基于大数据的长输管道高后果区识别|高后果区治理研究|管道保护网

基于大数据的长输管道高后果区识别

来源：《管道保护》2021年第3期作者：冯明辉时间：2021-5-31 阅读：

冯明辉

昆山市发展和改革委员会

摘要：针对油气管道高后果区风险辨识中信息更新不及时、划分不精准等问题，改进高后果区信息采集方法，并基于密度聚类法提出了高后果区识别程序设计思路，利用python开发了信息收集和高后果区识别程序。选取西气东输甪宝线部分管段为分析对象，将程序识别结果与人工划分结果比对发现，程序识别可避免人为划分失误，为快速、准确识别高后果区提供方法借鉴。

关键词：长输管道; 高后果区; 地理信息; 聚类算法

长三角地区是最早引入管道天然气的地区之一，也是长输管道敷设较为密集的区域[1]。随着管道沿线土地开发强度增加，不少区域被动进入了管道高后果区。按照原国家安监总局等八部委138号文件提出的“管好存量，严控增量”要求，近年来地方政府和管道企业全面加强了高后果区管理，管道沿线近距离开发建设的不安全行为得到有效遏制，但也相当程度影响了土地的开发利用。如何平衡好管道保护和地方发展的关系，保障高后果区安全，是政府和企业共同的任务。

输气管道高后果区识别和管控主要依据GB 32167―2015《油气输送管道完整性管理规范》、SY/T 7380―2017《输气管道高后果区完整性管理规范》、GB 50251―2015《输气管道工程设计规范》等标准规范。受高后果区数据完整性不足及管理人员主观因素影响，管理过程中存在高后果区划分不准确、事前介入不及时的现象[2-4]。近年来，部分学者围绕高后果区精准识别和风险评估展开了研究：马廷霞等[5]介绍了一种基于数据库的高后果区识别软件设计框架；杨宏伟等[6]采用缓冲区分析原理提出了一种高后果区识别的流程；卢建明等[7]基于ArcGIS + PostgreSQL地理信息平台和数据库开发了高后果区智能分析系统；卢琳琳等[8]提出了基于无人机航拍的管道高后果区打分识别方法；何军等[9]采用模糊综合评价法对高后果区进行了识别分级,这些研究从企业的视角为高后果区的精准识别提供了思路。本文以政企联动为出发点，介绍利用管道保护GIS平台和大数据分析技术识别管道高后果区的方法。

1 大数据分析识别方法

1.1 信息采集

信息采集是高后果区识别的基础。信息采集内容包括管道属性、运行参数、检测维护数据、应急资源信息、环境数据、人口和周边建构筑物分布等[10,11]，其中环境数据、人口和周边建构筑物分布数据变化相对频繁，其他数据一般变化较小。所有采集到的数据，以图层化的方式存储在管道保护GIS平台中。当管道潜在影响半径内环境等数据发生变化时，可按权限通过管道保护GIS平台、微信小程序端口或管道保护热线电话反馈情况。接到数据库修改申请后，平台统一生成并派发指令单，由相关管理人员核实并反馈情况，调整更新管道高后果区数据库。此外，平台通过高德地图api接口[12]定期收集管道潜在影响半径内住宅、特定场所和易燃易爆场所的变化，由相关人员核实后更新数据，具体流程详见图 1。高后果区数据录入界面如图 2所示。

图 1 高后果区信息采集流程

图 2 高后果区数据录入界面

1.2 识别程序设计

1.2.1 识别准则量化

依据标准规范要求和当地管道保护实际，对管道高后果区识别准则进行量化（以输气管道为例）：

（1）Ⅲ级高后果区。管道两侧200 m范围内，有大于等于100户居民，4层及以上建筑大于等于2幢，包含最大聚居户数。

（2）Ⅱ级高后果区。管道两侧200 m范围内，有大于等于100户居民，4层及以上建筑小于2幢，包含最大聚居户数；或管径大于762 mm，并且最大允许操作压力大于6.9 MPa，输气管道潜在影响区域内有特定场所的管段；或除符合Ⅲ级高后果区及本条第一款条件外，管道两侧各200 m内有加油站、油库等易燃易爆场所的管段。

（3）I级高后果区。管径小于273 mm，并且最大允许操作压力小于1.6 MPa，管道潜在影响区域内有特定场所的管段；或其他管道两侧各200 m内有特定场所的管段。

1.2.2 数据预处理

每一栋建筑物中心点可以看成一个带有属性的点（以下简称“对象点”），对象点在管线周边形成一定的空间散布。计算对象点到管线的投影坐标和最近距离[13]，按照识别准则将特定范围内的对象点筛选出来。根据建构筑物的用途属性将对象点归为住宅点集、特定场所I点集、特定场所Ⅱ点集、易燃易爆场所点集，点集中的每一个点具有总户数、楼层大于等于4层楼栋数等属性。

1.2.3 核心算法

对住宅类点集，使用基于密度的聚类算法（DBSCAN）[14]进行分类。该方法以任意住宅点为圆心，以特定半径L画目标圆，若圆内建筑密度大于等于设定值N，则圆心转移至圆圈内其他住宅点，直至圆内所包含的建筑数量少于N。这些归为一类（簇），直至历遍所有住宅点。簇的属性继承了点的属性。计算过程如图 3所示。

图 3 核心算法示意

对于住宅点集中的任意一簇（每个离散点作为一簇），计算簇边界点在管道上投影点与其他簇的边界点在管道上投影点的大地距离D，若D小于等于400 m，则将两个簇合并，更新簇的属性。特定场所、易燃易爆场所每一个对象点代表一个簇，直接参照住宅簇的合并方式进行簇合并操作。簇合并操作完成后，根据高后果区识别准则判断各簇等级。

对于初步识别出的高后果区，计算不同高后果区的最近距离，若小于等于50 m的，将两个高后果区合并，合并后的高后果区等级按照合并前最高等级计，属性相应合并，操作过程如图 4所示。

图 4 管道高后果区合并示意

2 高后果区识别实践

2.1 项目背景

西气东输甪宝线昆山高新区和巴城段（KS037-KS54）长5.4 km，管道外径610 mm，壁厚8 mm，管材采用X65钢，设计压力4 MPa，运行压力3.5 MPa，外加三层PE，管道阴极保护为强制电流保护[15]。管道周边有居民区、工厂、学校、加油站、高速公路、河流、湖泊等，人口密度较高、交通频繁。经现场核实确认，得到表 1所示管道识别区内建构筑物分布情况（潜在影响半径121 m，识别半径200 m）。

2.2 识别结果

基于python对住宅、特定场所、易燃易爆场所分别进行聚类、簇合并和等级判定操作（半径L=200，N=5），利用地图可视化组件folium得到图 5所示初步划分的高后果区识别图，其中Ⅲ级高后果区3个，Ⅱ级高后果区1个，Ⅰ级高后果区4个。

图 5 初步划分的高后果区

为比较程序识别和人工识别的差别，选取2020年度西气东输甪宝支线对应管段高后果区风险评价报告和管控方案结果进行对比，如图 6所示。

图 6 程序和人工识别结果对比

从对比情况来看，程序共识别出Ⅲ级高后果区3处、I级高后果区2处，人工识别出Ⅲ级高后果区2处、Ⅱ级高后果区1处，主要区别如下：图 6（a）中高后果区①和（b）中高后果区①范围基本相同，涵盖大公小学（特定场所I），但高后果区等级不同，分别为I和Ⅱ级，主要原因是西气东输作业指导书中对人口密度与建筑物密度换算有更高的要求[16]；图 6（a）高后果区②为图5中Ⅲ级、Ⅱ级和I级高后果区合并得到的，而（b）中高后果区②未覆盖到娄江以南的I级高后果区，可能是由于人工划分失误导致；（a）中③和④不符合合并条件，但在人工划分中将两者合并，人为扩大了Ⅲ级高后果区范围；（a）中④北部区域将两处特定场所I一并纳入，而（b）中③可能由于人为划分失误未予以统计。程序划分相比人为划分可在一定程度上减少人为划分失误因素，为精准快速的高后果区划分提供参考。

3 结论

采用线上线下相互结合、政府和企业相互联动的方式，多渠道获取高后果区动态信息，通过管道保护GIS平台实现信息共享、派单、查验和反馈，可及时发现高后果区异动，规范高后果区内的建设行为，从源头上管控安全风险。同时，开发的基于密度聚类的高后果区划分程序可快速、准确地识别出高后果区，避免人工划分过程中漏划、错划、多划、少划等情况发生，可在强化风险管控的同时，合理利用管道沿线的土地资源，为高后果区精准管控提供参考。

参考文献：

[1]陈玉亮，刘英男，赵万里，等.长三角地区管道高后果区管理实践[J]. 管道保护，2020，(4)：21-23.

[2]张涛.输气管道完整性管理高后果区管控存在的问题[J]. 上海煤气，2020(1)：18-20.

[3]董绍华，张河苇．基于大数据的全生命周期智能管网解决方案[J]．油气储运，2017，36(1)：28-36.

[4]鲁青龙，青鹏，陈利琼. 大数据在油气管道高后果区识别与管理中的应用[J]. 管道保护，2020，(3)：35-37.

[5]马廷霞，周俊鹏，李安军.长输管道高后果区识别系统软件的设计[J].油气储运，2014，33(7)：719-722.

[6]杨宏伟，张松，管磊，等. 基于GIS地油气管道高后果区识别研究[J]. 天然气与石油，2019，37(5)：119-124.

[7]卢建明，刘承松，韩士英. 天然气智慧管网调度运行技术地探索与实践[J]. 油气田地面工程，2019，38(11)：8-11.

[8]卢琳琳，邓丛微，陈琳. 基于UAV技术的长输管道高后果区识别方法研究[J]. 石油和化工设备，2018( 21)：34-37.

[9]何军，沈群. 天然气管道高后果区模糊综合分级研究[J]. 工业安全与环保，2019，45(11)：36-39.

[10]谢明，刘昊，赖俊西. 油气管道高后果区识别数据准备[J]. 当代化工，2014，43(7)：1389 -1391.

[11]史志彬. 油气管道安全评价综合数据库的建设[J]. 油气田地面工程，2008，27(5)：57 -58.