融合压力波和高精度授时的供热管道泄漏检测方法及系统

技术领域

本发明属于供热管道泄漏检测技术领域，具体涉及一种融合压力波和高精度授时的供热管道泄漏检测方法。

背景技术

随着社会经济的不断发展，作为我国重要基础设施之一的集中供热也在蓬勃发展。为实现清洁供热，利用城市外远郊热电厂的余热供热是一大趋势，这使得长输供热管道的应用越来越多。同时，集中供热管网的规模不断扩大，结构越来越复杂。因此，实现供热管道及管网的安全、高效、节能运行是十分重要的问题，供热管道及管网泄漏故障的发生将严重影响供热系统的民生保障。

当供热管道中某处发生泄漏时，由于供热管道中的压力高于管道外的压力，因此会有大量的流体迅速流出，导致泄漏点的压力迅速降低形成负压。同时由于管道中压力的作用，泄漏点两侧的流体会不断的向泄漏点进行补充，因此负压迅速向泄漏点两侧传播，形成负压波。在管道泄漏诊断技术的研究中负压波方法是最常用的一种方法。

然而，在传统的供热管道泄漏检测中采用负压波方法进行管道泄漏诊断、定位和泄漏量检测的准确性较低，检测方法中数据精度较低，采集数据时间同步精确性低，因此急需一种更高精度的供热管道泄漏检测方法。

基于上述技术问题，需要设计一种融合压力波和高精度授时的供热管道泄漏检测方法。

发明内容

本发明所要解决的技术问题是，克服现有技术的不足，提供一种融合压力波和高精度授时的供热管道泄漏检测方法，以供热管道数字孪生模型为基础，模拟管道泄漏和不同工况运行模式，获得对应的多元模拟数据，再结合实际的历史数据，融合压力波、音波、流量和温度等数据进行管道泄漏检测的各类模型，实现对管道泄漏的初步诊断、工况判断、泄漏位置判断和泄漏量检测，保证了供热管道泄漏的精准检测，同时结合多通道高精度授时能够保证接收到数据的时间同步精准授时，通过多通道冗余授时，保证了系统授时的精确性和可靠性。

为了解决上述技术问题，本发明的技术方案是：

本发明提供了一种融合压力波和高精度授时的供热管道泄漏检测方法，所述供热管道泄漏检测方法包括：

采用机理建模和数据辨识的方法建立供热管道数字孪生模型；

通过在供热管道首末两端设置的压力变送器和动态压力变送器获取实时检测的负压波信号和动态负压波信号，作为待测压力波信号，同时通过多通道高精度授时单元进行待测压力波信号的高精度授时处理后并通过网络发送至检测中心；所述多通道高精度授时单元包括GPS授时、北斗卫星授时和5G TSN高精度时钟授时；

检测中心依据基于所述供热管道数字孪生模型模拟供热管道泄漏和管道正常操作调节产生的负压波模拟信号，以及供热管道实时检测的待测压力波信号建立管道泄漏诊断模型，进行管道泄漏的初步诊断；

检测中心在诊断管道泄漏后，依据基于所述供热管道数字孪生模型模拟供热管道不同泄漏工况下产生的供热管道首末两端的温度、流量、音波和负压波模拟信号，以及对应的多源实际信号建立管道泄漏工况模型，进行管道泄漏的工况判断；

检测中心在判断管道泄漏工况后，基于管道多源模拟和实际运行数据和监测到高精度授时的压力波信号时间差建立管道泄漏定位模型，进行管道泄漏位置判断；

检测中心在判断管道泄漏位置后，基于管道多源模拟和实际运行数据建立管道泄漏量模型，进行管道泄漏量检测。

进一步，所述采用机理建模和数据辨识的方法建立供热管道数字孪生模型，包括：

构建供热管道的物理实体模型、逻辑模型和仿真模型；其中，

所述逻辑模型的建立包括：依据供热管道物理实体的逻辑机理关系建立可控制的闭环逻辑模型，将物理模型映射至逻辑模型；

所述仿真模型的建立包括：基于采集的供热管道的运行数据、状态数据、物理属性数据搭建供热管道仿真模型，依据仿真模型输出预测值和实际值的误差大小对仿真模型的参数进行调优；所述仿真模型至少符合泄漏状态的管道流动阻力方程、质量守恒方程、压力损失方程和换热方程；

将所述物理实体模型、逻辑模型和仿真模型进行虚实融合，构建所述供热管道的物理实体在虚拟空间的系统级数字孪生模型；

将所述供热管道的多工况实时运行数据接入所述系统级数字孪生模型，采用反向辨识方法对所述系统级数字孪生模型的仿真结果进行自适应辨识修正，获得辨识修正后的供热管道数字孪生模型。

进一步，所述通过多通道高精度授时单元进行待测压力波信号的高精度授时处理后并通过网络发送至检测中心，包括：

判断待测压力波信号是否满足5G TSN高精度时钟授时要求，若满足则开启5G TSN高精度授时；若不满足则判断是否满足北斗卫星授时要求，若满足则开启北斗卫星授时；否则开启GPS授时；

将通过高精度授时的待测压力信号通过网络发送至检测中心；

其中，所述GPS授时：通过GPS授时装置收到GPS卫星发送的信息后，根据协议规范提取出标准的时间信息，再将准确的时间信息加入到待测压力波信号中，进行时间授时校准；

所述北斗卫星授时：通过北斗卫星授时系统对压力变送器和动态压力变送器进行定位，根据定位将授时信息发送给压力变送器和动态压力变送器，提高时间同步的精度；所述北斗卫星授时系统包括北斗卫星系统以及北斗卫星接收机；所述北斗卫星系统包括多颗北斗卫星；所述北斗卫星接收机启动后搜索北斗卫星系统的卫星信号，当接收的卫星信号的个数满足预置条件时，对管道首末两端的压力变送器和动态压力变送器进行定位，再根据所述北斗卫星向压力变送器和动态压力变送器发送授时信息，压力变送器和动态压力变送器接收到授时信息后对本地时钟进行同步校准，使得自身的时间与北斗卫星系统的时间源同步；

所述5G TSN高精度授时：在5G TSN网络中，包括5G时间域和TSN时间域，5G主时钟和TSN主时钟相互独立，5G时间域内的各节点与5G主时钟保持同步，TSN时间域内的各节点与TSN主时钟保持同步，各节点中TSN转换器DS-TT和NW-TT将5G网络连接到TSN网络，同时感知两个不同时间域的时间，管道首末两端的压力变送器和动态压力变送器通过TSN网络实现时间同步；其中，5G作为TSN的网桥，支持TSN的下行时间同步，NW-TT模块同步于上游的TSN网络，获取TSN网络的时间同步信息，同时将TSN时间同步信息通过5G网络传输至DS-TT，DS-TT再将TSN的时间同步至下游的TSN终端，进行精确授时。

进一步，所述检测中心依据基于所述供热管道数字孪生模型模拟供热管道泄漏和管道正常操作调节产生的负压波模拟信号，以及供热管道实时检测的待测压力波信号建立管道泄漏诊断模型，进行管道泄漏的初步诊断，包括：

基于所述供热管道数字孪生模型模拟供热管道泄漏产生的负压波和对管道正常操作调节产生的负压波运行模式，获取对应的负压波模拟信号；

将负压波模拟信号和供热管道实时检测的待测压力信号作为管道泄漏诊断模型的训练样本；

将所述管道泄漏诊断模型的训练样本经过CEEMD处理后，并采用模糊熵算法对各分量进行熵值评价，重新组合成新的分量集；

将新的各分量通过IPSO-LSSVM进行预测，获得多个管道泄漏诊断预测分量；

将所述多个管道泄漏诊断预测分量进行叠加后获得管道泄漏的初步诊断结果。

进一步，所述将所述管道泄漏诊断模型的训练样本经过CEEMD处理，包括：

将成对高斯白噪声加入到原始信号，表示为：

其中，x(t)为原始信号；

将

所述采用模糊熵算法对各分量进行熵值评价，重新组合成新的分量集，包括：

在样本熵算法的基础上，引入模糊隶属函数对分解的IMF分量和Re分量进行熵值计算，对计算结果相近的IMF进行重构获得新的分量集；

所述IPSO是改进的粒子群算法，包括：选择初始种群时引入粒距概念，防止陷入局部最优，

所述IPSO-LSSVM是通过改进的粒子群算法对LSSVM参数进行优化，包括：初始化每个粒子种群和计算每个粒子的适应度，设置当前最优位置和全局最优位置；当平均粒距D(t)和适应度方差σ

进一步，所述检测中心在诊断管道泄漏后，依据基于所述供热管道数字孪生模型模拟供热管道不同泄漏工况下产生的供热管道首末两端的温度、流量、音波和负压波模拟信号，以及对应的多源实际信号建立管道泄漏工况模型，进行管道泄漏的工况判断，包括：

检测中心在诊断管道泄漏后，基于所述供热管道数字孪生模型模拟供热管道不同泄漏工况，获取供热管道首末两端的温度、流量、音波和负压波模拟信号；所述不同泄漏工况包括管道小泄漏工况、中泄漏工况和大泄漏工况；

将所述供热管道首末两端的温度、流量、音波和负压波模拟信号和供热管道泄漏实时检测的温度、流量、音波和负压波多源历史实际信号作为管道泄漏工况模型的训练样本；

将所述管道泄漏工况模型的训练样本采用改进的VMD方法进行分解处理，获得若干个模态分量；

采用mRMR方法提取各模态分量预测模型的最佳输入特征集，作为每个分量预测模型的输入变量；

对各分量分别采用XGBoost网络进行模型训练，建立管道泄漏工况模型，获得各分量对应的管道泄漏工况预测结果，并叠加各分量预测值获得最终的管道泄漏工况预测结果。

进一步，所述改进的VMD方法为采用麻雀优化算法SSA对VMD算法的分解数K和惩罚因子α进行优化，包括：

设置麻雀优化算法SSA的参数和初始种群，定义适应度值为能量误差E

将管道泄漏工况模型的训练样本作为原始信号进行VMD分解，并计算每只麻雀的适应度值；

更新麻雀个体的位置，比较各个位置对应的能量误差，不断更新最小适应度值；

循环迭代直至确定全局最小适应度值或达到最大迭代次数，输出最佳麻雀个体，即为VMD算法的最佳分解数K和惩罚因子α；

所述采用mRMR方法提取各模态分量预测模型的最佳输入特征集，包括：

从原始的管道泄漏工况模型的训练样本中设置特征数M，针对各模态分量采用mRMR准则依次从训练样本中选择M个特征，并将各预测分量的均方根误差R作为评价各分量预测模型的输入特征数影响预测效果优劣指标，进行最佳输入特征的选择；

所述mRMR准则表示为：

S是特征集合；S是维数；I(x

所述均方根误差R表示为：

α

进一步，所述检测中心在判断管道泄漏工况后，基于管道多源模拟和实际运行数据和监测到高精度授时的压力波信号时间差建立管道泄漏定位模型，进行管道泄漏位置判断，包括：

检测中心在判断管道泄漏工况后，基于所述供热管道数字孪生模型模拟供热管道该泄漏工况运行模式，获取该工况下供热管道首末两端的温度、流量、音波、负压波模拟信号和高精度授时的压力波信号时间差数据；

将所述供热管道首末两端的温度、流量、音波、负压波模拟信号和高精度授时的压力波信号时间差模拟数据，结合供热管道泄漏实时检测的温度、流量、音波、负压波历史实际信号、高精度授时的压力波信号时间差实际数据和管道首末两端的距离、压力波在管道中的传导速度、声波在管道中的传播速度作为管道泄漏位置的训练样本；

将所述管道泄漏位置的训练样本输入至XGBoost模型中挖掘重要特征；所述特征重要程度通过输入特征的分裂次数表明，分裂次数越多表明该特征重要程度越高，反之特征重要程度越低；

将挖掘的重要特征输入至由多目标蝗虫优化算法优化的LSTM模型中进行学习训练，建立管道泄漏定位模型，进行管道泄漏位置判断。

进一步，所述检测中心在判断管道泄漏位置后，基于管道多源模拟和实际运行数据建立管道泄漏量模型，进行管道泄漏量检测，包括：

检测中心在判断管道泄漏位置后，基于所述供热管道数字孪生模型模拟供热管道该泄漏位置的运行模式，获取该运行模式下供热管道首末两端的温度、流量、音波、负压波模拟信号；

将所述供热管道首末两端的温度、流量、音波、负压波模拟信号，结合供热管道泄漏实时检测的温度、流量、音波、负压波历史实际信号、压力波在管道中的传导速度、声波在管道中的传播速度、泄漏孔径、媒介密度作为管道泄漏量的训练样本；

将所述管道泄漏量的训练样本输入至由布谷鸟搜索算法优化后的GRU神经网络中进行学习训练后，建立管道泄漏量模型，进行管道泄漏量检测。

本发明还提供了一种融合压力波和高精度授时的供热管道泄漏检测系统，所述供热管道泄漏检测系统包括：

管道数字孪生模型建立单元，用于采用机理建模和数据辨识的方法建立供热管道数字孪生模型；

压力波信号采集和授时单元，用于通过在供热管道首末两端设置的压力变送器和动态压力变送器获取实时检测的负压波信号和动态负压波信号，作为待测压力波信号，同时通过多通道高精度授时单元进行待测压力波信号的高精度授时处理后并通过网络发送至检测中心；所述多通道高精度授时单元包括GPS授时、北斗卫星授时和5G TSN高精度时钟授时；

管道泄漏初步诊断单元，用于检测中心依据基于所述供热管道数字孪生模型模拟供热管道泄漏和管道正常操作调节产生的负压波模拟信号，以及供热管道实时检测的待测压力波信号建立管道泄漏诊断模型，进行管道泄漏的初步诊断；

管道泄漏工况检测单元，用于检测中心在诊断管道泄漏后，依据基于所述供热管道数字孪生模型模拟供热管道不同泄漏工况下产生的供热管道首末两端的温度、流量、音波和负压波模拟信号，以及对应的多源实际信号建立管道泄漏工况模型，进行管道泄漏的工况判断；

管道泄漏位置检测单元，用于检测中心在判断管道泄漏工况后，基于管道多源模拟和实际运行数据和监测到高精度授时的压力波信号时间差建立管道泄漏定位模型，进行管道泄漏位置判断；

管道泄漏量检测单元，用于检测中心在判断管道泄漏位置后，基于管道多源模拟和实际运行数据建立管道泄漏量模型，进行管道泄漏量检测。

本发明的有益效果是：

本发明通过采用机理建模和数据辨识的方法建立供热管道数字孪生模型；通过在供热管道首末两端设置的压力变送器和动态压力变送器获取实时检测的负压波信号和动态负压波信号，作为待测压力波信号，同时通过多通道高精度授时单元进行待测压力波信号的高精度授时处理后并通过网络发送至检测中心；所述多通道高精度授时单元包括GPS授时、北斗卫星授时和5G TSN高精度时钟授时；检测中心建立管道泄漏诊断模型，进行管道泄漏的初步诊断；建立管道泄漏工况模型，进行管道泄漏的工况判断；建立管道泄漏定位模型，进行管道泄漏位置判断；建立管道泄漏量模型，进行管道泄漏量检测；以供热管道数字孪生模型为基础，模拟管道泄漏和不同工况运行模式，获得对应的多元模拟数据，再结合实际的历史数据，融合压力波、音波、流量和温度等数据进行管道泄漏检测的各类模型，实现对管道泄漏的初步诊断、工况判断、泄漏位置判断和泄漏量检测，保证了供热管道泄漏的精准检测，同时结合多通道高精度授时能够保证接收到数据的时间同步精准授时，通过多通道冗余授时，保证了系统授时的精确性和可靠性。

其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种融合压力波和高精度授时的供热管道泄漏检测方法流程示意图；

图2为本发明一种融合压力波和高精度授时的供热管道泄漏检测原理示意图；

图3为本发明一种融合压力波和高精度授时的供热管道泄漏检测系统结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

图1是本发明所涉及的一种融合压力波和高精度授时的供热管道泄漏检测方法流程示意图。

图2是本发明所涉及的融合压力波和高精度授时的供热管道泄漏检测原理示意图。

如图1-2所示，本实施例1提供了一种融合压力波和高精度授时的供热管道泄漏检测方法，所述供热管道泄漏检测方法包括：

采用机理建模和数据辨识的方法建立供热管道数字孪生模型；

通过在供热管道首末两端设置的压力变送器和动态压力变送器获取实时检测的负压波信号和动态负压波信号，作为待测压力波信号，同时通过多通道高精度授时单元进行待测压力波信号的高精度授时处理后并通过网络发送至检测中心；所述多通道高精度授时单元包括GPS授时、北斗卫星授时和5G TSN高精度时钟授时；

检测中心依据基于所述供热管道数字孪生模型模拟供热管道泄漏和管道正常操作调节产生的负压波模拟信号，以及供热管道实时检测的待测压力波信号建立管道泄漏诊断模型，进行管道泄漏的初步诊断；

检测中心在诊断管道泄漏后，依据基于所述供热管道数字孪生模型模拟供热管道不同泄漏工况下产生的供热管道首末两端的温度、流量、音波和负压波模拟信号，以及对应的多源实际信号建立管道泄漏工况模型，进行管道泄漏的工况判断；

检测中心在判断管道泄漏工况后，基于管道多源模拟和实际运行数据和监测到高精度授时的压力波信号时间差建立管道泄漏定位模型，进行管道泄漏位置判断；

检测中心在判断管道泄漏位置后，基于管道多源模拟和实际运行数据建立管道泄漏量模型，进行管道泄漏量检测。

在本实施例中，所述采用机理建模和数据辨识的方法建立供热管道数字孪生模型，包括：

构建供热管道的物理实体模型、逻辑模型和仿真模型；其中，

所述逻辑模型的建立包括：依据供热管道物理实体的逻辑机理关系建立可控制的闭环逻辑模型，将物理模型映射至逻辑模型；

所述仿真模型的建立包括：基于采集的供热管道的运行数据、状态数据、物理属性数据搭建供热管道仿真模型，依据仿真模型输出预测值和实际值的误差大小对仿真模型的参数进行调优；所述仿真模型至少符合泄漏状态的管道流动阻力方程、质量守恒方程、压力损失方程和换热方程；

将所述物理实体模型、逻辑模型和仿真模型进行虚实融合，构建所述供热管道的物理实体在虚拟空间的系统级数字孪生模型；

将所述供热管道的多工况实时运行数据接入所述系统级数字孪生模型，采用反向辨识方法对所述系统级数字孪生模型的仿真结果进行自适应辨识修正，获得辨识修正后的供热管道数字孪生模型。

在本实施例中，所述通过多通道高精度授时单元进行待测压力波信号的高精度授时处理后并通过网络发送至检测中心，包括：

判断待测压力波信号是否满足5G TSN高精度时钟授时要求，若满足则开启5G TSN高精度授时；若不满足则判断是否满足北斗卫星授时要求，若满足则开启北斗卫星授时；否则开启GPS授时；

将通过高精度授时的待测压力信号通过网络发送至检测中心；

其中，所述GPS授时：通过GPS授时装置收到GPS卫星发送的信息后，根据协议规范提取出标准的时间信息，再将准确的时间信息加入到待测压力波信号中，进行时间授时校准；

所述北斗卫星授时：通过北斗卫星授时系统对压力变送器和动态压力变送器进行定位，根据定位将授时信息发送给压力变送器和动态压力变送器，提高时间同步的精度；所述北斗卫星授时系统包括北斗卫星系统以及北斗卫星接收机；所述北斗卫星系统包括多颗北斗卫星；所述北斗卫星接收机启动后搜索北斗卫星系统的卫星信号，当接收的卫星信号的个数满足预置条件时，对管道首末两端的压力变送器和动态压力变送器进行定位，再根据所述北斗卫星向压力变送器和动态压力变送器发送授时信息，压力变送器和动态压力变送器接收到授时信息后对本地时钟进行同步校准，使得自身的时间与北斗卫星系统的时间源同步；

所述5G TSN高精度授时：在5G TSN网络中，包括5G时间域和TSN时间域，5G主时钟和TSN主时钟相互独立，5G时间域内的各节点与5G主时钟保持同步，TSN时间域内的各节点与TSN主时钟保持同步，各节点中TSN转换器DS-TT和NW-TT将5G网络连接到TSN网络，同时感知两个不同时间域的时间，管道首末两端的压力变送器和动态压力变送器通过TSN网络实现时间同步；其中，5G作为TSN的网桥，支持TSN的下行时间同步，NW-TT模块同步于上游的TSN网络，获取TSN网络的时间同步信息，同时将TSN时间同步信息通过5G网络传输至DS-TT，DS-TT再将TSN的时间同步至下游的TSN终端，进行精确授时。

需要说明的是，在供热管道泄漏监测与定位技术中，管道两端的音波、流量、压力、温度是重要的判断依据，在实际的应用系统中，实时采集音波、流量、压力、温度等数据，当管道内某点发生泄漏时，需要通过多源数据、负压波传输到管段的时间差进行定位，因此必须保证用于分析的数据的起始时间保持一致，解决办法是在采集的数据内加入其被采集到的时间信息，为了保证时间的精准性和可靠性，采用多通道高精度授时单元进行待测压力波信号的高精度授时处理，包括GPS授时、北斗卫星授时和5G TSN授时，通过多通道冗余授时方法，提高了授时精度和稳定性；时间敏感网络TSN是实现低时延、高可靠和确定性传输的重要技术，5G TSN具有高精度时间同步技术创新，通过增强高精度的空口授时机制，使得DS-TT和NW-TT需要在指定的时间点将TSN数据转发，如果时间不一致，将不能满足数据转发要求。

在本实施例中，所述检测中心依据基于所述供热管道数字孪生模型模拟供热管道泄漏和管道正常操作调节产生的负压波模拟信号，以及供热管道实时检测的待测压力波信号建立管道泄漏诊断模型，进行管道泄漏的初步诊断，包括：

基于所述供热管道数字孪生模型模拟供热管道泄漏产生的负压波和对管道正常操作调节产生的负压波运行模式，获取对应的负压波模拟信号；

将负压波模拟信号和供热管道实时检测的待测压力信号作为管道泄漏诊断模型的训练样本；

将所述管道泄漏诊断模型的训练样本经过CEEMD处理后，并采用模糊熵算法对各分量进行熵值评价，重新组合成新的分量集；

将新的各分量通过IPSO-LSSVM进行预测，获得多个管道泄漏诊断预测分量；

将所述多个管道泄漏诊断预测分量进行叠加后获得管道泄漏的初步诊断结果。

在本实施例中，所述将所述管道泄漏诊断模型的训练样本经过CEEMD处理，包括：

将成对高斯白噪声加入到原始信号，表示为：

其中，x(t)为原始信号；

将

所述采用模糊熵算法对各分量进行熵值评价，重新组合成新的分量集，包括：

在样本熵算法的基础上，引入模糊隶属函数对分解的IMF分量和Re分量进行熵值计算，对计算结果相近的IMF进行重构获得新的分量集；

所述IPSO是改进的粒子群算法，包括：选择初始种群时引入粒距概念，防止陷入局部最优，

所述IPSO-LSSVM是通过改进的粒子群算法对LSSVM参数进行优化，包括：初始化每个粒子种群和计算每个粒子的适应度，设置当前最优位置和全局最优位置；当平均粒距D(t)和适应度方差σ

需要说明的是，粒子群算法在迭代初期，粒子会向全局最优解靠近，造成迭代初期收敛速度较快，迭代后期收敛速度较慢。为解决此问题，可根据种群中所有粒子适应值来判断种群当前状态。

在本实施例中，所述检测中心在诊断管道泄漏后，依据基于所述供热管道数字孪生模型模拟供热管道不同泄漏工况下产生的供热管道首末两端的温度、流量、音波和负压波模拟信号，以及对应的多源实际信号建立管道泄漏工况模型，进行管道泄漏的工况判断，包括：

检测中心在诊断管道泄漏后，基于所述供热管道数字孪生模型模拟供热管道不同泄漏工况，获取供热管道首末两端的温度、流量、音波和负压波模拟信号；所述不同泄漏工况包括管道小泄漏工况、中泄漏工况和大泄漏工况；

将所述供热管道首末两端的温度、流量、音波和负压波模拟信号和供热管道泄漏实时检测的温度、流量、音波和负压波多源历史实际信号作为管道泄漏工况模型的训练样本；

将所述管道泄漏工况模型的训练样本采用改进的VMD方法进行分解处理，获得若干个模态分量；

采用mRMR方法提取各模态分量预测模型的最佳输入特征集，作为每个分量预测模型的输入变量；

对各分量分别采用XGBoost网络进行模型训练，建立管道泄漏工况模型，获得各分量对应的管道泄漏工况预测结果，并叠加各分量预测值获得最终的管道泄漏工况预测结果。

在本实施例中，所述改进的VMD方法为采用麻雀优化算法SSA对VMD算法的分解数K和惩罚因子α进行优化，包括：

设置麻雀优化算法SSA的参数和初始种群，定义适应度值为能量误差E

将管道泄漏工况模型的训练样本作为原始信号进行VMD分解，并计算每只麻雀的适应度值；

更新麻雀个体的位置，比较各个位置对应的能量误差，不断更新最小适应度值；

循环迭代直至确定全局最小适应度值或达到最大迭代次数，输出最佳麻雀个体，即为VMD算法的最佳分解数K和惩罚因子α；

所述采用mRMR方法提取各模态分量预测模型的最佳输入特征集，包括：

从原始的管道泄漏工况模型的训练样本中设置特征数M，针对各模态分量采用mRMR准则依次从训练样本中选择M个特征，并将各预测分量的均方根误差R作为评价各分量预测模型的输入特征数影响预测效果优劣指标，进行最佳输入特征的选择；

所述mRMR准则表示为：

S是特征集合；S是维数；I(x

所述均方根误差R表示为：

α

需要说明的是，多个特征间的相关性和冗余性会降低预测的准确率，因此需要筛选和优化特征集合。mRMR是一种依靠互信息反映特征间相关性和冗余性的方法，若选取不同的特征组合作为预测模型输入参量，易出现特征冗余或特征信息不足的问题，因此需要进一步选出最佳特征集。VMD算法的分解数K设置过小会造成信息丢失，设置过大会导致分解过度，惩罚因子α影响每个模态分量的带宽，不同的带宽尺度影响信号的提取结果，由于实际待分解信号复杂多变，人为设置分解数K和惩罚因子α比较困难，并且容易导致分解结果的随机性，因此采用SSA算法优化VMD的参数，使得优化后的VMD方法具有更好的分解效果。

在本实施例中，所述检测中心在判断管道泄漏工况后，基于管道多源模拟和实际运行数据和监测到高精度授时的压力波信号时间差建立管道泄漏定位模型，进行管道泄漏位置判断，包括：

检测中心在判断管道泄漏工况后，基于所述供热管道数字孪生模型模拟供热管道该泄漏工况运行模式，获取该工况下供热管道首末两端的温度、流量、音波、负压波模拟信号和高精度授时的压力波信号时间差数据；

将所述供热管道首末两端的温度、流量、音波、负压波模拟信号和高精度授时的压力波信号时间差模拟数据，结合供热管道泄漏实时检测的温度、流量、音波、负压波历史实际信号、高精度授时的压力波信号时间差实际数据和管道首末两端的距离、压力波在管道中的传导速度、声波在管道中的传播速度作为管道泄漏位置的训练样本；

将所述管道泄漏位置的训练样本输入至XGBoost模型中挖掘重要特征；所述特征重要程度通过输入特征的分裂次数表明，分裂次数越多表明该特征重要程度越高，反之特征重要程度越低；

将挖掘的重要特征输入至由多目标蝗虫优化算法优化的LSTM模型中进行学习训练，建立管道泄漏定位模型，进行管道泄漏位置判断；

其中，所述通过多目标蝗虫优化算法优化的LSTM模型，包括：

初始化多目标蝗虫优化算法的参数，包括最大迭代次数、种群规模、蝗虫的上下边界的限定区间；

初始化蝗虫种群的位置，计算蝗虫适应度值，定义为：

更新蝗虫的位置和参数c，计算位置更新后的适应度，并与历史最优适应度值进行比较，如果优于历史最优适应度值，则更新；反之不更新；位置更新：

若迭代次数达到设置的上限值，将当前求得的参数作为LSTM模型的最优解，即为LSTM模型的学习率、迭代次数、隐藏层和神经元数量的最优参数；否则返回重新计算个体的适应度值。

在本实施例中，所述检测中心在判断管道泄漏位置后，基于管道多源模拟和实际运行数据建立管道泄漏量模型，进行管道泄漏量检测，包括：

检测中心在判断管道泄漏位置后，基于所述供热管道数字孪生模型模拟供热管道该泄漏位置的运行模式，获取该运行模式下供热管道首末两端的温度、流量、音波、负压波模拟信号；

将所述供热管道首末两端的温度、流量、音波、负压波模拟信号，结合供热管道泄漏实时检测的温度、流量、音波、负压波历史实际信号、压力波在管道中的传导速度、声波在管道中的传播速度、泄漏孔径、媒介密度作为管道泄漏量的训练样本；

将所述管道泄漏量的训练样本输入至由布谷鸟搜索算法优化后的GRU神经网络中进行学习训练后，建立管道泄漏量模型，进行管道泄漏量检测。

需要说明的是，通过布谷鸟搜索算法优化GRU神经网络包括：

初始化布谷鸟搜索算法的参数，包括鸟窝规模、最大迭代次数和被宿主鸟发现的最大概率，同时定义适应度函数为测试集均方误差，计算所有鸟窝适应度值；

全局搜索。在进行全局搜索时，保存上一代质量最好的鸟窝方位，并调整鸟窝方位，计算鸟窝的适应度值，将上一代劣质的鸟窝方位替换；调整鸟窝方位公式为：

为第i个鸟窝第t代的方位；/>

局部搜索。调整方位后，每个解产生一个随机数R，表示布谷鸟鸟蛋被发觉的几率，此时R与最大概率比较，若R小于最大概率，鸟窝不被抛弃，更新适应度，保留最优鸟窝，直至搜索结束；否则，此鸟窝被抛弃，产生一个新的鸟窝，表示为：

为随机鸟窝方位；

输出最优解。判断是否达到最大迭代终止条件或设置的误差，若满足该条件，输出最优解，否则返回全局搜索继续迭代；

将优化后的超参数输入GRU进行管道泄漏量预测。

实施例2

图3是本发明所涉及的一种融合压力波和高精度授时的供热管道泄漏检测系统结构示意图。

如图3所示，本实施例2提供了一种融合压力波和高精度授时的供热管道泄漏检测系统，所述供热管道泄漏检测系统包括：

管道数字孪生模型建立单元，用于采用机理建模和数据辨识的方法建立供热管道数字孪生模型；

压力波信号采集和授时单元，用于通过在供热管道首末两端设置的压力变送器和动态压力变送器获取实时检测的负压波信号和动态负压波信号，作为待测压力波信号，同时通过多通道高精度授时单元进行待测压力波信号的高精度授时处理后并通过网络发送至检测中心；所述多通道高精度授时单元包括GPS授时、北斗卫星授时和5G TSN高精度时钟授时；

管道泄漏初步诊断单元，用于检测中心依据基于所述供热管道数字孪生模型模拟供热管道泄漏和管道正常操作调节产生的负压波模拟信号，以及供热管道实时检测的待测压力波信号建立管道泄漏诊断模型，进行管道泄漏的初步诊断；

管道泄漏工况检测单元，用于检测中心在诊断管道泄漏后，依据基于所述供热管道数字孪生模型模拟供热管道不同泄漏工况下产生的供热管道首末两端的温度、流量、音波和负压波模拟信号，以及对应的多源实际信号建立管道泄漏工况模型，进行管道泄漏的工况判断；

管道泄漏位置检测单元，用于检测中心在判断管道泄漏工况后，基于管道多源模拟和实际运行数据和监测到高精度授时的压力波信号时间差建立管道泄漏定位模型，进行管道泄漏位置判断；

管道泄漏量检测单元，用于检测中心在判断管道泄漏位置后，基于管道多源模拟和实际运行数据建立管道泄漏量模型，进行管道泄漏量检测。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。