CN113781276A - 一种污水管网流量不确定性分析方法 - Google Patents

一种污水管网流量不确定性分析方法 Download PDF

Info

Publication number
CN113781276A
CN113781276A CN202110786201.9A CN202110786201A CN113781276A CN 113781276 A CN113781276 A CN 113781276A CN 202110786201 A CN202110786201 A CN 202110786201A CN 113781276 A CN113781276 A CN 113781276A
Authority
CN
China
Prior art keywords
sewage
flow
water supply
pipe network
inspection well
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
Application number
CN202110786201.9A
Other languages
English (en)
Other versions
CN113781276B (zh
Inventor
郑飞飞
贾月怡
张清周
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110786201.9A priority Critical patent/CN113781276B/zh
Priority to PCT/CN2021/112928 priority patent/WO2023284060A1/zh
Publication of CN113781276A publication Critical patent/CN113781276A/zh
Priority to US18/411,188 priority patent/US20240184959A1/en
Application granted granted Critical
Publication of CN113781276B publication Critical patent/CN113781276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F15/00—Details of, or accessories for, apparatus of groups G01F1/00 - G01F13/00 insofar as such details or appliances are not adapted to particular types of such apparatus
    • G01F15/06—Indicating or recording devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Remote Sensing (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Fluid Mechanics (AREA)
  • Sewage (AREA)

Abstract

本发明属于市政工程城市污水管网领域，本发明提出一种污水管网流量不确定性分析方法，首先根据配套供水管网的用水量数据，确定用水量变化随机分布性质并建立样本池，随后基于供水管网与污水管网之间密切的物理联系，根据已确定的用水量变化系数样本池，通过随机抽样的方式分别确定由随机因素和系统因素影响的污水管网检查井节点流量变化系数，最后综合考虑两种因素确定检查井节点流量正常波动允许范围，实现污水管网流量不确定性分析；本发明通过分别考虑流量向上波动和向下波动的情况，并综合同时考虑随机因素的影响，确定了更加合理和准确的波动范围，为污水管网的病害诊断减少了误报可能，是污水管网系统管理的重要技术支撑。

Description

一种污水管网流量不确定性分析方法
技术领域
本发明属于市政工程城市污水管网领域，具体涉及污水管网流量不确定性分析方法。
背景技术
城市污水管网是维护城市卫生、防止疾病传播的重要城市基础设施，是影响城市水环境与水生态的重要因素。近年来，人口增长和城市化加剧使得污水管网在运行和管理上出现许多问题，如管道淤塞、管道泄漏、雨污错接、非法排放、污水溢流等。这些问题是导致城市黑臭水体的根本原因，亟待解决。
一种有效的解决方法是建立污水管网在线监测系统来帮助管理和预警污水管网问题，但由于污水系统的监测传感器造价昂贵，维护困难，无法大范围高密度使用，因而污水管网在线监测系统往往需要结合准确的污水管网模型，通过对比监测值与模拟值来判断异常情况的出现。在这种方法中，确保污水管网模型的准确性十分重要，但由于高时间分辨率的实际数据难以获取，很难在实际工程中做到这一点。为了解决这个问题，一种常见做法是通过静态校核模型水力参数，利用有限的监测数据来推算确定每个检查井节点的单日流量期望值时间序列。但该做法基于一个工程假设，即在不同天之间，某一特定检查井节点在特定时刻(如早上6点至6点半)所流入的污水流量是相似的。该假设尽管大大减少了模型校核所要求的数据量和计算量，但也忽视了不同天之间污水入流量的随机性。实际情况中，检查井节点的污水入流量变化是一个随机过程，受到许多外部条件的影响(如温度、节假日、人口流动等)，从而使同一检查井节点在不同天具备不同的流量变化情况。这就导致静态校核后的模型模拟结果会与实际情况产生偏差，从而影响整个在线监测系统的病害探查与预警效果。
为了解决上述问题，常使用不确定性分析方法，来判断污水入流量的波动范围，进而确定整个污水管网水力参数的变化范围，为监测系统的病害诊断提供预警阈值。然而，污水流量随机过程的驱动机制过于复杂，导致其难以通过明确的形式(如表达式)进行描述。传统方法往往通过假定特定的分布情况(如均匀分布、高斯分布或泊松分布等)来表示这一随机过程，且通过工程经验作为依据来指定随机分布函数的相关参数(如在期望值附近±15％波动)，但这些分布形式及其参数设定并没有得到实际验证，缺乏理论支撑。此外，由于传统方法往往采用特定的某一分布形式对整个污水管网进行不确定性分析，因而也无法体现不同检查井节点以及不同时间段之间的波动幅度差异。传统方法还存在的一个缺陷是其只考虑了随机因素(如人口流动)造成的流量波动(同一时刻既有流量上升的节点，又有流量下降的节点)，而忽视了系统因素(如天气)导致的波动，而系统因素导致的波动往往会使同时刻整个污水管网的流量都呈现上升/下降的趋势，这会导致传统方法最终识别的不确定性范围偏小，从而使后续在线监测系统的运行极易产生误报，影响污水管网监管效率和准确性。
发明内容
为了克服背景技术中的上述缺陷，精准确定污水管网流量的正常波动范围，本发明首次提出一种基于供水数据的污水管网流量不确定性分析方法，首先根据配套供水管网的智能水表数据，确定供水管网用水量变化系数样本池，随后基于已确定的用水量变化随机性及变化系数样本池，通过抽样的方式分别确定随机因素和系统因素影响的污水管网检查井节点流量变化系数，最后综合考虑两种因素引起的流量波动幅度，确定检查井节点流量正常波动允许的上限和下限，实现污水管网流量不确定性分析。本发明的创新之处在于在污水流量波动内在驱动因素难以阐明的情况下，根据相邻供水节点与污水检查井节点之间密切的物理联系(如图4所示)，间接利用易于统计的用水量随机分布情况和变化系数样本池来表征污水排放量的随机性，使污水管网的流量不确定性分析过程具备更合理的物理含义和理论支撑，确定了更加准确合理的流量波动范围，为污水管网发生异常情况时的预警和诊断提供了关键性技术支撑。
具体地说，本发明提出一种污水管网流量不确定性分析方法，首先根据配套供水管网的用水量数据，确定用水量变化随机分布性质并建立样本池，随后基于供水管网与污水管网之间密切的物理联系，根据已确定的用水量变化系数样本池，通过随机抽样的方式分别确定由随机因素和系统因素影响的污水管网检查井节点流量变化系数，最后综合考虑两种因素引起的流量波动幅度，确定检查井节点流量正常波动允许范围，实现污水管网流量不确定性分析。
为了实现上述目的，本发明提供以下技术方案：
本发明提供一种污水管网流量不确定性分析方法，所述分析方法包括以下步骤：
(1)确定配套供水管网用水量变化系数样本池Ψ(t)；
(2)确定每个检查井节点h的污水流量波动范围；
(3)实现污水管网流量不确定性分析。
进一步地，所述步骤(1)的具体过程为：
(11)收集污水管网所在区域的供水管网中每个供水节点的实时用水量数据，可通过目前已普遍安装的智能水表获得，统计每个供水节点在一定用水时间内(例如1个月)的用水量变化，计算每个供水节点在同一时刻不同天的平均用水量
Figure BDA0003159274720000041
(12)基于已统计的每个供水节点在同一时刻不同天的平均用水量
Figure BDA0003159274720000042
计算每个供水节点在每个时刻不同天内的变化系数，计算公式如下：
Figure BDA0003159274720000043
其中，CV(t,d)是第d日t时刻该供水节点的变化系数；
WS(t,d)表示该供水节点在第d日t时刻的实际用水量，通过智能水表实测获得；
(13)建立供水管网用水量变化系数样本池Ψ(t)，汇总所有不同供水节点在同一天内的每个时刻t的变化系数CV，形成供水管网用水量变化系数样本池Ψ(t)。
进一步地，所述步骤(2)的具体过程为：
(21)基于污水管网信息及监测数据，建立并校核污水管网水力模型，获得污水管网水力模型中每个检查井节点h对应的污水入流量期望值的时间序列，对检查井节点h在t时刻的污水流量期望值，污水流量期望值定义为MIh(t)；
MIh(t)＝Q×kh； 公式1-2
其中，Q是每个子系统最优的总污水入流量时间序列矩阵；
kh表示检查井节点h的流量调整系数；
优选的，污水管网信息及监测数据包括GIS数据、管网实际监测的流量、液位等数据。
优选的，基于安装的N个污水流量计的位置将污水管网划分为N个子系统，将污水流量计上游管网划分为该污水流量计覆盖的子系统区域，每一个子系统内有唯一的一个污水流量计与之相对应。
(22)计算由随机因素影响的污水流量波动范围；
对于用水用户，在t时刻，实际污水入流量DS(t)与用水量WS(t)之间存在明确的物理转化联系，转化系数为TF，因此可推导出实际污水入流量DS(t)的波动特性与用水量WS(t)具有很强的相关性，由此可根据供水管网用水量变化系数样本池Ψ(t)近似评估污水流量的随机波动范围，具体公式如下：
CVh(t)＝Rand(Ψ(t))； 公式1-3
Figure BDA0003159274720000051
其中，Rand()是随机函数；
CVh(t)表示检查井节点h在不同天的特定时刻t时刻的变化系数，其值在供水管网用水量变化系数样本池Ψ(t)中随机抽样产生；
Figure BDA0003159274720000052
为随机因素影响后的检查井节点h在t时刻的污水入流量；
优选的，随机因素包括如天气、降雨等会导致整个片区所有用水/排水量升高/减少的因素，比如在夏天，整个区域内的排水量都会相对冬天有所提升。
(23)计算由系统因素影响的污水流量波动范围，系统因素包括由温度、节假日人口流动和季节因素造成的污水流量整体性的变化趋势，如气温升高会导致整个区域的用水量增加，进而污水流量随之增加，具体公式如下：
Figure BDA0003159274720000061
Figure BDA0003159274720000062
其中，
Figure BDA0003159274720000063
表示检查井节点h在t时刻大于1的变化系数，其值从供水管网用水量变化系数样本池Ψ(t)中所有变化系数大于1的值里随机抽样产生；
Figure BDA0003159274720000064
为基于系统因素影响后大于1的变化系数
Figure BDA0003159274720000065
检查井节点h在t时刻的污水流量；
Figure BDA0003159274720000066
表示检查井节点h在t时刻小于1的变化系数，其值从供水管网用水量变化系数样本池Ψ(t)中所有变化系数小于1的值里随机抽样产生；
Figure BDA0003159274720000067
为基于系统因素影响后小于1的变化系数
Figure BDA0003159274720000068
检查井节点h在t时刻的污水流量；
(24)对随机因素和系统因素造成的变化系数反复抽样，确定检查井节点h在t时刻的污水流量波动的最大值与最小值，从而确定每个检查井节点h的污水流量波动范围。
优选的，所述污水流量波动的最大值与最小值是根据变化系数反复抽样，多次计算
Figure BDA0003159274720000071
和
Figure BDA0003159274720000072
的值直观确定的。
进一步地，所述步骤(3)的具体过程为：
(31)根据供水管网智能水表实测数据，按照步骤(1)建立供水管网用水量变化系数样本池Ψ(t)；
(32)根据步骤(21)获取的污水管网流量单日期望值及供水管网用水量变化系数样本池Ψ(t)，对所有检查井节点h每个时刻进行抽样，按公式1-3至1-6计算随机因素和系统因素影响后的污水流量，确定每个检查井节点h每个时刻t所允许的污水流量波动最大值和最小值；
(33)确定每个检查井节点h的污水流量波动范围，实现污水管网流量不确定性分析。
本发明具有以下有益效果：
(1)本发明提出利用供水管网智能水表获得的大量用水量数据，基于供水用水量和污水入流量之间密切的物理联系，通过统计用水量变化随机特性映射至污水流量，从而间接反映污水流量的随机波动，使污水流量的不确定性分析过程具备理论和实际数据支撑；
(2)本发明首次提出考虑随机因素和系统因素导致的流量波动的不确定性分析方法，通过分别考虑流量向上波动和向下波动的情况，并综合同时考虑随机因素的影响，确定了更加合理和准确的波动范围，为污水管网的病害诊断减少了误报可能，是污水管网系统管理的重要技术支撑。
附图说明
图1是本发明的整体流程简图。
图2是用水量与污水入流量间的物理联系图。
图3是用水量与污水入流量的随机特性示意图。
图4是污水管网与供水管网物理联系示意图。
图5是污水流量变化系数随机因素取样方法示意图。
图6是污水流量变化系数随机因素物理演示示意图。
图7是污水流量变化系数系统因素取样方法示意图。
图8是污水流量变化系数系统因素物理演示示意图。
图9是BKN案例污水管网系统及监测点布置图。
图10是XZN案例污水管网系统及监测点布置图。
图11是BKN案例统计用水量变化系数密度分布曲线图。
图12是XZN案例统计用水量变化系数密度分布曲线图。
图13是BKN案例监测点S1整个监测周期的观测值与模拟期望值、两种不确定方法波动范围的液位比较图。
图14是XZN案例监测点D1整个监测周期的观测值与模拟期望值、两种不确定方法波动范围的液位比较图。
图15是XZN案例监测点D4整个监测周期的观测值与模拟期望值、两种不确定方法波动范围的液位比较图。
图16是BKN案例监测点P1整个监测周期的观测值与模拟期望值、两种不确定方法波动范围的流量比较图。
图17是XZN案例监测点F1整个监测周期的观测值与模拟期望值、两种不确定方法波动范围的流量比较图。
图18是XZN案例监测点F2整个监测周期的观测值与模拟期望值、两种不确定方法波动范围的流量比较图。
图19是XZN案例监测点D7单日观测值与模拟期望值、两种不确定方法波动范围的液位比较图。
图20是XZN案例监测点F3单日观测值与模拟期望值、两种不确定方法波动范围的流量比较图。
具体实施方式
以下结合附图对本发明的具体实施方式做详细描述，应当指出的是，实施例只是对发明的具体阐述，不应视为对发明的限定，实施例的目的是为了让本领域技术人员更好地理解和再现本发明的技术方案，本发明的保护范围仍应当以权利要求书所限定的范围为准。
如图1所示，本发明提供一种污水管网流量不确定性分析方法，所述分析方法包括以下步骤：
S1，确定配套供水管网用水量变化系数样本池Ψ(t)；
S11，收集污水管网所在区域的供水管网中每个供水节点的实时用水量数据，可通过目前已普遍安装的智能水表获得，统计每个供水节点在一定用水时间内(例如1个月)的用水量变化，计算每个供水节点在同一时刻不同天的平均用水量
Figure BDA0003159274720000091
S12，基于已统计的每个供水节点在同一时刻不同天的平均用水量
Figure BDA0003159274720000092
计算每个供水节点在每个时刻不同天内的变化系数，计算公式如下：
Figure BDA0003159274720000101
其中，CV(t,d)是第d日t时刻该供水节点的变化系数；
WS(t,d)表示该供水节点在第d日t时刻的实际用水量，通过智能水表实测获得；
S13，建立供水管网用水量变化系数样本池Ψ(t)，汇总所有不同供水节点在同一天内的每个时刻t的变化系数CV，形成供水管网用水量变化系数样本池Ψ(t)。
S2，确定每个检查井节点h的污水流量波动范围；
S21，基于污水管网信息及监测数据，建立并校核污水管网水力模型，获得污水管网水力模型中每个检查井节点h对应的污水入流量期望值的时间序列，对检查井节点h在t时刻的污水流量期望值，污水流量期望值定义为MIh(t)；
MIh(t)＝Q×kh； 公式1-2
其中，Q是每个子系统最优的总污水入流量时间序列矩阵；
kh表示检查井节点h的流量调整系数；
优选的，污水管网信息及监测数据包括GIS数据、管网实际监测的流量、液位等数据。
优选的，基于安装的N个污水流量计的位置将污水管网划分为N个子系统，将污水流量计上游管网划分为该污水流量计覆盖的子系统区域，每一个子系统内有唯一的一个污水流量计与之相对应。
S22，计算由随机因素影响的污水流量波动范围；
对于用水用户，在t时刻，实际污水入流量DS(t)与用水量WS(t)之间存在明确的物理转化联系，转化系数为TF(如图2-3所示)，因此可推导出实际污水入流量DS(t)的波动特性与用水量WS(t)具有很强的相关性，由此可根据供水管网用水量变化系数样本池Ψ(t)近似评估污水流量的随机波动范围，具体公式如下：
CVh(t)＝Rand(Ψ(t))； 公式1-3
Figure BDA0003159274720000111
其中，Rand()是随机函数；
CVh(t)表示检查井节点h在不同天的特定时刻t时刻的变化系数，其值在供水管网用水量变化系数样本池Ψ(t)中随机抽样产生(如图5-6所示)；
Figure BDA0003159274720000115
为随机因素影响后的检查井节点h在t时刻的污水入流量；
优选的，随机因素包括如天气、降雨等会导致整个片区所有用水/排水量升高/减少的因素，比如在夏天，整个区域内的排水量都会相对冬天有所提升。
S23，计算由系统因素影响的污水流量波动范围，系统因素包括由温度、节假日人口流动和季节因素造成的污水流量整体性的变化趋势，如气温升高会导致整个区域的用水量增加，进而污水流量随之增加，具体公式如下：
Figure BDA0003159274720000112
Figure BDA0003159274720000113
其中，
Figure BDA0003159274720000114
表示检查井节点h在t时刻大于1的变化系数，其值从供水管网用水量变化系数样本池Ψ(t)中所有变化系数大于1的值里随机抽样产生；
Figure BDA0003159274720000121
为基于系统因素影响后大于1的变化系数
Figure BDA0003159274720000122
检查井节点h在t时刻的污水流量；
Figure BDA0003159274720000123
表示检查井节点h在t时刻小于1的变化系数，其值从供水管网用水量变化系数样本池Ψ(t)中所有变化系数小于1的值里随机抽样产生(如图7-8所示)；
Figure BDA0003159274720000124
为基于系统因素影响后小于1的变化系数
Figure BDA0003159274720000125
检查井节点h在t时刻的污水流量；
S24，对随机因素和系统因素造成的变化系数反复抽样，确定检查井节点h在t时刻的污水流量波动的最大值与最小值，从而确定每个检查井节点h的污水流量波动范围。
优选的，所述污水流量波动的最大值与最小值是根据变化系数反复抽样，多次计算
Figure BDA0003159274720000126
和
Figure BDA0003159274720000127
的值直观确定的。
S3，实现污水管网流量不确定性分析；
S31，根据供水管网智能水表实测数据，按照步骤S1建立供水管网用水量变化系数样本池Ψ(t)；
S32，根据S21获取的污水管网流量单日期望值及供水管网用水量变化系数样本池Ψ(t)，对所有检查井节点h每个时刻进行抽样，按公式1-3至1-6计算随机因素和系统因素影响后的污水流量，确定每个检查井节点h每个时刻t所允许的污水流量波动最大值和最小值；
S33，确定每个检查井节点h的污水流量波动范围，实现污水管网流量不确定性分析。
以下将以模拟实际的示例来说明本发明的方法在工程中的实际应用，示例不表示现实存在的例子，示例的说明表示本发明可以用于工程实践并且能够获得技术效果。
本实施例以Benk和Xiuzhou两个城市的污水管网为例，城市Benk污水管网(记为BKN)由64个检查井节点、64条污水管道和一个排污口组成，污水管道的管长总计约9.4公里，平均管道坡度为0.65％，区域内总人口数量约为2.05万人；在BKN污水管网中安装有3个液位计和一个流量计，与其配套的供水管网中安装有16个智能水表(位置如图9所示)。
城市Xiuzhou的污水管网(记为XZN)由1214个检查井节点、1214条污水管道和一个排污口组成，污水管道的管长总计约86公里，平均管道坡度为0.27％，区域内总人口数量约为10.75万人；在XZN污水管网中安装有8个液位计和3个流量计，与其配套的供水管网中安装有152个智能水表，位置如图10所示。
每个实例中，监测仪表记录了某月31天无降雨情况下的历史数据，时间步长为30分钟，每个监测点共采集了1488(31×24×2)个时间步长的数据。对于BKN案例，对随机因素影响造成的变化系数进行20000次随机取样，对系统因素造成的大于1和小于1的变化系数分别进行20000次取样；对于XZN案例，对随机因素影响造成的变化系数进行50000次随机取样，对系统因素造成的大于1和小于1的变化系数分别进行50000次取样。为更好评估发明方法效果，将其与传统不确定性方法进行结果比较，传统方法采用与发明方法相同的期望值进行不确定性分析，使用均匀分布作为其随机分布特性，允许波动幅度为期望值±15％。
如图11-12所示，分别展示了BKN案例和XZN案例中通过智能水表实测数据统计确定的CV值概率密度曲线，其中每条线表示一天内某一特定时间t的变化系数密度分布，由于实施例中智能水表的时间分辨率为30分钟，故每个实施例对应48条密度曲线(即48个时刻)。如图11-12所示，虽然在一天的不同时间内，用水量数据的随机特性总体上相似的，但仍然存在一定差异，一定程度上说明了传统方法中对所有时刻都采用同一分布情况的做法并不符合实际。
如图13-20所示，其中，图13-18为实施例中观测值分别采用发明方法、传统方法在不同监测点处的不确定性范围结果，由此可见发明方法提供的不确定性范围能够很好地概括不同检查井节点观测值的变化情况，然而传统方法提供的不确定性范围则让许多观测值都超出了其范围；图19-20更进一步具体展示了两个监测点某一天的不确定性分析结果，可更清晰直观的看出发明方法在表征污水流量及液位随机性方面效果显著优于传统方法。
由此可知，通过本发明所提出的一种污水管网流量不确定性分析方法，利用配套供水管网的智能水表实测数据，建立用水量变化系数样本池，再依据供水管网与污水管网的密切物理联系，将其映射为污水入流量变化的随机特性，并通过反复抽样分别确定随机因素和系统因素影响下的污水流量最大值与最小值，再综合考虑两种因素，确定污水流量的波动范围，实现污水管网流量的不确定性分析，弥补了污水管网模型静态校核方法中未考虑污水入流量随机性的缺陷，提供了更加准确的污水管网流量正常波动范围，为减少污水管网在线监测系统误报，诊断并解决污水管网病害提供了重要技术支撑，具有实际工程应用价值。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

Claims (4)

1.一种污水管网流量不确定性分析方法，其特征在于，所述分析方法包括以下步骤：
(1)确定配套供水管网用水量变化系数样本池Ψ(t)；
(2)确定每个检查井节点h的污水流量波动范围；
(3)实现污水管网流量不确定性分析。
2.根据权利要求1所述的一种污水管网流量不确定性分析方法，其特征在于，所述步骤(1)的具体过程为：
(11)收集污水管网所在区域的供水管网中每个供水节点的实时用水量数据，统计每个供水节点在一定用水时间内的用水量变化，计算每个供水节点在同一时刻不同天的平均用水量
Figure FDA0003159274710000011
(12)基于已统计的每个供水节点在同一时刻不同天的平均用水量
Figure FDA0003159274710000012
计算每个供水节点在每个时刻不同天内的变化系数，计算公式如下：
Figure FDA0003159274710000013
其中，CV(t,d)是第d日t时刻该供水节点的变化系数；
WS(t,d)表示该供水节点在第d日t时刻的实际用水量；
(13)建立供水管网用水量变化系数样本池Ψ(t)，汇总所有不同供水节点在同一天内的每个时刻t的变化系数CV，形成供水管网用水量变化系数样本池Ψ(t)。
3.根据权利要求1所述的一种污水管网流量不确定性分析方法，其特征在于，所述步骤(2)的具体过程为：
(21)基于污水管网信息及监测数据，建立并校核污水管网水力模型，获得污水管网水力模型中每个检查井节点h对应的污水入流量期望值的时间序列，对检查井节点h在t时刻的污水流量期望值，污水流量期望值定义为MIh(t)；
MIh(t)＝Q×kh； 公式1-2
其中，Q是每个子系统最优的总污水入流量时间序列矩阵；
kh表示检查井节点h的流量调整系数；
(22)计算由随机因素影响的污水流量波动范围；
对于用水用户，在t时刻，实际污水入流量DS(t)与用水量WS(t)之间存在明确的物理转化联系，转化系数为TF，因此可推导出实际污水入流量DS(t)的波动特性与用水量WS(t)具有很强的相关性，由此可根据供水管网用水量变化系数样本池Ψ(t)近似评估污水流量的随机波动范围，具体公式如下：
CVh(t)＝Rand(Ψ(t))； 公式1-3
Figure FDA0003159274710000021
其中，Rand()是随机函数；
CVh(t)表示检查井节点h在不同天的特定时刻t时刻的变化系数，其值在供水管网用水量变化系数样本池Ψ(t)中随机抽样产生；
Figure FDA0003159274710000022
为随机因素影响后的检查井节点h在t时刻的污水入流量；
(23)计算由系统因素影响的污水流量波动范围，具体公式如下：
Figure FDA0003159274710000023
Figure FDA0003159274710000024
其中，
Figure FDA0003159274710000025
表示检查井节点h在t时刻大于1的变化系数，其值从供水管网用水量变化系数样本池Ψ(t)中所有变化系数大于1的值里随机抽样产生；
Figure FDA0003159274710000031
为基于系统因素影响后大于1的变化系数
Figure FDA0003159274710000032
检查井节点h在t时刻的污水流量；
Figure FDA0003159274710000033
表示检查井节点h在t时刻小于1的变化系数，其值从供水管网用水量变化系数样本池Ψ(t)中所有变化系数小于1的值里随机抽样产生；
Figure FDA0003159274710000034
为基于系统因素影响后小于1的变化系数
Figure FDA0003159274710000035
检查井节点h在t时刻的污水流量；
(24)对随机因素和系统因素造成的变化系数反复抽样，确定检查井节点h在t时刻的污水流量波动的最大值与最小值，从而确定每个检查井节点h的污水流量波动范围。
4.根据权利要求1所述的一种污水管网流量不确定性分析方法，其特征在于，所述步骤(3)的具体过程为：
(31)根据供水管网智能水表实测数据，按照步骤(1)建立供水管网用水量变化系数样本池Ψ(t)；
(32)根据步骤(21)获取的污水管网流量单日期望值及供水管网用水量变化系数样本池Ψ(t)，对所有检查井节点h每个时刻进行抽样，按公式1-3至1-6计算随机因素和系统因素影响后的污水流量，确定每个检查井节点h每个时刻t所允许的污水流量波动最大值和最小值；
(33)确定每个检查井节点h的污水流量波动范围，实现污水管网流量不确定性分析。
CN202110786201.9A 2021-07-12 2021-07-12 一种污水管网流量不确定性分析方法 Active CN113781276B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110786201.9A CN113781276B (zh) 2021-07-12 2021-07-12 一种污水管网流量不确定性分析方法
PCT/CN2021/112928 WO2023284060A1 (zh) 2021-07-12 2021-08-17 一种基于地理三维信息的污水管网流量不确定性分析方法
US18/411,188 US20240184959A1 (en) 2021-07-12 2024-01-12 Sewage pipe network hydraulic model building method based on three-dimensional geographic information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110786201.9A CN113781276B (zh) 2021-07-12 2021-07-12 一种污水管网流量不确定性分析方法

Publications (2)

Publication Number Publication Date
CN113781276A true CN113781276A (zh) 2021-12-10
CN113781276B CN113781276B (zh) 2024-01-19

Family

ID=78835896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110786201.9A Active CN113781276B (zh) 2021-07-12 2021-07-12 一种污水管网流量不确定性分析方法

Country Status (1)

Country Link
CN (1) CN113781276B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103697934A (zh) * 2012-10-12 2014-04-02 中国水利水电科学研究院 城市市政污水管网的带压监测方法
CN112182984A (zh) * 2020-08-18 2021-01-05 浙江大学 一种基于供水物联网数据同化的污水管网实时模拟方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103697934A (zh) * 2012-10-12 2014-04-02 中国水利水电科学研究院 城市市政污水管网的带压监测方法
CN112182984A (zh) * 2020-08-18 2021-01-05 浙江大学 一种基于供水物联网数据同化的污水管网实时模拟方法

Also Published As

Publication number Publication date
CN113781276B (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
WO2023284060A1 (zh) 一种基于地理三维信息的污水管网流量不确定性分析方法
Laucelli et al. Detecting anomalies in water distribution networks using EPR modelling paradigm
CN109376925B (zh) 供水管网节点流量动态自适应优化方法
CN110929359B (zh) 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法
KR102031714B1 (ko) 수리해석 기반의 상수도관망 누수탐지 시스템
WO2021097887A1 (zh) 一种基于阀门操作和在线用水计量的供水管网漏失高效定位方法
CN110991046B (zh) 一种基于响应面函数的排水系统内涝风险快速预警方法
CN113011903A (zh) 基于gis和水力模型的水污染精准溯源方法
CN116823067B (zh) 管网水质清污状态的确定方法、装置及电子设备
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
CN117540329B (zh) 基于机器学习的排水管网缺陷在线预警方法及系统
CN116701970A (zh) 基于双层相似度聚类的排水管网监测点优化布置方法
CN113626959B (zh) 一种基于三维地理信息的污水管网水力模型建立方法
CN114819322B (zh) 湖泊入湖流量的预报方法
CN113792367B (zh) 基于PySWMM的排水系统多来源入流入渗和出渗量动态估算方法
CN116205136A (zh) 基于径流滞后信息的大尺度流域深度学习洪水预报方法
CN113739082B (zh) 一种基于多区域联合评估的供水管网漏损监测方法
WO2022264422A1 (ja) 雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラム
CN111027758B (zh) 一种针对供水管网水质监测系统的全局韧性高效评估方法
CN116776779A (zh) 排水管网的淤积检测方法及计算机可读存储介质
CN113781276B (zh) 一种污水管网流量不确定性分析方法
CN117071706A (zh) 一种市政道路用排水管网控制系统
David et al. Development of an integrated system for early warning of recreational waters contamination
CN111047213B (zh) 基于多要素联合判别的中长期水资源量临界预警指标方法
Ye et al. Inflow and infiltration assessment of a prototype sanitary sewer network in a coastal city in China

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