CN114659037A - 一种用于城市供水管网爆管的定位方法 - Google Patents
一种用于城市供水管网爆管的定位方法 Download PDFInfo
- Publication number
- CN114659037A CN114659037A CN202210332100.9A CN202210332100A CN114659037A CN 114659037 A CN114659037 A CN 114659037A CN 202210332100 A CN202210332100 A CN 202210332100A CN 114659037 A CN114659037 A CN 114659037A
- Authority
- CN
- China
- Prior art keywords
- pipe
- pipe section
- explosion
- sensor
- sensors
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 238000004880 explosion Methods 0.000 claims abstract description 98
- 238000012544 monitoring process Methods 0.000 claims abstract description 53
- 238000005192 partition Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000009172 bursting Effects 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000005474 detonation Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 7
- 230000001052 transient effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Pipeline Systems (AREA)
Abstract
本发明提供了一种用于城市供水管网爆管的定位方法,通过管段空间分区及传感器最大覆盖范围减少潜在爆管管段数量,同时通过管段的响应传感器序列及管段监测维度管段来缩小潜在爆管管段的流量搜索范围,基于潜在爆管管段与对应的流量搜索范围对预设的爆管场景数据库的筛选,根据筛选结果与实际爆管场景数据进行相似度匹配,获得相似度最高的爆管场景事件作为最终的定位依据。该方法通过潜在爆管管段与对应的流量搜索范围进行初步筛选,降低后续匹配过程中的运算压力与耗时,从而提高了爆管定位的反馈速度与准确率。
Description
技术领域
本发明涉及市政工程和城市供水管网领域,尤其涉及一种用于城市供水管网爆管的定位方法。
背景技术
供水管网发生爆管事件会造成大量水资源及能源浪费,另一方面也会引发社会公共安全问题,例如爆管发生时会有大量水流出管外后将细菌、污染物吸入管段内,引发用水安全隐患。
爆管定位方法可分为基于硬件和软件两种,其中,基于硬件的方法主要是利用听音棒、噪声记录仪等设备进行定位,其人力资源需求高且声波传播距离有限,在一个区域内就需要投入大量设备,一般难以进行整个城市的计量分区或管网应用。
而软件的方法就可以很好的解决大范围的计量分区或管网应用,包括大致定位法和精确定位法,大致定位法通常只能将可能发生爆管位置缩小到包含数十根管段的区域,并不能满足及时修复爆管管段的需求;精确定位法包括传统的瞬态波方法和稳态数据方法,而传统的瞬态波方法运算压力大,适合于单根管段或小型简单管网,大型管网尚未得到应用,且容易外界噪声的影响。
稳态数据方法一般基于区域计量分区开发,未分区的大型管网且未进行大致定位的管网受到一定的限制。
专利文献CN113446521A公开了一种基于瞬变交流的爆管定位方法,采用了高频SCADA系统检测管网内的压力异常信号,对其滤波处理后分析压力的整体变化及瞬时变化,对爆管事件进行识别;根据动量定理及打开球阀的实际操作数值模拟爆管激发的瞬变流,在此基础上,根据瞬变流传播特征,数值模拟监测点瞬变流;通过数值模拟在各管段爆管的监测点信号,判定爆管管段;通过数值模拟在判定管段爆管的监测点信号,实现爆管定位。该方法可以精确获取实际爆管位置,但是需要实时进行计算,对于设备的运算能力要求较高,且存在外界噪声影响。
专利文献CN113739075A公开了一种管线压力流量与爆管监控装置,包括监控模块、通信模块和监测模块,其中,所述监测模块包括现场流量计、压力变送针、压差变送器和温度变送器,通过监测模块获取管网流量、水压变化、温度变化等数据,计算获得爆管位置的实际位置,从而保证供水管网的正常使用。但是该方法需要有大量传感器布置在供水管网中才能实现,前期投入较大且后续维护成本较高。
发明内容
为了解决上述问题,本发明提出了一种用于城市供水管网爆管的定位方法,该方法通过潜在爆管管段集合与对应的每根管段的流量搜索范围,对爆管场景数据库进行初步筛选,从而减少后续精确定位的运算基础量,提高了爆管定位的反馈速度与准确率。
一种用于城市供水管网爆管的定位方法,包括:
步骤1、构建爆管场景数据库,所述爆管场景数据库中包括多种爆管场景事件与对应的所有传感器以及管段的数据;
步骤2、获取发生爆管事件区域的已报警传感器数据,计算发生爆管事件区域内所有已报警传感器的管段空间分区与传感器最大覆盖范围的交集,获得包含所述交集区域内所有管段数据与已报警传感器数据的潜在爆管管段集合,所述管段空间分区表示对管段爆管时所引发的压力变化最敏感的传感器所在分区,所述传感器最大覆盖范围表示传感器在发生爆管事件区域内管段均达到最大爆管流量时能检测覆盖到的所有管段集合;
步骤3、获取发生爆管事件区域的传感器布局方案中每根管段的敏感传感器序列与对应的管段监测维度,截取敏感传感器序列中前n个传感器作为用于缩小流量搜索范围的响应传感器序列,所述敏感传感器序列表示管段发生爆管时每个传感器发出报警的先后序列,所述管段监测维度表示每根管段处于完全断裂条件下所在区域内所有发出报警的传感器数量,所述截取的传感器数量n与管段监测维度相等;
步骤4、根据步骤2获得的潜在爆管管段集合与对应的响应传感器序列,计算获得潜在爆管管段集合中每根管段的流量搜索范围,具体步骤如下:
步骤4.1、获取管段对应的响应传感器序列中已报警的每个传感器的最小报警流量,作为所述管段的最小报警流量序列;
步骤4.2、选取所述最小报警流量序列中最大的流量值作为所述管段的流量搜索范围的下限值;
步骤4.3、根据所述下限值,从所述响应传感器序列中选取对应的传感器序列号,并将所述传感器序列号后一位传感器的最小报警流量作为所述管段的流量搜索范围的上限值;
步骤4.4、重复步骤4.1-4.3,直至确定潜在爆管管段集合中每根管段的流量搜索范围;
步骤5、根据步骤2获得的潜在爆管管段集合与步骤4获得的潜在爆管管段集合中每根管段的流量搜索范围,从爆管场景数据库中筛选出符合要求的爆管场景事件集合;
步骤6、通过步骤5筛选获得的爆管场景事件集合与发生爆管事件区域的传感器数据进行相似度匹配,获得相似度最高的爆管场景事件作为最终的定位依据。
具体的,所述管段分区的表达式为:
Spipe(t,k)={j:fsensor(j,t)=k,j∈{1,…,L.}};
其中,K表示总传感器数量,Spipe(t,k)表示t时刻管段j中对压力变化最敏感的传感器k,qj表示管段j模拟爆管流量,由0以一定步长的流量逐步增加直至触发第一个传感器发出报警,pk(t,qj)表示传感器k在t时刻水压,pa(t,k)表示传感器k的报警阈值,fsensor(j,t)函数表示模拟每一根管段进行爆管测试,将管段逐根划分到K个区域,K表示传感器总数。
具体的,所述传感器最大覆盖范围的表达式为:
Dset_max(t,k)={j:I[pk(t,qj),pa(t,k)]=1,j∈{1,…,L.},qj=Qjmax}
其中,Dset_max(t,k)表示t时刻被划分到传感器k所在区域的管段集合,pk(t,qj)表示传感器k在t时刻水压,pa(t,k)表示传感器k的报警阈值,Qjmax表示最大爆管流量。
具体的,每根管段的敏感传感器序列的表达式为:
为了确定刚好打破阈值pi(t,qj)>pa(t,i))时管段j的爆管流量需要应用枚举法,具体过程为:管段j的爆管流量qj以一定步长Δqj直到qj等于Qjmax,当pi(t,qj)低于报警压力pa(t,i),爆管流量始终未报警的节点则在相应位置记录一个比该管段最大爆管流量大的值(Qjmax+C),C为常数,表明该管段无论发生多大的爆管事件也不会引起该节点报警。
具体的,所述管段监测维度的表达式:
其中,Ndetect(j,t)表示t时刻可以检测到管段j压力变化的传感器数量,pk(t,qj)表示传感器k在t时刻水压,pa(t,k)表示传感器k的报警阈值,K表示传感器总数。
优选的,所述步骤1中的建立爆管场景数据库过程中,已滤去了最小监测流量以下的事件场景和位于监测盲区的管段,所述最小监测流量表示管段内触发传感器发出爆管报警所需要的最小流量,所述监测盲区表示发生最大爆管事件时整个区域内所有传感器均无法监测的管段集合,从而减少无意义事件对爆管定位的计算压力。
具体的,所述最小监测流量的表达式为:
其中,qmin_alarm(j,t)表示t时刻管段j中触发传感器报警的最小流量,pk(t,qj)表示传感器k在t时刻水压,pa(t,k)表示传感器k的报警阈值。
具体的,所述监测盲区的表达式为:
Upipe(t)={j|SIj(t,X)=0,j∈{1,…,L.}}
其中,Upipe(t)表示t时刻的盲区管道集合,SIj(t,X)表示t时刻管段j是否可以被给定传感器布局方案X中K个传感器中任意一个传感器k监测的函数,pj(t,k)表示t时刻管段j发生最大流量爆管时传感器k处的水压,pa(t,k)为传感器k设定的报警阈值。
优选的,通过历史监测数据统计分析设定传感器的报警阈值,所述阈值压力为管段常态流量下的压力值与任一时间段监测数据的两倍标准差之差,该报警阈值选取符合正态分布,使得最终爆管定位的结果更加准确。
具体的,所述步骤2中的计算发生爆管事件区域内所有已报警传感器的管段空间分区与传感器最大覆盖范围的交集,具体如下:
步骤2.1、计算所有已报警传感器的管段空间分区的并集:
Sset_potential(t,E)=Spipe(t,R1)∪Spipe(t,R2)∪…∪Spipe(t,Rm)
其中,Sset_potential(t,E)表示t时刻爆管事件E所在区域的管段空间分区并集,Spipe(t,Rm)表示t时刻传感器Rm所在管段空间分区的管段集合,m为爆管事件区域内发出报警的传感器总数;
步骤2.2、计算所有已报警传感器的传感器最大覆盖范围的交集:
Dset_potential(t,E)=Dset_max(t,R1)∩Dset_max(t,R2)∩……∩Dset_max(t,Rm)
其中,Dset_potential(t,E)表示表示t时刻爆管事件E所在区域的所有传感器最大覆盖范围交集,Dset_max(t,Rm)表示t时刻传感器Rm的监测最大覆盖范围;
步骤2.3、对步骤2.1与步骤2.2的计算结果进行交集:
Rpipe_search(t,E)=Sset_potential(t,E)∩Dset_potential(t,E)
其中,Rpipe_search(t,E)表示表示t时刻爆管事件E所在区域符合要求的管段集合。
具体的,所述步骤3中的响应传感器序列的表达式为:
其中,表示响应传感器序列,sorted(·)表示对括号内所有传感器的最小报警流量进行从小到大排序,Listindex(·)表示括号内完成排序后传感器的编号序列, X为传感器布局方案,j为管段,为传感器z对管段j的最小报警流量,Qjmax表示管段j的最大爆管流量,z∈n表示响应传感器序列号,n与管段监测维度相等。
优选的,所述步骤6中的相似度匹配,是基于未发生爆管事件时区域内的所有传感器的正常压力数据,分别与爆管场景事件集合对应的所有传感器的数据和发生爆管事件时区域内的所有传感器实际数据进行残差向量的计算,并根据两组残差向量进行相似度计算匹配,以常态压力数据作为标准,避免直接计算匹配可能出现的误差问题。
优选的,所述两组残差向量进行相似度匹配,是分别基于欧氏距离算法与余弦相似度量进行相似度计算匹配,并根据两组计算结果进行加权处理,获得作为爆管定位依据的爆管场景事件,根据两种方式的相似度计算以及加权处理,使得最终相似度匹配结果更加准确。
具体的,所述加权处理,是通过除去两组计算结果中重复出现的管段后,选取各自相似度排名前10的管段进行加权计算,避免重复重管段影响最终匹配结果。
与现有技术相比,本发明的有益效果为:
本发明采用潜在爆管管段集合与对应每根管段的搜索流量范围从预设的爆管场景数据库中筛选出符合要求的爆管事件集合,过滤掉部分不符合要求的爆管事件,从而降低了后续相似度匹配的计算压力,提高了反馈速度与定位的准确度。
附图说明
图1为本发明提供的一种用于城市供水管网爆管的定位方法的流程示意图;
图2为本实施例中潜在爆管管段集合的示意图;
图3为本实施例中潜在爆管管段集合中管段的流量搜索范围确定过程示意图;
图4为本实施例爆管区域所有管段与传感器节点的分布图;
图5为通过本实例提供的方法进行爆管定位后的管段与对应的传感器节点的分布图。
具体实施方式
本实施例针对一个南方城市大型供水管网的一个区域进行爆管定位的演示:
该区域包含550个需水节点,735个管段,共布置48个传感器(对应监测点0-47),节点索引依次为:1,87,436,723,1026,1238,1394,1642,1709,1899,1922,1940,2145,2152,2251,2303,2582,2617,2878,3033,3045,3163,3345,3386,3449,3676,3895,4158,4194,4326,4370,4664,4810,4903,4919,5103,5187,5189,5589,5590,5764,6140,6209,6330,6332,6370,6380,6383。
如图1所示,一种用于城市供水管网爆管的定位方法,包括:
步骤1、构建爆管场景数据库,该爆管场景数据库中包括多种爆管场景事件与对应的所有传感器以及管段的数据:
通过依次对每根管段以特定步长10m3/h的爆管流量增加模拟0至该管段的最大爆管流量(Qjmax)的爆管事件,将各管段在管网水力模型文件中的管段索引号、模拟爆管流量、各节点的压力数据存储在当前的爆管场景中,这就使得每个爆管场景对应唯一的管段编号和爆管流量。
其中,依次让每根管段在完全断裂下进行爆管模拟,模拟前设置一个足够大的初始需水量值,经水力模拟软件迭代后的实际需水量为该管段的最大爆管流量,各管段的最大爆管流量如表1所示(共735行,截取部分):
表1各管段的最大爆管流量
同时删去最小监测流量以下的事件场景和位于监测盲区的管段,其中本实例中的监测盲区如表2所示:
表2监测盲区管段
管道最小监测流量如表3所示:
表3管段的最小监测流量
当定位分析时,可以通过查找管段编号和爆管流量范围,锁定符合条件的所有爆管场景。
通过历史监测数据统计分析设定传感器的报警阈值,包括异常值剔除、填补缺失值,然后分季节进行统计分析处理计算各监测点每小时的平均值及方差;
根据本实施例中的数据,取4组样本进行计算,均值分别为0.33009MPa、0.29077MPa、0.31702MPa、0.27122MPa;标准差分别为0.00791MPa、0.00818MPa、0.00779MPa、0.00885MPa。
因此本上实施例中以各传感器正常状态压力与2倍标准差(1.6m)之差作为报警阈值。
步骤2、获取发生爆管事件区域的已报警传感器数据,计算发生爆管事件区域内所有已报警传感器的管段空间分区与传感器最大覆盖范围的交集,获得包含交集区域内所有管段数据与已报警传感器数据的潜在爆管管段集合;
其中本实施例中的管段空间分区,通过依次对735根管道调用fsensor(j,t)函数,依次模拟每一根管段,从0开始以一定的步长(1m3/h)的爆管流量逐步增加,直至触发报警。
求解其最敏感的传感器k,并其分到传感器k所在的分区。将管段逐根划分到48个区域,实现管段空间分区。
管道空间分区情况如表4所示(共48行截取部分):
表4管道空间分区
传感器最大监测覆盖范围段集合表5所示(共48行,截取部分):
表5传感器最大监测范围管段集合
依次设定每根管段以最大爆管流量Qjmax依次进行爆管模拟,若是管道j爆管后能引起传感器k的压力低于其报警阈值,则该管道j被划入该传感器k的覆盖范围;如图2所示,图中的黑色为已报警传感器,灰色为未报警传感器,实线圈为传感器最大覆盖范围,虚线为管段空间分区,阴影部分为潜在爆管管段范围。
步骤3、获取发生爆管事件区域的传感器布局方案中每根管段的敏感传感器序列与对应的管段监测维度,截取敏感传感器序列中前n个传感器作为用于缩小流量搜索范围的响应传感器序列;
本实施例中的敏感传感器序列如表6所示(共735行,截取部分):
表6各管段的敏感传感器序列
不同的节点对于同一根管段的敏感度不同,从管段的角度来看,管段爆管引起不同位置节点报警所需的爆管流量是不同的。
各监测点对管段j的最小报警流量不同,排序后的最小报警流量对应第1个传感器的最小报警流量,管段的敏感传感器序列长度等于传感器总数。
本实施例中的管段监测维度表示每根管段处于完全断裂条件下所在区域内所有发出报警的传感器数量,如表7所示:
表7管段监测分布
通过依次设置每根管段在最大爆管流量下爆管,统计传感器报警数量以计算管段监测维度。
本实施例中的响应传感器序列通过截取敏感传感器序列中前n个传感器,该序列长度n等于管段监测维度;
小于等于管段的敏感传感器序列长度序列的排列顺序按与管段的敏感传感器序列相同的方式排列,第1个传感器的最小监测流量对应管段的最小监测流量,各管段的响应传感器序列如表8示(共735行,截取部分):
表8管段的响应传感器序列
步骤4、根据步骤2获得的潜在爆管管段集合与对应的响应传感器序列,如图3所示,计算获得潜在爆管管段集合中每根管段的流量搜索范围,具体步骤如下:
步骤4.1、获取管段对应的响应传感器序列中已报警的每个传感器的最小报警流量,作为所述管段的最小报警流量序列;
步骤4.2、选取所述最小报警流量序列中最大的流量值作为所述管段的流量搜索范围的下限值;
步骤4.3、根据所述下限值,从所述响应传感器序列中选取对应的传感器序列号,并将所述传感器序列号后一位传感器的最小报警流量作为所述管段的流量搜索范围的上限值;
步骤4.4、重复步骤4.1-4.3,直至确定潜在爆管管段集合中每根管段的流量搜索范围:
步骤5、根据步骤2获得的潜在爆管管段集合与步骤4获得的潜在爆管管段集合中每根管段的流量搜索范围,从爆管场景数据库中筛选出符合要求的爆管场景事件集合:
本实施例中的爆管场景数据库信息如表9所示:
表9模拟爆管事件信息表
用户用水随机噪声、传感器测量噪声分别取P=10%,σ=0.2m,模拟爆管事件各监测点水头如表10所示(共48列,截取部分):
表10模拟爆管事件各监测点水头
根据本事件的报警监测点0、18、30、38,计算报警传感器管段空间分区并集及传感器最大覆盖范围的交集,并计算两者的交集,潜在爆管管段从735根减少至31根,如表11所示(共31行,截取部分):
表11爆管事件的潜在爆管管段
步骤6、通过步骤5筛选获得的爆管场景事件集合与发生爆管事件区域的传感器数据进行相似度匹配,是基于未发生爆管事件时区域内的所有传感器的正常压力数据,分别与爆管场景事件集合对应的所有传感器的数据和发生爆管事件时区域内的所有传感器实际数据进行残差向量的计算,并根据两组残差向量进行欧氏距离与余弦相似度量的相似度计算与匹配,在匹配过程中除去两组匹配结果中重复出现的管段后,选取各自相似度排名前10的管段进行加权计算,获得相似度最高的爆管场景事件作为最终的定位依据:
本爆管事件案例的潜在搜索场景共1153个,利用与相关性分析指标进行爆管事件与爆管数据库中的场景进行精确匹配,基于两种指标分别对1153个潜在搜索场景计算与爆管事件的相似度,基于相似度排序后的结果如表12所述:
表12精确定位阶段相关性定位结果
根据表12中定位结果,去除相关性定位结果中连续重复管段,取各自结果排名前10的管段(top10),分别按相关性定位结果的管段排列顺序分别赋予分值10、9、8……1,并按照余弦距离与欧氏距离比重1:2进行各管段分数重新计算,合成精确定位结果,结果如表13所示:
表13精确定位top10管段
本案例中排名第1为管段111,为真实爆管所在管段。
本实施例中的爆管场景数据库共计971,275个事件,通过潜在爆管管段集合与对应的每根管段的流量搜索范围,将爆管场景数据库范围缩小到1153个事件,从而减少相似度匹配计算的耗时;在实际工作中,步骤4与步骤5在计算机中只需要数秒即可完成,而后续的相似度匹配过程平均耗时4.41分钟。
如图4所示,为发生爆管事件区域内所有管段与传感器分布图。
如图5所示,为通过本发明提供的方法进行爆管定位后的潜在爆管管段与传感器分布图,与图4相较已经大大减少了维修人员的实地检查区域数量,从而节省了大量抢修时间。
Claims (9)
1.一种用于城市供水管网爆管的定位方法,其特征在于,包括:
步骤1、构建爆管场景数据库,所述爆管场景数据库中包括多种爆管场景事件与对应的所有传感器以及管段的数据;
步骤2、获取发生爆管事件区域的已报警传感器数据,计算发生爆管事件区域内所有已报警传感器的管段空间分区与传感器最大覆盖范围的交集,获得包含所述交集区域内所有管段数据与已报警传感器数据的潜在爆管管段集合;
步骤3、获取发生爆管事件区域的传感器布局方案中每根管段的敏感传感器序列与对应的管段监测维度,截取敏感传感器序列中前n个传感器作为用于缩小流量搜索范围的响应传感器序列,所述截取的传感器数量n与管段监测维度相等;
步骤4、根据步骤2获得的潜在爆管管段集合与对应的响应传感器序列,计算获得潜在爆管管段集合中每根管段的流量搜索范围;
步骤5、根据步骤2获得的潜在爆管管段集合与步骤4获得的潜在爆管管段集合中每根管段的流量搜索范围,从爆管场景数据库中筛选出符合要求的爆管场景事件集合;
步骤6、通过步骤5筛选获得的爆管场景事件集合与发生爆管事件区域的传感器数据进行相似度匹配,获得相似度最高的爆管场景事件作为最终的定位依据。
2.根据权利要求1所述的用于城市供水管网爆管的定位方法,其特征在于,所述步骤1中的建立爆管场景数据库过程中,已滤去了最小监测流量以下的事件场景和位于监测盲区的管段,所述最小监测流量表示管段内触发传感器发出爆管报警所需要的最小流量,所述监测盲区表示发生最大爆管事件时整个区域内所有传感器均无法监测的管段集合。
3.根据权利要求1所述的用于城市供水管网爆管的定位方法,其特征在于,通过历史监测数据统计分析设定传感器的报警阈值,所述阈值压力为管段常态流量下的压力值与任一时间段监测数据的两倍标准差之差。
4.根据权利要求1所述的用于城市供水管网爆管的定位方法,其特征在于,所述步骤2中的计算发生爆管事件区域内所有已报警传感器的管段空间分区与传感器最大覆盖范围的交集,具体如下:
步骤2.1、计算所有已报警传感器的管段空间分区的并集:
Sset_potential(t,E)=Spipe(t,R1)∪Spipe(t,R2)∪…∪Spipe(t,Rm)
其中,Sset_potential(t,E)表示t时刻爆管事件E所在区域的管段空间分区并集,Spipe(t,Rm)表示t时刻传感器Rm所在管段空间分区的管段集合,m为爆管事件区域内发出报警的传感器总数;
步骤2.2、计算所有已报警传感器的传感器最大覆盖范围的交集:
Dset_potential(t,E)=Dset_max(t,R1)∩Dset_max(t,R2)∩……∩Dset_max(t,Rm)
其中,Dset_potential(t,E)表示表示t时刻爆管事件E所在区域的所有传感器最大覆盖范围交集,Dset_max(t,Rm)表示t时刻传感器Rm的监测最大覆盖范围;
步骤2.3、对步骤2.1与步骤2.2的计算结果进行交集:
Rpipe_search(t,E)=Sset_potential(t,E)∩Dset_potential(t,E)
其中,Rpipe_search(t,E)表示表示t时刻爆管事件E所在区域符合要求的管段集合。
6.根据权利要求1所述的用于城市供水管网爆管的定位方法,其特征在于,所述步骤4中的计算获得潜在爆管管段集合中每根管段的流量搜索范围,具体步骤为:
步骤4.1、获取管段对应的响应传感器序列中已报警的每个传感器的最小报警流量,作为所述管段的最小报警流量序列;
步骤4.2、选取所述最小报警流量序列中最大的流量值作为所述管段的流量搜索范围的下限值;
步骤4.3、根据所述下限值,从所述响应传感器序列中选取对应的传感器序列号,并将所述传感器序列号后一位传感器的最小报警流量作为所述管段的流量搜索范围的上限值;
步骤4.4、重复步骤4.1-4.3,直至确定潜在爆管管段集合中每根管段的流量搜索范围。
7.根据权利要求1所述的用于城市供水管网爆管的定位方法,其特征在于,所述步骤6中的相似度匹配,是基于未发生爆管事件时区域内的所有传感器的正常压力数据,分别与爆管场景事件集合对应的所有传感器的数据和发生爆管事件时区域内的所有传感器实际数据进行残差向量的计算,并根据两组残差向量进行相似度计算匹配。
8.根据权利要求7所述的用于城市供水管网爆管的定位方法,其特征在于,所述两组残差向量进行相似度计算匹配,是分别基于欧氏距离算法与余弦相似度量进行相似度计算,并根据两组计算结果进行加权处理,获得作为爆管定位依据的爆管场景事件。
9.根据权利要求8所述的用于城市供水管网爆管的定位方法,其特征在于,所述加权处理,是通过除去两组计算结果中重复出现的管段后,选取各自相似度排名前10的管段进行加权计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210332100.9A CN114659037B (zh) | 2022-03-30 | 2022-03-30 | 一种用于城市供水管网爆管的定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210332100.9A CN114659037B (zh) | 2022-03-30 | 2022-03-30 | 一种用于城市供水管网爆管的定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114659037A true CN114659037A (zh) | 2022-06-24 |
CN114659037B CN114659037B (zh) | 2022-11-29 |
Family
ID=82033434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210332100.9A Active CN114659037B (zh) | 2022-03-30 | 2022-03-30 | 一种用于城市供水管网爆管的定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114659037B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216949A (zh) * | 2023-08-21 | 2023-12-12 | 长江生态环保集团有限公司 | 一种基于深度学习的跨传感器爆管定位域自适应方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108332059A (zh) * | 2018-01-16 | 2018-07-27 | 浙江大学 | 服务于供水管网爆管监测的测压点优化布置方法 |
JP2018195118A (ja) * | 2017-05-18 | 2018-12-06 | 日本電信電話株式会社 | 路面データ収集装置、方法、及びプログラム |
CN109729077A (zh) * | 2018-12-20 | 2019-05-07 | 西安电子科技大学 | 基于动态位置关联的隐私保护方法 |
US20190285504A1 (en) * | 2018-03-13 | 2019-09-19 | International Business Machines Corporation | Heuristic Based Analytics for Gas Leak Source Identification |
CN110851931A (zh) * | 2019-10-14 | 2020-02-28 | 天津大学 | 一种城市供水管网流量监测点的优化布置方法 |
CN112503400A (zh) * | 2020-12-21 | 2021-03-16 | 中国电建集团华东勘测设计研究院有限公司 | 一种供水管网测压点多目标优化布置方法 |
CN112989535A (zh) * | 2021-03-09 | 2021-06-18 | 昆明理工大学 | 一种基于爆管检测效益的供水管网压力监测点优化布局方法 |
CN113418146A (zh) * | 2021-08-03 | 2021-09-21 | 上海航天动力科技工程有限公司 | 一种用于供水管网的漏损辅助定位控制方法 |
-
2022
- 2022-03-30 CN CN202210332100.9A patent/CN114659037B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018195118A (ja) * | 2017-05-18 | 2018-12-06 | 日本電信電話株式会社 | 路面データ収集装置、方法、及びプログラム |
CN108332059A (zh) * | 2018-01-16 | 2018-07-27 | 浙江大学 | 服务于供水管网爆管监测的测压点优化布置方法 |
US20190285504A1 (en) * | 2018-03-13 | 2019-09-19 | International Business Machines Corporation | Heuristic Based Analytics for Gas Leak Source Identification |
CN109729077A (zh) * | 2018-12-20 | 2019-05-07 | 西安电子科技大学 | 基于动态位置关联的隐私保护方法 |
CN110851931A (zh) * | 2019-10-14 | 2020-02-28 | 天津大学 | 一种城市供水管网流量监测点的优化布置方法 |
CN112503400A (zh) * | 2020-12-21 | 2021-03-16 | 中国电建集团华东勘测设计研究院有限公司 | 一种供水管网测压点多目标优化布置方法 |
CN112989535A (zh) * | 2021-03-09 | 2021-06-18 | 昆明理工大学 | 一种基于爆管检测效益的供水管网压力监测点优化布局方法 |
CN113418146A (zh) * | 2021-08-03 | 2021-09-21 | 上海航天动力科技工程有限公司 | 一种用于供水管网的漏损辅助定位控制方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216949A (zh) * | 2023-08-21 | 2023-12-12 | 长江生态环保集团有限公司 | 一种基于深度学习的跨传感器爆管定位域自适应方法 |
CN117216949B (zh) * | 2023-08-21 | 2024-05-10 | 长江生态环保集团有限公司 | 一种基于深度学习的跨传感器爆管定位域自适应方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114659037B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109555979B (zh) | 一种供水管网漏损监测方法 | |
CN108931387B (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
CN112377817B (zh) | 一种市政管网爆管监测系统及方法 | |
CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
CN107480705A (zh) | 一种自来水管漏水检测方法 | |
CN103245881A (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
CN101533058A (zh) | 一种电力异常故障数据分析装置及诊断方法 | |
CN105185022A (zh) | 基于多传感器信息融合的变电站火灾探测系统及探测信息融合方法 | |
CN110285330B (zh) | 一种基于局部离群因子的水务网管网爆管检测方法 | |
CN106934126A (zh) | 基于循环神经网络融合的机械零部件健康指标构造方法 | |
CN114659037B (zh) | 一种用于城市供水管网爆管的定位方法 | |
CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 | |
CN103530818A (zh) | 一种基于brb系统的供水管网建模方法 | |
CN104598968A (zh) | 变压器故障诊断方法 | |
CN109886433A (zh) | 智能识别城市燃气管道缺陷的方法 | |
CN110260774A (zh) | 一种基于Pettitt算法的GNSS变形信息检验与预警方法 | |
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 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
CN117540329B (zh) | 基于机器学习的排水管网缺陷在线预警方法及系统 | |
CN113970073B (zh) | 一种基于ResNet的供水管网泄漏精准定位方法 | |
Liu et al. | Gas leak detection system in compressor stations based on a microphone array and multi-channel frequency Transformer | |
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 |
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 |