摘要
氢气作为一种清洁高效的能源，在替代化石能源、降低碳排放方面具有巨大的潜力。然而，氢气易燃易爆的特性使得其泄漏极易引发严重的火灾爆炸事故。加氢站作为氢能应用的关键基础设施，其高压储存状态加剧了氢气泄漏风险。为了确保氢能的安全利用，必须对加氢站的氢气泄漏问题给予高度重视，并采取切实有效的监测和预警措施。本研究致力于通过深度学习解决加氢站氢气泄漏溯源和浓度演化预测问题，弥补了传统氢气泄漏监测方法存在的监测范围有限、反应速度慢、误报率高等问题，以及气体浓度演化预测缺乏时效性的不足，实现对氢气泄漏的精准溯源和快速预警，为加氢站应急处置提供指导意义。 首先，采用ANSYS-Fluent软件结合不同的风速、风向、泄漏孔径、泄漏位置等因素，模拟不同工况条件下的氢气泄漏过程，构建深度学习模型的训练与测试数据集。针对加氢站高泄漏风险问题，本研究提出了CEEMDAN-CNN-LSTM混合模型用于泄漏溯源预测。该模型结合了多种算法优势，通过对氢气传感器浓度序列进行分解和重构，再利用神经网络模型进行泄漏定位预测。该混合模型在溯源准确率、精确度、召回率和F1得分等方面均达到了99%以上，相比传统模型具有更高的准确性，且在不同输入数据长度下都具有较好的适应性。以5秒泄漏数据作为输入时，溯源准确率仍能达到97.64%，意味着该模型能够在泄漏事故早期阶段提供较为准确的定位结果。 此外，基于Informer模型构建了一种氢气浓度演化预测模型H2-Informer。该模型以少量稀疏分布的传感器浓度数据、风速、风向以及高度信息作为输入特征，同时预测未来多个时刻的二维平面氢气浓度分布，并且具备预测不同高度浓度演化的能力。经过超参数调优，H2-Informer模型R2达到0.9775，推理时间仅为1.5秒，相比CFD模拟，大幅度缩短了预测时间，满足实时预测的需求。通过对比实验，H2-Informer模型预测未来30步浓度分布，R2保持在0.9以上，在长序列预测中表现出更强的拟合能力和稳定性。 综上所述，本研究借助深度学习，构建了泄漏溯源和浓度演化预测两种模型，研究成果有助于加氢站在发生泄漏事故时迅速采取应急措施，提升站内的安全管理水平，更为氢能产业的健康发展和安全利用提供可靠的技术支持。同时，本研究也为其他类似场景的安全监测和预警工作提供了借鉴和参考。
NETL