[发明专利]基于动态神经网络预测的城市供水管网爆管检测方法

权利要求书

1.一种基于动态神经网络预测的城市供水管网爆管检测方法，其特征在于，包括以下步骤：

S1. 利用城市供水节点的W时长的正常历史流量数据作为原始时间序列；

S2. 对原始时间序列进行分析得到预处理后的时间序列：若S1中的原始时间序列存在缺失值，则利用极大似然估计法进行填补，若不存在缺失值则保留原始时间序列；

S3. 小波分析：利用小波分析对预处理后的时间序列进行去噪，得到去噪后的流量数据；

S4. 模型建立：利用NAR动态神经网络对去噪后的流量数据进行训练，得到预测的平均绝对相对偏差，根据预测的平均绝对相对偏差，建立爆管识别模型；

S5. W时长的流量时间窗随时间向后滑动，对流量数据进行更新，加入一定时长的新时刻的流量数据，去除相应时长的旧时刻的流量数据：

利用NAR动态神经网络对去噪后的流量数据的下一个时刻T₁流量进行预测，得到T₁预测值；实测下一个时刻T₁流量得到T₁实测值，计算T₁实测值与T₁预测值之间的相对误差，若相对误差超过允许的误差范围，则判断T₁实测值为异常流量，并用T₁预测值替换T₁实测值，若相对误差没有超过允许的误差范围，则用T₁实测值对去噪后的流量数据进行更新；

S6. W时长的流量时间窗继续随时间向后滑动，重复S5步骤；直到流量异常的累计概率超过设定的阈值，则判断已发生爆管事件，流量异常的累计概率计算如下：

首先定义一个B时长的爆管识别时间窗，当任一实测值被判定为流量异常时，计算该时刻开始后的B时长的流量异常的累计概率，若任一时刻的实测值被判定为流量异常，给该时刻的事件标记为1，否则为0，对爆管识别时间窗内的流量数据进行序列分析，将单点的异常转换为二进制的异常序列进行分析，流量异常的累计概率的计算公式如下：

异常概率 = a*异常比例+（1-a）*异常连续性，

公式中的a值通过整定过程得以确定，经验取值0.75，若在时间窗B内，异常概率超过预先设定的阈值，则判定为发生爆管事件，异常概率的计算包括两个部分：异常点在B时长的数据序列中所占的比例以及异常点的连续性，异常比例表示在数据序列中异常点占总点数的比例，异常连续性表示数据序列中最长的连续异常点长度占数据序列总长度的比例。

2.根据权利要求1所述的方法，其特征在于，所述的S3步骤中，利用小波分析对时间序列进行去噪，具体如下：使用Daubechies小波函数对预处理后的时间序列进行多重小波分解得到数据信号的高频系数和低频系数，分解后对低频系数进行逆离散小波变换，重构出时间序列，重构后的信号即为去噪后的信号。

3.根据权利要求1所述的方法，其特征在于，所述的S5步骤中，利用NAR动态神经网络对流量时间序列进行T₁时刻流量的预测；神经网络的输入为前W时长的流量时间序列，输出为W时长的流量时间序列的下一个时刻点的流量。

4.根据权利要求1所述的方法，其特征在于，所述的S6中，利用序列分析，将单点的异常转换为二进制的异常序列进行分析，爆管识别时间窗的设置方法如下：根据动态神经网络建立的预测模型，可实时判断流量是否异常并能估计流量的偏差值，根据偏差值的大小动态调整时间窗的长度，若偏差较大，则爆管识别时间窗长度可适当缩短，若偏差较大，则适当增长，长度变化范围在1—4小时，异常概率的阈值设置在0.6—0.85区间内，超过设定的阈值则判定可能发生爆管事件。