CN114493234A - 一种供水管网关键压力控制点的识别方法 - Google Patents

一种供水管网关键压力控制点的识别方法 Download PDF

Info

Publication number
CN114493234A
CN114493234A CN202210071354.XA CN202210071354A CN114493234A CN 114493234 A CN114493234 A CN 114493234A CN 202210071354 A CN202210071354 A CN 202210071354A CN 114493234 A CN114493234 A CN 114493234A
Authority
CN
China
Prior art keywords
pressure
water supply
data
supply network
clustering
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.)
Pending
Application number
CN202210071354.XA
Other languages
English (en)
Inventor
赵平伟
信昆仑
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.)
Shanghai Chengtou Water Group Co ltd
Tongji University
Original Assignee
Shanghai Chengtou Water Group Co ltd
Tongji University
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 Shanghai Chengtou Water Group Co ltd, Tongji University filed Critical Shanghai Chengtou Water Group Co ltd
Priority to CN202210071354.XA priority Critical patent/CN114493234A/zh
Publication of CN114493234A publication Critical patent/CN114493234A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Control Of Fluid Pressure (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及测压点优化领域，公开了一种供水管网关键压力控制点的识别方法，包括如下步骤：步骤S1，输入供水管网各测压点历史数据，对测压点数据进行异常压力模式剔除和显著压力模式提取，并按照供水管网中途加压泵站运行工况的不同对原始样本数据构建分类特征；步骤S2，建立压力变化模式聚类模型，对不同分类特征数据下的所有供水管网测压点的样本数据进行迭代聚类，按照加权模式显著率来确定最合适的聚类簇数量；步骤S3，针对不同调度对象，按照每一类中的目标相似度进行排序，选取每一类中目标相似度最高的测压点作为其压力主控点，本发明能够准确识别代表待测区域压力变化特征的压力控制点。

Description

一种供水管网关键压力控制点的识别方法
技术领域
本发明涉及测压点优化技术领域，特别是涉及一种供水管网关键压力控制点的识别方法。
背景技术
供水管网SCADA压力监测系统是自来水公司运行管理者在进行调度决策的重要参考。对于没有布设压力监测点的系统来说，供水管网的压力监测点布置是一个多目标决策优化问题，需要利用尽可能少的压力监测点来最大程度地采集反映管网压力分布状态实时变化的细节。现有的压力点布置技术通常采用经验法、灵敏度矩阵分析、模糊聚类分析法和多目标优化法等技术方法，但均存在不足之处。
经验法是指工程师根据管网布局及运行管理经验，在管网最不利点、高压区、压力变化敏感处、大用水户等处布置压力监测点,用于指导管网的运行调度，该方法简单却无法保证布置方案的合理性和准确性。
灵敏度矩阵分析法应用水力学和拓扑学基本原理，建立给水管网节点压力的灵敏度矩阵和方程，根据灵敏度排序来布设压力监测点，反映管网状态变化情况，但容易造成测压点的聚集。
模糊聚类分析法是根据某一节点水压受其他节点水压波动的情况提出影响系数的概念，并对影响系数矩阵进行模糊聚类分析，对节点进行分组，选取每组最具代表性的节点为测压点，但该方法存在聚类结果不稳定，聚类结果可解释性差的问题。
多目标优化法是利用优化搜索算法求解优化模型,得出满足约束条件的最优目标函数解，但该方法会存在两个目标函数彼此相排斥，有多个非支配解，需要人工凭经验选取。
在已布设测压点的供水管网中，调度操作员无法在实际调度过程中兼顾所有测压点的状态，如何识别已布设压力监测点的供水管网中的关键压力控制点，是一项尚需填补空白的技术。
发明内容
为克服上述现有技术存在的不足，本发明之目的在于提供一种供水管网关键压力控制点的识别方法，引入DTW(动态时间扭曲)作为相似度距离的度量，结合Kmeans聚类对历史压力监测大数据进行分析，以识别出能够代表待测区域压力变化特征的压力控制点。
为达上述目的，本发明提出一种供水管网关键压力控制点的识别方法，包括如下步骤：
步骤S1，输入供水管网各测压点历史数据，对测压点数据进行异常压力模式剔除和显著压力模式提取，并按照供水管网的中途加压泵站运行工况的不同对原始样本数据构建分类特征；
作为本发明的优选实施例，所述异常压力模式剔除进一步包括如下步骤：
步骤S111，确定合适的时间滑窗尺寸sz，并设置异常条件；
进一步地，所述异常条件包括：
第一异常条件：
对于时间滑窗内的任意一点
Figure BDA0003482207610000023
Figure BDA0003482207610000024
其中，μP(j,j+sz)代表任意时间滑窗内压力数据的平均值，σP(j,j+sz)代表任意时间滑窗内压力数据的标准差，当任意一条样本数据
Figure BDA0003482207610000021
满足第一异常条件时剔除数据；
第二异常条件：
时间窗内所有数据σP(j,j+sz)＝0，当任意一条样本数据
Figure BDA0003482207610000022
满足第二异常条件时剔除数据。
步骤S112，根据异常值条件剔除样本数据中的异常Perr；
进一步地，所述剔除样本的异常Perr为
Figure BDA0003482207610000031
其中，
Figure BDA0003482207610000032
和
Figure BDA0003482207610000033
分别为所述第一异常条件和第二异常条件的异常数据。
作为本发明的优选实施例，所述显著压力模式提取进一步包括如下步骤：
步骤S121，对测压点数据进行标准化处理，
Figure BDA0003482207610000034
其中，Porigin为原始样本数据，Pnew为数据标准化后的样本数据；
步骤S122，进行数据降采样，Pupsample＝upsample(Pnew)，其中，Pupsample为经过降采样后的样本数据。
作为本发明的优选实施例，所述中途加压泵站运行工况包括叠压供水工况、超越供水工况和清水池供水工况。
步骤S2，建立压力变化模式聚类模型，对不同分类特征数据下的所有供水管网测压点的样本数据进行迭代聚类，按照加权模式显著率来确定最合适的聚类簇数量；
作为本发明的优选实施例，包括如下步骤：
步骤S21，选择合适的聚类簇区间[cmin,cmax]，其中cmin为最小聚类簇数量，cmax为最大聚类簇数量；
步骤S22，采用动态时间扭曲作为不同压力变化模式之间的相似性度量，并采用Kmeans聚类算法遍历聚类簇区间，根据加权模式显著率确定聚类簇数量以及相应的聚类结果。
进一步地，所述加权模式显著率的计算包括如下步骤：
步骤S221，计算每一种分类特征的模式显著率，模式显著率Rstable表示为：
Rstable＝kstable/k,
其中，k为任意数量的聚类簇，kstable为随机初始化聚类簇的位置迭代N次后，聚类结果均未发生改变的聚类簇数量；
步骤S222，计算加权模式显著率，加权模式显著率是按照中途加压泵站不同运行工况下样本数据的比例来对不同运行工况下的模式显著率进行加权，具体为：
Figure BDA0003482207610000041
其中，w1、w2和w3代表不同权重值，
Figure BDA0003482207610000042
和
Figure BDA0003482207610000043
分别代表三种工况的显著率。
步骤S3，针对不同调度对象，按照每一类中的目标相似度进行排序，选取每一类中目标相似度最高的测压点作为其压力主控点。
作为本发明的优选实施例，包括如下步骤：
步骤S31，计算每个压力监测点与目标调度对象的目标相似度，目标相似度Ros具体为：Ros＝1/DTW(Pi,Pobj)，
其中，Pi为任意测压点的压力变化模式，Pobj为标调度对象的压力变化模式，DTW(a,b)代表计算a和b序列之间的DTW距离；
步骤S32，按照类内目标相似度进行排序，选取目标相似度最高的测压点作为类内主控点。
与现有技术相比，本发明公开的一个方面的有益效果在于：
(1)本发明采用基于DTW(动态时间扭曲)的Kmeans聚类算法对不同测压点的压力模式进行聚类，避免压力传播时产生的时滞效应对聚类结果造成影响，确保了聚类结果的准确性；
(2)本发明提出了一套完备的模式显著率指标来评价聚类结果的稳定性，避免了由于聚类算法陷入局部最优而得出不合理的压力模式聚类结果；
(3)本发明根据类内压力变化模式与调度对象压力变化模式的一致性选择主控点，可根据时间变化和调度对象的不同自适应地调整主控点，具有较高的应用潜力；
(4)本发明能够帮助调度操作员高效便捷的掌握调度区域的整体调度情况，并具备很高的工程应用价值。
附图说明
图1为本发明一种供水管网关键压力控制点的识别方法的步骤流程图；
图2为本发明一种供水管网关键压力控制点的识别方法的逻辑图；
图3为本发明公开的一个实施例之三种工况示意图；
图4为本发明公开的一个实施例之三种工况下聚类结果空间可视化图；
图5为本发明公开的一个实施例之主控点分布图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
通过大量监测数据表明，不同的测压点的压力变化模式随空间位置和拓扑关系的不同体现出不同的相关性，因此识别已布设压力监测点的供水管网中的关键压力控制点，能够极大方便操作员掌握整片调度区域的管网运行状态。
图1为本发明一种供水管网关键压力控制点的识别方法的步骤流程图。如图1所示，本发明一种供水管网关键压力控制点的识别方法，包括如下步骤：
步骤S1，加载数据并进行数据预处理：输入供水管网各测压点历史数据，对测压点数据进行异常压力模式剔除和显著压力模式提取，并按照供水管网中中途加压泵站运行工况的不同对原始样本数据构建分类特征；
步骤S2，时间序列聚类：建立压力变化模式聚类模型，对不同分类特征数据下的所有供水管网测压点的样本数据进行迭代聚类，按照加权模式显著率来确定最合适的聚类簇数量；
步骤S3，主控点优选：针对不同调度对象，按照每一类中的目标相似度进行排序，选取每一类中目标相似度最高的测压点作为其压力主控点。
图2为本发明一种供水管网关键压力控制点的识别方法的逻辑图，参考图2，对上述方法进一步说明，具体包括如下步骤：
1)加载供水管网各测压点历史数据；
2)对供水管网各测压点历史数据进行预处理，包括异常压力模块的剔除、显著压力模块的提取，以及根据叠压供水、超越供水、清水池供水工况构件分类特征；
2.1)进行异常压力模块剔除时，包括：
确定合适的时间滑窗尺寸sz，并设置异常条件，异常条件包括：
第一异常条件：对于时间滑窗内的任意一点
Figure BDA0003482207610000061
Figure BDA0003482207610000062
其中，μP(j,j+sz)代表任意时间滑窗内压力数据的平均值，σP(j,j+sz)代表任意时间滑窗内压力数据的标准差，当任意一条样本数据
Figure BDA0003482207610000063
满足第一异常条件时剔除数据；
第二异常条件：时间窗内所有数据σP(j,j+sz)＝0，当任意一条样本数据
Figure BDA0003482207610000064
满足第二异常条件时剔除数据。
根据异常值条件剔除样本数据中的异常Perr，剔除样本的异常Perr具体为：
Figure BDA0003482207610000065
其中，
Figure BDA0003482207610000066
和
Figure BDA0003482207610000067
分别代表所述第一异常条件和第二异常条件的异常数据。
2.2)进行显著压力模式提取时，包括：
对测压点数据进行标准化处理，表达式为：
Figure BDA0003482207610000068
其中，Porigin代表原始样本数据，Pnew代表数据标准化后的样本数据；
进行数据降采样，表达式为：Pupsample＝upsample(Pnew)，其中，Pupsample为经过降采样后的样本数据。
2.3)根据供水管网中途加压泵站运行的叠压供水工况、超越供水工况、清水池供水工况，对原始样本数据构件分类特征。
3)确定合适的初始聚类簇数量区间[a,b]；
4)采用DTW作为不同压力变化模式之间的相似性度量，通过kmeans算法遍历聚类簇区间；
5)在循环过程中根据加权模式显著率确定聚类簇数量以及相应的聚类结果，加权模式显著率的计算包括：
计算每一种分类特征的模式显著率，模式显著率Rstable表示为：
Rstable＝kstable/k
其中，k为任意数量的聚类簇，kstable为随机初始化聚类簇的位置迭代N次后，聚类结果均未发生改变的聚类簇数量；
计算加权模式显著率，加权模式显著率是按照中途加压泵站不同运行工况下样本数据的比例来对不同运行工况下的模式显著率进行加权，表达式为：
Figure BDA0003482207610000071
其中，w1、w2和w3代表不同权重值，
Figure BDA0003482207610000072
和
Figure BDA0003482207610000073
分别代表三种工况的显著率；
6)获取kmeans聚类后的结果；
7)计算每个压力监测点与目标调度对象的目标相似度，目标相似度Ros表达式为：
Ros＝1/DTW(Pi,Pobj)，其中，Pi为任意测压点的压力变化模式，Pobj为标调度对象的压力变化模式，DTW(a,b)代表计算a和b序列之间的DTW距离；
8)对类内目标相似度进行排序，选取目标相似度最高的测压点作为类内主控点，生成主控点分布方案。
为验证本发明方法的有效性，现基于一实施例以某地区的输入供水管网实际数据为例进行实际操作实验，操作流程包括：
1、数据预处理
取某地区的计算时段为某年10月1日至次年11月17日，输入该时段内调度区域的所有测压点的监测数据。设置合适的滑窗大小，按照异常条件过滤压力监测数据中的异常模式(离群值、无效值)。然后通过数据标准化来去除压力数据的尺度效应，再通过降采样来降低数据的维度，提高聚类计算的效率。
参考图3，将样本数据按照运行工况的不同进行分类，分为超越供水、叠压供水、清水池供水，并按照不同工况构建分类特征。
2、时间序列聚类
利用python实现了DTW算法和Kmeans聚类算法，并将Kmeans聚类算法中传统的距离度量欧式距离替换为DTW距离。设置初始聚类簇数量区间为[3,20]，遍历初始聚类簇数量区间对不同工况下的所有测压点的压力变化模式进行聚类，对于每个既定的初始化聚类簇数量k随机进行5次聚类，每次聚类最大迭代次数为100，不同聚类簇数量k对应的三种工况下的模式显著率及加权显著率如表1所示：
表1：不同聚类簇数量k对应的三种工况下的模式显著率
Figure BDA0003482207610000091
选择加权显著率最大初始聚类簇数量12，其三种工况下聚类结果的空间可视化如图4所示。
3、主控点优选
计算每一类中测压点的目标相似度，并进行排序，将每一类中目标相似度最高的点作为主控点，模型计算出的主控点分布如图5所示。
可见，本发明一种供水管网关键压力控制点的识别方法，引入DTW(动态时间扭曲)作为相似度距离的度量，解决压力传播造成的时滞问题，并结合Kmeans聚类对历史压力监测大数据进行分析，来识别出压力变化趋势相似的压力监测点，根据压力监测点压力变化趋势与水厂/泵站出水压力变化趋势的相关性动态识别对应的关键压力控制点。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (9)

1.一种供水管网关键压力控制点的识别方法，包括如下步骤：
步骤S1，输入供水管网各测压点历史数据，对测压点数据进行异常压力模式剔除和显著压力模式提取，并按照供水管网的中途加压泵站运行工况的不同对原始样本数据构建分类特征；
步骤S2，建立压力变化模式聚类模型，对不同分类特征数据下的所有供水管网测压点的样本数据进行迭代聚类，按照加权模式显著率来确定最合适的聚类簇数量；
步骤S3，针对不同调度对象，按照每一类中的目标相似度进行排序，选取每一类中目标相似度最高的测压点作为其压力主控点。
2.如权利要求1所述的一种供水管网关键压力控制点的识别方法，其特征在于，于步骤S1中，所述异常压力模式剔除进一步包括如下步骤：
步骤S111，确定合适的时间滑窗尺寸，并设置异常条件；
步骤S112，根据异常值条件剔除样本数据中的异常。
3.如权利要求2所述的一种供水管网关键压力控制点的识别方法，其特征在于，于步骤S111中，所述异常条件包括：
第一异常条件：对于时间滑窗内的任意一点
Figure FDA0003482207600000011
Figure FDA0003482207600000012
其中，sz为时间滑窗尺寸，μP(j,j+sz)为任意时间滑窗内压力数据的平均值，σP(j,j+sz)为任意时间滑窗内压力数据的标准差，当任意一条样本数据
Figure FDA0003482207600000013
满足第一异常条件时剔除数据。
第二异常条件：时间窗内所有数据σP(j,j+sz)＝0，当任意一条样本数据
Figure FDA0003482207600000014
满足第二异常条件时剔除数据。
4.如权利要求2所述的一种供水管网关键压力控制点的识别方法，其特征在于，于步骤S112中，所述剔除样本的异常Perr为：
Figure FDA0003482207600000015
其中，
Figure FDA0003482207600000021
和
Figure FDA0003482207600000022
分别为所述第一异常条件和第二异常条件的异常数据。
5.如权利要求1所述的一种供水管网关键压力控制点的识别方法，其特征在于，于步骤S1中，所述显著压力模式提取进一步包括如下步骤：
步骤S121，对测压点数据进行标准化处理，具体为：
Figure FDA0003482207600000023
其中，Porigin为原始样本数据，Pnew为数据标准化后的样本数据；
步骤S122，进行数据降采样，具体为：
Pupsample＝upsample(Pnew)，其中，Pupsample为经过降采样后的样本数据。
6.如权利要求1所述的一种供水管网关键压力控制点的识别方法，其特征在于，于步骤1中，所述中途加压泵站运行工况包括叠压供水工况、超越供水工况和清水池供水工况。
7.如权利要求1所述的一种供水管网关键压力控制点的识别方法，其特征在于，于步骤S2中，进一步包括如下步骤：
步骤S21，选择合适的聚类簇区间[cmin,cmax]，其中cmin为最小聚类簇数量，cmax为最大聚类簇数量；
步骤S22，采用动态时间扭曲作为不同压力变化模式之间的相似性度量，并采用Kmeans聚类算法遍历聚类簇区间，根据加权模式显著率确定聚类簇数量以及相应的聚类结果。
8.如权利要求7所述的一种供水管网关键压力控制点的识别方法，其特征在于，于步骤S22中，所述加权模式显著率的计算进一步包括如下步骤：
步骤S221，计算每一种分类特征的模式显著率，模式显著率Rstable具体为：
Rstable＝kstable/k，
其中，k为任意数量的聚类簇，kstable为随机初始化聚类簇的位置迭代N次后，聚类结果均未发生改变的聚类簇数量；
步骤S222，计算加权模式显著率，按照中途加压泵站不同运行工况下样本数据的比例来对不同运行工况下的模式显著率进行加权，具体为：
Figure FDA0003482207600000031
其中，w1、w2和w3代表不同权重值，
Figure FDA0003482207600000032
和
Figure FDA0003482207600000033
分别代表三种工况的显著率。
9.如权利要求1所述的一种供水管网关键压力控制点的识别方法，其特征在于，于步骤S3中，进一步包括如下步骤：
步骤S31，计算每个压力监测点与目标调度对象的目标相似度，目标相似度Ros具体为：
Ros＝1/DTW(Pi,Pobj)，
其中，Pi为任意测压点的压力变化模式，Pobj为标调度对象的压力变化模式，DTW(a,b)为a和b序列之间的DTW距离；
步骤S32，按照类内目标相似度进行排序，选取目标相似度最高的测压点作为类内主控点。
CN202210071354.XA 2022-01-21 2022-01-21 一种供水管网关键压力控制点的识别方法 Pending CN114493234A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210071354.XA CN114493234A (zh) 2022-01-21 2022-01-21 一种供水管网关键压力控制点的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210071354.XA CN114493234A (zh) 2022-01-21 2022-01-21 一种供水管网关键压力控制点的识别方法

Publications (1)

Publication Number Publication Date
CN114493234A true CN114493234A (zh) 2022-05-13

Family

ID=81473117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210071354.XA Pending CN114493234A (zh) 2022-01-21 2022-01-21 一种供水管网关键压力控制点的识别方法

Country Status (1)

Country Link
CN (1) CN114493234A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117571184A (zh) * 2024-01-17 2024-02-20 四川省公路规划勘察设计研究院有限公司 一种基于滑窗和聚类分析的桥梁结构索力识别方法及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117571184A (zh) * 2024-01-17 2024-02-20 四川省公路规划勘察设计研究院有限公司 一种基于滑窗和聚类分析的桥梁结构索力识别方法及设备
CN117571184B (zh) * 2024-01-17 2024-03-19 四川省公路规划勘察设计研究院有限公司 一种基于滑窗和聚类分析的桥梁结构索力识别方法及设备

Similar Documents

Publication Publication Date Title
CN109766583A (zh) 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
CN110990461A (zh) 大数据分析模型算法选型方法、装置、电子设备及介质
CN111832647A (zh) 异常流量检测系统及方法
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN111738520A (zh) 一种融合孤立森林与长短期记忆网络的系统负载预测方法
Ciflikli et al. Enhancing product quality of a process
CN114493234A (zh) 一种供水管网关键压力控制点的识别方法
CN115358481A (zh) 一种企业外迁预警识别的方法、系统及装置
CN110020680B (zh) 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法
Sudipa et al. Trend Forecasting of the Top 3 Indonesian Bank Stocks Using the ARIMA Method
CN114881347A (zh) 一种采用加权残差聚类的天然气负荷预测区间估计方法
CN112348220A (zh) 一种基于企业行为模式的信用风险评估预测方法及系统
CN115392710A (zh) 一种基于数据过滤的风电机组运行决策方法及系统
Supri et al. Asian Stock Index Price Prediction Analysis Using Comparison of Split Data Training and Data Testing
Huang et al. Outlier detection method based on improved two-step clustering algorithm and synthetic hypothesis testing
Zheng et al. Combustion process modeling based on deep sparse least squares support vector regression
Wang et al. Design of data mining algorithm based on rough entropy for us stock market abnormality
CN112884167B (zh) 一种基于机器学习的多指标异常检测方法及其应用系统
Cheng et al. A K-means Algorithm for Construction of Enterprise Innovation System Based on Data Mining Technology
CN117593101B (zh) 基于多维数据的金融风险数据处理分析方法及系统
CN115831339B (zh) 基于深度学习的医疗系统风险管控事前预测方法、系统
Zhao et al. Burst detection in district metering areas using flow subsequences clustering–reconstruction analysis
Topaloğlu et al. Revenue forecast models using hybrid intelligent methods
Kalva et al. Optimizing Technical Analysis and Stock Price Analysis Using: BLRM-QNDNL

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