基于时间序列形状分析的供水管网泄漏事件诊断方法技术

本公开提出一种基于时间序列形状分析的供水管网泄漏事件诊断方法，包括以下步骤：S1，利用供水管网监测数据构建时间序列，并确定时间序列的前向偏移量和后向偏移量；S2，利用所述监测数据，基于前向偏移量和后向偏移量构建历史子序列库；S3，利用历史子序列间的余弦夹角距离对历史子序列进行形状分析，删除历史子序列库中的形状异常子序列，构建参考子序列库；S4，构建新子序列，并将所述参考子序列库与新子序列在形状上进行比对，根据比对结果诊断泄漏事件。本公开基于时间序列形状分析的供水管网泄漏事件诊断方法，实现对供水管网中泄漏事件的准确判断。

Leakage event diagnosis method of water supply network based on time series shape analysis

This disclosure proposes a water supply network leakage event diagnosis method based on time series shape analysis, including the following steps: S1, using water supply network monitoring data to construct time series, and determine the forward and backward offsets of time series; S2, using the monitoring data, based on forward and backward offsets to construct a history subsequence database, S3, using history subsequence; The cosine angle distance between sequences is used to analyze the shape of the historical subsequences, delete the abnormal shape subsequences in the history subsequence library, and construct the reference subsequence library; S4, construct a new subsequence, and compare the shape of the reference subsequence library with the new subsequence, and diagnose the leakage events according to the alignment results. The present disclosure discloses a water supply network leakage event diagnosis method based on time series shape analysis, which realizes the accurate judgment of the leakage event in the water supply network.

【技术实现步骤摘要】
基于时间序列形状分析的供水管网泄漏事件诊断方法
本公开属于城市供水管网领域与数据分析领域，具体涉及一种对供水管网泄漏事件的诊断方法，尤其涉及一种基于时间序列形状分析的供水管网泄漏事件诊断方法。
技术介绍
2016年，我国城镇供水管网漏损率约为18％，与《水污染防治行动计划》(“水十条”)要求的到2020年公共供水管网漏损率不超过10％的目标相比，仍有较大差距。供水管网的生命周期很长，服役期可达50年甚至100年。据统计，我国现有供水管网约50万km，这些管网将逐步进入高领服役期。预计到2030年，约55％的供水管网的管龄将超过30年，这将导致供水管网的泄漏更易发生，为供水管网的漏损控制造成极大障碍。大量工程经验表明，DMA(DistrictMeteringArea，独立计量分区)是控制漏损的有效手段。为更加有效地控制漏损，我国于2017年颁布了《城镇供水管网分区计量管理工作指南》，明确提出加快DMA地建设，加强对小区服务管线的漏损控制。快速发现泄漏点是有效减少管线泄漏水量的关键，同时也是降低供水管网漏损率的重要一环。由于材质、地面负荷、施工质量等因素影响，管线泄漏点在空间上分布不均匀。基于分布式光纤传感器的探漏技术(例如CN206504114U，CN106764460A)虽具有定位精度较高的特点，但应用于DMA中DN200以下小口径管线时，在经济性和工程适用性等方面不尽人意。以捕捉声学特征为主的技术(例如CN205919127U)，则存在时效性差的问题。此外，上述技术均需要专业的硬件设备，设备成本与管网改造费用高昂，不利于该种方法的大规模推广。管线泄漏会导致水量瞬增和压力突降，从理论上讲，可利用流量和压力监测设备读数的变化，判断是否存在泄漏。随着DMA的建设以及在线监测技术的广泛应用，供水管网逐渐积累了海量数据，如何通过数据挖掘，实现对泄漏的实时诊断，已成为供水管网领域的一大热点问题。在石油输配管道中，已经有基于人工神经网络的分类模型(例如CN106352244A)能够有效诊断管线是否发生泄漏。然而，分类模型的训练需要带有标签的数据(正常和泄漏两类)，属于有监督的学习方法。供水管网中的泄漏数据较少，而且由于管理等问题，自来水公司并未对所有泄漏事件进行记录，这都为分类模型的建立造成了障碍。因此，无需数据标签的非监督学习方法亟待开发。
技术实现思路
(一)要解决的技术问题本公开提供了一种基于时间序列形状分析的供水管网泄漏事件诊断方法，以至少部分解决以上所存在的技术问题。(二)技术方案根据本公开的一个方面，提供了一种基于时间序列形状分析的供水管网泄漏事件诊断方法，包括以下步骤：S1，利用供水管网监测数据构建时间序列，并确定时间序列的前向偏移量和后向偏移量；S2，利用所述监测数据，基于前向偏移量和后向偏移量构建历史子序列库；S3，利用历史子序列间的余弦夹角距离对历史子序列进行形状分析，删除历史子序列库中的形状异常子序列，构建参考子序列库；S4，构建新子序列，并将所述参考子序列库与新子序列在形状上进行比对，根据比对结果诊断泄漏事件。在一些实施例中，在步骤S1中，利用供水管网监测数据构建时间序列，计算供水管网DMA中监测数据所构成的时间序列间的相关系数，确定序列的前向偏移量nb和后向偏移量nf。在一些实施例中，所述步骤S1包括以下子步骤：S11，按日切分m天的流量或压力监测数据，构建m个时间序列，记每天的时间序列为Ti，i＝1，2，...，m；S12，对Ti进行前、后向偏移，获得前、后向偏移的时间序列和S13，计算Ti与前、后向偏移的时间序列间的相关系数，获取前、后向偏移相关系数矩阵B和F；S14，计算后向偏移相关系数矩阵F和前向偏移相关系数矩阵B每一列的均值，并计数均值中大于一预设值的个数，由此确定前向偏移量nb和后向偏移量nf。在一些实施例中，在子步骤S11中，若数据采集间隔为gmin，则时间序列Ti包含个数据；在子步骤S12中，所述后向偏移的时间序列是指时间序列Ti向后滑动f个数据，即含有第(i+1)天的f个数据，同时删除第i天的f个数据，所述前向偏移是指时间序列Ti向前滑动b个数据，即含有第(i-1)天的b个数据，同时删除第i天的b个数据；在子步骤S13中，所述时间序列间后向偏移相关系数前向偏移相关系数的计算公式为：其中，j＝1，2，...，m-1，cov表示时间序列间的协方差，σ表示时间序列中个数据的方差；在子步骤S14中，计算后向偏移相关系数矩阵F与前向偏移相关系数矩阵B每一列的均值，分别获得后向偏移相关系数均值向量sf与前向偏移相关系数均值向量sb，分别计数sf和sb中大于0.9的前nf和nb个元素，并将nf和nb作为最终的后向偏移量和前向偏移量。在一些实施例中，所述步骤S2包括以下子步骤：S21，设定子序列长度l，利用m天的流量或压力监测数据，提取时刻t及其前nb+l-1个时刻和后nf个时刻的数据，构成第i天的时间序列片段，记为S22，将时间序列片段切分为长度为l的历史子序列，构建历史子序列库Ht。在一些实施例中，在子步骤S21中，设定子序列长度l，在每个时刻t，提取一天中t时刻及其前(nb+l-1)个时刻和后nf个时刻的数据，每一天相应的数据所构成的时间序列片段记为对于每天的前(nb+l-1)个时刻，仅提取后(m-1)天中相应的时间序列片段，即i＝2，3，...，m；对于每天的后nf个时刻，仅提取前(m-1)天中相应的时间序列片段，即i＝1，2，...，m-1，对于其他时刻，i＝1，2，...，m；l的取值范围为(nf+nb+1)到2(nf+nb)间的整数；在子步骤S22中，设置长度为l的滑动窗口，则每个时间序列片段可构成(nf+nb+1)个长度为l的子序列，使用时刻t所有时间序列片段构成的子序列构建时刻t的历史子序列库Ht；对于前(nb+l-1)个时刻和后nf个时刻，相应的历史子序列库Ht为(m-1)(nf+nb+1)行l列的矩阵，其他时刻的历史子序列库Ht则为m(nf+nb+1)行l列的矩阵。在一些实施例中，所述步骤S3包括以下子步骤：S31，计算历史子序列库Ht中子序列间的余弦夹角距离，利用余弦夹角距离对历史子序列进行形状分析，获得距离矩阵Dt；S32，删除距离矩阵Dt中的特定元素，逐行计算Dt中的最小值，构建最小距离向量dt；S33，依据最小距离向量dt构建位置向量pt和天数向量p′t；S34，设定初始化参数q，寻找p′t中前个不重复的元素，每个元素记为S35，删除Ht中序列片段所对应的形状异常子序列，构建参考子序列库Rt。在一些实施例中，在子步骤S31中，计算时刻t的历史子序列库Ht中子序列间的余弦夹角距离di，j，其计算公式为：式中，和分别表示时刻t历史子序列库中子序列和的模，其中j的取值与i相同，最终获得距离矩阵Dt，该矩阵为对称阵，行数和列数均等于Ht的行数，每一行或列表示第i个子序列与自身以及Ht中其他子序列间的余弦夹角距离；在子步骤S32中，删除距离矩阵Dt中第i行的第到第个元素，同时计算剩余元素的最小值；对Dt的每行逐行进行上述元素删除和剩余元素的最小值计算操作，并用所得到的最小距离构建最小距离向量dt；在子步骤S33中，对最小距离向量dt进行降序排列，顺次记录排本文档来自技高网...

【技术保护点】
1.一种基于时间序列形状分析的供水管网泄漏事件诊断方法，包括以下步骤：S1，利用供水管网监测数据构建时间序列，并确定时间序列的前向偏移量和后向偏移量；S2，利用所述监测数据，基于前向偏移量和后向偏移量构建历史子序列库；S3，利用历史子序列间的余弦夹角距离对历史子序列进行形状分析，删除历史子序列库中的形状异常子序列，构建参考子序列库；S4，构建新子序列，并将所述参考子序列库与新子序列在形状上进行比对，根据比对结果诊断泄漏事件。

【技术特征摘要】
1.一种基于时间序列形状分析的供水管网泄漏事件诊断方法，包括以下步骤：S1，利用供水管网监测数据构建时间序列，并确定时间序列的前向偏移量和后向偏移量；S2，利用所述监测数据，基于前向偏移量和后向偏移量构建历史子序列库；S3，利用历史子序列间的余弦夹角距离对历史子序列进行形状分析，删除历史子序列库中的形状异常子序列，构建参考子序列库；S4，构建新子序列，并将所述参考子序列库与新子序列在形状上进行比对，根据比对结果诊断泄漏事件。2.根据权利要求1所述的方法，其中，在步骤S1中，利用供水管网监测数据构建时间序列，计算供水管网DMA中监测数据所构成的时间序列间的相关系数，确定序列的前向偏移量nb和后向偏移量nf。3.根据权利要求1所述的方法，其中，所述步骤S1包括以下子步骤：S11，按日切分m天的流量或压力监测数据，构建m个时间序列，记每天的时间序列为Ti，i＝1，2，...，m；S12，对Ti进行前、后向偏移，获得前、后向偏移的时间序列和S13，计算Ti与前、后向偏移的时间序列间的相关系数，获取前、后向偏移相关系数矩阵B和F；S14，计算后向偏移相关系数矩阵F和前向偏移相关系数矩阵B每一列的均值，并计数均值中大于一预设值的个数，由此确定前向偏移量nb和后向偏移量nf。4.根据权利要求3所述的方法，其中，在子步骤S11中，若数据采集间隔为gmin，则时间序列Ti包含个数据；在子步骤S12中，所述后向偏移的时间序列是指时间序列Ti向后滑动f个数据，即含有第(i+1)天的f个数据，同时删除第i天的f个数据，所述前向偏移是指时间序列Ti向前滑动b个数据，即含有第(i-1)天的b个数据，同时删除第i天的b个数据；在子步骤S13中，所述时间序列间后向偏移相关系数前向偏移相关系数的计算公式为：其中，j＝1，2，...，m-1，cov表示时间序列间的协方差，σ表示时间序列中个数据的方差；在子步骤S14中，计算后向偏移相关系数矩阵F与前向偏移相关系数矩阵B每一列的均值，分别获得后向偏移相关系数均值向量sf与前向偏移相关系数均值向量sb，分别计数sf和sb中大于0.9的前nf和nb个元素，并将nf和nb作为最终的后向偏移量和前向偏移量。5.根据权利要求4所述的方法，其中，所述步骤S2包括以下子步骤：S21，设定子序列长度l，利用m天的流量或压力监测数据，提取时刻t及其前nb+l-1个时刻和后nf个时刻的数据，构成第i天的时间序列片段，记为S22，将时间序列片段切分为长度为l的历史子序列，构建历史子序列库Ht。6.根据权利要求5所述的方法，其中，在子步骤S21中，设定子序列长度l，在每个时刻t，提取一天中t时刻及其前(nb+l-1)个时刻和后nf个时刻的数据，每一天相应的数据所构成的时间序列片段记为对于每天的前(nb+l-1)个时刻，仅提取后(m-1)天中相应的时间序列片段，即i＝2，3，...，m；对于每天的后nf个时刻，仅提取前(m-1)天中相应的时间序列片段，即f＝1，2，...，m-1，对于其他时刻，i＝1，2，...，m；l的取值范围为(nf+nb+1)到2(nf+nb)间的整数；在子步骤S22中，设置长度为l的滑动窗口，则每个时间序列片段可构成(nf+n...

【专利技术属性】
技术研发人员：刘书明，吴以朋，吴雪，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11