[发明专利]基于时间序列监测数据分析的供水管网漏损报警阈值选取方法

权利要求书

1.基于时间序列监测数据分析的供水管网漏损报警阈值选取方法，其特征在于包括如下步骤：

(1)根据节点需水量的预测值，构建未漏损压力矩阵和模拟漏损场景压力矩阵，获得漏损压力残差矩阵和未漏损压力残差矩阵；

所述步骤(1)具体如下：

(1.1)获得压力预测向量：

建立节点需水量预测模型，实时预测未来nt+1个时段的节点需水量；将t时刻节点需水量的预测值作为管网模型输入，计算管网压力传感器位置的压力值，得到t时刻压力预测向量

其中为t时刻第i个传感器的压力预测数据，n_s为压力传感器数量；

(1.2)获得未漏损压力矩阵：

对t时刻预测的节点需水量添加第一随机扰动，得到t时刻的节点模拟需水量，计算在节点模拟需水量下的压力传感器位置的模拟压力值；对模拟压力值添加第二随机扰动，模拟t时刻未漏损压力向量采用蒙特卡洛法抽样m次生成m组未漏损压力向量，得到t时刻未漏损压力矩阵

其中，为第j次蒙特卡洛抽样模拟的未漏损压力向量，为t时刻第j次蒙特卡洛抽样中第i个压力传感器数据；

(1.3)构建模拟漏损场景压力矩阵：

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所有节点，计算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

其中，为第k个漏损场景下的压力传感器位置的压力向量，为t时刻第k个漏损场景下，第i个压力传感器监测数据模拟值；

(1.4)将t时刻未漏损压力矩阵的每个列向量依次与t时刻压力预测向量相减，获取t时刻未漏损压力残差矩阵

其中为第j次蒙特卡洛抽样中的未漏损压力残差矩阵，为n_s×m的矩阵；

(1.5)将t时刻模拟漏损场景压力矩阵的每个列向量依次与t时刻压力预测向量相减，获取t时刻漏损压力残差矩阵

其中为第k个漏损场景下的漏损压力残差矩阵，为n_s×n的矩阵；

(2)将未漏损压力残差矩阵与对应时刻的漏损压力残差矩阵做相关性分析，构建空间相关性矩阵，获取空间最大相关性向量；

(3)重复步骤(1～2)，获取nt+1个时刻的空间最大相关性向量，构建时空最大相关性矩阵；

(4)获取时空最大相关性矩阵中各个列向量的累积概率分布图，选取阈值。

2.如权利要求1所述的基于时间序列监测数据分析的供水管网漏损报警阈值选取方法，其特征在于步骤(1.2)所述第一随机扰动的误差遵循标准正态分布N(0，σ)，第二随机扰动的误差遵循标准正态分布N(0，0.2)，

σ＝pμ/3.27

p＝10％

其中σ是t时刻某一节点添加扰动的标准偏差，p是扰动比，μ是t时刻某一节点需水量的预测值。

3.如权利要求1所述的基于时间序列监测数据分析的供水管网漏损报警阈值选取方法，其特征在于所述步骤(2)具体如下：

(2.1)构建空间相关性矩阵：

将t时刻未漏损压力残差矩阵的每个列向量与t时刻漏损压力残差矩阵中的每个列向量依次进行相关性分析，建立t时刻空间相关性矩阵C^t，

其中是和两个向量间的协方差；

(2.2)获取空间最大相关性向量：

对t时刻空间相关性矩阵C^t的每一列取最大值，得到t时刻空间最大相关性向量

其中为m×1列向量。

4.如权利要求1所述的基于时间序列监测数据分析的供水管网漏损报警阈值选取方法，其特征在于所述步骤(3)具体为：

重复步骤(1～2)，依次计算构建nt+1个时段的时空最大相关性矩阵C_max，

其中为第t+i时刻的空间最大相关性向量。

5.如权利要求1所述的基于时间序列监测数据分析的供水管网漏损报警阈值选取方法，其特征在于所述步骤(4)具体为：

(4.1)获取时空最大相关性矩阵C_max中t时刻列向量的累积概率分布图，给定阈值C_R，得到t时刻列向量中大于阈值C_R的样本作为虚警样本，建立t时刻虚警样本集合CI_t(CR)；

(4.2)重复步骤(4.1)，依次计算时空最大相关性矩阵C_max中各个时刻的虚警样本集合CI_t+1(C_R),…CI_t+i(C_R),…CI_t+nt(C_R)，对所述各个时刻的虚警样本集合取交集，得到总体虚警样本集合CI，

CI＝CI_t∩...CI_t+i∩...CI_t+nt

其中CI_t+i为第t+i时刻的虚警样本集合；

(4.3)统计总体虚警样本集合CI中的虚警样本个数N，计算虚警率RF，

RF＝N/m

(4.4)调整阈值C_R，使得虚警率RF小于等于设定值。