[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

说明书

本发明公开了一种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。本发明利用来自多个压力传感器的时间序列数据之间相关性，实时更新报警阈值，在实时监测指标超过报警阈值之后进行漏损报警。本发明包括如下步骤：(1)建立漏损压力残差矩阵和未漏损压力残差矩阵；(2)构建时空最大相关性矩阵；(3)获取最大相关系数的累积概率分布，选取阈值。该方法在给定虚警率(误报率)的情况下，能够最小化报警阈值，进而提高实时漏损识别率，对提高漏损报警系统的综合性能具有重要意义。

技术领域

本发明属于城市供水管网类，具体涉及一种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。

背景技术

水资源短缺是一个全球性问题，为了更好的利用水资源，降低用水成本，优化管网系统运行状态，必须加强管网系统的科学化管理，其中一个重要方面就是通过监测管网运行状态，及时监测漏损并报警。供水管网漏损的实时预警与定位依赖于供水管网中安装的一定数量的压力传感器。SCADA系统传输压力传感器的实时数据，通过数值与统计分析等手段，获取漏损相关指标。当指标大于阈值时，认为发生漏损，然后进行报警。因此阈值的选取对于漏损预警至关重要。

传统的漏损预警方法主要对单个监测点，单时刻数据进行分析。而事实上，监测点的时间序列数据存在着强烈的时间和空间相关性。漏损或爆管发生后，多个监测点会同时发生响应，产生同步的压力变化，表现出空间的相关性；同时这种变化往往会持续一段时间，在时间上存在着自相关性。因此，将监测数据的时空相关性进行耦合，是提高漏损预警效率的有效手段。

本研究充分利用来自多个压力传感器的数据之间空间相关性，以及监测序列自身的时间变化相关性，提出的多时间序列分析的阈值选取方法。通过时间序列的相关性系数C_k来表征了无漏损场景与模拟漏损场景之间的相似性。C_k越大，两种场景相似性越高，当C_k超过设定的阈值C_R，就会被判别为漏损。因此，C_R越小，漏损识别率DP越高。然而，较小的C_R会引起误判比例的升高。在不存在漏损的情况下，压力时间序列依然会与漏损特征时间序列存在一定的相关性，当阈值低于该相关性时，会产生误报，带来较高的虚警率RF(误报率)。因此，C_R过小会造成虚警率过高的问题。因此阈值C_K的选择，是在识别率和虚警率之间的折中。

鉴于此，本发明针对漏损监测的需要，提出一种基于时间序列监测数据分析方法，该方法在给定虚警率RF的情况下，能够最小化阈值C_K，进而提高漏损识别率DP。

发明内容

本发明旨在提出一种适用于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。为实现以上目的，本发明采取以下步骤：

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；

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。

进一步的，所述步骤1具体为：

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；