CN113486950A - 一种智能管网漏水检测方法及系统 - Google Patents
一种智能管网漏水检测方法及系统 Download PDFInfo
- Publication number
- CN113486950A CN113486950A CN202110758636.2A CN202110758636A CN113486950A CN 113486950 A CN113486950 A CN 113486950A CN 202110758636 A CN202110758636 A CN 202110758636A CN 113486950 A CN113486950 A CN 113486950A
- Authority
- CN
- China
- Prior art keywords
- water leakage
- network
- pipe network
- data
- pipeline
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明属于集中供热管线检测技术领域,具体提供过一种智能管网漏水检测方法,该方法根据一历史时间段内若干离散时刻采集的一管道网络运行向量所组成的训练数据,训练一支持向量机以获得分类模型;训练数据的样本标记为漏水故障;接收携带管道网络的一实时数据的分类请求,使用分类模型获得实时数据的异常维度。本发明还提供了实现该方法智能管网漏水检测方法以及相关的集中供热管网系统。本发明提供技术方案在实际运行参数作为输入条件下,能够检测出管网漏水情况,识别出漏水点所属管段。指导运行人员针对性的查漏补缺,以达到一定节能效果,保障系统运行安全。
Description
技术领域
本发明属于集中供热管线检测技术领域,涉及信息处理技术,具体涉及一种基于机器学习的管网漏水的检测方法,本发明还涉及实现该方法的系统。
背景技术
管网泄漏一直是集中供热管线和给排水管线等运营管理中存在的疑难问题。有多种原因可能造成管网的泄漏,比如管线的腐蚀、管线超压、施工质量低下、运营人员误操作等。管网泄漏问题会增加运营成本,造成巨大的经济损失和安全隐患。在领域,大量的给排水、供热管网错综复杂,这些管道发生泄露时,现阶段的方法是工作人员挨个检查管井,需要频繁下井。一方面,频繁下井作业存在比较高的作业风险,另一方面,这样的排查方法十分繁琐且效率低下。
而现如今,管网领域的智能化正在稳步推进,在管网上布置着大量的传感器,这些传感器或密集或稀疏地分布,用来收集各类信息数据,例如温度、压力、流量、功率、湿度和热量等数据。大量分布式的传感器采集得到的数据是大数据以及智能化的基础。这些传感器的测量值为漏水检测提供了数据支持。
传感器采集的数据,大多是管道不同位置的时间序列变量,而判断管段是否漏水,则是判断这些数据是否存在异常。现阶段的基于数值的检测方法通常有基于高斯分布、欧式距离、密度等方法。这些方法的操作通常是,首先通过经验选择一个合理的阈值,然后微调参数,从而来检测管道漏水,这样的方法在实际运用时,通常难以测准漏水实际发生的地点。此外由于参数微调通常基于经验,调整者的经验在很大程度上影响整个系统的检测能力。这些方法存在需要较高的专业知识,同时自适应性弱等缺点,一方面,专业相关的人通常都难以确定哪一段有漏水,难以针对性使用复杂的漏水检测算法,另一方面,从事互联网算法开发的人员,虽然熟悉复杂的检测算法,但缺乏处理管网漏水问题的经验。因为上述种种问题,使得管网漏水的智能检测始终是管网行业的一个难以解决的问题。
发明内容
本发明目的在于为了克服现有技术的缺点,利用计算设备提供的算力,从大量的数据中学习出正常数据的模式,从而提出一种简单又高效的以火电厂为热源的供热管网漏水检测方法,该方法具有使用简单,参数少,检测准确率高等优点,同时提供一种包含该方法具体实现的系统。
本发明第一方面提出的技术方案是一种智能管网漏水检测方法,其解决上述技术问题所采用的技术方案。该方案的技术原理如下所示:
本发明技术构思包括以下带来技术启示的假设:
第一假设,对一具体时刻,在一管道网络上采集到的所有传感器的数值组成的向量是一个N维空间中的n维伪黎曼流形上的采样,其中n<<N。该假设下,在某一时刻t,管道网络上的所有传感器的实时数值之间是存在内部联系的。基于这样的假设,参考图3,通过在N维向量空间中建立一个超球面作为间隔,使得所有的正常数据组成向量落在球面内部,而异常数据组成向量落在球面外部。
第二假设,管道网络正常运行的概率较大,大部分时刻在该管道网络上采集到的所有传感器的大量数据都应当是反应该管道网络正常运行模式的正常数据。同时,根据前一个假设中n<<N,可以认为作为模式识别对象的分类系统的热力学自由度是很低的,因此,可以通过一个迭代优化过程,得到最小的支持半径R。
其中,函数f未定义,补充定义。Xi未定义,请补充定义
但在实际中,直接求解上述问题存在困难:一方面是因为将所有数据完美区分,比如硬间隔方式,会导致模型过于复杂,产生过拟合的现象;另一方面求解所需的计算量太大。本发明提供技术方案中,选择在面对次求解问题时,引入正则项,一是降低了模型的复杂度,防止过拟合现象,同时,也为了降低计算量,从而解决上述问题。本文附带正则项的问题模型可被数学公式表示为:
其中,为松弛变量,其值越大说明样本的误分类容忍度越高,即数据可能偶尔偏离流形空间;v∈(1,0)为正则化参数,由参数搜索算法确定,其值越小时,分类系统会越复杂,系统偏向拟合;其值越大时,分类系统会越简单,系统偏向欠拟合。
优选的,本发明第一方面技术方案中,最终正则化参数的获得,采用一种基于马尔科夫链的方法进行搜索。其基本原理如下:
在取值范围内,符合马尔科夫过程的随机选取一个v:
优化计算下式:
可以看出,k(x,x)为选取的核函数,利用支持半径Rv对训练数据分类,对比故障标记,记录本次正确率。一些实施例中,如热力管网、自来水管网运行模式具备周期性,可以使用如上一年度管道网络数据进行分类,以获得当年的作为分类依据的支持半径。
重复上述从选取正则化参数以及对应获得训练数据分类支持半径的过程,直到达到停机条件。一些实施例中,停机条件为迭代次数,当达到一个迭代上限时,使用正确率最高的正则化参数v和其对应支持半径Rv作为结果输出,或者,当出现大于一个指定正确率的支持半径后,如以置信区间95%为指标,则停机输出当前正则化参数v和其对应支持半径Rv。
优选的,上述实施例的一个改进实施中,面对带有正则项的有约束优化问题时,考虑在问题模型(3)中通过引入拉格朗日乘子 构造了拉格朗日函数,将对原来对f(R,ξ)的最小化约束优化问题转变为对L(R,ξ,α,μ)的无约束最小化优化问题,从而简化求解过程,对问题模型(3)进一步化简,最后整理得到目标函数:
在改进实施中,获得支持半径R是基于对训练数据中存在漏水问题的向量标记,并以此判断正确率,因此,将采集到的一个时刻的实时数据,与训练出来得到的最小支持半径R相比较时,如果该距离小于等于最小支持半径,即数据在超球面的内部,则说明本次采集到的数据表示管道网络系统没有漏水,系统运行正常,而如果有数据在边界支持向量外面,则认为该区间可能存在漏水的情况。
相对于传统方法,该方法对于异常值的判定具有时空特性,同时考虑到了管网中传感器的安装以及数据采集的冗余性,不是将各个传感器采集的数据认为是独立的,而是认为其之间存在内在的相关性。从而利用采用机器学习的方法,对管网上所有传感器在同一时间t采集得到的数据组成向量进行整体的数据分析,若所有传感器数值组成的向量在一n维伪黎曼流形上,则认为此时系统运行正常,若不在该流形上,则认为异常数据点所对应的管道段存在漏水的情况。
本发明第二方面还提供了一种智能管网漏水检测系统,包括:
传感器,所述传感器设置于管道网络的关键节点处,用于采集所述管道网络的运行数据;所述关键节点包括所述管道网络一级管网中的关键节点;
第一服务器,所述第一服务器接收所述传感器数据,并提供基于所述管道网络全网3D物理模型的数字孪生服务;所述全网3D物理模型包括所述管道网络的一级管网及一级管网下属热力站点的数字孪生模型;
第二服务器,所述第二服务器接收所述管道网络的训练数据和实时数据,以便其实现第一方面提供的智能管网漏水检测方法,生成所述网络管道的分类模型,并根据一个请求中携带的所述实时数据,返回漏水判断结果;
第三服务器,所述第三服务器运行所述网络管道的应用程序;所述应用程序根据一配置从所述第一服务获取所述管道网络的训练数据并向所述第二服务器转发以驱使所述第二服务器获得所述分类模型,以及,从所述第一服务获取所述管道网络的实时数据并向所述第二服务器发送所述请求以获得并向终端输出所述漏水判断结果。
优选的,所述传感器包括设于所述一级管网阀门井的智能无线温压一体传感器。
优选的,通过所述传感器向所述第一服务器提供的运行数据包括水温、压力、流量;或者,还包括管网阻力特性、围护结构两者中的至少一个。
优选的,所述第三服务器于外部气象参数服务器通信连接,以获取与天气变化周期相关的气象参数,所述气象参数用于确定与当前所述实时数据相关的所述训练数据。
本发明第三方面还提供了一种供热管网系统,其使用第一方面所述的智能管网漏水检测方法获得漏水判断结果;或者,包含第二方面所述的智能管网漏水检测系统。
因此,本发明第一方面提供的智能管网漏水检测方法将SVM技术应用于管道漏水检测中,扩展了传统SVM的运用范围。同时,本发明第二方面提供的智能管网漏水检测方法系统还包含一系列相关的软件硬件设备。同时本发明还包含一套在线的漏水检测系统:传感器,其实时数据上传到云服务器中,通过大数据在线检测,对上传上来的实时数据进行检测,实时判断系统是否存在漏水问题。
本发明的一些实施例中智能管网漏水检测技术,采用基于物理模型的方法,创造性地引入人工智能算法。首先采用FB-3D快速建模技术,高效准确地建立供热系统的3D数字孪生,提供供热系统物理模型;再通过神经网络算法,辨识出管网的泄漏特性参数;最终在实际运行参数作为输入条件下,检测出管网漏水情况,识别出漏水点所属管段。指导运行人员针对性的查漏补缺,达到最佳的节能效果,保障系统安全。
附图说明
图1为本发明现有技术中集中供热管网系统的管网结构示意图;
图2为本发明一实施例中智能管网漏水检测系统的系统原理示意图;
图3为本发明一实施例中支持向量机判断原理的示意图;
图4为本发明一实施例中集中供热管网系统的系统原理示意图;
图5为本发明另一实施例中集中供热管网系统的系统原理示意图。
具体实施方式
首先需要说明的是,“智能管网漏水检测技术”,采用基于物理模型的方法,引入人工智能算法。首先采用「FB-3D快速建模技术」,高效准确地建立供热系统的3D数字孪生,提供供热系统物理模型;再通过神经网络算法,辨识出管网的“泄漏特性参数”;最终在实际运行参数作为输入条件下,检测出管网漏水情况,识别出漏水点所属管段。指导运行人员针对性的查漏补缺,达到最佳的节能效果,保障系统安全。下面本发明的技术方案做进一步说明,但它不构成对本发明权利要求的限制。
参考图2的,本发明首先一个实施例的一个方面提供了一个智能管网漏水检测系统。该系统包括设置于图1所示管道网络的关键节点处的传感器1、2、……N,每个传感器采集所示管道网络的一个维度的运行数据;所述关键节点包括所述管道网络一级管网中的关键节点。
该系统还包括第一服务器、第二服务器和第三服务器。其中第一服务器接收上述传感器数据,并提供基于所述管道网络全网3D物理模型的数字孪生服务;所述全网3D物理模型包括所述管道网络的一级管网及一级管网下属热力站点的数字孪生模型。
具体的,第一服务器通过对一级管网和热力站点进行3D物理建模,关键节点安装传感器。实时测量系统各处的水温T、压力P、流量G等,再利用系统辨识的方法,使得系统的关键内外特性参数(如管网阻力特性S、围护结构KF等)在时间和空间上对于系统使用者来说是已知的、透明的,从而基于已知的实时参数(T/P/G等)和供热系统特性(S/KF等),结合第二服务器提供给的机器学习算法,进行管网漏水检测,定位漏水发生管段。
具体的,本发明涉及管道网络系统会安装众多的传感器,遍布供水管网的源头到末尾,本发明关键节点主要分布在:热源出口、道路管井、二级供水入口,以及其他少数运行状态波动较大的特殊位置。一些实施例中,管道网络属于常年持续运行不停水的供水管网,这些实施例中认为当前供水状态不存在漏水的情况。
一些优选的实施例中,3D物理建模包括对一级管网进行全网3D物理建模,以及对一级管网下属热力站点进行3D物理建模,以便进行供热系统物理模型建模,提供管线漏水检测的基础条件。
容易理解,在集中供热管路系统中,涉及漏水检测,这些传感器可以包括一级管网关键节点(阀门井)安装温度、压力传感器。一些优选的实施例中,传感器数据还来自已有自控站点内采集数据接入智慧透明供热平台作为虚拟传感器提供给数字孪生模型,以提供比如管网阻力特性、围护结构等运行模式的数据。
一些实施例中,一级管网部分管段长度较长,传感器特别包括用来提供运行时各站点末端、管网节点的实时运行数据,为了提高检测准确性,需要在一级管网关键节点安装温度、压力采集传感器。为了实施方便,尽量在现有管段阀门井中安装。传感器采用适用于室外管网安装的“智能无线温压一体传感器”。从而结合神经网络人工智能算法,进行管网漏水检测,定位漏水发生管段。
第二服务器接收管道网络的训练数据和实时数据,以便其实现本文提供的各种智能管网漏水检测方法,生成网络管道的分类模型,并根据一个请求中携带的实时数据,返回漏水判断结果。
第三服务器,第三服务器运行网络管道的应用程序;应用程序根据一配置从第一服务获取管道网络的训练数据并向第二服务器转发以驱使第二服务器获得分类模型,以及,从第一服务获取管道网络的实时数据并向第二服务器发送请求以获得并向终端输出漏水判断结果。
一些其他实施例中,参考图2、4、5,检测系统包括:设置于管网的传感器、用于接收传感器信息的各个云服务器,即各个服务器部署于云端,或者连接有边缘设备或者终端设备。
本实施例一方面提供了一种智能管网漏水检测系统(以下简称检测系统),另一方面也实现了本发明提供的智能管网漏水检测方法(以下简称检测方法)。
本实施例,示范的,根据供热管网的实际情况,选择流量、压力两个方面的管道网络运行参数,本发明的其他实施例中还包括各个传感器中提供水温、管网阻力特性、围护结构等方面的管道网络运行参数。
本实施例中,实现管网漏水智能检测主要步骤包括训练阶段和判断阶段。其中,在训练阶段,第二服务器根据第一服务器提供的一历史时间段内若干离散时刻采集的一管道网络运行向量所组成的训练数据,训练一支持向量机以获得分类模型;训练数据的样本标记为漏水故障。附带正则项v的问题模型使用引入拉格朗日乘子α的拉格朗日函数进行优化。训练所述支持向量机时,采用附带正则项v的目标函数;在获得其支持半径的迭代中,使用马尔科夫链搜索一次迭代中的正则项v。
具体的,本实施例智能管网漏水检测系统使用对供水系统的一次管网进行漏水检测,其具体的一个训练阶段的流程包括步骤10至70。
步骤10,获得管网的历史数据,包含数据采集的时间,网络中的水流量、各个压力传感器的数值,构成系统的训练数据,该数据为x=(x1,x2,…,xT),其中xi=(G,P),其中G=(g1,g2…,gN),P=(p1,p2,……,pM),从传感器安装到现在一共采集了T次数据,每一次采集的数据包含流量数据和压力数据,一共有N个流量传感器和M个压力传感器。输入数据为一个T×(M+N)的大型矩阵。
步骤20,在取值范围内,随机选取一个v。
步骤30,优化计算下式:
步骤50,利用支持半径Rv对上一年的数据进行分类,记录本次正确率。
步骤60,重复过程20至50,直到迭代到达上限,或者最高正确率高于95%。
步骤70,取正确率最高的v作为本年漏水检测用的v,同时得到最小支持半径Rv。
步骤80,参考图3,利用Rv对传感器上传的实时数据进行检测,一旦上传的数据超出Rv,则向运营方发出报警,表示现在的供水系统中存在漏水的情况。依次判断GT,PT中具体是哪个分量超出了支持向量半径,认为超出支持半径的分量所对应的管段存在漏水。
本发明另一个实施例中对市政供水系统的一次管网进行漏水检测,其具体的流程如下:
市政供水系统通常会安装众多的传感器,遍布供水管网的源头到末尾,其主要分布在:自来水厂出口、道路管井、小区二次供水入口,以及其他少数特殊位置。市政供水管网常年持续运行不停水。认为当前供水状态不存在漏水的情况。以某一时刻t的数据来说明该方法的运用:
步骤10,根据热力管网的历史数据建立一个训练集。
具体的,获得热力管网的历史数据,包含数据采集的时间,网络中的水流量、各个压力传感器的数值,构成系统的训练数据。示范的,如果从各传感器安装到现在一共采集了t次数据,每一次采集的数据包含流量数据g和压力数据p,一共有N个流量传感器和M个压力传感器,则构成的训练数据,即用于训练的输入数据x表示为一个(M+N)×t的大型矩阵,该矩阵为x(M+N)×t=(x1,x2,…,xt),其中,对于i∈[1,t],有列向量xi=(Gi,Pi)T,其中,流量向量Gi=(g1i,g2i,…,gNi),各元素为第i时刻的各个流量数据,压力向量Pi=(p1i,p2i,…,pMi),各元素为第i时刻的各个压力数据。
步骤20,随机选取一个v
步骤30,优化计算下式
步骤50,利用支持半径Rv对上一年的数据进行分类,记录本次正确率
步骤60,重复过程20至50,直到迭代到达上限,或者最高正确率高于95%
步骤70,取正确率最高的v作为本年漏水检测用的v,同时得到最小支持半径Rv。
在训练完毕后,作为响应的,第二服务器接收第三服务器携带所述管道网络的一实时数据的分类请求时,即进入本发明的一个判断阶段。该阶段中,第二服务器使用所述分类模型获得所述实时数据的异常维度。当所述管道网络一个时刻的实时数据被所述分类模型判断处于一所述支持半径外时,依次找出其中具体超出该支持半径的分量最在维度,并以该分量所在管段作为漏水判断结果。
具体的,本实施例中,第二服务器还用于执行步骤80。
步骤80,第二服务器利用Rv对传感器上传的实时数据进行检测,一旦上传的数据超出Rv,则向运营方发出报警,表示现在的供水系统中存在漏水的情况。依次判断GT,PT中具体是哪个分量超出了支持向量半径,认为超出支持半径的分量所对应的管段存在漏水。
参考图4的,本发明的一个实施例提供了一种集中供热管网系统,其至少包括智能管网漏水检测系统和气象参数服务器,以实现根据天气参数调整训练数据时间段的智能管网漏水检测系统,其第三服务器于外部气象参数服务器通信连接,以获取与天气变化周期相关的气象参数,所述气象参数用于确定与当前所述实时数据相关的所述训练数据。
参考图5的,本发明的一个实施例提供的一种集中供热管网系统,其包括传感器、第一服务器、第二服务器、第三服务器和气象参数服务器之间采用使用非对称加密的CA证书令牌,以实现安全的数据传输而不必通过第三服务器实现一个包含具体实时数据的请求,仅通过任一第三服务器连接终端,如边缘设备,所发出的请求,第二服务器自动响应并直接从第一服务器获得实时数据并向所述终端返回漏水判断结果。
上述各个实施例交叉实施,任一实施例中未涉及的部分可以参考本体其他实施例或者本文直接提供的技术启示予以毫无疑义的实施。根据上述各个实施例所体现的本发明的智能管网漏水检测方法及相关系统,可以看出本发明至少一个方面的,对于城市供热管网系统,采用无线通讯技术、数字孪生技术等新兴先进信息技术,结合基于3D模型的供热管网数字孪生技术的建模方法和站点采集数据接入和一级管网关键节点安装传感器,实际测试中管网漏水检测准确度将能达到90%以上。
Claims (10)
1.一种智能管网漏水检测方法,其特征在于,其包括以下步骤:
根据一历史时间段内若干离散时刻采集的一管道网络运行向量所组成的训练数据,训练一支持向量机以获得分类模型;所述训练数据的样本标记为漏水故障;接收携带所述管道网络的一实时数据的分类请求,使用所述分类模型获得所述实时数据的异常维度;
其中,训练所述支持向量机时,采用附带正则项v的目标函数;在获得其支持半径的迭代中,使用马尔科夫链搜索一次迭代中的正则项v。
2.根据权利要求1所述的智能管网漏水检测方法,其特征在于,所述附带正则项v的问题模型使用引入拉格朗日乘子α的拉格朗日函数进行优化。
4.根据权利要求1所述的智能管网漏水检测方法,其特征在于,当所述管道网络一个时刻的实时数据被所述分类模型判断处于一所述支持半径外时,依次找出其中具体超出该支持半径的分量最在维度,并以该分量所在管段作为漏水判断结果。
5.一种智能管网漏水检测系统,其特征在于,包括:
若干传感器,所述传感器设置于管道网络的关键节点处,用于采集所述管道网络的运行数据;所述关键节点包括所述管道网络一级管网中的关键节点;
第一服务器,所述第一服务器接收所述传感器数据,并提供基于所述管道网络全网3D物理模型的数字孪生服务;所述全网3D物理模型包括所述管道网络的一级管网及一级管网下属热力站点的数字孪生模型;
第二服务器,所述第二服务器接收所述管道网络的训练数据和实时数据,以便其实现如权利要求1至4任一项提供的智能管网漏水检测方法,生成所述网络管道的分类模型,并根据一个请求中携带的所述实时数据,返回漏水判断结果;
第三服务器,所述第三服务器运行所述网络管道的应用程序;所述应用程序根据一配置从所述第一服务获取所述管道网络的训练数据并向所述第二服务器转发以驱使所述第二服务器获得所述分类模型,以及,从所述第一服务获取所述管道网络的实时数据并向所述第二服务器发送所述请求以获得并向终端输出所述漏水判断结果。
6.根据权利要求5所述的智能管网漏水检测系统,其特征在于,所述传感器包括设于所述一级管网阀门井的智能无线温压一体传感器。
7.根据权利要求5所述的智能管网漏水检测系统,其特征在于,通过所述传感器向所述第一服务器提供的运行数据包括水温、压力、流量。
8.根据权利要求7所述的智能管网漏水检测系统,其特征在于,通过所述传感器向所述第一服务器提供的运行数据还包括管网阻力特性、围护结构两者中的至少一个。
9.根据权利要求5所述的智能管网漏水检测系统,其特征在于,所述第三服务器于外部气象参数服务器通信连接,以获取与天气变化周期相关的气象参数,所述气象参数用于确定与当前所述实时数据相关的所述训练数据。
10.一种集中供热管网系统,其特征在于,其使用权利要求1至4任一项所述的智能管网漏水检测方法获得漏水判断结果;或者,包含权利要求5至9任一项所述的智能管网漏水检测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758636.2A CN113486950B (zh) | 2021-07-05 | 2021-07-05 | 一种智能管网漏水检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758636.2A CN113486950B (zh) | 2021-07-05 | 2021-07-05 | 一种智能管网漏水检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486950A true CN113486950A (zh) | 2021-10-08 |
CN113486950B CN113486950B (zh) | 2023-06-16 |
Family
ID=77940312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110758636.2A Active CN113486950B (zh) | 2021-07-05 | 2021-07-05 | 一种智能管网漏水检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486950B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113898880A (zh) * | 2021-10-11 | 2022-01-07 | 武汉科技大学 | 一种基于复合物联网的漏水检测系统 |
CN117349633A (zh) * | 2023-12-06 | 2024-01-05 | 湖南恩智测控技术有限公司 | 源载一体机的故障和寿命预测方法、装置、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105388884A (zh) * | 2015-11-05 | 2016-03-09 | 天津大学 | 一种基于由数据驱动的识别算法检测供热管网泄漏故障的报警系统及方法 |
CN105972693A (zh) * | 2016-06-01 | 2016-09-28 | 北京暖流科技有限公司 | 一种实现透明供热的方法及系统 |
CN108870090A (zh) * | 2018-06-22 | 2018-11-23 | 大连理工大学 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
CN109284777A (zh) * | 2018-08-28 | 2019-01-29 | 内蒙古大学 | 基于信号时频特征和支持向量机的供水管道泄漏识别方法 |
CN109490814A (zh) * | 2018-09-07 | 2019-03-19 | 广西电网有限责任公司电力科学研究院 | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 |
CN109555979A (zh) * | 2018-12-10 | 2019-04-02 | 清华大学 | 一种供水管网漏损监测方法 |
CN109854953A (zh) * | 2019-01-23 | 2019-06-07 | 西安长庆科技工程有限责任公司 | 一种特殊工况下的原油输送管线泄漏检测系统及方法 |
CN110454684A (zh) * | 2019-04-10 | 2019-11-15 | 重庆大学 | 一种城市天然气管网泄漏的故障定位检测方法 |
CN111738571A (zh) * | 2020-06-06 | 2020-10-02 | 北京王川景观设计有限公司 | 一种基于数字孪生的地热能综合体开发及应用的信息系统 |
-
2021
- 2021-07-05 CN CN202110758636.2A patent/CN113486950B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105388884A (zh) * | 2015-11-05 | 2016-03-09 | 天津大学 | 一种基于由数据驱动的识别算法检测供热管网泄漏故障的报警系统及方法 |
CN105972693A (zh) * | 2016-06-01 | 2016-09-28 | 北京暖流科技有限公司 | 一种实现透明供热的方法及系统 |
CN108870090A (zh) * | 2018-06-22 | 2018-11-23 | 大连理工大学 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
CN109284777A (zh) * | 2018-08-28 | 2019-01-29 | 内蒙古大学 | 基于信号时频特征和支持向量机的供水管道泄漏识别方法 |
CN109490814A (zh) * | 2018-09-07 | 2019-03-19 | 广西电网有限责任公司电力科学研究院 | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 |
CN109555979A (zh) * | 2018-12-10 | 2019-04-02 | 清华大学 | 一种供水管网漏损监测方法 |
CN109854953A (zh) * | 2019-01-23 | 2019-06-07 | 西安长庆科技工程有限责任公司 | 一种特殊工况下的原油输送管线泄漏检测系统及方法 |
CN110454684A (zh) * | 2019-04-10 | 2019-11-15 | 重庆大学 | 一种城市天然气管网泄漏的故障定位检测方法 |
CN111738571A (zh) * | 2020-06-06 | 2020-10-02 | 北京王川景观设计有限公司 | 一种基于数字孪生的地热能综合体开发及应用的信息系统 |
Non-Patent Citations (2)
Title |
---|
朱晓红等: "支撑向量机在给水管网故障诊断中的应用", 《重庆大学学报》, 29 February 2008 (2008-02-29) * |
雷翠红: "供热管网泄漏故障诊断的研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》, 15 April 2011 (2011-04-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113898880A (zh) * | 2021-10-11 | 2022-01-07 | 武汉科技大学 | 一种基于复合物联网的漏水检测系统 |
CN117349633A (zh) * | 2023-12-06 | 2024-01-05 | 湖南恩智测控技术有限公司 | 源载一体机的故障和寿命预测方法、装置、设备及介质 |
CN117349633B (zh) * | 2023-12-06 | 2024-02-13 | 湖南恩智测控技术有限公司 | 源载一体机的故障和寿命预测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113486950B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Candelieri et al. | A graph based analysis of leak localization in urban water networks | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN113486950A (zh) | 一种智能管网漏水检测方法及系统 | |
CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
US11982613B2 (en) | Methods and internet of things (IOT) systems for corrosion protection optimization of pipeline of smart gas | |
Zanfei et al. | Novel approach for burst detection in water distribution systems based on graph neural networks | |
CN109325607A (zh) | 一种短期风电功率预测方法及系统 | |
CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 | |
CN112949181A (zh) | 一种多源关联数据的预警预测方法、存储介质及电子设备 | |
CN116557787A (zh) | 管网状态智能评估系统及其方法 | |
Li et al. | Fast detection and localization of multiple leaks in water distribution network jointly driven by simulation and machine learning | |
Jun et al. | Convolutional neural network for burst detection in smart water distribution systems | |
CN112434887B (zh) | 一种结合网络核密度估计和svm的供水管网风险预测方法 | |
CN117520989A (zh) | 一种基于机器学习的天然气管道泄漏检测方法 | |
CN110543108B (zh) | 基于机理模型预测的供热系统测量数据的校正方法及系统 | |
Sun et al. | Flow measurement-based self-adaptive line segment clustering model for leakage detection in water distribution networks | |
CN117168861A (zh) | 污水处理设备的异常监测方法及其系统 | |
CN116484219A (zh) | 一种基于门控图神经网络的供水管网水质异常污染源识别方法 | |
CN113970073B (zh) | 一种基于ResNet的供水管网泄漏精准定位方法 | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
Pradhan et al. | Lagged-kNN based data imputation approach for multi-stream building systems data | |
CN116957343B (zh) | 一种天然气运输安全风险分析方法及系统 | |
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 | |
CN115694937B (zh) | 一种通过构造虚拟异常流量训练恶意流量检测系统的方法 |
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 |