EP3906397A1 - Detektion einer leckage in einem versorgungsnetz - Google Patents

Detektion einer leckage in einem versorgungsnetz

Info

Publication number
EP3906397A1
EP3906397A1 EP20707014.5A EP20707014A EP3906397A1 EP 3906397 A1 EP3906397 A1 EP 3906397A1 EP 20707014 A EP20707014 A EP 20707014A EP 3906397 A1 EP3906397 A1 EP 3906397A1
Authority
EP
European Patent Office
Prior art keywords
location
fluid
supply network
locations
flow
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.)
Withdrawn
Application number
EP20707014.5A
Other languages
English (en)
French (fr)
Inventor
Moritz Allmaras
Jan Christoph Wehrstedt
Utz Wever
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of EP3906397A1 publication Critical patent/EP3906397A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
    • G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
    • G01M3/2807—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the invention relates to the detection of a leakage of fluid in a supply network.
  • Exemplary applications are leak detection in a drinking or sewage network or in a gas or district heating supply network.
  • the invention is described below mainly in relation to drinking water supply networks. However, it is not restricted to use in drinking water supply networks. Rather, it can also be used, for example, in sewage networks, gas supply networks or district heating supply networks.
  • the general underlying problem can therefore be described in that it should be recognized whether there is a leak in the supply network under consideration. Recognizing that there is a leak is also referred to in this patent application as “detection” or “detection” of a leak. "Detection” or “Detecting” closes not necessarily a location / localization of the leak. However, as will be shown, the present invention in some embodiments can not only determine the basic presence of a leak (somewhere) in the supply network, but can even locate the leak more or less precisely.
  • a first well-known approach is to establish a mass balance. It makes sense to consider a definable area of the network with a single or a small number of tributaries. Such a demarcated area of the network is also referred to in technical terms as a measuring district or "District Metering Area" (DMA).
  • DMA Dynamic Metering Area
  • a DMA has a number of consumers and optionally one or more outflows
  • the inflows into the DMA are compared with the sum of the "outflows" at the consumers and, if applicable, the outflows from the DMA as a whole. If the inflows match the outflows determined in this way, the network is "tight"; there are therefore no leaks. If, on the other hand, the sum of the inflows is significantly greater than the sum of the outflows including consumption, one or more leaks in the network can be assumed .
  • a problem with the mass balance method is the great effort that has to be expended, since the exact consumption for each individual consumer must be determined for a certain period of time.
  • Another problem is data protection of a legal nature. The legal situation in many countries, for example, does not allow a timely recording and recording of the water consumption of all consumers of a DMA.
  • a second well-known approach to the detection of leaks in a network consists in the so-called "Night Flow Analy- sis ".
  • a delimitable area of the network that is, a DMA
  • the inflow into the DMA is recorded over a low-consumption period, for example between 2:00 am and 4:00 am Smaller measurement intervals in the range of a few minutes are typical.
  • the entire inflow is determined in the same period over many days or weeks. This time series is examined using statistical methods for an increase in water consumption as an indicator of a new leak. In the simplest case the inflow is observed over time and a leak is concluded if it increases.
  • a disadvantage of Night Flow Analysis is that only new leaks that occur after the measurements have started are recorded. Another disadvantage is that special effects, for example sporting events that cause exceptionally high water consumption during the measurement period via broadcast on television or alternative media (Internet), can be incorrectly interpreted as an indication of a leak. Finally, major changes in the topology of the network, for example moving into one or more apartment buildings or the commissioning of a system that is active during the (night) measurement period in a business, can lead to an increase in consumption, which is incorrectly identified as a new leak is interpreted in the net.
  • the location of the leak must therefore be carried out using other, additional methods.
  • a third approach known to a person skilled in the art for detecting leaks in a network consists in measuring the flow rates at several locations in the network and then measuring the measured ones To compare values with simulated values obtained by means of a hydraulic simulation of the network - in the case of a water network.
  • the topology of the network i.e. the arrangement of the lines (pipes) and the location and type of each consumer connected to the supply network, are generally required as input data for the hydraulic simulation. Since, due to the considerable effort and data protection concerns outlined above, the actual consumption of the consumer cannot be used, replacement consumption profiles are also required for the various types of consumers present in the network.
  • a substitute consumption profile is understood to be a fictitious, representative consumption profile of a certain type of consumer - apartment, single-family house, small business.
  • the time-dependent flow of water through the pipe for each point in the network can be calculated using a hydraulic simulation. If the actual flow rates measured by the existing sensors differ significantly from the calculated values, it is concluded that there is a leak in the network. If the network has a large number of sensors, the location of the leak can ideally be limited and at least roughly localized by evaluating all sensors.
  • the present invention has set itself the goal of developing an alternative method for detecting a leak in a supply network that, in particular, also with re- Reliably detect and locate a leak in relatively large and complex networks.
  • a method for detecting a leakage of fluid in a supply network, the supply network tubes through which the fluid flows, first sensors for measuring the flow rates of the fluid at first locations in the supply network and at least one having a second sensor for measuring the flow of the fluid at a second location in the supply network.
  • the method has the following steps: a) measuring the flow rates of the fluid at the first locations using the first sensors, b) predicting the flow rate at the second location using a self-learning system based on the values of the flow rates measured in step a) the first locations, the self-learning system being trained to predict the flow rate at a given location in the supply network, c) measuring the actual flow rate of the fluid at the second location using the second sensor located at the second location, d) determining the Difference between the actual flow rate measured at the second location and the flow rate predicted by the learned system at the second location, and e) Outputting a message of a suspected leak if the determined difference is greater than a predetermined limit value.
  • a self-learning system can advantageously be used to detect a leak in a supply network.
  • the self-learning system is taught to be able to predict the flow rate at a given location in the supply network.
  • the learned system is used during the operation of the supply network.
  • the learned system predicts the flow at a specific location in the supply network based on the flow rates actually measured during operation. The idea is that the predicted value correctly indicates the expected flow. Now the flow is actually measured at the specific location for which the flow value was predicted. If the predicted value agrees with the actually measured value, a "stable" and "dense" supply network is concluded.
  • the conclusion is drawn from this that after the completion of the learning phase of the self-learning system, no leaks occurred in the vicinity of the investigated location in the network. If, on the other hand, the difference between the predicted and actually measured flow value exceeds a certain threshold, i.e. a specified limit value, a message is output. If the limit value is exceeded, this is generally to be interpreted as an indication of a new leak in the supply network.
  • a certain threshold i.e. a specified limit value
  • One advantage of the method according to the invention is the speed with which it can be determined whether or not there are anomalies in the supply network. This is based on the fact that the learned system can usually very quickly predict the flow rate at the relevant location, since the learned system does not carry out any analytical or model-based calculations or does not have to use them. Rather, the self-learning system has during During the learning phase, it is simply learned which flow rate is to be expected with which input data and during operation only needs to deduce the flow value at the corresponding location based on the given input data - specifically: from the measured flow rates - in accordance with trained principles.
  • a prediction of the flow is usually only possible for the location for which the self-learning system was trained. However, it is possible to train the self-learning system to predict the flow rate at several locations in the supply network. The number of measuring points in the network does not necessarily have to be greater than the number of locations whose flow rates are predicted, but it is usually.
  • a fluid is understood to mean any type of liquid or gas.
  • the supply network is in particular a drinking water supply or waste water network.
  • the supply network is in particular a gas supply network.
  • the transfer medium i.e. the fluid, is usually hot water, and less often steam.
  • the utility network includes a series of pipes, also known as pipelines or just conduits.
  • the pipes are there to guide the fluid to the consumers and, if necessary, away from them again.
  • the tubes are therefore designed for the fluid to flow through.
  • the flow rate at a certain location in the supply network is understood to mean the volume of the fluid that is per period through the cross section of the Rohrs flows in the appropriate place.
  • the cross-section of the pipe is determined by its inner diameter.
  • the flow rate is also referred to as "volume flow” or “flow rate”. It has the SI unit m 3 / h.
  • the flow rate means a value that characterizes and quantifies the flow rate. It can therefore also be referred to as the "flow rate”.
  • a flow meter usually has two main components: the actual measuring sensor, which serves as a flow sensor, and an evaluation and feed part, which is also referred to as a transmitter or measuring transducer.
  • the flow meters are also referred to as "sensors" in this patent application.
  • the self-learning system is preferably designed as an artificial neural network. It has artificial neurons that lie on one or more layers and are connected to one another. An artificial neuron can process several inputs and react accordingly when activated. For this purpose, the inputs are weighted and transferred to an output function, which calculates the neuron activation. The weightings are continuously adapted during the learning phase of the self-learning system until the output for a specific input matches a target value as closely as possible.
  • TensorFlow is a programming framework for data stream-oriented programming. It is used, for example, from Python programs and is implemented in Python and C ++. TensorFlow is particularly popular for self-learning systems in the field of machine learning. TensorFlow was originally developed by the Google Brain team for internal Google needs and later under the Apache 2. O Open Source License published light. In research and in productive operation, TensorFlow is currently used by various teams in commercial Google products such as speech recognition, Gmail, Google Photos and Google Search. The Maps service is also being improved by analyzing the photos taken by Street View, which are analyzed with the help of an artificial intelligence based on TensorFlow. Many of these products used the previous software, DistBelief.
  • the learning of the self-learning system comprises the following steps:
  • a first step i) the respective flow is measured at several first locations in the supply network by means of flow meters, which are also referred to as sensors in the context of this patent application and of which one is preferably located at each first location (also: measuring location).
  • the amount of measured flow rates at the various first locations forms the input data for the self-learning system.
  • the self-learning system determines an output based on the input data collected in step i).
  • the output value is specifically the flow rate, i.e. the flow rate at the corresponding location, the so-called second location.
  • the flow determined by the self-learning system at the second location is compared with a target value and in a fourth step iv) the self-learning system is adapted taking into account the comparison made in the previous step.
  • the learning process with which the self-learning system is taught (or: trained) to correctly predict the flow rate at a specific location is designed as supervised learning.
  • supervised learning the artificial neural network is given an input pattern and the output that the neural network produces in its current state adorned, compared with the value it should actually output. By comparing the target and actual output, conclusions can be drawn about the changes to be made to the network configuration.
  • the delta rule also known as the perceptron learning rule
  • Multi-layer neural networks are usually trained with error feedback (English: backpropagation), which is a generalization of the delta rule.
  • the target value consists of an actually measured flow rate at the location where the self-learning system has to predict the flow rate.
  • the flow rate predicted by the self-learning system at the second location is compared with the flow rate actually present, measured by means of a corresponding sensor.
  • This choice of the target value has the advantage that the target value can be obtained quickly and precisely.
  • the target value can be obtained quickly, as all that is necessary is to measure the flow with a corresponding sensor.
  • the target value measured by means of a sensor is, depending on the quality and quality of the sensor, of high precision, since it is measured directly and any sources of error are therefore minimal.
  • the target value is not measured directly, but determined by means of a simulation.
  • the flow rate predicted by the self-learning system at a specific location is therefore compared with a flow rate calculated by means of a simulation at the named location.
  • a decisive condition for the learning phase to be successful and, above all, for the learned system to be able to be used successfully in operation, is the quality of the simulation. Since the flow rates that the simulation calculates are used as target values during the training of the self-learning system, the simulated flow rates should reflect reality with high reliability and precision. give. In other words, it is trusted that the simulation is capable of precisely calculating the actual flow rate for a wide variety of input data.
  • the simulation is also referred to as a hydraulic simulation.
  • the topology of the network can be used as input data for a supply network. This refers to the arrangement and nature of the pipes including the placement of the nodes in which three or more pipes meet. Further input data that are required are the locations at which consumers connected to the supply network are placed and the type of consumer. Other input data that are required or at least very useful for a precise simulation are properties of the pipes such as their diameter or their flow resistance.
  • some type of substitute consumption profiles are needed for the different types of consumers. Since, for practical reasons and for reasons of data protection law, the actual consumption of the consumers cannot be taken as input, the simulation is usually based on representative consumption, so-called substitute consumption profiles. For example, there can be a replacement consumption profile for a single-family house or apartment building (with details of the residential units), small businesses, hospitals, etc. can be used.
  • the target values for the corresponding input data are advantageously made available quickly during the learning phase, since this allows the duration of the learning phase to be minimized. For this, it can be advantageous to reduce the input data of the simulation before determining the target value. This can e.g. by means of a series development. Corresponding techniques and procedures for this are known to the person skilled in the art; The principal component analysis is only mentioned as an example in this context.
  • the self-learning system must be relearned.
  • the self-learning system can, however, usually with the parameters, e.g. Weightings of the previously learned system are preassigned, so that usually only a relatively quick and inexpensive update of the parameters, i.e. a shortened learning phase, is necessary.
  • the aforementioned steps i) to iv) are repeated until a predetermined termination criterion is reached.
  • the termination criterion can consist, for example, in the fact that the difference between the flow determined by the self-learning system at a certain location and the "true" flow at this location - i.e. the target value - is less than a predetermined threshold value both values match or differ only insignificantly.
  • the termination criterion can further include that the average over a predetermined number of iteration should fall below the specified threshold value for the difference.
  • the self-learning system is no longer changed.
  • the weightings on the artificial neurons are no longer adjusted, but recorded.
  • the learned system is operated, which can also be referred to as the usage phase.
  • the flow rates are determined during operation by means of the same first sensors by means of which the self-learning system was fed with input data in the learning phase.
  • the learned system predicts the flow at the second location on the basis of the actually measured flow rates at the first locations. If the self-learning system was learned thoroughly and comprehensively during the learning phase, there is a reasonable expectation that the predicted flow rate for the second location will match the reality.
  • the actual flow rate at the second location is measured by means of a sensor measure up. If the target value is already determined during the learning phase by means of measurement instead of simulation, the same sensor that measured the flow rate at the second location during the learning phase can advantageously be used to measure the flow rate at the second location during the usage phase.
  • the difference between the flow rate predicted by the learned system and the flow rate measured by the second sensor is determined.
  • the subtraction of one value from the other can be computer-implemented or implemented in terms of control technology.
  • a message is output when the said difference exceeds a predetermined limit value.
  • a warning is issued if the forecast does not match the measurement for the flow rate or if the two values differ significantly from one another. If the prediction of the learned system is actually correct, a significant discrepancy between the prediction and measurement is a clear indication that, provided that the topology of the supply network has remained unchanged since the learning phase, after At the end of the learning phase, a leak has occurred in the supply network. It can also be concluded that the leakage must be present at least in the vicinity of the second location or at least have a measurable influence on it.
  • the first sensors are advantageously placed in the supply network in such a way that their measured values do not correlate with one another.
  • it is not harmful per se if the measured flow values of a first sensor correlate with the flow values of another first sensor in the supply network, but the sensors develop their maximum effectiveness when their measured values do not correlate with one another.
  • not only a single "second location" in the supply network is examined for a potential leak, but the method is carried out for several second locations.
  • the self-learning network is already in the learning phase for the is trained at several second locations - only then can the trained network reliably predict the respective flow rates at the several second locations during operation.
  • the supply network has n + m sensors, namely n first sensors and m second sensors.
  • the self-learning system with the n first sensors is trained in such a way that it correctly predicts the flow rates at the m second sensors.
  • the self-learning system is trained, based on the measured flow rates of the m sensors, which now act as first sensors, to predict the flow rates of the n second sensors functioning in second locations.
  • the supply network is first examined for leaks at the m locations of the m second sensors. Then the roles are swapped, i.e. the n formerly first sensors now function as second sensors and the supply network is examined for leaks at the n locations of the now n second sensors.
  • the invention relates not only to a method for detecting a leakage of fluid in a supply network, but also applies to a corresponding device.
  • the invention relates to a device for detecting a leakage of fluid in a supply network with pipes, the pipes being suitable for a fluid to flow through, first sensors for measuring the flow rates of the fluid at first locations in the supply network and at least one second sensor for measuring the flow of the fluid at a second location in the supply network.
  • the device has:
  • a first detection unit for detecting the flow rates of the fluid measured by the first sensors at the first locations in the supply network
  • a prediction unit for predicting the flow rate at the second location by means of the trained system based on the values of the flow rates at the first locations recorded by the first detection unit
  • a second detection unit for detecting the actual flow of the fluid at the second location by means of the second sensor located at the second location
  • a determination unit for determining the difference between the actual flow rate measured at the second location and the flow rate predicted by the learned system at the second location
  • An output unit for outputting a message of a suspected leak when the determined difference is greater than a predetermined limit value Special designs and variations of the invention, which have been described in connection with the method for detecting a leak, can be transferred accordingly to the aforementioned device.
  • the invention also relates to an arrangement which has the following components:
  • a supply network with pipes that are suitable for a fluid to flow through first sensors for measuring the flow rates of the fluid at first locations in the supply network and at least one second sensor for measuring the flow rate of the fluid at a second location in the supply network, and
  • Fig. 1 shows a supply network that is connected to several different union consumers
  • Fig. 2 shows a first embodiment of a device for detecting a leakage of fluid in a supply network Ver
  • Fig. 3 shows a second embodiment of a device for detecting a leakage of fluid in a supply network Ver.
  • Fig. 1 illustrates an example and schematically a supply network 10 for supplying a number of consumers with drinking water. It is therefore a drinking water supply network.
  • the invention is not based Drinking water supply networks limited, but is also applicable to other types of supply networks.
  • a measuring area usually called “District Metering Area (DMA)” in technical jargon, is shown, which is part of a higher-level drinking water supply network.
  • DMA Dynamic Metering Area
  • the supply network 10 shown has only a single inflow 13 and no outflows.
  • the supply network 10 comprises a number of pipes 11, with three or four pipes being located at several nodes 12 of the supply network 10
  • FIG. 1 also shows some consumers that are connected to the drinking water supply network 10 by way of example.
  • the consumers are divided into different categories; in Fig.
  • FIG. 1 it is in Fig. 1 so the topology of the supply network 10, in particular the number and branches of the pipes 11, as well as the number and type of consumers connected to the supply network 10 for improved illustration of the invention He is shown greatly simplified.
  • the supply network 10 shown has no (explicit) outflows. Nevertheless, an outflow of drinking water from the supply network 10 takes place by means of the consumer. However, for practical reasons and for reasons of data protection law, the exact respective consumption levels of the consumers are not known.
  • the supply network 10 also has three first sensors 14. These first sensors 14 are designed as flow meters and can measure the flow of the drinking water through the pipes 11 at the respective locations in the supply network 10 at which the first sensors 14 are located. The locations at which the first sensors 14 are located and for which the respective flow rate is measured are referred to as first locations.
  • the supply network 10 also has a further sensor, which is referred to as the second sensor 15.
  • the second sensor 15 is located at a so-called second location in the supply network 10 and is able to measure the flow rate at this second location.
  • the object on which the invention is based is to detect any leakage in the supply network 10 during operation of the supply network 10. In other words, a possible leak in the supply network 10 should be detected.
  • the invention uses a corresponding device 30.
  • a first embodiment of such a device 30 for detecting a leakage of fluid in a supply network 10 is shown in FIG. 2.
  • FIG. 3 shows a slightly modified embodiment of such a device 30.
  • the two exemplary embodiments differ essentially in the use of a different target value during the learning of the self-learning system SS.
  • FIG. 2 shows the same supply network 10 as that in FIG. 1. To avoid repetition, reference is made to FIG. 1 for the description of the supply network 10 and the consumers connected to it.
  • FIG. 2 shows a device 30 for de- detection of a leakage of fluid in the supply network 10.
  • the three first sensors 14 are connected to a first detection unit El.
  • the first detection unit E1 is designed to detect and forward the flow rates measured by the first sensors 14.
  • FIG. 2 shows a second detection unit E2. Analogously to the first acquisition unit El, this is configured to acquire the flow rate measured by the second sensor 15 at the second location in the supply network 10 and, as soon as required in the process, to forward it to a corresponding point.
  • the self-learning system SS in the first exemplary embodiment shown in FIG. 2 is connected to the first acquisition unit E1 and the second acquisition unit E2. These connections are shown in Fig. 1 as dashed lines.
  • the first acquisition unit El provides the input data, namely the measured flow rates at the first locations in the supply network 10.
  • the task of the self-learning system SS is to predict or determine an (expected) flow rate at another location in the supply network .
  • This other location is the already mentioned second location, namely the location at which the second sensor 15 is located.
  • the flow determined by the self-learning system SS at the second location will generally not yet match the actual flow at this location.
  • the flow value determined by the self-learning system SS is compared with a target value.
  • this target value is the flow rate actually measured at the second location.
  • the flow rate at this location is advantageously measured using the second sensor 15, which is required in any case to carry out the method during operation of the supply network 10.
  • the flow rate measured by the second sensor 15 is recorded by the second recording unit E2 and forwarded to the self-learning system SS.
  • the flow rate value measured by the second sensor 15 is then compared with the previously determined / predicted value in the self-learning system.
  • the self-learning system SS tries to predict the actual flow value at the second location as accurately as possible.
  • the self-learning system SS will correctly predict the flow rate at the second location during the second run based on what has been learned from the first run without major problems. During operation, however, the self-learning system SS must be able to make a correct prediction for the flow at the second location for the most varied of flows at the first locations.
  • the described steps of a run are therefore: measuring the flow rates at the first locations; Predicting or determining the flow rate at the second location; and comparing the predicted flow rate with the actual measured flow rate.
  • the termination criterion can be, for example, that for ten successive runs the difference between the flow determined by the self-learning system SS at the second location and the actual flow rate (measured by the second sensor 15 located at the second location) in each case must be less than 5%, in particular less than 2%, preferably less than 1%.
  • the operation, also referred to as the use phase, of the supply network 10 follows.
  • the flow rates at the first locations in the supply network are measured. This is done by means of the first sensors 14.
  • the measured flow values are recorded by the first detection unit E1 and passed on to the self-learning system SS, which in the context of this patent application is also referred to as the "learned system" SS after the end of the learning phase
  • Forwarding of the flow rates detected by the first detection unit El to the trained system is indicated in FIG. 1 by a solid line - to distinguish the dashed connection during the training phase.
  • the learned system SS now makes a prediction regarding the expected flow rate at the second location in the supply network 10 based on the measured flow rates at the first locations. This prediction is made by a prediction unit V.
  • the predicted flow value is then compared with the flow value actually present at the second location - the latter was measured by means of the second sensor 15 and recorded by the second detection unit E2.
  • the comparison between the predicted average flow value and the actually present flow value is carried out by the determination unit B. It is simply a matter of subtracting the smaller of the two values from the larger of the two values.
  • the difference determined in this way is then passed on to an output unit. This outputs a message if the difference is greater than a specified limit value G.
  • the output of a corresponding message is an indication for the operator of the supply network 10 that there is a leak in the supply network 10, in particular in the area of the second Or tes, at which the predicted flow rate deviated from the measured flow rate.
  • Conditions for the validity of this conclusion are, however, that the topology of the supply network and the number and type of consumers connected to it have not changed after the end of the learning phase and that the self-learning system SS has been learned reliably and robustly.
  • the supply network 10 has several second locations with second sensors 15 and if the predicted flow rates are compared with the measured flow rates at several second locations, a deviation from the predicted to the measured flow rate at exactly one second sensor (or at least a subset of the second Sensors) the potential leakage is not only detected, but also - within certain limits - localized. In most cases, however, a detailed localization with other methods is necessary afterwards.
  • FIG 3 shows a second exemplary embodiment of a device 30 for detecting a leakage of fluid in a supply network 10. It differs in the learning of the self-learning system SS from the device 30 of the first exemplary embodiment.
  • the second embodiment during the learning phase, initially only the measured flow rates at the first th places forwarded from the first detection unit El to the self-learning system SS. This in turn says or determines an expected flow rate at the second location in the supply network 10. This expected flow rate is in the
  • Step iii) of the method is not compared directly with the flow rate measured at the second location, but with a simulated flow rate at the second location. It is of great importance for successful learning of the self-learning system SS that the simulated flow at the second location is trustworthy, that is to say correct, since it represents the target value with which the self-learning system SS is learned. If the target value does not match reality, the learned system SS can logically also not correctly map reality or make predictions.
  • the SIM simulation is a hydraulic simulation.
  • the flows and other parameters e.g. pressures, flow velocities, ...) in the supply network are simulated analytically or model-based on the basis of fluid mechanics.
  • the challenge of a hydraulic simulation SIM is usually that it quickly becomes quite complex for supply networks that are relatively simple in topology.
  • a series of input data IN is usually required for the hydraulic simulation SIM.
  • the topology i.e. the arrangement and the course of the pipes 11 and nodes 12
  • the flow at the to flow 13 into the supply network 10 the arrangement and type of consumers
  • Substitute consumption profiles for the individual consumer types i.e. typical (or: representative) consumption profiles for the individual consumer types
  • Properties of the pipes e.g. Coefficient of friction or inner diameter.
  • the hydraulic simulation SIM simulates the expected flow rate at the second location and feeds this to the self-learning system SS.
  • the simulated flow at the second location acts as a Target value for the self-learning system SS and as a measure of how well the self-learning system SS has already been trained.
  • the invention provides a method, a device and an arrangement with which a leakage of fluid in a supply network can be detected and possibly also localized in a simple manner with the aid of a self-learning system.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Detektieren einer Leckage von Fluid in einem Versorgungsetz (10), wobei das Versorgungsnetz (10) Rohre (11), durch die das Fluid strömt, erste Sensoren (14) zur Messung der Durchflüsse des Fluids an ersten Orten im Versorgungsnetz (10) und mindestens einen zweiten Sensor (15) zur Messung des Durchflusses des Fluids an einem zweiten Ort im Versorgungsnetz (10) aufweist. Das Verfahren weist dabei die folgenden Schritte auf: a) Messen der Durchflüsse des Fluids an den ersten Orten mittels der ersten Sensoren (14); b) Vorhersage des Durchflusses an dem zweiten Ort mittels eines selbstlernenden Systems (SS) basierend auf den Werten der in Schritt a) gemessenen Durchflüsse an den ersten Orten, wobei das selbstlernende System (SS) dafür angelernt wurde, den Durchfluss an einem vorgegebenen Ort im Versorgungsnetz (10) vorherzusagen; c) Messen des tatsächlichen Durchflusses des Fluids an dem zweiten Ort mittels des am zweiten Ort befindlichen zweiten Sensors (15); d) Ermitteln der Differenz zwischen dem tatsächlichen am zweiten Ort gemessenen Durchfluss und dem von dem angelernten System (SS) vorhergesagten Durchfluss am zweiten Ort; und e) Ausgeben einer Meldung einer vermuteten Leckage, wenn die ermittelte Differenz größer als ein vorgegebener Grenzwert (G) ist. Die Erfindung betrifft des Weiteren eine Vorrichtung (30) zur Detektion einer Leckage von Fluid in einem Versorgungsnetz (10) und eine Anordnung umfassend ein Versorgungsnetz (10) und die erwähnte Vorrichtung (30).

Description

Beschreibung
Detektion einer Leckage in einem Versorgungsnetz
Die Erfindung betrifft die Detektion einer Leckage von Fluid in einem Versorgungsnetz. Beispielhafte Anwendungen sind die Leckageerkennung in einem Trink- oder Abwassernetz oder in einem Gas- oder Fernwärmeversorgungsnetz.
Die Erfindung wird im Folgenden hauptsächlich in Bezug auf Trinkwasserversorgungsnetze beschrieben. Sie ist aber nicht auf die Verwendung in Trinkwasserversorgungsnetze beschränkt. Vielmehr ist sie beispielsweise auch in Abwassernetzen, Gas versorgungsnetzen oder Fernwärmeversorgungsnetzen einsetzbar.
Trinkwasser stellt heute, im 21. Jahrhundert, weltweit eine bedeutende Ressource dar. Die meisten Prognosen gehen davon aus, dass die Bedeutung von Trinkwasser mittel- und langfris tig sogar noch zunehmen wird. Folglich ist zu erwarten, dass ein verantwortungsvoller und sparsamer Verbrauch von Trink wasser immer wichtiger werden wird.
In diesem Zusammenhang gilt es, Leckagen, also der unbeab sichtigte und unerwünschte Austritt von Trinkwasser aus den Leitungen des Wassernetzes, so weit wie möglich zu vermeiden. Eine vollständige Vermeidung, also eine vollständige Dichtig keit des Netzes, ist in der Regel jedoch nicht möglich. Er fahrungsgemäß kommt es in Deutschland zu Wasserverlusten im einstelligen Prozentbereich aufgrund von Leckagen im Trink wasserversorgungsnetz; in anderen Ländern liegen die Verluste teilweise auch deutlich darüber.
Das allgemein zugrunde liegende Problem lässt sich demnach dadurch beschreiben, dass erkannt werden soll, ob in dem be trachteten Versorgungsnetz eine Leckage vorliegt. Das Erken nen, dass eine Leckage vorliegt, wird im Rahmen dieser Pa tentanmeldung auch als „Detektion" oder „Detektieren" einer Leckage bezeichnet. „Detektion" oder „Detektieren" schließt dabei nicht zwangsläufig eine Ortung/ Lokalisierung der Le ckage ein. Wie aber gezeigt werden wird, kann die vorliegende Erfindung in manchen Ausführungsformen nicht nur das grund sätzliche Vorliegen einer Leckage (irgendwo) im Versorgungs netz feststellen, sondern die Leckage sogar mehr oder weniger genau orten.
Im Stand der Technik gibt es bereits eine Reihe von Ansätzen, eine Leckage eines Fluids in einem Versorgungsnetz zu detek- tieren .
Ein erster wohlbekannter Ansatz ist die Aufstellung einer Massenbilanz. Hierbei wird sinnvollerweise ein abgrenzbarer Bereich des Netzes mit einem einzigen oder einer geringen Zahl von Zuflüssen betrachtet. Ein solcher abgegrenzte Be reich des Netzes wird in der Fachsprache auch als Messbezirk oder „District Metering Area" (DMA) bezeichnet. Eine DMA weist neben dem Zufluss bzw. Zuflüssen eine Anzahl von Ver brauchern und optional einen oder mehrere Abflüsse auf. Zur Aufstellung der Massenbilanz werden die Zuflüsse in die DMA der Summe der „Abflüsse" bei den Verbrauchern sowie gegebe nenfalls der Abflüsse aus der DMA als Ganzes gegenüberge stellt. Stimmen die Zuflüsse mit den so ermittelten Abflüssen überein, ist das Netz „dicht"; es liegen also keine Leckagen vor. Ist die Summe der Zuflüsse hingegen signifikant größer als die Summe der Abflüsse einschließlich der Verbräuche, ist von einem oder mehrerer Lecks im Netz auszugehen.
Ein Problem bei der Massenbilanz-Methode ist der große Auf wand der aufgewendet werden muss, da der genaue Verbrauch je des einzelnen Verbrauchers für einen bestimmten Zeitraum er mittelt werden muss. Ein weiteres Problem ist datenschutz rechtlicher Natur. Die Gesetzeslage in vielen Ländern lässt beispielsweise eine zeitgenaue Erfassung und Aufzeichnung des Wasserverbrauchs aller Verbraucher einer DMA gar nicht zu.
Ein zweiter wohlbekannter Ansatz zur Detektion von Leckagen in einem Netz besteht in der sogenannten „Night Flow Analy- sis". Auch hier wird in der Regel ein abgrenzbarer Bereich des Netzes, also eine DMA, betrachtet. Bei einer Night Flow Analysis wird über einen verbrauchsarmen Zeitraum, beispiels weise zwischen 2 Uhr und 4 Uhr nachts, der Zufluss in die DMA erfasst. Auch kleinere Messintervalle im Bereich weniger Mi nuten sind typisch. Es wird der gesamte Zufluss in demselben Zeitraum über viele Tage bzw. Wochen ermittelt. Diese Zeit reihe wird mit statistischen Methoden auf einen Anstieg des Wasserverbrauchs als Indikator für eine neue Leckage unter sucht. Im einfachsten Fall wird der Zufluss über die Zeit be obachtet und bei einem Anstieg desselben auf ein Leck ge schlossen .
Ein Nachteil der Night Flow Analysis besteht darin, dass nur neue Leckagen, die nach Beginn der Messungen entstehen, er fasst werden. Ein weiterer Nachteil besteht darin, dass Son dereffekte, beispielsweise Sportveranstaltungen, die über Ausstrahlung im Fernsehen oder alternative Medien (Internet) im Messzeitraum für einen außergewöhnlich hohen Wasserver brauch sorgen, fälschlicherweise als Hinweis auf eine Leckage gedeutet werden können. Schließlich können auch größere Ände rungen in der Topologie des Netzes, beispielsweise der Bezug eines oder mehrerer Mehrfamilienhäuser oder die Inbetriebnah me einer im (nächtlichen) Messzeitraum aktiven Anlage in ei nem Gewerbe, zu einem Anstieg des Verbrauchs führen, der fälschlicherweise als eine neu entstandene Leckage im Netz gedeutet wird.
Ein Nachteil beider genannter Ansätze - Massenbilanz wie auch Night Flow Analysis - besteht des Weiteren darin, dass diese Verfahren im Idealfall lediglich erkennen, dass (irgendwo) im Netz eine Leckage vorliegt, aber nicht, wo diese vorliegt.
Die Ortung der Leckage muss also mit anderen, zusätzlichen Verfahren vorgenommen werden.
Ein dritter dem Fachmann bekannter Ansatz zur Detektion von Leckagen in einem Netz besteht darin, die Durchflüsse an meh reren Orten im Netz zu messen und anschließend die gemessenen Werte mit simulierten Werten, die mittels einer - im Fall ei nes Wassernetzes - hydraulischen Simulation des Netzes erhal ten wurden, zu vergleichen. Als Eingangsdaten für die hydrau lische Simulation werden in der Regel die Topologie des Net zes, das heißt die Anordnung der Leitungen (Rohre) , und die Orte und Art jedes mit dem Versorgungsnetz verbundenen Ver brauchers, benötigt. Da aufgrund des oben geschilderten er heblichen Aufwands und datenschutzrechtlicher Bedenken nicht auf die tatsächlichen Verbrauche der Verbraucher abgestellt werden kann, werden ferner Ersatzverbrauchsprofile für die verschiedenen vorhandenen Arten von Verbrauchern im Netz be nötigt. Unter einem Ersatzverbrauchsprofil wird ein fiktives, repräsentatives Verbrauchsprofil eines bestimmten Verbrau chertyps - Wohnung, Einfamilienhaus, Kleingewerbe - verstan den. Basierend auf der Topologie des Netzes, der damit ver bundenen Verbraucher und den verwendeten Ersatzverbrauchspro file kann mittels einer hydraulischen Simulation der zeitab hängige Durchfluss des Wassers durch die Leitung für jeden Punkt im Netz berechnet werden. Unterscheiden sich die mit tels der vorhandenen Sensoren gemessenen tatsächlichen Durch flüsse signifikant von den berechneten Werten, wird auf eine Leckage im Netz geschlossen. Weist das Netz eine Vielzahl von Sensoren auf, kann durch die Auswertung aller Sensoren der Ort der Leckage im Idealfall eingegrenzt und zumindest grob lokalisiert werden.
Eine Herausforderung des geschilderten Ansatzes besteht da rin, die hydraulische Simulation korrekt und mit vertretbarem Aufwand durchzuführen. Dies wird umso schwieriger, je größer und komplexer der betrachtete Teil des Netzes ist. Außerdem muss sowohl die Topologie bezüglich des Verlaufs und der Be schaffenheit der Leitungen als auch die Existenz und Charak terisierung der Verbraucher relativ gut bekannt sein.
Die vorliegende Erfindung hat sich zum Ziel gesetzt, ein al ternatives Verfahren zur Detektion einer Leckage in einem Versorgungsnetz zu entwickeln, dass insbesondere auch bei re- lativ großen und komplexen Netzen eine Leckage zuverlässig erkennen und orten kann.
Die Erfindung ergibt sich aus den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Weiterbildungen und Ausgestaltungen sind Gegenstand der abhängigen Ansprüche. Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung und den Abbildungen.
Es wird ein Verfahren, insbesondere ein automatisiertes Ver fahren, zum Detektieren einer Leckage von Fluid in einem Ver sorgungsetz vorgeschlagen, wobei das Versorgungsnetz Rohre, durch die das Fluid strömt, erste Sensoren zur Messung der Durchflüsse des Fluids an ersten Orten im Versorgungsnetz und mindestens einen zweiten Sensor zur Messung des Durchflusses des Fluids an einem zweiten Ort im Versorgungsnetz aufweist. Das Verfahren weist dabei die folgenden Schritte auf: a) Messen der Durchflüsse des Fluids an den ersten Orten mittels der ersten Sensoren, b) Vorhersage des Durchflusses an dem zweiten Ort mittels eines selbstlernenden Systems basierend auf den Werten der in Schritt a) gemessenen Durchflüsse an den ersten Orten, wobei das selbstlernende System dafür angelernt wurde, den Durch fluss an einem vorgegebenen Ort im Versorgungsnetz vorherzu sagen, c) Messen des tatsächlichen Durchflusses des Fluids an dem zweiten Ort mittels des am zweiten Ort befindlichen zwei ten Sensors, d) Ermitteln der Differenz zwischen dem tatsächlichen am zweiten Ort gemessenen Durchfluss und dem von dem angelernten System vorhergesagten Durchfluss am zweiten Ort, und e) Ausgeben einer Meldung einer vermuteten Leckage, wenn die ermittelte Differenz größer als ein vorgegebener Grenz wert ist.
Die Erfinder haben erkannt, dass sich für die Detektion einer Leckage in einem Versorgungsnetz ein selbstlernendes System in vorteilhafter Weise verwenden lässt. In einer ersten Phase wird das selbstlernende System angelernt, den Durchfluss an einem vorgegebenen Ort des Versorgungsnetzes Vorhersagen zu können. Nach der Anlernphase wird das angelernte System wäh rend des Betriebs des Versorgungsnetzes verwendet. Hierfür sagt das angelernte System basierend auf während des Betriebs tatsächlich gemessenen Durchflüssen den Durchfluss an einem bestimmten Ort im Versorgungsnetz voraus. Der Gedanke ist, dass der vorhergesagte Wert den erwarteten Durchfluss korrekt angibt. Nun wird der Durchfluss an dem bestimmten Ort, für den der Durchflusswert vorhergesagt wurde, tatsächlich gemes sen. Stimmen der vorhergesagte mit dem tatsächlich gemessenen Wert überein, wird auf ein „stabiles" und „dichtes" Versor gungsnetz geschlossen. Insbesondere wird daraus die Schluss folgerung gezogen, dass nach dem Abschluss der Anlernphase des selbstlernenden Systems keine Leckagen in der Umgebung des untersuchten Ortes im Netz entstanden sind. Überschreitet dagegen die Differenz zwischen dem vorhergesagten und tat sächlich gemessenen Durchflusswert eine gewisse Schwelle, d.h. einen vorgegebenen Grenzwert, wird eine Meldung ausgege ben. Die Überschreitung des Grenzwertes ist im Regelfall als ein Hinweis auf ein neu entstandenes Leck im Versorgungsnetz zu deuten.
Ein Vorteil des erfindungsgemäßen Verfahrens ist die Schnel ligkeit, mit der festgestellt werden kann, ob Anomalien im Versorgungsnetz vorliegen oder nicht. Dies begründet sich da rauf, dass das angelernte System in der Regel sehr schnell den Durchfluss an dem betreffenden Ort Vorhersagen kann, da das angelernte System hierfür keine analytischen oder modell basierten Berechnungen durchführt oder auf solche zurückgrei fen müsste. Vielmehr hat das selbstlernende System während der Lernphase schlicht gelernt, welcher Durchfluss bei wel chen Eingangsdaten zu erwarten ist und muss während des Be triebs lediglich gemäß antrainierter Gesetzmäßigkeiten ausge hend von den gegebenen Eingangsdaten - konkret: von den ge messenen Durchflüssen - auf den Durchflusswert an dem ent sprechenden Ort folgern.
Eine Vorhersage des Durchflusses ist in der Regel nur für denjenigen Ort möglich, für den das selbstlernende System auch trainiert wurde. Es ist allerdings möglich, das selbst lernende System für die Vorhersage des Durchflusses an mehre ren Orten des Versorgungsnetzes zu trainieren. Die Anzahl an Messpunkten im Netz muss nicht zwangsläufig größer als die derjenigen Orte, deren Durchflüsse vorhergesagt werden, sein, ist in der Regel jedoch.
Das beschriebene Verfahren lässt sich allgemein auf jede Art von Versorgungsnetzen anwenden, in dem eine Leckage eines Fluids zu detektieren ist. Unter einem Fluid wird jede Art von Flüssigkeit oder Gas verstanden. In dem Fall, dass es sich bei dem Fluid um Wasser handelt, ist das Versorgungsnetz insbesondere ein Trinkwasserversorgungs- oder Abwassernetz.
In dem Fall, dass es sich bei dem Fluid beispielsweise um Erdgas handelt, ist das Versorgungsnetz insbesondere ein Gas versorgungsnetz. In dem Fall, dass es sich bei dem Versor gungsnetz um ein Fernwärmeversorgungsnetz handelt, ist das Überträgermedium, also das Fluid, meist Heißwasser, seltener auch Dampf.
Das Versorgungsnetz umfasst eine Reihe von Rohren, die auch als Rohrleitungen oder nur als Leitungen bezeichnet werden. Die Rohre sind dafür da, das Fluid zu den Verbrauchern und gegebenenfalls wieder von ihnen weg zu leiten. Die Rohre sind also dafür ausgestaltet, von dem Fluid durchströmt zu werden.
Im Rahmen dieser Patentanmeldung wird unter dem Durchfluss an einem bestimmten Ort im Versorgungsnetz das Volumen des Flu ids verstanden, das pro Zeitspanne durch den Querschnitt des Rohrs an dem entsprechenden Ort fließt. Der Querschnitt des Rohrs ist dabei durch dessen Innerdurchmesser festgelegt. Der Durchfluss wird auch als „Volumenstrom" oder „Durchflussrate" bezeichnet. Er hat die SI-Einheit m3/h. Mit dem Durchfluss ist im Rahmen dieser Patentanmeldung also ein Wert gemeint, der den Durchfluss charakterisiert und quantifiziert. Er kann folglich auch als „Durchflusswert" bezeichnet werden.
Der Durchfluss wird mittels Durchflussmessern gemessen. Ein Durchflussmesser weist in der Regel zwei Hauptkomponenten auf: der eigentliche Messaufnehmer, der als Durchflusssensor dient, und ein Auswerte- und Speiseteil, das auch als Trans mitter oder Messumformer bezeichnet wird. Die Durchflussmes ser werden im Rahmen dieser Patentanmeldung auch als „Sensor" bezeichnet .
Das selbstlernende System ist vorzugsweise als künstliches neuronales Netz ausgestaltet. Es weist künstliche Neuronen auf, die auf einer oder mehreren Schichten liegen und mitei nander verbunden sind. Ein künstliches Neuron kann mehrere Eingaben verarbeiten und entsprechend über seine Aktivierung reagieren. Dazu werden die Eingaben gewichtet an eine Ausga befunktion übergeben, welche die Neuronenaktivierung berech net. Die Gewichtungen werden während der Anlernphase des selbstlernenden Systems kontinuierlich angepasst, bis die Ausgabe für eine bestimmte Eingabe möglichst genau mit einem Zielwert übereinstimmt.
Der Fachmann weiß, wie er ein geeignetes selbstlernendes Sys tem konfiguriert. Ein Beispiel für ein geeignetes Program miergerüst ist TensorFlow. TensorFlow ist ein Programmierge rüst (englisch : Framework) zur datenstromorientierten Pro grammierung. Es wird z.B. aus Python-Programmen heraus be nutzt und ist in Python und C++ implementiert. TensorFlow ist insbesondere für selbstlernende Systeme im Bereich des ma schinellen Lernens populär. TensorFlow wurde ursprünglich vom Google-Brain-Team für den Google-internen Bedarf entwickelt und später unter der Apache-2. O-Open-Source-Lizenz veröffent- licht. In der Forschung und im Produktivbetrieb wird Ten- sorFlow derzeit von verschiedenen Teams in kommerziellen Google-Produkten wie Spracherkennung, Gmail, Google Fotos und Google Suche verwendet. Auch der Kartendienst Maps wird durch Analyse der von Street View aufgenommenen Fotos, die mit Hil fe einer auf TensorFlow basierenden künstlichen Intelligenz analysiert werden, verbessert. Viele dieser Produkte nutzten früher die Vorgängersoftware DistBelief.
Das Anlernen des selbstlernenden Systems umfasst die folgen den Schritte:
In einem ersten Schritt i) werden an mehreren ersten Orten im Versorgungsnetz mittels Durchflussmessern, die im Rahmen die ser Patentanmeldung auch als Sensoren bezeichnet werden und wovon vorzugsweise an jedem ersten Ort (auch: Messort) sich einer befindet, der jeweilige Durchfluss gemessen. Die Menge an gemessenen Durchflüssen an den verschiedenen ersten Orten bildet die Eingangsdaten für das selbstlernende System.
Im zweiten Schritt ii) bestimmt das selbstlernende System, also in der Regel das künstliche neuronale Netz, einen Ausga bewert basierend auf den in Schritt i) gesammelten Eingangs daten. Bei dem Ausgabewert handelt es sich vorliegend konkret um den Durchfluss, d.h. den Durchflusswert, an dem entspre chenden Ort, dem sogenannten zweiten Ort.
Im dritten Schritt iii) wird der von dem selbstlernenden Sys tem bestimmte Durchfluss am zweiten Ort mit einem Zielwert verglichen und in einem vierten Schritt iv) das selbstlernen de System unter Berücksichtigung des im vorigen Schritt ange- stellten Vergleichs angepasst. Das Lernverfahren, mit dem das selbstlernende System angelernt (oder: trainiert) wird, den Durchfluss an einem bestimmten Ort korrekt vorherzusagen, ist als ein überwachtes Lernen (englisch : supervised learning) ausgestaltet. Beim überwachten Lernen wird dem künstlichen neuronalen Netz ein Eingangsmuster gegeben und die Ausgabe, die das neuronale Netz in seinem aktuellen Zustand produ- ziert, mit dem Wert verglichen, den es eigentlich ausgeben soll. Durch Vergleich von Soll- und Istausgabe kann auf die vorzunehmenden Änderungen der Netzkonfiguration geschlossen werden. Bei einlagigen neuronalen Netzen kann die Delta-Regel (auch Perzeptron-Lernregel ) angewendet werden. Mehrlagige neuronale Netze werden in der Regel mit Fehlerrückführung (englisch : Backpropagation) trainiert, was eine Verallgemei nerung der Delta-Regel darstellt.
In einer ersten Alternative besteht der Zielwert aus einem tatsächlich gemessenen Durchfluss an demjenigen Ort, an dem das selbstlernende System den Durchfluss vorherzusagen hat. Mit anderen Worten wird der von dem selbstlernenden System vorhergesagte Durchfluss an dem zweiten Ort mit dem tatsäch lich vorliegenden Durchfluss, gemessen mittels eines entspre chenden Sensors, verglichen.
Diese Wahl des Zielwertes hat den Vorteil, dass der Zielwert schnell und präzise erhalten werden kann. Der Zielwert ist schnell erhältlich, da hierfür lediglich eine Messung des Durchflusses mit einem entsprechenden Sensor notwendig ist. Der mittels eines Sensors gemessene Zielwert ist, abhängig von der Güte und Qualität des Sensors, von hoher Präzision, da er direkt gemessen wird und somit etwaige Fehlerquellen minimal sind.
In einer zweiten Alternative wird der Zielwert nicht direkt gemessen, sondern mittels einer Simulation bestimmt. Der von dem selbstlernenden System vorhergesagte Durchfluss an einem bestimmten Ort wird also mit einem mittels einer Simulation berechneten Durchfluss an dem genannten Ort verglichen. Eine entscheidende Bedingung dafür, dass die Anlernphase erfolg reich ist und, vor allem, dass das angelernte System erfolg reich im Betrieb eingesetzt werden kann, ist die Qualität der Simulation. Da die Durchflüsse, die die Simulation berechnet, als Zielwerte während des Trainings des selbstlernenden Sys tems verwendet werden, sollten die simulierten Durchflüsse die Realität mit hoher Verlässlichkeit und Präzision wieder- geben. Mit anderen Worten wird darauf vertraut, dass die Si mulation imstande ist, für die unterschiedlichsten Eingangs daten den tatsächlichen Durchflusswert exakt zu berechnen.
Der Vorteil eines analytisch oder modellbasiert berechneten Zielwerts besteht darin, dass es während der Anlernphase kei nes Sensors und keiner Durchflussmessung am entsprechenden Ort bedarf. Während des Betriebs ist jedoch ein Sensor und eine Durchflussmessung unvermeidbar, da während des Betriebs der von dem angelernten System vorhergesagte Durchfluss mit dem tatsächlich vorliegendem Durchfluss verglichen werden muss, und letzter durch eine tatsächliche Messung am entspre chenden Ort zu bestimmen ist.
Für den Fall, dass das Fluid Wasser ist, spricht man bei der Simulation auch von einer hydraulischen Simulation.
Im Allgemeinen ist die Simulation umso präziser, je zahlrei cher und präziser ihr Input, das heißt ihre Eingangsdaten sind. Als Eingangsdaten für ein Versorgungsnetz kommen zum Beispiel die Topologie des Netzes infrage. Darunter versteht man die Anordnung und Beschaffenheit der Rohre einschließlich der Platzierung der Knoten, in dem sich drei oder mehr Rohre treffen. Weitere Eingangsdaten, die benötigt werden, sind die Orte, an denen mit dem Versorgungsnetz verbundene Verbraucher platziert sind, sowie die Art der Verbraucher. Weitere Ein gangsdaten, die für eine präzise Simulation benötigt werden oder zumindest von großem Nutzen sind, sind Eigenschaften der Rohre wie beispielsweise deren Durchmesser oder deren Fließ widerstände. Schließlich sind irgendeine Art von Ersatzver brauchsprofile für die verschiedenen Arten von Verbrauchern nötig. Da aus praktischen und datenschutzrechtlichen Gründen nicht die tatsächlichen Verbräuche der Verbraucher als Input genommen werden können, werden in der Regel repräsentative Verbräuche, sogenannte Ersatzverbrauchsprofile, der Simulati on zugrunde gelegt. Es können beispielsweise je ein Ersatz verbrauchsprofil für ein Einfamilienhaus, Mehrfamilienhaus (mit Angabe der Wohneinheiten) , Kleingewerbe, Krankenhaus, etc. verwendet werden.
Vorteilhafterweise werden die Zielwerte für die entsprechen den Eingangsdaten während der Anlernphase rasch zur Verfügung gestellt, da hierdurch die Dauer der Anlernphase minimiert werden kann. Hierfür kann es von Vorteil sein, die Eingangs daten der Simulation vor der Bestimmung des Zielwerts zu re duzieren. Dies kann z.B. mittels einer Reihenentwicklung vor genommen werden. Dem Fachmann sind entsprechende Techniken und Vorgehensweisen hierfür bekannt; lediglich beispielhaft wird in diesem Zusammenhang die Hauptkomponentenanalyse er wähnt .
Ändert sich die Topologie des Netzes in signifikantem Ausmaß, etwa durch signifikante Änderungen bei den Verbrauchern oder durch Änderungen bei den verlegten Rohren, muss das selbst lernende System neu angelernt werden. Das selbstlernende Sys tem kann aber in der Regel mit den Parametern, z.B. Gewich tungen, des bisherigen angelernten Systems vorbelegt werden, so dass gewöhnlicherweise nur eine relativ schnelle und un aufwändige Aktualisierung der Parameter, also eine verkürzte Anlernphase, notwendig ist.
Zurück zum Verfahren, das selbstlernende System anzulernen: Die genannten Schritte i) bis iv) werden so oft wiederholt, bis ein vorgegebenes Abbruchkriterium erreicht ist. Das Ab bruchkriterium kann zum Beispiel darin bestehen, dass die Differenz zwischen dem von dem selbstlernenden System be stimmten Durchfluss an einem bestimmten Ort und dem „wahren" Durchfluss an diesem Ort - also dem Zielwert - kleiner als ein vorgegebener Schwellwert ist. Mit anderen Worten sollen beide Werte übereinstimmen oder sich nur unwesentlich unter scheiden. Um sicherzugehen, dass das selbstlernende System robust ist und über einen breiten Bereich von Eingangsdaten zuverlässig den wahren Durchfluss an dem entsprechenden Ort vorhersagt, kann das Abbruchkriterium ferner beinhalten, dass der Durchschnitt über eine vorbestimmte Anzahl an Iteration den vorgegebenen Schwellwert für die Differenz unterschreiten soll .
Ist das Abbruchkriterium erfüllt, wird das selbstlernende System nicht mehr weiter geändert. Im Fall eines künstlichen neuronalen Netzes werden z.B. die Gewichtungen an den künst lichen Neuronen nicht weiter angepasst, sondern festgehalten.
Nach der Anlernphase folgt der Betrieb des angelernten Sys tems, das auch als Nutzungsphase bezeichnet werden kann.
In einem ersten Schritt a) der Nutzungsphase werden die
Durchflüsse des Fluids durch die Rohre an den ersten Orten im Versorgungsnetz gemessen. Dies hat im Wesentlichen an densel ben Orten wie während der Anlernphase zu geschehen. Der Hin tergrund dafür ist, dass ein angelerntes System für an den ersten Orten gemessene Durchflüsse angelernt wurde, so dass es auch in der Nutzungsphase nur mit Eingangsdaten von diesen ersten Orten zu verwenden ist. Plakativ gesprochen kann ein selbstlernendes Netz in der Regel nicht für das Erkennen von Äpfeln angelernt, aber zum Erkennen von Birnen genutzt wer den .
Vorteilhafterweise werden die Durchflüsse während des Be triebs mittels derselben ersten Sensoren bestimmt, mittels derer das selbstlernende System in der Anlernphase mit Einga bedaten gefüttert wurde.
Im zweiten Schritt b) sagt das angelernte System auf Grundla ge der konkret gemessenen Durchflüsse an den ersten Orten den Durchfluss an dem zweiten Ort voraus. Wenn das selbstlernende System während der Anlernphase gründlich und umfassend ange lernt wurde, besteht die nicht unberechtigte Erwartung, dass der vorausgesagte Durchfluss für den zweiten Ort mit der Rea lität übereinstimmt.
Um dies zu überprüfen, wird im dritten Schritt c) der tat sächliche Durchfluss am zweiten Ort mittels eines Sensors ge- messen. Wird während der Anlernphase der Zielwert bereits mittels Messung statt mittels Simulation bestimmt, kann vor teilhafterweise derselbe Sensor, der während der Anlernphase den Durchfluss am zweiten Ort gemessen hat, für die Messung des Durchflusses am zweiten Ort während der Nutzungsphase verwendet werden.
Im vierten Schritt d) wird die Differenz zwischen dem vom an gelernten System vorausgesagten Durchfluss und dem vom zwei ten Sensor gemessenen Durchfluss ermittelt. Das Subtrahieren des einen von dem anderen Wert kann computerimplementiert o- der regelungstechnisch implementiert werden.
Im fünften Schritt e) wird eine Meldung ausgegeben, wenn die genannte Differenz einen vorgegebenen Grenzwert überschrei tet. Mit anderen Worten wird ein Warnhinweis ausgegeben, wenn die Vorhersage mit der Messung für den Durchfluss nicht über einstimmt bzw. die beiden Werte erheblich voneinander abwei chen. Wenn man von der an sich korrekten Voraussage des ange lernten Systems ausgeht, ist eine signifikante Abweichung zwischen Voraussage und Messung ein deutlicher Hinweis da rauf, dass, unter der Voraussetzung, dass an sich die Topolo gie des Versorgungsnetzes seit der Anlernphase unverändert geblieben ist, nach Beendigung der Anlernphase eine Leckage im Versorgungsnetz entstanden ist. Es kann des Weiteren da rauf geschlossen werden, dass die Leckage zumindest in der Umgebung des zweiten Ortes vorliegen muss oder zumindest ei nen messbaren Einfluss darauf hat.
Vorteilhafterweise werden die ersten Sensoren im Versorgungs netz so platziert, dass ihre Messwerte nicht miteinander kor relieren. Es ist zwar in der Regel an sich nicht schädlich, wenn die gemessenen Durchflusswerte eines ersten Sensors mit den Durchflusswerten eines anderen ersten Sensors im Versor gungsnetz korrelieren, aber die maximale Wirksamkeit entfal ten die Sensoren, wenn ihre Messwerte nicht miteinander kor relieren. Eine allgemeingültige Regel für die Vermeidung ei ner Korrelation zweier benachbarter Sensoren existiert nicht. Vielmehr wählt der Fachmann vorteilhafterweise im konkreten Einzelfall die Platzierung der ersten Sensoren so aus, dass sie nicht miteinander korrelieren.
In einer Ausführungsform der Erfindung wird nicht nur ein einziger „zweiter Ort" im Versorgungsnetz bezüglich einer po tenziellen Leckage untersucht, sondern das Verfahren wird für mehrere zweite Orte durchgeführt. Hierfür ist es wiederum wichtig, dass das selbstlernende Netz bereits in der Anlern phase für die mehreren zweiten Orte trainiert wird - nur dann kann das angelernte Netz im Betrieb die jeweiligen Durchflüs se an den mehreren zweiten Orten zuverlässig Voraussagen.
In einer weiteren Ausführungsform weise das Versorgungsnetz n + m Sensoren auf, nämlich n erste Sensoren und m zweite Sensoren. In einem ersten Teil des Verfahrens wird das selbstlernende System mit den n ersten Sensoren so angelernt, dass es die Durchflüsse an den m zweiten Sensoren korrekt vo raussagt. Anschließend wird in einem zweiten Teil des Verfah rens das selbstlernende System angelernt, basierend auf ge messenen Durchflüssen der m Sensoren, die nun als erste Sen soren fungieren, die Durchflüsse der an zweiten Orten fungie renden n zweiten Sensoren vorauszusagen. Damit ist die An lernphase abgeschlossen und es folgt die Nutzungsphase. Hier wird das Versorgungsnetz zunächst auf Leckagen an den m Orten der m zweiten Sensoren untersucht. Anschließend werden die Rollen getauscht, d.h. die n vormals ersten Sensoren fungie ren nun als zweite Sensoren und das Versorgungsnetz wird auf Leckagen an den n Orten der nun n zweiten Sensoren unter sucht .
Ein Vorteil dieses Verfahrens ist, dass mehr Orte des Versor gungsnetzes auf Anomalien, das heißt Leckagen, untersucht werden können. Das Versorgungsnetz kann, abgesehen von den erwähnten n + m Sensoren, weitere Sensoren aufweisen, die in beiden Anlernphasen als erste Sensoren fungieren und das selbstlernende System dadurch robuster machen. Die Erfindung betrifft nicht nur ein Verfahren zur Detektion einer Leckage von Fluid in einem Versorgungsnetz, sondern be trifft auch eine entsprechende Vorrichtung. Im Einzelnen be trifft die Erfindung eine Vorrichtung zur Detektion einer Le ckage von Fluid in einem Versorgungsnetz mit Rohren, wobei die Rohre dazu geeignet sind, von einem Fluid durchströmt zu werden, ersten Sensoren zur Messung der Durchflüsse des Flu ids an ersten Orten im Versorgungsnetz und mindestens einem zweiten Sensor zur Messung des Durchflusses des Fluids an ei nem zweiten Ort im Versorgungsnetz. Die Vorrichtung weist auf :
- ein selbstlernendes System, das dafür angelernt wurde, den Durchfluss an einem vorgegebenen Ort des Versorgungsnetzes vorherzusagen,
- eine erste Erfassungseinheit zur Erfassung der von den ers ten Sensoren gemessenen Durchflüsse des Fluids an den ersten Orten im Versorgungsnetz,
- eine Vorhersageeinheit zur Vorhersage des Durchflusses an dem zweiten Ort mittels des angelernten Systems basierend auf den Werten der von der ersten Erfassungseinheit erfassten Durchflüsse an den ersten Orten,
- eine zweite Erfassungseinheit zur Erfassung des tatsächli chen Durchflusses des Fluids an dem zweiten Ort mittels des am zweiten Ort befindlichen zweiten Sensors,
- eine Bestimmungseinheit zur Bestimmung der Differenz zwi schen dem tatsächlichen am zweiten Ort gemessenen Durchfluss und dem von dem angelernten System vorhergesagten Durchfluss am zweiten Ort, und
- eine Ausgabeeinheit zur Ausgabe einer Meldung einer vermu teten Leckage, wenn die bestimmte Differenz größer als ein vorgegebener Grenzwert ist. Spezielle Ausbildungen und Variationen der Erfindung, die im Zusammenhang mit dem Verfahren zur Detektion einer Leckage beschrieben wurden, können entsprechend auf die genannte Vor richtung übertragen werden.
Schließlich betrifft die Erfindung auch eine Anordnung, die die folgenden Komponenten aufweist:
- ein Versorgungsnetz mit Rohren, die dazu geeignet sind, von einem Fluid durchströmt zu werden, ersten Sensoren zur Mes sung der Durchflüsse des Fluids an ersten Orten im Versor gungsnetz und mindestens einem zweiten Sensor zur Messung des Durchflusses des Fluids an einem zweiten Ort im Versorgungs netz, und
- eine Vorrichtung zur Detektion einer Leckage des Fluids wie oben genannt .
Nachfolgend wird die Erfindung anhand von Ausführungsbeispie len unter Bezugnahme auf die angehängten Zeichnungen be schrieben, in der
Fig. 1 ein Versorgungsnetz, das mit mehreren unterschied lichen Verbrauchern verbunden ist,
Fig. 2 ein erstes Ausführungsbeispiel einer Vorrichtung zur Detektion einer Leckage von Fluid in einem Ver sorgungsnetz, und
Fig. 3 ein zweites Ausführungsbeispiel einer Vorrichtung zur Detektion einer Leckage von Fluid in einem Ver sorgungsnetz darstellt .
Die Fig. 1 illustriert beispielhaft und schematisch ein Ver sorgungsnetz 10 zur Versorgung einer Reihe von Verbrauchern mit Trinkwasser. Es handelt sich also um ein Trinkwasserver sorgungsnetz. Selbstverständlich ist die Erfindung nicht auf Trinkwasserversorgungsnetze beschränkt, sondern ist auf ande re Arten von Versorgungsnetzen ebenfalls anwendbar.
In der Fig. 1 ist ein Messbezirk, im Fachjargon zumeist „Dis- trict Metering Area (DMA) " genannt, gezeigt, das Teil eines übergeordneten Trinkwasserversorgungsnetzes ist. Das in Fig.
I gezeigte Versorgungsnetz 10 weist nur einen einzigen Zu fluss 13 und keine Abflüsse auf. Das Versorgungsnetz 10 um fasst eine Anzahl von Rohren 11, wobei sich an mehreren Kno ten 12 des Versorgungsnetzes 10 jeweils drei oder vier Rohre
II treffen. Zur besseren Anschaulichkeit sind in Fig. 1 nicht alle vorhandenen Rohre 11 und Knoten 12 mit Bezugszeichen re- ferenziert .
Fig. 1 zeigt exemplarisch auch einige Verbraucher, die an das Trinkwasserversorgungsnetz 10 angeschlossen sind. Die Ver braucher sind in verschiedene Kategorien eingeteilt; in Fig.
1 sind beispielhaft mehrere Einfamilienhäuser 21, ein Mehrfa milienhaus 22 und eine Fabrik 23 gezeigt. In der Realität sind gewöhnlicherweise mindestens mehrere Dutzende, oftmals mehrere Hunderte und manches Mal mehrere Tausende Verbraucher in einer DMA an ein Versorgungsnetz angeschlossen. Zur besse ren Anschaulichkeit sind in Fig. 1 beispielhaft nur sehr we nige an das Versorgungsnetz 10 angeschlossene Verbraucher ge zeigt.
Es ist in Fig. 1 also die Topologie des Versorgungsnetzes 10, insbesondere die Anzahl und Verzweigungen der Rohre 11, sowie die Anzahl und Art der an das Versorgungsnetz 10 angeschlos senen Verbraucher zur verbesserten Veranschaulichung der Er findung stark vereinfacht dargestellt.
Das gezeigte Versorgungsnetz 10 weist keine (expliziten) Ab flüsse auf. Dennoch findet mittels der Verbraucher ein Ab fluss von Trinkwasser aus dem Versorgungsnetz 10 statt. Die exakten jeweiligen Verbräuche der Verbraucher sind jedoch aus praktischen und datenschutzrechtlichen Gründen nicht bekannt. Das Versorgungsnetz 10 weist ferner drei erste Sensoren 14 auf. Diese ersten Sensoren 14 sind als Durchflussmesser aus gestaltet und können den Durchfluss des Trinkwassers durch die Rohre 11 an den jeweiligen Orten im Versorgungsnetz 10, an denen sich die ersten Sensoren 14 befinden, messen. Die Orte, an denen sich die ersten Sensoren 14 befinden und für die der jeweilige Durchfluss gemessen wird, werden als erste Orte bezeichnet.
Das Versorgungsnetz 10 weist des Weiteren einen weiteren Sen sor auf, der als zweiter Sensor 15 bezeichnet wird. Der zwei te Sensor 15 befindet sich an einem sogenannten zweiten Ort im Versorgungsnetz 10 und ist in der Lage, den Durchfluss an diesem zweiten Ort zu messen.
Die der Erfindung zugrunde liegende Aufgabe besteht nun da rin, während des Betriebs des Versorgungsnetzes 10 eine etwa ige Leckage im Versorgungsnetz 10 zu erkennen. Mit anderen Worten soll also ein etwaiges Leck im Versorgungsnetz 10 de- tektiert werden.
Hierfür bedient sich die Erfindung einer entsprechenden Vor richtung 30. Ein erstes Ausführungsbeispiel einer solchen Vorrichtung 30 zur Detektion einer Leckage von Fluid in einem Versorgungsnetz 10 zeigt die Fig. 2. Demgegenüber zeigt die Fig. 3 ein leicht abgewandeltes Ausführungsbeispiel einer solchen Vorrichtung 30. Die beiden Ausführungsbeispiele un terscheiden sich im Wesentlichen in der Verwendung eines un terschiedlichen Zielwerts während des Anlernens des selbst lernenden Systems SS.
Zunächst zeigt die Fig. 2 dasselbe Versorgungsnetz 10 wie dasjenige in Fig. 1. Zur Vermeidung von Wiederholungen wird für die Beschreibung des Versorgungsnetzes 10 und der daran angeschlossenen Verbraucher auf die Fig. 1 verwiesen.
Die Fig. 2 zeigt außer dem Versorgungsnetz 10 und den daran angeschlossenen Verbrauchern auch eine Vorrichtung 30 zur De- tektion einer Leckage von Fluid in dem Versorgungsnetz 10. Hierfür sind die drei ersten Sensoren 14 an eine erste Erfas sungseinheit El angeschlossen. Die erste Erfassungseinheit El ist dazu ausgestaltet, die von den ersten Sensoren 14 gemes senen Durchflüsse zu erfassen und weiterzuleiten. Des Weite ren zeigt die Fig. 2 eine zweite Erfassungseinheit E2. Diese ist, analog zur ersten Erfassungseinheit El, dazu ausgestal tet, den von dem zweiten Sensor 15 am zweiten Ort im Versor gungsnetz 10 gemessen Durchfluss zu erfassen und, sobald im Prozess erfordert, an eine entsprechende Stelle weiterzulei ten .
Während der Anlernphase ist das selbstlernende System SS im in der Fig. 2 gezeigten ersten Ausführungsbeispiel mit der ersten Erfassungseinheit El und der zweiten Erfassungseinheit E2 verbunden. Diese Verbindungen sind in Fig. 1 als gestri chelte Linien kenntlich gemacht. Die erste Erfassungseinheit El liefert die Eingangsdaten, nämlich die gemessenen Durch flüsse an den ersten Orten im Versorgungsnetz 10. Darauf ba sierend ist es die Aufgabe des selbstlernenden Systems SS, einen (erwarteten) Durchfluss an einem anderen Ort im Versor gungsnetz vorherzusagen bzw. zu bestimmen. Dieser andere Ort ist der bereits erwähnte zweite Ort, nämlich der Ort, an dem sich der zweite Sensor 15 befindet. Zu Beginn der Anlernphase wird der von dem selbstlernenden System SS bestimmte Durch fluss am zweiten Ort in der Regel noch nicht mit dem tatsäch lichen Durchfluss an diesem Ort übereinstimmen. Um das selbstlernende System SS zu trainieren, also zu verbessern, wird das Konzept des überwachten Lernens (englisch : supervi- sed learning) angewendet. Hierfür wird der von dem selbstler nenden System SS bestimmte Durchflusswert mit einem Zielwert verglichen. Dieser Zielwert ist im vorliegenden Ausführungs beispiel der tatsächlich am zweiten Ort gemessene Durchfluss. Die Messung des Durchflusses an diesem Ort erfolgt vorteil hafterweise mit dem zweiten Sensor 15, der ohnehin für die Durchführung des Verfahrens während des Betriebs des Versor gungsnetzes 10 benötigt wird. Der von dem zweiten Sensor 15 gemessene Durchfluss wird von der zweiten Erfassungseinheit E2 erfasst und an das selbst lernende System SS weitergeleitet. Anschließend wird in dem selbstlernenden System der von dem zweiten Sensor 15 gemesse ne Durchflusswert mit dem zuvor bestimmten/ vorhergesagten Wert verglichen. Ist die Übereinstimmung zu gering - was, wie oben angedeutet, insbesondere zu Beginn des Trainings die Re gel sein dürfte - werden neue Durchflusswerte von den ersten Sensoren 14 gemessen. Für diese neuen Durchflusswerte ver sucht das selbstlernende System SS möglichst zutreffend den tatsächlichen Durchflusswert am zweiten Ort zu vorherzusagen.
Es ist vorteilhaft, wenn sich die von den ersten Sensoren 14 gemessenen Durchflüsse im zweiten Durchlauf von den gemesse nen Durchflüssen im ersten Durchlauf unterscheiden. Sind die gemessenen Durchflüssen an den ersten Orten nämlich sehr ähn lich oder gar identisch, wird das selbstlernende System SS beim zweiten Durchlauf basierend auf dem Gelernten aus dem ersten Durchlauf den Durchfluss am zweiten Ort ohne große Probleme korrekt Vorhersagen. Im Betrieb muss das selbstler nende System SS aber imstande sein, für unterschiedlichste Durchflüsse an den ersten Orten eine korrekte Vorhersage für den Durchfluss am zweiten Ort treffen zu können.
Die beschriebenen Schritte eines Durchlaufs (oder: Iteration) sind also: Messen der Durchflüsse an den ersten Orten; Vor hersagen bzw. Bestimmen des Durchflusses an dem zweiten Ort; und Vergleich des vorhergesagten Durchflusses mit dem tat sächlichen gemessenen Durchfluss.
Es werden so viele Durchläufe durchgeführt, bis das vorgege bene Abbruchkriterium erfüllt ist. Das Abbruchkriterium kann zum Beispiel darin bestehen, dass für zehn nacheinander er folgte Durchläufe der Unterschied zwischen dem von dem selbstlernenden System SS bestimmten Durchfluss am zweiten Ort und dem tatsächlich vorliegenden Durchfluss (gemessen von dem am zweiten Ort befindlichen zweiten Sensor 15) jeweils kleiner als 5%, insbesondere kleiner als 2%, bevorzugt klei ner als 1%, sein muss.
Es ist vorteilhaft, dieses beispielhaft genannte Abbruchkri terium noch mit einer weiteren Bedingung zu verknüpfen, näm lich z.B. dass für die zehn nacheinander erfolgten Durchläufe die an den ersten Orten gemessenen Durchflüsse einen breiten Wertebereich abdecken. Dies bedeutet, dass z.B. zwischen dem kleinsten gemessenen Durchfluss jedes ersten Sensors 14 und dem größten gemessenen Durchfluss desselben ersten Sensors 14 ein Unterschied von mindestens 100% zu liegen hat. Es sind natürlich auch komplexere Vorgaben denkbar, um eine breite Abdeckung der ersten Durchflüsse in verschiedenen Durchläufen zu gewährleisten.
Nach der Anlernphase folgt der Betrieb, auch als Nutzphase bezeichnet, des Versorgungsnetzes 10. Hierbei werden wiederum die Durchflüsse an den ersten Orten im Versorgungsnetz gemes sen. Dies geschieht mittels der ersten Sensoren 14. Die ge messenen Durchflusswerte werden von der ersten Erfassungsein heit El erfasst und an das selbstlernende System SS, das im Rahmen dieser Patentanmeldung nach Beendigung der Anlernphase auch als „angelerntes System" SS bezeichnet wird, weiterge leitet. Die Weiterleitung der von der ersten Erfassungsein heit El erfassten Durchflüsse an das angelernte System ist in Fig. 1 mit einer durchgezogenen Linie - zur Unterscheidung der gestrichelten Verbindung während der Anlernphase - kennt lich gemacht.
Das angelernte System SS trifft nun, basierend auf den gemes senen Durchflüssen an den ersten Orten, eine Vorhersage be züglich des erwarteten Durchflusses am zweiten Ort im Versor gungsnetz 10. Diese Vorhersage wird von einer Vorhersageein heit V getroffen. Der vorhergesagte Durchflusswert wird an schließend mit dem tatsächlich vorliegenden Durchflusswert am zweiten Ort verglichen - letzterer wurde gemessen mittels des zweiten Sensors 15 und erfasst von der zweiten Erfassungsein heit E2. Der Vergleich zwischen dem vorhergesagten Durch- flusswert und dem tatsächlich vorliegenden Durchflusswert wird von der Bestimmungseinheit B durchgeführt. Es handelt sich dabei schlicht um eine Subtraktion der kleineren der beiden Werte von dem größeren der beiden Werte. Die so be stimmte Differenz wird anschließend an eine Ausgabeeinheit weitergegeben. Diese gibt eine Meldung aus, falls die Diffe renz größer als ein vorgegebener Grenzwert G ist.
Die Ausgabe einer entsprechenden Meldung ist ein Hinweis für den Betreiber des Versorgungsnetzes 10, dass eine Leckage im Versorgungsnetz 10, insbesondere im Bereich des zweiten Or tes, an dem der vorhergesagte Durchfluss von dem gemessenen Durchfluss abwich, vorliegt. Bedingungen für die Gültigkeit dieser Schlussfolgerung sind allerdings, dass sich die Topo logie des Versorgungsnetzes sowie die Anzahl und Art der an sie angeschlossenen Verbraucher nach Beendigung der Anlern phase nicht verändert haben und dass das selbstlernende Sys tem SS zuverlässig und robust angelernt wurde.
Weist das Versorgungsnetz 10 mehrere zweite Ort mit zweiten Sensoren 15 auf und werden die vorhergesagten Durchflüsse mit den gemessenen Durchflüssen an mehreren zweiten Orten vergli chen, kann aufgrund einer Abweichung von vorhergesagtem zu gemessenem Durchfluss an genau einem zweiten Sensor (oder zu mindest einer Teilmenge von zweiten Sensoren) die potenzielle Leckage nicht nur erkannt, sondern auch - in gewissen Grenzen - lokalisiert werden. Eine detaillierte Lokalisierung mit an deren Verfahren ist in den meisten Fällen jedoch im Anschluss nötig .
Die Fig. 3 zeigt ein zweites Ausführungsbeispiel einer Vor richtung 30 zum Erkennen einer Leckage von Fluid in einem Versorgungsnetz 10. Sie unterscheidet sich im Anlernen des selbstlernenden System SS von der Vorrichtung 30 des ersten Ausführungsbeispiels .
Konkret werden im zweiten Ausführungsbeispiel während der An lernphase zunächst nur die gemessenen Durchflüsse an den ers- ten Orten von der ersten Erfassungseinheit El an das selbst lernende System SS weitergeleitet. Diese sagt wiederum bzw. bestimmt einen erwarteten Durchfluss an dem zweiten Ort im Versorgungsnetz 10. Dieser erwartete Durchfluss wird im
Schritt iii) des Verfahrens allerdings nicht direkt mit dem am zweiten Ort gemessenen Durchfluss verglichen, sondern mit einem simulierten Durchfluss am zweiten Ort. Es ist von gro ßer Bedeutung für ein erfolgreiches Anlernen des selbstler nenden Systems SS, dass der simulierte Durchfluss am zweiten Ort vertrauenswürdig, also korrekt, ist, da er den Zielwert darstellt, mit dem das selbstlernende System SS angelernt wird. Stimmt der Zielwert nicht mit der Realität überein, kann logischerweise auch das angelernte System SS die Reali tät nicht korrekt abbilden bzw. Voraussagen.
Die Simulation SIM ist im vorliegenden Fall eines Trinkwas serversorgungsnetzes eine hydraulische Simulation. Hierfür werden auf Grundlage der Fluidmechanik die Durchflüsse und weitere Parameter (z.B. Drücke, Fließgeschwindigkeiten, ...) im Versorgungsnetz analytisch oder modellbasiert simuliert. Die Herausforderung einer hydraulischen Simulation SIM be steht in der Regel darin, dass sie bereits für topologisch relativ einfache Versorgungsnetze schnell recht komplex wird. Hinzu kommt, dass in der Regel eine Reihe von Eingabedaten IN für die hydraulische Simulation SIM benötigt werden. Diese umfassen unter anderem: Die Topologie, d.h. die Anordnung und der Verlauf der Rohre 11 und Knoten 12; der Durchfluss am Zu fluss 13 in das Versorgungsnetz 10; die Anordnung und Art der Verbraucher; Ersatzverbrauchsprofile der einzelnen Verbrau chertypen, d.h. typische (oder: repräsentative) Verbrauch sprofile für die einzelnen Verbrauchertype; Eigenschaften der Rohre, wie z.B. Reibungskoeffizienten oder Innendurchmesser.
Basierend auf den gemessenen Durchflüssen an den ersten Orten und den zur Verfügung stehenden Eingangsdaten IN simuliert die hydraulische Simulation SIM den erwarteten Durchfluss an dem zweiten Ort und leitet diesen dem selbstlernenden System SS zu. Der simulierte Durchfluss am zweiten Ort fungiert als Zielwert für das selbstlernende System SS und als Maßstab, wie gut das selbstlernende System SS bereits trainiert ist.
Die Nutzungsphase, oder Betrieb des Versorgungsnetzes ver- läuft im zweiten Ausführungsbeispiel identisch zum ersten
Ausführungsbeispiel, weswegen auf die Beschreibung derselben hierfür nach oben verwiesen wird.
Zusammenfassend ist festzustellen, dass die Erfindung ein Verfahren, eine Vorrichtung und eine Anordnung bereitstellt, womit auf einfache Art und Weise mithilfe eines selbstlernen den Systems eine Leckage von Fluid in einem Versorgungsnetz erkannt, und unter Umständen auch lokalisiert, werden kann.

Claims

Patentansprüche
1. Verfahren zum Detektieren einer Leckage von Fluid in einem Versorgungsnetz (10), wobei das Versorgungsnetz (10) Rohre
(11), durch die das Fluid strömt, erste Sensoren (14) zur Messung der Durchflüsse des Fluids an ersten Orten im Versor gungsnetz (10) und mindestens einen zweiten Sensor (15) zur Messung des Durchflusses des Fluids an einem zweiten Ort im Versorgungsnetz (10) aufweist, und wobei das Verfahren die folgenden Schritte umfasst:
a) Messen der Durchflüsse des Fluids an den ersten Orten mittels der ersten Sensoren (14),
b) Vorhersage des Durchflusses an dem zweiten Ort mittels eines selbstlernenden Systems (SS) basierend auf den Werten der in Schritt a) gemessenen Durchflüsse an den ersten Orten, wobei das selbstlernende System (SS) dafür angelernt wurde, den Durchfluss an einem vorgegebenen Ort im Versorgungsnetz (10) vorherzusagen,
c) Messen des tatsächlichen Durchflusses des Fluids an dem zweiten Ort mittels des am zweiten Ort befindlichen zwei ten Sensors ( 15) ,
d) Ermitteln der Differenz zwischen dem tatsächlichen am zweiten Ort gemessenen Durchfluss und dem von dem angelernten System (SS) vorhergesagten Durchfluss am zweiten Ort, und
e) Ausgeben einer Meldung einer vermuteten Leckage, wenn die ermittelte Differenz größer als ein vorgegebener Grenz wert (G) ist.
2. Verfahren nach Anspruch 1,
wobei das selbstlernende System (SS) mittels der folgenden Schritte angelernt wurde:
i) Messen der Durchflüsse des Fluids an den ersten Orten im Versorgungsnetz (10) mittels der ersten Sensoren (14), ii) Bestimmen des Durchflusses an dem zweiten Ort mittels des selbstlernenden Systems (SS) basierend auf den Werten der in Schritt i) gemessenen Durchflüsse an den ersten Orten, iii) Ermitteln der Differenz zwischen dem in Schritt ii) bestimmten Durchfluss und einem Zielwert, iv) Anpassen des selbstlernenden Systems (SS) unter Be rücksichtigung der in Schritt iii) ermittelten Differenz, und v) Wiederholen der Schritte i) bis iv) bis zu einem vor gegebenen Abbruchkriterium.
3. Verfahren nach Anspruch 2,
wobei das Anlernen des selbstlernenden Systems (SS) gemäß der Schritte i) bis v) sowie die Detektion der Leckage gemäß der Schritte a) bis e) für mehrere unterschiedliche zweite Orte durchgeführt werden.
4. Verfahren nach Anspruch 3,
wobei
- die Schritte i) bis v) wiederholt werden unter der Maßgabe, dass anstatt der ersten Sensoren (14) an den ersten Orten die zweiten Sensoren (15) an den zweiten Orten und umgekehrt ver wendet werden, und
- die Schritte a) bis e) wiederholt werden unter der Maßgabe, dass anstatt der ersten Sensoren (14) an den ersten Orten die zweiten Sensoren (15) an den zweiten Orten und umgekehrt ver wendet werden.
5. Verfahren nach einem der Ansprüche 2 bis 4,
wobei das Abbruchkriterium darin besteht, dass eine durch schnittliche Differenz zwischen dem in Schritt ii) bestimmten Durchfluss an dem zweiten Ort und dem Zielwert einen vorgege benen Schwellenwert unterschreitet.
6. Verfahren nach einem der vorhergehenden Ansprüche,
wobei der Zielwert der von dem zweiten Sensor (15) tatsäch lich gemessene Durchfluss des Fluids durch das Rohr (11) am zweiten Ort ist.
7. Verfahren nach einem der Ansprüche 1 bis 5,
wobei der Zielwert mittels einer Simulation (SIM) bestimmt wurde .
8. Verfahren nach Anspruch 7, wobei die Simulation als Eingangsdaten (IN) die Topologie des Versorgungsnetzes (10), die Orte und Art der Verbraucher so wie für jeden Verbraucher ein Ersatzverbrauchsprofil verwen det .
9. Verfahren nach Anspruch 8,
wobei die Eingangsdaten (IN) vor der Bestimmung des Zielwerts mittels einer Reihenentwicklung, insbesondere einer Hauptkom ponentenanalyse, reduziert werden.
10. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Verfahren auch die Platzierung der ersten Sensoren (14) an den ersten Orten im Versorgungsnetz (10) umfasst, wo bei insbesondere die ersten Sensoren (14) so platziert wer den, dass ihre Messwerte nicht miteinander korrelieren.
11. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Fluid Wasser ist und es sich bei dem Versorgungs netz (10) um ein Trinkwasserversorgungs- oder Abwassernetz handelt .
12. Verfahren nach einem der Ansprüche 1 bis 10,
wobei das Fluid ein Gas ist und es sich bei dem Versorgungs netz (10) um ein Gas- oder Fernwärmeversorgungsnetz handelt.
13. Vorrichtung (30) zur Detektion einer Leckage von Fluid in einem Versorgungsnetz (10) mit Rohren (11), die dazu geeignet sind, von einem Fluid durchströmt zu werden, ersten Sensoren
(14) zur Messung der Durchflüsse des Fluids an ersten Orten im Versorgungsnetz (10) und mindestens einem zweiten Sensor
(15) zur Messung des Durchflusses des Fluids an einem zweiten Ort im Versorgungsnetz (10), wobei die Vorrichtung (30) auf weist:
- ein selbstlernendes System (SS), das dafür angelernt wurde, den Durchfluss an einem vorgegebenen Ort im Versorgungsnetz (10) vorherzusagen, - eine erste Erfassungseinheit (El) zur Erfassung der von den ersten Sensoren (14) gemessenen Durchflüsse des Fluids an den ersten Orten im Versorgungsnetz (10),
- eine Vorhersageeinheit (V) zur Vorhersage des Durchflusses an dem zweiten Ort mittels des angelernten Systems (SS) ba sierend auf den Werten der von der ersten Erfassungseinheit (El ) erfassten Durchflüsse an den ersten Orten,
- eine zweite Erfassungseinheit (E2) zur Erfassung des tat sächlichen Durchflusses des Fluids an dem zweiten Ort mittels des am zweiten Ort befindlichen zweiten Sensors (15),
- eine Bestimmungseinheit (B) zur Bestimmung der Differenz zwischen dem tatsächlichen am zweiten Ort gemessenen Durch fluss und dem von dem angelernten System (SS) vorhergesagten Durchfluss am zweiten Ort, und
- eine Ausgabeeinheit (A) zur Ausgabe einer Meldung einer vermuteten Leckage, wenn die bestimmte Differenz größer als ein vorgegebener Grenzwert (G) ist.
14. Anordnung umfassend
- ein Versorgungsnetz (10) mit Rohren (11), die dazu geeignet sind, von einem Fluid durchströmt zu werden, ersten Sensoren
(14) zur Messung der Durchflüsse des Fluids an ersten Orten im Versorgungsnetz (10) und mindestens einem zweiten Sensor
(15) zur Messung des Durchflusses des Fluids an einem zweiten Ort im Versorgungsnetz (10), und
- eine Vorrichtung (30) zur Detektion einer Leckage des Flu ids gemäß Anspruch 13.
EP20707014.5A 2019-02-25 2020-02-18 Detektion einer leckage in einem versorgungsnetz Withdrawn EP3906397A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19159114.8A EP3699569A1 (de) 2019-02-25 2019-02-25 Detektion einer leckage in einem versorgungsnetz
PCT/EP2020/054161 WO2020173750A1 (de) 2019-02-25 2020-02-18 Detektion einer leckage in einem versorgungsnetz

Publications (1)

Publication Number Publication Date
EP3906397A1 true EP3906397A1 (de) 2021-11-10

Family

ID=65576214

Family Applications (2)

Application Number Title Priority Date Filing Date
EP19159114.8A Withdrawn EP3699569A1 (de) 2019-02-25 2019-02-25 Detektion einer leckage in einem versorgungsnetz
EP20707014.5A Withdrawn EP3906397A1 (de) 2019-02-25 2020-02-18 Detektion einer leckage in einem versorgungsnetz

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP19159114.8A Withdrawn EP3699569A1 (de) 2019-02-25 2019-02-25 Detektion einer leckage in einem versorgungsnetz

Country Status (4)

Country Link
US (1) US20220196512A1 (de)
EP (2) EP3699569A1 (de)
CN (1) CN113439201A (de)
WO (1) WO2020173750A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11895809B2 (en) * 2021-05-12 2024-02-06 Nvidia Corporation Intelligent leak sensor system for datacenter cooling systems

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3415889A1 (de) * 2011-01-30 2018-12-19 Aquarius Spectrum Ltd. Verfahren und system zur leckdetektion in einem rohrleitungsnetz
US8930150B2 (en) * 2012-02-01 2015-01-06 International Business Machines Corporation Leak detection in a fluid distribution network
DE102013224752A1 (de) * 2013-12-03 2015-06-03 Siemens Aktiengesellschaft Verfahren zum Detektieren von Leckagen in einem Netzwerk, Vorrichtung und Netzwerk
DE102014205332A1 (de) * 2014-03-21 2015-09-24 Siemens Aktiengesellschaft Verfahren zur Druckregelung in einem Versorgungsnetz, Vorrichtung sowie Versorgungsnetz
JP6687913B2 (ja) * 2015-05-13 2020-04-28 日本電気株式会社 漏水状態推定システム、方法、および記録媒体
EP3112959B1 (de) * 2015-06-29 2021-12-22 SUEZ Groupe Verfahren zur detektion von anomalien in einem wasserverteilungssystem
US11715001B2 (en) * 2018-04-02 2023-08-01 International Business Machines Corporation Water quality prediction

Also Published As

Publication number Publication date
CN113439201A (zh) 2021-09-24
US20220196512A1 (en) 2022-06-23
EP3699569A1 (de) 2020-08-26
WO2020173750A1 (de) 2020-09-03

Similar Documents

Publication Publication Date Title
EP2691756B1 (de) Leckageerkennung mittels stochastischer massenbilanz
EP3877816B1 (de) Druckregelung in einem versorgungsnetz
DE102010043482B4 (de) Leckageerkennung und Leckageortung in Versorgungsnetzen
Ferracuti et al. Data-driven models for short-term thermal behaviour prediction in real buildings
DE69621739T2 (de) Verfahren, vorrichtung und system zur bestimmung der änderungen eines prüfkörpers
Mounce et al. A neural network approach to burst detection
DE69209624T2 (de) Statistische Fluidleckagebestimmung an einer Rohrleitung
CN103939749A (zh) 基于大数据的输油管网泄漏智能自适应监控系统及方法
EP3631593B1 (de) Überwachungsvorrichtung und verfahren zur überwachung eines systems
DE102009046758A1 (de) Sich selbst überwachende Durchflussmessanordnung und Verfahren zu deren Betrieb
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
EP3906397A1 (de) Detektion einer leckage in einem versorgungsnetz
DE102006000220A1 (de) Verfahren zur Leckerkennung an Rohrleitungen
EP2225617B1 (de) System und verfahren zur kombinierten informationserfassung für scada- und simulations- oder netzberechnungsanwendungen
WO2020064741A1 (de) Verfahren und vorrichtung zur ermittlung des auftretens einer störstelle einer leitung mittels schätzung
Aljoumani et al. Transfer function and time series outlier analysis: modelling soil salinity in loamy sand soil by including the influences of irrigation management and soil temperature
CN116164241A (zh) 一种瓦斯抽采管网泄漏故障智能检测方法
WO2003029978A2 (de) Verfahren und system zur bearbeitung von fehlerhypothesen
DE102018117746A1 (de) Unterscheidung zwischen inneren und äußeren Metallverlustdefekten
DE202017006045U1 (de) Vorrichtung zur Überwachung der Spülaktivitäten einer Wasserleitung
EP1598717A2 (de) Verfahren zum Überwachen einer Mehrzahl von Gasanlagen
Boracchi et al. A hierarchy of change-point methods for estimating the time instant of leakages in water distribution networks
EP3584480A1 (de) Erkennen mangelhafter sitz-integrität bei einem stellventil
Ganora et al. Spatially-smooth regionalization of flow duration curves in non-pristine basins
DE10215064A1 (de) Verfahren zur zeit- und aussageoptimalen Prüfung der Dichtigkeit und/oder des hydraulischen Verhaltens von flüssigkeitsfördernden Leitungssystemen

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20210803

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20231027

18D Application deemed to be withdrawn

Effective date: 20240307