肖麗 錢濟(jì)人 范文峰 李園

浙江浙能天然氣運(yùn)行有限公司

摘  要：隨著管網(wǎng)和城市化的快速發(fā)展，天然氣管道穿越人口密集區(qū)的情況日益突出，沿線各級政府要求管道企業(yè)全面開展人員密集型高后果區(qū)識別和風(fēng)險(xiǎn)評價(jià)工作。傳統(tǒng)的人工識別方法存在數(shù)據(jù)采集困難、準(zhǔn)確度不高、效率低等缺點(diǎn)，無法滿足企業(yè)實(shí)際需求。浙江浙能天然氣運(yùn)行有限公司充分利用現(xiàn)有的遙感影像（DOM）和線劃圖（DLG），采用數(shù)據(jù)挖掘方法實(shí)現(xiàn)了高后果區(qū)的有效識別。

關(guān)鍵詞：高后果區(qū)識別；建筑數(shù)據(jù)矢量化； DBSCAN聚類算法

浙江省經(jīng)濟(jì)發(fā)達(dá)，土地資源緊張，天然氣管道周圍人口密集，形成了大量高后果區(qū)，一旦發(fā)生泄漏爆炸事故，將會給人民生命和財(cái)產(chǎn)帶來巨大損失。

輸氣管道高后果區(qū)分級的前提是統(tǒng)計(jì)管道中心線兩側(cè)至少200米范圍內(nèi)的所有建筑數(shù)據(jù)，傳統(tǒng)人工現(xiàn)場識別方法識別時間長、成本高、質(zhì)量低，耗費(fèi)大量人力、物力、財(cái)力，已無法與企業(yè)提質(zhì)增效的目標(biāo)相適應(yīng)，如何準(zhǔn)確高效識別管道高后果區(qū)成為必須思考與解決的問題。

基于數(shù)據(jù)挖掘的天然氣管道高后果區(qū)識別系統(tǒng)（以下簡稱識別系統(tǒng)）依托于智慧油氣管網(wǎng)建設(shè)，通過將天然氣管道與大數(shù)據(jù)分析相結(jié)合，采取建筑數(shù)據(jù)矢量化的創(chuàng)新方式進(jìn)行數(shù)據(jù)采集，基于密度的DBSCAN聚類算法高效智能準(zhǔn)確地完成高后果區(qū)識別工作，實(shí)現(xiàn)天然氣管道管理信息化、數(shù)字化，取得了很好的效果。

1 數(shù)據(jù)采集

1.1 數(shù)據(jù)庫搭建

數(shù)據(jù)庫以開源PostgreSQL數(shù)據(jù)庫為核心，通過擴(kuò)展PostGIS組件，建立PostgreSQL數(shù)據(jù)庫到ArcGIS通道，實(shí)現(xiàn)空間地理數(shù)據(jù)存儲與管理；通過擴(kuò)展TimescaleDB組件，建立PostgreSQL數(shù)據(jù)庫關(guān)聯(lián)，實(shí)現(xiàn)時間序列數(shù)據(jù)存儲和管理；通過擴(kuò)展MinIO組件，建立對象數(shù)據(jù)與PostgreSQL數(shù)據(jù)庫的關(guān)聯(lián)，實(shí)現(xiàn)照片、文檔等數(shù)據(jù)存儲與管理。從而實(shí)現(xiàn)了一專多能的時空全棧數(shù)據(jù)庫，滿足數(shù)據(jù)挖掘所需的各種類型數(shù)據(jù)存儲和檢索全息信息。

1.2 數(shù)據(jù)分層

識別系統(tǒng)所依賴的第一層（最底層）數(shù)據(jù)是正射遙感影像（DOM），該數(shù)據(jù)來源于最新衛(wèi)星遙感和航測影像數(shù)據(jù)，直觀反映了管道周邊的環(huán)境，但其僅為影像數(shù)據(jù)，無法直接用于高后果區(qū)的識別。第二層數(shù)據(jù)為數(shù)字線劃圖（DLG），將影像數(shù)據(jù)中的建筑 轉(zhuǎn)換為矢量，將建筑標(biāo)記后作為一個多邊形保存在空間數(shù)據(jù)庫里。第三層數(shù)據(jù)為建筑屬性數(shù)據(jù)，如建筑類型、聯(lián)系人及電話等。

1.3 數(shù)據(jù)處理

首先通過歸納分析，對空間數(shù)據(jù)庫的數(shù)據(jù)預(yù)處理。

（1）針對管道周圍大量農(nóng)村住宅，其線劃圖長寬比有一定的范圍，高度一般不超過4層，利用激光雷達(dá)點(diǎn)云數(shù)據(jù)獲得的建筑物頂層高度，就可以將農(nóng)村住宅分類，農(nóng)村住宅定義為一幢一戶。

（2）小區(qū)住宅，歸納小區(qū)住宅的長寬比，考慮線劃圖的面積和住宅小區(qū)每戶面積在70～130平方米，建立數(shù)學(xué)模型可推導(dǎo)每層戶數(shù)。小區(qū)住宅一般高度均超過7層，利用線劃圖高度屬性，可推導(dǎo)出層數(shù)，由此可計(jì)算出一幢住宅的住戶數(shù)。

（3）工廠、商場等特定場所和住宅形狀、長寬比、高度均有差異，通過計(jì)算，將工廠商場等特定場所分類標(biāo)注。

（4）由于線劃圖均有精確的GPS坐標(biāo)，通過與百度、 BIGMAP等地圖數(shù)據(jù)的位置匹配，能夠取得特定場所的屬性，如單位名稱、聯(lián)系人及電話、詳細(xì)地址等信息。建筑標(biāo)注綠色為農(nóng)民住宅，藍(lán)色為小區(qū)住宅，黃色為一般特定場所，紅色為易燃易爆場所。

1.4 數(shù)據(jù)完善

針對PC端無法確認(rèn)的部分建筑數(shù)據(jù)，利用手機(jī)端高后果區(qū)采集APP核實(shí)現(xiàn)場數(shù)據(jù)，可直接導(dǎo)航至該建筑位置，大大節(jié)省了現(xiàn)場數(shù)據(jù)采集時間。

對存儲在數(shù)據(jù)庫中的管道兩側(cè)200米的所有建筑數(shù)據(jù)自動預(yù)處理并現(xiàn)場核實(shí)完善后，不僅可快速確定各類住宅所包含的戶數(shù)，而且對特定場所進(jìn)行標(biāo)注。建筑數(shù)據(jù)的矢量化為高后果區(qū)智能識別分析打好基礎(chǔ)（圖 1）。

2 智能識別

2.1 識別準(zhǔn)則量化

依據(jù)GB 32167―2015《油氣輸送管道完整性管理規(guī)范》，結(jié)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(qū)識別準(zhǔn)則。

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

（2）Ⅱ級高后果區(qū)分為以下三種情況：

①三級地區(qū)，戶數(shù)100戶以上。

②連續(xù)有10個工廠，兩個工廠之間間隔不超過30米。

③其他存在易燃易爆場所的地區(qū)。

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

2.2 核心算法

2.2.1 算法原理

完成數(shù)據(jù)預(yù)處理后，這些建筑可以看成是一個帶有戶數(shù)屬性的點(diǎn)。這些點(diǎn)在管道周圍的分布沒有特定形狀，形成一定的散布，沿管線計(jì)算確定建筑（戶數(shù)）密集區(qū)域即可實(shí)現(xiàn)高后果區(qū)分級。

常用的聚類算法有k-means算法，試用后發(fā)現(xiàn)k-means算法基于平均距離決定同類聚集，適用于球形聚集，不適合民房空間分布。通過比較研究，選擇了具有噪聲的基于密度的DBSCAN（Density-BasedSpatial Clustering of Applications with Noise)聚類算法，該算法是以密度、而不是距離來計(jì)算簇和簇邊界。其基本思路（圖 2）是以建筑密集區(qū)域的某一建筑為圓心，選擇合適半徑畫圓，即規(guī)定了圓的半徑及圓內(nèi)最少包含的建筑密度。若圓內(nèi)建筑密度大于等于預(yù)先指定的值，那么這個圓圈的圓心就轉(zhuǎn)移至該圓圈內(nèi)的其他建筑，繼續(xù)畫圓去計(jì)算，直至圓內(nèi)所包含的建筑密度少于預(yù)先指定的值，聚類終止。基于密度的DBSCAN聚類算法適用于在管線周圍建筑分布區(qū)域中，去尋找高密度分布的區(qū)域，并與建筑分布形狀無關(guān)。

2.2.2 算法應(yīng)用

根據(jù)量化后的管道高后果區(qū)識別準(zhǔn)則，將基于密度的DBSCAN聚類算法應(yīng)用到高后果區(qū)識別中。以管線為基本單位，首先調(diào)用空間數(shù)據(jù)庫中的小區(qū)住宅， 半徑設(shè)置成100米，數(shù)量設(shè)置為10，計(jì)算出小區(qū)住宅簇的區(qū)域，滿足識別標(biāo)準(zhǔn)時將該區(qū)域劃分為Ⅲ級高后果區(qū)。

去除小區(qū)住宅簇后，調(diào)用空間數(shù)據(jù)庫中標(biāo)有工廠、商業(yè)建筑等建筑，半徑設(shè)置成100米，數(shù)量設(shè)置為10，計(jì)算出工廠、商業(yè)建筑簇的區(qū)域，滿足識別標(biāo)準(zhǔn)時將該區(qū)域劃分為Ⅱ級高后果區(qū)。

去除以上兩個簇后，調(diào)用空間數(shù)據(jù)庫中標(biāo)有農(nóng)村住宅的建筑，半徑設(shè)置為50米，數(shù)量為100，計(jì)算出民居簇的區(qū)域，滿足識別標(biāo)準(zhǔn)時將該區(qū)域劃分為Ⅱ級高后果區(qū)。

去除以上三個簇后，根據(jù)數(shù)據(jù)預(yù)處理后特定場所標(biāo)注的屬性，易燃易爆場所劃為Ⅱ級高后果區(qū)，其他場所劃為Ⅰ級高后果區(qū)。

3 自動統(tǒng)計(jì)分析

識別系統(tǒng)對1 766公里（經(jīng)統(tǒng)計(jì)管道周邊建筑8萬多個）天然氣管網(wǎng)進(jìn)行了高后果區(qū)自動識別。基于復(fù)合圖文一體化智能報(bào)告生成技術(shù)，按報(bào)告模板自動統(tǒng)計(jì)分析數(shù)據(jù)并以圖表格式展示（圖 3）， 1小時內(nèi)即可出具全省共55份報(bào)告。

4 功能實(shí)現(xiàn)

基于數(shù)據(jù)挖掘的管道高后果區(qū)智能識別系統(tǒng)的開發(fā)應(yīng)用成功，一是實(shí)現(xiàn)了管道高后果區(qū)的精準(zhǔn)識別，達(dá)到管道高后果區(qū)的數(shù)據(jù)化、可視化管理目標(biāo)，為政府及管道企業(yè)管理提供有力依據(jù)。二是有效降本提質(zhì)增效，滿足企業(yè)越來越高的精細(xì)化及經(jīng)營管理的要求。三是可與其他管道保護(hù)業(yè)務(wù)系統(tǒng)關(guān)聯(lián)（如與應(yīng)急管理系統(tǒng)關(guān)聯(lián)），實(shí)現(xiàn)數(shù)據(jù)共享，進(jìn)一步加強(qiáng)管道安全運(yùn)行管理。四是實(shí)現(xiàn)了基于管道高后果區(qū)的大數(shù)據(jù)管理與維護(hù)，從數(shù)據(jù)采集、數(shù)據(jù)展示、數(shù)據(jù)應(yīng)用到數(shù)據(jù)更新，實(shí)現(xiàn)數(shù)據(jù)的高效采集、直觀展示、統(tǒng)計(jì)分析及更新的全過程管理，增強(qiáng)數(shù)據(jù)的實(shí)用性（圖 4）。

5 結(jié)論

管道高后果區(qū)智能識別系統(tǒng)識別質(zhì)量高，高后果區(qū)等級劃分均有數(shù)據(jù)可追溯，并有多種統(tǒng)計(jì)維度，如按照全省各地市行政區(qū)劃統(tǒng)計(jì)、公司管道管理單元統(tǒng)計(jì)、識別時間統(tǒng)計(jì)、高后果區(qū)及其變化情況統(tǒng)計(jì)等，取得了手工識別無法做到的識別結(jié)果，奠定了管道完整性管理基礎(chǔ)，也夯實(shí)了應(yīng)急預(yù)案落地基點(diǎn)，將有效提高管道風(fēng)險(xiǎn)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(yùn)專業(yè)，現(xiàn)主要從事管道保護(hù)工作。錢濟(jì)人， 1963年生，高級工程師，科創(chuàng)中心主任，現(xiàn)主要從事管道先進(jìn)科技技術(shù)研究工作。