盧建明1 李想2 范文峰1 丁楠1 肖麗1

1．浙江浙能天然氣運行有限公司； 2．浙江浙能技術研究院有限公司

 

 

浙江浙能天然氣運行有限公司管理的浙江省天然氣管網干線，途經杭州、寧波、紹興等省內11個地級市，干線總長超過1 800多公里，擁有西一氣、西二氣、川氣、寧波LNG、麗水36-1等6處氣源，全省“一環網”供氣格局已基本形成，隨著“縣縣通”工程的有序推進，至2020年全省輸氣管網將達到2 800多公里。浙江省經濟相對發達，高后果區管理存在后建工程較多、改線工程頻繁、區域差異較大、地理環境復雜等特點。 2017年，全年共發現并處理管道報警723起、第三方施工132起、占壓類隱患37起； 2018年，全年共發現并處理管道報警733起、第三方施工91起、占壓類隱患37起。

浙江省輸氣省網管道北部主要分布于經濟發達、人口密集、社會活動頻繁的長三角地區，其施工機械化程度高，具有突發性和不確定性，同時第三方施工頻發，對管道安全威脅較大；管道多沿高速、地方路網敷設，綠化施工對管道防腐層、光纜損傷風險較高，發生管道事故后果更加嚴重，社會影響面更大。東部及南部主要分布于泥石流、水毀、崩塌等自然災害頻發的山區，但也存在大量分散的的高后果區。如何通過對高后果區的有效管理避免自然災害造成的天然氣管道事故，確保管道的長周期安全運行具有重要意義和實際應用價值。

1 高后果區管理存在的問題以及解決措施

高后果區管理分為內部質量管理和外部環境管理，內部質量管理具備一定的可控性，外部環境管理具有很大的不確定性。近幾年公司高后果區內部質量管理的提升有效地帶動了外部環境管理的提升，但從全面質量管理人—機—料—法—環五個因素分析，高后果區識別還存在諸多問題（圖 1），需要采取對應措施加以解決。

1.1 人（員工）問題

公司高后果區管理人員主要分為管理人員和巡線人員。以前對高后果區管理相對比較松散，未設置專職的管理人員，現在雖然增設了這一崗位，但人員專業技能和經驗尚待積累提高，難以有效指導一線工作。而很多一線巡線人員文化素質相對較低，缺乏采集高后果區數據等基本技能。

解決措施：針對高后果區管理人員，實行技能上崗認證，通過專業培訓取得完整性管理中級以上資格；針對一線巡線人員，組織學習培訓，提高實操能力。

1.2 機（設備）問題

巡線人員現場所有的信息采集均由手工記錄，不會使用定位設備， 數據采集缺乏有效手段。

解決措施：開發智能巡檢手機端APP；加強指導培訓，掌握設備操作技能。

1.3 料（數據）問題

現場采集時經常存在數據不準、數據不全、數據質量差以及效率較低的情況。

解決措施：優化數據采集方式，減少采集工作量，采用外業調查+地理信息系統在線識別方式進行數據采集，提高采集質量和采集效率。同時，針對改線工程、新增工程等以核查+補缺的方式進行信息搜集。

1.4 法（方法）問題

以往高后果區識別以人工為主，由于相關標準比較原則，很難指導員工在現場準確識別高后果區，確定任意 2 km 的范圍等。浙江農村地區自建房普遍都在四層、五層以上，往往就住一戶或長期無人居住，如果按GB 32167―2015《油氣輸送管道完整性管理規范》識別，應屬于Ⅲ級高后果區，而實際危害后果卻相對較小，企業為此投入大量的人力、財力，卻沒有真正管理到位。

解決措施：編制公司管道高后果區識別管理辦法和管道高后果區識別作業規程，統一采集標準、采集方法，明確人員職責。

1.5 環（環境）問題

浙江省地理環境、人口環境比較復雜，高后果區的人員信息、建筑信息等獲取比較困難，數據采集工作量較大，所獲數據缺乏有效管理。

解決措施：開發高后果區智能識別與管理軟件；利用無人機采集復雜地理環境信息、更新改線段地圖等。

2 高后果區智能識別設計

利用GIS線劃圖加外業調查數據，分析浙江省輸氣管道高后果區管理現狀，優化現場巡檢人員數據采集方式，利用高清晰衛星遙感圖構建矢量圖，對高后果區進行智能識別和分析，實現對高后果區的動態和靜態管理。

智 能 識 別 設 計 架 構 中 ， 系 統 開 發 主 要 基 于ArcGIS + PostgreSQL地理信息平臺和數據庫，應用開發采用Java9 + SpringBoot + Angular Web框架， GIS相關功能開發基于ArcGIS js API 4.6+，應用服務器運行環境采用Tomcat 9服務器。

2.1 數據處理

在系統識別前需要對房屋類型、樓層統計、典型的房屋—戶數對應關系、特定場所等進行前期處理。

（1）房屋分類：對重點區域內的房屋建筑進行分類；主要類別包括但不限于公寓樓、民房、辦公寫字樓、工廠廠房、臨時住所及其他。

（2）樓層統計：對房屋的樓層進行計算和統計，將樓層數據作為該建筑物的屬性數據之一。

（3）基于典型的房屋—戶數對應關系計算模型獲取沿線戶數，將對應的戶數賦予相應的房屋建筑物，作為其屬性數據之一。

（4）特定場所：分析房屋建筑的類型，對不確定的建筑類型，可在地圖上標記為疑似特定場所，導出特定場所現場核查表，待外業調查確認后，將結果填報到該建筑的屬性信息中。

2.2 外業調查

外業調查主要由現場巡線人員或者數據管理團隊利用移動端APP進行現場數據采集和環境變化數據采集；管理人員或者數據管理團隊對采集的數據進行核查和錄入（圖 2）。

              

2.3 數據分析

基于密度的聚類算法（DBSCAN）對管道沿線的戶數分布進行計算，劃分出人口、房屋等聚集區域，構建矢量圖（圖 3），為高后果區劃分做好準備。

3 應用情況及效果

2 0 1 8年，公司通過智能識別系統，開展了1 385 km管道的高后果區識別工作，共識別出高后果區617段，里程為622.3 km，其中Ⅲ級26.3 km，占比1.9%；Ⅱ級262.8 km，占比19.0%；Ⅰ級333.2 km，占比24.1%（圖 4）。

4 結論

智能識別系統是公司高后果區管理的初次嘗試，實踐證明其能夠有效識別高后果區，并能大幅度降低人工成本和管理成本。能夠快速、高效、自動生成高后果區分析報告，為管道安全管理、應急指揮決策、搶險救援等提供強有力的支撐。針對目前存在的問題和不足，正在進一步研究改進。

（1）系統開發要與生產深度融合。應滿足生產一線、管理層的多層級需求，重點是一線人員的需求，他們是高后果區智能化、信息化管理的應用者和受益者。

（2）應結合公司所處的地理環境、人口密集程度等自身特點，有針對性的開展高后果區管理。

（3）加強對高速公路、鐵路等復雜環境高后果區的管理。目前GB 32167―2015對此規定不明確，但在浙江存在大量的管道與鐵路、公路并行情況，如果在爆炸影響范圍內，將導致嚴重后果。

 

作者：盧建明，男， 1960年生，浙江松江人，高級工程師， 浙江大學電機系電力系統及其自動化專業，現主要從事公司管道安全運營管理工作。李想，男， 1988年生，工程師， 2013年碩士畢業于中國石油大學（北京）油氣儲運專業，現主要從事油氣管道安全研究工作。

2019年第4期（總第47期）