CN113362200B - 一种时空维度组合的异常检测方法及系统 - Google Patents
一种时空维度组合的异常检测方法及系统 Download PDFInfo
- Publication number
- CN113362200B CN113362200B CN202110750268.7A CN202110750268A CN113362200B CN 113362200 B CN113362200 B CN 113362200B CN 202110750268 A CN202110750268 A CN 202110750268A CN 113362200 B CN113362200 B CN 113362200B
- Authority
- CN
- China
- Prior art keywords
- pipe network
- network data
- detection
- data
- updated
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 145
- 230000005856 abnormality Effects 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000003860 storage Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 7
- 239000002737 fuel gas Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research 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
- 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)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pipeline Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种时空维度组合的异常检测方法和系统,所述方法包括:周期性的获取管网数据用于进行检测和预测;基于更新管网数据和历史管网数据计算异常得分;根据异常得分情况确定是否进行存在异常;本发明找出因为管网结构引起的不同检测点间数据的关联性,通过显著性选择以及对所述关联性进行分析,通过引入结构信息提高检测灵敏度;通过查询的方式降低大数据分析难度,提高了异常检测效率。
Description
【技术领域】
本发明属于燃气管理技术领域,尤其涉及一种时空维度组合的异常检测方法及系统。
【背景技术】
随着国民经济的迅速发展,我国的城市全面建设情况得到持续性的改善,加之对轻巧能源一天然气的广泛开发与利用,其作为城镇建设与生活需求的重耍来源,与城镇管网的规划设计与可靠安全程度密不可分。伴随着燃气在城市能源中的比重越来越大,用气城市越来越多,用气量自然越来越大,相应地,燃气管网变得越来越普及与庞大,其结构也越来越复杂,随之人们对城市燃气规划的要求也越来越高。且燃气事故的频频发生引起人们的警钟,因此对大型的燃气输配管网系统可靠性的研究就极为重要。现阶段国内方面我国主要的天然气管道虽贯穿我国东西南北,但是尚未达到普及全国各主要城市的要求。一方面,城市燃气在居民生活与社会建设中扮演着重要的角色,其承载方式-城市燃气管网随之得到迅速发展与普及。然而由于城市燃气具有易燃、易爆等特点,管道一旦失效发生泄露和次生灾害(如中毒、窒息、燃烧等),其后果是相当严重的。另一方面,随着国内科技的进步与互联网的发展,现代化的加快,地下管线也变得更巨大、更密集,其种类变得更繁多,管网的形式已经由单一发展到包括燃气、给水、排水、电力、热力、有线电视、工业管道等多类别、布局的综合管网。而且我国中小城市管网泄漏检测手段仍然以人工方法为主,由专业人员通过听漏仪探测泄漏管段。但是这种方法工作量大、抗干扰性差且必须由有经验的专业人员操作。目前,在国外广泛应用的是集信号收集、处理、计算机相关软件系统分析定位于一体的检测设备,并且有专门的公司提供检漏和技术支持服务。虽然我国有进口国外的先进检测设备,但是由于我国供水管网的特点和埋设环境等与国外不同,仪器的参数无法与我国管网相符合,所以常常会导致定位不准确。
但是,燃气管网是城市最重要的组成部分,管网的资料是城市发展和建设的基本信息。只有运用互联网、云计算和GIS技术,才能充分的利用先进技术,才能够基于大数据进行管网数据的智慧管理。如何利用大数据对城市燃气管网数据作分析和利用,是一个很复杂的问题。本发明找出因为管网结构引起的不同检测点间数据的关联性,通过显著性选择以及对所述关联性进行分析,通过引入结构信息提高检测灵敏度;通过查询的方式降低大数据分析难度,提高了异常检测效率。
【发明内容】
为了解决现有技术中的上述问题,本发明提出了一种时空维度组合的异常检测方法及系统,所述方法包括如下步骤:
步骤S1:周期性的获取管网数据用于进行检测和预测;
步骤S2:基于更新管网数据和历史管网数据计算异常得分
步骤S3:根据异常得分情况确定是否进行存在异常。
进一步的,所述步骤S2具体为:根据异常得分情况确定在空间层次上再判断、在时间层次上继续确认异常、或保持现状继续检测。
进一步的,所述步骤S1具体为:周期性的而获取新的管网数据,并进行管网数据更新。
进一步的,基于更新管网数据和更新管网数据计算和数据尺度对应的特征值序列。
进一步的,所述步骤S2还包括:比较更新管网数据和历史管网数据以得到异常得分。
进一步的,检测值包括燃气流量、阀门开度、压力值、绝对温度、燃气密度。
一种时空维度组合的异常检测系统,其特征在于,包含:服务器和一个或者多个客户终端,客户终端提交监测点设置请求;所述服务器基于所述设置请求,用于执行所述时空维度组合的异常检测方法。
一种时空维度组合的异常检测装置,其特征在于,包含:
一储存单元,配置以储存一应用程序:以及
一处理单元,电性耦接于一输入单元以及该储存单元,该处理单元配置以执行所述的时空维度组合的异常检测方法。
一种用于时空维度组合的异常检测的存储介质,其特征在于,所述存储介质用于存储执行所述的时空维度组合的异常检测方法的指令。
一种用于时空维度组合的异常检测的程序,其特征在于,所述程序包含所述的时空维度组合的异常检测方法的指令。
本发明的有益效果包括:(1)设置和数据尺度对应的特征值序列以提高检测敏感性和效率;(2)找出因为管网结构引起的不同检测点间数据的关联性,通过显著性选择以及对所述关联性进行分析,通过引入结构信息提高检测灵敏度;(3)基于结构关联和时间关联拆分,通过查询快速获取预测更新管网数据,在保障计算效率和减少样本数量的同时可考虑多种复杂因素。(4)从数据延续性角度出发,将其他环境、结构因素做参考来确定一个最可能的延续性数据作为预测值,大大提高预测准确性。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1为本发明的时空维度组合的异常检测方法的示意图。
图2为本发明的数据尺度N对应检测范围示意图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的限定。
在燃气的生产、输送过程中,由于场所的特殊性、其他工程的开挖、输送管线的老旧等,常常造成燃气重大事故的发生。当输送管线经过人口稠密的地方时,一县气体泄漏就会造成相当的危险现象,尤其是随着现在燃气管道向大容量、长距离和多级压力制综合管网发展,其结构日益复杂,一旦发生故障或事故,就会带来多种不确定的影响。如何利用大数据对城市燃气管网数据作分析和利用,是一个很复杂的问题。当数据量过大时,无法快速的发现燃气数据问题,而且什么样的管网数据是正确的,这个正确都是一个相对值而非绝对值,本发明同时利用了数据的空间层次和时间层次,来发现管网数据中的异常点;如附图1所示,本发明所述的时空维度组合的异常检测方法具体包括如下步骤:
步骤1:获取更新的管网数据;可以周期性的获取管网数据用于进行检测和预测;
步骤2:基于更新管网数据和历史管网数据计算异常得分;
步骤3:根据异常得分情况确定是否存在异常,具体为:根据异常得分情况确定在空间层次上再判断、在时间层次上继续确认异常、或保持现状继续检测;
实施例1:
所述的时空维度组合的异常检测方法具体包括如下步骤:
步骤S1:更新管网数据;具体的:获取设置在管网段上的传感器数值;所述传感器获取的数值类型包括:压力数据、流量、温度、声波等;
燃气管网结构被划分为不同的数据尺度,不同的数据尺度对应的检测范围不同,包含的检测点个数也就不同,观察的尺度也不同;通过检测点可以获取管网数据;
优选的:周期性的获取更新管网数据用于进行检测和预测;所述管网数据和检测点对应,检测点属于和数据尺度对应的检测点范围内;
步骤S2:基于更新管网数据和当前的数据尺度计算特征值序列;具体为:基于更新管网数据和更新管网数据计算和数据尺度对应的特征值序列;特征值序列是有序的,不同的数据尺度对应的特征值序列中包含的特征值及其顺序是相同的或者不同的;将特征值按照数据尺度对应顺序组合以构成特征值序列;考虑到由于不同特征在不同数据尺度下体现出来的特征和敏感性是不同的,在一些尺度下,对应的一些基本特征值可能呈现基本不变化的情况,那么对其观测就是无意义和效率不高的;例如:流量或者总流量特征在尺度较大的时候可能不会呈现出可观察的变化;
优选的:所述特征值包括检测范围内的检测点的总流量、总压力值;
优选的:所述特征值包括检测范围内的相邻检测点之间的压差值之和;
所述基于更新管网数据和更新管网数据计算和数据尺度对应的特征值序列,具体为:基于同一检测点更新管网数据和更新管网数据计算关系值和/或基于不同检测点的更新管网数据和更新管网数据计算关系值;并将所述关系值进行和数据尺度对应的排序以得到对应的特征值序列;
所述基于同一检测点更新管网数据和更新管网数据计算关系值,具体为:计算第一更新管网数据和第二更新管网数据之间的关系值,将所述关系值作为特征值;其中:第一更新管网数据和第二更新管网数据均属于更新管网数据;
优选的:更新管网数据为新增管网数据部分;
优选的:第一更新管网数据D1为检测点的压力值Pi,第二更新管网数据D2为检测点的流量值li,f1(Pi,li)为一检测点压力值和流量值之间的关系函数;关系值FD1=∑i∈ Nf1(D1i,D2i);其中:N是当前数据尺度下的检测范围;i是检测范围N内的第i个检测点;关系函数f1()通过历史管网数据在matlab中模拟获取;如附图2所示的管网结构示意图中,检测范围N中包含6个检测点,检测点之间是环形连接;
所述基于不同检测点的更新管网数据和更新管网数据计算关系值,具体为:计算第i检测点和第j检测点的更新管网数据和更新管网数据之间的关系值;关系值FD2=∑i,j∈N f2(Di,Dj);其中:N是当前数据尺度下的检测范围;i,j分别是检测范围N内的第i,j个检测点,所述第i,j个检测点是关联检测点;更新管网数据Di和Dj是同类型管网数据;其中Di和Dj是所述同类型管网数据;
关系f2()是关联检测点之间的关系函数;现有技术在进行管网数据的利用时,不涉及对检测点之间关联性的利用,而实际上由于管网之间存在固定的拓扑关系,不同检测点之间不仅仅存在直接连通关系上的关联性,而且还存在因为拓扑关系而导致的数据之间内在的关联性;找出因为管网结构引起的不同检测点间数据的关联性,并对所述关联性进行分析,通过引入结构信息提高检测灵敏度,
确定关系f2()的方式是:选择两个或者多个检测点,拟合所述两个或者多个检测点的同类检测数据以得到关系f2(),确定同类检测数据之间的相关度;选择相关度大于相关度阈值的所述两个或者多个检测点作为关联检测点,将其对应的关系f2()作为所确定的关系f2();此时,对于同一组关联检测点来说,对于其不同类型的检测数据来说其符合要求的关系可能是多个,但并不是其所有关系都能作为所确定的f2();那么通过这种方式从数据类型维度来选择关联检测点,并基于此选择的检测点更具有显著性;最终确定的f2()是关于相同或者不同检测点组合的相同或者不同类型检测数据;
步骤S3:基于历史管网数据预测特征值序列;具体的:根据历史管网数据预测得到预测更新管网数据,基于预测更新管网数据计算得到预测特征值序列;
所述根据历史管网数据预测得到预测更新管网数据,具体为:基于检测点的结构关联关系获取第一预测更新管网数据;基于检测点时间关联关系确定预测更新管网数据;
现有技术在做管网数据预测时,主要是通过复杂的计算或者人工智能预测;前者依赖于检测值的物理关系而对于影响因素的考虑较少,后者则计算复杂且需要大量的样本数据,对于复杂类型的检测数据预测计算量不可估量;而本发明基于结构关联和时间关联拆分,通过查询快速获取预测更新管网数据,在保障计算效率的同时可考虑多种复杂因素;
所述基于检测点的结构关联关系获取第一预测更新管网数据,具体为:针对检测点i的第k种管网数据,获取其关联检测点j1···jm;基于关联检测点的检测值组合(Dj1,···Djm)查询历史管网数据以得到和所述检测值组合最接近的检测点i的第k种历史管网数据值;检测值组合(Dj1,···Djm)中的检测值是最新历史管网数据值;将所述最接近的历史管网数据值的下一周期管网数据值作为第一预测更新管网数据;所述第一预测更新管网数据的值为一个或者多个;在历史管网数据中,针对每种管网数据单独存储,将关联检测点的检测值关联存储为一条记录;为每条记录创建索引值,所述索引值为根据关联检测点编号计算得到的哈希值;通过这样的方式能够实现快速查询;在基于检测值组合查询时,根据检测点i及其关联检测点的编号共同计算得到哈希值作为索引,从而快速查询得到和该组合最接近的检测点i的第k种历史管网数据值;也就是说,只要知道关联检测节点,无论缺失数据是来自哪个检测点,都能够快速找到可选的历史管网数据值;其中:m是针对第k种管网数据来说其与其存在关联性的关联检测点的个数;
优选的:这里的关联是指结构关联性和/或数据关联性;
优选的:检测点i和j分别是检测范围N内的第i,j个检测点,
所述基于检测点时间关联关系确定预测更新管网数据,具体为:针对检测点i获取第k种管网数据的历史检测值Dt+1,···Dt-tn;其中:tn是用于预测的最新的tn个历史数据的长度;基于检测点i的历史检测值组合(Dt+1,···Dt-tn)查询历史管网数据以得到和所述检测值组合最接近的检测点i的第k种第二预测更新管网数据;基于所述第一预测更新管网数据和第二预测更新管网数据确定预测更新管网数据;
优选的:所述tn值为预设值;
优选的:tn值和当前检测点所在网段的类型相关;针对不同的管网网段类型设置不同的tn值;例如:环枝状管网tn<环状管网tn<枝状管网tn;也就是说从管网数据所在管网段的具体布设方式带来的稳定性出发设置tn值;
所述基于所述第一预测更新管网数据和第二预测更新管网数据确定预测更新管网数据,具体为:选择第一预测更新管网数据和第二预测更新管网数据共同的数据中心作为所确定的预测更新管网数据;所述数据中心距离其他数据之间的距离的平均值最小;
可替换的:从第二预测更新管网数据中选择和第一预测更新管网数据的距离最小的数据作为所确定的预测更新管网数据;可替换方式相当于从当前第k种数据延续性角度出发,将其他环境、结构因素做参考来确定一个最可能的延续性数据作为预测值;相对于常见的平均值做法准确性更高;
步骤S4:比较预测特征值序列和特征值序列以得到异常得分;具体的:依次判断特征值序列中的特征值是否符合预测值;当特征值不符合预测值时,获取所述不符合的特征值对应的子得分;并继续特征值序列中下一特征值的判断;累积子得分得到异常得分;
所述特征值不符合预测值,具体为:特征值和预测特征值之间的差异小于差异阈值;可以用欧式距离来计算差异;
优选的:每个特征值根据其在特征值序列中的位置确定其对应的子得分,也就说在不同的数据尺度下,同一个特征值对应的子得分可能是相同或者不同的;这个和其敏感性相关;通过这样的方式可以尽快的截止计算;
当累积自得分得到的异常得分已经大于第一区间范围时,直接返回步骤s1做时间层次再判断;
步骤S5:基于异常得分进行异常判定;具体的:当异常得分在第一区间范围时,减少数据尺度并返回步骤S2基于细粒度管网数据作空间层次再判断;当异常得分大于第一区间范围时,返回步骤S1做时间层次再判断,并基于确定情况进行异常预警;当异常得分小于第一区间范围时,返回步骤S1继续做管网数据监控;
优选的:所述第一区间范围是预设区间范围;当得分在这个区间范围内时,异常的情况表现的不是非常明显,但是显然不是正常范围,很大可能是粒度太大导致的问题不明确,此时在其他数据尺度下就能够做异常的判断和肯定,数据无需重新获取,但是以因为减小,计算量会增加,但是这个增加显然是有目的的,在发现了问题的情况下的计算量增加;当得分超过这个区间时,异常情况较为明显,可以在下一个周期做再次的判断,从而做异常的确认,此时的粒度是合适的;
当异常得分小于第一区间范围时,可以根据当前的数据尺度情况作数据尺度的增加;例如:当多个周期后,该异常得分始时钟小于第一区间范围时,那么可以将数据尺度恢复到默认的尺度,从而减少计算量;
为了降低得分分数和特征值序列之间的耦合关系,将分数和序列长度的比值作为判断的依据;此时,在第一区间范围内表示,出现了燃气管道泄漏灾害的前兆;大于第一区间范围且得到确认表示因素间作用达到了理想状态,对于此时的燃气系统最易发生异常;小于第一区间范围表示不容易形成多因素间的作用,城市燃气不易发生异常;
可以利用被设计用于进行在此所述的功能的通用处理器、数字信号处理器(DSP)、ASIC、场可编程门阵列信号(FPGA)或其他可编程逻辑器件(PLD)、离散门或晶体管逻辑、离散的硬件组件或者其任意组合而实现或进行所述的各个例示的逻辑块、模块和电路。通用处理器可以是微处理器,但是作为替换,该处理器可以是任何商业上可获得的处理器、控制器、微控制器或状态机。处理器还可以实现为计算设备的组合,例如DSP和微处理器的组合,多个微处理器、与DSP核协作的一个或多个微处理器或任何其他这样的配置。集合本公开描述的方法或算法的步骤可以直接嵌入在硬件中、处理器执行的软件模块中或者这两种的组合中。软件模块可以存在于任何形式的有形存储介质中。可以使用的存储介质的一些例子包括随机存取存储器(RAM)、只读存储器(ROM)、快闪存储器、EPROM存储器、EEPROM存储器、寄存器、硬碟、可移动碟、CD-ROM等。存储介质可以耦接到处理器以便该处理器可以从该存储介质读取信息以及向该存储介质写信息。在替换方式中,存储介质可以与处理器是整体的。软件模块可以是单个指令或者许多指令,并且可以分布在几个不同的代码段上、不同的程序之间以及跨过多个存储介质。
所述的功能可以按硬件、软件、固件或其任意组合而实现。如果以软件实现,功能可以作为一个或多个指令存储在切实的计算机可读介质上。计算机可读介质包括计算机可读存储介质。计算机可读存储介质可以是能被计算机访问的任何可用存储介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储或其他磁存储设备、或能被用来承载或存储指令或数据结构形式的期望程序代码且能被计算机访问的任何其他介质。另外,所传播的信号不被包括在计算机可读存储介质的范围内。计算机可读介质还包括通信介质,其包括促成计算机程序从一地向另一地转移的任何介质。连接例如可以是通信介质。例如,如果软件使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外线、无线电、以及微波之类的无线技术来从web网站、服务器、或其它远程源传输,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外线、无线电、以及微波之类的无线技术被包括在通信介质的定义中。上述的组合应当也被包括在计算机可读介质的范围内。替换地或另选地,此处描述的功能可以至少部分由一个或多个硬件逻辑组件来执行。例如,可使用的硬件逻辑组件的说明性类型包括现场可编程门阵列(FPGA)、程序专用的集成电路(ASIC)、程序专用的标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)等。
因此,计算机程序产品可以进行在此给出的操作。例如,这样的计算机程序产品可以是具有有形存储(和/或编码)在其上的指令的计算机可读的有形介质,该指令可由一个或多个处理器执行以进行在此所述的操作。计算机程序产品可以包括包装的材料。
软件或指令也可以通过传输介质而传输。例如,可以使用诸如同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或诸如红外、无线电或微波的无线技术的传输介质从网站、服务器或者其他远程源传输软件。
此外,用于进行在此所述的方法和技术的模块和/或其他适当的手段可以在适当时由用户终端和/或基站下载和/或其他方式获得。例如,这样的设备可以耦接到服务器以促进用于进行在此所述的方法的手段的传送。或者,在此所述的各种方法可以经由存储部件(例如RAM、ROM、诸如CD或软碟等的物理存储介质)提供,以便用户终端和/或基站可以在耦接到该设备或者向该设备提供存储部件时获得各种方法。此外,可以利用用于将在此所述的方法和技术提供给设备的任何其他适当的技术。
以上所述仅是本发明的较佳实施方式,故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰,均包括于本发明专利申请范围内。
Claims (9)
1.一种时空维度组合的异常检测方法,其特征在于,
步骤S1:更新管网数据;周期性的获取管网数据用于进行检测和预测;
步骤S2:基于更新管网数据和当前的数据尺度计算特征值序列;具体为:基于更新管网数据和更新管网数据计算和数据尺度对应的特征值序列;特征值序列是有序的,不同的数据尺度对应的特征值序列中包含的特征值及其顺序是相同的或者不同的;将特征值按照数据尺度对应顺序组合以构成特征值序列;
所述基于更新管网数据和更新管网数据计算和数据尺度对应的特征值序列,具体为:基于同一检测点更新管网数据和更新管网数据计算关系值,且基于不同检测点的更新管网数据和更新管网数据计算关系值;并将所述关系值进行和数据尺度对应的排序以得到对应的特征值序列;
所述基于同一检测点更新管网数据和更新管网数据计算关系值,具体为:计算第一更新管网数据和第二更新管网数据之间的关系值,将所述关系值作为特征值;其中:第一更新管网数据和第二更新管网数据均属于更新管网数据;
第一更新管网数据D1为检测点的压力值Pi,第二更新管网数据D2为检测点的流量值li,f1(Pi,li)为一检测点压力值和流量值之间的关系函数;关系值其中:N是当前数据尺度下的检测范围;i是检测范围N内的第i个检测点;关系函数f1()通过历史管网数据在matlab中模拟获取;
所述基于不同检测点的更新管网数据和更新管网数据计算关系值,具体为:计算第i检测点和第j检测点的更新管网数据和更新管网数据之间的关系值;关系值;其中:N是当前数据尺度下的检测范围;i,j分别是检测范围N内的第i,j个检测点,所述第i,j个检测点是关联检测点;更新管网数据Di和Dj是同类型管网数据;其中Di和Dj是所述同类型管网数据;
关系f2()是关联检测点之间的关系函数;
步骤S3:基于历史管网数据预测特征值序列;具体的:根据历史管网数据预测得到预测更新管网数据,基于预测更新管网数据计算得到预测特征值序列;所述根据历史管网数据预测得到预测更新管网数据,具体为:基于检测点的结构关联关系获取第一预测更新管网数据;基于检测点时间关联关系确定预测更新管网数据;
步骤S4:比较预测特征值序列和特征值序列以得到异常得分;具体的:依次判断特征值序列中的特征值是否符合预测值;当特征值不符合预测值时,获取所述不符合的特征值对应的子得分;并继续特征值序列中下一特征值的判断;累积子得分得到异常得分;
步骤S5:基于异常得分进行异常判定;具体的:当异常得分在第一区间范围时,减少数据尺度并返回步骤S2基于细粒度管网数据作空间层次再判断;当异常得分大于第一区间范围时,返回步骤S1做时间层次再判断,并基于确定情况进行异常预警;当异常得分小于第一区间范围时,返回步骤S1继续做管网数据监控。
2.根据权利要求1所述的时空维度组合的异常检测方法,其特征在于,所述步骤S2具体为:根据异常得分情况确定在空间层次上再判断、在时间层次上继续确认异常、或保持现状继续检测。
3.根据权利要求2所述的时空维度组合的异常检测方法,其特征在于,所述步骤S1具体为:周期性的而获取新的管网数据,并进行管网数据更新。
4.根据权利要求3所述的时空维度组合的异常检测方法,其特征在于,基于更新管网数据和更新管网数据计算和数据尺度对应的特征值序列。
5.根据权利要求4所述的时空维度组合的异常检测方法,其特征在于,所述步骤S2还包括:比较更新管网数据和历史管网数据以得到异常得分。
6.根据权利要求5所述的时空维度组合的异常检测方法,其特征在于,检测值包括燃气流量、阀门开度、压力值、绝对温度、燃气密度。
7.一种时空维度组合的异常检测系统,其特征在于,包含:服务器和一个或者多个客户终端,客户终端提交监测点设置请求;所述服务器基于所述设置请求,用于执行权利要求1-6中任一项所述时空维度组合的异常检测方法。
8.一种时空维度组合的异常检测装置,其特征在于,包含:
一储存单元,配置以储存一应用程序;以及
一处理单元,电性耦接于一输入单元以及该储存单元,该处理单元配置以执行权利要求1-6中任一项所述的时空维度组合的异常检测方法。
9.一种用于时空维度组合的异常检测的存储介质,其特征在于,所述存储介质用于存储执行权利要求1-6中任一项所述的时空维度组合的异常检测方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110750268.7A CN113362200B (zh) | 2021-07-02 | 2021-07-02 | 一种时空维度组合的异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110750268.7A CN113362200B (zh) | 2021-07-02 | 2021-07-02 | 一种时空维度组合的异常检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113362200A CN113362200A (zh) | 2021-09-07 |
CN113362200B true CN113362200B (zh) | 2024-02-23 |
Family
ID=77537937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110750268.7A Active CN113362200B (zh) | 2021-07-02 | 2021-07-02 | 一种时空维度组合的异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362200B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111076096A (zh) * | 2019-12-31 | 2020-04-28 | 北京讯腾智慧科技股份有限公司 | 燃气管网泄漏识别方法和装置 |
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 |
CN112949951A (zh) * | 2021-04-29 | 2021-06-11 | 杭州数梦工场科技有限公司 | 数据预测方法、装置、电子设备及存储介质 |
CN112968816A (zh) * | 2021-03-14 | 2021-06-15 | 国网浙江省电力有限公司电力科学研究院 | 通过流量异常检测筛选物联网设备异常的方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130262068A1 (en) * | 2012-03-28 | 2013-10-03 | International Business Machines Corporation | Sensor placement for leakage location in liquid distribution networks |
-
2021
- 2021-07-02 CN CN202110750268.7A patent/CN113362200B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111076096A (zh) * | 2019-12-31 | 2020-04-28 | 北京讯腾智慧科技股份有限公司 | 燃气管网泄漏识别方法和装置 |
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 |
CN112968816A (zh) * | 2021-03-14 | 2021-06-15 | 国网浙江省电力有限公司电力科学研究院 | 通过流量异常检测筛选物联网设备异常的方法及系统 |
CN112949951A (zh) * | 2021-04-29 | 2021-06-11 | 杭州数梦工场科技有限公司 | 数据预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
天然气管网大数据分析方法及发展建议;苏怀等;《油气储运》;第39卷(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113362200A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108984873B (zh) | 供水管网实时漏损检测方法、设备、系统及存储介质 | |
CN102235575B (zh) | 用于检查管道泄露的数据处理方法及系统 | |
CN112684401B (zh) | 轻载台区电能表运行误差数据的处理方法及系统 | |
CN108520267B (zh) | 一种基于时空特征的水文遥测数据异常检测方法 | |
CN111501953A (zh) | 排水管网的异常分析方法、系统、介质及设备 | |
CN112036086A (zh) | 燃气管线动态风险预警系统 | |
CN103559399A (zh) | 一种基于贝叶斯决策理论和遗传算法的输水管网漏失定位方法 | |
CN112985713A (zh) | 基于边缘计算的管网漏损监测方法及系统 | |
CN113362200B (zh) | 一种时空维度组合的异常检测方法及系统 | |
CN106874575B (zh) | 一种基于epr进化多项式回归的管网漏失预测模型的建立方法 | |
Li et al. | Leakage localization using pressure sensors and spatial clustering in water distribution systems | |
CN114814420A (zh) | 一种基于冻结数据的低压配电网拓扑识别方法及系统 | |
Wang et al. | Research on pipe burst in water distribution systems: knowledge structure and emerging trends | |
KR20100096940A (ko) | 상하수도 시설물의 관리시스템 및 관리방법 | |
CN115912359B (zh) | 基于大数据的数字化安全隐患识别排查治理方法 | |
CN115951123B (zh) | 一种基于无线通信的电能计量方法及系统 | |
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 | |
CN113532384B (zh) | 一种基于无线传感器技术的地下管网管线位移沉降监测方法及云监测平台 | |
CN115493093A (zh) | 一种基于力学仿真的蒸汽供热管网漏损定位方法及系统 | |
CN113357545B (zh) | 一种城市复杂气管网异常诊断方法及系统 | |
CN113033842A (zh) | 一种供水管网系统漏损的控制管理方法以及控制管理系统 | |
CN115062891A (zh) | 一种长距离有压输水管道渗漏快速定位方法 | |
CN111678054A (zh) | 一种管道故障检测方法、装置以及系统 | |
CN117688353B (zh) | 一种用于地下工程探测高密度数据的多级验证处理方法 | |
CN110705018A (zh) | 基于热线工单和管线健康评估的给水管线爆管定位方法 |
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 |