CN106090626A - 一种供水管网异常侦测方法 - Google Patents
一种供水管网异常侦测方法 Download PDFInfo
- Publication number
- CN106090626A CN106090626A CN201610385376.8A CN201610385376A CN106090626A CN 106090626 A CN106090626 A CN 106090626A CN 201610385376 A CN201610385376 A CN 201610385376A CN 106090626 A CN106090626 A CN 106090626A
- Authority
- CN
- China
- Prior art keywords
- measuring point
- signal
- anomalous event
- time
- matrix
- 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
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
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
Abstract
本发明公开了一种供水管网异常侦测方法。本发明通过计算测点突变信号的信噪比,筛选可靠信号测点,从而提高异常侦测数据的可靠性。再者居民的生活用水习惯是规律的,在此基础上本发明采用统计过程控制(SPC)和模糊综合的方法进行异常事件侦测,能有效增强抗干扰能力,降低误报率和漏报率。
Description
技术领域
本发明属于城市供水领域,具体是一种供水管网异常侦测方法。
背景技术
城市供水管网系统复杂,管道长年埋藏于地下,老化陈旧,管道泄漏、爆管事故频发。一旦泄漏和爆管事件发生,如无法实时侦测定位,事故管道不能被及时修复,将造成水资源大量浪费和水质污染,并严重影响需水区的用水,带来了极大的经济损失,所以对供水管网异常事件的实时侦测定位是当前安全供水最紧要的问题。
在供水管网中,异常侦测不仅受爆管规模、测点距离和用水波幅等因素的影响,而且还受各类噪声的影响。当异常事件发生时,产生突变信号的同时也会产生一个略大的噪声,使信噪比变化。供水管网中的噪声主要包括管网自身的噪声和异常事件发生时所产生的噪声,由于这两种噪声存在,使得供水管网的异常侦测存在高误报率和高漏报率。
发明内容
针对以上问题,本发明提出了一种供水管网异常侦测方法。
本发明采取以下步骤:
(一)小波降噪获取稳态信号和噪声信号
实测原始信号通过小波降噪方法得到降噪后的稳态信号和噪声信号。
小波降噪是一种时间-频域方法,在高频处做时间细分,低频处做频率细分,可以有效的区分噪声和信号。小波降噪基本步骤如下:
(1)小波分解。首先选定小波和确定其分解的最高层次N 。然后将信号S 进行N 层分解,具体将信号分解为细节部分d 和大尺度逼近部分a ,再将大尺度逼近部分a 进行二次分解。
(2)设定各层细节的阈值。设定信号各层的阈值,并用软阈值对各层细节中的小波系数进行处理,达到量化高频系数阈值的目的。
(3)重构信号。通过将第N 层中近似部分的小波系数和每层经过处理的细节小波系数有效结合,实现信号重构。
(二)EPANET模拟获得理想信号,再与稳态信号差值计算获取突变信号
EPANET软件离线模拟输出为理想信号,其模拟得到的测点输出数据作为测点理想信号部分。将EPANET软件输出的理想信号与通过小波降噪的稳态信号做差值计算,便可得到管网的突变信号。
(三)计算信噪比筛选有用测点
根据信噪比公式计算突变信号的信噪比,信噪比的公式表示为:
其中S 为有用信号功率, N 为噪声功率。这里,突变信号为有用信号。信噪比越大,说明信号中噪声的比例越小,信号的代表性强;反之,说明信号受噪声干扰严重,存在失真的可能。参考图像、音频中信噪比达到60dB有效,故此处选择60dB作为筛选有用测点的阈值。当测得异常时间段的信噪比高于60dB时,则认为突变信号显著,肯定此次异常事件侦测结果。而当该信噪比小于60dB时,则认为数据受噪声污染严重,不能正常用于异常事件侦测。
(四) 结合SPC统计方法和模糊判定方法的异常事件侦测
将经过信噪比筛选过的有效测点数据,通过SPC统计方法与模糊判定方法进行异常事件侦测,此处选择测点灵敏度和用水规律作为模糊因子。
1、SPC统计方法数据分析
SPC统计方法主要包括两个步骤:
(1)计算监测点平均值和标准差
假定压力时间序列的采样间隔为f min/次,则n 天的压力数据可表示为(),其中i=1:m (m 表示测点一天的压力数据个数)和j =1:n ,则一天的平均值()可由下式计算得到:
标准差 ()可通过下式计算得到:
(2)设置异常事件侦测规则
根据以下规则,进行异常事件侦测。只要符合任意一条规则,则认为异常事件发生:
a. 任一时间点测点观测值低于-4;
b. 连续2个时间点测点观测值低于-3;
c. 连续4个时间点测点观测值低于-2;
d. 连续8个时间点测点观测值低于-;
2、计算模糊因子权值
模糊综合方法中主要考虑测点灵敏度和用水规律(早、晚用水高峰)两个模糊因子。根据结构层次,这里需要计算两层模糊因子权值,第一层为测点灵敏度和用水规律之间的权值计算;第二层为测点灵敏度和用水规律内部的权值计算。
(1)测点灵敏度和用水规律的权值计算
测点灵敏度和用水规律的权值采用层次分析法求得。层次分析(AHP)法主要包括两个步骤:
①造判断矩阵
对各指标之间进行两两对比,然后按9分位比率排定各评价指标的相对优劣顺序,依次构造出评价指标的判断矩阵A。
其中, A 为判别矩阵,要素i 与要素j 重要性比较结果,并且有如下关系:
有9种取值,分别为1/9, 1/7, 1/5, 1/3, 1/1, 3/1, 5/1, 7/1, 9/1,分别表示i要素对于j 要素的重要程度由轻到重。
②计算权重向量
判断矩阵的权重计算方法采用规范列平均法。
将矩阵A 每一列归一化处理得到矩阵B ,再求出矩阵B 每一行元素的平均值,得到一个一列n 行的矩阵C ,矩阵C 即为所求权重矩阵。
(2)测点灵敏度内部权值计算
测点灵敏度采用有限差分法计算,灵敏度系数可表示为:
其中,k 表示测点标号,表示测点自身水压的变化值,表示其余测点的水压变化值,则测点灵敏度系数矩阵可以表示为:
通过目标函数F得到测点灵敏度,目标函数如下:
其中,为权重系数,值在(0 ,1)区间,满足。M 为测点的数量,N 为可能的爆管点,为测点i 和j 的二维地理坐标。然后将所得测点灵敏度数据做归一化处理。
(3)用水规律内部权值计算
用水规律依据DMA区内用水高峰期的时间段长度,将一天时间以用水高峰期的时间长度length 为单位划分为24/length 部分,根据一天内不同时段的用水量采用AHP法进行数据处理,作为时间段的权值。
3、综合侦测分析
利用以下公式整合SPC方法和模糊综合方法:
其中,event为SPC方法的异常事件结果,若侦测到异常事件,event 值为1;反之,值为0。为时间的权值,为一天中各时间段的权值,i =1:24/length;为测点灵敏度的权值,为各测点的权值,j =1:N (N 表示测点的最大标号)。计算出综合结果后,设置阈值,对数据做进一步筛选,满足阈值则肯定异常事件的发生。最后通过计算测点的相关性并进行分组,若同一异常事件被相关性小组内的所有测点都侦测到,则肯定异常事件;反之,则否定异常事件。
本发明通过计算测点突变信号的信噪比,筛选可靠信号测点,从而提高异常侦测数据的可靠性。再者居民的生活用水习惯是规律的,在此基础上本发明采用统计过程控制(SPC)和模糊综合的方法进行异常事件侦测,能有效增强抗干扰能力,降低误报率和漏报率。
附图说明
图1: DMA区14个测点分布图。
具体实施方式
本实例中考虑某DMA区,有14个压力监测点,其地理位置如图1,压力数据时间为X年3月20日至4月3日,以3月20日至4月2日的数据作为基本数据对4月3日进行侦测。这里仅用压力值进行实例说明,但本发明方法同样适用于流量值。
(一)小波降噪获取稳态信号和噪声信号
现对DMA区14个监测点在4月3日的SCADA系统中采集的实测压力信号做小波降噪处理,得到降噪后的压力信号,将监测点降噪后的压力信号与原始信号做插值计算得到对应的噪声序列。14个测点4月3日噪声序列有效值如表1所示。
表1 14个测点4月3日噪声序列有效值 单位:Mpa
测点 | NO.1 | NO.2 | NO.3 | NO.4 | NO.5 | NO.6 | NO.7 |
有效值 | 0.0017 | 0.0014 | 0.0023 | 0.0018 | 0.0017 | 0.0020 | 0.0014 |
测点 | NO.8 | NO.9 | NO.10 | NO.11 | NO.12 | NO.13 | NO.14 |
有效值 | 0.0025 | 0.0022 | 0.0020 | 0.0025 | 0.0028 | 0.0022 | 0.0021 |
(二)EPANET模拟获得理想信号,再与稳态信号差值计算获取突变信号
使用EPANET对DMA区4月3日运行状态进行离线模拟仿真,输入数据为DMA区入水口流量,输出测点的压力数据,数据采集间隔为15min/次,再与小波降噪后的压力信号做差值计算,得到突变信号。14个测点4月3日的突变序列有效值如表2所示。
表2 14个测点4月3日的突变序列有效值 单位:Mpa
测点 | NO.1 | NO.2 | NO.3 | NO.4 | NO.5 | NO.6 | NO.7 |
有效值 | 0.0094 | 0.0125 | 0.0184 | 0.0109 | 0.0144 | 0.0088 | 0.0186 |
测点 | NO.8 | NO.9 | NO.10 | NO.11 | NO.12 | NO.13 | NO.14 |
有效值 | 0.0172 | 0.0127 | 0.0090 | 0.0085 | 0.0089 | 0.0165 | 0.0138 |
(三)计算信噪比筛选有用测点
利用信噪比公式计算14个测点4月3日的突变信号的信噪比。EPANET软件模拟仿真DMA区输出压力,数据采集间隔为15min/次,则一天中每个测点有96个数据,将会产生96个信噪比值。选择60dB为有效数据阈值,则14个测点在4月3日突变信号信噪比低于60dB的个数如表3所示。
表3 14个测点4月3日的突变信号信噪比低于60dB个数
测点 | NO.1 | NO.2 | NO.3 | NO.4 | NO.5 | NO.6 | NO.7 |
个数 | 9 | 19 | 44 | 11 | 28 | 9 | 56 |
测点 | NO.8 | NO.9 | NO.10 | NO.11 | NO.12 | NO.13 | NO.14 |
个数 | 44 | 23 | 7 | 9 | 8 | 37 | 24 |
选择60dB为有效数据阈值,若测点突变信号信噪比低于60dB的个数低于总信噪比值个数的三分之一(本例为32),则认为测点受噪声污染小,肯定测点检测结果,保留测点;若高于三分之一,则认为测点受噪声污染严重,否定测点检测结果,删除测点。筛选后的有用测点如表4所示。
表4 筛选后的有用测点
有用测点 | NO.1 | NO.2 | NO.4 | NO.5 | NO.6 | NO.9 | NO.10 | NO.11 | NO.12 | NO.14 |
(四) 结合SPC统计方法和模糊判定方法的异常事件侦测
1、SPC统计方法数据分析
(1)计算测点平均值和标准差
计算10个测点在9天中每个采样点的平均值和标准差。采样间隔为5min/次,则9天的压力数据可表示为(),其中i =1:288和j =1:9,则一天的平均值()可由下式计算得到,其中n =9:
标准差 ()可通过下式计算得到:
(2)异常事件侦测
根据以下规则,进行异常事件侦测。只要符合任意一条规则,则认为异常事件发生:
a. 任一时间点测点观测值低于-4;
b. 连续2个时间点测点观测值低于-3;
c. 连续4个时间点测点观测值低于-2;
d. 连续8个时间点测点观测值低于-;
对DMA区10个测点实验结果进行整理和归纳,10个测点在4月3日异常事件统计结果如表5所示。
表5 基于SPC统计分析的10个测点异常事件侦测统计表
测点序号 | NO.1 | NO.2 | NO.4 | NO.5 | NO.6 | NO.9 | NO.10 | NO.11 | NO.12 | NO.14 |
异常数 | 13 | 23 | 12 | 22 | 22 | 15 | 22 | 21 | 9 | 20 |
测得实际爆管序号 | 1,2,4 | 1,2,3,5 | 1,2,3,4,5 | 1,2,4,5 | 1,2,3,4,5 | 1,4,5 | 1,3,4 | 1,2,3,4,5 | 1 | 1,2,3,4,5 |
误报率% | 76.9 | 82.9 | 58.3 | 81.8 | 77.3 | 80 | 86.4 | 76.2 | 88.9 | 75 |
漏报率% | 40 | 20 | 0 | 20 | 0 | 20 | 40 | 0 | 80 | 20 |
考虑到用水规律这个模糊因子,所以将各测点在4月3日当天发生异常事件的时间段做了统计,以NO.6测点为例,表6反映了该测点在4月3日使用SPC统计分析方法所产生的异常事件开始和结束时间。
表6 NO.6测点4月3日异常事件统计表
序号 | 异常时间段 | 序号 | 异常时间段 | 序号 | 异常时间段 | ||
1 | 1:05~1:25 | 9 | 10:15~10:30 | 17 | 17:00~17:10 | ||
2 | 2:20~2:25 | 10 | 10:35~10:50 | 18 | 19:50~20:10 | ||
3 | 2:55~3:00 | 11 | 11:00~11:10 | 19 | 20:20~20:30 | ||
4 | 3:55~4:05 | 12 | 12:25~12:45 | 20 | 21:20~21:30 | ||
5 | 6:10~6:25 | 13 | 13:00~13:35 | 21 | 21:35~21:40 | ||
6 | 6:35~6:45 | 14 | 13:55~14:10 | 22 | 22:20~22:30 | ||
7 | 9:20~9:30 | 15 | 14:15~14:30 | ||||
8 | 9:40~9:50 | 16 | 16:20~16:40 |
2、计算模糊因子权值
(1)测点灵敏度和用水规律权值计算
采用AHP方法对测点灵敏度和用水规律进行权值计算。
①构造判断矩阵
对用水规律和测点灵敏度这两个模糊因子构造判断矩阵A 为:
②计算权重向量
采用规范列平均法对判断矩阵A进行权值计算,则C 矩阵为:
则用水规律的权值为0.833,测点灵敏度的权值为0.167。
(2)测点灵敏度内部权值计算
利用有限差分法计算10个测点的灵敏度,构造的灵敏度系数矩阵为:
通过目标函数:
得到10个测点灵敏度,对10个测点的灵敏度做归一化处理得到各测点所占权值如表8所示。
表8 10个测点的测点灵敏度权值
测点 | NO.1 | NO.2 | NO.4 | NO.5 | NO.6 |
权值 | 0.1038 | 0.0540 | 0.1133 | 0.0925 | 0.1212 |
测点 | NO.9 | NO.10 | NO.11 | NO.12 | NO.14 |
权值 | 0.1285 | 0.1262 | 0.0752 | 0.1054 | 0.0798 |
(3)用水规律内部权值计算
根据该DMA区在3月20日至4月2日的历史用水量得出用水规律,其中用水高峰期为6:00-9:00,19:00-22:00,所以设置时间段单位为连续的3小时,将一天时间划分为8段,根据各时间段的用水量不同利用AHP法计算各时间段的权值,则各时间段的权值如表9所示:
表9 8个时间段的权值
时间段 | NO.1 | NO.2 | NO.3 | NO.4 | NO.5 | NO.6 | NO.7 | NO.8 |
权值 | 0.1838 | 0.1613 | 0.0535 | 0.1201 | 0.1149 | 0.1319 | 0.0586 | 0.1759 |
3、综合侦测分析
利用公式将SPC统计分析方法得到的数据与模糊因子结合分析:
其中,i =1:8,N =14。否定低于阈值的异常事件,则经过SPC统计分析方法和模糊因子综合分析得到的结果如表10所示
表10 综合分析后10个测点异常事件侦测统计表
测点序号 | NO.1 | NO.2 | NO.4 | NO.5 | NO.6 | NO.9 | NO.10 | NO.11 | NO.12 | NO.14 |
异常数 | 10 | 21 | 10 | 19 | 20 | 12 | 19 | 18 | 7 | 17 |
测得实际爆管序号 | 1,2,4 | 1,2,3,5 | 1,2,3,4,5 | 1,2,4,5 | 1,2,3,4,5 | 1,4,5 | 1,3,4 | 1,2,3,4,5 | 1 | 1,2,3,4,5 |
误报率% | 70 | 81 | 50 | 78.9 | 75 | 75 | 84.2 | 72.2 | 85.7 | 70.6 |
漏报率% | 40 | 20 | 0 | 20 | 0 | 20 | 40 | 0 | 80 | 20 |
通过相关性计算公式对测点进行相关性分组,公式如下:
其中,x ,y 为两个测点的两组时间序列;Ex ,Ey 为时间序列的期望值;Dx ,Dy 为时间序列的方差;corr(x,y) 为两组时间序列的相关系数。得到监测点分组如表11所示。
表11 测点相关性分组
组号 | 测点编号 |
第一组 | NO.1、NO.6、NO.12 |
第二组 | NO.4、NO.10、NO.11、NO.14 |
第三组 | NO.2、NO.5、NO.9 |
通过相关性分组的结果对综合分析后的数据进行整理分析,若某一异常事件被同一组中所有测点都侦测到,则肯定异常事件的发生;反之,否定异常事件的发生。对表10中的数据分析结果如表12所示。
表12 相关性分组对异常事件的分析结果
序号 | 异常时间段 | 序号 | 异常时间段 | |
1 | 6:10~6:20 | 9 | 11:05~11:15 | |
2 | 9:20~9:30 | 10 | 13:00~13:20 | |
3 | 9:35~9:50 | 11 | 14:00~14:05 | |
4 | 10:15~10:30 | 12 | 16:20~16:30 | |
5 | 10:35~10:50 | 13 | 16:55~17:05 | |
6 | 12:20~12:40 | 14 | 22:20~22:30 |
由表12得知,通过本发明的城市供水管网异常侦测的方法,该DMA区在4月3日一共测得异常事件数为12次,包含5次实际模拟爆管事件,所以该DMA区异常侦测的误报率为58.3%,漏报率为0。
Claims (1)
1.一种供水管网异常侦测方法,其特征在于该方法包括以下步骤:
步骤(1)对实测原始信号采用小波降噪,获取稳态信号和噪声信号;
步骤(2)利用EPANET软件模拟获得理想信号,再与稳态信号差值计算获取突变信号;
步骤(3)计算突变信号的信噪比,筛选有用测点;
当测得异常时间段的信噪比大于等于60dB时,则认为突变信号显著,肯定此次异常事件侦测结果;而当该信噪比小于60dB时,则认为数据受噪声污染严重,不能正常用于异常事件侦测;
步骤(4)结合SPC统计和模糊判定确定异常事件,具体是:
4-1、SPC统计数据分析
(1)计算监测点平均值和标准差
假定压力时间序列的采样间隔为f min/次,则n 天的压力数据表示为(),其中i =1:m 和j =1:n ,m 表示测点一天的压力数据个数,则一天的平均值()由下式计算得到:
标准差 ()通过下式计算得到:
(2)设置异常事件侦测规则
根据以下规则,进行异常事件侦测;只要符合任意一条规则,则认为异常事件发生:
规则a. 任一时间点测点观测值低于-4;
规则b. 连续2个时间点测点观测值低于-3;
规则c. 连续4个时间点测点观测值低于-2;
规则d. 连续8个时间点测点观测值低于-;
4-2、计算模糊因子权值
(1)测点灵敏度和用水规律的权值计算
测点灵敏度和用水规律的权值采用层次分析法求得;层次分析法主要包括两个步骤:
①构造判断矩阵
对各指标之间进行两两对比,然后按9分位比率排定各评价指标的相对优劣顺序,依次构造出评价指标的判断矩阵A;
其中, A为判别矩阵,要素i与要素j重要性比较结果,并且有如下关系:
有9种取值,分别为1/9, 1/7, 1/5, 1/3, 1/1, 3/1, 5/1, 7/1, 9/1,分别表示i要素对于j要素的重要程度由轻到重;
②计算权重向量
判断矩阵的权重计算方法采用规范列平均法;
将矩阵A 每一列归一化处理得到矩阵B ,再求出矩阵B 每一行元素的平均值,得到一个一列n 行的矩阵C ,矩阵C 即为所求权重矩阵;
(2)测点灵敏度内部权值计算
测点灵敏度采用有限差分法计算,灵敏度系数表示为:
其中,k 表示测点标号,表示测点自身水压的变化值,表示其余测点的水压变化值,则测点灵敏度系数矩阵表示为:
通过目标函数F得到测点灵敏度,目标函数如下:
其中,为权重系数,值在(0 ,1)区间,满足;M 为测点的数量,N为可能的爆管点,为测点i 和j 的二维地理坐标;然后将所得测点灵敏度数据做归一化处理;
(3)用水规律内部权值计算
用水规律依据DMA区内用水高峰期的时间段长度,将一天时间以用水高峰期的时间长度length 为单位划分为24/length 部分,根据一天内不同时段的用水量采用层次分析法进行数据处理,作为时间段的权值;
4-3、综合侦测分析
利用以下公式整合SPC统计和模糊判定:
其中,event为SPC统计的异常事件结果,若侦测到异常事件,event值为1;反之,值为0;为时间的权值, 为一天中各时间段的权值,i =1:24/length;为测点灵敏度的权值,为各测点的权值,j =1:N ;计算出综合结果后,设置阈值,对数据做进一步筛选,满足阈值则肯定异常事件的发生;最后通过计算测点的相关性并进行分组,若同一异常事件被相关性小组内的所有测点都侦测到,则肯定异常事件;反之,则否定异常事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610385376.8A CN106090626B (zh) | 2016-06-03 | 2016-06-03 | 一种供水管网异常侦测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610385376.8A CN106090626B (zh) | 2016-06-03 | 2016-06-03 | 一种供水管网异常侦测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106090626A true CN106090626A (zh) | 2016-11-09 |
CN106090626B CN106090626B (zh) | 2018-03-30 |
Family
ID=57447133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610385376.8A Active CN106090626B (zh) | 2016-06-03 | 2016-06-03 | 一种供水管网异常侦测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106090626B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862446A (zh) * | 2017-10-30 | 2018-03-30 | 郑州力通水务有限公司 | 基于物联网的供水管网综合管理分析系统 |
CN108758357A (zh) * | 2018-06-01 | 2018-11-06 | 浙江大学 | 一种基于供水管网压力变化值分析的爆管定位方法 |
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 |
CN110569248A (zh) * | 2019-07-31 | 2019-12-13 | 杭州电子科技大学 | 一种改进spc的小区供水漏损监测预警方法 |
CN111609324A (zh) * | 2020-05-29 | 2020-09-01 | 北京化工大学 | 一种管道泄漏检测方法及装置 |
CN112326113A (zh) * | 2020-10-14 | 2021-02-05 | 中山大学 | 一种测力天平标定系统和方法 |
CN114323412A (zh) * | 2021-12-29 | 2022-04-12 | 杭州电子科技大学 | 一种供水管网压力扰动事件检测方法 |
CN114323412B (zh) * | 2021-12-29 | 2024-04-30 | 杭州电子科技大学 | 一种供水管网压力扰动事件检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1114492A (ja) * | 1997-06-23 | 1999-01-22 | Mitsui Eng & Shipbuild Co Ltd | 上水道網の漏水検査方法 |
JPH11201859A (ja) * | 1998-01-13 | 1999-07-30 | Mitsui Eng & Shipbuild Co Ltd | 周波数帯域分割による配管漏洩検知方法 |
CN103530818A (zh) * | 2013-10-12 | 2014-01-22 | 杭州电子科技大学 | 一种基于brb系统的供水管网建模方法 |
CN104123348A (zh) * | 2014-07-08 | 2014-10-29 | 杭州电子科技大学 | 一种基于arx的供水管网在线建模方法 |
CN105260948A (zh) * | 2015-10-17 | 2016-01-20 | 杭州电子科技大学 | 一种城市供水系统日计划调度决策方法 |
CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
-
2016
- 2016-06-03 CN CN201610385376.8A patent/CN106090626B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1114492A (ja) * | 1997-06-23 | 1999-01-22 | Mitsui Eng & Shipbuild Co Ltd | 上水道網の漏水検査方法 |
JPH11201859A (ja) * | 1998-01-13 | 1999-07-30 | Mitsui Eng & Shipbuild Co Ltd | 周波数帯域分割による配管漏洩検知方法 |
CN103530818A (zh) * | 2013-10-12 | 2014-01-22 | 杭州电子科技大学 | 一种基于brb系统的供水管网建模方法 |
CN104123348A (zh) * | 2014-07-08 | 2014-10-29 | 杭州电子科技大学 | 一种基于arx的供水管网在线建模方法 |
CN105260948A (zh) * | 2015-10-17 | 2016-01-20 | 杭州电子科技大学 | 一种城市供水系统日计划调度决策方法 |
CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
Non-Patent Citations (2)
Title |
---|
张宁等: "基于模糊概率的供水系统风险管理研究", 《杭州电子科技大学学报(社会科学版)》 * |
郭旭宁等: "基于调度规则的水库群供水能力与风险分析", 《水利学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862446A (zh) * | 2017-10-30 | 2018-03-30 | 郑州力通水务有限公司 | 基于物联网的供水管网综合管理分析系统 |
CN108758357A (zh) * | 2018-06-01 | 2018-11-06 | 浙江大学 | 一种基于供水管网压力变化值分析的爆管定位方法 |
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 |
CN110569248A (zh) * | 2019-07-31 | 2019-12-13 | 杭州电子科技大学 | 一种改进spc的小区供水漏损监测预警方法 |
CN110569248B (zh) * | 2019-07-31 | 2021-08-03 | 杭州电子科技大学 | 一种改进spc的小区供水漏损监测预警方法 |
CN111609324A (zh) * | 2020-05-29 | 2020-09-01 | 北京化工大学 | 一种管道泄漏检测方法及装置 |
CN112326113A (zh) * | 2020-10-14 | 2021-02-05 | 中山大学 | 一种测力天平标定系统和方法 |
CN114323412A (zh) * | 2021-12-29 | 2022-04-12 | 杭州电子科技大学 | 一种供水管网压力扰动事件检测方法 |
CN114323412B (zh) * | 2021-12-29 | 2024-04-30 | 杭州电子科技大学 | 一种供水管网压力扰动事件检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106090626B (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106090626A (zh) | 一种供水管网异常侦测方法 | |
Xue et al. | Fault detection and operation optimization in district heating substations based on data mining techniques | |
CN112182984B (zh) | 一种基于供水物联网数据驱动的污水管网实时模拟方法 | |
Sarrate et al. | Sensor placement for leak detection and location in water distribution networks | |
Mounce et al. | A neural network approach to burst detection | |
CN103062076B (zh) | 一种城市水厂泵站单台水泵性能曲线率定方法 | |
KR101096793B1 (ko) | 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 | |
CN109359698A (zh) | 基于长短时记忆神经网络模型的漏损识别方法 | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
CN112101811A (zh) | 一种供水管网爆管风险预测方法及系统 | |
CN103810532B (zh) | 优化城市排水系统运行状况的方法 | |
CN110516883B (zh) | 一种基于空间计量模型的供水管网区域漏失预测方法 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN111260159B (zh) | 一种气象水文耦合洪水测报法 | |
Yang et al. | Drought projection based on a hybrid drought index using Artificial Neural Networks | |
JP2009192328A (ja) | 配水情報解析装置及び方法 | |
CN114580260A (zh) | 一种基于机器学习和概率理论的滑坡区间预测方法 | |
JP5574769B2 (ja) | 不明水監視装置及び不明水監視方法 | |
CN113626959A (zh) | 一种基于三维地理信息的污水管网水力模型建立方法 | |
CN106599201B (zh) | 一种燃气输配设备的全生命周期管理方法 | |
JP7451854B2 (ja) | 産業環境におけるエネルギー消費量を診断する方法、システム、及びコンピュータプログラム製品 | |
Dong | Genetic algorithm based parameter estimation of Nash model | |
CN109992868B (zh) | 一种基于异参离散广义Nash汇流模型的河道洪水预报方法 | |
Neumann et al. | Errors in yield and overflow estimation in rainwater tank cluster modeling | |
CN101923605B (zh) | 铁路防灾风预警方法 |
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: 20161109 Assignee: CHITIC CONTROL ENGINEERING Co.,Ltd. Assignor: HANGZHOU DIANZI University Contract record no.: X2021330000072 Denomination of invention: An anomaly detection method for water supply network Granted publication date: 20180330 License type: Common License Record date: 20210817 |
|
EE01 | Entry into force of recordation of patent licensing contract |