CN117287646A - 一种基于人工智能模型的管网数据分析和处理方法和系统 - Google Patents
一种基于人工智能模型的管网数据分析和处理方法和系统 Download PDFInfo
- Publication number
- CN117287646A CN117287646A CN202311320239.2A CN202311320239A CN117287646A CN 117287646 A CN117287646 A CN 117287646A CN 202311320239 A CN202311320239 A CN 202311320239A CN 117287646 A CN117287646 A CN 117287646A
- Authority
- CN
- China
- Prior art keywords
- pipe network
- monitoring
- input vector
- model
- analysis result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 238000007405 data analysis Methods 0.000 title claims abstract description 21
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 161
- 238000004458 analytical method Methods 0.000 claims abstract description 122
- 238000012544 monitoring process Methods 0.000 claims abstract description 122
- 238000004088 simulation Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 238000011835 investigation Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012806 monitoring device Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 19
- 230000000295 complement effect Effects 0.000 claims description 18
- 230000000153 supplemental effect Effects 0.000 claims description 15
- 238000010223 real-time analysis Methods 0.000 claims description 12
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 239000003345 natural gas Substances 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Acoustics & Sound (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于人工智能模型的管网数据分析和处理方法和系统，所述方法包括：构建基于人工智能模型的监测分析模型；训练以及增强训练所述监测分析模型；基于监测分析模型的预测准确率，直接基于人工智能模型进行分析以得到分析结果向量，或者基于人工智能模型和既有仿真模型进行分析以得到辅助分析结果；基于辅助分析结果进行预警，并在发生异常时根据辅助分析结果进行异常排查；本发明能够在新管网结构的可用分析手段有限时为实时监测提供量化有效的辅助，为异常排查提供方向和排查范围。
Description
【技术领域】
本发明属于智能监测技术领域，尤其涉及一种基于人工智能模型的管网数据分析和处理方法和系统。
【背景技术】
信息化和数字化时代是当今时代发展的大趋势，社会形态正由工业社会逐渐发展到信息社会。社会的工业生产和日常生活已借助信息化技术和数字化技术朝着智能、安全且高效的的方向进步。通过运用数字信息来服务于社会的各行各业能够有效释放人力成本并优化生产力。智慧城市是近几年国家发展的重点，通过传感器、通信、云计算和大数据技术相结合，智慧城市通过新一代信息化技术，提升城市管理者对城市方方面面信息的感知能力、信息的分析和处理能力，从而进一步提供有针对性的新服务和新模式。其中：人工智能技术已经管网的运用在各个领域；
随着城市建设的快速发展，城市供水管网、燃气管网等系统逐渐庞大，也越来越复杂，泄露等异常事件时有发生，严重影响了人们的日常生活，给人身安全和社会财产带来很大威胁，因此有效的分析和处理管网数据尤为重要。现在普遍采用的方式是，设置监测装置监测管网结构的各个位置，并获取实时的监测数据用于进行人工或者基于仿真的数据监控；正确和有效的分析管网数据能够缩短异常发现和处理的时间，及时控制影响范围。但是由于管网结构之间往往具有较大的差异，而现有的人工智能模型往往是基于固有的管网结构的，这就带来了一些新的问题，一个是训练样本数量不足导致的兼容性差的问题，另一个是准确度的问题；这些问题在实际运用过程中都是关键问题，是目前的研究热点；本发明充分的利用既有的基于仿真模型所能够获取的信息和可用的历史监测数据，利用人工智能技术，搭建兼容性强的人工智能模型用于进行管网数据分析和处理，能够在新管网结构的可用分析手段有限时为实时监测提供量化有效的辅助，在针对管网结构的可用手段不多的情况下，为异常排查提供方向和排查范围。
【发明内容】
为了解决现有技术中的上述问题，本发明提出了一种基于人工智能模型的管网数据分析和处理方法和系统，所述方法包含：
步骤S1：构建基于监测装置数量、监测装置位置和/或管网拓扑连接关系的监测分析模型；所述监测分析模型的输入是基于监测装置在管网中的位置和/或管网的拓扑连接关系而按照特定顺序排列的监测装置的监测数据所构成的输入向量；输出是分析结果向量；所述输入向量中的每个元素分别对应一个监测位置；
步骤S2：基于不同拓扑结构管网的历史数据构建第一样本数据，以训练所述监测分析模型；
步骤S3：基于既有仿真模型构建第二样本数据，以增强训练所述监测分析模型；
步骤S4：基于第三样本数据判断监测分析模型的预测准确率，当预测准确率大于准确率阈值时，针对新管网结构，获取新管网结构中既有监测装置的实时监测数据，基于所述实时监测数据构建实时输入向量，并将实时输入向量输入人工智能模型以得到分析结果向量，将所述分析结果向量作为辅助分析结果；否则，进入步骤S6；否则，进入下一步骤；所述第三样本数据是根据新管网结构进行现场试验所获取的数据；
步骤S5：获取新管网结构中既有监测装置的实时监测数据，基于所述实时监测数据构建实时输入向量，并将实时输入向量输入监测分析模型以得到实时分析结果向量；根据既有仿真模型得到补充输入向量，将补充输入向量输入既有仿真模型以得到仿真分析结果；将补充输入向量输入监测分析模型以得到补充分析结果向量；基于实时分析结果向量和补充分析结果向量构建辅助分析结果；
所述根据既有仿真模型得到补充输入向量；具体包括如下步骤：
步骤S5_A1：基于既有仿真模型构建待确定补充输入向量；基于既有仿真模型所针对拓扑结构的结构约束，构建符合所述既有仿真模型的监测数据逻辑的监测数据，基于特定顺序将监测数据写入输入向量中的各个元素位置以构成待确定补充输入向量；
步骤S5_A2：从待确定补充输入向量avak中选择和实时输入向量v＝<vn>差异度小于预设差异且差异分布平均的待确定补充输入向量作为补充输入向量avk；其中：ak是待确定补充输入向量的编号；k是补充输入向量的编号；n∈(1～N)是监测位置编号，N是监测位置个数；
所述步骤具体包括如下步骤：
步骤S5_A21：计算实时输入向量v的平均值
步骤S5_A22：获取一未处理待确定补充输入向量avak＝<avak，n>，计算其平均值若不存在未处理待确定补充输入向量，则结束；
步骤S5_A23：若满足平衡条件，则进入下一步骤，平衡条件指示实时输入向量和待确定补充输入向量元素的元素值的数值大小的平衡性；否则，返回步骤S5_A22；其中：a1是平衡系数；
所述平衡条件为如下公式(1)；
步骤S5_A24：若满足差异分布平均条件和差异方向一致性条件，则进入下一步骤，否则，返回步骤S5_A22；这两个条件分别指示两者之间的差异分布和差异一致性情况；所述差异分布平均条件为如下公式(2)；差异方向一致性条件为如下公式(3)，或(4)和(5)；其中：a2是差异分布调节系数；a3是差异分布一致系数；
步骤S5_A25：将所述待确定补充输入向量确定为补充输入向量；并返回步骤S5_A22；
步骤S6：基于辅助分析结果进行预警，并在发生异常时根据辅助分析结果进行异常排查。
进一步的，所述监测分析模型是人工智能模型，用于进行泄露定位。
进一步的，所述人工智能模型是泄露定位模型，其输出的分析结果向量指示预测的泄露定位结果。
进一步的，所述既有仿真模型为多个，每个仿真模型针对一个或者多个管网拓扑结构创建。
进一步的，所述仿真模型和既有仿真模型为SCADA仿真模型。
进一步的，分析结果向量指示泄露位置的二维坐标值。
进一步的，所述管网为天然气管网或水力管网。
一种基于人工智能模型的管网数据分析和处理平台，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现所述的基于人工智能模型的管网数据分析和处理方法。
一种计算机可读存储介质，包括程序，当其在计算机上运行时，使得计算机执行所述的基于人工智能模型的管网数据分析和处理方法。
一种基于人工智能模型的管网数据分析和处理系统，所述系统被配置为执行所述的基于人工智能模型的管网数据分析和处理方法。
本发明的有益效果包括：
(1)通过设置约定的特定顺序、管网结构无关的监测位置的二维表达方式、三层次的模型训练方式和辅助分析结果的补充调整方式，使得基于人工智能模型的监测分析模型能够在新管网结构的可用分析手段有限时为实时监测提供量化有效的辅助，为异常排查提供方向和排查范围；
(2)监测分析模型的输入向量构建方式不拘束于管网的拓扑结构和监测节点数量，具有很强的兼容性；通过平衡条件、差异分布平均条件和差异方向一致性条件的筛选确定补充输入向量，进而确定补充分析结果向量，为辅助分析结果向量得出提供了数据基础；进一步的，通过静态可信调节系数和动态可信调节系数有效的融合了大量的数据基础。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：
图1为本发明的基于人工智能模型的管网数据分析和处理方法示意图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
如附图1所示，本发明提出一种基于人工智能模型的管网数据分析和处理方法，所述方法包括如下步骤：
步骤S1：构建基于监测装置数量、监测装置位置和/或管网拓扑连接关系的监测分析模型；所述监测分析模型的输入是基于监测装置在管网中的位置和/或管网的拓扑连接关系而按照特定顺序排列的监测装置的监测数据所构成的输入向量；输出是分析结果向量；所述输入向量中的每个元素分别对应一个监测位置；基于特定顺序将监测位置的监测数据写入输入向量中的各个元素位置以构成输入向量；
优选的：所述监测分析模型是人工智能模型，用于进行泄露定位；
优选的：所述人工智能模型是泄露定位模型，其输出的分析结果向量指示预测的泄露定位结果；例如：分析结果向量是泄露位置的二维坐标值；
所述基于特定顺序将监测位置的监测数据写入输入向量中的各个元素位置以构成输入向量，具体为：设置第一个元素对应的监测位置为默认监测位置；设置第u+1个元素对应的监测位置和第u个元素对应的监测位置之间的管网实际距离最短和/或二维坐标值最接近；按照这样的顺序将监测位置的监测数据写入输入向量中对应的位置以构成输入向量；
更进一步的，所述基于特定顺序将监测位置的监测数据写入输入向量中的各个元素位置以构成输入向量，具体包括如下步骤：
步骤S1_A1：选择管网初始位置作为当前监测位置，将所述当前监测位置处监测装置的监测数据作为输入向量中的第一个元素；
优选的：所述初始位置是门站位置、历史平均压力值最小的位置；
步骤S1_A2：根据管网的拓扑连接关系获取和当前监测位置直接连通的其它监测位置；确定在当前监测位置为泄露位置时，每个其它监测位置处的监测数据和当前监测位置处的监测数据之间的变化关系；将变化关系最紧密的监测位置处监测装置的监测数据作为和当前元素相邻的下一监测位置，将其监测数据作为下一元素；此处，变化关系紧密表示当前位置处监测数据的变化对其影响最大、最直接；
优选的：通过仿真模型、历史监测数据、现场试验确定所述变化关系；
优选的：所述仿真模型为SCADA仿真模型；
步骤S1_A3：判断是否所有监测位置均排列完毕，如果是，则进入下一步骤，否则，将所述下一监测位置作为当前位置，并返回步骤S1_A2；
步骤S1_A4：将输入向量中未被排列元素的元素值设置为默认值；例如：悬空值、0等；这是因为考虑到输入向量的长度和实际的监测位置之间的数量是不对应的，从而能够兼容不同的拓扑连接关系及其监测实际情况；
步骤S2：基于不同拓扑结构管网的历史数据构建第一样本数据，以训练所述监测分析模型；具体为：获取基于不同拓扑结构管网的历史数据；基于特定顺序将监测位置的监测数据写入输入向量中的各个元素位置以构成第一样本的输入向量部分；构建的方法同步骤S1中的相关步骤；根据历史数据中实际的分析结果构建第一样本的分析结果向量部分；基于所述第一样本训练所述监测分析模型；例如：实际的泄露位置；当然通过历史数据构建的样本数据可以一部分用于训练，一部分用于验证；
步骤S3：基于既有仿真模型构建第二样本数据，以增强训练所述监测分析模型；具体为：基于既有仿真模型构建和当前拓扑结构中监测位置数量相同的拓扑结构的仿真数据；在仿真数据的基础上，基于特定顺序将监测位置的监测数据写入输入向量中的各个元素位置以构成第二样本的输入向量部分；基于仿真数据的仿真结果构建第二样本的分析结果向量部分；基于所述第二样本训练所述监测分析模型；
优选的：在基于仿真模型获取仿真数据前，对仿真模型中的管网拓扑结构进行调整，以使得其接近新管网结构；当然，这样的调整是尽可能，和一定范围内的调整；
步骤S4：基于第三样本数据判断监测分析模型的预测准确率，当预测准确率大于准确率阈值时，针对新管网结构，获取新管网结构中既有监测装置的实时监测数据，基于所述实时监测数据构建实时输入向量，并将实时输入向量输入人工智能模型以得到分析结果向量，将所述分析结果向量作为辅助分析结果；否则，进入步骤S6；否则，进入下一步骤；
所述基于所述实时监测数据构建实时输入向量，具体为：按照和步骤S1中相同的步骤，基于特定顺序将监测位置的监测数据写入输入向量中的各个元素位置以构成实时输入向量；
将通过历史数据构建的第一样本数据和基于既有仿真模型构建的第二样本数据中的一部分作为用于进行监测分析模型的训练，而另一部分称为第三样本用于进行监测分析模型的验证；
优选的：所述第三样本数据是根据新管网结构进行现场试验所获取的数据；
优选的：所述第三样本所属管网结构和所述新管网结构相似；
优选的：所述准确率阈值是预设值；例如：95％；
步骤S5：获取新管网结构中既有监测装置的实时监测数据，基于所述实时监测数据构建实时输入向量，并将实时输入向量输入监测分析模型以得到实时分析结果向量；根据既有仿真模型得到补充输入向量，将补充输入向量输入既有仿真模型以得到仿真分析结果；将补充输入向量输入监测分析模型以得到补充分析结果向量；基于实时分析结果向量和补充分析结果向量构建辅助分析结果；
所述根据既有仿真模型得到补充输入向量；具体包括如下步骤：
步骤S5_A1：基于既有仿真模型构建待确定补充输入向量；基于既有仿真模型所针对拓扑结构的结构约束，构建符合所述既有仿真模型的监测数据逻辑的监测数据，基于特定顺序将监测数据写入输入向量中的各个元素位置以构成待确定补充输入向量；
优选的：所述既有仿真模型为多个，每个仿真模型针对一个或者多个管网拓扑结构创建；
优选的：在基于既有仿真模型构建仿真数据之前，对既有仿真模型进行筛选，选择仿真模型中拓扑管网结构、规模等和新管网结构接近者，也可以进一步的对既有仿真模型中的管网拓扑结构进行调整，以使得其接近新管网结构；当然，这样的调整是尽可能的和一定范围内的调整；
步骤S5_A2：从待确定补充输入向量avak中选择和实时输入向量v＝<vn>差异度小于预设差异且差异分布平均的待确定补充输入向量作为补充输入向量avk；其中：ak是待确定补充输入向量的编号；k是补充输入向量的编号；n∈(1～N)是监测位置编号，也就是输入向量中的元素编号；N是监测位置个数；
所述步骤具体包括如下步骤：
步骤S5_A21：计算实时输入向量v的平均值
步骤S5_A22：获取一未处理待确定补充输入向量avak＝<avak，n>，计算其平均值若不存在未处理待确定补充输入向量，则结束；
步骤S5_A23：若满足平衡条件，则进入下一步骤，平衡条件指示实时输入向量和待确定补充输入向量元素的元素值的数值大小的平衡性；否则，返回步骤S5_A22；其中：a1是平衡系数；
优选的：所述平衡条件为如下公式(1)；
优选的：a1＝0.05；
步骤S5_A24：若满足差异分布平均条件和差异方向一致性条件，则进入下一步骤，否则，返回步骤S5_A22；这两个条件分别指示两者之间的差异分布和差异一致性情况；
具体的：所述差异分布平均条件为如下公式(2)；差异方向一致性条件为如下公式(3)，或(4)和(5)；其中：a2是差异分布调节系数；a3是差异分布一致系数；
优选的：a2＝1.5～2；a3＝0.8～1；
步骤S5_A25：将所述待确定补充输入向量确定为补充输入向量；并返回步骤S5_A22；
所述基于实时分析结果向量和补充分析结果向量构建辅助分析结果，具体为：基于实时分析结果向量rv＝<rv.x，rv.y>和补充分析结果向量arv＝<ravk.x，ravk.y>构建辅助分析结果fv＝<fv.x，fv.y>；
更进一步的：基于下式(6)-(8)构建辅助分析结果fv＝<fv.x，fv.y>；其中：k是补充分析结果向量的编号；KM是补充分析结果向量的个数；α1是可信调节系数；Seq(unk，k)为排序函数，表示对元素队列unk排序后，取其排序第k位的元素值作为函数输出值；通过α1KM-k+1使得距离更近的补充分析结果向量具有更大的权重值，而反之，距离更远的补充分析结果向量具有较小的权重值；此时，α1是动态可信调节系数；
fv.x＝(1-α1)×rv.x+α1×∑kα1KM-k+1×ravk.x/KM (6)；
fv.y＝(1-α1)×rv.y+α1×∑kα1KM-k+1×ravk.y/KM (7)；
优选的：α1是预设值，例如：α1＝0.2；
可替换的：所述基于实时分析结果向量rv＝<rv.x，rv.y>和补充分析结果向量arv＝<ravk.x，ravk.y>构建辅助分析结果fv＝<fv.x，fv.y>，具体为：基于下式(9)-(11)构建辅助分析结果fv＝<fv.x，fv.y>；其中：k是补充分析结果向量编号；KM是补充分析结果向量的个数；α1是可信调节系数；
Seq(unk，k)为排序函数，表示对元素队列unk排序后，取其排序第k位的元素值作为函数输出值；显然这里，unk元素队列的长度是KM；此时，α2是静态可信调节系数；
fv.x＝(1-α1)×rv.x+α2×∑k ravk.x/KM (9)；
fv.y＝(1-α1)×rv.y+α2×∑kravk.y/KM (10)；
优选的：α2是预设值，例如：α2＝0.2；
可替换的：当补充分析结果向量的数量较多(例如：大于大数量阈值，例如：万条)时，所述基于实时分析结果向量rv＝<rv.x，rv.y>和补充分析结果向量arv＝<ravk.x，ravk.y>构建辅助分析结果fv＝<fv.x，fv.y>，具体包括下步骤：
步骤S5_B1：通过拟合的方式确定补充输入向量和实时输入向量之间的第一关系；
优选的：通过拟合的方式确定补充输入向量熵值和补充分析向量熵值之间的第一关系；通过熵值进行拟合可减少拟合所需要的计算量；熵值为向量的模值；
步骤S5_B2：基于所述补充分析结果向量和所述第一关系确定调整补充分析结果向量；也就是用所述第一关系调节补充分析结果向量中的元素值；形成函数关系在数值上的联动；
步骤S5_B3：删除和实时分析结果向量之间的距离大于预设距离的调整补充分析结果向量rav′＝<rav′.x，rav′.y>；
步骤S5_B4：基于调整补充分析结果向量和实时分析结果向量计算辅助分析结果向量；计算的方式为加权求均值的方式；更具体为：采用下式(12)(13)计算辅助分析结果向量；其中：k是补充分析结果向量编号；KM是补充分析结果向量的个数；α3是可信调节系数
fv.x＝α3×rv.x+(1-α3)×∑k rav′k.x/KM (12)；
fv.y＝α3×rv.y+(1-α3)×∑k rav′k.y/KM (13)；
优选的：α3是预设值，例如：α3＝0.8；当然也可以设置动态可信调节系数，这里不再赘述；
步骤S6：基于辅助分析结果进行预警，并在发生异常时根据辅助分析结果进行异常排查；具体为：将辅助分析结果发送给用户终端，用于终端基于辅助分析结果中的二维坐标位置进行异常排查；
优选的：在新管网结构中定位和所述辅助分析结果中的二维坐标最接近的管网位置作为中心位置，以所述中心位置为中心进行异常排查；由于人工智能模型给出的位置是不考虑管网结构以及缺乏充分训练的结构，因此分析结果中给出的二维坐标可能未落在新管网结构的实际位置之上，因此，可以所述二维坐标为定位实际需要进行异常排查的中心位置；
所述在新管网结构中定位和所述辅助分析结果中的二维坐标最接近的管网位置作为中心位置，具体为：以所述二维坐标为中心，以预设比例尺长度为半径，在新管网结构中圈定一段新管网结构，预设比例尺长度的设置方式可以是以所圈定的新管网结构中管网长度符合异常排查限制为约束来设置；以所述圈定的一段新管网结构为焦点进行异常排查；
基于相同的发明构思，本发明提出一种基于人工智能模型的管网数据分析和处理系统，所述系统包括：用户终端和监测分析服务器；用户终端和检测分析模型之间通信连接；
所述监测分析服务器用于存储监测分析模型；还用于执行上述基于人工智能模型的管网数据分析和处理方法；
优选的：所述用户终端为多个；
优选的：所述监测分析模型用于获取新管网结构上所设置的监测装置发来的实时监测数据，并基于所述实时监测数据执行上述基于人工智能模型的管网数据分析和处理方法，从而进行预警，将预警结果发送给用户终端，使得用户终端持有者能够在发生异常时根据辅助分析结果进行异常排查；
优选的：所述管网为天然气管网或水力管网；
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
术语“数据处理装置”、“数据处理系统”、“用户设备”或“计算设备”包涵用于处理数据的所有种类的装置、设备和机器，举例包括可编程处理器、计算机、片上系统、或者上述中的多个或其组合。所述装置能够包括专用逻辑电路，例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。除了硬件，所述装置还可以包括代码，创建用于所述计算机程序的执行环境，例如，构成处理器固件、协议栈、数据库管理系统、操作系统、跨平台运行环境、虚拟机或上述一个或多个的组合的代码。该装置和执行环境可以实现各种不同计算模型基础设施，诸如web服务、分布式计算、和网格计算基础设施。
计算机程序(也被称为程序、软件、软件应用、脚本或代码)能够以编程语言的任何形式来撰写，包括汇编或解释语言、说明或过程性语言，且其可以以任何形式部署，包括作为单机程序或者作为模块、组件、子例程、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必与文件系统中的文件相对应。程序能够存储在保持其他程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中，在专用于所述程序的单个文件中，或者在多个协同文件中(例如，存储一个或多个模块、子例程或代码部分的文件)。计算机程序可以部署为在一个计算机上或位于一个站点或跨多个站点分布且由通信网络互连的多个计算机上执行。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于人工智能模型的管网数据分析和处理方法，其特征在于，包括：
步骤S1：构建基于监测装置数量、监测装置位置和/或管网拓扑连接关系的监测分析模型；所述监测分析模型的输入是基于监测装置在管网中的位置和/或管网的拓扑连接关系而按照特定顺序排列的监测装置的监测数据所构成的输入向量；输出是分析结果向量；所述输入向量中的每个元素分别对应一个监测位置；
步骤S2：基于不同拓扑结构管网的历史数据构建第一样本数据，以训练所述监测分析模型；
步骤S3：基于既有仿真模型构建第二样本数据，以增强训练所述监测分析模型；
步骤S4：基于第三样本数据判断监测分析模型的预测准确率，当预测准确率大于准确率阈值时，针对新管网结构，获取新管网结构中既有监测装置的实时监测数据，基于所述实时监测数据构建实时输入向量，并将实时输入向量输入人工智能模型以得到分析结果向量，将所述分析结果向量作为辅助分析结果；否则，进入步骤S6；否则，进入下一步骤；所述第三样本数据是根据新管网结构进行现场试验所获取的数据；
步骤S5：获取新管网结构中既有监测装置的实时监测数据，基于所述实时监测数据构建实时输入向量，并将实时输入向量输入监测分析模型以得到实时分析结果向量；根据既有仿真模型得到补充输入向量，将补充输入向量输入既有仿真模型以得到仿真分析结果；将补充输入向量输入监测分析模型以得到补充分析结果向量；基于实时分析结果向量和补充分析结果向量构建辅助分析结果；
所述根据既有仿真模型得到补充输入向量；具体包括如下步骤：
步骤S5_A1：基于既有仿真模型构建待确定补充输入向量；基于既有仿真模型所针对拓扑结构的结构约束，构建符合所述既有仿真模型的监测数据逻辑的监测数据，基于特定顺序将监测数据写入输入向量中的各个元素位置以构成待确定补充输入向量；
步骤S5_A2：从待确定补充输入向量avak中选择和实时输入向量v＝<vn>差异度小于预设差异且差异分布平均的待确定补充输入向量作为补充输入向量avk；其中：ak是待确定补充输入向量的编号；k是补充输入向量的编号；n∈(1～N)是监测位置编号，N是监测位置个数；
所述步骤具体包括如下步骤：
步骤S5_A21：计算实时输入向量v的平均值
步骤S5_A22：获取一未处理待确定补充输入向量avak＝<avak,n>，计算其平均值若不存在未处理待确定补充输入向量，则结束；
步骤S5_A23：若满足平衡条件，则进入下一步骤，平衡条件指示实时输入向量和待确定补充输入向量元素的元素值的数值大小的平衡性；否则，返回步骤S5_A22；其中：a1是平衡系数；
所述平衡条件为如下公式(1)；
步骤S5_A24：若满足差异分布平均条件和差异方向一致性条件，则进入下一步骤，否则，返回步骤S5_A22；这两个条件分别指示两者之间的差异分布和差异一致性情况；所述差异分布平均条件为如下公式(2)；差异方向一致性条件为如下公式(3)，或(4)和(5)；其中：a2是差异分布调节系数；a3是差异分布一致系数；
步骤S5_A25：将所述待确定补充输入向量确定为补充输入向量；并返回步骤S5_A22；
步骤S6：基于辅助分析结果进行预警，并在发生异常时根据辅助分析结果进行异常排查。
2.根据权利要求1所述的一种基于人工智能模型的管网数据分析和处理方法，其特征在于，所述监测分析模型是人工智能模型，用于进行泄露定位。
3.根据权利要求2所述的一种基于人工智能模型的管网数据分析和处理方法，其特征在于，所述人工智能模型是泄露定位模型，其输出的分析结果向量指示预测的泄露定位结果。
4.根据权利要求3所述的一种基于人工智能模型的管网数据分析和处理方法，其特征在于，所述既有仿真模型为多个，每个仿真模型针对一个或者多个管网拓扑结构创建。
5.根据权利要求4所述的一种基于人工智能模型的管网数据分析和处理方法，其特征在于，所述仿真模型和既有仿真模型为SCADA仿真模型。
6.根据权利要求4所述的一种基于人工智能模型的管网数据分析和处理方法，其特征在于，分析结果向量指示泄露位置的二维坐标值。
7.根据权利要求6所述的一种基于人工智能模型的管网数据分析和处理系统，其特征在于，所述管网为天然气管网或水力管网。
8.一种基于人工智能模型的管网数据分析和处理平台，其特征在于，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现权利要求1-7中任一项所述的基于人工智能模型的管网数据分析和处理方法。
9.一种计算机可读存储介质，其特征在于，包括程序，当其在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的基于人工智能模型的管网数据分析和处理方法。
10.一种基于人工智能模型的管网数据分析和处理系统，其特征在于，所述系统被配置为执行如权利要求1-7中任一项所述的基于人工智能模型的管网数据分析和处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311320239.2A CN117287646A (zh) | 2023-10-12 | 2023-10-12 | 一种基于人工智能模型的管网数据分析和处理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311320239.2A CN117287646A (zh) | 2023-10-12 | 2023-10-12 | 一种基于人工智能模型的管网数据分析和处理方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117287646A true CN117287646A (zh) | 2023-12-26 |
Family
ID=89256992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311320239.2A Pending CN117287646A (zh) | 2023-10-12 | 2023-10-12 | 一种基于人工智能模型的管网数据分析和处理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117287646A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118484767B (zh) * | 2024-07-16 | 2024-09-27 | 北京博瑞翔伦科技发展有限公司 | 一种井下监测数据智能处理方法和系统 |
-
2023
- 2023-10-12 CN CN202311320239.2A patent/CN117287646A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118484767B (zh) * | 2024-07-16 | 2024-09-27 | 北京博瑞翔伦科技发展有限公司 | 一种井下监测数据智能处理方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Automatic partitioning of water distribution networks using multiscale community detection and multiobjective optimization | |
| CN109555979B (zh) | 一种供水管网漏损监测方法 | |
| CN116882038B (zh) | 一种基于bim技术的机电施工方法及系统 | |
| Wagener et al. | A toolkit for the development and application of parsimonious hydrological models | |
| Giustolisi et al. | An Excel-based solution to bring water distribution network analysis closer to users | |
| Li et al. | Structural damage identification based on integration of information fusion and shannon entropy | |
| CN101620645B (zh) | 一种仿真大型电子信息系统体系结构的方法和系统 | |
| CN109785180A (zh) | 一种面向数字孪生车间的场景感知系统及方法 | |
| Izquierdo et al. | Division of water supply systems into district metered areas using a multi-agent based approach | |
| Wu et al. | Leakage identification in water distribution networks based on XGBoost algorithm | |
| CN108959794A (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
| CN116880372A (zh) | 数字孪生工厂的运行优化方法及系统 | |
| CN105554873A (zh) | 一种基于pso-ga-rbf-hop的无线传感器网络定位算法 | |
| CN114297850A (zh) | 数字孪生城市仿真推演方法及系统 | |
| CN105512011A (zh) | 一种电子装备测试性建模评估方法 | |
| CN110889196A (zh) | 水环境承载力评估方法、装置及存储介质 | |
| CN117287646A (zh) | 一种基于人工智能模型的管网数据分析和处理方法和系统 | |
| KR101703972B1 (ko) | 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법 | |
| CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
| CN101930566A (zh) | 基于平行系统的水利实验模拟系统及实验模拟方法 | |
| CN115481531A (zh) | 基于sumo的路网交通流实时孪生方法及系统 | |
| CN103574291B (zh) | 基于人工免疫系统的爆管定位方法 | |
| Fuentes Jr et al. | Leak detection in water distribution networks via pressure analysis using a machine learning ensemble | |
| Chen et al. | Leakage zone identification for water distribution networks based on the alarm levels of pressure sensors | |
| Yang et al. | Application of uncertainty reasoning based on cloud theory in spatial load forecasting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |