(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210855731.9 (22)申请日 2022.07.21 (71)申请人 西南石油大 学 地址 610000 四川省成 都市新都区新都大 道8号 (72)发明人 张剑　李梓涵　杨云　郝翱枭　 刘卓林　姚强　王文东　盛行　 李坤　肖禹涵　 (74)专利代理 机构 北京艾格律诗专利代理有限 公司 11924 专利代理师 谢毅 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06N 3/04(2006.01)G06K 9/62(2022.01) G01D 21/02(2006.01) (54)发明名称 一种基于神经网络的天然气计量检定智能 预测的方法 (57)摘要 本发明提供一种基于神经网络的天然气计 量检定智能预测的方法， 包括以下步骤： S1： 对于 天然气管道进行数据采集， 并对数据进行预处 理， 所述数据通过工作标准流量计、 核查流量计、 温度变送器、 压力变送 器、 在线色谱仪、 水露点分 析仪进行采集； S2： 对于流量、 温度和压力类型的 时间序列数据， 分别对流量、 温度和压力三个参 数进行时间序列预测； S3： 根据全部数据对天然 气管道进行总体风险评估。 本发 明将数据从两个 维度进行考虑， 以更精准的单参数时间序列数据 为基准来训练预测单参数模型， 以多参数平行时 序数据为基准来训练风险预警模 型， 可清晰地展 示出标准表 性能的变化趋势， 进而根据预测结果 为分站标准装置 完整性管理提供 数据支持。 权利要求书2页 说明书7页 附图2页 CN 115081741 A 2022.09.20 CN 115081741 A 1.一种基于神经网络的天然气计量检定智能预测的方法， 包括以下步骤： S1： 对于天然气管道进行数据采集， 并对数据进行预处理， 所述数据通过工作标准流量 计、 核查流量计、 温度变送器、 压力变送器、 在线色谱仪、 水露点分析仪进行采集； S2： 对于流量、 温度和压力类型的时间序列数据， 分别对流量、 温度和压力三个参数进 行时间序列预测； S3： 根据全部数据对天然气管道进行总体风险评估。 2.根据权利要求1所述的基于神经网络的天然气计量检定智能预测的方法， 其特征在 于： 步骤S1中， 所述对数据进行 预处理采用平 滑或删除离群点实现数据清洗 。 3.根据权利要求2所述的基于神经网络的天然气计量检定智能预测的方法， 其特征在 于： 所述平滑或删除离群点采用拉依达准则， 是先假设一组检测数据只含有随机误差， 对其 使用如下 标准差公式进行计算处 理得到标准偏差： 式中， Xi为现场采集的数据； μ为平均值； σ 为标准差； N为采集总数， 然后对于(u ‑3σ， u+3 σ )这个区间外的数据予以剔除。 4.根据权利要求1所述的基于神经网络的天然气计量检定智能预测的方法， 其特征在 于： 步骤S2 中， 对于经过预处理后的流量、 温度和 压力数据， 采集间隔为20分钟的时间序列 数据点。 5.根据权利要求1所述的基于神经网络的天然气计量检定智能预测的方法， 其特征在 于： 步骤S2 中， 时间序列预测使用Informer模型， 在进行一个固定窗的滚动预测时， 每个时 刻的输入为： 式中， 为每个时刻输入的参数值， Lx为当前输入序列的长度， 为实数集； i为1~Lx， 为自然数； 输出为需要预测的序列为： 式中， 为每个时刻输出的预测值， Ly为当前输出序列的长度， 为实数集， i为1~Lx， 为自然数。 6.根据权利要求5所述的基于神经网络的天然气计量检定智能预测的方法， 其特征在 于： 所述Informer模型的第一个结构为Encoder结构， 对Informer模型进行了稀疏性处理， 并且将原 始Attention公式修改为： 式中： Q、 K、 V分别是输入数据经过三个不同的全连接层产生的自注意力向量； 是经稀权　利　要　求　书 1/2 页 2 CN 115081741 A 2疏性处理的Q； KT为转置向量； d为输入维度； 在经过j层循环的自注意力 模块后， 在j到j+1层 之间加入最大池化层来降低维度， 最大 池化操作为： 式中， Conv1d是1维卷积层； ELU是一种神 经网络的激活函数； MaxPool为最大池化层计 算， 表示MaxPo ol层的输入序列， 即经 过j层自注意力模块的输出。 7.根据权利要求5所述的基于神经网络的天然气计量检定智能预测的方法， 其特征在 于： 所述Informer模型的第二个结构为Decoder结构， 由一个多头掩码注 意力模块层和一个 多头注意力层组成， 最后有一个全连接层， 全连接层输出的维度取决于要 预测的变量 维度， 整个Decoder结构的解码过程采用一次前向过程得到整个输出序列， 训练 时选用MS E作为损 失函数。 8.根据权利要求1所述的基于神经网络的天然气计量检定智能预测的方法， 其特征在 于： 步骤S 3中， 将平行时序所有 特征数据构成样 本集作为输入， 特征数据包括工作标准流量 计、 核查流量计、 每路温度变送器、 压力变送器、 在线色谱仪、 水露点分析仪采集的数据， 在 训练完XGBoost模型后， 通过对模型本身进行Shapley  value公式的计算， 最后模型输出天 然气管道下一个时刻的风险水平及各个特 征对这一预测所做贡献， 以百分比的形式呈现。权　利　要　求　书 2/2 页 3 CN 115081741 A 3