CN103577684A - 用于估计智能流体分配系统中的损耗的方法和系统 - Google Patents
用于估计智能流体分配系统中的损耗的方法和系统 Download PDFInfo
- Publication number
- CN103577684A CN103577684A CN201310344171.1A CN201310344171A CN103577684A CN 103577684 A CN103577684 A CN 103577684A CN 201310344171 A CN201310344171 A CN 201310344171A CN 103577684 A CN103577684 A CN 103577684A
- Authority
- CN
- China
- Prior art keywords
- distribution system
- fluid
- distribute links
- measurement result
- feature
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measuring Volume Flow (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
用于估计流体分配系统中的损耗的方法和关联系统,其中流体分配系统可以表示为从中产生一组线性或者非线性方程的二叉树,所述线性或者非线性方程将流体损耗表示为流过流体分配系统的流体的特征的测量结果的函数。根据这些方程执行以最小化测量误差的操作产生解,当其受到从流体分配系统的已知物理特征和历史特征获得的条件约束时,允许推断流体分配系统中的准确损耗位置和损耗率,甚至当没有直接测量损耗时或者当与这些漏泄损耗相关的测量结果包括测量误差时也是这样。
Description
技术领域
本发明涉及估计流体分配系统中的损耗。
背景技术
可能难以检测和量化在流体分配系统(例如分配水、石油或者天然气的系统)中的测量点之间发生的损耗。
发明内容
本发明的第一实施例提供用于估计流体分配系统中的损耗的方法,其中所述流体分配系统包括多个位置和多个分配链路,并且其中所述多个分配链路中的第一分配链路将所述多个位置中的第一位置连接至所述多个位置中的第二位置,所述方法包括:
计算机系统的处理器从多个测量设备接收多个测量结果,其中所述多个测量结果的接收的测量结果标识流过所述多个位置的测量位置的流体的特征,并且其中所述多个测量结果没有直接和准确地标识所述多个位置的流体损耗位置或者沿所述多个分配链路的有损耗分配链路的流体损耗率;以及
所述处理器分析所述多个测量结果以将所述流体损耗位置或者所述流体损耗率标识为所述多个测量结果的函数。
本发明的第二实施例提供计算机程序产品,包括具有存储在其中的计算机可读程序代码的计算机可读硬件存储设备,所述程序代码被配置为由计算机系统的处理器执行以实现用于估计流体分配系统中的损耗的方法,其中所述流体分配系统包括多个位置和多个分配链路,并且其中所述多个分配链路中的第一分配链路将所述多个位置中的第一位置连接至所述多个位置中的第二位置,所述方法包括:
所述计算机系统的处理器从多个测量设备接收多个测量结果,其中所述多个测量结果的接收的测量结果标识流过所述多个位置的测量位置的流体的特征,并且其中所述多个测量结果没有直接和准确地标识所述多个位置的流体损耗位置或者沿所述多个分配链路的有损耗分配链路的流体损耗率;以及
所述处理器分析所述多个测量结果以将所述流体损耗位置或者所述流体损耗率标识为所述多个测量结果的函数。
本发明的第三实施例提供计算机系统,所述计算机系统包括处理器、耦合至所述处理器的存储器以及耦合至所述处理器的计算机可读硬件存储设备,所述存储设备包括程序代码,所述程序代码被配置为通过所述存储器由所述处理器运行以实现用于估计流体分配系统中的损耗的方法,其中所述流体分配系统包括多个位置和多个分配链路,并且其中所述多个分配链路中的第一分配链路将所述多个位置中的第一位置连接至所述多个位置中的第二位置,所述方法包括:
所述计算机系统的处理器从多个测量设备接收多个测量结果,其中所述多个测量结果的接收的测量结果标识流过所述多个位置的测量位置的流体的特征,并且其中所述多个测量结果没有直接和准确地标识所述多个位置的流体损耗位置或者沿所述多个分配链路的有损耗分配链路的流体损耗率;以及
所述处理器分析所述多个测量结果以将所述流体损耗位置或者所述流体损耗率标识为所述多个测量结果的函数。
本发明的第四实施例提供用于支持计算机基础设施的过程,所述过程包括为创建、集成、托管、维护以及将计算机可读代码部署到计算机系统中的至少一个提供至少一个支持服务,其中与所述计算机系统结合的程序代码被配置为实现用于估计流体分配系统中的损耗的方法,其中所述流体分配系统包括多个位置和多个分配链路,并且其中所述多个分配链路中的第一分配链路将所述多个位置中的第一位置连接至所述多个位置中的第二位置,所述方法包括:
所述计算机系统的处理器从多个测量设备接收多个测量结果,其中所述多个测量结果的接收的测量结果标识流过所述多个位置的测量位置的流体的特征,并且其中所述多个测量结果没有直接和准确地标识所述多个位置的流体损耗位置或者沿所述多个分配链路的有损耗分配链路的流体损耗率;以及
所述处理器分析所述多个测量结果以将所述流体损耗位置或者所述流体损耗率标识为所述多个测量结果的函数。
附图说明
图1示出了可以用于实现用于估计流体分配系统中的损耗的方法的计算机系统和计算机程序代码的结构。
图2图示了流体分配系统的树状拓扑图形表示。
图3示出了图示用于通过根据本发明实施例的基于稀疏的解估计流体分配系统中的损耗的方法的步骤的流程图。
具体实施方式
流体分配系统将气体或者液体(例如水、天然气、石油或者其它可分配的流体)分配到一组终端用户输送位置,并且可以包括一组分配链路,其中分配链路组中的每个链路在一对不同的端点位置之间运送可分配的流体。
这种流体分配系统的整个或者部分的拓扑可以被图形表示为包括一组节点和一组路径的树,其中路径组中的每个路径连接节点组的两个节点,并且其中节点组包括根节点、一个或者多个叶子节点以及在非平凡(nontrivial)的情况下包括一个或者多个中间节点。图2图示了这种图形树状表示的示例。
这种树的节点可以表示流体分配系统的位置,并且这种树的路径可以表示流体分配系统的分配链路。树的根节点可以表示流体分配系统的流体源或者中间源,例如泵站,并且树的每个叶子节点可以表示流体分配系统的最终或者中间的流体目的地点,例如流体消费者的家或者商业区。
这种树可以是包括一个或者多个子树的父树,其中一个或者多个子树中的子树包括父树的节点的子集和父树的路径的子集,并且其中子树的路径连接一对子树的节点。这种子树可以表示由父树表示的流体分配系统的子系统,其中子系统将流体从由子树的根节点表示的源点分配至各自由子树的叶子节点表示的一个或者多个目的地点。
由于每个子树本身是树,因此包括多个路径的任何子树还可以是包括一个或者多个子树的父树。此处提到的树因此也适用于子树以及子树的子树。
“智能”流体分配系统是其中可以通过“智能”仪表测量流速、流量或者其它类型的可测量参数的系统,所述“智能”仪表可以通过本地连接或者网络将测量的数据传递至公用事业公司、服务提供商或者其它实体。智能仪表还可以能够累积和存储多个测量结果以及从响应测量数据的实体接收通信。智能仪表可以包括处理器,所述处理器可以根据测量结果执行计算并且将这些计算的结果传递至公用事业公司、服务提供商或者其它实体。
智能仪表可以是位移式水表、流速式水表、电磁式仪表、振动传感器或者对于流体分配系统设计领域的技术人员已知的其它类型的测量设备。
流过分配链路的流体可以通过诸如例如流速或者流量的特征进行表征或者量化。这些特征可以通过传统仪表、智能仪表或者安装在限制分配链路的端点位置的一个或者两个处的其它测量设备测量,或者可以从如流体物理特性的函数的这种测量结果获取。
如果例如一对这种测量设备在链路入口端点处和出口端点位置处同时测量相同流量,那么可以假定在入口端点处进入链路的所有流体在出口端点处没有损耗地离开链路。由于流体流的可测量特征可以随时间而变化,因此为了准确地比较在流体分配系统的不同位置处抽样的特征的值,必须使得这些测量结果在时间上接近。
如果分配链路出口端点位置处的测量设备测量的值低于在链路入口端点位置处测量的相同特征的值,那么可以假定在链路入口端点位置处进入链路的流体中的一部分没有通过其出口端点位置离开链路。该观察可以指示“有损耗”的分配链路,其中有损耗的链路在沿着链路路径的位置处损失了流体。
沿着有损耗链路的路径发生的损耗可以是以下原因的结果:包括但不限于,沿着有损耗链路的路径、沿着不同链路的路径或者在限制链路的端点或者接合点处发生的泄漏、阻塞、偷窃或者流体分配系统的某种组件(包括系统的仪表、泵、控制机构和基础设施)的故障或者失效。
这种结论可能需要在分配链路的两个端点处做出同步和准确的测量结果。如果,例如没有在每个分配链路的两个端点处、连接多个分配链路的每个接头处以及每个源位置和目的地位置处安装可靠的测量设备,那么这种同步和准确的测量结果可能不可得到。如果测量设备失效,产生不准确的、有噪声的或者不一致的测量结果或者被错误校准,那么这种同步和准确的测量结果可能不可用。此外,损耗的位置可以落在安装得太远而无法以足够的精确度定位损耗的位置处的测量设备之间。
当通过测量设备产生的包括流体分配的测量结果不可得到或者不准确时,本发明的实施例通过用于估计损耗位置或者损耗大小的新颖的方法、系统、计算机程序产品和服务解决这些问题。在测量位置处缺乏准确的测量设备的流体分配系统可以被图形地表示为包括隐藏的或者未测量的变量的树。可以将这种图形表示与类似的一组线性或者非线性方程相关联,所述线性或者非线性方程组将收集的测量结果与流体分配系统或者系统分配的流体的隐藏的或者未测量的特征联系起来。
这些和其它类型的图形或者数学表示允许推理过程,所述推理过程可以用于隐藏或者未测量的特征的准确值推断为准确测量的数据的函数,并且该推断值可以接着用于估计损耗的位置或者大小。这些方法可以包括对于分析、机器学习、线性规划和非线性规划的领域中的技术人员已知的推理过程。
可以通过考虑从流体分配系统的边界条件、现有知识或者其它特征的获知获得的外在因素或者通过考虑如“Occam’s Razor”(推论一组候选解的最简单的解可能是正确的)的逻辑原则来提高这些推断的准确性。这种外在因素可以包括,但不限于,分配链路的维修记录或者先前的使用记录;流体分配系统的基础设施组件的寿命、类型、构造、成分、设计或者状况;或者在沿着一个或者多个链路的位置处的先前故障和维修的历史。
在本发明的实施例中,这种外在因素和逻辑原则可以用于推断沿着分配链路的损耗没有通过所收集的测量结果准确描述的概率,或者可以用于减少这种损耗的许多可能的位置和大小。
数学建模或者机器学习的所属技术领域的技术人员熟悉可以被用于估计数据集的图形模型和相似表示中隐藏的或者未测量的变量的推断算法。这种公知的算法可以包括,但不限于:线性和非线性规划、变Bayesian方法(集成学习)、置信传播(和-积信息传递)、Markov chain Monte Carlo和Gibbs采样算法以及连接树分解方法。
例如,变Bayesian方法推断统计模型(可以由图形模型表示)中未观察的变量的特征,以及置信传播是一种根据图形模型执行推断的信息传递算法,所述图形模型可以包括二叉树或者有向图。本发明的实施例可以基于算法协调计算开销和精确度的方式以及根据算法与由图形模型表示的数据集的预期大小或者预期复杂性的相对效率从这些算法和相似算法中选择。
本发明可以使用这些方法或者相似方法中的任何一个以推断流体分配系统包括的位置处的损耗的位置或者大小,其中流体分配系统包含的流体流的特征没有被准确地测量。可以通过以下做出这些推断:将系统用图形建模为一个或者多个树状数据结构,从安装在分配系统的位置处的智能仪表读取一组或者多组测量结果以及通过上述数学过程或者算法的应用推断流体分配系统包含的位置处或者沿着流体分配系统包含的分配链路的损耗的存在、位置或者大小,或者根据流体分配系统的特性来推断流体分配系统包含的位置处或者沿着流体分配系统包含的分配链路的损耗的存在、位置或者大小。
图1示出了可以用于实现用于估计流体分配系统中的损耗的方法的计算机系统和计算机程序代码的结构。图1参照对象101-115。
本发明的方面可以采用全部硬件实施例、全部软件实施例(包括固件、驻留软件、微代码等)或者组合软件和硬件方面的实施例的形式,它们全部在此可以被一般地称作“电路”、“模块”或“系统”。此外,在一个实施例中,本发明可以采用包括具有计算机可读程序代码存储于其中的一个或多个物理有形(例如硬件)的计算机可读介质或设备的形式,所述程序代码被配置为由计算机系统的处理器执行以实现本发明的方法。在一个实施例中,存储所述程序代码的物理有形计算机可读介质和/或设备(例如硬件介质和/或设备)不包括一般的信号或者特别的瞬时信号,所述程序代码执行本发明的方法。
可以采用一个或多个计算机可读介质或设备的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质或设备的更具体的例子(非穷举的列表)包括:电连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、射频识别标签、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的物理有形介质或硬件设备,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括传播的数据信号,其中承载了计算机可读的程序代码,例如通过以太网电缆行进的广播无线信号或数字信号。这种传播的数据信号可以采用多种形式,包括--但不限于--电磁信号、光信号、载波信号的调制或上述的任意的组合。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括,但不限于无线通信介质、光缆、导电电缆、射频或者红外电磁传输等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的计算机程序代码,包括但不限于如Java、Smalltalk、C++的程序语言,以及一种或多种脚本语言,包括但不限于如JavaScript、Perl和PHP的脚本语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络连接到用户计算机,包括局域网(LAN)、广域网(WAN)、内部网、外部网或包括局域网、广域网、内部网和外部网组合的企业网,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上面和下面参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解,图1-4中流程图的每个方框、框图以及流程图和/或框图中各方框的组合,都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些计算机程序指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。
也可以把这些计算机程序指令存储在计算机可读介质中,这些指令使得计算机、其它可编程数据处理装置、或其他设备以特定方式工作,从而,存储在计算机可读介质中的指令就产生出包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的指令的制造品。
也可以将计算机程序指令加载至计算机、其它可编程数据处理装置或者其它设备上以使得在计算机、其它可编程装置或者其它设备上执行一系列操作步骤,以产生计算机实现过程,从而在计算机或者其它可编程装置上执行的指令提供用于实现流程图和/或框图中的一个或者多个方框中规定的功能/动作的过程。
附图1-4中的流程图和/或框图说明了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实施的结构、功能和操作。在这一点上,流程图或框图中的各框可表示代码的模块、代码段或部分,其中代码的模块、代码段或者部分包括用于实现一个或者多个指定逻辑功能的一个或多个可执行指令。还应当注意的是,在一些可替换的实施方式中,框中所标记的功能可以不按附图中标记的顺序发生。例如,根据所涉及的功能,实际上可以基本上同时执行连续示出的两个块或者有时可以相反的顺序执行若干块。还应当注意的是,可通过专用的基于硬件的执行特定功能和动作的系统、或者专用硬件和计算机指令的组合来实现框图和/或流程图说明中的每一个框以及框图和/或流程图说明中的框的组合。
在图1中,计算机系统101包括处理器103,所述处理器通过一个或者多个I/O接口109耦合至一个或者多个硬件数据存储设备111以及一个或者多个I/O设备113和115。
硬件数据存储设备111可以包括,但不限于,磁带驱动器、固定或者可移动硬盘、光盘、配有存储装置的移动设备和固态随机存取或者只读存储设备。I/O设备可以包括,但不限于:输入设备113,例如键盘、扫描仪、手持电信设备、触控式显示器、写字板、生物测定读取器、操纵杆、轨迹球或者计算机鼠标;以及输出设备115,所述输出设备可以包括,但不限于打印机、绘图仪、写字板、移动电话、显示器或者声音产生设备。可以将数据存储设备111、输入设备113和输出设备115设置在本地或者远程站点处,它们从本地或者远程站点处通过网络接口连接至I/O接口109。
还可以将处理器103连接至一个或者多个存储设备105,所述存储设备可以包括,但不限于动态随机存储器(DRAM)、静态随机存储器(SRAM)、可编程只读存储器(PROM)、现场可编程门阵列(FPGA)、安全数字存储卡、SIM卡或者其它类型的存储设备。
至少一个存储设备105包括存储的计算机程序代码107,所述计算机程序代码是包括计算机可执行指令的计算机程序。存储的计算机程序代码包括根据本发明的实施例实现用于估计流体分配系统中损耗的方法的程序,并且可以实现在本说明书中描述的其它实施例,包括在图1-4中图示的方法。数据存储设备111可以存储计算机程序代码107。存储在存储设备111中的计算机程序代码107被配置为通过存储设备105由处理器103执行。处理器103执行存储的计算机程序代码107。
因此,本发明公开了用于支持计算机基础设施、集成、托管、维护以及将计算机可读代码部署到计算机系统101中的过程,其中与计算机系统100结合的代码能够执行用于估计流体分配系统中的损耗的方法。
本发明的组件中的任何一个可以由提出促进根据本发明的实施例的方法的服务提供商创建、集成、托管、维护、部署、管理、维修、支持等。因此,本发明公开了用于部署或者集成计算基础设施的过程、包括将计算机可读代码集成到计算机系统101中,其中与计算机系统101结合的代码能够执行用于估计流体分配系统中的损耗的方法。
一个或者多个数据存储的单元111(或者未在图1中示出的一个或者多个另外的存储设备)可以被用作计算机可读硬件存储设备,所述计算机可读硬件存储设备具有体现在其中的计算机可读程序和/或具有存储在其中的其它数据,其中计算机可读程序包括存储的计算机程序代码107。通常,计算机系统101的计算机程序产品(或者制造品)可以包括所述计算机可读硬件存储设备。
图2示出了流体分配系统的树状拓扑图形表示。图2包括由附图标记201-229标识的对象。
在图2中,智能仪表被表示为树的圆形节点并且包括源点仪表S201、中间仪表k205、a211和b213以及目的地仪表d1223、d2225、d3227和d4229。
在该示例中,图2的树表示流体分配系统的分配链路,所述分配链路将流体分配系统的一对仪表连接为定向路径203、207、209、215、217、219或者221。每个分配链路以在链路的流体入口点处的上游仪表和在链路的流体出口点处的下游仪表为边界。流体经由链路从链路的入口点流至链路的出口点的方向在图中由对应于流体分配系统中的链路的路径上示出的箭头的方向表示。
例如,链路k-b以上游仪表k和下游仪表b为边界,并且流过链路k-b(在图2中由路径209表示)的流体以路径209的箭头方向沿页面从仪表k(由节点205表示)向下流至仪表b(由节点213表示)。在图2中,由节点201、205、211、213和223-229表示的智能仪表被随意地定义为流量仪表,但是在其它实施方式中,这些仪表可以记录其它类型的数据,例如流体速度、流体温度、流体压力或者它们的某种组合。
在图2中示出的树表示流体分配系统,其中分配链路S-k203以仪表S201和k205为边界,分配链路k-a207以仪表k205和a211为边界,分配链路k-b209以仪表k205和b213为边界,分配链路a-d1215以仪表a211和d1223为边界,分配链路a-d2217以仪表211和d2225为边界,分配链路b-d3219以仪表b213和d3227为边界,以及分配链路b-d4221以仪表b213和d4229为边界。
在其它实施例中,可以以不同的方式分配仪表,可以根据不同方法定义分配链路的边界,或者一些分配链路可以不以仪表为边界。分配链路可以被顺序地组合以逻辑地形成较大链路或者可以被细分成逻辑子链路组。例如,分配链路S-b可能包括链路203和208并且将以仪表S201和仪表b213为边界。
在其它实施例中,流体分配可以由不同图形模型或者不同类型的图形模型表示,或者可以不由图形模型表示。
图3示出了图示用于通过根据本发明实施例的基于稀疏的解估计流体分配系统中的损耗的方法的步骤的流程图。图3包括步骤301-309。这些步骤中的任何一个可以由计算机系统的单个处理器执行或者可以在计算机系统的多个处理器之间或者多个计算机系统之间划分。在一些实施例中,这些处理器和计算机系统的所有或者一些可以被分配用于整个流体测量系统,可以嵌入或者附连至测量设备或者可以设置在不同于流体分配系统的位置的位置处。
在步骤301中,根据上述方法设计图形表示流体分配系统。在图2的示例中示出的图形表示中,虽然表示的流体分配系统可以包括节点201、205、211、213和223-229中的每一个处的智能仪表,但是可能不能从这些仪表中的每一个一致地得到准确的测量结果。在其它实施例中,流体分配系统可以由多个图形表示来表示,流体分配系统可以由不同类型的图形表示来表示,或者流体分配系统可以不用图形表示。
步骤303描述从测量位置收集测量结果的步骤,所述测量位置各自限制由图2图形表示的智能流体分配系统的分配链路。从可以实时报告测量结果或者可以具有低到接近实时报告的响应等待时间的智能仪表收集这些测量结果,从而测量结果可以允许关于流体流的信息(包括损耗的位置和大小)的推断,所述流体流的信息在测量或者报告这些测量结果的时间处接近准确。这些测量结果可以包括,但不限于流体流速、流体流量或者其它类型的可测量数据。
可以在接近相同或者同步的时间处收集这些测量结果的集合或者子集,其中集合或者子集包括来自智能仪表中的至少两个中的每一个的至少一个测量结果。该定时约束在接近测量或者报告测量结果的时间处可以有助于关于在至少两个仪表的测量位置之间或者在流体分配系统中的其它位置处的流体流的结论。
如果在阈值时间跨度内收集一组测量结果是不可能的,那么分析足够数量的准确测量结果的本发明实施例可以能够使用数学或者统计学方法以识别和校正由缺少测量结果收集时间同步而导致的其它测量结果中的错误。
在一些实施例中,可以在较长时间周期内收集和共同地分析这些测量结果的多个集合或者子集,以提供能够提高损耗估计的准确性或者精确度的额外的测量数据。然而,包括多个集合或者子集的相同集合或者子集的测量结果应当遵照上述同步和定时的限制。多个集合或者子集中的每个集合或者子集可以包括来自智能仪表201、205、211、213和223-229的集合的不同子集。
步骤305-309描述能够识别发生高损耗的分配链路的本发明的实施例,即使当在步骤303中收集的测量结果没有直接或者准确地标识这种链路或者损耗也可以识别。
在大型流体分配系统中,少量“有损耗的”分配链路可能具有由损坏、阻塞、失效或者故障、盗窃、内在低效或者由于其它原因引起的高损耗。但是如果没有通过设置在链路的相对端处的一对仪表直接和准确地测量流入或者流出这种有损耗链路的流体,就不可以简单或者迅速地检测、定位或者量化这种损耗。在一般情况下,识别这种损耗和这种有损耗的链路需要以下方法:使用未知准确性的收集的仪表测量结果的函数来校正测量误差以及推断沿着链路发生的没有被测量或者由未知可靠性的仪表测量的损耗。
在实际、可能有损耗的流体分配系统中,其中实际测量结果可能易受到噪声引起的误差,由于其它原因可能是不准确或者不一致的,或者可能在某种位置或者某种时间处不可得到,测量的值可能不同于理想测量值,所述理想测量值将被期望在完美、无噪声和无损耗的系统中,并且测量的值或者理想的值都不可以标识真实值,所述真实值将准确地表征经过实际、可能有损耗的系统的流体的实际流。
因此,这种实际的系统可以至少部分地由表征参数的隐藏或者未知的真实值表征,并且为了准确地估计损耗、泄漏或者阻塞的位置和大小,必须识别这些隐藏或者未知的真实值。本文描述的稀疏性原则指定这些隐藏或者未知的真实值可以通过最小化真实值与测量值之间非零差的数量来估计。
该最小化函数可以是不能够在多项式时间内求解的计算上不可行的组合问题的示例。本发明的实施例通过以计算上可行的方法代替来解决该问题,所述计算上可行的方法可以在流体分配系统中识别满足可以包括稀疏性约束的某种标准的正确解。这些计算上可行的方法包括L0最小化、L1最小化和L2最小化,其中L1最小化(当应用于线性方程组时)可以产生包括无噪声测量设备的系统中的类似组合问题的最小化解,以及L2最小化(当应用于类似的非线性方程组时)可以产生包括有噪声测量设备的系统中的组合问题的最小化解。
在步骤305-309中,本发明的实施例通过优化或者推断过程来实现该新颖的技术,所述优化或者推断过程获得一组线性或者非线性方程,所述线性或者非线性方程可以是在步骤301中创建的图形模型的函数并且可以是在步骤303中收集的可能不准确的测量结果的进一步函数。该组方程的一组解可以接着通过根据该组方程求解线性或者非线性程序被减少至最优的“最小化”解(或者最优解的接近最优的近似),其中该最小化解是最可能准确地估计流体分配系统中的损耗的位置和大小的最优“最稀疏”解。该优化包括最小化收集的测量数据中的误差大小,并且可以进一步包括为了识别近似解应用如上述那些的公知最小化。
通常,最稀疏的解可能不是唯一的并且可能不是正确的解。但是当流体分配系统包括相对少量的损耗时(在现实世界系统中通常就是这样),求解最稀疏的解可以是识别最可能准确地估计损耗的位置和大小的最优解或者接近最优解的有效方法。即使当系统遭受较大数量的损耗时,当损耗没有聚集在流体分配系统的分支位置或者接合点位置附近时,该方法可以是有效的。
在可以被图形表示为树的系统中,正式推断方法可以进一步实现对树中隐藏的或者未测量的变量的值和分布的估计,所述隐藏或者未测量的变量是测量值的子集的函数。因此,在图2和3的实施例中,如果步骤305-309识别多个可能的稀疏解,或者识别不是正确解的稀疏解,通过考虑关于流体分配系统的“现有信息”有可能进一步推断出唯一的、正确的或者最可能的解。如上所述,可以执行这种功能的公知的推断算法包括,但不限于:置信传播(和-积信息传递)、变Bayesian方法(集成学习)、Markov chain Monte Carlo和Gibbs采样算法以及连接树分解方法。
在步骤305中,步骤301中收集的测量结果的数据集的子集可以用于生成线性方程组。该生成可以包括流体动力学、流体分析或者流体分配系统设计的所属领域技术人员公知的流守恒方程(flowconservation equations)的函数。如果流体分配系统的复杂度高,那么本发明的实施例可以另外生成非线性方程组,所述非线性方程组用可以包括L2最小化的方法求解,并且其中那些方法可以类似于以下描述的那些方法。
在生成线性方程组的一个方法中,分配链路i与无单位通过率αi相关联,所述无单位通过率αi将流体流出链路i的量OutFlowRatei标识为流体流入链路i中的量InFlowRatei的函数。在该示例中,我们将分配链路i的通过率αi定义为:
αi=OutFlowRatei/InFloWRatei
其中,InFlowRatei标识流入分配链路i的流体的流速以及OutFlowRatei标识流出分配链路i的流体的流速。在其它实施例中,通过率可以不同地定义,或者可以以类似的方式分析通过链路i的流体流的不同特征(例如流量)。在示例中,如果测量设备测量流入链路i的50加仑/秒的输入流和流出链路I的45加仑/秒的输出流,那么αi=(45加仑/秒/50加仑/秒)=0.9,其表示90%的通过率。
在基于步骤305的方法和图2的示例中,我们希望确定四个根到叶子(初始源到最终目的地)的通过率αS-d1、αS-d2、αS-d3和αS- d4,其中:αS-d1标识沿着包括分配链路203、207和215的路径的仪表S201与仪表d1223之间的通过率;αS-d2标识沿着包括分配链路203、207和217的路径的仪表S201与仪表d2225之间的通过率;αS-d3标识沿着包括分配链路203、209和219的路径的仪表S201与仪表d3227之间的通过率;以及αS-d4标识沿着包括分配链路203、209和221的路径的仪表S201与仪表d4229之间的通过率。
在该示例中,如果从所有仪表201、205、211、213和223-229收集一组已知的准确测量结果,就可以准确地估计图2的所有分配链路203、207、209、215、217、219和221的通过率,并且其中在这些仪表处收集的所有测量结果在落入足够小使得该组测量结果接近单个流体流的一组同时测量结果的时间跨度内的时间处获得。这种时间跨度的上阈是取决于实现方式的值,所述取决于实现方式的值可以通过流体分配系统的特定流动特性、拓扑、仪表放置、实际流体流入和消耗模式或者其它因素来确定。
在一个小示例中,可以将分配链路αS-d1(以一对准确仪表S201和d1223为边界)的通过率计算为来自两个准确的边界仪表201和223的一对近乎同时的读数的函数。在该情况下,测量的输入值与测量的输出值之间的差直接标识沿着输入仪表与输出仪表之间的分配链路发生的流体损耗,并且可以通过上述方法从这些值获得通过率。
然而,标识穿过更复杂路径的通过率并不那么简单,所述更复杂路径包括多个可能未测量或者不正确测量的分配链路、接合点、并行损耗点或者其它复杂因素。在图2中,例如,如果仪表b213没有产生准确的测量结果,那么沿着分配链路209的损耗可能不能容易地区别于沿着链路219或者链路221的损耗。
考虑到图2的流体分配系统和图形表示,图3的步骤305可能因此需要生成线性或者非线性方程组,所述线性或者非线性方程组是在步骤301中收集的同步测量结果组的函数,并且其中方程组中的每个方程可以对应于一组同步测量结果。
在当前示例中,一组收集的测量结果包括来自仪表201、205、211、213和223-229的集合中的每个仪表的一个测量结果,其中该组测量结果的所有测量结果在短到允许该组测量结果近似于通过测量链路的单个流的同时测量结果的时间跨度内获得。
这里,收集的测量结果m(S,t0)是仪表S在时间t0处测量的流量,收集的测量结果m(d1,t1)是仪表d1223在时间t1处测量的流量,收集的测量结果m(d2,t2)是仪表d2225在时间t2处测量的流量,收集的测量结果m(d3,t3)是仪表d3227在时间t3处测量的流量,收集的测量结果m(d4,t4)是仪表d4229在时间t4处测量的流量,收集的测量结果m(k,t5)是仪表k205在时间t5处测量的流量,收集的测量结果m(a,t6)是仪表a211在时间t6处测量的流量,收集的测量结果m(b,t7)是仪表b213在时间t7处测量的流量,并且测量时间t0、t1、t2、t3、t4、t5、t6和t7足够靠近以允许八个测量结果的集合近似于相同流的同时测量结果的集合。
如果这些测量结果是可用的并且准确的,那么可以为以下链路标识通过率:仪表S201与仪表k205之间的链路203、仪表k205与仪表a211之间的链路207、仪表k205与仪表b213之间的链路209、仪表a211与仪表d1223之间的链路215、仪表a211与仪表d2225之间的链路217、仪表b213与仪表d3227之间的链路219以及仪表b213与仪表d4229之间的链路221。
因此,这些计算结果标识一组直接测量的通过率:
αk=m(k,t1)/m(S,t0)=链路203的通过率
αa=m(a,t6)/m(k,t5)=链路207的通过率
αb=m(b,t7)/m(k,t5)=链路209的通过率
αd1=m(d1,t1)/m(a,t6)=链路215的通过率
αd2=m(d2,t2)/m(a,t6)=链路217的通过率
αd3=m(d3,t3)/m(b,t7)=链路219的通过率
αd4=m(d4,t4)/m(b,t7)=链路221的通过率
在另一个示例中,如果从源仪表S201和四个目的地仪表d1223、d2225、d3227和d4229收集一组近于同时的测量结果,那么可以试图类似地沿着四个复合分布链路标识源至目的地的通过率(或者“路径增益”)αS-d1、αS-d2、αS-d3和αS-d4,所述四个复合分配链路在源S201处开始并且各自分别在目的地d1223、d2225、d3227或者d4229中的一个处结束,那么:
αS-d1=m(d1,t1)/m(S,t0)
αS-d2=m(d2,t2)/m(S,t0)
αS-d3=m(d3,t3)/m(S,t0)
αS-d4=m(d4,t4)/m(S,t0)
然而,如果不可以从连接多于两个分配链路的中间接合点位置得到可靠的测量结果,那么使用这些测量结果和通过率以更精确地识别损耗的位置和大小可能不是这样的直接。例如,如果仪表k205、a211和b213不可用或者产生不可靠的测量结果,那么可能不清楚仪表S201与仪表d1223之间的泄漏是沿着链路203、链路207还是链路215。
当可靠测量结果不可从沿着包括链路的路径的每个节点得到时,步骤305的过程通过为分配链路203、207、209、215、217、219或者221估计通过率解决该问题。在该示例中,该任务需要推导一组线性方程。在其它示例中,可以推导类似的非线性方程或者类似的线性方程与类似的非线性方程的组合。
在该示例中,该组线性方程包括方程(1),所述方程(1)是流守恒定律的简单应用,所述流守恒定律表明流入管线的所有流的总和必定等于流出管线的所有流的总数,其中这种流包括沿着管线发生的损耗。线性方程(2)-(5)通过以下观察推导:如果分配链路包括两个或者更多个子链路,那么分配链路的通过率是子链路的通过率的乘积。
(2) αS-d1=αk*αa*αd1=从源S到目的地d1的总体通过率
(3) αS-d2=αk*αa*αd2=从源S到目的地d2的总体通过率
(4) αS-d3=αk*αb*αd3=从源S到目的地d3的总体通过率
(5) αS-d4=αk*αb*αd4=从源S到目的地d4的总体通过率
在其它情况下,测量设备的不同子集可能是不可用或者不可靠的。在这种情况下,步骤305可以产生包括不同组的隐藏值或者未知值的一组类似的线性或者非线性方程,并且其中类似组的解标识流体分配系统的不同组的未知路径增益或者通过率。
考虑到例如在沿着集合链路S-b的未知位置处发生损耗的情况,其中集合链路S-b通过子链路203和子链路209连接仪表S201和仪表b213。如果图2的仪表k205是不可用或者不可靠的,那么仅仅依靠可观察的测量结果以估计损耗的位置或者大小的方法可以使用来自仪表S201和仪表b213的可靠测量结果以标识沿着S201与b213之间的集合链路S-b的通过率。但是来自仪表k205的可靠测量结果的不可获得阻止了沿着子链路203和子链路209的单独通过率的准确标识,使其难以或者不可能以足够确定子链路203或者209中的哪一个是有损耗的精确度识别损耗的位置。
步骤305的方法可以通过增加线性方程(6)-(8)解决该问题。方程(6)表述了类似于方程(1)的守恒定律,但是求解通过率αS-b,其中αS-b表征流经从源位置S201经过中间位置k205至目的地位置b213的集合链路S-b的流体。
方程(7)表述了类似的守恒定律,其表达流过点b213的流的未知值,将其定义为点d3227和d4229处的可测量流的和。方程(8)将通过率αS-b表示为S201与k205之间的子链路205的通过率和k205与b213之间的子链路209的通过率的乘积。
得到的方程(6)-(8)通过对流体分配系统设计或者线性代数领域中的技术人员公知的简单数学过程能够在步骤307中识别αS-b的一组可能值。
(8) αS-b=αk*αb=从S201至b213的总体通过率
求解在步骤305中生成的一组线性方程可能不会产生单个解。这些方程可以另外为表示通过率的变量或者可以用于标识通过率的变量产生多组可能的值。步骤307和309将这种解集中可能解的数量降低至最可能准确地估计损耗的位置或者大小的一个或者多个“稀疏”解。
在步骤307中,为了产生不可以直接由收集的测量结果获得的通过率的可能值的解集,求解步骤305中生成的线性方程组。该线性方程组可以通过应用流体分配系统设计或者线性代数领域中的技术人员公知的简单数学过程进行求解。
在由类似的非线性方程组描述流体分配系统的实施例中,相似或者类似的已知数学过程可以用于产生相似的解集。
在步骤309中,通过应用线性规划或者组合优化领域技术人员公知的数学方法或者通过商业优化软件包(例如IBM ILOG CPLEX优化工作室)处理解集来优化步骤307的解集以产生稀疏解。
步骤309的方法基于以下假设:流体分配系统中的损耗通常是沿着相对少量的分配链路发生的罕有事件。该假设通过将一组解限制至最小化的一组“最稀疏”解从而将一组解限制至沿着分配链路的未计量路径标识通过率的问题,其中该限制是如下约束的函数,所述约束是将被标识的通过率的数量相对于表征流体分配系统的本地拓扑的通过率的总数较小。
在一些实现中,稀疏性最小化过程的资源需求可能是高得惊人的。在这种情况下,为了接近或者识别最小解,可以替代以较低计算强度的数学方法,所述较低计算强度的数学方法放松了组合的稀疏性最小化过程的一些约束。
这些公知的、较低计算强度的、“放松”的数学方法可以包括L1最小化,其可以根据包括已知值和隐藏值的线性规划执行,并且其中,在本发明的实施例中,已知值可以包括由测量设备报告的准确值并且隐藏值可以包括被损坏的、未知的、不可靠的或者不可用的测量结果。
当多个隐藏值相对于多个已知值较小时,L1优化可能是最好的选择。但是也可以选择其它公知的、低计算强度的方法,并且这种方法的选择可以根据测量结果的特征(例如测量结果的噪声等级)或者可以根据分配系统的其它特征。
这些公知的、低计算强度的、“放松”的数学方法还可以包括L2最小化,其可以根据非线性方程的规划执行以选择稀疏解,所述稀疏解最小化由非线性方程包括的可变值中的错误的幅值。在本发明的实施例中,L2最小化可以产生更准确的结果,其中已经收集了较大数量的测量结果并且其中已知或者假定这些测量结果中的错误存在于例如包括有噪声或者低容忍度的测量设备的流体分配系统中。
这种实现可以包括,但不限于以下实现:其中测量设备没有产生准确或者一致的测量结果,其中测量结果不可从流体分配系统的位置得到,其中在没有落在特定阈值时间跨度内的时间处收集了测量结果,或者其中在从测量设备收集的测量结果中存在其它遗漏或者已知或者假定的错误。
当根据在步骤305和307中获得的线性程序执行L1最小化操作时,L1最小化操作可以识别最可能为未测量或者不可靠的通过率估计准确值的最稀疏解。当根据在步骤305和307中获得的非线性程序执行L2最小化操作时,L2最小化操作可以识别最可能为未测量或者不可靠的通过率估计准确值的最稀疏解。
如在图3中所述,本方法的该“稀疏性”实施例由此通过最小化“隐藏”不可用的或者不准确的测量值中的错误来识别和校正流体分配系统中的未知或者不准确的通过率,在该其流体分配系统中,一些通过率不是准确测量的。
在最稀疏解不是唯一的或者不完全正确的情况下,如上所述关于流体分配网络的外在因素和先验信息可以用于从由步骤309的最小化操作识别的一组稀疏解中选择唯一的、正确的解。
Claims (18)
1.一种用于估计流体分配系统中的损耗的方法,其中所述流体分配系统包括多个位置和多个分配链路,并且其中所述多个分配链路中的第一分配链路将所述多个位置中的第一位置连接至所述多个位置中的第二位置,所述方法包括:
计算机系统的处理器从多个测量设备接收多个测量结果,其中所述多个测量结果的接收的测量结果标识流过所述多个位置的测量位置的流体的特征,并且其中所述多个测量结果没有直接和准确地标识所述多个位置的流体损耗位置或者沿所述多个分配链路的有损耗分配链路的流体损耗率;以及
所述处理器分析所述多个测量结果以将所述流体损耗位置或者所述流体损耗率标识为所述多个测量结果的函数。
2.根据权利要求1所述的方法,其中所述特征包括流量、流速、流体压力、流体温度或者它们的某种组合。
3.根据权利要求1所述的方法,其中所述分析进一步包括所述处理器构建表示所述流体分配系统的数学模型,其中所述模型包括多个节点和多个路径,并且其中所述多个节点中的第一节点表示所述第一位置,所述多个节点中的第二节点表示所述第二位置,以及所述多个路径中的第一路径表示所述第一分配链路。
4.根据权利要求1所述的方法,其中所述分析进一步包括为了估计沿所述有损耗分配链路的未知通过率,生成和求解一组方程,其中所述未知通过率是流过所述有损耗分配链路的端点位置的流体的所述特征的未知值的函数,并且其中所述多个测量结果没有直接和准确地标识出流过所述端点位置的所述流体的所述特征。
5.根据权利要求4所述的方法,其中所述分析进一步包括为了产生稀疏解而最小化所述方程包括的测量错误,并且其中所述最小化包括应用以下内容:L0最小化、L1最小化、L2最小化、Markovchain Monte Carlo算法、Gibbs采样算法、连接树分解方法、变Bayesian方法、置信传播、其它频率论推理过程、流守恒定律或者它们的组合。
6.根据权利要求5所述的方法,其中所述分析进一步包括所述流体分配系统的已知物理特征的函数、关于所述流体分配系统的历史数据、所述测量设备的噪声特征或者它们的组合。
7.一种计算机系统,包括处理器、耦合至所述处理器的存储器以及耦合至所述处理器的计算机可读硬件存储设备,所述存储设备包括程序代码,所述程序代码被配置为由所述处理器通过所述存储器运行以实现用于估计流体分配系统中的损耗的方法,其中所述流体分配系统包括多个位置和多个分配链路,并且其中所述多个分配链路中的第一分配链路将所述多个位置中的第一位置连接至所述多个位置中的第二位置,所述方法包括:
计算机系统的所述处理器从多个测量设备接收多个测量结果,其中所述多个测量结果的接收的测量结果标识流过所述多个位置的测量位置的流体的特征,并且其中所述多个测量结果没有直接和准确地标识出所述多个位置的流体损耗位置或者沿所述多个分配链路的有损耗分配链路的流体损耗率;以及
所述处理器分析所述多个测量结果以将所述流体损耗位置或者所述流体损耗率标识为所述多个测量结果的函数。
8.根据权利要求7所述的系统,其中所述特征包括流量、流速、流体压力、流体温度或者它们的某种组合。
9.根据权利要求7所述的系统,其中所述分析进一步包括所述处理器构建表示所述流体分配系统的数学模型,其中所述模型包括多个节点和多个路径,并且其中所述多个节点中的第一节点表示所述第一位置,所述多个节点中的第二节点表示所述第二位置,以及所述多个路径中的第一路径表示所述第一分配链路。
10.根据权利要求7所述的系统,其中所述分析进一步包括为了估计沿所述有损耗分配链路的未知通过率,生成和求解一组方程,其中所述未知通过率是流过所述有损耗分配链路的端点位置的流体的所述特征的未知值的函数,并且其中所述多个测量结果没有直接和准确地标识出流过所述端点位置的所述流体的所述特征。
11.根据权利要求10所述的系统,其中所述分析进一步包括为了产生稀疏解而最小化所述方程包括的测量错误,并且其中所述最小化包括应用以下内容:L0最小化、L1最小化、L2最小化、Markovchain Monte Carlo算法、Gibbs采样算法、连接树分解方法、变Bayesian方法、置信传播、其它频率论推理过程、流守恒定律或者它们的组合。
12.根据权利要求11所述的系统,其中所述分析进一步包括所述流体分配系统的已知物理特征的函数、关于所述流体分配系统的历史数据、所述测量设备的噪声特征或者它们的组合。
13.一种支持计算机基础设施的处理,所述处理包括为创建、集成、托管、维护计算机系统中的计算机可读代码以及将计算机可读代码部署到计算机系统中的至少一个提供至少一种支持服务,其中与所述计算机系统结合的所述程序代码被配置为实现用于估计流体分配系统中的损耗的方法,其中所述流体分配系统包括多个位置和多个分配链路,并且其中所述多个分配链路中的第一分配链路将所述多个位置中的第一位置连接至所述多个位置中的第二位置,所述方法包括:
计算机系统的所述处理器从多个测量设备接收多个测量结果,其中所述多个测量结果的接收的测量结果标识流过所述多个位置的测量位置的流体的特征,并且其中所述多个测量结果没有直接和准确地标识所述多个位置的流体损耗位置或者沿所述多个分配链路的有损耗分配链路的流体损耗率;以及
所述处理器分析所述多个测量结果以将所述流体损耗位置或者所述流体损耗率标识为所述多个测量结果的函数。
14.根据权利要求13所述的方法,其中所述特征包括流量、流速、流体压力、流体温度或者它们的某种组合。
15.根据权利要求13所述的方法,其中所述分析进一步包括所述处理器构建表示所述流体分配系统的数学模型,其中所述模型包括多个节点和多个路径,并且其中所述多个节点中的第一节点表示所述第一位置,所述多个节点中的第二节点表示所述第二位置,以及所述多个路径中的第一路径表示所述第一分配链路。
16.根据权利要求13所述的方法,其中所述分析进一步包括为了估计沿所述有损耗分配链路的未知通过率,生成和求解一组方程,其中所述未知通过率是流过所述有损耗分配链路的端点位置的流体的所述特征的未知值的函数,并且其中所述多个测量结果没有直接和准确地标识流过所述端点位置的所述流体的所述特征。
17.根据权利要求16所述的方法,其中所述分析进一步包括为了产生稀疏解而最小化所述方程包括的测量错误,并且其中所述最小化包括应用以下内容:L0最小化、L1最小化、L2最小化、Markovchain Monte Carlo算法、Gibbs采样算法、连接树分解方法、变Bayesian方法、置信传播、其它频率论推理过程、流动守恒定律或者它们的组合。
18.根据权利要求17所述的方法,其中所述分析进一步包括所述流体分配系统的已知物理特征的函数、关于所述流体分配系统的历史数据、所述测量设备的噪声特征或者它们的组合。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/569,473 US20140046603A1 (en) | 2012-08-08 | 2012-08-08 | Estimating losses in a smart fluid-distribution system |
US13/569,473 | 2012-08-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103577684A true CN103577684A (zh) | 2014-02-12 |
Family
ID=49999356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310344171.1A Pending CN103577684A (zh) | 2012-08-08 | 2013-08-08 | 用于估计智能流体分配系统中的损耗的方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20140046603A1 (zh) |
CN (1) | CN103577684A (zh) |
DE (1) | DE102013214142A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914430A (zh) * | 2014-04-16 | 2014-07-09 | 贵州师范学院 | 一种流体相混合体系多重化学平衡计算系统 |
CN104462777A (zh) * | 2014-11-13 | 2015-03-25 | 浙江工业大学 | 一种流体管路最小可行能量需求的测算方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011078240A1 (de) * | 2011-06-28 | 2013-01-03 | Siemens Aktiengesellschaft | Leckageerkennung mittels stochastischer Massenbilanz |
JP2014206833A (ja) * | 2013-04-11 | 2014-10-30 | 富士通株式会社 | 熱流体解析プログラム、情報処理装置および熱流体解析方法 |
US10580095B2 (en) | 2015-03-20 | 2020-03-03 | Accenture Global Solutions Limited | Method and system for water production and distribution control |
CN108053379B (zh) * | 2017-12-13 | 2021-06-01 | 天津大学 | 一种基于改进的变分模态分解的dspi相位提取方法 |
CN113065234B (zh) * | 2021-03-17 | 2023-02-21 | 广东电网有限责任公司计量中心 | 一种智能电表的批次可靠性风险等级评估方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080150750A1 (en) * | 2006-12-21 | 2008-06-26 | Parris Earl H | Configurable Smart Utility Meter Box |
CN101939626A (zh) * | 2008-02-11 | 2011-01-05 | 奥图泰有限公司 | 用于测量流入冶金炉中的冷却元件的单独冷却元件回路中的冷却流体的例如温度、流量或压力的至少一个物理量的方法和设备 |
US20120197552A1 (en) * | 2010-12-29 | 2012-08-02 | Les Robinson | Satellite-Based Low Power Resource Meter Reading Systems and Methods |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8233402B2 (en) * | 2007-09-20 | 2012-07-31 | At&T Intellectual Property Ii, L.P. | Multicast-based inference of temporal loss characteristics in packet data networks |
US8347427B2 (en) * | 2007-10-24 | 2013-01-08 | Michael Klicpera | Water use monitoring apparatus |
-
2012
- 2012-08-08 US US13/569,473 patent/US20140046603A1/en not_active Abandoned
-
2013
- 2013-07-18 DE DE102013214142.4A patent/DE102013214142A1/de not_active Ceased
- 2013-08-08 CN CN201310344171.1A patent/CN103577684A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080150750A1 (en) * | 2006-12-21 | 2008-06-26 | Parris Earl H | Configurable Smart Utility Meter Box |
CN101939626A (zh) * | 2008-02-11 | 2011-01-05 | 奥图泰有限公司 | 用于测量流入冶金炉中的冷却元件的单独冷却元件回路中的冷却流体的例如温度、流量或压力的至少一个物理量的方法和设备 |
US20120197552A1 (en) * | 2010-12-29 | 2012-08-02 | Les Robinson | Satellite-Based Low Power Resource Meter Reading Systems and Methods |
Non-Patent Citations (1)
Title |
---|
VIJAY ARYA等: ""Sparsity without the Complexity:Loss Localisation using Tree Measurements"", 《ARXIV:1108.1377V2》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914430A (zh) * | 2014-04-16 | 2014-07-09 | 贵州师范学院 | 一种流体相混合体系多重化学平衡计算系统 |
CN104462777A (zh) * | 2014-11-13 | 2015-03-25 | 浙江工业大学 | 一种流体管路最小可行能量需求的测算方法 |
Also Published As
Publication number | Publication date |
---|---|
US20140046603A1 (en) | 2014-02-13 |
DE102013214142A1 (de) | 2014-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103577684A (zh) | 用于估计智能流体分配系统中的损耗的方法和系统 | |
US10380274B2 (en) | Computer-implemented method for generating or updating topology model of pressure pipe network | |
Loureiro et al. | Water distribution systems flow monitoring and anomalous event detection: A practical approach | |
US10387590B2 (en) | Techniques for iterative reduction of uncertainty in water distribution networks | |
Palau et al. | Burst detection in water networks using principal component analysis | |
Hutton et al. | Dealing with uncertainty in water distribution system models: A framework for real-time modeling and data assimilation | |
Meseguer et al. | A decision support system for on-line leakage localization | |
US11551106B2 (en) | Representation learning in massive petroleum network systems | |
US11934440B2 (en) | Aggregation functions for nodes in ontological frameworks in representation learning for massive petroleum network systems | |
Sahu et al. | Impact of input feature selection on groundwater level prediction from a multi-layer perceptron neural network | |
CN114785666B (zh) | 一种网络故障排查方法与系统 | |
US20160349141A1 (en) | Leak localization in water distribution networks | |
Wu et al. | Data-driven and model-based framework for smart water grid anomaly detection and localization | |
US11073847B2 (en) | Path optimization in production network systems | |
WO2020153903A1 (en) | Method and system for monitoring a gas distribution network operating at low pressure | |
Romero-Ben et al. | Leak detection and localization in water distribution networks: Review and perspective | |
Rajabi et al. | Leak detection and localization in water distribution networks using conditional deep convolutional generative adversarial networks | |
Muniz Do Nascimento et al. | Enabling low-cost automatic water leakage detection: a semi-supervised, autoML-based approach | |
Romero et al. | Clustering-learning approach to the localization of leaks in water distribution networks | |
Xue et al. | Improving near real-time anomaly event detection and classification with trend change detection for smart water grid operation management | |
Iqbal et al. | Predicting arterial breakdown probability: A data mining approach | |
Sankaranarayanan et al. | Missing data estimation and IoT‐based flyby monitoring of a water distribution system: Conceptual and experimental validation | |
Han et al. | Enabling state estimation for fault identification in water distribution systems under large disasters | |
Gleeson et al. | A data quality assessment framework for drinking water distribution system water quality time series datasets | |
Quevedo et al. | Sensor data validation and reconstruction |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140212 |
|
WD01 | Invention patent application deemed withdrawn after publication |