CN105894130B - 一种用于城市供水管网监测点的优化布置方法 - Google Patents
一种用于城市供水管网监测点的优化布置方法 Download PDFInfo
- Publication number
- CN105894130B CN105894130B CN201610265985.XA CN201610265985A CN105894130B CN 105894130 B CN105894130 B CN 105894130B CN 201610265985 A CN201610265985 A CN 201610265985A CN 105894130 B CN105894130 B CN 105894130B
- Authority
- CN
- China
- Prior art keywords
- measuring point
- sensitivity
- node
- point
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 title claims abstract description 10
- 230000035945 sensitivity Effects 0.000 claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 230000006698 induction Effects 0.000 claims description 2
- 238000010206 sensitivity analysis Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000002547 anomalous effect Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种用于城市供水管网监测点的优化布置方法。本发明分别改进了传统的灵敏度分析和聚类分析方法，并结合该两种方法得到优化的测点分布，使测点布置不仅具有灵敏度好，相对分散，有利于划定异常区域进行精确侦测的特点，同时较现有测点分布更广、更均匀，且关键位置处布置合理，有利于模型校核。
Description
技术领域
本发明属于城市供水管网领域，具体是一种用于城市供水管网监测的测点优化布置方法。
背景技术
供水管网的测点布置是指在供水管网中分布安装一定数量的流量、压力等传感器，用于监测管网运行工况，为管网调度分析提供数据支持。由于我国城市供水管网规模庞大，管线复杂，测流、测压点在管网初建、扩建过程中部署不多，且缺乏系统考虑，导致测量偏颇，供水管网运行状态不能全面、准确的反映，进而影响安全供水调度的科学性分析。
目前，关于供水管网压力测点优化布置研究主要基于灵敏度分析[1]和聚类分析[2]两类。在传统的灵敏度分析中，通过对每个异常节点寻找灵敏度最大的侦测点构建目标函数，无法保证平均灵敏度足够大；而以平均灵敏度作为目标函数，无法保证能寻优到灵敏度最大的节点。且灵敏度标准差方法会使测点分布不均匀，因为节点灵敏度的相对离散，不能保证实际节点在地理上相对分散，不能良好地反映整个管网状况。在聚类分析中，编网法在对大量节点进行聚类时存在效率过慢、分类结果可靠性低等问题。
有鉴于此，本发明针对管网异常事件侦测和实时模型校正的需要，提出了一种城市供水管网监测点优化布置方法。
文献[1]王伟哲，郄志红，刘美侠，吴鑫淼，基于改进遗传算法的供水管网故障监测点布置优化[J]，水力发电学报，2012,31(1):15-19.
文献[2]周书葵，许仕荣，城市供水管网水压监测点优化布置的研究[J]，南华大学学报(自然科学版)，2005(01).
发明内容
本发明针对现有技术的不足，提出了一种最优灵敏度分析和模糊聚类分析相结合的方法，分别改进了传统的灵敏度分析和聚类分析方法，并结合该两种方法得到优化的测点分布，使测点布置不仅具有灵敏度好，相对分散，有利于划定异常区域进行精确侦测的特点，同时较现有测点分布更广、更均匀，且关键位置处布置合理，有利于模型校核。
为实现以上目的，本发明采取以下步骤：
1.获取模糊相似矩阵
(1)灵敏度系数矩阵
令管网模型节点k的流量(也可以是如管道摩阻系数等其它参量)变化，使所有节点i水压发生变化，将所有节点i的水压变化值ΔHi与节点自身水压的变化值ΔHk求比值，获得节点的灵敏度值λik，即：
据此，可求得所有节点的灵敏度系数，用矩阵形式表示为：
其中，第i行代表节点i发生变化时，对管网所有节点的影响系数向量，第j列代表管网中所有节点发生变化时，对节点j的影响系数向量。
(2)标准化
对灵敏度系数矩阵进行平移标准差变换处理，公式如下：
其中Rij是R的第i行第j列的值，是R的第j列的平均值，Sj是R的第j列的标准差，R′ij为所求标准化矩阵第i行第j列的值。
(3)模糊相似化
采用相似系数法中的相关系数法求解标准化矩阵，公式如下：
其中，是R′的第i行的平均值，是R′的第j列的平均值。
2.基于最优灵敏度确定测点
确定每个异常节点j对管网所有节点感应灵敏度的平均值和最大值，先分别平方再求和，最后开根号，增加测点之间的平均欧氏距离之和来控制测点之间的分散程度。构建目标函数如下：
上式中，N代表测点的数量，M代表可能的爆管点数,i＝1,2,3,...,N。ε1、ε2、ε3是引入的权重系数，代表该部分在整个目标函数中的重要程度，由反复实验获得较好的给定值。ΔHi/ΔHj是测点i对可能爆管点j的灵敏度系数，这里使用模糊相似系数矩阵R′′，cori、corj是测点i和测点j的二维地理坐标，可以通过模型文件得到。第一部分不仅保证了平均灵敏度足够大同时保证对最大灵敏度节点的寻优，第二部分可在实际地理空间上控制测点之间的分散程度。通过matlab使用实数编码的遗传算法求解该目标函数，便得到基于最优灵敏度分析的测点分布。
3.基于模糊聚类确定测点
使用Kmeans聚类分析方法实现快速聚类，以计算节点灵敏度到原型的海明距离为目标，通过求取极值得到迭代运算的调整规则。算法通过随机初始聚类中心向量V进行最优分类，使得下式所示的目标函数J最小。
uk是分类中心向量，xn是观测坐标向量，rnk是0或1，若n被归类至k组，则rnk＝1，否则rnk＝0；J的目标是最小化观测向量与聚类中心之间的距离。rnk与uk寻优时，一般是通过迭代运算逐步求出，固定uk，选择最优的rnk，再固定rnk，求最优的uk，在选择rnk时，将数据归类到距其最近的中心点可使得目标函数最小，求uk时，令J对uk求导等于0，可得到：
uk是分类中心向量，因为每次都能够使J取最小，因此J的最小值可以求得，步骤如下：
(1)设定k个节点的灵敏度作为分类中心的初始点，即对应k个测点中心；
(2)计算所有节点的灵敏度到k个分类中心的距离，按照最近邻法归类；
(3)计算每一类的灵敏度距离平均值，距离最小的点作为新的分类中心；
(4)重复步骤(2)、(3)，在达到迭代次数上限或满足要求时停止，便得到基于kmeans模糊聚类分析的测点分布。
4综合确定测点
根据步骤3得出的测点分布，确定步骤2得出的测点分布在关键出入水口处或重要管段处布置缺失的测点个数K以及对应的区域坐标Φ(xi,yi)(i＝1，2，...,k)。比较步骤2的测点中距离接近的测点灵敏度大小，把灵敏度相对较小的K的测点移动到Φ(xi,yi)(i＝1，2，...,k)处，便得到最终测点集。
本发明的有益效果如下：
通过标准-模糊相似化方法改进灵敏度系数矩阵数据之间的相关性，提高灵敏度寻优和模糊聚类的准确度。
为更好地进行管网异常事件侦测，对目标函数灵敏度算法进行改进，即保证灵敏度总和足够大又保证对最大灵敏度节点的寻优，同时引入空间距离离散度因子，在地理上保证优化后的测点相对分散。
使用了Kmeans聚类分析方法实现快速聚类，虽然结果与初始的分类中心有关，但在足够多的迭代次数下，解具有相对稳定性，在关键出入水口处皆有分布。与现有测点分布相比，能为供水管网提供更全面的监测数据。
分析以上两种方法得到的测点分布的优点，绘制出既有利于异常事件侦测又有利于模型校正的最终结果图。
附图说明
图1a为原有测点分布图；
图1b为测点布置结果图；
图2a为优化测点在原有测点分布示意图；
图2b为优化测点在测点布置结果示意图；
图3a为用于异常事件侦测的优化测点分布图；
图3b为用于模型校正的优化测点分布图；
图3c为最终测点分布图。
具体实施方式
为使本发明实现的技术创新点易于理解，下面结合附图和实例，对本发明的实现方式进一步详细叙述，具体步骤如下：
1.获得模糊相似矩阵
(1)灵敏度系数矩阵
S市DMA共有节点5377个(不计入水源)，为选取较好的工况，采用最大工作时，中午12点的DMA的模型数据作为试验数据。节点的需水量示例如表格1所示：
表1节点流量
其中，节点编号按照索引进行排序。对于某些节点的需水量为0，比如索引5375，令其需水量为很小值，0.0000001。运行EPANET模型，进行延时模拟，得到节点水量变化前的节点压力向量R0：
k是节点的水源数目，代表节点1,2,3...n-k改变需水量前的水头或者是压力值。改变管网中每一个节点的需水量，使其变化20％，运行模型，得到变化后的管网节点压力向量
其中，表示节点i的需水量改变后，所有普通节点压力值大小。在每次模型运行结束后，节点i需水量恢复原值，依次改变每个普通节点需水量，得到的n-k个压力变化行向量就构成(n-k)×(n-k)维矩阵，为简洁表示，以下n-k统一表示成m。通过有限差分处理，获取灵敏度系数矩阵如下：
由于矩阵维数是5377×5377，显示内容太多，这里只给出10×10的矩阵示例：
(2)标准化
对灵敏度系数矩阵中每个元素进行平移标准差变换处理，公式如下：
其中Rij是R的第i行第j列的值，是R的第j列的平均值，Sj是R的第j列的标准差，R′ij为所求标准化矩阵第i行第j列的值。
(3)模糊相似化
针对标准化矩阵，采用相似系数法中的相关系数法计算各个分类对象之间的相似程度，从而建立模糊相似矩阵，公式如下：
其中，是R′的第i行的平均值，是R′的第j列的平均值，R′′ij为所求模糊相似化矩阵第i行第j列的值。
由于矩阵维数是5377×5377，显示内容太多，这里只给出10×10的矩阵示例：
2.基于最优灵敏度确定测点
设定测点数目M为20个，N是DMA中所有普通节点的个数，即5377个。ΔHi/ΔHj是测点i对可能爆管点j的灵敏度系数，这里使用模糊相似系数矩阵R′′，ε1、ε2、ε3∈(0，1)且ε1+ε2+ε3＝1，具体值根据优化后的测点分布比较原有测点分布，通过动态调整最终确定。cori、corj是测点i和测点j的二维地理坐标，可以通过EPANET模型文件得到。
目标函数如下：
通过matlab使用实数编码的遗传算法求解目标函数，设定参数为：种群规模50，遗传代数200，选择概率0.95，变异概率0.05。其中，选择、交叉、变异方法分别使用轮盘赌选择、实数交叉和单点变异方法。上述目标函数是求解最大值问题，通过进化迭代，得出用于异常事件侦测的测点优化布置结果，如图1b所示，其中，圆形标记代表优化测点，为方便比较，图1a给出了原有测点分布图。
3.基于模糊聚类确定测点
利用以上步骤中得到的模糊相似矩阵结合Kmeans方法进行分类。使用matlab自带的Kmeans工具箱进行求解。
现有的DMA内部测点有14个，但依据现有测点分布，使实时模型定位难度较大，因此，考虑增加测压点，这里设定测点数目M为20，Kmeans函数参数中分类距离设为“cityblock”；设定重复次数为5；设定“emptyaction”为“drop”，即在出现上述情况时丢弃原有分类块，继续迭代求解，通过运算，得出分类结果。
通过分类得到20个分类块后，先统计每一个块中的分类点对应的节点索引，然后使用步骤1中模糊相似化的方法得到模糊相似矩阵。
计算每个节点除自身外的所有其余节点的灵敏度相似系数值之和，作为每个节点与其余节点的相似距离，公式如下所示：
cent＝arc(min(dis))
最后取与其他节点相似距离和最小的节点为中心点，也就是优化布置后的测点。Matlab下利用节点坐标信息，绘出20个优化测点(用方形表示)在管网中的分布，如图2b所示，为便于与现有测点比较，图2a给出了原有测点分布图。
4.综合确定测点
获取图1、图2中的优化测点在EPANET模型中对应的节点坐标信息，以图中1的优化测点分布为蓝本，对比图2中的优化测点分布，确定需要移动到由图2中的优化测点确定的关键出入水口处或重要管段处(图3b已圈出)的测点个数K＝4和坐标索引Φ(xi,yi)(i＝1，2，3，4)。通过matlab分别计算图1中优化测点间距离最接近的四个区域(图3a已圈出)的灵敏度大小，把灵敏度相对较小的4个测点分配到Φ(xi,yi)(i＝1，2，3，4)处(分别是左下角、右上角、最右侧和中间靠下)，得到最终的优化测点在管网中的分布，如图3c所示(圆形代表图1中的优化测点，方形代表图2中的优化测点)，为了便于比较，图3a给出用于异常事件侦测的优化测点分布图，图3b给出用于模型校正的优化测点分布图，图3c右侧给出了最终测点分布图。
Claims (1)
1.一种用于城市供水管网监测点的优化布置方法，其特征在于该方法包括以下步骤：
步骤1.获取模糊相似矩阵
(1)建立灵敏度系数矩阵
令管网模型节点k的流量变化，使所有节点i水压发生变化，将所有节点i的水压变化值ΔHi与节点自身水压的变化值ΔHk求比值，获得节点的灵敏度值λik，即：
据此，可求得所有节点的灵敏度系数，用矩阵形式R表示为：
其中，第i行代表节点i发生变化时，对管网所有节点的影响系数向量，第j列代表管网中所有节点发生变化时，对节点j的影响系数向量；
(2)标准化
对灵敏度系数矩阵进行平移标准差变换处理，公式如下：
其中Rij是R的第i行第j列的值，是R的第j列的平均值，Sj是R的第j列的标准差，R′ij为所求标准化矩阵第i行第j列的值；
(3)模糊相似化
采用相似系数法中的相关系数法求解标准化矩阵，公式如下：
其中，是R′的第i行的平均值，是R′的第j列的平均值；
步骤2.基于最优灵敏度确定测点
确定每个异常节点j对管网所有节点感应灵敏度的平均值和最大值，先分别平方再求和，最后开根号，增加测点之间的平均欧氏距离之和来控制测点之间的分散程度；构建目标函数如下：
上式中，N代表测点的数量，M代表可能的爆管点数；e1、e2、e3是引入的权重系数，代表对应部分在整个目标函数中的重要程度,ΔHi/ΔHj是测点i对可能爆管点j的灵敏度系数；cori、corj是测点i和测点j的二维地理坐标，通过模型文件得到；通过matlab使用实数编码的遗传算法求解该目标函数，便得到基于最优灵敏度分析的测点分布；
步骤3.基于模糊聚类确定测点
使用Kmeans聚类分析方法实现快速聚类，以计算节点灵敏度到原型的海明距离为目标，通过求取极值得到迭代运算的调整规则；算法通过随机初始聚类中心向量V进行最优分类，使得下式所示的目标函数J最小；
uk是分类中心向量，xn是观测坐标向量，rnk是0或1，若n被归类至k组，则rnk＝1，否则rnk＝0；J的目标是最小化观测向量与聚类中心之间的距离；rnk与uk寻优时，通过迭代运算逐步求出，固定uk，选择最优的rnk，再固定rnk，求最优的uk，在选择rnk时，将数据归类到距其最近的中心点可使得目标函数最小，求uk时，令J对uk求导等于0，可得到：
uk是分类中心向量，因为每次都能够使J取最小，因此J的最小值可以求得，步骤如下：
(1)设定k个节点的灵敏度作为分类中心的初始点，即对应k个测点中心；
(2)计算所有节点的灵敏度到k个分类中心的距离，按照最近邻法归类；
(3)计算每一类的灵敏度距离平均值，距离最小的点作为新的分类中心；
(4)重复步骤(2)、(3)，在达到迭代次数上限或满足要求时停止，便得到基于kmeans模糊聚类分析的测点分布；
步骤4.综合确定测点
根据步骤3得出的测点分布，确定步骤2得出的测点分布在关键出入水口处或重要管段处布置缺失的测点个数K以及对应的区域坐标Φ(xi,yi)；比较步骤2的测点中距离接近的测点灵敏度大小，把灵敏度相对较小的K的测点移动到Φ(xi,yi)处，便得到最终测点集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610265985.XA CN105894130B (zh) | 2016-04-25 | 2016-04-25 | 一种用于城市供水管网监测点的优化布置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610265985.XA CN105894130B (zh) | 2016-04-25 | 2016-04-25 | 一种用于城市供水管网监测点的优化布置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105894130A CN105894130A (zh) | 2016-08-24 |
| CN105894130B true CN105894130B (zh) | 2019-08-09 |
Family
ID=56705531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610265985.XA Active CN105894130B (zh) | 2016-04-25 | 2016-04-25 | 一种用于城市供水管网监测点的优化布置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105894130B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016622B (zh) * | 2017-03-22 | 2020-08-04 | 浙江大学 | 一种含大用户用水信息的城市供水管网节点需水量反演方法 |
| CN106870955B (zh) * | 2017-03-22 | 2019-01-11 | 浙江大学 | 服务于供水管网节点需水量反演的管网监测点优化布置方法 |
| CN107122519A (zh) * | 2017-03-27 | 2017-09-01 | 华南理工大学 | 一种城市供水管网压力监测点的优化布置方法 |
| CN107368648B (zh) * | 2017-07-19 | 2018-07-20 | 安徽建筑大学 | 一种面向市政给水管网压力监测点优化布置方法 |
| CN108763464B (zh) * | 2018-05-29 | 2021-08-03 | 杭州电子科技大学 | 基于监测点聚类和异常区域重心法的供水爆管定位方法 |
| CN108647470B (zh) * | 2018-05-29 | 2022-05-31 | 杭州电子科技大学 | 一种基于聚类和深度信念网络的漏损初定位方法 |
| CN108799844B (zh) * | 2018-06-07 | 2020-02-14 | 哈尔滨学院 | 一种基于模糊集的供水管网压力监测点选址方法 |
| CN108898512A (zh) * | 2018-07-27 | 2018-11-27 | 苏州市自来水有限公司 | 基于bp神经网络的城市供水管网模型校核方法 |
| CN109376925B (zh) * | 2018-10-23 | 2021-07-23 | 青岛理工大学 | 供水管网节点流量动态自适应优化方法 |
| CN109914523B (zh) * | 2019-03-21 | 2021-04-30 | 杭州电子科技大学 | 基于区块化和叠压增压的供水管网低压改善方法 |
| CN111119282B (zh) * | 2019-11-26 | 2020-09-25 | 中国地质大学（武汉） | 一种针对供水管网的压力监测点优化布置方法 |
| CN110939870B (zh) * | 2019-12-27 | 2021-04-27 | 天津大学 | 一种面向爆管监测的供水管网压力监测点布置方法 |
| CN112016175B (zh) * | 2020-08-14 | 2022-09-30 | 华侨大学 | 一种基于树状层次聚类的供水管网测压点优化布置方法 |
| CN112241767A (zh) * | 2020-11-03 | 2021-01-19 | 广州杰赛科技股份有限公司 | 管网水压监测节点布置方法、装置、设备及存储介质 |
| CN117469603B (zh) * | 2023-12-25 | 2024-03-08 | 深圳市科荣软件股份有限公司 | 一种基于大数据学习的多水厂供水系统压力优化控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385313A (zh) * | 2011-06-17 | 2012-03-21 | 上海市供水调度监测中心 | 基于实时水压信息的城市供水区域动态划分控制方法 |
| CN102777770A (zh) * | 2012-08-07 | 2012-11-14 | 河北农业大学 | 一种供水管网泄漏故障诊断的流量监测点优化布置方法 |
-
2016
- 2016-04-25 CN CN201610265985.XA patent/CN105894130B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385313A (zh) * | 2011-06-17 | 2012-03-21 | 上海市供水调度监测中心 | 基于实时水压信息的城市供水区域动态划分控制方法 |
| CN102777770A (zh) * | 2012-08-07 | 2012-11-14 | 河北农业大学 | 一种供水管网泄漏故障诊断的流量监测点优化布置方法 |
Non-Patent Citations (3)
| Title |
|---|
| 《Water Distribution Network Modeling Based on NARX》;Xu Zhe 等;《IFAC_PapersOnLine 48-11》;20151231;第72-77页 * |
| 《供水管网测点压力混沌辨识及预测》;杨洁 等;《Proceedings of the 33rd Chinese Control Conference》;20140730;第6533-6537页 * |
| 《多目标大规模供水管网监测点的优化选址》;刘书明 等;《清华大学学报（自然科学版）》;20131231;第53卷(第1期);第78-83页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105894130A (zh) | 2016-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105894130B (zh) | 一种用于城市供水管网监测点的优化布置方法 | |
| CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
| CN104462184B (zh) | 一种基于双向抽样组合的大规模数据异常识别方法 | |
| CN112016175B (zh) | 一种基于树状层次聚类的供水管网测压点优化布置方法 | |
| CN103245881A (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
| Fang et al. | Detection of multiple leakage points in water distribution networks based on convolutional neural networks | |
| CN103489046A (zh) | 风电场短期功率预测方法 | |
| CN102819677A (zh) | 基于单场降雨类型的降雨站点相似性评价方法 | |
| CN103473621A (zh) | 风电场短期功率预测方法 | |
| Xiaoyu et al. | Short-term traffic flow forecasting based on two-tier k-nearest neighbor algorithm | |
| Zanfei et al. | Novel approach for burst detection in water distribution systems based on graph neural networks | |
| CN109492022A (zh) | 基于语义的改进的k-means算法的搜索方法 | |
| CN108564205A (zh) | 一种基于实测数据的负荷模型及参数辨识优化方法 | |
| CN103455612B (zh) | 基于两阶段策略的非重叠与重叠网络社区检测方法 | |
| CN109657147A (zh) | 基于萤火虫和加权极限学习机的微博异常用户检测方法 | |
| CN109740962A (zh) | 基于场景分区与半不变量的电压稳定概率评估方法 | |
| CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
| CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
| CN105631520A (zh) | 一种提取风速随机模糊不确定特征的建模新方法 | |
| CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
| CN102156641A (zh) | 一种软件成本置信区间预测方法及系统 | |
| CN113486950A (zh) | 一种智能管网漏水检测方法及系统 | |
| CN109521001A (zh) | 一种基于PSO和ε-SVR的飞灰含碳量测量方法 | |
| CN109783586B (zh) | 基于聚类重采样的水军评论检测方法 | |
| CN110188964A (zh) | 一种基于相关性的光伏出力预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20160824 Assignee: HANGZHOU ZHIBIN TECHNOLOGY Co.,Ltd. Assignor: HANGZHOU DIANZI University Contract record no.: X2021330000077 Denomination of invention: An optimal layout method for monitoring points of urban water supply network Granted publication date: 20190809 License type: Common License Record date: 20210818 |
|
| EE01 | Entry into force of recordation of patent licensing contract |