CN108027594A - 用于检测配水系统中的异常的方法 - Google Patents

Abstract

本发明涉及用于检测配水系统中的异常的方法和系统。配水系统包括节点网络，并且在节点的子集处配备有至少针对水流速度的传感器。通过水力模型对配水系统建模。根据本发明的方法包括采用一组控制变量的初始值对水力模型进行参数化，采用传感器获得在节点处的网络的状态变量的值，采用水力模型计算状态变量的预测值，递归地计算被应用于水力模型的允许获得所述状态变量的最接近观测值的预测值的控制变量的值，以及基于所述控制变量的值对网络的节点分类。

Description

用于检测配水系统中的异常的方法

技术领域

本发明涉及对配水系统中的异常的检测。更具体而言，本发明涉及通过对配水系统的水力模型和统计信息的结合使用来检测异常。

背景技术

用于分配饮用水的系统尤其由水头与消费者之间的管道连同诸如阀门和泵之类的控制装置构成。这样的系统可能会遭受很多异常。这些异常属于多种类型。水力异常包括泄露、压力的异常变化、贮水池的水位的快速下降、蓄水池的不合逻辑的质量平衡。运行异常是系统中处于不正确状态的元件的特征，例如，该元件例如是处于与信息系统中所存储的状态不同的打开状态的阀门。这些异常，尤其是泄露，可能会急剧降低配水系统的性能。例如，管道中的泄露是水头和消费者之间大部分水损失的原因，并且可能造成结构损坏。因此，对配水系统中的异常的检测和校正永远都是此类系统的运营商的关注内容，以便降低损坏和水损失的经济成本。此外，配水系统中的泄露检测的一个关键目的是限制全球的水消耗和浪费，这一点在缺水地区尤其受关注，并且是由于为了促进可持续发展。

配水系统中的泄露检测以往是通过人工检查执行的。人工检查一般包括派人操作者来检查系统的管道，以及识别泄露和其它异常。例如，可以采用对因泄露引起的噪声进行检测的音频传感器来辅助这种检测。然而，配水系统通常很大的尺寸使得对泄露和异常的人工检测非常困难。例如，大城市的配水系统包括数千千米的管道。因此，不可能以合理的成本频繁地检查所有管道。

传感器的使用有助于针对配水系统中的异常的检测问题的解决方案。尤其可以采用传感器来自动地检测系统行为的异常变化，从而向系统的其中检测到异常行为的那些节点/弧线(arc)派遣人操作者。然而，基于传感器的异常检测方法也存在缺陷。它们可能生成大量的错误判断(对并非实际异常的事件发出警报)，从而导致很多无用而又耗费成本的人工干预。由于典型配水系统的大规模的原因，这些方法也可以正确地检测异常但无法精确定位。另外，在系统中部署高密度的传感器虽然能够有助于对异常进行更加精确的定位，但是其成本过高。

专利US 8635051公开了一种用于识别配水系统中的泄露的方法。所述方法包括采用泄露模型并迭代地应用这一模型，从而获得耗水量的预测值，将输出值与观测结果进行比较，对所述值进行更新从而获得更好的模型，直到预测结果和观测结果之间的差低于某一阈值或者达到迭代次数的极限为止。这种方法对水力模型的使用允许识别出没有可用传感器的节点中的泄露。但是，所述方法缺乏将观测结果与历史数据进行比较的历史比较。因而，降低了预测的鲁棒性，因为用于检测泄露或异常值的阈值需要被先验地定义。

因此，需要一种用于提高对配水系统中的异常的自动检测和定位的鲁棒性的方法。所提出的方法基于对水力模型的使用以及对系统中选定节点处的时间序列的测量结果的统计处理。

发明内容

出于这种效果，本发明公开了根据权利要求1所述的用于检测异常的方法、根据权利要求14所述的用于检测异常的系统以及根据权利要求15所述的计算机程序产品。从属权利要求定义了本发明的优选实施例。

本发明还公开了一种用于检测由节点网络构成的配水系统中的异常的方法，所述方法包括：A)通过对表征网络及其在节点处的输出的一组控制变量的值进行初始化来对配水系统的水力模型进行参数化；B)采用网络上的传感器来采集状态变量的子集的观测结果，所述观测结果具有时间参考；C)改变一组控制变量的值；D)采用水力模型来计算至少表征在节点处的水流速度和压力的一组状态变量在时间参考时的预测值；E)计算所述一组状态变量的作为时间参考时的预测值和观测结果之间的差的残差值；F)如果所述差满足断线判据(break criterion)，那么进行至步骤H)；G)如果不满足，那么改变所述一组控制变量的值，并返回至步骤D)；H)如果所述差满足细化判据，那么进行至步骤J)；I)如果不满足，那么选择要计算预测值的网络的子集，并返回至步骤D)；J)根据所述一组控制变量以状态对所述网络的实体进行分类。

有利地，针对至少一种事件类型执行步骤C)到J)，并根据所述至少一种事件类型执行对控制变量的状态的改变。

这样做允许对已知受到事件影响的控制变量加以修改，从而提高事件预测的可靠性和鲁棒性。

有利地，对多种事件类型进行测试，并针对每种事件类型执行步骤C)到J)的一个实例(instance)。

这样做允许在所述方法的单次执行过程中检测网络上的多种类型的事件或异常。

有利地，所述细化判据包括对最小二乘和贝叶斯(Bayesian)目标函数之一的值的计算，并通过列文伯格-马夸尔特(Levenberg-Marquardt)算法确定控制变量的选择和修改。

采用贝叶斯目标函数允许计算测量结果的相对置信度以及控制变量和状态变量的修改值。采用列文伯格-马夸尔特算法允许具有良好的收敛和稳定性能。

有利地，通过先前经受训练的机器学习算法执行对网络的实体的分类。

这样做允许获得针对给定配水系统被优化的分类规则，其可靠性将随着时间的推移而提高。

有利地，控制变量包括表征网络的拓扑结构和形貌(topography)的标量变量以及表征网络的输入和输出的基于时间的变量，该基于时间的变量在每一时间参考具有至少一个值。

这允许提高通过所述方法检测到的可能事件的数量。

有利地，改变所述一组控制变量的值包括修改以下各项的至少其中之一：基于时间的控制变量的子集的值；在对网络建模的阶段内计算出的标量控制变量的子集的值。

这允许充分利用标量控制变量和基于时间的控制变量的可用性。

有利地，修改基于时间的控制变量的子集的值包括：修改表示耗水量的基于时间的控制变量的值。

这允许检测根据耗水量的异常增加而检测的事件，例如，泄漏。

有利地，状态变量还表征压力。

这允许获得对配水系统的物理参数的时间演变的更加全面并且有效的建模。

本发明还公开了一种用于检测由节点网络构成的配水系统中的异常的方法，所述方法包括：借助于表征网络及其在节点处的输出的一组控制变量的值来对配水系统的水力模型进行参数化；采用网络上的传感器来采集时间参考时状态变量的子集的观测结果；采用水力模型来计算至少表征节点处的水流速度的一组状态变量的预测值，所述值具有时间参考；计算状态变量的子集的作为时间参考时的预测值和观测结果之间的差的残差值；对时间参考的选集时在网络的实体处的残差值执行统计分析；基于统计分析的输出处的质量指标对网络的节点和弧线的至少其中之一进行分类。

有利地，所述统计分析包括对以下的其中之一的计算：平均值、标准偏差、绝对平均偏差或绝对中位偏差、自回归模型、箱形图、支持向量机、主成分分析(PCA)、K最近邻和统计测试的结果(计算P值)。

这允许更好地理解配水系统的历史行为，并借助于用户的反馈使所述检测适应于新的情况。

有利地，如果所述网络的实体处的残差值超过了基于运行风险水平和历史数据的统计分析的阈值达到预定义数量的相继时间参考，那么以表示异常状态的类别对节点进行分类。

有利地，包括上文描述的两种方法的步骤的方法还包括以在以下步骤的输出处的状态对网络进行分类：J)根据所述一组控制变量以状态对网络的实体进行分类；以及基于统计分析的输出处的质量指标对网络的节点和弧线的至少其中之一进行分类。

本发明还公开了一种用于检测由节点网络构成的配水系统中的异常的系统，所述系统包括：处于网络的节点的子集处的至少针对水流速度和压力的传感器；包括处理器的计算装置；传感器和计算装置之间的通信链路；存储介质；其中，所述计算装置被配置用于：从存储介质中获取表征所述网络及其在节点处的输出的一组控制变量的初始值，并采用其对配水系统的水力模型进行参数化；采用网络上的传感器之间的通信链路采集所述状态变量的子集的观测结果，所述观测结果具有时间参考；执行上文公开的方法之一。

本发明还公开了一种计算机程序产品，其被存储在非暂时性计算机可读介质上，检测由节点网络构成的配水系统中的异常，所述计算机程序产品包括用于执行上文公开的方法之一的代码指令。

本发明提高了配水网络中的异常状态的检测和识别的可靠性。

本发明适用于各种各样的异常，包括检测泄漏、水质退化、传感器问题以及饮用水配水系统的装置的不正确行为。

可以采用通过所述方法检测到的并由运营者确认的异常来为学习算法提供馈送，以便以提高的准确度检测其它异常。

由于使用了历史测量结果，因而所述方法具有提高的鲁棒性。所述方法考虑了测量结果的所观测到的变化性和不确定性。

所述方法使异常的定位和识别简易化，并且能够向运营者呈现根据关键程度分类的异常。

所述方法通过限制对系统进行人工干预的次数而降低了配水系统的运营成本。

所述方法通过限制精确定位异常所需的传感器的数量而降低了配水系统的运营成本。

除了互相排斥的组合之外，可以按照任何组合方式对本说明书中描述的所有实施例进行组合。

附图说明

根据下文对多个示例性实施例及其附图的描述，本发明将得到更好的理解，并且其各个特征和优点也将得以显现，在附图中：

-图1示出了现有技术的按照网络组织的配水系统的示例；

-图2示出了本发明的多个实施例中用于检测配水系统中的异常的方法的示例，其采用了对水力模型的特性及控制变量的逐步迭代调整，并与用于识别异常的机器学习相结合；

-图3示出了本发明的多个实施例中用于识别目标事件的参数的方法的示例；

-图4示出了本发明的多个实施例中用于检测配水系统中的异常的方法的示例，其采用了对残差值(residue value)的统计分析，所述残差值来自于水力模型的结果与观测结果之间的比较；

-图5示出了本发明的多个实施例中用于检测配水系统中的异常的方法的示例，其采用了对来自水力模型的表征校准状态的残差值的统计分析与对水力模型的特性和控制变量的逐步迭代调整的结合，以及用于识别异常的机器学习；

-图6示出了将异常的定位呈献给操作者的示例。

具体实施方式

在本说明书中，将通过举例的方式描述本发明，所举示例涉及对处于错误打开状态的阀门、传感器问题和泄漏事件的检测。但是，本发明不限于这些示例，并且本发明可以适用于对配水系统中的任何异常的检测。

图1示出了根据现有技术的按照网络组织的配水系统的示例。

图1所示的网络100被组织为网络，并且包括多个节点110、111、112、113、114、115、116和117以及多个弧线120、121、122、123、124、125、126、127和128。节点通常表示与水源或者贮水池(例如，节点116处的贮水池)的连接，与配水系统的用户的连接(例如，节点113处的消耗131)，以及弧线之间的连接。弧线通常表示节点之间的管道。网络可以配备有诸如阀门和泵之类的设备。例如，泵132存在于弧线120上。更一般地，节点可以是两个或者三个管道之间的接合部，找到网络的输入或输出的点，例如，用户消耗水的点或者向网络中注入水的点。节点还可以表示子网络，例如，被划定为单个节点的地区。

与水有关的物理参数尤其包括(例如)速度、压力、流速、蓄水池(贮水池和水池)的水平、温度等。能够根据检测需求和/或传感器的演变来增加其它参数。这些参数随着时间的推移而发生的演变取决于配水系统的特征、节点处的输入和输出以及系统中的任何设备的状态。

配水系统的属性尤其包括：

-网络的拓扑结构(即，具有弧线和节点的图形)；

-网络的形貌(即，节点的标高，

-管道的特性，例如，长度、直径、材料、粗糙度、奇异点、局部损失系数(minor losscoefficient)等等)；

-网络的每一设备的特性(例如，泵特征、阀门直径、摩擦系数、运行设定点等)。

饮用水网络的水力模型包括这一组信息。

节点处的输入和输出是由该图形的每一节点处的水的消耗或注入定义的。它们通常表示配水系统的用户的个体消耗，以及从入水口进入系统的水的注入。

诸如阀门或泵之类的设备的状态包括装置的运行状态和设定点。

在本说明书的其余部分中，配水系统的特征、节点处的输入和输出以及装置的状态将被称为配水系统的“控制变量”，而节点和弧线处的物理参数则将被称为配水系统的“状态变量”。状态变量的值随着时间的推移而变化。一些控制变量的值，例如，与网络的拓扑结构或形貌有关的那些控制变量的值，保持恒定，而一些控制变量的值，例如，与网络的输入和输出以及装置的状态有关的那些控制变量的值，则随着时间的推移而变化。同时，实体是指整个网络、或者由节点、弧线和设备构成的网络的子集、以对配水系统的行为具有影响的特点为特征的网络的单个节点、单个弧线或设备。

对状态变量的初始值的描述以及对控制变量的值(尤其是网络的节点处的消耗)的预测(时间序列)允许预测随着时间的推移状态变量的值。这一预测一般是通过以固定的或者可变的时间步计算状态变量的相继值而执行的。这一预测被称为正问题的解。

网络的一些实体配备有测量物理参数的传感器，所述物理参数通常为速度或压力。这些传感器允许获得状态变量的时间序列。

对比状态变量的观测结果而计算定义系统的拟合优度的控制变量的值的方法是已知的。这些方法一般被称为逆问题求解，下述文献尤其公开了这种方法：Piller,O.(1995):Modeling the behavior of a network-Hydraulic analysis and samplingprocedures for parameter estimation.来自波尔多大学的应用数学论文(PRES),288页,塔朗斯,法国,于1995年2月3日答辩；以及Piller,O.,Gilbert,D.and Van Zyl,J.E.(2010):Dual Calibration for Coupled Flow and Transport Models of WaterDistribution Systems.配水系统分析WDSA2010,ASCE,图森,722-731,2010年12月,US8635051。求解逆问题一般在于对包括修改控制变量的值和根据控制变量预测状态变量的值的环的逐次迭代，以便使表示状态变量的预测结果和观测结果之间的差的数学函数最小化。这些技术允许确定(例如)与状态变量的观测结果最佳地匹配的耗水量或者网络的实体的特征(例如，节点的充注损失、管道的粗糙度等)。

图2示出了本发明的多个实施例中用于检测配水系统中的异常的方法的示例，其采用了对水力模型的特性及控制变量的逐步迭代调整以及用于识别异常的机器学习。

方法200包括第一步骤220，其用于采用一组控制变量210定义水力模型211的参数。已经关于图1呈现了水力模型和控制变量的性质。所述水力模型可以尤其被配置有表征网络的结构的控制变量以及表征相对于一组时间参考对各节点处的网络的输入和输出的预测(尤其是对网络中的耗水量的预测)的控制变量。

在优选实施例中，在所述水力模型的创建之后，已经对与网络的结构有关的控制变量(例如，管道的直径和粗糙度、设备的特征等)的值进行了校准。实际上，在网络建模过程中定义的理论值并非总是与实际值匹配。为了获得与网络的结构有关的控制变量的更加准确的值，校准步骤可以包括调整这些控制变量的值，以提供对网络行为的最佳预测。典型地，这一调整可以包括：

-在某一持续时间内对网络的输入、输出和状态变量的子集进行观测；

-采用与网络的输入、输出和结构有关的控制变量的值对网络的水力模

型进行配置；

-根据所述水力模型计算网络的状态变量的预测值；

-计算网络的状态变量的观测值和预测值之间的差，并采用优化算法修

改网络的控制变量的值，以便使网络的状态变量的观测值和预测值之

间的差距最小化。

另一方面，可以(例如)采用过去的输入和输出的观测结果获得与网络的输入和输出有关的控制变量。例如，可以采用耗水量的历史计量数据来计算表征不同节点处的耗水量的控制变量的值。

方法200还包括采用传感器获得状态变量的子集的观测结果的步骤230，所述观测结果具有时间参考。如结合图1所陈述的，配水系统通常配备有传感器。这些传感器测量网络的节点或者弧线处的诸如速度、流速、压力等之类的物理参数，节点或者弧线处的所述物理参数是网络的状态变量。出于运行的简便性、成本和维护的实际原因，并非所有的节点和弧线都配备传感器，那些配备传感器的节点和弧线一般也不会为每个物理参数都配备传感器。传感器的数量和分布可以是根据配水系统的区段的定义而选择的。可以远程执行观测结果的采集。例如，沿网络部署的传感器可以将状态变量的值通过各种电信手段(通常为无线链路)发送至远程平台。

状态变量的值随着时间的推移而变化，每一值具有表示测得该值的时间的时间参考。在本发明的实施例中，状态变量的值是采用预定义的时间周期采集的并且采用另一周期定期发送。例如，存在针对其的传感器的状态变量的值可以在每24小时内每两分钟、每5分钟、每15分钟或者每小时采集并发送一次。在本发明的优选实施例中，使各传感器同步，以便同时采集测量结果。这允许远程平台在每一时间参考采集有可用的传感器的状态变量的子集的值的观测结果。值可以在测量之后立即被发送。也可以将其本地存储于发送装置级，之后定期对其进行发送，例如，在15分钟、1小时或者任何其它时间间隔内发送所捕获的所有值。

方法200还包括设置至少一个目标的步骤240。所述步骤旨在定义目标事件，例如，其可以是压力异常变化、检测到处于错误打开状态的阀门。因而，这些目标事件将是针对各个实体(整个网络、网络的子集等)在所述方法的下述步骤中寻找的那些事件。如参考图3所解释的，在步骤310中针对每一类型的目标事件定义一组参数。

方法200还包括识别参数的步骤250。在本发明的多个实施例中，针对目标事件来设置参数。在将多个事件锁定为目标的情况下，一个接一个地或者并行地针对每一目标事件执行识别步骤250。下文将参考图3提供在一种情况下识别参数的方法的示例。存在用于确定目标事件的各种方法。在本发明的多个实施例中，在预定义列表中选取事件。在其它实施例中，针对具体应用选择一个事件。例如，可以只选择“泄漏”事件。在本发明的又一些实施例中，操作者在所有可能事件的列表中选择其感兴趣的事件。在本发明的又一些实施例中，选择根据存在于网络中的传感器可检测到的事件。在本发明的其它实施例中，不搜索任何特定的事件。因而，能够选择预定义的一组参数。

所述方法包括进行特征向量的提取和预处理，从而对分类步骤做准备的步骤260。所述过程旨在使数据标准化，以及减少维次的问题。输入数据包括所有的模型输出(参照图3)，输出数据是具有降低的维数的向量。在一个实施例中，可以使用主成分分析、线性判别分析或者k最近邻算法求解维次减小的问题。

所述方法包括定性表示实体的当前状态的步骤270。根据早前提出的实体的定义，对实体的分类可以适用于整个网络以及网络的单个弧线、单个节点或者节点和弧线的子集。在本发明的多个实施例中，选择形成实体的网络的节点和弧线的子集，以便形成相关集。例如，实体可以是向一个地区供水的区域的子集，其中，整个实体具有单个输入和单个输出弧线。

可以根据由特征向量构成的历史标记数据的可用性和量而采用各种机器学习技术。在多个实施例中，这些技术包括异常值检测、聚类和分类。在多个实施例中，机器学习的规则基于先前针对历史标记特征向量训练的机器学习算法271。例如，在有充分可用的历史标记种类的情况下，分类算法能够分析可用历史种类和对应的特征向量，以便建立自动确定实体分类规则的分类器。之后，能够将新的特征向量自动分类到相关的当前种类中，由此表征当前状态，并向操作者提供有价值的信息。例如，所述分类可以基于支持向量机、随机森林、逻辑回归等。在多个实施例中，可以采用具有两个种类(正常/异常状态)的分类。在多个实施例中，分类还可以包括异常类型(压力、高/低消耗量和水质)等。分类还可以包括置信度的指标，其表示对异常所做的分类的确定性。在多个实施例中，可以依据时基(所定义的频率)、性能标准或者所采用的数据集中的演变而随时触发对机器学习算法的训练。

在没有充分可用的标记的历史种类和对应的特征向量的情况下，可以采用聚类或者异常值检测。聚类可以包括诸如K均值或分级聚类之类的技术。聚类使用过去的状态，其由过去的特征向量表示但没有已知标记。在本发明的一个实施例中，如果状态不存在于较大的聚类中(聚类的大小的标准被测试)，那么将其断定为异常。

所述方法包括步骤280，以根据机器学习算法的输出来判断针对实体计算的种类是否对应于异常状态(事件)或者各状态之一是否被检测为异常值。如果检测到事件，那么所述方法进行至290。如果状态被定性表示为正常，那么所述方法进行至291。

所述方法包括向操作者显示结构化信息的步骤290。于是，能够将处于异常状态的优先化实体的列表呈献给操作者，以便对具有最高的异常可能性的实体启动适当的维修操作。这些具有异常状态的实体连同贯穿先前各步骤收集的额外信息(基于模型输出和特征向量中包含的信息)一起被呈现。在一个实施例中，所述信息包含有关异常水平的量化(例如，泄漏的流量值、水头损失值)、异常的时间和持续时长、异常的已知位置和扩展等的指示。考虑上下文设置，采用这一信息排出各异常状态的优先次序，并将异常的程度提供给用户。

所述方法包括丰富被标记为“正常”的特征向量的历史数据库的步骤291。将这些特征向量用作算法的学习过程的输入。这有利地允许随着时间的推移而具有更加丰富的数据库，进而具有对正常或异常状态的更加可靠的预测。

所述方法包括丰富未被所述方法标记为“正常”的特征向量的历史数据库的步骤292。之后，所述方法包括由操作者对事件进行检验的步骤。在一个实施例中，操作者之后能够在所述方法中针对每一实体输入其是否确认该事件以及该事件的种类。之后，可以根据向量属于的种类(泄漏、压力异常、水质异常等)来对向量进行标记。不管所述状态是“异常”还是“正常”，都采用新的经分类的特征向量来丰富特征向量的历史数据库。这些特征向量被用作算法的学习过程中的输入。如果向量未被操作者标记，那么其仍然被存储，只是没有具体的标记。之后，能够将其用在无监督或者半监督模式下(聚类和异常值检测)。

图3示出了本发明的多个实施例中用于识别目标事件的参数的方法的示例。

方法300包括根据在步骤240中选择的特定实体和目标事件之一来设置问题的步骤310。所述步骤旨在针对实体定义对应于目标事件类型的参数集。针对实体和事件的每个目标定义一组参数。在本发明的多个实施例中，事件类型与参数的列表相关联，并根据被锁定为目标的事件来获取该组参数。例如，已知阀门的错误打开状态是通过表示粗糙度和摩擦的控制变量的不一致的值来表征的，而已知泄漏是通过需水量的异常值来表征的。

方法300还包括采用水力模型来计算表征实体的一组状态变量的预测值的步骤320，所述状态变量至少是时间参考时的弧线处的速度以及节点处的压力。这一步骤包括计算在观测的时间参考时的所述实体(网络、其子集等)的状态变量的预测值。用于采用水力模型计算水力网络的状态变量的预测值的方法是供水系统工程领域的技术人员所公知的。这些方法通常包括从时间参考时的水池状态以及控制变量的值开始，采用水力学物理定律计算同一时间参考时的所有状态变量的值，之后计算下一时间参考时的水池状态的值。于是可以从状态变量的初始值和控制变量的值开始计算所有时间参考时的状态变量的预测值。用于计算某一时间参考时的状态变量的预测值的方法尤其在下述文献中被公开：O.Piller,“Modeling the behavior of0a network-Hydraulic analysis and samplingprocedures for parameter estimation”.来自波尔多大学的数学与计算机科学博士生院的应用数学博士论文(PRES),1995,288页,塔朗斯,法国。

所述方法还包括计算作为各时间参考时的预测结果和观测结果之间的差的状态变量的子集的残差值的步骤330。这一步骤包括针对观测结果可用的状态变量计算状态变量的预测值和经预处理(平滑化、数据填补等，以清理信号)的观测值之间的差。在系统受到了正确的建模和校准，并且正确地定义了网络的输入和输出的情况下，状态变量的观测结果和预测结果将是非常接近的：这意味着残差值可忽略。相反，残差值可能是重要的，这意味着发生了异常，例如，在水的空间消耗出错的时候。采用目标函数计算残差值的重要性，以作为加权范数。

方法300还包括检验残差值是否满足断线判据的步骤340。这一步骤包括检验状态变量的残差值是否小到足以认为控制变量的值准确地描述了实体的行为。所述断线判据可以是(例如)有关迭代次数的阈值、有关残差值的变差的阈值、有关相对于该组参数的目标函数梯度的阈值的组合。

在不满足断线判据340时，方法300包括采用下降法来改变问题参数(例如，消耗情况)的值的循环步骤350。在实施例中，所述方法可以是梯度算法、共轭梯度算法、牛顿算法、Levenberg Marquardt算法等。这一步骤350馈送新的迭代步骤320，借助于水力模型使用经修改的问题参数值来计算预测值。

在满足断线判据340时，方法300包括基于细化判据而测试的步骤360。在目标函数的值下降时，执行额外的细化步骤370，以进入循坏到达步骤320。

方法300还包括选择具有至少一个元素(节点或弧线)的子集的步骤370。所述步骤检查作为元素(节点或弧线)灵敏度向量与元素贡献向量的标量积而计算出的梯度。所述方法基于灵敏度评估根据选择标准而抛弃元素。在实施例中，抛弃那些具有正灵敏度的元素。这一步骤370馈送新的迭代步骤320，采用水力模型计算关于所选择的元素的预测值。

方法300还包括提供模型参数的输出的步骤380。模型输出包括经调整的参数、各元素组和相关目标函数的相继值以及在如图2所示的步骤260中被处理的特征。因此模型输出包括有关从具体的节点或弧线到网络的子集乃至整个网络的各个实体的信息。

实施例的示例：对阀门的错误打开状态的检测

下文将利用方法200的非限制性示例描述检测阀门的错误打开状态的方案。

水力模型已经在校准阶段使用阀门的不同的打开状态被定义和校准。阀门的打开状态可以随着时间的推移而变化，并且必须对表示阀门位置的控制变量进行相应的更新。但是，情况并非总是如此，尤其是在阀门未配备传感器的情况下以及对阀门进行人工操作的情况下。

已经定义了多种不同种类的异常，其包括异常例如泄漏以及诸如阀门的错误打开状态之类的装置状态更新错误。机器学习算法已经受到了训练，以获得针对与每一类型的异常对应的历史标记特征向量的分类器。

执行异常识别方法的若干实例，每一实例对不同的模型参数起作用。例如，已知阀门的错误打开状态是通过表示粗糙度和摩擦的控制变量的不一致的值来表征的，同时已知泄漏是通过需求的异常值表征的。这两者将产生压力和流量的不一致值的组合。

因此，方法250的每次执行都将修改其自身的一组问题参数，实体(弧线或节点或者网络的子集)处的对应异常的存在将引起对对应参数的重大修改。将来自模拟的输出用于特征提取算法和预处理算法中，以获得每一实体的特征向量。之后将所述特征向量用到分类器中，从而为每一实体选择当前种类。例如，如果方法300的执行显著地修改了弧线子集处的粗糙度和摩擦的值，并且这一子集包含配备了阀门的弧线，那么可以将该弧线子集分类到表示阀门的不正确位置的种类中。

将这一信息提供给操作者，其能够发起人工检查，以验证阀门打开状态的不正确性，并在必要情况下校正其打开状态。一旦确立了分类的正确性，就可以采用这一数据进一步训练针对处于错误打开状态的阀门的分类方法。实际上，基于学习的分类的效率(误警报的数量、正确检测的数量等)已知随着分类情况的数量而提高。

图4示出了本发明的多个实施例中用于检测配水系统中的异常的方法的示例，其采用了对来自水力模型的残差值的统计分析。

方法400包括：

-采用表征网络及其在各节点处的输出的一组控制变量210的值对配水系统的水力模型211进行配置的步骤220；

-采用网络上的传感器来采集各时间参考时的状态变量的子集的观测结果的步骤230；

-采用水力模型来计算至少表征各节点处的速度的一组状态变量的预测值的步骤320，所述值具有时间参考；

-计算作为各时间参考时的预测值和观测结果之间的差的所述状态变量的子集的残差值的步骤330；

这些步骤与方法200和300的那些步骤类似。在本发明的优选实施例中，残差值是针对状态变量的观测结果可用的所有实体计算的。

方法400还包括针对时间参考的选集对至少一个实体执行多项对残差值的统计分析的步骤410。这一步骤包括分析在时间窗口内的每一时间参考时实体的残差值的分布情况。根据本发明的各个实施例，所述时间窗口可以覆盖时间参考的全体或其子集。

通过所述多项统计分析，能够在残差值与残差值的历史观测结果不一致的情况下设定异常。对残差值的历史分布的使用允许捕捉惯常行为和反常行为，包括残差值的变化和各种特性，从而在给定时间窗口将其与当前残差值进行比较。例如，步骤410可以包括采用历史残差值数据库的统计推断(n阶矩、平均值、标准偏差、平均值或者绝对中位差等)计算，从而将其与对当前残差值的对应统计推断进行比较。这样做将为所述方法赋予更高的鲁棒性，因为其考虑了过去的值。

在本发明的多个实施例中，在统计分析之前采用傅里叶变换对残差值进行转换。在本发明的实施例中，执行针对实体的统计分析包括检测残差值的值是否超过了针对连续的预定义次数的预定义阈值。所述阈值和连续次数可以是根据先前的检测而预定义的，以便使存在异常时的异常检测比率最大化，并且使不存在异常时的异常检测(误警报)比率最小化。所述分析可以由以下构成：对残差值特性的统计测试，以及对所得到的P值的计算以对测试结果进行量化。可以设置关于P值的阈值，以获得收到误警报的风险水平。因而，设置给定值意味着预计误警报(即，错误地拒绝假设)的给定百分比。在实施例中，所述统计分析通常是对压力或速度的残差值执行的。例如，可以在几个小时的窗口执行流速分析以用于检测泄漏。

所述方法还包括基于要对所述统计分析步骤的输出应用的规则对网络的至少一个实体进行分类的步骤420。在所述规则的应用之后，对实体赋予类别(例如，“泄漏”、“压力下降”、“水质问题”)。在本发明的实施例中，所述规则基于在步骤410中执行的统计测试所给出的P值与预定义风险水平的比较，取决于所述方法的目标灵敏度水平。在本发明的实施例中，所述规则基于先前经过训练的分类算法，其实现了基于过去的模拟来分析残差值的当前向量，并给出实体的当前类别。在本发明的实施例中，有两种类别可用，一种代表正常状态，另一种代表异常状态。在本发明的其它实施例中，类别给出了异常的更为准确的性质，例如，“压力的异常下降”、“水质有问题”等等。

所述方法包括根据当前类别来确定下一步骤的步骤430。如果类别之一对应于异常状态(可能的异常状态之一)或者该状态被检测为处于范围之外，那么所述方法进行至450。如果所有的类别都被定性表示为正常，那么所述方法进行至440。

所述方法包括当前时间窗口上采用被标记为“正常”的实体的残差值来丰富残差值的历史数据库的步骤440。这些残差值被用在统计分析过程中，以提供有关残差值的惯常分布的信息。

方法400包括显示事件连同其特征的步骤450。之后，将异常呈献给操作者，例如，在分类列表中或者图形界面上。在本发明的多个实施例中，所述方法还包括量化异常的关键程度的步骤。例如，这一步骤可以包括按照从最严重到最不严重对异常排序。例如，所述排序可以例如根据残差值的重要性、发现重要残差值的时间或者高残差值涉及的物理参数的性质而执行。例如，对泄漏的量化例如可以根据所估算的泄漏量来计算。在本发明的实施例中，只有被认为最严重的异常才被呈献给操作者。于是，操作者能够派遣人工检查，以检验异常性质，并在有必要的情况下解决该异常。其还具有断言异常的检测的正确性的能力(用户标记)，以便提供额外的训练情况，并改进将来的异常检测。

所述方法包括采用当前时间窗口上未被标记为“正常”的实体的残差值来丰富残差值的历史数据库的步骤460。这些残差值被用到统计分析过程中，以提供有关反常残差值分布的信息。

实施例的示例：传感器故障的检测

下文将通过方法400的非限制性示例来描述检测传感器故障的方案。

已经对配备有水流量传感器和压力传感器的配水系统进行了建模。表示网络的水力模型的管道、节点和装置之间的水力关系在建模软件文件中被描述，例如，所述文件为Epanet(.inp/.net)文件、Piccolo(.dat)文件、Infoworks(.iwc)文件或Porteau(.xpto)文件。所述模型已经在先前的校准阶段内得到了校准，在所述校准阶段内已经确定了表示网络的结构的参数或控制变量(例如，基础设施的尺寸、粗糙度、充注损失)。除了永久性传感器之外可以采用临时传感器来执行对所述模型的校准，以便相较于只采用永久性传感器的情况更加准确地确定控制变量。

在学习阶段期间，将所述方法与消耗的预测结合使用，可以(例如)根据一年中的日期以及测量的历史数据对所述预测进行调适。通过执行预测值和测量值之间的差来获得残差值。针对所有配备了传感器的实体，对残差值进行存储。之后，可以对残差值应用检测模块，以便确认残差值是否表示根据残差值的历史数据集习得的系统的标准行为。例如，可以习得表示每一节点的行为的值。所述模型尤其可以包括残差值的标准偏差，或者在考虑各种操作环境的情况下该系列的残差值的自相关的参数。操作环境可以包括对网络的行为有影响的每个元素，例如，日期和时间、当前月份或季节等。所述学习模块还可以采用对历史值的分析来确定残差值的特征的极限值，以便对系统的灵敏度进行调适。就(例如)统计测试而言，可以对用于拒绝假设的P值的阈值进行调节，以便为操作者提供可接受的预期误警报数量。于是得到误警报的风险水平取决于设置的所述阈值。在将各值与平均值和一定数量的标准偏差(置信度包络)的线性组合进行比较的情况下，能够根据统计过程控制原理来设置标准偏差的数量。之后，能够设置预期的误警报数量。记录残差值的特征。

在操作阶段中，将所述方法应用于传感器在一定时间窗口，例如，6小时内的测量结果。采用系统的初始状态和对耗水量的预测来单独计算预测值。残差值是(例如)按照矩阵存储的，其中，每一传感器一行，并且每一时间参考一列。检测过程可能会引起异常传感器行为，例如，漂移、多个超范围值等。可以在某些测量点因不一致的值而观测到预测值的这种异常。例如，如果对于大量的相继值，残差值均过高，或者由自回归模型表示的残差值分布不同于其历史分布，那么将检测到异常。已经采用历史值在学习阶段确定了用于检测异常的阈值。这一实施例是有利的，因为采用历史值并与之进行比较将允许在限制误警报的数量的同时检测异常。

可以以表示观测结果和预测结果之间的差的残差值为基础计算异常的强度。这一强度允许对报告给操作者的异常进行量化，指出其严重性。这种对强度的度量将有助于操作者将所述异常与同一网络上的先前异常进行比较，并决定为了解决所述异常而要采取的行动。就传感器问题而言，维护可以由(例如)对传感器的直接物理操作构成。

图5示出了本发明的多个实施例中用于检测配水系统中的异常的方法的示例，其利用了对来自水力模型的表征校准状态的残差值的统计分析与对水力模型的特性和控制变量的逐步迭代调整的结合，以及用于识别异常的机器学习。

方法500包括：

-采用表征网络及其在各节点处的输出的一组控制变量210的值来对配水系统的水力模型211进行配置的步骤220；

-采用网络上的传感器采集状态变量的子集在各时间参考时的观测结果的步骤230；

-设置至少一个目标的步骤240，其旨在定义对应于每一类型的目标事件的参数集。

-在并行过程中识别每一目标事件的参数的步骤250

-对特征向量进行提取和预处理以准备分类步骤的步骤260

-依据历史标记数据的可用性而采用经训练的机器学习算法271对实体的当前状态进行定性表示的步骤270

-根据每一实体的当前状态来确定下一步骤的标准280

-如果不满足标准280，采用被标记为“正常”的特征向量来丰富历史数据库的步骤291

-如果满足标准280，采用未通过所述方法被标记为“正常”的特征向量来丰富历史数据库的步骤292

-采用水力模型来计算至少表征节点处的速度的一组状态变量的预测值的步骤320，所述值具有时间参考；

-计算作为时间参考时的预测值和观测结果之间的差的状态变量的子集的残差值的步骤330；

-对时间参考的选集的和实体(至少节点)的残差值执行统计分析的步骤410；

-基于要对所述统计分析步骤的输出应用的规则来对网络的至少一个实体进行分类的步骤420；

-根据当前类别来确定下一步骤的步骤430；

-采用在当前时间窗口被标记为“正常”的实体的残差值来丰富历史残差值数据库的步骤440。

步骤220、230、240、250、260、270、280与方法200的那些步骤类似。步骤320和330与方法300的那些步骤类似。步骤410、420、430、440与方法400的那些步骤类似。

所述方法包括以在步骤270和420的输出处的状态对所述网络进行分类的步骤510。有很多不同的方法用于将采用残差值的事件检测和采用逆水力模型的事件检测结合到全局分类中。在某些情况下，这样的检测相较于仅采用所述分支之一的事件检测要更加精确、鲁棒。例如，在很多情况下，步骤420处的事件分类与步骤270处的事件分类相比训练起来更快。因而，在网络中的事件检测的开始，步骤420处的事件分类相较于步骤270处的事件分类能够在较低数量的训练周期之后提供可靠的事件检测。同时，步骤250处的参数识别允许更加精确地对事件定位，即使在未配备传感器的节点中亦如此。实际上，对甚至未配备传感器的节点或者弧线处的参数的修改将允许对这一节点或弧线处的事件进行定位。因而将两种检测事件的方式相结合将有利地结合两个分支的优点，并提供同时精确且训练快速的事件检测。

有很多不同的方式可以用于检测合并事件检测。例如，有可能对步骤270和420两者的输出的事件采用机器学习算法，以便对所述机器学习算法进行训练，由此在步骤270和420所引起的事件的最相关情况下引起事件。在本发明的其它实施例中，采用更简单的组合：当在步骤270处在节点中检测到事件时，步骤510核查步骤420的输出在配备有传感器的相邻节点中是否包括事件，如果是，那么核查两个事件是否属于相似类型。如果是这种情况，那么系统输出在步骤270处检测到的事件。

在本发明的其它实施例中，事件并不是由两个分支中的事件组合的，而是针对步骤330的输出处的残差值以及步骤260的输出处的特征向量对事件分类算法进行全局训练。

方法500包括步骤520，其旨在将过程500的输出显示给运营者。

实施例的示例：在系统使用的早期减少泄漏

下文将通过方法500的非限制性示例来描述当在系统使用的早期检测泄漏时减少不正确的警报的方案。

这一示例描述了在采用根据本发明的方法500进行了几个周期的检测和训练之后对泄漏的检测。已知机器学习算法的效率随着使用次数的增加而提高。这是一种合乎要求的性质，因为事件检测系统的可靠性提高了，并且机器学习算法在受到了适当训练时能够达到非常高的可靠性水平。但是，在系统的早期使用阶段，对机器学习算法的训练不足可能导致不正确的警报。

基于残差值的矩阵的机器学习与基于逆水力模型的输出处的参数的机器学习算法相比通常训练起来更快，这至少是因为相较于对控制变量的分类能够更频繁地发起对残差值矩阵的分类。

在系统的早期使用阶段，在步骤270处检测到泄漏事件，但是并没有泄漏存在。这一错误检测的原因在于机器学习算法的训练不够。与此同时，具有在较低数量的周期内被训练的能力的基于残差值的分类算法则未检测到任何事件。在这一示例中，步骤510抛弃了该事件，从而避免了引起误警报。

图6示出了将异常的定位呈献给操作者的示例。

通过显示装置将配水系统的网络的地图600显示给操作者。所述地图包含表示系统的管道的线，线的宽度表示管道的直径。所述系统包含大的管道，例如，管道610和611，还包含较小管道，例如，管道620和621。在网络中定位了三处泄漏630、631、632，并用大的圆对其加以表示。可以插入有关泄漏的相对重要性的信息。例如，圆的直径可以随着泄漏的重要性的增大而增大。还可以仅表示被认为最严重的泄漏，或者显示有关该泄漏的额外信息，例如，具有最接近的特征的过去泄漏的列表。

给出了上文描述的示例以作为对本发明的实施例的例示。它们不以任何方式限制本发明的范围，本发明的范围由所附权利要求限定。

Claims (15)

1.一种用于检测由节点网络构成的配水系统中的异常的方法(200)，所述方法包括：

A)通过对表征所述网络及其在所述节点处的输出的一组控制变量(210)的值进行初始化来将所述配水系统的水力模型(211)参数化(220)；

B)采用所述网络上的传感器来采集状态变量的子集的观测结果(230)，所述观测结果具有时间参考；

C)改变所述一组控制变量的所述值(310)；

D)采用所述水力模型来计算(320)至少表征在所述节点处的水流速度和压力的一组状态变量在所述时间参考时的预测值；

E)计算所述一组状态变量的作为在所述时间参考时的预测值和观测结果之间的差的残差值(330)；

F)如果所述差满足断线判据(340)，那么进行至步骤H)；

G)如果不满足，那么改变所述一组控制变量的所述值(350)，并返回至步骤D)；

H)如果所述差满足细化判据(360)，那么进行至步骤J)；

I)如果不满足，那么选择所述网络的其中要计算预测值的子集，并返回至步骤D)

J)根据所述一组控制变量以状态对所述网络的实体进行分类(270)。

2.根据权利要求1所述的方法，其中，针对至少一种事件类型执行步骤C)到J)，并且根据所述至少一种事件类型执行对控制变量的所述状态的改变。

3.根据权利要求2所述的方法，其中，对多种事件类型进行测试，并且针对每一种事件类型执行步骤C)到J)的一个实例。

4.根据权利要求1至3中的一项所述的方法，其中，所述细化判据包括对最小二乘和贝叶斯目标函数之一的值的计算，并通过列文伯格-马夸尔特算法确定对控制变量的选择和修改。

5.根据权利要求1至4中的一项所述的方法，其中，通过先前经受训练的机器学习算法来执行对所述网络的实体的分类。

6.根据权利要求1至5中的一项所述的方法，其中，所述控制变量包括表征所述网络的拓扑结构和形貌的标量变量以及表征所述网络的输入和输出的基于时间的变量，所述基于时间的变量在每个时间参考具有至少一个值。

7.根据权利要求6所述的方法，其中，改变所述一组控制变量的所述值包括修改以下的至少其中之一：

-所述基于时间的控制变量的子集的值；

-在对所述网络建模的阶段内计算的所述标量控制变量的子集的值。

8.根据权利要求7所述的方法，其中，修改所述基于时间的控制变量的子集的值包括：修改表示耗水量的基于时间的控制变量的值。

9.根据权利要求1至8中的一项所述的方法，其中，状态变量还表征压力。

10.一种用于检测由节点网络构成的配水系统中的异常的方法，所述方法包括：

-借助于表征所述网络及其在所述节点处的输出的一组控制变量的值(210)对所述配水系统的水力模型(211)进行参数化(220)；

-采用所述网络上的传感器来采集(230)所述状态变量的子集在时间参考时的观测结果；

-采用所述水力模型来计算(320)至少表征在所述节点处的水流速度的一组状态变量的预测值，所述值具有时间参考；

-计算(330)所述状态变量的所述子集的作为所述时间参考时的预测值与观测结果之间的差的残差值；

-对所述时间参考的选集时的在所述网络的实体处的残差值执行(410)统计分析；

-基于对残差值的所述统计分析与从残差值的一个或多个历史数据集习得的表示所述实体的行为的值之间的比较来对所述网络的所述实体进行分类(420)。

11.根据权利要求10所述的方法，其中，所述统计分析包括对以下的其中之一的计算：平均值、标准偏差、绝对平均偏差或绝对中位偏差、自回归模型、箱形图、支持向量机、主成分分析(PCA)、K最近邻和统计测试(计算P值)的结果。

12.根据权利要求10和11中的一项所述的方法，其中，如果至少一个节点处的残差值超过了基于运行风险水平和历史数据的统计分析的阈值长达预定义数量的相继时间参考，那么以表示异常状态的类别对所述网络的实体进行分类。

13.根据权利要求1至9中的一项和权利要求10至12中的一项所述的方法，还包括以在以下步骤的输出处的状态对所述网络进行分类(510)：

-J)根据所述一组控制变量以状态对所述网络的实体进行分类(270)；以及

-基于对残差值的所述统计分析与从残差值的一个或多个历史数据集习得的表示所述实体的行为的值之间的比较来对所述网络的节点和弧线的至少其中之一进行分类(420)。

14.一种用于检测由节点网络构成的配水系统中的异常的系统，所述系统包括：

-处于所述网络的节点的子集处的至少针对水流速度和压力的传感器；

-包括处理器的计算装置；

-传感器和所述计算装置之间的通信链路；

-存储介质；

其中，所述计算装置被配置用于：

-从所述存储介质获取表征所述网络及其在所述节点处的输出的一组控制变量的初始值，并采用其对所述配水系统的水力模型进行参数化；

-采用所述网络上的传感器之间的通信链路来采集所述状态变量的子集的观测结果，所述观测结果具有时间参考；

-执行根据权利要求1至13中任一项所述的方法。

15.一种计算机程序产品，所述计算机程序产品被存储在非暂时性计算机可读介质上，检测由节点网络构成的配水系统中的异常，所述计算机程序产品包括用于执行根据权利要求1至13中任一项所述的方法的代码指令。