CN116123459A - 一种供热管网压力波动的判定方法 - Google Patents
一种供热管网压力波动的判定方法 Download PDFInfo
- Publication number
- CN116123459A CN116123459A CN202310153039.6A CN202310153039A CN116123459A CN 116123459 A CN116123459 A CN 116123459A CN 202310153039 A CN202310153039 A CN 202310153039A CN 116123459 A CN116123459 A CN 116123459A
- Authority
- CN
- China
- Prior art keywords
- time
- pressure
- data
- same
- cax
- 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
Images
Classifications
-
- 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
- F17D3/01—Arrangements for supervising or controlling working operations for controlling, signalling, or supervising the conveyance of a 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明公开了一种供热管网压力波动的判定方法,包括采集供热管网内换热站的压力数据;按照不同时间间隔进行降采样生成时序数据;计算得到时序数据的同比振幅;根据突变点集合之前的一段时间内的同比振幅计算同比振幅阈值;根据突变点集合之前的一段时间内的同比振幅和时序数据对应时刻点的同比振幅计算同比振幅差值的绝对值;若同比振幅差值的绝对值大于同比振幅阈值,则判断对应时刻点的压力数据为压力异常波动数据;本发明根据供热管网的压力数据变化趋势,利用时序突变点检测的方法对供热管网的压力数据进行异常波动检测与判定,解决了因多种压力范围下设定固定门限不准确,导致供热管网压力异常波动误报率及漏报率较大的问题。
Description
技术领域
本发明属于供热系统管网压力波动检测的技术领域,具体涉及一种供热管网压力波动的判定方法。
背景技术
随着近年来城镇化的快速发展,我国建设了世界上面积最大的集中供热系统。其中,供热管网是供热系统的基本组成部分之一,承担着输配热量至各末端用户的重要任务。供热管网包含有枝状管网及环状管网等复杂结构。若供热管网内部出现压力波动可能给供热系统的稳定可靠运行带来严峻挑战。因此实时监测供热管网压力,及时发现压力波动并报警,避免出现压力异常波动导致管网内部流体震荡或爆管事故发生,切实保证供热系统运行的稳定性和安全性。
引起供热管网压力波动因素众多,如管道材质、敷设方式、施工方法、运行调控、管道或其连接件故障等,要实现准确的供热管网压力波动检测是一项非常有挑战性的任务。目前供热压力波动检测方法主要采用对压力时序数据一次差分及固定门限进行判定。然而供热管网的不同测点的压力范围不同,存在门限设定不准确出现压力波动误判问题。
发明内容
本发明的目的在于针对现有技术中的上述不足,提供一种供热管网压力波动的判定方法,以解决供热管网压力检测,存在门限设定不准确、出现压力波动误判的问题。
为达到上述目的,本发明采取的技术方案是:
一种供热管网压力波动的判定方法,其包括以下步骤:
S1、采集供热管网内换热站的压力数据;
S2、对采集的压力数据进行预处理,并按照不同时间间隔将压力数据进行降采样,得到对应于不同时间间隔的时序数据;
S3、基于一个时序数据进行突变点检测,获取得到压力数据的突变点集合,并计算得到该时序数据的同比振幅;
S4、根据突变点集合之前的一段时间内的同比振幅计算同比振幅阈值;
S5、根据突变点集合之前的一段时间内的同比振幅和时序数据对应时刻点的同比振幅计算同比振幅差值的绝对值;
S6、若同比振幅差值的绝对值大于同比振幅阈值,则判断对应时刻点的压力数据为压力异常波动数据;反之,对应时刻的压力数据为正常数据;
S7、重复步骤S4~步骤S6,直至遍历该时序数据对应的所有时刻点,以判断压力异常波动数据;
S8、重复步骤S3~步骤S7,对剩余的不同时间间隔的时序数据进行压力异常波动的判断。
进一步地,步骤S2中对采集的压力数据进行预处理,包括:
对压力数据进行预处理剔除异常值,生成压力时序数据:
P={p1,...pi...pn}
其中,n为样本总数,pi为在i时刻的压力值。
进一步地,步骤S2中按照不同时间间隔将压力数据进行降采样,得到对应于不同时间间隔的时序数据,包括:
将时序数据P按照t1的时间间隔降采样生成时序数据E={e1,...ei...en},其中,ei为在i时刻的压力值;
将时序数据P按照t2的时间间隔降采样生成时序数据F={f1,...fi...fn},其中,fi为在i时刻的压力值;
将时序数据P按照t3的时间间隔降采样生成时序数据G={g1,...gi...gn},其中,gi为在i时刻的压力值。
进一步地,步骤S3中基于一个时序数据进行突变点检测,获取得到压力数据的突变点集合,包括:
以固定时间间隔w形成时间窗,构造损失函数C(a,a+w):
其中,C(a,a+w)为时刻a到时刻a+w的损失函数;w为窗口的固定时间间隔;gavg为时刻a到时刻a+w内压力均值;
以固定时间间隔w形成时间窗,将两个相邻的窗口Wt,Wt+1沿着时间线滑动,计算两个时间窗差异d(C(a,a+w),C(a+w,a+2w)):
d(C(a,a+w),C(a+w,a+2w))=C(a,a+2w)-C(a,a+w)-C(a+w,a+2w)
其中,d(C(a,a+w),C(a+w,a+2w))为从时间段[a,a+w]与时间段[a+w,a+2w压力数据差异;Ca,a+2w为时刻a到时刻a+2w的损失函数;Ca,a+w为时刻a到时刻a+w的损失函数;C(a+w,a+2w)为从时间a+w到时刻a+2w的损失函数;w为窗口的固定时间间隔;
以滑动窗口的方式计算d(C(a,a+w),C(a+w,a+2w))前k个最大值对应时刻生成压力数据的突变点集合M={m1,...,mi,...mk},其中,k为突变点总个数,mi为某一个时间间隔在i时刻的压力值。
进一步地,步骤S3中计算得到该时序数据的同比振幅,包括:
计算时序数据中对应时刻点的同比振幅CA={ca1,...,cai,...,can},在时刻点i的同比振幅cai:
其中,cai为在i时刻压力的同比振幅;ei为在i时刻压力值;ei-1为在i-1时刻的压力值。
进一步地,步骤S4具体包括:
获取突变点集合M中所有时刻点集合L={l1,...,li,...lk},其中,k为突变点总数,li为编号为i的突变点时刻;
在同比振幅CA集合中获取集合L某一时刻li的前X个同比振幅集合CAX={cax1,...,caxi,...caxx},其中x为样本总数,caxi为在时刻i的同比振幅,li为集合L中编号为i的突变点时刻;
根据前X个同比振幅集合CAX计算同比振幅阈值θ:
θ=max(caxmax-caxavg,caxavg-caxmin)
其中,θ为同比振幅阈值;caxmax为CAX集合中同比振幅最大值;caxmin为CAX集合中同比振幅最小值;caxavg为CAX集合中同比振幅的均值。
进一步地,步骤S5具体包括:
本发明提供的供热管网压力波动的判定方法,具有以下有益效果:
本发明融合拐点检测及短期环比的优势,先通过拐点检测的方法获取压力突变点时刻,再通过短期环比的方法进行筛选过滤得到某一个时间间隔的压力异常波动数据。通过多种时间间隔进行异常波动检测,得到压力数据不同时间维度下压力异常波动,比设定固定门限的方法可降低5%左右的漏报率,为实现供热管网稳定运行提供更为精准的数据支撑。
附图说明
图1为供热管网压力波动的判定方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1
本实施例的供热管网压力波动的判定方法,本实施例依据供热管网的压力数据变化趋势,利用时序突变点检测方法对供热管网的压力数据进行异常波动检测与判定,参考图1,其具体包括以下步骤:
步骤S1、采集供热管网内换热站的压力数据;
步骤S2、对采集的压力数据进行预处理,并按照不同时间间隔将压力数据进行降采样,得到对应于不同时间间隔的时序数据;
步骤S3、基于一个时序数据进行突变点检测,获取得到压力数据的突变点集合,并计算得到该时序数据的同比振幅;
步骤S4、根据突变点集合之前的一段时间内的同比振幅计算同比振幅阈值;
步骤S5、根据突变点集合之前的一段时间内的同比振幅和时序数据对应时刻点的同比振幅计算同比振幅差值的绝对值;
步骤S6、若同比振幅差值的绝对值大于同比振幅阈值,则判断对应时刻点的压力数据为压力异常波动数据;反之,对应时刻的压力数据为正常数据;
步骤S7、重复步骤S4~步骤S6,直至遍历该时序数据对应的所有时刻点,以判断压力异常波动数据;
步骤S8、重复步骤S3~步骤S7,对剩余的不同时间间隔的时序数据进行压力异常波动的判断。
实施例2
本实施例作为实施例1的一种优选,基于实施例1的方法步骤,给出一种具体的实施方式,因供热管网中包含多个换热站,每个换热站包含一次供压、一次回压等多个压力传感器,在下述描述中以其中某换热站的一个压力传感器的采集数据进行描述压力异常波动检测方法,其具体包括以下步骤:
步骤S1、压力数据的采集;
以10秒为间隔采集供热管网内某一换热站的一个压力传感器的数据,并将其存储到数据库中;
步骤S2、压力数据的处理以及时序数据的生成;
对压力值进行预处理剔除异常值,生成压力时序数据P={p1,...pi...pn},其中n为样本总数,pi为在i时刻的压力值;
将时序数据P按照1分钟的时间间隔降采样生成时序数据E={e1,...ei...en},其中n为样本总数,ei为在i时刻的压力值;
将时序数据P按照10分钟的时间间隔降采样生成时序数据F={f1,...fi...fn},其中n为样本总数,fi为在i时刻的压力值;
将时序数据P按照30分钟的时间间隔降采样生成时序数据G={g1,...gi...gn},其中n为样本总数,gi为在i时刻的压力值;
本实施例以时序数据E为例进行以下的描述;
步骤S3、计算得到压力数据的突变点集合和同比振幅;
以固定时间间隔w形成时间窗,构造损失函数C(a,a+w):
其中,C(a,a+w)为时刻a到时刻a+w的损失函数;w为窗口的固定时间间隔;ei为i时刻的压力值;eavg为时刻a到时刻a+w内压力均值;
以固定时间间隔w形成时间窗,将两个相邻的窗口Wt,Wt+1沿着时间线滑动,计算两个时间窗差异d(C(a,a+w),C(a+w,a+2w)):
d(C(a,a+w),C(a+w,a+2w))=C(a,a+2w)-C(a,a+w)-C(a+w,a+2w) (2)
其中,d(C(a,a+w),C(a+w,a+2w))为从时间段[a,a+w]与时间段[a+w,a+2w压力数据差异;Ca,a+2w为时刻a到时刻a+2w的损失函数;Ca,a+w为时刻a到时刻a+w的损失函数;C(a+w,a+2w)为从时间a+w到时刻a+2w的损失函数;w为窗口的固定时间间隔。
以滑动窗口方式计算d(C(a,a+w),C(a+w,a+2w))前k个最大值对应时刻生成压力数据的突变点集合M={m1,...,mi,...mk},其中k为突变点总个数,mi为某一个时间间隔在i时刻的压力值。
计算时序数据E中对应时刻点的同比振幅CA={ca1,...,cai,...,can},在时刻点i的同比振幅cai,具体为:
其中,cai为在i时刻压力的同比振幅;ei为在i时刻压力值;ei-1为在i-1时刻的压力值。
步骤S4、计算同比振幅阈值;
获取突变点集合M中所有时刻点集合L={l1,...,li,...lk},其中k为突变点总数,li为编号为i的突变点时刻。
在CA集合中获取集合L某一时刻li的前X个(默认60)同比振幅集合CAX={cax1,...,caxi,...caxx},其中x为样本总数,caxi为在时刻i的同比振幅,li为集合L中编号为i的突变点时刻。
依据集合CAX计算同比振幅阈值θ,计算为:
θ=max(caxmax-caxavg,caxavg-caxmin) (4)
其中,θ为同比振幅阈值;caxmax为CAX集合中同比振幅最大值;caxmin为CAX集合中同比振幅最小值;caxavg为CAX集合中同比振幅的均值。
步骤S5、计算同比振幅差值的绝对值;
步骤S6、若同比振幅差值的绝对值大于同比振幅阈值,则判断对应时刻点的压力数据为压力异常波动数据;反之,对应时刻的压力数据为正常数据;
步骤S7、重复步骤S4~步骤S6,直至遍历该时序数据对应的所有时刻点,以判断压力异常波动数据;
即根据集合L循环步骤S4~步骤S6的压力异常波动的判断。
步骤S8、重复步骤S3~步骤S7,对剩余的不同时间间隔的时序数据进行压力异常波动的判断,即判定E,F,G三个序列的压力异常波动。
虽然结合附图对发明的具体实施方式进行了详细地描述,但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内,本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
Claims (7)
1.一种供热管网压力波动的判定方法,其特征在于,包括以下步骤:
S1、采集供热管网内换热站的压力数据;
S2、对采集的压力数据进行预处理,并按照不同时间间隔将压力数据进行降采样,得到对应于不同时间间隔的时序数据;
S3、基于一个时序数据进行突变点检测,获取得到压力数据的突变点集合,并计算得到该时序数据的同比振幅;
S4、根据突变点集合之前的一段时间内的同比振幅计算同比振幅阈值;
S5、根据突变点集合之前的一段时间内的同比振幅和时序数据对应时刻点的同比振幅计算同比振幅差值的绝对值;
S6、若同比振幅差值的绝对值大于同比振幅阈值,则判断对应时刻点的压力数据为压力异常波动数据;反之,对应时刻的压力数据为正常数据;
S7、重复步骤S4~步骤S6,直至遍历该时序数据对应的所有时刻点,以判断压力异常波动数据;
S8、重复步骤S3~步骤S7,对剩余的不同时间间隔的时序数据进行压力异常波动的判断。
2.根据权利要求1所述的供热管网压力波动的判定方法,其特征在于,所述步骤S2中对采集的压力数据进行预处理,包括:
对压力数据进行预处理剔除异常值,生成压力时序数据:
P={p1,…pi…pn}
其中,n为样本总数,pi为在i时刻的压力值。
3.根据权利要求2所述的供热管网压力波动的判定方法,其特征在于,所述步骤S2中按照不同时间间隔将压力数据进行降采样,得到对应于不同时间间隔的时序数据,包括:
将时序数据P按照t1的时间间隔降采样生成时序数据E={e1,…ei…en},其中,ei为在i时刻的压力值;
将时序数据P按照t2的时间间隔降采样生成时序数据F={f1,…fi…fn},其中,fi为在i时刻的压力值;
将时序数据P按照t3的时间间隔降采样生成时序数据G={g1,…gi…gn},其中,gi为在i时刻的压力值。
4.根据权利要求3所述的供热管网压力波动的判定方法,其特征在于,所述步骤S3中基于一个时序数据进行突变点检测,获取得到压力数据的突变点集合,包括:
以固定时间间隔w形成时间窗,构造损失函数C(a,a+w):
其中,C(a,a+w)为时刻a到时刻a+w的损失函数;w为窗口的固定时间间隔;eavg为时刻a到时刻a+w内压力均值;
以固定时间间隔w形成时间窗,将两个相邻的窗口Wt,Wt+1沿着时间线滑动,计算两个时间窗差异d(C(a,a+w),C(a+w,a+2w)):
d(C(a,a+w),C(a+w,a+2w))=C(a,a+2w)-C(a,a+w)-C(a+w,a+2w)
其中,d(C(a,a+w),C(a+w,a+2w))为从时间段[a,a+w]与时间段[a+w,a+2w]压力数据差异;C(a,a+2w)为时刻a到时刻a+2w的损失函数;C(a,a+w)为时刻a到时刻a+w的损失函数;C(a+w,a+2w)为从时间a+w到时刻a+2w的损失函数;w为窗口的固定时间间隔;
以滑动窗口的方式计算d(C(a,a+w),C(a+w,a+2w))前k个最大值对应时刻生成压力数据的突变点集合M={m1,…,mi,…mk},其中,k为突变点总个数,mi为某一个时间间隔在i时刻的压力值。
6.根据权利要求5所述的供热管网压力波动的判定方法,其特征在于,所述步骤S4具体包括:
获取突变点集合M中所有时刻点集合L={l1,…,li,…lk},其中,k为突变点总数,li为编号为i的突变点时刻;
在同比振幅CA集合中获取集合L某一时刻li的前X个同比振幅集合CAX={cax1,…,caxi,…caxx},其中x为样本总数,caxi为在时刻i的同比振幅,li为集合L中编号为i的突变点时刻;
根据前X个同比振幅集合CAX计算同比振幅阈值θ:
θ=max(caxmax-caxavg,caxavg-caxmin)
其中,θ为同比振幅阈值;caxmax为CAX集合中同比振幅最大值;caxmin为CAX集合中同比振幅最小值;avg为CAX集合中同比振幅的均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153039.6A CN116123459A (zh) | 2023-02-22 | 2023-02-22 | 一种供热管网压力波动的判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153039.6A CN116123459A (zh) | 2023-02-22 | 2023-02-22 | 一种供热管网压力波动的判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116123459A true CN116123459A (zh) | 2023-05-16 |
Family
ID=86297340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310153039.6A Pending CN116123459A (zh) | 2023-02-22 | 2023-02-22 | 一种供热管网压力波动的判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116123459A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116335925A (zh) * | 2023-05-19 | 2023-06-27 | 山东海纳智能装备科技股份有限公司 | 基于数据增强的煤矿井下乳化泵站智能调控系统 |
-
2023
- 2023-02-22 CN CN202310153039.6A patent/CN116123459A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116335925A (zh) * | 2023-05-19 | 2023-06-27 | 山东海纳智能装备科技股份有限公司 | 基于数据增强的煤矿井下乳化泵站智能调控系统 |
CN116335925B (zh) * | 2023-05-19 | 2023-08-04 | 山东海纳智能装备科技股份有限公司 | 基于数据增强的煤矿井下乳化泵站智能调控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898691B (zh) | 一种河流突发水污染预警溯源方法、系统、终端及介质 | |
CN109325692B (zh) | 水管网的数据实时分析方法及装置 | |
CN104811344B (zh) | 网络动态业务监控方法及装置 | |
CN103279639B (zh) | 基于响应的受端电网电压稳定全过程态势评估及防控方法 | |
CN111173565B (zh) | 一种矿井监测数据异常波动预警方法和装置 | |
CN116123459A (zh) | 一种供热管网压力波动的判定方法 | |
CN106127359A (zh) | 一种基于局部加权线性回归模型的变频水泵出口流量预警方法 | |
CN116304958B (zh) | 一种井下水处理异常智能监测系统及方法 | |
CN108880841A (zh) | 一种业务监控系统的阀值设置、异常检测系统及方法 | |
CN105717887A (zh) | 基于物联网传感数据的油气处理站智能预警系统 | |
CN108108253A (zh) | 一种面向多数据流的异常状态检测方法 | |
US20210065021A1 (en) | Working condition state modeling and model correcting method | |
CN111401529B (zh) | 一种基于遥感技术的河流生态流量监管方法 | |
CN106933097B (zh) | 一种基于多层优化pcc-sdg的化工过程故障诊断方法 | |
CN113757093B (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
CN105717888A (zh) | 一种基于物联网传感数据的噪点过滤系统及智能预警系统 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN104950873B (zh) | 工业控制回路间歇振荡的在线检测方法 | |
CN115588277A (zh) | 一种水利防汛监测系统 | |
CN117989472A (zh) | 一种燃气管道压力监测分析系统及方法 | |
CN105653835A (zh) | 一种基于聚类分析的异常检测方法 | |
CN112307415B (zh) | 一种数字教育录播系统数据异常值在线检测方法 | |
CN109541357A (zh) | 温度变化率差值法电气设备老化检测系统及检测方法 | |
CN209559996U (zh) | 温度变化率差值法电气设备老化检测系统 | |
CN101660401B (zh) | 一种基于加速度传感器的抽油机实时停机监测报警方法 |
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 |