CN115222162A - 一种城市供水监测预警系统及工作方法 - Google Patents

一种城市供水监测预警系统及工作方法 Download PDF

Info

Publication number
CN115222162A
CN115222162A CN202211140034.1A CN202211140034A CN115222162A CN 115222162 A CN115222162 A CN 115222162A CN 202211140034 A CN202211140034 A CN 202211140034A CN 115222162 A CN115222162 A CN 115222162A
Authority
CN
China
Prior art keywords
data
module
database
water supply
early warning
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
Application number
CN202211140034.1A
Other languages
English (en)
Other versions
CN115222162B (zh
Inventor
张晓春
杨莹
丘建栋
刘星
辛甜甜
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.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
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 Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202211140034.1A priority Critical patent/CN115222162B/zh
Publication of CN115222162A publication Critical patent/CN115222162A/zh
Application granted granted Critical
Publication of CN115222162B publication Critical patent/CN115222162B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D3/00—Arrangements for supervising or controlling working operations
    • F17D3/18—Arrangements for supervising or controlling working operations for measuring the quantity of conveyed product
    • 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
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring Volume Flow (AREA)

Abstract

一种城市供水监测预警系统及工作方法，属于供水管网监测预警技术领域。为解决对城市供水监测预警的问题。本发明包括包数据接收模块、API服务器、后端引擎、数据库，所述数据接收模块分别和API服务器、数据库连接，所述API服务器还分别连接后端引擎、数据库，所述数据库连接后端引擎；后端引擎包括数据读取模块、数据清洗模块、流量预测模块、异常检测模块、异常分类模块；数据读取模块分别连接数据清洗模块、流量预测模块，数据清洗模块连接异常检测模块，异常检测模块连接异常分类模块。数据接收模块、API服务器、后端引擎、数据库通过消息队列连接。本发明实现了城市供水监测预警。

Description

一种城市供水监测预警系统及工作方法
技术领域
本发明属于供水管网监测预警技术领域，具体涉及一种城市供水监测预警系统及工作方法。
背景技术
城市供水系统非常复杂，各个区域都需要供水站、水管、水表及其内置检测才能完成城市供水监测的目的，而且城市供水监测具有很大的难度。例如在没有电力和电信的情况下，无法监测供水设施并测量其状态；交通不便且供水线路长；难以运送重型检测设备；设备维护困难；通信能力弱，无法正常传输数据。当前检测水源质量的SCADA系统需要通过宽带、电话线或移动网络才能进行正常通信。
供水站通过水管连接起来的供水网络包含许多分支，这种设计的优点是即使其中一条水管发生故障，供水站仍然可以从其他分支获得供水。然而，这使得供水站之间的关系变得复杂，并导致难以对流量计读数进行成组分析。例如当有水管泄漏，靠近泄漏位置的流量计可以通过另一根水管获得供水而不会受到影响。因此，流量计的群体行为无法反映水管泄露的情况，无法对城市供水进行监测预警。
发明内容
本发明要解决的问题是恶劣环境下影响通信信号能力，无法对城市供水监测预警，提出一种城市供水监测预警系统及工作方法。
为实现上述目的，本发明通过以下技术方案实现：
一种城市供水监测预警系统，包括数据接收模块、API服务器、后端引擎、数据库，所述数据接收模块分别和API服务器、数据库连接，所述API服务器还分别连接后端引擎、数据库，所述数据库连接后端引擎；
所述后端引擎包括数据读取模块、数据清洗模块、流量预测模块、异常检测模块、异常分类模块；
所述数据读取模块分别连接数据清洗模块、流量预测模块，所述数据清洗模块连接异常检测模块，所述异常检测模块连接异常分类模块；
所述数据接收模块用于输入流量计数据；
所述API服务器用于向数据接收模块、后端引擎、数据库发送消息队列；
所述后端引擎用于进行数据处理和监测预警，所述流量预测模块用于读取数据库中的流量计数据进行流量预测；
所述数据库用于存储数据。
进一步的，所述数据接收模块、API服务器、后端引擎、数据库通过消息队列连接。
进一步的，所述一种城市供水监测预警系统各模块之间的通讯手段基于LoRa 星形网络、分布式网络协议3搭建。
一种城市供水监测预警系统的工作方法，包括如下步骤：
S1、用户通过数据接收模块输入流量计数据，触发API服务器向后端引擎发送消息队列，触发数据读取模块将流量计数据写入数据库；
S2、数据库收集k个原始流量计数据样本，原始流量计数据为（x i，y i ）,其中x i代表时间，y i 代表x i时间下的流量计数据，i属于k中的任意一个，构成样本集
Figure 897536DEST_PATH_IMAGE001
；
S3、数据清洗模块读取步骤S2中数据库中的样本集进行数据清洗，然后将处理后的流量计数据发送到数据库；
S4、异常检测模块对于步骤S3处理后的流量计数据进行流量计数据的异常检测，如果检测发现异常数据，则执行步骤S5；
S5、异常分类模块对步骤S4检测到的异常数据进行异常分类，并将异常分类结果发送到数据库；
S6、数据库接收到步骤S5的异常分类结果，触发API服务器向数据接收模块发送消息队列，用户通过数据接收模块接收异常分类结果。
进一步的，步骤S3中的数据清洗具体方法为：重新采样每日流量计数据，重采样基于线性插值方法，首先给定数据点
Figure 505235DEST_PATH_IMAGE002
，
Figure 242990DEST_PATH_IMAGE003
，计算目标时刻
Figure 227127DEST_PATH_IMAGE004
对应的流量计数据
Figure 681242DEST_PATH_IMAGE005
，使用以下公式计算：
Figure 459842DEST_PATH_IMAGE006
根据以上公式对选定的时间框架对流量计数据进行重新采样，得到数据清洗后的样本集
Figure 983096DEST_PATH_IMAGE007
，n为数据清洗后流量计数据样本的个数。
进一步的，步骤S4中的异常检测方法为对步骤S3处理后的流量计数据执行回归方法，以检测异常，使用线性回归拟合流量计数据和时间，以满足以下公式：
Figure 505344DEST_PATH_IMAGE008
其中
Figure 813966DEST_PATH_IMAGE009
为系数，
Figure 763467DEST_PATH_IMAGE010
为步长；
线性回归存在误差
Figure 541061DEST_PATH_IMAGE011
，计算公式为：
Figure 601421DEST_PATH_IMAGE012
应用优化算法，找到
Figure 30129DEST_PATH_IMAGE013
和
Figure 150531DEST_PATH_IMAGE014
的最佳值，计算最小误差
Figure 648378DEST_PATH_IMAGE015
，
Figure 512429DEST_PATH_IMAGE015
的值是数据拟合线性关系的精度。
进一步的，步骤S5中的异常分类采用半监督方法分析步骤S4检测到的异常数据，具体包括如下步骤：
S5.1、自动编码：使用卷积自编码器模型，使用将步骤S4检测到的异常数据编码卷积激活为潜在向量，然后，对潜在向量执行激活反卷积，获得解码数据；
S5.2、聚类：对步骤S5.1得到的潜在向量进行聚类；
S5.3、分类：将步骤S5.2聚类的结果传递给分类交叉熵激活、匹配标签，分类交叉熵包括softmax激活和交叉熵损失。
进一步的，步骤S5.1中的卷积激活的公式为：
Figure 592380DEST_PATH_IMAGE016
已知
Figure 883684DEST_PATH_IMAGE017
为第x时刻测量的水量，i为累加次数，由于信号存在干扰，取x时刻的前k次测量结果的期望
Figure 588202DEST_PATH_IMAGE018
作为该次测量的最终结果，
Figure 255944DEST_PATH_IMAGE019
为
Figure 393664DEST_PATH_IMAGE020
时刻对应的权重；
当k无线趋近于正无穷时，有以下公式：
Figure 121449DEST_PATH_IMAGE021
。
进一步的，步骤S5.2中的聚类方法采用t-分布测量输入时间序列数据
Figure 593887DEST_PATH_IMAGE022
和类
Figure 268582DEST_PATH_IMAGE023
之间的聚类因子
Figure 57547DEST_PATH_IMAGE024
，公式为：
Figure 690653DEST_PATH_IMAGE025
其中，v为常数，
Figure 151853DEST_PATH_IMAGE026
为时间序列数据
Figure 161397DEST_PATH_IMAGE027
和时间序列数据
Figure 8130DEST_PATH_IMAGE028
的距离度。
进一步的，步骤S5.3中用于分类的计算公式如下所示：
Figure 77717DEST_PATH_IMAGE029
其中，r为训练样本数，采用处理后的日用水量数据y作为训练样本，
Figure 259169DEST_PATH_IMAGE030
为拉格朗日乘子，
Figure 72404DEST_PATH_IMAGE031
为第i个样本的实际日用水量，ε为允许的误差范围，
Figure 773644DEST_PATH_IMAGE032
为训练样本中被合理聚类的数目，
Figure 14132DEST_PATH_IMAGE033
为常数。
本发明的有益效果：
本发明所述的一种城市供水监测预警系统，实现的功能包括：用于处理数据的数据清理算法、用于查找异常数据的异常数据模式检测方法、用于分类异常类型的机器学习引擎、用于预测第二天供水站的体积流量的体积预测引擎，以及用于用户利用系统所有嵌入式功能的用户界面。本发明实现了城市供水的监测和预警。
附图说明
图1为本发明所述的一种城市供水监测预警系统的结构示意图；
图2为本发明所述的一种城市供水监测预警系统的工作方法的流程图；
图3为本发明所述的一种城市供水监测预警系统的工作方法的异常分类模块中卷积自动编码器的总体框架。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。
因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1-3详细说明如下 ：
具体实施方式一：
一种城市供水监测预警系统，包括数据接收模块1、API服务器2、后端引擎3、数据库4，所述数据接收模块1分别和API服务器2、数据库4连接，所述API服务器还分别连接后端引擎3、数据库4，所述数据库4连接后端引擎3；
所述后端引擎3包括数据读取模块3-1、数据清洗模块3-2、流量预测模块3-3、异常检测模块3-4、异常分类模块3-5；
所述数据读取模块3-1分别连接数据清洗模块3-2、流量预测模块3-3，所述数据清洗模块3-2连接异常检测模块3-4，所述异常检测模块3-4连接异常分类模块3-5；
所述数据接收模块1用于输入流量计数据；
所述API服务器2用于向数据接收模块1、后端引擎3、数据库4发送消息队列；
所述后端引擎3用于进行数据处理和监测预警，所述流量预测模块3-3用于读取数据库中的流量计数据进行流量预测；
所述数据库4用于存储数据。
进一步的，所述数据接收模块1、API服务器2、后端引擎3、数据库4通过消息队列连接。
进一步的，所述一种城市供水监测预警系统各模块之间的通讯手段基于LoRa 星形网络、分布式网络协议3搭建。
具体实施方式二：
一种城市供水监测预警系统的工作方法，包括如下步骤：
S1、用户通过数据接收模块输入流量计数据，触发API服务器向后端引擎发送消息队列，触发数据读取模块将流量计数据写入数据库；
S2、数据库收集k个原始流量计数据样本，原始流量计数据为（x i，y i ）,其中x i代表时间，y i 代表x i时间下的流量计数据，i属于k中的任意一个，构成样本集
Figure 181415DEST_PATH_IMAGE034
；
S3、数据清洗模块读取步骤S2中数据库中的样本集进行数据清洗，然后将处理后的流量计数据发送到数据库；
进一步的，步骤S3中的数据清洗具体方法为：重新采样每日流量计数据，重采样基于线性插值方法，首先给定数据点
Figure 532762DEST_PATH_IMAGE035
，
Figure 557350DEST_PATH_IMAGE036
，计算目标时刻
Figure 218007DEST_PATH_IMAGE037
对应的流量计数据
Figure 124783DEST_PATH_IMAGE038
，使用以下公式计算：
Figure 545400DEST_PATH_IMAGE006
根据以上公式对选定的时间框架对流量计数据进行重新采样，得到数据清洗后的样本集
Figure 955653DEST_PATH_IMAGE039
，n为数据清洗后流量计数据样本的个数；
S4、异常检测模块对于步骤S3处理后的流量计数据进行流量计数据的异常检测，如果检测发现异常数据，则执行步骤S5；
进一步的，步骤S4中的异常检测方法为对步骤S3处理后的流量计数据执行回归方法，以检测异常，使用线性回归拟合流量计数据和时间，以满足以下公式：
Figure 288677DEST_PATH_IMAGE008
其中
Figure 479487DEST_PATH_IMAGE040
为系数，
Figure 172636DEST_PATH_IMAGE041
为步长；
线性回归存在误差
Figure 968554DEST_PATH_IMAGE042
，计算公式为：
Figure 456167DEST_PATH_IMAGE012
应用优化算法，找到
Figure 586803DEST_PATH_IMAGE040
和
Figure 818064DEST_PATH_IMAGE041
的最佳值，计算最小误差
Figure 468488DEST_PATH_IMAGE043
，
Figure 189319DEST_PATH_IMAGE044
的值是数据拟合线性关系的精度；
S5、异常分类模块对步骤S4检测到的异常数据进行异常分类，并将异常分类结果发送到数据库；
进一步的，步骤S5中的异常分类采用半监督方法分析步骤S4检测到的异常数据，具体包括如下步骤：
S5.1、自动编码：使用卷积自编码器模型，使用将步骤S4检测到的异常数据编码卷积激活为潜在向量，然后，对潜在向量执行激活反卷积，获得解码数据；
自动编码器是一种人工神经网络，用于以无监督的方式学习有效的数据编码。对于水流量计数据，自动编码器旨在通过训练学习其表示。当事件发生时，对流量计读数的影响是显著的。因此，为了使编码潜在向量继承这些特征，使用了卷积自编码器模型。卷积自动编码器是一种深度学习，它使用带激活的卷积作为将输入编码到潜在向量的方法。然后，激活反褶积将对潜在向量执行，以获得解码数据。进行此类操作的目的是提取数据的主要成分以形成潜在向量。由于潜在向量包含原始数据的主要特征，因此聚类处理比对原始数据执行聚类处理更有效。
进一步的，步骤S5.1中的卷积激活的公式为：
Figure 292405DEST_PATH_IMAGE045
已知
Figure 81019DEST_PATH_IMAGE017
为第x时刻测量的水量，i为累加次数，由于信号存在干扰，取x时刻的前k次测量结果的期望
Figure 585950DEST_PATH_IMAGE018
作为该次测量的最终结果，
Figure 680945DEST_PATH_IMAGE046
为
Figure 271326DEST_PATH_IMAGE047
时刻对应的权重；
当k无线趋近于正无穷时，有以下公式：
Figure 359236DEST_PATH_IMAGE048
；
S5.2、聚类：对步骤S5.1得到的潜在向量进行聚类；
进一步的，步骤S5.2中的聚类方法采用t-分布测量输入时间序列数据
Figure 780991DEST_PATH_IMAGE049
和类
Figure 46887DEST_PATH_IMAGE050
之间的聚类因子
Figure 327827DEST_PATH_IMAGE051
，公式为：
Figure 455314DEST_PATH_IMAGE052
其中，v为常数，
Figure 934837DEST_PATH_IMAGE026
为时间序列数据
Figure 168372DEST_PATH_IMAGE053
和时间序列数据
Figure 733345DEST_PATH_IMAGE028
的距离度；
模型中使用的距离度量具有复杂性不变性，复杂性不变性使用两个时间序列之间的复杂性差异信息作为现有距离度量的校正因子。将卷积自动编码器与模型中的聚类方法相结合是一种新发展的方法，旨在获得一种更可靠、更稳健的时间序列数据聚类方法。所得的 为在i到j时间段内可接受的聚类因子，用于评价上文中所得的 是否在正负0.05的误差范围内，如果符合，则可以将所对应的编码因子被该数据样本所接受，进一步解释为，如果i到j时间段内的数据为同一种类型，该类型可以代表漏水、水压过低或用水高峰期等现象。
S5.3、分类：将步骤S5.2聚类的结果传递给分类交叉熵激活、匹配标签，分类交叉熵包括softmax激活和交叉熵损失；
分类部分是让机器学习引擎学习如何根据标签将异常模式与其对应的事件进行匹配。分类部分使用来自自动编码器的结果，并将其传递给分类交叉熵激活以匹配标签。分类交叉熵包括softmax激活和交叉熵损失。交叉熵是一种测量同一基本事件集上两个概率分布之间的方法。Softmax激活是将逻辑函数推广到多个维度。它用于多项式逻辑回归，通常用作神经网络的最后一个激活函数，用于将网络的输出规格化为预测输出类的概率分布。通过激活分类交叉熵，机器学习引擎可以对异常模式进行多类匹配。
进一步的，步骤S5.3中用于分类的计算公式如下所示：
Figure 913791DEST_PATH_IMAGE054
其中，r为训练样本数，采用处理后的日用水量数据y作为训练样本，
Figure 231509DEST_PATH_IMAGE055
为拉格朗日乘子，
Figure 839208DEST_PATH_IMAGE056
为第i个样本的实际日用水量，ε为允许的误差范围，
Figure 891477DEST_PATH_IMAGE032
为训练样本中被合理聚类的数目，
Figure 875614DEST_PATH_IMAGE033
为常数；
通过步骤S5可以得出，在样本(样本可以是水量、水压、水速等)区间内，程序判断出的可以被分成的类数以及输出显著符合每一类的折线图，可以理解为不同异常水务情况下的典型代表曲线，然后可以通过这些典型曲线与水务人员进行询问，确定每种曲线所代表的含义（如漏水、水管堵塞、由于供水突然增大而产生的水压问题等），以每种曲线的含义为模板，若将来有数据时，通过绘制折线图，若果某个时间内出现模板中的图，则代表该水阀门出现了异常问题；
S6、数据库接收到步骤S5的异常分类结果，触发API服务器向数据接收模块发送消息队列，用户通过数据接收模块接收异常分类结果。
需要说明的是，术语“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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、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。
虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (10)

1.一种城市供水监测预警系统，其特征在于：包括数据接收模块（1）、API服务器（2）、后端引擎（3）、数据库（4），所述数据接收模块（1）分别和API服务器（2）、数据库（4）连接，所述API服务器还分别连接后端引擎（3）、数据库（4），所述数据库（4）连接后端引擎（3）；
所述后端引擎（3）包括数据读取模块（3-1）、数据清洗模块（3-2）、流量预测模块（3-3）、异常检测模块（3-4）、异常分类模块（3-5）；
所述数据读取模块（3-1）分别连接数据清洗模块（3-2）、流量预测模块（3-3），所述数据清洗模块（3-2）连接异常检测模块（3-4），所述异常检测模块（3-4）连接异常分类模块（3-5）；
所述数据接收模块（1）用于输入流量计数据；
所述API服务器（2）用于向数据接收模块（1）、后端引擎（3）、数据库（4）发送消息队列；
所述后端引擎（3）用于进行数据处理和监测预警，所述流量预测模块（3-3）用于读取数据库中的流量计数据进行流量预测；
所述数据库（4）用于存储数据。
2.根据权利要求1所述的一种城市供水监测预警系统，其特征在于：所述数据接收模块（1）、API服务器（2）、后端引擎（3）、数据库（4）通过消息队列连接。
3.根据权利要求1或2所述的一种城市供水监测预警系统，其特征在于：所述一种城市供水监测预警系统各模块之间的通讯手段基于LoRa 星形网络、分布式网络协议3搭建。
4.一种城市供水监测预警系统的工作方法，其特征在于：包括如下步骤：
S1、用户通过数据接收模块输入流量计数据，触发API服务器向后端引擎发送消息队列，触发数据读取模块将流量计数据写入数据库；
S2、数据库收集k个原始流量计数据样本，原始流量计数据为（x i，y i ）,其中x i代表时间，y i 代表x i时间下的流量计数据，i属于k中的任意一个，构成样本集
Figure 46372DEST_PATH_IMAGE001
；
S3、数据清洗模块读取步骤S2中数据库中的样本集进行数据清洗，然后将处理后的流量计数据发送到数据库；
S4、异常检测模块对于步骤S3处理后的流量计数据进行流量计数据的异常检测，如果检测发现异常数据，则执行步骤S5；
S5、异常分类模块对步骤S4检测到的异常数据进行异常分类，并将异常分类结果发送到数据库；
S6、数据库接收到步骤S5的异常分类结果，触发API服务器向数据接收模块发送消息队列，用户通过数据接收模块接收异常分类结果。
5.根据权利要求4所述的一种城市供水监测预警系统的工作方法，其特征在于：步骤S3中的数据清洗具体方法为：重新采样每日流量计数据，重采样基于线性插值方法，首先给定数据点
Figure 423258DEST_PATH_IMAGE002
，
Figure 272962DEST_PATH_IMAGE003
，计算目标时刻
Figure 846026DEST_PATH_IMAGE004
对应的流量计数据
Figure 674305DEST_PATH_IMAGE005
，使用以下公式计算：
Figure 409043DEST_PATH_IMAGE006
根据以上公式对选定的时间框架对流量计数据进行重新采样，得到数据清洗后的样本集
Figure 188518DEST_PATH_IMAGE007
，n为数据清洗后流量计数据样本的个数。
6.根据权利要求5所述的一种城市供水监测预警系统的工作方法，其特征在于：步骤S4中的异常检测方法为对步骤S3处理后的流量计数据执行回归方法，以检测异常，使用线性回归拟合流量计数据和时间，以满足以下公式：
Figure 299693DEST_PATH_IMAGE008
其中
Figure 513637DEST_PATH_IMAGE009
为系数，
Figure 153697DEST_PATH_IMAGE010
为步长；
线性回归存在误差
Figure 46566DEST_PATH_IMAGE011
，计算公式为：
Figure 666160DEST_PATH_IMAGE012
应用优化算法，找到
Figure 734610DEST_PATH_IMAGE009
和
Figure 545571DEST_PATH_IMAGE010
的最佳值，计算最小误差
Figure 66682DEST_PATH_IMAGE013
，
Figure 847557DEST_PATH_IMAGE014
的值是数据拟合线性关系的精度。
7.根据权利要求6所述的一种城市供水监测预警系统的工作方法，其特征在于：步骤S5中的异常分类采用半监督方法分析步骤S4检测到的异常数据，具体包括如下步骤：
S5.1、自动编码：使用卷积自编码器模型，使用将步骤S4检测到的异常数据编码卷积激活为潜在向量，然后，对潜在向量执行激活反卷积，获得解码数据；
S5.2、聚类：对步骤S5.1得到的潜在向量进行聚类；
S5.3、分类：将步骤S5.2聚类的结果传递给分类交叉熵激活、匹配标签，分类交叉熵包括softmax激活和交叉熵损失。
8.根据权利要求7所述的一种城市供水监测预警系统的工作方法，其特征在于：步骤S5.1中的卷积激活的公式为：
Figure 3469DEST_PATH_IMAGE015
已知
Figure 985332DEST_PATH_IMAGE016
为第x时刻测量的水量，i为累加次数，由于信号存在干扰，取x时刻的前k次测量结果的期望
Figure 728160DEST_PATH_IMAGE017
作为该次测量的最终结果，
Figure 578304DEST_PATH_IMAGE018
为
Figure 90188DEST_PATH_IMAGE019
时刻对应的权重；
当k无线趋近于正无穷时，有以下公式：
Figure 744417DEST_PATH_IMAGE020
。
9.根据权利要求8所述的一种城市供水监测预警系统的工作方法，其特征在于：步骤S5.2中的聚类方法采用t-分布测量输入时间序列数据
Figure 708962DEST_PATH_IMAGE021
和类
Figure 362797DEST_PATH_IMAGE022
之间的聚类因子
Figure 463608DEST_PATH_IMAGE023
，公式为：
Figure 787273DEST_PATH_IMAGE024
其中，v为常数，
Figure 629327DEST_PATH_IMAGE025
为时间序列数据
Figure 195175DEST_PATH_IMAGE026
和时间序列数据
Figure 416072DEST_PATH_IMAGE027
的距离度。
10.根据权利要求9所述的一种城市供水监测预警系统的工作方法，其特征在于：步骤S5.3中用于分类的计算公式如下所示：
Figure 176218DEST_PATH_IMAGE028
其中，r为训练样本数，采用处理后的日用水量数据y作为训练样本，
Figure 239989DEST_PATH_IMAGE029
为拉格朗日乘子，
Figure 110993DEST_PATH_IMAGE030
为第i个样本的实际日用水量，ε为允许的误差范围，
Figure 422282DEST_PATH_IMAGE031
为训练样本中被合理聚类的数目，
Figure 477963DEST_PATH_IMAGE032
为常数。
CN202211140034.1A 2022-09-20 2022-09-20 一种城市供水监测预警系统及工作方法 Active CN115222162B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211140034.1A CN115222162B (zh) 2022-09-20 2022-09-20 一种城市供水监测预警系统及工作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211140034.1A CN115222162B (zh) 2022-09-20 2022-09-20 一种城市供水监测预警系统及工作方法

Publications (2)

Publication Number Publication Date
CN115222162A true CN115222162A (zh) 2022-10-21
CN115222162B CN115222162B (zh) 2023-02-14

Family

ID=83617094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211140034.1A Active CN115222162B (zh) 2022-09-20 2022-09-20 一种城市供水监测预警系统及工作方法

Country Status (1)

Country Link
CN (1) CN115222162B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715292A (zh) * 2015-03-27 2015-06-17 上海交通大学 基于最小二乘支持向量机模型的城市短期用水量预测方法
CN105509795A (zh) * 2014-09-26 2016-04-20 青岛鑫益发工贸有限公司 城市供水数据采集监测系统
CN107014440A (zh) * 2017-05-19 2017-08-04 南京腾图节能科技有限公司 一种基于云计算的城市供水系统监测设备
CN110232082A (zh) * 2019-06-13 2019-09-13 中国科学院新疆理化技术研究所 面向连续时空加油数据的异常检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105509795A (zh) * 2014-09-26 2016-04-20 青岛鑫益发工贸有限公司 城市供水数据采集监测系统
CN104715292A (zh) * 2015-03-27 2015-06-17 上海交通大学 基于最小二乘支持向量机模型的城市短期用水量预测方法
CN107014440A (zh) * 2017-05-19 2017-08-04 南京腾图节能科技有限公司 一种基于云计算的城市供水系统监测设备
CN110232082A (zh) * 2019-06-13 2019-09-13 中国科学院新疆理化技术研究所 面向连续时空加油数据的异常检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张晓: "基于聚类集成的大坝异常数据检测研究", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技Ⅱ辑》 *
黄国东等: "基于支持向量机的供水管网监测数据清洗", 《给水排水》 *

Also Published As

Publication number Publication date
CN115222162B (zh) 2023-02-14

Similar Documents

Publication Publication Date Title
CN110222991B (zh) 基于rf-gbdt的计量装置故障诊断方法
CN112098714A (zh) 一种基于ResNet-LSTM的窃电检测方法及系统
CN110837866A (zh) 基于XGBoost的电力二次设备缺陷程度评估方法
CN110879377B (zh) 基于深度信念网络的计量装置故障溯源方法
CN109307159A (zh) 一种基于用水量优化预测模型的管网漏损报警方法
CN113987908A (zh) 基于机器学习方法的天然气管网泄漏预警方法
CN116308304B (zh) 基于元学习概念漂移检测的新能源智慧运维方法及系统
CN115860590A (zh) 一种企业排放污染数据的智能分析预警方法及系统
CN115470850A (zh) 一种基于管网水质时空数据的水质异常事件识别预警方法
CN112348290A (zh) 河流水质预测方法、装置、存储介质及设备
CN115758151A (zh) 联合诊断模型建立方法、光伏组件故障诊断方法
CN116542170A (zh) 基于ssae和mlstm的排水管道淤积病害动态诊断方法
CN116579768A (zh) 一种发电厂在线仪表运维管理方法及系统
Zhang et al. Real-time burst detection based on multiple features of pressure data
CN115329930A (zh) 一种基于混合深度学习模型的洪水过程概率预报方法
CN115222162B (zh) 一种城市供水监测预警系统及工作方法
CN113642244A (zh) 一种基于人工智能的电力计量设备故障预测方法
CN113554361A (zh) 一种综合能源系统数据处理计算方法及处理系统
CN117454771A (zh) 一种基于评估及预测信息的机械装备动态维护决策方法
CN116862132A (zh) 基于大数据的资源调度方法
CN116484219A (zh) 一种基于门控图神经网络的供水管网水质异常污染源识别方法
CN110110944A (zh) 一种基于修正的小波神经网络预测风电消纳需求量算法
CN115310693A (zh) 一种综合能源数据清洗方法、系统、设备和介质
CN115081741A (zh) 一种基于神经网络的天然气计量检定智能预测的方法
CN113902164A (zh) 一种基于大数据技术的配电网故障预测系统及方法

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