KR20220167511A - Water leakage prediction system of water distribution networks and method thereof - Google Patents
Water leakage prediction system of water distribution networks and method thereof Download PDFInfo
- Publication number
- KR20220167511A KR20220167511A KR1020210076558A KR20210076558A KR20220167511A KR 20220167511 A KR20220167511 A KR 20220167511A KR 1020210076558 A KR1020210076558 A KR 1020210076558A KR 20210076558 A KR20210076558 A KR 20210076558A KR 20220167511 A KR20220167511 A KR 20220167511A
- Authority
- KR
- South Korea
- Prior art keywords
- flow rate
- time
- network system
- water
- real
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000009826 distribution Methods 0.000 title description 2
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000012795 verification Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 230000007787 long-term memory Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000015654 memory Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000008399 tap water Substances 0.000 description 2
- 235000020679 tap water Nutrition 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/10—Services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
Description
본 발명은 상수관망시스템 실시간 누수인지 시스템(1) 및 방법(S1)에 관한 것으로, 더욱 상세하게는 상수관망시스템의 유입유량계 데이터를 기초로 딥러닝을 활용한 누수인지 모형을 생성하여 누수 발생 여부 판단 및 해당 판단에 대한 검증을 가능하도록 하는 시스템 및 방법에 관한 것이다.The present invention relates to a real-time leak detection system (1) and method (S1) of a water supply network system, and more particularly, to determine whether a leak occurs by generating a leak detection model using deep learning based on inflow meter data of a water supply pipe network system. It relates to systems and methods for enabling judgments and verification of those judgments.
상수관망시스템(Water Distribution Networks)은 넓은 공간을 따라 대부분 지하에 매설되어 설치 및 운영되는 사회기반시설물로, 수원에서 정수된 물을 각 수용가의 수도꼭지까지 분배하여 수송 및 공급하는 역할을 수행한다. Water Distribution Networks are social infrastructures installed and operated that are mostly buried underground along a wide space, and play a role in transporting and supplying purified water from water sources to the faucets of each consumer.
우리나라의 상수도 공급이 1908년 서울 뚝도수원지 제1 정수장에서 처음 시작한 이래, 2018년 기준 전국 상수도 보급률은 99.2%(환경부, 2020)로 선진국 수준의 양적 확대를 이루어내었다. 그러나 이와 같은 단기간의 보급 확대는 관로의 매설경년 가속화를 동시에 수반하며, 이에 따른 유지관리의 어려움을 가중시킨다. 2018년 말 기준 전국 수도관 총연장은 지방상수도 21만 1,771㎞와 광역상수도 5,378㎞ 등 총 21만 7,150㎞로, 이 가운데 약 33%인 7만 1,686㎞의 관로는 설치 후 21년이상 경과되었다. Since Korea's waterworks supply began in 1908 at the first water purification plant in Ttukdo Water Source, Seoul, the nationwide waterworks supply rate as of 2018 was 99.2% (Ministry of Environment, 2020), achieving quantitative expansion comparable to that of advanced countries. However, such a short-term expansion of supply simultaneously accompanies the acceleration of the aging of pipelines, increasing the difficulty of maintenance. As of the end of 2018, the total length of water pipelines nationwide is 217,150 km, including 211,771 km for local waterworks and 5,378 km for multi-regional waterworks.
이와 같이 매설된 지 오래된 관로는 크고 작은 규모의 지속적인 누수에 의한 물 손실(유수율 저하)와 관로내 축적된 스케일 또는 부식에 의한 수질문제발생, 그리고 통수단면저감에 의한 출수불량(수압저하) 등 상수관망시스템에서 발생 가능한 다양한 비정상상황을 야기 시킬 수 있다. 특히, 전국 상수도의 누수율은 10.8%(약 7억 2천만㎥)로 이를 경제적 손실로 환산하면 수돗물 누수로 인한 손실액은 매년 생산원가 기준 약 6,580억 원이다. 따라서 누수를 최대한 빨리 인지하여 복구하고, 예방적 차원에서 노후관로를 대체하는 것은 상수관망시스템을 효율적으로 유지?관리하는데 필수적이라 할 수 있다. In such a pipeline that has been buried for a long time, water loss (lower flow rate) due to large and small-scale continuous leaks, water quality problems due to scale or corrosion accumulated in the pipeline, and poor water output (lower water pressure) due to reduction in the cross section of the pipe, etc. It can cause various abnormal situations that can occur in the water pipe network system. In particular, the leakage rate of tap water throughout the country is 10.8% (approximately 720 million m3), and if this is converted into economic loss, the loss due to tap water leakage is approximately KRW 658 billion based on the annual production cost. Therefore, recognizing and restoring leaks as quickly as possible and replacing old pipelines in a preventive way are essential to efficiently maintain and manage the water supply network system.
상수관망 내 누수인지기술은 전 세계적으로도 지속 가능한 수자원 관리 및 깨끗한 물 공급에 있어 매우 중요한 부분으로 관심을 받아오고 있으며, 특히 지하에 매설된 관로의 누수인지는 현재의 기술 수준을 고려할 경우 매우 도전적인 연구주제로 평가받고 있다(Alvisi and Franchini, 2009). 사고 또는 노후로 인한 급작스러운 관로 파열로 인하여 누수가 발생할 경우 운영자는 누수인지를 시작으로 파손위치 확인, 제수밸브 폐쇄, 배수밸브 개방(배수) 그리고 복구 및 통수작업 순으로 복구 작업을 진행한다. Leak detection technology in water pipe networks has been attracting attention worldwide as a very important part in sustainable water resource management and clean water supply. It is being evaluated as a potential research topic (Alvisi and Franchini, 2009). If a water leak occurs due to a sudden rupture of a pipeline due to an accident or deterioration, the operator proceeds with the recovery work in the order of checking the location of the damage, closing the water valve, opening the drain valve (drainage), and then restoring and passing water.
이와 같은 과정에서 관로의 이중화 또는 연계공급시스템이 마련되어 있지 않은 경우, 소비자에게 직접영향을 미치는 단수시간은 광역상수도시스템의 경우 최소 약 12시간(신병호 등, 2018)에서 많게는 수주 이상 소요된다. 제수밸브 폐쇄, 배수밸브 개방(배수) 그리고 복구 및 통수작업은 기본적으로 최소한의 시간이 필요한 작업으로, 결국 누수의 인지 및 확인에 소요되는 시간을 최대한 줄이는 것이 성공적인 누수사고관리에 있어 필수적이라 할 수 있다. 일반적으로 좋은 누수인지시스템이 가져야할 기능은 크게 누수 사고의 정확하고 빠른 인지와, 누수 지점의 정확한 파악으로 구분할 수 있으나, 누수 지점의 정확한 파악을 위해서는 오경보율을 줄이는 동시에 누수 사고를 빠르게 인지하는 시스템이 선행적으로 구축되어야한다. In this process, if there is no duplication of pipelines or a linked supply system, the time to cut off water that directly affects consumers is at least about 12 hours (Shin Byung-ho et al., 2018) to several weeks or more in the case of a multi-regional waterworks system. Closing the water valve, opening the drain valve (drainage), and restoring and passing water are basically tasks that require the minimum amount of time. After all, it is essential to successfully manage water leakage accidents to minimize the time required to recognize and confirm leaks. there is. In general, the functions that a good leak detection system should have can be largely divided into accurate and fast recognition of leak accidents and accurate identification of leak points. This should be built up front.
이를 위하여, 본 발명의 발명자들은 상수관망시스템의 유량율을 예측함으로써 누수 여부를 판단하는 신규의 상수관망시스템 실시간 누수인지 시스템 및 방법을 제시하고자 하며 상세한 내용은 후술하도록 한다.To this end, the inventors of the present invention intend to present a new real-time leak detection system and method for determining whether there is water leakage by predicting the flow rate of the water pipe network system, and details will be described later.
앞서 본 종래 기술의 문제점을 해결하기 위하여 안출된 것으로,It was devised to solve the problems of the prior art,
본 발명은 광역상수도에 비하여 상대적으로 복잡하게 구성되는 지방상수도의 상수관망시스템에 대한 미래 유량값을 높은 정확도로 예측하여 누수 발생 여부를 판단하도록 하는 상수관망시스템 실시간 누수인지 시스템 및 방법을 제공하는데 그 목적이 있다.The present invention provides a real-time leak detection system and method for a water supply network system that determines whether water leakage occurs by predicting the future flow rate value with high accuracy for a water supply network system of a local water supply system, which is configured relatively more complicated than that of a wide-area water supply system. There is a purpose.
또한, 본 발명은 상수관망시스템의 유입유량계 데이터를 토대로 유량값에 관한 시계열 데이터를, 일 별 동일 시점에 대한 데이터 세트로 처리하여 유량 예측모델 생성부에서 유량의 주기성 및 경향을 반영하여 정확한 예측모델을 생성하도록 하는 상수관망시스템 실시간 누수인지 시스템 및 방법을 제공하는데 그 목적이 있다.In addition, the present invention processes the time-series data on the flow rate value based on the inflow flow meter data of the water pipe network system as a data set for the same time point per day, and reflects the periodicity and trend of the flow rate in the flow rate prediction model generator to create an accurate prediction model. The purpose is to provide a real-time leak detection system and method for a water pipe network system to generate a
또한, 본 발명은 데이터 전처리부에서 특정 기간동안의 유입유량계 데이터의 형상을 다양하게 변환하여 예측모델을 학습시킴으로써, 주중 그리고 주말동안 발생하는 유량의 변화 등 주기성 및 경향성을 반영한 정교한 예측모델을 생성하도록 하는 상수관망시스템 실시간 누수인지 시스템 및 방법을 제공하는데 그 목적이 있다.In addition, the present invention learns a predictive model by transforming the shape of inflow meter data for a specific period in a data preprocessor in various ways to create a sophisticated predictive model that reflects periodicity and tendency such as change in flow rate occurring during weekdays and weekends. The purpose is to provide a real-time leak detection system and method for a water supply network system.
또한, 본 발명은 장/단기 기억 네트워크 모델을 기반으로 유량 예측모델을 생성함로써, 순환신경망 모델의 경사도 사라짐 문제를 해결하여 장기간 시계열 데이터를 기반으로 유량값을 정확히 예측 가능하도록 하는 상수관망시스템 실시간 누수인지 시스템 및 방법을 제공하는데 그 목적이 있다.In addition, the present invention creates a flow rate prediction model based on a long-term/short-term memory network model, thereby solving the problem of disappearing gradients of the circulatory neural network model so that the flow rate value can be accurately predicted based on long-term time series data in real time. Its purpose is to provide a leak detection system and method.
또한, 본 발명은 특정시간대의 예측된 유량값이 상한값과 하한값을 모두 넘어서는 경우에만 누수가 발생한 것으로 판단하여 단순 물 사용량이 증대된 경우와 같은 경우 누수 발생으로 판단하여 오측의 확률이 높아지게 되는 것을 방지하도록 하는 상수관망시스템 실시간 누수인지 시스템 및 방법을 제공하는데 그 목적이 있다.In addition, the present invention determines that a leak has occurred only when the predicted flow rate value in a specific time period exceeds both the upper and lower limit values, and determines that a leak occurs in the case of an increase in simple water usage, thereby preventing the increase in the probability of misdiagnosis. The purpose is to provide a real-time leak detection system and method for a water pipe network system to do so.
또한, 본 발명은 예측모델의 성능평가를 위한 검증부를 구비함으로써 예측모델 그리고 누수판단부의 결과의 정확성을 사용자가 쉽게 판단 가능하도록 하는 상수관망시스템 실시간 누수인지 시스템 및 방법을 제공하는데 그 목적이 있다.In addition, an object of the present invention is to provide a real-time leak detection system and method for a water pipe network system that enables users to easily determine the accuracy of the prediction model and the results of the leak determination unit by having a verification unit for performance evaluation of the prediction model.
본 발명은 앞서 상술한 목적을 달성하기 위하여 다음과 같은 구성을 가진 실시예에 의하여 구현될 수 있다.The present invention can be implemented by an embodiment having the following configuration in order to achieve the above-described object.
본 발명의 일 실시예에 의하면, 본 발명에 따른 상수관망시스템 실시간 누수인지 시스템은 상수관망시스템의 유입유량계 데이터를 토대로 유량값에 대한 데이터를 전처리하여 신규 데이터 세트를 조합하는 데이터 전처리부; 딥러닝 기반 전처리된 신규 데이터 세트를 기초로 미래 시점에 대한 유량값을 예측하는 모델을 생성하는 유량 예측모델 생성부; 및 상기 유량 예측모델 생성부를 통하여 예측한 유량값을 토대로 상수관망시스템의 누수 여부를 결정하는 누수판단부;를 포함하는 것을 특징으로 한다.According to one embodiment of the present invention, the water supply pipe network system real-time leak detection system according to the present invention data pre-processing unit for combining a new data set by pre-processing the data for the flow rate value based on the inlet flow meter data of the water supply pipe network system; a flow rate prediction model generating unit for generating a model for predicting a flow rate value for a future time point based on a new data set that has been preprocessed based on deep learning; and a water leakage determining unit for determining whether or not there is water leakage in the water pipe network system based on the flow rate value predicted through the flow rate prediction model generation unit.
본 발명의 다른 실시예에 의하면, 본 발명에 따른 상수관망시스템 실시간 누수인지 시스템에서의 상기 데이터 전처리부는 일자별 특정 시간텀 단위의 유입유량계 원 시계열 데이터를, 일 별 동일 시점에 대한 데이터 세트로 재구성함으로써 유량의 주기성을 표현하는 것을 특징으로 한다.According to another embodiment of the present invention, the data pre-processing unit in the water pipe network system real-time leak detection system according to the present invention reconstructs the inflow flow meter time series data in units of a specific time term per day into a data set for the same time point per day Characterized in expressing the periodicity of the flow rate.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 상수관망시스템 실시간 누수인지 시스템에서의 기 데이터 전처리부는 특정 기간 동안의 유입유량계 원 시계열 데이터를, 기산일이 상이한 신규의 데이터 세트들로 재구성함으로써 물 사용량의 주기성 및 경향성을 표현하는 것을 특징으로 한다.According to another embodiment of the present invention, the existing data pre-processing unit in the water supply pipe network system real-time leak detection system according to the present invention reconstructs the inflow flow meter time series data for a specific period into new data sets with different calculation dates, It is characterized by expressing the periodicity and tendency of usage.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 상수관망시스템 실시간 누수인지 시스템에서의 상기 유량 예측모델생성부는 순환신경망 모델 중 장/단기 기억 네트워크 모델을 기반으로 유량 예측데이터를 생성하는 것을 특징으로 한다.According to another embodiment of the present invention, the flow rate prediction model generation unit in the water supply pipe network system real-time leak detection system according to the present invention generates flow rate prediction data based on a long-term / short-term memory network model among recurrent neural network models. to be
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 상수관망시스템 실시간 누수인지 시스템에서의 상기 누수판단부는 상기 유량 예측모델생성부를 통하여 예측된 유량값이 임계값을 넘어서는지 여부로 누수 여부를 결정하는 것을 특징으로 한다.According to another embodiment of the present invention, the water leakage determination unit in the real-time water leakage detection system of the water pipe network system according to the present invention determines whether the water leakage is determined by whether the flow rate value predicted through the flow rate prediction model generation unit exceeds the threshold value It is characterized by doing.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 상수관망시스템 실시간 누수인지 시스템에서의 상기 임계값은 시간대 별 유량값에 대한 관리 한계선으로, 상한값과 하한값으로 이루어지며, 주기적으로 또는 실시간 갱신되는 것을 특징으로 한다.According to another embodiment of the present invention, the threshold value in the water pipe network system real-time leak detection system according to the present invention is a management limit line for the flow rate value for each time period, consists of an upper limit value and a lower limit value, and is periodically or real-time updated characterized by
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 상수관망시스템 실시간 누수인지 시스템에서의 상기 누수판단부는 예측된 유량값이 상한값과 하한값을 모두 넘어서는 경우에만 누수 발생으로 인지하는 것을 특징으로 한다.According to another embodiment of the present invention, the water leakage determination unit in the real-time water leakage detection system of the water pipe network system according to the present invention recognizes as leakage only when the predicted flow rate value exceeds both the upper limit value and the lower limit value. Characterized in that.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 상수관망시스템 실시간 누수인지 시스템에서의 상기 임계값은 슈하르트 관리도를 통하여 설정되는 것을 특징으로 한다.According to another embodiment of the present invention, the threshold value in the real-time leak detection system of the water pipe network system according to the present invention is characterized in that it is set through a Shuhart control chart.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 상수관망시스템 실시간 누수인지 시스템에서은 누수판단부에 의한 상수관망시스템의 누수인지 여부에 대한 성능평가를 하는 검증부;를 추가로 포함하며, 상기 검증부는 혼동행렬을 활용하여 수행되는 것을 특징으로 한다.According to another embodiment of the present invention, the real-time leak detection system of the water pipe network system according to the present invention further includes a verification unit that evaluates the performance of whether or not the water pipe network system is leaked by the leak determination unit, wherein the The verification unit is characterized in that it is performed using a confusion matrix.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 상수관망시스템 실시간 누수인지 시스템에서의 상기 검증부는 참양성 비율, 참음성 비율, 위양성 비율, 위음성 비율 및 평균절대비오차를 연산하여 상기 평균절대비오차 값이 낮을수록 높은 성능을 가지고 있는 것으로 판단하는 것을 특징으로 한다.According to another embodiment of the present invention, the verification unit in the water supply pipe network system real-time leak detection system according to the present invention calculates the true positive rate, true negative rate, false positive rate, false negative rate and average absolute error to obtain the average absolute It is characterized in that the lower the specific error value, the higher the performance.
본 발명의 일 실시예에 의하면, 본 발명에 따른 상수관망시스템 실시간 누수인지방법은 상수관망시스템의 유입유량계 데이터를 전처리하여 유량 예측모델 생성부에 입력될 데이터 세트를 생성하는 단계; 전처리된 데이터 세트를 기초로 순환신경망 모델인 유량 예측모델을 생성하는 단계; 상기 유량 예측모델을 통하여 예측한 유량값을 토대로 상수관망시스템의 누수 여부를 판단하는 단계; 및 평균절대비오차를 기준으로, 상기 누수 여부 판단에 대한 검증절차를 수행하는 단계;를 포함하는 것을 특징으로 한다.According to one embodiment of the present invention, the water supply pipe network system real-time leak recognition method according to the present invention comprises the steps of pre-processing the inflow flow meter data of the water supply pipe network system to generate a data set to be input to the flow prediction model generation unit; Generating a flow prediction model, which is a recurrent neural network model, based on the preprocessed data set; Determining whether a water supply pipe network system leaks based on the flow rate value predicted through the flow rate prediction model; and performing a verification procedure for determining whether or not there is water leakage based on the average absolute ratio error.
본 발명의 다른 실시예에 의하면, 본 발명에 따른 상수관망시스템 실시간 누수인지방법에서의 상기 데이터 세트 생성단계는 일자별 특정 시간텀 단위의 유입유량계 원 시계열 데이터를 일 별 동일 시점에 대한 데이터 세트로 재구성함으로써 유량의 주기성을 표현하며, 특정 기간 동안의 유입유량계 원 시계열 데이터를, 기산일을 변경한 신규의 데이터 세트로 재구성함으로써 물 사용량의 주기성 및 경향성을 표현하는 것을 특징으로 한다.According to another embodiment of the present invention, the data set generation step in the real-time leak detection method of the water pipe network system according to the present invention reconstructs the inflow flow meter time series data in units of a specific time term per day into a data set for the same time point per day. By doing so, the periodicity of flow rate is expressed, and the periodicity and trend of water consumption are expressed by reconstructing the inflow flow meter time series data for a specific period into a new data set with the base date changed.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 상수관망시스템 실시간 누수인지방법에서의 상기 누수여부 판단단계는 슈하르트 x 관리도를 통하여 상한값 및 하한값을 포함하는 임계값을 설정하는 단계; 상기 유량 예측모델을 통하여 도출된 예측 유량값이 임계값을 넘어서는지 여부를 판단하는 단계; 및 상기 예측 유량값이 하한값만을 넘어서는 경우 누수가 발생하지 않은 것으로 판단하는 단계;를 포함하는 것을 특징으로 한다.According to another embodiment of the present invention, the leak determination step in the real-time leak detection method of the water pipe network system according to the present invention includes setting a threshold value including an upper limit value and a lower limit value through a Shuhart x control chart; Determining whether a predicted flow rate value derived through the flow prediction model exceeds a threshold value; and determining that no leakage has occurred when the predicted flow rate value exceeds only a lower limit value.
본 발명은 앞서 본 구성에 의하여 다음과 같은 효과를 가진다.The present invention has the following effects by the above configuration.
본 발명은 광역상수도에 비하여 상대적으로 복잡하게 구성되는 지방상수도의 상수관망시스템에 대한 미래 유량값을 높은 정확도로 예측하여 누수 발생 여부를 판단하도록 하는 효과가 있다.The present invention has an effect of determining whether water leakage occurs by predicting a future flow rate value with high accuracy for a water pipe network system of a local water supply system, which is configured relatively more complicated than that of a wide area water supply system.
또한, 본 발명은 상수관망시스템의 유입유량계 데이터를 토대로 유량값에 관한 시계열 데이터를, 일 별 동일 시점에 대한 데이터 세트로 처리하여 유량 예측모델 생성부에서 유량의 주기성 및 경향을 반영하여 정확한 예측모델을 생성하도록 하는 효과가 도출될 수 있다.In addition, the present invention processes the time-series data on the flow rate value based on the inflow flow meter data of the water pipe network system as a data set for the same time point per day, and reflects the periodicity and trend of the flow rate in the flow rate prediction model generator to create an accurate prediction model. The effect of generating a can be derived.
또한, 본 발명은 데이터 전처리부에서 특정 기간동안의 유입유량계 데이터의 형상을 다양하게 변환하여 예측모델을 학습시킴으로써, 주중 그리고 주말동안 발생하는 유량의 변화 등 주기성 및 경향성을 반영한 정교한 예측모델을 생성하도록 하는 효과를 나타낼 수 있다.In addition, the present invention learns a predictive model by transforming the shape of inflow meter data for a specific period in a data preprocessor in various ways to create a sophisticated predictive model that reflects periodicity and tendency such as change in flow rate occurring during weekdays and weekends. effect can be shown.
또한, 본 발명은 장/단기 기억 네트워크 모델을 기반으로 유량 예측모델을 생성함로써, 순환신경망 모델의 경사도 사라짐 문제를 해결하여 장기간 시계열 데이터를 기반으로 유량을 정확히 예측 가능하도록 하는 효과를 보인다.In addition, the present invention generates a flow rate prediction model based on a long-term/short-term memory network model, thereby solving the problem of disappearing gradients of the recurrent neural network model, thereby showing the effect of accurately predicting the flow rate based on long-term time-series data.
또한, 본 발명은 특정시간대의 예측된 유량값이 상한값과 하한값을 모두 넘어서는 경우에만 누수가 발생한 것으로 판단하여 단순 물 사용량이 증대된 경우와 같은 경우 누수 발생으로 판단하여 오측의 확률이 높아지게 되는 것을 방지하도록 하는 효과를 가질 수 있다.In addition, the present invention determines that a leak has occurred only when the predicted flow rate value in a specific time period exceeds both the upper and lower limit values, and determines that a leak occurs in the case of an increase in simple water usage, thereby preventing the increase in the probability of misdiagnosis. may have the effect of
또한, 본 발명은 예측모델의 성능평가를 위한 검증부를 구비함으로써 예측모델 그리고 누수판단부의 결과의 정확성을 사용자가 쉽게 판단 가능하도록 하는 효과가 있다.In addition, the present invention has the effect of enabling the user to easily determine the accuracy of the results of the prediction model and the leak determination unit by providing a verification unit for performance evaluation of the prediction model.
한편, 여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급됨을 첨언한다.On the other hand, even if the effects are not explicitly mentioned here, it is added that the effects described in the following specification expected by the technical features of the present invention and their provisional effects are treated as described in the specification of the present invention.
도 1은 본 발명의 일 실시예에 따른 상수관망시스템 실시간 누수인지 시스템에 대한 블럭도이고;
도 2는 도 1에 따른 데이터 전처리부에 의하여 전처리된 신규의 데이터 세트에 대한 참고도이고;
도 3은 도 1에 따른 데이터 전처리부에 의하여 기존 데이터의 형상을 다양하게 변환하도록 전처리된 신규의 데이터 세트에 대한 참고도이고;
도 4는 도 1에 따른 유량 예측모델 생성부에서, 순환신경망 모델에 대한 참고도이고;
도 5는 유량 예측모델 생성부에서, 순환신경망 모델의 경사도 사라짐 문제를 설명하기 위한 참고도이고;
도 6은 유량 예측모델 생성부에서, 장/단기 기억 네트워크 모델을 설명하기 위한 참고도이고;
도 7은 도 1에 따른 누수판단부에 의하여 누수 여부를 판단하는 과정을 설명하기 위한 그래프이고;
도 8은 도 1에 따른 검증부를 설명하기 위한 표이고;
도 9는 본 발명의 일 실시예에 따른 상수관망시스템 실시간 누수인지방법에 대한 흐름도이고;
도 10은 예측한 유량값을 토대로 상수관망시스템의 누수 여부를 판단하는 과정을 설명하기 위한 흐름도이다.1 is a block diagram of a real-time leak detection system for a water pipe network system according to an embodiment of the present invention;
2 is a reference diagram for a new data set pre-processed by the data pre-processing unit according to FIG. 1;
FIG. 3 is a reference diagram for a new data set pre-processed by the data pre-processing unit according to FIG. 1 to variously transform the shapes of existing data;
4 is a reference diagram for a recurrent neural network model in the flow prediction model generation unit according to FIG. 1;
5 is a reference diagram for explaining a gradient disappearance problem of a circulatory neural network model in a flow prediction model generation unit;
6 is a reference diagram for explaining a long/short term storage network model in a flow prediction model generation unit;
Figure 7 is a graph for explaining the process of determining whether or not water leakage by the water leakage determination unit according to Figure 1;
8 is a table for explaining the verification unit according to FIG. 1;
9 is a flow chart of a real-time leak recognition method for a water pipe network system according to an embodiment of the present invention;
10 is a flowchart for explaining a process of determining whether a water supply pipe network system leaks based on a predicted flow rate value.
이하, 본 발명의 실시예를 첨부된 도면들을 참조하여 더욱 상세하게 설명한다. 본 발명의 실시예는 다양한 형태로 변형할 수 있으며, 본 발명의 범위가 아래의 실시예들로 한정되는 것으로 해석되어서는 안 되며 청구범위에 기재된 사항을 기준으로 해석되어야 한다. 또한, 본 실시예는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 참고적으로 제공되는 것일 뿐이다.Hereinafter, embodiments of the present invention will be described in more detail with reference to the accompanying drawings. Embodiments of the present invention may be modified in various forms, and the scope of the present invention should not be construed as being limited to the following examples, but should be interpreted based on the matters described in the claims. In addition, this embodiment is only provided as a reference in order to more completely explain the present invention to those skilled in the art.
본 명세서에서 사용된 바와 같이, 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있다. 또한, 본 명세서에서 사용되는 경우 "포함한다(comprise)" 및/또는 "포함하는(comprising)"은 언급한 형상들, 숫자, 단계, 동작, 부재, 요소 및/또는 이들 그룹의 존재를 특정하는 것이며, 하나 이상의 다른 형상, 숫자, 동작, 부재, 요소 및 /또는 그룹들의 존재 또는 부가를 배제하는 것이 아니다.As used herein, the singular form may include the plural form unless the context clearly indicates otherwise. Also, when used herein, "comprise" and/or "comprising" specifies the presence of the recited shapes, numbers, steps, operations, elements, elements, and/or groups thereof. and does not exclude the presence or addition of one or more other shapes, numbers, operations, elements, elements and/or groups.
도 1은 본 발명의 일 실시예에 따른 상수관망시스템 실시간 누수인지 시스템에 대한 블럭도이다.1 is a block diagram of a real-time leak detection system for a water pipe network system according to an embodiment of the present invention.
이하에서는 첨부된 도면들을 참고하여 본 발명의 일 실시예에 따른 딥러닝 상수관망시스템 실시간 누수인지 시스템(1)에 대하여 상세히 설명하도록 한다.Hereinafter, the deep learning water pipe network system real-time leak detection system 1 according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.
도 1을 참고하면, 본 발명은 상수관망시스템 실시간 누수인지 시스템(1)에 관한 것으로, 더욱 상세하게는 상수관망시스템의 유입유량계 데이터를 기초로 딥러닝을 활용한 누수인지 모형을 생성하여 누수 발생 여부를 판단하는 시스템에 관한 것이며 상세한 내용은 후술하도록 한다. 일반적으로, 상수도의 유형으로는 광역상수도, 지방상수도, 간이상수도가 있으며, 지방상수도는 1개의 라인으로 이루어지는 광역상수도에 비하여 상대적으로 복잡한 라인 구성으로 이루어져 있으며, 본 발명에 따른 실시간 누수인지 시스템(1)이 적용되는 분야는 지방상수도에 한정되는 것이 바람직하다. 또한, 본 발명에 따른 누수인지 시스템(1)은 단일 구간 두 지점의 유량차를 이용하여 누수를 분석하는 것이 아닌, 미래 유량값 그 자체를 정확하게 예측하는 것을 특징으로 하며, 이에 대한 상세한 설명은 후술하도록 한다.Referring to FIG. 1, the present invention relates to a real-time leak detection system (1) for a water supply pipe network system, and more particularly, to create a leak detection model using deep learning based on inflow meter data of the water supply pipe network system to generate water leakage. It is related to a system for determining whether or not, and details thereof will be described later. In general, the types of waterworks include wide-area waterworks, local waterworks, and intermittent waterworks. Local waterworks have a relatively complex line configuration compared to wide-area waterworks consisting of one line, and the real-time leak detection system according to the present invention (1 ) is applied, it is desirable to be limited to local waterworks. In addition, the leak detection system 1 according to the present invention is characterized in that it accurately predicts the future flow rate value itself, rather than analyzing the leak using the flow difference between two points in a single section, and a detailed description thereof will be described later. let it do
상기 누수인지 시스템(1)은 데이터 전처리부(10), 유량 예측모델 생성부(30), 누수판단부(50) 및 검증부(70)를 포함할 수 있다.The water leakage detection system 1 may include a data pre-processing unit 10, a flow prediction model generating unit 30, a water leakage determining unit 50, and a verification unit 70.
도 2는 도 1에 따른 데이터 전처리부에 의하여 전처리된 신규의 데이터 세트에 대한 참고도이고; 도 3은 도 1에 따른 데이터 전처리부에 의하여 기존 데이터의 형상을 다양하게 변환하도록 전처리된 신규의 데이터 세트에 대한 참고도이다.2 is a reference diagram for a new data set pre-processed by the data pre-processing unit according to FIG. 1; FIG. 3 is a reference diagram for a new data set pre-processed by the data pre-processing unit according to FIG. 1 to variously transform the shape of existing data.
도 1을 참고하면, 데이터 전처리부(10)는 상수관망시스템의 유입유량계 데이터를 전처리하는 구성이다. 이러한 데이터 전처리부(10)는 상수관망시스템에서 발생하는 유량의 경향 및 주기성을 고려하여 기존 데이터를 전처리한다. 일반적으로 광역상수도와 달리, 지방상수도의 경우 사용자의 물 사용패턴에 따라 공급량이 제어된다. 그러므로, 지방상수도의 상수관망시스템에서의 유량은, 주말과 평일 간, 일 별 그리고 시간대 별 등 그 값이 특정 패턴을 따라 상이해지는, 일정한 경향성과 주기성을 띄게 된다. 따라서, 유량 예측모델 생성부(30)를 통하여 지방상수도에서의 미래 유량값을 정확히 예측하기 위해서는, 전술한 경향성과 주기성을 고려하는 작업이 필요하며, 이에 대하여 상세히 설명하도록 한다.Referring to FIG. 1 , the data pre-processing unit 10 is a component that pre-processes inflow flow meter data of a water pipe network system. The data pre-processing unit 10 pre-processes the existing data in consideration of the trend and periodicity of the flow rate generated in the water pipe network system. In general, unlike multi-regional waterworks, in the case of local waterworks, the amount of supply is controlled according to the user's water usage pattern. Therefore, the flow rate in the water pipe network system of the local waterworks has a certain tendency and periodicity, in which the value varies according to a specific pattern, such as between weekends and weekdays, by day and by time. Therefore, in order to accurately predict the future flow rate value in the local waterworks through the flow rate prediction model generation unit 30, it is necessary to consider the above-described trend and periodicity, and this will be described in detail.
도 2를 참고하면, 먼저 일 별 특정 시간텀(주기) 단위의 유입유량계 원 시계열 데이터를, 일 별 동일 시점에 대한 데이터 세트로 구성하여 유량의 주기성을 표현한다. 즉, 아래의 개별 일 별 데이터 구성 (1)을, (2)와 같이 구성한다. 아래의 Q는 유량값, n은 계측 시점 m은 날짜를 의미하는 것일 수 있다.Referring to FIG. 2, first, the time series data of the inflow flow meter in units of a specific time term (cycle) for each day is configured as a data set for the same time point for each day to express the periodicity of the flow rate. That is, the data configuration (1) for each individual day below is configured as (2). Below, Q may mean a flow rate, n may mean a measurement time point, and m may mean a date.
(1) {Q1, Q2, ..., Qn},(1) {Q 1 , Q 2 , ..., Q n },
(2) {Q1 1, Q2 1, ..., Qm 1}, {Q1 2, Q2 2, ..., Qm 2}, {Q1 n, Q2 n, ..., Qm n}(2) {Q 1 1 , Q 2 1 , ..., Q m 1 }, {Q 1 2 , Q 2 2 , ..., Q m 2 }, {Q 1 n , Q 2 n , .. ., Q m n }
예를 들어, 1월 1일 및 2일에 대한 1분 주기에 따른 유량에 대한 시계열 데이터는 1월 1일 0시 1분, 1월2일 0시 1분의 한 세트 및 1월 1일 0시 2분, 1월 2일 0시 2분의 한 세트의 데이터 세트가 형성되도록 전처리된다. 이에 의하여 동일 시점에 대한 과거의 주기성을 표현할 수 있다. 이와 같이 전처리된 데이터 세트는 유량 예측모델 생성부(30) 측으로 입력된다. 이러한 데이터 전처리를 통하여, 분 단위로 급격히 변화하는 형상의 유량 데이터에 대하여, 예측하고자 하는 시점과 동일한 과거 시점의 앞/뒤 시계열 자료가 아닌, 예측하고자 하는 동일한 시점의 데이터를 고려하게 되어 미래 유량값 예측 시 특이치가 명확히 반영될 수 있다.For example, time series data for flow over a 1-minute period for January 1 and 2 is one set at 0:01 on January 1, one set at 0:01 on January 2, and one set at 0:01 on January 1. It is preprocessed to form one set of data at 2:00, 2:00 on January 2nd. In this way, the periodicity of the past for the same point in time can be expressed. The data set preprocessed in this way is input to the flow prediction model generation unit 30 side. Through this data preprocessing, for the flow rate data that rapidly changes in minutes, the data of the same point in time to be predicted is considered, not the previous/later time series data of the same time point in the past as the point in time to be predicted, and the future flow rate value Outliers can be clearly reflected in predictions.
또한, 도 3을 참고하면, 특정 기간 동안의 유입유량계 원 시계열 데이터를, 기산일을 변경한 신규의 데이터 세트로 재구성함으로써 물 사용량의 주기성 및 경향성을 표현할 수 있다. 예를 들어, 도 3의 First period, Second period 및 Third period와 같이, 일주일 기간 범위 내의 유입유량계 원 시계열 데이터를 기산일을 하루 차이로 두어 데이터 세트를 구성한 것을 알 수 있다. 또한, Fourth period와 같이 특정일 내에서의 특정 시간 주기에 따른 유량값에 대한 데이터 재처리 역시 가능하다. 이와 같은 데이터 전처리를 통해 다양한 데이터 세트를 구축함으로써, 예를 들어 주중 그리고 주말동안 발생하는 유량의 변화를 자연스럽게 반영하여 과거의 주기성 및 경향성을 표현할 수 있다.In addition, referring to FIG. 3 , the periodicity and tendency of water usage can be expressed by reconstructing the inflow flow meter time series data for a specific period into a new data set having a base date changed. For example, as in the First period, Second period, and Third period of FIG. 3, it can be seen that the data set was constructed by setting the starting date of the inflow flow meter time series data within a week period with a difference of one day. In addition, it is also possible to reprocess data for flow rate values according to a specific time period within a specific day, such as the fourth period. By constructing various data sets through such data pre-processing, it is possible to express the past periodicity and tendency, for example, by naturally reflecting changes in flow rate occurring during weekdays and weekends.
도 4는 도 1에 따른 유량 예측모델 생성부에서, 순환신경망 모델에 대한 참고도이고; 도 5는 유량 예측모델 생성부에서, 순환신경망 모델의 경사도 사라짐 문제를 설명하기 위한 참고도이고; 도 6은 유량 예측모델 생성부에서, 장/단기 기억 네트워크 모델을 설명하기 위한 참고도이다.4 is a reference diagram for a recurrent neural network model in the flow prediction model generation unit according to FIG. 1; 5 is a reference diagram for explaining a gradient disappearance problem of a circulatory neural network model in a flow prediction model generation unit; 6 is a reference diagram for explaining a long/short term storage network model in a flow prediction model generation unit.
도 1을 참고하면, 유량 예측모델 생성부(30)는 딥러닝 기반 과거의 전처리된 시계열 데이터 세트를 기반으로, 미래 시점에 대한 유량값을 예측하는 구성이다. 상기 유량 예측모델 생성부(30)는 전처리된 데이터 세트 뿐만 아니라 전처리되지 않은 원 시계열 데이터 역시 입력받을 수 있고 이에 제한이 있는 것은 아니다. 또한, 본 발명의 일 실시예에 따른 누수인지 시스템(1)은 바람직하게는 순환신경망(Recurrent Neural Networks; RNN) 모델을, 더욱 바람직하게는 순환신경망 모델 중에서 장/단기 기억 네트워크(Long Short-Term Memory models; LSTM) 모델을 기반으로 유량 예측데이터를 생성한다. Referring to FIG. 1 , the flow prediction model generating unit 30 is a component that predicts a flow rate value for a future time point based on a deep learning-based past preprocessed time series data set. The flow prediction model generation unit 30 may receive input of not only preprocessed data sets but also unpreprocessed raw time series data, but is not limited thereto. In addition, the leak detection system 1 according to an embodiment of the present invention preferably uses a Recurrent Neural Networks (RNN) model, more preferably a long/short-term memory network (Long Short-Term Create flow prediction data based on memory models (LSTM) models.
일반적으로 순환신경망 모델은 정상적인 시계열 데이터를 다루기에 최적화된 인공신경망이다. 도 4를 참고하면, 순환신경망 모델은 이전시간(t-1)의 은닉층(Hidden Layer) 출력값을 그 다음 시간(t) 은닉층의 입력값으로 재입력하여 기존 인공신경망에서 발생하는 과거 데이터에 대한 기억장치를 추가한 형태로, 과거 데이터를 메모리 형태로 저장 가능한 이점이 있다. In general, recurrent neural network models are artificial neural networks optimized for handling normal time series data. Referring to FIG. 4, the recurrent neural network model re-inputs the output value of the hidden layer at the previous time (t-1) as the input value of the hidden layer at the next time (t), memory for past data generated in the existing artificial neural network In the form of adding a device, it has the advantage of being able to store past data in the form of memory.
하지만, 이러한 순환신경망 모델은 경사도 사라짐 문제(Vanishing Gradient Problem)로 인하여 상수관망시스템에서의 계절 및 시간에 따라 변동하는 유량을 예측하는 것에는 한계가 발생할 수 있다. 따라서, 순환신경망 모델은 다양하게 변화하는 장기간 시계열데이터를 기반으로 유량을 예측하여야 하는 상황에서는 성능이 저하될 가능성이 있다. However, this recurrent neural network model may have limitations in predicting the flow rate that fluctuates according to the season and time in the water pipe network system due to the vanishing gradient problem. Therefore, the performance of the recurrent neural network model may be degraded in a situation where the flow rate must be predicted based on long-term time-series data that vary in various ways.
경사도 사라짐 문제에 대하여 상세히 설명하기 위하여 도 5를 참고하면, 예를 들어 시간 '1'에서 입력된 데이터는 은닉층을 통하여 큰 경사도(영향력)로 인하여 비슷한 출력을 하지만, 시간 '5'에 도달하면 과거 데이터에 대한 경사도가 작아져 영향력이 사라지는 문제가 발생한다.Referring to FIG. 5 to explain the gradient disappearing problem in detail, for example, data input at time '1' produces a similar output due to a large gradient (influence) through the hidden layer, but when time '5' is reached, the past The problem arises that the gradient of the data becomes smaller and the influence disappears.
반면, 도 6을 참고하면, 장/단기 기억 네트워크 모델은, 은닉층에 메모리 블록을 추가하여 장기적인 기억이 가능하도록 구성된 것으로, 전술한 문제를 해결 가능한 이점이 있다. 예를 들어, 은닉층과 연결되는 각각의 노드를 Input gate, Forget gate, Output gate로 구성된 메모리 블록이 열고 닫음을 실행하면서 시간 '1에 대한 영향력을 지속적으로 유지하여 경사도 사라짐 문제를 해결한다. 시간 '1'의 Input gate와 시간 '5'까지의 Forget gate를 열어 시간 '5'까지 영향력을 유지하며, 시간 '3' 및 '4'의 Output gate를 열어 시간 '2-5'의 영향력은 무시한다. 이와 같은 데이터 기억력 향상은 예측문제에 있어 높은 정확도를 갖도록 한다.On the other hand, referring to FIG. 6 , the long-term/short-term storage network model is configured to enable long-term storage by adding a memory block to the hidden layer, and has an advantage of solving the above-described problem. For example, while a memory block composed of an input gate, a forget gate, and an output gate opens and closes each node connected to the hidden layer, the influence of time '1 is continuously maintained to solve the problem of the gradient disappearing. The input gate of time '1' and the forget gate until time '5' are opened to maintain the influence until time '5', and the output gates of times '3' and '4' are opened, and the influence of time '2-5' is Ignore it. This improvement in data memory enables high accuracy in prediction problems.
도 7은 도 1에 따른 누수판단부에 의하여 누수 여부를 판단하는 과정을 설명하기 위한 그래프이다.7 is a graph for explaining a process of determining whether or not water leakage is caused by the water leakage determining unit according to FIG. 1 .
도 1 및 도 7을 참고하면, 누수판단부(50)는 유량 예측모델 생성부(30)를 통하여 예측한 유량값을 토대로 상수관망시스템의 누수 여부를 결정하는 구성이다. 이와 같은 누수판단부(50)는 예측된 유량값(P)이 임계값(C)을 넘어서는지 여부로 누수 여부를 결정한다. 상기 '임계값(C)'은 시간대 별 유량값에 대한 관리 한계선(Contral Limits)으로, 상한값(C1) 및 하한값(C2)으로 이루어질 수 있다. 또한, 임계값(C)은 고정값이 아니며 주기적으로 또는 실시간 갱신될 수 있다. 상기 예측 유량값(P) 및 임계값(C)은 CMH(Cubic Meter per Hour) 단위로 나타낼 수 있다.Referring to FIGS. 1 and 7 , the water leakage determination unit 50 is configured to determine whether water leakage occurs in the water pipe network system based on the flow rate value predicted through the flow prediction model generation unit 30 . The water leakage determination unit 50 determines whether or not water leakage is determined by whether or not the predicted flow rate value P exceeds the threshold value C. The 'threshold value (C)' is a control limit (Contral Limits) for the flow rate value for each time period, and may be composed of an upper limit value (C1) and a lower limit value (C2). In addition, the threshold C is not a fixed value and may be updated periodically or in real time. The predicted flow rate value (P) and threshold value (C) may be expressed in units of Cubic Meter per Hour (CMH).
누수 여부 판단에 대하여 상세히 설명하면, 예측된 유량값(P)이 특정 시간대에서 상한값(C1) 및 하한값(C2)을 모두 넘어서는 경우 누수가 발생한 것으로 판단한다(도 7의 Burst B). 이와 달리, 예측된 유량값(P)이 특정 시간대에서 하한값(C2)만을 넘어서는 경우, 누수가 발생하지 않은 것으로 판단한다(도 7의 Burst A). 즉, 예측된 유량값(P)이 하한값(C2)만을 넘어서는 경우를 누수 발생으로 판단하는 경우 물 사용량이 순간적으로 증가하는 경우까지 누수 발생으로 판단할 수 있어 오측의 확률이 높아질 수밖에 없다. 이와 같은 문제를 해결하고자, 예측된 유량값(P)이 상한값 및 하한값(C2)을 모두 넘어서는 경우에만 누수 발생으로 판단한다.In detail, when the predicted flow rate value P exceeds both the upper limit value C1 and the lower limit value C2 in a specific time period, it is determined that leakage has occurred (Burst B in FIG. 7). In contrast, when the predicted flow rate value P exceeds only the lower limit value C2 in a specific time period, it is determined that no leakage has occurred (Burst A in FIG. 7 ). That is, when it is determined that a water leak occurs when the predicted flow rate value P exceeds only the lower limit value C2, it can be determined that a water leak occurs even when the amount of water used increases instantaneously, so the probability of misdiagnosis inevitably increases. In order to solve this problem, it is determined that water leakage occurs only when the predicted flow rate value P exceeds both the upper limit value and the lower limit value C2.
또한, 임계값(C)을 설정하는데 있어서는 슈하르트 x 관리도를 활용한다. 슈하르츠 관리도는 관리하고자 하는 값을 중심선으로 하여 관리 관리 하한값 및 관리 상한값을 설정하고 시간의 경과에 따라 관측값을 표시하는 통계적 과정이며 이에 대한 상세한 설명은 생략하도록 한다. In addition, in setting the threshold value (C), the Schuhart x control chart is used. The Schharz control chart is a statistical process in which the lower limit and the upper limit for management are set with the value to be managed as the center line, and the observed values are displayed over time, and detailed descriptions thereof will be omitted.
도 8은 도 1에 따른 검증부를 설명하기 위한 표이다.8 is a table for explaining the verification unit according to FIG. 1 .
도 1 및 도 8을 참고하면, 검증부(70)는 유량 예측모델 생성부(30) 및/또는 누수판단부(50)에 의한 상수관망시스템의 누수인지 여부에 대한 성능평가를 하는 구성이다. 즉, 누수 예측과 실제 누수 발생 여부와의 대비를 통하여 성능을 평가하는 것이다. 이러한 검증부(70)는 예를 들어 혼동행렬(Confusion Matrix)을 활용할 수 있다. Referring to FIGS. 1 and 8 , the verification unit 70 is configured to evaluate whether or not there is a leak in the water pipe network system by the flow prediction model generator 30 and/or the water leakage determination unit 50 . In other words, performance is evaluated by comparing water leakage prediction with whether water leakage actually occurs. Such verification unit 70 may utilize, for example, a confusion matrix.
검증부(70)에 대하여 상세히 설명하면, 상수관망시스템에서 누수가 발생하고 이를 정확하게 인지한 경우(TP), 누수가 발생하지 않은 것을 정확히 예측한 경우(TN), 누수가 발생하지 않았으나 발생한 것으로 오측한 경우(FP) 및 누수가 발생하였으나 예측하지 못한 경우(FN)를 기반으로 참양성 비율(True Positive Rate; TPR) 및 위양성 비율(False Positive Rate; FPR) 및 정확도(Accuracy; ACC)를 산정한다. 참양성 비율(TPR), 위양성 비율(FPR) 및 정확도(ACC)는 다음과 같이 측정할 수 있다.In detail about the verification unit 70, when a leak occurs in the water pipe network system and it is accurately recognized (TP), when it is accurately predicted that the leak does not occur (TN), it is mistakenly determined that the leak has not occurred but has occurred Calculate the True Positive Rate (TPR) and False Positive Rate (FPR) and Accuracy (ACC) based on one case (FP) and the case where a leak occurred but was not predicted (FN) . The true positive rate (TPR), false positive rate (FPR) and accuracy (ACC) can be measured as follows.
(3) TPR = (TP / (TP + FN)) * 100%(3) TPR = (TP / (TP + FN)) * 100%
(4) FPR = (FP / (FP + TN)) * 100%(4) FPR = (FP / (FP + TN)) * 100%
(5) ACC = (TP + TN) / (TP + FN + TN + FP) * 100%(5) ACC = (TP + TN) / (TP + FN + TN + FP) * 100%
또한, 위음성 비율(False Negative Rate; FNR), 참음성 비율(True Negative Rate; TNR) 및 정밀도(Positive Predictive Valut; PPV)는 다음과 같이 도출할 수 있다. In addition, the false negative rate (FNR), true negative rate (TNR), and precision (positive predictive value (PPV)) can be derived as follows.
(6) FNR = (FN / (TP + FN)) * 100%(6) FNR = (FN / (TP + FN)) * 100%
(7) TNR = (TN / (TN + FP)) * 100%(7) TNR = (TN / (TN + FP)) * 100%
(8) PPV = (TP / (TP + FP)) * 100%(8) PPV = (TP / (TP + FP)) * 100%
마지막으로, 평균절대비오차(Mean Asolute Precentage Error; MAPE)는 다음과 같이 도출할 수 있다. 이하에서 'N'은 활용되는 데이터의 개수를, 'A'는 계측기에서 관측된 유량값을, 'B'는 유량 예측값을 의미한다. 식 (9)에 의한 평균절대비오차는 정확도를 백분율로 표현하며, 그 값이 낮을수록 좋은 성능을 갖는 것으로 판단한다.Finally, the Mean Asolute Precentage Error (MAPE) can be derived as follows. Hereinafter, 'N' means the number of data to be utilized, 'A' means the flow rate value observed by the instrument, and 'B' means the predicted flow rate value. The average absolute ratio according to Equation (9) expresses the accuracy as a percentage, and the lower the value, the better the performance.
(9) 
이와 같이 검증부(70)를 통하여, 예측된 유량값 및 그에 따른 누수인지 판단에 대한 검증을 수행할 수 있다.In this way, through the verification unit 70, it is possible to perform verification for the predicted flow rate value and the resultant determination of whether it is water leakage.
도 9는 본 발명의 일 실시예에 따른 상수관망시스템 실시간 누수인지방법에 대한 흐름도이다.9 is a flow chart of a real-time leak recognition method for a water pipe network system according to an embodiment of the present invention.
이하에서는 첨부된 도면들을 참고하여 본 발명의 일 실시예에 따른 딥러닝 활용 지방상수도 실시간 누수인지방법(S1)에 대하여 상세히 설명하도록 한다. Hereinafter, a real-time leak detection method (S1) for local water supply using deep learning according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.
도 9를 참고하면, 먼저 상수관망시스템의 유입유량계 데이터를 전처리하여 유량 예측모델 생성부(30)에 입력될 데이터 세트를 생성한다(S10). 예를 들어, 단계 S10은 데이터 전처리부(10)를 통하여 수행되며, 전술한 바와 같이 일자별 특정 시간텀(주기) 단위의 유입유량계의 원 시계열 데이터 세트를, 일 별 동일 시점에 대한 데이터 세트로 구성하여 유량의 주기성을 표현할 수 있다(S110). 또한, 단계 S10을 통하여 특정 기간 동안의 유입유량계 원 시계열 데이터를, 기산일을 변경한 신규의 데이터 세트로 재구성함으로써 물 사용량의 주기성 및 경향성을 표현할 수 있다(S130). 단계 S130에 대한 상세한 내용은 상기 데이터 전처리부(10)로 갈음한다. 단계 S110과 S130의 동작 순서는 도 9에 도시된 것과 상이할 수도, 또는 어느 하나의 단계만이 진행될 수도 있고 이에 제한이 있는 것은 아니다.Referring to FIG. 9 , first, a data set to be input to the flow prediction model generation unit 30 is generated by preprocessing the inflow flow meter data of the water pipe network system (S10). For example, step S10 is performed through the data preprocessing unit 10, and as described above, the original time series data set of the inflow flow meter in units of a specific time term (cycle) per day is configured as a data set for the same time point per day. Thus, the periodicity of the flow rate can be expressed (S110). In addition, the periodicity and tendency of water usage can be expressed by reconstructing the time series data of the inflow meter for a specific period through step S10 into a new data set with a changed base date (S130). Details of step S130 are replaced with the data pre-processing unit 10. The operation sequence of steps S110 and S130 may be different from that shown in FIG. 9, or only one step may be performed, but there is no limitation thereto.
이후, 전처리된 데이터 세트를 기초로 하여, 유량 예측모델을 생성한다(S30). 유량 예측모델은 예를 들어 순환신경망 모델인 것이 바람직하고, 그 중 장/단기 기억 네트워크 모델인 것이 더욱 바람직하다. 이와 같은 유량 예측모델을 생성함으로써, 상수관망시스템의 두 지점 간 유량차를 대비하여 누수여부를 판단하는 것이 아닌, 유량값 자체를 예측하는 것이 가능하다. 단계 S20은 유량 예측모델 생성부(30)를 통하여 수행할 수 있다.Thereafter, based on the preprocessed data set, a flow rate prediction model is generated (S30). The flow prediction model is preferably, for example, a recurrent neural network model, and more preferably a long/short term memory network model. By creating such a flow rate prediction model, it is possible to predict the flow rate value itself, rather than determining whether there is a leak in preparation for the flow rate difference between two points in the water pipe network system. Step S20 may be performed through the flow prediction model generator 30.
도 10은 예측한 유량값을 토대로 상수관망시스템의 누수 여부를 판단하는 과정을 설명하기 위한 흐름도이다.10 is a flowchart for explaining a process of determining whether a water supply pipe network system leaks based on a predicted flow rate value.
그리고 나서, 도 10을 참고하면, 유량 예측모델 생성부(30)를 통하여 예측한 유량값(P)을 토대로 상수관망시스템의 누수 여부를 판단한다(S50). 단계 S50을 보다 상세히 설명하면, 먼저 임계값(C)을 설정한다(S510). 상기 임계값(C)은 상한값(C1) 및 하한값(C2)으로 이루어지며 지속적으로 갱신될 수 있는 가변적인 것임에 유의하여야 한다. 또한, 상기 임계값(C)은 예를 들어 슈하르트 x 관리도를 통하여 설정할 수 있으나 이에 제한이 있는 것은 아니다.Then, referring to FIG. 10, based on the flow rate value (P) predicted through the flow rate prediction model generation unit 30, it is determined whether or not the water supply pipe network system leaks (S50). To explain step S50 in more detail, first, a threshold value (C) is set (S510). It should be noted that the threshold value C is composed of an upper limit value C1 and a lower limit value C2 and is variable that can be continuously updated. In addition, the threshold value (C) can be set through, for example, a Shuhart x control chart, but is not limited thereto.
임계값(C)이 설정된 이후, 유량 예측모델을 통하여 도출된 예측 유량값(P)이 임계값(C)을 넘어서는지 여부를 판단한다(S530). 단계 S530에서, 예측 유량값(P)이 상한값(C1)과 하한값(C2)을 모두 넘어서는 경우 누수로 판단한다(S550). 또한, 예측 유량값(P)이 하한값(C2)만을 넘어서는 경우 누수가 발생하지 않은 것으로 판단한다(S570). 마지막으로, 예측 유량값(P)이 상한값(C1)과 하한값(C2)을 모두 넘어서지 않는 경우 누수가 발생하지 않은 것으로 판단한다(S590). 단계 S50의 개별 단계들은 모두 누수판단부(50)를 통하여 수행될 수 있다. After the threshold value (C) is set, it is determined whether the predicted flow rate value (P) derived through the flow prediction model exceeds the threshold value (C) (S530). In step S530, when the predicted flow rate value P exceeds both the upper limit value C1 and the lower limit value C2, it is determined as water leakage (S550). In addition, when the predicted flow rate value P exceeds only the lower limit value C2, it is determined that no leakage has occurred (S570). Finally, when the predicted flow rate value P does not exceed both the upper limit value C1 and the lower limit value C2, it is determined that no leakage has occurred (S590). All of the individual steps of step S50 may be performed through the water leakage determination unit 50.
그 후, 단계 S50을 통한 상수관망시스템의 누수 여부 판단에 대한 검증절차를 수행한다(S70). 단계 S70은 검증부(70)를 통하여 진행되며, 전술한 바와 같이 참양성 비율(TPR), 위양성 비율(FPR), 참음성 비율(TNR) 및 위음성 비율(FNR)을 통하여 정확도(ACC), 정밀도(PPV) 및 평균절대비오차(MAPE)를 도출할 수 있다. 이와 같이 단계 S70에서는 단계 S30과 S50의 결과를 검증함으로써 더욱 정교한 결과값을 도출할 수 있다. Thereafter, a verification procedure for determining whether the water supply pipe network system leaks through step S50 is performed (S70). Step S70 is performed through the verification unit 70, and as described above, accuracy (ACC) and precision are obtained through the true positive rate (TPR), false positive rate (FPR), true negative rate (TNR) and false negative rate (FNR). (PPV) and mean absolute error (MAPE) can be derived. In this way, in step S70, more sophisticated result values can be derived by verifying the results of steps S30 and S50.
이상의 상세한 설명은 본 발명을 예시하는 것이다. 또한, 전술한 내용은 본 발명의 바람직한 실시 형태를 나타내어 설명하는 것이며, 본 발명은 다양한 다른 조합, 변경 및 환경에서 사용할 수 있다. 즉 본 명세서에 개시된 발명의 개념의 범위, 저술한 개시 내용과 균등한 범위 및/또는 당업계의 기술 또는 지식의 범위 내에서 변경 또는 수정이 가능하다. 전술한 실시예는 본 발명의 기술적 사상을 구현하기 위한 최선의 상태를 설명하는 것이며, 본 발명의 구체적인 적용 분야 및 용도에서 요구되는 다양한 변경도 가능하다. 따라서 이상의 발명의 상세한 설명은 개시된 실시 상태로 본 발명을 제한하려는 의도가 아니다.The above detailed description is illustrative of the present invention. In addition, the foregoing is intended to illustrate and describe preferred embodiments of the present invention, and the present invention can be used in various other combinations, modifications and environments. That is, changes or modifications are possible within the scope of the concept of the invention disclosed in this specification, within the scope equivalent to the written disclosure and / or within the scope of skill or knowledge in the art. The foregoing embodiment describes the best state for implementing the technical idea of the present invention, and various changes required in specific application fields and uses of the present invention are also possible. Therefore, the above detailed description of the invention is not intended to limit the invention to the disclosed embodiments.
1 : 상수관망시스템 실시간 누수인지 시스템
10 : 데이터 전처리부 30 : 유량 예측모델 생성부
50 : 누수판단부 70 : 검증부
S1 : 상수관망시스템 실시간 누수인지방법
S10 내지 S70 : 세부 단계
P : 예측 유량값 C : 임계값
C1 : 상한값 C2 : 하한값1: Water pipe network system real-time leak detection system
10: data pre-processing unit 30: flow prediction model generation unit
50: leak determination unit 70: verification unit
S1: Water pipe network system real-time leak detection method
S10 to S70: detailed steps
P: predicted flow rate value C: threshold value
C1: upper limit value C2: lower limit value
Claims (13)
딥러닝 기반 전처리된 신규 데이터 세트를 기초로 미래 시점에 대한 유량값을 예측하는 모델을 생성하는 유량 예측모델 생성부; 및
상기 유량 예측모델 생성부를 통하여 예측한 유량값을 토대로 상수관망시스템의 누수 여부를 결정하는 누수판단부;를 포함하는 것을 특징으로 하는 상수관망시스템 실시간 누수인지 시스템.
a data pre-processing unit that combines a new data set by pre-processing data on flow values based on inflow flow meter data of the water pipe network system;
a flow rate prediction model generating unit for generating a model for predicting a flow rate value for a future time point based on a new data set that has been preprocessed based on deep learning; and
A water supply pipe network system real-time leak detection system comprising a;
일자별 특정 시간텀 단위의 유입유량계 원 시계열 데이터를, 일 별 동일 시점에 대한 데이터 세트로 재구성함으로써 유량의 주기성을 표현하는 것을 특징으로 하는 상수관망시스템 실시간 누수인지 시스템.
The method of claim 1, wherein the data pre-processing unit
Water pipe network system real-time leak detection system, characterized in that the periodicity of the flow rate is expressed by reconstructing the inflow flow meter time series data in a specific time term unit for each day into a data set for the same time point per day.
특정 기간 동안의 유입유량계 원 시계열 데이터를, 기산일이 상이한 신규의 데이터 세트들로 재구성함으로써 물 사용량의 주기성 및 경향성을 표현하는 것을 특징으로 하는 상수관망시스템 실시간 누수인지 시스템.
The method of claim 2, wherein the data pre-processing unit
A water supply network system real-time leak detection system characterized in that it expresses the periodicity and trend of water usage by reconstructing the inflow flow meter time series data for a specific period into new data sets with different dates.
순환신경망 모델 중 장/단기 기억 네트워크 모델을 기반으로 유량 예측데이터를 생성하는 것을 특징으로 하는 상수관망시스템 실시간 누수인지 시스템.
The method of claim 1, wherein the flow rate prediction model generator
Water pipe network system real-time leak detection system, characterized in that for generating flow rate prediction data based on the long-term / short-term memory network model of the recurrent neural network model.
상기 유량 예측모델생성부를 통하여 예측된 유량값이 임계값을 넘어서는지 여부로 누수 여부를 결정하는 것을 특징으로 하는 상수관망시스템 실시간 누수인지 시스템.
The method of claim 1, wherein the water leakage determining unit
The water supply network system real-time leak detection system, characterized in that for determining whether or not water leakage is determined by whether the flow rate value predicted through the flow rate prediction model generation unit exceeds a threshold value.
시간대 별 유량값에 대한 관리 한계선으로, 상한값과 하한값으로 이루어지며, 주기적으로 또는 실시간 갱신되는 것을 특징으로 하는 상수관망시스템 실시간 누수인지 시스템.
6. The method of claim 5, wherein the threshold is
A water supply network system real-time leak detection system, characterized in that it is periodically or real-time updated as a management limit line for the flow rate value for each time period, consisting of an upper limit value and a lower limit value.
예측된 유량값이 상한값과 하한값을 모두 넘어서는 경우에만 누수 발생으로 인지하는 것을 특징으로 하는 상수관망시스템 실시간 누수인지 시스템.
The method of claim 6, wherein the water leakage determination unit
A real-time leak detection system for a water supply network system, characterized in that it recognizes as leakage only when the predicted flow rate value exceeds both the upper limit and the lower limit.
슈하르트 관리도를 통하여 설정되는 것을 특징으로 하는 상수관망시스템 실시간 누수인지 시스템.
6. The method of claim 5, wherein the threshold is
Water supply network system real-time leak detection system, characterized in that set through the Shuhart control chart.
누수판단부에 의한 상수관망시스템의 누수인지 여부에 대한 성능평가를 하는 검증부;를 추가로 포함하며,
상기 검증부는 혼동행렬을 활용하여 수행되는 것을 특징으로 하는 상수관망시스템 실시간 누수인지 시스템.
According to claim 1,
It further includes; a verification unit that evaluates the performance of whether or not the water supply pipe network system is leaked by the leakage determination unit;
Wherein the verification unit is performed using a confusion matrix.
참양성 비율, 참음성 비율, 위양성 비율, 위음성 비율 및 평균절대비오차를 연산하여 상기 평균절대비오차 값이 낮을수록 높은 성능을 가지고 있는 것으로 판단하는 것을 특징으로 하는 상수관망시스템 실시간 누수인지 시스템.
10. The method of claim 9, wherein the verification unit
The water pipe network system real-time leak detection system, characterized in that by calculating the true positive ratio, true negative ratio, false positive ratio, false negative ratio and mean absolute ratio error, the lower the mean absolute ratio value, the higher the performance.
전처리된 데이터 세트를 기초로 순환신경망 모델인 유량 예측모델을 생성하는 단계;
상기 유량 예측모델을 통하여 예측한 유량값을 토대로 상수관망시스템의 누수 여부를 판단하는 단계; 및
평균절대비오차를 기준으로, 상기 누수 여부 판단에 대한 검증절차를 수행하는 단계;를 포함하는 것을 특징으로 하는 상수관망시스템 실시간 누수인지방법.
Creating a data set to be input to the flow rate prediction model generator by pre-processing the inflow flow meter data of the water pipe network system;
Generating a flow prediction model, which is a recurrent neural network model, based on the preprocessed data set;
Determining whether a water supply pipe network system leaks based on the flow rate value predicted through the flow rate prediction model; and
Based on the average absolute ratio error, performing a verification procedure for determining whether or not there is water leakage; real-time leakage recognition method for the water supply pipe network system, characterized in that it comprises a.
일자별 특정 시간텀 단위의 유입유량계 원 시계열 데이터를 일 별 동일 시점에 대한 데이터 세트로 재구성함으로써 유량의 주기성을 표현하며,
특정 기간 동안의 유입유량계 원 시계열 데이터를, 기산일을 변경한 신규의 데이터 세트로 재구성함으로써 물 사용량의 주기성 및 경향성을 표현하는 것을 특징으로 하는 상수관망시스템 실시간 누수인지 시스템.
12. The method of claim 11, wherein the data set generating step
The periodicity of the flow is expressed by reconstructing the time series data of the inflow flow meter in a specific time term unit per day into a data set for the same time point per day,
A real-time leak detection system for a water supply network system, characterized in that it expresses the periodicity and tendency of water usage by reconstructing the inflow flow meter time series data for a specific period into a new data set with a changed base date.
슈하르트 x 관리도를 통하여 상한값 및 하한값을 포함하는 임계값을 설정하는 단계;
상기 유량 예측모델을 통하여 도출된 예측 유량값이 임계값을 넘어서는지 여부를 판단하는 단계; 및
상기 예측 유량값이 하한값만을 넘어서는 경우 누수가 발생하지 않은 것으로 판단하는 단계;를 포함하는 것을 특징으로 하는 상수관망시스템 실시간 누수인지방법.
The method of claim 11, wherein the leak determination step
setting a threshold value including an upper limit value and a lower limit value through a Shuhart x control chart;
Determining whether a predicted flow rate value derived through the flow prediction model exceeds a threshold value; and
A water supply network system real-time leak recognition method comprising the step of determining that no leak has occurred when the predicted flow rate value exceeds only the lower limit value.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210076558A KR102598412B1 (en) | 2021-06-14 | 2021-06-14 | Water leakage prediction system of water distribution networks and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210076558A KR102598412B1 (en) | 2021-06-14 | 2021-06-14 | Water leakage prediction system of water distribution networks and method thereof |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220167511A true KR20220167511A (en) | 2022-12-21 |
| KR102598412B1 KR102598412B1 (en) | 2023-11-06 |
Family
ID=84536679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210076558A KR102598412B1 (en) | 2021-06-14 | 2021-06-14 | Water leakage prediction system of water distribution networks and method thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102598412B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116642138A (en) * | 2023-05-25 | 2023-08-25 | 大连智水慧成科技有限责任公司 | New leakage detection method for water supply network |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160078605A (en) * | 2014-12-24 | 2016-07-05 | 충남대학교산학협력단 | Method for forecasting household water demand and detecting water leakage based on complex event processing and machine learning |
| KR101899112B1 (en) | 2017-08-24 | 2018-09-17 | 서계숙 | Real-time leak detection system for ICT-based water distribution |
| KR20190094692A (en) * | 2018-02-05 | 2019-08-14 | 문경훈 | Method of estimating flow rate and of detecting leak of wide area water using recurrent analysis, recurrent neural network and deep neural network |
-
2021
- 2021-06-14 KR KR1020210076558A patent/KR102598412B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160078605A (en) * | 2014-12-24 | 2016-07-05 | 충남대학교산학협력단 | Method for forecasting household water demand and detecting water leakage based on complex event processing and machine learning |
| KR101899112B1 (en) | 2017-08-24 | 2018-09-17 | 서계숙 | Real-time leak detection system for ICT-based water distribution |
| KR20190094692A (en) * | 2018-02-05 | 2019-08-14 | 문경훈 | Method of estimating flow rate and of detecting leak of wide area water using recurrent analysis, recurrent neural network and deep neural network |
Non-Patent Citations (2)
| Title |
|---|
| ZDNet Korea, 아이브랩 "AI로 상수도 수질 관리하고 누수 방지", 2020년 11월 3일 <출처 : https://zdnet.co.kr/view/?no=20201103133543> 1부.* * |
| 유도근 외 2인, 데이터 기반 중대형 누수인지 모형의 동향과 개선방향, 물과 미래, 한국수자원학회, 2018년 11월, Vol.51, no.11, 20-33쪽 1부. * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116642138A (en) * | 2023-05-25 | 2023-08-25 | 大连智水慧成科技有限责任公司 | New leakage detection method for water supply network |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102598412B1 (en) | 2023-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Burst detection in district metering areas using deep learning method | |
| US20210216852A1 (en) | Leak detection with artificial intelligence | |
| Mounce et al. | A neural network approach to burst detection | |
| Palau et al. | Burst detection in water networks using principal component analysis | |
| Mounce et al. | Development and verification of an online artificial intelligence system for detection of bursts and other abnormal flows | |
| US8341106B1 (en) | System and method for identifying related events in a resource network monitoring system | |
| CN108894282B (en) | Municipal pipe network operation safety dynamic early warning method | |
| US11906987B2 (en) | Pressure control in a supply grid | |
| CN112884250A (en) | Intelligent gas management system and method | |
| Li et al. | Preventive maintenance decision model of urban transportation system equipment based on multi-control units | |
| CN109886506B (en) | Water supply network pipe explosion risk analysis method | |
| KR102598412B1 (en) | Water leakage prediction system of water distribution networks and method thereof | |
| CN107632521B (en) | Constant potential rectifier control method based on decision tree and neural network | |
| Aulia et al. | Prediction of corroded pipeline performance based on dynamic reliability models | |
| Bohorquez et al. | Stochastic resonance enhancement for leak detection in pipelines using fluid transients and convolutional neural networks | |
| Priyanka et al. | IoT fusion based model predictive pid control approach for oil pipeline infrastructure | |
| Tavakoli | Remaining useful life prediction of water pipes using artificial neural network and adaptive neuro fuzzy inference system models | |
| Medjaher et al. | Residual-based failure prognostic in dynamic systems | |
| Rüger et al. | Online leakage attribution to exclusion areas prototype application | |
| Mounce et al. | An artificial neural network/fuzzy logic system for DMA flow meter data analysis providing burst identification and size estimation | |
| Jung | Robust and resilient water distribution systems | |
| Meyers et al. | Short-term forecasting of turbidity in a UK water distribution system | |
| CN115512717A (en) | Two-stage single-sensor pipeline leakage positioning method based on ensemble learning | |
| Mounce et al. | Development of artificial intelligence systems for analysis of water supply system data | |
| Amaitik et al. | Prediction of pipe failures in water mains using artificial neural network models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |