CN112487364B - 一种基于指数加权移动平均值算法的小泄漏检测方法 - Google Patents
一种基于指数加权移动平均值算法的小泄漏检测方法 Download PDFInfo
- Publication number
- CN112487364B CN112487364B CN202011454765.4A CN202011454765A CN112487364B CN 112487364 B CN112487364 B CN 112487364B CN 202011454765 A CN202011454765 A CN 202011454765A CN 112487364 B CN112487364 B CN 112487364B
- Authority
- CN
- China
- Prior art keywords
- ewma
- water consumption
- flow data
- leakage
- algorithm
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 230000000087 stabilizing effect Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 5
- 230000004044 response Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- RAYLUPYCGGKXQO-UHFFFAOYSA-N n,n-dimethylacetamide;hydrate Chemical compound O.CN(C)C(C)=O RAYLUPYCGGKXQO-UHFFFAOYSA-N 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012076 audiometry Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于指数加权移动平均值算法的小泄漏检测方法,包括:收集用水量稳定时段的流量数据,然后通过频率统计估算用水量稳定时段的基准用水量范围,之后通过设定置信度验证估算的基准用水量范围的合理性,再根据基准用水量范围消除流量数据较大低值波动的干扰,最后利用EWMA算法对DMA管网中小泄漏进行检测。本发明通过EWMA算法对流量的变化趋势进行分析,大大缩短了小泄漏事件的发现时间,使管理者能够做出迅速的反应,并指导检漏人员优化检漏的优先次序,做到有目的、有重点的漏损检测,具有较高的应用和经济价值,可作为实施DMA管网主动漏损控制的有效辅助手段。
Description
技术领域
本发明涉及一种供水管网漏损检测方法,具体涉及一种基于指数加权移动平均值算法的小泄漏检测方法。
背景技术
管网漏损是国内外城镇供水***中一个普遍存在的问题,对经济、环境等方面均会带来不利影响。一方面,由于漏失的水资源不仅会导致供水企业的经济效益受到较大损失,还会造成能源和水资源的浪费,与目前国家所提倡的可持续发展理念不符。因此降低管网漏损率对于提高城市水资源利用效率和维持经济的可持续化具有重要意义。
管网漏损检测方法可以分成两大类:基于硬件的方法和基于软件分析的方法。第一类方法依赖于硬件设备进行检测,如音听法,声波法等。此类方法只能间歇性进行(如检漏周期为半个月或者一个月),人力成本较髙,对于城市规模大、管网结构复杂的供水***,检测效率低,难以满足当前供水管网管理中对漏损事件要“及时发现,快速定位”的要求。第二类方法主要通过建立模型或者对信号进行分析处理达到检漏的目的,如神经网络法,卡尔曼滤波法等。由于此类方法实时性较强,得益于计算机技术、控制理论、信号处理、模式识别、人工智能等学科的快速发展,有关这方面的检测技术仍将是研究的热点和趋势。但现有的基于软件分析的方法大都集中于较大泄漏(漏失水量大于或等于同一时间段内平均流量的5%)的检测,而对于小泄漏(漏失水量小于同一时间段内平均流量的5%)的检测效果欠佳。到目前为止,小泄漏检测依然是供水管网漏损检测领域中的难点问题。
虽然小泄漏的起初漏失水量较小,但由于管网泄漏是动态持续变化的,如果在漏失水量较小时就得到控制,特别是对于规模较大的管网,漏失水量可以大幅减少。因此有效及时检测到小泄漏事件对于节约大量水资源、提升供水企业的经济效益等方面具有重大的实用价值。
发明内容
本发明要解决的技术问题是提供一种针对DMA供水管网***,能够更快发现小泄漏事件的基于指数加权移动平均值算法的小泄漏检测方法。
为解决上述技术问题,本发明采用的技术方案如下:
一种基于指数加权移动平均值算法的小泄漏检测方法,其特征是,收集用水量稳定时段的流量数据,然后通过频率统计估算用水量稳定时段的基准用水量范围,之后通过设定置信度验证估算的基准用水量范围的合理性,再根据基准用水量范围消除流量数据较大低值波动的干扰,最后利用EWMA算法能够不断累积观测值与预测值的差值、放大观测数据出现的波动的特点对 DMA管网中小泄漏进行检测。
在本申请中,EWMA算法表示指数加权移动平均值算法,DMA即District MeteringArea,表示独立计量区域。
具体的,上述基于指数加权移动平均值算法的小泄漏检测方法,包括以下步骤:
(1)收集流量数据:按设定时间间隔收集用水量稳定时段内DMA的流量数据,所述流量数据是指该DMA的净入流量数据,即多个流量计同一时刻流量数据的代数和,同时设定流入DMA为正,流出DMA为负;
(2)估算用水量稳定时段的基准用水量范围,包括以下步骤:
2.1)选取若干天数的流量数据;
2.2)从小到大设定不同的流量范围,通过频率分析估算出用水量稳定时段的基准用水量范围;
2.3)设定置信度,并确定置信区间[μ-βδ,μ+βδ],其中μ为均值,β为对应置信度的系数,δ为标准差;
2.4)对步骤2.2)估算所得的基准用水量范围进行合理性验证,当该基准用水量范围处于步骤2.3)确定的置信区间内,则判定所估算的基准用水量范围是合理的,否则返回步骤2.2)重新设定流量范围,直至所估算的基准用水量范围合理;
(3)数据处理:根据步骤(2)估算所得的基准用水量范围剔除异常数据,然后计算每天用水量稳定时段内的平均流量,所述的每天用水量稳定时段内的平均流量作为后续样本学习阶段的流量数据和检测阶段的待测流量数据;
(4)应用EWMA算法进行漏损检测,包括以下步骤:
4.1)样本学习阶段,具体实现步骤如下:
4.1.1)选取一定天数的用水量稳定时段内的流量数据进行学习;
4.1.2)按下述式(1)计算每天的EWMA统计量:
EWMAi=γXi+EWMAi-1 (1)
其中,EWMAi表示第i天的统计量,其初始值EWMA0=0;Xi表示第i天的剔除异常值后的平均流量;γ为权重因子,0≤γ≤1,距离当前时刻越远的观测数据,赋予的权重因子越小,且以指数形式递减;
4.1.3)加入新的流量数据进行训练,并计算EWMA统计量,判断EWMA 算法初始阶段是否满足稳定性要求,如果满足,训练结束;如不满足,继续加入新的流量数据进行训练直至EWMA算法初始阶段满足稳定性要求;
4.2)对待测流量数据的检测阶段:
加入新的待测流量数据不断更新EWMA统计量,然后判断EWMA统计量是否符合漏损条件,如符合则判定发生泄漏,此时被判定发生泄漏对应的流量数据不再参与后续EWMA统计量的计算;
(5)判断最新EWMA统计量中i的值是否大于设定检查周期天数,如不是,则加入新的待测流量数据后返回步骤3);如果是,则剔除部分较旧的历史数据,然后再判断剔除部分较旧历史数据后的EWMA统计量中i的值是否大于设定检查周期天数,如果是,返回步骤2),如果不是则返回步骤3)。
上述方法的步骤(1)中,所述设定时间间隔优选为1~10分钟,进一步优选为1~5分钟。所述用水量稳定时段为一天当中用水量近似服从正态分布的时间段,本申请中优选是选用凌晨2:00~4:00。
上述方法的步骤(3)中,异常数据是指低于步骤(2)估算所得的基准用水量范围下限的流量数据。
上述方法的步骤4.1.2)中,γ优选为0.01~0.030之间的任意数。
上述方法的步骤4.1.3)中,判断EWMA算法初始阶段是否满足稳定性要求是指加入新的流量数据后计算所得的EWMA统计量是否处于[μ-3δ,μ+3δ] 之间,如果是则满足,如不是则不满足。
上述方法的步骤4.2)中,所述漏损条件为满足下述a)~c)中的至少一项:
a)任意EWMA统计量大于μ+3δ;
b)任意连续两个EWMA统计量大于μ+2δ;
c)任意连续N个EWMA统计量呈现递增趋势,其中N为正整数,取值为≥3。
在c)选项中,N根据检测效率、误报率和可接受的漏失水量综合考虑后进行合理设置,本申请中进一步优选为3~7。
上述方法的步骤(5)中,所述设定检查周期天数为30。
与现有技术相比,本发明提供了一种针对DMA管网中小泄漏的检测方法,通过EWMA算法对流量的变化趋势进行分析,大大缩短了小泄漏事件的发现时间,使管理者能够做出迅速的反应,并指导检漏人员优化检漏的优先次序,做到有目的、有重点的漏损检测,具有较高的应用和经济价值,可作为实施DMA管网主动漏损控制的有效辅助手段。
附图说明
图1为本发明实施例1的流程图。
图2为发明实施例1中应用EWMA算法进行漏损检测的流程图。
图3为本发明实例中涉及的DMA管网示意图。
图4为本发明实例中学习阶段的EWMA变化趋势图。
图5为本发明实例中检测过程的EWMA变化趋势图。
具体实施方式
下面结合附图对本发明作进一步的详述,以更好地理解本发明的内容,但本发明并不限于以下实施例。
实施例1
如图1和图2所示,本发明所述基于指数加权移动平均值算法的小泄漏检测方法包括以下步骤:
(1)收集正常流量数据
在凌晨2:00~4:00的时间段内DMA的用水量比较稳定,近似服从正态分布,更有利于小泄漏的检出。此外,考虑到小泄漏引起的压力变化很小,因此本申请主要收集每天凌晨2:00~4:00的正常流量数据,其中流量数据记录间隔为1~10分钟。对于拥有多个流量出入口的DMA,流量数据是指该DMA 区域的净入流量数据,即多个流量计同一时刻流量数据的代数和,并且设定流入DMA为正,流出DMA为负。
(2)估算夜间基准用水量范围
受水压、用户用水随机性等外部因素影响,夜间用水量发生随机波动不可避免。小泄漏本身会导致流量增加,但变化幅度较小,当存在较大低值波动时可能会掩盖小泄漏带来的流量变动信息。为了消除较大低值波动所带来的不利影响,本申请通过估算夜间基准用水量范围的方法对流量数据进行处理。
估算夜间基准用水量范围的具体步骤为:
2.1)选取若干天数的流量数据;
2.2)从小到大设定不同的流量范围,其中第一个流量范围可适当放大,之后的流量范围按照固定的变化幅度(如0.1,0.5或1等)进行设置,然后通过频率分析估算出夜间基准用水量范围;
2.3)设定合适的置信度,如95%或99%等,确定置信区间[μ-βδ,μ+βδ],其中μ为均值,β为对应置信度的系数(置信度为95%时β为2,置信度为99%时β为3),δ为标准差;
2.4)对步骤2.2)估算所得的基准用水量范围进行合理性验证,当该基准用水量范围处于步骤2.3)确定的置信区间内,则判定所估算的基准用水量范围是合理的,否则返回步骤2.2)重新设定流量范围,直至所估算的基准用水量范围合理。
(3)数据处理
在进行漏损检测之前,流量数据都需要利用基准用水量范围消除较大低值波动造成的不利影响。在本申请中,低于步骤(2)估算所得的基准用水量范围下限的流量数据被视为异常数据,并被剔除。在剔除异常数据后计算每天用水量稳定时段内的平均流量(也称为正常流量数据)Xi作为作为后续样本学习阶段的流量数据和检测阶段的待测流量数据。
(4)应用EWMA算法进行漏损检测
使用EWMA算法进行漏损检测分为以下两个阶段:样本学习阶段和对待测流量数据的检测阶段。其中:
4.1)样本学习阶段,具体实现步骤如下:
4.1.1)选取一定天数(如7天或14天)的用水量稳定时段内的流量数据进行学习;
4.1.2)按下述式(1)计算每天的EWMA统计量:
EWMAi=γXi+EWMAi-1 (1)
其中,EWMAi表示第i天的统计量,其初始值EWMA0=0;Xi表示第i天的剔除异常值后的平均流量;γ为权重因子,0≤γ≤1,距离当前时刻越远的观测数据,赋予的权重因子越小,且以指数形式递减;γ优选为0.01~0.030 之间的任意数;
4.1.3)加入新的流量数据(即下一天的流量数据)进行训练,并按上述式(1) 计算EWMA统计量,根据计算所得的EWMA统计量是否处于[μ-3δ,μ+3δ] 之间来判断EWMA算法初始阶段是否满足稳定性要求,如果是,则满足,表示EWMA算法初始阶段处于受控状态,训练结束;如不是,则不满足,此时继续加入新的流量数据进行训练直至EWMA算法初始阶段满足稳定性要求;
4.2)对待测流量数据的检测阶段:
完成样本学习阶段后,将新的待测流量数据加入并计算EWMA统计量,然后根据漏损条件判定是否发生漏损。由于小泄漏本身造成的流量变化较小,加之流量会出现正常的波动,如果只采用单一的判断规则,就有可能需要很长时间才能符合判断规则,从而大大降低检测效率,这对于控制供水管网漏损是不利的。因此为了提高检测效率和减少误报,本发明在借鉴westgard多规则质控程序思想的基础上,同时结合漏损发生后流量增加的这一特点,对 westgard判断规则适当地加以改良,规定只要满足下述a)~c)中的其中一项,则视为检测过程失控,即可判定为出现小泄漏事件,否则说明检测过程受控,供水管网处于正常运行状态:
a)任意EWMA统计量大于μ+3δ;
b)任意连续两个EWMA统计量大于μ+2δ;
c)任意连续N个EWMA统计量呈现递增趋势,其中N为正整数,取值为≥3。在综合考虑检测效率、误报率和可接受的漏失水量后,优选为3~7。
需要说明的是,被判定发生泄漏对应的流量数据不再参与后续EWMA 统计量的计算。
(5)判断最新EWMA统计量中i的值(即参与的流量数据数目)是否大于设定检查周期天数,如不是,则加入新的待测流量数据后返回步骤3);如果是,则剔除部分较旧的历史数据,然后再判断剔除部分较旧历史数据后的EWMA 统计量中i的值是否大于设定检查周期天数,如果是,返回步骤2),如果不是则返回步骤3)。
管网漏损检测实质上是一个反复计算EWMA统计量并不断更新其样本数据的过程。由于在保持一定周期检漏的DMA中,出现漏损的频率不高,因此新的数据会不断加入并保留下来作为样本数据,这可能会导致计算效率下降。为了避免上述情况,可以适当剔除较旧的一些历史数据,使得样本数据的个数小于某一特定的规模(即设定的检查周期天数),即达到一定数据后 EWMA统计量重新设置为0,并重新训练后才进行下一步的漏损检测。
所述设定的检查周期天数可以是一个月的天数或一个季度的天数等,本申请中通常设置为30。
下面以一个DMA管网实例对本申请所述方法进行说明,以便本领域的技术人员更好地理解本申请。
所选取的实例管网只有一个流量入口,无出口,居民人数约为13500人, DN300进水管道,其示意图如图2所示。
在本实例中,本申请基于累积和算法的小泄漏检测方法包括以下具体步骤:
(1)收集流量数据
本实例共收集35天的凌晨2:00~4:00的流量数据,流量数据记录时间间隔为5min。为了验证本申请所述方法的有效性,通过在消防栓放水的方式在第31天凌晨2:00开始模拟1个持续的小泄漏事件,这个小泄漏事件的漏失水量约为所研究DMA在2:00~4:00时间段内平均流量的3%(约0.9m3/h)。
(2)估算夜间基准用水量范围
在本实例中,选取前14天共336个流量数据进行统计分析,得出这些数据的均值μ为30.2m3/h,标准差δ′为0.85m3/s。
从小到大设计流量范围,其中第一个流量范围设为[0,28],后续的流量范围以0.5m3/h的幅度进行设计,具体如下述表1所示,然后利用频率分析估算基准用水量的可能范围。
表1频率分析
流量范围(m<sup>3</sup>/h) | 频次(次) | 出现频率(%) |
0~28 | 2 | 0.60 |
28~28.5 | 5 | 1.49 |
28.5~29 | 55 | 16.37 |
29~29.5 | 93 | 27.68 |
29.5~30 | 87 | 25.89 |
30~30.5 | 62 | 18.45 |
30.5~31 | 21 | 6.25 |
31~31.5 | 5 | 1.49 |
31.5~32 | 4 | 1.19 |
32~32.5 | 1 | 0.30 |
32.5~33 | 1 | 0.30 |
从表1可以看出,流量小于28.5m3/h的次数仅占2.09%,出现大于等于 31m3/h的次数仅占3.28%,可以认为属于小概率事件。与上述两种情况相比,流量处于[28.5,29)以及[30.5,31)区间的次数分别占到了16.37%和6.25%,属于多次出现,因此初步估算夜间基准用水量范围为[28.5,31]。
选取95%置信度对基准用水量范围进行验证,则可以得出置信区间 [30.2-2×0.85,30.2+2×0.85],即[28.5,31.95]。上述估算的夜间基准用水量范围[28.5,31]处于[28.5,31.95]区间内,因此可以认为前面估算出的夜间基准用水量范围是合理的。
(3)数据处理
根据上述步骤(2)估算的基准用水量范围剔除异常数据,然后计算每天凌晨2:00~4:00时间段内的平均流量。平均流量将作为后续EWMA算法中的样本学习阶段的流量数据和检测阶段用于判别是否发生漏损的待测流量数据。
(4)应用EWMA算法进行漏损检测
4.1)样本学习阶段:
在利用EWMA算法进行检测之前,首先要保证初始阶段的过程处于受控状态。本实例中γ取值为0.2。首先选取前14天的流量数据进行学习,学习阶段的EMWA趋势图如图4所示。
由图4可知,EWMA统计量均不符合漏损判断规则的要求,说明初始学习阶段处于受控状态,至此,可以进行下一步的检测阶段。
4.2)对待测流量数据的检测阶段:
从第15天开始,将新的待测流量数据添加到样本数据中不断更新EWMA 统计量,将EWMA统计量的趋势变化和漏损条件进行对比从而判别管网的运行状态。在该实例中,通过综合考虑,漏损条件c)选项中的N取值为7。整个检测过程的EWMA变化趋势如图5所示。
由图5可知,根据漏损的判断规则,从第15天到第30天没有发生误报。而根据漏损条件的b)项,第31天开始的小泄漏事件在第34天(即事件发生后的第三天)被检出。而对于定期检漏的周期一般为15天或1个月,因此可以看出本发明可以大大缩短小泄漏事件的发现时间,为检漏人员开展针对性的检漏工作提供重要参考。
Claims (8)
1.一种基于指数加权移动平均值算法的小泄漏检测方法,其特征是,收集用水量稳定时段的流量数据,然后通过频率统计估算用水量稳定时段的基准用水量范围,之后通过设定置信度验证估算的基准用水量范围的合理性,再根据基准用水量范围消除流量数据较大低值波动的干扰,最后利用EWMA算法对DMA管网中小泄漏进行检测;
具体包括以下步骤:
(1)收集流量数据:按设定时间间隔收集用水量稳定时段内DMA的流量数据,所述流量数据是指该DMA的净入流量数据,即多个流量计同一时刻流量数据的代数和,同时设定流入DMA为正,流出DMA为负;
(2)估算用水量稳定时段的基准用水量范围,包括以下步骤:
2.1)选取若干天数的流量数据;
2.2)从小到大设定不同的流量范围,通过频率分析估算出用水量稳定时段的基准用水量范围;
2.3)设定置信度,并确定置信区间[μ-βδ,μ+βδ],其中μ为均值,β为对应置信度的系数,δ为标准差;
2.4)对步骤2.2)估算所得的基准用水量范围进行合理性验证,当该基准用水量范围处于步骤2.3)确定的置信区间内,则判定所估算的基准用水量范围是合理的,否则返回步骤2.2)重新设定流量范围,直至所估算的基准用水量范围合理;
(3)数据处理:根据步骤(2)估算所得的基准用水量范围剔除异常数据,然后计算每天用水量稳定时段内的平均流量,所述的每天用水量稳定时段内的平均流量作为后续样本学习阶段的流量数据和检测阶段的待测流量数据;
(4)应用EWMA算法进行漏损检测,包括以下步骤:
4.1)样本学习阶段,具体实现步骤如下:
4.1.1)选取一定天数的用水量稳定时段内的流量数据进行学习;
4.1.2)按下述式(1)计算每天的EWMA统计量:
EWMAi=γXi+EWMAi-1(1)
其中,EWMAi表示第i天的统计量,其初始值EWMA0=0;Xi表示第i天的剔除异常值后的平均流量;γ为权重因子,0≤γ≤1;
4.1.3)加入新的流量数据进行训练,并计算EWMA统计量,判断EWMA算法初始阶段是否满足稳定性要求,如果满足,训练结束;如不满足,继续加入新的流量数据进行训练直至EWMA算法初始阶段满足稳定性要求;
4.2)对待测流量数据的检测阶段:
加入新的待测流量数据不断更新EWMA统计量,然后判断EWMA统计量是否符合漏损条件,如符合则判定发生泄漏,此时被判定发生泄漏对应的流量数据不再参与后续EWMA统计量的计算;所述的漏损条件为满足下述a)~c)中的至少一项:
a)任意EWMA统计量大于μ+3δ;
b)任意连续两个EWMA统计量大于μ+2δ;
c)任意连续N个EWMA统计量呈现递增趋势,其中N为正整数,取值为≥3;
(5)判断最新EWMA统计量中i的值是否大于设定检查周期天数,如不是,则加入新的待测流量数据后返回步骤(3);如果是,则剔除部分较旧的历史数据,然后再判断剔除部分较旧历史数据后的EWMA统计量中i的值是否大于设定检查周期天数,如果是,返回步骤(2),如果不是则返回步骤(3)。
2.根据权利要求1所述的基于指数加权移动平均值算法的小泄漏检测方法,其特征是,步骤(1)中,所述设定时间间隔为1~10分钟。
3.根据权利要求1所述的基于指数加权移动平均值算法的小泄漏检测方法,其特征是,步骤(1)中,所述用水量稳定时段为凌晨2:00~4:00。
4.根据权利要求1所述的基于指数加权移动平均值算法的小泄漏检测方法,其特征是,步骤(3)中,异常数据是指低于步骤(2)估算所得的基准用水量范围下限的流量数据。
5.根据权利要求1所述的基于指数加权移动平均值算法的小泄漏检测方法,其特征是,步骤4.1.2)中,γ为0.01~0.030。
6.根据权利要求1所述的基于指数加权移动平均值算法的小泄漏检测方法,其特征是,步骤4.1.3)中,判断EWMA算法初始阶段是否满足稳定性要求是指加入新的流量数据后计算所得的EWMA统计量是否处于[μ-3δ,μ+3δ],如果是则满足,如不是则不满足。
7.根据权利要求1所述的基于指数加权移动平均值算法的小泄漏检测方法,其特征是,在c)选项中,N为3~7。
8.根据权利要求1所述的基于指数加权移动平均值算法的小泄漏检测方法,其特征是,步骤(5)中,所述设定检查周期天数为30。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011454765.4A CN112487364B (zh) | 2020-12-10 | 2020-12-10 | 一种基于指数加权移动平均值算法的小泄漏检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011454765.4A CN112487364B (zh) | 2020-12-10 | 2020-12-10 | 一种基于指数加权移动平均值算法的小泄漏检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112487364A CN112487364A (zh) | 2021-03-12 |
CN112487364B true CN112487364B (zh) | 2022-03-11 |
Family
ID=74916646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011454765.4A Active CN112487364B (zh) | 2020-12-10 | 2020-12-10 | 一种基于指数加权移动平均值算法的小泄漏检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112487364B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6076048A (en) * | 1997-09-26 | 2000-06-13 | Betzdearborn, Inc. | System and method for least squares filtering based leak flow estimation/detection using exponentially shaped leak profiles |
WO2011134881A1 (en) * | 2010-04-29 | 2011-11-03 | International Business Machines Corporation | Data processing method and system for checking pipeline leakage |
CN106017729A (zh) * | 2016-05-19 | 2016-10-12 | 太原理工大学 | 一种基于统计过程控制的电机温度监控方法 |
CN107767012A (zh) * | 2017-08-25 | 2018-03-06 | 浙江钛合仪器有限公司 | 一种供水管网漏损管理***及其建立方法和***应用 |
CN109388904A (zh) * | 2018-10-29 | 2019-02-26 | 泰华智慧产业集团股份有限公司 | 基于dma分区流量计算漏损量的方法和*** |
CN111400911A (zh) * | 2020-03-16 | 2020-07-10 | 安徽理工大学 | 一种基于ewma控制图的gnss变形信息识别与预警方法 |
-
2020
- 2020-12-10 CN CN202011454765.4A patent/CN112487364B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6076048A (en) * | 1997-09-26 | 2000-06-13 | Betzdearborn, Inc. | System and method for least squares filtering based leak flow estimation/detection using exponentially shaped leak profiles |
WO2011134881A1 (en) * | 2010-04-29 | 2011-11-03 | International Business Machines Corporation | Data processing method and system for checking pipeline leakage |
CN106017729A (zh) * | 2016-05-19 | 2016-10-12 | 太原理工大学 | 一种基于统计过程控制的电机温度监控方法 |
CN107767012A (zh) * | 2017-08-25 | 2018-03-06 | 浙江钛合仪器有限公司 | 一种供水管网漏损管理***及其建立方法和***应用 |
CN109388904A (zh) * | 2018-10-29 | 2019-02-26 | 泰华智慧产业集团股份有限公司 | 基于dma分区流量计算漏损量的方法和*** |
CN111400911A (zh) * | 2020-03-16 | 2020-07-10 | 安徽理工大学 | 一种基于ewma控制图的gnss变形信息识别与预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112487364A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107355688B (zh) | 一种城镇供水管网漏损控制管理*** | |
CN103189725B (zh) | 供应网中的泄漏识别和泄漏定位 | |
CN109932009A (zh) | 一种分布式自来水管网损耗监测***及方法 | |
CN112559969B (zh) | 一种基于累积和算法的小泄漏检测方法 | |
CN102968529B (zh) | 一种供水管网模型计算结果不确定性区间的量化方法 | |
CN110939870A (zh) | 一种面向爆管监测的供水管网压力监测点布置方法 | |
CN103366091A (zh) | 基于多级阈值指数加权平均的异常报税数据检测方法 | |
CN106594526B (zh) | 一种基于水压采样数据的供水管网状态监测方法及装置 | |
CN105740989B (zh) | 一种基于varx模型的供水管网异常事件侦测方法 | |
CN116108604B (zh) | 一种供水管网异常检测方法、***、设备及存储介质 | |
CN114462688A (zh) | 一种基于lstm模型和动态阈值确定算法的爆管检测方法 | |
CN114323412B (zh) | 一种供水管网压力扰动事件检测方法 | |
CN104408317A (zh) | 一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法 | |
CN110848578B (zh) | 一种基于pdd模型的城市供水管网既有漏损定位方法 | |
CN112487364B (zh) | 一种基于指数加权移动平均值算法的小泄漏检测方法 | |
CN108414016A (zh) | 一种基于大数据技术的污水管网监测*** | |
CN117370818B (zh) | 基于人工智能的供排水管网智能诊断方法及智慧环保*** | |
CN108459991B (zh) | 一种获得设备可靠性数据的方法 | |
JP2015137866A (ja) | 漏水量推定装置及び方法並びにシステム | |
CN116701970B (zh) | 基于双层相似度聚类的排水管网监测点优化布置方法 | |
CN108171408B (zh) | 一种污水来水与出水量建模方法 | |
CN114969068A (zh) | 城市压力管网实时流量监测数据分析方法及*** | |
Yu et al. | Asynchronous sensor networks for Nodal water demand estimation in water distribution systems based on sensor grouping analysis | |
Ding et al. | Time Series Data Cleaning Method Based on Optimized ELM Prediction Constraints | |
CN115404941B (zh) | 一种城市供水管网与消防栓水压联动监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |