一种氢气泄漏态势预测模型建模方法及装置与流程

本技术涉及氢能安全防控，尤其涉及一种氢气泄漏态势预测模型建模方法及装置。

背景技术：

1、移动式氢能发电装置具有零碳、低噪音、高效率等优点，是未来应急电源的发展方向。然而，目前在复杂场景下针对移动式氢能发电装置氢泄漏的安全监测和控制手段较为匮乏，储氢罐泄漏产生的气云燃爆风险难以评估，相应的防控策略和手段也不完善，成为制约移动式氢能发电装置未来大规模应用的瓶颈。

2、现有的氢泄漏防控系统主要通过在一定空间内安装一定数量氢气浓度传感器、氢泄漏预警主机等设备对氢泄漏后进行预防。但这种防控方式只能在泄漏事件发生后通过传感器采集的数据准确地展示实时的氢泄漏情况，无法对氢泄漏事件的时空演变情况进行有效模拟，使得工作人员无法更有针对性的制定氢泄漏防控策略，限制了氢泄漏防控安全性的进一步提升。

技术实现思路

1、本技术提供了一种氢气泄漏态势预测模型建模方法及装置，用于解决现有的氢泄漏防控无法对氢泄漏事件的时空演变情况进行有效模拟，限制了氢泄漏防控安全性的进一步提升的技术问题。

2、为解决上述技术问题，本技术第一方面提供了一种氢气泄漏态势预测模型建模方法，包括：

3、获取历史氢气泄漏事件的测量数据，预设的泄漏风险指标信息以及不同泄漏风险指标间信息的层级体系信息；

4、根据所述测量数据，分别计算所述各项泄漏风险指标信息的第一权重；

5、根据所述层级体系信息，构建得到对应每一层级的指标判断矩阵，其中，所述指标判断矩阵中包含有所述风险指标集合中任意指标间的重要程度对比结果；

6、根据所述指标判断矩阵，分别计算各项泄漏风险指标信息的第二权重；

7、根据所述风险指标数据矩阵和第一权重，确定各个泄漏风险指标与指标最劣解之间的相对距离程度，并根据所述相对距离程度和第二权重，得到相对风险识别结果；

8、根据所述相对风险识别结果和所述测量数据，对预设的模糊神经网络进行训练，得到氢气泄漏态势预测模型。

9、优选地，所述根据所述风险指标数据矩阵，通过熵权法，分别计算所述各项泄漏风险指标信息的第一权重具体包括：

10、对所述风险指标数据矩阵的元素进行归一化处理；

11、基于归一化后的元素数值，结合预设的指标熵值计算式，计算各项泄漏风险指标信息的熵值；

12、根据所述各项泄漏风险指标信息的熵值，结合预设的熵值权重计算式，得到所述各项泄漏风险指标信息对应的第一权重。

13、优选地，所述根据所述指标判断矩阵，通过层次分析法，分别计算各项泄漏风险指标信息的第二权重之前还包括：

14、根据所述指标判断矩阵的最大特征值和矩阵阶数，结合预设的一致性比例计算式，得到所述指标判断矩阵的一致性校验结果，若一致性校验结果通过，则根据所述指标判断矩阵，通过层次分析法，分别计算各项泄漏风险指标信息的第二权重。

15、优选地，所述根据所述标准化矩阵，结合所述第一权重，通过优劣解距离法，确定各个泄漏风险指标与指标最劣解之间的相对距离程度具体包括：

16、根据所述标准化矩阵中的各个元素，确定所述各项泄漏风险指标信息最优解和最劣解；

17、根据所述最优解和最劣解，结合所述第一权重，计算同一项泄漏风险指标信息的各项指标数据与最优解、最劣解的距离值，分别得到最优解距离和最劣解距离；

18、根据所述最劣解距离与最优解距离和最劣解距离之和的比值，确定所述泄漏风险指标与指标最劣解之间的相对距离程度。

19、优选地，所述通过所述氢气泄漏态势预测模型，结合现场实测得到的实测数据，得到氢气泄漏态势预测结果具体包括：

20、获取现场实测得到的实测数据，将所述实测数据输入所述氢气泄漏态势预测模型，通过所述氢气泄漏态势预测模型的运算，得到氢气泄漏态势预测结果。

21、优选地，所述根据所述测量数据，分别计算所述各项泄漏风险指标信息的第一权重具体包括：

22、根据所述测量数据和所述泄漏风险指标信息，构建风险指标数据矩阵；

23、根据所述风险指标数据矩阵，通过熵权法，分别计算所述各项泄漏风险指标信息的第一权重。

24、优选地，所述根据所述层级体系信息，构建得到对应每一层级的指标判断矩阵具体包括：

25、根据所述层级体系信息，将同一层级的风险指标归为同一个风险指标集合，以得到若干个风险指标集合，再分别构建各个风险指标集合对应的指标判断矩阵。

26、优选地，根据所述风险指标数据矩阵和第一权重，确定各个泄漏风险指标与指标最劣解之间的相对距离程度，并根据所述相对距离程度和第二权重，得到相对风险识别结果具体包括：

27、对所述风险指标数据矩阵进行数据标准化处理，得到标准化矩阵，再根据所述标准化矩阵，结合所述第一权重，通过优劣解距离法，确定各个泄漏风险指标与指标最劣解之间的相对距离程度，并将所述相对距离程度与所述第二权重的乘积，得到相对风险识别结果。

28、优选地，所述根据所述相对风险识别结果和所述测量数据，对预设的模糊神经网络进行训练，得到氢气泄漏态势预测模型具体包括：

29、根据所述相对风险识别结果中的氢泄漏最高风险事件进行故障树分解，得到最高风险事件的若干个基本部件失效事件，再将所述测量数据、所述基本部件失效事件和所述氢泄漏最高风险事件作为训练集，对预设的模糊神经网络进行训练，得到包含有基本部件失效事件与测量数据关联关系以及测量数据与氢泄漏风险事件关联关系的氢气泄漏态势预测模型。

30、同时，本技术第二方面提供了一种氢气泄漏态势预测模型建模装置，包括：

31、历史数据获取单元，用于获取历史氢气泄漏事件的测量数据，预设的泄漏风险指标信息以及不同泄漏风险指标间的层级体系信息；

32、第一权重计算单元，用于根据所述测量数据，分别计算所述各项泄漏风险指标信息的第一权重；

33、第二矩阵构建单元，用于根据所述层级体系信息，构建得到对应每一层级的指标判断矩阵，其中，所述指标判断矩阵中包含有所述风险指标集合中任意指标间的重要程度对比结果；

34、第二权重计算单元，用于根据所述指标判断矩阵，分别计算各项泄漏风险指标信息的第二权重；

35、相对风险识别单元，用于根据所述风险指标数据矩阵和第一权重，确定各个泄漏风险指标与指标最劣解之间的相对距离程度，并根据所述相对距离程度和第二权重，得到相对风险识别结果；

36、预测模型生成单元，用于根据所述相对风险识别结果和所述测量数据，对预设的模糊神经网络进行训练，得到氢气泄漏态势预测模型。

37、从以上技术方案可以看出，本技术具有以下优点：

38、本技术的方案先通过获取历史氢气泄漏事件的测量数据，预设的泄漏风险指标信息以及不同泄漏风险指标间的层级体系信息，然后根据测量数据和泄漏风险指标信息，构建风险指标数据矩阵，并通过熵权法，分别计算各项泄漏风险指标信息的第一权重，再根据层级体系信息，将同一层级的风险指标归为同一个风险指标集合，从而分别构建各个风险指标集合对应的指标判断矩阵，再通过层次分析法，分别计算各项泄漏风险指标信息的第二权重，然后，基于该第一权重和第二权重，通过优劣解距离法，确定各个泄漏风险指标与指标最劣解之间的相对距离程度，并将相对距离程度与第二权重的乘积，得到相对风险识别结果，根据相对风险识别结果中的氢泄漏最高风险事件进行故障树分解，得到最高风险事件的若干个基本部件失效事件，再将测量数据、基本部件失效事件和氢泄漏最高风险事件作为训练集，对预设的模糊神经网络进行训练，得到包含有基本部件失效事件与测量数据关联关系以及测量数据与氢泄漏风险事件关联关系的氢气泄漏态势预测模型。在实际应用过程中，只需要利用现场的传感器件，将采集到的实测数据输入到搭建好的氢气泄漏态势预测模型，以通过氢气泄漏态势预测模型中的先验知识的运算，便可得到氢气泄漏态势预测结果，解决了现有的氢泄漏防控无法对氢泄漏出现后的浓度时空演变情况进行有效模拟，限制了氢泄漏防控安全性的进一步提升的技术问题。