一种量化候选漏损节点检测优先级的漏点分析方法

本发明涉及城市供水管网类，具体涉及一种量化候选漏损节点检测优先级的漏点分析方法。

背景技术：

1、随着城市化进程的加速，城市群规模的扩大，以及城乡统筹供水的普及和供水安全要求的提高，城市管网规模愈加庞大，系统愈加复杂，同时面临管网漏损现象严重、爆管事故频发等问题，给管网运行和管理带来了一些挑战。减少供水管网漏损，提高供水管网的管理水平，保障城市供水管网持续高效安全地运行，不仅是提高水资源利用效率、缓解城镇用水紧张的重要途径，也是维护正常生产生活和稳定社会秩序的必要保证。

2、为了降低漏损量，从触发漏损监测系统报警到工作人员在漏损定位模型给出的推测范围内找到真实漏损点需要的时间越短越好。于大规模管网模型具有成千上万节点，漏损区域定位结果可能包含多个节点，导致探测漏损的工作量增大，时间也随之延长。

3、鉴于此，本发明针对提高漏损定位时间效率的需求，提出了一种将数据时空相关性分析与节点特征分析结合，量化候选漏损节点检测优先级的方法。

技术实现思路

1、本发明的一个目的在于提供一种量化候选漏损节点检测优先级的漏点分析方法，为实现上述目的，本发明采取以下步骤：

2、(1)建立漏损压力残差矩阵，根据scada系统实时上传的压力传感器数据获得实时压力残差向量；

3、(2)将实时压力残差向量与对应时刻的漏损压力残差矩阵做相关性分析，基于时序加权求和获得候选漏损场景评分向量；

4、(3)构建候选节点集合；

5、(4)候选节点特征分析。

6、进一步的，所述步骤1具体为：

7、1.1预测水力模型：

8、建立节点需水量预测模型，实时预测未来dt个时段(t＝{1,2...，t})的节点需水量；将t时刻预测的需水量作为管网模型输入，建立t时刻的水力模型；

9、1.2构建压力预测向量：

10、基于1.1中t时刻的水力模型，计算管网中压力传感器位置的压力值，得到t时刻的压力预测向量

11、

12、其中是t时刻第i个传感器的压力预测数据；ns为压力传感器数量；为ns行列向量；

13、1.3构建模拟漏损场景压力残差矩阵：

14、对t时刻某一个节点需水量的预测值依次增加5,10,15,…350m3/h，模拟该节点可能的漏损场景，上述过程遍历管网中隶属于漏损定位区域内所有节点，计算在在所述漏损场景下的压力传感器位置的压力值，得到t时刻模拟漏损场景压力矩阵

15、

16、

17、其中第k个漏损场景下，第i个压力传感器监测数据模拟值；为第k个漏损场景下的监测点压力向量；n为漏损场景数量，为ns×n的矩阵；

18、将漏损压力矩阵的每个列向量依次与预测压力向量相减，获取漏损压力残差矩阵

19、

20、

21、其中为第k个漏损场景下的漏损压力残差矩阵，为ns×n的矩阵；

22、1.4获得t时刻实时压力残差向量

23、当scada系统上传了第t个时刻(t＝{1，2...，k})的压力数据，获得t时刻实时压力向量p(t)，

24、p(t)＝[p1(t)，...pi(t)，...pns(t)]t

25、其中pi(t)为t时刻scada系统传输的第i个压力传感器数据；p(t)为ns行列向量；

26、将实时压力向量p(t)与预测压力向量相减，获取实时压力残差向量r(t)，

27、

28、其中，r(t)为ns行列向量。

29、进一步的，所述步骤2具体为：

30、2.1选择某些相似性度量指标(曼哈顿距离、欧几里得距离、切比雪夫距离、杰卡德相似系数、余弦相似度、马氏距离、海明距离、皮尔逊(pearson)相关系数、斯皮尔曼(spearman)秩相关系数、肯德尔(kendall)τ相关系数等)作为漏损定位指标；

31、2.2将实时压力残差向量r(t)与漏损压力残差矩阵的列向量做相关性分析，计算漏损定位指标，获得t时刻相应指标的相似性向量假定系统进行漏损定位分析时扫描时间窗内共覆盖j个时间段的压力传感器数据，构建实时定位分析相似性矩阵sindicator，

32、

33、

34、其中sindicator为n×j的矩阵，为t时刻真实场景与第k个模拟漏损场景的漏损定位指标值，x为扫描时间窗口内监测数据序列初始时刻，x+j为扫描时间窗口内监测数据序列末尾对应时刻；

35、2.3基于时序加权，将漏损实时定位分析相似性矩阵转化为漏损实时定位分析向量，

36、

37、

38、其中p′t为t时刻的时序权重系数，sindicator为t时刻实时定位分析向量，sindicator为n×1的列向量；

39、2.4将各漏损定位指标评分求和得到候选场景评分向量cindicator，

40、

41、其中是第i个漏损定位指标的定位分析评分向量，sumin是选择的漏损定位指标总数。

42、进一步的，所述步骤3为：

43、将候选场景评分向量csumscore中高于评分阈值λ的元素对应的模拟漏损场景选择为候选漏损场景，评分阈值λ的设定规则是将评分向量中元素从大到小排序后，大于该阈值的元素数量与总元素n的比值等于k。候选场景总数量nc＝n*k。每个候选场景包含漏损位置和漏损强度两个特征参数，上述策略允许具有相同位置不同漏损强度的场景同时被选为候选场景，统计不同漏损位置，构建候选节点集合{nc}。

44、进一步的，所述步骤4为：

45、量化漏损候选区域内候选节点的检测优先级应对节点累计频率；节点累计得分两个特征参数进行分析：

46、4.1节点累积频率：候选节点集合为{nc}，计算隶属于{nc}的节点ni(ni∈{nj})在候选场景中重复出现的次数nni占候选场景总数nc的比率pi，

47、pi＝nni/nc

48、4.2节点累计得分：候选节点集合{nc}内的所有节点对应共nc个候选漏损场景，候选节点ni对应nni个具有相同漏损位置不同漏损强度的候选场景，基于候选场景评分向量csumscore，将节点ni对应的候选场景评分重构成节点ni的候选场景评分向量计算节点ni的总得分

49、

50、其中是一个nni行列向量，表示列向量的第k行元素。

51、4.3节点累积得分越高，候选场景与真实漏损场景的相似度越高。节点累积频率pi越高，由实际漏损引起的压力波动模式就越有可能与该节点匹配。结合两个特征参数值，给出候选节点的检测优先级，为工作人员快速找到漏损提供指导。

52、本发明实现上述技术方案，有如下技术效果或优点：

53、量化候选漏损节点检测优先级的漏点分析方法对提高漏损定位系统的综合性能具有重要意义。物联网技术的发展为基于模型与数据的漏损定位技术提供了更多有用的离线或在线信息，供水管网漏损定位面临数据污染问题，大中型城市尤为突出。随着物联网技术快速进步导致的数据上传频率提升，能够快速获得某处漏损发生后一段时间的传感器数据，某一监测点这段时间内的压力数据是时间自相关的，不同监测点的压力数据通常是空间相关的，多个监测点数据的时空相关性可以显著降低数据污染影响。无论漏损强度如何，在某个节点处漏损引发的压力波动的模式都是相似的，节点特征参数分析能够评价候选节点与实际漏点间压力波动模式的匹配程度。

54、本发明结合数据时空相关性分析与节点特征参数分析，量化候选节点为真实漏损节点的可能性，给出候选节点的检测顺序，有效提高了检测到漏损的时间效率。可实现减少优质水资源的浪费，提高水资源利用效率、缓解城镇用水紧张。

55、本发明面向基于数据时空信息分析的供水管网漏损区域定位方法结果，但不仅局限于应用在漏损区域定位后，也能对未经区域定位的供水管网进行漏点分析，两者联用的效果更好。