[發明專利]一種智慧燃氣管理系統及方法

有效

• 申請號: 202110349249.3
• 申請日: 2021-03-31
• 公開（公告）號: CN112884250B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 楊大松
• 申請（專利權）人: 楊大松
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G01D21/02
• 代理公司: 重慶強大凱創專利代理事務所(普通合伙) 50217
• 代理人: 趙玉乾

1.一種智慧燃氣管理系統，其特征在于：包括：

數據獲取模塊：用于獲取各個燃氣節點的燃氣數據，所述燃氣節點包括門站、檢測站、壓力表和用戶氣表，所述燃氣數據包括壓力值、流通量和燃氣用量；

電動閥門控制模塊：用于門站中的流通量達到供氣閾值時，關小門站中的電動閥門；

泄漏檢測模塊：用于根據燃氣節點的燃氣數據，檢測是否發生燃氣泄漏；

所述數據獲取模塊包括日歷獲取模塊、燃氣數據獲取模塊和數據整合模塊：

所述日歷獲取模塊：用于獲取日期信息，所述日期信息包括是否為工作日；

所述燃氣數據獲取模塊：用于獲取燃氣數據，根據所有用戶當日的燃氣用量，生成用戶當日的燃氣總用量；

所述數據整合模塊：用于整合日歷獲取模塊獲取的日期信息和燃氣數據獲取模塊獲取的燃氣數據、生成的燃氣總用量；

閾值生成模塊：用于根據當日的燃氣用量生成次日的供氣閾值，所述供氣閾值生成的方式包括：根據當日各個用戶的燃氣用量，生成當日燃氣總用量，根據當日燃氣總用量，生成次日門站的供氣閾值；具體的，將用戶當日的燃氣總用量作為初始值，閾值生成模塊中存有增長閾值、持平閾值和減少閾值，當日為工作日，次日為非工作日時，將初始值與增長閾值之和作為次日門站的供氣閾值；當日和次日均為工作日或非工作日時，將初始值與持平閾值之和作為次日門站的供氣閾值；當日為非工作日，次日為工作日時，將初始值與減少閾值之和作為次日門站的供氣閾值；

所述泄漏檢測模塊包括模型建立模塊和判定模塊：

所述模型建立模塊：用于通過人工智能的方式，根據檢測的燃氣節點的燃氣數據，預測下一燃氣節點的燃氣數據，將檢測的燃氣節點的壓力值和流通量作為輸入層的輸入，預測的下一節點的壓力值和流通量為輸出層的輸出；

模型建立模塊獲取數據整合模塊中門站、各檢測站的流通量、壓力值和溫度；模型建立模塊包括BP神經網絡模塊，用于根據檢測數據，生成下一燃氣節點的燃氣數據；BP神經網絡模塊包括BP神經網絡模型，BP神經網絡模塊使用BP神經網絡技術來對下一燃氣節點的燃氣數據進行預測，具體的首先構建一個三層的BP神經網絡模型，包括輸入層、隱層和輸出層，以檢測的燃氣節點的壓力值、流通量和溫度作為輸入層的輸入，因此輸入層有3個節點，而輸出是對下一燃氣節點的壓力值、流通量和溫度的預測，因此共有3個節點；針對于隱層，采用以下公式來確定隱層節點的數量：其中l為隱層的節點數，n為輸入層的節點數，m為輸出層的節點數，a為1至10之間的一個數；BP神經網絡采用Sigmoid可微函數和線性函數作為網絡的激勵函數；采用S型正切函數tansig作為隱層神經元的激勵函數；預測模型采用S型對數函數tansig作為輸出層神經元的激勵函數；在BP網絡模型構建完畢后，利用歷史數據中的燃氣數據作為樣本對模型進行訓練；

所述判定模塊：用于根據檢測的下一節點的燃氣數據和預測的下一節點的燃氣數據，判定是否發生燃氣泄漏，并生成判定結果。

2.根據權利要求1所述的智慧燃氣管理系統，其特征在于：還包括提示模塊，用于判定結果為發生燃氣泄漏時，發出提示。

3.根據權利要求2所述的智慧燃氣管理系統，其特征在于：所述提示模塊包括蜂鳴器和指示燈。

4.一種智慧燃氣管理方法，其特征在于：包括以下步驟：

數據獲取步驟：獲取各個燃氣節點的燃氣數據，所述燃氣節點包括門站、檢測站和用戶氣表，所述燃氣數據包括壓力值、流通量和燃氣用量；

電動閥門控制步驟：門站中的流通量達到供氣閾值時，關小門站中的電動閥門；

泄漏檢測步驟：根據燃氣節點的燃氣數據，檢測是否發生燃氣泄漏；

所述數據獲取步驟包括日歷獲取步驟、燃氣數據獲取步驟和數據整合步驟：

所述日歷獲取步驟：獲取日期信息，所述日期信息包括是否為工作日；

所述燃氣數據獲取步驟：獲取燃氣數據，根據所有用戶當日的燃氣用量，生成用戶當日的燃氣總用量；

所述數據整合步驟：整合日歷獲取步驟獲取的日期信息和燃氣數據獲取步驟獲取的燃氣數據、生成的燃氣總用量；

閾值生成步驟：根據當日的燃氣用量生成次日的供氣閾值，所述供氣閾值生成的方式包括：根據當日各個用戶的燃氣用量，生成當日燃氣總用量，根據當日燃氣總用量，生成次日門站的供氣閾值；具體的，將用戶當日的燃氣總用量作為初始值，閾值生成步驟中存有增長閾值、持平閾值和減少閾值，當日為工作日，次日為非工作日時，將初始值與增長閾值之和作為次日門站的供氣閾值；當日和次日均為工作日或非工作日時，將初始值與持平閾值之和作為次日門站的供氣閾值；當日為非工作日，次日為工作日時，將初始值與減少閾值之和作為次日門站的供氣閾值；

所述泄漏檢測步驟包括模型建立步驟、判定步驟和提示步驟：

所述模型建立步驟：通過人工智能的方式，根據檢測的燃氣節點的燃氣數據，預測下一燃氣節點的燃氣數據，將檢測的燃氣節點的壓力值和流通量作為輸入層的輸入，預測的下一節點的壓力值和流通量為輸出層的輸出；

模型建立步驟，獲取數據整合步驟中門站、各檢測站的流通量、壓力值和溫度；模型建立步驟采用BP神經網絡模塊，用于根據檢測數據，生成下一燃氣節點的燃氣數據；BP神經網絡模塊包括BP神經網絡模型，BP神經網絡模塊使用BP神經網絡技術來對下一燃氣節點的燃氣數據進行預測，具體的首先構建一個三層的BP神經網絡模型，包括輸入層、隱層和輸出層，以檢測的燃氣節點的壓力值、流通量和溫度作為輸入層的輸入，因此輸入層有3個節點，而輸出是對下一燃氣節點的壓力值、流通量和溫度的預測，因此共有3個節點；針對于隱層，采用以下公式來確定隱層節點的數量：其中l為隱層的節點數，n為輸入層的節點數，m為輸出層的節點數，a為1至10之間的一個數；BP神經網絡采用Sigmoid可微函數和線性函數作為網絡的激勵函數；采用S型正切函數tansig作為隱層神經元的激勵函數；預測模型采用S型對數函數tansig作為輸出層神經元的激勵函數；在BP網絡模型構建完畢后，利用歷史數據中的燃氣數據作為樣本對模型進行訓練；

所述判定步驟：根據檢測的下一節點的燃氣數據和預測的下一節點的燃氣數據，判定是否發生燃氣泄漏，并生成判定結果；

所述提示步驟：判定結果為發生燃氣泄漏時，發出提示。