肖麗 錢(qián)濟人 范文峰 李園

浙江浙能天然氣運行有限公司

摘  要：隨著(zhù)管網(wǎng)和城市化的快速發(fā)展，天然氣管道穿越人口密集區的情況日益突出，沿線(xiàn)各級政府要求管道企業(yè)全面開(kāi)展人員密集型高后果區識別和風(fēng)險評價(jià)工作。傳統的人工識別方法存在數據采集困難、準確度不高、效率低等缺點(diǎn)，無(wú)法滿(mǎn)足企業(yè)實(shí)際需求。浙江浙能天然氣運行有限公司充分利用現有的遙感影像（DOM）和線(xiàn)劃圖（DLG），采用數據挖掘方法實(shí)現了高后果區的有效識別。

關(guān)鍵詞：高后果區識別；建筑數據矢量化； DBSCAN聚類(lèi)算法

浙江省經(jīng)濟發(fā)達，土地資源緊張，天然氣管道周?chē)�人口密集，形成了大量高后果區，一旦發(fā)生泄漏爆炸事故，將會(huì )給人民生命和財產(chǎn)帶來(lái)巨大損失。

輸氣管道高后果區分級的前提是統計管道中心線(xiàn)兩側至少200米范圍內的所有建筑數據，傳統人工現場(chǎng)識別方法識別時(shí)間長(cháng)、成本高、質(zhì)量低，耗費大量人力、物力、財力，已無(wú)法與企業(yè)提質(zhì)增效的目標相適應，如何準確高效識別管道高后果區成為必須思考與解決的問(wèn)題。

基于數據挖掘的天然氣管道高后果區識別系統（以下簡(jiǎn)稱(chēng)識別系統）依托于智慧油氣管網(wǎng)建設，通過(guò)將天然氣管道與大數據分析相結合，采取建筑數據矢量化的創(chuàng )新方式進(jìn)行數據采集，基于密度的DBSCAN聚類(lèi)算法高效智能準確地完成高后果區識別工作，實(shí)現天然氣管道管理信息化、數字化，取得了很好的效果。

1 數據采集

1.1 數據庫搭建

數據庫以開(kāi)源PostgreSQL數據庫為核心，通過(guò)擴展PostGIS組件，建立PostgreSQL數據庫到ArcGIS通道，實(shí)現空間地理數據存儲與管理；通過(guò)擴展TimescaleDB組件，建立PostgreSQL數據庫關(guān)聯(lián)，實(shí)現時(shí)間序列數據存儲和管理；通過(guò)擴展MinIO組件，建立對象數據與PostgreSQL數據庫的關(guān)聯(lián)，實(shí)現照片、文檔等數據存儲與管理。從而實(shí)現了一專(zhuān)多能的時(shí)空全棧數據庫，滿(mǎn)足數據挖掘所需的各種類(lèi)型數據存儲和檢索全息信息。

1.2 數據分層

識別系統所依賴(lài)的第一層（最底層）數據是正射遙感影像（DOM），該數據來(lái)源于最新衛星遙感和航測影像數據，直觀(guān)反映了管道周邊的環(huán)境，但其僅為影像數據，無(wú)法直接用于高后果區的識別。第二層數據為數字線(xiàn)劃圖（DLG），將影像數據中的建筑 轉換為矢量，將建筑標記后作為一個(gè)多邊形保存在空間數據庫里。第三層數據為建筑屬性數據，如建筑類(lèi)型、聯(lián)系人及電話(huà)等。

1.3 數據處理

首先通過(guò)歸納分析，對空間數據庫的數據預處理。

（1）針對管道周?chē)�大量農村住宅，其線(xiàn)劃圖長(cháng)寬比有一定的范圍，高度一般不超過(guò)4層，利用激光雷達點(diǎn)云數據獲得的建筑物頂層高度，就可以將農村住宅分類(lèi)，農村住宅定義為一幢一戶(hù)。

（2）小區住宅，歸納小區住宅的長(cháng)寬比，考慮線(xiàn)劃圖的面積和住宅小區每戶(hù)面積在70～130平方米，建立數學(xué)模型可推導每層戶(hù)數。小區住宅一般高度均超過(guò)7層，利用線(xiàn)劃圖高度屬性，可推導出層數，由此可計算出一幢住宅的住戶(hù)數。

（3）工廠(chǎng)、商場(chǎng)等特定場(chǎng)所和住宅形狀、長(cháng)寬比、高度均有差異，通過(guò)計算，將工廠(chǎng)商場(chǎng)等特定場(chǎng)所分類(lèi)標注。

（4）由于線(xiàn)劃圖均有精確的GPS坐標，通過(guò)與百度、 BIGMAP等地圖數據的位置匹配，能夠取得特定場(chǎng)所的屬性，如單位名稱(chēng)、聯(lián)系人及電話(huà)、詳細地址等信息。建筑標注綠色為農民住宅，藍色為小區住宅，黃色為一般特定場(chǎng)所，紅色為易燃易爆場(chǎng)所。

1.4 數據完善

針對PC端無(wú)法確認的部分建筑數據，利用手機端高后果區采集APP核實(shí)現場(chǎng)數據，可直接導航至該建筑位置，大大節省了現場(chǎng)數據采集時(shí)間。

對存儲在數據庫中的管道兩側200米的所有建筑數據自動(dòng)預處理并現場(chǎng)核實(shí)完善后，不僅可快速確定各類(lèi)住宅所包含的戶(hù)數，而且對特定場(chǎng)所進(jìn)行標注。建筑數據的矢量化為高后果區智能識別分析打好基礎（圖 1）。

2 智能識別

2.1 識別準則量化

依據GB 32167―2015《油氣輸送管道完整性管理規范》，結合公司管道周邊建筑實(shí)際分布情況，公司量化了管道高后果區識別準則。

（1）Ⅲ級高后果區：四級地區，某地區連續出現10幢4層及以上建筑（不包括農村住宅，一般指小區住宅）。

（2）Ⅱ級高后果區分為以下三種情況：

①三級地區，戶(hù)數100戶(hù)以上。

②連續有10個(gè)工廠(chǎng)，兩個(gè)工廠(chǎng)之間間隔不超過(guò)30米。

③其他存在易燃易爆場(chǎng)所的地區。

（3）Ⅰ級高后果區：其他存在特定場(chǎng)所的地區,如學(xué)校、幼兒園、醫院等。

2.2 核心算法

2.2.1 算法原理

完成數據預處理后，這些建筑可以看成是一個(gè)帶有戶(hù)數屬性的點(diǎn)。這些點(diǎn)在管道周?chē)�的分布沒(méi)有特定形狀，形成一定的散布，沿管線(xiàn)計算確定建筑（戶(hù)數）密集區域即可實(shí)現高后果區分級。

常用的聚類(lèi)算法有k-means算法，試用后發(fā)現k-means算法基于平均距離決定同類(lèi)聚集，適用于球形聚集，不適合民房空間分布。通過(guò)比較研究，選擇了具有噪聲的基于密度的DBSCAN（Density-BasedSpatial Clustering of Applications with Noise)聚類(lèi)算法，該算法是以密度、而不是距離來(lái)計算簇和簇邊界。其基本思路（圖 2）是以建筑密集區域的某一建筑為圓心，選擇合適半徑畫(huà)圓，即規定了圓的半徑及圓內最少包含的建筑密度。若圓內建筑密度大于等于預先指定的值，那么這個(gè)圓圈的圓心就轉移至該圓圈內的其他建筑，繼續畫(huà)圓去計算，直至圓內所包含的建筑密度少于預先指定的值，聚類(lèi)終止�；�于密度的DBSCAN聚類(lèi)算法適用于在管線(xiàn)周?chē)�建筑分布區域中，去尋找高密度分布的區域，并與建筑分布形狀無(wú)關(guān)。

2.2.2 算法應用

根據量化后的管道高后果區識別準則，將基于密度的DBSCAN聚類(lèi)算法應用到高后果區識別中。以管線(xiàn)為基本單位，首先調用空間數據庫中的小區住宅， 半徑設置成100米，數量設置為10，計算出小區住宅簇的區域，滿(mǎn)足識別標準時(shí)將該區域劃分為Ⅲ級高后果區。

去除小區住宅簇后，調用空間數據庫中標有工廠(chǎng)、商業(yè)建筑等建筑，半徑設置成100米，數量設置為10，計算出工廠(chǎng)、商業(yè)建筑簇的區域，滿(mǎn)足識別標準時(shí)將該區域劃分為Ⅱ級高后果區。

去除以上兩個(gè)簇后，調用空間數據庫中標有農村住宅的建筑，半徑設置為50米，數量為100，計算出民居簇的區域，滿(mǎn)足識別標準時(shí)將該區域劃分為Ⅱ級高后果區。

去除以上三個(gè)簇后，根據數據預處理后特定場(chǎng)所標注的屬性，易燃易爆場(chǎng)所劃為Ⅱ級高后果區，其他場(chǎng)所劃為Ⅰ級高后果區。

3 自動(dòng)統計分析

識別系統對1 766公里（經(jīng)統計管道周邊建筑8萬(wàn)多個(gè)）天然氣管網(wǎng)進(jìn)行了高后果區自動(dòng)識別�；�于復合圖文一體化智能報告生成技術(shù)，按報告模板自動(dòng)統計分析數據并以圖表格式展示（圖 3）， 1小時(shí)內即可出具全省共55份報告。

4 功能實(shí)現

基于數據挖掘的管道高后果區智能識別系統的開(kāi)發(fā)應用成功，一是實(shí)現了管道高后果區的精準識別，達到管道高后果區的數據化、可視化管理目標，為政府及管道企業(yè)管理提供有力依據。二是有效降本提質(zhì)增效，滿(mǎn)足企業(yè)越來(lái)越高的精細化及經(jīng)營(yíng)管理的要求。三是可與其他管道保護業(yè)務(wù)系統關(guān)聯(lián)（如與應急管理系統關(guān)聯(lián)），實(shí)現數據共享，進(jìn)一步加強管道安全運行管理。四是實(shí)現了基于管道高后果區的大數據管理與維護，從數據采集、數據展示、數據應用到數據更新，實(shí)現數據的高效采集、直觀(guān)展示、統計分析及更新的全過(guò)程管理，增強數據的實(shí)用性（圖 4）。

5 結論

管道高后果區智能識別系統識別質(zhì)量高，高后果區等級劃分均有數據可追溯，并有多種統計維度，如按照全省各地市行政區劃統計、公司管道管理單元統計、識別時(shí)間統計、高后果區及其變化情況統計等，取得了手工識別無(wú)法做到的識別結果，奠定了管道完整性管理基礎，也夯實(shí)了應急預案落地基點(diǎn)，將有效提高管道風(fēng)險消減效果。

作者：肖麗，女， 1992年生，助理工程師， 2015年畢業(yè)于中國石油大學(xué)（華東）油氣儲運專(zhuān)業(yè)，現主要從事管道保護工作。錢(qián)濟人， 1963年生，高級工程師，科創(chuàng )中心主任，現主要從事管道先進(jìn)科技技術(shù)研究工作。