CN120086545A 一种基于人工智能的氢气泄漏风险评估模型 （华电邹县发电有限公司）

(19)国家知识产权局(10)申请公布号CN120086545A(21)申请号202510584729.6(22)申请日2025.05.08GO6F18/213(2023.01)(71)申请人华电邹县发电有限公司驻地(邹县发电厂内)刘乃辉王光福林环李文哲(74)专利代理机构北京上禾挚诚知识产权代理GO6N3/084(2023.0(54)发明名称型(57)摘要本发明涉及风险评估技术领域，具体公开了一种基于人工智能的氢气泄漏风险评估模型，该块、泄漏速率预测与源点反演模块和泄漏演化模块；所述动态监控数据模块采集实时参数，并对因子序列；所述泄漏速率预测与源点反演模块利用滑动窗口和动态修正机制预测泄漏速率，并结合高斯烟羽模型和传感器数据反演氢气泄漏源的位置；所述泄漏演化模块展示高风险区域热图缺陷。动态监控数据模块动态监控数据模块风险特征提取模块泄漏速率预测与源点反演模块泄漏演化模块2块采集实时参数，并对实时参数进行预处理；所述风险特征提取模块引入1D-CNN和CNN-S1,通过氢气浓度传感器实时监测储氢设备中氢气浓度的变化，压力传感器监测储氢述动态监控数据模块采集的实时参数包括进氢总管的瞬时流量Qin(t)、排氢系统出口处的瞬时流量Qout(t)、定子冷却区域的压力P₁(t)、端盖区域的压力P₂(t)、机壳温度Tsh37.根据权利要求1所述的一种基于人工智能的氢气泄漏风险评估模型，其特征在于，所述风险特征提取模块的1D-CNN层通过卷积核扫描特征向量序列局部短期变化趋势，经非线性激活函数和最大池化层处理后输入CNN8.根据权利要求7所述的一种基于人工智能的氢气泄漏风险评估模型，其特征在于，所述CNN-LSTM融合神经网络的结构包括卷积层、LSTM层和全连接层，所述CNN-LSTM融合神经网络输出当前时间点的泄漏风险因子R(t),并生成风险因子序列9.根据权利要求1所述的一种基于人工智能的氢气泄漏风险评估模型，其特征在于，所述泄漏演化模块通过颜色渐变热图展示氢气浓度分布，标注泄漏源位置和扩散路径。4一种基于人工智能的氢气泄漏风险评估模型技术领域[0001]本发明涉及风险评估技术领域，更具体地说，本发明涉及一种基于人工智能的氢气泄漏风险评估模型。背景技术[0002]氢气主要用于发电机定子线圈的冷却，能够有效提高冷却效率并降低能耗。然而，氢气本身具有极强的扩散性和极高的易燃易爆特性，其最小点火能仅为0.02mJ,极限爆炸范围为4%~75%,一旦发生泄漏，极易导致火灾甚至爆炸等重大安全事故。[0003]现有公开文献1(停车场内氢能客车氢泄漏爆炸事故及风险分析，2024)公开了一种氢能客车氢泄漏爆炸事故及风险分析方法，该方法通过使用FLACS软件模拟关键部件(如TPRD和输氢管道阀门)失效后不同泄漏条件下的氢气扩散特性，分析氢气体积分数分布，并根据点火位置研究气云爆炸后的超压特性，最终量化事故影响范围和爆炸后果风险，提出防控建议。但是该方法无法对潜在风险进行提前预测。[0004]现有公开文献2(加氢站液氢泄漏后果分析及定量风险评估，2023)公开了一种基于定量风险评估方法，该方法通过CFD模拟获取液氢泄漏后的扩散、火灾和爆炸影响范围，然后结合失效概率、气象数据和人员分布等参数，计算各场景的风险值，并与国际常用的ALARP准则进行对比。但是该方法没有进行动态风险评估。[0005]因此，亟需一种能够提前预测潜在风险和进行动态风险评估，并能提升氢气使用安全性的氢气泄漏评估模型。发明内容[0006]为了克服现有技术的上述缺陷，本发明提供一种基于人工智能的氢气泄漏风险评列，利用滑动窗口和动态修正机制预测泄漏速率，结合高斯烟羽模型和传感器数据反演泄漏源位置，对泄漏风险动态评估，以解决上述背景技术中提出的问题。一种基于人工智能的氢气泄漏风险评估模型，包括动态监控数据模块、风险特征提取模块、泄漏速率预测与源点反演模块和泄漏演化模块；所述动态监控数据模块采集实经网络，生成泄漏风险因子序列；所述泄漏速率预测与源点反演模块利用滑动窗口和动态修正机制预测泄漏速率，并结合高斯烟羽模型和传感器数据预测氢气泄漏源的位置；所述泄漏演化模块展示高风险区域热图和泄漏源位置；所述泄漏速率预测与源点反演模块预测氢气泄漏的源位置，具体步骤如下：S1,通过氢气浓度传感器实时监测储氢设备中氢气浓度的变化，压力传感器监测储氢设备中的气压变化，风速传感器监测环境风速值，温度传感器监测环境温度值；S2,根据泄漏速率估算值Qleak(t)作为源强，结合环境风速值和环境温度值，使用5瞬时流量Qin(t)、排氢系统出口处的瞬时流量Qout(t)、定子冷却区域的压力P₁(t)、端盖区域的压力P₂(t)、机壳温度Tshel(t)、顶轴油压Vseal(t)、瓦振幅值A↓(t)和轴振幅值和全连接层，所述CNN-LSTM融合神经网络输出当前时间点的泄漏风险因子R(t),并生成风[0015]作为本发明进一步方案，所述泄漏演化模块通过颜色渐变热图展示氢气浓度分过动态监控数据模块实时采集和预处理关键参数，结合风险特征提取模块中的1D-CNN和6附图说明[0019]参阅图1所示的结构示意图，本发明实施例提供一种基于人工智能的氢气泄漏风入至发电机腔体的供气量。采用热试质量流量计对所述排氢系统出口处的瞬时流量量Qout(t)与所述进氢总管的瞬时流量Qin(t)联合可初步判断氢气的滞留变化情况：和端盖区域的压力P₂(t)之间的压差能够反映氢封系统的密封性能。通过分布式热电偶获降。所述顶轴油压Vseal(t)作为轴系支撑系统的运行状态参数密封系统。通过安装在轴承上的电涡流传感器获取瓦振幅值A,(t)与轴振幅值A,(t),7准化特征向量序列X={x₁,xX2,…,xn}。所述风险特征提取模块引入一维卷积神经网络(1D-依赖关系，再通过全连接层和Sigmoid激活函数输出风险因子R(t)∈[0,1],并以交叉熵损失函数衡量模型输出与真实标签之间的误差，所述交叉熵损失函数的计算公式为：8参数数值学习率优化器批量大小训练轮次早停启用[0025]整个训练过程中采用交叉验证方法对CNN-LSTM融合神经网络进行泛化能力评估，表2评估指标准确率精确率召回率响应延迟defrisk_prediction_model(X_input):X_pool=MaxPooling1D(pool_size=2)(X_cnn)X_lstm=LSTM(units=64,return_sequences=False)(X_pool)output=Dense(1,activati根据所述风险因子序列进行等级划分，若R(t)<0.3,则响应动作为正常运行，风险等级为0级(安全);若0.3<R(t)<0.6,则响应动作为黄灯闪烁，启动监测增强，风险等级为1级(预警);若0.6<R(t)<0.8,则响应动作为红灯报警，提示人工确认，风险等级为2级(可疑泄露);若R(t)>0.8,则响应动作为红灯持续，联动排氢操作，风险等级为3级(确定泄露)。[0027]进一步地，泄漏速率预测与源点反演模块利用滑动窗口和动态修正机制预测泄漏速率，并结合高斯烟羽模型和传感器数据反演氢气泄漏源的位置，包括：当泄漏速率预测与源点反演模块识别出2级及以上风险等级时，启动反演过程。所述反演过程包括：1、预测泄9[0028]氢冷发电机组在正常运行时，进氢总管的瞬时流量Qin(t)与排氢系统出口处的瞬时流量Qout(t)应保持动态平衡，而一旦发生氢气泄漏，未排出的部分有可能通过系统缝隙或密封失效部位泄漏出去，表现为Qin(t)>Qout(t)的不平衡现象。因此，泄漏速率通过构建质量守恒基础上的数学模型加以预测，计算公式为：,其中，Qleak(t)为时间t时刻系统氢气的泄漏速率估算值，Qin(t)为时间t时刻进氢总管的瞬时流量，Qout(t)为时间t时刻系统出口处的瞬时流量，为系统内部氢气体积的变化率；引入动态修一阶导数趋势分析相结合的策略，在动态变化环境下片段泄漏的真实性。系统以固定时间长度(10秒)构建滑动窗口，在每个窗口内对泄漏速率估算值Qleak(t)进行计算，得到该窗口内的平均泄漏速率值Qleak,若Qleak持续高于预设的泄漏报警阈值δ,说明在该时间段内，进排氢气之间存在流量不平衡趋势；同时，系统进一步引入对泄漏速率序列的一阶导数的计算，若导数值持续大于预设的趋势门限值ε,则判定当前泄漏存在，且具有增长风险。所述动态修正机制能够有效抑制以下三类误差：1、由单点尖峰误差或传感器跳变带来的虚假泄漏提示；2、因操作扰动导致的瞬时流量失衡；3、系统正常调节引起的平衡点短时漂移。[0029]在本实施例中，参阅图5,在大部分时间段内，进氢量和排氢量相对接近或相等，表明系统运作正常。然而，在某些时刻(例如2025-04-0200:00:30和2025-04-0200:01:30),进氢量与排氢量出现了明显差异，导致泄漏速率上升，这表明在这些时刻氢气发生了泄漏。特别是某些时段，如00:00:30,泄漏速率达到了较高的值(15.45Nm³/h),反映了泄漏的严[0030]在本实施例中，以下为泄漏速率估计模型的Python代码：TREND_SLOPE_EPSILON=0.1#MIN_SUSTAIN_DURATION=10#最短持续时间判据(单位秒)timestamp_buffer=[]#对应的时间戳列表defestimate_leak_rate(Q_in,Q_out,V_H2_current=None,V_H2_previous=None,use_V=False):Q_in:当前进氢量(Nm³/h)Q_out:当前排氢量(Nm³/h)V_H2_current:当前系统内部估算氢气体积V_H2_previous:上一个时间点的体积use_V:是否启用体积补偿模式(布尔值)return:当前估算的泄漏速率ifuse_VandV_H2_currentisnotNoneandV_H2_prdV_dt=(V_H2_current-V_H2_previoreturnmax(Q_leak,0)#不允许负泄漏速率defupdate_leak_detection(Q_in_t,Q_out_t,timestamp_t):globalleak_rate_buffer,timestamp_bufferQ_leak_t=estimate_leak_raleak_rate_buffer.append(timestamp_buffer.append(timestiflen(leak_rate_buffer)>WINDOW_SIZE:sustained_above_threshold=all(rate>THRESHOLD_LEAK_RATEforrasustained_duration=timestamp_buffer[-1]-timestamp_buffer[0]ifleniflen(leak_rate_buffer)>=2:slope=(leak_rate_buffer[-1]-leak_raifsustained_above_thresholdandsustained_duraalert_leak_detected(Q_ledefalert_leak_detected(Q_leak_est):defcontinue_monitoring(Q_leak_est):所述泄漏速率预测与源点反演模块通过采集多点传感器S1,通过氢气浓度传感器实时监测储氢设备中氢气浓度的变化，压力传感器监测11泄漏速率估算值Qleak(t)作为源强，结合环境风速值和环境温度值，计算高斯烟羽模型中的第一扩散系数σ1和第二扩散系数σ2,进而使用高斯烟羽模型模拟氢气在空间中随时间的浓度分布变化。[0032]S3,在氢气泄露发生后，分布在储氢设备周围的氢气浓度传感器记录不同位置的实时浓度值，将所述实时浓度值与预设的理论浓度值进行对比；通过构建误差函数，将各传感器位置处的实际浓度与理论值之间的平方差累加，并采用梯度下降法计算出最小化误差函数的泄漏源位置坐标。[0033]在使用梯度下降法优化误差函数时，计算误差函数相对于泄漏源位置的梯度，梯度是误差函数在不同方向上的变化率，反映了每个方向上误差的敏感程度；根据梯度的反方向调整泄露源的位置，即沿着误差减少的方向前进；