供热管网泄漏检测方法研究综述

  供热管网泄漏检测方法研究综述

鲁雪艳   武文斌   李通

大唐保定供热有限责任公司  河北省  保定市  071000

摘要：为了探索高效、低成本的城市供热管网泄漏检测方法，并考虑到油气管网和配水管网与供热管网的相似性，本文首先根据现有方法的技术特点，将其分为物理模型方法、数据驱动法和红外热感成像法，并对这三种方法进行了详细的分析和讨论。通过对比三种方法的优缺点，得出以下建议：物理模型法及数据驱动法，分别适用于一次管网和二次管网，可以结合两种方法，充分发挥SCADA系统的监控数据的价值，但需要解决数据的准确性问题。红外热感成像法现有供热系统的运行干扰最小，是最具前景的供热管网泄漏监测方法，对其研究的重点方向是在图像后处理方面通过高效的算法，提高图像识别的效率及准确性。

关键词：供热管网，泄漏监测，物理模型法，数据驱动法，红外热感成像法

0引言

供热管网是城市供热系统的重要组成部分，对于保障居民供暖和提高生活质量具有重要意义。然而，供热管网是整个供热系统的最薄弱环节。据统计80%的地下供暖系统运行事故的都是管网泄漏引起的[1]。在长期运行过程中，管道的老化、腐蚀、磨损以及人为破坏等因素致使泄漏事故时常发生，不仅影响供热系统的正常运行，影响供热质量、造成能量浪费，还可能对环境造成危害。当前，人工巡检的供热管道检漏方法在国内外应用较多，然而这种方法易受人为因素干扰，如经验不足、判断失误等[2]。因此，亟需探索一种高效的供热管网泄漏诊断手段，及时监测和定位泄漏点，以便迅速采取措施修复，确保供热系统的正常运行，避免或减少因泄漏带来的能源浪费和环境污染问题。

管网泄漏检测在工业领域一直是热门话题，在油气管网、配水管网和供热管网的从业者中广受关注。与供热管网相比，油气管网和配水管网的泄漏诊断技术研究较早，且更为成熟。这些方法通常分为“管道内部检测法”和“管道外部检测法”，或者“硬件检测法”和“软件检测法”[3]。硬件检测法是使用专门的设备或物体通过传感器对物质进行泄漏检测及定位，具有代表性的方法有光纤传感器法[4]、热感成像法[5]、管内探测球法[6]等；软件检测法是通过监测管道内实时的流量、压力等参数的动态变化，并采用一定的算法进行泄漏检测和定位，典型方法有负压波法[7]、声波法[8]、人工智能算法[9]等。

本文根据供热管网的技术特点，将当前的泄漏检测方法描述并分类为三类，分别分析和讨论这三种泄漏检测方法，找出它们的优缺点，并提出未来改进的建议。

1.供热管网的泄漏检测方法

随着供热管网供热的不断发展，近几十年来供热管网泄漏问题一直是众多研究的焦点。与油气管网和配水管网相比，供热管网在拓扑结构、介质和运行机制等方面在泄漏检测研究和实践中具有自己的特点。根据其突出的技术特点，将各种泄漏检测方法分为三类，如表1所示。

表1 供热管网三种泄漏检测方式总结

2.1物理模型方法

20世纪80年代，物理模型方法逐渐应用于供热管网。该方法最初采用稳态或瞬态物理模型来检测泄漏。其中最具代表性的是压力梯度法。如图1所示，P1为管段起始节点压力，P2为管段末端节点压力，R1为从起始节点到泄漏点的摩擦阻力比例，R2为从泄漏点到结束节点的摩擦阻力比例，L为管段的长度。当管网中没有发生泄漏时，压力图是沿着管道的直线。然而，当管段出现泄漏时，泄漏点前的水流会增加，导致压力梯度增大，摩擦立管增大。相反，泄漏点之后的水流量会减少。然后，压力梯度变小，摩擦力变低。因此，当管段发生泄漏时，管段中的压力图从直线变为折线。折线中的转折点可以确定为管段的泄漏点。根据管段中每个点的压力数据的变化，从泄漏段的前一个节点到泄漏点的距离可以按公式（1）计算。

（1）

图1 管道泄漏前后压力变化图

稳态模型建模原理简单方便，但精度较差。特别是管道流阻特征系数难以准确确定[10]。平面管网物理模型近年来得到了越来越多的研究和应用。由于模型在物理上代表了整个供热管网的内部运行机制，用户可以很容易地改变管网模型，以适应特定供热管网的不断修改[11]。K.E.Abhulimen和A.A.Susu提出并验证了基于Liapunov稳定性定理的模型在原油输送管道上的有效性。通过实验表明，压力差比流量差对泄漏更敏感，而大泄漏情况下流量差性能良好

[12, 13]。

瞬态模型比稳态模型具有更好的精度，可以克服较大的仪器误差。从概念上讲，这两种模型都估算了供热管网的正常状态，并使用压力梯度法在固定点将模拟数据与实测数据进行比较，以进行泄漏位置检测[14]。Peng等[15]对传统典型线法的差分方案进行了改进，对管道瞬态模型进行了从管道首尾和从管道尾部到管道头部的实时仿真，并对两种仿真结果进行对比，判断是否存在泄漏，确定泄漏位置。最后得出结论:该方法节省了仿真过程中从启动到稳定的时间，提高了仿真系统的适应性，解决问题的速度快。并能及时准确报警，定位误差小于1%。Yang等[16]将SCADA系统采集的实验管网运行数据与压力梯度法相结合进行泄漏定位。此外，提出了一种混合自适应遗传算法来修正管网模型中的管道阻力特征系数。X.J. Wang等[17]采用分析解法，提出了一种适用于管道泄漏的瞬态分析时域解决方案，可有效检测和定位管网中的泄漏故障，且适用于发生微小泄漏工况。

2.2.数据驱动方法

数据驱动方法是一种使用有效的数据分析和统计理论，将定期监测数据（如压力、流速等）与管道泄漏直接或间接相关的方法。负压波法在油气管网和配水管网中得到了广泛的应用。其优点是设备投资少，施工维护成本方便，缺点是检测精度差，不适用于小泄漏或间歇性泄漏。光纤传感器方法可以准确、及时地检测泄漏，但初期投资和维护成本较高[18]。

下面简单介绍负压波法确定泄漏点位置的方法，设某时刻管道在图2的泄漏点处发生泄漏，泄漏点距A传感器的长度为x，距B传感器的长度为l，声波的传播速度为v，负压波由泄漏点传到A、B传感器的时间差为Δt，则泄漏点定位公式为：

（2）

图2 负压波的管道泄漏定位原理图

目前大多数方法需要在管道中安装多个传感器，这增加了泄漏检测的成本。为了提高检测精度并减少所需传感器的数量，提出了传感器布局优化[19]。Yan等人[20]提出了一种将声学技术与管道壁振动分析相结合的燃气管道泄漏检测方法。首先，分析不同直径和运行压力下气体泄漏的声学特性。在谐波分析的基础上，利用ANSYS软件，对管道沿线不同泄漏孔位置的壁面振动进行了分析。最后将该方法进行现场试验。结果表明，结合振动检测模型，在降低误报率的同时，提高了对小泄漏的检测能力，误报率<5%，无遗漏。此外，平均定位误差为±200m，最小泄漏为0.9%，系统平均响应时间为1.6min。Liu等人[21]提出了一种基于混沌特征和LSSVM的石油管道低水平泄漏检测和定位方法。该方法的分类模型最初使用预处理的历史数据进行训练，其中使用高斯滤波器去除噪声。然后，通过分析管道内部的混沌特性，利用分类模型对在线负压波信号进行有效识别。

配水管网通常比石油/天然气管网提供更相关的研究和应用。Kim等人[22]提出了一种使用压力数据检测配水管网泄漏的方法。该方法采用卡尔曼滤波器来减轻噪声，同时计算平均法线压力和偏差，通过计算预处理数据的累积积分并应用基底函数来检测泄漏。当泄漏发生时，通过曲率半径对发生时间进行细化，从而可以使用该发生时间来估计泄漏位置，并使用两个不同的现场泄漏数据集和正常数据集进行统计方法验证。Yang等人[23]采用遗传算法对SCADA系统收集的压力数据进行优化，以消除测量误差引起的错误数据。因此，使用图论和来自SCADA系统的数据构建了泄漏检测系统。该泄漏检测系统包括三个主要步骤：收集优化的初始数据，将其存储为正常数据和参考值；收集实时数据并对其进行优化；以及将优化的实时数据与正常数据进行比较以确定是否存在泄漏。

数据驱动方法在供热管网中的研究和应用较少。文献[24]及[25]中提出了一种多传感器系统，包括负压波、流速等，以获取供热管网的多信号参数。该系统可以取代传统的单传感器信号系统，提高泄漏的可信度和检测率。采用基于证据理论的多传感器数据融合算法来确定泄漏。Gadd和Werner[26]提出了一种方法，该方法使用温差特征来检测温差故障，并为识别和减轻变电站故障提供质量保证。此外，该方法研究了一种自动抄表系统，以实现变电站和客户二次系统的连续调试，从而以最小的延迟检测温度故障。因此，供热管网的回水温度降低，同时一次能源消耗和环境影响也降低。同时，Lei等人[27]和Duan等人[28]分别提出采用神经管网和神经管网结合模糊算法建立供热管网泄漏条件识别模型。但这两种识别方法仅对三维仿真管网取得了良好的识别效果。没有实际应用的报告。

2.3. 红外热感成像法

该方法因其对温度变化，特别是温差的非侵入式准确检测而被应用于许多领域。由于采暖一般发生在冬季，因此内部介质与外部环境之间存在温差。一旦发生泄漏，泄漏点周围的地面温度会升高，并在热图像中表现出来。因此，该方法能够检测和定位供热管网的泄漏。其可行性和有效性已通过地面手持热像仪得到验证[30]。然而，对于大规模和复杂的管网来说，载人探测所需的资源和努力变得相对较大。许多供热地区很难进入。因此，提出了利用无人机的热像仪遥感对供热管网供热系统进行大规模监测。

该方法将拍摄的热感成像图形反馈至中央控制系统，并通过信号处理模块进行图像去噪和灰度梯度分析。当供热管道外保温层内的边界发生变化时，热感图像的灰度热值边界也会随之改变。此时，系统可以自动识别出温度突变区域，判断是否达到预设的温度突变阀值。如果判断出发生泄漏故障，系统将发出警报并反馈泄漏位置和泄漏时间。图3为红外热感成像技术诊断系统的流程图。

图3 红外热感成像技术诊断系统的流程图

由于目前的无人机技术和红外成像技术已经成熟，足以用于泄漏检测应用。Friman等[31]提出了完整的自动分析算法及相关程序。为实现自动识别，开发了一套自动图像处理软件。同时，本软件采用了简单的Adaboost分类器，并提供了一种建筑边缘分割方法。此外，该系统已在瑞士和挪威的一些城市应用。Berg和Ahlberg[32]进一步分别提出了随机森林分类器和机器学习技术对图像进行分类，并进一步研究了建筑边缘的确定。目前这一领域还需要进行更深入的理论和应用研究，重点在于：如何区分地面上的各种建筑物和非管道泄漏热源，以及如何提高分类器的精度，以提高泄漏预测，避免误报和误报。

2.4 三种方法对比

物理模型法通过仿真模型捕捉供热管网的整体运行情况，但需要使用SCADA系统的监控数据进行验证。数据驱动方法基于SCADA系统的部分监测数据来检测泄漏，需要从中估计未测量值。两种方法都需要对监测数据进行预处理以保证可靠性。两者都只使用SCADA数据库中的数据来分析和获得管网泄漏检测结果，不会干扰原有的SCADA系统。在非采暖季可以离线分析历史数据，在采暖季可以在线实时诊断。由于这两种方法都与SCADA监测数据密切相关，因此其管网泄漏检测结果都受到监测仪器精度的影响。

一次管网对运行性能和整个网络安全的影响大于二次管网，因此物理模型法主要适用于一次管网。同时，二次管网通常与自己的供热区相连接，该供热区包括许多建筑物，具有自己的供热特点，其水力条件受各种终端用户的影响较大。因此，数据驱动方法更适合于二次网利用二次系统SCADA的监测数据进行泄漏检测，包括换热站、二次网和终端用户楼宇的数据。

红外热感成像法对现有供热系统的运行干扰最小，只检测加热管道周围的温度场，不需要考虑监测仪器的准确性。该方法可以应用于整个网络，既可以应用于一次管网，也可以应用于二次管网。此外，它不仅可以检测和定位介质泄漏，还可以检测和定位由于管道保温不良而引起的局部热泄漏。然而，这种方法只能在采暖季节使用。红外热感成像法最重要的问题是通过高效的算法和后处理软件获得高质量的图像和准确的泄漏检测结果。

3结论

目前供热管网的泄漏检测方法分为三类：物理模型法、数据驱动法和红外热感成像法。本文介绍了三种方法的研究和应用情况，并对其优缺点进行了分析和比较。物理模型法虽然需要大量的建模工作，但是该方法具有较高的模型精度，可以反应整个管网的运行状况，更加适应于一次管网。数据驱动法可以适应不同的供热区和二次管网。将物理模型法与数据驱动法相结合，分别对一次管网和二次管网进行管道泄漏检测，可以综合两者的优点，充分利用SCADA监测数据。红外热感成像法，可以在不考虑管网拓扑和仪器精度的情况下，直接从温度场图像中获得泄漏检测结果。尽管该方法需要集供热、泄漏检测、红外热像、图像处理、无人机等知识于一体，但它无疑是最具前景的供热管网泄漏检测手段，在开发自动化的图像后处理软件方面需进行更多的研究。

参考文献

[1]刘圣冠, 贺凯, 翟鹏程, 等. 地下供热一次管网膨胀节泄漏监测系统设计与研发[J]. 电工技术, 2018(06):72-74.

[2]姜金海. 基于次声波的供热管道泄漏检测系统设计[D]. 东北石油大学, 2013.

[3]Datta S, Sarkar S. A review on different pipeline fault detection methods[J]. Journal of Loss Prevention in the Process Industries, 2016,41:97-106.

[4]Bhuiyan M A S, Hossain M A, Alam J M. A computational model of thermal monitoring at a leakage in pipelines[J]. International Journal of Heat and Mass Transfer, 2016,92:330-338.

[5]Zhou S, O'Neill Z, O'Neill C. A review of leakage detection methods for district heating networks[J]. Applied Thermal Engineering, 2018,137:567-574.

[6]李苏. 油气管道监测技术发展现状[J]. 油气储运, 2014,33(02):129-134.

[7]Lu W, Liang W, Zhang L, et al. A novel noise reduction method applied in negative pressure wave for pipeline leakage localization[J]. Process Safety and Environmental Protection, 2016,104:142-149.

[8]Liu C, Li Y, Yan Y, et al. A new leak location method based on leakage acoustic waves for oil and gas pipelines[J]. Journal of Loss Prevention in the Process Industries, 2015,35:236-246.

[9]贾文龙, 孙溢彬, 汤丁, 等. 基于支持向量机的输气管道泄漏压降信号智能识别方法[J]. 化工进展, 2022,41(09):4713-4722.

[10]秦绪忠, 江亿. 区域热网管网阻力系数的在线辨识与故障诊断[J]. 清华大学学报(自然科学版), 2000(02):81-85.

[11]K., Sartor, S., et al. Simulation and optimization of a CHP biomass plant and district heating network[J]. Applied Energy, 2014,130(Oct.1):474-483.

[12]Abhulimen K E, Susu A A. Liquid pipeline leak detection system: model development and numerical simulation[J]. Chemical Engineering Journal, 2004,97(1):47-67.

[13]Abhulimen K E, Susu A A. Modelling Complex Pipeline Network Leak Detection Systems[J]. Process Safety and Environmental Protection, 2007,85(6):579-598.

[14]杨开林郭宗周汪勋宋朝晖. 热力管网泄漏检测数学模型[J]. 水利学报, 1996(05):50-56.

[15]Peng S, Liu E. Oil and Gas Pipeline Leakage Detection Based on Transient Model: International Conference on Computational & Information Sciences[C], 2011.

[16]Yang X, Jia L, Wang S, et al. Based on pressure gradient model to determine leakage point in heating pipe network[J].

[17]Wang X J, Simpson A R, Lambert M F. An analytical solution for transients in a pipeline with variable boundary condition: leak detection in pipe networks using coded transients: 8th Annual Symposium on Water Distribution Systems Analysis[C], 2006.

[18]Chao-Qing Y, Xin-Feng P, Yan L. Status quo and prospect of pipeline leakage detection and location[J]. Journal of Daqing Petroleum Institute, 2006.

[19]Rashid S, Qaisar S, Saeed H, et al. A Method for Distributed Pipeline Burst and Leakage Detection in Wireless Sensor Networks Using Transform Analysis[J]. International Journal of Distributed Sensor Networks, 2015,2014:1-14.

[20]Yan X C. Gas pipeline leakage detection based on acoustic technology[J]. Engineering Failure Analysis, 2013.

[21]Liu J, Su H, Ma Y, et al. Chaos characteristics and least squares support vector machines based online pipeline small leakages detection[J]. Chaos Solitons & Fractals, 2016,91:656-669.

[22]Kim Y, Lee S J, Park T, et al. Robust Leakage Detection and Interval Estimation of Location in Water Distribution Network: IFAC International Symposium on Advanced Control of Chemical Processes[C], 2016.

[23]Xianliang Y, Lianlian J, Songling W. A Leakage Monitoring System of Pipeline in Heating Network[J]. Journal of Digital Information Management, 2013,11(6):462-469.

[24]王晓霞, 邹平华, 周志刚. 复杂空间热网的拓扑结构及水力过程仿真[J]. 系统仿真学报, 2005(03):563-566.

[25]姜春雷, 郭远博, 付兴涛, 等. 基于多传感器数据融合的供热管网泄漏检测技术[J]. 大庆石油学院学报, 2011,35(03):91-94.

[26]Gadd H, Werner S. Achieving low return temperatures from district heating substations[J]. Applied Energy, 2014,136:59-67.

[27]雷翠红, 邹平华. 供热管网的二级BP神经网络泄漏故障诊断[J]. 哈尔滨工业大学学报, 2011,43(02):75-79.

[28]段鹏飞, 段兰兰, 田琦. ANFIS在供热管网泄漏故障诊断中的应用[J]. 郑州大学学报(工学版), 2014,35(04):56-60.

[29]孙晓刚, 李云红. 红外热像仪测温技术发展综述[J]. 激光与红外, 2008(02):101-104.

[30]Axelsson, S. R J. Thermal modeling for the estimation of energy losses from municipal heating networks using infrared thermography[J]. IEEE Transactions on Geoscience & Remote Sensing, 1988,26(5):686-692.

[31]Friman O, Follo P, Ahlberg J, et al. Methods for Large-Scale Monitoring of District Heating Systems Using Airborne Thermography[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014,52(8):5175-5182.

[32]Berg A, Ahlberg J, Felsberg M. Enhanced analysis of thermographic images for monitoring of district heat pipe networks[J]. Pattern Recognition Letters, 2016,83(NOV.1):215-223.