CN105930653B - 一种基于计量分区流量监测数据的爆管预警方法 - Google Patents
一种基于计量分区流量监测数据的爆管预警方法 Download PDFInfo
- Publication number
- CN105930653B CN105930653B CN201610245327.4A CN201610245327A CN105930653B CN 105930653 B CN105930653 B CN 105930653B CN 201610245327 A CN201610245327 A CN 201610245327A CN 105930653 B CN105930653 B CN 105930653B
- Authority
- CN
- China
- Prior art keywords
- vector
- matrix
- data
- early warning
- booster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 109
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 238000012360 testing method Methods 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000000977 initiatory effect Effects 0.000 claims abstract description 20
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 238000002474 experimental method Methods 0.000 claims abstract description 10
- 238000004880 explosion Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000012512 characterization method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001672694 Citrus reticulata Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011513 prestressed concrete Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明属于环境工程的应急处理技术领域,尤其涉及一种基于计量分区流量监测数据的爆管预警方法,采集流量数据组成历史数据矩阵并进行爆管模拟实验以获取爆管数据组成测试矩阵;预设初始化参数k1和异常值探测参数k2,对历史数据矩阵进行聚类分析并剔除异常向量后生成初始化矩阵,将其与测试向量构成探测矩阵,对探测矩阵进行聚类分析并将异常测试向量剔除,随后将该向量与探测矩阵的均值向量的作差,若每个差值均大于零或小于零则不发出爆管预警,否则发出爆管预警;计算漏报率和误报率,调整预设初始化参数和预设异常值探测参数直到获得最佳漏报率与误报率并应用于实时的爆管预警中。能够在爆管或漏损时准确地进行预警,硬件成本低,预警效果理想。
Description
技术领域
本发明属于环境工程的应急处理技术领域,尤其涉及一种基于计量分区流量监测数据的爆管预警方法。
背景技术
城市供水管网是现代都市的生命线,在人们日常生活和城市的发展中占据着不可替代的地位。爆管是供水管网中常见的事故类型,而且包括天气条件、各种荷载、各种腐蚀、水锤、管道质量和施工等在内的因素,都会引起爆管的发生,轻则造成大量水资源的浪费,重则造成引发交通中断、地面塌陷等事故,还会危及人民群众的财产和生命安全。
爆管事故的突发性、不确定性和影响因素的复杂性给自来水公司的应急处理工作带来了巨大困难,根据全国184个城市的不完全统计,全国在2000年至2003年间因管网爆管造成的停水事件高达13.7万次,近年来关于爆管事故引发次生灾害的新闻报道也屡见不鲜,这都给居民生活和工业生产带来了严重影响。因此,应对爆管事故得到了行业的极大关注,其中,在爆管事故发生后进行快速准确的预警已经成为重要的研究内容,这将极大减少供水企业的响应时间。
近年来,数据采集与监视控制(SCADA)***已经广泛应用于国内的城市供水管网中,计量分区也越来越受到重视并开始大力推广建设,这为开发数据驱动的爆管预警方法提供了可能,同样也提出了需求。
国内研究较多的仍是模型驱动的方法,需要获取众多的地理信息数据并建立复杂的管网水力模型,参数多,计算繁琐,而且精度不高。国内现有的针对城市供水管网的爆管预警发明多依靠加装额外的监测设备或使用特定管材,例如在管网安装压电陶瓷加速度传感器(CN101886742A),又例如在管网中使用预应力钢筒混凝土管(CN104633461A),爆管发生时,这些设备或管材会产生特殊的声信号,爆管事故由此被识别出来。但是设备成本与改造费用高昂,不利于该种方法的大规模推广。
发明内容
为了解决上述技术问题,本发明提出了一种基于计量分区流量监测数据的爆管预警方法,包括:
步骤1、利用管网计量分区中的n个流量计采集m天内某一相同时刻的流量数据组成历史数据矩阵;
步骤2、利用管网计量分区中的n个流量计采集第m+1天到第m+p天内的流量数据,并在此段时间内进行爆管模拟实验以获取爆管数据,组成测试矩阵,测试矩阵中的某一行定义为某一天生成的测试向量;
步骤3、预设初始化参数k1,对所有历史数据矩阵进行聚类分析并剔除异常向量后生成初始化矩阵;
步骤4、将初始化矩阵与某一天生成的测试向量构成探测矩阵,预设异常值探测参数k2,对探测矩阵进行聚类分析并剔除异常测试向量,并重复步骤4更新探测矩阵直到完成所有探测矩阵的聚类分析;
步骤5、计算异常测试向量中每个元素与其原所在探测矩阵的均值向量的差值,若每个差值均大于零或小于零则不发出爆管预警,否则发出爆管预警;
步骤6、计算漏报率和误报率,并调整预设初始化参数和预设异常值探测参数,重复步骤2~5直到获得最佳漏报率与误报率;
步骤7、将调整优化后的预设初始化参数和预设异常值探测参数应用于实时的爆管预警中,使用计量分区进出口流量计实时生成的向量构建并更新探测矩阵,最终通过比较均值向量与异常测试向量对爆管事故进行报警。
所述聚类分析包括:
计算每个向量的局部密度和距离两个值,向量i的局部密度ρi的计算方法如下:
其中,如果x<0,则χ(x)=1,否则χ(x)=0;dij表示向量i与向量j间的欧氏距离;dc为截断距离,dc使得向量的平均局部密度值为矩阵中所有向量数的1%-2%;
向量i的距离δi的计算方法如下:
其中,向量j的局部密度ρj要满足大于向量i的局部密度ρi的条件;
如果向量i具有最大的局部密度,其距离定义为:
δi=maxj(dij) (3)
对具有最低密度的向量,根据其距离由大到小排序,距离越大,则向量为异常的可能性就越大,初始化参数用以确定矩阵中异常向量的个数,异常值探测参数用以确定测试向量是否异常。
所述漏报率为在发生爆管事故时,未被成功识别为爆管的向量占所有表征爆管事故的向量的百分比;所述误报率为在未发生爆管事故时,被错误识别为爆管的向量占所有正常向量的百分比。
所述聚类分析通过比较流量数据间的相似度来发现异常的流量数据。
所述均值向量由相应矩阵中各列元素的均值构成。
所述步骤1中的m≥90。
所述步骤2中的p≥10。
所述流量计的监测频率为1-5分钟。
所述初始化参数k1的取值范围是0.01-0.15。
所述异常值探测参数k2的取值范围是0.01-0.15。
相较于其他爆管预警的方法或研究,本发明的有益效果在于:
利用Matlab平台实现了基于计量分区流量监测数据对爆管事故的快速准确预警;提高了应急处理的科学性和可操作性;为供水企业快速有效地发现爆管事故,最大限度地降低爆管给城市生活带来的损失,保障供水管网的安全性和可靠性提供了关键的技术支持。
相对于人为的经验判断或是价格高昂的先进设备设施,能够充分挖掘计量分区流量数据的有效信息,分析判断爆管事故发生与否,进而节省了大量培训工作人员的时间与改造管网的费用;同时改善了爆管预警的方法,使供水企业主动而非被动地获取爆管信息,具有坚实的理论依据和较高的可信度。
对管网进行计量分区改造的目的就是降低漏损水平,爆管作为漏损的一种常见形式,可以在使用本发明后得到有效应对,使计量分区更具应用价值。而随着计量分区在全国范围内的推广与建设,该方法可以迅速推广至全国各地,在管网进行计量分区改造的同时,即具备了应用本发明的条件。
本发明运行成本低,由数据驱动,只需应用计量分区现有的进出口流量计,无需额外添加设备或更换管材,具有简洁实用、预警准确度高、响应时间短以及误报率低等优点。
附图说明
图1示出了本发明基于计量分区流量监测数据的爆管预警方法的流程图;
图2示出了根据本发明构建历史数据矩阵的流程图;
图3示出了根据本发明构建测试矩阵的流程图;
图4示出了根据本发明构建初始化矩阵的流程图;
图5示出了根据本发明探测异常向量的流程图;
图6示出了根据本发明识别爆管并报警的流程图;
图7示出了根据本发明调整参数的流程图。
具体实施方式
下面结合附图,对实施例作详细说明。
在监测城市供水管网的运行时,需要将新的流量数据与正常的历史流量数据进行比较,从而识别计量分区中是否有爆管事故的发生。应用聚类分析可以比较由流量数据构成的向量间的相似度,爆管会引起计量区域内大的流量波动,因此相似度越低的向量,就越有可能表征爆管事故。
基于上述原理,本发明利用Matlab作为爆管预警方法的开发平台,充分利用其强大的计算能力和丰富的内置函数,通过在M文件编辑器中编写相应的代码即可实现对计量分区流量数据的整合与聚类,从而提高开发效率,缩短开发时间。
图1示出了本发明基于计量分区流量监测数据的爆管预警方法的流程图。如图1所示,为了能够实时探测爆管事故并进行预警,首先要构建历史数据矩阵与测试矩阵;然后初始化历史数据矩阵;构建探测矩阵并设定异常值探测参数,通过测试调整优化预设参数;最后使用调整优化后的参数对爆管事故进行实时预警。
具体地,作为示例,选取一真实的计量分区,该区域共有两个进口和三个出口,所有进出口流量计均工作正常。此计量分区所有流量计的监测频率为5min,收集该区域90天内所有进出口流量计的流量数据以构建历史数据矩阵,另外获取21天的数据构建测试矩阵,并在第21天进行爆管模拟实验。
图2示出了根据本发明构建历史数据矩阵的流程图,首先收集计量分区进出口流量数据,然后按时刻进行数据切分后,最后构建历史数据矩阵;更为具体地,在本实例中:
收集近三个月90天的流量数据,按时刻进行数据切分,来自同一个监测设备每天的监测数据都以5分钟为间隔被剪切为288段,即所有同一时刻的数据组成一段时间序列,每一段时间序列代表这一时刻的瞬时流量在90天内的变化;将5个流量计同一时刻的数据序列组合为历史数据矩阵,共计生成288个矩阵,每个矩阵有90行5列,表1示出了2015年7月30日到10月27日90天内2:50时刻5个流量计所有流量数据构成的矩阵;
表1 历史数据矩阵示例
流量数据的单位均为m3/h
图3示出了根据本发明构建测试矩阵的流程图,所述构建测试矩阵包括:利用管网计量分区中进出口流量计获取一定时间内的流量数据,并在此段时间内进行爆管模拟实验以获取爆管数据;以上述流量数据为基础,使用构建历史数据矩阵的方法构建测试矩阵;更为具体地,在本实例中:
获取2015年10月28日到11月17日21天内的数据构建测试矩阵,并在第21天进行3次爆管模拟实验;其中每次实验地点各不相同,每次仅持续约10分钟;测试矩阵的形式与历史数据矩阵相同,表2示出了爆管实验详情,因此在288个测试矩阵中共包含7个表征爆管事故的向量,其所在矩阵对应的时刻分别为2:20、2:25、2:30、2:35、2:40、2:50和2:55;
表2 爆管模拟实验详情
实验序号 | 起始时间 | 结束时间 | 爆管流量(m<sup>3</sup>/h) | 爆管流量占入流总量比例(%) |
1 | 2:17 | 2:27 | 约200 | 约13.3 |
2 | 2:30 | 2:40 | 约300 | 约17.2 |
3 | 2:46 | 2:57 | 约400 | 约23.1 |
图4示出了根据本发明构建初始化矩阵的流程图,首先设定初始化参数k1,然后对所有历史数据矩阵进行聚类分析从而发现矩阵中存在的异常向量,最后将所有异常向量剔除并生成初始化矩阵;
聚类分析过程中需要计算每个向量的局部密度和距离两个值,向量i的局部密度ρi的计算方法如下:
其中,如果x<0,则χ(x)=1,否则χ(x)=0;dij表示向量i与向量j间的欧氏距离;dc为截断距离,dc使得向量的平均局部密度值为矩阵中所有向量数的1%-2%;
向量i的距离δi的计算方法如下:
其中,向量j的局部密度ρj要满足大于向量i的局部密度ρi的条件;
如果向量i具有最大的局部密度,其距离定义为:
δi=maxj(dij) (3)
对具有最低密度的向量,根据其距离由大到小排序,距离越大,向量为异常的可能性越大,初始化参数用以确定异常向量的个数;
初始化参数的取值范围为0.01-0.15;更为具体地,在本实施例中:
设定初始化参数为0.1,对所有历史数据矩阵进行聚类分析从而发现矩阵中存在的异常向量,最后将所有异常向量剔除并生成288个初始化矩阵;作为示例,利用公式(1)(2)(3)计算表1中90个向量的局部密度和距离,表3示出了具有最低密度的向量,且已根据其距离由大到小排序,其中共有34个向量且初始化参数为0.1,因此排在前4位的向量72、5、74和15被判定为异常,删除这四个向量后生成2:50时刻的初始化矩阵,其形式与历史数据矩阵相同;
表3 初始化过程聚类分析计算结果示例
因各矩阵的聚类结果各有不同,异常向量的个数也有所不同,但最终初始化矩阵的行数均小于90;
图5示出了根据本发明探测异常向量的流程图,首先设定异常值探测参数,然后对包含测试向量的探测矩阵进行聚类分析,最后剔除被判定为异常的测试向量;异常值探测参数用以确定测试向量是否异常,更为具体地,在本实施例中:
21天的数据生成288个测试矩阵,共计有6048(288*21)个测试向量,对应到每个时刻的矩阵,共可生成21次探测矩阵,即每个时刻对应的矩阵每天生成一次探测矩阵并进行一次聚类分析;
其中异常值探测参数设定为0.1,与生成初始化矩阵时不同,进行聚类分析后,并不会删除所有被判定为异常的向量,仅当测试向量被判定为异常时才会被剔除出相应的矩阵,在本实例中共探测出异常的测试向量636个;表4示出了2:50时刻的第21个探测矩阵的聚类结果,共有36个向量局部密度最低且异常值探测参数为0.1,所以测试向量21、向量77、9和75被判定为异常,但只有测试向量21会被剔除;
表4 探测矩阵聚类结果示例
向量 | 日期 | 局部密度 | 距离 |
测试21 | 11月17日 | 0 | 0.42 |
77 | 10月14日 | 0 | 0.19 |
9 | 8月7日 | 0 | 0.16 |
75 | 10月12日 | 0 | 0.15 |
73 | 10月10日 | 0 | 0.12 |
78 | 10月15日 | 0 | 0.11 |
76 | 10月13日 | 0 | 0.11 |
8 | 8月6日 | 0 | 0.11 |
71 | 10月8日 | 0 | 0.09 |
64 | 10月1日 | 0 | 0.08 |
38 | 9月5日 | 0 | 0.08 |
20 | 8月18日 | 0 | 0.08 |
21 | 8月19日 | 0 | 0.08 |
65 | 10月2日 | 0 | 0.07 |
68 | 10月5日 | 0 | 0.06 |
测试3 | 10月30日 | 0 | 0.06 |
6 | 8月4日 | 0 | 0.06 |
66 | 10月3日 | 0 | 0.06 |
测试4 | 10月31日 | 0 | 0.06 |
63 | 9月30日 | 0 | 0.05 |
测试16 | 11月12日 | 0 | 0.05 |
14 | 8月12日 | 0 | 0.05 |
31 | 8月29日 | 0 | 0.05 |
41 | 9月8日 | 0 | 0.05 |
48 | 9月15日 | 0 | 0.05 |
25 | 8月23日 | 0 | 0.05 |
82 | 10月19日 | 0 | 0.05 |
7 | 8月5日 | 0 | 0.05 |
49 | 9月16日 | 0 | 0.05 |
11 | 8月9日 | 0 | 0.04 |
10 | 8月8日 | 0 | 0.04 |
51 | 9月18日 | 0 | 0.04 |
19 | 8月17日 | 0 | 0.04 |
测试5 | 11月1日 | 0 | 0.04 |
62 | 9月29日 | 0 | 0.04 |
测试17 | 11月13日 | 0 | 0.04 |
图6示出了根据本发明识别爆管并报警的流程图,首先计算异常的测试向量x原所在矩阵的均值向量mean,然后比较分析异常测试向量与均值向量的各个元素,计算r=x-mean;分析r中的各个元素,若全部大于零或全部小于零,则不报警,否则识别为有爆管发生并报警;更为具体地,在本实施例中:
对所有探测出的异常测试向量,均计算其原所在矩阵的均值向量,比较分析后,共识别出表征爆管的向量66个,在11月17日2:46到2:57进行了爆管实验,且该日2:50对应的测试向量被识别为异常,表5示出了相应的均值向量与异常测试向量的比较结果;
表5 爆管识别示例
图7示出了根据本发明调整参数的流程图,首先计算漏报率与误报率,然后适当调整初始化参数和异常值探测参数的值,最后重复使用测试矩阵运行计算获取更为理想的漏报率与误报率;更为具体地,在本实施例中:
在21天共6048个测试矩阵中,共误报62次,计算误报率得0.66%;在7个表征爆管的向量中,共有5个被成功识别为发生爆管,漏报率为28.6%;对初始化参数与异常值探测参数分别在0.01-0.15的范围内调整,反复使用21天的测试数据在Matlab中运行,最终调整初始化参数与异常值探测参数分别为0.01和0.06,并得到漏报率与误报率分别为28.6%和0.45%;
因爆管模拟实验次数少,持续时间短,爆管模拟流量控制不精准等原因,漏报率较高,但使用5min为间隔的监测数据可以探测到全部三次持续时间极短的爆管事故,几乎是一经发生事故即可报警,这依然说明本发明的有效性;同时,本发明的一大特点与优点就是误报率低,若误报率过高,仍需要相关人员在所有报警中进行筛选确认,反而加重供水企业工作人员的工作负担。经过参数的调整优化后,即可按照相应步骤进行实时的爆管预警。
此实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于计量分区流量监测数据的爆管预警方法,其特征在于,包括:
步骤1、利用管网计量分区中的n个流量计采集m天内某一相同时刻的流量数据组成历史数据矩阵;
步骤2、利用管网计量分区中的n个流量计采集第m+1天到第m+p天内的流量数据,并在此段时间内进行爆管模拟实验以获取爆管数据,组成测试矩阵,测试矩阵中的某一行定义为某一天生成的测试向量;
步骤3、预设初始化参数k1,对所有历史数据矩阵进行聚类分析并剔除异常向量后生成初始化矩阵;
步骤4、将初始化矩阵与某一天生成的测试向量构成探测矩阵,预设异常值探测参数k2,对探测矩阵进行聚类分析并剔除异常测试向量,并重复步骤4更新探测矩阵直到完成所有探测矩阵的聚类分析;
步骤5、计算异常测试向量中每个元素与其原所在探测矩阵的均值向量的差值,若每个差值均大于零或小于零则不发出爆管预警,否则发出爆管预警;
步骤6、计算漏报率和误报率,并调整优化预设初始化参数和预设异常值探测参数,重复步骤2~5直到获得最佳漏报率与误报率;
步骤7、将调整优化后的预设初始化参数和预设异常值探测参数应用于实时的爆管预警中,使用计量分区进出口流量计实时生成的向量构建并更新探测矩阵,最终通过比较均值向量与异常测试向量对爆管事故进行报警。
2.根据权利要求1所述方法,其特征在于,所述聚类分析包括:
计算每个向量的局部密度和距离两个值,向量i的局部密度ρi的计算方法如下:
其中,如果(dij-dc)<0,则χ(dij-dc)=1,否则χ(dij-dc)=0;dij表示向量i与向量j间的欧氏距离;dc为截断距离,dc使得向量的平均局部密度值为矩阵中所有向量数的1%-2%;
向量i的距离δi的计算方法如下:
其中,向量j的局部密度ρj要满足大于向量i的局部密度ρi的条件;
如果向量i具有最大的局部密度,其距离定义为:
δi=maxj(dij) (3)
对具有最低密度的向量,根据其距离由大到小排序,距离越大,则向量为异常的可能性就越大,初始化参数用以确定矩阵中异常向量的个数,异常值探测参数用以确定测试向量是否异常。
3.根据权利要求1所述方法,其特征在于,所述漏报率为在发生爆管事故时,未被成功识别为爆管的向量占所有表征爆管事故的向量的百分比;所述误报率为在未发生爆管事故时,被错误识别为爆管的向量占所有正常向量的百分比。
4.根据权利要求1所述方法,其特征在于,所述聚类分析通过比较流量数据间的相似度来发现异常的流量数据。
5.根据权利要求1所述方法,其特征在于,所述均值向量由相应矩阵中各列元素的均值构成。
6.根据权利要求1所述方法,其特征在于,所述步骤1中的m≥90。
7.根据权利要求1所述方法,其特征在于,所述步骤2中的p≥10。
8.根据权利要求1所述方法,其特征在于,所述流量计的监测频率为1-5分钟。
9.根据权利要求1所述方法,其特征在于,所述初始化参数k1的取值范围是0.01-0.15。
10.根据权利要求1所述方法,其特征在于,所述异常值探测参数k2的取值范围是0.01-0.15。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610245327.4A CN105930653B (zh) | 2016-04-19 | 2016-04-19 | 一种基于计量分区流量监测数据的爆管预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610245327.4A CN105930653B (zh) | 2016-04-19 | 2016-04-19 | 一种基于计量分区流量监测数据的爆管预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105930653A CN105930653A (zh) | 2016-09-07 |
CN105930653B true CN105930653B (zh) | 2019-01-18 |
Family
ID=56839463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610245327.4A Active CN105930653B (zh) | 2016-04-19 | 2016-04-19 | 一种基于计量分区流量监测数据的爆管预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105930653B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108071941B (zh) * | 2017-12-13 | 2019-06-11 | 清华大学 | 一种基于时序向量相似度分析的爆管识别与定位方法 |
CN108537249B (zh) * | 2018-03-15 | 2020-05-19 | 华中科技大学 | 一种密度峰值聚类的工业过程数据聚类方法 |
CN109027700B (zh) * | 2018-06-26 | 2020-06-09 | 清华大学 | 一种漏点探漏效果的评估方法 |
CN108805464A (zh) * | 2018-06-26 | 2018-11-13 | 华北水利水电大学 | 一种基于DotNet技术的水库报文处理方法 |
CN108830505A (zh) * | 2018-06-28 | 2018-11-16 | 上海交通大学 | 一种基于数据驱动的爆管界定方法 |
CN112513896B (zh) * | 2018-08-25 | 2023-05-23 | 山东诺方电子科技有限公司 | 一种大气污染预测的方法 |
CN109282151B (zh) * | 2018-09-06 | 2019-11-22 | 清华大学 | 基于时间序列形状分析的供水管网泄漏事件诊断方法 |
CN110781220A (zh) * | 2019-09-20 | 2020-02-11 | 江苏欣皓测试技术有限公司 | 故障预警方法、装置、存储介质和电子设备 |
CN112097125B (zh) * | 2020-09-18 | 2021-07-20 | 同济大学 | 一种基于自适应校核的供水管网爆管侦测及定位方法 |
CN112460496B (zh) * | 2020-11-13 | 2022-08-12 | 杨启敖 | 暖通漏水保护*** |
CN113266766B (zh) * | 2021-05-26 | 2022-05-20 | 杭州电子科技大学 | 一种供水dma爆管监测与定位方法 |
CN114352946B (zh) * | 2022-03-15 | 2022-06-03 | 湖北显源给排水工程设计院有限公司 | 排水工程管道堵塞预警*** |
-
2016
- 2016-04-19 CN CN201610245327.4A patent/CN105930653B/zh active Active
Non-Patent Citations (5)
Title |
---|
"Automated detection of pipe bursts and other events in water distribution systems";Michele Romano等;《Journal of Water Resources Planning and Management》;20121231;第140卷(第4期);第1-34页 |
"Kalman filtering of hydraulic measurements for burst detection in water distribution systems";Guoliang Ye等;《Journal of pipeline systems engineering and practice》;20110228;第14-22页 |
"Weighted least squares with expectation-maximization algorithm for burst detection in UK water distribution systems";Guoliang Ye等;《Journal of Water Resources Planning and Management》;20140430;第140卷(第4期);第417-424页 |
"城市供水管网独立计量区域的研究与应用进展";凌文翠等;《中国给水排水》;20110731;第27卷(第13期);第46-50、54页 |
"基于智能优化算法的供水管网漏水点定位";刘书明等;《同济大学学报(自然科学版)》;20140531;第42卷(第5期);第740-744页 |
Also Published As
Publication number | Publication date |
---|---|
CN105930653A (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105930653B (zh) | 一种基于计量分区流量监测数据的爆管预警方法 | |
CN109555979B (zh) | 一种供水管网漏损监测方法 | |
KR102006206B1 (ko) | 딥러닝을 통한 음향기반 상수도 누수 진단 방법 | |
CN103939749B (zh) | 基于大数据的输油管网泄漏智能自适应监控***及方法 | |
CN108984873B (zh) | 供水管网实时漏损检测方法、设备、***及存储介质 | |
CN109344708A (zh) | 一种供水管网爆管信号异常分析方法 | |
CN111578150B (zh) | 一种油气输送管网安全在线实时监测与预警管理*** | |
CN108360608B (zh) | 一种供水***输水管的爆管识别与定位方法 | |
CN105627103B (zh) | 一种矿用瓦斯抽采管的管段漏气诊断方法及*** | |
CN108071941B (zh) | 一种基于时序向量相似度分析的爆管识别与定位方法 | |
CN110285330B (zh) | 一种基于局部离群因子的水务网管网爆管检测方法 | |
CN205748814U (zh) | 阀门内漏监视*** | |
CN112377817B (zh) | 一种市政管网爆管监测***及方法 | |
CN109442221A (zh) | 一种基于压力扰动提取的供水管网爆管侦测方法 | |
CN207394379U (zh) | 城市供气管道堵塞和泄漏模拟检测*** | |
CN109267612A (zh) | 一种基于bim输水管网压力管理*** | |
CN103530818A (zh) | 一种基于brb***的供水管网建模方法 | |
CN107588329A (zh) | 一种自来水管道实时监测*** | |
CN105512011A (zh) | 一种电子装备测试性建模评估方法 | |
CN109577892A (zh) | 一种基于井下参数的智能溢流检测***及预警方法 | |
CN114323412B (zh) | 一种供水管网压力扰动事件检测方法 | |
CN108615098A (zh) | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 | |
CN112780953B (zh) | 一种基于模式检测的独立计量区域管网漏损检测方法 | |
CN104614144B (zh) | 泄洪消能诱发场地振动的预测方法 | |
Liu et al. | City pipe network intelligent service based on GIS and internet of things |
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 |