CN105740989B - 一种基于varx模型的供水管网异常事件侦测方法 - Google Patents
一种基于varx模型的供水管网异常事件侦测方法 Download PDFInfo
- Publication number
- CN105740989B CN105740989B CN201610078560.8A CN201610078560A CN105740989B CN 105740989 B CN105740989 B CN 105740989B CN 201610078560 A CN201610078560 A CN 201610078560A CN 105740989 B CN105740989 B CN 105740989B
- Authority
- CN
- China
- Prior art keywords
- model
- value
- monitoring point
- varx
- anomalous event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002547 anomalous effect Effects 0.000 title claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims description 42
- 241001269238 Data Species 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000036039 immunity Effects 0.000 abstract description 2
- RAYLUPYCGGKXQO-UHFFFAOYSA-N n,n-dimethylacetamide;hydrate Chemical compound O.CN(C)C(C)=O RAYLUPYCGGKXQO-UHFFFAOYSA-N 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于VARX模型的供水管网异常事件侦测方法。本发明首先进行测点分组,确定输入样本。其次按分组建立VARX模型。然后进行压力预测并计算差异,并计算差异的平均值和标准差。最后按照异常事件判定规则侦测异常事件。本发明基于VARX模型采用差异分析的供水管网异常事件侦测方法,具有抗干扰性强,侦测能力强等特点。
Description
技术领域
本发明属于城市供水领域,具体是一种基于VARX模型的供水管网异常事件侦测方法。
背景技术
暗漏和爆管是城市供水管网常见的两种异常事件,前者具有时间持续长、规模小、不易察觉的特点,而后者则正好相反,具有突发性、不确定性,规模大的特点。及时发现供水管网中存在的漏损事件,准确定位事件发生地点,迅速采取措施防止事态恶化,对供水管网安全运行来说显得尤为重要。
目前供水管网异常事件侦测主要基于微观水力学模型和宏观数据模型两种。其中微观模型需要已知管网***的详细资料,如管网的拓扑结构、管段的材质、长度、直径、摩阻等具体信息,国内基于微观模型的应用研究较少。基于宏观模型的研究主要分为边界分析和差异分析两种方法,边界分析方法易受噪声的干扰而差异分析方法抗干扰能力较强。
有鉴于此,使用差异分析方法可以较好地对供水管网异常事件进行侦测。本发明基于VARX模型高精度预测进行差异分析法侦测供水管网异常事件。
发明内容
本发明针对现有技术的不足,提供了一种基于VARX模型的供水管网异常事件侦测方法。其中VARX(a Vector Auto-Regressive with eXogenous variables)模型将单向因果关系的变量作为外生变量加入VAR模型中,可以有效地增强模型的抗扰动性,同时该模型具有较高的精度。
为实现以上目的,本发明采取以下步骤:
步骤1.测点分组,确定输入样本
建立供水管网预测数据库。其中输入数据包括:测量点压力、流量值等;输出数据包括:预测压力、流量值等。
(1)监测点分组
将监测点通过相关性分组,相关性计算公式如下:
说明:x,y是两组时间序列数据;Ex,Ey是对应的两组时间序列数据的期望值;Dx,Dy是对应的两组时间序列的方差;corr(x,y)则是对应的两组时间序列数据的相关系数,用来表征相关性。相关系数的取值范围在0~1,0表示不相关,反之1表示相关性明显,将相关性明显的监测点归为一类。
(2)确定输入样本
根据监测点分组确定输入样本为{xt,yt}i,其中xt为d维外生变量,yt为k维内生变量,即d个外生变量的监测点k个内生变量的监测点,t为时间单位,i表示第i组监测点。
步骤2.按分组建立VARX模型
为每一组监测点的每一次预测建立VARX模型,根据输入样本数据{xt,yt}i进行模型定阶并建立模型。
(1)VARX模型定阶
采用AIC(Akaike Information Criterion)定阶准则。其定义如下:
其中为残差,T为样本周期,p为模型滞后项,AIC值取最小值时的p值为模型最佳选择值。
(2)建立VARX模型
VARX模型的表达式为:
其中:xt为d维外生变量;Θj为k×d维待估计的系数矩阵。yt为k维的内生变量;c为k维的常数项;Φi为k×k维待估计的系数矩阵;p1,q1为滞后阶数;{εt}为k维白噪声序列。
VARX模型的参数估计使用极大似然法得到,设定:β=vec([c Φ1...Φp1Θ1...Θq1]),则上式可表示为:
yt=Wt-1β+εt
随后根据极大似然算法有:
从β和方面我们可以衍生模型参数如下:
步骤3.压力预测并计算差异
根据样本数据和建立好的模型得到每个监测点的预测值,并计算监测点n天内每一时刻预测值和观测值的差异。其中VARX模型预测值为(Y′1j,Y′2j,...,Y′ij),观测值为(x1j,x2j,...,xij),i=1...k(k表示监测点压力数据个数),j=1...n,则差异可表示为:
Δyij=(x1j-Y′1j,x2j-Y′2j,...,xij-Y′ij)
步骤4.计算差异的平均值和标准差
计算每个监测点在M天中差异的平均值和标准差。假定压力时间序列的采样频率为u min/次,M天的差异可表示如步骤3,那么一天差异的平均值可由下面的公式计算得到,其中q=1...u...1440/u。
标准差(σ1,σ2,...,σq)可通过下式计算得到:
步骤5.侦测异常事件
按照下述异常事件判定规则,实时侦测供水管网的异常情况:
a.任一时间点压力、流量观测值低于-4σ边界;
b.连续2个时间点压力、流量观测值低于-3σ边界;
c.连续4个时间点压力、流量观测值低于-2σ边界;
d.连续8个时间点压力、流量观测值低于-1σ边界。
一旦观测值触动判定规则,则认定管网异常事件发生,记录发生时刻,并触发相应预警。
本发明的有益效果:本发明基于VARX模型采用差异分析的供水管网异常事件侦测方法,具有抗干扰性强,侦测能力强等特点。
附图说明
图1:DMA区10个监测点分布图;
具体实施方式
为使本发明实现的技术手段与创作特征易于表达,下面结合附图和实例,对本发明的实时方式进一步详述。
本实例中考虑某DMA(District Metering Area)区,有10个有效压力测点,其地理位置如图1。同时引入三个入水口压力点(分别以P1,P2,P3表示)和DMA区用水量作为外生变量。压力数据时间范围从X年3月20日至X年4月3日,其中使用3月20日至4月2日数据建立模型对4月3日“5次模拟爆管试验”异常事件进行侦测。这里,仅用压力值进行示例说明,但本发明方法同样适用于流量值。
步骤1.确定输入数据
建立供水管网预测数据库。其中输入数据包括:测量点压力值、流量值等;输出数据包括:预测压力值等。
(1)监测点分组
将压力监测点和入水口压力点通过相关性分组,相关性计算公式如下:
说明:x,y是两组时间序列数据;Ex,Ey是对应的两组时间序列数据的期望值;Dx,Dy是对应的两组时间序列的方差;corr(x,y)则是对应的两组时间序列数据的相关系数。得到压力监测点分组如下表1。
表1:监测点分组情况表
组号 | 监测点成员 |
第一组 | No.3、No.5、No.6、No.7、No.10、P2 |
第二组 | No.1、No.8、No.9、P3 |
第三组 | No.2、No.4、P1 |
(2)确定输入样本
根据监测点分组确定输入样本为{xt,yt}i,其中xt为d维外生变量,yt为k维内生变量,t为时间单位,i表示第i组监测点。第一组监测点的输入样本为2维外生变量,包括P2入水口压力测点和DMA区用水量,5维的内生变量即为5个压力监测点,同理可得其余两组输入样本情况,采样频率为5min/次。
步骤2.建立VARX模型
根据输入样本确定模型阶数和模型,采用五天的数据预测一天压力监测点的数据,所以需要建立3×10个模型,即三组监测点别需要建立预测3.25~4.3日10天的VARX压力预测模型。
(1)VARX模型定阶
采用AIC(Akaike Information Criterion)定阶准则。其定义如下:
其中为残差,T为样本周期,p为模型滞后项,AIC值取最小值时的p值为模型最佳选择值。计算得到模型阶数为p=4。
(2)建立VARX模型
VARX模型的表达式为:
其中:xt为d维外生变量;Θj为k×d维待估计的系数矩阵。yt为k维的内生变量;c为k维的常数项;Φi为k×k维待估计的系数矩阵;p1,q1为滞后阶数;{εt}为k维白噪声序列。
VARX模型的参数估计使用极大似然法得到,设定:β=vec([c Φ1...Φp1Θ1...Θq1]),则上式可表示为:
yt=Wt-1β+εt
随后根据极大似然算法有:
从β和方面我们可以衍生模型参数如下:
步骤3.压力预测并计算差异
根据样本数据和建立好的模型得到每个监测点的预测值,并计算监测点n天内每一时刻预测值和观测值的差异。得到预测数据VARX模型预测值(Y′1j,Y′2j,...,Y′ij),观测值为(x1j,x2j,...,xij),其中i=1...k(k表示监测点压力数据个数,第一组k=5,第二组k=3,第三组k=2),j=1:10,则差异可表示为:
Δyij=(x1j-Y′1j,x2j-Y′2j,...,xij-Y′ij)
步骤4.计算差异的平均值和标准差
计算每个监测点在9天中每一采样点的平均值和标准差。采样频率为5min/次,则9天的压力数据可表示为(x1j,x2j,...,xij),其中i=1:k(第一组k=5,第二组k=3,第三组k=2),j=1:9,那么一天差异的平均值可由下面的公式计算得到,其中q=1...5...288,M=9。
标准差(σ1,σ2,...,σq)可通过下式计算得到:
步骤5.异常侦测
对4月3日10个监测点的压力观察值,根据下述异常事件判定规则:
a.任一时间点压力观测值低于-4σ边界;
b.连续2个时间点压力观测值低于-3σ边界;
c.连续4个时间点压力观测值低于-2σ边界;
d.连续8个时间点压力观测值低于-1σ边界。
此处以2号监测点为例,侦测到的异常事件如表2,吻合5次模拟爆管试验情况。
表2:2号监测点所侦测的异常事件
序号 | 异常时间段 | 持续时间(min) | 最大误差(σ) |
1 | 9:25 | <5 | -5.946 |
2 | 9:40 | <5 | -4.242 |
3 | 10:05 | <5 | -5.339 |
4 | 12:25 | <5 | -9.326 |
5 | 19:50 | <5 | -4.493 |
Claims (1)
1.一种基于VARX模型的供水管网异常事件侦测方法,其特征在于该方法包括以下步骤:
步骤1.测点分组,确定输入样本,具体是:
建立供水管网预测数据库;其中输入数据包括:测量点压力、流量值;输出数据包括:预测压力、流量值;
(1)监测点分组
将监测点通过相关性分组,相关性计算公式如下:
其中x,y是两组时间序列数据;Ex,Ey是对应的两组时间序列数据的期望值;Dx,Dy是对应的两组时间序列的方差;corr(x,y)则是对应的两组时间序列数据的相关系数,用来表征相关性;相关系数的取值范围在0~1,0表示不相关,反之1表示相关性明显;
(2)确定输入样本
根据监测点分组确定输入样本为{xt,yt}i,其中xt为d维外生变量,yt为k维内生变量,即d个外生变量的监测点k个内生变量的监测点,t为时间单位,i表示第i组监测点;
步骤2.按分组建立VARX模型
为每一组监测点的每一次预测建立VARX模型,根据输入样本数据{xt,yt}i进行模型定阶并建立模型;
(1)VARX模型定阶
采用AIC定阶准则;其定义如下:
其中为残差,T为样本周期,p为模型滞后项,AIC值取最小值时的p值为模型最佳选择值;
(2)建立VARX模型
VARX模型的表达式为:
其中:xt为d维外生变量;Θj为k×d维待估计的系数矩阵;yt为k维的内生变量;c为k维的常数项;Φi为k×k维待估计的系数矩阵;p1,q1为滞后阶数;{εt}为k维白噪声序列;
VARX模型的参数估计使用极大似然法得到,设定:β=vec([c Φ1...Φp1 Θ1...Θq1]),则上式可表示为:
yt=Wt-1β+εt
随后根据极大似然算法有:
从β和方面可以衍生模型参数如下:
步骤3.压力预测并计算差异
根据样本数据和建立好的模型得到每个监测点的预测值,并计算监测点n天内每一时刻预测值和观测值的差异;其中VARX模型预测值为(Y1'j,Y2'j,...,Yij'),观测值为(x1j,x2j,...,xij),i=1...k,j=1...n,k表示监测点压力数据个数,则差异可表示为:
Δyij=(x1j-Y′1j,x2j-Y′2j,...,xij-Y′ij)
步骤4.计算差异的平均值和标准差
计算每个监测点在M天中差异的平均值和标准差;假定压力时间序列的采样频率为umin/次,M天的差异可表示如步骤3,那么一天差异的平均值可由下面的公式计算得到,其中q=1...u...1440/u;
标准差(σ1,σ2,...,σq)可通过下式计算得到:
步骤5.侦测异常事件
按照下述异常事件判定规则,实时侦测供水管网的异常情况:
a.任一时间点压力、流量观测值低于-4σ边界;
b.连续2个时间点压力、流量观测值低于-3σ边界;
c.连续4个时间点压力、流量观测值低于-2σ边界;
d.连续8个时间点压力、流量观测值低于-1σ边界;
一旦观测值触动判定规则,则认定管网异常事件发生,记录发生时刻,并触发相应预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610078560.8A CN105740989B (zh) | 2016-02-03 | 2016-02-03 | 一种基于varx模型的供水管网异常事件侦测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610078560.8A CN105740989B (zh) | 2016-02-03 | 2016-02-03 | 一种基于varx模型的供水管网异常事件侦测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740989A CN105740989A (zh) | 2016-07-06 |
CN105740989B true CN105740989B (zh) | 2019-09-27 |
Family
ID=56244959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610078560.8A Active CN105740989B (zh) | 2016-02-03 | 2016-02-03 | 一种基于varx模型的供水管网异常事件侦测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740989B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2900473T3 (es) | 2016-07-08 | 2022-03-17 | Suez Groupe | Procedimiento y sistema mejorados para estimar los flujos de agua en los límites de una subred de una red de distribución de agua |
CN106287233B (zh) * | 2016-08-11 | 2018-04-10 | 中国科学院生态环境研究中心 | 一种管网漏失预警方法及*** |
CN106872657B (zh) * | 2017-01-05 | 2018-12-14 | 河海大学 | 一种多变量水质参数时序数据异常事件检测方法 |
CN109344708B (zh) * | 2018-08-29 | 2021-10-22 | 昆明理工大学 | 一种供水管网爆管信号异常分析方法 |
CN109930658B (zh) * | 2019-03-27 | 2021-02-05 | 杭州电子科技大学 | 一种基于***能观性的供水管网监测点布置方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1617512A (zh) * | 2004-11-25 | 2005-05-18 | 中国科学院计算技术研究所 | 一种自适应网络流量预测和异常报警方法 |
CN103580960A (zh) * | 2013-11-19 | 2014-02-12 | 佛山市络思讯环保科技有限公司 | 一种基于机器学习的在线管网异常侦测*** |
CN105184386A (zh) * | 2015-07-22 | 2015-12-23 | 中国寰球工程公司 | 一种结合专家经验和历史数据建立异常事件预警***的方法 |
-
2016
- 2016-02-03 CN CN201610078560.8A patent/CN105740989B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1617512A (zh) * | 2004-11-25 | 2005-05-18 | 中国科学院计算技术研究所 | 一种自适应网络流量预测和异常报警方法 |
CN103580960A (zh) * | 2013-11-19 | 2014-02-12 | 佛山市络思讯环保科技有限公司 | 一种基于机器学习的在线管网异常侦测*** |
CN105184386A (zh) * | 2015-07-22 | 2015-12-23 | 中国寰球工程公司 | 一种结合专家经验和历史数据建立异常事件预警***的方法 |
Non-Patent Citations (2)
Title |
---|
供水管网爆管水力学模型与爆管定位;程伟平 等;《浙江大学学报(工学版)》;20130630;第47卷(第6期);全文 * |
基于小波神经网络对城市供水管网压力的预测;汪健 等;《供水技术》;20150831;第9卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105740989A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740989B (zh) | 一种基于varx模型的供水管网异常事件侦测方法 | |
CN110108328B (zh) | 一种供水管网漏损区域漏水量的获取方法 | |
CN103939749B (zh) | 基于大数据的输油管网泄漏智能自适应监控***及方法 | |
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
CA3031517C (en) | Method and apparatus for model-based control of a water distribution system | |
CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
Bayer et al. | Kumaraswamy autoregressive moving average models for double bounded environmental data | |
Pal et al. | M5 model tree based modelling of reference evapotranspiration | |
CN103747477B (zh) | 网络流量分析与预测方法和装置 | |
CN109376925A (zh) | 供水管网节点流量动态自适应优化方法 | |
CN105574587A (zh) | 一种塑料注塑过程的在线工况过程监控方法 | |
CN104697704A (zh) | 冷水机组排气压力故障检测方法 | |
CN104534285A (zh) | 一种能耗异常监控方法及装置 | |
CN112818495A (zh) | 一种新型管道压降测算算法参数的动态修正方法 | |
CN109145499A (zh) | 基于河道多态计算及Arima模型的权重组合水质预测方法 | |
CN110837933A (zh) | 基于神经网络的漏损识别方法、装置、设备及存储介质 | |
CN117469603B (zh) | 一种基于大数据学习的多水厂供水***压力优化控制方法 | |
CN113641733B (zh) | 一种河道断面流量实时智能推求方法 | |
CN103353295A (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
CN108730775A (zh) | 一种树状管网爆管分析方法及装置 | |
CN108171408B (zh) | 一种污水来水与出水量建模方法 | |
Preis et al. | Online hydraulic state prediction for water distribution systems | |
Oren et al. | Mathematical model for detection of leakage in domestic water supply systems by reading consumption from an analogue water meter | |
Aleem et al. | System identification of distributory canals in the indus basin | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20160706 Assignee: CHITIC CONTROL ENGINEERING Co.,Ltd. Assignor: HANGZHOU DIANZI University Contract record no.: X2021330000072 Denomination of invention: An abnormal event detection method of water supply network based on varX model Granted publication date: 20190927 License type: Common License Record date: 20210817 |