CN103574291A - 基于人工免疫系统的爆管定位方法 - Google Patents
基于人工免疫系统的爆管定位方法 Download PDFInfo
- Publication number
- CN103574291A CN103574291A CN201310275034.7A CN201310275034A CN103574291A CN 103574291 A CN103574291 A CN 103574291A CN 201310275034 A CN201310275034 A CN 201310275034A CN 103574291 A CN103574291 A CN 103574291A
- Authority
- CN
- China
- Prior art keywords
- booster
- immune system
- artificial immune
- tube bursting
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及供水管网爆管事故的相关控制技术,提出了一项基于人工免疫系统的爆管定位方法,可以通过构建人工免疫系统对可能的爆管位置进行识别定位,大大缩小爆管可能发生的区域,最终减少对爆管位置进行精确定位的时间。爆管定位的步骤如下:首先,通过供水管网爆管模拟获取足够的爆管运行数据;然后根据人工免疫系统的相关原理,对这些爆管运行数据进行训练,构建人工免疫系统;最后通过人工免疫系统对新的爆管事件的运行数据进行识别,根据近邻分类法最终确定可能的爆管发生的位置。与同类型的爆管检测技术相比,本发明拥有更高的计算效率,能够获得更精确的可能的爆管区域。
Description
技术领域
本发明涉及一种爆管定位方法,尤其是涉及一种基于人工免疫系统的对爆管区域进行有效定位的方法。
背景技术
十一届全国人大常委会第二十七次会议的《国务院关于保障饮用水安全工作情况的报告》指出,我国城市供水管网漏损问题依然突出。目前全国年漏损水量达60亿立方米,城市供水管网漏损率平均超过20%,有一半以上的城市供水管网漏损率高于国家标准规定值。根据原建设部在2002年发布的《城市供水管网漏损控制及评定标准》,城市供水企业管网的基本漏损率须控制在12%以内,因此我国城市供水降低漏损的还有很大的空间。近年来由于管网老化,供水管网建设投资不足等原因,供水管网爆管事故频频发生,爆管已成为引起漏损的一种重要形式,因此降低爆管的持续时间可以在很大程度上降低漏失水量。爆管定位技术就是为了缩短爆管发生到定位之间的时间,由此可见开展这方面的研究可以为快速准确的完成爆管事故的检测与定位提供坚实的理论基础和有效的技术支持,并对最终降低城市管网的漏损有着重要的现实意义。
国内外有关这方面的研究很多,以下为一些代表性的研究:
1)基于瞬态事件的方法
Liggett,J.A.,and Chen,L.(1994).“Inverse Transient Analysis in Pipe Networks”.J.of Hydraulic Engineering,120(8),934-955.
技术措施:首先人为地制造瞬态事件(一般为水锤),然后通过压力记录器记录下瞬态事件发生时的压力数剧,最后通过分析这些信息对爆管或者漏损位置进行识别定位。
优缺点:这类方法优势在于它的简单性以及理论上可以适用于任何的管网拓扑结构。但其不足之处在于:(1)需要精确的瞬态模型以及管网边界条件,模型误差是其应用于实际管网的最主要限制因素;(2)往往需要大量的高灵敏度的传感器进行高频率的取样测量。
2)基于人工智能的方法
Mounce,S.R.,Boxall,J.,and Machell,J.(2010).“Development and verificationofan online artificial intelligence system for detection of bursts and other abnormalflows.”J.Water Resour.Plng.and Mgmt.,136(3),309-318.
Ye,G.,and Fenner,R.A.(2011).“Kalman filtering of hydraulic measurements forburst detection in water distribution systems.”J.of Pipeline Systems Engineering andPractice,2(1),14-22.
技术措施;通过应用各种人工智能方法对历史数据进行分析,最后基于一定原理对爆管进行定位。
优缺点:其优点在于不依赖管网水力模型,而且与基于瞬态事件的方法相比,其对测量仪器的精度和采样频率要求较低。但此类方法只能对爆管事件是否发生进行识别,而不能对爆管位置提供更精确的信息。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于人工免疫系统的爆管定位方法,该方法通过供水管网爆管事件模拟获取相应的爆管运行数据,然后对这些数据进行训练构建人工免疫系统,最后利用人工免疫系统对新的爆管事件进行定位,不依赖于高精度的模型和高灵敏度的传感器,同时可以对爆管位置进行准确的定位。
本发明的目的可以通过以下技术方案来实现,具体包括了以下步骤:
1、获取爆管数据
通过管网水力仿真模拟构建爆管数据库(包括爆管时间、地点、爆管流量以及各监测点的数据)。考虑到爆管的特殊性,管网水力模拟采用压力驱动模拟方式。建立爆管数据库的具体步骤如下:
(1)明确压力监测点与流量监测点的位置。监测点的布置应该满足爆管监测的需要。
(2)根据管网模型中的水力步长间隔Δt指定规定时间内各个爆管事件。考虑到水厂的供水模式一般以一天(即24小时)为一个运行周期,因此本发明中的规定时间设置为24小时。而水力步长间隔Δt可以根据实际情况进行选取,一般情况下Δt与监测设备的取样间隔一致,选为15分钟。假设管网有m个节点,那么一个爆管事件可以用下列表达式来描述:
BE=(j,t,q)(j∈(1,…m),t∈(0,…900*24))
q=f(Minflow,Maxflow,Δq)
式中,q——爆管流量,L/s;
Minflow——最小爆管流量,L/s;
Maxfiow——最大爆管流量,L/s;
Δq——爆管流量间隔,L/s。
Minflow,Maxflow,Δq可以根据具体情况进行选择。假定某管网有10个节点,而Minflow,Maxflow,Δq分别设置为10,50,10,那么爆管事件的总数就达到(10*24*4*5),即4800个事件。
(3)依次对每一个爆管事件进行压力驱动模拟分析。在本发明中,爆管事件是通过在单一节点处添加一个额外的流量,而其他节点流量不变来进行模拟。
(4)记录每一个爆管事件的模拟信息。这些信息包括爆管时间,爆管地点,爆管流量以及各监测点的压力或流量数据。
2、数据处理
获取足够多的爆管数据后,需要运用一些数据处理方法对其进行系统的整理以便开展后续的工作。首先构造一个能够准确表征爆管事件的特殊矩阵,该矩阵的每一行代表一个爆管事件的所有特征属性,例如压力,流量,发生时间等等,而对于每一行的每一列则表示对应爆管事件的一个特征。矩阵每一行表示形式如下:
|p1 p2 … pn f1 f2 … fm bf t|
其中pn表示第n个压力监测点的数据,fm表示第m个流量监测点的数据,bf表示爆管流量,t表示爆管发生时间。矩阵构造完成后,除表示时间的列之外,其余的列都需要进行标准化处理,这里主要采用的是极大极小值标准化方法。
3、构建人工免疫系统
1)首先对抗原进行定义。在本发明中,一个爆管事件被描述成一个抗原Ag,其形式以下向量表示:
Agi=[p1,p2…px,f1,f2…fy]
其中,i∈(1,2…n)(n表示爆管事件的总数);px表示第x个压力监测点的值;fy表示第y个流量监测点的值。
2)对每一个抗原依次运用用于模式识别的克隆选择算法产生对应的抗体集合,直到所有的爆管事件都已产生相对应的抗体集合。用于模式识别的克隆选择算法流程如下:
(a)随机生成抗体种群P,其中抗体种群又分成记忆单元M与保留种群Pi两部分;
(b)计算抗体与抗原的亲和度,并根据亲合度从大到小选择N个个体;
(c)对第二步被选择的个体进行复制,生成一个克隆临时种群C,其中克隆的规模和抗体-抗原的亲合度成正比,即亲合度越高的抗体,可复制更多的相同个体;
(d)对克隆临时种群C进行高频变异,由此获得一个新的种群Cnew。其中种群C中抗体的亲合度越低,变异率越高;亲和度越高,变异率越大。与克隆阶段正好相反,变异的规模与亲合度成反比;
(e)计算种群Cnew中抗体与抗原的亲合度,并选出与抗原亲合度最高的抗体,如果选出的抗体的亲合度高于记忆单元中某抗体的亲合度,则用选出的抗体代替该抗体。
(f)用新产生的抗体群Pnew替代种群Pi中对抗原亲和力最低的指定数目抗体。亲合度低就要被取代。
(g)达到一定的迭代次数后,记忆单元里的抗体就是所求问题的最优解。
3)上述过程完成后,所有的抗体组合在一起就组成了一个人工免疫系统,定义为:
AIS=(U1,U2…Un)
其中,Un代表与第n个爆管事件相对应的抗体集合。需要特别指出的是,人工免疫系统建立之后还需要对该系统进行检验校核以确定其是否能够对爆管事件进行有效准确地识别。
4、应用人工免疫系统进行爆管检测定位
人工免疫系统构造完成后,可以根据K-最近邻分类法(KNN)对新的爆管事件进行分类,从而根据新样本所属的类别确定爆管发生的位置。根据KNN分类法,对于一个新的爆管事件(即抗原),将会有K个抗体集与抗原的欧式距离。从理论上来说,先求出欧式距离最小的抗体集,最后根据这个抗体集所对应的爆管事件即可确定新爆管事件的位置。上述过程可以用以下数学形式来描述:
Result=min(d1,d2,…dk)
式中,dk——第k个抗体集与抗原的欧式距离。
其中,选出的k个抗体集所对应的爆管事件应该与新的爆管事件处于同一时间段。
与现有技术相比,本发明利用训练完成的人工免疫系统对新的爆管事件进行定位,不依赖于高精度的模型和高灵敏度的传感器,同时可以对爆管位置进行准确的定位。
附图说明
图1为本发明的总流程图;
图2为克隆选择算法流程图;
图3为本发明的具体处理流程图;
图4为本实施例所确定的可能爆管发生地点。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1和图3所示,本发明主要通过4个步骤实现对爆管区域的定位,具体如下:
1、获取爆管数据
首先明确监测点的位置,然后通过大量的水力模拟试验确定Minflow,Maxflow,Δq的取值,分别为10L/s,200L/s,10L/s。之后,通过在节点处添加一个于爆管事件相对应的固定流量,依次对每一个爆管事件进行压力驱动模拟,并记录每一个爆管事件的所有信息。
2、数据预处理
提取每一个爆管事件所对应的监测点数据。然后将这些数据组成一个矩阵M,每一行对应于一个爆管事件的监测点数据,最后对每一列进行标准化处理,将每一列的数据范围归一到0到1之间。
3、构建人工免疫系统
将矩阵M的每一行看成是一个抗原,并通过如图2所示的克隆选择算法产生相应的抗体。在本实施例中,每一抗原对应的抗体种群为20,其中记忆单元为10,保留种群也为10,变异概率为0.05,克隆概率为0.75,迭代次数为100。依次对每一抗原运行克隆选择算法,最后所有的抗体构成一个人工免疫系统。为了检验人工免疫系统的准确率,需要应用一些测试样本对人工免疫系统进行校核验证,当准确率达到95%时,说明该人工免疫系统满足要求,训练结束;否则返回步骤2,继续训练。
4、爆管检测定位
将新爆管事件的压力和流量数据按照监测点顺序组成一个向量,然后作为一个新抗原与人工免疫系统中同一时间段的抗体进行匹配。根据K-最近邻分类法(KNN)对新的爆管事件进行分类,从而根据新样本所属的类别确定爆管发生的位置。在本实例中,K值取为20。最后确定77~80这四个节点为可能的爆管发生位置,如图4所示。
Claims (7)
1.一种基于人工免疫系统的爆管定位方法,其特征在于,该方法通过模拟供水管网的爆管事件获取的爆管运行数据,然后应用该数据进行训练,建立人工免疫系统,最后应用人工免疫系统对新的爆管事件进行识别,确定可能的爆管发生区域,该方法具体包括以下步骤:
(1)进行爆管事件的模拟,获取爆管运行数据,并对数据进行预处理;
(2)使用克隆选择算法对数据进行训练,构建人工免疫系统;
(3)判断人工免疫系统训练是否完成,如未完成,则返回步骤(2),否则转到步骤(4);
(4)应用训练完成的人工免疫系统对新的爆管事件进行识别,确定可能的爆管发生区域。
2.根据权利要求1所述的基于人工免疫系统的爆管定位方法,其特征在于,在模拟供水管网的爆管事件的模拟中,采用压力驱动的模拟方式,爆管事件通过在单一节点上添加一个固定节点流量来进行模拟。
3.根据权利要求1或2所述的基于人工免疫系统的爆管定位方法,其特征在于,所述的爆管运行数据包括爆管发生时间、发生地点、爆管流量、各监测点的压力或流量数据,其中只对爆管流量和各监测点的压力或流量数据进行预处理,将其归一化为0到1的范围。
4.根据权利要求1所述的基于人工免疫系统的爆管定位方法,其特征在于,步骤(2)中,克隆选择算法中的一个抗原对应一个爆管事件的爆管运行数据,每一个抗原由爆管流量、各监测点的压力或流量数据组成。
5.根据权利要求1或4所述的基于人工免疫系统的爆管定位方法,其特征在于,由克隆选择算法训练得出的所有抗体的集合构成一个人工免疫系统。
6.根据权利要求3或4所述的基于人工免疫系统的爆管定位方法,其特征在于,在步骤(3)中所有的抗原都已经过训练后,应用已知的爆管事件对人工免疫系统进行校核,当对这些爆管事件的识别准确率达到95%时,判定该人工免疫系统训练完成。
7.根据权利要求1、3或4中任一项所述的基于人工免疫系统的爆管定位方法,其特征在于,在步骤(4)中,利用训练完成的人工免疫系统进行爆管定位时,先将新爆管数据进行归一化到0和1之间,然后与人工免疫系统进行匹配,根据近邻法对可能的爆管发生地点进行识别,得出定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310275034.7A CN103574291B (zh) | 2013-07-02 | 2013-07-02 | 基于人工免疫系统的爆管定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310275034.7A CN103574291B (zh) | 2013-07-02 | 2013-07-02 | 基于人工免疫系统的爆管定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103574291A true CN103574291A (zh) | 2014-02-12 |
CN103574291B CN103574291B (zh) | 2016-11-23 |
Family
ID=50046695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310275034.7A Active CN103574291B (zh) | 2013-07-02 | 2013-07-02 | 基于人工免疫系统的爆管定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103574291B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108167653A (zh) * | 2017-12-23 | 2018-06-15 | 浙江大学 | 基于动态神经网络预测的城市供水管网爆管检测方法 |
CN108730775A (zh) * | 2018-05-25 | 2018-11-02 | 山东锋士信息技术有限公司 | 一种树状管网爆管分析方法及装置 |
CN112097126A (zh) * | 2020-09-18 | 2020-12-18 | 同济大学 | 一种基于深度神经网络的供水管网爆管管道精确识别方法 |
CN113191012A (zh) * | 2021-05-17 | 2021-07-30 | 昆明理工大学 | 一种基于lssvm交互预测的供水管网爆管检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1360200A (zh) * | 2002-01-24 | 2002-07-24 | 天津大学 | 一种城市供水管网爆管故障在线检测系统 |
CN102174994A (zh) * | 2011-03-11 | 2011-09-07 | 天津大学 | 城市供水管网事故爆管在线定位系统 |
DE102011018713A1 (de) * | 2011-04-26 | 2012-10-31 | Ingenieurgesellschaft F.A.S.T. für angewandte Sensortechnik mit beschränkter Haftung | Messsystem zur Erkennung und Ortung von Lecks in einem Trinkwasserversorgungsnetz |
CN102982374A (zh) * | 2012-10-30 | 2013-03-20 | 北京航天情报与信息研究所 | 一种基于bp人工神经网络的爆管定位方法 |
-
2013
- 2013-07-02 CN CN201310275034.7A patent/CN103574291B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1360200A (zh) * | 2002-01-24 | 2002-07-24 | 天津大学 | 一种城市供水管网爆管故障在线检测系统 |
CN102174994A (zh) * | 2011-03-11 | 2011-09-07 | 天津大学 | 城市供水管网事故爆管在线定位系统 |
DE102011018713A1 (de) * | 2011-04-26 | 2012-10-31 | Ingenieurgesellschaft F.A.S.T. für angewandte Sensortechnik mit beschränkter Haftung | Messsystem zur Erkennung und Ortung von Lecks in einem Trinkwasserversorgungsnetz |
CN102982374A (zh) * | 2012-10-30 | 2013-03-20 | 北京航天情报与信息研究所 | 一种基于bp人工神经网络的爆管定位方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108167653A (zh) * | 2017-12-23 | 2018-06-15 | 浙江大学 | 基于动态神经网络预测的城市供水管网爆管检测方法 |
CN108730775A (zh) * | 2018-05-25 | 2018-11-02 | 山东锋士信息技术有限公司 | 一种树状管网爆管分析方法及装置 |
CN112097126A (zh) * | 2020-09-18 | 2020-12-18 | 同济大学 | 一种基于深度神经网络的供水管网爆管管道精确识别方法 |
CN113191012A (zh) * | 2021-05-17 | 2021-07-30 | 昆明理工大学 | 一种基于lssvm交互预测的供水管网爆管检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103574291B (zh) | 2016-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109555979B (zh) | 一种供水管网漏损监测方法 | |
CN108984873B (zh) | 供水管网实时漏损检测方法、设备、系统及存储介质 | |
US11494853B2 (en) | Method for acquiring water leakage amount of leakage area in water distribution system | |
CN105930653B (zh) | 一种基于计量分区流量监测数据的爆管预警方法 | |
CN112097126B (zh) | 一种基于深度神经网络的供水管网爆管管道精确识别方法 | |
CN110909485B (zh) | 一种基于bp神经网络的swmm模型参数自率定方法 | |
CN103939749A (zh) | 基于大数据的输油管网泄漏智能自适应监控系统及方法 | |
CN108758357B (zh) | 一种基于供水管网压力变化值分析的爆管定位方法 | |
CN103574291A (zh) | 基于人工免疫系统的爆管定位方法 | |
CN109344708A (zh) | 一种供水管网爆管信号异常分析方法 | |
CN104507050A (zh) | 一种WiFi室内定位中概率型指纹匹配方法 | |
CN112097125B (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
CN108562639B (zh) | 一种埋地钢质管道全生命周期缺陷外检测方法 | |
Candelieri et al. | Improving leakage management in urban water distribution networks through data analytics and hydraulic simulation | |
CN104282149A (zh) | 一种基于交通状态精度指标评价的路网浮动车配置方法 | |
CN109063885A (zh) | 一种变电站异常量测数据预测方法 | |
CN108071941B (zh) | 一种基于时序向量相似度分析的爆管识别与定位方法 | |
CN108952676B (zh) | 一种页岩气藏非均质性评价方法及其装置 | |
Okeya et al. | Locating pipe bursts in a district metered area via online hydraulic modelling | |
Voutchkova et al. | Parameter sensitivity of automated baseflow separation for snowmelt‐dominated watersheds and new filtering procedure for determining end of snowmelt period | |
CN112100721B (zh) | 基于移动群智感知和深度学习的桥梁结构模态识别方法 | |
CN117349597A (zh) | 一种用于智能数字精确定点仪的智能背景降噪方法 | |
CN102567606B (zh) | 给水管网等水压面实时绘制方法 | |
CN114355969B (zh) | 一种利用无人机巡检的智能供热管网检漏方法和系统 | |
Sophocleous et al. | Leak detection and localization based on search space reduction and hydraulic modelling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |