CN114370611B - 一种管网入流入渗监测方法及终端 - Google Patents
一种管网入流入渗监测方法及终端 Download PDFInfo
- Publication number
- CN114370611B CN114370611B CN202210049626.6A CN202210049626A CN114370611B CN 114370611 B CN114370611 B CN 114370611B CN 202210049626 A CN202210049626 A CN 202210049626A CN 114370611 B CN114370611 B CN 114370611B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- liquid level
- analysis
- time
- events
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 230000008595 infiltration Effects 0.000 title claims abstract description 51
- 238000001764 infiltration Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000007788 liquid Substances 0.000 claims abstract description 245
- 238000004458 analytical method Methods 0.000 claims abstract description 237
- 230000008859 change Effects 0.000 claims abstract description 82
- 230000006870 function Effects 0.000 claims description 55
- 230000002159 abnormal effect Effects 0.000 claims description 54
- 230000003111 delayed effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 239000010865 sewage Substances 0.000 description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000011835 investigation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D3/00—Arrangements for supervising or controlling working operations
- F17D3/18—Arrangements for supervising or controlling working operations for measuring the quantity of conveyed product
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Sewage (AREA)
Abstract
本发明公开一种管网入流入渗监测方法及终端,实时获取待监测管网节点第一预设时间段的降雨量数据和液位数据,并根据所述降雨量数据确定历史降雨事件;基于所述历史降雨事件和所述液位数据使用隶属度函数进行旱季雨季旱流液位波动分析、晴天雨天变化分析和降雨短时变化分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果、与所述晴天雨天变化分析对应的第二分析结果以及与所述降雨短时变化分析对应的第三分析结果;根据第一分析结果、第二分析结果和第三分析结果进行模糊运算,得到推理结果,并对推理结果进行去模糊化,得到最终结果;根据最终结果确定待监测管网节点对应的监测结果,从而有效提升了管网入流入渗监测的准确性。
Description
技术领域
本发明涉及截污治污技术领域,尤其涉及一种管网入流入渗监测方法及终端。
背景技术
我国以前由于在城市基础设施建设方面比较落后,没有对排水管道根据水的来源进行分设,采用的是雨水和污水合用一条排水管道的形式,即合流制的排水系统。近年来,随着经济的发展和环境意识的增强,再加上水资源越来越珍贵,为了能够更好的利用各种水资源,开始实施雨水和污水各用一条排水管道的排水方式,即雨污分流。但在由雨污合流到雨污分流的改造过程中,由于历史、管网破损、管网错接等因素,很多城市污水管网呈现出典型的混流制特征,尤其在雨季,雨水混入污水管网的问题严重,给污水处理厂和污水管网的稳定运行带来了极大的压力。
找出入流入渗点是维护截污治污管网的关键,但由于管网埋藏于地下,入流入渗的时间和位置随机性较大,传统的人工巡检法和基于CCTV(闭路电视)视频排查法需要耗费大量的人力物力,且难以满足连续性、即时性、全局性的需求。随着物联网技术和大数据分析技术的发展,在截污治污体系的运行管理方面也有一些相应的尝试和应用,其中一类通过水质特征因子的波动情况检测管网运行问题,但这类方法需要在管网监测节点上布设水质监测设备,经济成本较高;另一类对流量液位数据进行波动分析,根据数据分布情况设立阈值判断是否存在入流入渗,然而实际情况中入流入渗的发生存在很多不确定因素,比如管网节点的位置、管径的大小、雨量的大小、下雨的时长等等,并没有一个清晰的界限能准确区分是否存在入流入渗的情况。
发明内容
本发明所要解决的技术问题是:提供一种管网入流入渗监测方法及终端,能够有效提升管网入流入渗监测的准确性。
为了解决上述技术问题,本发明采用的一种技术方案为:
一种管网入流入渗监测方法,包括步骤:
实时获取待监测管网节点第一预设时间段的降雨量数据和液位数据,并根据所述降雨量数据确定历史降雨事件;
基于所述历史降雨事件和所述液位数据使用隶属度函数进行旱季雨季旱流液位波动分析、晴天雨天变化分析和降雨短时变化分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果、与所述晴天雨天变化分析对应的第二分析结果以及与所述降雨短时变化分析对应的第三分析结果;
根据所述第一分析结果、第二分析结果和第三分析结果进行模糊运算,得到推理结果,并对所述推理结果进行去模糊化,得到最终结果;
根据所述最终结果确定所述待监测管网节点对应的监测结果。
为了解决上述技术问题,本发明采用的另一种技术方案为:
一种管网入流入渗监测终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
实时获取待监测管网节点第一预设时间段的降雨量数据和液位数据,并根据所述降雨量数据确定历史降雨事件;
基于所述历史降雨事件和所述液位数据使用隶属度函数进行旱季雨季旱流液位波动分析、晴天雨天变化分析和降雨短时变化分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果、与所述晴天雨天变化分析对应的第二分析结果以及与所述降雨短时变化分析对应的第三分析结果;
根据所述第一分析结果、第二分析结果和第三分析结果进行模糊运算,得到推理结果,并对所述推理结果进行去模糊化,得到最终结果;
根据所述最终结果确定所述待监测管网节点对应的监测结果。
本发明的有益效果在于:不再像现有技术中,采用人工巡检和视频排查的方式进行管网入流入渗监测,而是实时获取待监测管网节点预设时间段的降雨量数据和液位数据,根据降雨量数据确定历史降雨事件,基于历史降雨事件和液位数据使用隶属度函数进行旱季雨季旱流液位波动分析、晴天雨天变化分析和降雨短时变化分析,得到对应的第一分析结果、第二分析结果和第三分析结果,最后根据分析结果进行模糊运算,得到推理结果,并对其进行去模糊化,得到最终结果,根据最终结果确定监测结果,无需增设水质监测设备,节省了大量的人力物力,采用基于模糊逻辑的方法,能够很好地表达入流入渗问题排查中界限不清晰的定性知识与经验,模拟人脑实施规则型推理,并且,从旱季和雨季、晴天和雨天、降雨短时过程三个尺度进行了分析,避免了从单一尺度分析存在偶发因素而引起的误判,从而有效提升了管网入流入渗监测的准确性。
附图说明
图1为本发明实施例的一种管网入流入渗监测方法的步骤流程图;
图2为本发明实施例的一种管网入流入渗监测终端的结构示意图;
图3为本发明实施例管网入流入渗监测方法中确定监测结果的流程示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1,本发明实施例提供了一种管网入流入渗监测方法,包括步骤:
实时获取待监测管网节点第一预设时间段的降雨量数据和液位数据,并根据所述降雨量数据确定历史降雨事件;
基于所述历史降雨事件和所述液位数据使用隶属度函数进行旱季雨季旱流液位波动分析、晴天雨天变化分析和降雨短时变化分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果、与所述晴天雨天变化分析对应的第二分析结果以及与所述降雨短时变化分析对应的第三分析结果;
根据所述第一分析结果、第二分析结果和第三分析结果进行模糊运算,得到推理结果,并对所述推理结果进行去模糊化,得到最终结果;
根据所述最终结果确定所述待监测管网节点对应的监测结果。
从上述描述可知,本发明的有益效果在于:不再像现有技术中,采用人工巡检和视频排查的方式进行管网入流入渗监测,而是实时获取待监测管网节点预设时间段的降雨量数据和液位数据,根据降雨量数据确定历史降雨事件,基于历史降雨事件和液位数据使用隶属度函数进行旱季雨季旱流液位波动分析、晴天雨天变化分析和降雨短时变化分析,得到对应的第一分析结果、第二分析结果和第三分析结果,最后根据分析结果进行模糊运算,得到推理结果,并对其进行去模糊化,得到最终结果,根据最终结果确定监测结果,无需增设水质监测设备,节省了大量的人力物力,采用基于模糊逻辑的方法,能够很好地表达入流入渗问题排查中界限不清晰的定性知识与经验,模拟人脑实施规则型推理,并且,从旱季和雨季、晴天和雨天、降雨短时过程三个尺度进行了分析,避免了从单一尺度分析存在偶发因素而引起的误判,从而有效提升了管网入流入渗监测的准确性。
进一步地,所述降雨量数据包括降雨时间和所述降雨时间对应的降雨量;
所述根据所述降雨量数据确定历史降雨事件包括:
从所述降雨时间中确定连续降雨时间,并判断所述连续降雨时间对应的所述降雨量是否大于第一预设值,若是,则累加所述连续降雨时间对应的所述降雨量,得到累积降雨量;
根据所述连续降雨时间与所述累积降雨量确定多个初始历史降雨事件;
从所述多个初始历史降雨事件中任意选择预设个数的目标初始历史降雨事件,并确定所述预设个数的目标初始历史降雨事件对应的间隔时间;
判断所述间隔时间是否小于或等于第二预设值,若是,则将所述预设个数的目标初始历史降雨事件进行合并,得到历史降雨事件,并返回执行所述从所述多个初始历史降雨事件中任意选择预设个数的目标初始历史降雨事件步骤,直至每一所述初始历史降雨事件均已被选择,若否,则将所述预设个数的目标初始历史降雨事件确定为历史降雨事件,并返回执行所述从所述多个初始历史降雨事件中任意选择预设个数的目标初始历史降雨事件步骤,直至每一所述初始历史降雨事件均已被选择。
由上述描述可知,利用获取的降雨量数据实现历史降雨事件的合并,将历史降雨事件作为后续监测的数据基础,便于后续进行管网入流入渗监测。
进一步地,所述隶属度函数包括第一隶属度函数、第二隶属度函数和第三隶属度函数;
所述基于所述历史降雨事件和所述液位数据使用隶属度函数进行旱季雨季旱流液位波动分析、晴天雨天变化分析和降雨短时变化分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果、与所述晴天雨天变化分析对应的第二分析结果以及与所述降雨短时变化分析对应的第三分析结果包括:
基于所述历史降雨事件和所述液位数据使用所述第一隶属度函数进行旱季雨季旱流液位波动分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果;
基于所述历史降雨事件和所述液位数据使用所述第二隶属度函数进行晴天雨天变化分析,得到与所述晴天雨天变化分析对应的第二分析结果;
基于所述历史降雨事件和所述液位数据使用所述第三隶属度函数进行降雨短时变化分析,得到与所述降雨短时变化分析对应的第三分析结果。
由上述描述可知,基于历史降雨事件和液位数据使用第一隶属度函数、第二隶属度函数和第三隶属度函数分别进行旱季雨季旱流液位波动分析、晴天雨天变化分析和降雨短时变化分析,从旱季雨季旱流液位波动分析、晴天雨天变化分析、降雨短时变化分析三个维度表达过渡性界限和经验知识,后续基于三个维度的分析结果对管网节点进行入流入渗问题的实时监测,有效提升了管网入流入渗监测的精确度。
进一步地,所述基于所述历史降雨事件和所述液位数据使用所述第一隶属度函数进行旱季雨季旱流液位波动分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果包括:
对所述液位数据进行旱雨季分类,得到旱季液位数据和雨季液位数据;
根据所述历史降雨事件对所述旱季液位数据进行筛选,得到筛选后的旱季液位数据;
根据所述历史降雨事件对所述雨季液位数据进行筛选,得到筛选后的雨季液位数据;
确定所述筛选后的旱季液位数据对应的第一旱流液位均值以及所述筛选后的雨季液位数据对应的第二旱流液位均值;
根据所述第一旱流液位均值与所述第二旱流液位均值进行计算,得到第一均值差;
获取所述待监测管网节点的管径;
基于所述管径和所述第一均值差使用所述第一隶属度函数进行旱季雨季旱流液位波动分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果。
由上述描述可知,对液位数据进行旱雨季分类,再根据历史降雨事件分别对旱季液位数据和雨季液位数据进行筛选,能够排除降雨事件对旱雨季旱流液位数据的影响,接着基于筛选后的旱季液位数据和筛选后的雨季液位数据计算得到第一均值差,最后利用待监测管网节点的管径和第一均值差使用第一隶属度函数进行旱季雨季旱流液位波动分析,提高了旱季雨季旱流液位波动分析的准确性和可靠性。
进一步地,所述基于所述历史降雨事件和所述液位数据使用所述第二隶属度函数进行晴天雨天变化分析,得到与所述晴天雨天变化分析对应的第二分析结果包括:
对所述历史降雨事件进行过滤,得到剩余降雨事件;
从所述剩余降雨事件中确定第二预设时间段的第一目标剩余降雨事件;
根据第一目标剩余降雨事件对所述液位数据进行晴雨天分类,得到晴天液位数据和雨天液位数据;
根据所述晴天液位数据确定晴天液位变化均值,并根据所述雨天液位数据确定雨天液位变化均值;
根据所述晴天液位变化均值与所述雨天液位变化均值进行计算,得到第二均值差;
基于所述第二均值差使用第二隶属度函数进行晴天雨天变化分析,得到与所述晴天雨天变化分析对应的第二分析结果。
由上述描述可知,对历史降雨事件进行过滤,能够滤除掉不会影响管网的短时间的小雨事件,降低后续计算复杂度,从剩余降雨事件中确定第二预设时间段的第一目标剩余降雨事件,根据其对液位数据进行晴雨天分类,基于晴天液位数据和雨天液位数据计算得到第二均值差,基于第二均值差使用第二隶属度函数进行晴天雨天变化分析,有效地实现了管网的晴天雨天变化分析。
进一步地,所述历史降雨事件包括降雨开始时间和降雨结束时间;
所述基于所述历史降雨事件和所述液位数据使用所述第三隶属度函数进行降雨短时变化分析,得到与所述降雨短时变化分析对应的第三分析结果包括:
从所述剩余降雨事件中确定第三预设时间段的第二目标剩余降雨事件;
获取所述第二目标剩余降雨事件的所述降雨开始时间和所述降雨结束时间;
将所述降雨结束时间延后预设时间,得到延后的降雨结束时间,并根据所述降雨开始时间和所述延后的降雨结束时间得到目标时间段;
根据所述目标时间段从所述液位数据中确定最高液位、最低液位和初始液位;
根据所述最高液位和所述初始液位进行计算,得到第一液位差,并根据所述最低液位和所述初始液位进行计算,得到第二液位差;
基于所述第一液位差与所述第二液位差确定液位显著升高次数,并确定所述液位显著升高次数与所述第二目标剩余降雨事件的总数的比值;
基于所述比值使用所述第三隶属度函数进行降雨短时变化分析,得到与所述降雨短时变化分析对应的第三分析结果。
由上述描述可知,基于剩余降雨事件确定目标时间段,根据目标时间段从液位数据中确定最高液位、最低液位和初始液位,基于最高液位、最低液位和初始液位得到液位显著升高次数,并确定液位显著升高次数与第二目标剩余降雨事件的总数的比值,基于比值使用第三隶属度函数进行降雨短时变化分析,有效实现了管网的降雨短时变化分析。
进一步地,所述第一分析结果包括第一正常隶属度和第一异常隶属度;
所述第二分析结果包括第二正常隶属度和第二异常隶属度;
所述第三分析结果包括第三正常隶属度和第三异常隶属度;
所述根据所述第一分析结果、第二分析结果和第三分析结果进行模糊运算,得到推理结果包括:
根据所述第一正常隶属度、所述第一异常隶属度、所述第二正常隶属度、所述第二异常隶属度、所述第三正常隶属度和所述第三异常隶属度按照预设模糊规则进行模糊运算,得到推理结果。
由上述描述可知,每一分析结果都包括一正常隶属度和一异常隶属度,模糊运算时,需要基于所有分析结果的隶属度进行运算,以得到推理结果,基于模糊逻辑的方法,很好地表达入流入渗排查中界限不清晰的定性知识与经验,模拟人脑实施规则型推理,从而有效提升了管网入流入渗监测的准确性。
进一步地,所述对所述推理结果进行去模糊化,得到最终结果包括:
确定所述推理结果对应的权重;
基于所述权重对所述推理结果进行去模糊化,得到最终结果。
由上述描述可知,确定推理结果对应的权重,基于权重对推理结果进行去模糊化,得到最终结果,该最终结果反应了待监测管网节点不同维度的综合分析情况,便于后续判断该待监测管网节点是否存在入渗入流问题。
进一步地,所述根据所述最终结果确定所述待监测管网节点对应的监测结果包括:
判断所述最终结果是否大于第三预设值,若是,则将所述待监测管网节点确定为异常节点,若否,则将所述待监测管网节点确定为正常节点。
由上述描述可知,若最终结果大于第三预设值,则说明待监测管网节点存在入流入渗问题,可将其确定为异常节点,后续可进行针对性排查;否则,说明待监测管网节点不存在入流入渗问题,将其确定为正常节点,实现了大范围的持续性在线监测,无需在管网节点上额外增设水质监测设备,提高了管网入流入渗监测的便利性。
请参照图2,本发明另一实施例提供了一种管网入流入渗监测终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述管网入流入渗监测方法中的各个步骤。
本发明上述的一种管网入流入渗监测方法及终端能够适用于截污治污管网,以下通过具体实施方式进行说明:
实施例一
请参照图1和图3,本实施例的一种管网入流入渗监测方法,包括步骤:
S1、实时获取待监测管网节点第一预设时间段的降雨量数据和液位数据,并根据所述降雨量数据确定历史降雨事件,如图3所示,具体包括:
S11、实时获取待监测管网节点第一预设时间段的降雨量数据和液位数据;
其中,所述降雨量数据包括降雨时间和所述降雨时间对应的降雨量;
本实施例中,所述第一预设时间段为最近一年;
具体的,如图3所示,获取待监测管网节点的基础测绘数据,并根据所述基础测绘数据确定待监测管网节点的关联气象站;实时获取待监测管网节点最近一年的液位数据,并根据所述关联气象站实时获取最近一年的降雨量数据;
比如,当前时刻为2021年1月12日9:00,则实时获取待监测管网节点2020年1月12日9:00至2021年1月12日9:00的液位数据,并根据所述关联气象站实时获取2020年1月12日9:00至2021年1月12日9:00的降雨量数据,若当前时刻变为2021年1月12日10:00,则实时获取待监测管网节点2020年1月12日10:00至2021年1月12日10:00的液位数据,并根据所述关联气象站实时获取2020年1月12日10:00至2021年1月12日10:00的降雨量数据,以此实现实时获取数据;
在一种可选的实施方式中,可对所述降雨量数据和液位数据进行预处理,依次包括异常值剔除、空值填充以及重采样成同样时间频率的标准时间序列,如一小时一次;
S12、从所述降雨时间中确定连续降雨时间,并判断所述连续降雨时间对应的所述降雨量是否大于第一预设值,若是,则执行S121;
本实施例中,所述第一预设值为0;
S121、累加所述连续降雨时间对应的所述降雨量,得到累积降雨量;
S13、根据所述连续降雨时间与所述累积降雨量确定多个初始历史降雨事件;
其中,所述历史降雨事件包括降雨开始时间和降雨结束时间,还包括所述累积降雨量;
具体的,将所述连续降雨时间的最早时间作为所述降雨开始时间,将所述连续降雨时间的最晚时间作为所述降雨结束时间,根据所述降雨开始时间、所述降雨结束时间和所述累积降雨量确定多个初始历史降雨事件;
S14、从所述多个初始历史降雨事件中任意选择预设个数的目标初始历史降雨事件,并确定所述预设个数的目标初始历史降雨事件对应的间隔时间;
其中,所述预设个数为2个;
具体的,从多个初始历史降雨事件中任意选择2个目标初始历史降雨事件,并确定该2个目标初始历史降雨事件对应的间隔时间;
在一种可选的实施方式中,按照时间顺序对多个初始历史降雨事件排序,并在排序后的多个初始历史降雨事件中依次任意选择2个相邻的目标初始历史降雨事件,并确定该2个目标初始历史降雨事件对应的间隔时间;
S15、判断所述间隔时间是否小于或等于第二预设值,若是,则执行S151,若否,则执行S152;
其中,所述第二预设值可根据实际情况进行设置,本实施例中,所述第二预设值为2小时;
S151、将所述预设个数的目标初始历史降雨事件进行合并,得到历史降雨事件,并返回执行S14,直至每一所述初始历史降雨事件均已被选择;
具体的,将2个目标初始历史降雨事件进行合并,将前一所述目标初始历史降雨事件对应的降雨开始时间作为历史降雨事件的降雨开始时间,并将后一所述目标初始历史降雨事件对应的降雨结束时间作为历史降雨事件的降雨结束时间,将2个目标初始历史降雨事件对应的累积降雨量进行累加作为历史降雨事件的累积降雨量,以得到历史降雨事件,并返回执行S14,直至每一所述初始历史降雨事件均已被选择;
S152、将所述预设个数的目标初始历史降雨事件确定为历史降雨事件,并返回执行S14,直至每一所述初始历史降雨事件均已被选择;
具体的,如图3所示,将2个目标初始历史降雨事件确定为2个历史降雨事件,并返回执行S14,直至每一所述初始历史降雨事件均已被选择;
在一种可选的实时方式中,每一所述初始历史降雨事件均已被选择后,还可对历史降雨事件再执行S14~S15,直至没有能够合并的降雨事件;
S2、基于所述历史降雨事件和所述液位数据使用隶属度函数进行旱季雨季旱流液位波动分析、晴天雨天变化分析和降雨短时变化分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果、与所述晴天雨天变化分析对应的第二分析结果以及与所述降雨短时变化分析对应的第三分析结果,如图3所示,具体包括:
其中,所述隶属度函数包括第一隶属度函数、第二隶属度函数和第三隶属度函数;
S21、基于所述历史降雨事件和所述液位数据使用所述第一隶属度函数进行旱季雨季旱流液位波动分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果,具体包括:
S211、对所述液位数据进行旱雨季分类,得到旱季液位数据和雨季液位数据;
具体的,获取所述待监测管网节点的所在区域以及所述所在区域的旱雨季划分时间,根据所述旱雨季划分时间对所述液位数据进行旱雨季分类,得到旱季液位数据和雨季液位数据;
S212、根据所述历史降雨事件对所述旱季液位数据进行筛选,得到筛选后的旱季液位数据;
具体的,剔除所述历史降雨事件的所述降雨开始时间至所述降雨结束时间覆盖的旱季液位数据,得到筛选后的旱季液位数据;
S213、根据所述历史降雨事件对所述雨季液位数据进行筛选,得到筛选后的雨季液位数据;
具体的,剔除所述历史降雨事件的所述降雨开始时间至所述降雨结束时间覆盖的雨季液位数据,得到筛选后的雨季液位数据;
S214、确定所述筛选后的旱季液位数据对应的第一旱流液位均值以及所述筛选后的雨季液位数据对应的第二旱流液位均值;
其中,所述旱流液位均值的单位为厘米;
S215、根据所述第一旱流液位均值与所述第二旱流液位均值进行计算,得到第一均值差;
具体的,将所述第一旱流液位均值与所述第二旱流液位均值进行减运算,得到第一均值差;
S216、获取所述待监测管网节点的管径;
具体的,根据所述基础测绘数据获取所述待监测管网节点的管径,管径单位为毫米;
S217、基于所述管径和所述第一均值差使用所述第一隶属度函数进行旱季雨季旱流液位波动分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果;
所述第一隶属度函数为:
FB(x1)=1-FA(x1);
式中,x1表示所述第一均值差,d表示所述管径,A表示正常管网节点集合,FA(x1)表示所述第一均值差对所述正常管网节点集合的隶属度,即第一正常隶属度,B表示异常管网节点集合,FB(x1)表示所述第一均值差对所述异常管网节点集合的隶属度,即第一异常隶属度;
其中,所述异常管网节点即存在入流入渗问题的管网节点;
S22、基于所述历史降雨事件和所述液位数据使用所述第二隶属度函数进行晴天雨天变化分析,得到与所述晴天雨天变化分析对应的第二分析结果,具体包括:
S221、对所述历史降雨事件进行过滤,得到剩余降雨事件;
具体的,根据所述历史降雨事件的所述降雨开始时间和所述降雨结束时间确定降雨持续时间,根据累积降雨量确定平均降雨量;
判断所述历史降雨事件中的每一目标历史降雨事件的所述降雨持续时间是否小于第四预设值,且所述平均降雨量是否小于预设降雨量,若均是,则剔除所述目标历史降雨事件,得到剩余降雨事件;
其中,所述第四预设值为3小时,所述预设降雨量为0.42mm/h;
S222、从所述剩余降雨事件中确定第二预设时间段的第一目标剩余降雨事件;
其中,所述第二预设时间段为最近三个月;
具体的,从所述剩余降雨事件中确定最近三个月的第一目标剩余降雨事件;
S223、根据第一目标剩余降雨事件对所述液位数据进行晴雨天分类,得到晴天液位数据和雨天液位数据;
具体的,将所述第一目标剩余降雨事件覆盖的所述液位数据确定为雨天液位数据,将将所述第一目标剩余降雨事件未覆盖的所述液位数据确定为晴天液位数据;
S224、根据所述晴天液位数据确定晴天液位变化均值,并根据所述雨天液位数据确定雨天液位变化均值;
具体的,根据所述晴天液位数据确定每一相邻时刻的晴天液位变化,并根据所述雨天液位数据确定每一相邻时刻的雨天液位变化;
根据所述每一相邻时刻的晴天液位变化确定晴天液位变化均值,并根据每一相邻时刻的雨天液位变化确定雨天液位变化均值;
S225、根据所述晴天液位变化均值与所述雨天液位变化均值进行计算,得到第二均值差;
具体的,将所述晴天液位变化均值与所述雨天液位变化均值进行减运算,得到第二均值差;
S226、基于所述第二均值差使用第二隶属度函数进行晴天雨天变化分析,得到与所述晴天雨天变化分析对应的第二分析结果;
具体的,所述第二隶属度函数为:
FB(x2)=1-FA(x2);
式中,x2表示所述第二均值差,FA(x2)表示所述第二均值差对所述正常管网节点集合的隶属度,即第二正常隶属度,FB(x2)表示所述第二均值差对所述异常管网节点集合的隶属度,即第二异常隶属度;
S23、基于所述历史降雨事件和所述液位数据使用所述第三隶属度函数进行降雨短时变化分析,得到与所述降雨短时变化分析对应的第三分析结果,如图3所示,具体包括:
S231、从所述剩余降雨事件中确定第三预设时间段的第二目标剩余降雨事件;
其中,所述第三预设时间段为最近一月;
具体的,从所述剩余降雨事件中确定最近一月的第二目标剩余降雨事件,若最近一月不存在第二目标剩余降雨事件,则可以逐渐放宽至最近三月直至存在第二目标剩余降雨事件;
S232、获取所述第二目标剩余降雨事件的所述降雨开始时间和所述降雨结束时间;
S233、将所述降雨结束时间延后预设时间,得到延后的降雨结束时间,并根据所述降雨开始时间和所述延后的降雨结束时间得到目标时间段;
其中,所述预设时间为6小时;
具体的,将所述降雨结束时间延后6小时,得到延后的降雨结束时间,并根据所述降雨开始时间和所述延后的降雨结束时间得到目标时间段得到目标时间段;比如,所述降雨开始时间为12点,所述降雨结束时间为15点,降雨结束时间延后6小时为21点,得到目标时间段12点至21点;
S234、根据所述目标时间段从所述液位数据中确定最高液位、最低液位和初始液位;
其中,所述初始液位为所述目标时间段的起始时间对应的液位;
S235、根据所述最高液位和所述初始液位进行计算,得到第一液位差,并根据所述最低液位和所述初始液位进行计算,得到第二液位差;
具体的,将所述最高液位和所述初始液位进行减运算,得到第一液位差,并将所述最低液位和所述初始液位进行减运算,得到第二液位差;
S236、基于所述第一液位差与所述第二液位差确定液位显著升高次数,并确定所述液位显著升高次数与所述第二目标剩余降雨事件的总数的比值;
具体的,将所述第一液位差除以所述初始液位,得到运算值,判断所述第一液位差的绝对值是否大于所述第二液位差的绝对值,且所述运算值是否大于第五预设值,若均是,则确定液位显著升高;
统计得到所述液位显著升高次数,并确定所述液位显著升高次数与所述第二目标剩余降雨事件的总数的比值;
S237、基于所述比值使用所述第三隶属度函数进行降雨短时变化分析,得到与所述降雨短时变化分析对应的第三分析结果;
具体的,所述第三隶属度函数为:
FB(x3)=1-FA(x3);
式中,x3表示所述比值,FA(x3)表示所述比值对所述正常管网节点集合的隶属度,即第三正常隶属度,FB(x3)表示所述比值对所述异常管网节点集合的隶属度,即第三异常隶属度;
S3、根据所述第一分析结果、第二分析结果和第三分析结果进行模糊运算,得到推理结果,并对所述推理结果进行去模糊化,得到最终结果,如图3所示,具体包括:
其中,所述第一分析结果包括第一正常隶属度和第一异常隶属度;
所述第二分析结果包括第二正常隶属度和第二异常隶属度;
所述第三分析结果包括第三正常隶属度和第三异常隶属度;
S31、根据所述第一正常隶属度、所述第一异常隶属度、所述第二正常隶属度、所述第二异常隶属度、所述第三正常隶属度和所述第三异常隶属度按照预设模糊规则进行模糊运算,得到推理结果;
其中,所述预设模糊规则包括:
(1)取所述第一正常隶属度、所述第二正常隶属度和所述第三正常隶属度进行模糊运算,得到第一推理结果,并将所述第一推理结果标记为正常;
(2)取所述第一正常隶属度、所述第二正常隶属度和所述第三异常隶属度进行模糊运算,得到第二推理结果,并将所述第二推理结果标记为异常;
(3)取所述第一正常隶属度、所述第二异常隶属度和所述第三正常隶属度进行模糊运算,得到第三推理结果,并将所述第三推理结果标记为正常;
(4)取所述第一正常隶属度、所述第二异常隶属度和所述第三异常隶属度进行模糊运算,得到第四推理结果,并将所述第四推理结果标记为异常;
(5)取所述第一异常隶属度、所述第二正常隶属度和所述第三正常隶属度进行模糊运算,得到第五推理结果,并将所述第五推理结果标记为正常;
(6)取所述第一异常隶属度、所述第二正常隶属度和所述第三异常隶属度进行模糊运算,得到第六推理结果,并将所述第六推理结果标记为异常;
(7)取所述第一异常隶属度、所述第二异常隶属度和所述第三正常隶属度进行模糊运算,得到第七推理结果,并将所述第七推理结果标记为异常;
(8)取所述第一异常隶属度、所述第二异常隶属度和所述第三异常隶属度进行模糊运算,得到第八推理结果,并将所述第八推理结果标记为异常;
所述推理结果FS为:
FS=max(F(x1),F(x2),F(x3));
式中,F(x1)表示所述第一分析结果,F(x2)表示所述第二分析结果,F(x3)表示所述第三分析结果;
比如,假设第一分析结果包括第一正常隶属度FA(x1)=0.6,第一异常隶属度FB(x1)=0.4,第二分析结果包括第二正常隶属度FA(x2)=0.5,第二异常隶属度FB(x2)=0.5,第三分析结果包括第三正常隶属度FA(x3)=0.75,第三异常隶属度FB(x3)=0.25,按照预设模糊规则将FA(x1)、FA(x2)和FA(x3)进行模糊运算,得到第一推理结果FS1为正常,FS1=0.75,将FA(x1)、FA(x2)和FB(x3)进行模糊运算,得到第二推理结果FS2为异常,FS2=0.6,将FA(x1)、FB(x2)和FA(x3)进行模糊运算,得到第三推理结果FS3为正常,FS3=0.75,依次类推,分别得到第四推理结果FS4为异常,FS4=0.6,第五推理结果FS5为正常,FS5=0.75,第六推理结果FS6为异常,FS6=0.5,第七推理结果FS7为异常,FS7=0.75,第八推理结果FS8为异常,FS8=0.5;
S32、确定所述推理结果对应的权重;
具体的,判断所述推理结果是否为正常,若是,则确定所述推理结果对应的权重为第五预设值,若否,则确定所述推理结果对应的权重为第六预设值;
其中,所述第五预设值为2.5,所述第六预设值为5;
比如,假设第一推理结果为正常,则确定所述第一推理结果对应的第一权重为2.5,假设第二推理结果为异常,则确定所述第二推理结果对应的第二权重为5,依次类推,得到每一推理结果对应的权重,即第三权重、第四权重、第五权重、第六权重、第七权重和第八权重;
S33、基于所述权重对所述推理结果进行去模糊化,得到最终结果;
具体的,基于所述第一权重、所述第二权重、所述第三权重、所述第四权重、所述第五权重、所述第六权重、所述第七权重和所述第八权重对所述推理结果进行去模糊化,得到最终结果;
其中,所述最终结果output为:
式中,OWi表示第i权重,FSi表示第i推理结果;
S4、根据所述最终结果确定所述待监测管网节点对应的监测结果,具体包括:
S41、判断所述最终结果是否大于第三预设值,若是,则执行S411,若否,则执行S412;
其中,所述第三预设值为0.75;
S411、将所述待监测管网节点确定为异常节点;
S412、将所述待监测管网节点确定为正常节点;
由于入流入渗问题主要受降雨影响,但影响时间和影响大小存在很多不确定因素,从旱季和雨季、晴天和雨天、降雨短时过程三个尺度进行分析,同时在时间上分别选择了近一年、近三月和近一月进行分析,避免了从单一尺度分析存在偶发因素而引起的误判,从而有效提升了管网入流入渗监测的准确性。
实施例二
请参照图2,本实施例的一种管网入流入渗监测终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例一中的管网入流入渗监测方法中的各个步骤。
综上所述,本发明提供的一种管网入流入渗监测方法及终端,实时获取待监测管网节点第一预设时间段的降雨量数据和液位数据,并根据所述降雨量数据确定历史降雨事件,其中,第一预设时间段为最近一年;基于所述历史降雨事件和所述液位数据使用隶属度函数进行旱季雨季旱流液位波动分析、晴天雨天变化分析和降雨短时变化分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果、与所述晴天雨天变化分析对应的第二分析结果以及与所述降雨短时变化分析对应的第三分析结果;根据所述第一分析结果、第二分析结果和第三分析结果进行模糊运算,得到推理结果,并对所述推理结果进行去模糊化,得到最终结果;根据所述最终结果确定所述待监测管网节点对应的监测结果,无需增设水质监测设备,节省了大量的人力物力;采用基于模糊逻辑的方法,能够很好地表达入流入渗问题排查中界限不清晰的定性知识与经验,模拟人脑实施规则型推理;从旱季和雨季、晴天和雨天、降雨短时过程三个尺度进行分析,同时进行分析时在时间上分别选择了近一年、近三月和近一月进行分析,避免了从单一尺度分析存在偶发因素而引起的误判,从而有效提升了管网入流入渗监测的准确性。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种管网入流入渗监测方法,其特征在于,包括步骤:
实时获取待监测管网节点第一预设时间段的降雨量数据和液位数据,并根据所述降雨量数据确定历史降雨事件;
基于所述历史降雨事件和所述液位数据使用隶属度函数进行旱季雨季旱流液位波动分析、晴天雨天变化分析和降雨短时变化分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果、与所述晴天雨天变化分析对应的第二分析结果以及与所述降雨短时变化分析对应的第三分析结果;
根据所述第一分析结果、第二分析结果和第三分析结果进行模糊运算,得到推理结果,并对所述推理结果进行去模糊化,得到最终结果;
根据所述最终结果确定所述待监测管网节点对应的监测结果;
所述隶属度函数包括第一隶属度函数、第二隶属度函数和第三隶属度函数;
所述基于所述历史降雨事件和所述液位数据使用隶属度函数进行旱季雨季旱流液位波动分析、晴天雨天变化分析和降雨短时变化分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果、与所述晴天雨天变化分析对应的第二分析结果以及与所述降雨短时变化分析对应的第三分析结果包括:
基于所述历史降雨事件和所述液位数据使用所述第一隶属度函数进行旱季雨季旱流液位波动分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果;
基于所述历史降雨事件和所述液位数据使用所述第二隶属度函数进行晴天雨天变化分析,得到与所述晴天雨天变化分析对应的第二分析结果;
基于所述历史降雨事件和所述液位数据使用所述第三隶属度函数进行降雨短时变化分析,得到与所述降雨短时变化分析对应的第三分析结果;
所述基于所述历史降雨事件和所述液位数据使用所述第一隶属度函数进行旱季雨季旱流液位波动分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果包括:
对所述液位数据进行旱雨季分类,得到旱季液位数据和雨季液位数据;
根据所述历史降雨事件对所述旱季液位数据进行筛选,得到筛选后的旱季液位数据;
根据所述历史降雨事件对所述雨季液位数据进行筛选,得到筛选后的雨季液位数据;
确定所述筛选后的旱季液位数据对应的第一旱流液位均值以及所述筛选后的雨季液位数据对应的第二旱流液位均值;
根据所述第一旱流液位均值与所述第二旱流液位均值进行计算,得到第一均值差;
获取所述待监测管网节点的管径;
基于所述管径和所述第一均值差使用所述第一隶属度函数进行旱季雨季旱流液位波动分析,得到与所述旱季雨季旱流液位波动分析对应的第一分析结果;
所述基于所述历史降雨事件和所述液位数据使用所述第二隶属度函数进行晴天雨天变化分析,得到与所述晴天雨天变化分析对应的第二分析结果包括:
对所述历史降雨事件进行过滤,得到剩余降雨事件;
从所述剩余降雨事件中确定第二预设时间段的第一目标剩余降雨事件;
根据第一目标剩余降雨事件对所述液位数据进行晴雨天分类,得到晴天液位数据和雨天液位数据;
根据所述晴天液位数据确定晴天液位变化均值,并根据所述雨天液位数据确定雨天液位变化均值;
根据所述晴天液位变化均值与所述雨天液位变化均值进行计算,得到第二均值差;
基于所述第二均值差使用第二隶属度函数进行晴天雨天变化分析,得到与所述晴天雨天变化分析对应的第二分析结果;
所述历史降雨事件包括降雨开始时间和降雨结束时间;
所述基于所述历史降雨事件和所述液位数据使用所述第三隶属度函数进行降雨短时变化分析,得到与所述降雨短时变化分析对应的第三分析结果包括:
从所述剩余降雨事件中确定第三预设时间段的第二目标剩余降雨事件;
获取所述第二目标剩余降雨事件的所述降雨开始时间和所述降雨结束时间;
将所述降雨结束时间延后预设时间,得到延后的降雨结束时间,并根据所述降雨开始时间和所述延后的降雨结束时间得到目标时间段;
根据所述目标时间段从所述液位数据中确定最高液位、最低液位和初始液位;
根据所述最高液位和所述初始液位进行计算,得到第一液位差,并根据所述最低液位和所述初始液位进行计算,得到第二液位差;
基于所述第一液位差与所述第二液位差确定液位显著升高次数,并确定所述液位显著升高次数与所述第二目标剩余降雨事件的总数的比值;
基于所述比值使用所述第三隶属度函数进行降雨短时变化分析,得到与所述降雨短时变化分析对应的第三分析结果。
2.根据权利要求1所述的一种管网入流入渗监测方法,其特征在于,所述降雨量数据包括降雨时间和所述降雨时间对应的降雨量;
所述根据所述降雨量数据确定历史降雨事件包括:
从所述降雨时间中确定连续降雨时间,并判断所述连续降雨时间对应的所述降雨量是否大于第一预设值,若是,则累加所述连续降雨时间对应的所述降雨量,得到累积降雨量;
根据所述连续降雨时间与所述累积降雨量确定多个初始历史降雨事件;
从所述多个初始历史降雨事件中任意选择预设个数的目标初始历史降雨事件,并确定所述预设个数的目标初始历史降雨事件对应的间隔时间;
判断所述间隔时间是否小于或等于第二预设值,若是,则将所述预设个数的目标初始历史降雨事件进行合并,得到历史降雨事件,并返回执行所述从所述多个初始历史降雨事件中任意选择预设个数的目标初始历史降雨事件步骤,直至每一所述初始历史降雨事件均已被选择,若否,则将所述预设个数的目标初始历史降雨事件确定为历史降雨事件,并返回执行所述从所述多个初始历史降雨事件中任意选择预设个数的目标初始历史降雨事件步骤,直至每一所述初始历史降雨事件均已被选择。
3.根据权利要求1所述的一种管网入流入渗监测方法,其特征在于,所述第一分析结果包括第一正常隶属度和第一异常隶属度;
所述第二分析结果包括第二正常隶属度和第二异常隶属度;
所述第三分析结果包括第三正常隶属度和第三异常隶属度;
所述根据所述第一分析结果、第二分析结果和第三分析结果进行模糊运算,得到推理结果包括:
根据所述第一正常隶属度、所述第一异常隶属度、所述第二正常隶属度、所述第二异常隶属度、所述第三正常隶属度和所述第三异常隶属度按照预设模糊规则进行模糊运算,得到推理结果。
4.根据权利要求1所述的一种管网入流入渗监测方法,其特征在于,所述对所述推理结果进行去模糊化,得到最终结果包括:
确定所述推理结果对应的权重;
基于所述权重对所述推理结果进行去模糊化,得到最终结果。
5.根据权利要求1所述的一种管网入流入渗监测方法,其特征在于,所述根据所述最终结果确定所述待监测管网节点对应的监测结果包括:
判断所述最终结果是否大于第三预设值,若是,则将所述待监测管网节点确定为异常节点,若否,则将所述待监测管网节点确定为正常节点。
6.一种管网入流入渗监测终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的一种管网入流入渗监测方法中的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049626.6A CN114370611B (zh) | 2022-01-17 | 2022-01-17 | 一种管网入流入渗监测方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049626.6A CN114370611B (zh) | 2022-01-17 | 2022-01-17 | 一种管网入流入渗监测方法及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114370611A CN114370611A (zh) | 2022-04-19 |
CN114370611B true CN114370611B (zh) | 2024-04-12 |
Family
ID=81144396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210049626.6A Active CN114370611B (zh) | 2022-01-17 | 2022-01-17 | 一种管网入流入渗监测方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114370611B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318325A (zh) * | 2014-10-14 | 2015-01-28 | 广东省环境监测中心 | 多流域实时智能水质预测方法及系统 |
CN105651484A (zh) * | 2015-12-29 | 2016-06-08 | 北京无线电计量测试研究所 | 一种自适应雨水管网监测方法及系统 |
CN108376318A (zh) * | 2018-02-28 | 2018-08-07 | 清华大学 | 一种排水管网入流入渗评估方法及系统 |
CN110895726A (zh) * | 2019-10-16 | 2020-03-20 | 大连理工大学 | 一种考虑预报误差降低水库洪水起调水位的预报调度方法 |
CN111982210A (zh) * | 2020-07-02 | 2020-11-24 | 清华大学 | 降雨入流入渗问题诊断的排水管网分批次监测布点方法 |
CN112483903A (zh) * | 2020-10-30 | 2021-03-12 | 江苏太湖云计算信息技术股份有限公司 | 一种管网入流检测方法、装置及系统 |
CN113052250A (zh) * | 2021-03-31 | 2021-06-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 基于气象灾害决策支持方法、系统、装置及介质 |
CN113111478A (zh) * | 2021-05-13 | 2021-07-13 | 北控水务(中国)投资有限公司 | 排水系统管网混接与入流、入渗程度的评估方法及设备 |
CN113392523A (zh) * | 2021-06-14 | 2021-09-14 | 云南省设计院集团有限公司 | 一种基于长历时多测点的污水管网健康状况诊断模型 |
-
2022
- 2022-01-17 CN CN202210049626.6A patent/CN114370611B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318325A (zh) * | 2014-10-14 | 2015-01-28 | 广东省环境监测中心 | 多流域实时智能水质预测方法及系统 |
CN105651484A (zh) * | 2015-12-29 | 2016-06-08 | 北京无线电计量测试研究所 | 一种自适应雨水管网监测方法及系统 |
CN108376318A (zh) * | 2018-02-28 | 2018-08-07 | 清华大学 | 一种排水管网入流入渗评估方法及系统 |
CN110895726A (zh) * | 2019-10-16 | 2020-03-20 | 大连理工大学 | 一种考虑预报误差降低水库洪水起调水位的预报调度方法 |
CN111982210A (zh) * | 2020-07-02 | 2020-11-24 | 清华大学 | 降雨入流入渗问题诊断的排水管网分批次监测布点方法 |
CN112483903A (zh) * | 2020-10-30 | 2021-03-12 | 江苏太湖云计算信息技术股份有限公司 | 一种管网入流检测方法、装置及系统 |
CN113052250A (zh) * | 2021-03-31 | 2021-06-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 基于气象灾害决策支持方法、系统、装置及介质 |
CN113111478A (zh) * | 2021-05-13 | 2021-07-13 | 北控水务(中国)投资有限公司 | 排水系统管网混接与入流、入渗程度的评估方法及设备 |
CN113392523A (zh) * | 2021-06-14 | 2021-09-14 | 云南省设计院集团有限公司 | 一种基于长历时多测点的污水管网健康状况诊断模型 |
Non-Patent Citations (2)
Title |
---|
合肥市局部区域雨水管网风险分析;倪若晨;;《工程与建设》;20161031;第30卷(第05期);第711-714页 * |
模糊可变集合方法在降雨相似性分析中的应用;张静 等;《水文》;20120831;第32卷(第04期);第44-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114370611A (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008941A (zh) | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 | |
CN111274918B (zh) | 基于多源遥感影像的河流干涸断流监测方法和装置 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
CN115859620A (zh) | 一种基于多头注意力机制和图神经网络的径流重建方法 | |
CN116415730A (zh) | 一种预测水位的融合自注意力机制时空深度学习模型 | |
CN114545528B (zh) | 一种基于机器学习的气象数值模式要素预报后订正方法和装置 | |
CN116227362A (zh) | 一种基于图与深度学习的市政排水管网状态预测方法 | |
CN112232303B (zh) | 一种基于高分遥感影像的草原道路信息提取方法 | |
CN113377750B (zh) | 水文数据清洗方法及系统 | |
CN114370611B (zh) | 一种管网入流入渗监测方法及终端 | |
CN112016744B (zh) | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 | |
Huang et al. | Modelling landslide susceptibility prediction: A review and construction of semi-supervised imbalanced theory | |
CN116703004B (zh) | 一种基于预训练模型的水系流域智慧巡护方法和装置 | |
Liu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
CN116704366A (zh) | 基于transformer深度学习模型的暴雨落区识别预警方法和装置 | |
Ji et al. | CLGAN: a generative adversarial network (GAN)-based video prediction model for precipitation nowcasting | |
CN115905915A (zh) | 乡镇分类处理方法及装置、计算机设备和可读存储介质 | |
CN111160608A (zh) | 极端降水天气指数的应用方法、应用系统、电子设备及存储介质 | |
Banerjee et al. | Crop insurance model to consolidate academia-industry cooperation: a case study over Assam, India | |
Koning et al. | Are precipitation levels getting higher? Statistical evidence for the Netherlands | |
Balamurugan et al. | Implementation of Effective Rainfall Forecast Model using Machine Learning | |
CN117828312B (zh) | 一种流域水文环境的管理方法及相关设备 | |
Yang et al. | Runoff Prediction in a Data Scarce Region Based on Few-Shot Learning | |
CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
Sattari et al. | Drought prediction based on standardized precipitationevapotranspiration index by using M5 tree model |
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 |