[0062] 本实例中考虑某DMA区,有14个压力监测点,其地理位置如图1,压力数据时间为X年3月20日至4月3日,以3月20日至4月2日的数据作为基本数据对4月3日进行侦测。这里仅用压力值进行实例说明,但本发明方法同样适用于流量值。
[0063] (一)小波降噪获取稳态信号和噪声信号
[0064] 现对DMA区14个监测点在4月3日的SCADA系统中采集的实测压力信号做小波降噪处理,得到降噪后的压力信号,将监测点降噪后的压力信号与原始信号做插值计算得到对应的噪声序列。14个测点4月3日噪声序列有效值如表1所示。
[0065] 表1 14个测点4月3日噪声序列有效值 单位:Mpa[0066]测点 NO.1 NO.2 NO.3 NO.4 NO.5 NO.6 NO.7
有效值 0.0017 0.0014 0.0023 0.0018 0.0017 0.0020 0.0014
测点 NO.8 NO.9 NO.10 NO.11 NO.12 NO.13 NO.14
有效值 0.0025 0.0022 0.0020 0.0025 0.0028 0.0022 0.0021
[0067] (二)EPANET模拟获得理想信号,再与稳态信号差值计算获取突变信号
[0068] 使用EPANET对DMA区4月3日运行状态进行离线模拟仿真,输入数据为DMA区入水口流量,输出测点的压力数据,数据采集间隔为15min/次,再与小波降噪后的压力信号做差值计算,得到突变信号。14个测点4月3日的突变序列有效值如表2所示。
[0069] 表2 14个测点4月3日的突变序列有效值 单位:Mpa[0070]测点 NO.1 NO.2 NO.3 NO.4 NO.5 NO.6 NO.7
有效值 0.0094 0.0125 0.0184 0.0109 0.0144 0.0088 0.0186
测点 NO.8 NO.9 NO.10 NO.11 NO.12 NO.13 NO.14
有效值 0.0172 0.0127 0.0090 0.0085 0.0089 0.0165 0.0138
[0071] (三)计算信噪比筛选有用测点
[0072] 利用信噪比公式计算14个测点4月3日的突变信号的信噪比。EPANET软件模拟仿真DMA区输出压力,数据采集间隔为15min/次,则一天中每个测点有96个数据,将会产生96个信噪比值。选择60dB为有效数据阈值,则14个测点在4月3日突变信号信噪比低于60dB的个数如表3所示。
[0073] 表3 14个测点4月3日的突变信号信噪比低于60dB个数
[0074]测点 NO.1 NO.2 NO.3 NO.4 NO.5 NO.6 NO.7
个数 9 19 44 11 28 9 56
测点 NO.8 NO.9 NO.10 NO.11 NO.12 NO.13 NO.14
个数 44 23 7 9 8 37 24
[0075] 选择60dB为有效数据阈值,若测点突变信号信噪比低于60dB的个数低于总信噪比值个数的三分之一(本例为32),则认为测点受噪声污染小,肯定测点检测结果,保留测点;若高于三分之一,则认为测点受噪声污染严重,否定测点检测结果,删除测点。筛选后的有用测点如表4所示。
[0076] 表4 筛选后的有用测点
[0077]有用测点 NO.1 NO.2 NO.4 NO.5 NO.6 NO.9 NO.10 NO.11 NO.12 NO.14
[0078] (四) 结合SPC统计方法和模糊判定方法的异常事件侦测
[0079] 1、SPC统计方法数据分析
[0080] (1)计算测点平均值和标准差
[0081] 计算10个测点在9天中每个采样点的平均值和标准差。采样间隔为5min/次,则9天的压力数据可表示为( ),其中i=1:288和j=1:9,则一天的平均值( )可由下式计算得到,其中n=9:
[0082]
[0083] 标准差 ( )可通过下式计算得到:
[0084]
[0085] (2)异常事件侦测
[0086] 根据以下规则,进行异常事件侦测。只要符合任意一条规则,则认为异常事件发生:
[0087] a. 任一时间点测点观测值低于-4 ;
[0088] b. 连续2个时间点测点观测值低于-3 ;
[0089] c. 连续4个时间点测点观测值低于-2 ;
[0090] d. 连续8个时间点测点观测值低于- ;
[0091] 对DMA区10个测点实验结果进行整理和归纳,10个测点在4月3日异常事件统计结果如表5所示。
[0092] 表5 基于SPC统计分析的10个测点异常事件侦测统计表
[0093]测点序号 NO.1 NO.2 NO.4 NO.5 NO.6 NO.9 NO.10 NO.11 NO.12 NO.14
异常数 13 23 12 22 22 15 22 21 9 20
测得实际爆管序号 1,2,4 1,2,3,5 1,2,3,4,5 1,2,4,5 1,2,3,4,5 1,4,5 1,3,4 1,2,3,4,5 1 1,2,3,4,5误报率% 76.9 82.9 58.3 81.8 77.3 80 86.4 76.2 88.9 75
漏报率% 40 20 0 20 0 20 40 0 80 20
[0094] 考虑到用水规律这个模糊因子,所以将各测点在4月3日当天发生异常事件的时间段做了统计,以NO.6测点为例,表6反映了该测点在4月3日使用SPC统计分析方法所产生的异常事件开始和结束时间。
[0095] 表6 NO.6测点4月3日异常事件统计表
[0096]序号 异常时间段 序号 异常时间段 序号 异常时间段
1 1:05 1:25 9 10:15 10:30 17 17:00 17:10
~ ~ ~
2 2:20 2:25 10 10:35 10:50 18 19:50 20:10
~ ~ ~
3 2:55 3:00 11 11:00 11:10 19 20:20 20:30
~ ~ ~
4 3:55 4:05 12 12:25 12:45 20 21:20 21:30
~ ~ ~
5 6:10 6:25 13 13:00 13:35 21 21:35 21:40
~ ~ ~
6 6:35 6:45 14 13:55 14:10 22 22:20 22:30
~ ~ ~
7 9:20 9:30 15 14:15 14:30
~ ~
8 9:40 9:50 16 16:20 16:40
~ ~
[0097] 2、计算模糊因子权值
[0098] (1)测点灵敏度和用水规律权值计算
[0099] 采用AHP方法对测点灵敏度和用水规律进行权值计算。
[0100] ①构造判断矩阵
[0101] 对用水规律和测点灵敏度这两个模糊因子构造判断矩阵A为:
[0102]
[0103] ②计算权重向量
[0104] 采用规范列平均法对判断矩阵A进行权值计算,则C矩阵为:
[0105]
[0106] 则用水规律的权值为0.833,测点灵敏度的权值为0.167。
[0107] (2)测点灵敏度内部权值计算
[0108] 利用有限差分法计算10个测点的灵敏度,构造 的灵敏度系数矩阵为:
[0109]
[0110] 通过目标函数:
[0111]
[0112] 得到10个测点灵敏度,对10个测点的灵敏度做归一化处理得到各测点所占权值如表8所示。
[0113] 表8 10个测点的测点灵敏度权值
[0114]测点 NO.1 NO.2 NO.4 NO.5 NO.6
权值 0.1038 0.0540 0.1133 0.0925 0.1212
测点 NO.9 NO.10 NO.11 NO.12 NO.14
权值 0.1285 0.1262 0.0752 0.1054 0.0798
[0115] (3)用水规律内部权值计算
[0116] 根据该DMA区在3月20日至4月2日的历史用水量得出用水规律,其中用水高峰期为6:00-9:00,19:00-22:00,所以设置时间段单位为连续的3小时,将一天时间划分为8段,根据各时间段的用水量不同利用AHP法计算各时间段的权值,则各时间段的权值如表9所示:
[0117] 表9 8个时间段的权值
[0118]时间段 NO.1 NO.2 NO.3 NO.4 NO.5 NO.6 NO.7 NO.8
权值 0.1838 0.1613 0.0535 0.1201 0.1149 0.1319 0.0586 0.1759
[0119] 3、综合侦测分析
[0120] 利用公式将SPC统计分析方法得到的数据与模糊因子结合分析:
[0121]
[0122] 其中,i=1:8,N=14。否定低于阈值的异常事件,则经过SPC统计分析方法和模糊因子综合分析得到的结果如表10所示
[0123] 表10 综合分析后10个测点异常事件侦测统计表
[0124]测点序号 NO.1 NO.2 NO.4 NO.5 NO.6 NO.9 NO.10 NO.11 NO.12 NO.14
异常数 10 21 10 19 20 12 19 18 7 17
测得实际爆管序号 1,2,4 1,2,3,5 1,2,3,4,5 1,2,4,5 1,2,3,4,5 1,4,5 1,3,4 1,2,3,4,5 1 1,2,3,4,5误报率% 70 81 50 78.9 75 75 84.2 72.2 85.7 70.6
漏报率% 40 20 0 20 0 20 40 0 80 20
[0125] 通过相关性计算公式对测点进行相关性分组,公式如下:
[0126]
[0127] 其中,x,y为两个测点的两组时间序列;Ex,Ey为时间序列的期望值;Dx,Dy为时间序列的方差;corr(x,y)为两组时间序列的相关系数。得到监测点分组如表11所示。
[0128] 表11 测点相关性分组
[0129]组号 测点编号
第一组 NO.1、NO.6、NO.12
第二组 NO.4、NO.10、NO.11、NO.14
第三组 NO.2、NO.5、NO.9
[0130] 通过相关性分组的结果对综合分析后的数据进行整理分析,若某一异常事件被同一组中所有测点都侦测到,则肯定异常事件的发生;反之,否定异常事件的发生。对表10中的数据分析结果如表12所示。
[0131] 表12 相关性分组对异常事件的分析结果
[0132]序号 异常时间段 序号 异常时间段
1 6:10 6:20 9 11:05 11:15
~ ~
2 9:20 9:30 10 13:00 13:20
~ ~
3 9:35 9:50 11 14:00 14:05
~ ~
4 10:15 10:30 12 16:20 16:30
~ ~
5 10:35 10:50 13 16:55 17:05
~ ~
6 12:20 12:40 14 22:20 22:30
~ ~
[0133] 由表12得知,通过本发明的城市供水管网异常侦测的方法,该DMA区在4月3日一共测得异常事件数为12次,包含5次实际模拟爆管事件,所以该DMA区异常侦测的误报率为58.3%,漏报率为0。