CN116452191A - 一种基于大数据智慧化农村供水数据收集分析系统及方法 - Google Patents
一种基于大数据智慧化农村供水数据收集分析系统及方法 Download PDFInfo
- Publication number
- CN116452191A CN116452191A CN202310426783.9A CN202310426783A CN116452191A CN 116452191 A CN116452191 A CN 116452191A CN 202310426783 A CN202310426783 A CN 202310426783A CN 116452191 A CN116452191 A CN 116452191A
- Authority
- CN
- China
- Prior art keywords
- pipe
- pipe leakage
- value
- flow
- pressure
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013480 data collection Methods 0.000 title claims abstract description 33
- 238000007405 data analysis Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 112
- 238000012544 monitoring process Methods 0.000 claims description 70
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000009172 bursting Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000011946 reduction process Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Emergency Management (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明涉及农村供水大数据分析技术领域,公开了一种基于大数据智慧化农村供水数据收集分析系统及方法,系统包括安装于管网上的若干个压力传感器和若干个流量计,每个所述压力传感器等间距的安装在管网上,每个所述流量计安装于相邻两个所述压力传感器之间的管网上;每个所述压力传感器和每个所述流量计均通讯连接有同一个中央处理系统,所述中央处理系统包括数据收集单元、历史数据储存单元、管漏报警单元和管漏管段计算单元。本发明能够对农村供水管网中发生管漏的管段进行比较精准的定位,便于工作人员能高效的寻找到漏损点,快速进行维修,保证农村供水的稳定,也减少因为漏损导致的水资源的浪费。
Description
技术领域
本发明涉及农村供水大数据分析技术领域,尤其涉及一种基于大数据智慧化农村供水数据收集分析系统及方法。
背景技术
随着国家加快建设“智造重镇”“智慧名城”,智慧小区、智慧工厂大幅增多,农村饮水智慧化速度也逐步加快。智慧化农村供水系统是新农村建设的重要基础设施,充分掌握并预测农村在各个时间段的用水量数据,是实现智慧化供水的前提。现有技术中,由于用水情况掌握不够详细,在一些时间段供水不足,供水系统常会发生波动性供水情况。且因为农村地区管网长,若发生管网漏损,很难在短时间定位漏损位置,将不利于水资源的节约,以及保障居民供水安全。
申请号为CN201910458582.0的专利公开了一种基于时间序列监测数据分析的供水管网漏损报警阈值选取方法,其利用来自多个压力传感器的时间序列数据之间相关性,实时更新报警阈值,在实时监测指标超过报警阈值之后进行漏损报警。步骤包括:(1)建立漏损压力残差矩阵和未漏损压力残差矩阵;(2)构建时空最大相关性矩阵;(3)获取最大相关系数的累积概率分布,选取阈值。该方法在给定虚警率(误报率)的情况下,能够最小化报警阈值,进而提高实时漏损识别率,对提高漏损报警系统的综合性能具有重要意义。
上述现有技术的方法,其虽然通过大数据的分析,可以对供水管网漏损进行报警,识别率也较高;但是其仅仅是对漏损情况进行识别,然后进行报警,而农村地区的输水主干网大多都分布在人烟稀少、地形复杂的地区,铺设的长度也比较长,如果仅仅是利用系统识别出漏损,也还需要人工去长距离的对全部管线进行漏损点寻找,如此的工作量很大,也不能高效的寻找到漏损点,将造成供水的不稳定,以及水资源的浪费。
发明内容
有鉴于此,本发明的目的是提供一种基于大数据智慧化农村供水数据收集分析系统及方法,能够对农村供水管网中发生管漏的管段进行比较精准的定位,便于工作人员能高效的寻找到漏损点,快速进行维修,保证农村供水的稳定,也减少因为漏损导致的水资源的浪费。
本发明通过以下技术手段解决上述技术问题:
第一方面,本发明公开了一种基于大数据智慧化农村供水数据收集分析系统,其特征在于:包括安装于管网上的若干个压力传感器和若干个流量计,每个所述压力传感器等间距的安装在管网上,每个所述流量计安装于相邻两个所述压力传感器之间的管网上;
每个所述压力传感器和每个所述流量计均通讯连接有同一个中央处理系统,所述中央处理系统包括数据收集单元、历史数据储存单元、管漏报警单元和管漏管段计算单元;所述数据收集单元用于收集各个压力传感器的压力值和各个流量计的流量值;所述历史数据储存单元用于储存历史管漏工况下单位时间各个监测点的压力变化值、流量变化值数据,以及各个网段模拟管漏工况下单位时间各监测点的压力变化、流量变化值数据;所述管漏报警单元用于对发生管漏后进行报警;所述管漏管段计算单元用于对发生的管漏的网段进行定位。
进一步,所述数据收集单元包括压力值收集模块和流量值收集模块,所述管漏报警单元包括管漏计算模块和管漏报警模块,所述管漏报警模块蜂鸣报警器和/或警报闪光灯。本技术方案中压力值收集模块和流量值收集模块分别对管网上的压力和流量值进行时时采集,将采集数据传输给历史数据储存单元进行储存,并由管漏管段计算单元对是否发生管漏,若发生管漏则由报警模块发出报警,管漏管段计算单元则计算发生管漏的管段,对管漏的管段进行定位。
第二方面,本发明还公开了一种基于大数据智慧化农村供水数据收集分析方法,使用上述的基于大数据智慧化农村供水数据收集分析系统,具体包括以下步骤:
S1、数据收集单元每间隔单位时间t,收集一次管网各监测点的压力值T和流量值L,并建立各监测点的压力值和流量值数据库;
S2、建立历史管漏工况下单位时间各个监测点的压力变化值△T0、流量变化值△L0数据库;以及各个网段模拟管漏工况下单位时间各监测点的压力变化值△T1、流量变化值△L1数据库;
S3、管漏管段计算单元获取实际管漏状态下的各监测点的压力值和流量值,并计算实际管漏工况与管漏发生前各监测点的压力变化值△T2和流量变化值△L2,并与压力变化值△T0、流量变化值△L0、压力变化值△T1、流量变化值△L1进行比对,计算实际管漏压力变化值△T2、流量变化值△L2、压力变化值△T0、流量变化值△L0、压力变化值△T1、流量变化值△L1在数据库中行向量模的差值E;
S4、根据各监测点的压力值T、流量值L,历史管漏工况下监测点的压力变化值△T0、流量变化值△L0,以及压力变化值△T1和流量变化值△L1,统计分析不同管漏情况的管漏率,并进行归一化处理,根据归一化处理得出的管漏率的高低,对不同管漏因素进行管漏风险等级划分,得到压力相关性系数Δa和流量相关性系数Δb;
S5、创建供水管网的神经网络模型,并对神经网络进行训练,完成对神经网络函数组合的比较及选择,得到优选的神经网络;
S6、将再次收集的各监测点的压力值T和流量值L,导入优选的神经网络,筛选出可能管漏的管段信息,并按照发生管漏的概率大小对管段进行排序;
S7、动态调整Δa和Δb,多次重复S6步骤,每次筛选出管段信息,并对管段进行排序,计算每次排序的概率平均值,概率平均值最大的管段为管漏发生管段,得到管漏管段结果。
进一步,所述步骤S3中,在计算实际管漏压力变化值△T2、流量变化值△L2、压力变化值△T0、流量变化值△L0、压力变化值△T1、流量变化值△L1在数据库中行向量模的差值E的方法为,
其中,n1为压力传感器的数量,n2为流量传感器的数量,所述压力值的单位为MPa,所述流量值的单位为L/s。
进一步,所述步骤S4中,在进行归一化处理时,对不同管漏情况的管漏率进行线性转换,转换时若管漏率数据归一化0至1之间,则若管漏率数据归一化到-1至1之间,则/>其中x为不同爆管因素组成的原始输入向量,y为归一化后的输入向量,xmin为某种爆管因素的最小值,xmax为某种爆管因素的最大值。
进一步,所述步骤S4中,对不同管漏因素进行管漏风险等级划分,并得到压力相关性系数Δa和流量相关性系数Δb的方法为,
其中,△T0表示历史管漏工况下单位时间各个监测点的压力变化值,△T1表示模拟管漏工况下单位时间各监测点的压力变化值,△T2表示实际管漏工况与管漏发生前各监测点的压力变化值;△L0表示历史管漏工况下单位时间各个监测点的流量变化值,△L1表示模拟管漏工况下单位时间各监测点的流量变化值,△L2表示实际管漏工况与管漏发生前各监测点的流量变化值;r表示历史管漏工况下各个管段发生管漏的调整参考值。
进一步,所述r的初始值为0.8,所述r根据历史管漏的发生情况进行动态调整,其中r=0.85-0.95。
进一步,所述步骤S7中对历史管漏工况下各个管段发生管漏的调整参考值r的调整次数不小于3次。
进一步,所述步骤S5中,在对神经网络进行训练时,得到优先的神经网络时,先随机初始化参数θ,通过前向算法计算出每一层的激活单元,计算最后一层的误差,再利用该误差运用反向传播法计算直至第二层的所有误差,计算偏导数和梯度,更新参数,最后不断迭代,更新参数直至达到收敛条件。
进一步,所述步骤S6中,在进行所述将再次收集的各监测点的压力值T和流量值L,导入优选的神经网络,筛选出可能管漏的管段信息时,还对筛选出的管漏管段进行降噪处理,所述降噪处理包括:将各监测点的压力值T和流量值L进行信号变换,得到精准系数WT和WL,然后在神经网络中对噪音方差进行估计:其中,X(T,L)为噪音方差,WT为各监测点的压力值T进行信号变换后的精准系数,WL为各监测点的流量值L进行信号变换后的精准系数,n为压力传感器的数量与流量传感器的数量之和,即n=n1+n2;
根据噪音方差X(T,L)、压力相关性系数Δa和流量相关性系数Δb带入到阈值系数公式,求得管漏段发生管漏的概率 其中,n=n1+n2。
本发明的有益效果:
1、本发明基于大数据智慧化农村供水数据收集分析系统中的压力值收集模块和流量值收集模块分别对管网上的压力和流量值进行时时采集,将采集数据传输给历史数据储存单元进行储存,并由管漏管段计算单元对是否发生管漏,若发生管漏则由报警模块发出报警,管漏管段计算单元则计算发生管漏的管段,对管漏的管段进行定位。
2、本发明先建立历史管漏工况下单位时间各个监测点的压力变化值、流量变化值数据库;以及各个网段模拟管漏工况下单位时间各监测点的压力变化值、流量变化值数据库,然后时时采集各监测点的压力值和流量值,并计算行向量模的差值E,统计分析不同管漏情况的管漏率,再进行归一化处理,根据归一化处理得出的管漏率的高低,对不同管漏因素进行管漏风险等级划分,最后训练出优选的神经模型,将收集的压力值和流量值导入优选的神经网络,筛选出可能管漏的管段信息,并按照发生管漏的概率大小对管段进行排序,且至少3次的动态调整Δa和Δb,每次筛选出管段管漏的概率信息,计算每次排序的概率平均值,概率平均值最大的管段为管漏发生管段,得到管漏管段结果。在整个的分析过程中,依靠收集的大数据进行智能化的自动分析,将发生管漏的最大概率的管段自动定位出来,从而便于工作人员能高效的寻找到漏损点,快速进行维修,保证农村供水的稳定,也减少因为漏损导致的水资源的浪费。
3、本发明在在进行所述将再次收集的各监测点的压力值T和流量值L,导入优选的神经网络,筛选出可能管漏的管段信息时,还对筛选出的管漏管段进行降噪处理,在进行降噪处理时,充分利用噪音方差、各监测点的压力值T进行信号变换后的精准系数,WL为各监测点的流量值L进行信号变换后的精准系数等,在计算管段发生管漏的概率时,更加的精确。
附图说明
图1是本发明中管网以及管网上压力传感器和流量计的安装示意图;
图2是本发明一种基于大数据智慧化农村供水数据收集分析系统的示意图;
图3是本发明一种基于大数据智慧化农村供水数据收集分析方法的流程图。
其中,管网1、压力传感器2、流量计3。
具体实施方式
以下将结合附图和具体实施例对本申请进行详细说明,需要说明的是,在附图或说明书描述中,相似或相同的部分都使用相同的图号,附图中未绘示或描述的实现方式,为所属技术领域中普通技术人员所知的形式。在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1、
如图1-2所示:第一方面,本发明公开了一种基于大数据智慧化农村供水数据收集分析系统,其特征在于:包括安装于管网上的若干个压力传感器和若干个流量计,每个所述压力传感器等间距的安装在管网上,每个所述流量计安装于相邻两个所述压力传感器之间的管网上;每个所述压力传感器和每个所述流量计均通讯连接有同一个中央处理系统,所述中央处理系统包括数据收集单元、历史数据储存单元、管漏报警单元和管漏管段计算单元;所述数据收集单元用于收集各个压力传感器的压力值和各个流量计的流量值;所述历史数据储存单元用于储存历史管漏工况下单位时间各个监测点的压力变化值、流量变化值数据,以及各个网段模拟管漏工况下单位时间各监测点的压力变化、流量变化值数据;所述管漏报警单元用于对发生管漏后进行报警;所述管漏管段计算单元用于对发生的管漏的网段进行定位。所述数据收集单元包括压力值收集模块和流量值收集模块,所述管漏报警单元包括管漏计算模块和管漏报警模块,所述管漏报警模块蜂鸣报警器和/或警报闪光灯。
实施例2、
本实施例为一种基于大数据智慧化农村供水数据收集分析方法,使用上述实施例1的基于大数据智慧化农村供水数据收集分析系统,如图3所示,具体包括以下步骤:
S1、数据收集单元每间隔单位时间t,收集一次管网各监测点的压力值T和流量值L,并建立各监测点的压力值和流量值数据库;
S2、建立历史管漏工况下单位时间各个监测点的压力变化值△T0、流量变化值△L0数据库;以及各个网段模拟管漏工况下单位时间各监测点的压力变化值△T1、流量变化值△L1数据库;
S3、管漏管段计算单元获取实际管漏状态下的各监测点的压力值和流量值,并计算实际管漏工况与管漏发生前各监测点的压力变化值△T2和流量变化值△L2,并与压力变化值△T0、流量变化值△L0、压力变化值△T1、流量变化值△L1进行比对,计算实际管漏压力变化值△T2、流量变化值△L2、压力变化值△T0、流量变化值△L0、压力变化值△T1、流量变化值△L1在数据库中行向量模的差值E,本实施例在计算实际管漏压力变化值△T2、流量变化值△L2、压力变化值△T0、流量变化值△L0、压力变化值△T1、流量变化值△L1在数据库中行向量模的差值E的方法为,
其中,n1为压力传感器的数量,n2为流量传感器的数量,所述压力值的单位为MPa,所述流量值的单位为L/s;
S4、根据各监测点的压力值T、流量值L,历史管漏工况下监测点的压力变化值△T0、流量变化值△L0,以及压力变化值△T1和流量变化值△L1,统计分析不同管漏情况的管漏率,并进行归一化处理,根据归一化处理得出的管漏率的高低,对不同管漏因素进行管漏风险等级划分,得到压力相关性系数Δa和流量相关性系数Δb,在进行归一化处理时,对不同管漏情况的管漏率进行线性转换,转换时若管漏率数据归一化0至1之间,则若管漏率数据归一化到-1至1之间,则/>其中x为不同爆管因素组成的原始输入向量,y为归一化后的输入向量,xmin为某种爆管因素的最小值,xmax为某种爆管因素的最大值;对不同管漏因素进行管漏风险等级划分,并得到压力相关性系数Δa和流量相关性系数Δb的方法为,
其中,△T0表示历史管漏工况下单位时间各个监测点的压力变化值,△T1表示模拟管漏工况下单位时间各监测点的压力变化值,△T2表示实际管漏工况与管漏发生前各监测点的压力变化值;△L0表示历史管漏工况下单位时间各个监测点的流量变化值,△L1表示模拟管漏工况下单位时间各监测点的流量变化值,△L2表示实际管漏工况与管漏发生前各监测点的流量变化值;r表示历史管漏工况下各个管段发生管漏的调整参考值,r的初始值为0.8,所述r根据历史管漏的发生情况进行动态调整,其中r=0.85-0.95。
S5、创建供水管网的神经网络模型,并对神经网络进行训练,完成对神经网络函数组合的比较及选择,得到优选的神经网络,在对神经网络进行训练时,得到优先的神经网络时,先随机初始化参数θ,通过前向算法计算出每一层的激活单元,计算最后一层的误差,再利用该误差运用反向传播法计算直至第二层的所有误差,计算偏导数和梯度,更新参数,最后不断迭代,更新参数直至达到收敛条件;
S6、将再次收集的各监测点的压力值T和流量值L,导入优选的神经网络,筛选出可能管漏的管段信息,并按照发生管漏的概率大小对管段进行排序;
S7、动态调整Δa和Δb,三次重复S6步骤,r的选值分别是0.85、0.90、0.95,每次筛选出管段信息,并对管段进行排序,计算每次排序的概率平均值,概率平均值最大的管段为管漏发生管段,得到管漏管段结果。
本实施例以重庆市永川区某镇的农村供水为例,利用本实施例的系统和方法进行管漏位置分析定位。已知本供水主管网长度总共48.9公里,在整个管网上安装压力传感器28个,流量计28个,分别于2022年3月和2022年9月管漏报警模块发出警报,然后本发明的供水数据收集分析系统自动进行分析,分析出位于某200米长度范围内管段处有管漏发生,得到及时有效处理。
实施例3、
本实施例与实施例2对比,其区别在于,本实施例中在进行所述将再次收集的各监测点的压力值T和流量值L,导入优选的神经网络,筛选出可能管漏的管段信息时,还对筛选出的管漏管段进行降噪处理,所述降噪处理包括:将各监测点的压力值T和流量值L进行信号变换,得到精准系数WT和WL,然后在神经网络中对噪音方差进行估计:其中,X(T,L)为噪音方差,WT为各监测点的压力值T进行信号变换后的精准系数,WL为各监测点的流量值L进行信号变换后的精准系数,n为压力传感器的数量与流量传感器的数量之和,即n=n1+n2;
根据噪音方差X(T,L)、压力相关性系数Δa和流量相关性系数Δb带入到阈值系数公式,求得管漏段发生管漏的概率 其中,n=n1+n2。
从本实施例的预测精准性上,本实施例可以达到99.5%以上,而实施例2的精准率在95%左右。虽然本实施例的精准率只是略高于实施例2,但精准率的提升,将大大的降低工作人员对漏点的寻找时间,进一步的保证供水的稳定和水资源的浪费。
在本申请所提供的实施例中,应该理解到,所揭露的装置、系统和方法,也可以通过其它的方式实现。以上所描述的装置、系统和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于大数据智慧化农村供水数据收集分析系统,其特征在于:包括安装于管网上的若干个压力传感器和若干个流量计,每个所述压力传感器等间距的安装在管网上,每个所述流量计安装于相邻两个所述压力传感器之间的管网上;
每个所述压力传感器和每个所述流量计均通讯连接有同一个中央处理系统,所述中央处理系统包括数据收集单元、历史数据储存单元、管漏报警单元和管漏管段计算单元;所述数据收集单元用于收集各个压力传感器的压力值和各个流量计的流量值;所述历史数据储存单元用于储存历史管漏工况下单位时间各个监测点的压力变化值、流量变化值数据,以及各个网段模拟管漏工况下单位时间各监测点的压力变化、流量变化值数据;所述管漏报警单元用于对发生管漏后进行报警;所述管漏管段计算单元用于对发生的管漏的网段进行定位。
2.根据权利要求1所述的一种基于大数据智慧化农村供水数据收集分析系统,其特征在于:所述数据收集单元包括压力值收集模块和流量值收集模块,所述管漏报警单元包括管漏计算模块和管漏报警模块,所述管漏报警模块蜂鸣报警器和/或警报闪光灯。
3.一种基于大数据智慧化农村供水数据收集分析方法,其特征在于:使用权利要求2所述的基于大数据智慧化农村供水数据收集分析系统,包括以下步骤:
S1、数据收集单元每间隔单位时间t,收集一次管网各监测点的压力值T和流量值L,并建立各监测点的压力值和流量值数据库;
S2、建立历史管漏工况下单位时间各个监测点的压力变化值△T0、流量变化值△L0数据库;以及各个网段模拟管漏工况下单位时间各监测点的压力变化值△T1、流量变化值△L1数据库;
S3、管漏管段计算单元获取实际管漏状态下的各监测点的压力值和流量值,并计算实际管漏工况与管漏发生前各监测点的压力变化值△T2和流量变化值△L2,并与压力变化值△T0、流量变化值△L0、压力变化值△T1、流量变化值△L1进行比对,计算实际管漏压力变化值△T2、流量变化值△L2、压力变化值△T0、流量变化值△L0、压力变化值△T1、流量变化值△L1在数据库中行向量模的差值E;
S4、根据各监测点的压力值T、流量值L,历史管漏工况下监测点的压力变化值△T0、流量变化值△L0,以及压力变化值△T1和流量变化值△L1,统计分析不同管漏情况的管漏率,并进行归一化处理,根据归一化处理得出的管漏率的高低,对不同管漏因素进行管漏风险等级划分,得到压力相关性系数Δa和流量相关性系数Δb;
S5、创建供水管网的神经网络模型,并对神经网络进行训练,完成对神经网络函数组合的比较及选择,得到优选的神经网络;
S6、将再次收集的各监测点的压力值T和流量值L,导入优选的神经网络,筛选出可能管漏的管段信息,并按照发生管漏的概率大小对管段进行排序;
S7、动态调整Δa和Δb,多次重复S6步骤,每次筛选出管段信息,并对管段进行排序,计算每次排序的概率平均值,概率平均值最大的管段为管漏发生管段,得到管漏管段结果。
4.根据权利要求3所述的一种基于大数据智慧化农村供水数据收集分析方法,其特征在于:所述步骤S3中,在计算实际管漏压力变化值△T2、流量变化值△L2、压力变化值△T0、流量变化值△L0、压力变化值△T1、流量变化值△L1在数据库中行向量模的差值E的方法为,
其中,n1为压力传感器的数量,n2为流量传感器的数量,所述压力值的单位为MPa,所述流量值的单位为L/s。
5.根据权利要求4所述的一种基于大数据智慧化农村供水数据收集分析方法,其特征在于:所述步骤S4中,在进行归一化处理时,对不同管漏情况的管漏率进行线性转换,转换时若管漏率数据归一化0至1之间,则若管漏率数据归一化到-1至1之间,则其中x为不同爆管因素组成的原始输入向量,y为归一化后的输入向量,xmin为某种爆管因素的最小值,xmax为某种爆管因素的最大值。
6.根据权利要求5所述的一种基于大数据智慧化农村供水数据收集分析方法,其特征在于:所述步骤S4中,对不同管漏因素进行管漏风险等级划分,并得到压力相关性系数Δa和流量相关性系数Δb的方法为,
其中,△T0表示历史管漏工况下单位时间各个监测点的压力变化值,△T1表示模拟管漏工况下单位时间各监测点的压力变化值,△T2表示实际管漏工况与管漏发生前各监测点的压力变化值;△L0表示历史管漏工况下单位时间各个监测点的流量变化值,△L1表示模拟管漏工况下单位时间各监测点的流量变化值,△L2表示实际管漏工况与管漏发生前各监测点的流量变化值;r表示历史管漏工况下各个管段发生管漏的调整参考值。
7.根据权利要求6所述的一种基于大数据智慧化农村供水数据收集分析方法,其特征在于:所述r的初始值为0.8,所述r根据历史管漏的发生情况进行动态调整,其中r=0.85-0.95。
8.根据权利要求7所述的一种基于大数据智慧化农村供水数据收集分析方法,其特征在于:所述步骤S7中对历史管漏工况下各个管段发生管漏的调整参考值r的调整次数不小于3次。
9.根据权利要求8所述的一种基于大数据智慧化农村供水数据收集分析方法,其特征在于:所述步骤S5中,在对神经网络进行训练时,得到优先的神经网络时,先随机初始化参数θ,通过前向算法计算出每一层的激活单元,计算最后一层的误差,再利用该误差运用反向传播法计算直至第二层的所有误差,计算偏导数和梯度,更新参数,最后不断迭代,更新参数直至达到收敛条件。
10.根据权利要求9所述的一种基于大数据智慧化农村供水数据收集分析方法,其特征在于:所述步骤S6中,在进行所述将再次收集的各监测点的压力值T和流量值L,导入优选的神经网络,筛选出可能管漏的管段信息时,还对筛选出的管漏管段进行降噪处理,所述降噪处理包括:将各监测点的压力值T和流量值L进行信号变换,得到精准系数WT和WL,然后在神经网络中对噪音方差进行估计:其中,X(T,L)为噪音方差,WT为各监测点的压力值T进行信号变换后的精准系数,WL为各监测点的流量值L进行信号变换后的精准系数,n为压力传感器的数量与流量传感器的数量之和,即n=n1+n2;
根据噪音方差X(T,L)、压力相关性系数Δa和流量相关性系数Δb带入到阈值系数公式,求得管漏段发生管漏的概率 其中,n=n1+n2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310426783.9A CN116452191A (zh) | 2023-04-20 | 2023-04-20 | 一种基于大数据智慧化农村供水数据收集分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310426783.9A CN116452191A (zh) | 2023-04-20 | 2023-04-20 | 一种基于大数据智慧化农村供水数据收集分析系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116452191A true CN116452191A (zh) | 2023-07-18 |
Family
ID=87131785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310426783.9A Pending CN116452191A (zh) | 2023-04-20 | 2023-04-20 | 一种基于大数据智慧化农村供水数据收集分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452191A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116951328A (zh) * | 2023-07-21 | 2023-10-27 | 浙江华创设计有限公司 | 基于大数据的排水管线运行智慧监控系统 |
-
2023
- 2023-04-20 CN CN202310426783.9A patent/CN116452191A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116951328A (zh) * | 2023-07-21 | 2023-10-27 | 浙江华创设计有限公司 | 基于大数据的排水管线运行智慧监控系统 |
CN116951328B (zh) * | 2023-07-21 | 2024-02-06 | 浙江华创设计有限公司 | 基于大数据的排水管线运行智慧监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107355688B (zh) | 一种城镇供水管网漏损控制管理系统 | |
WO2023109370A1 (zh) | 排水管网的故障检测方法、设备、服务器及存储介质 | |
US11959777B2 (en) | Methods and Internet of Things (IoT) systems for safety management of smart gas underground gas pipeline networks | |
US20210148782A1 (en) | Efficient method for localizing leaks in water supply pipe network based on valve operations and online water metering | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
CN116452191A (zh) | 一种基于大数据智慧化农村供水数据收集分析系统及方法 | |
CN113610381B (zh) | 一种基于5g网络的水质远程实时监测系统 | |
CN111121874A (zh) | 一种水源地水质监测评估系统及其评估方法 | |
CN116896481B (zh) | 一种基于物联网的网络安全数据风险评估系统 | |
US11842301B1 (en) | Methods for monitoring distributed energy storage safety and internet of things systems thereof | |
CN116498908B (zh) | 基于超声波流量计的智慧燃气管网监测方法和物联网系统 | |
CN115481940A (zh) | 一种基于大数据的油气管道区域风险监测系统 | |
CN111126853A (zh) | 基于模糊fmea的水利工程风险预警分析方法及系统 | |
CN108615098A (zh) | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN109886506A (zh) | 一种供水管网爆管风险分析方法 | |
CN110426996A (zh) | 基于大数据及人工智能的环境污染监测方法 | |
CN117071706B (zh) | 一种市政道路用排水管网控制系统 | |
CN115830812B (zh) | 泵站建筑物异常沉降智能预警系统及方法 | |
CN114969068B (zh) | 城市压力管网实时流量监测数据分析方法及系统 | |
CN112097125A (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
KR102493362B1 (ko) | Ai를 이용한 상수도 실시간 사고감지 시스템 및 그 방법 | |
CN110455370A (zh) | 防汛抗旱远程遥测显示系统 | |
CN110543122A (zh) | 一种管网安全在线检测的远程智能化物联网自动识别系统及方法 | |
CN108830505A (zh) | 一种基于数据驱动的爆管界定方法 |
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 |