[发明专利]基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法

权利要求书

1.基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法，其特征在于，所述方法包括以下步骤：

(1)实时采集综合能源供应站当前的运行状态数据并保存和收集综合能源供应站油罐历史的运行状态数据。其中，收集综合能源供应站油罐历史的运行状态数据为正常无泄漏的平稳状态下的运行数据，包括液位仪系统中的多组油高H、温度T、读取时间t和站点交易信息系统中的罐内油量V，采集的当前的运行状态数据包含当前时刻的油高、温度和罐内油量。

(2)将连续Nq个实时的运行状态数据组成查询样本集，并根据查询样本在历史的运行状态数据中选取N_train个时间相近和油量相近的相似样本组成训练集构建获得即时学习的油高预测软测量模型。所述油高软测量模型具体表示为：

H_q＝f(T_q，H_j，T_j，V_q-V_j)

式中，下标q表示查询样本的索引，j表示为用于预测的对应历史时刻相似样本的索引，H_q、T_q、V_q分别为查询样本的油高、温度和油量，H_j、T_j、V_j分别为相似样本的油高、温度、油量。

(3)在历史的运行状态数据中根据每个查询样本分别选取一组与查询样本间隔一段时间并且连续N_test个的样本作为测试样本与对应查询样本一同输入所述油高软测量模型预测获得每个查询样本的N_test个预测油高上标i表示查询样本对应测试样本的索引，将N_test个预测油高进行指数加权平均的后处理融合作为最终每个查询样本的预测油高

(4)根据每个查询样本进行自适应阈值更新，具体包括以下子步骤：

(4.1)由所述油高软测量模型得到初始的训练集预测残差，残差为预测油高和实际油高的差值，残差向量可以表示为：

N_train＝N_v+N_t

对残差向量进行核密度估计(KDE)，取置信度为0.95的下分位点作为初始阈值Thre₀。

(4.2)由所述油高软测量模型得到每个查询样本残差和对应的测试集残差，其中，测试集残差表示为：

其中，

查询样本的残差向量可以表示为：

(4.3)采用以下更新策略逐一更新每个查询样本的阈值：

若查询样本k的残差大于阈值Thre_k-1，则不更新阈值，令Thre_k＝Thre_k-1，并输出报警；Thre_k表示第k个样本对应的阈值，Thre₀为初始阈值。

若查询样本k的残差小于等于阈值Thre_k-1，则更新阈值：

将与E_train组成新的残差向量重新估计残差分布的概率密度，取置信度为0.95的下分位点作为更新后的阈值Thre_k。