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技术方案

本发明专利技术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；本发明专利技术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

【技术实现步骤摘要】
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


[0001]本专利技术属于智能监测
，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
。

技术介绍

[0002]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；
[0003]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；本专利技术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
。

技术实现思路

[0004]为了解决现有技术中的上述问题，本专利技术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：
[0005]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；
[0006]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；
[0007]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；
[0008]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；
[0009]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；
[0010]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：
[0011]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；
[0012]步骤
S5_A2
：从待确定补充输入向量
av
ak
中选择和实时输入向量
v
＝
<v
n
>
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
av
k
；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；
[0013]所述步骤具体包括如下步骤：
[0014]步骤
S5_A21
：计算实时输入向量
v
的平均值
[0015]步骤
S5_A22
：获取一未处理待确定补充输入向量
av
ak
＝
<av
ak
，
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；
[0016]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；
[0017]所述平衡条件为如下公式
(1)
；
[0018][0019]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；
[0020][0021][0022][0023][0024]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
；
[0025]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
。
[0026]进本文档来自技高网...

【技术保护点】

【技术特征摘要】
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
av
ak
中选择和实时输入向量
v
＝
<v
n
>
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
av
k
；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
av
ak
＝
<av
ak,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...

【专利技术属性】
技术研发人员：傅雷，杭高森，
申请(专利权)人：上海省燃智能科技有限公司，
类型：发明
国别省市：