标题：Automated detection and diagnosis of leak fault considering volatility by graph deep probability learning
链接：https://doi.org/10.1016/j.apenergy.2024.122939
研究点
提出了一种图深度概率学习的可再生电力制氢系统（Power-to-Hydrogen, P2H2）泄漏故障检测方法，该方法结合图神经网络（Graph Neural Network, GNN）和变分贝叶斯推理模拟传感器之间的空间依赖关系，以正常工况信号作为训练数据，在P2H2产量波动较大的情况下准确检测并定位泄漏故障。
摘要
泄漏故障严重影响了可再生电力制氢系统(P2H2)对绿色氢能供应的可靠性和可持续性。深度学习技术已广泛应用于氢能系统的泄漏故障自动检测与诊断。然而，由于风能、太阳能发电的间歌性，现有基于监测信号开发的方法在氢能生产大幅波动的泄漏情境下泛化能力差。本研究引入了图深度概率学习方法，其中基于注意力的图神经网络(GNN)学习传感器之间的依赖关系。集成变分推断来模拟传感器依赖关系的后验分布，利用这种方法通过使用一天中不同时间段的正常时间序列信号作为训练数据来检测和定位氢能生产大幅波动下的泄漏故障。对P2H2系统中的氢气泄漏故障进行了实验，验证了所提出方法相比6种最先进方法具有更高准确性。结果表明，我们的方法AUC值为0.96，更准确地检测了泄漏故障，并成功定位了所有泄漏故障。本研究为未来可再生P2H2系统的更可靠和高效安全监控提供了支持。
Leak fault significantly affects the reliable and sustainable green hydrogen energy supply by renewable Power-to-Hydrogen (P2H2) system. Deep learning has been widely applied to automated leak fault detection and diagnosis of hydrogen systems. However, due to the intermittency of wind/solar-power-generation, existing approaches developed by monitored signals have the bad generalization to leak scenario under large volatility of power-to‑hydrogen production. This study introduces graph deep probability learning approach, in which an attention-based graph neural network (GNN) learns the dependency between installed sensors. Variational inference is integrated to model posterior distribution of sensor dependencies, by using which the leak fault under large volatility of power-to‑hydrogen production is detected and localized by using normal time-series signals under different timeslots of one day as training data. Experiment of hydrogen leak faults from P2H2 system is conducted to verify the more accuracy of proposed approach compared to 6 state-of-the-art approaches. Results demonstrated our proposed approach detects the leak fault more accurately with a higher AUC of 0.96 and successfully localizes all the leak faults. This study supports more reliable and efficient safety monitoring for upcoming renewable P2H2 system in future.
Keywords：Green hydrogen system / Leak detection and diagnosis / Graph neural network / Variational Bayesian inference / Data-driven
主要贡献
- 提出了图深度概率学习的P2H2泄漏故障检测方法，应用图注意方法学习系统中传感器之间的依赖关系，结合变分推理模拟传感器依赖关系的后验分布。以正常工况信号作为训练数据，在P2H2产量波动较大的情况下检测定位泄漏故障。
- 开展氢气泄漏实验比较所提方法与现有6种方法的性能。结果表明，所提方法的泄漏检测精度较高，AUC=0.96，并且在P2H2产气量波动较大的情况下能够成功定位所有泄漏故障。
- 所提方法不使用故障信号作为训练数据，适用于风电/太阳能制氢波动大情况下的泄漏故障检测及定位，可推广应用于可再生能源P2H2系统。
图1所示，可再生电力制氢系统中的氢气流量波动大，可再生电力制氢系统输配管道中的泄漏故障事故在高波动性条件下往往难以检测。
图2所示，P2H2全天产气量的间歇性，导致不同时段的正常信号具有差异。
图3所示，结合图神经网络和变分贝叶斯推理的可再生电力制氢系统泄漏故障自动检测与定位方法GVBnn_ H2leaks，该方法应用图注意力网络学习传感器之间的依赖关系，结合变分推理模拟传感器依赖关系的后验分布。
图4所示，P2H2传输系统氢气泄漏实验系统，主要包括储氢罐、管道、阀和调压器。
图5所示，在一天内来自可再生P2H2系统的风/太阳能-氢气生产波动对监测信号的影响。
图6所示，考虑P2H2系统间歇性影响下传感器监测的压力信号。
图7所示，选择存在较大波动的19:00中正常运行的压力信号和泄漏故障的泄漏信号进行模型测试。
图8所示，模型开发过程中，采用MC方法确定预测压力的后验分布，用于泄漏检测和定位。确定最优的MC数来平衡模型的准确性和效率。
图9所示，所提方法可以提供检测结果的后验分布，有助于避免错误地检测泄漏故障。
图10所示，通过计算传感器之间的依赖权重进行泄漏定位。
总结
考虑可再生P2H2系统的波动性，提出了一种图深度概率学习方法GVBnn_ H2leaks用于泄漏故障自动检测与定位。该方法应用图神经网络捕获传感器之间的空间相关性，结合变分贝叶斯推理空间依赖的后验分布，有助于提高P2H2系统中氢气产量大幅波动变化下的泄漏故障检测准确性。
作者介绍
本文由：
香港理工大学助理教授（研究）师吉浩，香港理工大学研究助理张新琪，北京大学城市规划与设计学院助理教授张浩然，香港理工大学助理教授（研究）王其梁，香港理工大学讲席教授严晋跃，香港理工大学教授肖赋合作完成。
通讯作者：张浩然
现任北京大学深圳研究生院城市规划与设计学院助理教授、研究员、博士生导师。
研究方向：可持续发展、清洁能源供应链、绿色交通系统、智能技术在城市能源基础设施中的整合。