卢建明1 李想2 范文峰1 丁楠1 肖丽1

1．浙江浙能天然气运行有限公司； 2．浙江浙能技术研究院有限公司

 

 

浙江浙能天然气运行有限公司管理的浙江省天然气管网干线，途经杭州、宁波、绍兴等省内11个地级市，干线总长超过1 800多公里，拥有西一气、西二气、川气、宁波LNG、丽水36-1等6处气源，全省“一环网”供气格局已基本形成，随着“县县通”工程的有序推进，至2020年全省输气管网将达到2 800多公里。浙江省经济相对发达，高后果区管理存在后建工程较多、改线工程频繁、区域差异较大、地理环境复杂等特点。 2017年，全年共发现并处理管道报警723起、第三方施工132起、占压类隐患37起； 2018年，全年共发现并处理管道报警733起、第三方施工91起、占压类隐患37起。

浙江省输气省网管道北部主要分布于经济发达、人口密集、社会活动频繁的长三角地区，其施工机械化程度高，具有突发性和不确定性，同时第三方施工频发，对管道安全威胁较大；管道多沿高速、地方路网敷设，绿化施工对管道防腐层、光缆损伤风险较高，发生管道事故后果更加严重，社会影响面更大。东部及南部主要分布于泥石流、水毁、崩塌等自然灾害频发的山区，但也存在大量分散的的高后果区。如何通过对高后果区的有效管理避免自然灾害造成的天然气管道事故，确保管道的长周期安全运行具有重要意义和实际应用价值。

1 高后果区管理存在的问题以及解决措施

高后果区管理分为内部质量管理和外部环境管理，内部质量管理具备一定的可控性，外部环境管理具有很大的不确定性。近几年公司高后果区内部质量管理的提升有效地带动了外部环境管理的提升，但从全面质量管理人—机—料—法—环五个因素分析，高后果区识别还存在诸多问题（图 1），需要采取对应措施加以解决。

1.1 人（员工）问题

公司高后果区管理人员主要分为管理人员和巡线人员。以前对高后果区管理相对比较松散，未设置专职的管理人员，现在虽然增设了这一岗位，但人员专业技能和经验尚待积累提高，难以有效指导一线工作。而很多一线巡线人员文化素质相对较低，缺乏采集高后果区数据等基本技能。

解决措施：针对高后果区管理人员，实行技能上岗认证，通过专业培训取得完整性管理中级以上资格；针对一线巡线人员，组织学习培训，提高实操能力。

1.2 机（设备）问题

巡线人员现场所有的信息采集均由手工记录，不会使用定位设备， 数据采集缺乏有效手段。

解决措施：开发智能巡检手机端APP；加强指导培训，掌握设备操作技能。

1.3 料（数据）问题

现场采集时经常存在数据不准、数据不全、数据质量差以及效率较低的情况。

解决措施：优化数据采集方式，减少采集工作量，采用外业调查+地理信息系统在线识别方式进行数据采集，提高采集质量和采集效率。同时，针对改线工程、新增工程等以核查+补缺的方式进行信息搜集。

1.4 法（方法）问题

以往高后果区识别以人工为主，由于相关标准比较原则，很难指导员工在现场准确识别高后果区，确定任意 2 km 的范围等。浙江农村地区自建房普遍都在四层、五层以上，往往就住一户或长期无人居住，如果按GB 32167―2015《油气输送管道完整性管理规范》识别，应属于Ⅲ级高后果区，而实际危害后果却相对较小，企业为此投入大量的人力、财力，却没有真正管理到位。

解决措施：编制公司管道高后果区识别管理办法和管道高后果区识别作业规程，统一采集标准、采集方法，明确人员职责。

1.5 环（环境）问题

浙江省地理环境、人口环境比较复杂，高后果区的人员信息、建筑信息等获取比较困难，数据采集工作量较大，所获数据缺乏有效管理。

解决措施：开发高后果区智能识别与管理软件；利用无人机采集复杂地理环境信息、更新改线段地图等。

2 高后果区智能识别设计

利用GIS线划图加外业调查数据，分析浙江省输气管道高后果区管理现状，优化现场巡检人员数据采集方式，利用高清晰卫星遥感图构建矢量图，对高后果区进行智能识别和分析，实现对高后果区的动态和静态管理。

智 能 识 别 设 计 架 构 中 ， 系 统 开 发 主 要 基 于ArcGIS + PostgreSQL地理信息平台和数据库，应用开发采用Java9 + SpringBoot + Angular Web框架， GIS相关功能开发基于ArcGIS js API 4.6+，应用服务器运行环境采用Tomcat 9服务器。

2.1 数据处理

在系统识别前需要对房屋类型、楼层统计、典型的房屋—户数对应关系、特定场所等进行前期处理。

（1）房屋分类：对重点区域内的房屋建筑进行分类；主要类别包括但不限于公寓楼、民房、办公写字楼、工厂厂房、临时住所及其他。

（2）楼层统计：对房屋的楼层进行计算和统计，将楼层数据作为该建筑物的属性数据之一。

（3）基于典型的房屋—户数对应关系计算模型获取沿线户数，将对应的户数赋予相应的房屋建筑物，作为其属性数据之一。

（4）特定场所：分析房屋建筑的类型，对不确定的建筑类型，可在地图上标记为疑似特定场所，导出特定场所现场核查表，待外业调查确认后，将结果填报到该建筑的属性信息中。

2.2 外业调查

外业调查主要由现场巡线人员或者数据管理团队利用移动端APP进行现场数据采集和环境变化数据采集；管理人员或者数据管理团队对采集的数据进行核查和录入（图 2）。

              

2.3 数据分析

基于密度的聚类算法（DBSCAN）对管道沿线的户数分布进行计算，划分出人口、房屋等聚集区域，构建矢量图（图 3），为高后果区划分做好准备。

3 应用情况及效果

2 0 1 8年，公司通过智能识别系统，开展了1 385 km管道的高后果区识别工作，共识别出高后果区617段，里程为622.3 km，其中Ⅲ级26.3 km，占比1.9%；Ⅱ级262.8 km，占比19.0%；Ⅰ级333.2 km，占比24.1%（图 4）。

4 结论

智能识别系统是公司高后果区管理的初次尝试，实践证明其能够有效识别高后果区，并能大幅度降低人工成本和管理成本。能够快速、高效、自动生成高后果区分析报告，为管道安全管理、应急指挥决策、抢险救援等提供强有力的支撑。针对目前存在的问题和不足，正在进一步研究改进。

（1）系统开发要与生产深度融合。应满足生产一线、管理层的多层级需求，重点是一线人员的需求，他们是高后果区智能化、信息化管理的应用者和受益者。

（2）应结合公司所处的地理环境、人口密集程度等自身特点，有针对性的开展高后果区管理。

（3）加强对高速公路、铁路等复杂环境高后果区的管理。目前GB 32167―2015对此规定不明确，但在浙江存在大量的管道与铁路、公路并行情况，如果在爆炸影响范围内，将导致严重后果。

 

作者：卢建明，男， 1960年生，浙江松江人，高级工程师， 浙江大学电机系电力系统及其自动化专业，现主要从事公司管道安全运营管理工作。李想，男， 1988年生，工程师， 2013年硕士毕业于中国石油大学（北京）油气储运专业，现主要从事油气管道安全研究工作。

2019年第4期（总第47期）