CN117648568A - 基于物联网的水表计量大数据优化处理方法及系统 - Google Patents
基于物联网的水表计量大数据优化处理方法及系统 Download PDFInfo
- Publication number
- CN117648568A CN117648568A CN202410109435.3A CN202410109435A CN117648568A CN 117648568 A CN117648568 A CN 117648568A CN 202410109435 A CN202410109435 A CN 202410109435A CN 117648568 A CN117648568 A CN 117648568A
- Authority
- CN
- China
- Prior art keywords
- water
- water supply
- monitoring
- pipeline
- quality
- 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 494
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims description 227
- 238000011156 evaluation Methods 0.000 claims description 106
- 230000005856 abnormality Effects 0.000 claims description 76
- 238000004458 analytical method Methods 0.000 claims description 54
- 230000006399 behavior Effects 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 23
- 238000013441 quality evaluation Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 15
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims description 11
- 229910052801 chlorine Inorganic materials 0.000 claims description 11
- 239000000460 chlorine Substances 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 241000894006 Bacteria Species 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 230000001580 bacterial effect Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000012502 risk assessment Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 101100391172 Dictyostelium discoideum forA gene Proteins 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本发明公开了基于物联网的水表计量大数据优化处理方法及系统,具体涉及水表计量技术领域,通过将水表计量大数据按照供水管道进行整体性划分得到各监测区域,通过在监测区域的供水管道中设置监测点,精准的采集得到监测区域的水质信息、管道信息,得到监测点的风险评估系数,基于监测点的风险,完成监测区域的故障定位,能够及时排查、消灭管道异常导致的供水异常,基于神经网络模型训练得到用户用水量预测模型,基于用水量预测模型得到监测区域的供水偏差,能够有效缓解监测区域间供水不平衡的问题,为供水决策提供支撑,提高了水表计量大数据的利用,有效的提高监测区域中用户用水质量。
Description
技术领域
本发明涉及水表计量技术领域,更具体地说,本发明涉及基于物联网的水表计量大数据优化处理方法及系统。
背景技术
供水管道连接供水端和用户端,供水管道因为其埋于地下的特点,导致供水管道的监管困难,通过在供水端、用户端和供水管道节点中安装智能监测设备,基于物联网采集得到水表计量大数据。目前的水表计量大数据更多的针对用户端的用水量监测,为水费计费提供数据支撑。
水表计量大数据包括以下几方面:水量数据:包括用水量、流量、水压实时监测数据,以及用水时间、用水地点信息,这些数据可以用于监测和预测用水量,优化水资源分配和管理;水质数据:包括水的浊度、pH值、氯离子含量指标,以及水处理过程的数据,这些数据可以用于监测水质,保证供水安全,以及优化水处理工艺;水损数据:包括水的漏失量、蒸发量数据,以及供水管道的维护和修理记录,这些数据可以用于监测水损情况,优化供水网络设计和管理。
但是其在实际使用时,仍旧存在较多缺点,如水表计量大数据的利用率低,无法根据水表计量大数据增加对监测区域中的供水质量的监管,不利于提高监测区域内的供水质量,导致监测区域内的用户对供水情况不满意。因此需要提供一种基于水表计量大数据的优化方法或优化系统。
发明内容
为了克服现有技术的上述缺陷,本发明提供基于物联网的水表计量大数据优化处理方法及系统,以解决上述背景技术中提出的问题。
技术方案
为实现上述目的,本发明提供如下技术方案:基于物联网的水表计量大数据优化处理方法,包括下列步骤:
步骤S001、将待水表计量大数据按照供水管道划分为若干个监测区域并进行编号,监测区域包括一个供水端和若干个用水终端,通过供水管道连接供水端和用水终端;
步骤S002、在每个监测区域中的供水管道中设置若干监测点,通过监测点采集水质信息和管道信息,在每个监测区域的用水终端设置智能水表,通过智能水表采集得到用户行为信息;
步骤S003、水质分析:分析采集得到水质信息,得到监测区域的水质状况,将分析结果传输至监测预警步骤;
步骤S004、管道分析:分析采集得到管道信息,分析得到管道的供水损耗性参数、供水稳定性参数,基于供水损耗性参数和供水稳定性参数联合分析得到供水质量状况,将分析结果传输监测预警步骤;
步骤S005、用户分析:基于神经网络模型搭建用水量预测模型,将用户行为数据输入用水量预测模型中得到用户的预测用水量,计算供水偏差并传输至监测预警步骤;
步骤S006、监测预警:接收监测区域的水质状况、供水质量状况和供水偏差,当超出预设值向管理人员发出优化预警,并提示采取对应措施。
优选的,用水质异常评价指数表示监测区域的水质状况,所述水质异常评价指数的获取方式为:在水管传输节点设置监测点,采集到每个监测点的水质信息,对水质进行检测,得到水质的pH、浊度、余氯含量、总大肠菌群数量、细菌总数,经过无量纲处理后,关联形成水质异常评价指数,其中的水质异常评价指数的获取方法符合如下公式:
,其中,Spi表示第i个监测区域的水质异常评价指数,m表示监测点的数量,hzj表示第j个监测点水的浑浊度,ylj表示第j个监测点水的余氯含量,dcj表示第j个监测点水的总大肠菌群数量,xzj表示第j个监测点水的细菌总数,k1j表示第j个监测点的权重系数,pHj表示监测点水的酸碱度数值,pH0表示监测点预设的酸碱度数值。
优选的,供水损耗性参数的获取方式为,其中gl总表示监测区域的总供水量,sli表示第i个用户的用水量,CL表示水的加权传输距离,CL满足公式,cli表示第i个用户与供水端的传输距离,n表示监测区域中用户数量,i表示用户编号;供水稳定性参数的获取方式为/>,其中syj表示第j个监测点测水压,sy0表示预设水压,δ表示温度影响因子,m表示监测点的数量。
优选的,基于供水损耗性参数和供水稳定性参数联合分析得到供水质量状况,用管道异常评价指数表示供水质量状况,管道异常评价指数满足公式,其中,Gyi表示第i个监测区域的管道异常评价指数,gsi表示经过无量纲处理后的第i个监测区域的供水损耗性参数,gwi表示经过无量纲处理后的第i个监测区域的供水稳定性参数,f1表示供水损耗性影响系数,f2表示供水稳定性影响系数,0<f1<0.6,0<f2<0.8,且f1+f2=1,具体基于管理人员设置。
优选的,神经网络模型以为损失函数,其中Yri表示基于特征向量组ri预测得到的时间段T2的理论用水量,Sri表示时间段T2的实际用水量,n表示进行了n次训练,L表示在n次训练下的损失函数,特征向量组包括若干个特征和每个特征的权重系数,神经网络模型提取特征和特征权重的方法为:利用神经网络中的激活函数对输入数据进行非线性变换,从而提取输入数据中的高阶特征,通过循环层操作提取序列数据中的特征;通过分析神经网络中每个神经元的权重,得到每个输入特征对输出结果的影响程度,从而得到特征的权重系数。
优选的,所述供水偏差的获取方式为:获取监测区域的预测用水量,通过公式计算得到监测区域的供水偏差指数,其中GPi表示第i个监测区域的供水偏差指数,YSi表示第i个监测区域的在时间T2内的预测用水量,Sgi表示第i个监测区域的在时间T2内的规划供水量。
优选的,基于监测区域的水质状况、供水质量状况和供水偏差计算得到监测区域的优化需求评价系数,所述优化需求评价系数满足公式,其中,Gyi表示第i个监测区域的管道异常评价指数,GPi表示第i个监测区域的供水偏差指数,YXi表示第i个监测区域的优化需求评价系数,w1表示水质异常的权重系数,w2表示管道异常的权重系数,w3表示供水偏差的权重系数,且0<w1<0.8,0<w2<0.8,0<w3<0.5,w1+w2+w3=1.0,具体根据管理人员设置,管理人员基于监测区域的优化需求评价系数确定需要进行优化的监测区域,基于监测区域的水质异常评价指数、管道异常评价指数和供水偏差指数确定需要优化的类型。
为实现上述目的,本发明提供如下技术方案:基于物联网的水表计量大数据优化处理系统,包括:区域划分模块、数据采集模块、水质分析模块、供水管道分析模块、用户行为分析模块、监测调控模块、综合评估模块,
所述区域划分模块:用于将水表计量大数据按照供水管道划分为若干区域,并进行编号,得到监测区域;
所述数据采集模块:用于采集水表计量大数据,通过在水管节点设置监测点,采集得到各监测点的水质信息和管道信息;通过用户端智能水表采集得到用户行为数据,并将采集的数据传输至数据分析模块;所述数据分析模块包括水质分析模块、供水管道分析模块和用户行为分析模块;
所述水质分析模块:用于获取水质异常评价指数,基于水质信息获取监测子区域的水质异常评价指数,将分析结果传输至监测调控模块和供水质量评估模块;
所述供水管道分析模块:用于获取供水管道的管道异常评价指数,将分析结果传输至监测调控模块和供水质量评估模块;
所述用户行为分析模块:基于用户历史行为大数据,预测用户未来用水量,计算供水量偏差指数,将分析结果传输至监测调控模块和供水质量评估模块;
所述监测调控模块:用于监测获取的水质异常评价指数、管道异常评价指数、供水量偏差指数,将接收信息与预设值进行对比,并采取对应措施;
所述综合评估模块:基于水质异常评价指数、管道异常评价指数、供水量偏差指数获取监测区域的优化需求评价系数,基于优化需求评价系数得到监测区域的处理优先级。
优选的,所述监测调控模块中的预设值指的是监测区域在正常运行时的水质异常评价指数、管道异常评价指数、供水量偏差指数,预设值是管理人员基于实际情况设置的,采取对应措施包括进行监测点风险评估,基于监测点的水质评估参数、水压评估参数,以及监测点的权重系数,计算得到监测点的风险评价系数,完成供水管道异常的定位。
优选的,所述数据采集模块包括用户行为数据采集单元、管道信息采集单元、水质信息采集单元,所述用户行为数据采集单元用于采集监测子区域中的用水行为数据,用水行为数据包括用水时间、用水量、用水习惯,用水行为数据反映用户的用水行为和习惯;所述管道信息采集单元用于采集水管管道信息,水管管道信息包括水压信息、水温信息;所述水质信息采集单元用于采集供水管道中的水质信息,水质信息包括水中氯含量、pH、水的浊度。
本发明的技术效果和优点:
(1)本发明通过将水表计量大数据按照供水管道进行整体性划分,通过在供水管道中设置监测点,精准的采集得到监测区域的水质信息、管道信息,得到监测点的风险评估系数,基于监测点的风险,完成监测区域的故障定位,能够及时排查、消灭管道异常导致的供水异常,有利于节省人力、财力;
(2)本发明基于神经网络模型训练得到用户用水量预测模型,基于用水量预测模型得到监测区域的供水偏差,能够有效缓解监测区域间供水不平衡的问题,为供水决策提供支撑;
(3)本发明通过对监测区域的水表计量大数据的分析,提高了水表计量大数据的利用,有效的提高监测区域中用户用水质量,解决了现有技术问题中的用户用水质量难以量化评价,用户用水管道的检修缺乏科学性、智能性的问题。
附图说明
图1为本发明的方法流程图。
图2为本发明的系统结构框图。
图3为本发明的数据采集模块结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整地传达给本领域的技术人员。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
本发明提供了如图1所示的基于物联网的水表计量大数据优化处理方法,包括下列步骤:
步骤S001、将待水表计量大数据按照供水管道划分为若干个监测区域并进行编号,监测区域包括一个供水端和若干个用水终端,通过供水管道连接供水端和用水终端;
步骤S002、在每个监测区域中的供水管道中设置若干监测点,通过监测点采集水质信息和管道信息,在每个监测区域的用水终端设置智能水表,通过智能水表采集得到用户行为信息;
步骤S003、水质分析:分析采集得到水质信息,得到监测区域的水质状况,将分析结果传输至监测预警步骤;
步骤S004、管道分析:分析采集得到管道信息,分析得到管道的供水损耗性参数、供水稳定性参数,基于供水损耗性参数和供水稳定性参数联合分析得到供水质量状况,将分析结果传输监测预警步骤;
步骤S005、用户分析:基于神经网络模型搭建用水量预测模型,将用户行为数据输入用水量预测模型中得到用户的预测用水量,计算供水偏差并传输至监测预警步骤;
步骤S006、监测预警:接收监测区域的水质状况、供水质量状况和供水偏差,当超出预设值向管理人员发出优化预警,并提示采取对应措施。
在本发明实施例中需要解释说明的是,用水质异常评价指数表示监测区域的水质状况,所述水质异常评价指数的获取方式为:在水管传输节点设置监测点,采集到每个监测点的水质信息,对水质进行检测,得到水质的pH、浊度、余氯含量、总大肠菌群数量、细菌总数,经过无量纲处理后,关联形成水质异常评价指数,其中的水质异常评价指数的获取方法符合如下公式:
,其中,Spi表示第i个监测区域的水质异常评价指数,m表示监测点的数量,hzj表示第j个监测点水的浑浊度,ylj表示第j个监测点水的余氯含量,dcj表示第j个监测点水的总大肠菌群数量,xzj表示第j个监测点水的细菌总数,k1j表示第j个监测点的权重系数,pHj表示监测点水的酸碱度数值,pH0表示监测点预设的酸碱度数值。
在本发明实施例中需要解释说明的是供水损耗性参数的获取方式为,其中gl总表示监测区域的总供水量,sli表示第i个用户的用水量,CL表示水的加权传输距离,CL满足公式/>,cli表示第i个用户与供水端的传输距离,n表示监测区域中用户数量,i表示用户编号;供水稳定性参数的获取方式为,其中syj表示第j个监测点测水压,sy0表示预设水压,δ表示温度影响因子,m表示监测点的数量。
在本发明实施例中需要解释说明的是,基于供水损耗性参数和供水稳定性参数联合分析得到供水质量状况,用管道异常评价指数表示供水质量状况,管道异常评价指数满足公式,其中,Gyi表示第i个监测区域的管道异常评价指数,gsi表示经过无量纲处理后的第i个监测区域的供水损耗性参数,gwi表示经过无量纲处理后的第i个监测区域的供水稳定性参数,f1表示供水损耗性影响系数,f2表示供水稳定性影响系数,0<f1<0.6,0<f2<0.8,且f1+f2=1,具体基于管理人员设置。
在本发明实施例中需要解释说明的是,神经网络模型以为损失函数,其中Yri表示基于特征向量组ri预测得到的时间段T2的理论用水量,Sri表示时间段T2的实际用水量,n表示进行了n次训练,L表示在n次训练下的损失函数,特征向量组包括若干个特征和每个特征的权重系数,神经网络模型提取特征和特征权重的方法为:利用神经网络中的激活函数对输入数据进行非线性变换,从而提取输入数据中的高阶特征,通过循环层操作提取序列数据中的特征;通过分析神经网络中每个神经元的权重,得到每个输入特征对输出结果的影响程度,从而得到特征的权重系数。
在本发明实施例中需要解释说明的是,所述供水偏差的获取方式为:获取监测区域的预测用水量YSi,通过公式计算得到监测区域的供水偏差指数,其中GPi表示第i个监测区域的供水偏差指数,YSi表示第i个监测区域的在时间T2内的预测用水量,Sgi表示第i个监测区域的在时间T2内的规划供水量。
在本发明实施例中需要解释说明的是,基于监测区域的水质状况、供水质量状况和供水偏差计算得到监测区域的优化需求评价系数,所述优化需求评价系数满足公式,其中,Gyi表示第i个监测区域的管道异常评价指数,GPi表示第i个监测区域的供水偏差指数,YXi表示第i个监测区域的优化需求评价系数,w1表示水质异常的权重系数,w2表示管道异常的权重系数,w3表示供水偏差的权重系数,且0<w1<0.8,0<w2<0.8,0<w3<0.5,w1+w2+w3=1.0,具体根据管理人员设置,管理人员基于监测区域的优化需求评价系数确定需要进行优化的监测区域,基于监测区域的水质异常评价指数、管道异常评价指数和供水偏差指数确定需要优化的类型。
进一步的,本发明方法包括监测点风险评估步骤,监测点风险评估步骤基于监测点的水质评估参数、水压评估参数,以及监测点的权重系数,计算得到监测点的风险评价系数,监测点风险评估步骤包括下列内容:
将监测点水的浑浊度、余氯含量、总大肠菌群数量、细菌总数,经过无量纲处理后,通过公式得到监测点的水质评估参数,其中Jsj表示第j个监测点的水质评估参数,hzj表示第j个监测点水的浑浊度,ylj表示第j个监测点水的余氯含量,dcj表示第j个监测点水的总大肠菌群数量,xzj表示第j个监测点水的细菌总数;
通过公式得到监测点的水压评估参数,其中Jyj表示第j个监测点的水压评估参数,syj表示第j个监测点测水压,sy0表示预设水压,δ表示温度影响因子;
获取监测节点的权重系数,k1j表示第j个监测点的权重系数,权重系数与管道的初始水流量有关,k1j的计算公式为,其中glj表示在管道正常时第j个监测点对应管道的管道日均流量;
通过公式计算得到监测点的风险评价系数,其中JFj表示第j个监测点的风险评价系数,e表示自然数,所述监测点的风险评价系数用于定位水管异常位置,当监测点的风险评价系数低于阈值th1,向管理人员预警,提示监测区域中的监测点异常,完成异常监测点的定位。
进一步的,本发明方法中用水量预测模型的搭建包括下列步骤:
步骤S01、收集监测区域在时间段T1内的用户行为数据、环境信息,以及监测区域在时间段T2的实际用水量,用户行为数据、环境信息,以及实际用水量得到数据集,用户行为数据包括用水时间、用水量、用水习惯,将数据集按照比例划分为训练集和测试集;
所述时间段T2在时间段T1后,且T1、T2没有交集,T1、T2的时间长度基于管理人员设置调整,且T1的时间长度长于T2的时间长度;
步骤S02、神经网络模型初始化,设置损失函数L,将时间段T1内的用户行为数据作为神经网络模型的输入,输出为时间段T2内的用户用水总量;
步骤S03、使用历史数据训练神经网络模型,获取用户行为数据的特征、调整神经网络模型中神经元的权重,训练至神经网络模型的损失函数最小且稳定,得到用水量预测模型;
步骤S04、模型验证:基于测试集验证用水量预测模型,得到用水量预测模型的预测精度;
步骤S05、根据测试结果对用水量预测模型进行优化,优化方法包括增加隐藏层数、调整激活函数,以提高预测精度。
本发明提供了如图2所示的基于物联网的水表计量大数据优化系统,包括:区域划分模块、数据采集模块、水质分析模块、供水管道分析模块、用户行为分析模块、监测调控模块、综合评估模块,
所述区域划分模块:用于将水表计量大数据按照供水管道划分为若干区域,并进行编号,得到监测区域;
所述数据采集模块:用于采集水表计量大数据,通过在水管节点设置监测点,采集得到各监测点的水质信息和管道信息;通过用户端智能水表采集得到用户行为数据,并将采集的数据传输至数据分析模块;所述数据分析模块包括水质分析模块、供水管道分析模块和用户行为分析模块;
所述水质分析模块:用于获取水质异常评价指数,基于水质信息获取监测子区域的水质异常评价指数,将分析结果传输至监测调控模块和供水质量评估模块;
所述供水管道分析模块:用于获取供水管道的管道异常评价指数,将分析结果传输至监测调控模块和供水质量评估模块;
所述用户行为分析模块:基于用户历史行为大数据,预测用户未来用水量,计算供水量偏差指数,将分析结果传输至监测调控模块和供水质量评估模块;
所述监测调控模块:用于监测获取的水质异常评价指数、管道异常评价指数、供水量偏差指数,将接收信息与预设值进行对比,并采取对应措施;
所述综合评估模块:基于水质异常评价指数、管道异常评价指数、供水量偏差指数获取监测区域的优化需求评价系数,基于优化需求评价系数得到监测区域的处理优先级。
在本发明实施例中需要解释说明的是,所述监测调控模块中的预设值指的是监测区域在正常运行时的水质异常评价指数、管道异常评价指数、供水量偏差指数,预设值是管理人员基于实际情况设置的,采取对应措施包括进行监测点风险评估,基于监测点的水质评估参数、水压评估参数,以及监测点的权重系数,计算得到监测点的风险评价系数,完成供水管道异常的定位。
在本发明实施例中需要解释说明的是,参阅图3的数据采集模块结构框图,所述数据采集模块包括用户行为数据采集单元、管道信息采集单元、水质信息采集单元,所述用户行为数据采集单元用于采集监测子区域中的用水行为数据,用水行为数据包括用水时间、用水量、用水习惯,用水行为数据反映用户的用水行为和习惯;所述管道信息采集单元用于采集水管管道信息,水管管道信息包括水压信息、水温信息;所述水质信息采集单元用于采集供水管道中的水质信息,水质信息包括水中氯含量、pH、水的浊度。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于物联网的水表计量大数据优化处理方法,其特征在于:包括下列步骤:
步骤S001、将待水表计量大数据按照供水管道划分为若干个监测区域并进行编号,监测区域包括一个供水端和若干个用水终端,通过供水管道连接供水端和用水终端;
步骤S002、在每个监测区域中的供水管道中设置若干监测点,通过监测点采集水质信息和管道信息,在每个监测区域的用水终端设置智能水表,通过智能水表采集得到用户行为信息;
步骤S003、水质分析:分析采集得到水质信息,得到监测区域的水质状况,将分析结果传输至监测预警步骤;
步骤S004、管道分析:分析采集得到管道信息,分析得到管道的供水损耗性参数、供水稳定性参数,基于供水损耗性参数和供水稳定性参数联合分析得到供水质量状况,将分析结果传输监测预警步骤;
步骤S005、用户分析:基于神经网络模型搭建用水量预测模型,将用户行为数据输入用水量预测模型中得到用户的预测用水量,计算供水偏差并传输至监测预警步骤;
步骤S006、监测预警:接收监测区域的水质状况、供水质量状况和供水偏差,当超出预设值向管理人员发出优化预警,并提示采取对应措施。
2.根据权利要求1所述的基于物联网的水表计量大数据优化处理方法,其特征在于:用水质异常评价指数表示监测区域的水质状况,所述水质异常评价指数的获取方式为:在水管传输节点设置监测点,采集到每个监测点的水质信息,对水质进行检测,得到水质的pH、浊度、余氯含量、总大肠菌群数量、细菌总数,经过无量纲处理后,关联形成水质异常评价指数,其中的水质异常评价指数的获取方法符合如下公式:
其中,Spi表示第i个监测区域的水质异常评价指数,m表示监测点的数量,hzj表示第j个监测点水的浑浊度,ylj表示第j个监测点水的余氯含量,dcj表示第j个监测点水的总大肠菌群数量,xzj表示第j个监测点水的细菌总数,k1j表示第j个监测点的权重系数,pHj表示监测点水的酸碱度数值,pH0表示监测点预设的酸碱度数值。
3.根据权利要求1所述的基于物联网的水表计量大数据优化处理方法,其特征在于:供水损耗性参数的获取方式为,其中gl总表示监测区域的总供水量,sli表示第i个用户的用水量,CL表示水的加权传输距离,CL满足公式/>,cli表示第i个用户与供水端的传输距离,n表示监测区域中用户数量,i表示用户编号;供水稳定性参数的获取方式为/>,其中syj表示第j个监测点测水压,sy0表示预设水压,δ表示温度影响因子,m表示监测点的数量。
4.根据权利要求1所述的基于物联网的水表计量大数据优化处理方法,其特征在于:基于供水损耗性参数和供水稳定性参数联合分析得到供水质量状况,用管道异常评价指数表示供水质量状况,管道异常评价指数满足公式,其中,Gyi表示第i个监测区域的管道异常评价指数,gsi表示经过无量纲处理后的第i个监测区域的供水损耗性参数,gwi表示经过无量纲处理后的第i个监测区域的供水稳定性参数,f1表示供水损耗性影响系数,f2表示供水稳定性影响系数,0<f1<0.6,0<f2<0.8,且f1+f2=1,具体基于管理人员设置。
5.根据权利要求2所述的基于物联网的水表计量大数据优化处理方法,其特征在于:神经网络模型以为损失函数,其中Yri表示基于特征向量组ri预测得到的时间段T2的理论用水量,Sri表示时间段T2的实际用水量,n表示进行了n次训练,L表示在n次训练下的损失函数,特征向量组包括若干个特征和每个特征的权重系数,神经网络模型提取特征和特征权重的方法为:利用神经网络中的激活函数对输入数据进行非线性变换,从而提取输入数据中的高阶特征,通过循环层操作提取序列数据中的特征;通过分析神经网络中每个神经元的权重,得到每个输入特征对输出结果的影响程度,从而得到特征的权重系数。
6.根据权利要求2所述的基于物联网的水表计量大数据优化处理方法,其特征在于:所述供水偏差的获取方式为:获取监测区域的预测用水量,通过公式计算得到监测区域的供水偏差指数,其中GPi表示第i个监测区域的供水偏差指数,YSi表示第i个监测区域的在时间T2内的预测用水量,Sgi表示第i个监测区域的在时间T2内的规划供水量。
7.根据权利要求2所述的基于物联网的水表计量大数据优化处理方法,其特征在于:基于监测区域的水质状况、供水质量状况和供水偏差计算得到监测区域的优化需求评价系数,所述优化需求评价系数满足公式,其中,Gyi表示第i个监测区域的管道异常评价指数,GPi表示第i个监测区域的供水偏差指数,YXi表示第i个监测区域的优化需求评价系数,w1表示水质异常的权重系数,w2表示管道异常的权重系数,w3表示供水偏差的权重系数,且0<w1<0.8,0<w2<0.8,0<w3<0.5,w1+w2+w3=1.0,具体根据管理人员设置,管理人员基于监测区域的优化需求评价系数确定需要进行优化的监测区域,基于监测区域的水质异常评价指数、管道异常评价指数和供水偏差指数确定需要优化的类型。
8.一种基于物联网的水表计量大数据优化处理系统,用于实现上述权利要求1所述的基于物联网的水表计量大数据优化处理方法,其特征在于:包括:
区域划分模块:用于将水表计量大数据按照供水管道划分为若干区域,并进行编号,得到监测区域;
数据采集模块:用于采集水表计量大数据,通过在水管节点设置监测点,采集得到各监测点的水质信息和管道信息;通过用户端智能水表采集得到用户行为数据,并将采集的数据传输至数据分析模块;所述数据分析模块包括水质分析模块、供水管道分析模块和用户行为分析模块;
水质分析模块:用于获取水质异常评价指数,基于水质信息获取监测子区域的水质异常评价指数,将分析结果传输至监测调控模块和供水质量评估模块;
供水管道分析模块:用于获取供水管道的管道异常评价指数,将分析结果传输至监测调控模块和供水质量评估模块;
用户行为分析模块:基于用户历史行为大数据,预测用户未来用水量,计算供水量偏差指数,将分析结果传输至监测调控模块和供水质量评估模块;
监测调控模块:用于监测获取的水质异常评价指数、管道异常评价指数、供水量偏差指数,将接收信息与预设值进行对比,并采取对应措施;
综合评估模块:基于水质异常评价指数、管道异常评价指数、供水量偏差指数获取监测区域的优化需求评价系数,基于优化需求评价系数得到监测区域的处理优先级。
9.根据权利要求8所述的基于物联网的水表计量大数据优化处理系统,其特征在于:所述监测调控模块中的预设值指的是监测区域在正常运行时的水质异常评价指数、管道异常评价指数、供水量偏差指数,预设值是管理人员基于实际情况设置的,采取对应措施包括进行监测点风险评估,基于监测点的水质评估参数、水压评估参数,以及监测点的权重系数,计算得到监测点的风险评价系数,完成供水管道异常的定位。
10.根据权利要求8所述的基于物联网的水表计量大数据优化处理系统,其特征在于:所述数据采集模块包括用户行为数据采集单元、管道信息采集单元、水质信息采集单元,所述用户行为数据采集单元用于采集监测子区域中的用水行为数据,用水行为数据包括用水时间、用水量、用水习惯,用水行为数据反映用户的用水行为和习惯;所述管道信息采集单元用于采集水管管道信息,水管管道信息包括水压信息、水温信息;所述水质信息采集单元用于采集供水管道中的水质信息,水质信息包括水中氯含量、pH、水的浊度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410109435.3A CN117648568A (zh) | 2024-01-26 | 2024-01-26 | 基于物联网的水表计量大数据优化处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410109435.3A CN117648568A (zh) | 2024-01-26 | 2024-01-26 | 基于物联网的水表计量大数据优化处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117648568A true CN117648568A (zh) | 2024-03-05 |
Family
ID=90046247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410109435.3A Pending CN117648568A (zh) | 2024-01-26 | 2024-01-26 | 基于物联网的水表计量大数据优化处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648568A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7920983B1 (en) * | 2010-03-04 | 2011-04-05 | TaKaDu Ltd. | System and method for monitoring resources in a water utility network |
KR20130074376A (ko) * | 2011-12-26 | 2013-07-04 | 재단법인 인천광역시정보산업진흥원 | 홈 아쿠아 그리드 시스템에서 유량 및 수질을 감시하는 디지털 수도 미터 |
CN105629859A (zh) * | 2016-04-06 | 2016-06-01 | 铁道第三勘察设计院集团有限公司 | 基于互联网的自来水物联网智能管理系统 |
CN205940671U (zh) * | 2016-08-15 | 2017-02-08 | 成都市三宇仪表科技发展有限公司 | 一种具备水质检测功能的智能水表 |
US20170270454A1 (en) * | 2016-03-15 | 2017-09-21 | Waterfind USA, Inc. | Systems and Methods for Optimization of Groundwater Resource Usage in a Groundwater Basin |
CN111079989A (zh) * | 2019-11-29 | 2020-04-28 | 武汉理工大学 | 一种基于dwt-pca-lstm的供水公司供水量预测装置 |
CN111638312A (zh) * | 2020-06-12 | 2020-09-08 | 许辉 | 一种基于大数据的饮水工程水质安全实时监测管理系统 |
CN114703922A (zh) * | 2022-03-15 | 2022-07-05 | 上海上源水科水务技术有限公司 | 一种二次供水安全体系的物联网系统及方法 |
CN114839900A (zh) * | 2022-03-25 | 2022-08-02 | 西南科技大学 | 能源综合在线监测与采集系统、方法、介质及计算机设备 |
CN116029460A (zh) * | 2023-03-06 | 2023-04-28 | 河南圣奇建筑工程有限公司 | 一种基于大数据的市政建筑工程节水管理平台 |
CN116823005A (zh) * | 2022-11-18 | 2023-09-29 | 武汉北曦盛科技有限公司 | 基于人工智能的二次供水监测管理系统 |
CN117034044A (zh) * | 2023-10-09 | 2023-11-10 | 山东朝启电子科技有限公司 | 一种基于数据智能的智能表井管理系统 |
CN117116382A (zh) * | 2023-10-18 | 2023-11-24 | 水利部交通运输部国家能源局南京水利科学研究院 | 引水工程影响下受水湖泊水质时空预测方法和系统 |
-
2024
- 2024-01-26 CN CN202410109435.3A patent/CN117648568A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7920983B1 (en) * | 2010-03-04 | 2011-04-05 | TaKaDu Ltd. | System and method for monitoring resources in a water utility network |
KR20130074376A (ko) * | 2011-12-26 | 2013-07-04 | 재단법인 인천광역시정보산업진흥원 | 홈 아쿠아 그리드 시스템에서 유량 및 수질을 감시하는 디지털 수도 미터 |
US20170270454A1 (en) * | 2016-03-15 | 2017-09-21 | Waterfind USA, Inc. | Systems and Methods for Optimization of Groundwater Resource Usage in a Groundwater Basin |
CN105629859A (zh) * | 2016-04-06 | 2016-06-01 | 铁道第三勘察设计院集团有限公司 | 基于互联网的自来水物联网智能管理系统 |
CN205940671U (zh) * | 2016-08-15 | 2017-02-08 | 成都市三宇仪表科技发展有限公司 | 一种具备水质检测功能的智能水表 |
CN111079989A (zh) * | 2019-11-29 | 2020-04-28 | 武汉理工大学 | 一种基于dwt-pca-lstm的供水公司供水量预测装置 |
CN111638312A (zh) * | 2020-06-12 | 2020-09-08 | 许辉 | 一种基于大数据的饮水工程水质安全实时监测管理系统 |
CN114703922A (zh) * | 2022-03-15 | 2022-07-05 | 上海上源水科水务技术有限公司 | 一种二次供水安全体系的物联网系统及方法 |
CN114839900A (zh) * | 2022-03-25 | 2022-08-02 | 西南科技大学 | 能源综合在线监测与采集系统、方法、介质及计算机设备 |
CN116823005A (zh) * | 2022-11-18 | 2023-09-29 | 武汉北曦盛科技有限公司 | 基于人工智能的二次供水监测管理系统 |
CN116029460A (zh) * | 2023-03-06 | 2023-04-28 | 河南圣奇建筑工程有限公司 | 一种基于大数据的市政建筑工程节水管理平台 |
CN117034044A (zh) * | 2023-10-09 | 2023-11-10 | 山东朝启电子科技有限公司 | 一种基于数据智能的智能表井管理系统 |
CN117116382A (zh) * | 2023-10-18 | 2023-11-24 | 水利部交通运输部国家能源局南京水利科学研究院 | 引水工程影响下受水湖泊水质时空预测方法和系统 |
Non-Patent Citations (4)
Title |
---|
SOLOMON AYELE NEGESE等: "Performance evaluation of water supply distribution system: a case study of Muke Turi town, Oromia region, Ethiopia", 《WATER PRACTICE AND TECHNOLOGY》, vol. 18, no. 10, 31 December 2023 (2023-12-31), pages 2211 - 2222 * |
张红: "内江市城市供水管理存在的问题与对策研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, no. 1, 15 January 2023 (2023-01-15), pages 145 - 1294 * |
陈振亚: "应用物联网构建供水计量监测系统模型的实践", 《给水排水》, vol. 39, no. 6, 10 June 2013 (2013-06-10), pages 111 - 115 * |
韩劲松等: "佛山市管道分质供水水质状况调查分析", 《中国饮食卫生与健康》, no. 2, 31 December 2005 (2005-12-31), pages 26 - 28 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320892B (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
CN112488395B (zh) | 一种配电网线损预测方法及系统 | |
CN107153874B (zh) | 水质预测方法及系统 | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN105046402B (zh) | 一种应用于智能变电站二次设备的状态评估方法 | |
CN106651169A (zh) | 基于模糊综合评价的配电自动化终端状态评价方法及系统 | |
CN104134999A (zh) | 基于多数据源的配电网量测有效性分析实用化计算方法 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN111415492A (zh) | 一种基于模糊综合评价算法的边坡滑坡预警方法及系统 | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
CN110501646A (zh) | 一种离线锂电池剩余电量估计方法 | |
CN113610381B (zh) | 一种基于5g网络的水质远程实时监测系统 | |
CN105571645A (zh) | 一种大坝自动化监测方法 | |
CN116579768B (zh) | 一种发电厂在线仪表运维管理方法及系统 | |
CN114896872A (zh) | 一种高压输电线路覆冰状态综合评估方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN117176560A (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN101334338A (zh) | 基于空间坐标监测的索结构中索系统的健康监测方法 | |
CN113868948A (zh) | 一种面向用户的动态阈值模型训练系统及方法 | |
CN112001600B (zh) | 一种基于svm和ds理论的渗漏水风险监测方法 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
CN117648568A (zh) | 基于物联网的水表计量大数据优化处理方法及系统 | |
CN110533213A (zh) | 基于支持向量机的输电线路缺陷风险建模及其预测方法 | |
CN116591768A (zh) | 一种基于分布式网络的隧道监测方法、系统及装置 |
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 |