CN117287640B - 供水风险的预警方法、装置、设备及存储介质 - Google Patents
供水风险的预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117287640B CN117287640B CN202311544959.7A CN202311544959A CN117287640B CN 117287640 B CN117287640 B CN 117287640B CN 202311544959 A CN202311544959 A CN 202311544959A CN 117287640 B CN117287640 B CN 117287640B
- Authority
- CN
- China
- Prior art keywords
- water supply
- information
- early warning
- target user
- model
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 482
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 description 19
- 238000004519 manufacturing process Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 17
- 238000004140 cleaning Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000003651 drinking water Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mechanical Engineering (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于供水风险预警技术领域,提供了一种供水风险的预警方法、装置、设备及存储介质,该方法包括:获取目标用户的实时的供水信息,所述供水信息包括以下至少一项:水压信息、水流量信息、水温信息、水质信息和水位信息;当所述目标用户的实时的供水信息满足预设预警阈值时,利用与所述目标用户相对应的供水风险预警模型输出供水风险预警信息,所述供水风险预警模型是利用所述目标用户的供水信息的多个样本训练得到的。该方案通过利用多个样本来训练供水风险预警模型并实时监测目标用户的实时供水数据作为模型输入,进而得出预警分析结果,有利于提高供水风险预警的准确性。
Description
技术领域
本申请涉及供水预警技术领域,尤其涉及一种供水风险的预警方法、装置、设备及存储介质。
背景技术
供水管网是城市基础设施中至关重要的一部分,它负责向居民、企业和机构提供清洁的饮用水和工业用水。供水管网的正常运行对于保障人民生活和经济发展具有重要意义。然而,由于供水管网深埋底下,难以直接观测,实际应用中供水管网面临着一系列的风险和挑战,例如,管网老化、泄漏、水质污染、供水中断等问题。
在相关方案中,主要通过部署一定的传感器来实时监控供水管网的状态。但是此种方式通常只能检测到某一段供水管网的水压情况或水流情况,但是此种方式是一种较为粗放的预警方式,难以全面地反映供水管网的实际状态,只能在风险到来时发出报警信息,对于供水风险预警的及时性和准确性较差。
发明内容
本申请实施例提供了一种供水风险的预警方法、装置、设备及存储介质,可以解决如何更加准确地对供水风险进行预警的技术问题。
第一方面,本申请实施例提供了一种供水风险的预警方法,包括:
获取目标用户的实时的供水信息,该供水信息包括以下至少一项:水压信息、水流量信息、水温信息、水质信息和水位信息。通过实时采集这些供水信息,可以更全面地了解供水***的运行情况,并及时发现潜在的供水问题。不同的供水信息可以提供不同的参考指标,有助于评估供水***的性能和稳定性。同时,实时的供水信息可以帮助监测供水***的运行状态,及时采取措施进行调整和优化,以提供更好的供水服务。
当目标用户的实时的供水信息满足预设预警阈值时,利用与目标用户相对应的供水风险预警模型输出供水风险预警信息,该供水风险预警模型是利用目标用户的供水信息的多个样本训练得到的。通过设定预警阈值,当目标用户的实时供水信息达到或超过预设的阈值时,供水风险预警模型会输出相应的供水风险预警信息,可以帮助用户及时了解供水***的风险状况,并采取相应的措施进行应对。
第二方面,本申请实施例提供了一种供水风险的预警装置,该装置具有实现第一方面或其任意可能的实现方式中的方法的功能。具体地,该装置包括实现第一方面或其任意可能的实现方式中的方法的单元。
在其中的一个实施例中,该装置包括:
获取单元,用于获取目标用户的实时的供水信息,该供水信息包括以下至少一项:水压信息、水流量信息、水温信息、水质信息和水位信息。
处理单元,用于当目标用户的实时的供水信息满足预设预警阈值时,利用与目标用户相对应的供水风险预警模型输出供水风险预警信息,该供水风险预警模型是利用目标用户的供水信息的多个样本训练得到的。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,该处理器执行计算机程序时,使得计算机设备实现上述第一方面任意一种实现方式的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被计算机设备执行时,使得计算机设备实现上述第一方面任意一种实现方式的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行上述第一方面任意一种实现方式的方法。
本申请实施例与现有技术相比存在的有益效果是:将目标用户作为关键节点来实时采集供水数据,可以根据不同的用户的需求实现定制化采集分析,相较于在常规节点处进行安装通用的传感器,可以做到更加有针对性的监测,优化供水风险预警的资源分配;通过利用多个样本进行训练而得到供水风险预警模型,并结合与目标用户对应的预设预警阈值来设置个性化预警条件,使得供水风险预警模型能够更加精准地理解和捕捉不同目标用户的供水数据的特点和趋势,从而提高预测的准确性和可靠性,降低供水风险事故的发生。
附图说明
图1是本申请实施例提供的一种传统方案中的供水风险预警的场景示意图。
图2是本申请实施例提供的一种供水风险的预警方法的流程示意图。
图3是本申请实施例提供的另一种供水风险的预警方法的流程示意图。
图4是本申请实施例提供的装置的结构示意图。
图5是本申请实施例提供的计算机设备的结构示意图。
具体实施方式
供水风险是指供水***中可能出现的各种不利因素和事件,可能会对供水***的正常运行和供水质量产生负面影响。例如,供水***出现故障、管道破裂等情况,导致供水中断,影响用户正常用水;供水***中的水源受到污染、水处理设备故障等原因,导致供水水质下降,可能会对用户的健康产生危害;供水***中的水压过高或过低,可能会导致管道破裂、漏水等问题,影响供水***的正常运行等等。此时,就需要进行供水风险预警,以便于及时发现供水***中潜在的风险,并采取相应的措施进行预防和应对,以确保供水***的正常运行和供水质量的稳定。
下面结合图1来具体解释供水风险预警的应用场景。
图1是本申请实施例提供的一种传统方案中的供水风险预警的场景示意图。
如图1中所示,在传统方案中,通常会选择水源泵站、进水口、阀门控制点等位置上安装传感器,利用传感器来采集这些节点的水压信息、水量信息等等发送给供水风险管理中心,供水风险管理中心经过判断后发出供水预警信息,预警处理中心进行预警处理。可以看出,通过此种方式采集到的供水信息都很类似,并不能直观的看出哪里存在供水风险,只有通过繁琐的计算和分析之后才能发现潜在的供水问题,难以做到及时预警、准确预警。
针对上述问题,本申请提出了一种供水风险的预警方法,通过将目标用户作为关键节点来实时监测,并通过与目标用户相对应的个性化的供水风险预警模型输出供水风险预警信息,从而实现不同用户的供水风险的精准预警。
为了进一步说明本申请的技术方案,下面通过具体实施例来说明。
图2是本申请实施例提供的一种供水风险的预警方法的流程示意图。
如图2所示,该方法包括以下步骤S201~S202。
S201、获取目标用户的实时的供水信息。
目标用户在此处是指供水管网中的重要用户节点,如大型工业、企业、医院、学校、居民小区等。通常情况下,这些用户对于供水管网的稳定性有着较高的要求,对于供水风险的敏感性也较高。
实时的供水信息包括以下至少一项:水压信息、水流量信息、水温信息、水质信息和水位信息。
可以理解,此处可以通过在目标用户的各供水管道网络中安装对应的水压监测传感器、水流量监测传感器、水温监测传感器、水质监测传感器、水位监测传感器以及气体监测传感器等传感器来实时测量和监测供水管网的各项参数,如水压、水流速度、水质等等,也就是说,通过各项传感器的实时监测来获取目标用户的实时供水状态。
在一种实现方式中,可以根据不同的供水管网位置,不同的管点管件设施,来定制个性化的数据获取时间。也就是说,所有传感器的采集时间并非是一成不变的,可以根据实际情况来不断优化调整每项传感器的数据采集时间。作为示例而非限定,居民小区的水压传感器可以设置为半小时采集一次数据,学校的水质传感器可以设置为一小时采集一次数据等等,此处不再一一列举。通过此种方式可以提高采集数据的质量,减少无效数据录入,优化预警内容,减少无效计算,提高预警效率。
S202、当目标用户的实时的供水信息满足预设预警阈值时,利用与目标用户相对应的供水风险预警模型输出供水风险预警信息。
供水风险预警模型是利用目标用户的供水信息的多个样本训练得到的。
预设预警阈值是指与目标用户对应的供水风险预警的临界值。具体的数值可以根据用户的实际用水情况来进行设置,例如,某一用户的供水管网可以设置水温30℃为预设预警阈值等等,此处不作限定。
多个样本指的是供水风险预警模型所使用的多个数据样本或数据点。这些样本是从目标用户的供水信息中收集提取得到的。这些样本可以包括不同时间段、不同用户的供水信息数据。
通过对多个样本进行训练而得到供水风险预警模型,该供水风险预警模型在训练过程中会学习和分析这些样本中的供水信息,最终训练好的供水风险预警模型能够根据目标用户的实时的供水数据来预测潜在的供水风险,并输出供水风险预警信息。
通过使用多个样本进行训练,供水风险预警模型能够更好地理解和捕捉供水数据中的模式和趋势,从而提高预测的准确性和可靠性,进而可以帮助供水公司或相关机构及时识别供水风险,并采取必要的措施来避免或减轻潜在的供水问题。
传统方案是在水源泵站、进水口、阀门控制点等常规位置上安装传感器,采集到的数据没有特征性质,无法直观地根据真实使用场景进行处理,只能通过繁琐的计算和分析才能发现潜在的供水问题。换句话说,传统方案中的传感器只能提供一些基本的供水数据,如水位、水压等,而无法提供更具体和实际的信息。这使得供水公司或相关机构必须通过复杂的计算和分析来识别供水***中的潜在问题,计算量繁琐,预警效率低,预警准确性也较差。
本方法侧重以重要用户节点作为关键位置安装传感器,如大型工业、企业、医院、学校、居民小区等,在重要用户节点安装传感器采集到的数据会附属用户节点关键位置信息属性,并且可以根据不同的用户的需求来定制化安装对应的传感器,相较于在常规节点处进行安装通用的传感器,将这些重要用户作为重点分析对象可以做到更加有针对性的监测,优化供水风险预警的资源分配,避免大范围的资源浪费,提高供水风险预警的准确率和效率,降低供水风险预警的成本。
在一种实现方式中,在获取用户的实时的供水信息之前,上文中的提到的供水风险的预警方法还包括;获取目标用户的供水信息的多个样本;对多个样本进行标注处理,生成多个样本的标注信息,标注信息用于区分目标用户的身份;根据多个样本和多个样本的标注信息构建与供水风险预警模型。
此处的多个样本可以包括水压信息样本、水流量信息样本、水温信息样本、水质信息样本和水位信息样本等等。
标注处理通常是通过在数据中添加额外的信息或标签来实现的。例如,可以在数据记录中添加一个字段,这个字段可以是一个特定的标记,如"XX数据",或者是一个数字或代码,用来表示某一目标用户的数据。标注处理主要是起到一个区分目标用户身份的作用,例如,将医院和学校区分开,具体的标注方式此处不做限定,可以根据实际情况来进行选择。
作为示例而非限定,在医院供水管网范围内安装的传感器,获取的数据会标注为“医院数据”,该标注信息用于标识该数据来自医院供水管网传感器。一旦数据被标注为医院数据,后续的数据处理和分析可以根据这个标注信息来进行。例如,可以使用特定的算法或模型来处理医院数据,或者将医院数据与其他数据进行区分和比较。这样可以更方便地进行医院管网数据的监测、分析和应用。
对不同目标用户供水管网中的传感器采集到的数据进行标注可以方便后续的数据处理和分析,使得供水风险预警模型可以更准确地识别和利用这些数据。通过带有属性的数据进行场景分析,就可以实现提前预警,精准预警,并针对用户特性提高预警准确率,避免错误预警或者大范围预警。
在一种实现方式中,供水风险预警模型包括第一子模型和第二子模型,当目标用户的实时的供水信息满足预设预警阈值时,利用与目标用户相对应的供水风险预警模型输出供水风险预警信息,包括:
利用第一子模型,根据目标用户的供水需求确定与供水需求相对应的目标预警策略,供水需求用于表示目标用户对供水信息的数值需求;
利用第二子模型,根据目标预警策略输出与目标用户相对应的供水风险预警信息。
供水需求是指目标用户对于水压、水流量、水温、水质和水位等各项供水指标的临界数值需求。例如,某一用户对于水压要求为0.2~0.25MPa,对于水温的需求为25℃等等,具体各项供水指标的数值可以根据不同目标用户的实际需求来进行设置,此处不再一一列举。
目标预警策略是指与目标用户的供水需求相对应的预警策略。
作为示例而非限定,某一用户的供水需求为水压0.2MPa,水温为25℃,当水压超过0.2MPa时,水温超过25℃时,就会产生危险,即超过了该用户设置的临界值,此时需要及时预警。因此,该用户的目标预警策略就是:水压超过0.2MPa和水温超过25℃时进行预警。
可以理解,目标预警策略与目标用户的供水需求是一一对应的关系,有什么样的供水需求,就会有对应的预警策略。可以根据目标用户的实际情况来组合设置对应的预警策略,此处不作限定。
第一子模型和第二子模型可以根据实际情况来选择,例如,常用的模型包括:决策树、支持向量机、神经网络、随机森林等,此处不做限定。
第一子模型的作用是根据目标用户的供水需求确定相应的预警策略。也就是说第一子模型会根据目标用户的需求参数来判断是否存在供水风险,并确定适当的预警策略。例如,如果目标用户的对供水量的需求非常高,而实际供水量较低,那么第一子模型可能会判断存在供水风险,并确定采取紧急供水措施的目标预警策略,如上文中提到的水压超过0.2MPa和水温超过25℃时进行预警等。
第二子模型的作用是根据目标预警策略输出与目标用户相对应的供水风险预警信息。也就是说,第二子模型会根据预警策略的设定,将供水风险的信息转化为可理解和可操作的预警信息。例如,如果预警策略设定为当供水压力低于某个阈值时发送预警信息,那么第二子模型会根据实时的供水压力数据判断是否低于阈值,并将相应的预警信息发送给供水机构和目标用户。
具体而言,可以收集目标用户的供水需求数据,训练第一子模型,建立供水需求与预警策略的关联模型。使用第一子模型确定目标用户的预警策略,然后收集目标用户的实时的供水数据如供水压力、供水流量等,并将收集到的实时供水数据输入到第二子模型中,基于第二子模型的输出,判断是否需要发送供水风险预警信息给目标用户。
作为示例而非限定,假设目标用户是一家工厂,该工厂对供水量的需求很高,每天需要大量的水来生产。第一子模型通过分析工厂的用水量数据,发现当供水量低于一定阈值时,会超过安全临界值。因此,预警策略设定为当供水量低于阈值时发送预警信息。
在实时监测中,当供水量低于阈值时,第二子模型会判断供水风险存在,并将相应的预警信息发送给工厂。工厂收到预警信息后,可以及时采取措施,如调整生产计划、增加备用水源等,以应对供水风险。这样,供水风险预警模型可以帮助工厂及时发现并应对供水问题,保障生产的正常进行。
通过制定目标用户对应的个性化的预警策略可以更加精准地识别和预测潜在的风险。也就是说,通过考虑用户的个体差异和特定环境因素,可以提供更准确、有效的预警信息。同时,个性化的预警策略可以根据目标用户的偏好和需求提供个性化的预警信息,提升用户体验和满意度。用户可以根据自身情况进行灵活调整和定制,使预警信息更符合用户的实际需求和期望。
在一种实现方式中,第二子模型包括第三子模型和第四子模型,利用第二子模型,根据目标预警策略输出与目标用户相对应的供水风险预警信息,包括:
利用第三子模型,根据目标用户的身份读取目标用户的预警等级;
利用第四子模型,综合预警策略和预警等级,输出与目标用户的预警等级相对应的供水风险预警信息。
预警等级是为了展示不同的目标用户发生供水风险的危险程度。也可以理解为是指不同的目标用户发生供水风险需要响应的优先级程度。
可以理解,不同的目标用户的预警等级可以是不同的,重点民生企业、工业单位的预警等级可以优先于普通娱乐、商业场所的预警等级。为了保证重点重要生产单位的正常运作,对于重要的目标用户的预警等级可以设置的较高,对于普通用户的预警等级可以设置的较低。例如,医院的预警等级可以设置为一级,优先级最高,娱乐性场所的预警等级可以设置为三级,优先级较低。
第三字模型和第四子模型可以根据实际情况来选择,例如,常用的模型包括:决策树、支持向量机、神经网络、随机森林等,此处不做限定。
具体而言,第三子模型可以根据目标用户的身份(例如工厂、学校、住宅等)读取目标用户的预警等级。预警等级可以根据目标用户生产生活的实际情况来预先设置。例如,对于医院用户,其预警等级可能较高,因为供水中断可能会对正常运作造成严重影响。然后,第四子模型会综合预警策略和预警等级,输出与目标用户的预警等级相对应的供水风险预警信息。也就是说,将预警策略(如上文中提到的水压超过0.2MPa等)和目标用户的预警等级(如预警等级为一级)结合起来,生成相应的供水风险预警信息,即:“医院的水压即将超过0.2MPa,预警等级为一级”。医院和相关供水机构在接收到这条预警信息之后就可以根据实际风险来采取紧急措施。
预警等级可以对供水风险进行分类和分级,使得预警信息更加清晰明确。通过将风险分为不同等级,可以帮助用户更好地理解和判断风险的严重程度,以及采取相应的应对措施。预警等级可以对供水风险进行排序,使得用户能够更好地了解哪些风险是最紧急和最重要的。这样可以帮助用户优先处理和解决最严重的风险,以最大程度地保证预警资源的高效利用。
在一种实现方式中,获取目标用户的供水信息的多个样本,包括:
在预设时间内采集目标用户的多个样本;根据预警策略对供水信息进行分组处理,生成多组样本,每一组样本对应一种预警策略。
预设时间段可以根据不同的目标用户的实际需求来进行设置,例如,24h、48h等等,此处不做限定。
分组处理在这里是指把某一个预警策略需要用到的供水信息分到同一组中。可以理解,每一种不同的预警策略对应的供水信息是不同的,每一个分组的样本都有其对应的预警策略。
例如,医院的预警策略是水压超过0.2MPa,床位平均供水量小于250L。此时,就可以把历史的或实时采集到的医院的水压信息和平均供水量信息分为一组,并进行标注处理。后续在进行数据分析时,可以直接从该分组中提取所需的数据即可,不需要遍历查找所有医院供水管网传感器采集到的数据,此种方式可以提高数据处理的效率,也能提高供水风险预警的针对性,从而提高供水风险预警的准确性。
在一种实现方式中,获取目标用户的历史预警记录,历史预警记录包括以下至少一项:水压预警记录、水流量预警记录、水温预警记录、水质预警记录和水位预警记录;根据目标用户的历史预警记录构建与目标用户相对应的供水风险预警模型。
历史预警记录是指目标用户历史发生过的预警记录。
具体而言,此处是通过分析目标用户的历史预警记录,找出与供水风险相关的特征和模式,并将其用于构建供水风险预警模型。
例如,假设目标用户是一个住宅用户,其历史预警记录包括水压预警记录和水质预警记录。通过分析这些记录,可以发现当水压过低或水质异常时,供水存在较高的风险。因此,可以将水压和水质作为特征,构建供水风险预警模型。当新的供水数据进入***时,供水风险预警模型可以根据当前的水压和水质情况,预测供水风险,并生成相应的预警信息,如提醒用户可能存在供水问题或建议采取相应的措施。
这种实现方式可以根据目标用户的历史预警记录,针对性地构建供水风险预警模型,提高预警的准确性和实用性。通过分析历史预警记录,可以捕捉到与供水风险相关的模式和特征,从而更好地预测当前的供水风险情况。此外,该方法可以根据不同用户的历史预警记录构建个性化的预警模型,更好地满足用户的需求。
在一种实现方式中,在确定目标用户的实时的供水信息满足预设预警阈值时,判断实时的供水信息是否满足供水异常阈值;当实时的供水信息满足供水异常阈值时,判断目标用户的供水信息是否满足预设预警阈值。
供水异常阈值是指某一项供水信息的值明显超出正常范围的值。
此处既可以将低于正常范围的值作为供水异常阈值,也可以将高于正常范围的值作为供水异常阈值,可以根据实际情况来具体选择,此处不作限定。
例如,某用户的标准水压为0.25MPa,上下浮动0.05MPa为正常范围。该用户的水压预设预警阈值为0.4Mpa。某一时刻,该用户的水压传感器检测到其当前水压为0.4Mpa,明显高于标准水压,说明有供水风险。此时,该用户的供水异常阈值可以设置为0.3MPa,如果检测到水压高于0.3MPa,说明存在异常。此时可以发送水压异常信息,作为一个提醒信息,提示用户接下来可以重点监测该供水段的数据,并判断是否需要进一步启动预警。如果后续检测到水压数据超过水压预设预警阈值时,则立即启动预警,方便用户采取对应的应急措施。
在一种实现方式中,对预设时间段内的历史供水信息进行趋势分析处理,得到当前供水趋势;根据当前供水趋势和实时的供水信息预测下一时刻的供水信息;判断下一时刻的供水信息是否满足预设预警阈值;当下一时刻的供水信息满足预设预警阈值时,利用供水风险预警模型输出供水风险预警信息。
趋势分析是一种通过对历史数据进行分析,以识别和推断出数据的变化趋势的方法。此处是通过分析供水信息(如水压、水流量、水温、水质等)在一段时间内的变化趋势来预测未来的供水情况。
如果某个指标的趋势与历史数据明显不符,可能意味着出现了供水***的故障或其他异常情况,需要及时采取措施进行修复。例如,如果水流量呈现逐渐下降的趋势,可能意味着供水量将减少,需要采取相应的措施。
下面来整体性地介绍如何进行供水管网的风险预警。
图3是本申请实施例提供的另一种供水风险的预警方法的流程示意图。
如图3所示,该方法包括以下步骤S301~S304。
S301、在重要用户节点安装供水情况监测传感器,进行样本数据采集。
结合上文可知,供水管网中的重要用户节点可以是大型工业企业、医院、学校、居民小区等对供水质量和稳定性要求较高的用户。
样本数据包括:水压、水质、水温等等。
具体而言,在医院管网范围内安装的传感器,获取的数据会标注为医院数据,区别医院和其他重要用户节点的用水特征。针对医院的用水特点和用水要求作为前置条件,通过带有属性的数据进行场景分析,就可以实现精准预警。
在一个例子中,传感器可以将采集到的数据传输给数据采集装置中进行收集和存储,数据采集装置将采集到的样本数据传输给数据处理***。***接收数据后对数据进行处理和计算,以便于后续训练预警模型。
S302、对采集到的样本数据进行数据分析处理。
数据处理***接收到传感器采集的数据后可以进行数据处理和分析,包括数据清洗、特征提取、异常检测、趋势分析等处理方式,以便于获得供水管网的状态信息。
数据清洗是指对采集到的原始数据进行清洗,去除异常值、噪声和不完整的数据。通用的数据清洗方法有滤波方法、插值方法或统计学方法等,具体方法可以根据实际情况来进行选择,此处不作限定。数据清洗有助于确保后续分析的准确性和可靠性。
特征提取是指在数据处理过程中,从原始数据中提取有用的特征以描述供水管网的状态。通用的特征提取方法有应用信号处理、时间序列分析或统计学方法等,具体方法可以根据实际情况来进行选择,此处不作限定。此处的特征可以包括平均值、方差、频谱特征、时域和频域的统计特征等。通过特征提取可以有效获取到某个时间段内的数据信息内容,如水压、水流速、水流量、水质等数据信息。特征提取使得数据能够更加紧凑地表示管网的状态,方便后续的异常检测和预测分析。
通过传感器采集带有重要用户节点属性的数据,在数据分析中方法中增加用户属性条件,可以提炼出含有重要用户节点的特征数据信息,利用这些带有用户节点特征的数据信息内容,可以进行更加有针对性和准确性的预警和分析。例如发电厂或制造业工厂对供水的压力、水质、要求标准不一致,那么制定的预设预警阈值也会截然不同。
以医院和制造业工厂为例,医院对供水水质的要求较高,因为水在医院中用于直接接触人体,如饮用水、手术准备和洗手等。医院通常需要确保供水水质符合卫生标准,并进行定期监测和检测。而制造业工厂对水质要求相对较低,主要是用于工业生产过程中的冷却、清洗、冲洗等。医院通常需要满足较高的水量需求,包括病房、手术室、洗手间等多个区域的同时使用。医院供水管网需要设计和规划,以确保能够满足高峰期的用水需求,例如水流量和水压的要求。制造业工厂的水量需求则根据具体的生产过程和设备需求而定,可能会有更大的波动性。医院对供水管网的稳定性要求较高,需要保证持续稳定的供水,以确保医疗服务的正常运行和卫生条件的维护。任何管网故障或中断都可能对医院的运作和患者的健康产生严重影响。制造业工厂对管网稳定性的要求也很重要,但相对较灵活,可以根据不同的时间、生产计划和需求进行计划性的维护和停机。监测和预警需求:医院对供水管网的监测和预警需求较为严格,需要实时监测供水质量、压力、流量等关键参数,并建立相应的预警机制,以便及时应对潜在的问题。制造业工厂也需要监测和预警***来确保供水的稳定性和可靠性,但监测参数和预警指标在阈值的设定和时间的范围会有所不同。
将提取到的用户节点特征数据,进行点对点的数据分析和处理,能够创建用户场景的特征数据库,满足用户的个性化需求。
异常检测是指检测样本数据是否明显偏离正常数据范围。通用的异常检测算法有基于统计方法的离群点检测、机器学习算法(如聚类、分类、回归等)以及时序分析等,具体方法可以根据实际情况来进行选择,此处不作限定。通过与正常数据范围进行比较,可以发现供水管网中的突发事件、故障或异常状态,便于及时发现风险,及时预警。
趋势分析用来识别供水管网的长期变化趋势。通用的方法有应用时间序列分析、回归分析或机器学习方法等,具体方法可以根据实际情况来进行选择,此处不作限定。趋势分析能够帮助预测供水管网未来的运行状态和潜在问题,提前采取相应的措施进行调整和优化,提高预警的及时性和准确性。
S303、根据采集到的样本数据构建供水风险预警模型。
根据采集到的样本数据来建立供水管网的供水风险预警模型。此处可以通过机器学习、人工智能等技术来进行模型构建。常用的预警模型包括决策树、支持向量机、神经网络、随机森林等。在模型训练过程中,将样本数据划分为训练集和验证集,使用训练集对供水风险预警模型进行训练和参数调优,使用验证集评估模型的性能和泛化能力。在模型训练过程中,还可以采用交叉验证、集成学习等技术,提高模型的准确性和鲁棒性。
下面介绍一种训练供水风险预警模型的具体过程。
首先收集用户的特征数据,例如收集制造业工厂管网的用户属性信息,包括工厂内不同场景(如生产线、设备、工作站等)的用水数据、工作时间、工作负荷等数据。
然后对收集到的用户属性数据进行预处理,包括数据清洗、缺失值处理和异常值处理等,确保数据的准确性和完整性。根据预警的目标和问题需求,选择与用户属性相关的特征(例如有的用户需要监测水压,有的用户则不需要),使用统计分析方法、相关性分析、特征重要性评估等技术,确定哪些用户属性对预警模型有影响力。
此处可以通过搭建私有知识库(Private Knowledge Base)来存储用户的特征数据、用户的历史预警记录以及用户的供水管网的基础信息例如设备类型(管道、阀门等)、设备生产时间(计算设备使用年限)、设备材质(聚氯乙烯、不锈钢等)、设备埋深(设备在地底的深度)等。
将用户特殊数据、风险事件、管网基础数据进行碰撞处理,将碰撞结果输入到向量化模型(Embedding Model),将文本转换为数值向量,使得机器可以理解和处理。此时机器将会得到某些用户数据产生的风险事件结果量。此处的结果内容可以进一步进行处理纠正,以符合用户特征场景下去完善事件结果,使事件结果预警更加贴合用户场景。可以理解,机器可以通过修正后的数据内容进行优化,根据评估结果对预警模型进行优化和调整,例如,尝试不同的参数设置、特征组合或模型算法,以提高模型的性能和预警准确度。
训练好的模型就可以部署到实际的用户***中如制造业工厂,并与实时数据进行交互。
S304、采集重要用户节点的实时数据,利用供水风险预警模型进行预警。
供水风险预警根据采集到的实时数据用户属性数据实时进行预测和预警,以提醒相关人员采取适当的行动。一旦预警模型检测到供水管网存在异常情况,将及时发布预警信息,通知相关人员采取必要的措施进行修复或调整,以防止供水事故的发生。
本发明的水务供水管网监测预警方法通过传感器、数据采集与处理、以及供水风险预警模型的结合,能够实现供水管网的实时监测和准确预警,提高了供水管网监测的效率和准确性,有效预防供水事故的发生。
上文主要结合附图对本申请实施例的方法进行了介绍。应理解,虽然如上所述的各实施例所涉及的流程图中的各个步骤依次显示,但是这些步骤并不是必然按照图中所示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。下面结合附图对本申请实施例的一种的装置进行介绍。为了简洁,在下文介绍装置时,会进行适当省略,相关内容可以参照上文的方法中的相关描述,不再重复介绍。
图4申请实施例提供的一种装置的结构示意图。
如图4所示,该装置1000包括以下单元。
获取单元1001,用于获取目标用户的实时的供水信息,供水信息包括以下至少一项:水压信息、水流量信息、水温信息、水质信息和水位信息;
处理单元1002,用于当目标用户的实时的供水信息满足预设预警阈值时,利用与目标用户相对应的供水风险预警模型输出供水风险预警信息,供水风险预警模型是利用目标用户的供水信息的多个样本训练得到的。
在一种实现方式中,上述获取单元1001还可以用于执行上述步骤S301和S304中的方法。
在一种实现方式中,上述处理单元1002还可以用于执行上述步骤S302和S303中的方法。
在一种实现方式中,该装置1000还包括存储单元1003,该存储单元1003可以用于存储指令和/或数据,从而实现上述实施例中的方法。
需要说明的是,上述单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图5是本申请实施例提供的计算机设备的结构示意图。如图5所示,该实施例的计算机设备3000包括:至少一个处理器3100(图5仅示出一个)处理器、存储器3200以及存储在存储器3200中并可在至少一个处理器3100上运行的计算机程序3210,处理器3100执行计算机程序3210时,使得所述计算机设备实现上述实施例中的步骤。
处理器3100可以是中央处理单元(Central Processing Unit,CPU),该处理器3100还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器3200在一些实施例中可以是计算机设备3000的内部存储单元,例如计算机设备3000的硬盘或内存。存储器3200在另一些实施例中也可以是计算机设备3000的外部存储设备,例如计算机设备3000上配备的插接式硬盘,智能存储卡 ( Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器3200还可以既包括计算机设备3000的内部存储单元也包括外部存储设备。存储器3200用于存储操作***、应用程序、引导装载程序(Boot Loader)数据以及其他程序等,例如计算机程序的程序代码等。存储器3200还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被计算机设备执行时,使得计算机设备实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备能够实现上述各个方法。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,使得计算机设备可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。在描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请说明书和所附权利要求书的描述中,术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置、计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置、计算机设备实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种供水风险的预警方法,其特征在于,包括:
通过给目标用户安装对应的传感器来获取目标用户的实时的供水信息,所述供水信息包括以下至少一项:水压信息、水流量信息、水温信息、水质信息和水位信息,所述目标用户为供水管网中的重要用户节点,所述重要用户节点包括:大型工业、企业、医院、学校、居民小区,所述重要用户节点对供水管网的稳定性的要求高于常规节点,所述传感器采集到的数据包括所述目标用户对应的位置信息;
当所述目标用户的实时的供水信息满足预设预警阈值时,利用与所述目标用户相对应的供水风险预警模型输出供水风险预警信息,所述供水风险预警模型是利用所述目标用户的供水信息的多个样本训练得到的;在所述通过给目标用户安装对应的传感器来获取目标用户的实时的供水信息之前,获取所述目标用户的供水信息的多个样本;
对所述多个样本进行标注处理,生成所述多个样本的标注信息,所述标注信息用于区分所述目标用户的身份;
根据所述多个样本和所述多个样本的标注信息构建所述供水风险预警模型;
所述供水风险预警模型包括第一子模型和第二子模型,所述当所述目标用户的实时的供水信息满足预设预警阈值时,利用与所述目标用户相对应的供水风险预警模型输出供水风险预警信息,包括:
利用所述第一子模型,根据所述目标用户的供水需求确定与所述供水需求相对应的目标预警策略,所述供水需求用于表示所述目标用户对所述供水信息的临界数值需求;
利用所述第二子模型,根据所述目标预警策略输出与所述目标用户相对应的供水风险预警信息;
所述第二子模型包括第三子模型和第四子模型,所述利用所述第二子模型,根据所述目标预警策略输出与所述目标用户相对应的供水风险预警信息,包括:
利用所述第三子模型,根据所述目标用户的身份读取所述目标用户的预警等级;
利用所述第四子模型,综合所述预警策略和所述预警等级,输出与所述目标用户的预警等级相对应的供水风险预警信息。
2.根据权利要求1所述的预警方法,其特征在于,所述获取所述目标用户的供水信息的多个样本,包括:
在预设时间段内采集所述目标用户的多个样本;
根据所述预警策略对所述供水信息进行分组处理,生成多组样本,每一组样本对应一种所述预警策略。
3.根据权利要求1所述的预警方法,其特征在于,所述方法还包括:
获取所述目标用户的历史预警记录,所述历史预警记录包括以下至少一项:水压预警记录、水流量预警记录、水温预警记录、水质预警记录和水位预警记录;
根据所述目标用户的历史预警记录构建与所述目标用户相对应的供水风险预警模型。
4.根据权利要求1所述的预警方法,其特征在于,在确定所述目标用户的实时的供水信息满足预设预警阈值时,所述方法还包括:
判断所述实时的供水信息是否满足供水异常阈值;
当所述实时的供水信息满足所述供水异常阈值时,判断所述目标用户的供水信息是否满足所述预设预警阈值。
5.根据权利要求1所述的预警方法,其特征在于,所述方法还包括:
对预设时间段内的历史供水信息进行趋势分析处理,得到当前供水趋势;
根据所述当前供水趋势和所述实时的供水信息预测下一时刻的供水信息;
判断所述下一时刻的供水信息是否满足所述预设预警阈值;
当所述下一时刻的供水信息满足所述预设预警阈值时,利用所述供水风险预警模型输出供水风险预警信息。
6.一种供水风险的预警装置,其特征在于,包括:
获取单元,用于通过给目标用户安装对应的传感器来获取目标用户的实时的供水信息,所述供水信息包括以下至少一项:水压信息、水流量信息、水温信息、水质信息和水位信息,所述目标用户为供水管网中的重要用户节点,所述重要用户节点包括:大型工业、企业、医院、学校、居民小区,所述重要用户节点对供水管网的稳定性的要求高于常规节点,所述传感器采集到的数据包括所述目标用户对应的位置信息;
处理单元,用于当所述目标用户的实时的供水信息满足预设预警阈值时,利用与所述目标用户相对应的供水风险预警模型输出供水风险预警信息,所述供水风险预警模型是利用所述目标用户的供水信息的多个样本训练得到的;
所述获取单元还用于,在所述通过给目标用户安装对应的传感器来获取目标用户的实时的供水信息之前,获取所述目标用户的供水信息的多个样本;
所述处理单元还用于,对所述多个样本进行标注处理,生成所述多个样本的标注信息,所述标注信息用于区分所述目标用户的身份;
所述处理单元还用于,根据所述多个样本和所述多个样本的标注信息构建所述供水风险预警模型,所述供水风险预警模型包括第一子模型和第二子模型,所述当所述目标用户的实时的供水信息满足预设预警阈值时,利用与所述目标用户相对应的供水风险预警模型输出供水风险预警信息,包括:
利用所述第一子模型,根据所述目标用户的供水需求确定与所述供水需求相对应的目标预警策略,所述供水需求用于表示所述目标用户对所述供水信息的临界数值需求;
利用所述第二子模型,根据所述目标预警策略输出与所述目标用户相对应的供水风险预警信息;
所述第二子模型包括第三子模型和第四子模型,所述利用所述第二子模型,根据所述目标预警策略输出与所述目标用户相对应的供水风险预警信息,包括:
利用所述第三子模型,根据所述目标用户的身份读取所述目标用户的预警等级;
利用所述第四子模型,综合所述预警策略和所述预警等级,输出与所述目标用户的预警等级相对应的供水风险预警信息。
7.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,使得所述计算机设备实现如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被计算机设备执行时实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311544959.7A CN117287640B (zh) | 2023-11-20 | 2023-11-20 | 供水风险的预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311544959.7A CN117287640B (zh) | 2023-11-20 | 2023-11-20 | 供水风险的预警方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117287640A CN117287640A (zh) | 2023-12-26 |
CN117287640B true CN117287640B (zh) | 2024-04-12 |
Family
ID=89241065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311544959.7A Active CN117287640B (zh) | 2023-11-20 | 2023-11-20 | 供水风险的预警方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117287640B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021766A (zh) * | 2021-07-31 | 2022-02-08 | 深圳市自由度环保科技有限公司 | 一种基于物联网和大数据的城市水安全预测方法 |
CN116090605A (zh) * | 2022-12-07 | 2023-05-09 | 南栖仙策(南京)科技有限公司 | 一种管网预警方法、装置、电子设备及存储介质 |
-
2023
- 2023-11-20 CN CN202311544959.7A patent/CN117287640B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021766A (zh) * | 2021-07-31 | 2022-02-08 | 深圳市自由度环保科技有限公司 | 一种基于物联网和大数据的城市水安全预测方法 |
CN116090605A (zh) * | 2022-12-07 | 2023-05-09 | 南栖仙策(南京)科技有限公司 | 一种管网预警方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117287640A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
Mounce et al. | Pattern matching and associative artificial neural networks for water distribution system time series data analysis | |
JP5259797B2 (ja) | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 | |
CN117010863A (zh) | 一种基于物联网技术的市政管网健康度在线监测***和方法 | |
JP2009070071A (ja) | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 | |
JP2014096050A (ja) | プロセス監視診断装置、プロセス監視診断プログラム | |
KR20100054816A (ko) | 결함 패턴 매칭을 위한 퍼지 분류 접근 | |
CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网*** | |
AU2018251134B2 (en) | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid | |
CN112734977B (zh) | 一种基于物联网的设备风险预警***及算法 | |
CN115393142A (zh) | 智慧园区管理方法及管理平台 | |
CN111255674A (zh) | 一种用于检测旋转机械设备状态的***及检测方法 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
KR20190135923A (ko) | 설비 관리 방법 및 이를 실행하는 장치 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
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*** | |
CN118071159B (zh) | 一种基于gpt的智慧园区安全应急管理***及方法 | |
JP2022546771A (ja) | ユーティリティシステム資産の効率的なrul解析を促進するための無関係フィルタの使用 | |
Ramesh et al. | Implementation of predictive maintenance systems in remotely located process plants under industry 4.0 scenario | |
CN117278591A (zh) | 基于云平台的园区异常报警*** | |
CN117287640B (zh) | 供水风险的预警方法、装置、设备及存储介质 | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN116468423A (zh) | 一种运维应急协同方法、***和终端设备 | |
Mounce et al. | Online application of ANN and fuzzy logic system for burst detection |
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 |