CN114662895A - 管网综合风险评估方法及装置 - Google Patents
管网综合风险评估方法及装置 Download PDFInfo
- Publication number
- CN114662895A CN114662895A CN202210264022.3A CN202210264022A CN114662895A CN 114662895 A CN114662895 A CN 114662895A CN 202210264022 A CN202210264022 A CN 202210264022A CN 114662895 A CN114662895 A CN 114662895A
- Authority
- CN
- China
- Prior art keywords
- index
- data
- pipe network
- infiltration
- overflow
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012502 risk assessment Methods 0.000 title claims abstract description 61
- 238000001764 infiltration Methods 0.000 claims abstract description 121
- 239000010865 sewage Substances 0.000 claims abstract description 98
- 230000008595 infiltration Effects 0.000 claims abstract description 85
- 238000012544 monitoring process Methods 0.000 claims abstract description 80
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 53
- 238000007621 cluster analysis Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 31
- 239000007788 liquid Substances 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 4
- 238000013077 scoring method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005183 environmental health Effects 0.000 description 1
- 230000007849 functional defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Sewage (AREA)
Abstract
本发明公开了一种管网综合风险评估方法及装置,属于水环境保护及监测技术领域,方法包括收集雨污水管网的风险评估数据,包括管网的监测指标数据及管网区域雨量数据;采用无监督聚类方法对风险评估数据进行聚类分析,确定入流排放类、入渗排放类及旱天排放类;以各类别下样本点为组单位,统计各类情况下监测指标数据的平均值,并将旱天类情况下监测指标数据的平均值作为本底值,计算管网的混接指数和入渗指数、溢流指数和堵塞指数,从而确定管网的风险指数。本发明有效避免因管网基础数据不足或不精确对入流入渗评估的影响,提高入流入渗评估的准确性和可靠性。
Description
技术领域
本发明涉及水环境保护与监测技术领域,具体涉及一种管网综合风险评估方法及装置。
背景技术
随着城市水环境污染形势的发展日趋严峻,城市雨污水管网运行中的问题也日益凸显,作为城市重要的基础设施之一的雨污水管网系统,在运行过程中存在着许多不确定因素,特别是雨污水管网入流入渗、溢流、雨污混接、管网堵塞等问题,其直接或间接造成的水环境污染会危害人体与环境健康。
市政雨污水收集系统的流量主要由旱季流量和入流入渗组成。旱季流量和水质变化较为稳定,而入流入渗过程相对比较复杂。管道入流和入渗的问题已经成为雨污水收集系统中的主要关注点。如,污水管网入流入渗可以加重管网结构性和功能性缺陷,增大设施运维费用,增加管道流量,对污水处理厂增加不必要的负荷。而当管网中的流量超出了管网的容量,就会以溢流的形式体现出来,这些溢流的污水会淹没街道,污染邻近的河流,也能导致污水处理厂发生严重的运营问题。当管网堵塞,导致后续雨污水不能及时排出,时间久了会出现渗水和漏水的问题,甚至造成管网污水返流,造成恶臭。
排水系统分为雨水排水系统和污水排水系统,在理想情况下,按雨污分离设计的雨水管网应在雨污水管网内积水后保持干燥,但实际情况是,有大量的污水排放点或渗漏点的雨水管网,长期不能不能完全排干积水,和水质污染甚至是黑臭的水,导致雨水污染和水系统混流,污染河流、湖泊和海洋。
风险分析评估作为一门具有重要实用价值的新兴科学,可以对工程风险程度做出评估,对雨污水管网系统进行运行风险分析评估是一项具有现实意义的课题。传统的雨污水管网主要是采用CCTV、人工排查和水质检测的方法进行评估的,这些方法耗时长,需要进行大量的现场工作,如管道检测、掀开检查井井盖排查该方法耗时耗力,且受现场约束较大。基于水量监测的方法相对较少,主要通过利用不同水利模型进行评估,如SWMM等,然而通过模型计算需要足够并且精确的管网信息数据,但目前国内的污水系统,普遍存在管道基础信息数据缺失或不精确、管道设计排水能力不足等问题,因此基于模型方法对管网入流入渗过程进行诊断分析过程具有较多的限制;还有一些基于水质平衡诊断管网入流入渗的方法,如同位素示踪、TN和COD平衡等方法,但均存在检测方法昂贵、难以获取长时间连续数据等难题,在较大区域范围的管网入流入渗问题诊断中难以实现应用。
相关技术中,专利号为CN 113392523 A的发明专利申请公开了一种基于长历时多测点的污水管网健康状况诊断模型,由以下部分组成:单测点排水规律学习,基于排水规律的单测点污水入流入渗分析,基于多测点的片区污水入流入渗分析,基于单测点的污水管网雨水混流分析,基于多测点的片区污水入流入渗分析,基于单测点的降雨冒井风险推断预警。利用该模型可有效诊断片区污水管网健康状况,但该模型仍需依赖长时间的污水排水参数监测数据,构建污水排水规律,污水排水参数监测数据的缺失或不精确会直接导致污水管网健康状态诊断出现误差。
发明内容
本发明所要解决的技术问题在于有效避免因管网基础数据不足或不精确对雨污水管网风险评估的影响。
本发明通过以下技术手段实现解决上述技术问题的:
一方面,本发明提出了一种管网综合风险评估方法,所述方法包括:
收集雨污水管网的风险评估数据,所述风险评估数据包括所述雨污水管网的监测指标数据及管网区域雨量数据;
采用无监督聚类方法对风险评估数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类;
以各类别下样本点为组单位,统计所述入流排放类、所述入渗排放类及所述旱天排放类情况下所述监测指标数据的平均值,并将所述旱天排放类情况下所述监测指标数据的平均值作为本底值,计算雨污水管网的混接指数和入渗指数;
基于所述监测指标数据及井深数据,确定所述雨污水管网存在溢流情况时,计算溢流指数;
基于所述监测指标数据及井深数据,确定所述雨污水管网流速小于设定阈值时,计算堵塞指数;
基于所述混接指数、所述入渗指数、所述溢流指数和所述堵塞指数,计算所述雨污水管网的风险指数。
本发明基于雨污水管网的监测指标数据及管网区域的降雨量信息,基于无监督聚类算法分析雨污水管网内的入流入渗过程,并对雨污水管网运行综合风险指数进行诊断,与现有基于水利模型及水质平衡等方法相比,有效避免因管网基础数据不足或不精确对入流入渗评估的影响,提高入流入渗评估的准确性和可靠性,为管网修复改造决策提供数据依据。
进一步地,在所述收集雨污水管网的风险评估数据之后,还包括:
对所述风险评估数据进行预处理,得到预处理后的数据,所述预处理方式包括缺失值处理和归一化处理;
相应地,所述采用无监督聚类方法对风险评估数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类,具体为:
采用无监督聚类方法对所述预处理后的数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类。
进一步地,所述监测指标数据包括流速、流量及液位,所述雨污水管网的混接指数的计算公式为:
所述入渗指数的计算公式为:
其中,F混接为混接指数,Q入流为该点位的入流流量均值,Q旱天为该点位旱天的流量均值,L入渗该点位入流类别的液位均值,L旱天该点位旱天的液位均值,u旱天为该点位旱天流速均值,r为该点位管径值,h为该点位的井深;F入渗为入渗指数,Q入渗为该点位入渗流量均值。
进一步地,所述基于所述监测指标数据及井深数据,计算溢流指数,包括:
基于所述监测指标数据及所述井深数据,确定所述雨污水管网存在溢流情况,计算所述溢流指数为:
其中,F溢流为溢流指数,f溢流为溢流频次,即液位数据大于井深时的数据样本量,f监测为监测频次,即液位监测数据样本量。
进一步地,在基于所述监测指标数据及所述井深数据,确定所述雨污水管网流速小于流速阈值时,计算所述堵塞指数为:
其中,F堵塞为堵塞指数,t低流速即持续24小时流速小于0.6m/s的运行时间,t监测为总体测试时间。
进一步地,所述雨污水管网的风险指数F计算公式为:
F=w混接F混接+w入渗F入渗+w溢流F溢流+w堵塞F堵塞。
其中,w混接,w入渗,w溢流,w堵塞分别为各类情况的权重,可采用专家打分法依据实际情况进行分配。
此外,本发明还提出了一种管网综合风险评估装置,所述装置包括:
数据收集模块,用于收集雨污水管网的风险评估数据,所述风险评估数据包括所述雨污水管网的监测指标数据及管网区域雨量数据;
聚类分析模块,用于采用无监督聚类方法对风险评估数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类;
第一指数计算模块,用于以各类别下样本点为组单位,统计所述入流排放类、所述入渗排放类及所述旱天排放类情况下所述监测指标数据的平均值,并将所述旱天排放类情况下所述监测指标数据的平均值作为本底值,计算雨污水管网的混接指数和入渗指数;
第二指数计算模块,用于基于所述监测指标数据及井深数据,确定所述雨污水管网存在溢流情况时,计算溢流指数;
第三指数计算模块,用于基于所述监测指标数据及井深数据,确定所述雨污水管网流速小于设定阈值时,计算堵塞指数;
风险指数计算模块,用于基于所述混接指数、所述入渗指数、所述溢流,计算所述雨污水管网的风险指数。
进一步地,所述装置还包括:
预处理模块,用于对所述风险评估数据进行预处理,得到预处理后的数据,所述预处理方式包括缺失值处理和归一化处理;
相应地,所述聚类分析模块,具体用于:
采用无监督聚类方法对所述预处理后的数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类。
进一步地,所述监测指标数据包括流速、流量及液位,所述第一指数计算模块用于计算所述混接指数和所述入渗指数,所述雨污水管网的混接指数的计算公式为:
所述入渗指数的计算公式为:
其中,F混接为混接指数,Q入流为该点位的入流流量均值,Q旱天为该点位旱天的流量均值,L入渗该点位入流类别的液位均值,L旱天该点位旱天的液位均值,u旱天为该点位旱天流速均值,r为该点位管径值,h为该点位的井深;F入渗为入渗指数,Q入渗为该点位入渗流量均值。
进一步地,所述第二指数计算模块,用于在基于所述监测指标数据及所述井深数据,确定所述雨污水管网存在溢流情况时,计算所述溢流指数为:
其中,F溢流为溢流指数,f溢流为溢流频次,即液位数据大于井深时的数据样本量,f监测为监测频次,即液位监测数据样本量。
进一步地,所述第三指数计算模块,用于在基于所述监测指标数据及所述井深数据,确定所述雨污水管网存在流速小于流速阈值时,计算所述堵塞指数为:
其中,F堵塞为堵塞指数,t低流速即持续24小时流速小于0.6m/s的运行时间,t监测为总体测试时间。
进一步地,所述雨污水管网的风险指数F计算公式为:
F=w混接F混接+w入渗F入渗+w溢流F溢流+w堵塞F堵塞。
其中,w混接,w入渗,w溢流,w堵塞分别为各类情况的权重,可采用专家打分法依据实际情况进行分配。
本发明的优点在于:
(1)本发明基于雨污水管网的监测指标数据及管网区域的降雨量信息,基于无监督聚类算法分析雨污水管网内的入流入渗过程,并对雨污水管网运行综合风险指数进行诊断,与现有基于水利模型及水质平衡等方法相比,有效避免因管网基础数据不足或不精确对入流入渗评估的影响,提高入流入渗评估的准确性和可靠性,为管网修复改造决策提供数据依据。
(2)本发明雨污水管网入流入渗及管网运行综合风险评估方法,具有成本低廉、实时动态评估等特点,可实现长时间稳定实时在线运行。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是本发明中管网综合风险评估方法的流程图;
图2是本发明中管网综合风险评估装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,本发明实施例提出了一种管网综合风险评估方法,所述方法包括以下步骤:
S10、收集雨污水管网的风险评估数据,所述风险评估数据包括所述雨污水管网的监测指标数据及管网区域雨量数据;
需要说明的是,本实施例中风险评估数据包括雨污水管网的在线监测指标数据以及管网区域实时雨量数据,可以通过雨污水管网自动化在线监测系统获取。
S20、采用无监督聚类方法对风险评估数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类;
需要说明的是,聚类分析就是将数据对象分组成多个类或簇的过程,并使得同一组内的数据对象具有较高的相似度,而不同组中的数据对象是不相似的。聚类算法根据学习方式的不同分为两大类有监督聚类算法和无监督聚类算法。有监督聚类算法必须对所有的学习样本做类别标记,通常需要大量的学习样本。无监督聚类算法是一种自动的学习方式,不依赖预先定义的类或带类标记的训练样本。聚类能够作为一个独立的工具获得数据的分布状况,观察每一簇数据特征,集中对特定的聚簇集合作进一步的分析。
本实施例采用无监督聚类方法对风险评估数据进行客观科学的聚类分析,结合不同类别下的雨量情况,确定入流类、入渗类及旱天排放类等。
S30、以各类别下样本点为组单位,统计所述入流排放类、所述入渗排放类及所述旱天排放类情况下所述监测指标数据的平均值,并将所述旱天排放类情况下所述监测指标数据的平均值作为本底值,计算雨污水管网的混接指数和入渗指数;
S40、基于所述监测指标数据及井深数据,确定所述雨污水管网存在溢流情况时,计算溢流指数;
S50、基于所述监测指标数据及井深数据,确定所述雨污水管网流速小于设定阈值时,计算堵塞指数;
S60、基于所述混接指数、所述入渗指数、所述溢流指数和所述堵塞指数,计算所述雨污水管网的风险指数。
本实施例对收集的风险评估数据,采用无监督聚类算法分析雨污水管网内的入流入渗过程,并对雨污水管网运行综合风险指数进行诊断,无需依据管道历史基础数据,有效避免因管网基础数据不足或不精确对入流入渗评估的影响,提高入流入渗评估的准确性和可靠性,为管网修复改造决策提供数据依据,可实现长时间稳定实时在线运行,且降低运行成本。
在一实施例中,在所述步骤S10之后,还包括:
对所述风险评估数据进行预处理,得到预处理后的数据,所述预处理方式包括缺失值处理和归一化处理;
相应地,所述采用无监督聚类方法对风险评估数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类,具体为:
采用无监督聚类方法对所述预处理后的数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类。
具体来说,归一化处理的公式表示如下:
其中,x、xnormalization分别表示归一化处理前后的值,xmax、xmin分别表示样本数据中的最大值和最小值。
本实施例通过对风险评估数据进行缺失值处理和归一化处理,提高数据精度,进一步提高数据聚类分析结果的准确性。
在一实施例中,所述步骤S20中,具体采用K-means聚类算法对风险评估数据进行聚类分析,K-means算法是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量V最优分类,使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。K-means算法是很典型的基于距离的聚类算法,采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大。该算法认为簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标。
K-means均值算法将所有样本分成c组样本聚簇,并能找到这些聚簇中心点位置的技术,具体过程如下:
将由风险评估数据构成的n个向量X(t)=[x1(t),x2(t),…,xn(t)]分为c个组Gi(i=1,2,…,c),并求每组的聚类中心,使得非相似性指标的目标函数达到最小值。当选择欧几里得距离为组Gi中向量xk与聚类中心ci间的非相似指标时,目标函数可定义为:
可用一个通用距离函数d(xk,ci),代替组Gi中向量xk与相应聚类中心间的非相似性,则相应的总目标函数可表示为:
划分过的组一般用一个c×n的二维隶属度矩阵来定义。如果第j个数据点xj属于组i,则该组中的元素uij为1;否则该元素取0。一旦确定聚类中心,可导出公式(2)最小的uij:
如果ci是xj的最近的聚类中心,那么xj属于组i。由于一个给定数据只能属于一个组,所以隶属度矩阵U具有如下性质:
进一步地,如果固定uij,则使式(1)最小的最佳聚类中心就是组i中所有向量的均值。
进一步地,本实施例对由风险评估数据构成的数据集xi(i=1,2,…,n)使用K-means算法,其聚类步骤如下:
(1)初始化聚类中心ci(i=1,2,…,n);
(2)根据公式(3)确定隶属度矩阵U;
(3)根据公式(1)计算目标函数。如果它小于某个确定的阈值,或它相对上次价值函数值的改变量小于某个阈值,则停止运算;
(4)根据公式(6)更新聚类中心,并返回步骤(2)。
K-means聚类在处理海量数据库方面较有效,特别是对数值属性处理时,由于其对异常数据很敏感,具有算法简单、收敛速度快的特点,本实施例采用K-means聚类算法对风险评估数据进行聚类分析。
在一实施例中,所述监测指标数据包括流速、流量及液位,所述雨污水管网的混接指数的计算公式为:
所述入渗指数的计算公式为:
其中,F混接为混接指数,Q入流为该点位的入流流量均值,Q旱天为该点位旱天的流量均值,L入渗该点位入流类别的液位均值,L旱天该点位旱天的液位均值,u旱天为该点位旱天流速均值,r为该点位管径值,h为该点位的井深;F入渗为入渗指数,Q入渗为该点位入渗流量均值。
本实施例计算混接指数和入渗指数时,将指数值统一为同一量纲范围的,使得综合评价指数更加客观。
在一实施例中,所述步骤S40,包括:
基于所述监测指标数据及所述井深数据,确定所述雨污水管网存在溢流情况,计算所述溢流指数为:
其中,F溢流为溢流指数,f溢流为溢流频次,即液位数据大于井深时的数据样本量,f监测为监测频次,即液位监测数据样本量。
具体地,监测指标数据中的管网液位实时监测数据大于井深,则判断管网存在溢流情况,否则,判断管网不存在溢流情况。
在一实施例中,所述步骤S50中,在基于所述监测指标数据及所述井深数据,确定所述雨污水管网存在流速小于0.6时,计算所述堵塞指数为:
其中,F堵塞为堵塞指数,t低流速即持续24小时流速小于0.6m/s的运行时间,t监测为总体测试时间。
在一实施例中,所述步骤S60中,所述雨污水管网的风险指数F计算公式为:
F=w混接F混接+w入渗F入渗+w溢流F溢流+w堵塞F堵塞。
w混接,w入渗,w溢流,w堵塞分别为各类情况的权重,可采用专家打分法依据实际情况进行分配。
实施例提供的雨污水管网入流入渗及管网运行综合风险方法,该类水量指标主要包含流量、流速、液位等数据即可,且该类指标的测试设备目前种类多,具有成本低廉、实时动态评估等特点,可实现长时间稳定实时在线运行。
根据评估的管网风险指数,可以对雨污水管网系统运行风险进行分析评估,参见表1:
表1
此外,参照图2,本发明实施例还提出了一种管网综合风险评估装置,所述装置包括:
数据收集模块10,用于收集雨污水管网的风险评估数据,所述风险评估数据包括所述雨污水管网的监测指标数据及管网区域雨量数据;
聚类分析模块20,用于采用无监督聚类方法对风险评估数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类;
第一指数计算模块30,用于以各类别下样本点为组单位,统计所述入流排放类、所述入渗排放类及所述旱天排放类情况下所述监测指标数据的平均值,并将所述旱天排放类情况下所述监测指标数据的平均值作为本底值,计算雨污水管网的混接指数和入渗指数;
第二指数计算模块40,用于基于所述监测指标数据及井深数据,确定所述雨污水管网存在溢流情况时,计算溢流指数;
第三指数计算模块50,基于所述监测指标数据及井深数据,确定所述雨污水管网流速小于设定阈值时,计算堵塞指数;
风险指数计算模块60,用于基于所述混接指数、所述入渗指数和所述溢流指数,计算所述雨污水管网的风险指数。
本实施例对收集的风险评估数据,采用无监督聚类算法分析雨污水管网内的入流入渗过程,并对雨污水管网运行综合风险指数进行诊断,无需依据管道历史基础数据,有效避免因管网基础数据不足或不精确对入流入渗评估的影响,提高入流入渗评估的准确性和可靠性,为管网修复改造决策提供数据依据,可实现长时间稳定实时在线运行,且降低运行成本。
在一实施例中,所述装置还包括:
预处理模块,用于对所述风险评估数据进行预处理,得到预处理后的数据,所述预处理方式包括缺失值处理和归一化处理;
相应地,所述聚类分析模块,具体用于:
采用无监督聚类方法对所述预处理后的数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类。
在一实施例中,所述监测指标数据包括流速、流量及液位,所述第一指数计算模块30用于计算混接指数和入渗指数,所述雨污水管网的混接指数的计算公式为:
所述入渗指数的计算公式为:
其中,F混接为混接指数,Q入流为该点位的入流流量均值,Q旱天为该点位旱天的流量均值,L入渗该点位入流类别的液位均值,L旱天该点位旱天的液位均值,u旱天为该点位旱天流速均值,r为该点位管径值,h为该点位的井深;F入渗为入渗指数,Q入渗为该点位入渗流量均值。
在一实施例中,所述第二指数计算模块40,用于在基于所述监测指标数据及所述井深数据,确定所述雨污水管网存在溢流情况时,计算所述溢流指数为:
其中,F溢流为溢流指数,f溢流为溢流频次,即液位数据大于井深时的数据样本量,f监测为监测频次,即液位监测数据样本量。
在一实施例中,所述第三指数计算模块50,用于在基于所述监测指标数据及所述井深数据,确定所述雨污水管网存在流速小于0.6时,计算所述堵塞指数为:
其中,F堵塞为堵塞指数,t低流速即持续24小时流速小于0.6m/s的运行时间,t监测为总体测试时间。
在一实施例中,所述雨污水管网的风险指数F计算公式为:
F=w混接F混接+w入渗F入渗+w溢流F溢流+w堵塞F堵塞。
其中,w混接,w入渗,w溢流,w堵塞分别为各类情况的权重,可采用专家打分法依据实际情况进行分配。
本实施例提供的雨污水管网入流入渗及管网运行综合风险方法,成本低廉、实时动态评估等特点,可实现长时间稳定实时在线运行。
需要说明的是,本发明所述管网综合风险评估装置的其他实施例或具有实现方法可参照上述各方法实施例,此处不在赘余。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种管网综合风险评估方法,其特征在于,所述方法包括:
收集雨污水管网的风险评估数据,所述风险评估数据包括所述雨污水管网的监测指标数据及管网区域雨量数据;
采用无监督聚类方法对风险评估数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类;
以各类别下样本点为组单位,统计所述入流排放类、所述入渗排放类及所述旱天排放类情况下所述监测指标数据的平均值,并将所述旱天排放类情况下所述监测指标数据的平均值作为本底值,计算雨污水管网的混接指数和入渗指数;
基于所述监测指标数据及井深数据,确定所述雨污水管网存在溢流情况时,计算溢流指数;
基于所述监测指标数据及井深数据,确定所述雨污水管网流速小于设定阈值时,计算堵塞指数;
基于所述混接指数、所述入渗指数、所述溢流指数和所述堵塞指数,计算所述雨污水管网的风险指数。
2.如权利要求1所述的管网综合风险评估方法,其特征在于,在所述收集雨污水管网的风险评估数据之后,还包括:
对所述风险评估数据进行预处理,得到预处理后的数据,所述预处理方式包括缺失值处理和归一化处理;
相应地,所述采用无监督聚类方法对风险评估数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类,具体为:
采用无监督聚类方法对所述预处理后的数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类。
6.如权利要求1所述的管网综合风险评估方法,其特征在于,所述雨污水管网的风险指数F计算公式为:
F=w混接F混接+w入渗F入渗+w溢流F溢流+w堵塞F堵塞。
其中,w混接,w入渗,w溢流,w堵塞分别为各类情况的权重。
7.一种管网综合风险评估装置,其特征在于,所述装置包括:
数据收集模块,用于收集雨污水管网的风险评估数据,所述风险评估数据包括所述雨污水管网的监测指标数据及管网区域雨量数据;
聚类分析模块,用于采用无监督聚类方法对风险评估数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类;
第一指数计算模块,用于以各类别下样本点为组单位,统计所述入流排放类、所述入渗排放类及所述旱天排放类情况下所述监测指标数据的平均值,并将所述旱天排放类情况下所述监测指标数据的平均值作为本底值,计算雨污水管网的混接指数和入渗指数;
第二指数计算模块,用于基于所述监测指标数据及井深数据,确定所述雨污水管网存在溢流情况时,计算溢流指数;
第三指数计算模块,用于基于所述监测指标数据及井深数据,确定所述雨污水管网流速小于设定阈值时,计算堵塞指数;
风险指数计算模块,用于基于所述混接指数、所述入渗指数、所述溢流,计算所述雨污水管网的风险指数。
8.如权要求7所述的管网综合风险评估装置,其特征在于,所述装置还包括:
预处理模块,用于对所述风险评估数据进行预处理,得到预处理后的数据,所述预处理方式包括缺失值处理和归一化处理;
相应地,所述聚类分析模块,具体用于:
采用无监督聚类方法对所述预处理后的数据进行聚类分析,并结合不同类别下的所述雨量数据,确定入流排放类、入渗排放类及旱天排放类。
9.如权利要求7所述的管网综合风险评估装置,其特征在于,所述监测指标数据包括流速、流量及液位,所述雨污水管网的混接指数的计算公式为:
所述入渗指数的计算公式为:
其中,F混接为混接指数,Q入流为该点位的入流流量均值,Q旱天为该点位旱天的流量均值,L入渗该点位入流类别的液位均值,L旱天该点位旱天的液位均值,u旱天为该点位旱天流速均值,r为该点位管径值,h为该点位的井深;F入渗为入渗指数,Q入渗为该点位入渗流量均值;
所述溢流指数为:
其中,F溢流为溢流指数,f溢流为溢流频次,即液位数据大于井深时的数据样本量,f监测为监测频次,即液位监测数据样本量;
所述堵塞指数的计算公式为:
其中,F堵塞为堵塞指数,t低流速即持续24小时流速小于0.6m/s的运行时间,t监测为总体测试时间。
10.如权利要求7所述的管网综合风险评估装置,其特征在于,所述雨污水管网的风险指数F计算公式为:
F=w混接F混接+w入渗F入渗+w溢流F溢流+w堵塞F堵塞。
其中,w混接,w入渗,w溢流,w堵塞分别为各类情况的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210264022.3A CN114662895A (zh) | 2022-03-17 | 2022-03-17 | 管网综合风险评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210264022.3A CN114662895A (zh) | 2022-03-17 | 2022-03-17 | 管网综合风险评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114662895A true CN114662895A (zh) | 2022-06-24 |
Family
ID=82029607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210264022.3A Pending CN114662895A (zh) | 2022-03-17 | 2022-03-17 | 管网综合风险评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662895A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081345A (zh) * | 2022-08-18 | 2022-09-20 | 中交四公局第一工程有限公司 | 一种用于溢流雨污水的处理工艺优化的方法及系统 |
CN115564192A (zh) * | 2022-09-20 | 2023-01-03 | 厦门市政水务集团有限公司 | 供水管道水质风险评估方法及计算机可读存储介质 |
CN116205087A (zh) * | 2023-05-05 | 2023-06-02 | 安徽中科大国祯信息科技有限责任公司 | 基于边缘计算网关的雨污排水管网异常分析方法及装置 |
CN116739128A (zh) * | 2023-01-12 | 2023-09-12 | 山东迈源建设集团有限公司 | 一种污水管网堵塞预测系统 |
CN117093660A (zh) * | 2023-08-10 | 2023-11-21 | 广东广宇科技发展有限公司 | 一种管网监测点选址方法、电子设备及存储介质 |
-
2022
- 2022-03-17 CN CN202210264022.3A patent/CN114662895A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081345A (zh) * | 2022-08-18 | 2022-09-20 | 中交四公局第一工程有限公司 | 一种用于溢流雨污水的处理工艺优化的方法及系统 |
CN115081345B (zh) * | 2022-08-18 | 2022-11-25 | 中交四公局第一工程有限公司 | 一种用于溢流雨污水的处理工艺优化的方法及系统 |
CN115564192A (zh) * | 2022-09-20 | 2023-01-03 | 厦门市政水务集团有限公司 | 供水管道水质风险评估方法及计算机可读存储介质 |
CN116739128A (zh) * | 2023-01-12 | 2023-09-12 | 山东迈源建设集团有限公司 | 一种污水管网堵塞预测系统 |
CN116739128B (zh) * | 2023-01-12 | 2024-04-05 | 山东迈源建设集团有限公司 | 一种污水管网堵塞预测系统 |
CN116205087A (zh) * | 2023-05-05 | 2023-06-02 | 安徽中科大国祯信息科技有限责任公司 | 基于边缘计算网关的雨污排水管网异常分析方法及装置 |
CN117093660A (zh) * | 2023-08-10 | 2023-11-21 | 广东广宇科技发展有限公司 | 一种管网监测点选址方法、电子设备及存储介质 |
CN117093660B (zh) * | 2023-08-10 | 2024-05-31 | 广东广宇科技发展有限公司 | 一种管网监测点选址方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114662895A (zh) | 管网综合风险评估方法及装置 | |
CN106339536B (zh) | 基于水污染指数法和云模型的水质综合评价方法 | |
CN109918364B (zh) | 一种基于二维概率密度估计和四分位法的数据清洗方法 | |
CN105445431A (zh) | 一种城市地表水水质分析方法 | |
CN113392523B (zh) | 一种基于长历时多测点的污水管网健康状况诊断方法 | |
CN113095694B (zh) | 一种适用于多地貌类型区的降雨输沙模型构建方法 | |
CN110929359A (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 | |
CN108615054B (zh) | 排水管网节点间相似性衡量的综合指标构建方法 | |
CN115774953A (zh) | 一种基于数据处理的污染时空风险监管评估系统及方法 | |
CN115789527A (zh) | 一种基于水环境信息化治理的分析系统及方法 | |
CN115392617A (zh) | 一种基于环境异质性的水库库尾河段水环境安全评估方法 | |
CN115204688A (zh) | 排水系统健康性综合评价方法 | |
CN115270372A (zh) | 一种基于深度序列模型的排水管网淤积判断方法 | |
CN109657287B (zh) | 基于综合得分法水文模型精度识别的方法 | |
CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
CN117274827B (zh) | 一种智慧环境环保远程实时监测预警方法及系统 | |
CN112780953B (zh) | 一种基于模式检测的独立计量区域管网漏损检测方法 | |
Pedersen et al. | All models are wrong, but are they useful? Assessing reliability across multiple sites to build trust in urban drainage modelling | |
CN116126963A (zh) | 非线性多源异构排水模型诊断入流入渗方法 | |
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 | |
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 | |
CN112591887B (zh) | 一种基于核主成分分析和贝叶斯网络的污泥膨胀诊断方法 | |
CN115508528A (zh) | 一种河湖水质-水动力学在线智能监测系统和方法 | |
CN115062891A (zh) | 一种长距离有压输水管道渗漏快速定位方法 | |
CN114066037A (zh) | 一种基于人工智能的流域污染溯源预测方法及装置 |
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 |