【技术实现步骤摘要】
本专利技术涉及异常识别领域，具体涉及一种基于压力传感器采集频率的压力异常识别方法。
技术介绍
1、现状国内管网压力采集频率一般为5～15min/次，压力采集频率不一致。管网压力采集频率存在3方面问题，一是不同品牌压力计最高采集频率不同，统一采集频率不现实；二是一根管线不同区域或不同季节压力计采集频率不同，贸然统一频率会增加投入成本，造成治理投入成本高于降损效益；三是不同采集频率的最佳算法模型不同。因此，当前管网压力数据采集在一定程度上实现数字化，但由于采集频率不一致问题，缺乏合适的算法模型深挖数据价值，导致数据堆积，未发挥出基于数字的智能化管理功能。因此，需要充分考虑压力的采集频率和压力监测点众多等问题，将管网压力数据的日波动、季节性与采集频率结合更好的提升模型的精度和泛化能力。
2、现有技术中提出基于数据驱动的压力异常识别单一模型一般以关联压力计数据、流量数据、管道长度等与供水管网相关数据为特征量作为输入值，带入到支持向量机(svm)、随机森林(rf)、bp(反向传播网络)、长时间序列模型(informer)等大数据算法模型中，模拟供水管网压力，对比分析模拟值与压力值，识别管网压力异常事件。但单一模型不能同时兼顾多种影响因子规律，如时间特性、细节特征、趋势特征、模型对长期依赖的捕捉能力等，降低识别压力异常事件的准确率。基于数据驱动的压力异常识别单一模型只能详细考虑其中某个或相对重要的几个影响因子的变化规律，不能很好的同时捕捉多种影响因子的变化规律，在实际应用中识别压力异常事件的准确率较低。
3、基于数据
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供了一种基于压力传感器采集频率的压力异常识别方法。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：
3、一种基于压力传感器采集频率的压力异常识别方法，包括如下步骤：
4、s1、根据供水管网压力数据的影响因素选取异常识别单一网络模型；
5、s2、根据当前供水管网压力传感器的采集频率，选取多种采集频率数据为输入并划分对应频率的训练集和测试集；
6、s3、将不同的频率下的训练集分别输入不同的网络模型进行单一模型构建，并对所构建的单一模型进行模型参数调试，根据所得到的模型参数调试结果得到最佳单一模型；
7、s4、根据不同采集频率中最佳单一模型的频次占比设置权重，采用加权模型将不同的最佳单一模型进行组合，利用组合模型对供水管网压力进行模拟；
8、s5、根据供水管网压力实测值与s4中模拟得到的模拟值之间的残差关系设置动态阈值，对压力异常事件进行识别，当连续两次超过或者低于所设定的动态阈值时则发声报警。
9、进一步的，所述s3中单一模型构建包括cnn模型构建、lstm模型构建以及informer模型构建。
10、进一步的，所述cnn模型构建具体方式为：
11、将不同采集频率的压力数据分别到cnn模型的卷积层，通过卷积核对目标特征进行卷积计算，结合非线性激活函数输出压力数据重要的特征向量，并输入到池化层，采用最大池化法将卷积层提取出的特征向量进行压缩，通过全连接层将提取的压力数据局部特征进行展平，并全面综合拼接，得出压力数据模拟值，其中，卷积层表示为：
12、y＝σ(wx+b)
13、式中，y为卷积层提取出的供水管网压力数据重要特征向量，x为供水管网压力数据的时间序列向量，w为卷积核的权重，b为卷积核的偏置，σ为激活函数；
14、池化层表示为：
15、pl＝maxyl
16、式中，pl表示第l层池化输出的压力数据局部特征值，yl第l层卷积层输出的压力数据局部特征值。
17、进一步的，所述informer模型构建包括如下方式：
18、将不同采集频率的压力数据作为输入数据分别输入至informer模型的解码器，按照特征映射维度将数据切割为多个切片，对每个切片进行概率稀疏自注意力和整流机制计算后，再线性合并输出并传入解码器，通过概率稀疏自注意力计算已知部分并于编码器传入部分进行稀疏概率自注意力预测被0替代的部分，经全连接后输出供水管网压力模拟结果，其中：
19、编码器表示为：
20、
21、
22、式中,k,v分别表示稀疏性的活跃询问向量、键向量和值向量，d为特征映射维度，a为自注意力机制的权重。ab为注意力机制，为当前时刻编码器的输入，maxpool为最大池化，elu为激活函数，表示下一时刻编码器的输入；
23、解码器表示为：
24、
25、式中,为解码器的输入部分，为已知部分，ltoken为已知部分的长度，为预测部分，用0代替，d为特征映射维度。
26、进一步的，所述s3中单一模型进行模型参数调试的具体方式为：
27、通过均方根误差rmse、相关系数r、拟合优度r2、平均绝对误差mae、平均绝对百分比误差mape指标判断模型精度，具体表示为：
28、
29、
30、
31、
32、其中，为供水管网压力模拟值，yi为供水管网压力真实值。
33、进一步的，所述s3中根据所得到的模型参数调试结果得到最佳单一模型的具体方式为：
34、根据均方根误差rmse、相关系数r、拟合优度r2、平均绝对误差mae、平均绝对百分比误差mape指标判断模型是否满足结束循环条件，若不满足则结束循环判断条件并缩小参数搜索范围，缩短参数的搜索步长，再次进行精确搜索，基于更新后的模型参数重新计算供水管网压力模拟值；若满足结束循环条件，则输出最终的最小夜间流量模拟值。
35、进一步的，所述s4中加权模型的公式表示为：
36、y＝w1y1+w2y2+w3y3+…+wnyn
37、式中，yn表征cnn、lstm、informer三种模型的模拟值本文档来自技高网...
【技术保护点】
1.一种基于压力传感器采集频率的压力异常识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于压力传感器采集频率的压力异常识别方法，其特征在于，所述S3中单一模型构建包括CNN模型构建、LSTM模型构建以及Informer模型构建。
3.根据权利要求2所述的基于压力传感器采集频率的压力异常识别方法，其特征在于，所述CNN模型构建具体方式为：
4.根据权利要求2所述的基于压力传感器采集频率的压力异常识别方法，其特征在于，所述Informer模型构建包括如下方式：
5.根据权利要求2所述的基于压力传感器采集频率的压力异常识别方法，其特征在于，所述S3中单一模型进行模型参数调试的具体方式为：
6.根据权利要求5所述的基于压力传感器采集频率的压力异常识别方法，其特征在于，所述S3中根据所得到的模型参数调试结果得到最佳单一模型的具体方式为：
7.根据权利要求2所述的基于压力传感器采集频率的压力异常识别方法，其特征在于，所述S4中加权模型的公式表示为：
8.根据权利要求2所述的基于压力传感器采集频
...【技术特征摘要】
1.一种基于压力传感器采集频率的压力异常识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于压力传感器采集频率的压力异常识别方法，其特征在于，所述s3中单一模型构建包括cnn模型构建、lstm模型构建以及informer模型构建。
3.根据权利要求2所述的基于压力传感器采集频率的压力异常识别方法，其特征在于，所述cnn模型构建具体方式为：
4.根据权利要求2所述的基于压力传感器采集频率的压力异常识别方法，其特征在于，所述informer模型构建包括如下方式：
5....
【专利技术属性】
技术研发人员：贾玲，张立影，杜军凯，仇亚琴，游进军，牛存稳，郝春沣，曹引，林鹏飞，姚懿真，
申请(专利权)人：中国水利水电科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。