CN114811452A - 一种变电站埋地管道泄漏监测定位方法、装置和系统 - Google Patents
一种变电站埋地管道泄漏监测定位方法、装置和系统 Download PDFInfo
- Publication number
- CN114811452A CN114811452A CN202210364724.9A CN202210364724A CN114811452A CN 114811452 A CN114811452 A CN 114811452A CN 202210364724 A CN202210364724 A CN 202210364724A CN 114811452 A CN114811452 A CN 114811452A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- gaussian mixture
- leakage
- state
- sample
- 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 85
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 239000000203 mixture Substances 0.000 claims abstract description 198
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000005070 sampling Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 25
- 238000012804 iterative process Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 6
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000007418 data mining Methods 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 41
- 238000001514 detection method Methods 0.000 description 40
- 238000004804 winding Methods 0.000 description 16
- 230000005540 biological transmission Effects 0.000 description 12
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 10
- 230000002776 aggregation Effects 0.000 description 8
- 238000004220 aggregation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 6
- 229910052802 copper Inorganic materials 0.000 description 6
- 239000010949 copper Substances 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 239000004020 conductor Substances 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011423 initialization method Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 239000002689 soil Substances 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/40—Investigating fluid-tightness of structures by using electric means, e.g. by observing electric discharges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Abstract
本发明提出了一种变电站埋地管道泄漏监测定位方法、装置和系统,该方法包括:通过向分段缠绕在管道上的平行导线注入电压信号,获取节点的管道阻抗信息;将管道阻抗信息输入改进的高斯混合模型进行管道工作状态预测;执行的过程为:确定改进的高斯混合模型初始参数,计算每个样本的每个高斯混合成分的组成比例后验概率;以及在模型迭代中,对每个样本的每个高斯混合成分的组成比例后验概率修正;根据预测的管道工作状态判断节点所属类别及泄漏点位置。基于该方法,还提出了一种变电站埋地管道泄漏监测定位装置和系统。本发明检测地下管道两侧的阻抗信息,结合数据挖掘技术,通过分析阻抗变化的特征,实现对管道泄漏的预测以及定位。
Description
技术领域
本发明属于变电站埋地管道泄漏检测技术领域,特别涉及一种变电站埋地管道泄漏监测定位方法、装置和系统。
背景技术
变电站地下面存在大量站内外给、排水、消防水管道,当管网在长时间运行中发生泄漏却不能及时发现并进行修复时,随着泄露程度的加重,可能会导致如管路运行不畅,局部积水、冲毁设备与建筑物基础周边土石,影响地基基础的稳定,威胁设备运行的安全性、影响换流站水冷系统的正常运行,给换流站整体安全稳定运行带来隐患等。因此,及时地对水管进行泄漏点检测和修复是变电站安全稳定运行的必然要求。
地下水管泄漏检测方法主要是基于人工,利用各种检漏方法及仪器对管道漏水进行检测的主动检漏法。常用的主动检漏法主要包括:音听法、相关检漏法、区域泄漏普查系统法、红外线成像法、示踪放射性元素法以及探地雷达法等。在现有技术一中还公开了采用超声波接收器采集泄露声音进行处理分析,实现泄漏检测定位,该方法测得的声波信号存在大量干扰,因此对滤波处理的要求很高,实践中不容易实现。此外,由于干扰会随环境而改变,因此滤波处理的方法也必须相应改变,这大大限制了系统的实用性。在现有技术二中公开了在管道连接处利用湿度传感器检测泄漏与否,该方法一方面仅能检测管道连接处的泄漏,无法检测管道其他部位的泄漏点。在现有技术中三中公开了利用专门的泄漏检测装置安装在管道进水口处判断泄露与否,因此只能检测该段水管是否泄漏,但无法定位泄漏点。在现有技术四中公开了采用在管连接处设置流量传感器结合管外的湿度传感器进行泄漏检测与定位。该方法受湿度传感器布置数量的限制,在泄漏程度不足以超过流量变化阈值的情况下,对于发生在湿度传感器间的泄漏无法及时检测。然而,上述方法均必须由专业人员利用仪器设备完成,检测的准确性受到检测人员、检测仪器、环境干扰等多种因素的影响,更不能实现实时在线泄漏检测与定位,因此无法保证大面积的管网的泄漏检测的及时性和泄漏点定位的准确性。
发明内容
为了解决上述技术问题,本发明提出了一种变电站埋地管道泄漏监测定位方法、装置和系统,用检测所获取的地下水管两侧的阻抗信息,结合数据挖掘技术,通过分析阻抗变化的特征,实现对地下水管泄漏的预测以及定位。
为实现上述目的,本发明采用以下技术方案:
一种变电站埋地管道泄漏监测定位方法,包括以下步骤:
通过向分段缠绕在管道上的平行导线注入电压信号,获取节点的管道阻抗信息;
将所述管道阻抗信息作为管道状态特征信息,输入改进的高斯混合模型进行管道工作状态预测分类;所述改进的高斯混合模型执行的过程包括:获取管道工作状态下带标签的训练样本集,确定改进的高斯混合模型初始参数,计算每个样本的每个高斯混合成分的组成比例后验概率;以及在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正;
根据预测的管道工作状态判断节点所属类别以及判断泄漏点位置。
进一步的,所述确定改进的高斯混合模型初始参数的过程为:获取管道工作状态下带标签的训练样本集,根据每个样本的每个高斯混合成分的组成比例初始值计算初始参数。
进一步的,所述计算初始参数的过程为:
获取管道参考状态下n个带标签的训练样本集D={<xj,yj>,1≤j≤n};其中,xj为第j个样本的节点采样序列;xj={z(t+1),z(t+2)........z(t+m)};z(t+l)为第j个样本的节点在t+l时刻检测到的阻抗信息,m为序列长度;yj为第j个样本的节点在当前时间段内的状态类别;
通过公式:
计算出初始参数{(αi,μi,Σi)1≤i≤k};其中,αi为第i种类型状态的混合成分,即第i种类型状态管道的先验概率αi=p(cj=i);满足条件μi为管道状态特征数据的均值向量,Σi为管道状态特征数据的协方差矩阵。
进一步的,所述管道参考状态包括:天气正常无泄漏工作状态、天气正常有泄漏工作状态、下雨天无泄漏工作状态和下雨天有泄漏工作状态。
进一步的,所述计算每个样本的每个高斯混合成分的组成比例后验概率的过程为:通过公式:
计算xj的后验概率γ验ji;其中,cj为聚类出的管道工作状态类别;p(x|μi,Σi)为样本x在该模型下的概率密度函数;
进一步的,所述在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正的过程包括:
进一步的,在所述对每个样本的每个高斯混合成分的组成比例后验概率进行修正后还包括:根据修正后的γ修ji重新计算改进的高斯混合模型修正参数;所述修正参数为:
其中,αi'为第i种类型状态的混合成分修正值,μi'为管道状态特征数据的均值向量修正值,Σi'为管道状态特征数据的协方差矩阵修正值。
将更新改进的高斯混合模型初始参数修改为改进的高斯混合模型修正参数,即{(αi,μi,Σi)1≤i≤k}更新为{(αi',μi',Σi’)1≤i≤k};最后输出管道工作状态预测分类。
本发明还提出了一种变电站埋地管道泄漏监测定位装置,包括:信号发生模块、信号采样与整流模块、分段缠绕平行导线的管道和处理模块;
所述信号发生模块的输入端分别连接管道上的分段平行导线,用于将正弦波电压信号输入至管道上的分段平行导线;所述管道上的分段平行导线还连接至信号采样与整流模块,用于采取阻抗采集节点的管道阻抗信息;
所述处理模块与信号采样与整流模块通信连接,用于将所述管道阻抗信息作为管道状态特征信息,输入改进的高斯混合模型进行管道工作状态预测分类;所述改进的高斯混合模型执行的过程包括:获取管道工作状态下带标签的训练样本集,根据每个样本的每个高斯混合成分的组成比例初始值计算改进的高斯混合模型初始参数;以及在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正;以及根据预测的管道工作状态判断节点所属类别以及判断泄漏点位置。
进一步的,所述装置还包括电源模块和无线通信模块;
所述电源模块用于为处理模块供电;所述无线通信模块用于实现处理模块与上位机通信。
本发明还提出了一种变电站埋地管道泄漏监测定位系统,所述系统包括获取模块、预测模块和定位模块;
所述获取模块用于通过向分段缠绕在管道上的平行导线注入电压信号,获取节点的管道阻抗信息;
所述预测模块用于将所述管道阻抗信息作为管道状态特征信息,输入改进的高斯混合模型进行管道工作状态预测分类;所述改进的高斯混合模型执行的过程包括:获取管道工作状态下带标签的训练样本集,确定改进的高斯混合模型初始参数,计算每个样本的每个高斯混合成分的组成比例后验概率;以及在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正;
所述定位模块用于根据预测的管道工作状态判断节点所属类别以及判断泄漏点位置。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
本发明提出了一种变电站埋地管道泄漏监测定位方法、装置和系统,该方法包括以下步骤:通过向分段缠绕在管道上的平行导线注入电压信号,获取阻抗采集节点的管道阻抗信息;将管道阻抗信息作为管道状态特征信息,输入改进的高斯混合模型进行管道工作状态预测分类;改进的高斯混合模型执行的过程包括:获取管道工作状态下带标签的训练样本集,确定改进的高斯混合模型初始参数,计算每个样本的每个高斯混合成分的组成比例后验概率;以及在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正;根据预测的管道工作状态判断节点所属类别以及判断泄漏点位置。基于一种变电站埋地管道泄漏监测定位方法,还提出了一种变电站埋地管道泄漏监测定位装置和系统。本发明检测所获取的地下水管两侧的阻抗信息,结合数据挖掘技术,通过分析阻抗变化的特征,实现对地下水管泄漏的预测以及定位。
本发明采用沿水管分段、依次缠绕一对平行铜导线测量阻抗的的方式,可以通过改变缠绕长度的方式调整定位精度;缠绕方式会大大减小泄漏检测盲区;近距离缠绕方式产生的等效电容变化在发生泄漏时变化明显,易于检测,提高了泄漏检测的实时性。
本发明节点的数据数据汇总通过无线LoRa技术来完成,无需在节点间布置通信线,大大减少了布置该系统的工作量。
本发明节点设计采用了低功耗设计及低功耗工作模式,确保了电池的长时待机时间,同时电量的采集可以提前通知用户及时更换工作电池,保证了系统的实用性及工作可靠性;基于云平台进行数据分析与处理,避免了单独配置服务器的要求,大大降低了系统的运维成本。
本发明采用改进的高斯混合模型获取当前路水管状态的类别,部分检测数据受干扰导致的泄露故障误报问题,提高了系统工作的可靠性。
附图说明
如图1为本发明实施例1一种变电站埋地管道泄漏监测定位方法流程图;
如图2为本发明实施例2一种变电站埋地管道泄漏监测定位装置组成架构示意图;
如图3为本发明实施例2基于LoRa通信的嵌入式阻抗信号采集系统组成示意图;
如图4为本发明实施例2管道上分段平行导线与多路转换开关电路连接示意图;
如图5为本发明实施例2嵌入式阻抗信号采集系统工作的软件流程图;
如图6为本发明实施例2信号集总与数据传输系统组成;
如图7为本发明实施例2信号集总与数据传输系统软件工作流程图;
如图8为本发明实施例3一种变电站埋地管道泄漏监测定位系统示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例1
本发明实施例1提出了一种变电站埋地管道泄漏监测定位方法,用于解决目前现有的埋地水管泄漏监测系统存在的误报率高,定位精度偏低、环境适应性差,实用性不强的问题,通过过沿水管分段、依次缠绕一对平行导线,并分时注入一定频率正弦波电压信号,采集相应的阻抗信息,利用无线LoRa通信模块将采集的数据汇总,之后经传输模块将数据传送至云平台端,实现对监测点的数据的连续实时显示。同时,利用建立改进的高斯混合模型,对当前数据进行分析,从而得到水管无泄漏、水管有泄漏及泄漏位置等信息。
如图1为本发明实施例1一种变电站埋地管道泄漏监测定位方法流程图。
在步骤S100中,通过向分段缠绕在管道上的平行导线注入电压信号,获取阻抗采集节点的管道阻抗信息。
沿水管分段、依次缠绕一对平行铜导线,将利用电池供电的基于嵌入式单片机的数据采集节点产生的正弦波电压信号分时注入平行导线并利用滑动平均滤波测略采集导线间阻抗值以及电池电量信息,依次采集完毕进入省电工作模式(休眠状态)等待数据集总系统的唤醒及数据请求;
数据集总系统通过LoRa无线数传模块依次空中唤醒底层的基于嵌入式单片机系统的水管泄露信息的采集节点并请求发送节点采集的数据,接收完成底层所有节点通过LoRa无线数传模块传输的数据后进行格式化打包,之后系统通过4G传输模块将这些数据传输至云平服务器;
在步骤S110中,将管道阻抗信息作为管道状态特征信息,输入改进的高斯混合模型进行管道工作状态预测分类;所述改进的高斯混合模型执行的过程包括:获取管道工作状态下带标签的训练样本集,确定改进的高斯混合模型初始参数,计算每个样本的每个高斯混合成分的组成比例后验概率;以及在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正。
为克服通过设置阈值进行水管泄漏故障检测存在的局限性,本发明设计了利用改进的高斯混合模型算法进行水管工作状态预测分类的方法。鉴于获取的样本集中样本所属的水管状态类型yj已知,而高斯混合模型算法是无监督的学习算法,只是利用数据自身的特征进行聚类,忽视了这些已知的信息,因此本发明提出了在参数初始化和E步算法中,充分利用其已知的信息,从而设计了带标签修正的高斯混合模型算法。
改进的高斯混合模型算法描述如下:
输入:采集n个样本,样本集D={<xj,yj>,1≤j≤n},其中xj,为第j个样本的输入,定义为某一采样点5分钟内得到的采样序列,xj={z(t+1),z(t+2)........z(t+m)},其中z(t+l)为节点在t+l时刻检测到的阻抗信息,m为序列长度;yj为该采样点的在这段时间内的状态类别。
k为定义的高斯混合成分个数,即典型采样点的状态个数,在本发明中定义的节点状态为:天气正常无泄漏工作状态、天气正常有泄漏工作状态、下雨天无泄漏工作状态、下雨天有泄漏工作状态四种状态,因此k=4。
改进的高斯混合模型训练过程:
第一步:初始化参数γji,代表第j个样本属于第i个类别的概率,即每一个样本的每一个高斯混合成分的组成比例。
第二步,计算高斯混合初始参数,第i个类别的参数为{(αi,μi,Σi)1≤i≤k};其中αi为第i种类型状态的混合成分,即该状态水管的先验概率αi=p(cj=i),满足条件μi为特征数据的均值向量,Σi为水管阻抗特征数据的协方差矩阵。
第三步:repeat:
第四步:for j=1,2……n do//E步骤,针对每一个样本,
第五步:计算xj的属于每一个类别的后验概率
第六步:end for,
第七步:利用标签信息对γji进行修正。
第八步:for i=1,2,……k do//M步骤,根据E步获得的γji,再重新计算每个混合模型的新参数:
第九步:计算μi',
第十步:计算Σi',
第十一步:计算αi',
第十二步:end for,
第十三步:更新模型参数,将{(αi,μi,Σi)1≤i≤k}更新为{(αi',μi',Σi')1≤i≤k},
第十四步:回到第三步,until满足条件停止。
最后训练输出:得到每种典型状态的高斯混合模型{(αi',μi',Σi')1≤i≤k}
高斯混合模型算法中,模型参数的初始化主要有两种方式:一种是随机初始化,另一种是先基于K均值聚类进行聚类,再计算初始的高斯混合模型参数。随机初始化方法容易导致模型收敛慢甚至偶尔会不收敛等问题;而先基于K均值的聚类,由于聚类结果与初始值的选择有很大关系,而且聚类出来的结果与真实所属的类别会有差异,这些错误的信息会影响模型的准确度。
本申请在第二步中,确定改进的高斯混合模型初始参数的过程为:获取管道工作状态下带标签的训练样本集,根据每个样本的每个高斯混合成分的组成比例初始值计算初始参数。
计算初始参数的过程为:
获取管道参考状态下n个带标签的训练样本集D={<xj,yj>,1≤j≤n};其中,xj为第j个样本的节点采样序列;xj={z(t+1),z(t+2)........z(t+m)};z(t+l)为第j个样本的节点在t+l时刻检测到的阻抗信息,m为序列长度;yj为第j个样本的节点在当前时间段内的状态类别;
通过公式:
计算出初始参数{(αi,μi,Σi)1≤i≤k};其中,αi为第i种类型状态的混合成分,即第i种类型状态管道的先验概率αi=p(cj=i);满足条件μi为管道状态特征数据的均值向量,Σi为管道状态特征数据的协方差矩阵。
第五步中,计算每个样本的每个高斯混合成分的组成比例后验概率的过程为:通过公式
计算xj的后验概率γ验ji;其中,cj为聚类出的管道工作状态类别;p(x|μi,Σi)为样本x在该模型下的概率密度函数;
第七步中,在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正的过程包括:
第九步:计算μi',第十步:计算Σi',第十一步:计算αi',在对每个样本的每个高斯混合成分的组成比例后验概率进行修正后还包括:根据修正后的γ修ji重新计算改进的高斯混合模型修正参数;所述修正参数为:
其中,αi'为第i种类型状态的混合成分修正值,μi'为管道状态特征数据的均值向量修正值,Σi'为管道状态特征数据的协方差矩阵修正值。
第十三步中,将更新改进的高斯混合模型初始参数修改为改进的高斯混合模型修正参数,即{(αi,μi,Σi)1≤i≤k}更新为{(αi',μi',Σi')1≤i≤k};最后输出管道工作状态预测分类。
在步骤S120中,根据预测的管道工作状态判断节点所属类别以及判断泄漏点位置。
利用得到的高斯混合模型对当前的每一个节点状态进行判定,获得该节点属于每种状态的概率,从而判定出属于漏水的异常节点;查询检阻抗信息异常的节点对应的管段信息,确定泄漏点的位置。
利用上步获得的高斯混合模型参数{(αi',μi',Σi')1≤i≤k},计算当前节点状态特征x属于第i个状态的概率:
根据上面的判断结果,确定是否启动对每一段水管外围阻抗数据序列的异常检测。触发检测机制,检测异常的序列即为泄漏定位区域。
本发明实施例1提出的一种变电站埋地管道泄漏监测定位方法,通过检测所获取的地下水管两侧的阻抗信息,结合数据挖掘技术,通过分析阻抗变化的特征,实现对地下水管泄漏的预测以及定位。
本发明实施例1提出的一种变电站埋地管道泄漏监测定位方法,采用沿水管分段、依次缠绕一对平行铜导线测量阻抗的的方式,可以通过改变缠绕长度的方式调整定位精度;缠绕方式会大大减小泄漏检测盲区;近距离缠绕方式产生的等效电容变化在发生泄漏时变化明显,易于检测,提高了泄漏检测的实时性。
本发明实施例1提出的一种变电站埋地管道泄漏监测定位方法,节点的数据数据汇总通过无线LoRa技术来完成,无需在节点间布置通信线,大大减少了布置该系统的工作量。
本发明实施例1提出的一种变电站埋地管道泄漏监测定位方法,节点设计采用了低功耗设计及低功耗工作模式,确保了电池的长时待机时间,同时电量的采集可以提前通知用户及时更换工作电池,保证了系统的实用性及工作可靠性;基于云平台进行数据分析与处理,避免了单独配置服务器的要求,大大降低了系统的运维成本。
本发明实施例1提出的一种变电站埋地管道泄漏监测定位方法,采用改进的高斯混合模型获取当前路水管状态的类别,部分检测数据受干扰导致的泄露故障误报问题,提高了系统工作的可靠性。
实施例2
本发明实施例2还提出了一种变电站埋地管道泄漏监测定位装置,该装置包括信号发生模块、信号采样与整流模块、分段缠绕平行导线的管道和处理模块;
信号发生模块的输入端分别连接管道上的分段平行导线,用于将正弦波电压信号输入至管道上的分段平行导线;管道上的分段平行导线还连接至信号采样与整流模块,用于采取阻抗采集节点的管道阻抗信息;
处理模块与信号采样与整流模块通信连接,用于将所述管道阻抗信息作为管道状态特征信息,输入改进的高斯混合模型进行管道工作状态预测分类;改进的高斯混合模型执行的过程包括:获取管道工作状态下带标签的训练样本集,根据每个样本的每个高斯混合成分的组成比例初始值计算改进的高斯混合模型初始参数;以及在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正;以及根据预测的管道工作状态判断节点所属类别以及判断泄漏点位置。
装置还包括电源模块和无线通信模块;电源模块用于为处理模块供电;无线通信模块用于实现处理模块与上位机通信。
如图2为本发明实施例2一种变电站埋地管道泄漏监测定位装置组成架构示意图;如图3为本发明实施例2基于LoRa通信的嵌入式阻抗信号采集系统组成示意图;如图4为本发明实施例2管道上分段平行导线与多路转换开关电路连接示意图;
管道上的分段平行导线信号注入均来自嵌入式低功耗单片机控制的正弦波发生电路,信号的分时注入通过控制多路电子转换开关实现;采集信号的精密整流及A/D转换也是通过控制多路电子转换开关实现的。电源变换电路用于产生单片机及LoRa无线数传模块等所需要的+5V及+3.3V工作电源及电量信息的采集,为更换电池提供依据,LoRa无线数传模块用于单片机通过串口传输所采集的数据。如图5为本发明实施例2嵌入式阻抗信号采集系统工作的软件流程图;
系统通过空中唤醒方式依次唤醒并接收来自最底层阻抗采集节点的阻抗信息及节点的电池电量信息,之后对这些数据按照规定的协议进行格式化处理和打包,最后将数据包通过4G模块上传至云端服务器。如图6为本发明实施例2信号集总与数据传输系统组成。如图7为本发明实施例2信号集总与数据传输系统软件工作流程图;为提高系统工作的可靠性及可维护性,该部分设计了对底层节点的工作状态检测功能,以便用户可以及时通过电脑、PAD、手机等获取底层节点的状态信息,为系统维护提供依据。
处理模块用于基于改进高斯混合模型的水管工作状态预测分类,
改进的高斯混合模型算法描述如下:
输入:采集n个样本,样本集D={<xj,yj>,1≤j≤n},其中xj,为第j个样本的输入,定义为某一采样点5分钟内得到的采样序列,xj={z(t+1),z(t+2)........z(t+m)},其中z(t+l)为节点在t+l时刻检测到的阻抗信息,m为序列长度;yj为该采样点的在这段时间内的状态类别。
k为定义的高斯混合成分个数,即典型采样点的状态个数,在本发明中定义的节点状态为:天气正常无泄漏工作状态、天气正常有泄漏工作状态、下雨天无泄漏工作状态、下雨天有泄漏工作状态四种状态,因此k=4。
改进的高斯混合模型训练过程:
第一步:初始化参数γji,代表第j个样本属于第i个类别的概率,即每一个样本的每一个高斯混合成分的组成比例。
第二步,计算高斯混合初始参数,第i个类别的参数为{(αi,μi,Σi)1≤i≤k};其中αi为第i种类型状态的混合成分,即该状态水管的先验概率αi=p(cj=i),满足条件μi为特征数据的均值向量,Σi为水管阻抗特征数据的协方差矩阵。
第三步:repeat:
第四步:for j=1,2……n do//E步骤,针对每一个样本,
第五步:计算xj的属于每一个类别的后验概率
第六步:end for,
第七步:利用标签信息对γji进行修正。
第八步:for i=1,2,……k do//M步骤,根据E步获得的γji,再重新计算每个混合模型的新参数:
第九步:计算μi',
第十步:计算Σi',
第十一步:计算αi',
第十二步:end for,
第十三步:更新模型参数,将{(αi,μi,Σi)1≤i≤k}更新为{(αi',μi',Σi’)1≤i≤k},
第十四步:回到第三步,until满足条件停止。
最后训练输出:得到每种典型状态的高斯混合模型{(αi',μi',Σi’)1≤i≤k}
高斯混合模型算法中,模型参数的初始化主要有两种方式:一种是随机初始化,另一种是先基于K均值聚类进行聚类,再计算初始的高斯混合模型参数。随机初始化方法容易导致模型收敛慢甚至偶尔会不收敛等问题;而先基于K均值的聚类,由于聚类结果与初始值的选择有很大关系,而且聚类出来的结果与真实所属的类别会有差异,这些错误的信息会影响模型的准确度。
本申请在第二步中,确定改进的高斯混合模型初始参数的过程为:获取管道工作状态下带标签的训练样本集,根据每个样本的每个高斯混合成分的组成比例初始值计算初始参数。
计算初始参数的过程为:
获取管道参考状态下n个带标签的训练样本集D={<xj,yj>,1≤j≤n};其中,xj为第j个样本的节点采样序列;xj={z(t+1),z(t+2)........z(t+m)};z(t+l)为第j个样本的节点在t+l时刻检测到的阻抗信息,m为序列长度;yj为第j个样本的节点在当前时间段内的状态类别;
通过公式:
计算出初始参数{(αi,μi,Σi)1≤i≤k};其中,αi为第i种类型状态的混合成分,即第i种类型状态管道的先验概率αi=p(cj=i);满足条件μi为管道状态特征数据的均值向量,Σi为管道状态特征数据的协方差矩阵。
第五步中,计算每个样本的每个高斯混合成分的组成比例后验概率的过程为:通过公式
计算xj的后验概率γ验ji;其中,cj为聚类出的管道工作状态类别;p(x|μi,Σi)为样本x在该模型下的概率密度函数;
第七步中,在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正的过程包括:
第九步:计算μi',第十步:计算Σi',第十一步:计算αi',在对每个样本的每个高斯混合成分的组成比例后验概率进行修正后还包括:根据修正后的γ修ji重新计算改进的高斯混合模型修正参数;所述修正参数为:
其中,αi'为第i种类型状态的混合成分修正值,μi'为管道状态特征数据的均值向量修正值,Σi'为管道状态特征数据的协方差矩阵修正值。
第十三步中,将更新改进的高斯混合模型初始参数修改为改进的高斯混合模型修正参数,即{(αi,μi,Σi)1≤i≤k}更新为{(αi',μi',Σi')1≤i≤k};最后输出管道工作状态预测分类。
利用得到的高斯混合模型对当前的每一个节点状态进行判定,获得该节点属于每种状态的概率,从而判定出属于漏水的异常节点;查询检阻抗信息异常的节点对应的管段信息,确定泄漏点的位置。
利用上步获得的高斯混合模型参数{(αi',μi',Σi’)1≤i≤k},计算当前节点状态特征x属于第i个状态的概率:
根据上面的判断结果,确定是否启动对每一段水管外围阻抗数据序列的异常检测,触发检测机制,检测异常的序列即为泄漏定位区域。
本发明实施例2提出的一种变电站埋地管道泄漏监测定位装置,采用沿水管分段、依次缠绕一对平行铜导线测量阻抗的的方式,可以通过改变缠绕长度的方式调整定位精度;缠绕方式会大大减小泄漏检测盲区;近距离缠绕方式产生的等效电容变化在发生泄漏时变化明显,易于检测,提高了泄漏检测的实时性。
本发明实施例2提出的一种变电站埋地管道泄漏监测定位装置,节点的数据数据汇总通过无线LoRa技术来完成,无需在节点间布置通信线,大大减少了布置该系统的工作量。
本发明实施例2提出的一种变电站埋地管道泄漏监测定位装置,节点设计采用了低功耗设计及低功耗工作模式,确保了电池的长时待机时间,同时电量的采集可以提前通知用户及时更换工作电池,保证了系统的实用性及工作可靠性;基于云平台进行数据分析与处理,避免了单独配置服务器的要求,大大降低了系统的运维成本。
本发明实施例2提出的一种变电站埋地管道泄漏监测定位装置,采用改进的高斯混合模型获取当前路水管状态的类别,部分检测数据受干扰导致的泄露故障误报问题,提高了系统工作的可靠性。
实施例3
基于本发明实施例1提出的一种变电站埋地管道泄漏监测定位方法,本发明实施例3还提出了一种变电站埋地管道泄漏监测定位系统,如图8为本发明实施例3一种变电站埋地管道泄漏监测定位系统示意图,该系统包括:获取模块、预测模块和定位模块;
获取模块用于通过向分段缠绕在管道上的平行导线注入电压信号,获取节点的管道阻抗信息;
预测模块用于将管道阻抗信息作为管道状态特征信息,输入改进的高斯混合模型进行管道工作状态预测分类;改进的高斯混合模型执行的过程包括:获取管道工作状态下带标签的训练样本集,确定改进的高斯混合模型初始参数,计算每个样本的每个高斯混合成分的组成比例后验概率;以及在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正;
定位模块用于根据预测的管道工作状态判断节点所属类别以及判断泄漏点位置。
其中在获取模块中,通过向分段缠绕在管道上的平行导线注入电压信号,获取阻抗采集节点的管道阻抗信息。
沿水管分段、依次缠绕一对平行铜导线,将利用电池供电的基于嵌入式单片机的数据采集节点产生的正弦波电压信号分时注入平行导线并利用滑动平均滤波测略采集导线间阻抗值以及电池电量信息,依次采集完毕进入省电工作模式(休眠状态)等待数据集总系统的唤醒及数据请求;
数据集总系统通过LoRa无线数传模块依次空中唤醒底层的基于嵌入式单片机系统的水管泄露信息的采集节点并请求发送节点采集的数据,接收完成底层所有节点通过LoRa无线数传模块传输的数据后进行格式化打包,之后系统通过4G传输模块将这些数据传输至云平服务器;
预测模块中,改进的高斯混合模型算法描述如下:
输入:采集n个样本,样本集D={<xj,yj>,1≤j≤n},其中xj,为第j个样本的输入,定义为某一采样点5分钟内得到的采样序列,xj={z(t+1),z(t+2)........z(t+m)},其中z(t+l)为节点在t+l时刻检测到的阻抗信息,m为序列长度;yj为该采样点的在这段时间内的状态类别。
k为定义的高斯混合成分个数,即典型采样点的状态个数,在本发明中定义的节点状态为:天气正常无泄漏工作状态、天气正常有泄漏工作状态、下雨天无泄漏工作状态、下雨天有泄漏工作状态四种状态,因此k=4。
改进的高斯混合模型训练过程:
第一步:初始化参数γji,代表第j个样本属于第i个类别的概率,即每一个样本的每一个高斯混合成分的组成比例。
第二步,计算高斯混合初始参数,第i个类别的参数为{(αi,μi,Σi)1≤i≤k};其中αi为第i种类型状态的混合成分,即该状态水管的先验概率αi=p(cj=i),满足条件μi为特征数据的均值向量,Σi为水管阻抗特征数据的协方差矩阵。
第三步:repeat:
第四步:for j=1,2……n do//E步骤,针对每一个样本,
第五步:计算xj的属于每一个类别的后验概率
第六步:end for,
第七步:利用标签信息对γji进行修正。
第八步:for i=1,2,……k do//M步骤,根据E步获得的γji,再重新计算每个混合模型的新参数:
第九步:计算μi',
第十步:计算Σi',
第十一步:计算αi',
第十二步:end for,
第十三步:更新模型参数,将{(αi,μi,Σi)1≤i≤k}更新为{(αi',μi',Σi')1≤i≤k},
第十四步:回到第三步,until满足条件停止。
最后训练输出:得到每种典型状态的高斯混合模型{(αi',μi',Σi')1≤i≤k}
高斯混合模型算法中,模型参数的初始化主要有两种方式:一种是随机初始化,另一种是先基于K均值聚类进行聚类,再计算初始的高斯混合模型参数。随机初始化方法容易导致模型收敛慢甚至偶尔会不收敛等问题;而先基于K均值的聚类,由于聚类结果与初始值的选择有很大关系,而且聚类出来的结果与真实所属的类别会有差异,这些错误的信息会影响模型的准确度。
本申请在第二步中,确定改进的高斯混合模型初始参数的过程为:获取管道工作状态下带标签的训练样本集,根据每个样本的每个高斯混合成分的组成比例初始值计算初始参数。
计算初始参数的过程为:
获取管道参考状态下n个带标签的训练样本集D={<xj,yj>,1≤j≤n};其中,xj为第j个样本的节点采样序列;xj={z(t+1),z(t+2)........z(t+m)};z(t+l)为第j个样本的节点在t+l时刻检测到的阻抗信息,m为序列长度;yj为第j个样本的节点在当前时间段内的状态类别;
通过公式:
计算出初始参数{(αi,μi,Σi)1≤i≤k};其中,αi为第i种类型状态的混合成分,即第i种类型状态管道的先验概率αi=p(cj=i);满足条件μi为管道状态特征数据的均值向量,Σi为管道状态特征数据的协方差矩阵。
第五步中,计算每个样本的每个高斯混合成分的组成比例后验概率的过程为:通过公式
计算xj的后验概率γ验ji;其中,cj为聚类出的管道工作状态类别;p(x|μi,Σi)为样本x在该模型下的概率密度函数;
第七步中,在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正的过程包括:
第九步:计算μi',第十步:计算Σi',第十一步:计算αi',在对每个样本的每个高斯混合成分的组成比例后验概率进行修正后还包括:根据修正后的γ修ji重新计算改进的高斯混合模型修正参数;所述修正参数为:
其中,αi'为第i种类型状态的混合成分修正值,μi'为管道状态特征数据的均值向量修正值,Σi'为管道状态特征数据的协方差矩阵修正值。
第十三步中,将更新改进的高斯混合模型初始参数修改为改进的高斯混合模型修正参数,即{(αi,μi,Σi)1≤i≤k}更新为{(αi',μi',Σi')1≤i≤k};最后输出管道工作状态预测分类。
定位模块中,利用得到的高斯混合模型对当前的每一个节点状态进行判定,获得该节点属于每种状态的概率,从而判定出属于漏水的异常节点;查询检阻抗信息异常的节点对应的管段信息,确定泄漏点的位置。
利用上步获得的高斯混合模型参数{(αi',μi',Σi')1≤i≤k},计算当前节点状态特征x属于第i个状态的概率:
根据上面的判断结果,确定是否启动对每一段水管外围阻抗数据序列的异常检测。触发检测机制,检测异常的序列即为泄漏定位区域
本发明实施例3提出的一种变电站埋地管道泄漏监测定位系统,采用沿水管分段、依次缠绕一对平行铜导线测量阻抗的的方式,可以通过改变缠绕长度的方式调整定位精度;缠绕方式会大大减小泄漏检测盲区;近距离缠绕方式产生的等效电容变化在发生泄漏时变化明显,易于检测,提高了泄漏检测的实时性。
本发明实施例3提出的一种变电站埋地管道泄漏监测定位系统,节点的数据数据汇总通过无线LoRa技术来完成,无需在节点间布置通信线,大大减少了布置该系统的工作量。
本发明实施例3提出的一种变电站埋地管道泄漏监测定位系统,节点设计采用了低功耗设计及低功耗工作模式,确保了电池的长时待机时间,同时电量的采集可以提前通知用户及时更换工作电池,保证了系统的实用性及工作可靠性;基于云平台进行数据分析与处理,避免了单独配置服务器的要求,大大降低了系统的运维成本。
本发明实施例3提出的一种变电站埋地管道泄漏监测定位系统,采用改进的高斯混合模型获取当前路水管状态的类别,部分检测数据受干扰导致的泄露故障误报问题,提高了系统工作的可靠性。
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。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制。对于所属领域的技术人员来说,在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种变电站埋地管道泄漏监测定位方法,其特征在于,包括以下步骤:
通过向分段缠绕在管道上的平行导线注入电压信号,获取节点的管道阻抗信息;
将所述管道阻抗信息作为管道状态特征信息,输入改进的高斯混合模型进行管道工作状态预测分类;所述改进的高斯混合模型执行的过程包括:获取管道工作状态下带标签的训练样本集,确定改进的高斯混合模型初始参数,计算每个样本的每个高斯混合成分的组成比例后验概率;以及在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正;
根据预测的管道工作状态判断节点所属类别以及判断泄漏点位置。
2.根据权利要求1所述的一种变电站埋地管道泄漏监测定位方法,其特征在于,所述确定改进的高斯混合模型初始参数的过程为:获取管道工作状态下带标签的训练样本集,根据每个样本的每个高斯混合成分的组成比例初始值计算初始参数。
3.根据权利要求2一种变电站埋地管道泄漏监测定位方法,其特征在于,所述计算初始参数的过程为:
获取管道参考状态下n个带标签的训练样本集D={<xj,yj>,1≤j≤n};所述管道参考状态包括:天气正常无泄漏工作状态、天气正常有泄漏工作状态、下雨天无泄漏工作状态和下雨天有泄漏工作状态;
其中,xj为第j个样本的节点采样序列;xj={z(t+1),z(t+2)........z(t+m)};z(t+l)为第j个样本的节点在t+l时刻检测到的阻抗信息,m为序列长度;yj为第j个样本的节点在当前时间段内的状态类别;
通过公式:
8.一种变电站埋地管道泄漏监测定位装置,其特征在于,包括:信号发生模块、信号采样与整流模块、分段缠绕平行导线的管道和处理模块;
所述信号发生模块的输入端分别连接管道上的分段平行导线,用于将正弦波电压信号输入至管道上的分段平行导线;所述管道上的分段平行导线还连接至信号采样与整流模块,用于采取阻抗采集节点的管道阻抗信息;
所述处理模块与信号采样与整流模块通信连接,用于将所述管道阻抗信息作为管道状态特征信息,输入改进的高斯混合模型进行管道工作状态预测分类;所述改进的高斯混合模型执行的过程包括:获取管道工作状态下带标签的训练样本集,根据每个样本的每个高斯混合成分的组成比例初始值计算改进的高斯混合模型初始参数;以及在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正;以及根据预测的管道工作状态判断节点所属类别以及判断泄漏点位置。
9.根据权利要求8所述的一种变电站埋地管道泄漏监测定位装置,其特征在于,所述装置还包括电源模块和无线通信模块;
所述电源模块用于为处理模块供电;所述无线通信模块用于实现处理模块与上位机通信。
10.一种变电站埋地管道泄漏监测定位系统,其特征在于,所述系统包括获取模块、预测模块和定位模块;
所述获取模块用于通过向分段缠绕在管道上的平行导线注入电压信号,获取节点的管道阻抗信息;
所述预测模块用于将所述管道阻抗信息作为管道状态特征信息,输入改进的高斯混合模型进行管道工作状态预测分类;所述改进的高斯混合模型执行的过程包括:获取管道工作状态下带标签的训练样本集,确定改进的高斯混合模型初始参数,计算每个样本的每个高斯混合成分的组成比例后验概率;以及在改进的高斯混合模型迭代过程中,利用采样点的状态类别对每个样本的每个高斯混合成分的组成比例后验概率进行修正;
所述定位模块用于根据预测的管道工作状态判断节点所属类别以及判断泄漏点位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210364724.9A CN114811452A (zh) | 2022-04-08 | 2022-04-08 | 一种变电站埋地管道泄漏监测定位方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210364724.9A CN114811452A (zh) | 2022-04-08 | 2022-04-08 | 一种变电站埋地管道泄漏监测定位方法、装置和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114811452A true CN114811452A (zh) | 2022-07-29 |
Family
ID=82534802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210364724.9A Pending CN114811452A (zh) | 2022-04-08 | 2022-04-08 | 一种变电站埋地管道泄漏监测定位方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114811452A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1740629A (zh) * | 2005-09-05 | 2006-03-01 | 苏州科技学院 | 管道泄漏预测方法 |
CN101680818A (zh) * | 2007-01-29 | 2010-03-24 | 京特·比尔 | 用于确定管道泄漏位置的方法 |
CN103939749A (zh) * | 2014-04-28 | 2014-07-23 | 东北大学 | 基于大数据的输油管网泄漏智能自适应监控系统及方法 |
CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
CN110410685A (zh) * | 2019-07-11 | 2019-11-05 | 西北工业大学 | 一种基于时域反射技术的地下管网渗漏定位系统及方法 |
CN210716995U (zh) * | 2019-11-14 | 2020-06-09 | 河北城兴市政设计院股份有限公司 | 一种精确分辨供热管网外泄漏的监测装置 |
CN111425768A (zh) * | 2020-03-31 | 2020-07-17 | 长安大学 | 基于水下传感器网络的输油管道漏油点与漏油速率的探测方法 |
CN111853555A (zh) * | 2020-07-07 | 2020-10-30 | 杭州电子科技大学 | 一种基于动态过程的供水管网暗漏识别方法 |
-
2022
- 2022-04-08 CN CN202210364724.9A patent/CN114811452A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1740629A (zh) * | 2005-09-05 | 2006-03-01 | 苏州科技学院 | 管道泄漏预测方法 |
CN101680818A (zh) * | 2007-01-29 | 2010-03-24 | 京特·比尔 | 用于确定管道泄漏位置的方法 |
CN103939749A (zh) * | 2014-04-28 | 2014-07-23 | 东北大学 | 基于大数据的输油管网泄漏智能自适应监控系统及方法 |
CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析系统 |
CN110410685A (zh) * | 2019-07-11 | 2019-11-05 | 西北工业大学 | 一种基于时域反射技术的地下管网渗漏定位系统及方法 |
CN210716995U (zh) * | 2019-11-14 | 2020-06-09 | 河北城兴市政设计院股份有限公司 | 一种精确分辨供热管网外泄漏的监测装置 |
CN111425768A (zh) * | 2020-03-31 | 2020-07-17 | 长安大学 | 基于水下传感器网络的输油管道漏油点与漏油速率的探测方法 |
CN111853555A (zh) * | 2020-07-07 | 2020-10-30 | 杭州电子科技大学 | 一种基于动态过程的供水管网暗漏识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516837B (zh) | 一种基于ai的智能化诊断方法、系统及装置 | |
CN101561081B (zh) | 应用自主导航机器人对油气管道泄漏的检测定位方法 | |
CN209247956U (zh) | 一种多功能电缆局部放电智能巡检仪 | |
WO2019015311A1 (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
CN108737985A (zh) | 基于NB-IoT的智能农业监控系统 | |
CN109284938A (zh) | 一种电力电缆线路状态的综合评估方法与装置 | |
CN106358212B (zh) | 室内分布系统的检测方法和装置 | |
CN107340432A (zh) | 基于无线测量模块的接地电阻数据采集及分析系统 | |
CN107727955A (zh) | 一种基于电网线路运行误差远程校准的变压器损耗分析与管控方法 | |
CN108226680A (zh) | 一种基于ZigBee技术的避雷器测试系统 | |
CN109239456B (zh) | 一种基于动态规划时间序列相似性算法的谐波溯源方法 | |
CN115118333B (zh) | 一种卫星地面站的天线健康管理系统及方法 | |
CN116614177A (zh) | 一种光纤状态多维度参量监测系统 | |
CN103529337B (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
CN114811452A (zh) | 一种变电站埋地管道泄漏监测定位方法、装置和系统 | |
CN117350216A (zh) | 电阻预测模型训练方法、装置、电子设备和存储介质 | |
CN108828398A (zh) | 一种基于结构相似性算法的单芯电缆局放定位方法 | |
CN207946476U (zh) | 一种基于ZigBee技术的避雷器测试系统 | |
Gan et al. | Design of Early Warning System Based on Wireless Sensor Network. | |
CN113917287A (zh) | 一种变电站母线接头放电发热故障监测系统 | |
CN113670536B (zh) | 火电厂用电用水监测和信息化管理方法 | |
Dai et al. | Design of Intelligent Partial Discharge Inspection System for Distribution Equipment Based on Internet of Things | |
CN112130036A (zh) | 一种高压电缆局部放电在线监测系统 | |
CN216791290U (zh) | 一种基于分区分项计量体系的节水检测系统 | |
CN203133016U (zh) | 智能型绝缘子盐密在线监测装置 |
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 |