基于卷积神经网络融合挤压激励网络的天然气管网泄漏识别方法

董晨光; 贺冰; 王茂槐; 刘思远; 王兆杰; 鲁效庆

doi:10.12404/j.issn.1671-1815.2504710

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (18) :7674-7682 DOI: 10.12404/j.issn.1671-1815.2504710

石油、天然气工业

基于卷积神经网络融合挤压激励网络的天然气管网泄漏识别方法

董晨光 ¹^,² ,
贺冰 ¹ ,
王茂槐 ³ ,
刘思远 ¹ ,
王兆杰 ¹ ,
鲁效庆 ¹^,^*

作者信息 +

Natural Gas Pipeline Leakage Identification Method Based on Convolutional Neural Network Fusion Squeeze-and-Excitation Network

Author information +

文章历史 +

摘要

针对天然气管网泄漏信号与负荷波动高度耦合导致识别困难的问题,提出了一种基于卷积神经网络融合挤压激励网络(convolutional neural network fusion squeeze-and-excitation network,CNN-SENet)的泄漏智能识别方法。该方法通过双输入分支结构融合压力与流量数据的时空特征,利用SENet动态增强泄漏敏感特征通道权重以抑制负荷干扰,并采用高斯混合模型(Gaussian mixture model,GMM)聚类结合正交试验设计压缩数据规模。结合中国三段真实管网的仿真数据进行了时空热力图分析、消融实验分析和对比试验分析,结果表明,所提方法在树状、环状及混合拓扑结构中均表现出优异性能,准确率达96.8%,较传统泄漏识别模型提升3.4%~5.2%,且通过数据压缩将样本量从数千万级降至千级,兼顾精度与计算效率。研究成果为天然气管网泄漏的高精度、低延迟监测提供了智能化解决方案。

Abstract

To address the challenge of difficult identification caused by the high coupling between leakage signals and load fluctuations in natural gas pipelines, an intelligent leakage identification method based on CNN (convolutional neural network) fused with SENet (squeeze-and-excitation network) was proposed. In this method, the spatiotemporal features of pressure and flow data was fused through a dual-input branch structure. The channel weights of leakage-sensitive features was dynamically enhanced by SENet to suppress load interference. And the data scale was compressed via GMM (Gaussian mixture model) clustering combined with orthogonal test design. Spatiotemporal thermal map analysis, ablation experiment analysis, and comparative test analysis were conducted based on the simulation data of three real pipeline networks in China. The results show that the proposed method exhibits excellent performance in tree-shaped, looped, and mixed topological structures, with an accuracy rate of 96.8%, a 3.4%~5.2% improvement compared with traditional leakage identification models. Furthermore, the sample size is reduced from tens of millions to thousands through data compression, which achieves a balance between accuracy and computational efficiency. The research results provide an intelligent solution for high-precision and low-latency monitoring of natural gas pipeline leakage.

Graphical abstract

关键词

天然气管道 / 泄漏 / 正交试验 / 深度学习

Key words

natural gas pipeline / leakage / orthogonal test / deep learning

引用本文

引用格式 ▾

董晨光, 贺冰, 王茂槐, 刘思远, 王兆杰, 鲁效庆. 基于卷积神经网络融合挤压激励网络的天然气管网泄漏识别方法[J]. 科学技术与工程, 2026, 26(18): 7674-7682 DOI:10.12404/j.issn.1671-1815.2504710

DONG Chen-guang, HE Bing, WANG Mao-huai, LIU Si-yuan, WANG Zhao-jie, LU Xiao-qing. Natural Gas Pipeline Leakage Identification Method Based on Convolutional Neural Network Fusion Squeeze-and-Excitation Network[J]. Science Technology and Engineering, 2026, 26(18): 7674-7682 DOI:10.12404/j.issn.1671-1815.2504710

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主体能源,其管网系统的安全运行直接关系到能源供应稳定与公共安全。管道泄漏事故不仅会造成天然气资源浪费与巨额经济损失,更可能引发燃爆灾害及生态环境污染等连锁风险。随着智慧管网建设的深入推进,人工智能技术在工业监测领域的应用日益广泛,通过数据驱动的智能分析模式,有效突破了传统人工巡检的效率瓶颈与经验依赖局限^[1-2]。因此,发展具备强抗干扰能力的天然气管道泄漏智能识别技术,对提升管网安全预警水平、推动运维模式智能化转型具有重要的工程实践价值。

目前,传统物理仿真方法虽能模拟泄漏扩散过程,却难以基于实时监测数据实现泄漏状态的在线反演^[3-4];主流检测技术如负压波法、声波法等多依赖特定信号特征提取,而实际运行中泄漏引发的压力、流量波动常与用气负荷变化产生的正常工况扰动高度耦合,两类信号在时域特征上差异微弱,缺乏明确的物理判别阈值,导致人工识别效率低下且误判率高^[5-7]。这种“信号耦合-特征混淆”问题已成为制约泄漏识别准确性的核心技术瓶颈。针对上述难题,中外学者进行了大量研究工作。李禹琦^[8]依托变分模态分解与特征融合的信号处理方法有效抑制了管道泄漏的噪声干扰,提升了微弱泄漏模式的表征能力。但该方法依赖信号预处理流程的参数优化,当泄漏信号与负荷波动的频域重叠时,特征提取精度会受到影响,且不具备实时处理能力。Ye等^[9]提出了一种天然气管道微弱泄漏检测模型,所提方法在消除外部噪声和增强特征有效性方面表现出色,但在案例验证方面仅采用一种案例对方法可用性进行了证明,缺乏对复杂拓扑管道场景的应用说明。陈秋艳等^[10]构建了管道热图像检测模型,利用图像降噪与端到端目标检测实现了单漏点和多漏点的自动识别。该方法适用于微小泄漏检测,且满足管道的实时监测需求。但该技术依赖于红外设备的部署与热信号的稳定性。陈岑等^[11]提出基于迁移学习的燃气管网泄漏定位方法,该方法有效解决了真实泄漏数据稀缺问题,提升了无标签数据场景下的泄漏定位精度,然而,该方法依赖仿真数据与实际工况的分布相似性,管网拓扑结构复杂或工况波动剧烈时,会造成迁移误差。Ma等^[12]提出了一种基于小波变换与对称点模式(symmetric dot pattern, SDP)的智能工况识别方法,通过对SDP特征点进行分类,可以区分出泄漏噪声与环境噪声,但所提方法仅在埋地天然气管道泄漏工况下进行了验证,无法确定其对城燃管道是否具有普适性。

综上所述,现有研究或依赖单一信号特征提取(如负压波法、声波法),难以应对泄漏与负荷波动的信号耦合;或仅基于虚构仿真数据验证,缺乏真实管网适配性;或未解决数据规模过大导致的计算效率问题。

针对上述局限,现综合考虑多个天然气管网泄漏识别方法,拟解决天然气管网泄漏与负荷波动的耦合识别难题,提出一种基于卷积神经网络融合挤压激励网络(convolutional neural network-squeeze-and-excitation network, CNN-SENet)的天然气管网泄漏工况识别方法。构建双输入(压力+流量)分支融合挤压激励网络(squeeze-and-excitation network, SENet)的特征提取框架,通过SENet动态校准通道权重,强化泄漏敏感特征(如压力突变、流量梯度异常)的表达,同时抑制负荷波动干扰,从根源上解决“信号耦合-特征混淆”难题;采用高斯混合模型(Gaussian mixture model, GMM)和混合水平正交试验,提高模型的计算效率,实现从原始运行参数到泄漏状态的直接映射;最后,基于山东省三类真实系统的拓扑与运行数据构建实验场景,验证所提方法的可行性和有效性,模型覆盖天然气管网主流应用类型,避免传统研究数据脱离实际的局限。以期为解决复杂工况下的泄漏识别难题提供新的技术路径,进一步推动管网安全监测向智能化、高精度方向发展。

1 CNN-SENet识别模型的构建

传统CNN难以区分泄漏敏感特征与负荷波动干扰,为此引入SENet^[13],SENet模块通过压缩、激励和重加权三步动态重新校准特征通道。模型构建的具体方法如下。

通过CNN-SENet网络建立观测窗口[t₀-Δt,t₀+Δt]内的瞬态压力、流量数据集

$\{\mathit{P},\mathit{Q}\}$

到泄漏状态

$\mathit{y}\in \left\{\mathrm{0,1}\right\}$

的映射函数^[14]为

(1)

$\mathit{f}:{\mathrm{R}}^{\mathrm{T}\times \mathrm{N}}\times {\mathrm{R}}^{\mathrm{T}\times \mathrm{N}}\to \left[\mathrm{0,1}\right]$

式(1)中:R^T×N为T行N列实矩阵空间,分别对应压力矩阵P与流量矩阵Q;T为时间步长;N为节点数。

(1)从仿真数据中提取压力P=[p_i,j]_T×N与流量Q=[q_i,j]_T×N矩阵。

(2)输入双分支CNN-SENet网络,输出泄漏概率y。

(3)当y>0.5时判定为泄漏工况。

图1展示了天然气管网泄漏识别模型。该模型采用双输入结构,分别对应压力和流量信号。两条处理支路结构基本对称:每条支路先通过CNN-SENet单元、全连接层和Dropout层进行处理,提取各自的特征。随后,两条支路的输出特征被拼接融合,形成一个低维稠密向量。该过程将样本从原始高维空间压缩至低维空间,最终得到一个融合了压力与流量信息的低维表征。这种融合表征有助于提升后续分类任务的性能。

模型采用Adam优化算法,以最小方差损失作为目标函数进行监督学习训练。训练过程中设置了早停策略:若连续50个训练轮次内验证损失未出现下降,则将学习率降低后继续训练。模型训练流程如图2所示。

2 数据生成方案设计

使用机器学习方法建模需要提供用于模型训练和测试的数据,生成数据的基本思想是:通过改变边界条件、泄漏位置和泄漏孔径模拟不同泄漏工况开展瞬态仿真计算,从仿真结果中提取泄漏初始时刻前后特定时间段内关键网络节点处的压力和流量数据按照固定顺序排列成向量后作为样本集。

2.1 基于GMM聚类的典型用气日生成方法

高斯混合模型是一种用于描述随机向量X联合概率分布的统计模型,它由多个高斯分布函数进行凸组合得到。

设GMM的可调参数集为

$\mathrm{\Omega }=\{{\mathit{\omega }}_{\mathit{m}},{\mathit{\mu }}_{\mathit{m}},{\mathit{\sigma }}_{\mathit{m}}|\mathrm{m}=\mathrm{1,2},\dots,\mathrm{M}\}\mathit{。}$

其中,M表示高斯分量的总数;ω_m为第m个高斯分量的权重系数,且满足

$\stackrel{\mathit{M}}{\sum _{\mathit{m}=1}}{\mathit{\omega }}_{\mathit{m}}=1;{\mathit{\mu }}_{\mathit{m}}\mathit{为}$

第m个高斯分量的均值向量;σ_m为第m个高斯分量的协方差矩阵。

GMM的联合概率密度函数f_X(x)的计算公式^[15-16]为

(2)

${\mathit{f}}_{\mathit{X}}\left(\mathrm{x}\right)=\stackrel{\mathit{M}}{\sum _{\mathit{m}=1}}{\mathit{\omega }}_{\mathit{m}}{\mathit{N}}_{\mathit{m}}\left(\mathit{x}\right)$

式(2)中:N_m(·)为多维正态分布,被称为GMM的第m个高斯分量;x为随机向量X的取值;ω为X的维数。

使用GMM模型进行聚类的过程,实质上是寻找最优的均值向量μ_m、协方差矩阵σ_m以及混合系数ω_m,使得混合模型对数据的真实分布达到最佳逼近效果。通常采用期望最大化方法进行参数估计和簇划分,具体而言,是通过计算所有数据点的后验概率,为每个数据点赋予一个标签,该标签反映了数据点可能属于每个簇的概率。

基于GMM生成“典型用气日”的过程可概括为以下步骤。

步骤1 数据获取:获取目标管网为期1年的历史用气数据。

步骤2 数据预处理:对历史数据进行三层预处理操作。首先采用线性插值法填补因传感器临时故障导致的少量缺失值,确保时间序列连续性;其次基于3σ原则剔除压力突升、流量骤降等异常值,避免极端数据干扰分布拟合;最后通过5 min移动平均法平滑高频噪声,保留用气负荷的趋势性特征,预处理后的数据用于后续GMM聚类分析。

步骤3 GMM聚类:使用GMM对预处理后的数据进行聚类分析,估计出每个聚类(即每个高斯成分)的分布参数(均值、协方差矩阵和混合系数)。

步骤4 生成典型日:对归属于同一聚类(高斯成分)的所有样本数据求取平均值,得到该聚类对应的“典型用气日”模型。

步骤5 GMM参数估计:在实际操作中,采用期望最大化算法(expectation-maximization,EM)来估计GMM的参数。该算法迭代执行以下两个步骤。

(1)E步:假设样本容量为m,首先根据当前参数计算每个样本属于每个高斯成分

${\mathit{z}}_{\mathit{i}},\mathit{i}=\mathrm{1,2},\dots,\mathit{M}$

的后验概率。

(3)

$\begin{array}{l}{\mathit{\gamma }}_{\mathit{i},\mathit{j}}=\mathrm{P}\left({\mathit{z}}_{\mathit{i}}\right|{\mathit{x}}_{\mathit{j}})=\frac{{\mathit{\omega }}_{\mathit{i}}\mathrm{N}\left({\mathit{x}}_{\mathit{j}}\right|{\mathit{\mu }}_{\mathit{i}},{\mathit{\sigma }}_{\mathit{i}})}{\stackrel{\mathit{M}}{\sum _{\mathit{m}=1}}{\mathit{\omega }}_{\mathit{m}}\mathit{N}\left({\mathit{x}}_{\mathit{j}}\right|{\mathit{\mu }}_{\mathit{m}},{\mathit{\sigma }}_{\mathit{m}})},\\ \mathit{j}=\mathrm{1,2},\dots,\mathit{m}\end{array}$

式(3)中:γ_i,j为第j个样本x_j属于第i个高斯分量的后验概率;z_i为样本所属第i个高斯分量的隐变量;x_j为第j个观测样本;ω_i为第i个高斯分量的权重;

$\mathit{N}\left({\mathit{x}}_{\mathit{j}}\right|{\mathit{\mu }}_{\mathit{i}},{\mathit{\sigma }}_{\mathit{i}})$

表示均值为μ_i、协方差为σ_i的高斯分布概率密度函数;M为高斯成分的总数量。

(2)M步:计算新的均值。

(4)

${\mathit{\mu }}_{\mathit{i}}=\frac{\stackrel{\mathit{m}}{\sum _{\mathit{j}=1}}{\mathit{\gamma }}_{\mathit{i},\mathit{j}}{\mathit{x}}_{\mathit{j}}}{\stackrel{\mathit{m}}{\sum _{\mathit{j}=1}}{\mathit{\gamma }}_{\mathit{i},\mathit{j}}},\mathit{　}\mathit{i}=\mathrm{1,2},\dots,\mathit{M}$

式(4)中:μ_i为第i个高斯分量的均值向量。

计算新的协方差矩阵,公式为

(5)

${\mathit{\sigma }}_{\mathit{i}}=\frac{\stackrel{\mathit{m}}{\sum _{\mathit{j}=1}}\left[{\mathit{\gamma }}_{\mathit{i},\mathit{j}}\right({\mathit{x}}_{\mathit{j}}-{\mathit{\mu }}_{\mathit{i}}\left)\right({\mathit{x}}_{\mathit{j}}-{\mathit{\mu }}_{\mathit{i}}{)}^{\mathrm{T}}]}{\stackrel{\mathit{m}}{\sum _{\mathit{j}=1}}{\mathit{\gamma }}_{\mathit{i},\mathit{j}}}$

式(5)中:σ_i为第i个高斯分量的协方差矩阵。

计算新的混合系数,公式为

(6)

${\mathit{\omega }}_{\mathit{i}}=\frac{1}{\mathit{m}}\stackrel{\mathit{m}}{\sum _{\mathit{j}=1}}{\mathit{\gamma }}_{\mathit{i},\mathit{j}},\mathit{　}\mathit{i}=\mathrm{1,2},\dots,\mathit{M}$

式(6)中:ω_i为第i个高斯成分的混合系数。

2.2 混合水平正交试验设计

尽管生成“典型用气日”的方法已显著减少了样本量,但当管网规模较大时,实验因素组合众多,进行全面试验所需的数据量依然巨大。因此,需要采用其他方法进一步降低试验规模。

基于此,采用正交试验方法。正交试验设计是一种统计试验设计方法,其核心思想是通过选取具有代表性的因素水平组合进行试验,从而大幅减少试验次数。对于多因素多水平试验,可借助正交表筛选一部分因素与水平的组合进行试验。这种方法能在保证试验效果较为满意的前提下,显著减少试验次数。在实际应用中,根据因素数量、水平数以及预期的工作量来选择合适的正交表。

在本案例中,典型用气日、泄漏位置和泄漏孔径3个因素相互独立,因此无需考虑因素间的交互作用。表1展示了泄漏工况模拟正交试验因素水平的设置。若安排全面试验,总共需要进行2×3×3=18次;若采用混合水平正交试验法,只需进行8次试验即可。泄漏工况模拟混合水平正交试验方案如表2所示。

3 系统与数据

采用山东省金捷燃气、沧淄线、菏泽燃气三段真实天然气管网的拓扑结构和历史运行数据对所提方法进行可行性和效果验证,3种拓扑结构的选择依据如下:树状管网(拓扑1)是长输天然气管道的典型布局,广泛应用于跨区域能源输送,其源汇点动态输量特性可验证方法对复杂负荷波动的适应性;环状管网(拓扑2)常见于城市燃气主干网,闭合回路的压力补偿效应能检验方法对冗余路径泄漏信号的识别能力;混合管网(拓扑3)是长输支线与城燃管道衔接的主流形式,可验证方法在多压力等级、多输送场景下的适配性。3类拓扑基本覆盖了天然气管网的核心应用场景,能全面评估模型的工程实用性。采集各节点的压力和流量时间序列数据,采样频率为1 Hz。三段管网系统的拓扑结构信息如下。

(1)拓扑结构1:管网系统1拓扑结构如图3所示。该管网为树状管网结构,全长约260 km。主干线包含2个源点和11个汇点。其中,两个源点的输量具有动态变化特性。在建立模型时,源点采用压力边界条件,汇点则采用流量边界条件,模拟的泄漏工况(5 km/10 km/15 km泄漏位置、5 mm/10 mm/15 mm泄漏孔径)均基于该管线常见故障场景设定,共生成2 064组锚定真实参数的正交实验组合。

(2)拓扑结构2:管网系统2拓扑结构如图4所示。管网2为环状管网结构,参与建模的管段全长超过140 km,其中包括3个气源和1个环线。节点流量日变化规律(含早晚用气高峰特征)均提取自该公司实测数据库,模拟泄漏工况结合城燃管网常见泄漏风险点设计,该拓扑结构下共生成1 487组正交实验组合。

(3)拓扑结构3:管网系统3拓扑结构如图5所示。管网3为混合管网结构,参与建模的管道总里程逾30 km,包括一条长输支线管道和一条城燃次高压A管道,压力/流量监测节点布设位置均参照该公司城燃管网台账,模拟泄漏工况覆盖支线与城燃管道衔接的高风险区域。该拓扑结构下共生成229组正交实验组合。

4 算例分析

4.1 时空热力图泄漏特征分析

图6为拓扑结构1中正常工况和泄漏工况管网各节点时空热力图,并在泄漏点位置(横坐标为240)附近区域进行了局部放大。从图6可以看出,正常工况下,时空热力图呈现流量沿管道均匀衰减的平滑分布,源点至汇点的颜色梯度变化连续,无异常突变区域。当泄漏发生在横坐标240 m处时,泄漏点附近出现显著的“流量低值色斑”,热力图颜色从红色突变为蓝色。信号传播表现为:泄漏后异常特征向上下游扩散,末端响应延迟,与压力波传播规律一致。证明该方法能通过空间参数突变与时间序列延迟特征识别泄漏。

图7为拓扑结构2中正常工况和泄漏工况管网各节点时空热力图。从图7可知,正常运行时,热力图呈现周期性对称波动,各节点流量波动幅度≤5%,闭合回路的压力补偿效应使参数分布规则。当采样点32发生泄漏时,其对称节点(采样点48)流量同步下降,形成“双低值区”。与树状管网单峰特征不同,环状管网的泄漏信号因冗余路径传播呈现对称性衰减。所提方法通过捕捉闭合回路中的非对称流量突变,实现泄漏工况精准识别。

图8为拓扑结构3中正常工况和泄漏工况管网各节点时空热力图。从图8可以看出,正常工况下,热力图显示主干管流量阶梯式衰减、分支管因用户需求波动。泄漏发生在主干管10 m处时,形成“主干衰减-分支补偿”的特征模式。该方法在复杂拓扑中仍能通过多参数耦合特征区分泄漏工况。

4.2 消融试验

为验证模型各核心组件的有效性,设计3组消融实验,对比去除关键结构后的模型性能变化,实验基于拓扑结构1~拓扑结构3的混合数据开展,其中正常运行与管道泄漏工况的比例为8∶2。评价指标包括准确率(A_CC)、精确率(P_REC)、召回率(R_EC)和F₁值。其计算公式^[17]为

(7)

${\mathit{A}}_{\mathrm{C}\mathrm{C}}=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{N}}\times 100\mathrm{\%}$

(8)${\mathit{P}}_{\mathrm{R}\mathrm{E}\mathrm{C}}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}$×100%

(9)${\mathit{R}}_{\mathrm{E}\mathrm{C}}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}$×100%

(10)

${\mathit{F}}_{1}=2\frac{{\mathit{P}}_{\mathrm{R}\mathrm{E}\mathrm{C}}{\mathit{R}}_{\mathrm{E}\mathrm{C}}}{{\mathit{P}}_{\mathrm{R}\mathrm{E}\mathrm{C}}+{\mathit{R}}_{\mathrm{E}\mathrm{C}}}\times 100\mathrm{\%}$

式中:TP为真正例,代表实际为目标工况α,且被模型正确识别为α的样本数;TN为真负例,标识实际为其他工况,且被模型正确识别为“其他”的样本数;FP为假正例,代表实际为其他工况,却被错误识别为α的样本数;FN为假负例,表示实际为α工况,却被错误识别为“其他”的样本数。

消融实验1:移除模型中的SENet通道注意力模块,保留双输入CNN结构,其余参数与原模型一致。

表3展示了对SENet模块进行消融实验的结果。从表3可以看出,去除SENet后,模型准确率下降4.5%,精确率和召回率分别下降5.4%和5.3%,这意味着SENet通过动态校准通道权重,有效增强了泄漏敏感特征(如压力突变、流量梯度)的表达能力,抑制了负荷波动干扰。

消融实验2:分别移除压力输入分支(仅保留流量输入)和流量输入分支(仅保留压力输入),形成单输入CNN-SENet模型,对比双输入模型的性能差异。

表4展示了双输入分支消融实验的结果。从表4可以看出,虽然单输入压力模型性能略优于单输入流量模型,这可能是因为压力信号对泄漏的响应更敏感,但双输入结构通过特征融合进一步提升了识别鲁棒性。双输入模型较单输入模型准确率提升2.7%~3.1%,表明压力与流量数据的时空关联特性对泄漏识别至关重要。

消融实验3:对比使用GMM聚类+正交试验(原数据压缩策略)与未压缩全量数据训练的模型性能,全量数据规模为原千级样本的10倍。

表5展示了数据压缩策略消融实验的结果。结果表明,压缩后样本量减少93.8%,但模型性能仅下降0.3%~0.5%,证明高斯混合模型聚类能有效提取典型用气日特征,正交试验设计保留了关键泄漏工况组合。训练耗时减少86%,验证了数据压缩策略在保证精度的前提下,显著提升了工程应用中的计算效率,尤其适用于大规模管网的实时监测场景。

4.3 对比试验

选取3类主流方法与本文模型进行对比:传统物理方法(负压波法)、传统机器学习方法[支持向量机(support vector machine,SVM)、随机森林]、深度学习方法[CNN、长短期记忆网络(long short-term memory,LSTM)、CNN-LSTM],所有对比模型均采用相同的训练和测试数据集,数据样本为拓扑结构1~拓扑结构3的混合数据,总样本量5 780组。对比试验结果如表6所示。

从表6可以看出,本文模型(CNN-SENet)具有强抗干扰能力和特征表达能力。对比负压波法,CNN-SENet的准确率提升了14.5%,这是因为因负压波法依赖人工设定阈值,无法有效区分泄漏信号与负荷波动。相比传统机器学习方法,CNN-SENet 通过端到端特征学习自动提取时空关联特征(如拓扑结构2中泄漏点与对称节点的流量耦合关系),总体识别效果(F₁)提升7.3%~8.4%。与传统神经网络模型对比,CNN-SENet通过SENet模块强化通道注意力并融合双输入多源数据,较传统CNN(仅空间特征提取,A_CC低3.4%)、LSTM(仅时序建模,F₁低5.2%)及CNN-LSTM(缺通道注意力,P_REC低2.3%),在特征表达、时空关联建模和抗负荷干扰能力上均显著提升,准确率达96.8%,而传统网络因结构局限难以有效区分泄漏与负荷波动信号,识别精度普遍低于95%。

5 结论

针对天然气管网泄漏信号与负荷波动高度耦合导致的识别难题,提出了一种基于卷积神经网络融合挤压激励网络(CNN-SENet)的泄漏工况识别方法。以中国3类真实系统数据为验证基础,通过双输入特征融合、通道注意力强化、数据高效压缩的协同设计,实现了高精度、低延迟的泄漏识别,相关成果为管网智能化监测提供技术支撑,具体结论如下。

(1)提出了CNN-SENet泄漏识别方法,能够有效解决传统方法在处理负荷干扰时的局限性。通过GMM和正交试验,突破传统方法适用管道类型单一和计算效率较低的问题,本文方法能够实现对不同类型天然气管网泄漏工况的精准判别。

(2)所提方法通过GMM聚类结合正交试验设计压缩数据,训练耗时减少86%,在3类真实拓扑对应场景中均表现优异,准确率达96.8%,较传统泄漏识别模型提升3.4%~5.2%。

(3)通过数据压缩将样本量从数千万级降至千级,兼顾精度与计算效率,有效突破了传统方法抗干扰弱、适配性差、效率低的局限,为天然气管网泄漏的高精度、低延迟监测提供了智能化解决方案。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	宫敬, 郝运祺, 陆洋帆, 等. 人工智能技术赋能天然气管网调控: 技术革新、变革路径与战略展望[J]. 天然气工业, 2025, 45(11): 203-216.

[2]	Gong Jing, Hao Yunqi, Lu Yangfan, et al. Application of artiﬁcial intelligence technology to the regulation and control of natural gas pipeline networks: technological innovation, evolutionary pathway, and strategic prospect[J]. Natural Gas Industry, 2025, 45(11): 203-216.

[3]	王锁男, 张磊, 刘少胡. 油气压裂机组无人机安全巡检路径规划[J]. 科学技术与工程, 2024, 24(25): 10832-10840.

[4]	Wang Suonan, Zhang Lei, Liu Shaohu. Safety inspection path planning for unmanned aerial vehicle in oil and gas fracturing unit[J]. Science Technology and Engineering, 2024, 24(25): 10832-10840.

[5]	范佳锐, 汤历平, 王锡军, 等. 埋地输气管道泄漏扩散参数敏感性仿真[J]. 科学技术与工程, 2025, 25(25): 10671-10679.

[6]	Fan Jiarui, Tang Liping, Wang Xijun, et al. Simulation on sensitivity of leakage diffusion parameters of buried gas pipeline[J]. Scie-nce Technology and Engineering, 2025, 25(25): 10671-10679.

[7]	Wang K, Li C, Jia W, et al. Under-expanded jet and diffusion characteristics for small-hole leakage of hydrogen-blended natural gas in high-pressure pipelines[J]. Process Safety and Environmental Protection, 2024, 190: 195-211.

[8]	林晓晖, 李刚, 杨文明, 等. 埋地大直径高压输气管道泄漏特性仿真研究[J]. 科学技术与工程, 2025, 25(8): 3400-3414.

[9]	Lin Xiaohui, Li Gang, Yang Wenming, et al. Simulation of buried natural gas pipeline leakage and diffusion process[J]. Science Technology and Engineering, 2025, 25(8): 3400-3414.

[10]	孙颖. 基于生成对抗网络的天然气管道泄技术研究[D]. 黑龙江: 东北石油大学, 2025.

[11]	Sun Ying. Research on gas pipeline leak detection technology based on generative adversarial network[D]. Heilongjiang: Northeast Petroleum University, 2021.

[12]	孟令雅, 刘翠伟, 刘超, 等. 基于特征量提取的输气管道微泄漏检测[J]. 中国石油大学学报(自然科学版), 2014, 38(6): 153-160.

[13]	Meng Lingya, Liu Cuiwei, Liu Chao, et al. Characteristics extraction of acoustic leakage signal for natural gas pipelines[J]. Journal of China University of Petroleum(Natural Science Edition), 2014, 38(6): 153-160.

[14]	李禹琦. 基于VMD和特征融合的管道泄漏检测技术研究[D]. 大庆: 东北石油大学, 2024.

[15]	Li Yuqi. Research on pipeline leak detection technology based on VMD and feature fusion[D]. Daqing: Northeast Petroleum University, 2024.

[16]	Ye L, Wang C, Zhou X, et al. Natural gas pipeline weak leakage detection based on negative pressure wave decomposition and feature enhancement[J]. Reliability Engineering & System Safety, 2025, 257: 110857.

[17]	陈秋艳, 张新燕, 贺敏, 等. 基于深度学习的管道热图像泄漏识别[J]. 红外技术, 2024, 46(5): 522-531.

[18]	Chen Qiuyan, Zhang Xinyan, He Min, et al. Identification of pipeline thermal image leakage based on deep learning[J]. Infrared Technology, 2024, 46(5): 522-531.

[19]	陈岑, 纪育博, 王欢, 等. 基于迁移学习的燃气管网泄漏定位方法[J]. 中国安全科学学报, 2025, 35(3): 212-220.

[20]	Chen Cen, Ji Yubo, Wang Huan, et al. Gas pipeline network leak localization method based on transfer learning[J]. China Safety Science Journal, 2025, 35(3): 212-220.

[21]	Ma H, Zhong Y, Wang J, et al. Method for identifying the leakage of buried natural gas pipeline by soil vibration signals[J]. Gas Science and Engineering, 2024, 132: 205487.

[22]	李博志, 杨明合, 许楷, 等. 基于注意力机制的卷积神经网络机械钻速预测方法[J]. 科学技术与工程, 2024, 24(21): 8910-8916.

[23]	Li Bozhi, Yang Minghe, Xu Kai, et al. Prediction method for ROP based on atention mechanism of convolutional neural network[J]. Science Technology and Engineering, 2024, 24(21): 8910-8916.

[24]	Liu R, Zhang L, Jia J, et al. A 1DCNN-SENet-LSTM model for UGW-based automatic evaluation of grouting void location in post-tensioned concrete structure[J]. Engineering Structures, 2025, 339: 120669.

[25]	高煦轲, 秦超, 高沨, 等. 基于LSTM-GMM的配电干式变压器绕组故障双参数预警模型[J]. 科学技术与工程, 2024, 24(31): 13407-13414.

[26]	Gao Xuke, Qin Chao, Gao Feng, et al. Dual parameter early warning model for winding faults in distribution dry-type transfor-mers based on LSTM-GMM[J]. Science Technology and Engineering, 2024, 24(31): 13407-13414.

[27]	Jiang Y, Fu M, Fang J, et al. Advancing an LDA-GMM-CorEx topic model with prior domain knowledge in information systems research[J]. Information & Management, 2025, 62(2): 104097.

[28]	王威娜, 李明莉. 基于Shapelets的多元时间序列分类方法[J]. 科学技术与工程, 2025, 25(1): 252-261.

[29]	Wang Weina, Li Mingli. Multivariate time series classification method based on Shapelets[J]. Science Technology and Engineering, 2025, 25(1): 252-261.