CN117669888A - 一种二次供水远程监控系统 - Google Patents
一种二次供水远程监控系统 Download PDFInfo
- Publication number
- CN117669888A CN117669888A CN202311690019.9A CN202311690019A CN117669888A CN 117669888 A CN117669888 A CN 117669888A CN 202311690019 A CN202311690019 A CN 202311690019A CN 117669888 A CN117669888 A CN 117669888A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- leakage
- alarm
- remote monitoring
- 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 72
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000004891 communication Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000010219 correlation analysis Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000003909 pattern recognition Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供了一种二次供水远程监控系统，包括模式识别与异常检测模块、空间关联性分析模块、数据采集模块、预测性分析模块、报警与通信模块和判断性策略模块；通过数据采集模块建立实时数据采集网络，对管网水流状态的高频率监测。本发明通过模式识别与异常检测模块，系统能够高效地监测水流数据并检测异常模式，利用深度学习算法建立正常水流模型，实现对潜在泄漏点的精准定位，再结合空间关联性分析模块，通过DBSCAN聚类算法对异常数据进行分析，提高泄漏位置的定位准确性，减少误报率，使系统在异常情况下能够迅速、准确地确定泄漏发生的区域。
Description
技术领域
本发明涉及二次供水监控技术领域，特别涉及一种二次供水远程监控系统。
背景技术
二次供水远程监控系统的背景源于对城市水资源的合理管理和供水系统的高效运行的需求，城市供水系统是一项复杂而庞大的基础设施，涉及到大量的水源、管网、水处理设施等组成部分，为了保障居民和工业用水的需求，供水系统必须在任何时候都能够稳定、高效地运行；
然而，传统的供水系统在监测和应对问题方面存在局限性，水管泄漏、管网老化、水质异常等问题会导致供水系统的紧急故障，增加了维修成本，浪费了水资源，并对城市的居民和产业造成了不便；
为此，提出一种二次供水远程监控系统。
发明内容
有鉴于此，本发明提供一种二次供水远程监控系统，以解决或缓解现有技术中存在的技术问题，至少提供一种有益的选择。
本发明的技术方案是这样实现的：一种二次供水远程监控系统，包括
模式识别与异常检测模块、空间关联性分析模块、数据采集模块、预测性分析模块、报警与通信模块和判断性策略模块；
通过所述数据采集模块建立实时数据采集网络，对管网水流状态的高频率监测；
通过深度学习算法建立正常水流模型，实时监测数据并检测偏离模型的异常模式；
通过所述空间关联性分析模块将管网划分为不同区域，建立区域间的空间关系模型，分析异常数据的传播关系；
通过所述预测性分析模块结合历史数据和实时数据，利用机器学习算法预测泄漏发生的时间段；
通过所述报警与通信模块设定阈值，当异常数据超过设定阈值时触发报警，通过无线通信模块将信息传输到远程监控中心；
最后引入判断性策略，考虑非泄漏因素引起的异常，通过交叉验证排除非泄漏相关的异常情况。
进一步优选的，所述数据采集模块连接模式识别与异常检测模块；
通过所述数据采集模块实时获取管网水流数据，将原始数据传递给模式识别与异常检测模块，通过所述模式识别与异常检测模块使用这些数据建立正常模型，并实时监测数据以检测异常模式。
进一步优选的，采用深度学习中的循环神经网络(RNN)用于模式识别和异常检测；
用于描述模式识别与异常检测模块中对水流数据的处理的RNN公式：
设水流数据的时间序列为X＝[x1,x2,...,xt]，其中xt表示在时刻t的水流数据；
在RNN中，隐藏状态ht的更新公式为：ht＝f(Whhht-1+Whχχt+bh)，
其中，Whh是隐藏状态到隐藏状态的权重矩阵，Whχ是输入到隐藏状态的权重矩阵，bh是隐藏状态的偏置，f是激活函数；
通过RNN的隐藏状态，得到输出yt；yt＝g(Wyhht+by)，
Wyh是隐藏状态到输出的权重矩阵，by是输出层的偏置，g是输出层的激活函数；
训练需要定义损失函数，衡量模型输出与实际水流数据之间的差异，损失函数包括均方误差(MSE)：
对于每个时间步t，使用当前的输入xt和前一个时间步的隐藏状态ht-1计算当前时间步的隐藏状态ht和输出yt，将模型的输出yt与实际输入xt比较，计算损失，更新权重矩阵Whh，Whχ，bh，Wyh，by以最小化损失函数，直到损失足够小；
模型训练后，得到训练好的权重和偏置，新的水流数据xt进行前向传播，得到模型的输出yt，使用定义的异常分数计算方法，AS＝∣yt-xt∣，通过比较实际输出yt与输入xt的差异，设定阈值，该阈值用于判断异常，当异常分数超过阈值时，当前时刻存在异常。
进一步优选的，所述模式识别与异常检测模块连接空间关联性分析模块；
检测到异常模式的数据传递给所述空间关联性分析模块，在此过程中，异常数据的时间序列信息作为空间坐标点输入到空间关联性分析模块，应用DBSCAN聚类算法使空间关联性分析模块对异常数据聚类，将相邻的异常数据点聚集在一起，确定泄漏区域；
采用DBSCAN聚类的逻辑算法：
首先定义邻域半径ε和最小邻域内点数MP，接着输入异常数据的时空坐标，应用DBSCAN算法，根据设定的ε和MP聚类，再根据聚类结果，将数据点划分为不同的聚类簇，对每个聚类簇，选择一个聚类簇的中心位置，作为泄漏区域的位置，最后输出泄漏区域及其位置信息；
对于每个聚类簇Ci，采用以下方式计算其中心位置centeri：
其中，P表示聚类簇中的一个数据点，|Ci|表示聚类簇中的数据点数目。
进一步优选的，所述空间关联性分析模块连接预测性分析模块；
确定的泄漏区域信息传递给所述预测性分析模块，泄漏区域的时空信息被作为输入，用于结合历史数据和实时数据进行进一步分析，利用时间序列分析方法预测泄漏发生的时间段。
进一步优选的，所述预测性分析模块连接报警与通信模块；
所述预测性分析模块在预测到潜在泄漏的情况下触发报警信号，所述报警信号由报警与通信模块接收，触发相应的报警机制，同时通过无线通信模块传输到远程监控中心。
进一步优选的，所述报警与通信模块连接判断性策略模块；
所述报警与通信模块向判断性策略模块传递潜在泄漏的报警信息，所述判断性策略模块引入判断性策略，考虑非泄漏因素引起的异常，进一步的分析。
进一步优选的，所述判断性策略模块连接数据采集模块；
根据所述判断性策略模块的分析结果，调整所述数据采集模块的参数，所述数据采集模块的参数具体为：采集频率、监测区域范围、数据采集深度、数据传输时段、自适应性策略、故障自愈机制以及数据处理算法参数。
本发明实施例由于采用以上技术方案，其具有以下优点：
一、本发明通过模式识别与异常检测模块，系统能够高效地监测水流数据并检测异常模式，利用深度学习算法建立正常水流模型，实现对潜在泄漏点的精准定位，再结合空间关联性分析模块，通过DBSCAN聚类算法对异常数据进行分析，提高泄漏位置的定位准确性，减少误报率，使系统在异常情况下能够迅速、准确地确定泄漏发生的区域。
二、本发明通过预测性分析模块，系统能够结合历史数据和实时数据，预测泄漏发生的时间段，通过无线通信模块将信息传输到远程监控中心，使系统能够在潜在泄漏事件发生之前提前预警，实现对水资源浪费和维修成本的降低。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为本发明的系统框图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
下面结合附图对本发明的实施例进行详细说明。
如图1所示，本发明实施例提供了一种二次供水远程监控系统，包括
模式识别与异常检测模块、空间关联性分析模块、数据采集模块、预测性分析模块、报警与通信模块和判断性策略模块；
通过数据采集模块建立实时数据采集网络，对管网水流状态的高频率监测；
通过深度学习算法建立正常水流模型，实时监测数据并检测偏离模型的异常模式；
通过空间关联性分析模块将管网划分为不同区域，建立区域间的空间关系模型，分析异常数据的传播关系；
通过预测性分析模块结合历史数据和实时数据，利用机器学习算法预测泄漏发生的时间段；
通过报警与通信模块设定阈值，当异常数据超过设定阈值时触发报警，通过无线通信模块将信息传输到远程监控中心；
最后引入判断性策略，考虑非泄漏因素引起的异常，通过交叉验证排除非泄漏相关的异常情况。
在一个实施例中，数据采集模块连接模式识别与异常检测模块；
通过数据采集模块实时获取管网水流数据，将原始数据传递给模式识别与异常检测模块，通过模式识别与异常检测模块使用这些数据建立正常模型，并实时监测数据以检测异常模式。
采用深度学习中的循环神经网络(RNN)用于模式识别和异常检测；
用于描述模式识别与异常检测模块中对水流数据的处理的RNN公式：
设水流数据的时间序列为X＝[x1,x2,...,xt]，其中xt表示在时刻t的水流数据；
在RNN中，隐藏状态ht的更新公式为：ht＝f(Whhht-1+Whχχt+bh)，
其中，Whh是隐藏状态到隐藏状态的权重矩阵，Whχ是输入到隐藏状态的权重矩阵，bh是隐藏状态的偏置，f是激活函数；
通过RNN的隐藏状态，得到输出yt；yt＝g(Wyhht+by)，
Wyh是隐藏状态到输出的权重矩阵，by是输出层的偏置，g是输出层的激活函数；
训练需要定义损失函数，衡量模型输出与实际水流数据之间的差异，损失函数包括均方误差(MSE)：
对于每个时间步t，使用当前的输入xt和前一个时间步的隐藏状态ht-1计算当前时间步的隐藏状态ht和输出yt，将模型的输出yt与实际输入xt比较，计算损失，更新权重矩阵Whh，Whχ，bh，Wyh，by以最小化损失函数，直到损失足够小；
模型训练后，得到训练好的权重和偏置，新的水流数据xt进行前向传播，得到模型的输出yt，使用定义的异常分数计算方法，AS＝∣yt-xt∣，通过比较实际输出yt与输入xt的差异，设定阈值，该阈值用于判断异常，当异常分数超过阈值时，当前时刻存在异常。
在一个实施例中，模式识别与异常检测模块连接空间关联性分析模块；
检测到异常模式的数据传递给空间关联性分析模块，在此过程中，异常数据的时间序列信息作为空间坐标点输入到空间关联性分析模块，应用DBSCAN聚类算法使空间关联性分析模块对异常数据聚类，将相邻的异常数据点聚集在一起，确定泄漏区域；
采用DBSCAN聚类的逻辑算法：
首先定义邻域半径ε和最小邻域内点数MP，接着输入异常数据的时空坐标，应用DBSCAN算法，根据设定的ε和MP聚类，再根据聚类结果，将数据点划分为不同的聚类簇，对每个聚类簇，选择一个聚类簇的中心位置，作为泄漏区域的位置，最后输出泄漏区域及其位置信息；
对于每个聚类簇Ci，采用以下方式计算其中心位置centeri：
其中，P表示聚类簇中的一个数据点，|Ci|表示聚类簇中的数据点数目；
通过将相邻的异常数据点聚集在一起，DBSCAN聚类算法有助于提高泄漏区域的定位准确性，减少误差，通过聚类形成的簇，可更好地进行空间关联性分析，找到异常数据的空间分布规律，从而更准确地确定泄漏区域，选择聚类簇的中心位置作为泄漏区域的位置，为后续处理提供了详细的位置信息，便于管网管理人员及时采取措施，该模块协同配合以及算法的应用使异常数据不仅仅被视为独立的时间序列点，而且充分利用了其时空坐标信息，提高对潜在泄漏位置的定位精度；
模式识别与异常检测模块通过将异常数据传递给空间关联性分析模块，使异常数据从简单的时间序列点变为带有时空坐标信息的集合，空间关联性分析模块通过聚类算法将异常数据定位到特定区域，确定泄漏可能发生的区域，并将这些区域信息传递给预测性分析模块，使预测性分析模块能够针对性地对泄漏可能发生的区域进行进一步的时间序列预测；
空间关联性分析模块连接预测性分析模块；
确定的泄漏区域信息传递给预测性分析模块，泄漏区域的时空信息被作为输入，用于结合历史数据和实时数据进行进一步分析，利用时间序列分析方法预测泄漏发生的时间段，最后输出预测结果，表示在泄漏区域内泄漏发生的时间段；
采用时间序列分析逻辑预测具体过程：
获取泄漏区域内的异常数据的时间序列，包括历史数据和实时数据，对时间序列进行初步观察，检查是否存在趋势、季节性特征，根据初步观察的结果，采用ARIMA模型，使用历史数据训练选定的时间序列模型，确定模型的参数，对模型进行验证，使用验证集检验模型的性能，再利用拟合好的时间序列模型，对未来时间段的异常数据进行预测，输出预测结果，表示在泄漏区域内泄漏发生的时间段。
在一个实施例中，预测性分析模块连接报警与通信模块；
预测性分析模块在预测到潜在泄漏的情况下触发报警信号，报警信号由报警与通信模块接收，触发相应的报警机制，同时通过无线通信模块传输到远程监控中心；
当预测性分析模块通过时间序列分析方法预测到潜在泄漏的可能发生时，该模块会触发报警信号，此时，报警与通信模块接收到来自预测性分析模块的报警信号，启动相应的报警机制，包括声光报警、短信通知、以及其他警报手段，同时，报警与通信模块通过无线通信模块将报警信息传输到远程监控中心，保证报警信息能够快速、可靠地传递到中央监控站，使得监管人员能够及时获知泄漏可能的发生，采取紧急措施以减小潜在损害，进而达到在预测到可能的泄漏事件时，通过快速、准确的报警机制和通信手段，迅速通知相关人员，以便他们能够及时做出反应、调度维修人员或采取其他必要的措施，最小化潜在泄漏事件对水资源系统造成的影响。
在一个实施例中，报警与通信模块连接判断性策略模块，判断性策略模块连接数据采集模块；
报警与通信模块向判断性策略模块传递潜在泄漏的报警信息，将这些信息传递给判断性策略模块，判断性策略模块引入判断性策略，考虑非泄漏因素引起的异常，进一步的分析，再根据判断性策略模块的分析结果，调整数据采集模块的参数；
数据采集模块的参数具体为：采集频率、监测区域范围、数据采集深度、数据传输时段、自适应性策略、故障自愈机制以及数据处理算法参数；
判断性策略具体为：
水压变化策略，设定正常运行状态下的基准水压值，作为比较的参考，数据采集模块实时监测水压数据，检测当前水压与基准水压之间的变化情况，包括周期性变化和非周期性变化，设定水压变化的异常判断条件，设定阈值，当水压变化超过阈值时，触发异常判断；
温度异常策略，设定正常运行状态下的基准温度范围，数据采集模块实时监测温度数据，检测当前温度是否落在基准范围之外，设定温度异常的判断条件，设定温度范围，当温度超出该范围时触发异常判断，触发报警与通信模块发送报警信息；
流量异常策略，设定正常运行状态下的基准流量范围，数据采集模块实时监测流量数据，检测当前流量是否落在基准范围之外，设定流量异常的判断条件，例如设定流量范围，当流量超出该范围时触发异常判断。
本发明在工作时：本二次供水远程监控系统以数据采集模块为核心，建立实时数据采集网络，通过深度学习算法在模式识别与异常检测模块中建立正常水流模型，实时监测水流数据，通过异常模式数据被传递给空间关联性分析模块，通过DBSCAN聚类算法对异常数据进行空间关联性分析，将相邻的异常数据点聚集在一起，从而确定泄漏可能发生的区域，提高了泄漏位置的定位精度，通过时间序列分析方法对泄漏区域内泄漏发生的时间段进行详细预测，报警与通信模块根据设定阈值，一旦异常数据超过设定阈值，即触发报警，通过无线通信模块将信息传输到远程监控中心，实现了对潜在泄漏事件的及时报警和信息传递，最后，引入判断性策略模块，通过水压变化策略、温度异常策略和流量异常策略，考虑非泄漏因素引起的异常，进一步分析异常情况，整个系统通过紧密的模块连接和判断性策略，有效提高了监测系统的准确性和稳定性，为远程供水系统的管理和维护提供了强有力的支持。
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，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种二次供水远程监控系统，其特征在于：包括
模式识别与异常检测模块、空间关联性分析模块、数据采集模块、预测性分析模块、报警与通信模块和判断性策略模块；
通过所述数据采集模块建立实时数据采集网络，对管网水流状态的高频率监测；
通过深度学习算法建立正常水流模型，实时监测数据并检测偏离模型的异常模式；
通过所述空间关联性分析模块将管网划分为不同区域，建立区域间的空间关系模型，分析异常数据的传播关系；
通过所述预测性分析模块结合历史数据和实时数据，利用机器学习算法预测泄漏发生的时间段；
通过所述报警与通信模块设定阈值，当异常数据超过设定阈值时触发报警，通过无线通信模块将信息传输到远程监控中心；
最后引入判断性策略，考虑非泄漏因素引起的异常，通过交叉验证排除非泄漏相关的异常情况。
2.根据权利要求1所述的一种二次供水远程监控系统，其特征在于：所述数据采集模块连接模式识别与异常检测模块；
通过所述数据采集模块实时获取管网水流数据，将原始数据传递给模式识别与异常检测模块，通过所述模式识别与异常检测模块使用这些数据建立正常模型，并实时监测数据以检测异常模式。
3.根据权利要求2所述的一种二次供水远程监控系统，其特征在于：采用深度学习中的循环神经网络(RNN)用于模式识别和异常检测；
用于描述模式识别与异常检测模块中对水流数据的处理的RNN公式：
设水流数据的时间序列为X＝[x1,x2,...,xt]，其中xt表示在时刻t的水流数据；
在RNN中，隐藏状态ht的更新公式为：ht＝f(Whhht-1+Whχχt+bh)，
其中，Whh是隐藏状态到隐藏状态的权重矩阵，Whχ是输入到隐藏状态的权重矩阵，bh是隐藏状态的偏置，f是激活函数；
通过RNN的隐藏状态，得到输出yt；yt＝g(Wyhht+by)，
Wyh是隐藏状态到输出的权重矩阵，by是输出层的偏置，g是输出层的激活函数；
训练需要定义损失函数，衡量模型输出与实际水流数据之间的差异，损失函数包括均方误差(MSE)：
对于每个时间步t，使用当前的输入xt和前一个时间步的隐藏状态ht-1计算当前时间步的隐藏状态ht和输出yt，将模型的输出yt与实际输入xt比较，计算损失，更新权重矩阵Whh，Whχ，bh，Wyh，by以最小化损失函数，直到损失足够小；
模型训练后，得到训练好的权重和偏置，新的水流数据xt进行前向传播，得到模型的输出yt，使用定义的异常分数计算方法，AS＝∣yt-xt∣，通过比较实际输出yt与输入xt的差异，设定阈值，该阈值用于判断异常，当异常分数超过阈值时，当前时刻存在异常。
4.根据权利要求1所述的一种二次供水远程监控系统，其特征在于：所述模式识别与异常检测模块连接空间关联性分析模块；
检测到异常模式的数据传递给所述空间关联性分析模块，在此过程中，异常数据的时间序列信息作为空间坐标点输入到空间关联性分析模块，应用DBSCAN聚类算法使空间关联性分析模块对异常数据聚类，将相邻的异常数据点聚集在一起，确定泄漏区域；
采用DBSCAN聚类的逻辑算法：
首先定义邻域半径ε和最小邻域内点数MP，接着输入异常数据的时空坐标，应用DBSCAN算法，根据设定的ε和MP聚类，再根据聚类结果，将数据点划分为不同的聚类簇，对每个聚类簇，选择一个聚类簇的中心位置，作为泄漏区域的位置，最后输出泄漏区域及其位置信息；
对于每个聚类簇Ci，采用以下方式计算其中心位置centeri：
其中，P表示聚类簇中的一个数据点，|Ci|表示聚类簇中的数据点数目。
5.根据权利要求1所述的一种二次供水远程监控系统，其特征在于：所述空间关联性分析模块连接预测性分析模块；
确定的泄漏区域信息传递给所述预测性分析模块，泄漏区域的时空信息被作为输入，用于结合历史数据和实时数据进行进一步分析，利用时间序列分析方法预测泄漏发生的时间段。
6.根据权利要求1所述的一种二次供水远程监控系统，其特征在于：所述预测性分析模块连接报警与通信模块；
所述预测性分析模块在预测到潜在泄漏的情况下触发报警信号，所述报警信号由报警与通信模块接收，触发相应的报警机制，同时通过无线通信模块传输到远程监控中心。
7.根据权利要求1所述的一种二次供水远程监控系统，其特征在于：所述报警与通信模块连接判断性策略模块；
所述报警与通信模块向判断性策略模块传递潜在泄漏的报警信息，所述判断性策略模块引入判断性策略，考虑非泄漏因素引起的异常，进一步的分析。
8.根据权利要求1所述的一种二次供水远程监控系统，其特征在于：所述判断性策略模块连接数据采集模块；
根据所述判断性策略模块的分析结果，调整所述数据采集模块的参数。
9.根据权利要求7所述的一种二次供水远程监控系统，其特征在于：所述数据采集模块的参数具体为：采集频率、监测区域范围、数据采集深度、数据传输时段、自适应性策略、故障自愈机制以及数据处理算法参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311690019.9A CN117669888A (zh) | 2023-12-11 | 2023-12-11 | 一种二次供水远程监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311690019.9A CN117669888A (zh) | 2023-12-11 | 2023-12-11 | 一种二次供水远程监控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117669888A true CN117669888A (zh) | 2024-03-08 |
Family
ID=90067886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311690019.9A Pending CN117669888A (zh) | 2023-12-11 | 2023-12-11 | 一种二次供水远程监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117669888A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117927880A (zh) * | 2024-03-22 | 2024-04-26 | 南京南大智慧城市规划设计股份有限公司 | 一种管网漏水诊断的智能检测定位方法 |
-
2023
- 2023-12-11 CN CN202311690019.9A patent/CN117669888A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117927880A (zh) * | 2024-03-22 | 2024-04-26 | 南京南大智慧城市规划设计股份有限公司 | 一种管网漏水诊断的智能检测定位方法 |
| CN117927880B (zh) * | 2024-03-22 | 2024-05-24 | 南京南大智慧城市规划设计股份有限公司 | 一种管网漏水诊断的智能检测定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
| CN112202736B (zh) | 基于统计学习和深度学习的通信网络异常分类方法 | |
| CN108418841B (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
| CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
| CN117010863A (zh) | 一种基于物联网技术的市政管网健康度在线监测系统和方法 | |
| CN112799898B (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
| CN117669888A (zh) | 一种二次供水远程监控系统 | |
| CN111563524A (zh) | 一种多站融合系统运行态势异常监测和告警合并方法 | |
| CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
| JP5084591B2 (ja) | 異常検知装置 | |
| CN111401582A (zh) | 一种生活污水处理设施异常识别方法及监控平台 | |
| WO2020153903A1 (en) | Method and system for monitoring a gas distribution network operating at low pressure | |
| CN117308275B (zh) | 一种基于温差的管路连接异常检测方法及系统 | |
| CN114330740A (zh) | 一种基于联邦学习的制造业装备故障监测模型训练系统 | |
| CN111556111A (zh) | 基于物联网的管廊设备故障远程诊断系统 | |
| CN117570381A (zh) | 基于在线预测和数据融合的管网泄漏预警方法 | |
| CN117057608A (zh) | 企业安全生产风险预警系统 | |
| US20230022100A1 (en) | Prognostic and health management system for system management and method thereof | |
| CN116938676A (zh) | 一种基于数据源分析的通信风险联合预警方法 | |
| Wang et al. | Deeppipe: An intelligent monitoring framework for operating condition of multi-product pipelines | |
| CN114330741A (zh) | 一种基于联邦学习的制造业装备故障监测模型训练方法 | |
| Xing et al. | Streaming sensor data validation in networked infrastructure systems through synergic auto and cross similarity discovery and analysis | |
| CN117408162B (zh) | 基于数字孪生的电网故障控制方法 | |
| CN108092824B (zh) | 一种基于复杂动态网络的控制系统诊断方法 | |
| CN117287640B (zh) | 供水风险的预警方法、装置、设备及存储介质 |
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 |