动态权重分布为

(6)

${\alpha }_{k}=\frac{exp\left({w}_{K}\right)}{\stackrel{K}{\sum _{j=1}}\mathrm{e}\mathrm{x}\mathrm{p}\left({w}_{j}\right)}$

式(6)中:w_K、w_j分别为第K个测点及所有测点对应的未归一化权重。

该机制确保动态卷积核能够根据输入特征自适应调整,从而捕捉不同样本的局部模式。相比传统卷积操作,动态卷积的灵活性显著提升了网络的表示能力,有效缓解了小样本场景中的过拟合问题。

1.2 双向长短记忆网络

BiLSTM是一种改进的循环神经网络,能够从时间序列数据中同时捕获前向和后向的上下文信息。与传统的单向LSTM不同,BiLSTM包括两个独立的LSTM网络:一个处理从过去到未来的顺序,另一个处理从未来到过去的逆序。通过结合这两部分的输出,BiLSTM在处理复杂时间序列任务时表现出更强的建模能力。

单向LSTM状态更新如图1所示,相关表达式为

(7)f_t=σ(W_f[h_t_-1,x_t]+b_f)

(8)i_t=σ(W_i[h_t_-1,x_t]+b_i)

(9)${\dot{C}}_{t}$=tanh(W_C[h_t_-1,x_t]+b_C)

(10)C_t=f_tC_t_-1+i_t

${\dot{C}}_{t}$

(11)o_t=σ(W_o[h_t_-1,x_t]+b_o)

(12)h_t=o_t☉tanh(C_t)

式中:f_t为遗忘门;i_t为输入门;o_t为输出门;W_f、W_i、W_C、W_o分别为遗忘门、输入门、候选记忆状态和输出门的权重矩阵;h_t_-1和x_t分别为上一时刻的隐藏状态和当前时刻的输入;C_t为当前时刻记忆状态;

${\dot{C}}_{t}$

为LSTM单元中的候选记忆状态;σ(·)为Sigmoid激活函数;tanh(·)为双曲正切激活函数;☉为逐元素乘法操作;b_f、b_i、b_C、b_o为对应门结构的偏置项。

BiLSTM通过同时引入前向和后向两个LSTM网络,分别处理时间序列的正序和逆序,充分捕获时间序列中的双向依赖关系。如图2所示,前向LSTM网络按照时间序列的自然顺序处理输入数据,时间步t-1~t+1,提取正序特征;而后向LSTM网络则按照时间序列的逆序,时间步t+1~t-1,提取逆序特征。

(13)h_t=[

$\overrightarrow{{h}_{t}}$

;

$\overleftarrow{{h}_{t}}$

]

式(13)中:[·;·]表示隐藏状态的拼接操作。

通过将正序和逆序特征进行融合,BiLSTM能够在同一时间步整合过去和未来的上下文信息,从而显著提升模型在时间序列分析任务中的表现^[17]。

2 DCNN-BiLSTM方法

2.1 数据预处理

2.1.1 时序处理

SCADA系统传感器采样时间点不完全同步,使用三次样条插值法对时序数据预处理。插值函数在每个区间[x_i,x_i₊₁]内采用式(14)所示形式。

(14)S_i(x)=a_i(x-x_i)³+b_i(x-x_i)²+c_i(x-x_i)+d_i

式(14)中:系数a_i、b_i、c_i、d_i通过节点处的值以及导数连续性条件唯一确定,从而确保整体曲线的平滑性和一致性。

将多组时序数据在时间轴上对齐,消除了时序差异,同时保留了压力变化的连续性,为后续管道压力预测模型提供了统一且准确的数据输入。

2.1.2 小波降噪

原始数据集中包含高频噪声,这些噪声源自传感器误差、环境干扰或信号传输中的波动。离散小波变换因其能够有效地分解信号到不同频率分量,同时具有良好的时频局部化特性,被广泛用于信号降噪。对于任意给定的原始信号s(t),通过小波分解可表示为

(15)

$\mathrm{s}\left(\mathrm{t}\right)={A}_{L}+\stackrel{L}{\sum _{i=1}}{D}_{i}$

式(15)中:A_L为第L层的近似系数;D_i为第i层的细节系数。

传统的基于小波系数波动范围和固定参数的去噪阈值确定方法^[18],难以有效适应沿管线压力传感器节点间差异化的噪声扰动,易造成信号细节的过度损失。提出一种基于随机森林回归(random forest regression,RFR)的噪声标准差动态预测方法,以细节系数的索引为输入特征,细节系数为目标变量,训练RFR模型,为每个传感节点动态确定更精准的去噪阈值。

随机森林的输出公式可表示为

(16)$\dot{\sigma }$=f(D_i,i)

式(16)中:f为随机森林模型的映射函数;i为细节系数索引。

基于此,动态软阈值可进一步表示为

(17)T=$\dot{\sigma }\sqrt{2\mathrm{l}\mathrm{n}N}$

式(17)中:N为信号长度;

$\dot{\sigma }$

为随机森林预测的标准差值。

处理后的系数

${\dot{D}}_{i}$

为^[19]

(18)${\dot{D}}_{i}$=$\left\{\begin{array}{ll}\mathrm{s}\mathrm{i}\mathrm{g}\mathrm{n}\left({D}_{i}\right)\left(\right|{D}_{i}|-T),& \left|{D}_{i}\right|>T\\ 0,& \left|{D}_{i}\right|\le T\end{array}\right.$

最终通过小波逆变换得到降噪后的信号

$\dot{s}$

(t)。

由于db2小波基对信号高频部分具有良好的分辨能力和紧密支持性^[19],选用db2小波基对原始压力信号分解及降噪处理。

原始信号的细节系数如图3所示的灰色曲线展示,通过式(16)计算的该通道自适应阈值为 0.006 8,处理后得到降噪后的红色曲线所示的细节系数。对降噪后的系数进行逆变换整合,得到降噪后的信号如图4红色曲线所示,在有效滤除高频噪声的同时,成功保留了信号的细节,为后续模型输入提供了准确信息。

2.2 DCNN-BiLSTM

管道阀室联合压力预测模型采用DCNN-BiLSTM架构,整体如图5所示。其中,DCNN负责自适应地捕捉输入数据的局部空间特征。输入序列的张量表示为X∈R^B^×^C^×^L,其中B为批量大小,C为输入通道数,L为特征长度。首先对输入特征全局平均池化操作,得到每个通道的全局特征g。进一步,权重生成网络根据全局特征生成动态卷积核的权重,得到批量动态权重α。

(19)

${K}_{\mathrm{d}}=\stackrel{K}{\sum _{i=1}}{\alpha }_{b,i}{K}_{i},　{K}_{\mathrm{d}}\in {\mathrm{R}}^{B\times {C}_{\mathrm{o}}\times {C}_{\mathrm{i}}\times k}$

式(19)描述了批量维度B上每个样本的动态卷积核生成过程。

展开为矩阵形式为

(20)

${K}_{d}=\alpha {K}_{f}$

式(20)中:K_f∈R^K×(C_oC_ik)为基础卷积核的展平形式。

接着动态卷积核对输入特征进行卷积操作

(21)Y=K_d*X

式(21)中:Y∈R^B×C_o×L',其中L'为卷积后的特征长度。

动态卷积层输出的特征传递至BiLSTM,输出可表示为

(22)

${H}_{\mathrm{o}}=[\overrightarrow{H},\overleftarrow{H}]$

式(22)中:H_o∈R^B^×^L'^×(2^H⁾;

$\overrightarrow{H}$

、

$\overleftarrow{H}$

分别为前向隐藏状态和后向隐藏状态。

经正则化后取BiLSTM输出的最后时刻的隐藏状态h_t,通过两层全连接层进行映射,第一层可表示为

(23)h_f=max(0,W₁h_t+b₁)

式(23)中:W₁和b₁分别为第一层全连接的权重和偏置。

第二层完成输出预测为

(24)y=W₂h_f+b₂

式(24)中:y∈R^B×D_o,其中D_o为输出维度;W₂和b₂分别为第二层全连接的权重和偏置。

上述计算流程涵盖了多维度特征挖掘、时序序列编码到预测输出的全过程,实现管道与多阀室压力的精准预测。

2.3 故障预警设计

天然气管道与阀室压力联合异常报警机制如图6所示,建立了一种动态自适应的异常检测方法。在模型训练阶段,利用管道正常工况的历史运行数据提取关键特征通道,计算其标准差σ_t和残差分布r_t=y_t-y_p,其中y_t、y_p分别为真实值和预测值,由此得到初始阈值T₀,其计算公式为

(25)T₀=μ_{r_t}+kσ_{r_t}

式(25)中:μ_{r_t}为训练集残差均值;σ_{r_t}为训练集残差的标准差;k为超参数,用于调节阈值的灵敏度。

(26)|r_t|>T

当预测残差r_t超过当前阈值T时,触发异常报警;反之,则将当前测试样本的特征反馈到阈值更新模块,以动态调整阈值T,阈值的更新公式为

(27)T=αT+(1-α)(μ_{r_t}+kσ_{r_t})

式(27)中:α∈[0,1]为更新权重系数,用于控制阈值更新的平滑程度;μ'_{r_t}、kσ'_{r_t}分别为更新的残差的均值和残差的标准差。

由于实际的管道泄漏数据获取受限,验证环节采用人为注入异常数据的方式进行。基于训练集上的预测残差,为每个特征通道j设定统计阈值 T_j为

(28)T_j=${\mu }_{j}^{\left|r\right|}$+2${\sigma }_{j}^{\left|r\right|}$

式(28)中:

${\mu }_{j}^{\left|r\right|}$

和

${\sigma }_{j}^{\left|r\right|}$

分别为通道j绝对残差的均值和标准差。

在假设预测残差近似服从正态分布的前提下,该阈值覆盖了约95.45%的正常预测误差范围。

在测试集中以10%的概率随机选择样本i,并向其真实标签注入噪声,模拟突发性异常。注入噪声的计算公式为

(29)y'_i_,_j=y_i_,_j+N(0,1)KT_j

式(29)中:y'_i_,_j为注入噪声后的异常模拟值;y_i_,_j为样本在第j个维度的原始真实标签;N(0,1)为标准正态分布随机数;通过调节阈值因子K,控制注入错误的幅度,模拟了从严重到微弱的不同程度异常。

在不同阈值因子K下设置100组混有异常数据的压力数据,取平均识别率作为该阈值因子的评价指标。

3 数据及评价指标

3.1 数据来源及应用案例

使用的数据集来源于中国石油西南油气田重庆气矿天高复线B段。该管道以“云安012-1井”为起点,经两个阀室后到达“万州末站”,共布设10个压力监测点。压力数据由SCADA系统导出,采集时间为2024年3月3日—2024年6月4日,涵盖多种正常运行工况,平均采样频率为30 min/次。

依托既有SCADA系统及物联网管理平台,构建并部署了基于DCNN-BiLSTM的管道压力预测与预警模型,实现对长输管线运行状态的智能监测与主动预警。如图7所示,开发的预警系统已部署于重庆气矿服务器并接入实时生产数据。

3.2 实验平台及参数

基于Pytorch 2.5.1深度学习平台,所有实验均在相同的硬件环境下进行。在数据预处理阶段,对原始特征进行标准化,将输入数据转换为均值为0、方差为1的分布,以减少特征尺度差异对模型训练的影响。随后,基于时间步长为10的滑动窗口对数据进行分割,生成固定长度的时序序列,并通过 PyTorch 数据加载器以批大小512进行批处理操作,迭代最大次数设定为2 000。

DCNN采用由4个卷积核组成动态卷积层,每个卷积核的输出通道数为64,核大小为3,填充为1,以保持输入与输出序列长度一致。卷积后的特征序列被送入BiLSTM模块,该模块采用两层堆叠结构,每层包含128个隐藏单元,双向拼接后形成256维的时序特征表示。随后,通过两层全连接网络进行特征映射与目标预测:第一层输入维度为256,输出维度为128,激活函数为ReLU;第二层为线性输出层,用于生成最终预测结果。为提高模型泛化性能,在BiLSTM输出端引入丢弃率为0.1的Dropout正则化。

训练过程采用 Adam 优化器,并结合动态学习率策略。初始阶段使用线性预热机制,在前 10 个迭代周期内将学习率从初始值的10%平滑上升至目标学习率;随后,采用余弦退火调度器逐步衰减学习率,以提升收敛稳定性与模型性能。模型训练中引入早停机制,当验证集损失在连续30轮次内不再下降时,自动终止训练过程。

3.3 模型评价指标

采用均方误差(mean squared error,MSE)、平均绝对误差(mean absolute error,MAE)、决定系数(R²)和均方根误差(root mean square error,RMSE)评估所提出的管道压力预测模型的性能。这些指标从误差大小和拟合能力等多个角度对模型进行量化评价。

4 结果与分析

4.1 压力预测结果

对模型进行训练,图8展示了模型在训练集和测试集上的验证损失随迭代次数变化的趋势。可以看出,随着训练的进行,模型的损失值在前期迅速下降,特别是在前10次迭代时,损失值呈现明显的下降趋势,表明模型在这段时间内快速学习了输入数据的特征。在10次迭代之后,损失值的下降趋于平缓,训练集和测试集的损失值逐渐收敛。测试集损失曲线与训练集损失曲线的趋势基本一致,表明模型的泛化性能良好。

插图进一步放大了损失收敛的细节,可以观察到在后续的训练中,模型的测试损失稳定在一个较低的范围内,未出现明显的过拟合现象。说明模型的正则化处理以及网络结构的选择有效防止过拟合,验证了DCNN与BiLSTM结合的模型在天然气管道压力预测任务中的可靠性和稳定性。

图9给出了模型在测试集上的预测值与真实值的拟合效果。从曲线对比可以看出,预测值与真实值的变化趋势高度一致,能够捕捉管道压力在时间维度上的整体波动特征和局部变化细节。图10展示了模型在验证集上的误差表现。大部分偏差值波动范围主要在-20~20 kPa,表明模型预测值与真实值具有较高的一致性。同时,相对误差的整体波动范围控制在-0.5%~0.5%,间接体现了模型从空间角度对管网多点压力信号联合预测的准确性。

个别出现的较大瞬时误差,通常与管道系统在实时工况调节(如阀门动作或流量变化)时产生的瞬态压力波动有关,这恰好是时空耦合复杂的体现。此外,模型在压力骤降等极端动态情况下,如曲线中的明显下降点,依然能够快速、精准地拟合压力的变化趋势,这充分说明了模型对非平稳特征的自适应捕捉能力,赋予了模型在处理复杂动态数据时良好的鲁棒性与适应能力。

4.2 模型对比分析

为量化DCNN-BiLSTM模型中各核心模块对时空耦合建模的具体贡献,进行严格的消融实验,结果如表1所示。从结果(表1)可以看出,DCNN-BiLSTM模型的表现最优,R²达到0.998,接近于1,表明其预测结果与真实值高度相关,同时,其MAE、MSE和RMSE也表现优异。

当移除BiLSTM,仅保留动态卷积时(即DCNN模型),模型性能出现明显下降,R²降至0.978,MAE、MSE和RMSE分别上升至24.283×10^-3、1.387×10^-3和37.241×10^-3。同时,DCNN-LSTM的模型性能也略差于DCNN-BiLSTM,这表明 BiLSTM 在捕捉管道压力序列的长期时间依赖关系中发挥了重要作用,是实现时间维度高精度建模的关键。

当进一步移除动态卷积,替换为传统卷积(CNN-BiLSTM模型)时,性能进一步下降,R²降低至0.985, MAE、MSE和RMSE分别增加至20.826×10^-3、0.867×10^-3和29.450×10^-3,表明动态卷积在提取管道空间多点压力特征方面的效果优于传统卷积,尤其是自适应捕捉非平稳和局部动态特征。

4.3 故障预警评估

阈值因子K与异常点正确识别率之间的关系曲线如图11所示。随着K值的增加,即注入错误幅度由微弱到显著的变化,正确识别率呈现出明显的上升趋势。曲线分析表明,在较低的K值区域(K接近于零,即注入幅度微弱)时,正确识别率较低,仅为2.1%和3.77%,这反映出模型在区分极微弱异常和正常噪声时存在挑战。

随着异常幅度因子K的逐步增加,检测率迅速提高,在K=0.6时达到71.9%,并在K=0.8后趋于平稳,最终在K=1.0处达到98.23%。这一结果有力证明,基于DCNN-BiLSTM预测预警机制,能够有效捕获幅度跨越统计边界的异常,尤其是对显著异常事件的高检测灵敏度。在天然气管道或类似工况中,该机制能够迅速识别压力的异常变化,通过基于残差统计的阈值自适应调整,有效地区分工况波动与真正的异常事件,从而保持对异常事件的灵敏检测能力和鲁棒性,为管道的安全运行提供可靠的技术支持,并有效降低误报率和漏报率。

5 结论

针对天然气管网中非线性、非平稳压力信号的时空耦合建模不足问题,提出了一种基于DCNN-BiLSTM的压力预测模型。该模型通过DCNN模块实现对空间维度多点压力动态特征的自适应捕捉,并利用BiLSTM模块高效挖掘时间维度上的复杂依赖关系,从而实现了对管网时空耦合特性的精准建模,提升模型对复杂工况下压力变化趋势的表征能力。实验结果显示,该模型在压力预测任务中性能优异(R²=0.998,RMSE=8.632×10^-3),优于多种对比方法。同时,进一步设计了一种动态预警机制,根据实际运行工况自适应更新压力阈值,异常检测准确率达98.23%,具备良好的适应性和鲁棒性。所设计开发的压力预测预警系统已部署于真实生产网络,能够有效提升天然气输送系统的智能化监测与安全预警能力,具有广泛的工程应用价值与现实意义。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	黎园. 我国天然气化工产业发展现状及前景分析[J]. 低碳化学与化工, 2024, 49(1): 105-112.

[2]	Li Yuan. Development status and prospect analysis of natural gas chemical industry in China[J]. Low-Carbon Chemistry and Chemical Engineering, 2024, 49(1): 105-112.

[3]	周大可, 杨嘉, 刘伟, 等. 中国中长期天然气干线管网规划布局方法[J]. 油气储运, 2025, 44(3): 301-310.

[4]	Zhou Dake, Yang Jia, Liu Wei, et al. Planning and layout method of China's medium-and long-term natural gas trunk pipeline network[J]. Oil & Gas Storage and Transportation, 2025, 44(3): 301-310.

[5]	Jiang W, Li Z, Yuan Q, et al. Robust pressure prediction of oil and gas pipeline networks based on equipment embedding neural network[J]. Physics of Fluids, 2024, 36(4): 043104.

[6]	Korlapati N, Khan F, Noor Q, et al. Review and analysis of pipeline leak detection methods[J]. Journal of Pipeline Science and Engineering, 2022, 2(4): 100074.

[7]	张梅, 张双双, 袁宏永, 等. 燃气管道泄漏的次声源定位算法研究[J]. 电子测量与仪器学报, 2020, 34(3): 187-194.

[8]	Zhang Mei, Zhang Shuangshuang, Yuan Hongyong, et al. Research on infrasonic source localization algorithm for gas pipeline leakage[J]. Journal of Electronic Measurement and Instrumentation, 2020, 34(3): 187-194.

[9]	高文傲, 刘洋, 李登科, 等. 基于光纤监测技术的燃气管道泄漏研究[J]. 中国安全科学学报, 2019, 29(8): 67-72.

[10]	Gao Wenao, Liu Yang, Li Dengke, et al. Study on gas pipeline leakage based on optical fiber monitoring technology[J]. China Safety Science Journal, 2019, 29(8): 67-72.

[11]	Liu C, Li Y, Fang L, et al. Leakage monitoring research and design for natural gas pipelines based on dynamic pressure waves[J]. Journal of Process Control, 2017, 50: 66-76.

[12]	Kim J, Chae M, Han J, et al. The development of leak detection model in subsea gas pipeline using machine learning[J]. Journal of Natural Gas Science and Engineering, 2021, 94: 104134.

[13]	Zhou H, Li P, Wu L. Research on a model-based burst pressure prediction method for pipelines with corrosion defects[J]. Journal of Mechanics, 2022, 38: 315-322.

[14]	Liang J, Liang S, Ma L, et al. Leak detection for natural gas gathering pipeline using spatio-temporal fusion of practical operation data[J]. Engineering Applications of Artificial Intelligence, 2024, 133: 108360.

[15]	Adenubi S, Appah D, Okafor E, et al. A review of leak detection systems for natural gas pipelines and facilities[J]. International Journal of Energy Technology and Policy, 2023, 13: 9-19.

[16]	Gong F, Zhao X, Du C, et al. Pressure and temperature prediction of oil pipeline networks based on a mechanism-data hybrid driven method[J]. Information, 2024, 15(11): 709.

[17]	Yusuf A, Hasmawati H, Ihsan A. Comparison of KNN and LSTM on the prediction of the operational conditions of natural gas pipeline transmission networks[J]. JIPI (Jurnal Ilmiah Penelitiandan Pembelajaran Informatika), 2024, 9(2): 476-486.

[18]	Cui Z, Ke R, Pu Z, et al. Stacked bidirectional and unidirectional LSTM recurrent neural network for forecasting network-wide tra-ffic state with missing values[J]. Transportation Research Part C: Emerging Technologies, 2020, 118: 102674.

[19]	Sun Z, Liu Z, Zhang C, et al. Dynamic spatio-temporal adaptive convolutional neural networks for traffic flow prediction[C]//Proceedings of the 2024 IEEE 27th International Conference on Inte-lligent Transportation Systems (ITSC). Edmonton, AB: IEEE, 2024: 945-951.

[20]	任青阳, 王彦丁, 施俭. 卷积神经网络目标检测算法研究进展[J]. 科学技术与工程, 2024, 24(32): 13665-13677.

[21]	Ren Qingyang, Wang Yanding, Shi Jian. Research progress of convolutional neural network object detection algorithms[J]. Science Technology and Engineering, 2024, 24(32): 13665-13677.

[22]	付国忠, 杜华, 张志强, 等. 基于注意力机制和CNN-BiLSTM模型的滚动轴承剩余寿命预测[J]. 核动力工程, 2023, 44(S2): 33-38.

[23]	Fu Guozhong, Du Hua, Zhang Zhiqiang, et al. Remaining useful life prediction of rolling bearing based on attention mechanism and CNN-BiLSTM model[J]. Nuclear Power Engineering, 2023, 44(S2): 33-38.

[24]	王孔贤, 邵英, 王黎明. 基于改进变分模态分解和小波阈值法的单相接地故障电流降噪[J]. 科学技术与工程, 2023, 23(29): 12556-12566.

[25]	Wang Kongxian, Shao Ying, Wang Liming. Noise reduction of single-phase grounding fault current based on improved variational mode decomposition and wavelet threshold method[J]. Science Technology and Engineering, 2023, 23(29): 12556-12566.

[26]	Vilimek D, Kubicek J, Golian M, et al. Comparative analysis of wavelet transform filtering systems for noise reduction in ultrasound images[J]. PLoS One, 2022, 17(7): e0270745.

基金资助

中石油西南分公司重庆气矿科技项目(K20-15)

PDF (8996KB)

访问

被引

详细

导航

Received	Published	Revised
2025-06-11	2026-04-28	2025-11-19
Online Date
2026-05-29

摘要