CN109578816A - 给水管网爆管检测方法及装置、控制方法及装置 - Google Patents
给水管网爆管检测方法及装置、控制方法及装置 Download PDFInfo
- Publication number
- CN109578816A CN109578816A CN201811531318.7A CN201811531318A CN109578816A CN 109578816 A CN109578816 A CN 109578816A CN 201811531318 A CN201811531318 A CN 201811531318A CN 109578816 A CN109578816 A CN 109578816A
- Authority
- CN
- China
- Prior art keywords
- booster
- section
- pipeline section
- leakage loss
- loss water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 485
- 238000001514 detection method Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012544 monitoring process Methods 0.000 claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 76
- 238000011217 control strategy Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 10
- 239000010931 gold Substances 0.000 claims description 10
- 229910052737 gold Inorganic materials 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000006378 damage Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 238000013481 data capture Methods 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- FFRBMBIXVSCUFS-UHFFFAOYSA-N 2,4-dinitro-1-naphthol Chemical compound C1=CC=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FFRBMBIXVSCUFS-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
- 239000010930 yellow gold Substances 0.000 description 1
- 229910001097 yellow gold Inorganic materials 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
- G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
- G01M3/2807—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes
- G01M3/2815—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes using pressure measurements
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种给水管网爆管检测方法及装置、控制方法及装置,给水管网爆管检测方法包括获取目标管段的工况信息,利用训练好的爆管检测模型对目标管段的工况信息进行处理,确定目标管段中的爆管管段以及爆管管段所在的事故区;爆管检测模型为基于神经网络的模型,采用黄金分割确定爆管管段所在事故区的漏损水量,根据爆管管段所在事故区的漏损水量区间、爆管管段爆管前的管段流量,以及与爆管管段相邻的两个监测站的爆管前压力差、爆管后压力差,确定爆管管段的爆管位置。本发明利用基于神经网络的爆管检测模型确定爆管管段及其事故区,利用黄金分割确定爆管管段所在事故区的漏损水量,以此确定爆管位置,可以提高爆管检测的效率和准确率。
Description
技术领域
本发明涉及给水管网漏损控制技术领域,尤其涉及给水管网爆管检测方法及装置、控制方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
给水管网爆管和漏损对城市给水造成极大的浪费,对城市基础设施存在相当程度的危害。城市给水企业迫切需要加强给水管网的爆管和漏损监控,以减少损失。因此,对城市给水节点爆管事件的准确及时的检测和控制尤为重要。
近年来,智慧水务逐步兴起,然而对管网大量的工况信息数据并没有得到充分的利用和分析。目前的给水管网漏损检测方法,在给水管网发生报警信息后,需要进行人工分析,导致爆管检测耗时长;另外,不能准确、及时的检测出突发的爆管事件,准确率较低。
因此,现有的给水管网爆管检测方法存在检测效率低、准确率低的问题。
发明内容
本发明实施例提供一种给水管网爆管检测方法,用以提高给水管网爆管检测的效率和准确率,该方法包括:
获取目标管段的工况信息;
利用训练好的爆管检测模型对目标管段的工况信息进行处理,确定目标管段中的爆管管段以及爆管管段所在的事故区;其中,爆管检测模型为基于神经网络的模型;
采用黄金分割确定爆管管段所在事故区的漏损水量;
根据爆管管段所在事故区的漏损水量、爆管管段爆管前的管段流量,以及与爆管管段相邻的两个监测站的爆管前压力差、爆管后压力差,确定爆管管段的爆管位置。
本发明实施例还提供一种给水管网爆管检测装置,用以提高给水管网爆管检测的效率和准确率,该装置包括:
获取模块,用于获取目标管段的工况信息;
爆管管段确定模块,用于利用训练好的爆管检测模型对目标管段的工况信息进行处理,确定目标管段中的爆管管段以及爆管管段所在的事故区;其中,爆管检测模型为基于神经网络的模型;
漏损水量确定模块,用于采用黄金分割确定爆管管段所在事故区的漏损水量;
爆管位置确定模块,用于根据爆管管段所在事故区的漏损水量、爆管管段爆管前的管段流量,以及与爆管管段相邻的两个监测站的爆管前压力差、爆管后压力差,确定爆管管段的爆管位置。
本发明实施例还提供一种基于上述给水管网爆管检测方法的给水管网爆管控制方法,用以提高给水管网爆管检测的效率和准确率,该方法包括:
根据爆管管段端点的类型,确定与爆管管段端点的类型对应的控制策略;
根据爆管管段端点的类型对应的控制策略对爆管管段所在事故区的控制开关进行控制,确定构成最小封闭区域的控制开关集合。
本发明实施例还提供一种基于上述给水管网爆管检测装置的给水管网爆管控制装置,用以提高给水管网爆管检测的效率和准确率,该装置包括:
控制策略确定模块,用于根据爆管管段端点的类型,确定与爆管管段端点的类型对应的控制策略;
控制开关集合确定模块,用于根据爆管管段端点的类型对应的控制策略对爆管管段所在事故区的控制开关进行控制,确定构成最小封闭区域的控制开关集合。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在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实现上述给水管网爆管检测方法,或上述给水管网爆管控制方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述给水管网爆管检测方法,或上述给水管网爆管控制方法的计算机程序。
本发明实施例中,获取目标管段的工况信息,利用训练好的爆管检测模型对目标管段的工况信息进行处理,确定目标管段中的爆管管段以及爆管管段所在的事故区;其中,爆管检测模型为基于神经网络的模型,采用黄金分割确定爆管管段所在事故区的漏损水量,根据爆管管段所在事故区的漏损水量区间、爆管管段爆管前的管段流量,以及与爆管管段相邻的两个监测站的爆管前压力差、爆管后压力差,确定爆管管段的爆管位置。本发明实施例,利用训练好的基于神经网络的爆管检测模型确定目标管段中的爆管管段以及爆管管段所在的事故区,然后利用黄金分割确定爆管管段所在事故区的漏损水量,并以上述确定的漏损水量为基础确定爆管管段的爆管位置,不仅可以提高给水管网爆管检测的效率,还可以提高给水管网爆管检测的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例提供的给水管网爆管检测方法的实现流程图;
图2为本发明实施例提供的给水管网爆管检测方法中训练爆管检测模型的实现流程图;
图3为本发明实施例提供的给水管网爆管检测方法中步骤103的实现流程图;
图3a为本发明实施例提供的确定漏损水量区间的一示意图;
图4为本发明实施例提供的给水管网爆管检测方法中步骤302的实现流程图;
图5为本发明实施例提供的给水管网爆管检测方法的另一实现流程图;
图6为本发明实施例提供的给水管网爆管检测装置的功能模块图;
图7为本发明实施例提供的给水管网爆管检测装置中训练爆管检测模型的结构框图;
图8为本发明实施例提供的给水管网爆管检测装置中漏损水量确定模块603的结构框图;
图9为本发明实施例提供的给水管网爆管检测装置中新的漏损水量区间确定单元802的结构框图;
图10为本发明实施例提供的给水管网爆管检测装置的另一功能模块图;
图11为本发明实施例提供的给水管网爆管控制方法的实现流程图;
图12为本发明实施例提供的给水管网爆管控制方法中步骤1101的实现流程图;
图13为本发明实施例提供的给水管网爆管控制装置的功能模块图;
图14为本发明实施例提供的给水管网爆管控制装置中控制策略确定模块1301的实结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
虽然本发明提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本发明实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行。
针对现有技术中给水管网爆管检测方法存在的检测效率低、准确率低的缺陷,本发明的申请人提出了一种给水管网爆管检测方法,其利用训练好的基于神经网络的爆管检测模型确定目标管段中的爆管管段以及爆管管段所在的事故区,然后利用黄金分割确定爆管管段所在事故区的漏损水量,并以上述确定的漏损水量为基础确定爆管管段的爆管位置,达到了提高给水管网爆管检测的效率和准确率的目的。
图1示出了本发明实施例提供的给水管网爆管检测方法的实现流程,为便于描述,仅示出了与本发明实施例相关的部分,详述如下:
如图1所示,给水管网爆管检测方法,其包括:
步骤101,获取目标管段的工况信息;
步骤102,利用训练好的爆管检测模型对目标管段的工况信息进行处理,确定目标管段中的爆管管段以及爆管管段所在的事故区;其中,爆管检测模型为基于神经网络的模型;
步骤103,采用黄金分割确定爆管管段所在事故区的漏损水量;
步骤104,根据爆管管段所在事故区的漏损水量、爆管管段爆管前的管段流量,以及与爆管管段相邻的两个监测站的爆管前压力差、爆管后压力差,确定爆管管段的爆管位置。
在本发明的一实施例中,目标管段的工况信息包括以下一种或多种:目标管段流量、目标管段压力及目标管段流向。
对于给水管网来说,设置于各个管网管段的监测站可以同时测量目标管段的流量、压力及流向等信息。其中,目标管段压力可以直接通过压力表获得,目标管段流量可以通过压差计算得到。
在本发明的一实施例中,目标管段流量包括:目标管段质量流量,或目标管段体积流量。
具体的,可以通过如下公式确定目标管段质量流量:
且
其中,qm表示目标管段质量流量,单位为千克每秒,C表示流出系数,d表示工作条件下节流件的孔径,单位为米,D表示工作条件下上游管道的内径,单位为米,β表示工作条件下节流件的孔径与上游管道的内径的比值,ε表示可膨胀系数,Δp表示压差,单位为帕斯卡,ρ1表示上游流体密度,单位为千克每立方米。
在确定目标管段质量流量后,可以通过如下公式确定目标管段体积流量:
其中,qv表示目标管段体积流量,qm表示目标管段质量流量,ρ表示目标管段中的流体密度。
由目标管段质量流量qm的公式可以看到,某一管段的流量与管段两点之间的压差的平方根成正比。因此,可以将管段的流量与管段的压差的关系表达为:
其中,k表示目标管段流量与目标管段的压力差的比例系数。
因此,对于给水管网来说,可以将目标管段的压差值与已知的目标管段流量相对应,得到目标管段流量与目标管段的压力差的比例系数k。对于某一瞬时时刻的目标管段流量,只需测量目标管段在该瞬时时刻的压力差,运用插值法得到目标管段在某一瞬时时刻的目标管段流量。
对于目标管段中流体的流向,可以通过测量上下游两个监测站的压力值的大小即可确定。本发明实施例中,规定每一个监测站处由右向左流动为正向,由左向右流动为反向。
在本发明的一实施例中,爆管检测模型为基于神经网络的模型,神经网络包括LSTM神经网络、RNN神经网络、CNN神经网络以及DNN神经网络等。
在利用爆管检测模型确定目标管段中的爆管管段以及爆管管段所在的事故区之前,需要利用样本数据对爆管检测模型进行训练,直至爆管检测模型对于爆管管段,以及爆管检测模型所在的事故区识别的准确率符合一定的要求。训练后的爆管检测模型基本可以准确识别爆管管段,以及准确识别爆管管段所在的事故区。
事故区是指按照给水管网区域内管段供水水压的分布对整个给水管网区域划分为多个区域,该划分的区域即为事故区。当某一事故区内的管段发生爆管时,该爆管管段所在的区域即为该爆管管段所在的事故区。
黄金分割是指将原始线段分为两部分,使得其中一部分与原始线段的比值,等于另一部分与该部分的比值。在本发明实施例中,是指将黄金分割的方法用于确定爆管管段所在事故区的漏损水量。
在利用黄金分割确定爆管管段所在事故区的漏损水量后,根据确定的爆管管段所在事故区的漏损水量、爆管管段爆管前的管段流量,以及与爆管管段相邻的两个监测站的爆管前压力差、爆管后压力差,确定爆管管段的爆管位置。具体的,在确定爆管管段的爆管位置时,可以通过如下公式确定:
且H=KLQ2;
其中,M表示爆管管段的爆管事故点距离给水泵的距离,ΔP2表示与爆管管段相邻的两个监测站的爆管后压力差、ΔP1表示与爆管管段相邻的两个监测站的爆管前压力差,Q表示爆管管段爆管前的管段流量,ΔQ表示爆管管段所在事故区的漏损水量,K表示管段的阻力系数,H表示爆管管段沿程经过的水头损失,L表示爆管管段的长度。其中,通根据公式H=KLQ2计算获得管段的阻力系数K。
本发明实施例,利用训练好的基于神经网络的爆管检测模型确定目标管段中的爆管管段以及爆管管段所在的事故区,然后利用黄金分割确定爆管管段所在事故区的漏损水量,并以上述确定的漏损水量为基础确定爆管管段的爆管位置,不仅可以提高给水管网爆管检测的效率,还可以提高给水管网爆管检测的准确率。
在本发明的一实施例中,构建基于神经网络的爆管检测模型:
爆管检测模型为包括输入层、隐藏层以及输出层的三层BP神经网络。其中,输入层可以包括多个神经元,分别对应于多个管段的工况信息,输出层包括一个神经元,对应于爆管管段的事故区。通过输出层的输出参数,可以确定管段所在的事故区的管段是否存在爆管事故。
爆管检测模型网络结构的传递函数采用tansig函数,输出层传递函数选用purelin函数,训练函数选用Levenberg_Marquardt的BP算法训练函数trainlm,网络学习函数采用BP学习规则learngd。
隐藏层的神经元个数的设置问题比较复杂,本发明的一实施例中,按照下述方式确定隐藏层神经元的个数:
其中,m表示隐藏层的神经元个数,mi表示输入层的神经元个数,mo表示输出层的神经元个数,n表示一个介于1和10之间的常数。
爆管检测模型的学习因子和训练循环次数等参数可爆以在模型训练的过程中不断调整,例如可以将学习因子设为0.1,训练循环次数设为100次等,在爆管检测模型对于爆管管段识别的准确率达到预期要求时,建立训练后的爆管检测模型。
图2示出了本发明实施例提供的给水管网爆管检测方法中训练爆管检测模型的实现流程,为便于描述,仅示出了与本发明实施例相关的部分,详述如下:
在本发明的一实施例中,如图2所示,训练爆管检测模型的过程包括:
步骤201,获取训练数据与测试数据;其中,训练数据与测试数据包括历史爆管管段的工况信息;
步骤202,利用训练数据训练爆管检测模型,利用测试数据对经过训练的爆管检测模型的准确率进行验证;
步骤203,在准确率不小于预设准确率时训练结束,获得训练后的爆管检测模型;
步骤204,在准确率小于预设准确率时,增加训练数据的数量或者调整训练数据和测试数据的比例重新训练,直至准确率不小于预设准确率。
在本发明的一实施例中,可以从数据库中获取训练数据和测试数据,也可以通过模拟验证的方式得到训练数据和测试数据。其中,训练数据与测试数据包括历史爆管管段的工况信息。在本发明的一实施例中,训练数据与测试数据还包括爆管管段所在的事故区。
为了获得能够准确识别爆管管段的爆管检测模型,利用获取的训练数据对爆管检测模型进行训练;另外,还需要利用测试数据对经过训练的爆管检测模型的准确率进行验证。爆管检测模型的准确率,是指爆管检测模型准确识别爆管管段的比例。
在本发明的一实施例中,所述预设准确率为预先设定的准确率,例如可以将预设准确率预先设定为98%。本领域技术人员可以理解的是,还可以将预设准确率预先设定为其他数值,例如可以将预设准确率预先设定为96%,或者将预设准确率预先设定为99%,本发明对此不做特别的限制。
在训练的过程中若准确率不小于预设准确率,说明爆管检测模型已经能够较为准确的识别爆管管段以及爆管管段所在的事故区,即爆管检测模型符合预期要求,此时可以停止训练,得到训练后的爆管检测模型。
在训练的过程中若准确率小于预设准确率,说明爆管检测模型还不能够较为准确的识别爆管管段以及爆管管段所在的事故区,即爆管检测模型尚不符合预期的要求,此时可以通过增加训练数据的数量或者调整训练数据和测试数据的比例,重新训练爆管检测模型,直至爆管检测模型的准确率不小于预设准确率,得到训练后的爆管检测模型。
在本发明实施例中,获取训练数据与测试数据,利用训练数据训练爆管检测模型,利用测试数据对经过训练的爆管检测模型的准确率进行验证,在准确率不小于预设准确率时训练结束,获得训练后的爆管检测模型,在准确率小于预设准确率时,增加训练数据的数量或者调整训练数据和测试数据的比例重新训练,直至准确率不小于预设准确率,可以提高爆管检测模型识别爆管管段的准确率和效率。
在本发明的一实施例中,训练爆管检测模型的过程还包括:
步骤:对训练数据和测试数据进行预处理,所述预处理至少包括归一化。
相应的,步骤202,利用训练数据训练爆管检测模型,利用测试数据对经过训练的爆管检测模型的准确率进行验证,包括:
步骤:利用归一化后的训练数据训练爆管检测模型,利用归一化后的测试数据对经过训练的爆管检测模型的准确率进行验证。
在本发明实施例中,对训练数据和测试数据进行预处理,可以减少数据波动的影响,进一步提高爆管检测模型识别爆管管段的准确率。
图3示出了本发明实施例提供的给水管网爆管检测方法中步骤103的实现流程,为便于描述,仅示出了与本发明实施例相关的部分,详述如下:
在本发明的一实施例中,如图3所示,步骤103,采用黄金分割确定爆管管段所在事故区的漏损水量,包括:
步骤301,根据爆管管段所在事故区的关联数据确定爆管管段所在事故区的初始漏损水量区间;其中,关联数据包括:水厂供水规模、管网压力以及历史爆管信息;
步骤302,根据初始漏损水量区间,利用黄金分割确定新的漏损水量区间;
步骤303,若新的漏损水量区间满足预设条件,根据新的漏损水量区间确定爆管管段所在事故区的漏损水量;
步骤304,若新的漏损水量区间不满足预设条件,利用黄金分割重新确定漏损水量区间,直至最终确定的漏损水量区间满足预设条件,根据最终确定的漏损水量区间确定爆管管段所在事故区的漏损水量。
在本发明实施例中,首先根据爆管管段所在事故区的关联数据,对爆管管段所在事故区的漏损水量进行初步估计,确定爆管管段所在事故区的初始漏损水量区间。鉴于可以从爆管管段所在事故区的相关历史统计数据资料中获得上述关联数据,并且这些关联数据能够直接或间接的决定爆管管段所在事故区的漏损水量大小,从而能够根据爆管管段所在事故区,在特定的供水规模和管网承受的特定压力的条件下,确定爆管管段所在事故区发生的漏损水量的极大值和极小值,因此能够根据爆管管段所在事故区的关联数据,对爆管管段所在事故区的漏损水量区间进行预估。例如,根据爆管管段所在事故区的水厂供水规模、管网压力,初步估计爆管管段所在事故区的漏损水量区间为0.01升/秒-100升/秒。
在本发明的一实施例中,爆管管段所在事故区的关联数据主要包括:爆管管段所在事故区的水厂供水规模、爆管管段所在事故区的管网压力以及爆管管段所在事故区的历史爆管信息等。
其中,爆管管段所在事故区的管网压力是指爆管管段所在事故区的所有监测站在爆管后的压力值;历史爆管信息是指历史爆管管段的工况信息,具体包括历史爆管管段在爆管前的压力值、在爆管后的压力值,历史爆管管段的流量以及历史爆管管段的流向等。
在确定爆管管段所在事故区的初始漏损水量区间后,利用黄金分割确定初始漏损水量区间的黄金分割点,并根据初始漏损水量区间的两个端点的漏损水量,以及两个黄金分割点的漏损水量,确定新的漏损水量区间。
若确定的新的漏损水量区间满足满足预设条件,说明确定的新的漏损水量区间满足预期的要求,进而根据新的漏损水量区间确定爆管管段所在事故区的漏损水量。
在本发明的一实施例中,根据新的漏损水量区间确定爆管管段所在事故区的漏损水量,包括:将新的漏损水量区间的中间点对应的漏损水量确定为爆管管段所在事故区的漏损水量。例如,假设新的漏损水量区间为[A,B],则爆管管段所在事故区的漏损水量为(A+B)/2。
若新的漏损水量区间不满足预设条件,说明确定的新的漏损水量区间不满足预期的要求,此时利用黄金分割的方法重新确定漏损水量区间,直至最终确定的漏损水量区间满足预设条件,根据最终确定的漏损水量区间确定爆管管段所在事故区的漏损水量。
在本发明实施例中,根据爆管管段所在事故区的关联数据确定爆管管段所在事故区的初始漏损水量区间,根据初始漏损水量区间,利用黄金分割确定新的漏损水量区间,若新的漏损水量区间满足预设条件,根据新的漏损水量区间确定爆管管段所在事故区的漏损水量,若新的漏损水量区间不满足预设条件,利用黄金分割重新确定漏损水量区间,直至最终确定的漏损水量区间满足预设条件,可以进一步提高给水管网爆管检测的准确率。
在本发明的一实施例中,步骤303中,新的漏损水量区间满足预设条件,包括:
新的漏损水量区间的两个端点的漏损水量对应的管网压力的均方差不大于预设均方差;或
新的漏损水量区间的两个端点的漏损水量的差值不大于预设漏损水量差值。
在本发明的一实施例中,确定漏损水量对应的管网压力的均方差的过程和方法,具体可参见下述图4相关实施例的说明,为避免重复,此处不再赘述。
在本发明实施例中,预设均方差为预先设定的均方差,例如可以将预设均方差预先设定为0.01。本领域技术人员可以理解的是,还可以将预设均方差预先设定为其他的数值,例如将预设均方差预先设定为0.1,或者将预设均方差预先设定为0.05,本发明对此不做特别的限制。
在本发明实施例中,预设漏损水量差值为预先设定的漏损水量差值,例如可以将预设漏损水量差值预先设定为1升/秒。本领域技术人员可以理解的是,还可以将预设漏损水量差值预先设定为其他的数值,例如将预设漏损水量差值预先设定为0.1升/秒,或者将预设漏损水量差值预先设定为0.5升/秒,本发明对此不做特别的限制。
在本发明的一实施例中,步骤103,采用黄金分割确定爆管管段所在事故区的漏损水量,在上述图3所示方法步骤的基础上,还包括:
步骤:若漏损水量区间中某一端点的漏损水量对应的均方差不大于漏损水量区间中近黄金分割点的漏损水量对应的均方差,且漏损水量区间中近黄金分割点的漏损水量对应的均方差不大于漏损水量区间中远黄金分割点的漏损水量对应的均方差,将漏损水量区间中远黄金分割点的漏损水量,以及相邻漏损水量区间中远黄金分割点的漏损水量构成的漏损水量区间作为新的漏损水量区间;
其中,漏损水量区间与相邻漏损水量区间以所述某一端点为共同端点;
漏损水量区间中近黄金分割点是指漏损水量区间中与所述某一端点较近的黄金分割点,漏损水量区间中远黄金分割点是指漏损水量区间中与所述某一端点较远的黄金分割点,相邻漏损水量区间中远黄金分割点是指相邻漏损水量区间中与所述某一端点较远的黄金分割点。
图3a示出了本发明实施例提供的确定漏损水量区间的一图示示意,为了便于说明,仅示出了与本发明实施例相关的部分,以下以图3a所示为例进行说明:
如图3a所示,假设某漏损水量区间为[A,B],某漏损水量区间[A,B]的相邻漏损水量区间为[E,A],漏损水量区间为[A,B]与漏损水量区间为[E,A]以端点A为共同端点。
以漏损水量区间为[A,B]区间中的端点A为基准,漏损水量区间[A,B]的近金黄金分割点为点C,远黄金分割点为点D。同样以端点A为基准,相邻漏损水量区间[E,A]中的远黄金分割点为点F,近黄金分割点为点G。
另外,图中S(A)、S(B)、S(C)、S(D)以及S(F)分别为点A、点B、点C、点D以及点F的漏损水量对应的均方差。若点A、点C以及点D的漏损水量对应的均方差S(A)、S(C)以及S(D)满足:S(A)<S(C)<S(D),表示点A、点C以及点D的漏损水量对应的均方差在沿点A至点D方向上单向下降,表明漏损水量区间[A,B]不能准确反映爆管管段所在事故区的漏损水量。此时应当沿与漏损水量对应的均方差单向下降相反的反向上,扩大或者重新确定漏损水量区间。即以端点A为基准,以漏损水量区间[A,B]中远黄金分割点的漏损水量,即点D作为重新确定的漏损水量区间的一个端点,以相邻漏损水量区间[E,A]的远黄金分割点为点F作为重新确定的漏损水量区间的另一个端点,由点F和点D的漏损水量构成新的漏损水量区间[F,D]。此时重新确定的漏损水量区间[F,D]能准确反映爆管管段所在事故区的漏损水量。
在本发明实施例中,漏损水量区间中某一端点的漏损水量对应的均方差不大于漏损水量区间中近黄金分割点的漏损水量对应的均方差,且漏损水量区间中近黄金分割点的漏损水量对应的均方差不大于漏损水量区间中远黄金分割点的漏损水量对应的均方差,将漏损水量区间中远黄金分割点的漏损水量,以及相邻漏损水量区间中远黄金分割点的漏损水量构成的漏损水量区间作为新的漏损水量区间,新的漏损水量区间可以准确反映爆管管段所在事故区的漏损水量,进而进一步提高给水管网爆管检测的准确率。
图4示出了本发明实施例提供的给水管网爆管检测方法中步骤302的实现流程,为便于描述,仅示出了与本发明实施例相关的部分,详述如下:
在本发明的一实施例中,如图4所示,步骤302,根据初始漏损水量区间,利用黄金分割确定新的漏损水量区间,包括:
步骤401,利用黄金分割确定初始漏损水量区间的两个黄金分割点的漏损水量;
步骤402,确定初始漏损水量区间的两个端点及两个黄金分割点的漏损水量对应的管网压力的均方差;
步骤403,将管网压力的均方差最小的两个点的漏损水量构成的区间作为新的漏损水量区间。
在本发明的一实施例中,假设初始漏损水量区间为[X1,X2],且初始漏损水量区间为[X1,X2]的两个黄金分割点的漏损水量为X3和X4,且满足0<X1<X3<X4<X2的关系。
以初始漏损水量区间为[X1,X2]的端点X1为基准,分别确定近黄金分割点X3和远黄金分割点X4的漏损水量:
X3=X1+0.382(X2-X1);
X4=X1+0.618(X2-X1);
在获得初始漏损水量区间的两个端点的漏损水量,以及两个黄金分割点的漏损水量后,即可根据初始漏损水量区间的两个端点及两个黄金分割点的漏损水量,确定漏损水量对应的均方差。
在本发明的一实施例中,可以通过下述公式确定漏损水量对应的均方差:
其中,S表示在当前漏损水量条件下的均方差,n表示爆管管段所在事故区的监测站的个数,Pi表示在当前漏损水量条件下,爆管管段所在事故区的第i个监测站在管段爆管后的理论压力值,Pi'表示在当前漏损水量条件下,爆管管段所在事故区的第i个监测站在管段爆管后的真实压力值,且i=1,2,3…,n-1,n。
假设初始漏损水量区间[X1,X2]为[0.01升/秒,100升/秒],则参见下表:
漏损水量表示 | X<sub>1</sub> | X<sub>3</sub> | X<sub>4</sub> | X<sub>2</sub> |
漏损水量 | 0.01升/秒 | 38.21升/秒 | 61.80升/秒 | 100升/秒 |
均方差 | 0.503 | 0.108 | 0.366 | 0.889 |
分析上表可以得知,漏损水量对应的均方差的排序结果为:X3的均方差小于X4的均方差,X4的均方差小于X1的均方差,X1的均方差小于X2的均方差,则将均方差最小的两个点X3和X4构成的漏损水量区间[X3,X4],作为新的漏损水量区间。
在本发明实施例中,利用黄金分割确定初始漏损水量区间的两个黄金分割点的漏损水量,确定初始漏损水量区间的两个端点及两个黄金分割点的漏损水量对应的管网压力的均方差,将管网压力的均方差最小的两个点的漏损水量构成的区间作为新的漏损水量区间,可以准确反映爆管管段所在事故区的漏损水量,进而进一步提高给水管网爆管检测的准确率。
图5示出了本发明实施例提供的给水管网爆管检测方法的另一实现流程,为便于描述,仅示出了与本发明实施例相关的部分,详述如下:
在本发明的一实施例中,如图5所示,给水管网爆管检测方法,在图1所示方法步骤的基础上,还包括:
步骤501,获取与爆管管段相邻的两个监测站的爆管后压力值;
步骤502,根据两个监测站的爆管后压力值确定爆管管段的漏损等级。
为了确定爆管管段的漏损等级,需要获取与爆管管段相邻的两个监测站的爆管后压力值,从而根据两个监测站的爆管后压力值确定爆管管段的漏损等级。
假设水流方向由监测站a流向监测站b,且与爆管管段相邻的两个监测站a和b的爆管后压力值分别为Pa和Pb,Pa和Pb满足:
ΔP2=Pa-Pb;
其中,ΔP2表示与爆管管段相邻的两个监测站的爆管后压力差,Pa和Pb分别表示与爆管管段相邻的两个监测站的爆管后压力值。
在本发明的一实施例中,爆管管段的漏损等级包括:管段正常、第一漏损等级、第二漏损等级以及第三漏损等级,步骤502,根据两个监测站的爆管后压力值确定爆管管段的漏损等级,包括:
(1)若两个监测站的爆管后压力值均不小于预设管网标准水压与预设管网压差门限的差,不大于预设管网标准水压与预设管网压差门限的和,且两个监测站的爆管后压力值的差值的绝对值不大于预设水压压差门限,确定爆管管段的漏损等级为管段正常。
若与爆管管段相邻的两个监测站的爆管后压力值Pa和Pb满足:
PT-Pr≤Pa≤PT+Pr;
PT-Pr≤Pb≤PT+Pr;
且Pa-Pb≤Ps;
其中,PT表示预设管网标准水压,Pr表示预设管网压差门限,Ps表示预设水压压差门限。
在本发明的一实施例中,所述预设管网标准水压为预先设定的管网标准水压,预设管网压差门限为预先设定的管网压差门限,预设水压压差门限为预先设定的水压压差门限。本领域技术人员可以理解的是,预设管网标准水压,预设管网压差门限以及预设水压压差门限可以根据具体需求设定,本发明对此不做特别的限制。
若与爆管管段相邻的两个监测站的爆管后压力值Pa和Pb满足上述关系,说明两个监测站的爆管后压力值在正常范围内,即说明爆管管段并未发生爆管,且管段无漏水。此时可以确定爆管管段的漏损等级为管段正常。
鉴于爆管检测模型是基于神经网络的检测模型,虽然爆管检测模型经过训练已经达到了较高的爆管检测的准确率,但是仍然会存在一定程度的识别错误的情况。鉴于此,本发明实施例对爆管检测模型识别的爆管管段进行进一步的漏损等级的判断。在判断出与爆管管段相邻的两个监测站的爆管后压力值Pa和Pb满足上述条件的情况下,认为爆管检测模型对该爆管管段的识别出现错误,即将正常管段识别为了爆管管段。此时,可以据此将正常管段剔除,进一步提高爆管管段的识别的准确率。
(2)若两个监测站中某一监测站的爆管后压力值大于预设爆管压力,且另一监测站的爆管后压力值为零,确定爆管管段的漏损等级为第一漏损等级。
若与爆管管段相邻的两个监测站的爆管后压力值Pa和Pb满足:
(A)Pa>Pbr、且Pb=0;或者
(B)Pb>Pbr、且Pa=0;
其中,Pbr表示预设爆管压力。
在本发明的一实施例中,所述预设爆管压力为预先设定的爆管压力。本领域技术人员可以理解的是,预设爆管压力可以根据具体需求设定,本发明对此不做特别的限制。
在本发明的一实施例中,第一漏损等级为管段爆裂。若与爆管管段相邻的两个监测站的爆管后压力值Pa和Pb满足上述关系,说明某一监测站的爆管后压力值急剧增大,超过了预设爆管压力Pbr,而另一监测站的爆管后压力值骤降为零,由此可确定爆管管段的漏损等级为第一漏损等级,即管段爆裂。
(3)若两个监测站的爆管后压力值的差值的绝对值不小于预设渗漏压差,确定爆管管段的漏损等级为第二漏损等级。
若与爆管管段相邻的两个监测站的爆管后压力值Pa和Pb满足:
Pa-Pb≥Pvr;
其中,Pvr表示预设渗漏压差。
在本发明的一实施例中,所述预设渗漏压差为预先设定的渗漏压差。本领域技术人员可以理解的是,预设渗漏压差可以根据具体需求设定,本发明对此不做特别的限制。
在本发明的一实施例中,第二漏损等级为管段渗漏严重。若与爆管管段相邻的两个监测站的爆管后压力差的绝对值,超过了预设渗漏压差,说明爆管管段发生了严重渗漏,此时可确定爆管管段的漏损等级为第二漏损等级,即管段渗漏严重。
(4)若两个监测站的爆管后压力值的差值的绝对值小于预设渗漏压差,确定爆管管段的漏损等级为第三漏损等级。
若与爆管管段相邻的两个监测站的爆管后压力值Pa和Pb满足:
0<Pa-Pb<Pvr;
其中,Pvr表示预设渗漏压差。
在本发明的一实施例中,所述预设渗漏压差为预先设定的渗漏压差。本领域技术人员可以理解的是,预设渗漏压差可以根据具体需求设定,本发明对此不做特别的限制。
在本发明的一实施例中,第三漏损等级为管段压力异常。若与爆管管段相邻的两个监测站的爆管后压力差的绝对值大于零,说明与爆管管段相邻的两个监测站的爆管后压力值,存在一定的压力差;但是与爆管管段相邻的两个监测站的爆管后压力差尚未超过预设渗漏压差,说明爆管管段的压力异常,但尚未达到爆管或者渗漏的程度,此时可确定爆管管段的漏损等级为第三漏损等级,即管段压力异常。
为了全面、综合的考量管段的漏损情况,进一步提高爆管管段检测、识别的准确率,本发明实施例中,将压力异常的管段同样作为爆管管段的一种,进而判断此时与压力异常的管段相邻的两个监测站的爆管后压力值Pa和Pb满足的条件,确定其为第三漏损等级,即管段压力异常。因此,压力异常的管段虽然没有发生漏水,或者没有达到爆管的程度,但是同样会对给水管网产生不良的影响。因此,在本发明实施例中对其进行进一步的漏损等级的判断,已确定管段是否压力异常。
在本发明实施例中,根据两个监测站的爆管后压力值确定爆管管段的漏损等级,可以准确确定爆管管段的漏损等级。
本发明实施例中还提供了一种给水管网爆管检测装置,如下面的实施例所述。由于这些装置解决问题的原理与给水管网爆管检测方法相似,因此这些装置的实施可以参见方法的实施,重复之处不再赘述。
图6示出了本发明实施例提供的给水管网爆管检测装置的功能模块,为便于说明,仅示出了与本发明实施例相关的部分,详述如下:
参考图6,所述给水管网爆管检测装置所包含的各个模块用于执行图1对应实施例中的各个步骤,具体请参阅图1以及图1对应实施例中的相关描述,此处不再赘述。本发明实施例中,所述给水管网爆管检测装置包括工况信息获取模块601、爆管管段确定模块602、漏损水量确定模块603以及爆管位置确定模块604。
所述工况信息获取模块601,用于获取目标管段的工况信息。
所述爆管管段确定模块602,用于利用训练好的爆管检测模型对目标管段的工况信息进行处理,确定目标管段中的爆管管段以及爆管管段所在的事故区;其中,爆管检测模型为基于神经网络的模型。
所述漏损水量确定模块603,用于采用黄金分割确定爆管管段所在事故区的漏损水量。
所述爆管位置确定模块604,用于根据爆管管段所在事故区的漏损水量、爆管管段爆管前的管段流量,以及与爆管管段相邻的两个监测站的爆管前压力差、爆管后压力差,确定爆管管段的爆管位置。
在本发明的一实施例中,目标管段的工况信息包括以下一种或多种:目标管段流量、目标管段压力及目标管段流向。
在本发明的一实施例中,爆管检测模型为基于神经网络的模型,神经网络包括LSTM神经网络、RNN神经网络、CNN神经网络以及DNN神经网络等。
本发明实施例,爆管管段确定模块602利用训练好的基于神经网络的爆管检测模型确定目标管段中的爆管管段以及爆管管段所在的事故区,然后漏损水量确定模块603利用黄金分割确定爆管管段所在事故区的漏损水量,并以上述确定的漏损水量为基础,爆管位置确定模块604确定爆管管段的爆管位置,不仅可以提高给水管网爆管检测的效率,还可以提高给水管网爆管检测的准确率。
图7示出了本发明实施例提供的给水管网爆管检测装置中训练爆管检测模型的结构示意,为便于说明,仅示出了与本发明实施例相关的部分,详述如下:
参考图7,训练爆管检测模型的结构所包含的各个单元用于执行图2对应实施例中的各个步骤,具体请参阅图2以及图2对应实施例中的相关描述,此处不再赘述。本发明实施例中,训练爆管检测模型的结构包括数据获取单元701、训练验证单元702、爆管检测模型确定单元703以及调整单元704。
所述数据获取单元701,用于获取训练数据与测试数据;其中,训练数据与测试数据包括历史爆管管段的工况信息。
所述训练验证单元702,用于利用训练数据训练爆管检测模型,利用测试数据对经过训练的爆管检测模型的准确率进行验证。
所述爆管检测模型确定单元703,用于在准确率不小于预设准确率时训练结束,获得训练后的爆管检测模型。
所述调整单元704,用于在准确率小于预设准确率时,增加训练数据的数量或者调整训练数据和测试数据的比例重新训练,直至准确率不小于预设准确率。
在本发明实施例中,数据获取单元701获取训练数据与测试数据,训练验证单元702利用训练数据训练爆管检测模型,利用测试数据对经过训练的爆管检测模型的准确率进行验证,爆管检测模型确定单元703在准确率不小于预设准确率时训练结束,获得训练后的爆管检测模型,调整单元704在准确率小于预设准确率时,增加训练数据的数量或者调整训练数据和测试数据的比例重新训练,直至准确率不小于预设准确率,可以提高爆管检测模型识别爆管管段的准确率和效率。
在本发明的一实施例中,训练爆管检测模型的结构还包括预处理单元。
所述预处理单元,用于对训练数据和测试数据进行预处理,所述预处理至少包括归一化。
相应的,训练验证单元702,具体用于利用归一化后的训练数据训练爆管检测模型,利用归一化后的测试数据对经过训练的爆管检测模型的准确率进行验证。
在本发明实施例中,预处理单元对训练数据和测试数据进行预处理,可以减少数据波动的影响,进一步提高爆管检测模型识别爆管管段的准确率。
图8示出了本发明实施例提供的给水管网爆管检测装置中漏损水量确定模块603的结构示意,为便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在本发明的一实施例中,参考图8,所述漏损水量确定模块603所包含的各个单元用于执行图3对应实施例中的各个步骤,具体请参阅图3以及图3对应实施例中的相关描述,此处不再赘述。本发明实施例中,所述漏损水量确定模块603包括初始漏损水量区间确定单元801、新的漏损水量区间确定单元802、事故区漏损水量确定单元803以及漏损水量重新确定单元804。
所述初始漏损水量区间确定单元801,用于根据爆管管段所在事故区的关联数据确定爆管管段所在事故区的初始漏损水量区间;其中,关联数据包括:水厂供水规模、管网压力以及历史爆管信息。
所述新的漏损水量区间确定单元802,用于根据初始漏损水量区间,利用黄金分割确定新的漏损水量区间。
所述事故区漏损水量确定单元803,用于若新的漏损水量区间满足预设条件,根据新的漏损水量区间确定爆管管段所在事故区的漏损水量。
所述漏损水量重新确定单元804,用于若新的漏损水量区间不满足预设条件,利用黄金分割重新确定漏损水量区间,直至最终确定的漏损水量区间满足预设条件,根据最终确定的漏损水量区间确定爆管管段所在事故区的漏损水量。
在本发明实施例中,初始漏损水量区间确定单元801根据爆管管段所在事故区的关联数据确定爆管管段所在事故区的初始漏损水量区间,新的漏损水量区间确定单元802根据初始漏损水量区间,利用黄金分割确定新的漏损水量区间,事故区漏损水量确定单元803若新的漏损水量区间满足预设条件,根据新的漏损水量区间确定爆管管段所在事故区的漏损水量,漏损水量重新确定单元804若新的漏损水量区间不满足预设条件,利用黄金分割重新确定漏损水量区间,直至最终确定的漏损水量区间满足预设条件,可以进一步提高给水管网爆管检测的准确率。
在本发明的一实施例中,新的漏损水量区间满足预设条件,包括:
新的漏损水量区间的两个端点的漏损水量对应的管网压力的均方差不大于预设均方差;或
新的漏损水量区间的两个端点的漏损水量的差值不大于预设漏损水量差值。
在本发明的一实施例中,漏损水量确定模块603还包括重新确定单元。
所述重新确定单元,用于若漏损水量区间中某一端点的漏损水量对应的均方差不大于漏损水量区间中近黄金分割点的漏损水量对应的均方差,且漏损水量区间中近黄金分割点的漏损水量对应的均方差不大于漏损水量区间中远黄金分割点的漏损水量对应的均方差,将漏损水量区间中远黄金分割点的漏损水量,以及相邻漏损水量区间中远黄金分割点的漏损水量构成的漏损水量区间作为新的漏损水量区间;
其中,漏损水量区间与相邻漏损水量区间以所述某一端点为共同端点;
漏损水量区间中近黄金分割点是指漏损水量区间中与所述某一端点较近的黄金分割点,漏损水量区间中远黄金分割点是指漏损水量区间中与所述某一端点较远的黄金分割点,相邻漏损水量区间中远黄金分割点是指相邻漏损水量区间中与所述某一端点较远的黄金分割点。
在本发明实施例中,若漏损水量区间中某一端点的漏损水量对应的均方差不大于漏损水量区间中近黄金分割点的漏损水量对应的均方差,且漏损水量区间中近黄金分割点的漏损水量对应的均方差不大于漏损水量区间中远黄金分割点的漏损水量对应的均方差,重新确定单元将漏损水量区间中远黄金分割点的漏损水量,以及相邻漏损水量区间中远黄金分割点的漏损水量构成的漏损水量区间作为新的漏损水量区间,新的漏损水量区间可以准确反映爆管管段所在事故区的漏损水量,进而进一步提高给水管网爆管检测的准确率。
图9示出了本发明实施例提供的给水管网爆管检测装置中新的漏损水量区间确定单元802的结构示意,为便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在本发明的一实施例中,参考图9,所述新的漏损水量区间确定单元802所包含的各个子单元用于执行图4对应实施例中的各个步骤,具体请参阅图4以及图4对应实施例中的相关描述,此处不再赘述。本发明实施例中,所述新的漏损水量区间确定单元802包括:漏损水量确定子单元901、均方差确定子单元902以及漏损水量区间确定子单元903。
所述漏损水量确定子单元901,用于利用黄金分割确定初始漏损水量区间的两个黄金分割点的漏损水量。
所述均方差确定子单元902,用于确定初始漏损水量区间的两个端点及两个黄金分割点的漏损水量对应的管网压力的均方差。
所述漏损水量区间确定子单元903,用于将管网压力的均方差最小的两个点的漏损水量构成的区间作为新的漏损水量区间。
在本发明实施例中,漏损水量确定子单元901利用黄金分割确定初始漏损水量区间的两个黄金分割点的漏损水量,均方差确定子单元902确定初始漏损水量区间的两个端点及两个黄金分割点的漏损水量对应的管网压力的均方差,漏损水量区间确定子单元903将管网压力的均方差最小的两个点的漏损水量构成的区间作为新的漏损水量区间,可以准确反映爆管管段所在事故区的漏损水量,进而进一步提高给水管网爆管检测的准确率。
图10示出了本发明实施例提供的给水管网爆管检测装置的另一功能模块,为便于说明,仅示出了与本发明实施例相关的部分,详述如下:
参考图10,所述给水管网爆管检测装置所包含的各个模块用于执行图5对应实施例中的各个步骤,具体请参阅图5以及图5对应实施例中的相关描述,此处不再赘述。本发明实施例中,所述给水管网爆管检测装置,在图6所示模块结构的基础上,还包括:压力获取模块1001和漏损等级确定模块1002。
所述压力获取模块1001,用于获取与爆管管段相邻的两个监测站的爆管后压力值。
所述漏损等级确定模块1002,用于根据两个监测站的爆管后压力值确定爆管管段的漏损等级。
在本发明的一实施例中,漏损等级确定模块1002包括管段正常确定单元、第一漏损等级确定单元、第二漏损等级确定单元以及第三漏损等级确定单元。
所述管段正常确定单元,用于若两个监测站的爆管后压力值均不小于预设管网标准水压与预设管网压差门限的差,不大于预设管网标准水压与预设管网压差门限的和,且两个监测站的爆管后压力值的差值的绝对值不大于预设水压压差门限,确定爆管管段的漏损等级为管段正常。
所述第一漏损等级确定单元,用于若两个监测站中某一监测站的爆管后压力值大于预设爆管压力,且另一监测站的爆管后压力值为零,确定爆管管段的漏损等级为第一漏损等级。
所述第二漏损等级确定单元,用于若两个监测站的爆管后压力值的差值的绝对值不小于预设渗漏压差,确定爆管管段的漏损等级为第二漏损等级。
所述第三漏损等级确定单元,用于若两个监测站的爆管后压力值的差值的绝对值小于预设渗漏压差,确定爆管管段的漏损等级为第三漏损等级。
在本发明实施例中,漏损等级确定模块1002根据两个监测站的爆管后压力值确定爆管管段的漏损等级,可以准确确定爆管管段的漏损等级。
图11示出了本发明实施例提供的给水管网爆管控制方法的实现流程,为便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图11所示,给水管网爆管控制方法,包括:
步骤1101,根据爆管管段端点的类型,确定与爆管管段端点的类型对应的控制策略;
步骤1102,根据爆管管段端点的类型对应的控制策略对爆管管段所在事故区的控制开关进行控制,确定构成最小封闭区域的控制开关集合。
给水管网爆管控制方法,是在上述实施例提供的给水管网爆管检测方法的基础上提出的,对爆管管段或者给水管网进行控制的方法。
爆管管段的端点可能存在不同的类型,不同的爆管管段的端点对于爆管或者爆管的漏损控制存在不同的影响。针对有些爆管管段端点的类型,对其进行控制可能能够直接、有效的控制爆管的漏损,而对于其他的爆管管段端点的类型,对其进行控制,可能不能有效的控制爆管的漏损。因此,针对不同的爆管管段端点的类型,应当分别控制,确定与爆管管段端点的类型对应的控制策略。
在根据爆管管段端点的类型确定对应的控制策略后,根据对应的控制策略,对爆管管段所在事故区的控制开关进行控制,确定构成最小封闭区域的控制开关集合。对该构成最小封闭区域的控制开关集合中的控制开关进行控制,即能够有效的控制爆管的漏损,达到对爆管管段进行控制的目的。
在本发明的实施例中,根据爆管管段端点的类型,确定与爆管管段端点的类型对应的控制策略,根据爆管管段端点的类型对应的控制策略对爆管管段所在事故区的控制开关进行控制,确定构成最小封闭区域的控制开关集合,能够及时、准确的对给水管网中的爆管进行控制,有效的减小爆管对于给水管网的影响和损失。
图12示出了本发明实施例提供的给水管网爆管控制方法中步骤1101的实现流程,为便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在本发明的一实施例中,如图12所示,步骤1101,根据爆管管段端点的类型,确定与爆管管段端点的类型对应的控制策略,包括:
步骤1201,若爆管管段的端点均为控制开关,直接关闭控制开关;
步骤1202,若爆管管段的端点为节点,采用广度优先遍历搜索所有需要关闭的控制开关。
在本发明的一实施例中,爆管管段端点可能是控制开关,也可能是给水管网中的节点。因此,爆管管段端点的类型包括控制开关和节点。
控制开关的开启或者关闭,对爆管管段的影响很大,能够对爆管或者爆管的漏损进行直接的控制;而节点的开启或者关闭,不足以对爆管或者爆管的漏损进行有效控制。因此,针对不同的爆管管段端点的类型,存在不同的、与爆管管段端点的类型相对应的控制策略。即:
在爆管管段的端点均为控制开关时,直接对控制开关进行关闭,即能够有效的对爆管的漏损进行控制。
广度优先遍历,原是指连通图的一种遍历策略,它的中心思想是从一个顶点开始,辐射状的优先遍历其周围较广的区域。即从某个顶点出发,首先访问这个顶点,然后找出这个结点的所有未被访问的邻接点,访问完后再访问这些结点中第一个邻接点的所有结点,重复此方法,直到所有结点都被访问完为止。
在本发明实施例中,采用广度优先遍历搜索所有需要关闭的控制开关,是指以当前爆管管段的端点位起始点进行搜索,遇到控制开关则进行关闭,遇到给水管网中的节点则继续搜索,直至搜索完爆管管段所在事故区中所有要关闭的控制开关。
在爆管管段的端点为节点时,采用广度优先遍历搜索所有需要关闭的控制开关,即遇到控制开关则关闭,遇到节点则继续搜索,直至搜索到所有需要关闭的控制开关。
在本发明实施例中,若爆管管段的端点均为控制开关,直接关闭控制开关;若爆管管段的端点为节点,采用广度优先遍历搜索所有需要关闭的控制开关。本发明实施例采用广度优先遍历所有需要关闭的控制开关,可以及时、准确的确定需要关闭的控制开关,进而进一步的提高给水管网中的爆管有效控制,减小爆管对于给水管网的影响和损失。
在本发明的一实施例中,给水管网爆管控制方法,还包括:
步骤:若控制开关集合中某一控制开关所在的管段为下游支线管段,将剔除某一控制开关的控制开关集合确定为最终的控制开关集合。
鉴于下游支线管段在管段爆管后没有水流通过,因此可以不用关闭下游支线管段中的控制开关。倘若控制开关集合中某一控制开关所在的管段为下游支线管段,则可将该控制开关从控制开关集合中剔除,从而将剔除该控制开关的控制开关集合确定为最终的控制开关集合。
在本发明的一实施例中,给水管网爆管控制方法,还包括:
步骤:若控制开关集合中存在三个相邻的控制开关,将剔除中间的控制开关的控制开关集合中确定为最终的控制开关集合。
假设控制开关集合中存在三个相邻的控制开关K1,K2和K3,鉴于在控制开关K1和K3都处于关闭状态时,对于控制开关K1和K3中间的控制开关K2,关闭或者不关闭对爆管的漏损控制不会产生实质的影响,即控制开关K2可不用关闭。因此,将三个相邻的控制开关中的中间的控制开关,从控制开关集合剔除,将剔除中间的控制开关的控制开关集合确定为最终的控制开关集合。
在本发明实施例中,若控制开关集合中某一控制开关所在的管段为下游支线管段,将某一控制开关从控制开关集合中剔除;若控制开关集合中存在三个相邻的控制开关,将中间的控制开关从控制开关集合中剔除,可以更为准确的确定需要关闭的控制开关,进而进一步的提高给水管网中的爆管有效控制,减小爆管对于给水管网的影响和损失。
本发明实施例中还提供了一种给水管网爆管控制装置,如下面的实施例所述。由于这些装置解决问题的原理与给水管网爆管控制方法相似,因此这些装置的实施可以参见方法的实施,重复之处不再赘述。
图13示出了本发明实施例提供的给水管网爆管控制装置的功能模块,为便于说明,仅示出了与本发明实施例相关的部分,详述如下:
参考图13,所述给水管网爆管控制装置所包含的各个模块用于执行图11对应实施例中的各个步骤,具体请参阅图11以及图11对应实施例中的相关描述,此处不再赘述。本发明实施例中,所述给水管网爆管控制装置包括控制策略确定模块1301和控制开关集合确定模块1302。
所述控制策略确定模块1301,用于根据爆管管段端点的类型,确定与爆管管段端点的类型对应的控制策略。
所述控制开关集合确定模块1302,用于根据爆管管段端点的类型对应的控制策略对爆管管段所在事故区的控制开关进行控制,确定构成最小封闭区域的控制开关集合。
在本发明的实施例中,控制策略确定模块1301根据爆管管段端点的类型,确定与爆管管段端点的类型对应的控制策略,控制开关集合确定模块1302根据爆管管段端点的类型对应的控制策略对爆管管段所在事故区的控制开关进行控制,确定构成最小封闭区域的控制开关集合,能够及时、准确的对给水管网中的爆管进行控制,有效的减小爆管对于给水管网的影响和损失。
图14示出了本发明实施例提供的给水管网爆管控制装置中控制策略确定模块1301的结构示意,为便于说明,仅示出了与本发明实施例相关的部分,详述如下:
参考图14,所述控制策略确定模块1301所包含的各个单元用于执行图12对应实施例中的各个步骤,具体请参阅图12以及图12对应实施例中的相关描述,此处不再赘述。本发明实施例中,所述控制策略确定模块1301包括关闭单元1401和搜索单元1402。
所述关闭单元1401,用于若爆管管段的端点均为控制开关,直接关闭控制开关。
所述搜索单元1402,用于若爆管管段的端点为节点,采用广度优先遍历搜索所有需要关闭的控制开关。
在本发明实施例中,关闭单元1401若爆管管段的端点均为控制开关,直接关闭控制开关;搜索单元1402若爆管管段的端点为节点,采用广度优先遍历搜索所有需要关闭的控制开关。本发明实施例采用广度优先遍历所有需要关闭的控制开关,可以及时、准确的确定需要关闭的控制开关,进而进一步的提高给水管网中的爆管有效控制,减小爆管对于给水管网的影响和损失。
在本发明的一实施例中,给水管网爆管控制装置,还包括第一剔除模块。
所述第一剔除模块,用于若控制开关集合中某一控制开关所在的管段为下游支线管段,将剔除某一控制开关的控制开关集合确定为最终的控制开关集合。
在本发明的一实施例中,给水管网爆管控制方法,还包括:第二剔除模块。
所述第二剔除模块,用于若控制开关集合中存在三个相邻的控制开关,将剔除中间的控制开关的控制开关集合中确定为最终的控制开关集合。
在本发明实施例中,第一剔除模块若控制开关集合中某一控制开关所在的管段为下游支线管段,将某一控制开关从控制开关集合中剔除;第二剔除模块若控制开关集合中存在三个相邻的控制开关,将中间的控制开关从控制开关集合中剔除,可以更为准确的确定需要关闭的控制开关,进而进一步的提高给水管网中的爆管有效控制,减小爆管对于给水管网的影响和损失。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在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实现上述给水管网爆管检测方法,或给水管网爆管控制方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述给水管网爆管检测方法,或给水管网爆管控制方法的计算机程序。
综上所述,本发明实施例获取目标管段的工况信息,利用训练好的爆管检测模型对目标管段的工况信息进行处理,确定目标管段中的爆管管段以及爆管管段所在的事故区;其中,爆管检测模型为基于神经网络的模型,采用黄金分割确定爆管管段所在事故区的漏损水量,根据爆管管段所在事故区的漏损水量区间、爆管管段爆管前的管段流量,以及与爆管管段相邻的两个监测站的爆管前压力差、爆管后压力差,确定爆管管段的爆管位置。本发明实施例,利用训练好的基于神经网络的爆管检测模型确定目标管段中的爆管管段以及爆管管段所在的事故区,然后利用黄金分割确定爆管管段所在事故区的漏损水量,并以上述确定的漏损水量为基础确定爆管管段的爆管位置,不仅可以提高给水管网爆管检测的效率,还可以提高给水管网爆管检测的准确率。
另外,在本发明的实施例中,根据爆管管段端点的类型,确定与爆管管段端点的类型对应的控制策略,根据爆管管段端点的类型对应的控制策略对爆管管段所在事故区的控制开关进行控制,确定构成最小封闭区域的控制开关集合,能够及时、准确的对给水管网中的爆管进行控制,有效的减小爆管对于给水管网的影响和损失。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种给水管网爆管检测方法,其特征在于,包括:
获取目标管段的工况信息;
利用训练好的爆管检测模型对目标管段的工况信息进行处理,确定目标管段中的爆管管段以及爆管管段所在的事故区;其中,爆管检测模型为基于神经网络的模型;
采用黄金分割确定爆管管段所在事故区的漏损水量;
根据爆管管段所在事故区的漏损水量、爆管管段爆管前的管段流量,以及与爆管管段相邻的两个监测站的爆管前压力差、爆管后压力差,确定爆管管段的爆管位置。
2.如权利要求1所述的方法,其特征在于,训练爆管检测模型的过程包括:
获取训练数据与测试数据;其中,训练数据与测试数据包括历史爆管管段的工况信息;
利用训练数据训练爆管检测模型,利用测试数据对经过训练的爆管检测模型的准确率进行验证;
在准确率不小于预设准确率时训练结束,获得训练后的爆管检测模型;
在准确率小于预设准确率时,增加训练数据的数量或者调整训练数据和测试数据的比例重新训练,直至准确率不小于预设准确率。
3.如权利要求1所述的方法,其特征在于,采用黄金分割确定爆管管段所在事故区的漏损水量包括:
根据爆管管段所在事故区的关联数据确定爆管管段所在事故区的初始漏损水量区间;其中,关联数据包括:水厂供水规模、管网压力以及历史爆管信息;
根据初始漏损水量区间,利用黄金分割确定新的漏损水量区间;
若新的漏损水量区间满足预设条件,根据新的漏损水量区间确定爆管管段所在事故区的漏损水量;
若新的漏损水量区间不满足预设条件,利用黄金分割重新确定漏损水量区间,直至最终确定的漏损水量区间满足预设条件,根据最终确定的漏损水量区间确定爆管管段所在事故区的漏损水量。
4.如权利要求3所述的方法,其特征在于,根据初始漏损水量区间,利用黄金分割确定新的漏损水量区间,包括:
利用黄金分割确定初始漏损水量区间的两个黄金分割点的漏损水量;
确定初始漏损水量区间的两个端点及两个黄金分割点的漏损水量对应的管网压力的均方差;
将管网压力的均方差最小的两个点的漏损水量构成的区间作为新的漏损水量区间。
5.如权利要求3所述的方法,其特征在于,新的漏损水量区间满足预设条件,包括:
新的漏损水量区间的两个端点的漏损水量对应的管网压力的均方差不大于预设均方差;或
新的漏损水量区间的两个端点的漏损水量的差值不大于预设漏损水量差值。
6.如权利要求5所述的方法,其特征在于,还包括:
若漏损水量区间中某一端点的漏损水量对应的均方差不大于漏损水量区间中近黄金分割点的漏损水量对应的均方差,且漏损水量区间中近黄金分割点的漏损水量对应的均方差不大于漏损水量区间中远黄金分割点的漏损水量对应的均方差,将漏损水量区间中远黄金分割点的漏损水量,以及相邻漏损水量区间中远黄金分割点的漏损水量构成的漏损水量区间作为新的漏损水量区间;
其中,漏损水量区间与相邻漏损水量区间以所述某一端点为共同端点;
漏损水量区间中近黄金分割点是指漏损水量区间中与所述某一端点较近的黄金分割点,漏损水量区间中远黄金分割点是指漏损水量区间中与所述某一端点较远的黄金分割点,相邻漏损水量区间中远黄金分割点是指相邻漏损水量区间中与所述某一端点较远的黄金分割点。
7.如权利要求1所述的方法,其特征在于,还包括:
获取与爆管管段相邻的两个监测站的爆管后压力值;
根据两个监测站的爆管后压力值确定爆管管段的漏损等级。
8.如权利要求7所述的方法,其特征在于,根据两个监测站的爆管后压力值确定爆管管段的漏损等级,包括:
若两个监测站的爆管后压力值均不小于预设管网标准水压与预设管网压差门限的差,不大于预设管网标准水压与预设管网压差门限的和,且两个监测站的爆管后压力值的差值的绝对值不大于预设水压压差门限,确定爆管管段的漏损等级为管段正常;或
若两个监测站中某一监测站的爆管后压力值大于预设爆管压力,且另一监测站的爆管后压力值为零,确定爆管管段的漏损等级为第一漏损等级;或
若两个监测站的爆管后压力值的差值的绝对值不小于预设渗漏压差,确定爆管管段的漏损等级为第二漏损等级;或
若两个监测站的爆管后压力值的差值的绝对值小于预设渗漏压差,确定爆管管段的漏损等级为第三漏损等级。
9.一种给水管网爆管检测装置,其特征在于,包括:
工况信息获取模块,用于获取目标管段的工况信息;
爆管管段确定模块,用于利用训练好的爆管检测模型对目标管段的工况信息进行处理,确定目标管段中的爆管管段以及爆管管段所在的事故区;其中,爆管检测模型为基于神经网络的模型;
漏损水量确定模块,用于采用黄金分割确定爆管管段所在事故区的漏损水量;
爆管位置确定模块,用于根据爆管管段所在事故区的漏损水量、爆管管段爆管前的管段流量,以及与爆管管段相邻的两个监测站的爆管前压力差、爆管后压力差,确定爆管管段的爆管位置。
10.一种基于如权利要求1至8任一项所述的给水管网爆管检测方法的给水管网爆管控制方法,其特征在于,包括:
根据爆管管段端点的类型,确定与爆管管段端点的类型对应的控制策略;
根据爆管管段端点的类型对应的控制策略对爆管管段所在事故区的控制开关进行控制,确定构成最小封闭区域的控制开关集合。
11.如权利要求10所述的方法,其特征在于,爆管管段端点的类型包括:控制开关或节点,根据爆管管段两个端点的类型,确定与爆管管段两个端点的类型对应的控制策略,包括:
若爆管管段的端点均为控制开关,直接关闭控制开关;
若爆管管段的端点为节点,采用广度优先遍历搜索所有需要关闭的控制开关。
12.一种基于如权利要求9所述的给水管网爆管检测装置的给水管网爆管控制装置,其特征在于,包括:
控制策略确定模块,用于根据爆管管段端点的类型,确定与爆管管段端点的类型对应的控制策略;
控制开关集合确定模块,用于根据爆管管段端点的类型对应的控制策略对爆管管段所在事故区的控制开关进行控制,确定构成最小封闭区域的控制开关集合。
13.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8、10至11任一所述方法。
14.一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执行权利要求1至8、10至11任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811531318.7A CN109578816B (zh) | 2018-12-14 | 2018-12-14 | 给水管网爆管检测方法及装置、控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811531318.7A CN109578816B (zh) | 2018-12-14 | 2018-12-14 | 给水管网爆管检测方法及装置、控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109578816A true CN109578816A (zh) | 2019-04-05 |
CN109578816B CN109578816B (zh) | 2024-02-06 |
Family
ID=65928665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811531318.7A Active CN109578816B (zh) | 2018-12-14 | 2018-12-14 | 给水管网爆管检测方法及装置、控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109578816B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569571A (zh) * | 2019-08-21 | 2019-12-13 | 天津大学 | 基于极限学习机的城市供水管网爆管预警方法 |
CN110837933A (zh) * | 2019-11-11 | 2020-02-25 | 重庆远通电子技术开发有限公司 | 基于神经网络的漏损识别方法、装置、设备及存储介质 |
CN111043533A (zh) * | 2019-12-12 | 2020-04-21 | 上海邦芯物联网科技有限公司 | 一种供水管网爆管监测系统及方法 |
CN111210083A (zh) * | 2020-01-13 | 2020-05-29 | 上海威派格智慧水务股份有限公司 | 一种管网异常分析方法 |
CN111881999A (zh) * | 2020-08-04 | 2020-11-03 | 武汉易维环境工程有限公司 | 一种基于深度卷积神经网络的水务管道漏损探测方法及系统 |
CN113902356A (zh) * | 2021-12-08 | 2022-01-07 | 广东青藤环境科技有限公司 | 区域流量数据分析方法及装置 |
CN113944888A (zh) * | 2021-11-03 | 2022-01-18 | 北京软通智慧科技有限公司 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
CN114757589A (zh) * | 2022-06-14 | 2022-07-15 | 深圳市拓安信计控仪表有限公司 | 数据处理方法、服务器及存储介质 |
US11473996B2 (en) | 2021-03-05 | 2022-10-18 | Dysruptek LLC | Remote pneumatic testing system |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104848040A (zh) * | 2015-05-13 | 2015-08-19 | 苏州思创西玛控制系统有限公司 | 流量压力稳定装置及其方法 |
CN107940241A (zh) * | 2017-11-10 | 2018-04-20 | 中国石油天然气股份有限公司 | 一种基于瞬态模型的集输油管线冻堵点位置诊断系统 |
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 |
CN108332059A (zh) * | 2018-01-16 | 2018-07-27 | 浙江大学 | 服务于供水管网爆管监测的测压点优化布置方法 |
CN209703616U (zh) * | 2018-12-14 | 2019-11-29 | 中冶京诚工程技术有限公司 | 给水管网爆管检测系统 |
-
2018
- 2018-12-14 CN CN201811531318.7A patent/CN109578816B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104848040A (zh) * | 2015-05-13 | 2015-08-19 | 苏州思创西玛控制系统有限公司 | 流量压力稳定装置及其方法 |
CN107940241A (zh) * | 2017-11-10 | 2018-04-20 | 中国石油天然气股份有限公司 | 一种基于瞬态模型的集输油管线冻堵点位置诊断系统 |
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 |
CN108332059A (zh) * | 2018-01-16 | 2018-07-27 | 浙江大学 | 服务于供水管网爆管监测的测压点优化布置方法 |
CN209703616U (zh) * | 2018-12-14 | 2019-11-29 | 中冶京诚工程技术有限公司 | 给水管网爆管检测系统 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569571A (zh) * | 2019-08-21 | 2019-12-13 | 天津大学 | 基于极限学习机的城市供水管网爆管预警方法 |
CN110837933A (zh) * | 2019-11-11 | 2020-02-25 | 重庆远通电子技术开发有限公司 | 基于神经网络的漏损识别方法、装置、设备及存储介质 |
CN111043533A (zh) * | 2019-12-12 | 2020-04-21 | 上海邦芯物联网科技有限公司 | 一种供水管网爆管监测系统及方法 |
CN111210083A (zh) * | 2020-01-13 | 2020-05-29 | 上海威派格智慧水务股份有限公司 | 一种管网异常分析方法 |
CN111881999A (zh) * | 2020-08-04 | 2020-11-03 | 武汉易维环境工程有限公司 | 一种基于深度卷积神经网络的水务管道漏损探测方法及系统 |
US11473996B2 (en) | 2021-03-05 | 2022-10-18 | Dysruptek LLC | Remote pneumatic testing system |
CN113944888A (zh) * | 2021-11-03 | 2022-01-18 | 北京软通智慧科技有限公司 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
CN113944888B (zh) * | 2021-11-03 | 2023-12-08 | 北京软通智慧科技有限公司 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
CN113902356A (zh) * | 2021-12-08 | 2022-01-07 | 广东青藤环境科技有限公司 | 区域流量数据分析方法及装置 |
CN113902356B (zh) * | 2021-12-08 | 2022-03-01 | 广东青藤环境科技有限公司 | 区域流量数据分析方法及装置 |
CN114757589A (zh) * | 2022-06-14 | 2022-07-15 | 深圳市拓安信计控仪表有限公司 | 数据处理方法、服务器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109578816B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109578816A (zh) | 给水管网爆管检测方法及装置、控制方法及装置 | |
CN105042339B (zh) | 一种基于无量纲的成品油管道泄漏量估计系统及方法 | |
CA3109042A1 (en) | Leak detection with artificial intelligence | |
CN103994333B (zh) | 一种基于二维信息融合的油气管网泄漏检测方法 | |
Zhou et al. | A pipeline leak detection and localization approach based on ensemble TL1DCNN | |
CN108092623B (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
Caputo et al. | Using neural networks to monitor piping systems | |
CN115111537B (zh) | 用于确定燃气管网中泄漏点的位置的方法、装置和介质 | |
CN109854953B (zh) | 一种特殊工况下的原油输送管线泄漏检测系统及方法 | |
CN113348349B (zh) | 分析管道状况的方法和系统 | |
CN111102476B (zh) | 一种基于三维地下管道的爆管搜索方法 | |
CN112097126A (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 | |
Porwal et al. | Leakage detection and prediction of location in a smart water grid using SVM classification | |
CN108197254B (zh) | 一种基于近邻的数据修复方法 | |
CN116498908A (zh) | 基于超声波流量计的智慧燃气管网监测方法和物联网系统 | |
CN108388685A (zh) | 油气管道内漏流量的预测方法及装置 | |
Smith et al. | Pipeline rupture detection using real-time transient modelling and convolutional neural networks | |
CN117521313B (zh) | 用于对管道网络进行泄漏检测的方法和装置 | |
CN102982374A (zh) | 一种基于bp人工神经网络的爆管定位方法 | |
Okeya et al. | Locating pipe bursts in a district metered area via online hydraulic modelling | |
CN113486950A (zh) | 一种智能管网漏水检测方法及系统 | |
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 | |
Amoatey et al. | Inverse optimization based detection of leaks from simulated pressure in water networks, part 1: analysis for a single leak | |
Leonzio et al. | Water Leak Detection and Localization using Convolutional Autoencoders | |
CN106021798A (zh) | 基于分位数功率曲线的风力发电机组控制性能评价方法 |
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 |