CN115470850B 一种基于管网水质时空数据的水质异常事件识别预警方法 （大连理工大学）

一种基于管网水质时空数据的水质异常事一种基于管网水质时空数据的水质异常事件识别预警方法，属于供水管网水处理技术领合单站点和多站点的异常检测模型的结果提高要供水管网正常运行下的水质数据，应用范围2(1)选择监测的水质参数以及水质传感器站点，通过分析传感器接收污染水的时间间还有一组包含所有N个传感器站点的多参数水站点可以收集到V个水质参数数据(V＝NrxN)；在t时刻，每个组的距离图像可以表示为m'eR",其中m,是t时刻叠加图像mt中第i行，第j列的元素，计算为t时刻所收集的V个所述的对抗学习网络模型包括生成器G和判别器D，生成器G采用包括压缩图像信息的编码器和还原图像信息的解码器的卷积神经网络；判别器D是一个用来压缩提取图像特征生成器训练采用真实叠加图像和生成的叠加图像之间的重构损失作为生成器损失LG，3算为在供水管网正常运行无污染情况下模型识别为异常点的时间步数与正常运行的总时(7)供水管网中常规运行水力变化会在短期内导致水质参数的突变；为了区分正常的率的最大值作为单站点模型计算的事件概率P(9)为了充分利用各监测站之间及监测站内部的水质关系，将单站点模型和多站点模得到的污染事件发生概率；η是调节单站点模型和多站点模型对最终污染事件识别同步决反映单站点模型和多站点模型对最终污染检测报警相同的重要性；当组合事件概率Pall超2.根据权利要求1所述的一种基于管网水质时空数据的水质异常事件识别预警方法，网络生成的图像与基于实测数据构造的叠加图像m之间的重构损失来计算；基于判别器网络的异常识别是通过比较将基于实测数据的叠加图像和生成器生成的图像分别输入判别器网络后得到的最终输出的特征向量D(m)和D(i)之间特征损失；最终基于GAN模型构造43.根据权利要求1所述的一种基于管网水质时空数据的水质异常事件识别预警方法，主要是基于训练GAN网络的数据集得到的异常分数分布决定的；将用于步骤(3)中GAN模型用于构造GAN模型的水质数据集中大部分点都处于正常4.根据权利要求1所述的一种基于管网水质时空数据的水质异常事件识别预警方法，5.根据权利要求1所述的一种基于管网水质时空数据的水质异常事件识别预警方法，5务集团已经在当地供水系统建立了相对完善的传感器监控网络(SCADA系统)，利用水质在6[0008](1)选择监测的水质参数以及水质传感器站点，通过分析传感器接收污染水的时另外还有一组包含所有N个传感器站点的多参数为m'eR",其中m,是t时刻叠加图像mt中第i行，第j列的元素，计算为t时刻所[0011]所述的对抗学习网络模型分为生成器G和判别器D，生成器G采用包括压缩图像信息的编码器和还原图像信息的解码器的卷积神经网络；判别器D是一个用来压缩提取图像[0015]生成器训练采用真实叠加图像和生成的叠加图像之间的重构损失作为生成器损[0018](4)基于步骤(3)中训练好的GAN模型的生成器和判别器构造异常分数ψ。基于GAN的异常分数计算包括两部分：利用生成器网络的异常识别和利用判别器网络的异常识别。其中基于生成器网络的异常识别是通过比较生成器网络生成的图像与基于实测数据构造的叠加图像m之间的重构损失来计算。基于判别器网络的异常识别是通过比较将基于实7测数据的叠加图像和生成器生成的图像分别输入判别器网络后得到的最终输出的特征向质数据进行的，因此异常分数阈值的选择主要是基于训练GAN网络的数据集得到的异常分数分布决定的。将用于步骤(3)中GAN模型构建和训练的水质数据集利用步骤(4)得到异常分数后，从小到大将异常分数值进行排列，根据数据分布实际情况，选择其分布中9699％分位数点作为其异常分数阈值ψthre，使得用于构造GAN模型的水质数据集中大部分点[0026](7)供水管网中常规运行水力变化会在短期内导致水质参数的突变。为了区分正[0029](8)分别利用单站点模型和多站点模型进行水质异常事故的概率计算。单站点模8型是指将步骤(3)(7)提出的异常检测方法分别单独应用在用在步骤(1)(2)中的第N+1组水质数据中，该组数据包括了N个水质监测站点监测的水质[0030](9)为了充分利用各监测站之间及监测站内部的水质关系，将单站点模型和多站计算得到的污染事件发生概率。η是调节单站点模型和多站点模型对最终污染事件识别同[0034](1)本发明提出的水质异常事故检测方法考虑了多个站点关联的水质数据信息，通过融合单站点和多站点的异常检测模型的结果提高了污染事件[0035](2)本发明提出的供水管网水质异常事故检测方法有较强的鲁棒性，能够适应一[0036](3)现有的管网水质污染事故识别方法大都需要实际的污染数据用于模型的训练[0040]图4为对测试集数据利用分别利用单站点模型、多站点模型以及单站点和多站点9水质模型模拟得到供水管网中的多个传感器监测站点的水质数据，将选择的N个传感器分转化为叠加图像的操作后，利用图像填充的方法将最终的叠加图像都设置为相同的大小生成器的重构损失和判别器的特征损失公式(4)计算各个时染事件发生概率计算出最终模型的污染事件发生概率Pall，当其超过污染事件报警的概率