CN115186860A - 基于压力数据聚类的供水管网复杂多漏损识别方法、设备、介质、产品 - Google Patents

Abstract

本发明提供基于压力数据聚类的供水管网复杂多漏损识别方法，包括步骤：确定分析时间段，通过供水管网预测模型预测供水管网运行参数，通过压力监测数据库读取真实监测数据，对预测的供水管网运行参数和读取的真实监测数据进行预处理；生成压力残差矩阵并进行管网压力趋势分解和漏损工况区分；对供水管网进行水量分析，结合管网漏损状态矩阵确定分析时间段内漏损信息及漏损总数量，并依次按照每个漏损的性质分别确定其发生时间；输出所有漏损的识别结果。本发明借助预测模型对供水管网行为进行预测，结合数据驱动方法对压力数据的时间、空间特征进行有效提取，可以更高效且准确地识别供水管网中处于叠加状态的各类漏损事件。

Description

基于压力数据聚类的供水管网复杂多漏损识别方法、设备、介 质、产品

技术领域

本发明涉及供水管网漏损管理与控制技术领域，尤其涉及基于压力数据聚类的供水管网复杂多漏损识别方法、设备、介质、产品。

背景技术

供水管网漏损管理是全球供水企业最关心的问题之一。我国的城市供水管网系统需要同时保障居民龙头的水质、水量和水压，供水企业通过传统的管理手段已经无法满足居民日益提高的供水要求。此外，供水管网因受到外界负载、内部运行情况等因素的影响，存在不可忽视的漏损问题，在造成水资源、能源浪费的同时也危害了供水管网水质安全，因此应通过现代化的管理手段从根本上提高供水管网漏损监测与管理的技术和水平，以达到节约能源、可持续发展并进一步提高供水管网运行效率的目的。

通常，供水管网漏损可分为三种类型：1)突发型爆管，其可在短时间内对周边地区造成严重破坏，威胁日常供水；2)由小裂缝或劣化接头所造成的背景漏损；3)渐增型漏损，其可从背景漏损缓慢发展至管道漏损甚至是爆管。在上述三种漏损类型中，背景漏损和渐增型漏损由于在长时间内漏损流量较小，因此其社会危害通常小于爆管事件。但由于同样的原因，上述漏损也很难通过测量设备实现快速的检测与定位，使得它们可能存在的时间更长，从而对供水管网产生长期的负面影响。因此，尽早地发现各类漏损从而最大限度地减少漏损所造成的水资源损失是目前供水管网漏损管理与控制至关重要的一步。

随着硬件设备及传感设备的普及、通讯技术和计算机科学的逐步发展与应用，国内外已有基于不同原理的漏损识别技术研究，如申请号为CN201811393693.X，名称为一种基于压力扰动提取的供水管网爆管侦测方法的中国专利、申请号为CN201811507342.7，名称为一种供水管网漏损监测方法的中国专利等，可以实现有效的漏损识别。目前，现有技术中尚未专门针对整个供水管网中长时间内多类型叠加漏损识别开展研究，但是实际管网中的漏损往往存在着漏损类型多、叠加状态复杂等问题，使得已有的漏损识别方法在实际应用时受限，管道漏损识别准确性低且识别滞后。

发明内容

为了克服现有技术的不足，本发明的目的在于提供基于压力数据聚类的供水管网复杂多漏损识别方法，结合传感器硬件技术、成熟的管网模型理论与数据驱动分析处理方法，对管网多漏损数据进行时空聚类，进而有效识别管网中复杂叠加漏损的方法，对有效推动供水管网漏损智能管理与控制领域的发展具有重要意义。

本发明提供基于压力数据聚类的供水管网复杂多漏损识别方法，包括以下步骤：

压力数据收集及预处理，确定分析时间段，通过供水管网预测模型预测供水管网运行参数，通过压力监测数据库读取真实监测数据，对预测的供水管网运行参数和读取的真实监测数据进行预处理；

不同漏损状态的隔离，生成压力残差矩阵并进行管网压力趋势分解和漏损工况区分；

漏损识别，对供水管网进行水量分析，结合管网漏损状态矩阵确定分析时间段内漏损信息及漏损总数量，并依次按照每个漏损的性质分别确定其发生时间；

输出结果，输出所有漏损的识别结果。

进一步地，所述压力数据收集及预处理步骤包括：

确定漏损识别分析区域及时间区间；

加载供水管网预测模型与压力监测数据库，所述供水管网预测模型为经过校核的实时管网水力模型或机器学习及深度神经网络框架下的数据预测模型；

利用供水管网预测模型预测分析时间区间内供水管网正常运行压力数据，同时从压力监测数据库中读取分析时间区间内供水管网实际压力数据；

对预测压力数据与实际压力数据分别进行预处理，预处理方法按照数据质量选择，当数据质量较好时，选择滑动窗口中位数法。

进一步地，所述不同漏损状态的隔离步骤包括：

通过预测压力数据与实际压力数据之差生成压力残差矩阵，所述压力残差矩阵为：

其中，Δp_nm为监测点m处按时间顺序排列的第n个压力残差；

采用STL分解算法在时间维度上从压力残差矩阵中提取压力趋势项，所述压力趋势项形式与压力残差矩阵相同；

采用K均值聚类算法在时间维度上对压力残差趋势项进行聚类，得到管网漏损状态矩阵D，形式如下:

D＝[D₁…D_k…D_n]′

其中，D_k为第k时刻管网所处的漏损状态编号。

进一步地，所述漏损识别步骤包括：

计算各区域的实际入流量，估算理论合理需水量，以及计算区域总漏量曲线；其中，各区域的实际入流量利用物质守恒定理根据各区域的水量入口与出口处的实际水量监测数据求和得到；各区域理论合理需水量利用不包含漏损的实时管网水力模型模拟并对各区域各节点用水量进行求和估算得到；区域总漏量曲线为各区域的实际入流量与理论合理需水量之差；

确定待分析时间段内新增漏损信息列表I及新增漏损数量N；所述漏损信息列表包括每个漏损的编号、大致发生时间和漏损类型，对照获得的区域总漏量曲线与管网漏损状态矩阵D，依次对每个漏损进行判断与分析；

依次对漏损信息列表中的漏损按照编号顺序及漏损类别进行进一步识别，每次识别的编号为i；

判断该次识别的漏损编号i是否超过总漏损数量N，若超过，则表示所有漏损均已完成识别，若未超过，则继续进行后续步骤；

从新增漏损信息表中读取第i个漏损的大致发生时间t_i；

从新增漏损信息表中读取第i个漏损的漏损类型并判断是否为突发型漏损；

对突发型漏损的发生时间进行进一步判断；

确定第i个漏损发生时间；

返回所述判断该次识别的漏损编号i是否超过总漏损数量N步骤，并开始对第i+1个漏损的识别。

进一步地，所述确定第i个漏损发生时间步骤包括：

对于突发型漏损，利用西部电器原则对得到的实时压力残差矩阵的每一列进行异常判别，所得到的异常矩阵如下：

其中，A_nm为监测点m处按时间顺序排列的第n个异常指数；A_nm为0代表无异常；A_nm为1代表出现异常，矩阵A中最先出现异常的行数所代表的时间则为该突发型漏损开始时间；

对于渐增式漏损，直接将t_i作为第i个漏损发生的时间。

进一步地，所述依次对每个漏损进行判断与分析包括：

新增漏损须同时满足管网漏损状态矩阵D的连续漏损状态编号发生稳定改变且区域总漏量曲线在对应时间内有所增长；漏损大致发生时间为连续漏损编号发生改变的时间；所漏损类型判别原则为：若区域总漏量曲线为突变增长，则为突发型，若为渐增式变化，则为渐增型；新增漏损数量为本步骤中判断出的新增漏损个数；通过对比同段时间内区域总漏量的变化估算出每个漏损的漏量。

进一步地，所述对突发型漏损的发生时间进行进一步判断步骤包括：

将已识别到的漏损添加入无漏损的实时管网水力模型并以预设时间为模拟时长，在[t_i-1,t_i+1]时间段内进行实时水力模拟获取模拟压力数据；同时从实际压力数据矩阵中截取同时段压力数据；计算实时压力残差矩阵。

一种电子设备，包括：处理器；

存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行基于压力数据聚类的供水管网复杂多漏损识别方法。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行基于压力数据聚类的供水管网复杂多漏损识别方法。

一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现基于压力数据聚类的供水管网复杂多漏损识别方法。

相比现有技术，本发明的有益效果在于：

本发明提供基于压力数据聚类的供水管网复杂多漏损识别方法，借助数据分析方法如STL分解算法与K均值聚类方法从时间、空间维度分析供水管网中多维压力数据的漏损信息，相比仅利用区域出入口流量数据而言，数据维度更高、包含的漏损信息更加全面，因此可以更加有效地捕捉供水管网中复杂漏损的叠加组合并逐个将其隔离与识别，有助于准确发现漏量较小的漏损，从而进一步指导后续漏损定位工作的开展；此外，本发明可确定叠加漏损中各漏损的漏量，漏量和发生时间的确定不仅将有益于提升后续漏损定位结果的准确性，同时也有助于提升漏损评估管理水平；

本发明可在不同的时间尺度内开展，其中长时间尺度适用于在漏损识别项目启动时对之前长时期的漏损信息进行全面的获取与掌握，或者在每个周期结束后对该周期内发生的漏损进行二次复查，避免遗漏微小漏损；短时间尺度则可用于实时的漏损识别。通过上述方法可以最大程度地发现管网中各类可能处于叠加状态的漏损；

本发明主要利用压力数据实现漏损区分与识别，适用于我国供水管网普遍仅在区域出入口安装流量计而压力监测点布置数量较多的情况，具有成本低、实用性高的特点。此外，本发明可与各类预测模型良好匹配，随着计算机与深度学习的发展，更优秀的管网预测模型也将进一步提升本发明最终的漏损识别结果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的基于压力数据聚类的供水管网复杂多漏损识别方法流程图；

图2为本发明实施例某区域的供水管网拓扑及各类传感器布置示意图；

图3为本发明实施例中分析时间段内的压力残差趋势项与管网漏损状态图；

图4为本发明实施例中对突发型漏损发生时间的判断示意图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

基于压力数据聚类的供水管网复杂多漏损识别方法，如图1所示，包括以下步骤：

S1、压力数据收集及预处理，确定分析时间段，通过供水管网预测模型预测供水管网运行参数，通过压力监测数据库读取真实监测数据，对预测的供水管网运行参数和读取的真实监测数据进行预处理。供水管网拓扑及各类传感器布置如图2所示。

在一实施例中，S1、压力数据收集及预处理步骤包括：

S11、确定漏损识别分析区域及时间区间；

S12、加载供水管网预测模型与压力监测数据库(SCADA数据库)，供水管网预测模型为经过校核的实时管网水力模型或机器学习及深度神经网络框架下的数据预测模型；

S13、利用供水管网预测模型预测分析时间区间内供水管网正常运行压力数据，同时从压力监测数据库中读取分析时间区间内供水管网实际压力数据；

S14、对预测压力数据与实际压力数据分别进行预处理，预处理方法按照数据质量选择，当数据质量较好时，选择滑动窗口中位数法。

S2、不同漏损状态的隔离，生成压力残差矩阵并进行管网压力趋势分解和漏损工况区分；具体地，包括：

S21、通过步骤S14中预测压力数据与实际压力数据之差生成压力残差矩阵，压力残差矩阵为：

其中，Δp_nm为监测点m处按时间顺序排列的第n个压力残差；

S22、采用STL分解算法在时间维度上从压力残差矩阵中提取压力趋势项，压力趋势项形式与压力残差矩阵相同，分析时间段内的压力残差趋势项与管网漏损状态如图3所示。

S23、采用K均值聚类算法在时间维度上对压力残差趋势项进行聚类，得到管网漏损状态矩阵D，形式如下:

D＝[D₁…D_k…D_n]′

其中，D_k为第k时刻管网所处的漏损状态编号。

S3、漏损识别，对供水管网进行水量分析，结合管网漏损状态矩阵确定分析时间段内漏损信息及漏损总数量，并依次按照每个漏损的性质分别确定其发生时间；具体地，包括：

S31、对供水管网进行水量分析包括计算各区域的实际入流量，估算理论合理需水量，以及计算区域总漏量曲线；其中，各区域的实际入流量利用物质守恒定理根据各区域的水量入口与出口处的实际水量监测数据求和得到；各区域理论合理需水量利用不包含漏损的实时管网水力模型模拟并对各区域各节点用水量进行求和估算得到；区域总漏量曲线为各区域的实际入流量与理论合理需水量之差；

S32、确定待分析时间段内新增漏损信息列表I及新增漏损数量N；漏损信息列表包括每个漏损的编号、大致发生时间和漏损类型，对照步骤S31获得的区域总漏量曲线与步骤S23所得管网漏损状态矩阵D，依次对每个漏损进行判断与分析：一个新增漏损须同时满足管网漏损状态矩阵D的连续漏损状态编号发生稳定改变且区域总漏量曲线在对应时间内有所增长；漏损大致发生时间为连续漏损编号发生改变的时间；漏损类型判别原则为：若区域总漏量曲线为突变增长，则为突发型，若为渐增式变化，则为渐增型；新增漏损数量为本步骤中判断出的新增漏损个数；通过对比同段时间内区域总漏量的变化估算出每个漏损的漏量。

S33、依次对步骤S32确定的漏损信息列表中的漏损按照编号顺序及漏损类别进行进一步识别，每次识别的编号为i；

S34、判断该次识别的漏损编号i是否超过总漏损数量N，若超过，则表示所有漏损均已完成识别，步骤S3结束；若未超过，则继续进行后续步骤；

S35、从新增漏损信息表中读取第i个漏损的大致发生时间t_i；

S36、从新增漏损信息表中读取第i个漏损的漏损类型并判断是否为突发型漏损；

S37、对突发型漏损的发生时间进行进一步判断；如图4所示，进一步判断需将已识别到的漏损添加入无漏损的实时管网水力模型并以预设时间如2天为模拟时长，在[t_i-1,t_i+1]时间段内进行实时水力模拟获取模拟压力数据；同时从步骤S14的实际压力数据矩阵中截取同时段压力数据；计算步骤S21的方法实时压力残差矩阵。

S38、确定第i个漏损发生时间；

S39、返回判断该次识别的漏损编号i是否超过总漏损数量N步骤，并开始对第i+1个漏损的识别。

在一实施例中，S38、确定第i个漏损发生时间步骤包括：

S381、对于突发型漏损，利用西部电器原则(WEC)对步骤S37得到的实时压力残差矩阵的每一列进行异常判别，所得到的异常矩阵如下：

其中，A_nm为监测点m处按时间顺序排列的第n个异常指数；A_nm为0代表无异常；A_nm为1代表出现异常，矩阵A中最先出现异常的行数所代表的时间则为该突发型漏损开始时间；

S382、对于渐增式漏损，无需进一步实时分析，直接将t_i作为第i个漏损发生的时间。

S4、输出结果，输出步骤S3中得到的分析时间段内所有漏损的识别结果。

一种电子设备，包括：处理器；

存储器；以及程序，其中程序被存储在存储器中，并且被配置成由处理器执行，程序包括用于执行基于压力数据聚类的供水管网复杂多漏损识别方法。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行基于压力数据聚类的供水管网复杂多漏损识别方法。

一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现基于压力数据聚类的供水管网复杂多漏损识别方法。

以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (10)

1.基于压力数据聚类的供水管网复杂多漏损识别方法，其特征在于，包括以下步骤：

压力数据收集及预处理，确定分析时间段，通过供水管网预测模型预测供水管网运行参数，通过压力监测数据库读取真实监测数据，对预测的供水管网运行参数和读取的真实监测数据进行预处理；

不同漏损状态的隔离，生成压力残差矩阵并进行管网压力趋势分解和漏损工况区分；

漏损识别，对供水管网进行水量分析，结合管网漏损状态矩阵确定分析时间段内漏损信息及漏损总数量，并依次按照每个漏损的性质分别确定其发生时间；

输出结果，输出所有漏损的识别结果。

2.如权利要求1所述的基于压力数据聚类的供水管网复杂多漏损识别方法，其特征在于，所述压力数据收集及预处理步骤包括：

确定漏损识别分析区域及时间区间；

加载供水管网预测模型与压力监测数据库，所述供水管网预测模型为经过校核的实时管网水力模型或机器学习及深度神经网络框架下的数据预测模型；

利用供水管网预测模型预测分析时间区间内供水管网正常运行压力数据，同时从压力监测数据库中读取分析时间区间内供水管网实际压力数据；

对预测压力数据与实际压力数据分别进行预处理，预处理方法按照数据质量选择，当数据质量较好时，选择滑动窗口中位数法。

3.如权利要求2所述的基于压力数据聚类的供水管网复杂多漏损识别方法，其特征在于，所述不同漏损状态的隔离步骤包括：

通过预测压力数据与实际压力数据之差生成压力残差矩阵，所述压力残差矩阵为：

其中，Δp_nm为监测点m处按时间顺序排列的第n个压力残差；

采用STL分解算法在时间维度上从压力残差矩阵中提取压力趋势项，所述压力趋势项形式与压力残差矩阵相同；

采用K均值聚类算法在时间维度上对压力残差趋势项进行聚类，得到管网漏损状态矩阵D，形式如下:

D＝[D₁…D_k…D_n]′

其中，D_k为第k时刻管网所处的漏损状态编号。

4.如权利要求3所述的基于压力数据聚类的供水管网复杂多漏损识别方法，其特征在于，所述漏损识别步骤包括：

计算各区域的实际入流量，估算理论合理需水量，以及计算区域总漏量曲线；其中，各区域的实际入流量利用物质守恒定理根据各区域的水量入口与出口处的实际水量监测数据求和得到；各区域理论合理需水量利用不包含漏损的实时管网水力模型模拟并对各区域各节点用水量进行求和估算得到；区域总漏量曲线为各区域的实际入流量与理论合理需水量之差；

确定待分析时间段内新增漏损信息列表I及新增漏损数量N；所述漏损信息列表包括每个漏损的编号、大致发生时间和漏损类型，对照获得的区域总漏量曲线与管网漏损状态矩阵D，依次对每个漏损进行判断与分析；

依次对漏损信息列表中的漏损按照编号顺序及漏损类别进行进一步识别，每次识别的编号为i；

判断该次识别的漏损编号i是否超过总漏损数量N，若超过，则表示所有漏损均已完成识别，若未超过，则继续进行后续步骤；

从新增漏损信息表中读取第i个漏损的大致发生时间t_i；

从新增漏损信息表中读取第i个漏损的漏损类型并判断是否为突发型漏损；

对突发型漏损的发生时间进行进一步判断；

确定第i个漏损发生时间；

返回所述判断该次识别的漏损编号i是否超过总漏损数量N步骤，并开始对第i+1个漏损的识别。

5.如权利要求4所述的基于压力数据聚类的供水管网复杂多漏损识别方法，其特征在于，所述确定第i个漏损发生时间步骤包括：

对于突发型漏损，利用西部电器原则对得到的实时压力残差矩阵的每一列进行异常判别，所得到的异常矩阵如下：

其中，A_nm为监测点m处按时间顺序排列的第n个异常指数；A_nm为0代表无异常；A_nm为1代表出现异常，矩阵A中最先出现异常的行数所代表的时间则为该突发型漏损开始时间；

对于渐增式漏损，直接将t_i作为第i个漏损发生的时间。

6.如权利要求4所述的基于压力数据聚类的供水管网复杂多漏损识别方法，其特征在于，所述依次对每个漏损进行判断与分析包括：

新增漏损须同时满足管网漏损状态矩阵D的连续漏损状态编号发生稳定改变且区域总漏量曲线在对应时间内有所增长；漏损大致发生时间为连续漏损编号发生改变的时间；漏损类型判别原则为：若区域总漏量曲线为突变增长，则为突发型，若为渐增式变化，则为渐增型；新增漏损数量为本步骤中判断出的新增漏损个数；通过对比同段时间内区域总漏量的变化估算出每个漏损的漏量。

7.如权利要求4所述的基于压力数据聚类的供水管网复杂多漏损识别方法，其特征在于，所述对突发型漏损的发生时间进行进一步判断步骤包括：

将已识别到的漏损添加入无漏损的实时管网水力模型并以预设时间为模拟时长，在[t_i-1,t_i+1]时间段内进行实时水力模拟获取模拟压力数据；同时从实际压力数据矩阵中截取同时段压力数据；计算实时压力残差矩阵。

8.一种电子设备，其特征在于包括：处理器；存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行如权利要求1-7任意一项所述的方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1-7任意一项所述的方法。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1-7任意一项所述的方法。

Images