CN119494057A 一种基于持续时间和支持概率的供水管网异常数据诊断方法 （浙江大学）

一种基于持续时间和支持概率的供水管网本发明公开了一种基于持续时间和支持概算局部异常因子，量化衡量每个时间点上异常两方面为传感器实时记录的时间序列提供了充2采用局部异常因子的门策略识别最新时间序列的异常点，基于门将在软传感器的时间序列矩阵中观测到异常点的概率作为支持率间序列和当前传感器监测的历史时间序列中与最新时间序列的时间序列距离前q小的历史设定异常持续时间阈值和支持率阈值，基于异常持续时间与异常持续时间阈值的比2.根据权利要求1所述的基于持续时间和支持概率的供水管网异常数据诊断方法，其3.根据权利要求1所述的基于持续时间和支持概率的供水管网异常数据诊断方法，其4.根据权利要求1所述的基于持续时间和支持概率的供水管网异常数据诊断方法，其t)为最新时间序列的第t个时间点数据xt的局部异常因子，δt为第t个时间5.根据权利要求1所述的基于持续时间和支持概率的供水管网异常数据诊断方法，其3+为软传感器中的全部序列在时间点t支持传感器i发生极大值事件的程度，负支持率SR_为软传感器中的全部序列在时间点t支持传感器i发生极小值事件的程所可为发生极小值事件条件下观测向量的贡献6.根据权利要求1所述的基于持续时间和支持概率的供水管网异常数据诊断方法，其7.根据权利要求6所述的基于持续时间和支持概率的供水管网异常数据诊断方法，其8.根据权利要求1所述的基于持续时间和支持概率的供水管网异常数据诊断方法，其基于当前传感器监测的最新时间序列采用局部加权回归方法得到周所述由各观测点的特征向量构成的第i个传感器的导数时间序列为：4其中derim表示在第t个观测点处多项式函数的m阶导数值，DERf为第i10.根据权利要求8所述的基于软传感器的供水管网传感器数据恢复方法，其特征在5[0003]公开号为CN109828493A的发明专利申请公开了一种城市水务管网系统供水故障[0004]公开号为CN1360200A的发明专利申请公开了一种城市供水管网爆管故障在线检测系统,它由计算机、多通道驱动接收器、调制解调器、数传机顺序连接设置有城市供水管网爆管故障的在线检测程序,和建立有限个监测点水压变化与未监测节就可很容易识别城市供水管网爆管等一类故障的位置和故障6[0008]本发明提供了一种基于持续时间和支持概率的供水管网异常数据诊断方法，包的时间序列和当前传感器监测的历史时间序列中与最新时间序列的时间序列距离前q小的[0023]优选地，将在软传感器的时间序列矩阵中能够观测到异所述支持率SR包括正支持率SR+和负支持7[0029]其中，正支持率SR+为软传感器中的全部序列在时间点t支持传感器i发生极大值事件的程度，负支持率SR_为软传感器中的全部序列在时间点t支持传感器i发生极小值事发生极大值事件条件下观测向量ss的贡献程度的几何平均值；所可为观测向量sst发生极小值事件的概率的几何平均值，可可为发生极小值事件条件下观测向量期序列拟合的多项式函数进行多阶求导得到由各观测点的特征向量构成的导数时间序列，[0036]优选地，所述由各观测点的特征向量构成的第i个传感器的导数时间序列8对应的导数时间序列的距离D(N,N)为：[0052]本发明具体实施例旨在开发一种使用持续时间和支持率区分供水管网中数据异9[0056]假设聚类参考窗口大小为N。传感器i的时间序列个观测值分配权重来计算趋势通过从原始时间序列中减去趋势成分，可以分离出周期[0059]本发明具体实施例提供的分段多项式拟合首先将序列分割成若干段，每一段(t,p)可以表示为：则会引起过拟合并消耗过多的计算资源。协方差(COV)被认为是评估供水系统监测时间序列变化趋势类似程度的一个合适指标。较大的COV表明拟合函数更好地保留了原始序列的[0074]本发明具体实施例通过对每个观测点上的多项式函数计算多阶导数，时间序列[0076]本发明具体实施例通过动态时间规整(DTW)累积对应观测点之间的距离计算两个念是确定一个扭曲路径，该路径定义了如何将一个序列中的点与另一个序列中的点相对[0079]第i个传感器对应的导数时间序列与第j个传感器对应的导数时间序列的距离为：的时间序列和当前传感器监测的历史时间序列中与最新时间序列的时间序列距离前q小的的时间序列xi,c1、c2、…ck是与传感器i的时间序列高度相关而分至同组的其他传感器，t…tl是与传感器i当前窗口时间序列高度相关的传感器i历史上的其他窗口序列[0093]本发明具体实施例提供的软传感器中的数据随时间实时进行更新，而传感器组内的数据点数量；局部可达密度rd(xt,xn)定义为xn到达它的第k个最邻近值的距离和点xt对于传感器i的第t个时间点的观测值使用其偏大或偏小的程度衡量它对极大值事件或[0136]其中ss表示传感器i对应的软传感器的第t列，n为软传感器sst中序列的[0137]为了防止由于不同软传感器中的序列数量不同导致的数值外溢，对联合概率使用几何平均进行平滑：ss)-ss)-[0143]P(sst1+)为发生极大值事件条件下观测向量ss的贡献程度，P(+)为任意观测[0149]其中正支持率SR+为软传感器中的全部序列在时间点t支持传感器i发生极大值事件的程度，负支持率SR一为软传感器中的全部序列在时间点t支持传感器i发生极小值事发生极大值事件条件下观测向量的贡献程度的几何平均值；为观测向量ss:发生极小值事件的概率的几何平均值，为发生极小sst的贡献程度的几何平均值；为在软传感器中的第s个时间序列的第t个时间点