CN114723139A - 基于gis的数字管网控制*** - Google Patents
基于gis的数字管网控制*** Download PDFInfo
- Publication number
- CN114723139A CN114723139A CN202210369872.XA CN202210369872A CN114723139A CN 114723139 A CN114723139 A CN 114723139A CN 202210369872 A CN202210369872 A CN 202210369872A CN 114723139 A CN114723139 A CN 114723139A
- Authority
- CN
- China
- Prior art keywords
- node
- pipe network
- abnormal
- data
- load
- 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.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 claims abstract description 96
- 238000012544 monitoring process Methods 0.000 claims abstract description 82
- 230000007547 defect Effects 0.000 claims abstract description 75
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 238000013058 risk prediction model Methods 0.000 claims abstract description 24
- 238000010586 diagram Methods 0.000 claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 18
- 230000007849 functional defect Effects 0.000 claims description 8
- 230000007847 structural defect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 12
- 239000007788 liquid Substances 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 3
- 238000005336 cracking Methods 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000009545 invasion Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 239000010802 sludge Substances 0.000 description 3
- 239000002002 slurry Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000006163 transport media Substances 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于GIS的数字管网控制***，包括采集模块、数据分析模块、缺陷检测模块、预测模块和终端模块，采集模块包括设置于管网各节点中的传感器单元，传感器单元用于采集管网各节点的监测数据，数据分析模块用于将各节点的监测数据导入GIS服务器以得到各节点的管网分布图，并将各节点的监测数据输入至异常预测模型以获得负荷异常节点，并将负荷异常节点在管网分布图中高亮显示，缺陷检测模块对负荷异常节点进行检测以获得缺陷检测数据，预测模块用于将负荷异常节点的监测数据和负荷异常节点缺陷检测数据输入至风险预测模型，以得到负荷异常节点的风险值并在管网分布图中高亮显示，对管网存在的风险进行分析并预警，从提高了控制精度。
Description
技术领域
本发明涉及数字管网领域，特别是涉及一种基于GIS的数字管网控制***。
背景技术
城市管网是城市基础设施的重要组成部分，它们担负着传送信息、能量或输送介质的工作，是城市赖以生存和发展的物质基础，被称为城市的“生命线”。目前通常是以经验判断和简单推理计算的方式对管网进行控制，缺乏对管网数据进行有效的管理与科学评估，管网中各功能项目各司其职，使整个流程中缺乏有效联动性。
发明内容
为实现上述目的，本发明采用了如下技术方案：
本发明提供了一种基于GIS的数字管网控制***，包括采集模块、数据分析模块、缺陷检测模块、预测模块和终端模块，所述采集模块包括设置于管网各节点中的传感器单元，所述传感器单元用于采集管网各节点的监测数据，所述数据分析模块用于将各节点的监测数据导入GIS服务器以得到各节点的管网分布图，并将各节点的监测数据输入至异常预测模型以获得负荷异常节点，并将负荷异常节点在管网分布图中高亮显示，所述缺陷检测模块对负荷异常节点进行检测以获得缺陷检测数据，所述预测模块用于将负荷异常节点的监测数据和负荷异常节点缺陷检测数据输入至风险预测模型，以得到负荷异常节点的风险值并在管网分布图中高亮显示，所述终端模块用于显示所述管网分布图，并根据所述风险值进行报警。
作为优选的实施方式，所述传感器单元包括流量计、液位计、可燃气体监测仪或雨量监测仪。
作为优选的实施方式，所述缺陷检测模块包括摄像仪、声呐检测仪或潜望镜检测仪，用于检测异常节点内的功能性缺陷或结构性缺陷。
作为优选的实施方式，将各节点的监测数据输入至异常预测模型以获得负荷异常节点，包括：对将各节点的监测数据进行降维分析，并确定各监测数据的关联因子；将各节点的监测数据、关联因子输入到异常预测模型，获得获取所述关联因子对于负荷的关联指数，若所述关联指数大于等于预设指数，确认为负荷异常节点，反之不是负荷异常节点。
作为优选的实施方式，所述异常预测模型由以下方式获得：获取正常情况时节点的历史监测数据以及管网发生故障时节点的历史监测数据，并提取历史监测数据的特征因子，根据所述特征因子生成异常指数，将异常指数和历史监测数据关联以生成异常预测模型。
作为优选的实施方式，所述缺陷检测模块对负荷异常节点进行检测以获得缺陷检测数据，包括：获取正常节点的历史数据以及负荷异常节点的历史数据，并对所述历史数据进行特征提取，得到包括历史数据的特征图；通过缺陷检测模型的对特征图进行分类，得到所述历史数据的分类结果和分类损失值；对所述物体缺陷检测模型的参数进行优化，得到训练后的缺陷检测模型；将负荷异常节点的检测数据输入至训练后的缺陷检测模型，获得缺陷检测数据。
作为优选的实施方式，风险预测模型由以下方式获得：获得负荷异常节点的历史监测数据和负荷异常节点的历史缺陷检测数据历史数据，并依据管网缺陷的数量、位置和尺寸生成融合图谱，对所述融合图谱进行标注，生成样本数据集；基于神经网络生成初始风险预测模型，并根据所述样本数据集对所述初始风险预测进行训练，以确定模型参数；根据所述模型参数和所述初始缺陷诊断模型，生成风险预测模型。
作为优选的实施方式，所述预测模块用于将负荷异常节点的监测数据和负荷异常节点缺陷检测数据输入至风险预测模型，以得到负荷异常节点的风险值，包括：根据所述风险预测模型得出管网故障的预测值，使用熵值法确定所述管网故障对应的权重；根据所述管网故障的预测值和所述管网故障对应的权重得出所述负荷异常节点的风险值。
作为优选的实施方式，所述终端模块根据所述风险值进行报警，包括：根据风险值进行判断风险等级，根据风险等级确定报警等级。
作为优选的实施方式，将各节点地理坐标、各节点的监测数据导入所述GIS服务器，得到各节点的管网分布图，再将负荷异常节点的风险值叠加并高亮显示于管网分布图上。
相比现有技术，本发明的有益效果在于：
本发明通过传感器单元采集管网各节点的监测数据，通过数据分析模块用于将各节点的监测数据导入GIS服务器以得到各节点的管网分布图，并将各节点的监测数据输入至异常预测模型以获得负荷异常节点；然后再通过缺陷检测模块对负荷异常节点进行检测以获得缺陷检测数据，所述预测模块用于将负荷异常节点的监测数据和负荷异常节点缺陷检测数据输入至风险预测模型，以得到负荷异常节点的风险值，从而将传感器单元和缺陷检测模块两种方式融合在一起，对管网可能存在的风险进行分析并预警，从而大大提高了控制精度。通过多点监测，辅助管网运维，制定运维方案、调度控制、巡查养护。利用在线监测数据，分析管网风险、安全隐患，提供改造依据。对历史积水点、易涝点实施液位、流量监测，实时预警、报警。提高管网运行安全，降低排洪防涝成本。验证现状排水设施是否建设标准。管网巡查、抢修养护、管网监测、液位监测、水质监测、分区计量、管网调度、溯源分析、雨水管网。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于GIS的数字管网控制方法的流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供了一种基于GIS的数字管网控制***，包括采集模块、数据分析模块、缺陷检测模块、预测模块和终端模块，所述采集模块包括设置于管网各节点中的传感器单元，所述传感器单元用于采集管网各节点的监测数据，所述数据分析模块用于将各节点的监测数据导入GIS服务器以得到各节点的管网分布图，并将各节点的监测数据输入至异常预测模型以获得负荷异常节点，并将负荷异常节点在管网分布图中高亮显示，所述缺陷检测模块对负荷异常节点进行检测以获得缺陷检测数据，所述预测模块用于将负荷异常节点的监测数据和负荷异常节点缺陷检测数据输入至风险预测模型，以得到负荷异常节点的风险值并在管网分布图中高亮显示，所述终端模块用于显示所述管网分布图，并根据所述风险值进行报警。
本发明通过传感器单元采集管网各节点的监测数据，通过数据分析模块用于将各节点的监测数据导入GIS服务器以得到各节点的管网分布图，并将各节点的监测数据输入至异常预测模型以获得负荷异常节点；然后再通过缺陷检测模块对负荷异常节点进行检测以获得缺陷检测数据，所述预测模块用于将负荷异常节点的监测数据和负荷异常节点缺陷检测数据输入至风险预测模型，以得到负荷异常节点的风险值，从而将传感器单元和缺陷检测模块两种方式融合在一起，对管网可能存在的风险进行分析并预警，从而大大提高了控制精度。通过多点监测，辅助管网运维，制定运维方案、调度控制、巡查养护。利用在线监测数据，分析管网风险、安全隐患，提供改造依据。对历史积水点、易涝点实施液位、流量监测，实时预警、报警。提高管网运行安全，降低排洪防涝成本。验证现状排水设施是否建设标准。管网巡查、抢修养护、管网监测、液位监测、水质监测、分区计量、管网调度、溯源分析、雨水管网。
其中，地理信息***(GIS)是“采集、存贮、管理、分析和显示有关地理现象信息的综合技术***”。具有空间分布性、数据量大、信息载体多样、时序性的特征，其数据类型为矢量数据和格栅数据，数据基本要素包括地理坐标、平面坐标、垂直坐标。
所述传感器单元包括流量计、液位计、可燃气体监测仪或雨量监测仪。所述缺陷检测模块包括摄像仪、声呐检测仪或潜望镜检测仪，用于检测异常节点内的功能性缺陷或结构性缺陷。
安装时可采用投入式液位计，或L型支架安装流量计等。判定管道的缺陷的类型、位置、数量，结构性缺陷包括脱节、破裂、错误、异物侵入，功能性缺陷包括管道内污泥或泥浆沉积等。
作为优选的实施方式，将各节点的监测数据输入至异常预测模型以获得负荷异常节点，包括：对将各节点的监测数据进行降维分析，并确定各监测数据的关联因子；将各节点的监测数据、关联因子输入到异常预测模型，获得获取所述关联因子对于负荷的关联指数，若所述关联指数大于等于预设指数，确认为负荷异常节点，反之不是负荷异常节点。所述异常预测模型由以下方式获得：获取正常情况时节点的历史监测数据以及管网发生故障时节点的历史监测数据，并提取历史监测数据的特征因子，根据所述特征因子生成异常指数，将异常指数和历史监测数据关联以生成异常预测模型。
其中，负荷异常节点可为管网中流量等数据异常的节点，可根据经验值进行设定。异常预测模型可采用BP神经网络模型进行训练得到。
所述缺陷检测模块对负荷异常节点进行检测以获得缺陷检测数据，包括：获取正常节点的历史数据以及负荷异常节点的历史数据，并对所述历史数据进行特征提取，得到包括历史数据的特征图；通过缺陷检测模型的对特征图进行分类，得到所述历史数据的分类结果和分类损失值；对所述物体缺陷检测模型的参数进行优化，得到训练后的缺陷检测模型；将负荷异常节点的检测数据输入至训练后的缺陷检测模型，获得缺陷检测数据。其中，缺陷主要包括结构性缺陷和功能性缺陷，结构性缺陷包括脱节、破裂、错误、异物侵入，功能性缺陷包括管道内污泥或泥浆沉积等。
通过该方式，可获得包括缺陷位置、类型等缺陷检测数据。而缺陷的情况会影响管网的运行，甚至导致故障。本发明提供缺陷检测数据结合风险预测模型即可对管网的故障进行预测。
作为优选的实施方式，风险预测模型由以下方式获得：获得负荷异常节点的历史监测数据和负荷异常节点的历史缺陷检测数据历史数据，并依据管网缺陷的数量、位置和尺寸生成融合图谱，对所述融合图谱进行标注，生成样本数据集；基于神经网络生成初始风险预测模型，并根据所述样本数据集对所述初始风险预测进行训练，以确定模型参数；根据所述模型参数和所述初始缺陷诊断模型，生成风险预测模型。
所述预测模块用于将负荷异常节点的监测数据和负荷异常节点缺陷检测数据输入至风险预测模型，以得到负荷异常节点的风险值，包括：根据所述风险预测模型得出管网故障的预测值，使用熵值法确定所述管网故障对应的权重；根据所述管网故障的预测值和所述管网故障对应的权重得出所述负荷异常节点的风险值。
所述终端模块根据所述风险值进行报警，包括：根据风险值进行判断风险等级，根据风险等级确定报警等级。将各节点地理坐标、各节点的监测数据导入所述GIS服务器，得到各节点的管网分布图，再将负荷异常节点的风险值叠加并高亮显示于管网分布图上。
如图1所示，本发明还一种基于GIS的数字管网控制方法，包括以下步骤：设置采集模块，所述采集模块包括设置于管网各节点中的传感器单元，并利用所述传感器单元用于采集管网各节点的监测数据；
利用数据分析模块将各节点的监测数据导入GIS服务器以得到各节点的管网分布图，并将各节点的监测数据输入至异常预测模型以获得负荷异常节点，并将负荷异常节点在管网分布图中高亮显示；
利用缺陷检测模块对负荷异常节点进行检测以获得缺陷检测数据，所述预测模块用于将负荷异常节点的监测数据和负荷异常节点缺陷检测数据输入至风险预测模型，以得到负荷异常节点的风险值并在管网分布图中高亮显示；
利用终端模块用于显示所述管网分布图，并根据所述风险值进行报警。
上述方法通过将各节点的监测数据导入GIS服务器以得到各节点的管网分布图，并将各节点的监测数据输入至异常预测模型以获得负荷异常节点；然后再对负荷异常节点进行检测以获得缺陷检测数据，所述预测模块用于将负荷异常节点的监测数据和负荷异常节点缺陷检测数据输入至风险预测模型，以得到负荷异常节点的风险值，从而将传感器单元和缺陷检测模块两种方式融合在一起，对管网可能存在的风险进行分析并预警，从而大大提高了控制精度。通过多点监测，辅助管网运维，制定运维方案、调度控制、巡查养护。利用在线监测数据，分析管网风险、安全隐患，提供改造依据。对历史积水点、易涝点实施液位、流量监测，实时预警、报警。提高管网运行安全，降低排洪防涝成本。验证现状排水设施是否建设标准。管网巡查、抢修养护、管网监测、液位监测、水质监测、分区计量、管网调度、溯源分析、雨水管网。
其中，地理信息***(GIS)是“采集、存贮、管理、分析和显示有关地理现象信息的综合技术***”。具有空间分布性、数据量大、信息载体多样、时序性的特征，其数据类型为矢量数据和格栅数据，数据基本要素包括地理坐标、平面坐标、垂直坐标。
所述传感器单元包括流量计、液位计、可燃气体监测仪或雨量监测仪。所述缺陷检测模块包括摄像仪、声呐检测仪或潜望镜检测仪，用于检测异常节点内的功能性缺陷或结构性缺陷。
安装时可采用投入式液位计，或L型支架安装流量计等。判定管道的缺陷的类型、位置、数量，结构性缺陷包括脱节、破裂、错误、异物侵入，功能性缺陷包括管道内污泥或泥浆沉积等。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种基于GIS的数字管网控制***，其特征在于，包括采集模块、数据分析模块、缺陷检测模块、预测模块和终端模块，所述采集模块包括设置于管网各节点中的传感器单元，所述传感器单元用于采集管网各节点的监测数据，所述数据分析模块用于将各节点的监测数据导入GIS服务器以得到各节点的管网分布图，并将各节点的监测数据输入至异常预测模型以获得负荷异常节点，并将负荷异常节点在管网分布图中高亮显示，所述缺陷检测模块对负荷异常节点进行检测以获得缺陷检测数据，所述预测模块用于将负荷异常节点的监测数据和负荷异常节点缺陷检测数据输入至风险预测模型，以得到负荷异常节点的风险值并在管网分布图中高亮显示，所述终端模块用于显示所述管网分布图，并根据所述风险值进行报警。
2.根据权利要求1所述的基于GIS的数字管网控制***，其特征在于，所述传感器单元包括流量计、液位计、可燃气体监测仪或雨量监测仪。
3.根据权利要求1所述的基于GIS的数字管网控制***，其特征在于，所述缺陷检测模块包括摄像仪、声呐检测仪或潜望镜检测仪，用于检测异常节点内的功能性缺陷或结构性缺陷。
4.根据权利要求1所述的基于GIS的数字管网控制***，其特征在于，将各节点的监测数据输入至异常预测模型以获得负荷异常节点，包括：对将各节点的监测数据进行降维分析，并确定各监测数据的关联因子；将各节点的监测数据、关联因子输入到异常预测模型，获得获取所述关联因子对于负荷的关联指数，若所述关联指数大于等于预设指数，确认为负荷异常节点，反之不是负荷异常节点。
5.根据权利要求4所述的基于GIS的数字管网控制***，其特征在于，所述异常预测模型由以下方式获得：获取正常情况时节点的历史监测数据以及管网发生故障时节点的历史监测数据，并提取历史监测数据的特征因子，根据所述特征因子生成异常指数，将异常指数和历史监测数据关联以生成异常预测模型。
6.根据权利要求1所述的基于GIS的数字管网控制***，其特征在于，所述缺陷检测模块对负荷异常节点进行检测以获得缺陷检测数据，包括：获取正常节点的历史数据以及负荷异常节点的历史数据，并对所述历史数据进行特征提取，得到包括历史数据的特征图；通过缺陷检测模型的对特征图进行分类，得到所述历史数据的分类结果和分类损失值；对所述物体缺陷检测模型的参数进行优化，得到训练后的缺陷检测模型；将负荷异常节点的检测数据输入至训练后的缺陷检测模型，获得缺陷检测数据。
7.根据权利要求1所述的基于GIS的数字管网控制***，其特征在于，风险预测模型由以下方式获得：获得负荷异常节点的历史监测数据和负荷异常节点的历史缺陷检测数据历史数据，并依据管网缺陷的数量、位置和尺寸生成融合图谱，对所述融合图谱进行标注，生成样本数据集；基于神经网络生成初始风险预测模型，并根据所述样本数据集对所述初始风险预测进行训练，以确定模型参数；根据所述模型参数和所述初始缺陷诊断模型，生成风险预测模型。
8.根据权利要求1所述的基于GIS的数字管网控制***，其特征在于，所述预测模块用于将负荷异常节点的监测数据和负荷异常节点缺陷检测数据输入至风险预测模型，以得到负荷异常节点的风险值，包括：根据所述风险预测模型得出管网故障的预测值，使用熵值法确定所述管网故障对应的权重；根据所述管网故障的预测值和所述管网故障对应的权重得出所述负荷异常节点的风险值。
9.根据权利要求8所述的基于GIS的数字管网控制***，其特征在于，所述终端模块根据所述风险值进行报警，包括：根据风险值进行判断风险等级，根据风险等级确定报警等级。
10.根据权利要求1所述的基于GIS的数字管网控制***，其特征在于，将各节点地理坐标、各节点的监测数据导入所述GIS服务器，得到各节点的管网分布图，再将负荷异常节点的风险值叠加并高亮显示于管网分布图上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210369872.XA CN114723139A (zh) | 2022-04-08 | 2022-04-08 | 基于gis的数字管网控制*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210369872.XA CN114723139A (zh) | 2022-04-08 | 2022-04-08 | 基于gis的数字管网控制*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114723139A true CN114723139A (zh) | 2022-07-08 |
Family
ID=82242714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210369872.XA Pending CN114723139A (zh) | 2022-04-08 | 2022-04-08 | 基于gis的数字管网控制*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114723139A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436700A (zh) * | 2023-11-14 | 2024-01-23 | 山东和同信息科技股份有限公司 | 一种基于bim的新能源工程数据管理***及方法 |
-
2022
- 2022-04-08 CN CN202210369872.XA patent/CN114723139A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436700A (zh) * | 2023-11-14 | 2024-01-23 | 山东和同信息科技股份有限公司 | 一种基于bim的新能源工程数据管理***及方法 |
| CN117436700B (zh) * | 2023-11-14 | 2024-04-12 | 山东和同信息科技股份有限公司 | 一种基于bim的新能源工程数据管理***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102331744B1 (ko) | 수돗물 수질 측정기 및 이를 구비한 공동 주택용 스마트 수돗물 수질 진단 및 위험요소 예측 시스템 및 방법 | |
| CN106019195B (zh) | 一种电力计量自动化检定流水线故障诊断*** | |
| CN109839565B (zh) | 变压器工作状态监测方法 | |
| CN106655522A (zh) | 一种适用于电网二次设备运维管理的主站*** | |
| CN109270237A (zh) | 一种基于大数据的水质监测分析*** | |
| CN114444259B (zh) | 一种雨污管网溯源追踪***及方法 | |
| CN112381306A (zh) | 配电网智能化运维管控平台 | |
| CN111628570B (zh) | 水电站安全监测故障诊断方法及*** | |
| CN115293923A (zh) | 一种入河入海排污口监督溯源管理平台 | |
| CN113342812A (zh) | 输变电设备故障快速诊断***、方法及平台 | |
| CN112966374A (zh) | 智能电网电力线路安全实时在线预测预警管理*** | |
| CN112326583A (zh) | 一种基于物联网的毒害气体智能检测***及方法 | |
| CN114723139A (zh) | 基于gis的数字管网控制*** | |
| CN112031072A (zh) | 一种自来水供水水质管控*** | |
| CN111829614A (zh) | 一种基于4g水位视频识别的测报*** | |
| KR20210081136A (ko) | 대규모 용수공급관로를 위한 gis 기반 진단감시 통합관리시스템 | |
| CN114895163A (zh) | 一种基于电缆绝缘性能的电缆巡检定位装置及方法 | |
| CN117614137A (zh) | 基于多源数据融合的配电网优化*** | |
| CN112964847A (zh) | 一种基于物联网的大数据污水监控*** | |
| CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和*** | |
| CN116468243A (zh) | 一种基于监控运行数据的电网趋势预警方法 | |
| CN115907733A (zh) | 一种二次供水泵房ai无人巡检平台及方法 | |
| CN114741431A (zh) | 用于城市地下综合管廊的数据传输管理*** | |
| CN111224468B (zh) | 一种基于云计算的光伏设备安全运行运维平台 | |
| CN209673139U (zh) | 一种桥梁桥面径流环境污染突发事件应急废水识别装置 |
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 |