(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111566152.4 (22)申请日 2021.12.20 (71)申请人 中国石油天然气股份有限公司 地址 100007 北京市东城区东 直门北大街9 号 (72)发明人 韩林序　唐春凌　张林霞　古冉　 赵松　孙明炬　 (74)专利代理 机构 成都弘毅天承知识产权代理 有限公司 5123 0 代理人 朱丹 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/12(2006.01) G06N 7/00(2006.01) (54)发明名称 一种基于遗传算法的贝叶斯网络天然气管 道泄漏概 率计算方法 (57)摘要 本发明公开了一种基于遗传算法的贝叶斯 网络天然气管道泄漏概率计算方法， 涉及天然气 管道安全技术领域， 为了解决天然气管道泄漏概 率计算脱离管道实际状态的问题， 包括以下步 骤： 基于统计数据库分析天然气管道失 效原因因 素,并分析影响天然气管道失效的实际状态因 素， 根据因果关联关系， 建立天然气管道失效故 障树模型， 利用故障树与贝叶斯网络的转换关系 确定贝叶斯网络结构， 完成天然气管道失效贝叶 斯网络模型结构的构建； 引入遗传算法完成贝叶 斯网络参数学习以此获取最优网络条件概率； 采 用GeNIe贝叶斯网络仿真软件建立模型， 输入贝 叶斯网络根节 点概率与条件概率， 计算天然气管 道在实际状态下的失效概 率。 权利要求书3页 说明书9页 附图5页 CN 114219334 A 2022.03.22 CN 114219334 A 1.一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方法， 其特征在于， 包括 以下步骤： S1、 基于统计数据库分析天然气管道失效原因因素,并分析影响天然气管道失效的实 际状态因素， 确定管道失效的实际状态因素与历史失效原因 因素间的因果关联关系； S2、 根据因果关联关系， 建立天然气管道失效故障树模型， 利用故障树与贝叶斯网络的 转换关系确定贝叶斯网络结构， 完成天然气管道失效贝叶斯网络模型 结构的构建； S3、 引入遗传算法完成贝叶斯网络参数 学习以此获取最优网络条件概 率； S4、 采用GeNIe贝叶斯网络仿真软件建立模型， 输入贝叶斯网络根节点概率与条件概 率， 计算天然气管道在实际状态下的失效概 率。 2.根据权利要求1所述的一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方 法， 其特征在于， 还包括S5、 利用贝叶斯网络的反向推理功能， 对每个风险因素进行重要度 分析并得到影响管道发生失效的关键致因链。 3.根据权利要求1所述的一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方 法， 其特征在于， 所述S1中， 采用思维导图分别分析基于统计数据库的管道失效原因因素与 管道失效的实际状态因素， 并建立关联关系图。 4.根据权利要求1所述的一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方 法， 其特征在于， 所述S2中， 故障树与贝叶斯网络的转变步骤如下： S2.1、 故障树中的事故与贝叶斯网络的节点进行一 一对应； S2.2、 按照故障树中事故的逻辑因果关系用有向边进行贝叶斯网络节点间的连接； S2.3、 故障树中的逻辑门与节点条件概 率分布表进行对应。 5.根据权利要求1所述的一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方 法， 其特征在于， 所述S3中， 基于 遗传算法的条件概 率θi的计算步骤如下： S3.1、 染色体编码， 集合θ中每个参数均在[0,1]区间内， 精度为二进制表示小数点后8 位； S3.2、 种群初始化， 在计算前以随机方式生成初始种群P(t)， 个体为a,设置染色体长度 为k,其值取决于条件概率表 中参数的个数n,k＝8n； 设置种群规模M,即随机产生M个k位随 机数形成初始种群,种群中每 个个体对应一组条件概 率分布； S3.3、 适应度函数， 选取最大似然函数L( θ )作为 适应度函数 F(x)， 公式如下： 式中： i为网络拓 扑结构G的节点个数； j为拓 扑结构下节点δ(Xi)的组合数目； k为 当前节 点的取值、 为一个 常数； nijk为管道风险样本的特征函数； θijk为非根节 点对应的一组条件概 率， 对于初始种群P(t)中的每一个个体Pi(t)， 构建节点Xi与其父节点Pg(Xi)的适应度函数F (x)， 计算每 个个体的适应度值； S3.4、 选择操作， 利用轮 盘赌方式从P(t)中选择最优个 体， 得到选择种群P1(t+1)； S3.5、 交叉操作， 确定交叉概率PC,一般为0.65～ 0.90， 采用离散重组式多切点交叉法进 行交叉运 算， 得到交叉种群P2(t+1)， S3.6、 变异操作， 在交叉种群P2(t+1)中以变异概率PM选择个体进行变异操作,变异 过程 采用反转位值法， 即对二进制位进行反转操作， 得到变异种群P3(t+1)、 变异种群P3(t+1)作权　利　要　求　书 1/3 页 2 CN 114219334 A 2为新种群P(t+1)代； S3.7、 终止条件， 对每一代群体进行选择、 交叉和变异运算， 设最大遗传代数为T,当进 行T轮选择、 交叉和变异运算后， 得到新种群P(t+T)代、 则满足终止条件， 输出最优网络参 数。 6.根据权利要求5所述的一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方 法， 其特征在于， 所述S3.4中的轮 盘赌方式， 具体操作如下： S3.4.1、 根据适应度函数计算初 始种群P(t)中每个个体的适应度值f(ai)， i＝1,2,..., m,m为种群大小； S3.4.2、 计算每 个个体被遗传到下一代的入选概 率F(ai)： S3.4.3、 计算每 个个体的累积概 率fi： S3.4.4、 在[0， 1]区间内产生 一个均匀分布的随机数γ； S3.4.5、 若γ<f1， 则选择个 体a1， 否则， 选择个 体q， 使得： fq‑1<γ<fq成立； S3.4.6、 重复步骤S3.4.4和S3.4.5多次， 被选中次数最多的个体为初始种群P(t)代的 最优个体， 被选中次数最少且入选概率最小的个体为初始种群P(t)代最劣个体； 淘汰最劣 个体， 让最优个 体替代最劣个 体得到选择种群P1(t+1)。 7.根据权利要求5所述的一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方 法， 其特征在于， 所述S3.5中的交叉概 率PC， 具体计算公式如下： 式中： PC为交叉概率； f0为当前个体的适应度值； δ为设定的阈值； fmax为当前种群中最高 适应度值； fav为当前种群的平均适应度值； fstd为当前种群的适应度值标准差 。 8.根据权利要求5或7所述的一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计 算方法， 其特 征在于， 所述的离 散重组式多切点交叉法进行交叉运 算如下： S3.5.1、 根据标准差fstd自动选择交叉 方式， S3.5.2、 选择种群P1(t+1)中的每两个个体P1和P2随机配对,以两个体中较高概率PC判断 是否进行交叉操作； 在[0,1]区间产生一个随机数e， 若e<PC， 则进行交叉操作， 否则继续产 生随机数判断之后两个 个体； S3.5.3、 对进行交叉操作的两个个体随机选取k/8个切点,切点位置相同， 等位交换切 点之间的子串， 若fstd≥1.2 δ， 交换子串数为双子串,若fstd≤0.8 δ， 交换子串数为单子串,交 叉后得到交叉种群P2(t+1)。 9.根据权利要求5所述的一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方权　利　要　求　书 2/3 页 3 CN 114219334 A 3