作者：焦建瑛，张涛，王嵩梅， 何少平，任立坤，陈鹏第一作者单位：北京市燃气集团有限责任公司
摘自《煤气与热力》2021年3月刊
1 概述 随着社会经济发展，天然气在我国经济和能源生产中的地位越来越重要。作为城市公共基础设施的主要组成部分，城镇燃气管道安全运行不仅关系城市经济发展，更关系到居民的生命财产安全［1］。 我国城市大部分燃气管道的服役时间已超出30 a，正逐步进入事故多发阶段［2］。因此，有效评估燃气管道泄漏风险非常必要。为了更好地评估燃气管道的健康状况，相关部门采取了很多的检测措施，在特定时期内对燃气管道腐蚀程度进行检测。但检测需要耗费大量的人力物力，且存在检测频率低等问题［3］。本文以燃气管道泄漏风险影响因素为出发点，建立燃气管道泄漏风险评价体系。 2 体系架构 燃气管道泄漏风险评价体系包括风险预测层、风险筛查层、风险预警层，架构见图1。风险预测层：将泄漏风险影响因素归纳为10个风险强度指标，对评价时间段内各风险强度指标进行评分，量化评价风险强度指标。风险筛查层：基于风险强度指标评分，计算综合风险得分，对高风险区域进行筛查，并量化各风险强度指标的风险强度贡献度。风险预警层：在时序上实现快速迭代，对未来综合风险得分做出预判，以实现风险预警。 
图1 燃气管道泄漏风险评价体系架构
3 风险预测层 通过整合燃气管道泄漏风险影响因素，并结合燃气管道泄漏事故原因［4］，将燃气管道泄漏风险影响因素归纳为10个风险强度指标：杂散电流风险强度、土壤腐蚀性风险强度、防腐层风险强度、管道本体风险强度、庭院管道环境风险强度（仅适用于庭院管道）、地面沉降风险强度、地质扰动风险强度、天气风险强度、施工风险强度、穿跨越风险强度。 3.1 评价单元 在实际工程中，由管网编号（由压力级制编码、测量编码、顺序码、地区编码等组成）描述的管段是燃气管道的最小单元，由于管段长度过短，将管段作为风险评价单元并不合适。因此，将由多条管段组成的评价单元作为燃气管道泄漏风险评价体系的评价对象。 通常，评价单元可分为固定长度单元、可变长度单元［5］。本文采用可变长度单元，并将管道分为庭院管道、庭院外管道：庭院管道以小区燃气管道作为评价单元，庭院外管道以若干分配管段作为评价单元。
3.2 风险强度指标
3.3 评价单元数据融合 第k（k=1~10）个风险强度指标的风险强度值Sk的计算式为：
4 风险筛查层 4.1 高风险区域筛查 基于风险强度指标评估燃气管道泄漏风险的问题属于有监督学习，高风险区域筛查的一般步骤为：①统计各风险强度上的事件数。②标注标签：将泄漏样本标记为1，未泄漏样本标记为0。③样本对照组数据集整理：正样本集是发生管道泄漏事件的样本集，负样本集是未发生管道泄漏事件的样本集。④模型训练：确定训练集、验证集和测试集。本研究中的正负样本分布不均衡，生成训练集时采用的是组合-集成方法，反复多次抽取与正样本数相同的负样本，采用随机森林模型建立泄漏风险二分类模型［6］。⑤泄漏风险评价：将二分类预测时的输出概率作为评价单元对应的综合风险得分。综合风险得分越高，则表明该评价单元的泄漏风险可能性越大。 4.2 各风险强度指标的风险强度贡献度
5 风险预警层 风险预警层并不是对某一风险强度指标进行预警，而是对评价单元的综合风险得分进行预警。在时序上实现快速迭代，基于风险时序数据对未来风险得分做出预判，实现风险预警。 6 结语 伴随着机器学习技术的发展，利用内外部的时空大数据，由宏观至微观，由预测筛查至预警的城镇燃气管道泄漏风险评价得以实现。软检测技术对大量容易测量的过程数据和外部数据进行有监督学习，突破传统风险预测技术的小样本、贫信息等限制，有效预测复杂的多因素耦合泄漏风险的发生和发展趋势。 以燃气管道泄漏风险影响因素为出发，建立包括风险预测层、风险筛查层、风险预警层的燃气管道泄漏风险评价体系。可实现对评价时间段内各风险强度指标进行评分，量化评价风险强度指标。基于风险强度指标评分，计算综合风险得分，对高风险区域进行筛查，并量化各风险强度指标的风险强度贡献度。在时序上实现快速迭代，对未来综合风险得分做出预判，以实现风险预警。 本研究由北京市燃气集团有限责任公司“燃气管道泄漏风险耦合软检测模型研究与应用示范”项目提供资助。
参考文献：
［1］陈利民，胡勇.浅析合肥燃气居民户内安全风险和安检措施［J］.城市燃气，2017（9）：24-28.
［2］王春雪，吕淑然.我国燃气爆炸研究现状及热点前沿可视化分析［J］.消防科学与技术，2016（11）：1620-1623. ［3］刘新想，杨永超，范建全.燃气管道检测技术［J］.化工管理，2016（27）：95. ［4］贾雁群，李连星，叶茂，等.燃气管网泄漏事故原因分析与预防措施［J］.煤气与热力，2005（7）：59-61. ［5］马涛，於孝春，沈士明.埋地管道风险评价单元划分方法［C］//第一次全国工程风险分析技术学术会议论文集.南京：中国石化股份有限公司，2012：197-202. ［6］ANTON S D D，SINHA S，SCHOTTEN H D. Anomaly-based intrusion detection in industrial data with SVM and Random Forests［J］. Cryptography and Security，2019（7）：1-6.
