[发明专利]基于粗糙集与遗传小波神经网络的石油管道漏损预测方法

说明书

技术领域

本发明涉及石油管道漏损预警领域，具体涉及了一种基于粗糙集与遗传小波神经网络的石油管道漏损预测方法。

背景技术

伴随着能源市场需求的不断扩大，石油在国家经济发展中起着十分重要的作用。管道运输为石油运输的主要方式，其运行状态直接关系到石油资源的安全运输，因此受到越来越多的重视。由于石油管道自身的设计、施工质量、所处自然环境以及人为破坏，随着使用时间的增加，会导致漏损的发生，从而对石油管道所属企业的安全生产带来影响，甚至引起环境危害，造成巨大的经济损失。尽管现有仪器可以检测石油管道的漏损，然而仪器检测需要消耗大量的人力与物力，并且只能在被动的在石油管道漏损发生之后才能检测，存在着时延性。因此，通过对导致石油管道漏损的因素预测石油管道漏损发生的初始时间，

不仅可以预防可能发生的漏损故障，排除潜在的隐患，还能够为石油管道的检测与维修计划的制定提供可靠的理论依据，具有重要的现实意义。

导致石油管道漏损的因素包括管道材料属性、管道口径、管道环境沉降、管道环境载荷、管道环境腐蚀、管道环境温度、管道埋深、管道运行压力，并且存在着一定的非线性与不确定性。遗传小波神经网络结合了遗传算法与小波神经网络，能够通过学习掌握这些因素与漏损之间的复杂关系，具有很强的非线性拟合功能，并且预测结果唯一，收敛速度快的优点。

本发明提出了一种基于粗糙集与遗传小波神经网络的石油管道漏损预测方法，通过导致石油管道漏损的因素的历史数据对石油管道漏损发生的初始时间进行预测，具有广泛的应用前景以及经济价值。

发明内容

本发明提出了一种基于粗糙集与遗传小波神经网络的石油管道漏损预测方法，为石油管道漏损的检测与维修提供有效的理论参考，从而保证石油管道运行的安全稳定。

为实现上述目的，本发明采用的技术方案是：

一种基于粗糙集与遗传小波神经网络的石油管道漏损预测方法，包括以下步骤：

步骤1：获取导致石油管道漏损的因素以及初始发生漏损时间的历史数据，包括管道材料属性、管道口径、管道环境沉降、管道环境载荷、管道环境腐蚀、管道环境温度、管道埋深、管道运行压力，对获取的原始数据进行归一化处理；

步骤2：利用步骤1获取的数据基于粗糙集方法进行清洗优化，消除因素之间的冗余信息；

步骤3：利用步骤2获取的优化后的数据建立小波神经网络预测模型；

步骤4：利用遗传算法获取步骤3构建的预测模型的最优初始参数；

步骤5：利用步骤4获取的预测模型的最优初始参数，计算预测模型输出，通过将模型的输出反归一化获取石油管道漏损的预计发生时间。

所述步骤1中所述的导致石油管道漏损的因素的历史数据采用线性归一化处理，公式为式(1)：

对数据建立映线性映射：

(1),

式中，，。

所述步骤2的具体步骤为：

步骤2.1：将获取的导致石油管道漏损的因素离散化；

步骤2.2：将离散化的导致石油管道漏损的个因素设置为，作为条件属性，将发生漏损的时间数据设置为，作为结论属性，建立决策规则；

步骤2.3：对建立的决策规则进行整理，删除冗余以及有误的数据；

步骤2.4：在保证决策规则相容的前提下对数据进行属性及属性值简约，获取最小属性约简的数据。

所述步骤3中所述的小波神经网络预测模型包括神经网络输入层神经元，神经网络隐含层神经元及神经网络输出层神经元；所述隐含层神经元为个隐含层节点，根据实际训练精度进行调整；所述输出层神经元为石油管道漏损的初始发生时间。

所述的隐含层神经元小波基函数为式(2)：

(2)

式中，与为伸缩平移尺度因子，，取Morlet小波：

(3)

所述输出层神经元通过选择Sigmoid函数：

(4)

小波神经网络的输入输出可以表示为：

(5)

式中，

(6)

(7)

(8)

(9)

(10)

式中，为样本个数，、、、为网络学习速率，为网络动量因子。

所述步骤4具体包括：

步骤4.1：初始化遗传算法参数，包括群体大小、交叉概率、变异概率以及最大代数；