CN111520615B - 基于线谱对和三次插值搜索的管网漏损识别与定位方法 - Google Patents
基于线谱对和三次插值搜索的管网漏损识别与定位方法 Download PDFInfo
- Publication number
- CN111520615B CN111520615B CN202010352747.9A CN202010352747A CN111520615B CN 111520615 B CN111520615 B CN 111520615B CN 202010352747 A CN202010352747 A CN 202010352747A CN 111520615 B CN111520615 B CN 111520615B
- Authority
- CN
- China
- Prior art keywords
- leakage
- search
- water supply
- node
- line spectrum
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本公开是一种基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,包括:漏损数据的采集和传输;建立基于线谱对的随机森林漏损识别模型,并利用该随机森林漏损识别模型识别城市供水管网是否发生漏损;建立基于管网拓扑结构的三次插值搜索漏损定位模型,并利用该漏损定位模型确定城市供水管网发生漏损的位置。本公开将漏损信号处理技术、线性预测技术、启发式搜索定位技术相结合,能够较为准确的识别出供水管网的漏损事故,并进行高精度的漏损点定位。该方法计算效率高、实用性强,适合在大规模复杂管网中使用。本公开扩展了现有的管网漏损识别与定位方法的研究内容,为自来水公司做出科学合理的决策提供依据。
Description
技术领域
本公开涉及城市供水管网漏损检测技术领域,具体涉及一种基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法。
背景技术
随着全球气候变化的影响,以及我国城镇化的加速推进和高耗水工业的发展,我国面临越发严峻的水资源问题的挑战,主要表现为水资源人均占有量少、时空分布不均衡、水资源配置难度大这三个方面。我国水资源总量约2.8万亿m3,按2015年我国总人口核算,人均水资源占有量只有 2034m3,仅为世界人均水资源占有量的1/4。供水管网是社会发展的重要基础设施之一,是保障各项生产活动正常进行的重要基础。然而,我国许多城市的供水管网由于腐蚀、老化、变形等原因不断地发生漏损,造成水资源的大量损失。根据住房与城乡建设部《中国城市建设统计年鉴》中的供水统计数据显示,2016年全国城市供水管网的平均漏损率为15.3%,造成的漏损水量为78亿m3。同时,《水污染防治行动计划》中也提出:“着力节约保护水资源,加强城镇节约用水。到2017年,全国城市供水管网漏损率控制在12%以内;到2020年,控制在10%以内”。因此,降低我国城市供水管网漏损率,提高漏损控制管理水平已刻不容缓。
开展漏损控制研究的首要任务是进行泄漏识别与定位,主要技术可以分为以下3类:1)传统检测技术,如被动捡漏法、区域装表法等;2)基于水力学模型的方法,如负压波法、实时瞬态模型法等;3)新兴探漏技术,如地表雷达捡漏、振动声学捡漏、光纤传感捡漏等。然而,由于实际供水管网拓扑结构复杂,漏损信号容易受到干扰噪声的影响,使目前已有的管道漏损检测方法在实际应用中受限,漏损识别准确率较低。尤其是在检测现场存在多种固定干扰噪声、漏损流量较小或者管网结构复杂、管线信息未知的情况下,漏损识别误报率较高。同时,目前已有的检测方法未充分考虑管网拓扑结构的多样性和复杂性,造成漏损定位精度低,计算负荷高,浪费了有限的计算资源。
中国专利CN109555979B公布了一种供水管网漏损监测方法,该技术方法利用深度神经网络模型和局部搜索定位模型进行漏损检测,但该技术方法的计算负荷高,搜索过程属于试探法的一种,搜索效率低下,不适合在大规模复杂管网中使用。
发明内容
有鉴于此,本公开为了解决现有技术的不足,立足于我国城市供水管网现状和未来发展趋势,将漏损信号处理技术、线性预测技术、启发式搜索技术相结合,用于城市管网漏损检测,建立有效的供水管网漏损检测技术方法,提供了一种基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,以提高供水管网漏损识别与定位的准确率和可靠性,降低计算负荷,以便日常管理者能够及时发现管网漏损并及时维修,减少经济损失,辅助自来水公司做出科学合理的决策。
为达到上述目的,本公开提供了一种基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,该方法包括:
S1:漏损数据的采集和传输;
S2:建立基于线谱对的随机森林漏损识别模型,并利用该随机森林漏损识别模型识别城市供水管网是否发生漏损;
S3:建立基于管网拓扑结构的三次插值搜索漏损定位模型,并利用该漏损定位模型确定城市供水管网发生漏损的位置。
上述方案中,步骤S2中所述建立基于线谱对的随机森林漏损识别模型,并利用该随机森林漏损识别模型识别城市供水管网是否发生漏损,包括:
步骤S21:建立基于线谱对的随机森林漏损识别模型;
步骤S22:该随机森林漏损识别模型接收传感器采集的原始漏损信号 S0(t),对原始漏损信号S0(t)进行预处理得到第一漏损信号S1(t);
步骤S23:该随机森林漏损识别模型中的低通滤波器对第一漏损信号 S1(t)进行低通滤波得到第二漏损信号S2(t);
步骤S24:该随机森林漏损识别模型中的经验模态分解模块对第二漏损信号S2(t)进行经验模态分解去噪,得到第三漏损信号S3(t);
步骤S25:该随机森林漏损识别模型中的线性预测器提取第三漏损信号S3(t)中的线谱对,并将其随机分为训练集和测试集;
步骤S26:该随机森林漏损识别模型中的随机森林分类器对上述线谱对进行管道漏损事件识别,输出漏损识别结果。
上述方案中,步骤S22中所述预处理包括消除趋势项和直流分量,用于去除由于采集系统不稳定而造成的测量误差;步骤S23中所述低通滤波器采用巴特沃斯低通滤波器,用于去除第一漏损信号S1(t)中的频率高于 3000Hz的高频干扰成分;步骤S24中所述经验模态分解去噪用于去除第二漏损信号S2(t)中的随机干扰噪声,保留第二漏损信号S2(t)中的低频成分;步骤S25中所述线谱对用于表征第三漏损信号S3(t)的频谱特点。
上述方案中,步骤S3中所述建立基于管网拓扑结构的三次插值搜索漏损定位模型,并利用该漏损定位模型确定城市供水管网发生漏损的位置,包括:
步骤S31:建立基于管网拓扑结构的三次插值搜索漏损定位模型;
步骤S32:通过上述基于线谱对的随机森林漏损识别模型识别发生漏损事件时所对应的传感器Sk,该漏损定位模型中的搜索回路确定模块以这些传感器S″24k为基点,以最短路径在管网图上形成一个搜索回路;
步骤S33:该漏损定位模型中的搜索管线确定模块依次计算上述搜索回路中第n个管道节点的目标函数Fn值,以最小的Fn值所对应的管道节点θ为中心,选取与管道节点θ相连接的管段作为搜索管线;
步骤S34:该漏损定位模型中的三次插值搜索确定模块依据上述搜索管线建立三次插值搜索算法,每段搜索管线的搜索起点为节点a,对应的搜索值为da;搜索终点为节点b,对应的搜索值为db;搜索结果为节点c,对应的搜索值为dc;
步骤S35:该漏损定位模型中的三次插值搜索执行模块对上述搜索管线进行三次插值搜索,通过判断节点a的目标函数Fa的导数值F′a与0的大小及节点b的目标函数Fb的导数值F′b与0的大小,确定城市供水管网发生漏损的位置。
上述方案中,步骤S32中所述搜索回路包括管道节点n、管道长度Li、传感器Sk,n、i、k均为正整数;所述最短路径是指经过传感器S″24k的搜索回路中的最短周长。
上述方案中,步骤S33中所述基于管网拓扑结构的三次插值搜索算法,目标函数如式(5)所示,
Fn=∑j≠kCjk[(tj-tk)-(τnj-τnk)]2 (5)
式(5)中,Fn表示第n个管道节点的目标函数值;tj表示漏损信号到达传感器Sj所需要的时间,tk表示漏损信号到达传感器Sk所需要的时间;τnj表示漏损信号从管道节点n到达传感器Sj所需要的时间,τnk表示漏损信号从管道节点n到达传感器Sk所需要的时间;Cjk表示传感器Sj和传感器Sk之间的互相关系数,所述互相关系数用来表征两个传感器采集到的信号之间的相似性,如式(6)所示,
式(6)中,Cjk表示互相关系数,rjk表示传感器Sj和传感器Sk的互相关函数值,rj(0)表示传感器Sj在零时刻的自相关函数值,rk(0)表示传感器Sk在零时刻的自相关函数值。
上述方案中,步骤S34中所述三次插值搜索,是一种启发式搜索技术,搜索参数包括h,q,w,dc,如式(7)至式(10)所示,
q=h-F′a-F′b (8)
w2=q2-FaFb (9)
式(7)至式(10)中,F′a表示节点a的目标函数Fa的导数值,F′b表示节点b的目标函数Fb的导数值。
上述方案中,步骤S35中所述该漏损定位模型通过判断节点a的目标函数Fa的导数值F′a与0的大小及节点b的目标函数Fb的导数值F′b与0的大小,确定城市供水管网发生漏损的位置,具体包括:
如果F′a>0,F′b>0,则节点a就是漏损点,da就为漏损点的位置;
如果F′a<0,F′b<0,则节点b就是漏损点,db就为漏损点的位置;
如果F′a<0,F′b>0,则对管线进行上述三次插值搜索,搜索结果节点c就是漏损点,dc就为漏损点的位置。
上述方案中,步骤S1中所述漏损数据的采集和传输,是利用设置于城市供水管网上的传感器采集城市供水管网的漏损数据信号,并将采集到的漏损信号传输至控制中心。
上述方案中,所述传感器包括水听器、加速度传感器和高频压力计,其中,水听器采集沿水介质传播的漏损信号,加速度传感器采集沿管壁传播的漏损信号,高频压力计采集管内的压力信号;所述传感器将采集到的漏损信号无线传输至控制中心,并且存储于控制中心的存储设备中;控制中心或传感器还从城市供水管网数据库中获取管网的基本信息,包括管材、管径、管长、管配件以及管网拓扑结构。
从上述技术方案可以看出,本公开具有以下优点及突出性的技术效果:
1)本公开提供的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,将线性预测技术和启发式搜索定位技术相结合,明显提高了漏损事件的识别准确率和漏点的定位精度,有效降低了漏点定位搜索的计算负荷,很好的平衡了漏损检测精度和计算复杂度之间的关系,该方法适合在大规模复杂管网中应用。
2)本公开提供的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,采用基于线谱对的随机森林模型用于识别漏损事故,将线性预测技术和随机森林模型结合,克服了目前漏损识别精度低、计算负荷高的问题,使其不仅能够在复杂工况条件下进行高精度的漏损识别,还提高了漏损检测效率,有效降低了计算复杂性,节约了有限的计算资源。
3)本公开提供的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,采用基于管网拓扑结构的三次插值搜索定位模型用于漏点定位,在供水管网中采用三次插值搜索算法寻找漏损点,提高了漏损定位方法的计算效率;在三次插值搜索算法的目标函数中采用互相关系数来表征不同传感器之间采集信号的相似性,提高了模型的定位精度和抗干扰能力。
4)本公开提供的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,能够提高供水管网漏损识别与定位的准确率和可靠性,降低计算负荷,以便日常管理者能够及时发现管网漏损并及时维修,减少经济损失,辅助自来水公司做出科学合理的决策,为管网结构维护、维修与管理决策提供依据和指导。
附图说明
图1为本公开提供的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位的方法流程图。
图2为本公开提供的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法的示意图。
图3为依据本公开实施例的基于线谱对的随机森林漏损识别模型的结构示意图。
图4为依据本公开实施例的某区域的供水管网拓扑结构示意图。
图5为依据本公开实施例的利用漏损定位模型确定城市供水管网发生漏损位置的方法流程图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。应当理解的是,虽然对本公开的实施方式进行了说明,但是显然,本公开不限定于上述实施方式,可以在不脱离其主旨的范围内进行各种变形。
如图1所示,本公开提供了一种基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,包括以下步骤:
步骤S1:漏损数据的采集和传输;
步骤S2:建立基于线谱对的随机森林漏损识别模型,并利用该随机森林漏损识别模型识别城市供水管网是否发生漏损;
步骤S3:建立基于管网拓扑结构的三次插值搜索漏损定位模型,并利用该漏损定位模型确定城市供水管网发生漏损的位置,实现城市供水管网漏损识别与定位。
总体而言,本公开方法主要包括三部分,依次为漏损数据的采集和传输,漏损事件的识别,以及漏损位置的定位,如图2所示。
其中,步骤S1中所述漏损数据的采集和传输,是利用设置于城市供水管网上的传感器采集城市供水管网的漏损数据信号,并将采集到的漏损信号传输至控制中心。传感器可以包括水听器、加速度传感器和高频压力计,其中,水听器采集沿水介质传播的漏损信号,加速度传感器采集沿管壁传播的漏损信号,高频压力计采集管内的压力信号。传感器将采集到的漏损信号无线传输至控制中心,并且存储于控制中心的存储设备中,存储设备例如是计算机、存储器、数据库等。同时,控制中心或传感器还可以从城市供水管网数据库中获取管网的基本信息,包括管材、管径、管长、管配件以及管网拓扑结构等。
步骤S2中所述建立基于线谱对的随机森林漏损识别模型,并利用该随机森林漏损识别模型识别城市供水管网是否发生漏损,如图3所示,具体步骤包括:
步骤S21:建立基于线谱对的随机森林漏损识别模型;
该基于线谱对的随机森林漏损识别模型包括信号预处理模块、低通滤波器、经验模态分解模块、线性预测器和随机森林分类器,其中:信号预处理模块,用于对漏损信号进行预处理,去除由于采集系统不稳定而造成的测量误差;低通滤波器,用于对漏损信号进行低通滤波处理,去除漏损信号中的干扰成分;经验模态分解模块,用于对漏损信号进行去噪处理,去除漏损信号中的干扰噪声;线性预测器,用于建立漏损信号在不同时刻之间的线性关系,提取漏损信号的线谱对;随机森林分类器,用于对上述提取的线谱对进行识别。
步骤S22:该随机森林漏损识别模型接收传感器采集的原始漏损信号 S0(t),对原始漏损信号S0(t)进行预处理得到第一漏损信号S1(t);所述预处理包括消除趋势项和直流分量,用于去除由于采集系统不稳定而造成的测量误差。
步骤S23:该随机森林漏损识别模型中的低通滤波器对第一漏损信号 S1(t)进行低通滤波得到第二漏损信号S2(t);所述低通滤波器属于数字滤波器的一种,可以采用巴特沃斯低通滤波器,用于去除第一漏损信号S1(t)中的频率高于3000Hz的高频干扰成分。
步骤S24:该随机森林漏损识别模型中的经验模态分解模块对第二漏损信号S2(t)进行经验模态分解去噪,得到第三漏损信号S3(t);所述经验模态分解属于降噪算法的一种,用于去除第二漏损信号S2(t)中的随机干扰噪声,保留第二漏损信号S2(t)中的低频成分。
步骤S25:该随机森林漏损识别模型中的线性预测器提取第三漏损信号S3(t)中的线谱对,并将其随机分为训练集和测试集;所述线性预测器是线性预测技术的一种,用于表征第三漏损信号S3(t)在不同时刻之间的线性关系;所述线谱对属于上述线性预测器输出的一种,用于表征第三漏损信号S3(t)的频谱特点,具有简单、高效的特点。
步骤S26:该随机森林漏损识别模型中的随机森林分类器对上述提取的线谱对进行管道漏损事件识别,输出漏损识别结果,所述随机森林分类器属于机器学习模型的一种,具有较强的数据处理能力;
所述漏损识别结果按漏损流量的大小一般可以划分为7类,具体如表 1所示:
漏损分类 | 漏损流量(m<sup>3</sup>/h) |
1 | 0 |
2 | 0.0-2.5 |
3 | 2.5-5.0 |
4 | 5.0-10.0 |
5 | 10.0--15.0 |
6 | 15.0--20.0 |
7 | 20.0以上 |
表1漏损识别结果
对于每个传感器都采用上述基于线谱对的随机森林漏损识别模型进行建模,具体步骤如下:
1)获取单个传感器的原始漏损信号S0(t),对其进行上述预处理后得到第一漏损信号S1(t),第一漏损信号S1(t)通过低通滤波器后得到第二漏损信号S2(t),对第二漏损信号S2(t)进行经验模态分解去噪后得到第三漏损信号S3(t)。
2)对第三漏损信号S3(t)建立线性预测方程,所述线性预测方程如式 (1)所示,
式(1)中,p表示线性预测方程的阶数,ai表示第i个线性预测系数, G表示增益常数,u(t)表示白噪声序列。
获取上述线性预测方程的线性预测系数ai,提取漏损信号S3(t)的线谱对,所述线谱对是线性预测系数ai的一种表现形式,通过求解p+1阶对称多项式P(z)和p+1阶反对称多项式Q(z)得到,如式(2)至式(4)所示,
P(z)=A(z)+z-(p+1)A(z-1) (2)
Q(z)=A(z)-z-(p+1)A(z-1) (3)
式(2)至式(4)中,A(z)表示线性预测逆滤波器,z表示数字信号处理中的Z变换域。
提取漏损信号S3(t)的线谱对,并将上述线谱对随机分为训练集和测试集。
3)使用训练集对上述基于线谱对的随机森林漏损识别模型进行训练,使用测试集对上述训练好的模型进行测试,采用混淆矩阵评估模型效果,所述混淆矩阵如表2所示:
正常事件 | 漏损事件 | |
模型识别为正常事件 | TP | FP |
模型识别为漏损事件 | FN | TN |
表2混淆矩阵
表2中,TP值表示实际中的正常事件,模型识别结果也为正常事件; FP值表示实际中的漏损事件,模型识别结果为正常事件;FN值表示实际中的正常事件,模型识别结果为漏损事件;TN值表示实际中的漏损事件,模型识别结果也为漏损事件。
根据上述4个值,计算模型的识别准确率=TN/(FP+TN)与误报率=FN/ (TP+FN),准确率越高,误报率越低,模型效果越好。
在本公开的一个实施例中,对第三漏损信号S3(t)建立如上式(1)的线性预测方程,上述线性预测方程的阶数p等于12。提取第三漏损信号S3(t) 的线谱对,并将其随机分为训练集和测试集,其中训练集有8000个样本,测试集有2000个样本;
使用训练集对上述基于线谱对的随机森林漏损识别模型进行训练,使用测试集对上述训练好的模型进行测试,采用混淆矩阵评估模型效果,测试结果如表3所示:
正常事件 | 漏损事件 | |
模型识别为正常事件 | 1850个 | 5个 |
模型识别为漏损事件 | 8个 | 125个 |
表3测试集的混淆矩阵
所以,该方法的漏损事件识别准确率为125/(125+5)=96.15%,误报率为8/(1850+8)=0.43%,模型效果较好。
图4所示为本案例中某区域的供水管网拓扑结构示意图,在管道节点处或消火栓处安装传感器,该管网共有5个传感器S1…S5,5个管道节点 n1…n5,10段管线L1…L10,1个实际漏损点M。
步骤S3中所述建立基于管网拓扑结构的三次插值搜索漏损定位模型,并利用该漏损定位模型确定城市供水管网发生漏损的位置,如图5所示,具体步骤如下:
步骤S31:建立基于管网拓扑结构的三次插值搜索漏损定位模型;
该基于管网拓扑结构的三次插值搜索漏损定位模型包括:搜索回路确定模块、搜索管线确定模块、三次插值搜索确定模块和三次插值搜索执行模块,其中:搜索回路确定模块,用于寻找管网中的不同管道节点、不同传感器之间的最短路径,确定搜索回路;搜索管线确定模块,用于计算上述搜索回路中所有管道节点的目标函数值,以上述目标函数值中的最小值所对应的管道节点为中心,选取和该管道节点相连接的管线作为搜索管线;三次插值搜索确定模块,用于依据上述搜索管线建立三次插值搜索算法,在该搜索算法的目标函数中加入互相关系数来表征不同传感器采集到的漏损信号之间的相关性;三次插值搜索执行模块,用于对搜索管线进行三次插值搜索,确定漏损点的位置。
步骤S32:通过上述基于线谱对的随机森林漏损识别模型识别发生漏损事件时所对应的传感器Sk,该漏损定位模型中的搜索回路确定模块以这些传感器S″24k为基点,以最短路径在管网图上形成一个搜索回路。所述搜索回路包括管道节点n、管道长度Li、传感器Sk,n、i、k均为正整数。所述最短路径是指经过传感器S″24k的搜索回路中的最短周长。
步骤S33:该漏损定位模型中的搜索管线确定模块依次计算上述搜索回路中第n个管道节点的目标函数Fn值,以最小的Fn值所对应的管道节点θ为中心,选取与管道节点θ相连接的管段作为搜索管线;
所述目标函数Fn如式(5)所示,
Fn=∑j≠kCjk[(tj-tk)-(τnj-τnk)]2 (5)
式(5)中,Fn表示第n个管道节点的目标函数值;tj表示漏损信号到达传感器Sj所需要的时间,tk表示漏损信号到达传感器Sk所需要的时间;τnj表示漏损信号从管道节点n到达传感器Sj所需要的时间,τnk表示漏损信号从管道节点n到达传感器Sk所需要的时间;Cjk表示传感器Sj和传感器Sk之间的互相关系数,所述互相关系数用来表征两个传感器采集到的漏损信号之间的相似性,如式(6)所示,
式(6)中,Cjk表示互相关系数,rjk表示传感器Sj和传感器Sk的互相关函数值,rj(0)表示传感器Sj在零时刻的自相关函数值,rk(0)表示传感器Sk在零时刻的自相关函数值。
步骤S34:该漏损定位模型中的三次插值搜索确定模块依据上述搜索管线建立三次插值搜索算法,每段搜索管线的搜索起点为节点a,对应的搜索值为da;搜索终点为节点b,对应的搜索值为db;搜索结果为节点c,对应的搜索值为dc。所述三次插值搜索算法属于一种启发式搜索技术,搜索参数包括h,q,w,dc,如式(7)至式(10)所示,
q=h-F′a-F′b (8)
w2=q2-FaFb (9)
式(7)至式(10)中,F′a表示节点a的目标函数Fa的导数值,F′b表示节点b的目标函数Fb的导数值。
步骤S35:该漏损定位模型中的三次插值搜索执行模块对上述搜索管线进行三次插值搜索,通过判断节点a的目标函数Fa的导数值F′a与0的大小及节点b的目标函数Fb的导数值F′b与0的大小,确定城市供水管网发生漏损的位置,具体如下:
如果F′a>0,F′b>0,则节点a就是漏损点,da就为漏损点的位置;如果F′a<0,F′b<0,则节点b就是漏损点,db就为漏损点的位置;如果 F′a<0,F′b>0,则对管线进行上述三次插值搜索,搜索结果节点c就是漏损点,dc就为漏损点的位置。
在本公开的一个实施例中,建立基于管网拓扑结构的三次插值搜索漏损定位模型,并利用该漏损定位模型确定城市供水管网发生漏损的位置,具体步骤如下:
1)通过上述随机森林漏损识别模型识别发生漏损事件时所对应的传感器为S1…S5,然后该漏损定位模型以传感器S1…S5为基点,以最短路径在管网图上形成一个搜索回路;所述搜索回路包括5个传感器S1…S5,5个管道节点n1…n5,10段管线L1…L10,表4所示为该区域管网的基本数据。
管段编号 | 管长(米) | 管段编号 | 管长(米) |
L<sub>1</sub> | 71 | L<sub>6</sub> | 41 |
L<sub>2</sub> | 43 | L<sub>7</sub> | 38 |
L<sub>3</sub> | 113 | L<sub>8</sub> | 49 |
L<sub>4</sub> | 47 | L<sub>9</sub> | 154 |
L<sub>5</sub> | 129 | L<sub>10</sub> | 29 |
表4某区域管网的基本数据
2)该漏损定位模型依次计算5个管道节点n1…n5的目标函数值Fn,节点n2对应的目标函数值Fn2最小;以管道节点n2为中心,选择和节点n2相连接的3段管线L3、L4、L5作为搜索管线。
3)该漏损定位模型依次对上述3段搜索管线进行三次插值搜索。对于管线L3,搜索起点为管道节点n1,搜索终点为管道节点n2,因为F′n1<0, F′n2<0,所以管道节点n2为可能的漏损点。对于管线L4,搜索起点为传感器S2所在的位置,搜索终点为管道节点n2,因为F′s2<0,F′n2<0,所以管道节点n2为可能的漏损点。对于管线L5,搜索起点为管道节点n2,搜索终点为管道节点n3,因为F′n2<0,F′n3>0,所以对该段管线进行三次插值搜索,依次计算式(7)至式(10),搜索结果为节点c。综上分析,上述节点c就是该技术方法最终确定的漏损点,节点c与实际漏损点M相距0.18 米,定位精度较高。
以上结果说明,本公开提供的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,能够较为准确的识别出供水管网的漏损事件,并且能够较为精确的对漏损位置进行定位。该方法计算效率高、实用性强,扩展了现有的管网漏损识别与定位方法的研究内容,为自来水公司进行快速识别与定位漏损点提供依据和指导。
以上所述的具体实施例,对本公开的目的、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,以上所述仅为本公开的具体实施例而已,并不用于限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (9)
1.一种基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,其特征在于,该方法包括:
S1:漏损数据的采集和传输;
S2:建立基于线谱对的随机森林漏损识别模型,并利用该随机森林漏损识别模型识别城市供水管网是否发生漏损;
S3:建立基于管网拓扑结构的三次插值搜索漏损定位模型,并利用该漏损定位模型确定城市供水管网发生漏损的位置;
其中,步骤S3中所述建立基于管网拓扑结构的三次插值搜索漏损定位模型,并利用该漏损定位模型确定城市供水管网发生漏损的位置,包括:
步骤S31:建立基于管网拓扑结构的三次插值搜索漏损定位模型;
步骤S32:通过上述基于线谱对的随机森林漏损识别模型识别发生漏损事件时所对应的传感器Sk,该漏损定位模型中的搜索回路确定模块以这些传感器S″24k为基点,以最短路径在管网图上形成一个搜索回路;
步骤S33:该漏损定位模型中的搜索管线确定模块依次计算上述搜索回路中第n个管道节点的目标函数Fn值,以最小的Fn值所对应的管道节点θ为中心,选取与管道节点θ相连接的管段作为搜索管线;
步骤S34:该漏损定位模型中的三次插值搜索确定模块依据上述搜索管线建立三次插值搜索算法,每段搜索管线的搜索起点为节点a,对应的搜索值为da;搜索终点为节点b,对应的搜索值为db;搜索结果为节点c,对应的搜索值为dc;
步骤S35:该漏损定位模型中的三次插值搜索执行模块对上述搜索管线进行三次插值搜索,通过判断节点a的目标函数Fa的导数值F′a与0的大小及节点b的目标函数Fb的导数值F′b与0的大小,确定城市供水管网发生漏损的位置。
2.根据权利要求1所述的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,其特征在于,步骤S2中所述建立基于线谱对的随机森林漏损识别模型,并利用该随机森林漏损识别模型识别城市供水管网是否发生漏损,包括:
步骤S21:建立基于线谱对的随机森林漏损识别模型;
步骤S22:该随机森林漏损识别模型接收传感器采集的原始漏损信号S0(t),对原始漏损信号S0(t)进行预处理得到第一漏损信号S1(t);
步骤S23:该随机森林漏损识别模型中的低通滤波器对第一漏损信号S1(t)进行低通滤波得到第二漏损信号S2(t);
步骤S24:该随机森林漏损识别模型中的经验模态分解模块对第二漏损信号S2(t)进行经验模态分解去噪,得到第三漏损信号S3(t);
步骤S25:该随机森林漏损识别模型中的线性预测器提取第三漏损信号S3(t)中的线谱对,并将其随机分为训练集和测试集;
步骤S26:该随机森林漏损识别模型中的随机森林分类器对上述线谱对进行管道漏损事件识别,输出漏损识别结果。
3.根据权利要求2所述的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,其特征在于,
步骤S22中所述预处理包括消除趋势项和直流分量,用于去除由于采集系统不稳定而造成的测量误差;
步骤S23中所述低通滤波器采用巴特沃斯低通滤波器,用于去除第一漏损信号S1(t)中的频率高于3000Hz的高频干扰成分;
步骤S24中所述经验模态分解去噪用于去除第二漏损信号S2(t)中的随机干扰噪声,保留第二漏损信号S2(t)中的低频成分;
步骤S25中所述线谱对用于表征第三漏损信号S3(t)的频谱特点。
4.根据权利要求1所述的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,其特征在于,步骤S32中所述搜索回路包括管道节点n、管道长度Li、传感器Sk,n、i、k均为正整数;所述最短路径是指经过传感器S″24k的搜索回路中的最短周长。
5.根据权利要求1所述的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,其特征在于,步骤S33中所述基于管网拓扑结构的三次插值搜索算法,目标函数如式(5)所示,
Fn=∑j≠kCjk[(tj-tk)-(τnj-τnk)]2 (5)
式(5)中,Fn表示第n个管道节点的目标函数值;tj表示漏损信号到达传感器Sj所需要的时间,tk表示漏损信号到达传感器Sk所需要的时间;τnj表示漏损信号从管道节点n到达传感器Sj所需要的时间,τ nk 表示漏损信号从管道节点n到达传感器Sk所需要的时间;Cjk表示传感器Sj和传感器Sk之间的互相关系数,所述互相关系数用来表征两个传感器采集到的信号之间的相似性,如式(6)所示,
式(6)中,Cjk表示互相关系数,rjk表示传感器Sj和传感器Sk的互相关函数值,rj(0)表示传感器Sj在零时刻的自相关函数值,rk(0)表示传感器Sk在零时刻的自相关函数值。
7.根据权利要求1所述的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,其特征在于,步骤S35中所述该漏损定位模型通过判断节点a的目标函数Fa的导数值F′a与0的大小及节点b的目标函数Fb的导数值F′b与0的大小,确定城市供水管网发生漏损的位置,具体包括:
如果F′a>0,F′b>0,则节点a就是漏损点,da就为漏损点的位置;
如果F′a<0,F′b<0,则节点b就是漏损点,db就为漏损点的位置;
如果F′a<0,F′b>0,则对管线进行上述三次插值搜索,搜索结果节点c就是漏损点,dc就为漏损点的位置。
8.根据权利要求1所述的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,其特征在于,步骤S1中所述漏损数据的采集和传输,是利用设置于城市供水管网上的传感器采集城市供水管网的漏损数据信号,并将采集到的漏损信号传输至控制中心。
9.根据权利要求8所述的基于线谱对和三次插值搜索的城市供水管网漏损识别与定位方法,其特征在于,
所述传感器包括水听器、加速度传感器和高频压力计,其中,水听器采集沿水介质传播的漏损信号,加速度传感器采集沿管壁传播的漏损信号,高频压力计采集管内的压力信号;
所述传感器将采集到的漏损信号无线传输至控制中心,并且存储于控制中心的存储设备中;
控制中心或传感器还从城市供水管网数据库中获取管网的基本信息,包括管材、管径、管长、管配件以及管网拓扑结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010352747.9A CN111520615B (zh) | 2020-04-28 | 2020-04-28 | 基于线谱对和三次插值搜索的管网漏损识别与定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010352747.9A CN111520615B (zh) | 2020-04-28 | 2020-04-28 | 基于线谱对和三次插值搜索的管网漏损识别与定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111520615A CN111520615A (zh) | 2020-08-11 |
CN111520615B true CN111520615B (zh) | 2021-03-16 |
Family
ID=71902995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010352747.9A Active CN111520615B (zh) | 2020-04-28 | 2020-04-28 | 基于线谱对和三次插值搜索的管网漏损识别与定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111520615B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112460495B (zh) * | 2020-11-14 | 2022-09-27 | 武汉众智鸿图科技有限公司 | 面向漏损监测定位的监测点布局方法及系统 |
CN113567063A (zh) * | 2021-07-23 | 2021-10-29 | 宁波水表(集团)股份有限公司 | 一种供水管网漏损噪声数据库的构建及应用方法 |
CN114370612B (zh) * | 2022-01-19 | 2022-10-14 | 安徽欧泰祺智慧水务科技有限公司 | 基于随机森林模型的供水管道状态监测方法 |
CN114877262A (zh) * | 2022-04-20 | 2022-08-09 | 成都千嘉科技股份有限公司 | 基于ai芯片燃气管道泄漏的声发射检测方法 |
CN115127037B (zh) * | 2022-09-01 | 2022-11-11 | 北京云庐科技有限公司 | 一种供水管网漏损定位方法及系统 |
CN115127036B (zh) * | 2022-09-01 | 2022-11-08 | 北京云庐科技有限公司 | 一种市政燃气管网漏损定位方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11224097A (ja) * | 1998-02-05 | 1999-08-17 | Nippon Telegr & Teleph Corp <Ntt> | 音声の有音/休止判定方法およびその装置 |
CN102043967A (zh) * | 2010-12-08 | 2011-05-04 | 中国科学院自动化研究所 | 一种有效的运动目标行为建模与识别方法 |
CN102708871A (zh) * | 2012-05-08 | 2012-10-03 | 哈尔滨工程大学 | 基于条件高斯混合模型的线谱对参数降维量化方法 |
CN107355687A (zh) * | 2017-06-09 | 2017-11-17 | 昆明理工大学 | 一种下水管道故障检测方法 |
CN109555979A (zh) * | 2018-12-10 | 2019-04-02 | 清华大学 | 一种供水管网漏损监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006000027A1 (en) * | 2004-06-23 | 2006-01-05 | Telstra Corporation Limited | A network optimisation system |
CN103839190A (zh) * | 2014-02-19 | 2014-06-04 | 清华大学深圳研究生院 | 基于压力监测的管网节点流量计量与调度方法 |
-
2020
- 2020-04-28 CN CN202010352747.9A patent/CN111520615B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11224097A (ja) * | 1998-02-05 | 1999-08-17 | Nippon Telegr & Teleph Corp <Ntt> | 音声の有音/休止判定方法およびその装置 |
CN102043967A (zh) * | 2010-12-08 | 2011-05-04 | 中国科学院自动化研究所 | 一种有效的运动目标行为建模与识别方法 |
CN102708871A (zh) * | 2012-05-08 | 2012-10-03 | 哈尔滨工程大学 | 基于条件高斯混合模型的线谱对参数降维量化方法 |
CN107355687A (zh) * | 2017-06-09 | 2017-11-17 | 昆明理工大学 | 一种下水管道故障检测方法 |
CN109555979A (zh) * | 2018-12-10 | 2019-04-02 | 清华大学 | 一种供水管网漏损监测方法 |
Non-Patent Citations (1)
Title |
---|
基于LSP 线谱对参数的GMM 说话人识别系统;陈俊等;《微计算机信息》;20100228;第26卷(第2-1期);第181-182页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111520615A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111520615B (zh) | 基于线谱对和三次插值搜索的管网漏损识别与定位方法 | |
CN109555979B (zh) | 一种供水管网漏损监测方法 | |
Hu et al. | Novel leakage detection and water loss management of urban water supply network using multiscale neural networks | |
CN107590516B (zh) | 基于光纤传感数据挖掘的输气管道泄漏检测识别方法 | |
Song et al. | Gas leak detection in galvanised steel pipe with internal flow noise using convolutional neural network | |
JP6872077B2 (ja) | 水道管の漏水検知方法 | |
Srirangarajan et al. | Wavelet-based burst event detection and localization in water distribution systems | |
CN100552668C (zh) | 基于压力和声波信息融合的泄漏检测定位方法 | |
Tariq et al. | Data-driven application of MEMS-based accelerometers for leak detection in water distribution networks | |
CN102235575A (zh) | 用于检查管道泄露的数据处理方法及系统 | |
Chuang et al. | Leak detection in water distribution pipes based on CNN with mel frequency cepstral coefficients | |
Rashid et al. | WML: Wireless sensor network based machine learning for leakage detection and size estimation | |
Yu et al. | Leak detection in water distribution systems by classifying vibration signals | |
CN109344195B (zh) | 基于hmm模型的管道安全事件识别及知识挖掘方法 | |
CN106352243A (zh) | 一种基于声波法的输气管道泄露检测系统 | |
CN101592288B (zh) | 一种管道泄漏辨识方法 | |
CN112097126B (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 | |
CN112377817B (zh) | 一种市政管网爆管监测系统及方法 | |
Mei et al. | Adaptive signal enhancement based on improved VMD-SVD for leak location in water-supply pipeline | |
CN107023755A (zh) | 管网泄漏监测定位方法及系统 | |
CN111222743A (zh) | 一种光纤感知事件的垂直偏移距离及威胁级别判断方法 | |
Ismail et al. | Analysis and procedures for water pipeline leakage using three-axis accelerometer sensors: ADXL335 and MMA7361 | |
Wang et al. | Real-time identification of natural gas pipeline leakage apertures based on lightweight residual convolutional neural network | |
CN108181059A (zh) | 基于小波信号的多相流管道泄漏声波信号识别方法 | |
CN111695465A (zh) | 基于压力波模式识别的管网故障诊断与定位方法及系统 |
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 |