CN115931055A - 一种基于大数据分析的农村供水运行诊断方法及*** - Google Patents
一种基于大数据分析的农村供水运行诊断方法及*** Download PDFInfo
- Publication number
- CN115931055A CN115931055A CN202310015617.XA CN202310015617A CN115931055A CN 115931055 A CN115931055 A CN 115931055A CN 202310015617 A CN202310015617 A CN 202310015617A CN 115931055 A CN115931055 A CN 115931055A
- Authority
- CN
- China
- Prior art keywords
- flow
- value
- data set
- pressure
- pressure data
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000007405 data analysis Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 107
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000008030 elimination Effects 0.000 claims abstract description 6
- 238000003379 elimination reaction Methods 0.000 claims abstract description 6
- 238000004880 explosion Methods 0.000 claims description 25
- 230000001502 supplementing effect Effects 0.000 claims description 10
- 230000003203 everyday effect Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 241000728173 Sarima Species 0.000 claims 3
- 230000001932 seasonal effect Effects 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Landscapes
- Measuring Fluid Pressure (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及供水监测领域,提供一种基于大数据分析的农村供水运行诊断方法及***,包括:将监测日的前T天的流量数据和压力数据作为原始流量压力数据集,获得剔除后的流量压力数据集;将各个时刻的流量压力数据集分为各个时刻的流量数据集和各个时刻的压力数据集;通过各个时刻的压力标准差判断对应时刻的压力监测值是否异常;通过改进优化后的卡尔曼滤波模型计算各个时刻的流量数据集的流量估计值,通过各个时刻的流量估计值判断对应时刻的流量监测值是否异常;若压力监测值和流量监测值均异常,则判断监测点数据异常。本发明充分考虑到了历史监测数据对于爆管判断的影响;通过改进优化后的卡尔曼滤波模型能使流量估计值的计算结果更加精确。
Description
技术领域
本发明涉及供水监测领域,尤其涉及一种基于大数据分析的农村供水运行诊断方法及***。
背景技术
现有的爆管分析方法有很多种,但往往是单独根据管道压力或流量监测值在一段连续时间的变化进行分析判断。由于监测设备上报的数据存在误差或异常且难以避免,现有方法大多并未考虑对异常数据的处理,少数方法对异常数据的处理也较为简单,通常采用直接删除异常数据、删除后补零、删除后补上个正常数据等方式,会对数据的趋势产生影响,进而降低爆管判断的准确率。
并且,一段连续时间的监测值变化波动较大,易将正常的用水变化识别为爆管,单独对压力或流量进行分析并不够全面,因此易导致对爆管的判断和定位存在一定的误差。
此外,随着管线的使用管线会出现老化等现象,因此随着管线的使用对于爆管的判断标准也会产生变化,因此爆管的判断标准与历史监测数据有着直接关系;然而现有的爆管分析方法往往没有考虑到历史监测数据对于爆管判断的影响,导致爆管判断的准确率不高。
发明内容
为解决上述技术问题,本发明提供一种基于大数据分析的农村供水运行诊断方法,包括:
S1:将监测日的前T天的流量数据和压力数据作为原始流量压力数据集,剔除所述原始流量压力数据集中的异常数据,获得剔除后的流量压力数据集;
S2:通过SARIMA模型对所述剔除后的流量压力数据集进行补充,获得待分析流量压力数据集,根据不同的时刻将所述待分析流量压力数据集分为各个时刻的流量压力数据集,将所述各个时刻的流量压力数据集分为各个时刻的流量数据集和各个时刻的压力数据集;
S3:计算所述各个时刻的压力数据集的压力标准差,通过各个时刻的压力标准差判断对应时刻的压力监测值是否异常;
S4:通过改进优化后的卡尔曼滤波模型计算所述各个时刻的流量数据集的流量估计值,通过各个时刻的流量估计值判断对应时刻的流量监测值是否异常;
S5:若所述压力监测值和所述流量监测值均异常,则判断监测点数据异常,发生爆管。
优选的,步骤S1具体为:
S11:获取供水管道的管径d,d的单位为毫米;该供水管道的正常状态水流速度最大监测值为v,v的单位为m/s,m为米,s为秒;则该供水管道的流量值异常判定阈值为,流量值异常判定阈值的单位为m³/s;
S12:设置压力值异常判定阈值;
S13:将大于流量值异常判定阈值的流量数据和大于压力值异常判定阈值的压力数据从所述原始流量压力数据集中剔除,获得剔除后的流量压力数据集。
优选的,步骤S2具体为:
S21:通过SARIMA模型对所述剔除后的流量压力数据集进行补充,获得待分析流量压力数据集;
S22:将一天分为U个时刻,获得共U个时刻的流量压力数据集,各个时刻的流量压力数据集表示为Pt;t为时刻的编号,t的最小值为1,t的最大值为U,U为大于1的正整数;
S23:将所述待分析流量压力数据集中每天U个时刻的流量数据放入对应时刻的流量数据集中,各个时刻的流量数据集表示为Zt;将所述待分析流量压力数据集中每天U个时刻的压力数据放入对应时刻的压力数据集中,各个时刻的压力数据集表示为Ft。
优选的,步骤S3具体为:
S31:获取t时刻的压力数据集Ft,计算获得t时刻的压力标准差,计算公式为:
其中,为t时刻的压力标准差,i为天数的编号,i的初始值为1最大值为T,i的值越大表示距离监测日越近,ft i为第i天t时刻的压力数据集中的压力数据,为t时刻的压力数据集中的压力数据的平均值;
S32:压力数据的正常范围为;
S33:获取监测日t时刻的压力监测值ft now,若ft now在压力数据的正常范围内则判断压力监测值为正常,否则判断压力监测值为异常。
优选的,步骤S4具体为:
S41:获取t时刻的流量数据集Zt和监测日t时刻的流量监测值zt now;
S42:计算获得t时刻的流量标准差,计算公式为:
其中,为t时刻的流量标准差,i为天数的编号,i的初始值为1最大值为T,i的值越大表示距离监测日越近,zt i为第i天t时刻的流量数据集中的流量数据,为t时刻的流量数据集中的流量数据的平均值;
S43:通过所述改进优化后的卡尔曼滤波模型计算获得第i天t时刻的卡尔曼增益,计算公式为:
其中,为优化参数,为标准差倍数,Q为过程噪声,R为测量噪声,为第i天t时刻的卡尔曼增益,为第i天t时刻的后验估计协方差,为第i天t时刻的先验估计协方差,为第i-1天t时刻的后验估计协方差;
S44:计算获得第i天t时刻的流量估计值,计算公式为:
其中,为第i天t时刻的流量估计值,为第i天t时刻的流量先验估计值,为第i-1天t时刻的流量估计值;
令i=i+1;
S45:重复步骤S43-S44共T次,获得第T天t时刻的流量估计值,若则判断流量监测值为异常,否则判断流量监测值为正常。
一种基于大数据分析的农村供水运行诊断***,包括:
剔除模块,用于将监测日的前T天的流量数据和压力数据作为原始流量压力数据集,剔除所述原始流量压力数据集中的异常数据,获得剔除后的流量压力数据集;
分配模块,用于通过SARIMA模型对所述剔除后的流量压力数据集进行补充,获得待分析流量压力数据集,根据不同的时刻将所述待分析流量压力数据集分为各个时刻的流量压力数据集,将所述各个时刻的流量压力数据集分为各个时刻的流量数据集和各个时刻的压力数据集;
压力监测值判断模块,用于计算所述各个时刻的压力数据集的压力标准差,通过各个时刻的压力标准差判断对应时刻的压力监测值是否异常;
流量监测值判断模块,用于通过改进优化后的卡尔曼滤波模型计算所述各个时刻的流量数据集的流量估计值,通过各个时刻的流量估计值判断对应时刻的流量监测值是否异常;
爆管诊断模块,若所述压力监测值和所述流量监测值均异常,则判断监测点数据异常,发生爆管。
本发明具有以下有益效果:
1、对于监测值中被剔除的异常数据和未按时上报的缺失数据使用SARIMA模型进行预测及补充,保持监测数据变化趋势且有效降低异常数据对爆管分析的影响;
2、通过监测日的前T天的监测数据进行爆管判断分析,充分考虑到了历史监测数据对于爆管判断的影响,能有效消除用水波动对爆管判断的影响,有效提高了爆管判断的准确度;
3、根据农村供水特点对卡尔曼滤波模型进行改进优化,通过改进优化后的卡尔曼滤波模型能使流量估计值的计算结果更加精确。
附图说明
图1为本发明实施例方法流程图;
图2为本发明实施例***结构图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,本发明提供一种基于大数据分析的农村供水运行诊断方法,包括:
S1:将监测日的前T天的流量数据和压力数据作为原始流量压力数据集,剔除所述原始流量压力数据集中的异常数据,获得剔除后的流量压力数据集;
具体的,优选的将T设置为30天,原始流量压力数据集的收集不包括监测日当天,例如监测日为本月的2号,则取2号之前30天的流量数据和压力数据;
S2:通过SARIMA模型对所述剔除后的流量压力数据集进行补充,获得待分析流量压力数据集,根据不同的时刻将所述待分析流量压力数据集分为各个时刻的流量压力数据集,将所述各个时刻的流量压力数据集分为各个时刻的流量数据集和各个时刻的压力数据集;
S3:计算所述各个时刻的压力数据集的压力标准差,通过各个时刻的压力标准差判断对应时刻的压力监测值是否异常;
S4:通过改进优化后的卡尔曼滤波模型计算所述各个时刻的流量数据集的流量估计值,通过各个时刻的流量估计值判断对应时刻的流量监测值是否异常;
S5:若所述压力监测值和所述流量监测值均异常,则判断监测点数据异常,发生爆管。
本实施例的步骤S1中,监测设备上报的流量数据和压力数据往往存在异常波动、缺数等问题,需要对监测获取数据进行分析和处理;例如对于监测值的突变,需要分析是否是由正常用水波动导致还是设备上报的数据存在异常,若是正常用水波动一般会在合理范围内增加并在一段内恢复,数据具备一定的规律性,若是数据上报异常通常表现为无规律性,数据突变幅度过大并且可能在下次上报周期就恢复正常,每个管道的流量值上限都可以根据管道的管径进行计算;如果用于管网运行诊断分析的数据中存在异常值,势必会对爆管分析结果产生不良影响,因此对于原始数据中的异常值,需要将其剔除;
步骤S1具体为:
S11:获取供水管道的管径d,d的单位为毫米;该供水管道的正常状态水流速度最大监测值为v,v的单位为m/s,m为米,s为秒;则该供水管道的流量值异常判定阈值为,流量值异常判定阈值的单位为m³/s;
S12:设置压力值异常判定阈值;
S13:将大于流量值异常判定阈值的流量数据和大于压力值异常判定阈值的压力数据从所述原始流量压力数据集中剔除,获得剔除后的流量压力数据集。
本实施例中,步骤S2具体为:
S21:通过SARIMA模型对所述剔除后的流量压力数据集进行补充,获得待分析流量压力数据集;
具体的,监测值中被剔除的异常数据和未按时上报的数据均使用季节性差分自回归滑动平均模型(SARIMA)进行补充;
监测值中因为异常被剔除的数据以及未按时上报导致的缺数,均需要进行补充,补充的原则是不能影响数据原来的整体变化趋势,否则会影响对管网爆管分析判断的准确性;
季节性差分自回归滑动平均模型(SARIMA),可以为具备周期性的时间序列建模,建模方法是:
首先用季节差分的方法消除周期性变化,设季节性时间序列的变化周期是s,季节单位根为,则季节差分ut=yt-yt-s,t为时刻,季节差分算子为,其中Ls 为滞后算子,对进行一次季节差分表示为,对于存在D个季节单位根的非平稳季节性时间序列,则需要进行D次季节差分后才能转为平稳序列:,可以建立关于变化周期s的P阶自回归Q阶滑动平均季节时间序列模型:,其中AP(Ls)中为大写P,AP(Ls)为季节自回归算子,BQ(Ls)为季节移动平均算子,s为单季节周期长度,P为季节性自回归的阶数,D为季节性差分计算的阶数,Q为季节性滑动平均的阶数,可将ut描述为,即;其中中为小写p,为非季节自回归算子,为非季节移动平均算子,vt为白噪声;p为非季节自回归的最大阶数;q为滑动平均算子的最大阶数;d为ut的一阶差分次数。由于,因此;
上式用SARIMA(p, d, q) × (P, D, Q)s 表示;
对于具备季节周期性的农村供水管网流量数据和压力数据,通过季节性差分自回归滑动平均模型(SARIMA)进行建模,进而对缺失数据进行预测和补充,能保留流量和压力的变化趋势,避免数据的缺失对供水诊断的影响;
S22:将一天分为U个时刻,获得共U个时刻的流量压力数据集,各个时刻的流量压力数据集表示为Pt;t为时刻的编号,t的最小值为1,t的最大值为U,U为大于1的正整数;
具体的,由于用户的用水量在每天的不同时段存在正常的变化,会导致农村供水管网的流量数据和压力数据在每天的对应时段也产生相应的波动,如果直接对流量数据和压力数据进行分析,需要将正常的用水波动和爆管导致的波动做出明显区分,易影响爆管分析的准确率;考虑到用户在每天相同时刻的用水习惯通常会比较一致,取每天相同时刻的监测值进行对比分析能减少正常用水波动的干扰,因此对于待分析流量压力数据集进行划分,取每天相同时刻上报的数据形成新的流量数据集和压力数据集;
优选的将一天分为24个时刻,每个时刻之间相隔一小时;
S23:将所述待分析流量压力数据集中每天U个时刻的流量数据放入对应时刻的流量数据集中,各个时刻的流量数据集表示为Zt;将所述待分析流量压力数据集中每天U个时刻的压力数据放入对应时刻的压力数据集中,各个时刻的压力数据集表示为Ft。
本实施例中,步骤S3具体为:
S31:获取t时刻的压力数据集Ft,计算获得t时刻的压力标准差,计算公式为:
其中,为t时刻的压力标准差,i为天数的编号,i的初始值为1最大值为T,i的值越大表示距离监测日越近,ft i为第i天t时刻的压力数据集中的压力数据,为t时刻的压力数据集中的压力数据的平均值;
具体的,例如需要分析监测日8点的压力监测值是否异常,则t的值为8;
S32:压力数据的正常范围为;
S33:获取监测日t时刻的压力监测值ft now,若ft now在压力数据的正常范围内则判断压力监测值为正常,否则判断压力监测值为异常。
卡尔曼滤波(Kalman filtering)是一种递推预测滤波算法,根据当前的监测值和上一时刻模型计算结果及噪声计算当前时刻的最优估计,同时进行下一时刻的模型结果计算,本质是把通过模型计算的结果和设备上报的监测值进行加权平均,不断迭代实现最优估计;可以在含有不确定因素的动态***中使用卡尔曼滤波,对***下一步的走向做出有根据的预测,常用于通信,导航,制导与控制等多领域,尤其在目标追踪等算法中有很好的效果;
若直接使用上述原始的卡尔曼滤波法进行农村供水管网的爆管诊断,会存在参数难以设定且误报率高的问题,主要原因是因为农村供水存在用水波动,同时监测设备本身的测量精确度也可能存在波动;因此本发明将卡尔曼滤波根据农村供水特点进行了改进和优化,在计算卡尔曼增益时,改进权重更新方程,新增优化参数;
本实施例中,步骤S4具体为:
S41:获取t时刻的流量数据集Zt和监测日t时刻的流量监测值zt now;
S42:计算获得t时刻的流量标准差,计算公式为:
其中,为t时刻的流量标准差,i为天数的编号,i的初始值为1最大值为T,i的值越大表示距离监测日越近,zt i为第i天t时刻的流量数据集中的流量数据,为t时刻的流量数据集中的流量数据的平均值;
S43:通过所述改进优化后的卡尔曼滤波模型计算获得第i天t时刻的卡尔曼增益,计算公式为:
其中,为优化参数,为标准差倍数,取大于3的整数,Q为过程噪声,R为测量噪声,为第i天t时刻的卡尔曼增益,为第i天t时刻的后验估计协方差,为第i天t时刻的先验估计协方差,为第i-1天t时刻的后验估计协方差;
S44:计算获得第i天t时刻的流量估计值,计算公式为:
其中,为第i天t时刻的流量估计值,为第i天t时刻的流量先验估计值,为第i-1天t时刻的流量估计值;
令i=i+1;
S45:重复步骤S43-S44共T次,获得第T天t时刻的流量估计值,若则判断流量监测值为异常,否则判断流量监测值为正常。
具体的,在进行步骤S43-S44的循环计算时,初始参数可以做如下定义,=1,=0,后续根据卡尔曼滤波的多次迭代,可较快的收敛到最佳值;而对于过程噪声Q和测量噪声R的设定,由于改进优化后的卡尔曼增益公式新增了优化参数,每次计算都会基于监测值和历史监测值共同优化卡尔曼增益的计算结果,进而对卡尔曼最优估计产生积极影响,过程噪声Q和测量噪声R的取值可取经验值Q=0.1,R=0.05,后续可根据计算结果进行Q和R的参数调整。
参考图2,本发明提供一种基于大数据分析的农村供水运行诊断***,包括:
剔除模块,用于将监测日的前T天的流量数据和压力数据作为原始流量压力数据集,剔除所述原始流量压力数据集中的异常数据,获得剔除后的流量压力数据集;
分配模块,用于通过SARIMA模型对所述剔除后的流量压力数据集进行补充,获得待分析流量压力数据集,根据不同的时刻将所述待分析流量压力数据集分为各个时刻的流量压力数据集,将所述各个时刻的流量压力数据集分为各个时刻的流量数据集和各个时刻的压力数据集;
压力监测值判断模块,用于计算所述各个时刻的压力数据集的压力标准差,通过各个时刻的压力标准差判断对应时刻的压力监测值是否异常;
流量监测值判断模块,用于通过改进优化后的卡尔曼滤波模型计算所述各个时刻的流量数据集的流量估计值,通过各个时刻的流量估计值判断对应时刻的流量监测值是否异常;
爆管诊断模块,若所述压力监测值和所述流量监测值均异常,则判断监测点数据异常,发生爆管。
需要说明的是,在本文中,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、物品或者***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、物品或者***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,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于大数据分析的农村供水运行诊断方法,其特征在于,包括:
S1:将监测日的前T天的流量数据和压力数据作为原始流量压力数据集,剔除所述原始流量压力数据集中的异常数据,获得剔除后的流量压力数据集;
S2:通过SARIMA模型对所述剔除后的流量压力数据集进行补充,获得待分析流量压力数据集,根据不同的时刻将所述待分析流量压力数据集分为各个时刻的流量压力数据集,将所述各个时刻的流量压力数据集分为各个时刻的流量数据集和各个时刻的压力数据集;
S3:计算所述各个时刻的压力数据集的压力标准差,通过各个时刻的压力标准差判断对应时刻的压力监测值是否异常;
S4:通过改进优化后的卡尔曼滤波模型计算所述各个时刻的流量数据集的流量估计值,通过各个时刻的流量估计值判断对应时刻的流量监测值是否异常;
S5:若所述压力监测值和所述流量监测值均异常,则判断监测点数据异常,发生爆管。
2.根据权利要求1所述的基于大数据分析的农村供水运行诊断方法,其特征在于,步骤S1具体为:
S11:获取供水管道的管径d,d的单位为毫米;该供水管道的正常状态水流速度最大监测值为v,v的单位为m/s,m为米,s为秒;则该供水管道的流量值异常判定阈值为,流量值异常判定阈值的单位为m³/s;
S12:设置压力值异常判定阈值;
S13:将大于流量值异常判定阈值的流量数据和大于压力值异常判定阈值的压力数据从所述原始流量压力数据集中剔除,获得剔除后的流量压力数据集。
3.根据权利要求1所述的基于大数据分析的农村供水运行诊断方法,其特征在于,步骤S2具体为:
S21:通过SARIMA模型对所述剔除后的流量压力数据集进行补充,获得待分析流量压力数据集;
S22:将一天分为U个时刻,获得共U个时刻的流量压力数据集,各个时刻的流量压力数据集表示为Pt;t为时刻的编号,t的最小值为1,t的最大值为U,U为大于1的正整数;
S23:将所述待分析流量压力数据集中每天U个时刻的流量数据放入对应时刻的流量数据集中,各个时刻的流量数据集表示为Zt;将所述待分析流量压力数据集中每天U个时刻的压力数据放入对应时刻的压力数据集中,各个时刻的压力数据集表示为Ft。
4.根据权利要求1所述的基于大数据分析的农村供水运行诊断方法,其特征在于,步骤S3具体为:
S31:获取t时刻的压力数据集Ft,计算获得t时刻的压力标准差,计算公式为:
其中,为t时刻的压力标准差,i为天数的编号,i的初始值为1最大值为T,i的值越大表示距离监测日越近,ft i为第i天t时刻的压力数据集中的压力数据,为t时刻的压力数据集中的压力数据的平均值;
S32:压力数据的正常范围为;
S33:获取监测日t时刻的压力监测值ft now,若ft now在压力数据的正常范围内则判断压力监测值为正常,否则判断压力监测值为异常。
5.根据权利要求1所述的基于大数据分析的农村供水运行诊断方法,其特征在于,步骤S4具体为:
S41:获取t时刻的流量数据集Zt和监测日t时刻的流量监测值zt now;
S42:计算获得t时刻的流量标准差,计算公式为:
其中,为t时刻的流量标准差,i为天数的编号,i的初始值为1最大值为T,i的值越大表示距离监测日越近,zt i为第i天t时刻的流量数据集中的流量数据,为t时刻的流量数据集中的流量数据的平均值;
S43:通过所述改进优化后的卡尔曼滤波模型计算获得第i天t时刻的卡尔曼增益,计算公式为:
其中,为优化参数,为标准差倍数,Q为过程噪声,R为测量噪声,为第i天t时刻的卡尔曼增益,为第i天t时刻的后验估计协方差,为第i天t时刻的先验估计协方差,为第i-1天t时刻的后验估计协方差;
S44:计算获得第i天t时刻的流量估计值,计算公式为:
其中,为第i天t时刻的流量估计值,为第i天t时刻的流量先验估计值,为第i-1天t时刻的流量估计值;
令i=i+1;
S45:重复步骤S43-S44共T次,获得第T天t时刻的流量估计值,若则判断流量监测值为异常,否则判断流量监测值为正常。
6.一种基于大数据分析的农村供水运行诊断***,其特征在于,包括:
剔除模块,用于将监测日的前T天的流量数据和压力数据作为原始流量压力数据集,剔除所述原始流量压力数据集中的异常数据,获得剔除后的流量压力数据集;
分配模块,用于通过SARIMA模型对所述剔除后的流量压力数据集进行补充,获得待分析流量压力数据集,根据不同的时刻将所述待分析流量压力数据集分为各个时刻的流量压力数据集,将所述各个时刻的流量压力数据集分为各个时刻的流量数据集和各个时刻的压力数据集;
压力监测值判断模块,用于计算所述各个时刻的压力数据集的压力标准差,通过各个时刻的压力标准差判断对应时刻的压力监测值是否异常;
流量监测值判断模块,用于通过改进优化后的卡尔曼滤波模型计算所述各个时刻的流量数据集的流量估计值,通过各个时刻的流量估计值判断对应时刻的流量监测值是否异常;
爆管诊断模块,若所述压力监测值和所述流量监测值均异常,则判断监测点数据异常,发生爆管。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310015617.XA CN115931055B (zh) | 2023-01-06 | 2023-01-06 | 一种基于大数据分析的农村供水运行诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310015617.XA CN115931055B (zh) | 2023-01-06 | 2023-01-06 | 一种基于大数据分析的农村供水运行诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115931055A true CN115931055A (zh) | 2023-04-07 |
CN115931055B CN115931055B (zh) | 2023-06-16 |
Family
ID=86649240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310015617.XA Active CN115931055B (zh) | 2023-01-06 | 2023-01-06 | 一种基于大数据分析的农村供水运行诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115931055B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541678A (zh) * | 2023-06-30 | 2023-08-04 | 深圳市秒加能源科技有限公司 | 一种气站安全管道压力监测方法、装置 |
CN116593065A (zh) * | 2023-07-14 | 2023-08-15 | 青岛义龙包装机械有限公司 | 一种袋式包装机检测平台的数据分析方法 |
CN116804412A (zh) * | 2023-08-22 | 2023-09-26 | 济宁鲁威液压科技股份有限公司 | 一种液压***的监测数据处理方法 |
CN117272216A (zh) * | 2023-11-22 | 2023-12-22 | 中国建材检验认证集团湖南有限公司 | 一种自动流量监测站和人工水尺观测站的数据分析方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040102937A1 (en) * | 2002-11-21 | 2004-05-27 | Honeywell International Inc. | Energy forecasting using model parameter estimation |
KR101549543B1 (ko) * | 2014-04-29 | 2015-09-07 | 충북대학교 산학협력단 | 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법 |
CN106017582A (zh) * | 2016-05-06 | 2016-10-12 | 中南大学 | 一种基于管径二分原理的皮托管流量测量方法 |
CN108226887A (zh) * | 2018-01-23 | 2018-06-29 | 哈尔滨工程大学 | 一种观测量短暂丢失情况下的水面目标救援状态估计方法 |
CN108360608A (zh) * | 2018-03-21 | 2018-08-03 | 浙江大学 | 一种供水***输水管的爆管识别与定位方法 |
WO2019100354A1 (zh) * | 2017-11-25 | 2019-05-31 | 华为技术有限公司 | 状态感知方法以及相关设备 |
CN112187528A (zh) * | 2020-09-15 | 2021-01-05 | 浙江大学 | 基于sarima的工业控制***通信流量在线监测方法 |
WO2021088160A1 (zh) * | 2019-11-05 | 2021-05-14 | 大连理工大学 | 一种基于随机配置网络的涡扇发动机健康参数估计方法 |
CN113065721A (zh) * | 2021-05-06 | 2021-07-02 | 清华大学 | 小区供水管网泄漏事件分级预警方法、装置、设备及介质 |
CN113868926A (zh) * | 2021-10-15 | 2021-12-31 | 常州大学 | 一种针对养殖池水质参数空间分布模型构建方法 |
CN114021836A (zh) * | 2021-11-16 | 2022-02-08 | 电子科技大学 | 基于不同角度融合的多变量水库入水量预测***、训练方法及应用 |
CN114444290A (zh) * | 2022-01-20 | 2022-05-06 | 天津智云水务科技有限公司 | 一种自动生成供水***压力流量监测阈值的方法和*** |
-
2023
- 2023-01-06 CN CN202310015617.XA patent/CN115931055B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040102937A1 (en) * | 2002-11-21 | 2004-05-27 | Honeywell International Inc. | Energy forecasting using model parameter estimation |
KR101549543B1 (ko) * | 2014-04-29 | 2015-09-07 | 충북대학교 산학협력단 | 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법 |
CN106017582A (zh) * | 2016-05-06 | 2016-10-12 | 中南大学 | 一种基于管径二分原理的皮托管流量测量方法 |
WO2019100354A1 (zh) * | 2017-11-25 | 2019-05-31 | 华为技术有限公司 | 状态感知方法以及相关设备 |
CN108226887A (zh) * | 2018-01-23 | 2018-06-29 | 哈尔滨工程大学 | 一种观测量短暂丢失情况下的水面目标救援状态估计方法 |
CN108360608A (zh) * | 2018-03-21 | 2018-08-03 | 浙江大学 | 一种供水***输水管的爆管识别与定位方法 |
WO2021088160A1 (zh) * | 2019-11-05 | 2021-05-14 | 大连理工大学 | 一种基于随机配置网络的涡扇发动机健康参数估计方法 |
CN112187528A (zh) * | 2020-09-15 | 2021-01-05 | 浙江大学 | 基于sarima的工业控制***通信流量在线监测方法 |
CN113065721A (zh) * | 2021-05-06 | 2021-07-02 | 清华大学 | 小区供水管网泄漏事件分级预警方法、装置、设备及介质 |
CN113868926A (zh) * | 2021-10-15 | 2021-12-31 | 常州大学 | 一种针对养殖池水质参数空间分布模型构建方法 |
CN114021836A (zh) * | 2021-11-16 | 2022-02-08 | 电子科技大学 | 基于不同角度融合的多变量水库入水量预测***、训练方法及应用 |
CN114444290A (zh) * | 2022-01-20 | 2022-05-06 | 天津智云水务科技有限公司 | 一种自动生成供水***压力流量监测阈值的方法和*** |
Non-Patent Citations (3)
Title |
---|
张恒德;咸云浩;谢永华;杨乐;张天航;: "基于时间序列分析和卡尔曼滤波的霾预报技术", 计算机应用 * |
张恒飞等: "水利智能物联感知平台的设计与实现", 水利水电快报 * |
杨运等: "考虑预报偏差的迭代式集合卡尔曼滤波在地下水水流数据同化中的应用", 水文地质工程地质 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541678A (zh) * | 2023-06-30 | 2023-08-04 | 深圳市秒加能源科技有限公司 | 一种气站安全管道压力监测方法、装置 |
CN116541678B (zh) * | 2023-06-30 | 2023-10-31 | 深圳市秒加能源科技有限公司 | 一种气站安全管道压力监测方法、装置 |
CN116593065A (zh) * | 2023-07-14 | 2023-08-15 | 青岛义龙包装机械有限公司 | 一种袋式包装机检测平台的数据分析方法 |
CN116593065B (zh) * | 2023-07-14 | 2023-09-15 | 青岛义龙包装机械有限公司 | 一种袋式包装机检测平台的数据分析方法 |
CN116804412A (zh) * | 2023-08-22 | 2023-09-26 | 济宁鲁威液压科技股份有限公司 | 一种液压***的监测数据处理方法 |
CN116804412B (zh) * | 2023-08-22 | 2023-12-01 | 济宁鲁威液压科技股份有限公司 | 一种液压***的监测数据处理方法 |
CN117272216A (zh) * | 2023-11-22 | 2023-12-22 | 中国建材检验认证集团湖南有限公司 | 一种自动流量监测站和人工水尺观测站的数据分析方法 |
CN117272216B (zh) * | 2023-11-22 | 2024-02-09 | 中国建材检验认证集团湖南有限公司 | 一种自动流量监测站和人工水尺观测站的数据分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115931055B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115931055A (zh) | 一种基于大数据分析的农村供水运行诊断方法及*** | |
CN105975443B (zh) | 基于Lasso的网络异常行为检测方法及*** | |
CN110352349B (zh) | 异常音检测装置、异常度计算装置、异常音生成装置、异常信号检测装置、及其方法、记录介质 | |
US7216063B2 (en) | Method and apparatus for comparing a data set to a baseline value | |
CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
CN115412455B (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
US20020087290A1 (en) | System for extraction of representative data for training of adaptive process monitoring equipment | |
CN110466381B (zh) | 充电桩状态的评估方法 | |
EP1468361A1 (en) | Method and system for analyzing and predicting the behavior of systems | |
US7085675B2 (en) | Subband domain signal validation | |
WO2016039805A1 (en) | Apparatus and method for ensembles of kernel regression models | |
KR20180039205A (ko) | 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치 | |
US12007745B2 (en) | Apparatus for predicting equipment damage | |
Ceschini et al. | A Comprehensive Approach for Detection, Classification and Integrated Diagnostics of Gas Turbine Sensors (DCIDS) | |
CN113743531A (zh) | 一种设备工况预警方法及相关装置 | |
WO2010047937A1 (en) | Robust filtering and prediction using switching models for machine condition monitoring | |
CN117439827B (zh) | 一种网络流量大数据分析方法 | |
CN113918433A (zh) | 一种自适应的智慧网络设备性能指标异常检测装置及方法 | |
CN108386182B (zh) | 一种基于spc控制图和加权决策树的油井生产异常预警方法 | |
CN109768995B (zh) | 一种基于循环预测和学习的网络流量异常检测方法 | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
CN114938339B (zh) | 一种数据处理方法和相关装置 | |
CN111915858B (zh) | 一种融合模拟量与数字量相关信息的报警方法及*** | |
Koesdwiady et al. | Non-stationary traffic flow prediction using deep learning | |
CN115274004A (zh) | 一种基于知识复用的发酵过程菌体浓度预测方法及*** |
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 |