CN116642138A - 一种供水管网新增漏损检测方法 - Google Patents

一种供水管网新增漏损检测方法 Download PDF

Info

Publication number
CN116642138A
CN116642138A CN202310596828.7A CN202310596828A CN116642138A CN 116642138 A CN116642138 A CN 116642138A CN 202310596828 A CN202310596828 A CN 202310596828A CN 116642138 A CN116642138 A CN 116642138A
Authority
CN
China
Prior art keywords
flow
leakage
threshold
water supply
day
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
Application number
CN202310596828.7A
Other languages
English (en)
Inventor
张蕊
刘海星
杨甜甜
赵梦珂
李庚岩
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.)
Dalian Zhishui Huicheng Technology Co ltd
Original Assignee
Dalian Zhishui Huicheng Technology 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 Dalian Zhishui Huicheng Technology Co ltd filed Critical Dalian Zhishui Huicheng Technology Co ltd
Priority to CN202310596828.7A priority Critical patent/CN116642138A/zh
Publication of CN116642138A publication Critical patent/CN116642138A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Computing Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供一种供水管网新增漏损检测方法，涉及一种城市供水管网新增漏损诊断技术领域。该发明获取流量数据，每日流量自动同步到模型数据库，新增漏损检测模型利用流量数据进行漏损监测，其中，新增漏损检测模型包括全天流量检测算法模块、夜间最小流量检测算法模块和漏损事件处理结果自动分析模块。本发明将智能算法运用于新增漏损检测，检测效率远远高于人工巡检。

Description

一种供水管网新增漏损检测方法
技术领域
本发明涉及一种城市供水管网新增漏损诊断技术领域，特别是涉及一种供水管网新增漏损检测方法。
背景技术
城市供水管网发生漏损后，水务公司需要尽快定位管网漏损位置以及减少漏损修复时间。此时，需要先进的软件帮助分析尽快的找到漏损区域，再通过人工定位漏损地点。为避免因挖错位置导致的不必要损失，工程师需要精确定位漏损位置。为帮助水务公司完成漏损检测，国内外陆续出现许多用于测量、分析、监控漏损等的硬件设备及相关技术。
目前管网漏损检测仍以人工巡检的方式为主，在现场利用听音杆、电子听漏仪或者相关仪进行漏点查找。
而安装流量计的区域目前需要人工流量分析，通过查询流量数据、工程师利用漏损分析经验对流量数据对每个表进行分析，得出区域分析结果。
发明内容
针对上述问题中存在的不足之处，本发明提供一种供水管网新增漏损检测方法，使其将智能算法运用于新增漏损检测，检测效率远远高于人工巡检。
为了解决上述问题，本发明提供一种供水管网新增漏损检测方法，其中，获取流量数据，每日流量自动同步到模型数据库，新增漏损检测模型利用流量数据进行漏损监测，其中，新增漏损检测模型包括全天流量检测算法模块、夜间最小流量检测算法模块和漏损事件处理结果自动分析模块；
全天流量检测算法模块包括异常数据处理、构建历史流量序列、计算判别阈值、分析当天有无新增漏损；
夜间最小流量检测算法模块利用夜间最小流量分析同步分析新增漏损；
漏损事件处理结果自动分析模块对漏损事件后续处理进行自动分析。
优选的，异常数据处理是指检测并识别数据库中的异常数据，对异常数据进行处理。
优选的，由于流量监测计在某些时刻存在误差，数据库中会存在部分异常数据，包括数据缺失或流量过大过小，在检测新增漏损前首先对异常数据进行处理，对于数据库中第一天的异常数据，用该天前一时刻的流量代替；对于数据库中其他日期的异常数据，用上一日同时刻的流量代替。
优选的，构建历史流量序列，构建共计24个初始基准流量序列；从数据库中提取若干天正常、较稳定的逐小时流量数据，从中依次选择14天(合计2周)的流量数据，得到若干个14*24的矩阵Ak,ij；
优选的，对每个矩阵Ak,ij，依次求每一列的方差Dk,i，对该矩阵每列的方差按照得到/>平均方差Dk，将min{D1，D2，…，Dk}所对应的矩阵作为阈值矩阵Aij；对阈值矩阵Aij每一列按/>照取平均值，得到基准流量序列Qi。
优选的，计算判别阈值即计算各时刻对应的历史流量序列Qi的均值Mean和标准差Std，得到各时刻对应的判别阈值Threshold；
优选的，对于历史流量判别序列Qi，根据均值，计算得到标准差Stdi，计算判别阈值：Thresholdi＝0.7×Meani+2.4×Stdi从而可得到24个阈值Threshold，判别阈值序列为{Threshold1，Threshold2，…，Threshold24}。
优选的，分析当天有无新增漏损事故发生，即根据流量序列与判别阈值计算分析当天新增漏损情况；
优选的，从1:00时刻的流量数据q1开始分析，即i＝1,2,…,24，比较当日的逐时段流量qi和对应判别阈值Thresholdi，判别公式如下，从而得到判别序列{D1,D2,…,D24}，
优选的，计算目标小区未发生新增漏损时段的隔差值数据；根据往期流量数据计算出正常时段各个隔差值的阈值/>作为判断阈值，采集待测时段夜间最小流量数据{Fi}，i＝T,T-1,…,T-14，计算隔差值CT(M)。
与现有技术相比，本发明具有以下优点：
1)将智能算法运用于新增漏损检测，检测效率远远高于人工巡检；
2)每天自动分析区域内所有流量计流量数据，提供报警结果，极大程度减轻了人工流量分析的工作量；
3)根据每个流量计不同的历史流量情况进行分析，不需要人工分析查看不同时间段的流量数据，效率高；
4)新增漏损检测模块，将全天流量算法与夜间最小流量算法相结合，提高新增漏损检测精度，减小误报率和漏报率；
5)漏损事件处理结果自动分析模块，引入存量漏损事件，并对漏点修复后的漏损情况进行检测，提高技术人员探测和修复效率。
附图说明
图1是本发明的实施例增漏损检测模型结构示意图；
图2是本发明的实施例某区域流量计流量曲线示意图；
图3是本发明的实施例历史的新增漏损发生时间点示意图；
图4是本发明的实施例每日自动生成新增漏损列表；
图5是本发明的实施例管网漏损的漏点示意图；
图6是本发明的实施例漏损事件处理结果自动分析模块示意图；
图7是本发明的实施例漏点修复前示意图；
图8是本发明的实施例漏点修复后示意图；
图9是本发明的实施例修复后流量变化情况示意图。
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，下面结合附图与实例对本发明作进一步详细说明，但所举实例不作为对本发明的限定。
如图1所示，本发明的实施例包括获取流量数据，每日流量自动同步到模型数据库，新增漏损检测模型利用流量数据进行漏损监测。新增漏损检测模型需要构建三个模块，分别为全天流量检测算法模块、夜间最小流量检测算法模块、漏损事件处理结果自动分析模块。
本实施例中，全天流量检测算法模块包括异常数据处理、构建历史流量序列、计算判别阈值、分析当天有无新增漏损。
本实施例中，异常数据处理是指检测并识别数据库中的异常数据，对异常数据进行处理。由于流量监测计在某些时刻存在误差，数据库中会存在部分异常数据，包括数据缺失或流量过大(小)，在检测新增漏损前首先对异常数据进行处理：对于数据库中第一天的异常数据，用该天前一时刻的流量代替；对于数据库中其他日期的异常数据，用上一日同时刻的流量代替。
本实施例中，构建历史流量序列，构建共计24个初始基准流量序列。
具体的，从数据库中提取若干天正常、较稳定的逐小时流量数据，从中依次选择14天(合计2周)的流量数据，得到若干个14*24的矩D2，…，Dk}所对应的矩阵作为阈值矩阵Aij；对阈值矩阵Aij每一列按照/>取平均值，得到基准流量序列Qi；计算判别阈值即计算各时刻对应的历史流量序列Qi的均值Mean和标准差Std，得到各时刻对应的判别阈值Threshold。
对于历史流量判别序列Qi，根据均值，计算得到标准差Stdi；
本实施例中，计算判别阈值：Thresholdi＝0.7×Meani+2.4×Stdi从而可得到24个阈值Threshold，判别阈值序列为{Threshold1，Threshold2，…，Threshold24}；分析当天有无新增漏损事故发生，即根据流量序列与判别阈值计算分析当天新增漏损情况。
具体的，从1:00时刻的流量数据q1开始分析，即i＝1,2,…,24，比较当日的逐时段流量qi和对应判别阈值Thresholdi，判别公式如下，从而得到判别序列{D1,D2,…,D24}；
记SUM0＝1，对于1:00时刻，SUM1＝D1*SUM0+D1；
对于i时刻，计算公式如下：
SUMi＝Di×SUMi-1+Di
若SUMi小于12，则分析i+1时刻，直至24:00时刻，若SUM24小于12，则输出“DMA在该日未出现新增漏损”，本日的新增漏损自动分析算法流程结束；
若SUMi大于等于12，则输出“DMA在该日出现新增漏损”，发出报警，记录报警时刻i，本日的新增漏损自动分析算法流程结束；
估算平均小时漏损流量Leak，公式入下：
若当天无新增漏损出现，在判别下一日有无新增漏损时，需更新历史流量序列(判别阈值序列将更新)，进行新增漏损分析；
若当天出现新增漏损，在判别下一日时，利用估算的小时漏损水量Leak和原有阈值来更新阈值，计算公式为Thresholdi＝Thresholdi+1.4×Leak，可得到更新后的判别阈值序列{Threshold1，Threshold2，…，Threshold24}；再分析当天有无新增漏损事故发生。
本实施例中，夜间最小流量检测算法模块利用夜间最小流量分析同步分析新增漏损。
具体的，计算目标小区未发生新增漏损时段的隔差值数据；
计算往期14天内小时平均流量，小于10时，M＝14,大于等于10时，M＝7；根据往期流量数据计算出正常时段各个隔差值的阈值作为判断阈值；采集待测时段夜间最小流量数据{Fi}，i＝T,T-1,…,T-14；计算隔差值CT(M)；对比CT(M)与/>
若则判定第T天该流量计控制范围出现了新漏损，安排查漏。
本实施例中，漏损事件处理结果自动分析模块对漏损事件后续处理进行自动分析
具体的，系统发出报警1个月内，若漏损事件未进行处理，则将该漏损标记为存量漏损事件；系统发出报警1个月内，对漏点进行了探测和修复，分析修复后的流量：①从1:00时刻的流量数据q1开始分析，即i＝1,2，…，24，比较当日的逐时段流量qi和对应判别阈值Thresholdi，判别公式如下，从而得到判别序列{D1，D2，…，D24}；
记SUM0＝1，对于1:00时刻，SUM1＝D1*SUM0+D1；
对于i时刻，计算公式如下：
SUMi＝Di×SUMi-1+Di
若SUMi小于6，则分析i+1时刻，直至24:00时刻，若SUM24小于6，则输出“新增漏损事件处理完毕，状态正常”；若SUMi大于6，则输出“仍存在漏点未修复，状态异常”。
实施例
某区域流量计流量曲线：(如图2所示)
历史流量数据：通过工程师结合资料与经验人工分析可得出历史的新增漏损发生时间点：(如图3所示)
但每天对每个流量计数据分析，工作量大。每个水表的历史流量情况不同，可能需要查看不同时间段的流量数据，效率低。工程师利用经验进行流量分析，遇到复杂的流量数据，无法快速进行标准化分析，准确性不足。
需要提供一种新的基于智能算法的新增漏损检测模型解决上述技术问题。
本实施例中，全天流量检测算法模块：
其中，异常数据数据处理：
由于流量监测计在某些时刻存在误差，数据库中会存在部分异常数据，包括数据缺失或流量过大(小)，在检测新增漏损前首先对异常数据进行处理：对于数据库中第一天的异常数据，用该天前一时刻的流量代替；对于数据库中其他日期的异常数据，用上一日同时刻的流量代替。
原始数据:
[11.11.11....15 14 13]
[11null 10...14.13.null.]
[11.10.10....15.15.12.]
处理后数据：
[11.11.11....15 14 13]
[11 11 10...14.13.13.]
[11.10.10....15.15.12.]
其中，构建历史流量序列：
提取若干天正常、较稳定的逐小时流量数据，得到若干个14*24的矩阵Ak,ij；
[[11.11.11....15 14 13]
[11 11 10...14.13.13.]
[11.10.10....15.15.12.]
...
[5.2.2....8.8.6.]
[4.2.2....9.8.8.]
[6.3.2....6.6.7.]]
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
0 11 11 11 10 10 9 11 11 14 16 17 17 16 16 15 13 13 15 15 15 15 15 15 15
1 11 11 11 10 10 9 11 11 14 16 17 17 16 16 15 13 13 15 15 16 14 14 13 13
2 11 10 10 10 10 9 11 11 13 16 17 17 17 15 15 14 14 14 16 15 15 15 15 12
3 11 10 10 10 9 10 11 13 15 15 15 14 15 14 13 13 13 14 15 16 15 15 15 14
4 12 12 12 12 11 12 13 15 17 18 18 16 15 15 14 12 14 14 15 16 15 15 15 14
5 12 12 12 12 11 12 13 15 17 18 18 16 15 15 14 12 14 14 15 16 16 16 15 14
6 12 11 11 11 11 11 12 13 15 18 16 17 17 16 15 15 14 16 16 17 16 16 15 14
7 13 11 11 11 11 12 12 13 16 18 16 17 17 16 15 15 14 16 16 17 16 16 15 14
8 13 11 11 11 11 12 12 13 16 18 16 17 17 16 15 15 14 16 16 16 16 15 16 14
9 13 12 11 11 12 11 11 13 15 18 18 18 17 16 15 15 14 16 16 17 16 16 16 14
10 13 12 12 11 11 11 13 15 16 18 18 17 16 16 15 14 15 16 17 17 16 16 17 15
11 13 12 12 12 11 12 13 15 18 18 17 17 16 16 14 15 16 15 17 17 17 16 16 15
12 13 12 12 12 11 13 14 16 18 20 18 17 18 18 16 17 16 18 18 18 18 19 18 16
13 14 15 13 13 13 14 14 17 19 19 18 17 17 16 16 15 15 16 17 17 16 17 16 15
14 13 12 12 12 12 12 12 14 17 18 18 16 17 17 15 15 15 16 17 17 17 16 15 15
…
其中，计算判别阈值：
对每个矩阵Ak,ij，依次求每一列的方差Dk,i，对该矩阵每列的方差按照/>得到平均方差Dk，，将min{D1，D2，…，Dk}所对应的矩阵作为阈值矩阵Aij；
平均方差Dk:0.7472105165315494
阈值矩阵Aij：
[[11.11.11.10.10.9.11.11.14.16.17.17.16.16.15.13.13.15.
15.15.15.15.15.15.]
[11.11.11.10.10.9.11.11.14.16.17.17.16.16.15.13.13.15.
15.16.14.14.13.13.]
[11.10.10.10.10.9.11.11.13.16.17.17.17.15.15.14.14.14.
16.15.15.15.15.12.]
[11.10.10.10.9.10.11.13.15.15.15.14.15.14.13.13.13.14.
15.16.15.15.15.14.]
[12.12.12.12.11.12.13.15.17.18.18.16.15.15.14.12.14.14.
15.16.15.15.15.14.]
[12.12.12.12.11.12.13.15.17.18.18.16.15.15.14.12.14.14.
15.16.16.16.15.14.]
[12.11.11.11.11.11.12.13.15.18.16.17.17.16.15.15.14.16.
16.17.16.16.15.14.]
[13.11.11.11.11.12.12.13.16.18.16.17.17.16.15.15.14.16.
16.17.16.16.15.14.]
[13.11.11.11.11.12.12.13.16.18.16.17.17.16.15.15.14.16.
16.16.16.15.16.14.]
[13.12.11.11.12.11.11.13.15.18.18.18.17.16.15.15.14.16.
16.17.16.16.16.14.]
[13.12.12.11.11.11.13.15.16.18.18.17.16.16.15.14.15.16.
17.17.16.16.17.15.]
[13.12.12.12.11.12.13.15.18.18.17.17.16.16.14.15.16.15.
17.17.17.16.16.15.]
[13.12.12.12.11.13.14.16.18.20.18.17.18.18.16.17.16.18.
18.18.18.19.18.16.]
[14.15.13.13.13.14.14.17.19.19.18.17.17.16.16.15.15.16.
17.17.16.17.16.15.]]
对阈值矩阵Aij每一列按照取平均值，得到基准流量序列Qi；
基准流量序列Qi:[12.29 11.57 11.36 11.14 10.86 11.21 12.21 13.64 15.9317.57 17.07 16.71 16.36 15.79 14.79 14.14 14.21 15.36 16.00 16.43 15.79 15.7915.50 14.21]
对于历史流量判别序列Qi，
SUMi＝Di×SUMi-1+Di
根据历史流量序列Qi的均值Mean和标准差Std，得到各时刻对应的判别阈值Threshold，分析当天有无新增漏损事故发生(the leak detection result)，估算平均小时漏损流量Leak(the leak flow),
若当天出现新增漏损，在判别下一日时，利用估算的小时漏损水量Leak和原有阈值来更新阈值，计算公式为〖Threshold〗_i＝〖Threshold〗_i+1.4×Leak
1 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.28571429 11.5 11.28571429 11.14285714 10.85714286 11.21428571
12.21428571 13.64285714 15.85714286 17.57142857 17.0714285716.71428571
16.42857143 15.71428571 14.78571429 14.21428571 14.2857142915.28571429
16.07142857 16.35714286 15.85714286 15.85714286 15.6428571414.14285714]
Std[0.95831485 1.2392394 0.88063057 0.91473203 0.91473203 1.47253772
1.08091043 1.83642288 1.76704527 1.29362645 0.96097315 0.88063057
0.9035079 0.88063057 0.77261813 1.31901324 0.88063057 1.16057691
0.88352263 0.89499743 0.83299313 1.05945693 0.89499743 1.05945693]
Threshold[14.20234398 13.9784788 13.04697543 12.97232121 12.6866069214.15936116
14.37610656 17.31570289 19.39123339 20.15868147 18.9933748618.47554686
18.23558723 17.47554686 16.33095055 16.85231219 16.0469754317.60686812
17.83847384 18.14713773 17.52312911 17.97605671 17.4328520116.261771]
2 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.35714286 11.64285714 11.42857143 11.28571429 10.9285714311.42857143
12.35714286 13.92857143 16.14285714 17.71428571 17.1428571416.64285714
16.28571429 15.71428571 14.71428571 14.07142857 14.2857142915.28571429
16.16.42857143 15.85714286 15.85714286 15.64285714 14.28571429]
Std[0.89499743 1.17151568 0.82065181 0.88063057 0.88352263 1.34771159
1.04246568 1.7098156 1.59719141 1.22057196 0.98974332 0.89499743
0.95831485 0.88063057 0.79539491 1.43747227 0.88063057 1.16057691
0.9258201 0.82065181 0.83299313 1.05945693 0.89499743 0.88063057]
Threshold[14.14713773 13.9858885 13.06987504 13.04697543 12.695616714.12399461
14.44207422 17.34820263 19.33723997 20.15542964 19.1223437818.43285201
18.20234398 17.47554686 16.30507553 16.94637311 16.0469754317.60686812
17.8516402 18.06987504 17.52312911 17.97605671 17.4328520116.04697543]
3 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.42857143 11.71428571 11.5 11.35714286 11.07142857 11.5
12.42857143 13.92857143 16.14285714 17.92857143 17.2142857116.85714286
16.42857143 15.85714286 14.85714286 14.21428571 14.3571428615.42857143
16.07142857 16.5 15.92857143 15.92857143 15.64285714 14.28571429]
Std[0.82065181 1.09730654 0.73192505 0.81127262 0.70348984 1.29559694
0.97937923 1.7098156 1.59719141 0.96097315 0.8601139 0.51507875
0.9035079 0.74230749 0.63887656 1.4232042 0.81127262 1.11574995
0.88352263 0.82375447 0.79859571 1.03263088 0.89499743 0.88063057]
Threshold[14.06987504 13.90889879 12.96385011 12.9796881 12.4784082614.09119388
14.38732989 17.34820263 19.33723997 19.85051772 18.9345135117.88730036
18.23558723 17.34175784 16.13489599 17.06069412 15.979688117.66007134
17.83847384 18.14750894 17.52576284 17.99383318 17.4328520116.04697543]
4 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.5 11.64285714 11.42857143 11.28571429 11.07142857 11.5
12.35714286 13.78571429 16.07142857 17.92857143 17.0714285716.92857143
16.57142857 15.92857143 14.92857143 14.42857143 14.3571428615.57142857
16.14285714 16.5 16.15.92857143 15.71428571 14.28571429]
Std[0.82375447 1.10886962 0.72843136 0.79539491 0.70348984 1.29559694
0.97153361 1.69783776 1.5795246 0.96097315 0.88352263 0.45736602
0.82065181 0.70348984 0.59333028 1.29362645 0.81127262 1.04978132
0.83299313 0.82375447 0.75592895 1.03263088 0.88063057 0.88063057]
Threshold[14.14750894 13.86059639 12.88543415 12.8765041 12.4784082614.09119388
14.30021007 17.18138981 19.23047777 19.85051772 18.8384738417.84330346
18.21273218 17.33555111 16.11523198 17.01582433 15.979688117.67099121
17.8088434 18.14750894 17.51185789 17.99383318 17.4755468616.04697543]
5 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.57142857 11.64285714 11.42857143 11.21428571 11.0714285711.42857143
12.35714286 13.78571429 16.17.92857143 17.07142857 17.
16.64285714 16.15.14.57142857 14.42857143 15.71428571
16.28571429 16.57142857 16.15.92857143 15.85714286 14.35714286]
Std[0.82065181 1.10886962 0.72843136 0.77261813 0.70348984 1.29362645
0.97153361 1.69783776 1.55838744 0.96097315 0.88352263 0.37796447
0.71784826 0.65465367 0.53452248 1.11574995 0.82065181 0.95831485
0.79539491 0.82065181 0.75592895 1.03263088 0.91473203 0.89499743]
Threshold[14.21273218 13.86059639 12.88543415 12.75952198 12.4784082614.01582433
14.30021007 17.18138981 19.11677489 19.85051772 18.8384738417.75592895
18.07855366 17.30930734 16.06904497 16.80292848 16.0698750417.63091541
17.8765041 18.21273218 17.51185789 17.99383318 17.6866069216.14713773]
6 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.64285714 11.71428571 11.5 11.28571429 11.07142857 11.57142857
12.5 14.16.21428571 17.92857143 17.21428571 17.
16.71428571 16.15.07142857 14.57142857 14.57142857 15.71428571
16.28571429 16.64285714 16.15.92857143 15.85714286 14.5]
Std[0.81127262 1.09730654 0.73192505 0.79539491 0.70348984 1.34771159
1.05220856 1.77281052 1.61150202 0.96097315 0.8601139 0.37796447
0.79539491 0.65465367 0.59333028 1.11574995 0.9035079 0.95831485
0.79539491 0.89499743 0.75592895 1.03263088 0.91473203 0.98198051]
Threshold[14.26540238 13.90889879 12.96385011 12.8765041 12.4784082614.26685175
14.60441712 17.54562104 19.43728976 19.85051772 18.9345135117.75592895
18.30507553 17.30930734 16.25808912 16.80292848 16.3784443817.63091541
17.8765041 18.43285201 17.51185789 17.99383318 17.6866069216.46396101]
7 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.5 11.71428571 11.5 11.21428571 11.11.35714286
12.42857143 13.85714286 16.07142857 18.17.28571429 17.
16.64285714 16.15.07142857 14.57142857 14.5 15.71428571
16.35714286 16.5 16.16.15.92857143 14.57142857]
Std[0.90632697 1.09730654 0.73192505 0.8601139 0.75592895 1.49318178
1.11574995 1.92194629 1.7098156 1.0.79539491 0.37796447
0.81127262 0.65465367 0.59333028 1.11574995 0.98198051 0.95831485
0.81127262 0.98198051 0.75592895 1.06904497 0.88352263 0.97937923]
Threshold[14.31265393 13.90889879 12.96385011 12.93451351 12.5118578914.34350642
14.66007134 17.70103544 19.49105977 20.18.8765041 17.75592895
18.26540238 17.30930734 16.25808912 16.80292848 16.4639610117.63091541
17.9796881 18.46396101 17.51185789 18.13808994 17.695616716.53018703]
8 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.42857143 11.78571429 11.57142857 11.28571429 11.11.35714286
12.5 14.16.14285714 17.85714286 17.42857143 16.92857143
16.5 15.92857143 15.14.5 14.5 15.57142857
16.35714286 16.5 15.92857143 15.92857143 15.92857143 14.57142857]
Std[0.9035079 1.08091043 0.72843136 0.88063057 0.75592895 1.49318178
1.11803399 1.92724822 1.72614942 1.12485827 0.72843136 0.45736602
0.90632697 0.70348984 0.65465367 1.11803399 0.98198051 1.04978132
0.81127262 0.98198051 0.79859571 1.09962888 0.88352263 0.97937923]
Threshold[14.23558723 13.94753514 13.02829129 13.04697543 12.5118578914.34350642
14.73606798 17.85449645 19.59515599 20.10685939 18.8854341517.84330346
18.31265393 17.33555111 16.30930734 16.73606798 16.4639610117.67099121
17.9796881 18.46396101 17.52576284 18.12782919 17.695616716.53018703]
9 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.42857143 11.71428571 11.57142857 11.28571429 10.9285714311.42857143
12.57142857 14.16.21428571 17.85714286 17.28571429 16.85714286
16.5 15.92857143 15.14.5 14.515.57142857
16.35714286 16.42857143 15.92857143 16.15.85714286 14.57142857]
Std[0.9035079 1.09730654 0.72843136 0.88063057 0.70348984 1.49829835
1.04978132 1.92724822 1.69783776 1.12485827 0.79539491 0.34992711
0.90632697 0.70348984 0.65465367 1.11803399 0.98198051 1.04978132
0.81127262 0.97937923 0.79859571 1.06904497 0.91473203 0.97937923]
Threshold[14.23558723 13.90889879 13.02829129 13.04697543 12.3355511114.42516814
14.67099121 17.85449645 19.60996124 20.10685939 18.876504117.55699707
18.31265393 17.33555111 16.30930734 16.73606798 16.4639610117.67099121
17.9796881 18.38732989 17.52576284 18.13808994 17.6866069216.53018703]
10 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.42857143 11.71428571 11.57142857 11.35714286 10.9285714311.57142857
12.64285714 14.07142857 16.35714286 17.85714286 17.2857142916.85714286
16.64285714 15.92857143 15.07142857 14.42857143 14.5714285715.57142857
16.42857143 16.5 15.92857143 16.15.92857143 14.64285714]
Std[0.9035079 1.09730654 0.72843136 0.89499743 0.70348984 1.54523626
1.10886962 1.98077495 1.75691055 1.12485827 0.79539491 0.34992711
0.97153361 0.70348984 0.70348984 1.11574995 1.04978132 1.04978132
0.82065181 1.05220856 0.79859571 1.06904497 0.96097315 1.04246568]
Threshold[14.23558723 13.90889879 13.02829129 13.14713773 12.3355511114.66190109
14.86059639 18.03297846 19.87096396 20.10685939 18.876504117.55699707
18.58592436 17.33555111 16.47840826 16.66007134 16.6709912117.67099121
18.06987504 18.60441712 17.52576284 18.13808994 17.8505177216.7277885]
11 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.35714286 11.71428571 11.57142857 11.35714286 10.9285714311.57142857
12.64285714 14.07142857 16.28571429 17.71428571 17.3571428616.78571429
16.57142857 15.85714286 15.07142857 14.42857143 14.4285714315.42857143
16.35714286 16.42857143 15.85714286 15.92857143 15.7857142914.57142857]
Std[0.89499743 1.09730654 0.72843136 0.89499743 0.70348984 1.54523626
1.10886962 1.98077495 1.70832296 1.22057196 0.81127262 0.4103259
1.04978132 0.74230749 0.70348984 1.11574995 0.97937923 1.11574995
0.81127262 1.04978132 0.83299313 1.09962888 0.93949617 1.04978132]
Threshold[14.14713773 13.90889879 13.02829129 13.14713773 12.3355511114.66190109
14.86059639 18.03297846 19.70236021 20.15542964 18.979688117.60636609
18.67099121 17.34175784 16.47840826 16.66007134 16.3873298917.66007134
17.9796881 18.52813407 17.52312911 18.12782919 17.6647066316.67099121]
12 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.35714286 11.71428571 11.57142857 11.35714286 10.9285714311.57142857
12.64285714 14.07142857 16.28571429 17.71428571 17.3571428616.78571429
16.57142857 15.85714286 15.07142857 14.35714286 14.42857143 15.5
16.35714286 16.42857143 15.78571429 15.92857143 15.8571428614.57142857]
Std[0.89499743 1.09730654 0.72843136 0.89499743 0.70348984 1.54523626
1.10886962 1.98077495 1.70832296 1.22057196 0.81127262 0.4103259
1.04978132 0.74230749 0.70348984 1.10886962 0.97937923 1.11803399
0.81127262 1.04978132 0.77261813 1.09962888 0.98974332 1.04978132]
Threshold[14.14713773 13.90889879 13.02829129 13.14713773 12.3355511114.66190109
14.86059639 18.03297846 19.70236021 20.15542964 18.979688117.60636609
18.67099121 17.34175784 16.47840826 16.5748821 16.3873298917.73606798
17.9796881 18.52813407 17.33095055 18.12782919 17.8366294916.67099121]
13 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.28571429 11.5 11.5 11.28571429 10.78571429 11.5
12.64285714 14.16.21428571 17.57142857 17.35714286 16.78571429
16.64285714 15.71428571 15.07142857 14.14285714 14.5 15.35714286
16.28571429 16.5 15.64285714 15.71428571 15.78571429 14.64285714]
Std[0.79539491 0.62678317 0.62678317 0.79539491 0.4103259 1.4516001
1.10886962 1.88982237 1.61150202 1.04978132 0.81127262 0.4103259
1.10886962 0.45175395 0.70348984 0.83299313 1.05220856 0.89499743
0.69985421 1.11803399 0.47915742 0.69985421 0.8601139 1.10886962]
Threshold[13.8765041 12.75356634 12.75356634 12.8765041 11.6063660914.4032002
14.86059639 17.77964473 19.43728976 19.67099121 18.979688117.60636609
18.86059639 16.61779362 16.47840826 15.8088434 16.6044171217.14713773
17.68542271 18.73606798 16.60117199 17.11399414 17.5059420816.86059639]
14 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[12.42857143 11.57142857 11.57142857 11.42857143 10.7857142911.71428571
12.71428571 14.21428571 16.42857143 17.5 17.42857143 16.71428571
16.71428571 15.71428571 15.07142857 14.14285714 14.6428571415.35714286
16.28571429 16.64285714 15.64285714 15.64285714 15.7142857114.64285714]
Std[0.72843136 0.62269985 0.62269985 0.72843136 0.4103259 1.27775313
1.03015751 1.69783776 1.49829835 0.98198051 0.82065181 0.45175395
1.09730654 0.45175395 0.70348984 0.83299313 0.97153361 0.89499743
0.69985421 1.04246568 0.47915742 0.61028598 0.88063057 1.10886962]
Threshold[13.88543415 12.81682827 12.81682827 12.88543415 11.6063660914.26979197
14.77460073 17.60996124 19.42516814 19.46396101 19.0698750417.61779362
18.90889879 16.61779362 16.47840826 15.8088434 16.5859243617.14713773
17.68542271 18.7277885 16.60117199 16.86342911 17.4755468616.86059639]
…
381 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[1.1.07142857 1.57142857 1.35714286 1.14285714 1.35714286
2.78571429 5.7.28571429 8.14285714 7.71428571 6.92857143
6.57142857 6.5 5.28571429 5.07142857 5.35714286 5.92857143
6.57142857 6.57142857 1.64285714 1.42857143 1.5 1.64285714]
Std[0.0.25753938 0.49487166 0.47915742 0.34992711 0.47915742
0.4103259 1.06904497 0.69985421 0.63887656 0.88063057 0.96097315
0.82065181 0.82375447 0.88063057 0.79859571 0.61028598 0.25753938
0.49487166 0.62269985 0.47915742 0.49487166 0.5 0.47915742]
Threshold[1.1.58650733 2.56117189 2.3154577 1.84271136 2.3154577
3.60636609 7.13808994 8.68542271 9.42061027 9.47554686 8.85051772
8.21273218 8.14750894 7.04697543 6.66861998 6.57771482 6.44365018
7.56117189 7.81682827 2.60117199 2.41831475 2.5 2.60117199]
382 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[1.1.07142857 1.57142857 1.42857143 1.14285714 1.42857143
2.85714286 4.92857143 7.28571429 8.21428571 7.71428571 6.92857143
6.71428571 6.64285714 5.35714286 5.14285714 5.35714286 5.92857143
6.57142857 6.57142857 1.64285714 1.42857143 1.5 1.64285714]
Std[0.0.25753938 0.49487166 0.49487166 0.34992711 0.49487166
0.34992711 1.03263088 0.69985421 0.6738558 0.88063057 0.96097315
0.88063057 0.89499743 0.81127262 0.83299313 0.61028598 0.25753938
0.49487166 0.62269985 0.47915742 0.49487166 0.5 0.47915742]
Threshold[1.1.58650733 2.56117189 2.41831475 1.84271136 2.41831475
3.55699707 6.99383318 8.68542271 9.5619973 9.47554686 8.85051772
8.47554686 8.43285201 6.9796881 6.8088434 6.57771482 6.44365018
7.56117189 7.81682827 2.60117199 2.41831475 2.5 2.60117199]
383 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[1.1.07142857 1.64285714 1.5 1.14285714 1.5
2.78571429 5.7.35714286 8.21428571 7.78571429 7.
6.71428571 6.71428571 5.35714286 5.14285714 5.35714286 5.92857143
6.57142857 6.57142857 1.64285714 1.42857143 1.5 1.64285714]
Std[0.0.25753938 0.47915742 0.5 0.34992711 0.5
0.4103259 1.06904497 0.71784826 0.6738558 0.8601139 1.
0.88063057 0.88063057 0.81127262 0.83299313 0.61028598 0.25753938
0.49487166 0.62269985 0.47915742 0.49487166 0.5 0.47915742]
Threshold[1.1.58650733 2.60117199 2.5 1.84271136 2.5
3.60636609 7.13808994 8.79283937 9.5619973 9.50594208 9.
8.47554686 8.47554686 6.9796881 6.8088434 6.57771482 6.44365018
7.56117189 7.81682827 2.60117199 2.41831475 2.5 2.60117199]
384 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[1.1.07142857 1.64285714 1.5 1.14285714 1.5
2.78571429 5.7.35714286 8.21428571 7.85714286 7.07142857
6.71428571 6.78571429 5.35714286 5.21428571 5.42857143 5.92857143
6.64285714 6.57142857 1.64285714 1.42857143 1.5 1.64285714]
Std[0.0.25753938 0.47915742 0.5 0.34992711 0.5
0.4103259 1.06904497 0.71784826 0.6738558 0.83299313 0.96097315
0.88063057 0.8601139 0.81127262 0.77261813 0.62269985 0.25753938
0.47915742 0.62269985 0.47915742 0.49487166 0.5 0.47915742]
Threshold[1.1.58650733 2.60117199 2.5 1.84271136 2.5
3.60636609 7.13808994 8.79283937 9.5619973 9.52312911 8.99337486
8.47554686 8.50594208 6.9796881 6.75952198 6.67397113 6.44365018
7.60117199 7.81682827 2.60117199 2.41831475 2.5 2.60117199]
385 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[1.1.07142857 1.71428571 1.57142857 1.14285714 1.57142857
2.85714286 5.07142857 7.28571429 8.35714286 7.85714286 7.14285714
6.85714286 6.78571429 5.35714286 5.21428571 5.57142857 5.92857143
6.64285714 6.71428571 1.64285714 1.42857143 1.5 1.64285714]
Std[0.0.25753938 0.45175395 0.49487166 0.34992711 0.49487166
0.34992711 1.03263088 0.69985421 0.61028598 0.83299313 0.98974332
0.91473203 0.8601139 0.81127262 0.77261813 0.49487166 0.25753938
0.47915742 0.45175395 0.47915742 0.49487166 0.5 0.47915742]
Threshold[1.1.58650733 2.61779362 2.56117189 1.84271136 2.56117189
3.55699707 7.13669033 8.68542271 9.57771482 9.52312911 9.12234378
8.68660692 8.50594208 6.9796881 6.75952198 6.56117189 6.44365018
7.60117199 7.61779362 2.60117199 2.41831475 2.5 2.60117199]
386 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[1.1.07142857 1.71428571 1.57142857 1.14285714 1.57142857
2.85714286 5.14285714 7.35714286 8.42857143 7.85714286 7.14285714
6.85714286 6.85714286 5.5 5.21428571 5.57142857 5.92857143
6.64285714 6.71428571 1.64285714 1.42857143 1.5 1.64285714]
Std[0.0.25753938 0.45175395 0.49487166 0.34992711 0.49487166
0.34992711 0.91473203 0.61028598 0.62269985 0.83299313 0.98974332
0.91473203 0.91473203 0.73192505 0.77261813 0.49487166 0.25753938
0.47915742 0.45175395 0.47915742 0.49487166 0.5 0.47915742]
Threshold[1.1.58650733 2.61779362 2.56117189 1.84271136 2.56117189
3.55699707 6.97232121 8.57771482 9.67397113 9.52312911 9.12234378
8.68660692 8.68660692 6.96385011 6.75952198 6.56117189 6.44365018
7.60117199 7.61779362 2.60117199 2.41831475 2.5 2.60117199]
387 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[1.1.07142857 1.78571429 1.64285714 1.14285714 1.57142857
2.85714286 5.07142857 7.5 8.42857143 7.85714286 7.35714286
6.85714286 6.85714286 5.57142857 5.28571429 5.57142857 5.92857143
6.64285714 6.71428571 1.64285714 1.42857143 1.5 1.64285714]
Std[0.0.25753938 0.4103259 0.47915742 0.34992711 0.49487166
0.34992711 0.88352263 0.5 0.62269985 0.83299313 1.04246568
0.91473203 0.91473203 0.72843136 0.69985421 0.49487166 0.25753938
0.47915742 0.45175395 0.47915742 0.49487166 0.5 0.47915742]
Threshold[1.1.58650733 2.60636609 2.60117199 1.84271136 2.56117189
3.55699707 6.83847384 8.5 9.67397113 9.52312911 9.44207422
8.68660692 8.68660692 7.02829129 6.68542271 6.56117189 6.44365018
7.60117199 7.61779362 2.60117199 2.41831475 2.5 2.60117199]
388 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[1.1.07142857 1.85714286 1.64285714 1.14285714 1.64285714
2.85714286 5.07142857 7.57142857 8.42857143 7.85714286 7.5
6.85714286 6.92857143 5.57142857 5.28571429 5.64285714 5.92857143
6.64285714 6.71428571 1.64285714 1.42857143 1.5 1.64285714]
Std[0.0.25753938 0.34992711 0.47915742 0.34992711 0.47915742
0.34992711 0.88352263 0.49487166 0.62269985 0.83299313 0.98198051
0.91473203 0.88352263 0.72843136 0.69985421 0.47915742 0.25753938
0.47915742 0.45175395 0.47915742 0.49487166 0.5 0.47915742]
Threshold[1.1.58650733 2.55699707 2.60117199 1.84271136 2.60117199
3.55699707 6.83847384 8.56117189 9.67397113 9.52312911 9.46396101
8.68660692 8.6956167 7.02829129 6.68542271 6.60117199 6.44365018
7.60117199 7.61779362 2.60117199 2.41831475 2.5 2.60117199]
389 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[1.1.07142857 1.92857143 1.64285714 1.14285714 1.71428571
2.78571429 5.14285714 7.57142857 8.42857143 7.85714286 7.64285714
7.7.14285714 5.71428571 5.28571429 5.71428571 5.92857143
6.64285714 6.78571429 1.64285714 1.42857143 1.5 1.64285714]
Std[0.0.25753938 0.25753938 0.47915742 0.34992711 0.45175395
0.4103259 0.91473203 0.49487166 0.62269985 0.83299313 0.89499743
0.9258201 0.74230749 0.79539491 0.69985421 0.45175395 0.25753938
0.47915742 0.4103259 0.47915742 0.49487166 0.5 0.47915742]
Threshold[1.1.58650733 2.44365018 2.60117199 1.84271136 2.61779362
3.60636609 6.97232121 8.56117189 9.67397113 9.52312911 9.43285201
8.8516402 8.62747212 7.30507553 6.68542271 6.61779362 6.44365018
7.60117199 7.60636609 2.60117199 2.41831475 2.5 2.60117199]
390 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[1.1.07142857 2.1.71428571 1.14285714 1.71428571
2.78571429 5.07142857 7.64285714 8.42857143 7.85714286 7.78571429
7.21428571 7.28571429 5.71428571 5.42857143 5.71428571 5.92857143
6.64285714 6.85714286 1.64285714 1.42857143 1.5 1.64285714]
Std[0.0.25753938 0.0.45175395 0.34992711 0.45175395
0.4103259 0.88352263 0.47915742 0.62269985 0.83299313 0.77261813
0.77261813 0.69985421 0.79539491 0.62269985 0.45175395 0.25753938
0.47915742 0.34992711 0.47915742 0.49487166 0.5 0.47915742]
Threshold[1.1.58650733 2.2.61779362 1.84271136 2.61779362
3.60636609 6.83847384 8.60117199 9.67397113 9.52312911 9.33095055
8.75952198 8.68542271 7.30507553 6.67397113 6.61779362 6.44365018
7.60117199 7.55699707 2.60117199 2.41831475 2.5 2.60117199]
391 the leak detection result:no leak occurred in the DMA the leakflow:0
Mean[1.1.07142857 2.1.71428571 1.14285714 1.78571429
2.78571429 5.7.64285714 8.42857143 7.85714286 7.78571429
7.35714286 7.42857143 5.92857143 5.57142857 5.71428571 5.92857143
6.64285714 6.85714286 1.64285714 1.42857143 1.5 1.64285714]
Std[0.0.25753938 0.0.45175395 0.34992711 0.4103259
0.4103259 0.9258201 0.47915742 0.62269985 0.83299313 0.77261813
0.71784826 0.62269985 0.70348984 0.49487166 0.45175395 0.25753938
0.47915742 0.34992711 0.47915742 0.49487166 0.5 0.47915742]
Threshold[1.1.58650733 2.2.61779362 1.84271136 2.60636609
3.60636609 6.8516402 8.60117199 9.67397113 9.52312911 9.33095055
8.79283937 8.67397113 7.33555111 6.56117189 6.61779362 6.44365018
7.60117199 7.55699707 2.60117199 2.41831475 2.5 2.60117199]
392 the leak detection result:A new leak occurred in the DMA the leakflow:3.4
Mean[1.1.07142857 2.1.71428571 1.14285714 1.71428571
2.78571429 5.07142857 7.64285714 8.42857143 7.85714286 7.71428571
7.35714286 7.42857143 6.07142857 5.64285714 5.71428571 5.92857143
6.64285714 6.85714286 1.64285714 1.42857143 1.5 1.64285714]
Std[0.0.25753938 0.0.45175395 0.34992711 0.45175395
0.4103259 0.88352263 0.47915742 0.62269985 0.83299313 0.69985421
0.71784826 0.62269985 0.70348984 0.47915742 0.45175395 0.25753938
0.47915742 0.34992711 0.47915742 0.49487166 0.5 0.47915742]
Threshold[1.1.58650733 2.2.61779362 1.84271136 2.61779362
3.60636609 6.83847384 8.60117199 9.67397113 9.52312911 9.11399414
8.79283937 8.67397113 7.47840826 6.60117199 6.61779362 6.44365018
7.60117199 7.55699707 2.60117199 2.41831475 2.5 2.60117199]
393 the leak detection result:A new leak occurred in the DMA the leakflow:5.45
Mean[1.1.07142857 2.1.78571429 1.14285714 1.78571429
2.71428571 5.14285714 7.64285714 8.42857143 7.85714286 7.78571429
7.5 7.42857143 6.21428571 5.64285714 5.71428571 5.92857143
6.64285714 6.85714286 1.64285714 1.42857143 1.5 1.64285714]
Std[0.0.25753938 0.0.4103259 0.34992711 0.4103259
0.45175395 0.74230749 0.47915742 0.62269985 0.83299313 0.77261813
0.62678317 0.62269985 0.6738558 0.47915742 0.45175395 0.25753938
0.47915742 0.34992711 0.47915742 0.49487166 0.5 0.47915742]
Threshold[1.1.58650733 2.2.60636609 1.84271136 2.60636609
3.61779362 6.62747212 8.60117199 9.67397113 9.52312911 9.33095055
8.75356634 8.67397113 7.5619973 6.60117199 6.61779362 6.44365018
7.60117199 7.55699707 2.60117199 2.41831475 2.5 2.60117199]
394 the leak detection result:A new leak occurred in the DMA the leakflow:2.21
其中，分析当天有无新增漏损：
数据库信息示例：
393 the leak detection result:A new leak occurred in the DMA the leakflow:5.45
如示例的数据库信息，已经分析出当有无新增漏损，并算出漏损量为5.45，
该信息自动上传至信息化平台，每日自动生成新增漏损列表(如图4所示)。
分析人员每日根据新增漏损列表，对报警的区域安排检漏。及时处理新增漏损。
根据新增漏损的报警，找到管网漏损的漏点，如图5所示。
其中，夜间最小流量流量检测算法模块：
计算往期14天内小时平均流量，小于10时，M＝14,大于等于10时，M＝7；
根据往期流量数据计算出正常时段各个隔差值的阈值作为判断阈值；
采集待测时段夜间最小流量数据{Fi}，i＝T,T-1,…,T-14；
计算隔差值CT(M)；
对比CT(M)与
若则判定第T天该流量计控制范围出现了新漏损，安排查漏。
57 日期 夜间最小流量检测算法
58 11月28日 0.09
59 11月29日 0.62
60 11月30日 0.42
61 12月1日 0.54
62 12月2日 0.34
63 12月3日 0.6
64 12月4日 1.05
65 12月5日 1.48
66 12月6日 1.68
67 12月7日 0.99
68 12月8日 0.28
其中，漏损事件处理结果自动分析模块，如图6所示：
系统发出报警1个月内，若漏损事件未进行处理，则将该漏损标记为存量漏损事件；
系统发出报警1个月内，对漏点进行了探测和修复，分析修复后的流量，输出“新增漏损事件处理完毕，状态正常”或输出“仍存在漏点未修复，状态异常”；
修复前如图7所示，修复后如图8所示，
修复后流量变化情况，漏损量显著降低，如图9所示。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
在本说明书的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利的技术方案和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本专利申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本说明书中的具体含义。
在本说明书中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种供水管网新增漏损检测方法，其特征在于，获取流量数据，每日流量自动同步到模型数据库，新增漏损检测模型利用流量数据进行漏损监测，其中，新增漏损检测模型包括全天流量检测算法模块、夜间最小流量检测算法模块和漏损事件处理结果自动分析模块；
全天流量检测算法模块包括异常数据处理、构建历史流量序列、计算判别阈值、分析当天有无新增漏损；
夜间最小流量检测算法模块利用夜间最小流量分析同步分析新增漏损；
漏损事件处理结果自动分析模块对漏损事件后续处理进行自动分析。
2.如权利要求1所述的一种供水管网新增漏损检测方法，其特征在于，异常数据处理是指检测并识别数据库中的异常数据，对异常数据进行处理。
3.如权利要求2所述的一种供水管网新增漏损检测方法，其特征在于，由于流量监测计在某些时刻存在误差，数据库中会存在部分异常数据，包括数据缺失或流量过大过小，在检测新增漏损前首先对异常数据进行处理，对于数据库中第一天的异常数据，用该天前一时刻的流量代替；对于数据库中其他日期的异常数据，用上一日同时刻的流量代替。
4.如权利要求1所述的一种供水管网新增漏损检测方法，其特征在于，构建历史流量序列，构建共计24个初始基准流量序列；从数据库中提取若干天正常、较稳定的逐小时流量数据，从中依次选择14天(合计2周)的流量数据，得到若干个14*24的矩阵Ak,ij。
5.如权利要求4所述的一种供水管网新增漏损检测方法，其特征在于，对每个矩阵Ak,ij，依次求每一列的方差Dk,i，对该矩阵每列的方差按照得到平均方差Dk，将min{D1，D2，…，Dk}所对应的矩阵作为阈值矩阵Aij；对阈值矩阵Aij每一列按照/>取平均值，得到基准流量序列Qi。
6.如权利要求1所述的一种供水管网新增漏损检测方法，其特征在于，计算判别阈值即计算各时刻对应的历史流量序列Qi的均值Mean和标准差Std，得到各时刻对应的判别阈值Threshold。
7.如权利要求6所述的一种供水管网新增漏损检测方法，其特征在于，对于历史流量判别序列Qi，根据均值，计算得到标准差Stdi，计算判别阈值：Thresholdi＝0.7×Meani+2.4×Stdi从而可得到24个阈值Threshold，判别阈值序列为{Threshold1，Threshold2，…，Threshold24}。
8.如权利要求1所述的一种供水管网新增漏损检测方法，其特征在于，分析当天有无新增漏损事故发生，即根据流量序列与判别阈值计算分析当天新增漏损情况。
9.如权利要求8所述的一种供水管网新增漏损检测方法，其特征在于，从1:00时刻的流量数据q1开始分析，即i＝1,2,…,24，比较当日的逐时段流量qi和对应判别阈值Thresholdi，判别公式如下，从而得到判别序列{D1,D2,…,D24}，
10.如权利要求1所述的一种供水管网新增漏损检测方法，其特征在于，计算目标小区未发生新增漏损时段的隔差值数据；根据往期流量数据计算出正常时段各个隔差值的阈值/>作为判断阈值，采集待测时段夜间最小流量数据{Fi}，i＝T,T-1,…,T-14，计算隔差值CT(M)。
CN202310596828.7A 2023-05-25 2023-05-25 一种供水管网新增漏损检测方法 Pending CN116642138A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310596828.7A CN116642138A (zh) 2023-05-25 2023-05-25 一种供水管网新增漏损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310596828.7A CN116642138A (zh) 2023-05-25 2023-05-25 一种供水管网新增漏损检测方法

Publications (1)

Publication Number Publication Date
CN116642138A true CN116642138A (zh) 2023-08-25

Family

ID=87639237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310596828.7A Pending CN116642138A (zh) 2023-05-25 2023-05-25 一种供水管网新增漏损检测方法

Country Status (1)

Country Link
CN (1) CN116642138A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101556590B1 (ko) * 2015-06-29 2015-10-13 주식회사 한화건설 상수도 수용가의 원격검침데이터를 활용한 상수관망 누수분석 방법 및 그 시스템
CN106870955A (zh) * 2017-03-22 2017-06-20 浙江大学 服务于供水管网节点需水量反演的管网监测点优化布置方法
CN109359698A (zh) * 2018-10-30 2019-02-19 清华大学 基于长短时记忆神经网络模型的漏损识别方法
CN110569248A (zh) * 2019-07-31 2019-12-13 杭州电子科技大学 一种改进spc的小区供水漏损监测预警方法
CN111119282A (zh) * 2019-11-26 2020-05-08 中国地质大学（武汉） 一种针对供水管网的压力监测点优化布置方法
CN111720753A (zh) * 2020-04-09 2020-09-29 苏州市自来水有限公司 一种基于噪声监测技术的小区dma探漏管控方法
CN111859292A (zh) * 2020-07-07 2020-10-30 杭州电子科技大学 一种夜间用水活跃小区的供水漏损监测方法
CN112559969A (zh) * 2020-12-10 2021-03-26 北部湾大学 一种基于累积和算法的小泄漏检测方法
CN113065721A (zh) * 2021-05-06 2021-07-02 清华大学 小区供水管网泄漏事件分级预警方法、装置、设备及介质
CN114095194A (zh) * 2020-08-24 2022-02-25 北京天元创新科技有限公司 异常流量检测方法及装置
KR20220167511A (ko) * 2021-06-14 2022-12-21 수원대학교산학협력단 상수관망시스템 실시간 누수인지 시스템 및 방법

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101556590B1 (ko) * 2015-06-29 2015-10-13 주식회사 한화건설 상수도 수용가의 원격검침데이터를 활용한 상수관망 누수분석 방법 및 그 시스템
CN106870955A (zh) * 2017-03-22 2017-06-20 浙江大学 服务于供水管网节点需水量反演的管网监测点优化布置方法
CN109359698A (zh) * 2018-10-30 2019-02-19 清华大学 基于长短时记忆神经网络模型的漏损识别方法
CN110569248A (zh) * 2019-07-31 2019-12-13 杭州电子科技大学 一种改进spc的小区供水漏损监测预警方法
CN111119282A (zh) * 2019-11-26 2020-05-08 中国地质大学（武汉） 一种针对供水管网的压力监测点优化布置方法
CN111720753A (zh) * 2020-04-09 2020-09-29 苏州市自来水有限公司 一种基于噪声监测技术的小区dma探漏管控方法
CN111859292A (zh) * 2020-07-07 2020-10-30 杭州电子科技大学 一种夜间用水活跃小区的供水漏损监测方法
CN114095194A (zh) * 2020-08-24 2022-02-25 北京天元创新科技有限公司 异常流量检测方法及装置
CN112559969A (zh) * 2020-12-10 2021-03-26 北部湾大学 一种基于累积和算法的小泄漏检测方法
CN113065721A (zh) * 2021-05-06 2021-07-02 清华大学 小区供水管网泄漏事件分级预警方法、装置、设备及介质
KR20220167511A (ko) * 2021-06-14 2022-12-21 수원대학교산학협력단 상수관망시스템 실시간 누수인지 시스템 및 방법

Similar Documents

Publication Publication Date Title
CN108984873B (zh) 供水管网实时漏损检测方法、设备、系统及存储介质
US10387590B2 (en) Techniques for iterative reduction of uncertainty in water distribution networks
CN110569248B (zh) 一种改进spc的小区供水漏损监测预警方法
CN111259334A (zh) 一种工业企业大用户用水异常监测预警方法
CN114444259A (zh) 一种雨污管网溯源追踪系统及方法
CN115861845A (zh) 一种湿地监测方法及系统
CN112985713A (zh) 基于边缘计算的管网漏损监测方法及系统
CN116541678A (zh) 一种气站安全管道压力监测方法、装置
CN114185959A (zh) 城市综合管廊与周边地质环境自动化监测与预警方法、系统、设备及存储介质
US9654997B2 (en) Method and system for evaluation of sensor observations
CN112780953B (zh) 一种基于模式检测的独立计量区域管网漏损检测方法
CN116877938B (zh) 一种基于图像数据处理的城市排水管网破损检测定位系统
CN116642138A (zh) 一种供水管网新增漏损检测方法
CN111125195B (zh) 一种数据异常检测方法及装置
CN113157684A (zh) 一种水利海量数据的查错方法
CN116007626B (zh) 一种一体化综合定位系统
KR101213251B1 (ko) 염소이온농도를 이용한 하수관거 모니터링 방법 및 이를 위한 모니터링 시스템
CN116362720A (zh) 一种应对供水管网操作变化情景下的漏损检测方法、装置及系统
CN114355969B (zh) 一种利用无人机巡检的智能供热管网检漏方法和系统
CN112097125B (zh) 一种基于自适应校核的供水管网爆管侦测及定位方法
CN116221626A (zh) 一种基于数学模型的热力管道泄漏检测定位方法及系统
CN115859068A (zh) 一种用于智能水利架构的环境信息感知方法及系统
CN111637369B (zh) 一种供水管网防渗透的维护方法和维护系统
CN114969068A (zh) 城市压力管网实时流量监测数据分析方法及系统
CN114202450A (zh) 一种基于区块链的高精准智能流量监控传感器

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