基于基线漂移校正与混合边际Gumbel copula的水下压缩气体储能滑流识别方法

《Measurement》：Slug flow identification for underwater compressed gas energy storage based on baseline drift correction and mixed marginal Gumbel copula

　　•本文提出了一种用于识别UWCGES系统中段塞流的框架。•一种新颖的双域特征提取策略用于表征段塞流的特征。•构建了混合边际校正的Gumbel-Copula模型用于段塞流检测。•该框架实现了UWCGES系统的高效智能运维。

引言
在当前全球能源格局深刻变革的背景下，日益增长的能源需求以及不断提升的环境意识，使得开发高效、可持续的能源存储技术成为当务之急。作为专为海洋环境设计的一种新兴大规模物理能源存储技术，水下压缩气体能量存储系统为满足这一需求提供了极具前景的解决方案[1]、[2]、[3]。该系统的核心设计理念是利用海洋空间的天然优势，采用可逆的存储-释放工作机制。在电网负荷较低或可再生能源过剩时，压缩机将空气压缩至高压状态，通过水下管道输送并储存在天然洞穴、模块化压力容器、盐穴改造设施等水下气体存储结构中，从而将电能转化为气态势能。反之，在电网负荷高峰或可再生能源不足时，高压气体通过水下管道输送到发电站，驱动涡轮机发电，实现势能向电能的可逆转换，进而实现能源分配的跨时间优化[4]、[5]、[6]、[7]、[8]。

作为UWCGES系统中能源传输的核心环节，水下管道的稳定运行对整个存储-释放循环的效率至关重要。然而，在实际运行中，管道内液体的积聚始终是一个难以避免的问题。在 underwater compressed gas energy storage系统中，随着存储深度的增加，管道周围的环境温度逐渐降低，而压力则持续上升。这会导致输送气相中的部分成分凝结成液体，这些液体倾向于积聚在管道的低洼区域[9]、[10]、[11]、[12]，如图1所示。这种特有的管道液体积聚问题不仅会破坏气液两相流的稳定性，还会引发段塞流现象[13]、[14]、[15]，进而导致管道内压力剧烈波动、设备腐蚀加速，最终使系统的能源存储和释放效率大幅下降[16]、[17]、[18]。在极端情况下，还可能引发阀门卡住、压缩机过载等安全隐患，成为制约UWCGES系统长期稳定运行和商业化应用的关键瓶颈[2]、[19]。在复杂的实际水下管道中，液体容易积聚形成段塞，在充气过程中会导致压缩机过载和部件磨损；而在放气过程中，则会在深海高压环境下造成涡轮机损坏、管道超压甚至故障。因此，准确、实时地识别段塞流对于确保UWCGES系统的安全高效运行至关重要。

目前，段塞流识别方法主要分为三类：基于传感器的监测、数值模拟以及智能识别[20]。传统的基于传感器的监测方法利用精密仪器获取物理量特征，以提供实测数据。数值模拟则通过多相流模型预测段塞流的演化机制。智能识别方法则借助机器学习和深度学习技术，在复杂工况下实现实时在线检测。

如表1所示，现有段塞流识别研究大致可分为三种技术路线：基于传感器的监测、数值模拟以及智能识别，相关文献[21]、[22]、[23]、[24]、[25]、[26]、[27]、[28]、[29]、[30]、[31]、[32]、[33]、[34]、[35]、[36]、[37]系统阐述了各领域的最新进展。

基于传感器的段塞流监测是最早发展起来的主流技术路线，相关文献[21]、[22]、[23]、[24]、[25]、[26]已构建起多物理量、多维度的传感检测系统。其中，差压信号因其易于获取且响应迅速，已成为核心检测手段，可用于建立差压变化与段塞流特征参数之间的定量关联。通过结合温度与差压的多参数融合方法，可将检测范围扩展到油气水三相流。超声多普勒技术则能够同时测量流速分布和液膜厚度，从而揭示段塞在管道中的长度变化规律。高速可视化技术与PIV技术的结合，则为倾斜管道中段塞流的产生与发展提供了直观的实验依据。

数值模拟技术为段塞流演化机制的研究提供了理论支持，相关文献[27]、[28]、[29]、[30]、[31]、[32]从模型优化和工程应用两个维度推动了相关研究的发展。通过质量缓冲弹簧类比优化得到的段塞追踪模型，能够实现对瞬态段塞流及压力特性的定量描述。VOF方法与保守型激波捕捉技术的应用，则提升了段塞形成过程的模拟精度及界面定位能力。多流动状态耦合双流体模型则可实现水锤、明渠流和段塞流的同步模拟，为输水系统及超深井环空中的流动状态识别提供了技术支持。

机器学习和深度学习技术的引入，推动了段塞流识别向智能化、高精度方向发展，相关文献[33]、[34]、[35]、[36]、[37]在模型架构、数据融合及场景适配方面取得了显著进展。从基本的CNN模型到CNN-SVM混合模型，识别精度逐步提升至98.8%。通过引入多传感器振动特征融合与注意力机制，识别精度进一步提高到99.69%。针对深海油气监测、无损监测等特定工业场景的模型优化，也显著提升了这些方法的工程适用性和稳健性。

尽管现有的段塞流识别方法已取得了不错的分类精度，但大多数研究并未考虑原始测量数据的统计特性。从管道系统采集的压力信号容易受到传感器误差、基线漂移及随机干扰的影响，从而导致测量结果不准确。此外，不合理的多特征融合会进一步放大误差，降低数据的可解释性。为解决上述统计问题，本文开展了全面的定量不确定性分析、误差传播计算、重复性、稳健性及参数敏感性验证，并采用了针对性的特征融合策略，以提高监测数据的整体质量。

综上所述，为克服参数测量、数值模拟以及基于深度学习的流型识别方面的局限性，本文提出了一种基于基线漂移校正、双域特征提取及混合边际校正的Gumbel Copula多特征协同识别方法用于段塞流识别。本研究的主要贡献体现在以下几个方面：首先，针对气液两相管道的压力信号，进行了有针对性的数据预处理，具体包括对压力信号进行线性趋势去除，以消除基线漂移及其他干扰成分。其次，构建了8维融合特征向量来表征段塞流的特征，其中4个频域特征通过WPT方法提取，4个时域特征通过CE方法提取。第三，采用带有混合边际校正的Gumbel Copula模型来描述这些特征的联合分布，该方法能够有效捕捉多维特征空间中的非线性及非对称相关性，克服了传统线性方法在描述复杂特征交互作用时的局限性。第四，利用最大似然估计法精确估算Gumbel Copula的尾部相关参数，从而实现极端流动条件的可靠模拟。最终，以非段塞流样本的联合累积分布函数的第99百分位值作为识别阈值，为区分段塞流与非段塞流提供了明确的判断标准。此外，本文还对测量不确定性、全流程误差传播、实验重复性及方法稳健性进行了全面分析，以验证所提技术框架的可靠性。这些统计分析还明确了原始压力数据的质量以及双域特征融合的优势，提升了监测结果的可解释性。总之，所提出的段塞流识别方法构成了一套包含五个关键步骤的标准技术框架，即基线漂移校正、基于WPT-CE的双域特征提取、Gumbel Copula多特征协同建模、最大似然估计参数估算以及阈值校准。该框架保证了段塞流识别的准确性与稳健性，为气液两相管道段塞流识别提供了一种高效、精准且可投入工程应用的解决方案，同时也解决了现有方法存在的抗干扰能力弱、特征相关性建模不足以及阈值可解释性低等关键问题。

本文的结构如下：第2节详细介绍了实验系统及仿真设置；第3节阐述了所提出的段塞流识别方法；第4节分析了仿真与实验的识别结果；第5节总结了研究结论，并阐述了该项工作的意义。