实施方案
[0014] 下面通过具体实施例,并结合附图,对本发明的具体实施方式作进一步具体说明。
[0015] 实施例一:
[0016] 一种应用于危化品泄漏源定位的方法,如图1所示,本实施例包括以下步骤:A)根据固定传感器网络布局建立坐标系,将监测到超过浓度阈值c的固定传感器所覆盖的区域作为大致范围,移动传感器移动步数t=1;B)设置粒子群算法重复次数k=1,重复次数最大值为K;C)将固定传感器采集到的气体浓度数据,利用自适应变异的粒子群算法反算定位,目标函数为: 其中N为定位网络中固定传感器的数量,t为移动传感器的移动步数,在步骤F启动移动传感器前,设置t的取值为0,在步骤F启动移动传感器后t的值由步骤H确定,Cmes为监测浓度,Ccomp为计算浓度,目标函数的计算结果记为适应度值fit,运行粒子群算法获得最优解fitk,泄漏源记为(xk,yk,Qk),其中xk、yk分别为第k次粒子群算法获得的泄漏源最优解的x坐标和y坐标,Qk表示第k次粒子群算法获得的泄漏源泄漏强度;D)若fitk≥εpso,则返回步骤C再次运行粒子群算法,εpso为设定的反算精度,反之,进入步骤E;E)将步骤C得到的(xk,yk,Qk,fitk)存储到优化结果存储器中,在优化结果存储器中找到最小的fitk,记为fitr,若fitr≤εfinal,εfinal为设定的最终收敛阈值,且εfinal<εpso,则将fitr对应的(xk,yk,Qk)作为泄漏源位置以及泄漏源强度,并结束本方法,反之,则进入步骤F;F)将粒子群算法重复计算次数k加1,若k<K,则返回步骤C,重置粒子群算法,从步骤C重新执行,反之,则启动移动传感器,并进入步骤G;G)若t<1,则将移动传感器置于随机初始位置(p0,q0),反之,则利用扩展卡尔曼滤波算法确定移动传感器的下一个移动位置(pt+1,qt+1);H)计算位置(pt+1,qt+1)处的理论浓度值 将移动传感器移动到(pt+1,qt+1),获得(pt+1,qt+1)处的检测值 移动传感器移动步数t加1;I)若 大于阈值c,则判断此点处于泄漏范围,计算 若 则将位置(pt+1,
qt+1)作为泄漏源位置,将 作为泄漏源强度,并结束本方法,若 则位置(pt+1,
qt+1)处的检测值当做固定传感器的检测值加入到固定传感器采集到的气体浓度数据,跳转到步骤B执行,若 不大于阈值c,则返回步骤B重新执行。
[0017] 利用扩展卡尔曼滤波算法确定移动传感器的下一个移动位置(pt+1,qt+1)的方法包括以下步骤:G1)使用状态方程来描述系统状态随时间的变化过程,可表示为xt=f(xt-1)+wt-1,式中,xt为观测目标在t时刻的状态;wt-1为过程噪声,均值为0,方差为Qt-1,使用状态向量 表示移动传感器当前的状态,其中pt以及qt为移动传感器第t步的x坐标和y坐标, 表示移动传感器第t步检测值与理论浓度值差值的平
方;G2)移动传感器第t+1步的状态方程为: 其中
分别为移动传感器x坐标和y坐标的移动策略系数,均由人工设定,ξ为过程噪声,均值为0,方差为Qt-1;G3)获得系统矩阵表达 其
中α、β、γ分别为 关于pt、qt、 的偏导值,可由地面H高处连续点源的高斯烟羽模型公式与扩散系数方程求得;G4)使用观测方程来描述系统状态的观测信息,由非线性函数h控制,即观测方程:zt=h(xt)+vt,式中,zt为观测目标在t时刻的测量值,h为预测值映射到测量空间的非线性函数;vt为观测噪声,均值为0,方差为Rt;G5)设Zt为移动传感器在第t步的检测向量,Zt=[xHt yHt]T,其中xHt以及yHt分别表示移动传感器在第t步移动位置检测后预测出的泄漏源x坐标和y坐标,预测值映射到测量空间的非线性函数h可由下式描述:
[0018]
[0019] ,确定Zt与Xt的关系即可得出h,进而可由h求偏导得出非线性系统的雅可比行列式Ht;G6)将状态方程与观测方程代入扩展卡尔曼滤波公式中,即可规划移动传感器下一位置(pt+1,qt+1)。
[0020] 扩展卡尔曼滤波包含预测阶段和更新阶段。预测阶段通过状态方程利用当前时刻的系统状态来估计下一时刻的系统状态,更新阶段通过观测方程获得最新时刻的观测信息来更新系统状态,使得状态估计更加准确。预测阶段计算式包括:更新阶段计算式包括:
Pt=(I-KtHt)Pt|t-1,式中的Kt称
为卡尔曼滤波的增益矩阵;Ft为系统矩阵,由f求偏导得到;Ht为非线性系统的雅可比行列式,由h求偏导得到。
[0021] 坐标(x,y,z)处的计算浓度Ccomp的计算方法为:其中Q0为
泄漏源的源强,u为风速,σx、σy以及σz分别为x,y,z方向的扩散系数,σx、σy以及σz的值可以根据高斯扩散模型扩散系数方程求得,H为有效源高,由人工设定,本方法仅寻找泄漏源的x坐标和y坐标,因而z由人工设定为常数值。
[0022] 如图2所示,将实施例一应用在试验模拟中,移动传感器沿图示路径移动。圆点表示泄漏源位置,折线表示移动传感器的移动路径,试验模拟中不考虑高度,泄漏源坐标为(650,400),每种传感器布局做100组实验。误差公式为 其中:e为误差距离,x为实验结果所得泄漏源横坐标,y为实验结果所得泄漏源纵坐标,x0为实际泄漏源横坐标,y0为实际泄漏源纵坐标。如表1中列出采用不同的传感器网络时,试验定位误差结果的。
[0023] 表1不同传感器网络在试验模拟中的定位误差结果
[0024]
[0025] 由试验模拟的结果可知,引入移动传感器后定位精度大大提升。由此可见,移动传感器与固定传感器网络协同泄漏源定位方法的提高了泄漏源定位结果的精度。
[0026] 利用固定传感器网络结合可移动传感器,能够有效获取事故信息,弥补了单纯依赖固定传感器网络监测导致失灵的缺点,提高事故监测的灵活性。引入移动传感器后,可减小固定传感器网络中固定传感器的分布密度。例如,在16km2的传感器网络中,9个固定传感器间隔为2000m的协同定位网络定位精度比25个固定传感器间隔为1000m的固定传感器网络定位精度高提升了25.79%,并且固定传感器的使用数量减少了16个;在64km2的传感器网络中,25个固定传感器间隔为2000m的协同定位网络定位精度比81个固定传感器间隔为1000m的固定传感器网络定位精度提升了55.89%,并且固定传感器的使用数量减少了56个。由此可见,移动传感器与固定传感器网络相结合的协同定位网络可以减少固定传感器的分布数量,进而大大降低了成本。
[0027] 以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。