CN116702074A - 基于小波分解提取压力高频分量的供水管网爆管侦测方法 - Google Patents
基于小波分解提取压力高频分量的供水管网爆管侦测方法 Download PDFInfo
- Publication number
- CN116702074A CN116702074A CN202310592723.4A CN202310592723A CN116702074A CN 116702074 A CN116702074 A CN 116702074A CN 202310592723 A CN202310592723 A CN 202310592723A CN 116702074 A CN116702074 A CN 116702074A
- Authority
- CN
- China
- Prior art keywords
- pressure
- value
- frequency
- detection
- time
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 123
- 238000004880 explosion Methods 0.000 title claims abstract description 93
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 52
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 120
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 40
- 230000008859 change Effects 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000000926 separation method Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000001052 transient effect Effects 0.000 claims description 10
- 230000009172 bursting Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- 238000005192 partition Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明提供了一种基于小波分解提取压力高频分量的供水管网爆管侦测方法,包括以下步骤:步骤S1,生成原始压力监测值矩阵;步骤S2,采用离散小波变换对原始压力监测值矩阵进行高低频分离,生成当前时刻的高频扰动值侦测列向量;步骤S3,采用COF算法检测高频扰动值侦测列向量中的离群值;步骤S4,筛选检测出的离群值,将符合特征的离群值标记为异常点,并在当日检测结束后对异常点对应压力值进行校正;步骤S5,重复上述步骤,当符合爆管特征的异常点的连续异常时刻数超过时间阈值的情况时,发出爆管警报。本发明有利于更准确地反映供水管网中压力的瞬时变化情况,保证了侦测的实时性,适用于各种类型的供水管网。
Description
技术领域
本发明涉及供水管网爆管侦测方法,具体涉及一种基于小波分解提取压力高频分量的供水管网爆管侦测方法。
背景技术
由于腐蚀、结构疲劳、与地面沉降运动或第三方影响(表面负荷等)有关的外部环境因素的累积影响,加压管道会随着时间的推移逐渐老化,从而出现漏损。管网漏损具有多种表现形式,爆管是其中最具破坏力的一种,不仅在短时间内即可造成大量自来水流失,同时还可能破坏城市环境、污染饮用水水质、造成不良社会影响。2022年发布的《关于加强公共供水管网漏损控制的通知》提出了构建精准、高效、安全、长效供水管网漏损控制模式的目标,要求提高漏损的信息化、智慧化管理水平。由此可见,开展供水管网爆管事件的快速侦测研究,对于及时修复爆管、减少管网漏损和保障供水安全具有重要意义。
随着计算机技术和通讯技术的发展,数据采集与监视系统(SCADA系统)已经广泛应用于城市供水行业。SCADA系统能够采集到管网的流量、压力等数据,实现了管网运行状态的实时全面监测,为管网爆管侦测提供了强大的数据支撑,可通过数据挖掘、机器学习、水力模拟等手段实现对爆管的侦测。目前,国内外已展开了大量基于SCADA数据驱动的供水管网爆管侦测方法的研究,但现有技术中仍存在以下不足:对于压力数据而言,尽管缓慢的漏水、阀门操作和其他维修操作等导致的压力变化可以在几分钟或几小时内被检测到,但爆管事件导致的压力瞬变往往发生在几秒钟内,现有研究大部分采用的5~15min压力采集频率可能会导致爆管侦测结果滞后,灵敏度较低;现有技术中通常是基于实行分区计量的管网,仅能实现计量分区水平的爆管侦测,但由于改造费用高,我国大部分地区未实行分区计量,仍采用全管网范围内集中监控的模式,管网规模大,拓扑结构复杂,现有技术中的分区计量难以应用。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于小波分解提取压力高频分量的供水管网爆管侦测方法,为此,提供以下技术方案。
本发明提供了一种基于小波分解提取压力高频分量的供水管网爆管侦测方法,具有这样的特征,包括:步骤S1,对单个监测点的实时高频压力数据进行采样并预处理,生成原始压力监测值矩阵;
步骤S2,采用离散小波变换对原始压力监测值矩阵进行高低频分离,保留高频部分,生成当前时刻的高频扰动值侦测列向量;
步骤S3,采用COF算法检测高频扰动值侦测列向量中的离群值;
步骤S4,基于爆管工况的瞬态管网压力变化特征,筛选检测出的离群值,将符合特征的离群值标记为异常点,并在当日检测结束后对异常点对应压力值进行校正;
步骤S5,重复步骤S1-步骤S4,当符合爆管特征的异常点的连续异常时刻数超过时间阈值的情况时,发出爆管警报。
在本发明提供的基于小波分解提取压力高频分量的供水管网爆管侦测方法中,还可以具有这样的特征:其中,步骤S1包括以下子步骤:
步骤S1-1,对于64Hz的高频压力监测数据,每10s进行一次采样,采样值为该秒内压力监测数据的平均值,对应时刻为t1=(i,j),表示原始压力监测数据集中的第i天第j个时刻;
步骤S1-2,共提取待侦测时刻前m天的高频压力监测数据,监测点每天的采样数据个数为n,则当前待侦测时刻t2=(m,n),表示原始压力监测数据集中的第m天第n个时刻;
步骤S1-3,对采样的10s原始压力监测数据集进行预处理;
步骤S1-4,将预处理后的原始压力监测数据集分割为m个长度为n的行向量,按时间顺序储存至原始压力监测值矩阵P中的各行,对于单个监测点,其对应的原始压力监测值矩阵P为:
其中,原始压力监测值矩阵P中元素Pi,j表示第i天第j个时刻的压力采样值,P的第m行代表该监测点在待侦测时刻t2=(m,n)前一天的压力检测值。
在本发明提供的基于小波分解提取压力高频分量的供水管网爆管侦测方法中,还可以具有这样的特征:其中,步骤1-3包括以下子步骤:
步骤S1-3-1,若监测点历史压力监测数据存在时间小于5min的缺失,则对该时间段内压力监测数据进行线性插值,填补缺失值,若监测点历史压力监测数据存在时间大于5min的缺失,采用前一天同时刻的压力数据进行替换;
步骤S1-3-2,以正常工况下的压力数量级为参照,设置高低阈值,去除原始压力监测数据集中明显异常的压力监测数据。
在本发明提供的基于小波分解提取压力高频分量的供水管网爆管侦测方法中,还可以具有这样的特征:其中,步骤S2包括以下子步骤:
步骤S2-1,对原始压力监测值矩阵P进行多级离散小波变换,分解级数k取矩阵最大分解级数的1/2,通过k级小波分解分别得到1个近似系数f和k个细节系数wi;
步骤S2-2,保留近似系数f,并将各级细节系数wi置为0,进行k级小波重构,得到重构低频压力值矩阵P1;
步骤S2-3,原始压力监测值矩阵P与重构低频压力值矩阵P1之差即为该监测点的高频扰动值矩阵H,
其中,H中的元素hi,j表示第i天第j个时刻的高频压力扰动值,H的第m行代表该监测点在待侦测时刻t2=(m,n)前一天的高频压力扰动值;
步骤S2-4,高频扰动值矩阵H的最后一列即为当前待侦测时刻的高频扰动值侦测列向量Hd,
其中,高频扰动值侦测列向量Hd中的元素hi表示在历史第i天的同时刻原始压力监测值中提取出的高频扰动组分,hm为待侦测时刻的高频扰动压力值。
在本发明提供的基于小波分解提取压力高频分量的供水管网爆管侦测方法中,还可以具有这样的特征:其中,步骤S2-1多级离散小波变换中小波基函数采用“db4”。
在本发明提供的基于小波分解提取压力高频分量的供水管网爆管侦测方法中,还可以具有这样的特征:其中,步骤S3包括以下子步骤:
步骤S3-1,将高频扰动值侦测列向量Hd输入COF算法;
步骤S3-2,计算高频扰动值侦测列向量Hd中每个侦测样本hi的链式距离:
其中,m为Hd的长度,即共提取待侦测时刻前m天的同时刻高频扰动压力值,dist(ek)为侦测样本hi的第(k-1)个邻近样本与第k个邻近样本间的欧式距离;
步骤S3-3,计算高频扰动值侦测列向量Hd中每个侦测样本hi的COF值:
步骤S3-4,将每个侦测样本hi的COF值按绝对值从大到小排列,绝对值最大的即为该侦测样本hi中的离群值;
步骤S3-5,若高频扰动值侦测列向量Hd的最后一个侦测样本hi的COF值属于被选出的离群值,则进入步骤S4进行异常特征识别;否则返回步骤S1进行下一时刻的爆管侦测。
在本发明提供的基于小波分解提取压力高频分量的供水管网爆管侦测方法中,还可以具有这样的特征:其中,步骤S4包括以下子步骤:
步骤S4-1,计算高频扰动值侦测列向量Hd除当前时刻外的前(m-1)个元素的平均值及标准差σ:
步骤S4-2,通过3σ原则判断离群值是否异常,并按照爆管压力下降特征及其他异常压力特征进行detectionResult标记:
其中,detectionResult=0表示当前待侦测时刻压力并未出现异常,detectionResult=1表示压力出现下降异常,detectionResult=2表示压力出现升高异常;
步骤S4-3,按照爆管压力下降特征,当detectionResult=1时,进入步骤S5进行连续异常时刻数判断,否则返回步骤S1进行下一时刻的爆管侦测;
步骤S4-4,当天检测结束后,对detectionResult=1或2的侦测时刻对应的原始压力监测值进行校正,采用前m天的同时刻压力数据平均值作为校正值。
在本发明提供的基于小波分解提取压力高频分量的供水管网爆管侦测方法中,还可以具有这样的特征:其中,步骤S5包括以下子步骤:步骤S5-1,将待侦测时刻detectionResult=1出现的连续次数记为n,一旦出现detectionResult=0或2,则视为未发生爆管,将n置为0,并进入步骤S1进行下一时刻的爆管侦测;
步骤S5-2,设置连续异常判断时间阈值,若n超过时间阈值对应的时刻数,则判定该时刻出现爆管,并发出爆管警报。
发明的作用与效果
根据本发明所提供的基于小波分解提取压力高频分量的供水管网爆管侦测方法,包括以下步骤:步骤S1,对单个监测点的实时高频压力数据进行采样并预处理,生成原始压力监测值矩阵;步骤S2,采用离散小波变换对原始压力监测值矩阵进行高低频分离,保留高频部分,生成当前时刻的高频扰动值侦测列向量;步骤S3,采用COF算法检测高频扰动值侦测列向量中的离群值;步骤S4,基于爆管工况的瞬态管网压力变化特征,筛选检测出的离群值,将符合特征的离群值标记为异常点,并在当日检测结束后对异常点对应压力值进行校正;步骤S5,重复步骤S1-步骤S4,当符合爆管特征的异常点的连续异常时刻数超过时间阈值的情况时,发出爆管警报。
因此,本发明所提供的基于小波分解提取压力高频分量的供水管网爆管侦测方法中对高频压力数据进行采样分析,有利于更准确地反映供水管网中压力的瞬时变化情况,灵敏地捕捉到爆管事件产生的压力瞬变,保证了侦测的实时性,为后续抢修节约宝贵的时间,本发明中提取了爆管造成的压力高频扰动组分,能够针对性地分离出爆管造成的数据变化,避免了正常居民需水量变化造成的压力波动对爆管压降的影响,保证了侦测结果的准确性,且本发明仅通过压力监测数据即可实现大型复杂管网的爆管实时侦测,更适用于我国供水管网中压力监测点数量相对较多及管网规模大且未实行分区计量的情况,同时压力传感器也不受管径、材质等因素的限制,适用于各种类型的供水管网。
附图说明
图1是本发明的实施例中基于小波分解提取压力高频分量的供水管网爆管侦测方法的流程图一;
图2是本发明的实施例中基于小波分解提取压力高频分量的供水管网爆管侦测方法的流程图二;
图3是本发明的实施例中步骤S1子步骤的流程图;
图4是本发明的实施例中步骤S1-3的子步骤的流程图;
图5是本发明的实施例中步骤S2的流程图;
图6是本发明的实施例中步骤S3的流程图;
图7是本发明的实施例中步骤S4的流程图;
图8是本发明的实施例中步骤S5的流程图;
图9是本发明的实施例中某监测点的原始压力监测数据曲线;以及
图10是本发明的实施例中某监测点的高频压力组分曲线和低频压力组分曲线图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明基于小波分解提取压力高频分量的供水管网爆管侦测方法作具体阐述。
<实施例>
图1是本发明的实施例中基于小波分解提取压力高频分量的供水管网爆管侦测方法的流程图一;图2是本发明的实施例中基于小波分解提取压力高频分量的供水管网爆管侦测方法的流程图二。
如图1和图2所示,本发明所提供的基于小波分解提取压力高频分量的供水管网爆管侦测方法包括以下步骤:
步骤S1,对单个监测点的实时高频压力数据进行采样并预处理,生成原始压力监测值矩阵。
图3是本发明的实施例中步骤S1子步骤的流程图。
如图3所示,步骤S1包括以下子步骤:
步骤S1包括以下子步骤:
步骤S1-1,对于64Hz的高频压力监测数据,每10s进行一次采样,采样值为该秒内压力监测数据的平均值,对应时刻为t 1=(i,j),表示原始压力监测数据集中的第i天第j个时刻;
步骤S1-2,共提取待侦测时刻前m天的高频压力监测数据,监测点每天的采样数据个数为n,则当前待侦测时刻t 2=(m,n),表示原始压力监测数据集中的第m天第n个时刻;
步骤S1-3,对采样的10s原始压力监测数据集进行预处理;
图4是本发明的实施例中步骤S1-3的子步骤的流程图。
如图4所示,步骤S1-3包括以下子步骤:
步骤S1-3-1,若监测点历史压力监测数据存在时间小于5min的缺失,则对该时间段内压力监测数据进行线性插值,填补缺失值,若监测点历史压力监测数据存在时间大于5min的缺失,采用前一天同时刻的压力数据进行替换;
步骤S1-3-2,以正常工况下的压力数量级为参照,设置高低阈值,去除原始压力监测数据集中明显异常的压力监测数据。
步骤S1-4,将预处理后的原始压力监测数据集分割为m个长度为n的行向量,按时间顺序储存至原始压力监测值矩阵P中的各行,对于单个监测点,其对应的原始压力监测值矩阵P为:
其中,原始压力监测值矩阵P中元素Pi,j表示第i天第j个时刻的压力采样值,P的第m行代表该监测点在待侦测时刻t 2=(m,n)前一天的压力检测值。
完成数据预处理后,利用离散小波变换对原始压力检测数据集进行高低频分离,提取出压力检测数据中的高频组分,即为爆管压力瞬变的特异性信息。
图5是本发明的实施例中步骤S2的流程图。
如图5所示,步骤S2包括以下子步骤:
步骤S2-1,对原始压力监测值矩阵P进行多级离散小波变换,分解级数k取矩阵最大分解级数的1/2,通过k级小波分解分别得到1个近似系数f和k个细节系数wi。在本实施例中,多级离散小波变换中小波基函数采用“db4”。
步骤S2-2,保留近似系数f,并将各级细节系数wi置为0,进行k级小波重构,得到重构低频压力值矩阵P1。
步骤S2-3,原始压力监测值矩阵P与重构低频压力值矩阵P1之差即为该监测点的高频扰动值矩阵H,
其中,H中的元素hi,j表示第i天第j个时刻的高频压力扰动值,H的第m行代表该监测点在待侦测时刻t2=(m,n)前一天的高频压力扰动值。
步骤S2-4,高频扰动值矩阵H的最后一列即为当前待侦测时刻的高频扰动值侦测列向量Hd,
其中,高频扰动值侦测列向量Hd中的元素hi表示在历史第i天的同时刻原始压力监测值中提取出的高频扰动组分,hm为待侦测时刻的高频扰动压力值。
不同日期的压力数据具有相似的变化趋势,因此,提取历史数据中不同日期同一时刻的数据作为异常值检测对象,可避免管网中压力监测值的日常变化对爆管压力产生的压力波动的掩盖。
图6是本发明的实施例中步骤S3的流程图。
如图6所示,步骤S3包括以下子步骤:
步骤S3-1,将高频扰动值侦测列向量Hd输入COF算法。
步骤S3-2,计算高频扰动值侦测列向量Hd中每个侦测样本hi的链式距离:
其中,m为Hd的长度,即共提取待侦测时刻前m天的同时刻高频扰动压力值,dist(ek)为侦测样本hi的第(k-1)个邻近样本与第k个邻近样本间的欧式距离。
步骤S3-3,计算高频扰动值侦测列向量Hd中每个侦测样本hi的COF值:
步骤S3-4,将每个侦测样本hi的COF值按绝对值从大到小排列,绝对值最大的即为该侦测样本hi中的离群值。
步骤S3-5,若高频扰动值侦测列向量Hd的最后一个侦测样本hi的COF值属于被选出的离群值,则进入步骤S4进行异常特征识别;否则返回步骤S1进行下一时刻的爆管侦测。
为避免管网中因正常需水量变化造成的压力波动被误认为爆管,影响侦测效果,可基于爆管事件下的管网压力响应特征对检测出的异常状态进一步筛选,即步骤S4是对步骤S3中被判断为离群值的待侦测时刻进行的进一步异常特征识别。
图7是本发明的实施例中步骤S4的流程图。
如图7所示,步骤S4包括以下子步骤:
步骤S4-1,计算高频扰动值侦测列向量Hd除当前时刻外的前(m-1)个元素的平均值及标准差σ:
步骤S4-2,通过3σ原则判断离群值是否异常,并按照爆管压力下降特征及其他异常压力特征进行detectionResult标记:
其中,detectionResult=0表示当前待侦测时刻压力并未出现异常,detectionResult=1表示压力出现下降异常,detectionResult=2表示压力出现升高异常。
步骤S4-3,按照爆管压力下降特征,当detectionResult=1时,进入步骤S5进行连续异常时刻数判断,否则返回步骤S1进行下一时刻的爆管侦测。
步骤S4-4,当天检测结束后,对detectionResult=1或2的侦测时刻对应的原始压力监测值进行校正,采用前m天的同时刻压力数据平均值作为校正值。
为避免单时刻偶然的压力异常波动被误判为爆管,对后续人工检修造成干扰,当异常压力标记时刻连续出现并累计至一定次数时,才判定当前时刻发生爆管。
图8是本发明的实施例中步骤S5的流程图。
如图8所示,步骤S5包括以下子步骤:
步骤S5-1,将待侦测时刻detectionResult=1出现的连续次数记为n,一旦出现detectionResult=0或2,则视为未发生爆管,将n置为0,并进入步骤S1进行下一时刻的爆管侦测。
步骤S5-2,设置连续异常判断时间阈值,若n超过时间阈值对应的时刻数,则判定该时刻出现爆管,并发出爆管警报。
在本实施例中,通过本发明所提供的基于小波分解提取压力高频分量的供水管网爆管侦测方法对某市供水管网某监测点在2022年1月15日是否发生爆管为例进行说明,根据某市供水管网某监测点在2022年1月15日的维修记录,接报时间为1月15日16时20分,维修人员于18时59分切断供水进行抢修。
图9是本发明的实施例中某监测点的原始压力监测数据曲线。
步骤S1:对单个监测点的实时高频压力数据进行采样并预处理,生成原始压力监测值矩阵。该监测点采样频率为64Hz,从2022年1月15日0点0分起,收集该时刻前4天的压力监测数据,如图9所示,每10s对原始高频压力数据进行一次采样,采样值为该秒内压力监测数据的平均值。去除高于100m和低于1m的压力监测数据,并对短时间缺失的数据进行线性插值填补,对长时间缺失的数据采用前一天同时刻的压力数据进行替换。将处理后的数据存储在原始压力监测值矩阵P中,每天共有8640个压力数据,故原始压力监测值矩阵P的维度为4行8640列。
图10是本发明的实施例中某监测点的高频压力组分曲线和低频压力组分曲线图。
步骤S2:采用离散小波变换对原始压力矩阵进行高低频分离,保留高频部分,生成当前时刻的高频扰动值侦测列向量。压力监测值矩阵P小波分解的最大级数为12,故对原始压力监测值矩阵P进行6级小波分解,得到1个近似系数和6个细节系数。将细节系数均置0后进行6级小波重构,原始压力监测值矩阵P与重构的低频压力值矩阵P1之差即为该监测点的高频扰动值矩阵H。高低频分离后得到的高频压力组分曲线和低频压力组分曲线如图10所示,上方为高频部分,下方为低频部分,显然低频压力组分曲线表示了正常压力波动趋势,而高频压力组分曲线在13时39分出现了比原始压力曲线更为明显的下降异常,更能反映爆管的特异性信息。
步骤S3:采用COF算法检测压力扰动值列向量中的离群值。将当前时刻的高频扰动值侦测列向量Hd输入COF算法,计算各侦测时刻的COF值,其绝对值越大表示离群程度越高。若当前待侦测时刻的COF值绝对值最大,则被判定为离群值,进入步骤S4。
步骤S4:基于爆管工况的瞬态管网压力变化特征,筛选检测出的离群值,将符合特征的离群值标记为异常点。计算高频扰动值侦测列向量Hd前4天的平均值与标准差,根据3σ原则及爆管的压力下降特征进行离群值的定性与定量判断,将符合的离群值标记为detectionResult=1。
步骤S5:重复步骤S1~步骤S4,当符合爆管特征的连续异常时刻数超过时间阈值时,发出爆管警报。本实例将时间阈值设置为4min,在1月15日13时39分时,标记为detectionResult=1的时刻数已经连续累计超过4min,即大于24次。故输出侦测结果为发生爆管,并于13时39分发出爆管警报。
因此,在本实施例中,通过本发明所提供基于小波分解提取压力高频分量的供水管网爆管侦测方法,使得发出的警报比接报时间提前了近3个小时,判定侦测结果正确,成功地缩短了从爆管发生到侦测爆管所需的时间。
实施例的作用与效果
根据本发明所提供的基于小波分解提取压力高频分量的供水管网爆管侦测方法,包括以下步骤:步骤S1,对单个监测点的实时高频压力数据进行采样并预处理,生成原始压力监测值矩阵,完成数据预处理后,利用离散小波变换对原始压力检测数据集进行高低频分离,提取出压力检测数据中的高频组分,即为爆管压力瞬变的特异性信息。步骤S2,采用离散小波变换对原始压力监测值矩阵进行高低频分离,保留高频部分,生成当前时刻的高频扰动值侦测列向量;不同日期的压力数据具有相似的变化趋势,提取历史数据中不同日期同一时刻的数据作为异常值检测对象,可避免管网中压力监测值的日常变化对爆管压力产生的压力波动的掩盖。步骤S3,采用COF算法检测高频扰动值侦测列向量中的离群值;为避免管网中因正常需水量变化造成的压力波动被误认为爆管,影响侦测效果,可基于爆管事件下的管网压力响应特征对检测出的异常状态进一步筛选。步骤S4,对被判断为离群值的待侦测时刻进行的进一步异常特征识别,基于爆管工况的瞬态管网压力变化特征,筛选检测出的离群值,将符合特征的离群值标记为异常点,并在当日检测结束后对异常点对应压力值进行校正。步骤S5,重复步骤S1-步骤S4,当符合爆管特征的异常点的连续异常时刻数超过时间阈值的情况时,发出爆管警报。
因此,本发明所提供的基于小波分解提取压力高频分量的供水管网爆管侦测方法中对高频压力数据进行采样分析,有利于更准确地反映供水管网中压力的瞬时变化情况,灵敏地捕捉到爆管事件产生的压力瞬变,保证了侦测的实时性,为后续抢修节约宝贵的时间,本发明中提取了爆管造成的压力高频扰动组分,能够针对性地分离出爆管造成的数据变化,避免了正常居民需水量变化造成的压力波动对爆管压降的影响,保证了侦测结果的准确性,且本发明仅通过压力监测数据即可实现大型复杂管网的爆管实时侦测,更适用于我国供水管网中压力监测点数量相对较多及管网规模大且未实行分区计量的情况,同时压力传感器也不受管径、材质等因素的限制,适用于各种类型的供水管网。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (8)
1.一种基于小波分解提取压力高频分量的供水管网爆管侦测方法,其特征在于,包括以下步骤:
步骤S1,对单个监测点的实时高频压力数据进行采样并预处理,生成原始压力监测值矩阵;
步骤S2,采用离散小波变换对所述原始压力监测值矩阵进行高低频分离,保留高频部分,生成当前时刻的高频扰动值侦测列向量;
步骤S3,采用COF算法检测所述高频扰动值侦测列向量中的离群值;
步骤S4,基于爆管工况的瞬态管网压力变化特征,筛选检测出的所述离群值,将符合特征的所述离群值标记为异常点,并在当日检测结束后对所述异常点对应压力值进行校正;
步骤S5,重复步骤S1-步骤S4,当符合爆管特征的所述异常点的连续异常时刻数超过时间阈值的情况时,发出爆管警报。
2.根据权利要求1所述的基于小波分解提取压力高频分量的供水管网爆管侦测方法,其特征在于:
其中,所述步骤S1包括以下子步骤:
步骤S1-1,对于64Hz的高频压力监测数据,每10s进行一次采样,采样值为该秒内压力监测数据的平均值,对应时刻为t 1=(i,j),表示原始压力监测数据集中的第i天第j个时刻;
步骤S1-2,共提取待侦测时刻前m天的所述高频压力监测数据,监测点每天的采样数据个数为n,则当前待侦测时刻t 2=(m,n),表示原始压力监测数据集中的第m天第n个时刻;
步骤S1-3,对采样的10s原始压力监测数据集进行预处理;
步骤S1-4,将预处理后的所述原始压力监测数据集分割为m个长度为n的行向量,按时间顺序储存至所述原始压力监测值矩阵P中的各行,对于单个监测点,其对应的所述原始压力监测值矩阵P为:
其中,所述原始压力监测值矩阵P中元素Pi,j表示第i天第j个时刻的压力采样值,P的第m行代表该监测点在待侦测时刻t2=(m,n)前一天的压力检测值。
3.根据权利要求2所述的基于小波分解提取压力高频分量的供水管网爆管侦测方法,其特征在于:
其中,所述步骤1-3包括以下子步骤:
步骤S1-3-1,若监测点历史压力监测数据存在时间小于5min的缺失,则对该时间段内压力监测数据进行线性插值,填补缺失值,若监测点历史压力监测数据存在时间大于5min的缺失,采用前一天同时刻的压力数据进行替换;
步骤S1-3-2,以正常工况下的压力数量级为参照,设置高低阈值,去除所述原始压力监测数据集中明显异常的压力监测数据。
4.根据权利要求2所述的基于小波分解提取压力高频分量的供水管网爆管侦测方法,其特征在于:
其中,所述步骤S2包括以下子步骤:
步骤S2-1,对所述原始压力监测值矩阵P进行多级离散小波变换,分解级数k取矩阵最大分解级数的1/2,通过k级小波分解分别得到1个近似系数f和k个细节系数wi;
步骤S2-2,保留近似系数f,并将各级细节系数wi置为0,进行k级小波重构,得到重构低频压力值矩阵P1;
步骤S2-3,所述原始压力监测值矩阵P与所述重构低频压力值矩阵P1之差即为该监测点的高频扰动值矩阵H,
其中,H中的元素hi,j表示第i天第j个时刻的高频压力扰动值,H的第m行代表该监测点在待侦测时刻t2=(m,n)前一天的高频压力扰动值;
步骤S2-4,所述高频扰动值矩阵H的最后一列即为当前待侦测时刻的所述高频扰动值侦测列向量Hd,
其中,所述高频扰动值侦测列向量Hd中的元素hi表示在历史第i天的同时刻原始压力监测值中提取出的高频扰动组分,hm为待侦测时刻的高频扰动压力值。
5.根据权利要求4所述的基于小波分解提取压力高频分量的供水管网爆管侦测方法,其特征在于:
其中,所述步骤S2-1多级离散小波变换中小波基函数采用“db4”。
6.根据权利要求4所述的基于小波分解提取压力高频分量的供水管网爆管侦测方法,其特征在于:
其中,所述步骤S3包括以下子步骤:
步骤S3-1,将所述高频扰动值侦测列向量Hd输入COF算法;
步骤S3-2,计算所述高频扰动值侦测列向量Hd中每个侦测样本hi的链式距离:
其中,m为Hd的长度,即共提取待侦测时刻前m天的同时刻高频扰动压力值,dist(ek)为侦测样本hi的第(k-1)个邻近样本与第k个邻近样本间的欧式距离;
步骤S3-3,计算所述高频扰动值侦测列向量Hd中每个侦测样本hi的COF值:
步骤S3-4,将每个侦测样本hi的COF值按绝对值从大到小排列,绝对值最大的即为该侦测样本hi中的离群值;
步骤S3-5,若所述高频扰动值侦测列向量Hd的最后一个侦测样本hi的COF值属于被选出的离群值,则进入步骤S4进行异常特征识别;否则返回步骤S1进行下一时刻的爆管侦测。
7.根据权利要求6所述的基于小波分解提取压力高频分量的供水管网爆管侦测方法,其特征在于:
其中,所述步骤S4包括以下子步骤:
步骤S4-1,计算所述高频扰动值侦测列向量Hd除当前时刻外的前(m-1)个元素的平均值及标准差σ:
步骤S4-2,通过3σ原则判断离群值是否异常,并按照爆管压力下降特征及其他异常压力特征进行detectionResult标记:
其中,detectionResult=0表示当前待侦测时刻压力并未出现异常,detectionResult=1表示压力出现下降异常,detectionResult=2表示压力出现升高异常;
步骤S4-3,按照爆管压力下降特征,当detectionResult=1时,进入步骤S5进行连续异常时刻数判断,否则返回步骤S1进行下一时刻的爆管侦测;
步骤S4-4,当天检测结束后,对detectionResult=1或2的侦测时刻对应的原始压力监测值进行校正,采用前m天的同时刻压力数据平均值作为校正值。
8.根据权利要求7所述的基于小波分解提取压力高频分量的供水管网爆管侦测方法,其特征在于:
其中,所述步骤S5包括以下子步骤:
步骤S5-1,将待侦测时刻detectionResult=1出现的连续次数记为n,一旦出现detectionResult=0或2,则视为未发生爆管,将n置为0,并进入步骤S1进行下一时刻的爆管侦测;
步骤S5-2,设置连续异常判断时间阈值,若n超过时间阈值对应的时刻数,则判定该时刻出现爆管,并发出爆管警报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310592723.4A CN116702074A (zh) | 2023-05-24 | 2023-05-24 | 基于小波分解提取压力高频分量的供水管网爆管侦测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310592723.4A CN116702074A (zh) | 2023-05-24 | 2023-05-24 | 基于小波分解提取压力高频分量的供水管网爆管侦测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116702074A true CN116702074A (zh) | 2023-09-05 |
Family
ID=87834953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310592723.4A Pending CN116702074A (zh) | 2023-05-24 | 2023-05-24 | 基于小波分解提取压力高频分量的供水管网爆管侦测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702074A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609739A (zh) * | 2024-01-19 | 2024-02-27 | 北京云摩科技股份有限公司 | 基于多点形变数据联合分析的结构在线监测方法 |
-
2023
- 2023-05-24 CN CN202310592723.4A patent/CN116702074A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609739A (zh) * | 2024-01-19 | 2024-02-27 | 北京云摩科技股份有限公司 | 基于多点形变数据联合分析的结构在线监测方法 |
CN117609739B (zh) * | 2024-01-19 | 2024-04-05 | 北京云摩科技股份有限公司 | 基于多点形变数据联合分析的结构在线监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11236867B2 (en) | Method for detecting pipe burst in water distribution systems based on pressure disturbance extraction | |
CN107906375B (zh) | 基于加权排列熵的管道泄漏检测方法及系统 | |
CN116702074A (zh) | 基于小波分解提取压力高频分量的供水管网爆管侦测方法 | |
CN112487356B (zh) | 一种结构健康监测数据增强方法 | |
CN111325947B (zh) | 一种基于长短期记忆网络的风暴潮洪涝预警方法和系统 | |
CN115638833A (zh) | 一种监控数据处理方法及系统 | |
CN112883075B (zh) | 一种滑坡普适型地表位移监测数据缺失及异常值处理方法 | |
CN114997539B (zh) | 一种燃气压力调节器故障预测方法与系统 | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN113672606A (zh) | 油色谱监测数据质量评价方法 | |
CN116451035A (zh) | 一种提高分布式光伏预测精度的数据特征工程处理方法 | |
CN113780375A (zh) | 一种基于数字孪生的虚实交互风电场风力监测系统及应用 | |
CN116335925A (zh) | 基于数据增强的煤矿井下乳化泵站智能调控系统 | |
CN116221627A (zh) | 一种供水管网系统漏损事件智能识别与预警方法、设备及存储介质 | |
CN108052540A (zh) | 一种基于gis管网系统的管道故障预判与预处理方法 | |
CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
CN111428360A (zh) | 一种不同维修深度分布下海底管道剩余寿命预测方法 | |
CN117290666A (zh) | 一种光伏异常功率数据清洗方法 | |
CN117216640A (zh) | 一种电力时序数据异常检测方法 | |
CN117455446A (zh) | 一种基于bim的火电厂小管径管线预测性维护管理方法 | |
CN113111270B (zh) | 基于物联网及3s技术的用于地质灾害预警的数据预处理方法 | |
CN114841061A (zh) | 一种融合时序信息的风电齿轮箱健康评估方法及系统 | |
CN112884170A (zh) | 一种综合管廊预测性智能运维系统及方法 | |
CN114117340A (zh) | 一种发动机装配检测方法、装置、存储介质和电子设备 |
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 |