基于改进差分进化算法的神经网络管道泄漏检测.pdf

《基于改进差分进化算法的神经网络管道泄漏检测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、14化工自动化及仪表第4l卷基于改进差分进化算法的神经网络管道泄漏检测高丙坤任秀菊(东北石油大学电气信息工程学院，黑龙江大庆163318)摘要提出了一种基于神经网络与差分进化算法的天然气泄漏预测方法，该方法采用RBF神经网络作为泄漏预测模型，引入改进的差分算法对网络的初始连接权值进行优化。为了在全局搜索和局部搜索之间取得最佳平衡，提出了一种自适应变异因子和交叉概率的改进算法，并将其应用于泄漏预测神经网络模型优化。将所提出的方法与原始算法的前向网络预测方法进行了比较。结果表明：所提出的方法收敛速度快，所得模型的预测误差小、准确率较高、迭代次数少、

2、泛化能力强，对天然气的泄漏预测有很好的参考作用。关键词管道泄漏预测神经网络差分进化算法中圈分类号TH865文献标识码A文章编号lO∞．3932(2014)01．ool4旬5随着城市发展速度的加快、规模的扩大和天然气行业的不断扩展，使得天然气网络传输系统逐渐扩展，网络结构复杂性加大，并且很多管线所穿越区域包括人口密集区、商业区及环境脆弱区等。此外，随着大庆油田天然气产量的逐年增长和天然气业务的迅速发展，对外输的气量必然会迅速增加。上述一系列因素都对天然气管道的安全、平稳和正常运行提出了更加严格的要求。同时由于各种人为和自然因素的存在，如：偷盗、管

3、道劣化、腐蚀、老化及自然灾害等，天然气管道运行中的一些重大安全隐患会凸显出来。一方面可以对天然气管道进行风险管理(识别、分析、估算等)¨1，另一方面应该对天然气管道泄漏检测技术和方法进行深人研究。目前研究、应用管道泄漏检测和定位的方法诸多，但一般可将其划分为三大类，即基于信息、基于模型和基于知识的方法口1。这些方法多用于输油管道的泄漏检测和定位，并已经取得了不错的实际应用效果。宋志强等提出利用漏磁信号来检测管道缺陷的方法，但该方法要求将管道进行清扫，尽可能除去管道内的杂质和碎片"J。由于输气管道与输油管道自身特性的不同，有些检测方法并不能直接用

4、于对气体管道进行泄漏检测，因此根据气体管道流动的特性研究与其相适应的泄漏检测与定位方法是很必要的。笔者依据天然气管道特点和常规泄漏检测方法存在的不足之处，提出了将神经网络与差分进化算法相结合的天然气泄漏预测方法HJ。从而避免了建立管道数学模型的复杂性，进一步提高了泄漏检测精度。并通过实际采集的某管道的泄漏数据作为数据网络的学习和验证数据，证明了该方法的有效性。1差分进化算法及其改进1．1差分进化算法的原理差分进化(DE)算法实质上是基于种群进化和实数编码的一种随机搜索算法，问题求解方式是采用种群间个体的竞争与合作来进行的，竞争与合作是通过算法的

5、变异、交叉和选择3个基本操作来完成的。DE算法的基本思想是：进行随机的种群初始化，在所求解的问题空间，将随机的两个个体矢量通过相减加权操作来构成下一步所需的变异矢量，然后以一定的概率，将个体的父代与变异得到的个体进行交叉操作，进而得到试验个体，随后以适应度大小为依据在父代个体与试验个体之间选择适应度最好的那个个体作为新的子收稿日期：2013J06一14(修改稿)基金项目：“十二五”国家科技支撑重点项目(2012BAHl2800)；教育部高等学校博士学科点专项科研基金项目(20112322ll0003)；黑龙江省教育厅重点项目(125ll棚2)第

6、1期高丙坤等．基于改进差分进化算法的神经网络管道泄漏检测15代，之后循环进行，直至得到问题的最优解"1。1．1．1初始化首先在所优化或所求的问题的可行解空间力中随机产生初始种群P(G)={x．6，菇：6，⋯，石；。，⋯，z。，6}，G∈{0，l，⋯，g⋯}，G=0时代表初始化种群，g⋯为最大允许的进化代数，并i6为第G代种群中的第i个个体，^中为种群中的个体总数。其中x，。=(髫n。，石口。，⋯，茗，。。)称为P(G)中的一个个体，_『=1，2，⋯，ⅣP，每个并，6表示所求问题的一个候选解。1．1．2变异操作利用变异策略以父代的种群个体为基础来

7、生成新种群的个体进入中间代是变异操作的基本思想，因此得到新的候选个体是执行变异操作的最终目的，用变异操作来使种群的多样性增加，进而使种群在其引导下向所期望的方向发展变化。差分矢量和另外的由随机选择产生的个体矢量相加就生成了变异矢量，为此每个目标矢量茹；6的变异操作定义为：扩．6+1=xd6+，(算，l。一髫d6)(1)其中rl、r2、r3在[1，2，⋯，—ⅣP]之间，为随机选择的与i互不相同的3个数；F为缩放因子，差分矢量的幅值由它控制，通常为固定实数，取值范围为[0，2]。1．1．3交叉操作为了增加种群的多样性，利用交叉操作来扰动原始种群的个

8、体分布，进而产生新的种群个体。算法的基本思路是：将目标矢量茗。6与新生成的变异个体”““。进行交叉操作，进而产生所需的试验矢量“u“1。此外，为保证戈