申请/专利权人：苏伊士集团

申请日：2015-07-23

公开（公告）日：2020-06-26

公开（公告）号：CN106575312B

主分类号：G06F30/20(20200101)

分类号：G06F30/20(20200101);G06F113/14(20200101);G06F117/02(20200101);G06Q50/06(20120101)

优先权：["20140725 FR 1457222"]

专利状态码：有效-授权

法律状态：2020.06.26#授权;2017.07.11#实质审查的生效;2017.04.19#公开

摘要：使用一种网络的水力模型，所述水力模型描述结构数据以及控制配送的流的定律。用与初级输入参数相关的操作数据供给所述模型，并借助模型获得针对初级输出参数的理论值。比较理论值与测量值。在显著偏差的情况下，相对应的初级输出参数在包括新的次级输出参数的反向模型中变为次级输入参数，所述新的次级输出参数相对于正向模型被添加或对应于初级输入参数。优选地，次级输出参数是具有异常值的初级输出参数对其特别灵敏的参数。需要在逐渐地限制次级输出参数的数量的同时，以迭代的方式实施该方法。

主权项：1.一种检测流体配送网络中的异常的方法，包括以下步骤：-为配送网络建立包括以下元素的正向模型：ο配送网络的结构数据，所述结构数据与所述配送网络的地形相关并包括所述配送网络的设备的状态数据或设定值，ο操作数据，所述操作数据与被选择作为描述操作场景的初级输入参数的参数相关，ο定律，所述定律将所述结构数据、初级输入参数以及初级输出参数相连接；-由水力仿真引擎执行正向模型，用于确定初级输出参数的理论值；-在以上步骤的全部或部分之前或之后，获得来自初级输出参数的数据获取系统的测量结果；-比较理论值与测量结果；-在比较显示出由于理论值与测量结果之间的大偏差而导致的至少一个异常初级输出参数的情况下，相对于一组能配置的参数建立包括使在测量点处的测量结果与仿真之间的偏差函数最小化的反向模型，反向模型是通过将至少一个异常初级输出参数引入作为反向模型的次级输入参数而从正向模型导出的，次级输入参数将测量值采纳为值，并且除了那些被保持的初级输出参数之外反向模型还包括至少一个次级输出参数；-由水力仿真引擎执行反向模型；-根据反向模型的执行定位配送网络的异常。

全文数据：用于检测配送网络特别是水配送网络中的异常的方法技术领域[0001]本发明涉及一种检测流体供应系统，特别是牛顿流体的配送网络，更特别地用于饮用水配送，还例如供热和或空气调节城市网络中的异常的方法。背景技术[0002]操作性能处于这种网络的管理的核心地位。借助例如在饮用水运输及配送网络上的水力hydraulic异常的检测和定位工具，可以显著改善性能等级。[0003]在这种网络中，可能发生不同类型的事故并且事故可能具有对运营者而言严重的后果。这可以涉及泄漏，对消费者供应的中断，组件的运行故障，在介入期间或者在介入之后的操纵错误，在消费者家中的运行故障、异常表现或恶意动作。[0004]在扩展程度很高并且部分不可达被掩埋的网络上，直接的监视是低效率的或者经常是不可能的。通过测量仪器的监视也是不足够的，因为本地异常可以对网络的广泛区域具有影响，或甚至对整个网络具有影响，这使诊断复杂化。[0005] 已知基于统计技术的检测方法。这些方法既不允许表示异常的特征也不允许定位异常。[〇〇〇6] 其他已知的检测方法基于使用用于检测和或定位异常的演化算法遗传算法的水力模型。这些演化方法非常消耗计算资源，这使得难以大规模应用。发明内容[0007]本发明的目的是提出一种用于检测和或定位和或表征和或量化配送网络中的异常的有效方法，该配送网络在必要时可以是巨大的，如饮用水配送网络。[0008]根据本发明，检测配送网络中的异常的方法，包括以下步骤:[0009] -为网络建立包括以下元素的正向模型:[0010] ◦网络的结构数据，[0011] ◦操作数据，所述操作数据与被选择作为描述操作场景的初级输入参数的参数相关，[0012] ◦定律，所述定律将所述结构数据、初级输入参数以及初级输出参数相连接对模型进行仿真；[0013]_执行正向模型，用于确定初级输出参数的理论值求解反向问题；[0014] -获得初级输出参数的测量结果；[0015] -比较理论值与测量结果；[0016] -在比较揭示出由于理论值与测量结果之间的大偏差而导致的至少一个异常初级输出参数的情况下，建立反向模型，该反向模型是通过将至少一个异常初级输出参数引入作为反向模型的次级输入参数，从正向模型导出的，除了被保持的初级输出参数之外反向模型还包括至少一个次级输出参数；[0017] -执行反向模型。[0018] 优选地，配送网络是流体配送网络。[0019] 反向模型的建立可以包括相对于所有可配置的参数使在测量点处的测量结果与仿真之间的偏差函数最小化。[0020] 次级输入参数可以将测量值采纳为值。[0021] 优选地，由水力仿真引擎实现反向模型的执行。[〇〇22]求解反向问题可以实施使理论输出与测量输出之间的偏差最小化的数字算法，同时使用在正向模型中的相对于输入的输出的灵敏度的计算。[0〇23]结构数据典型地与网络的地形topography、网络组件的性质以及特征等相关。[0024]将“初级输入参数”称为运行参数。典型地，运行参数是时间中的变量。例如，在水配送网络中的流率、压力等，其中，使用该值作为用于正向模型的输入数据。该值可以由测量仪器提供，或以另一种方式已知，例如取决于日期和时刻的消耗统计。通常初级输入参数包括描述在网络的边界limit条件下的参数。例如，在水力网络中，网络的供应流率和提供给消费者的流率。[〇〇25]以通常方式，形容词“初级”表示“与正向模型相关”，而形容词“次级”表示“与反向模型相关”。[0026]“场景”是网络的运行情况。例如，在水力网络中，场景以供应储罐中的特定充满水位开始，并且在场景进展期间，在根据在消耗点处取得的流率向网络提供水的同时储罐以特定流率被再次供给。不同的流率根据构成场景的部分的相应的时间图而演变。[〇〇27]特别地，定律law是可应用的物理定律。例如，在水力网络中，根据流动速度以及两个点之间的网络的结构数据，网络的所述两个点之间的水头损失headloss压力下降。[〇〇28]“初级输出参数”是通过执行用于获得其理论值的正向模型的可计算的参数，并且同时初级输出参数是借助提供初级输出参数中的每一个的测量结果的网络仪器可测量的或例如根据之前的统计已知的。[〇〇29]在根据本发明的方法中，比较初级输出参数的理论值与实际值，并且在理论值与测量值之间不一致的情况下，认为在网络中存在异常。[0030] 当初级输出参数为“异常”时，这意味着在其理论值与测量值之间存在超过了可接受的错误界限，进入反向模型的求解执行，对于反向模型，异常初级输出参数变为次级输入参数，对于该次级输入参数将测量的值给定为值。尤其为了使反向模型具有必要的数学自由度，在反向模型中引入由新的次级输出参数构成的至少一个额外值。优选地，根据得自于在执行正向模型后与测量结果的比较的异常，合理地选择这些新的次级输出参数。[0031] 反向模型的执行提供直接消息性的结果，例如新的输出参数具有允许用足够的确定性识别异常的理论值，或者如下面将阐述的，允许通过迭代向这种标识转换。[0032] 因此，本发明巧妙地利用由“定律”连接的所有变量运行参数的一致性，所述“定律”典型地是网络特别是水力网络的表现的方程。[〇〇33]至少一个次级输出参数可以是相对于正向模型被添加到水力模型的参数。[0034] 例如，如果怀疑在网络点处的泄漏，可以添加泄漏流率作为借助反向模型寻求确定的次级输出参数。[0035] 至少一个次级输出参数还可以对应于相对于正向模型的至少一个删除的数据。例如，如果初级输出参数指示阀门处于打开位置，而通过针对至少一个初级输入参数的理论值与测量值之间的偏差揭示的异常暗示出该阀门可能关闭或部分关闭，则所涉及的初级输入参数被选择作为次级输出参数，并且从用于反向模型执行的输入参数中删除。[0036]在优选的实施方式中，通过应用揭示以下可能性的至少一个准则来选择至少一个次级输出参数:至少一个新的次级输出参数是在测量结果与理论值之间所观察到的偏差中涉及到的可能性。[〇〇37]再次参照之前的示例，在网络的给定点处相对于理论值异常的所测量的流率值，例如很可能表示被认为打开的阀门是关闭的，或者存在严重泄漏，或者在下游的异常逆向流动流率非限制性地列出。[〇〇38]根据本发明的非常优选的特性，操作数据、理论值和测量结果中的至少一些包括时间序列，即，值序列中的每一个与时间表相关联。[0039] 因此，不仅以统计的方式而且以动态的方式操作正向模型和反向模型。这允许模型进行额外的一致性检查。例如，模型可以具有使储罐水位变化与在网络的不同点测量的流率和相关的定律。此外，在异常情况下，不仅获得在运行时刻的偏差值，还获得偏差函数，所述偏差函数给出取决于全部或部分初级正向模型的执行或次级次级模型的执行参数所述参数是输入或输出参数的偏差。[0040] 测量结果，无论被用于获得一些运行参数，还是关系到用于获得要与理论值比较的测量值的输出参数，随后同样地以时间序列的形式被获得。在与理论值比较之前，优选地使测量结果经受平滑而不是在原始状态使用测量结果。因此，偏差函数本身被自动地平滑。[0041] 在实施场景初期的初始化步骤中，难以获取一些运行数据。典型地，这是消耗情况。例如，涉及水配送网络，难以逐个小时地知道由网络或由该网络的每个子网络供给的消耗。根据本发明，预先通过历史已知的数据或通过经验代替这种难以实时获取的数据。例如，通过之前的学习，知道在白天和夜晚的每个小时给定子网的估计消耗，连同关于这些值的不确定性信息。至少在初始化阶段，可以使用这些时间序列作为运行数据。[0042] —些结构或运行数据可以是未知的或不确定的。例如，在水配送网络中，压力测量点的高度是重要的，因为高度每额外增加一米对应于压力约减小l〇kPa，需要将其考虑在内从而使利用控制govern流动动态的方程获得的结果合理。管道直径、管道的粗糙度以及影响在流动中的水头损失的其他参数可能是不充分已知的，尤其是在旧设施中。[0043] 尤其针对这种情况，可能是明智的，在初始化步骤期间，使用反向模型用于确定不可能或难以直接获得的一些结构或操作数据，根据针对一些初级输出参数的测量值或已知值，在认为已获得这些初级输出参数的值的情况下执行反向模型。[0044] 根据本发明的重要方面，在正向模型的执行中整合至少一些初级输出参数对至少一些其他参数的变化的灵敏度的计算，并且对于反向模型，选择呈现异常的初级输出参数对其更加特别灵敏的初级输入参数作为次级输出参数。[〇〇45]灵敏度可以被作为参数相对于其他参数中的每一个的导数已知将这些参数彼此相连的定律而理论地获得，或者还通过针对序列的全部值比较输出参数测量结果的变化与其他参数的变化而实验地获得。在估计了灵敏度的参数的值的不同范围中，并且在以下参数的值的不同范围中灵敏度可以是不同的:相对于该参数估计了灵敏度。因此，灵敏度可以被解释为值的表或函数。根据输出参数按以下参数的方向或相应地相反方向演变，灵敏度可以是正的或负的:相对于该参数计算了输出参数的灵敏度。[0046]在优选的实施方式中:[〇〇47] _通过正向模型，根据次级输出参数，获得针对异常初级输出参数的理论值与测量结果之间的偏差值的偏差函数；[0048] -根据灵敏度计算偏差函数相对于参数的梯度；[0049] -通过反向模型的应用来确定新数据的集合，修改初始数据，并且对于新数据而言偏差函数的总体梯度具有零值，指示相对于参数互相抵消的正灵敏度和负灵敏度；[0050] -从这些参数中选择子集合，所述子集合由灵敏度的符号相同的参数形成；[0051] -在将次级输出参数缩小到构成子集合的部分的次级输出参数的同时，以迭代的方式重新开始所述方法；[0052] -并且如此重复直到利用单一参数或小数量的参数定位异常。[〇〇53]为了构成子集合，优选地根据所涉及的最可能的参数的性质、得自于按将异常理论值向相对应的测量值引导的方向的变化的实际值，选择对应于所涉及的最可能的参数的灵敏度的符号。[0054] 典型地，当单一初级输出参数呈现出相对于理论值的测量值的异常时，优先考虑测量错误的假设，特别是在呈现出异常的参数仅通过其他测量点与网络的地形边界相连的情况下。在这种情况下，可以在反向模型的应用之前，以检验测量设备开始。然而，可以按迭代的方式应用反向模型从而通过在将异常测量采纳为假设的情况下确认对于其他参数而言没有任何值的组合是可信的，来得出测量错误的结论。如果测量来自于网络边界的测量点，异常有更大的可能来自于超出网络的地形边界的反常元素。例如，消费者将井水注入到网络中，而不是取用由网络供应的水。可能应当重新考虑在消耗点上的操作数据。[0055] 在完善的实施方式中，周期性地执行正向模型以及理论值与测量值的比较，并且当至少两个初级输出参数呈现相对于理论值的测量值的异常时，自动激活反向模型的执行。[0056] 优选地，模型的元素还包括关于数据及参数的不确定性的指示，并且在比较期间考虑这些不确定性用于将输出参数的测量结果认为正常或相反地是异常的。具体实施方式[0057] 根据下面与关于饮用水配送网络还称作“水力网络”的非限制性例子相关的描述，本发明的其他特性及优点将变得更清楚。[〇〇58]初步说明[0059] 接下来的描述是关于其包含的任何特性的描述，可以独立于其他特性考虑所述特性，即使这些特性形成相同段落或相同句子的部分，并且接下来的描述是关于这些特性的任何组合的描述，因此，无论与上面介绍的概念结合与否，这种特性或特性的组合是区别于现有技术的并提供了技术效果，并且该特性可以用本说明书中的相同术语或相对而言更一般的术语表达。[0060] 词汇表[0061] 使用以下词汇表:[0062] 时间序列:由时间索引的标量数据的有限序列，该序列通常被恒定的持续时间分隔开。[0063]水力模型:在没有其他明确表示的情况下，表示饮用水运输和或配送网络的水力模型:数据集合，所述数据集合描述拓扑网络的图形、地形高度、定义区段的水力表现长度、内径、材料和或粗糙度、局部水头损失系数singularheadlosscoefficient、奇点singularity等的区段特征、定义设备的水力表现直径、水头损失系数、设定值、水栗扬程等的设备特征、与图形节点相关联的正常消耗、以及描述运行条件的场景。[〇〇64]场景:形势数据或操作数据的集合，其描述与水力模型一起使用从而仿真在特定条件中的水力系统的表现的边界条件，诸如储罐的初始水位，区和或消费者类型的消耗的调制modulat1n的时间序列，栗、阀门的状态，被控制的活跃设备的设定值，以及或者伺服规则。[0065] 测量结果:来自数据获取系统的时间序列。测量结果与水力模型的特定基本组件对于流率测量的弧或区段，对于压力测量的节点，对于水位测量的储罐相关联。[0066]正向模型:水力模型的仿真包括，通过使用在场景中描述的边界条件来数字地求解由水力模型以及其动态演变描述并确定参数的稳定流动方程。结果是在系统任意点处以及任意时刻的流率、速度、水头损失、状态、压力，这些结果通常以时间序列的形式或以图map的形式呈现。[0067] 反向模型:求解反向问题包括数字地求解稳定流动方程以及其在时间上的演变。通过使用一些流率或速度和或压力和或储罐的水位的测量结果，通过水力模型和场景来相对于模型或场景的一个或多个参数对稳定流动方程以及其在时间上的演变进行描述并确定参数。[〇〇68]远程读取的数据:对于流量计的消耗读数序列，所述数据在1至24小时的周期性被测量，并且一般地每天至少一次被远程传送。[0069] 特征:包含对所研究的过程有意义的信息的标量值或时间序列。[0070] 综述[0071] 根据本发明的方法的实施方式联合地使用来自远程监视系统的操作数据，使得能够构造场景、水力网络系统的水力模型、以及分析模型执行结果的系统。[〇〇72]水力模型化程序整合相对于输入数据在节点处的消耗和在弧处的水力阻力的结果测量的灵敏度的显式计算，允许计算相对于参数的仿真错误的梯度，然后解决反向问题。[0073] 反向模型的使用还允许缓解构造场景所必须的一些测量结果的缺失。[0074]正向模型的使用允许检测系统的表现的异常。[0075] 反向模型的使用允许在空间中并且可能地在时间上定位异常的可能起源。[0076] 可选的远程读取的数据的使用允许更新在水力模型中描述的消耗的空间分布。[0077]详细描述[0078] 被提供作为用于模型的执行、与初级输出参数的测量结果的比较、并且在必要情况下反向模型的执行的输入的元素包括:[0079] -网络的结构数据，其可以包括设备的状态数据和设定值；[0080] -被选择用于构成初级输入参数以及其标量值的时间序列的参数，通过测量结果或者通过对全部或部分订户可用的远程读取的数据，或甚至通过存在的统计获得所述参数；[0081] -被选择用于构成初级输出参数以及这些参数的测量结果的时间序列的参数；[0082] -关于以下内容的信息:测量结果及参数的准确性和不确定性、其相关的权重、被选择作为次级输入参数以及在解决反向问题时的次级输出参数的参数的激活。[0083] 基本操作[0084] -根据测量结果和状态序列构造场景[〇〇85]该操作包括将测量结果改编成由水力模型软件可用的形式。例如，水力区的输入输出流率的时间序列的代数和被转换为该区的额定消耗的调制序列。[〇〇86] _求解正向问题、计算特征[0087] 该操作包括利用将系统的水力模型和由之前操作创建的场景作为输入数据，启动水力仿真引擎。所利用的输出是与针对这些参数可用的测量结果可比拟的仿真的时间序列初级输出参数的理论值。[0088] -计算特征[0089] 针对每个测量点初级输出参数，基于在测量结果获取步骤计算的残余值序列来计算特征，所述残余值序列被定义为所仿真的值理论值与所测量的值经平滑或未经平滑之间的差。所述特征指示是否存在异常。[0090] -解决反向问题一般情况[0091] 解决反向问题是迭代操作，其包括借助优化算法通过平方和方法或剩余序列的绝对值方法来进行算法运行，相对于可配置的参数集使在测量点处的测量结果与仿真理论值之间的偏差函数最小化。在偏差函数中，通过根据先验不确定性以及测量结果的局部经验方差计算的系数对每个序列的每个点进行加权。[0092] 在预定的时间窗口例如，从4小时到24小时中通过使用加有日期戳的测量结果来实现计算。[〇〇93] 最小化问题的每次迭代需要借助计算正向问题来计算偏差函数。所使用的优化方法要求计算偏差函数相对于参数的梯度。根据测量结果相对于水力模型的参数的灵敏度导数显式地计算该梯度的值，这是以与求解正向问题相嵌套的方式显式执行的。[〇〇94] 本发明的方面之一是，一方面灵敏度的显式计算是与求解正向问题以及使用灵敏度来计算梯度同时进行的；另一方面，是选择与求解出反向问题有关的参数的可能性，例如:[0095] •结构数据区段以及设备的水力特征，诸如粗糙度或局部水头损失系数PCS之类[〇〇96] •压力和或水位传感器的刻度高度[〇〇97] •消耗的空间分布[0098] •预定的空间分布的一个或更多个消耗类型的时间调制。[0099] 本创新的另一个重要元素在于，当识别的参数与模型的多个组件component相关联时，使用灵敏度用于定位异常。在这种情况下，当获得了解答时，因为总体梯度在最佳状态时值为零，所以灵敏度为一些组件采取正值，为其他组件采取负值。因此，只需要通过相对于梯度符号相同的分量的两个子集合之一求解来重复所述方法，以便确定异常的位置。由组件的嵌套的子集合如此形成的顺序以逐步准确的方式定位异常。[0100] 在大测量密度并且测量的位置对于确定所选参数类型是合理的情况下，定位的准确性更高。[0101] -应用于在初始化步骤期间重构必要测量结果的反向问题[0102] 当构成场景例如区的输入或输出流率所必要的测量结果不可用时，求解反向模型允许重构该缺失的测量结果，因此聚集了可观察性的一些条件，在这种情况下，存在其值与缺失的测量结果相关的其他测量结果例如储罐水位的测量结果和或压力的测量结果。[〇1〇3]因此，通过使用预定的序列来构成初始场景，并且相对于由缺失序列构成的参数求解反向问题。[0104] -应用于检测异常的反向模型的执行[0105] 应用于识别诸如粗糙度或PCS局部水头损失之类的结构数据，反向问题的求解反向模型的执行允许调整水力模型、识别诸如管道的长度或直径的输入错误之类的水力阻力异常、定位在介入之后忘记的关闭的阀门。[0106] 应用于识别诸如传感器的高度或设备的设定值之类的结构参数，求解反向问题允许诊断在导致了网络参数之一的修改的介入之后水力模型的代表性的丢失。[0107] 应用于识别消耗的空间分布或者一个或更多个消费者类型的调制系数序列，求解反向问题允许定位消耗的异常。每个参数的理论值与测量值之间的偏差构成可用于异常检测的特征或定量标识符。[0108] -特征与异常的解释[0109] 一致性标识符:对于每个特征，计算一个或更多个定量标识符:Nash准则、“协定索弓丨”“IndexofAgreement”、超过错误阈值的率。[0110] 异常:对于每个测量结果，相对于操作地设定的阈值，根据测量结果的一致性标识符的位置计算定量标识符优良中差。被分类为“中”或“差”的值被识别为异常。[〇111]在区上隔离的异常被分类为“测量异常”；在区上观察到多个异常触发“网络异常”。[〇112]优点[0113] 由上面阐述的组件构成的集合可以与饮用水供应系统的运营者的技术信息系统相连接。以如下方式构造集合:其可以按包括在测量数据的获取频率之间的频率并且一天一次被规律地激活。在这些条件下，异常的检测和特征表示比通常使用的方法快得多，并且显著改善了操作效率。[0114] 在针对网络部署水力模型的阶段中，本发明允许极大程度地减少模型调整时间。[0115] 第一实施例[〇116]本发明被配置用于模型化由两个高位储罐A和B通过重力供给的水力区。[0117] 水力模型包括PICC0L0GANESSA_Sm格式的文件。[0118] 所使用的场景生成器为GANESSA_GS。[0119] 并入求解正向问题模型执行或反向问题的水力仿真引擎是GANESSA_S頂。[0120] 以每天一次的频率供给模型的元素是每个储罐的输入流率、每个储罐的水位、每个储罐的输出流率以及在远点处的压力。储罐A的输出流量计具有包括约10%的未被记入的异常。[0121] 针对24小时的正向水力模型化产生储罐的输入和输出流率的代数和的合计等。“计算的水位减去测量的水位”特征给出关于流率测量精确性、指示未被记入的输出流率的在时段末的正偏差、或者输入流率的超额记入的信息。根据该特征计算的标识符使得异常凸显出来;针对输出流率测量结果中的每一个的特征的符号指示异常的方向。[0122] 利用作为次级输出参数的在每个储罐的输出点固定的额外消耗和系数的时间序列配置的反向模型，针对储罐的每个输出点计算两个强度序列的调整。与储罐A的输出点相关联的序列具有与A的输出流率成比例的轮廓profile，对应于10%数量级的消耗，而与B相关联的序列具有可忽略的强度。[0123] 第二示例[0124] 本发明被配置用于模型化由在A和B两个点的主管道供给的水力区。[0125] 水力模型包括EPANET格式的文件。[0126] 所使用的场景生成器为GANESSA_GS。[0127] 并入求解反向问题的水力仿真引擎是GANESSA_SIM。[0128] 测量结果是输入A点和B点的压力和流率，并且在配送网络上分布的六个附加点处获得压力测量结果。[0129] 首先，本发明被离线使用以便调整模型的水力设置calage:反向模型允许识别压力测量点的准确高度、两个输入阀门的水力阻力、以及构成区的管道的4个主要类型材料的平均粗糙度。[〇13〇] 其次，本发明按天的频率被实施。小的附加消耗例如11s在模型的所有节点上例如按照与节点相连的管道的长度比例分布，并且被分配特定消费者代码例如“LEAK”，并且将用零值或单一值初始化的时间序列与该“LEAK”代码相关联。随后，相对于“LEAK”的系数的时间序列的系数求解反向问题。随后分析相对应的特征:如果相对应的消耗低于预定阈值，则认为该情况是正常的。在相反情况下，推测出消耗异常。随后，在为对其来说在之前步骤计算的灵敏度为负的个别节点重新分配附加消耗后，重新实施本发明，并且多次重复，直到剩余节点的数量低于预定阈值。随后，相对应节点的最后的集合被报告作为异常定位，并且附加消耗与“LEAK”相关联的平均值作为其强度。[0131]当然，本发明不限于所描述的示例。

权利要求：1.一种检测流体配送网络中的异常的方法，包括以下步骤:-为配送网络建立包括以下元素的正向模型:0配送网络的结构数据，所述结构数据与所述配送网络的地形相关并包括所述配送网络的设备的状态数据或设定值，0操作数据，所述操作数据与被选择作为描述操作场景的初级输入参数的参数相关，0定律，所述定律将所述结构数据、初级输入参数以及初级输出参数相连接；-由水力仿真引擎执行正向模型，用于确定初级输出参数的理论值；-在以上步骤的全部或部分之前或之后，获得来自初级输出参数的数据获取系统的测量结果；-比较理论值与测量结果；-在比较显示出由于理论值与测量结果之间的大偏差而导致的至少一个异常初级输出参数的情况下，相对于所有能配置的参数建立包括使在测量点处的测量结果与仿真之间的偏差函数最小化的反向模型，反向模型是通过将至少一个异常初级输出参数引入作为反向模型的次级输入参数而从正向模型导出的，次级输入参数将测量值采纳为值，并且除了那些被保持的初级输出参数之外反向模型还包括至少一个次级输出参数；-由水力仿真引擎执行反向模型；-根据反向模型的执行定位配送网络的异常。2.根据权利要求1所述的方法，其特征在于，至少一个次级输出参数是相对于正向模型被添加到模型的参数。3.根据权利要求1或2所述的方法，其特征在于，相对于正向模型，至少一个次级输出参数对应于至少一个删除的数据。4.根据权利要求1至3之一所述的方法，其特征在于，通过应用指示以下可能性的准则来选择至少一个次级输出参数:至少一个新的次级输出参数是在测量结果与理论值之间所观察到的偏差中涉及到的可能性。5.根据权利要求1至4中之一所述的方法，其特征在于，操作数据、理论值和测量结果中的至少一些包括时间序列，g卩，每个时间序列是一个值序列，值序列中的每个值与时间表相关联。6.根据权利要求5所述的方法，其特征在于，在能配置的特征性持续时间之后，由根据测量结果获得的值形成的时间序列被平滑。7.根据权利要求1至6之一所述的方法，其特征在于，在初始化步骤中，使用反向模型用于确定不可能或难以直接获得的一些结构数据或操作数据，在认为已获得一些初级输出参数的值的情况下执行反向模型。8.根据权利要求1至7之一所述的方法，其特征在于，在正向模型的执行中整合至少一些初级输出参数对至少一些其他参数的变化的灵敏度的计算，并且对于反向模型，选择异常初级输出参数对其更加特别灵敏的初级输入参数作为次级输出参数。9.根据权利要求8所述的方法，其特征在于:-通过正向模型，根据次级输出参数，获得针对异常初级输出参数的理论值与测量结果之间的偏差值的偏差函数；-根据灵敏度计算偏差函数相对于参数的梯度；-通过反向模型的应用来确定新数据的集合，修改初始数据，并且对于新数据而言偏差函数的总体梯度具有零值，指示互相抵消的正灵敏度和负灵敏度；-从以下参数中选择子集合:相对于所述参数计算了灵敏度，所述子集合由以下参数形成:对所述参数而言灵敏度的符号相同；-在将次级输出参数限制到构成子集合的部分的次级输出参数的同时，以迭代的方式重新开始所述方法；-并且如此重复直到利用单一参数或小数量的参数定位异常。10.根据权利要求1至6之一所述的方法，其特征在于，当单一初级输出参数呈现相对于理论值的测量值的异常时，优先考虑测量错误的假设。11.根据权利要求1至10之一所述的方法，其特征在于，周期性地执行正向模型以及理论值与测量值的比较，并且当至少两个初级输出参数呈现相对于理论值的测量值的异常时，自动激活反向模型的执行。12.根据权利要求1至11之一所述的方法，其特征在于，模型的元素还包括关于数据及参数的不确定性的指示，并且在比较期间考虑这些不确定性用于将输出参数的测量结果认为正常或相反地是异常的。13.根据权利要求1至12中任一项所述的方法，还包括改善配送网络的性能等级。

百度查询： 苏伊士集团 用于检测配送网络特别是水配送网络中的异常的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD