轨交杂散电流对燃气管道影响预测的LSTM模型

2020-12-29詹淑慧

煤气与热力 2020年12期

张乾，詹淑慧，徐鹏

(北京建筑大学供热、供燃气、通风及空调工程北京市重点实验室，北京100044)

1 概述

1.1 研究背景

轨道交通在我国的一些大中型城市发展迅速，截至2017年末，中国内地已开通地铁的城市有34个，运营线路总里程达5 033 km，城市轨道交通路线165条。与此同时，随着我国十三五规划和清洁能源政策的大力推行，天然气在一次能源消费结构中的占比不断增长，埋地钢质燃气管道出现与轨道交通路线平行敷设、交叉穿越敷设的情况。

1969年10月1日北京地铁一期建成通车，投入运营后，其主体结构发现严重腐蚀，隧道内水管腐蚀穿孔，东段部分区段穿孔情况最严重，更换管道54处[1]。1999年广州地铁一号线开通后，中压燃气管网腐蚀抢修量从2000年起迅速增长，且持续高发[2]。2010年广州白云机场地铁开通后，机场航油管道阴极保护系统出现瘫痪，严重威胁安全[3]。国内诸多埋地管道都面临杂散电流的危害，如何预测轨道交通杂散电流所产生的腐蚀风险，并对其进行有效的预判和干预是实际生产中急需解决的问题。

轨交杂散电流的形成机理见图1。电流由牵引变电所正极产生，大部分经架空馈线、走行轨流回至牵引变电所负极，少部分从走行轨与地面绝缘不良位置泄漏入道床，经道床流入土壤，最后流入埋地钢质燃气管道，引起管道壁面的电化学反应，产生腐蚀。长期累积的持续腐蚀会造成壁面穿孔等严重问题[4]。

图1 轨交杂散电流的形成机理

1.2 研究现状

随着大数据技术的发展，分析处理海量管道建设维护数据成为可能。近年来，一些学者开始尝试使用数据挖掘技术对杂散电流的成因、控制、抵消等加以研究，但对于杂散电流的预测研究较少。

李威等人[5]提出用BP模型预测地铁杂散电流腐蚀的危险性。王少博[6]基于神经网络的预测方法，进行了接地网腐蚀率预测的应用研究。但用于预测杂散电流的腐蚀速度，BP神经网络模型的预测精度并不高。

有学者使用故障树评价法、模糊综合评价法和层次分析法等方法分析过燃气管道风险[7]，但这些方法在学习时序性规律时准确度欠佳。机器学习和深度学习则基于对海量历史数据进行挖掘并学习，因此相对于传统的学习方法，更能得到相对客观的评价结果[8]。1997年，Hochreiter等人[9]提出长短期记忆方法模型LSTM(Long Short-Term Memory)。2005年，Graves等人[10]进行了模型的改进和推广。

1.3 研究内容

本文对位于北京市的某段遭受轨道交通杂散电流影响的埋地钢质燃气管道在同一位置进行了连续监测，基于数据挖掘方法，运用LSTM方法建立杂散电流对埋地钢质燃气管道腐蚀影响的预测模型，对一定时间的通电电位进行监测，利用模型寻找其变化发展的规律，并将预测结果与实测数据进行了对比验证，从而为开发具有智能控制及反馈功能的排流设备打基础，达到防止杂散电流对燃气管道产生持续性干扰的效果，减少腐蚀泄漏。

2 LSTM模型的建立

LSTM为长短期记忆网络(Long Short-Term Memory)，是一种时间序列模型。时间序列分析是数据处理分析领域中的重点分支之一，其基于数理统计学和随机理论过程，将相同时间间隔的样本数据按照时间顺序排列，进行分析的一种数据处理方法[11]。时间序列分析法最大特点是数据的连贯性和相关性，因此可以依据历史数据预测未来数值。LSTM模型在处理时序性问题时准确度较高，应用范围广，是一种特殊的循环神经网络(Recurrent Neural Network，RNN)，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。所有RNN都具有神经网络的重复模块链的形式，其标准形式见图2，A表示神经网络模块，图2中有3个相同的神经网络模块，中间的神经网络模块展示了其具体的内部结构。每个神经网络模块只有1个tanh层作为激活层，每个神经网络模块中的tanh层的处理(以图2的中间神经网络模块为例)，是通过当前输入(xt)及上一时刻的输出(ht-1)来得到当前输出(ht)，利用上一时刻学习到的信息进行当前时刻的学习，以此类推。

图2 标准RNN模型

LSTM模型是在标准RNN模型基础上丰富了内部网络单元，将原本的1个网络层(tanh层)扩充为4个网络层(1个tanh层、3个σ层)，见图3。图3中每一个箭头代表携带了一个向量，从上一个节点的输出到下一个节点的输入；粉色圆圈代表逐点运算，如矢量的加法、乘法等；黄色框代表神经网络层，如tanh层、σ层；箭头的合并代表连接，箭头分叉代表其内容被复制。xt表示输入的向量，ht表示输出的向量，ct表示其中的神经元细胞的输出的向量。LSTM通过“门”(gate)来控制遗弃或者添加信息，从而实现遗忘或记忆的功能。“门”是一种使信息选择性通过的结构，由一个σ层和一个矢量的乘法操作组成。σ层的输出值在[0,1]区间，0代表完全遗弃，1代表完全通过。在学习过程中，这代表了对学习到的信息的过滤，将无用的学习信息丢弃，更新并添加有用的学习信息。因此，LSTM可以较好地弥补RNN可能出现的梯度错误、长期数据记忆能力局限的弊端。一个神经网络模块A查看输入xt并输出ht，多个神经网络模块依次相连接。因此LSTM以这种线性变换的形式，将信息以链式多层传递，最终输出。LSTM模型的训练过程可概括为4个环节：根据前向计算方法求出输出值；反向计算每个LSTM单元的误差项；根据相应误差项计算每个权重的梯度；应用基于梯度的优化算法更新权重。本文在选取基于梯度的优化算法时，选择了Adam算法，这种算法能对不同参数计算适应性学习率并且占用较少的储存资源。

图3 LSTM模型

本文使用深度学习框架keras(由Python编写的开源人工神经网络库)，建立LSTM模型。模型参数的设置采用keras的默认参数值，是框架通过多次调整参数确定的最优结果，在设计框架时为通用数值。在模型训练中，设定训练值与测试值的损失函数为均方误差损失函数，均方误差损失函数采用 L2 正则化，并将 L2 正则化权重设为 3。向后传播参数的更新器采用adam，更新器的学习率lr=0.001, 动量超参数分别为beta_1=0.9, beta_2=0.999。选择滑动窗口数值为4。

对某地遭受杂散电流干扰的钢质燃气管道在同一位置进行通电电位的持续监测，模型的输入是一段时间内的实际监测值，模型的输出是后一时刻的预测值。

3 实例分析

3.1 数据采集方法

对某地遭受杂散电流干扰的钢质燃气管道在同一位置进行通电电位的持续监测。测试管道公称直径为800 mm，材质为L485钢，采用3PE防腐层。依据GB/T 21246—2007《埋地钢质管道阴极保护参数测量方法》，选取推荐的准确率较高的试片检测法监测管道通电电位。

试片检测法检测原理见图4。用导线连接埋地钢质燃气管道的测试桩和一片与钢质燃气管道材料相同的标准测试片，形成电流通路。电流由埋地钢质燃气管道流向标准测试片，使标准测试片产生极化作用。在导线上安装电流中断器，通过操作中断器的开关，控制电路的通断。

图4 试片检测法检测原理

测量现场见图5。本文中论及的电位均相对于铜/饱和硫酸铜参比电极(CSE)。使用UDL-2型数据记录仪在管道与埋设的标准测试片充分极化的状态下，对埋地管道测试点的通电电位进行长时间同步连续监测。

图5 测试点测试现场

3.2 研究对象

在测试管道上选取某点作为研究对象，对该处测试桩的通电电位进行24 h数据采集。采集期为2018年3月31日10：00至2018年4月1日10：00，1 s采集一次数据。除去因断电测量断电电位的时间，共取得81 044个通电电位数据，得到原始通电电位随时间的分布见图6。

根据图6可以看出：3月31日23：55左右至4月1日5：25左右，轨交停车不运行，故该时段的通电电位近似为一条直线，保持在-1.2 V左右；其余时间段内，通电电位始终处于剧烈波动中，波动范围为-1.4～-0.7 V，表明受杂散电流干扰非常严重。此外，通电电位的变化趋势未形成明显规律，用传统的数学模型进行分析并预测是不妥的。但是数据的时间间隔固定为1 s，且按照时间顺序排列，具有连贯性，因此可以满足LSTM模型的时序性分析，可以采用LSTM模型。

3.3 实验数据的处理

为研究通电电位随时间的变化规律，在原始数据中随机选取一段时间的通电电位作为实验数据，本次选取的时间段为2018年3月31日15：14：42至15：20：09，1 s采集一次数据，共取得327个通电电位数据，经过发现并纠正数据文件中可识别的错误，检查数据一致性，处理无效值和缺失值等[12]，得到实验数据随时间的分布见图7。

图7 所选时间段内原始电位数据随时间的分布

由图7可知：在较短时间序列中，埋地钢质燃气管道的通电电位随时间仍有较大波动，每1 s的波动幅度不同、变化趋势未形成明显规律。将采集到的327个电位数据，按时间顺序以7∶3的比例划分为训练集和验证集，即前70%用于模型的训练，后30%用于训练后得到的预测进行验证，得到前229个数据作为训练集，后98个数据作为验证集。选择模型的滑动窗口大小为4，则训练集中共得到225组训练样本，例如将2018年3月31日15：14：42—15：14：45采集到的数据输入LSTM模型，LSTM模型的输出为2018年3月31日15：14：46的电位，以此类推。验证集中共得到94组验证样本，在预测时，例如输入2018年3月31日15：18：24—15：18：27的电位，则LSTM模型的输出即为2018年3月31日15：18：28的电位，以此类推。