CN111259334B - 一种工业企业大用户用水异常监测预警方法 - Google Patents
一种工业企业大用户用水异常监测预警方法 Download PDFInfo
- Publication number
- CN111259334B CN111259334B CN202010036853.6A CN202010036853A CN111259334B CN 111259334 B CN111259334 B CN 111259334B CN 202010036853 A CN202010036853 A CN 202010036853A CN 111259334 B CN111259334 B CN 111259334B
- Authority
- CN
- China
- Prior art keywords
- water consumption
- water
- early warning
- monitoring
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种工业企业大用户用水异常监测预警方法。本发明首先建立工业企业用水监测数据库。其次计算历史稳定期动态24小时用水量,并采用KS检验对24小时用水量序列进行正态分布验证,当其为偏态分布时,计算箱线图上下限参数;当其为正态分布时,计算SPC控制图参数。最后获取SCADA实测数据,针对每个采样时刻,滚动计算24小时用水量,与上下界阈值比较,进行超限判断及预警。本发明通过数据挖掘确定工业企业动态24小时用水量上下界阈值,并兼顾正态或偏态分布情况,很好地解决工业企业大用户用水不确定、水司监管难实际问题,提高了工业企业用水异常自动监测预警的准确性,并完善了水司对三级DMA异常监测手段。
Description
技术领域
本发明属于企业用水监测技术领域,具体是一种工业企业大用户用水异常监测预警方法。
背景技术
随着大表远传技术的成熟以及水司漏损计量监控平台的建立,逐步实现单位贸易大表和小区入水口考核表数据自动采集和传输,水司由此实行用水流量监管。对于住宅小区或机关/学校/医院/商场类单位,采用DMA最小夜间流量(MNF)法进行漏损监管是行之有效的办法,见文献[1]。文献[2]通过数据挖掘确定MNF阈值,并汲取常规SPC方法检测渐变异常的优点,完善了小区漏损监测手段,很好地解决MNF阈值确定难、单一阈值难兼顾不同季节情况等实际应用问题,提高了小区供水漏损自动监测预警的准确性。
实际应用中,工业企业内部供水管网一般为独立计量区域DMA,但往往由于其以销定产,生产作息时间明显不同于住宅小区和机关/学校/医院/商场等大用户,有的工业企业甚至配备水箱或调蓄池,其每天用水情况存在不确定性,导致最小夜间流量MNF法不再适用。
目前很多水司对工业企业用水采用扁平线法进行监控,根据过去6-12个月的入口流量高低平均值,分别加减20%设置阈值。此扁平线法确实能够敏感地检测出一些异常情况,但是存在大量误报警问题,严重困扰了水司管理人员,见文献[3]。
文献[4]提供一种企业用水系统的管理方法、装置、设备及管理系统,通过获取企业内部子系统的进水量和出水量数据,根据水平衡计算,对企业内部所有用水子系统进行实时数据监测。文献[5][6]关注重点仍为企业内部用水管理,对其中的互联网技术手段(包括移动终端链路质量、低成本移动终端中继消息)给出了改进方法。文献[4][5][6]与本发明重点关注的—“水司监管工企大用户用水问题”明显不同。
参考文献
[1]李岚,吴珊,寇晓霞,等.基于独立计量区的夜间最小流量的研究进展[J].给水排水,2018,44(6):135-141.
[2]2019106996536一种改进SPC的小区供水漏损监测预警方法,徐哲等,2019.07.31
[3]吴正易著,张清周译.降低供水漏损,中国建筑工业出版社,2017.11
[4]2017107497733企业用水系统的管理方法、装置、设备及管理系统,肖伟华等,2017.08.28
[5]2019103003644一种基于物联网的工业企业用水管理方法及系统,侯保灯等,2019.04.15
[6]2019103011602一种基于物联网的工业企业用水量异常监测方法及系统,侯保灯等,2019.4.15
发明内容
本发明针对工业企业大用户用水不确定、水司监管难问题,借鉴箱形图boxplot和统计过程控制SPC方法,通过历史数据挖掘,提出了一种工业企业大用户用水异常监测预警方法,包括以下步骤:
步骤1建立工业企业用水监测数据库
针对某工业企业,建立企业用水监测数据库。数据项包括:采样时间t、累积用水量SUMt、间隔期用水量qt、进水流量ft、异常标志、修复标志等。将漏损计量平台(或SCADA系统)、供水抢修系统采集到的相关数据,经过必要的匹配(包括时间匹配和用水单位匹配)、格式转换,导入数据库。其中,历史数据超过12个月,采样间隔≤15分钟。
进行数据预处理,对正常日少数缺漏数据进行插补,个别异常过滤;对异常日数据进行整体剔除。
所述的间隔期用水量qt是指采样期间净用水量,如有多入多出口,则为总进水量和总出水量数据之差。
步骤2计算历史稳定期动态24小时用水量Qt
针对历史稳定期,计算每天每个采样时刻Qt。
Qt=SUMt-SUMt-24h (1)
其中t表示采样时刻,SUMt-24h为t时刻24小时前的累积用水量;
所述的稳定期,是指工业企业大用户用水包括了各种正常生产工况的时期(至少3个月,至多12个月)。
步骤3采用KS检验对24小时用水量Qt序列进行正态分布验证
使用Matlab/SPSS/R语言等工具中ks.test()函数,对Qt序列进行正态分布检验。当检验结果p-value<0.05,则表明数据序列不满足正态性,随后进入步骤4;反之,则认为数据序列满足正态性,随后进入步骤5。
步骤4偏态分布时,计算箱线图上下限参数
对24小时用水量Qt序列按升序排列。找到用水量Qt升序序列中的中位数Q1/2(用来观察偏态分布),第一四分位数Q1/4,和第三四分位数Q3/4,则四分位数间距IQR=Q3/4-Q1/4。
计算箱形图上下限:上限QMax=Q3/4+1.5*Kα*IRQ,下限QMin=Q1/4-1.5*Kα*IRQ,(若计算值<0,则QMin=0)。
这里,Kα为调整系数,取值范围0.7≤Kα≤1.3,初始值取1。利用过去12个月历史数据,优选Kα。如当前Kα,能检测出全部异常事件,则微增Kα,搜索满足”全部检测出异常事件”的最大Kα值。如当前Kα,不能检测出全部异常事件,则微减Kα,搜索满足”全部检测出漏损事件”的最小Kα值。然后,确定箱线图上下界阈值QMax/QMin。
随后进入步骤6。
步骤5正态分布时,计算SPC控制图参数
计算24小时用水量Qt序列的平均值u和标准差σ。计算SPC控制图上限控制线QUCL=u+3*Kβ*σ,下限控制线QLCL=u-3*Kβ*σ(若计算值<0,则QLCL=0)。
这里,Kβ为调整系数,取值范围0.7≤Kβ≤1.3,初始值取1。利用过去12个月历史数据,优选Kβ。如当前Kβ,能检测出全部异常事件,则微增Kβ,搜索满足”全部检测出异常事件”的最大Kβ值。如当前Kβ,不能检测出全部异常事件,则微减Kβ,搜索满足”全部检测出漏损事件”的最小Kβ值。然后,确定SPC控制图上下界阈值QUCL/QLCL。
随后进入步骤6。
步骤6工业企业用水异常监测预警
获取SCADA实测数据,针对每个采样时刻,滚动计算24小时用水量Qt,与上下界阈值比较,进行超限判断及预警。
持续更新工业企业用水监测数据库,如发现漏报,或误报率>5%,则需要重新步骤2,尽量利用新近的稳定期样本数据,重新确定上下界阈值,保证监测预警准确性。
本发明的有益效果:本发明通过数据挖掘确定工业企业动态24小时用水量上下界阈值,并兼顾正态或偏态分布情况,很好地解决工业企业大用户用水不确定、水司监管难实际问题,提高了工业企业用水异常自动监测预警的准确性,并完善了水司对三级DMA异常监测手段。
附图说明
图1:本发明方法流程示意图;
图2:本发明实施例2018年4月份24小时用水量Qt曲线;
图3:本发明实施例箱形图。
具体实施方式
实施例:某企业为外贸型生产厂家,按订单组织生产,视任务繁忙程度排班,每日1班~3班,没有周期规律,单路进水管入口,管径100mm。水司已采集、记录其2018年以来贸易大表数据(表1),采样周期为15分钟。2018年对该企业采用扁平线报警方法,具体为1小时内连续4次入口流量超限(20吨/h)则报警,全年报警20多次,经证实均为误报,极大困扰水司值班人员。
表1 X企业贸易大表实测数据 单位:m3
时间 | 累计读数 | 15分钟间隔水量 |
2018-01-01 00:00:00 | 132910.2 | 0.7 |
2018-01-01 00:15:00 | 132910.9 | 0.7 |
2018-01-01 00:30:00 | 132911.5 | 0.6 |
…… | …… | …… |
2018-12-31 23:45:00 | 193098.5 | 3.9 |
2019-01-01 00:00:00 | 193103.0 | 4.5 |
…… | …… | …… |
下面通过该实施例,并结合附图1、图2和图3,对本发明的技术方案作进一步具体的说明。如图1所示,包括以下步骤:
步骤1建立工业企业用水监测数据库
建立该企业用水监测数据库。数据项包括:采样时间t、累积用水量SUMt、间隔期用水量qt、进水流量ft、异常标志、修复标志等。将漏损计量平台(或SCADA系统)、供水抢修系统采集到的相关数据,经过必要的匹配、格式转换,导入数据库。其中,历史数据超过12个月,采样间隔为15分钟。
数据预处理:水司SCADA数据采集基本正常,仅少数时刻缺数据记录,但不影响恢复采集时的累计读数,对缺漏数据进行插补。
步骤2计算历史稳定期动态24小时用水量Qt
2018年至今,企业生产规模、生产状况基本稳定。现针对2018年,采用公式(1)计算每天每个采样时刻“24小时用水量”Qt,t表示采样时刻。图2为2018年4月份Qt曲线(用水基本无规律)。
步骤3采用KS检验对24小时用水量Qt序列进行正态分布验证
使用SPSS工具中ks.test()函数,对Qt序列进行正态分布检验。检验结果p-value=0.001<0.05,则表明Qt数据序列不满足正态性,随后进入步骤4;反之,若检验结果p-value>0.05则认为Qt数据序列满足正态性,随后进入步骤5。
步骤4偏态分布时,计算箱线图上下限参数
对24小时用水量Qt序列按升序排列,找到24小时用水量Qt升序序列中的中位数Q1/2=175.45m3,第一四分位数Q1/4=129.3m3,和第三四分位数Q3/4=200.6m3,,则四分位数间距IQR=Q3/4-Q1/4=71.3m3。
鉴于2018年该企业未发生异常情况,这里取Kα=1.0时,箱形图上下限:上限QMax=Q3/4+1.5*Kα*IRQ=307.55m3,下限QMin=Q1/4-1.5*Kα*IRQ=22.35m3。箱形图如图3所示。
随后进入步骤6。
步骤5正态分布时,计算SPC控制图参数
此实施例数据序列Q不符合正态分布,跳过此步骤。
步骤6工业企业用水异常监测预警
2019年1月1日起,获取SCADA实测数据,针对每个采样时刻,滚动计算该企业24小时用水量Qt,与上下界阈值[22.35,307.55]比较,进行超限判断及预警。
截止2019年11月底监测情况:2019年10.1中午-10.8上午,超下限报警,经到场调查证实,企业因外贸任务不足首次全员国庆放假。2019.11.9下午,超上限报警,经电话调查证实,企业因进行消防演练而临时增加用水。
由于采用了动态24小时用水量数据进行监测,既避免了“2018年流量监测误报警多”问题,又不失对企业异常用水情况的及时监督沟通,有效减轻了水司值班人员的监管负荷。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种工业企业大用户用水异常监测预警方法,其特征在于该方法包括以下步骤:
步骤1建立工业企业用水监测数据库
针对某工业企业,建立企业用水监测数据库;其中数据库中的数据项包括采样时间t、累积用水量SUMt、间隔期用水量qt、进水流量ft、异常标志和修复标志;
将漏损计量平台或SCADA系统、供水抢修系统采集到的数据,经过必要的匹配、格式转换,导入数据库;其中,历史数据超过12个月,采样间隔≤15分钟;
步骤2计算历史稳定期动态24小时用水量Qt
针对历史稳定期,计算每天每个采样时刻Qt,
Qt=SUMt-SUMt-24h
其中t表示采样时刻,SUMt-24h为t时刻24小时前的累积用水量;
步骤3采用KS检验对24小时用水量Qt序列进行正态分布验证
使用Matlab/SPSS/R语言中的ks.test()函数,对Qt序列进行正态分布检验;当检验结果p-value<0.05,则表明数据序列不满足正态性,随后进入步骤4;反之,则认为数据序列满足正态性,随后进入步骤5;
步骤4偏态分布时,计算箱线图上下限参数
对24小时用水量Qt序列按升序排列;找到用水量Qt升序序列中的中位数Q1/2,第一四分位数Q1/4和第三四分位数Q3/4,则四分位数间距IQR=Q3/4-Q1/4.
计算箱形图上下限:上限QMax=Q3/4+1.5*Kα*IRQ,下限QMin=Q1/4-1.5*Kα*IRQ,下限QMin最小为0;这里,Kα为调整系数,取值范围0.7≤Kα≤1.3,初始值取1;
然后,确定箱线图的上界阈值QMax和下界阈值QMin;
随后进入步骤6;
步骤5正态分布时,计算SPC控制图参数
计算24小时用水量Qt序列的平均值u和标准差σ;计算SPC控制图上限控制线QUCL=u+3*Kβ*σ,下限控制线QLCL=u-3*Kβ*σ,下限控制线QLCL最小为0;这里,Kβ为调整系数,取值范围0.7≤Kβ≤1.3,初始值取1;
然后,确定SPC控制图的上界阈值QUCL和下界阈值QLCL;
随后进入步骤6;
步骤6工业企业用水异常监测预警
获取SCADA实测数据,针对每个采样时刻,滚动计算24小时用水量Qt,与上下界阈值比较,进行超限判断及预警。
2.根据权利要求1所述的一种工业企业大用户用水异常监测预警方法,其特征在于:还包括数据预处理:对正常日少数缺漏数据进行插补,个别异常过滤;对异常日数据进行整体剔除。
3.根据权利要求1所述的一种工业企业大用户用水异常监测预警方法,其特征在于:利用过去12个月历史数据,选择Kα;如当前Kα,能检测出全部异常事件,则微增Kα,搜索满足”全部检测出异常事件”的最大Kα值;如当前Kα,不能检测出全部异常事件,则微减Kα,搜索满足”全部检测出漏损事件”的最小Kα值。
4.根据权利要求1所述的一种工业企业大用户用水异常监测预警方法,其特征在于:利用过去12个月历史数据,选择Kβ;如当前Kβ,能检测出全部异常事件,则微增Kβ,搜索满足”全部检测出异常事件”的最大Kβ值;如当前Kβ,不能检测出全部异常事件,则微减Kβ,搜索满足”全部检测出漏损事件”的最小Kβ值。
5.根据权利要求1所述的一种工业企业大用户用水异常监测预警方法,其特征在于:持续更新工业企业用水监测数据库,如发现漏报,或误报率>5%,则重新执行步骤2,尽量利用新近的稳定期样本数据,重新确定上下界阈值,保证监测预警准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036853.6A CN111259334B (zh) | 2020-01-14 | 2020-01-14 | 一种工业企业大用户用水异常监测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036853.6A CN111259334B (zh) | 2020-01-14 | 2020-01-14 | 一种工业企业大用户用水异常监测预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259334A CN111259334A (zh) | 2020-06-09 |
CN111259334B true CN111259334B (zh) | 2023-06-23 |
Family
ID=70950517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010036853.6A Active CN111259334B (zh) | 2020-01-14 | 2020-01-14 | 一种工业企业大用户用水异常监测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259334B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364069A (zh) * | 2020-09-14 | 2021-02-12 | 光大环境科技(中国)有限公司 | 基于时间序列的热电偶故障预警方法、系统及存储介质 |
CN112598883B (zh) * | 2021-02-07 | 2021-12-31 | 国网江苏省电力有限公司苏州供电分公司 | 基于贝叶斯网络的输电线路落雷概率预警方法及预警系统 |
CN112780953B (zh) * | 2021-02-08 | 2022-07-12 | 浙江工业大学 | 一种基于模式检测的独立计量区域管网漏损检测方法 |
CN112990712A (zh) * | 2021-03-19 | 2021-06-18 | 成都青云之上信息科技有限公司 | 基于用电耗能监测的企业生产经营分析方法及系统 |
CN113469235B (zh) * | 2021-06-24 | 2024-04-26 | 珠海卓邦科技有限公司 | 用水波动异常识别方法及装置、计算机装置及存储介质 |
CN113469428A (zh) * | 2021-06-24 | 2021-10-01 | 珠海卓邦科技有限公司 | 用水性质异常识别方法及装置、计算机装置及存储介质 |
CN113586969B (zh) * | 2021-07-22 | 2022-11-25 | 杭州电子科技大学 | 一种基于准瞬态压力信号的爆管侦测方法 |
CN115713247A (zh) * | 2021-08-18 | 2023-02-24 | 中兴通讯股份有限公司 | 生产过程质量控制方法、电子设备和计算机可读存储介质 |
CN113864664B (zh) * | 2021-09-29 | 2023-08-15 | 广东粤海水务投资有限公司 | 一种基于流量分布概率计算的管网漏损预警方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093284A (zh) * | 2013-01-18 | 2013-05-08 | 杭州电子科技大学 | 一种海岛供水系统时用水量预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3425160B2 (ja) * | 1992-05-29 | 2003-07-07 | 株式会社日立製作所 | 上水道運用計画方法 |
US7920983B1 (en) * | 2010-03-04 | 2011-04-05 | TaKaDu Ltd. | System and method for monitoring resources in a water utility network |
AU2018304721B2 (en) * | 2017-07-21 | 2023-11-09 | Alarm.Com Incorporated | System and method for water leak detection |
CN109932009B (zh) * | 2018-08-31 | 2020-12-29 | 滁州市智慧水务科技有限公司 | 一种分布式自来水管网损耗监测系统及方法 |
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 |
-
2020
- 2020-01-14 CN CN202010036853.6A patent/CN111259334B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093284A (zh) * | 2013-01-18 | 2013-05-08 | 杭州电子科技大学 | 一种海岛供水系统时用水量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111259334A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259334B (zh) | 一种工业企业大用户用水异常监测预警方法 | |
CN110569248B (zh) | 一种改进spc的小区供水漏损监测预警方法 | |
CN112863134B (zh) | 一种农村污水处理设施运行异常的智能诊断系统及方法 | |
CN114047719A (zh) | 一种农村生活污水处理设施远程监测评估系统与运行方法 | |
CN113032454A (zh) | 基于云计算的交互式用户用电异常监测预警管理云平台 | |
CN105528280A (zh) | 系统日志与健康监控关系决定日志告警等级的方法及系统 | |
CN112907034B (zh) | 一种基于物联网和机器学习的分区计量漏损监控管理系统 | |
CN111898068B (zh) | 一种基于pert算法及仪表用量分析的异常检测方法 | |
CN110855012A (zh) | 一种台区实时线损智能分析系统 | |
CN208588936U (zh) | 一种废水处理监控系统 | |
CN104715156A (zh) | 一种建筑节能潜力动态评估方法 | |
CN115841398B (zh) | 一种基于物联网的供水管网漏损分析方法及系统 | |
JP5399978B2 (ja) | 水道業務支援システム、その方法及びそのプログラム | |
CN115798155A (zh) | 一种天然气计量分析系统 | |
CN113722557B (zh) | 一种燃气供销差的确定方法及装置 | |
CN115146977A (zh) | 一种基于物联网的企业能效数据管理方法及系统 | |
JP2011003142A (ja) | 水道事業マネジメント支援システム | |
CN114295162A (zh) | 一种基于数据采集的环境监测系统 | |
CN108604821A (zh) | 能量消耗报警方法、能量消耗报警系统和平台 | |
US7146288B1 (en) | System and method for estimating quantization error in sampled data | |
CN115102790B (zh) | 基于大数据的网络流量异常感知系统及方法 | |
CN114662058B (zh) | 无线站点监测方法及装置 | |
CN101923605B (zh) | 铁路防灾风预警方法 | |
CN111798212B (zh) | 一种施工企业设备运行状态监测及维护预警智能终端 | |
CN113484057A (zh) | 一种水处理设施能效的计算评估方法及其设备、系统 |
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 |