CN116992385B - 一种物联网水表用量异常检测方法及系统 - Google Patents
一种物联网水表用量异常检测方法及系统 Download PDFInfo
- Publication number
- CN116992385B CN116992385B CN202311021568.7A CN202311021568A CN116992385B CN 116992385 B CN116992385 B CN 116992385B CN 202311021568 A CN202311021568 A CN 202311021568A CN 116992385 B CN116992385 B CN 116992385B
- Authority
- CN
- China
- Prior art keywords
- water
- internet
- things
- water consumption
- consumption data
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 648
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 62
- 238000001914 filtration Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 230000002354 daily effect Effects 0.000 claims description 19
- 230000003203 everyday effect Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种物联网水表用量异常检测方法及系统,属于物联网技术领域,包括如下步骤:基于居民用水立户信息,对选中区域的居民用水量数据进行滤噪、归一化和聚类划分,得到选中区域上报云端的中心位用水数据表;对物联网水表使用区域进行中心点聚类,得到第一用水量簇、第二用水量簇和第三用水量簇;针对上报云端的用水量数据不处于第二用水量簇范围内的待检测水表,拟合得到待检测物联网水表用水量监测曲线和用水检测平滑曲线模型,基于用水监测平滑曲线模型对检测水表进行检测并自动控制关阀。本发明解决了物联网水表监测不够准确且不能对应控制关阀减少居民用水损失的问题。
Description
技术领域
本发明属于物联网技术领域,尤其涉及一种物联网水表用量异常检测方法及系统。
背景技术
近年来,随着NB-IOT窄带物联网技术的逐年发展,居民水表在更新换代时大多都选择安装NB-IOT物联网水表。物联网水表每日冻结用水量数据,并离散上报到采集用水量的云平台,已经成为了用水量采集系统通用的一种数据采集模式。但由于物联网水表本身功耗过高、上报时信号不好、电池电量不足等问题,导致水表每日上报频次少,及时性低。同样因此,居民家中水管漏水、水表滴漏、水表读数突变等故障导致的水表用量异常难以发现,也无法实时对物联网水表远程下发动阀操作指令。若使用水的隐含问题发现不及时,则会造成居民用水的安全性问题和财产损失。
发明内容
针对现有技术中的上述不足,本发明提供的一种物联网水表用量异常检测方法及系统,通过对居民用水量上报云端的数据聚类分析,得到第一用水量簇、第二用水量簇和第三用水量簇,并对待检测水表上报云端的用水量数据不属于第二用水量簇范围内的待检测水表,拟合得到待检测物联网水表用水量监测曲线和用水检测平滑曲线模型,且基于用水监测平滑曲线模型对检测水表进行检测并自动控制关阀,解决了物联网水表监测不够准确且不能对应控制关阀减少居民用水损失的问题。
为了达到上述发明目的,本发明采用的技术方案为:
本发明提供的一种物联网水表用量异常检测方法,包括如下步骤:
S1、获取居民用水立户信息;
S2、基于居民用水立户信息,对选中区域的居民用水量数据进行滤噪、归一化和聚类划分,得到选中区域上报云端的中心位用水数据表;
S3、基于居民用水立户信息和各选中区域上报云端的中心位数据,对物联网水表使用区域进行中心点聚类,得到第一用水量簇、第二用水量簇和第三用水量簇;
S4、判断待检测水表上报云端的用水量数据是否处于第二用水量簇范围内,若是则该待检测水表为正常状态,否则进入S5;
S5、对待检测物联网水表每天的若干条用水量数据滤噪,并对滤噪结果进行曲线拟合,得到待检测物联网水表用水量监测曲线;
S6、基于待检测物联网水表每天的若干条用水量数据和待检测物联网水表用水量监测曲线,得到用水检测平滑曲线模型;
S7、基于用水监测平滑曲线模型对待检测水表进行检测并自动控制关阀。
本发明的有益效果为:本发明提供的一种物联网水表用量异常检测方法,基于云数据聚类和边缘数据曲线拟合相结合对物联网水表进行检测,检测精度高且能够根据监测结果分级自动控制物联网水表执行关阀动作,能够有效避免居民用水的安全问题和财产损失;本发明通过对上报云端的用水量数据信息进行聚类分析,得到了第一用水量簇、第二用水量簇和第三用水量簇,对用水量监测结果不处于正常居民平常正常用水范围内的待检测水表进行边缘数据曲线拟合,得到待检测物联网水表用水量监测曲线和用水检测平滑曲线模型,实现了进一步地用水量检测异常分析,以及物联网水表的准确自动控制关阀。
进一步地,所述S1包括如下步骤:
S11、获取物联网水表使用区域内居民用水立户时的户数编号和各户居民人数;
S12、基于物联网水表的SIM卡定位接口,获取各户居民物联网水表的定位信息;
S13、将户数编号、各户居民人数和各户居民物联网水表的定位信息对应组合,得到居民用水立户信息。
采用上述进一步方案的有益效果为:通过获取物联网水表使用区域内居民使用物联网水表的编号、位置和各户居民人数,便于对居民用水量数据制表和分析,减少因不同居住环境不同引起的数据误差,减少因每户居民人数不同引起的基础数据偏差,为基于人均用水量聚类分析提供基础。
进一步地,所述S2包括如下步骤:
S21、基于居民用水立户信息中的户数编号和各户居民物联网水表的定位信息,并以村或小区为单位划分物联网水表使用区域,得到若干用水量数据上报云端的选中区域;
S22、获取各选中区域内物联网水表每日上报到云端的用水量数据;
S23、基于物联网水表口径滤除用水量数据中的噪点,得到滤噪后的用水量数据;
S24、基于各选中区域内居民用水立户信息中的各户居民人数和滤噪后的用水量数据,得到每人每日用水量数据;
S25、对用每人每日用水量数据进行归一化处理,得到各选中区域内归一化后的每人每日用水量数据;
S26、对各选中区域内归一化后的每人每日用水量数据进行K-均值聚类,得到选中区域上报云端的中心位用水数据表。
采用上述进一步方案的有益效果为:以小区或村为单位对物联网水表使用区域进行划分和选择,并对选中区域上报云端的用水量数据进行异常噪声过滤和均值聚类,得到能够提供标准参照的选中区域上报云端的中心位用水数据表,为所有上报云端的用水量数据进行中心点聚类分析提供平面二维距离计算的参照基础,使得在准确参照的基础上,能够准确划分用水量簇。
进一步地,所述S23包括如下步骤:
S231、基于物联网水表口径,得到物联网水表的每小时流量阈值;
S232、基于物联网水表每小时流量阈值,得到物联网水表全天流量阈值;
S233、逐个将用水量数据与物联网水表全天流量阈值比较,并将大于物联网水表全天流量阈值的用水量数据作为噪点;
S234、滤除用水量数据中的噪点,得到滤噪后的用水量数据。
采用上述进一步方案的有益效果为:提供基于物联网水表口径和用水时间过滤异常用水量监测数据的方法,为选中区域上报云端的中心位用水数据表能够实现客观的标准参照提供数据正确性的基础。
进一步地,所述S3包括如下步骤:
S31、基于居民用水立户信息,以及各选中区域内所有物联网水表每日上报到云端的用水量数据,得到物联网水表使用区域内的用水数据表集合,其中,用水数据表集合包括若干选中区域内的用水数据表;
S32、分别计算各选中区域内的用水数据表与选中区域上报云端的中心位用水数据表间的平面二维距离;
所述各选中区域内的用水数据表与选中区域上报云端的中心位用水数据表间的平面二维距离的计算表达式如下:
其中,si表示第i个选中区域内的用水数据表与选中区域上报云端的中心位用水数据表间的平面二维距离,x和y分别表示选中区域上报云端的中心位用水数据表在平面中的横坐标和纵坐标,xdi和ydi分别表示各选中区域内的用水数据表在平面中的横坐标和纵坐标,其中,i=1,2,...,n,n表示选中区域的总数;
S33、基于各选中区域内的用水数据表与选中区域上报云端的中心位用水数据表间的平面二维距离,进行预设迭代次数的K-中心点聚类,得到第一用水量簇、第二用水量簇和第三用水量簇。
采用上述进一步方案的有益效果为:基于各选中区域内的用水数据表与选中区域上报云端的中心位用水数据表间的平面二维距离进行中心点聚类,实现通过用水量分簇对居民日常正常用水量和异常用水量进行分类,为区分出监测状态异常的待检测水表,以及对待检测水表进行边缘数据曲线拟合的异常检测提供粗分类基础。
进一步地,所述S33中K-中心点聚类的方法包括如下步骤:
A1、分别计算得到选中区域上报云端的中心位用水数据表中各数据间的平面二维距离,得到彼此间距离最远的三个点,其中,三个点分别作为第一聚类中心点、第二聚类中心点和第三聚类中心点;
A2、根据聚类中心点最小的原则,基于各选中区域内用水量数据表与选中区域上报云端的中心位用水数据表间的平面二维距离,将各选中区域内物联网水表每日上报到云端的用水量数据对应分到第一聚类中心点、第二聚类中心点和第三聚类中心点,得到第一簇、第二簇和第三簇;
A3、分别对第一簇、第二簇和第三簇中的用水量数据求均值,并将求得的均值分别作为第一簇下一次迭代的第一聚类中心点、第二簇下一次迭代的第二距离中心点,以及第三簇下一次迭代的第三聚类中心点;
A4、重复A2和A3,直到第一聚类中心点、第二聚类中心点和第三聚类中心点均不再变化或重复次数等于预设迭代次数,得到第一用水量簇、第二用水量簇和第三用水量簇。
采用上述进一步方案的有益效果为:提供K-中心点聚类的方法,根据中心点最小的原则进行多次的迭代,为正常用水量和异常用水量通过聚类划分提供准确划分依据,从而实现对监测状态异常的物联网水表准确判别。
进一步地,所述S5包括如下步骤:
S51、根据预设冻结时间,获取待检测物联网水表每天的若干条用水量数据;
S52、通过待检测物联网水表每天的各条相邻用水量数据之差,剔除差值大于预设差值阈值的用水量数据,得到滤噪后的待检测物联网水表每天的用水量数据集;
S53、重复S52预设监测天数,并持续更新滤噪后的待检测物联网水表每天的用水量数据集;
S54、基于滤噪后的待检测物联网水表每天的用水量数据集,利用最小二乘法进行曲线拟合,得到待检测物联网水表用水量监测曲线;
所述待检测物联网水表用水量曲线的计算表达式如下:
其中,f(x)表示待检测物联网水表用水量曲线函数,α表示用水量幅值,w表示用水监测频率,x表示用水监测时间,表示用水监测初始相位。
采用上述进一步方案的有益效果为:对物联网水表每日冻结的用水量数据滤除具有异常检测风险的极端监测值,并基于滤噪后的用水量监测数据拟合待检测物联网水表用水量曲线,为待检测水表的异常监测情况分析提供参照依据。
进一步地,所述S6包括如下步骤:
S61、获取待检测物联网水表每天的若干条用水量数据分别对应的用水量数据点;
S62、构建初始偏离用水量平滑曲线模型;
所述初始偏离用水量平滑曲线模型的计算表达式如下:
其中,表示偏离用水量平方和,yi′表示第i个离散用水量数据点的用水量,α′表示平滑曲线的用水量幅值,w′表示平滑曲线的用水监测频率,xi′表示第i个离散用水量数据点的用上监测时间,/>表示平滑曲线的用水监测初始相位,i′表示第i个离散用水量数据点,n′表示离散用水量数据点的总数;
S63、基于初始偏离用水量平滑曲线模型分别对α′、w′和求偏导,得到平滑曲线模型偏导方程;
S64、将离散于待检测物联网水表用水量监测曲线的用水量数据点代入平滑曲线偏导方程,得到α′、w′和的最佳值;
S65、将α′、w′和的最佳值代入初始偏离用水量平滑曲线模型,得到用水检测平滑曲线模型。
采用上述进一步方案的有益效果为:基于待检测水表的异常检测值对待检测物联网水表用水量曲线在充分数据支撑的情况下进行修正,得到用水检测平滑曲线模型,使通过用水检测平滑曲线模型能够准确计算得到待检测水表的正确用水量预测结果,为与时间用水量监测情况进行对比提供基础。
进一步地,所述S7包括如下步骤:
S71、利用偏离用水量平滑曲线模型预测未来一天的用水量数据,得到预测用水量数据;
S72、基于待检测物联网水表未来一天的真实监测用水量数据与预测用水量数据比较,得到预测偏差结果;
S73、针对预测偏差结果小于第一预测偏差阈值时,则不对待检测物联网水表控制关阀;
S74、针对预测偏差结果大于第一预测偏差阈值且小于第二预测偏差阈值时,则自动对待检测物联网水表控制关阀第一百分比;
S75、针对预测偏差结果大于第二预测偏差阈值且小于第三预测偏差阈值时,则自动对待检测物联网水表控制关阀第二百分比;
S76、针对预测偏差结果大于第三预测偏差阈值且小于第四预测偏差阈值时,则自动对待检测物联网水表控制关阀第三百分比;
S77、针对预测偏差结果大于第四预测偏差阈值时,则自动对待检测物联网水表控制完全关阀。
采用上述进一步方案的有益效果为:通过预测偏差结果与预设的第一预测偏差阈值、第二预测偏差阈值、第三预测偏差阈值以及第四预测偏差阈值间的比较,实现通过物联网水表自动控制进行不同程度的关阀,避免居民用水安全问题和损失。
另一方面,本发明还提供一种基于物联网水表用量异常检测方法的检测系统,包括:
第一模块,用于获取居民用水立户信息;
第二模块,用于基于居民用水立户信息,对选中区域的居民用水量进行滤噪、归一化和聚类划分,得到选中区域上报云端的中心位用水数据表;
第三模块,用于基于居民用水立户信息和各选中区域上报云端的中心位数据,对物联网水表使用区域进行中心点聚类,得到第一用水量簇、第二用水量簇和第三用水量簇;
第四模块,用于针对待检测水表上报云端的用水量数据不处于第二用水量簇范围内时,则对待检测物联网水表每天的若干条用水量数据滤噪,并对滤噪结果进行曲线拟合,得到待检测物联网水表用水量监测曲线;
第五模块,用于基于待检测物联网水表每天的若干条用水量数据和待检测物联网水表用水量监测曲线,得到用水检测平滑曲线模型;
第六模块,用于基于用水监测平滑曲线模型对检测水表进行检测并自动控制关阀。
本发明的有益效果为:本发明提供的一种基于物联网水表用量异常检测方法的检测系统,用于实施上述基于物联网水表用量异常检测方法,能够通过对物联网水表监测状态的准确检测,实现自动控制物联网水表分级关阀,避免居民用水安全问题和损失。
针对于本发明还具有的其他优势将在后续的实施例中进行更细致的分析。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例1中一种物联网水表用量异常检测方法的步骤流程图。
图2为本发明实施例2中一种基于物联网水表用量异常检测方法的检测系统的框图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所示,在本发明的一个实施例中,本发明提供一种物联网水表用量异常检测方法,包括如下步骤:
S1、获取居民用水立户信息;
所述S1包括如下步骤:
S11、获取物联网水表使用区域内居民用水立户时的户数编号和各户居民人数;
S12、基于物联网水表的SIM卡定位接口,获取各户居民物联网水表的定位信息;
S13、将户数编号、各户居民人数和各户居民物联网水表的定位信息对应组合,得到居民用水立户信息。
S2、基于居民用水立户信息,对选中区域的居民用水量数据进行滤噪、归一化和聚类划分,得到选中区域上报云端的中心位用水数据表;
所述S2包括如下步骤:
S21、基于居民用水立户信息中的户数编号和各户居民物联网水表的定位信息,并以村或小区为单位划分物联网水表使用区域,得到若干用水量数据上报云端的选中区域;
S22、获取各选中区域内物联网水表每日上报到云端的用水量数据;
S23、基于物联网水表口径滤除用水量数据中的噪点,得到滤噪后的用水量数据;
所述S23包括如下步骤:
S231、基于物联网水表口径,得到物联网水表的每小时流量阈值;本实施例中每小时流量阈值为4m3;
S232、基于物联网水表每小时流量阈值,得到物联网水表全天流量阈值;本实施例中物联网水表全天流量阈值为96m3;
S233、逐个将用水量数据与物联网水表全天流量阈值比较,并将大于物联网水表全天流量阈值的用水量数据作为噪点;
S234、滤除用水量数据中的噪点,得到滤噪后的用水量数据。
S24、基于各选中区域内居民用水立户信息中的各户居民人数和滤噪后的用水量数据,得到每人每日用水量数据;
S25、对用每人每日用水量数据进行归一化处理,得到各选中区域内归一化后的每人每日用水量数据;
S26、对各选中区域内归一化后的每人每日用水量数据进行K-均值聚类,得到选中区域上报云端的中心位用水数据表。
S3、基于居民用水立户信息和各选中区域上报云端的中心位数据,对物联网水表使用区域进行中心点聚类,得到第一用水量簇、第二用水量簇和第三用水量簇;所述第二用水量簇对应正常用水量范围;
所述S3包括如下步骤:
S31、基于居民用水立户信息,以及各选中区域内所有物联网水表每日上报到云端的用水量数据,得到物联网水表使用区域内的用水数据表集合,其中,用水数据表集合包括若干选中区域内的用水数据表;
S32、分别计算各选中区域内的用水数据表与选中区域上报云端的中心位用水数据表间的平面二维距离;
所述各选中区域内的用水数据表与选中区域上报云端的中心位用水数据表间的平面二维距离的计算表达式如下:
其中,si表示第i个选中区域内的用水数据表与选中区域上报云端的中心位用水数据表间的平面二维距离,x和y分别表示选中区域上报云端的中心位用水数据表在平面中的横坐标和纵坐标,xdi和ydi分别表示各选中区域内的用水数据表在平面中的横坐标和纵坐标,其中,i=1,2,…,n,n表示选中区域的总数;
S33、基于各选中区域内的用水数据表与选中区域上报云端的中心位用水数据表间的平面二维距离,进行预设迭代次数的K-中心点聚类,得到第一用水量簇、第二用水量簇和第三用水量簇。
所述S33中K-中心点聚类的方法包括如下步骤:
A1、分别计算得到选中区域上报云端的中心位用水数据表中各数据间的平面二维距离,得到彼此间距离最远的三个点,其中,三个点分别作为第一聚类中心点、第二聚类中心点和第三聚类中心点;
A2、根据聚类中心点最小的原则,基于各选中区域内用水量数据表与选中区域上报云端的中心位用水数据表间的平面二维距离,将各选中区域内物联网水表每日上报到云端的用水量数据对应分到第一聚类中心点、第二聚类中心点和第三聚类中心点,得到第一簇、第二簇和第三簇;
A3、分别对第一簇、第二簇和第三簇中的用水量数据求均值,并将求得的均值分别作为第一簇下一次迭代的第一聚类中心点、第二簇下一次迭代的第二距离中心点,以及第三簇下一次迭代的第三聚类中心点;
A4、重复A2和A3,直到第一聚类中心点、第二聚类中心点和第三聚类中心点均不再变化或重复次数等于预设迭代次数,得到第一用水量簇、第二用水量簇和第三用水量簇。本实施例中预设迭代次数为300次。
S4、判断待检测水表上报云端的用水量数据是否处于第二用水量簇范围内,若是则该待检测水表为正常状态,否则进入S5;
S5、对待检测物联网水表每天的若干条用水量数据滤噪,并对滤噪结果进行曲线拟合,得到待检测物联网水表用水量监测曲线;
所述S5包括如下步骤:
S51、根据预设冻结时间,获取待检测物联网水表每天的若干条用水量数据;
S52、通过待检测物联网水表每天的各条相邻用水量数据之差,剔除差值大于预设差值阈值的用水量数据,得到滤噪后的待检测物联网水表每天的用水量数据集;
S53、重复S52预设监测天数,并持续更新滤噪后的待检测物联网水表每天的用水量数据集;
S54、基于滤噪后的待检测物联网水表每天的用水量数据集,利用最小二乘法进行曲线拟合,得到待检测物联网水表用水量监测曲线;
所述待检测物联网水表用水量曲线的计算表达式如下:
其中,f(x)表示待检测物联网水表用水量曲线函数,α表示用水量幅值,w表示用水监测频率,x表示用水监测时间,表示用水监测初始相位。
S6、基于待检测物联网水表每天的若干条用水量数据和待检测物联网水表用水量监测曲线,得到用水检测平滑曲线模型;
所述S6包括如下步骤:
S61、获取待检测物联网水表每天的若干条用水量数据分别对应的用水量数据点;
S62、构建初始偏离用水量平滑曲线模型;
所述初始偏离用水量平滑曲线模型的计算表达式如下:
其中,表示偏离用水量平方和,yi′表示第i个离散用水量数据点的用水量,α′表示平滑曲线的用水量幅值,w′表示平滑曲线的用水监测频率,xi′表示第i个离散用水量数据点的用上监测时间,/>表示平滑曲线的用水监测初始相位,i′表示第i个离散用水量数据点,n′表示离散用水量数据点的总数;
S63、基于初始偏离用水量平滑曲线模型分别对α′、w′和求偏导,得到平滑曲线模型偏导方程;
S64、将离散于待检测物联网水表用水量监测曲线的用水量数据点代入平滑曲线偏导方程,得到α′、w′和的最佳值;
S65、将α′、w′和的最佳值代入初始偏离用水量平滑曲线模型,得到用水检测平滑曲线模型。
S7、基于用水监测平滑曲线模型对待检测水表进行检测并自动控制关阀。
所述S7包括如下步骤:
S71、利用偏离用水量平滑曲线模型预测未来一天的用水量数据,得到预测用水量数据;
S72、基于待检测物联网水表未来一天的真实监测用水量数据与预测用水量数据比较,得到预测偏差结果;
S73、针对预测偏差结果小于第一预测偏差阈值时,则不对待检测物联网水表控制关阀;
S74、针对预测偏差结果大于第一预测偏差阈值且小于第二预测偏差阈值时,则自动对待检测物联网水表控制关阀第一百分比;本实施例中第一百分比为25%;本实施例中第一预测偏差阈值为真实监测用水量数据相对预测用水量数据的偏差比率等于30%;本实施例中第二预测偏差阈值为真实监测用水量数据相对预测用水量数据的偏差比率等于40%;
S75、针对预测偏差结果大于第二预测偏差阈值且小于第三预测偏差阈值时,则自动对待检测物联网水表控制关阀第二百分比;本实施例中第二百分比为50%;本实施例中第三预测偏差阈值为真实监测用水量数据相对预测用水量数据的偏差比率等于50%;
S76、针对预测偏差结果大于第三预测偏差阈值且小于第四预测偏差阈值时,则自动对待检测物联网水表控制关阀第三百分比;本实施例中第三百分比为75%;本实施例中第四预测偏差阈值为真实监测用水量数据相对预测用水量数据的偏差比率等于100%;
S77、针对预测偏差结果大于第四预测偏差阈值时,则自动对待检测物联网水表控制完全关阀。
实施例2
如图2所示,在本发明的另一个实施例中,在实施例1的基础上,本发明还提供一种基于物联网水表用量异常检测方法的检测系统,包括:
第一模块,用于获取居民用水立户信息;
第二模块,用于基于居民用水立户信息,对选中区域的居民用水量进行滤噪、归一化和聚类划分,得到选中区域上报云端的中心位用水数据表;
第三模块,用于基于居民用水立户信息和各选中区域上报云端的中心位数据,对物联网水表使用区域进行中心点聚类,得到第一用水量簇、第二用水量簇和第三用水量簇;
第四模块,用于针对待检测水表上报云端的用水量数据不处于第二用水量簇范围内时,则对待检测物联网水表每天的若干条用水量数据滤噪,并对滤噪结果进行曲线拟合,得到待检测物联网水表用水量监测曲线;
第五模块,用于基于待检测物联网水表每天的若干条用水量数据和待检测物联网水表用水量监测曲线,得到用水检测平滑曲线模型;
第六模块,用于基于用水监测平滑曲线模型对检测水表进行检测并自动控制关阀。
本发明提供的一种基于物联网水表用量异常检测方法的检测系统用于实施上述实施例中的基于物联网水表用量异常检测方法,所能实现的效果与上述方法所能实现的效果相同。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种物联网水表用量异常检测方法,其特征在于,包括如下步骤:
S1、获取居民用水立户信息;
所述S1包括如下步骤:
S11、获取物联网水表使用区域内居民用水立户时的户数编号和各户居民人数;
S12、基于物联网水表的SIM卡定位接口,获取各户居民物联网水表的定位信息;
S13、将户数编号、各户居民人数和各户居民物联网水表的定位信息对应组合,得到居民用水立户信息;
S2、基于居民用水立户信息,对选中区域的居民用水量数据进行滤噪、归一化和聚类划分,得到选中区域上报云端的中心位用水数据表;
所述S2包括如下步骤:
S21、基于居民用水立户信息中的户数编号和各户居民物联网水表的定位信息,并以村或小区为单位划分物联网水表使用区域,得到若干用水量数据上报云端的选中区域;
S22、获取各选中区域内物联网水表每日上报到云端的用水量数据;
S23、基于物联网水表口径滤除用水量数据中的噪点,得到滤噪后的用水量数据;
S24、基于各选中区域内居民用水立户信息中的各户居民人数和滤噪后的用水量数据,得到每人每日用水量数据;
S25、对于每人每日用水量数据进行归一化处理,得到各选中区域内归一化后的每人每日用水量数据;
S26、对各选中区域内归一化后的每人每日用水量数据进行K-均值聚类,得到选中区域上报云端的中心位用水数据表;
S3、基于居民用水立户信息和各选中区域上报云端的中心位用水数据表,对物联网水表使用区域进行中心点聚类,得到第一用水量簇、第二用水量簇和第三用水量簇;
S4、判断待检测水表上报云端的用水量数据是否处于第二用水量簇范围内,若是则该待检测水表为正常状态,否则进入S5;
S5、对待检测物联网水表每天的若干条用水量数据滤噪,并对滤噪结果进行曲线拟合,得到待检测物联网水表用水量监测曲线;
S6、基于待检测物联网水表每天的若干条用水量数据和待检测物联网水表用水量监测曲线,得到用水检测平滑曲线模型;
S7、基于用水监测平滑曲线模型对待检测水表进行检测并自动控制关阀。
2.根据权利要求1所述的物联网水表用量异常检测方法,其特征在于,所述S23包括如下步骤:
S231、基于物联网水表口径,得到物联网水表的每小时流量阈值;
S232、基于物联网水表每小时流量阈值,得到物联网水表全天流量阈值;
S233、逐个将用水量数据与物联网水表全天流量阈值比较,并将大于物联网水表全天流量阈值的用水量数据作为噪点;
S234、滤除用水量数据中的噪点,得到滤噪后的用水量数据。
3.根据权利要求1所述的物联网水表用量异常检测方法,其特征在于,所述S3包括如下步骤:
S31、基于居民用水立户信息,以及各选中区域内所有物联网水表每日上报到云端的用水量数据,得到物联网水表使用区域内的用水数据表集合,其中,用水数据表集合包括若干选中区域内的用水数据表;
S32、分别计算各选中区域内的用水数据表与选中区域上报云端的中心位用水数据表间的平面二维距离;
所述各选中区域内的用水数据表与选中区域上报云端的中心位用水数据表间的平面二维距离的计算表达式如下:
其中,si表示第i个选中区域内的用水数据表与选中区域上报云端的中心位用水数据表间的平面二维距离,x和y分别表示选中区域上报云端的中心位用水数据表在平面中的横坐标和纵坐标,xdi和ydi分别表示各选中区域内的用水数据表在平面中的横坐标和纵坐标,其中,i=1,2,...,n,n表示选中区域的总数;
S33、基于各选中区域内的用水数据表与选中区域上报云端的中心位用水数据表间的平面二维距离,进行预设迭代次数的K-中心点聚类,得到第一用水量簇、第二用水量簇和第三用水量簇。
4.根据权利要求3所述的物联网水表用量异常检测方法,其特征在于,所述S33中K-中心点聚类的方法包括如下步骤:
A1、分别计算得到选中区域上报云端的中心位用水数据表中各数据间的平面二维距离,得到彼此间距离最远的三个点,其中,三个点分别作为第一聚类中心点、第二聚类中心点和第三聚类中心点;
A2、根据聚类中心点最小的原则,基于各选中区域内用水量数据表与选中区域上报云端的中心位用水数据表间的平面二维距离,将各选中区域内物联网水表每日上报到云端的用水量数据对应分到第一聚类中心点、第二聚类中心点和第三聚类中心点,得到第一簇、第二簇和第三簇;
A3、分别对第一簇、第二簇和第三簇中的用水量数据求均值,并将求得的均值分别作为第一簇下一次迭代的第一聚类中心点、第二簇下一次迭代的第二距离中心点,以及第三簇下一次迭代的第三聚类中心点;
A4、重复A2和A3,直到第一聚类中心点、第二聚类中心点和第三聚类中心点均不再变化或重复次数等于预设迭代次数,得到第一用水量簇、第二用水量簇和第三用水量簇。
5.根据权利要求4所述的物联网水表用量异常检测方法,其特征在于,所述S5包括如下步骤:
S51、根据预设冻结时间,获取待检测物联网水表每天的若干条用水量数据;
S52、通过待检测物联网水表每天的各条相邻用水量数据之差,剔除差值大于预设差值阈值的用水量数据,得到滤噪后的待检测物联网水表每天的用水量数据集;
S53、重复S52预设监测天数,并持续更新滤噪后的待检测物联网水表每天的用水量数据集;
S54、基于滤噪后的待检测物联网水表每天的用水量数据集,利用最小二乘法进行曲线拟合,得到待检测物联网水表用水量监测曲线;
所述待检测物联网水表用水量曲线的计算表达式如下:
其中,f(x)表示待检测物联网水表用水量曲线函数,α表示用水量幅值,w表示用水监测频率,x表示用水监测时间,表示用水监测初始相位。
6.根据权利要求5所述的物联网水表用量异常检测方法,其特征在于,所述S6包括如下步骤:
S61、获取待检测物联网水表每天的若干条用水量数据分别对应的用水量数据点;
S62、构建初始偏离用水量平滑曲线模型;
所述初始偏离用水量平滑曲线模型的计算表达式如下:
其中,表示偏离用水量平方和,yi′表示第i个离散用水量数据点的用水量,α′表示平滑曲线的用水量幅值,w′表示平滑曲线的用水监测频率,xi′表示第i个离散用水量数据点的用上监测时间,/>表示平滑曲线的用水监测初始相位,i′表示第i个离散用水量数据点,n′表示离散用水量数据点的总数;
S63、基于初始偏离用水量平滑曲线模型分别对α′、w′和求偏导,得到平滑曲线模型偏导方程;
S64、将离散于待检测物联网水表用水量监测曲线的用水量数据点代入平滑曲线偏导方程,得到α′、w′和的最佳值;
S65、将α′、w′和的最佳值代入初始偏离用水量平滑曲线模型,得到用水检测平滑曲线模型。
7.根据权利要求6所述的物联网水表用量异常检测方法,其特征在于,所述S7包括如下步骤:
S71、利用偏离用水量平滑曲线模型预测未来一天的用水量数据,得到预测用水量数据;
S72、基于待检测物联网水表未来一天的真实监测用水量数据与预测用水量数据比较,得到预测偏差结果;
S73、针对预测偏差结果小于第一预测偏差阈值时,则不对待检测物联网水表控制关阀;
S74、针对预测偏差结果大于第一预测偏差阈值且小于第二预测偏差阈值时,则自动对待检测物联网水表控制关阀第一百分比;
S75、针对预测偏差结果大于第二预测偏差阈值且小于第三预测偏差阈值时,则自动对待检测物联网水表控制关阀第二百分比;
S76、针对预测偏差结果大于第三预测偏差阈值且小于第四预测偏差阈值时,则自动对待检测物联网水表控制关阀第三百分比;
S77、针对预测偏差结果大于第四预测偏差阈值时,则自动对待检测物联网水表控制完全关阀。
8.根据权利要求1-7任意一项所述的物联网水表用量异常检测方法的检测系统,其特征在于,包括:
第一模块,用于获取居民用水立户信息;
所述S1包括如下步骤:
S11、获取物联网水表使用区域内居民用水立户时的户数编号和各户居民人数;
S12、基于物联网水表的SIM卡定位接口,获取各户居民物联网水表的定位信息;
S13、将户数编号、各户居民人数和各户居民物联网水表的定位信息对应组合,得到居民用水立户信息;
第二模块,用于基于居民用水立户信息,对选中区域的居民用水量进行滤噪、归一化和聚类划分,得到选中区域上报云端的中心位用水数据表;
所述S2包括如下步骤:
S21、基于居民用水立户信息中的户数编号和各户居民物联网水表的定位信息,并以村或小区为单位划分物联网水表使用区域,得到若干用水量数据上报云端的选中区域;
S22、获取各选中区域内物联网水表每日上报到云端的用水量数据;
S23、基于物联网水表口径滤除用水量数据中的噪点,得到滤噪后的用水量数据;
S24、基于各选中区域内居民用水立户信息中的各户居民人数和滤噪后的用水量数据,得到每人每日用水量数据;
S25、对于每人每日用水量数据进行归一化处理,得到各选中区域内归一化后的每人每日用水量数据;
S26、对各选中区域内归一化后的每人每日用水量数据进行K-均值聚类,得到选中区域上报云端的中心位用水数据表;
第三模块,用于基于居民用水立户信息和各选中区域上报云端的中心位用水数据表,对物联网水表使用区域进行中心点聚类,得到第一用水量簇、第二用水量簇和第三用水量簇;
第四模块,用于针对待检测水表上报云端的用水量数据不处于第二用水量簇范围内时,则对待检测物联网水表每天的若干条用水量数据滤噪,并对滤噪结果进行曲线拟合,得到待检测物联网水表用水量监测曲线;
第五模块,用于基于待检测物联网水表每天的若干条用水量数据和待检测物联网水表用水量监测曲线,得到用水检测平滑曲线模型;
第六模块,用于基于用水监测平滑曲线模型对检测水表进行检测并自动控制关阀。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311021568.7A CN116992385B (zh) | 2023-08-14 | 2023-08-14 | 一种物联网水表用量异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311021568.7A CN116992385B (zh) | 2023-08-14 | 2023-08-14 | 一种物联网水表用量异常检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116992385A CN116992385A (zh) | 2023-11-03 |
CN116992385B true CN116992385B (zh) | 2024-01-19 |
Family
ID=88533788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311021568.7A Active CN116992385B (zh) | 2023-08-14 | 2023-08-14 | 一种物联网水表用量异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116992385B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807375B (zh) * | 2024-02-27 | 2024-05-24 | 成都秦川物联网科技股份有限公司 | 基于物联网的超声波水表噪声处理方法、系统及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184479A (zh) * | 2015-09-01 | 2015-12-23 | 广州地理研究所 | 基于智能水表的城市居民用水行为分类方法 |
WO2018076571A1 (zh) * | 2016-10-28 | 2018-05-03 | 南京华苏科技有限公司 | Lte网络中的异常值检测方法及系统 |
CN109191700A (zh) * | 2018-08-31 | 2019-01-11 | 昆明理工大学 | 一种基于K-means算法的自来水监控装置 |
CN109902915A (zh) * | 2019-01-11 | 2019-06-18 | 国网浙江省电力有限公司 | 一种基于模糊c均值模型的电水气用能行为分析方法 |
CN111898068A (zh) * | 2020-07-24 | 2020-11-06 | 宁夏隆基宁光仪表股份有限公司 | 一种基于pert算法及仪表用量分析的异常检测方法 |
CN114827211A (zh) * | 2022-05-13 | 2022-07-29 | 浙江启扬智能科技有限公司 | 一种物联网节点数据驱动的异常监控区域检测方法 |
CN116029535A (zh) * | 2023-03-27 | 2023-04-28 | 东莞先知大数据有限公司 | 一种供水压力预警方法、装置、电子设备和存储介质 |
CN116542001A (zh) * | 2023-05-04 | 2023-08-04 | 安徽建筑大学 | 基于改进谱聚类及遗传算法的供水管网独立计量分区方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210374466A1 (en) * | 2020-05-26 | 2021-12-02 | Zhejiang University | Water level monitoring method based on cluster partition and scale recognition |
-
2023
- 2023-08-14 CN CN202311021568.7A patent/CN116992385B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184479A (zh) * | 2015-09-01 | 2015-12-23 | 广州地理研究所 | 基于智能水表的城市居民用水行为分类方法 |
WO2018076571A1 (zh) * | 2016-10-28 | 2018-05-03 | 南京华苏科技有限公司 | Lte网络中的异常值检测方法及系统 |
CN109191700A (zh) * | 2018-08-31 | 2019-01-11 | 昆明理工大学 | 一种基于K-means算法的自来水监控装置 |
CN109902915A (zh) * | 2019-01-11 | 2019-06-18 | 国网浙江省电力有限公司 | 一种基于模糊c均值模型的电水气用能行为分析方法 |
CN111898068A (zh) * | 2020-07-24 | 2020-11-06 | 宁夏隆基宁光仪表股份有限公司 | 一种基于pert算法及仪表用量分析的异常检测方法 |
CN114827211A (zh) * | 2022-05-13 | 2022-07-29 | 浙江启扬智能科技有限公司 | 一种物联网节点数据驱动的异常监控区域检测方法 |
CN116029535A (zh) * | 2023-03-27 | 2023-04-28 | 东莞先知大数据有限公司 | 一种供水压力预警方法、装置、电子设备和存储介质 |
CN116542001A (zh) * | 2023-05-04 | 2023-08-04 | 安徽建筑大学 | 基于改进谱聚类及遗传算法的供水管网独立计量分区方法 |
Non-Patent Citations (1)
Title |
---|
基于GIS的城镇需水量空间分析研究;何芳;王敬东;李胜龙;何志勋;;城镇供水(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116992385A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN108536971B (zh) | 一种基于贝叶斯模型的结构损伤识别方法 | |
CN116992385B (zh) | 一种物联网水表用量异常检测方法及系统 | |
CN109977916B (zh) | 一种基于嵌入式平台的变压器油中溶解气体在线监测系统 | |
CN112580961B (zh) | 基于电网信息系统运行风险预警方法及装置 | |
CN104181883A (zh) | 实时数据采集系统的异常数据实时处理方法 | |
CN113556629B (zh) | 一种智能电表误差远程估计方法及装置 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
Liu et al. | Abnormal energy identification of variable refrigerant flow air-conditioning systems based on data mining techniques | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN117308275B (zh) | 一种基于温差的管路连接异常检测方法及系统 | |
CN108734359B (zh) | 一种风电功率预测数据预处理方法 | |
CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
CN116956189A (zh) | 一种电流异常检测系统、方法、电子设备及介质 | |
CN116416078B (zh) | 用于维修资金账务安全的审计监管方法 | |
CN107292527B (zh) | 一种城市排水系统性能评估方法 | |
US20220044095A1 (en) | Edge computing architecture for pressurized water data | |
CN101923605B (zh) | 铁路防灾风预警方法 | |
CN108090617A (zh) | 一种城市内涝监测点的优化布置方法 | |
CN113466578A (zh) | 一种农网台区箱表拓扑关系识别方法及用户用电监测方法 | |
CN116105804B (zh) | 一种智慧水务水质安全检测预警系统 | |
CN117114911B (zh) | 一种财务报表自动统计结算方法及系统 | |
CN113869782B (zh) | 基于时序分解企业用电数据以识别环保管控异常的方法 | |
Hu et al. | Low voltage transformer topology identification method based on de-noised differential evolution | |
CN117688464B (zh) | 一种基于多源传感器数据的隐患分析方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |