CN114135794B - 一种水网漏损的检测方法及装置 - Google Patents
一种水网漏损的检测方法及装置 Download PDFInfo
- Publication number
- CN114135794B CN114135794B CN202111389279.3A CN202111389279A CN114135794B CN 114135794 B CN114135794 B CN 114135794B CN 202111389279 A CN202111389279 A CN 202111389279A CN 114135794 B CN114135794 B CN 114135794B
- Authority
- CN
- China
- Prior art keywords
- flow
- threshold
- night
- historical
- difference
- 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 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 158
- 238000009825 accumulation Methods 0.000 claims abstract description 56
- 238000004519 manufacturing process Methods 0.000 claims abstract description 44
- 238000003860 storage Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 241001123248 Arma Species 0.000 claims 5
- 230000000750 progressive effect Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 9
- 230000001932 seasonal effect Effects 0.000 description 9
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000005311 autocorrelation function Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000728173 Sarima Species 0.000 description 1
- 238000000780 augmented Dickey–Fuller test Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Acoustics & Sound (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本说明书一个或多个实施例提供一种水网漏损的检测方法及装置。方法包括:确定目标DMA在本检测日的夜间最小流量是否超出流量阈值;若夜间最小流量超出流量阈值,则更新流量超阈值累计时长,并确定目标DMA在本检测日的夜间产销差是否超出产销差阈值;若夜间产销差超出所述产销差阈值,则更新产销差超阈值累计时长;在夜间最小流量超出流量阈值的情况下,基于更新后的流量超阈值累计时长以及产销差超阈值累计时长,确定目标DMA在本检测日的漏损得分,并基于漏损得分确定目标DMA在本检测日是否存在漏损风险。该方案,结合夜间最小流量和夜间产销差以一种递进式的控漏逻辑更加全面地进行了漏损检测,提高了水网漏损检测的准确性。
Description
技术领域
本说明书一个或多个实施例涉及终端技术领域,尤其涉及一种水网漏损的检测方法及装置。
背景技术
城市供水正面临越来越严峻的社会和环境压力,目前,相关技术中一般采用基于信息和网络平台技术构建的智能水务***实现城市的可持续用水。比较常见的,可以将城市划分为多个DMA(District Metering Area,独立计量分区)以针对各个DMA进行供水和漏损监控。
发明内容
有鉴于此,本说明书一个或多个实施例提供一种水网漏损的检测方法及装置。
为实现上述目的,本说明书一个或多个实施例提供如下技术方案:
根据本说明书一个或多个实施例的第一方面,提出了一种水网漏损的检测方法,所述方法包括:
确定目标DMA在本检测日的夜间最小流量是否超出流量阈值;
若所述夜间最小流量超出所述流量阈值,则更新所述夜间最小流量超出所述流量阈值的流量超阈值累计时长,并确定所述目标DMA在本检测日的夜间产销差是否超出产销差阈值;
若所述夜间产销差超出所述产销差阈值,则更新所述夜间产销差超出所述产销差阈值的产销差超阈值累计时长;
在所述夜间最小流量超出所述流量阈值的情况下,基于更新后的所述流量超阈值累计时长以及所述产销差超阈值累计时长,确定所述目标DMA在本检测日的漏损得分,并基于所述漏损得分确定所述目标DMA在本检测日是否存在漏损风险。
根据本说明书一个或多个实施例的第二方面,提出了一种水网漏损的检测装置,所述装置包括流量检测单元、产销差检测单元和漏损检测单元:
所述流量检测单元,确定目标DMA在本检测日的夜间最小流量是否超出流量阈值;
若所述夜间最小流量超出所述流量阈值,则更新所述夜间最小流量超出所述流量阈值的流量超阈值累计时长;
所述产销差检测单元,在所述夜间最小流量超出所述流量阈值的情况下,确定所述目标DMA在本检测日的夜间产销差是否超出产销差阈值;
若所述夜间产销差超出所述产销差阈值,则更新所述夜间产销差超出所述产销差阈值的产销差超阈值累计时长;
所述漏损检测单元,在所述夜间最小流量超出所述流量阈值的情况下,基于更新后的所述流量超阈值累计时长以及所述产销差超阈值累计时长,确定所述目标DMA在本检测日的漏损得分,并基于所述漏损得分确定所述目标DMA在本检测日是否存在漏损风险。
根据本说明书一个或多个实施例的第三方面,提出了一种电子设备,包括:处理器,以及用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令实现上述第一方面所述的方法。
根据本说明书一个或多个实施例的第四方面,提出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
由以上描述可以看出,本说明书提供的水网漏损的检测方案,综合考量目标DMA在本检测日的夜间最小流量和夜间产销差,采用递进逻辑,在夜间最小流量超阈值的情况下,更新当前累计的流量超阈值时长并确定夜间产销差是否超阈值,在夜间产销差也超阈值的情况下,进一步更新当前累计的产销差超阈值时长,并在夜间最小流量超阈值的情况下,由流量超阈值累计时长以及产销差超阈值累计时长确定漏损得分以基于所述漏损得分确定目标DMA在本检测日是否存在水网漏损风险。该方案,结合夜间最小流量和夜间产销差以一种递进式的控漏逻辑更加全面地进行了漏损检测,提高了水网漏损检测的准确性。
附图说明
图1是一示例性实施例提供的一种水网漏损的检测方法的流程图。
图2是一示例性实施例示出的确定流量阈值的方法流程图。
图3是一示例性实施例示出的确定产销差阈值的方法流程图。
图4是一示例性实施例示出的另一确定流量阈值的方法流程图。
图5是一示例性实施例示出的另一确定产销差阈值的方法流程图。
图6是一示例性实施例提供的一种电子设备的结构示意图。
图7是一示例性实施例提供的一种水网漏损的检测装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
DMA(District Metering Area,独立计量分区)分区管理是城市水务的一种经典管理模式,它将城市水网划分为多个相互独立的区域,对每个区域的出入流量等特征进行监控并上报至管理方,从而实现对水网漏损的检测和维修。
目前,相关技术中,一般采用人工设置流量阈值的方式对各个DMA的漏损情况进行检测,当任一DMA的夜间最小流量超出阈值即可确认所述DMA存在漏损风险。但实际上,除了水网漏损外的多种原因都可能造成DMA单日的夜间最小流量超出阈值,仅以夜间最小流量作为检测标准的控漏逻辑过于单一,往往会造成漏损误报,因而导致在无效的排查检修上浪费时间和人力。
有鉴于此,本说明书提出一种水网漏损的检测方法,可以应用于水务管理方进行水网漏损管理的管理平台等,所述管理平台的物理载体通常为服务器或服务器集群。
请参考图1,图1所示为一示例性实施例提供的一种水网漏损的检测方法的流程图。
所述水网漏损的检测方法可以包括如下具体步骤:
步骤102,确定目标DMA在本检测日的夜间最小流量是否超出流量阈值。
水务管理方的管理平台可以周期性地对各个DMA进行持续性的漏损检测,漏损检测的检测周期可以视实际的应用场景进行预先设置。可以理解的是,针对不同DMA进行漏损检测的检测周期可以相同,也可以不同,本说明书中对此不做具体限制。
举例来说,基于区域大小和用户数量,可以将一个城市划分为若干一级DMA,每个一级DMA包含若干二级DMA,每个二级DMA再包含若干三级DMA,不同级别的DMA可以分设不同的检测周期,针对三级DMA,管理平台可以每日获取各个三级DMA当日的夜间最小流量等特征数据进行当日的漏损检测。
DMA的夜间最小流量等特征数据可以由部署于所述DMA的流量计等设备进行采集和上报,在数据上报至管理平台的情况下,所述管理平台可以读取存储于自身的特征数据,在数据上传至第三方数据库的情况下,所述管理平台也可以向数据库获取特征数据。
当管理平台针对一个目标DMA进行漏损检测时,首先确定所述目标DMA在本检测日的夜间最小流量是否超出流量阈值。
流量指单位时间内流经既定截面的水量,部署于DMA的流量计可以基于水压、截面积等多项数据采集所述DMA的流量;DMA的夜间最小流量,即在预设的夜间时段内所述DMA流量的最小值,举例来说,DMA的夜间最小流量可以为所述DMA在凌晨0点至5点的时段内每小时流量的最小值。由于凌晨时段为大多数用户的用水低谷时段,因此监测目标DMA的夜间最小流量并与所述流量阈值进行比较,可以初步地辅助判断所述DMA在所述夜间时段内发生漏损的概率大小。
目标DMA在本检测日的夜间最小流量,一般采用所述目标DMA在本检测日当天的夜间最小流量。可以理解的是,目标DMA在本检测日的夜间最小流量也可以采用所述目标DMA在本检测日前一天的夜间最小流量,或者采用所述目标DMA在本检测日前三天的夜间最小流量的均值等;具体采用何种方式确定目标DMA在本检测日的夜间最小流量,可以视所述目标DMA进行漏损检测的周期时长以及实际的应用场景确定。
而与所述目标DMA在本检测日的夜间最小流量进行比较的流量阈值,除了人工设置的方式,为了提高漏损检测的准确性,本说明书还提出采用流量预测模型确定流量阈值的方法,具体的实现方式详见后文。
步骤104,若所述夜间最小流量超出所述流量阈值,则更新所述夜间最小流量超出所述流量阈值的流量超阈值累计时长,并确定所述目标DMA在本检测日的夜间产销差是否超出产销差阈值。
为降低因单一控漏逻辑造成漏损误报的概率,本说明书中采用递进式的控漏逻辑进行漏损检测,在目标DMA于本检测日的夜间最小流量超出流量阈值的情况下,更新所述目标DMA的流量超阈值累计时长,并确定目标DMA在本检测日的夜间产销差是否超出产销差阈值。
所述流量超阈值累计时长初始为零,在管理平台根据预设的检测周期持续性地进行漏损检测的过程中,若某一检测日上目标DMA的夜间最小流量首次超出流量阈值,则所述目标DMA的流量超阈值累计时长由零开始累加,在首次超出流量阈值后的其他检测日上若所述目标DMA的夜间最小流量再次超出流量阈值,则所述目标DMA的流量超阈值累计时长在上一次超出流量阈值时更新的流量超阈值累计时长的基础上继续累加,每次更新可以累加所述目标DMA的一个检测周期的周期时长。
在一种可选择的实现方式下,本说明书提出的水网漏损的检测方法,还包括对所述流量超阈值累计时长的清零:若所述夜间最小流量未超出所述流量阈值,则管理平台确定所述目标DMA在本检测日不存在漏损风险,并将当前的流量超阈值累计时长清零。
如果目标DMA的夜间最小流量在相邻检测日连续超出流量阈值,则进行流量超阈值累计时长的连续更新;如果目标DMA的夜间最小流量在相邻检测日并未连续超出流量阈值,则前一检测日累加更新的流量超阈值累计时长因为后一检测日的中断而清零;从而避免了将时间跨度过大的两个夜间最小流量超出流量阈值的检测日都计入流量超阈值累计时长,以提高漏损检测的准确性。
举例来说,假设管理平台每天对目标DMA进行漏损检测,当某一天目标DMA的夜间最小流量首次超出流量阈值,所述目标DMA的流量超阈值累计时长可以由0更新为1,若第二天目标DMA的夜间最小流量再次超出流量阈值,则所述目标DMA的流量超阈值累计时长可以由1更新为2,但若第二天目标DMA的夜间最小流量并未超出流量阈值,则所述目标DMA的流量超阈值累计时长可以由1清零,后续某一天目标DMA的夜间最小流量再次超出流量阈值时所述流量超阈值累计时长再次从0开始累加更新。
更新所述流量超阈值累计时长后,管理平台可以再判断所述目标DMA在本检测日的夜间产销差是否超出产销差阈值。
产销差指某一时段内既定对象的供水量与售水量之间的差值;DMA的夜间产销差,即在预设的夜间时段内所述DMA消耗的水量与实际计费的水量之间的差值,举例来说,DMA的夜间产销差可以为所述DMA在凌晨0点至5点的时段内水网管道之中实际消耗的水量,与所述DMA内用户计费消耗的水量之间的差值。DMA的夜间产销差在夜间最小流量的基础上进一步剔除了用户少量夜间用水对漏损判断的影响,更加准确地反映出所述DMA在所述夜间时段内的漏损状况。
目标DMA在本检测日的夜间产销差,一般采用所述目标DMA在本检测日当天的夜间产销差。可以理解的是,目标DMA在本检测日的夜间产销差也可以采用所述目标DMA在本检测日前一天的夜间产销差,或者采用所述目标DMA在本检测日前三天的夜间产销差的均值等;具体采用何种方式确定目标DMA在本检测日的夜间产销差,可以视所述目标DMA进行漏损检测的周期时长以及实际的应用场景确定。
而与所述目标DMA在本检测日的夜间产销差进行比较的产销差阈值,除了人工设置的方式,为了提高漏损检测的准确性,本说明书还提出采用产销差预测模型确定产销差阈值的方法,具体的实现方式详见后文。
步骤106,若所述夜间产销差超出所述产销差阈值,则更新所述夜间产销差超出所述产销差阈值的产销差超阈值累计时长。
所述产销差超阈值累计时长初始为零,在管理平台根据预设的检测周期持续性地进行漏损检测的过程中,若某一检测日上目标DMA的夜间最小流量超出流量阈值,且目标DMA的夜间产销差首次超出产销差阈值,则所述目标DMA的产销差超阈值累计时长由零开始累加,在首次超出产销差阈值后的其他检测日上若所述目标DMA的夜间最小流量再次超出流量阈值,且目标DMA的夜间产销差也再次超出产销差阈值,则所述目标DMA的产销差超阈值累计时长在上一次超出产销差阈值时更新的产销差超阈值累计时长的基础上继续累加,每次更新可以累加所述目标DMA的一个检测周期的时长。
在一种可选择的实现方式下,本说明书提出的水网漏损的检测方法,还包括对所述流量超阈值累计时长以及所述产销差超阈值累计时长的清零:若所述夜间最小流量未超出所述流量阈值,则管理平台可以确定所述目标DMA在本检测日不存在漏损风险,并将当前的流量超阈值累计时长以及产销差超阈值累计时长清零。
如果目标DMA的夜间最小流量在相邻检测日并未连续超出流量阈值,则原先累加的流量超阈值累计时长以及产销差超阈值累计时长因为中断而清零;而如果目标DMA的夜间最小流量在相邻检测日连续超出流量阈值,但目标DMA的夜间产销差在相邻检测日并未连续超出产销差阈值,原先累加的流量超阈值累计时长以及产销差超阈值累计时长不进行清零。
举例来说,假设管理平台每天对目标DMA进行漏损检测,所述目标DMA连续3天的夜间最小流量均超出流量阈值,其流量超阈值累计时长由0更新为1,再由1更新为2,又由2更新为3。如果在夜间最小流量超出流量阈值的这三天中的第一天目标DMA的夜间产销差超出产销差阈值,则其产销差超阈值累计时长由0更新为1,如果在这三天中的第二天目标DMA的夜间产销差未超出产销差阈值则其产销差超阈值累计时长保持为1,如果在这三天中的第三天目标DMA的夜间产销差再次超出产销差阈值则其产销差超阈值累计时长由1更新为2。一旦第四天,所述目标DMA的夜间最小流量未超出流量阈值,则所述目标DMA当前累加的流量超阈值累计时长由3清零,所述目标DMA当前累加的产销差超阈值累计时长由2清零。若第五天,所述目标DMA的夜间最小流量超出流量阈值,夜间产销差超出产销差阈值,所述目标DMA的流量超阈值累计时长和产销差超阈值累计时长再次由0开始累加更新。
步骤108,在所述夜间最小流量超出所述流量阈值的情况下,基于更新后的所述流量超阈值累计时长以及所述产销差超阈值累计时长,确定所述目标DMA在本检测日的漏损得分,并基于所述漏损得分确定所述目标DMA在本检测日是否存在漏损风险。
在目标DMA于本检测日的夜间最小流量超出流量阈值的情况下,针对目标DMA的漏损检测进入持续检测阶段,所述持续检测阶段中,管理平台可以结合目标DMA的流量超阈值累计时长以及产销差超阈值累计时长对其漏损状况进行准确判断。而在目标DMA于本检测日的夜间最小流量未超出流量阈值的情况下,管理平台可以确定目标DMA于本检测日不存在漏损风险,针对目标DMA的漏损检测如未处于持续检测阶段则仍不开启持续检测,若处于持续检测阶段则结束本次持续检测,并对当前的流量超阈值累计时长以及产销差超阈值累计时长进行清零。
在目标DMA于本检测日的夜间最小流量超出流量阈值的情况下,若步骤106中所述目标DMA于本检测日的夜间产销差也超出产销差阈值,则基于本次更新后的流量超阈值累计时长以及本次更新后的产销差超阈值累计时长,确定目标DMA于本检测日的漏损得分;若步骤106中所述目标DMA于本检测日的夜间产销差未超出产销差阈值,则基于本次更新后的流量超阈值累计时长以及上次更新的产销差超阈值累计时长,确定目标DMA于本检测日的漏损得分,进而可以基于所述漏损得分确定所述目标DMA在本检测日是否存在漏损风险。
基于所述流量超阈值累计时长以及所述产销差超阈值累计时长确定所述目标DMA在本检测日的漏损得分,存在多种可选择的实现方式。在一个例子中,可以使用Sigmoid函数确定漏损得分Score:
基于前述,在目标DMA夜间最小流量连续超出流量阈值的三天中,第一天和第三天目标DMA的夜间产销差超出产销差阈值,第一天目标DMA更新后的流量超阈值累计时长为1,产销差超阈值累计时长为1,第二天目标DMA更新后的流量超阈值累计时长为2,产销差超阈值累计时长为1,第三天目标DMA更新后的流量超阈值累计时长为3,产销差超阈值累计时长为2,基于Sigmoid函数可以确定这三天目标DMA的漏损得分分别为:
在确定目标DMA于本检测日的漏损得分后,可以将其与预先设置的得分阈值进行比较以确定所述目标DMA在本检测日是否存在漏损风险。
预设得分阈值为0.9,在第一天目标DMA的漏损得分并未超出得分阈值,确定所述目标DMA不存在漏损风险,在第二天目标DMA的漏损得分超出得分阈值,确定所述目标DMA存在漏损风险,可以针对目标DMA进行诸如日志输出、消息提示等漏损告警,以使得目标DMA内的水网漏损情况得到排查和维修。
由以上描述可以看出,本说明书提供的水网漏损的检测方案,综合考量目标DMA在本检测日的夜间最小流量和夜间产销差,采用递进逻辑,在夜间最小流量超阈值的情况下,更新当前累计的流量超阈值时长并确定夜间产销差是否超阈值,在夜间产销差也超阈值的情况下,进一步更新当前累计的产销差超阈值时长,并在夜间最小流量超阈值的情况下,由流量超阈值累计时长以及产销差超阈值累计时长确定漏损得分以基于所述漏损得分确定目标DMA在本检测日是否存在水网漏损风险。该方案,结合夜间最小流量和夜间产销差以一种递进式的控漏逻辑更加全面地进行了漏损检测,提高了水网漏损检测的准确性。
此外,除了因控漏逻辑过于单一造成的漏损误报的问题外,相关技术中,针对不同DMA设置的流量阈值没有考虑到不同DMA之间诸如用户用水习惯的差异,针对同一DMA设置的流量阈值也没有考虑到同一DMA内用户用水在不同季节上的差异,故而还存在着人工设置的流量阈值准确性较低的问题。
有鉴于此,本说明书提出的水网漏损的检测方法中,所述流量阈值可以基于流量预测模型确定,所述流量预测模型可以由目标DMA在历史时段内的历史夜间最小流量确定目标DMA在本检测日的流量阈值;所述产销差阈值也可以基于产销差预测模型确定,所述产销差预测模型可以由目标DMA在历史时段内的历史夜间产销差确定目标DMA在本检测日的产销差阈值。
在一种可选择的实现方式下,所述流量阈值或所述产销差阈值可以基于自回归滑动平均ARMA(Auto-Regressive Moving Average)模型确定。
请参考图2,基于ARMA模型确定流量阈值的过程,可以包括如下具体步骤:
步骤202,基于目标DMA在历史时段内的历史夜间最小流量,生成历史流量序列。
管理平台可以基于检测日之前一历史时段内目标DMA的历史夜间最小流量生成历史流量序列,所述历史时段与所述检测日之间的时间间隔以及所述历史时段的时长可以根据实际的应用需求进行选择和设置。
举例来说,可以采用检测日前一个月内目标DMA的历史夜间最小流量生成历史流量序列。所述历史流量序列由多个二维点构成,每个二维点包括所述历史时段内的一个检测日以及所述检测日上的历史夜间最小流量,所述检测日上的历史夜间最小流量的确定方式与步骤102中确定本检测日的夜间最小流量的方式一致,所述多个二维点以检测日的时间先后按序排列。
可以理解的是,在生成历史流量序列前,也可以对目标DMA在历史时段内的历史夜间最小流量的数据进行预处理,所述预处理包括对缺失值和异常值的处理以及数据标准化等。
步骤204,对所述历史流量序列进行平稳性校验以及白噪声校验。
在得到目标DMA在历史时段内的历史流量序列后,为了采用ARMA模型预测目标DMA在未来时段的夜间最小流量,首先需要对所述历史流量序列进行平稳性校验以及白噪声检验。
所述平稳性校验用以避免所述历史流量序列存在伪回归问题,对所述历史流量序列进行平稳性校验存在多种可选择的实现方式。在一个例子中,可以通过ADF检验(Augmented Dickey-Fuller Test,迪基-福勒检验)确定所述历史流量序列的平稳性。而所述白噪声校验则用以确定所述历史流量序列是否为无意义的纯随机序列。
在一种可选择的实现方式下,在所述历史流量序列未通过平稳性校验的情况下,可以对所述历史流量序列进行序列平稳化。
对所述历史流量序列进行序列平稳化存在多种可选择的实现方式。在一个例子中,可以对所述历史流量序列进行差分运算,并对差分运算后的所述历史流量序列再次进行平稳性校验,若未通过则对差分运算后的所述历史流量序列再次进行差分运算直至其通过平稳性校验,而对所述历史流量序列进行差分运算的次数,即所述历史流量序列的差分阶数。然后,对通过所述平稳性校验的差分运算后的历史流量序列进行白噪声校验。
步骤206,采用通过所述平稳性校验以及所述白噪声校验的历史流量序列构建ARMA模型。
构建ARMA模型需要确定模型阶数,在一个例子中,所述历史流量序列通过平稳性校验和白噪声校验,所述ARMA模型可以为ARMA(p,q)模型,其模型参数包括p、q,其中,p为自回归阶数,q为滑动平均阶数。
在另一个例子中,所述历史流量序列未通过平稳性校验,对所述历史流量序列进行差分运算,在差分运算后的所述历史流量序列通过平稳性校验以及白噪声校验的情况下,所述ARMA模型可以为ARIMA(p,d,q)模型(Auto-Regressive Integrated MovingAverage Model,差分整合自回归滑动平均模型),其模型参数包括p、d、q,其中,p为自回归阶数,d为差分阶数,q为滑动平均参数。
而在所述历史流量序列具有周期性特性的情况下,所述ARMA模型还可以为SARIMA(p,d,q)(P,D,Q)s模型(Seasonal Auto-Regressive Integrated Moving Average Model,季节性差分整合自回归滑动平均模型),其模型参数包括p、d、q、P、D、Q、s,其中,p为非季节性自回归阶数,d为非季节性差分阶数,q为非季节性滑动平均参数,P为季节性自回归阶数,D为季节性差分阶数,Q为季节性滑动平均参数,s为季节性变化周期。
确定上述ARMA模型的模型阶数存在多种可选择的实现方式,在一个例子中,可以绘制历史流量序列或差分运算后的历史流量序列的自相关图ACF(AutocorrelationFunction)和偏相关图PACF(Partial Autocorrelation Function),由技术人员基于所述自相关图以及偏相关图中的拖尾或截尾情况对所述ARMA模型的模型阶数的范围进行确定。在技术人员确定各个模型阶数的大致范围后,则可以采用网格搜索的方式遍历各个模型阶数的不同组合,并结合AIC准则(Akaike Information Criterion,赤池信息准则)或BIC准则(Bayesian Information Criterion,贝叶斯信息准则)对各组阶数组合的优劣进行评估,以选取最优的模型阶数组合。
步骤208,基于所述ARMA模型对所述历史流量序列的拟合结果,确定目标DMA在本检测日的流量阈值。
在确定所述ARMA的模型阶数后,采用所述ARMA模型对所述历史流量序列进行拟合,并确定拟合值与序列值之间的残差是否处于符合正态分布的置信区间之内,在是的情况下确定所述ARMA模型构建成功,基于所述ARMA模型对所述历史流量序列的拟合结果,得到所述ARMA模型预测的所述目标DMA在未来时段内的夜间最小流量,进而可以将所述ARMA模型预测的夜间最小流量预设置信度的置信区间确定为流量阈值。
举例来说,假设采用本检测日前一个月的历史夜间最小流量生成历史流量序列,并基于所述历史流量序列成功构建ARMA模型,则可以由所述ARMA模型对所述历史流量序列的拟合结果,得到所述ARMA模型对本检测日的夜间最小流量的预测值,根据预设的置信度确定所述预测值的置信区间,以采用所述置信区间规定的区间上下限作为本检测日的流量阈值。
同样地,请参考图3,基于所述ARMA模型确定所述产销差阈值的过程,可以包括如下具体步骤:
步骤302,基于目标DMA在历史时段内的历史夜间产销差,生成历史产销差序列。
步骤304,对所述历史产销差序列进行平稳性校验以及白噪声校验。
步骤306,采用通过所述平稳性校验以及所述白噪声校验的历史产销差序列构建ARMA模型。
步骤308,基于所述ARMA模型对所述历史产销差序列的拟合结果,确定目标DMA在本检测日的产销差阈值。
步骤302至步骤308的具体实施方式可以参考前文所述步骤202至步骤208,此处不再赘述。
在另一种可选择的实现方式下,所述流量阈值或所述产销差阈值可以基于XGBoost、LSTM等模型确定。
请参考图4,基于XGBoost或LSTM模型确定流量阈值的过程,可以包括如下具体步骤:
步骤402,基于目标DMA在历史时段内的历史夜间最小流量,生成历史流量序列;
步骤404,从所述历史流量序列中提取不同维度的历史流量特征,采用所述历史流量特征训练原始的XGBoost模型或LSTM模型;
步骤406,基于已训练的所述XGBoost模型或LSTM模型,确定目标DMA在本检测日的流量阈值。
基于目标DMA在历史时段内的历史夜间最小流量生成历史流量序列后,从所述历史流量序列中通过滑动窗口的方式提取最大值、最小值、均值、标准差、离散系数等不同维度的历史流量特征构成特征集合,基于所述特征集合训练XGBoost模型、LSTM模型等,采用已训练的所述XGBoost模型、LSTM模型对本检测日的夜间最小流量进行预测,从而确定本检测日的流量阈值。另外,除了从历史流量序列中提取历史流量特征外,训练XGBoost模型或LSTM模型的特征集合中还可以进一步引入目标DMA的历史维修记录、是否处于节假日等其他维度特征数据,以丰富所述特征集合所包含信息,提高所述XGBoost模型或LSTM模型对流量阈值预测的准确性。
同样地,请参考图5,基于XGBoost或LSTM模型确定产销差阈值的过程,可以包括如下具体步骤:
步骤502,基于目标DMA在历史时段内的历史夜间产销差,生成历史产销差序列;
步骤504,从所述历史产销差序列中提取不同维度的历史产销差特征,采用所述历史产销差特征训练原始的XGBoost模型或LSTM模型;
步骤506,基于已训练的所述XGBoost模型或LSTM模型,确定目标DMA在本检测日的产销差阈值。
步骤502至步骤506的具体实施方式可以参考前文所述步骤402至步骤406,此处不再赘述。
上述实现方式,采用ARMA模型、XGBoost模型或LSTM模型等预测模型,基于目标DMA在历史时段内的历史夜间最小流量对未来时段内的夜间最小流量进行预测,以确定目标DMA在未来时段内的流量阈值,和/或,基于目标DMA在历史时段内的历史夜间产销差对未来时段内的夜间产销差进行预测,以确定目标DMA在未来时段内的产销差阈值,从而通过智能化的方式,结合不同DMA的真实历史情况,针对各个DMA分别进行流量阈值和产销差阈值的预测确定,得到的流量阈值和产销差阈值对目标DMA而言更具有针对性,且更准确,进而提高了漏损检测的准确性。可以理解的是,上述ARMA模型、XGBoost模型、LSTM模型仅仅是预测模型中的部分,并不构成对本说明书的具体限制,不同模型各有优劣,在具体实现时可以基于应用场景加以选择。
在一种可选择的实现方式下,管理平台还可以周期性地更新所述流量阈值和产销差阈值。
举例来说,管理平台可以每周对所述流量阈值和所述产销差阈值进行更新。针对目标DMA,基于流量预测模型由所述目标DMA在本周一前一个月内的历史夜间最小流量,对所述目标DMA在未来一周的夜间最小流量进行预测,以预测结果的置信区间作为所述目标DMA在未来一周的流量阈值进行漏损检测;基于产销差预测模型由所述目标DMA在本周一前一个月内的历史夜间产销差,对所述目标DMA在未来一周的夜间产销差进行预测,以预测结果的置信区间作为所述目标DMA在未来一周的产销阈值进行漏损检测。
而在下周一,则基于流量预测模型由下周一前一个月的历史夜间最小流量更新下周所用的流量阈值,基于产销差预测模型由下周一前一个月的历史夜间产销差更新下周所用的产销差阈值;从而使得所述流量阈值和所述产销差阈值始终基于最近历史时段内的真实历史情况加以确定,具有随时间动态更新的特性,更为准确。
图6是一示例性实施例提供的一种电子设备的示意结构图。请参考图6,在硬件层面,该设备包括处理器602、内部总线604、网络接口606、内存608以及非易失性存储器610,当然还可能包括其他业务所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现,比如由处理器602从非易失性存储器610中读取对应的计算机程序到内存608中然后运行。当然,除了软件实现方式之外,本说明书一个或多个实施例并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
请参考图7,水网漏损的检测装置可以应用于如图6所示的电子设备中,以实现本说明书的技术方案。其中,所述水网漏损的检测装置可以包括流量检测单元710、产销差检测单元720和漏损检测单元730:
所述流量检测单元710,确定目标DMA在本检测日的夜间最小流量是否超出流量阈值;
若所述夜间最小流量超出所述流量阈值,则更新所述夜间最小流量超出所述流量阈值的流量超阈值累计时长;
所述产销差检测单元720,在所述夜间最小流量超出所述流量阈值的情况下,确定所述目标DMA在本检测日的夜间产销差是否超出产销差阈值;
若所述夜间产销差超出所述产销差阈值,则更新所述夜间产销差超出所述产销差阈值的产销差超阈值累计时长;
所述漏损检测单元730,在所述夜间最小流量超出所述流量阈值的情况下,基于更新后的所述流量超阈值累计时长以及所述产销差超阈值累计时长,确定所述目标DMA在本检测日的漏损得分,并基于所述漏损得分确定所述目标DMA在本检测日是否存在漏损风险。
可选择地,所述流量检测单元710,还用于:
若所述夜间最小流量未超出所述流量阈值,则确定所述目标DMA在本检测日不存在漏损风险,并将所述流量超阈值累计时长以及所述产销差超阈值累计时长清零。
可选择地,所述流量阈值的确定过程,包括:
基于目标DMA在历史时段内的历史夜间最小流量,生成历史流量序列;
对所述历史流量序列进行平稳性校验以及白噪声校验;
采用通过所述平稳性校验以及所述白噪声校验的历史流量序列构建ARMA模型;
基于所述ARMA模型对所述历史流量序列的拟合结果,确定目标DMA在本检测日的流量阈值。
可选择地,所述流量阈值的确定过程,还包括:
在所述历史流量序列的平稳性校验未通过的情况下,对所述历史流量序列进行差分运算;
对差分运算后的所述历史流量序列再次进行平稳性校验以及白噪声校验;
采用通过所述平稳性校验以及所述白噪声校验的差分运算后的所述历史流量序列构建ARMA模型。
可选择地,所述产销差阈值的确定过程,包括:
基于目标DMA在历史时段内的历史夜间产销差,生成历史产销差序列;
对所述历史产销差序列进行平稳性校验以及白噪声校验;
采用通过所述平稳性校验以及所述白噪声校验的历史产销差序列构建ARMA模型;
基于所述ARMA模型对所述历史产销差序列的拟合结果,确定目标DMA在本检测日的产销差阈值。
可选择地,所述流量阈值的确定过程,包括:
基于目标DMA在历史时段内的历史夜间最小流量,生成历史流量序列;
从所述历史流量序列中提取不同维度的历史流量特征,采用所述历史流量特征训练原始的XGBoost模型或LSTM模型;
基于已训练的所述XGBoost模型或LSTM模型,确定目标DMA在本检测日的流量阈值。
可选择地,所述产销差阈值的确定过程,包括:
基于目标DMA在历史时段内的历史夜间产销差,生成历史产销差序列;
从所述历史产销差序列中提取不同维度的历史产销差特征,采用所述历史产销差特征训练原始的XGBoost模型或LSTM模型;
基于已训练的所述XGBoost模型或LSTM模型,确定目标DMA在本检测日的产销差阈值。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中,计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (10)
1.一种水网漏损的检测方法,所述方法包括:
确定目标DMA在本检测日的夜间最小流量是否超出流量阈值;
若所述夜间最小流量超出所述流量阈值,则更新所述夜间最小流量超出所述流量阈值的流量超阈值累计时长,并确定所述目标DMA在本检测日的夜间产销差是否超出产销差阈值;
若所述夜间产销差超出所述产销差阈值,则更新所述夜间产销差超出所述产销差阈值的产销差超阈值累计时长;
在所述夜间最小流量超出所述流量阈值的情况下,基于更新后的所述流量超阈值累计时长以及所述产销差超阈值累计时长,确定所述目标DMA在本检测日的漏损得分,并基于所述漏损得分确定所述目标DMA在本检测日是否存在漏损风险;其中,确定所述漏损得分Score的方式包括:
2.根据权利要求1所述的方法,所述方法还包括:
若所述夜间最小流量未超出所述流量阈值,则确定所述目标DMA在本检测日不存在漏损风险,并将所述流量超阈值累计时长以及所述产销差超阈值累计时长清零。
3.根据权利要求1所述的方法,所述流量阈值的确定过程,包括:
基于目标DMA在历史时段内的历史夜间最小流量,生成历史流量序列;
对所述历史流量序列进行平稳性校验以及白噪声校验;
采用通过所述平稳性校验以及所述白噪声校验的历史流量序列构建ARMA模型;
基于所述ARMA模型对所述历史流量序列的拟合结果,确定目标DMA在本检测日的流量阈值。
4.根据权利要求3所述的方法,所述方法还包括:
在所述历史流量序列的平稳性校验未通过的情况下,对所述历史流量序列进行差分运算;
对差分运算后的所述历史流量序列再次进行平稳性校验以及白噪声校验;
采用通过所述平稳性校验以及所述白噪声校验的差分运算后的所述历史流量序列构建ARMA模型。
5.根据权利要求1所述的方法,所述产销差阈值的确定过程,包括:
基于目标DMA在历史时段内的历史夜间产销差,生成历史产销差序列;
对所述历史产销差序列进行平稳性校验以及白噪声校验;
采用通过所述平稳性校验以及所述白噪声校验的历史产销差序列构建ARMA模型;
基于所述ARMA模型对所述历史产销差序列的拟合结果,确定目标DMA在本检测日的产销差阈值。
6.根据权利要求1所述的方法,所述流量阈值的确定过程,包括:
基于目标DMA在历史时段内的历史夜间最小流量,生成历史流量序列;
从所述历史流量序列中提取不同维度的历史流量特征,采用所述历史流量特征训练原始的XGBoost模型或LSTM模型;
基于已训练的所述XGBoost模型或LSTM模型,确定目标DMA在本检测日的流量阈值。
7.根据权利要求1所述的方法,所述产销差阈值的确定过程,包括:
基于目标DMA在历史时段内的历史夜间产销差,生成历史产销差序列;
从所述历史产销差序列中提取不同维度的历史产销差特征,采用所述历史产销差特征训练原始的XGBoost模型或LSTM模型;
基于已训练的所述XGBoost模型或LSTM模型,确定目标DMA在本检测日的产销差阈值。
8.一种水网漏损的检测装置,所述装置包括流量检测单元、产销差检测单元和漏损检测单元:
所述流量检测单元,确定目标DMA在本检测日的夜间最小流量是否超出流量阈值;
若所述夜间最小流量超出所述流量阈值,则更新所述夜间最小流量超出所述流量阈值的流量超阈值累计时长;
所述产销差检测单元,在所述夜间最小流量超出所述流量阈值的情况下,确定所述目标DMA在本检测日的夜间产销差是否超出产销差阈值;
若所述夜间产销差超出所述产销差阈值,则更新所述夜间产销差超出所述产销差阈值的产销差超阈值累计时长;
所述漏损检测单元,在所述夜间最小流量超出所述流量阈值的情况下,基于更新后的所述流量超阈值累计时长以及所述产销差超阈值累计时长,确定所述目标DMA在本检测日的漏损得分,并基于所述漏损得分确定所述目标DMA在本检测日是否存在漏损风险;其中,确定所述漏损得分Score的方式包括:
9.一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令实现权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389279.3A CN114135794B (zh) | 2021-11-22 | 2021-11-22 | 一种水网漏损的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389279.3A CN114135794B (zh) | 2021-11-22 | 2021-11-22 | 一种水网漏损的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114135794A CN114135794A (zh) | 2022-03-04 |
CN114135794B true CN114135794B (zh) | 2023-11-24 |
Family
ID=80390526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111389279.3A Active CN114135794B (zh) | 2021-11-22 | 2021-11-22 | 一种水网漏损的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114135794B (zh) |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0650786A (ja) * | 1992-07-31 | 1994-02-25 | Matsushita Electric Ind Co Ltd | 水道監視装置 |
JP2003075224A (ja) * | 2001-08-31 | 2003-03-12 | Osaka Gas Co Ltd | ガス漏洩検知機能を備えた流量計 |
AU2009200516A1 (en) * | 2008-02-13 | 2009-08-27 | City Of Kitakyushu | System for distributing water with diagnosing leakage of water |
CN101833609A (zh) * | 2010-03-18 | 2010-09-15 | 北京师范大学 | 一种面向河流生态流量维持的水库优化调度方法 |
CN102033969A (zh) * | 2009-09-29 | 2011-04-27 | Sgi工程有限公司 | 供水管网管理***及方法 |
CN102072407A (zh) * | 2009-11-23 | 2011-05-25 | 中国科学院生态环境研究中心 | 结合漏失记录仪的独立计量分区漏失检测方法 |
CN102426770A (zh) * | 2011-10-13 | 2012-04-25 | 福建智恒电子新技术有限公司 | 管网流量产销差无线远程实时抄收监控管理*** |
WO2015063931A1 (ja) * | 2013-10-31 | 2015-05-07 | 株式会社日立製作所 | 漏水検知装置、漏水検知システム、及び漏水検知方法 |
JP2015094665A (ja) * | 2013-11-12 | 2015-05-18 | 株式会社日立製作所 | 漏水調査計画立案装置、漏水調査計画立案システム、及び漏水調査計画立案方法 |
CN105716803A (zh) * | 2016-01-29 | 2016-06-29 | 深圳市捷先数码科技股份有限公司 | 一种供水管网漏损监控的综合分析装置及其方法 |
CN105926723A (zh) * | 2016-05-05 | 2016-09-07 | 徐州工程学院 | 一种有利于产销差率治理的自来水管网运行方式 |
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 |
CN107886183A (zh) * | 2017-05-28 | 2018-04-06 | 山东潍微科技股份有限公司 | 一种基于供水***三量的漏损计量操控方法 |
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*** |
CN109784540A (zh) * | 2018-12-18 | 2019-05-21 | 深圳市东深电子股份有限公司 | 一种基于dma分区的供水布局优化***及优化方法 |
CN109827077A (zh) * | 2019-01-25 | 2019-05-31 | 广州市自来水公司 | 一种水流量漏损预警方法、***、装置以及存储介质 |
CN110798472A (zh) * | 2019-11-01 | 2020-02-14 | 杭州数梦工场科技有限公司 | 数据泄露检测方法与装置 |
CN110848578A (zh) * | 2018-08-21 | 2020-02-28 | 湖南大学 | 一种基于pdd模型的城市供水管网既有漏损定位方法 |
CN111412389A (zh) * | 2020-03-30 | 2020-07-14 | 南京钢铁股份有限公司 | 一种高压变频泵节能装置及其控制方法 |
CN111720753A (zh) * | 2020-04-09 | 2020-09-29 | 苏州市自来水有限公司 | 一种基于噪声监测技术的小区dma探漏管控方法 |
CN112050092A (zh) * | 2020-09-03 | 2020-12-08 | 杭州伊亿建设科技有限公司 | 一种供水管网漏损信息管理***及建立方法和应用 |
CN112283593A (zh) * | 2020-09-24 | 2021-01-29 | 山东潍微科技股份有限公司 | 一种关阀检测管网漏损的物联网***及其漏损检测方法 |
CN113342978A (zh) * | 2021-06-23 | 2021-09-03 | 杭州数梦工场科技有限公司 | 一种城市事件处理方法及装置 |
CN113588179A (zh) * | 2021-06-24 | 2021-11-02 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及*** |
-
2021
- 2021-11-22 CN CN202111389279.3A patent/CN114135794B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0650786A (ja) * | 1992-07-31 | 1994-02-25 | Matsushita Electric Ind Co Ltd | 水道監視装置 |
JP2003075224A (ja) * | 2001-08-31 | 2003-03-12 | Osaka Gas Co Ltd | ガス漏洩検知機能を備えた流量計 |
AU2009200516A1 (en) * | 2008-02-13 | 2009-08-27 | City Of Kitakyushu | System for distributing water with diagnosing leakage of water |
CN102033969A (zh) * | 2009-09-29 | 2011-04-27 | Sgi工程有限公司 | 供水管网管理***及方法 |
CN102072407A (zh) * | 2009-11-23 | 2011-05-25 | 中国科学院生态环境研究中心 | 结合漏失记录仪的独立计量分区漏失检测方法 |
CN101833609A (zh) * | 2010-03-18 | 2010-09-15 | 北京师范大学 | 一种面向河流生态流量维持的水库优化调度方法 |
CN102426770A (zh) * | 2011-10-13 | 2012-04-25 | 福建智恒电子新技术有限公司 | 管网流量产销差无线远程实时抄收监控管理*** |
WO2015063931A1 (ja) * | 2013-10-31 | 2015-05-07 | 株式会社日立製作所 | 漏水検知装置、漏水検知システム、及び漏水検知方法 |
JP2015094665A (ja) * | 2013-11-12 | 2015-05-18 | 株式会社日立製作所 | 漏水調査計画立案装置、漏水調査計画立案システム、及び漏水調査計画立案方法 |
CN105716803A (zh) * | 2016-01-29 | 2016-06-29 | 深圳市捷先数码科技股份有限公司 | 一种供水管网漏损监控的综合分析装置及其方法 |
CN105926723A (zh) * | 2016-05-05 | 2016-09-07 | 徐州工程学院 | 一种有利于产销差率治理的自来水管网运行方式 |
CN107886183A (zh) * | 2017-05-28 | 2018-04-06 | 山东潍微科技股份有限公司 | 一种基于供水***三量的漏损计量操控方法 |
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 |
CN110848578A (zh) * | 2018-08-21 | 2020-02-28 | 湖南大学 | 一种基于pdd模型的城市供水管网既有漏损定位方法 |
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*** |
CN109784540A (zh) * | 2018-12-18 | 2019-05-21 | 深圳市东深电子股份有限公司 | 一种基于dma分区的供水布局优化***及优化方法 |
CN109827077A (zh) * | 2019-01-25 | 2019-05-31 | 广州市自来水公司 | 一种水流量漏损预警方法、***、装置以及存储介质 |
CN110798472A (zh) * | 2019-11-01 | 2020-02-14 | 杭州数梦工场科技有限公司 | 数据泄露检测方法与装置 |
CN111412389A (zh) * | 2020-03-30 | 2020-07-14 | 南京钢铁股份有限公司 | 一种高压变频泵节能装置及其控制方法 |
CN111720753A (zh) * | 2020-04-09 | 2020-09-29 | 苏州市自来水有限公司 | 一种基于噪声监测技术的小区dma探漏管控方法 |
CN112050092A (zh) * | 2020-09-03 | 2020-12-08 | 杭州伊亿建设科技有限公司 | 一种供水管网漏损信息管理***及建立方法和应用 |
CN112283593A (zh) * | 2020-09-24 | 2021-01-29 | 山东潍微科技股份有限公司 | 一种关阀检测管网漏损的物联网***及其漏损检测方法 |
CN113342978A (zh) * | 2021-06-23 | 2021-09-03 | 杭州数梦工场科技有限公司 | 一种城市事件处理方法及装置 |
CN113588179A (zh) * | 2021-06-24 | 2021-11-02 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114135794A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033314B (zh) | 广告数据处理方法及装置 | |
US20180150783A1 (en) | Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models | |
CN108304440B (zh) | 游戏推送的方法、装置、计算机设备及存储介质 | |
CN108596415B (zh) | 一种模型整合方法及装置 | |
CN110400021B (zh) | 银行网点现金用量预测方法及装置 | |
CN110008080B (zh) | 基于时间序列的业务指标异常检测方法、装置和电子设备 | |
JP5857049B2 (ja) | 単語のユーザー挙動数の予測 | |
US10067038B2 (en) | Analyzing equipment degradation for maintaining equipment | |
US20080221974A1 (en) | Lazy Evaluation of Bulk Forecasts | |
CN111369299B (zh) | 识别的方法、装置、设备及计算机可读存储介质 | |
US20090222321A1 (en) | Prediction of future popularity of query terms | |
CN111062486B (zh) | 一种评价数据的特征分布和置信度的方法及装置 | |
CN107516279A (zh) | 一种网络舆情自动预警的方法 | |
CN106469332A (zh) | 一种数据处理方法及装置 | |
CN116645132A (zh) | 基于多因子变量的时序预测方法、装置、电子设备及介质 | |
CN110675074A (zh) | 出行目标点识别方法及装置、模型开发、评价方法及装置 | |
CN114969191A (zh) | 基于大数据的数据分析方法、***、装置及存储介质 | |
CN114135794B (zh) | 一种水网漏损的检测方法及装置 | |
CN110163470B (zh) | 事件评估方法及装置 | |
Zhang et al. | Collaborated online change-point detection in sparse time series for online advertising | |
CN115526402A (zh) | 指标预测方法、装置、电子设备及存储介质 | |
CN113554124B (zh) | 图像识别方法及装置、计算机可读存储介质及电子设备 | |
CN111583010A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN114708110A (zh) | 续保行为预测模型的联合训练方法、装置及电子设备 | |
CN107480165A (zh) | 一种页面排位的方法及设备 |
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 |