一種基于計量分區(qū)流量監(jiān)測數(shù)據(jù)的爆管預警方法
【專利摘要】本發(fā)明屬于環(huán)境工程的應急處理技術(shù)領(lǐng)域，尤其涉及一種基于計量分區(qū)流量監(jiān)測數(shù)據(jù)的爆管預警方法，采集流量數(shù)據(jù)組成歷史數(shù)據(jù)矩陣并進行爆管模擬實驗以獲取爆管數(shù)據(jù)組成測試矩陣；預設(shè)初始化參數(shù)k1和異常值探測參數(shù)k2，對歷史數(shù)據(jù)矩陣進行聚類分析并剔除異常向量后生成初始化矩陣，將其與測試向量構(gòu)成探測矩陣，對探測矩陣進行聚類分析并將異常測試向量剔除，隨后將該向量與探測矩陣的均值向量的作差，若每個差值均大于零或小于零則不發(fā)出爆管預警，否則發(fā)出爆管預警；計算漏報率和誤報率，調(diào)整預設(shè)初始化參數(shù)和預設(shè)異常值探測參數(shù)直到獲得最佳漏報率與誤報率并應用于實時的爆管預警中。能夠在爆管或漏損時準確地進行預警，硬件成本低，預警效果理想。
【專利說明】
一種基于計量分區(qū)流量監(jiān)測數(shù)據(jù)的爆管預警方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于環(huán)境工程的應急處理技術(shù)領(lǐng)域，尤其涉及一種基于計量分區(qū)流量監(jiān)測 數(shù)據(jù)的爆管預警方法。
【背景技術(shù)】
[0002] 城市供水管網(wǎng)是現(xiàn)代都市的生命線，在人們?nèi)粘Ｉ詈统鞘械陌l(fā)展中占據(jù)著不可 替代的地位。爆管是供水管網(wǎng)中常見的事故類型，而且包括天氣條件、各種荷載、各種腐蝕、 水錘、管道質(zhì)量和施工等在內(nèi)的因素，都會引起爆管的發(fā)生，輕則造成大量水資源的浪費， 重則造成引發(fā)交通中斷、地面塌陷等事故，還會危及人民群眾的財產(chǎn)和生命安全。
[0003] 爆管事故的突發(fā)性、不確定性和影響因素的復雜性給自來水公司的應急處理工作 帶來了巨大困難，根據(jù)全國184個城市的不完全統(tǒng)計，全國在2000年至2003年間因管網(wǎng)爆管 造成的停水事件高達13.7萬次，近年來關(guān)于爆管事故引發(fā)次生災害的新聞報道也屢見不 鮮，這都給居民生活和工業(yè)生產(chǎn)帶來了嚴重影響。因此，應對爆管事故得到了行業(yè)的極大關(guān) 注，其中，在爆管事故發(fā)生后進行快速準確的預警已經(jīng)成為重要的研究內(nèi)容，這將極大減少 供水企業(yè)的響應時間。
[0004] 近年來，數(shù)據(jù)采集與監(jiān)視控制（SCADA)系統(tǒng)已經(jīng)廣泛應用于國內(nèi)的城市供水管網(wǎng) 中，計量分區(qū)也越來越受到重視并開始大力推廣建設(shè)，這為開發(fā)數(shù)據(jù)驅(qū)動的爆管預警方法 提供了可能，同樣也提出了需求。
[0005] 國內(nèi)研究較多的仍是模型驅(qū)動的方法，需要獲取眾多的地理信息數(shù)據(jù)并建立復雜 的管網(wǎng)水力模型，參數(shù)多，計算繁瑣，而且精度不高。國內(nèi)現(xiàn)有的針對城市供水管網(wǎng)的爆管 預警發(fā)明多依靠加裝額外的監(jiān)測設(shè)備或使用特定管材，例如在管網(wǎng)安裝壓電陶瓷加速度傳 感器(CN101886742A)，又例如在管網(wǎng)中使用預應力鋼筒混凝土管(CN104633461A)，爆管發(fā) 生時，這些設(shè)備或管材會產(chǎn)生特殊的聲信號，爆管事故由此被識別出來。但是設(shè)備成本與改 造費用高昂，不利于該種方法的大規(guī)模推廣。

【發(fā)明內(nèi)容】

[0006] 為了解決上述技術(shù)問題，本發(fā)明提出了一種基于計量分區(qū)流量監(jiān)測數(shù)據(jù)的爆管預 警方法，包括：
[0007] 步驟1、利用管網(wǎng)計量分區(qū)中的n個流量計采集m天內(nèi)某一相同時刻的流量數(shù)據(jù)組 成歷史數(shù)據(jù)矩陣；
[0008] 步驟2、利用管網(wǎng)計量分區(qū)中的n個流量計采集第m+1天到第m+p天內(nèi)的流量數(shù)據(jù)， 并在此段時間內(nèi)進行爆管模擬實驗以獲取爆管數(shù)據(jù)，組成測試矩陣，測試矩陣中的某一行 定義為某一天生成的測試向量；
[0009] 步驟3、預設(shè)初始化參數(shù)、，對所有歷史數(shù)據(jù)矩陣進行聚類分析并剔除異常向量后 生成初始化矩陣；
[0010] 步驟4、將初始化矩陣與某一天生成的測試向量構(gòu)成探測矩陣，預設(shè)異常值探測參 數(shù)1?，對探測矩陣進行聚類分析并剔除異常測試向量，并重復步驟4更新探測矩陣直到完成 所有探測矩陣的聚類分析；
[0011] 步驟5、計算異常測試向量中每個元素與其原所在探測矩陣的均值向量的差值，若 每個差值均大于零或小于零則不發(fā)出爆管預警，否則發(fā)出爆管預警；
[0012] 步驟6、計算漏報率和誤報率，并調(diào)整預設(shè)初始化參數(shù)和預設(shè)異常值探測參數(shù)，重 復步驟2~5直到獲得最佳漏報率與誤報率；
[0013] 步驟7、將調(diào)整優(yōu)化后的預設(shè)初始化參數(shù)和預設(shè)異常值探測參數(shù)應用于實時的爆 管預警中，使用計量分區(qū)進出口流量計實時生成的向量構(gòu)建并更新探測矩陣，最終通過比 較均值向量與異常測試向量對爆管事故進行報警。
[0014] 所述聚類分析包括：
[0015] 計算每個向量的局部密度和距離兩個值，向量i的局部密度0:的計算方法如下： A ） （1)
[0016] 其中，如果x〈0,則X(x) = l，否則X(x) = 0;dij表示向量i與向量j間的歐氏距離;dc 為截斷距離，cM吏得向量的平均局部密度值為矩陣中所有向量數(shù)的
[0017] 向量i的距離心的計算方法如下：
[0018] ^ = min (du) (2 )
[0019]其中，向量j的局部密度巧要滿足大于向量i的局部密度條件；
[0020] 如果向量i具有最大的局部密度，其距離定義為：
[0021] 8i=maxj(dij) (3)
[0022]對具有最低密度的向量，根據(jù)其距離由大到小排序，距離越大，則向量為異常的可 能性就越大，初始化參數(shù)用以確定矩陣中異常向量的個數(shù)，異常值探測參數(shù)用以確定測試 向量是否異常。
[0023]所述漏報率為在發(fā)生爆管事故時，未被成功識別為爆管的向量占所有表征爆管事 故的向量的百分比；所述誤報率為在未發(fā)生爆管事故時，被錯誤識別為爆管的向量占所有 正常向量的百分比。
[0024] 所述聚類分析通過比較流量數(shù)據(jù)間的相似度來發(fā)現(xiàn)異常的流量數(shù)據(jù)。
[0025] 所述均值向量由相應矩陣中各列元素的均值構(gòu)成。
[0026] 所述步驟1中的90。
[0027] 所述步驟2中的10。
[0028]所述流量計的監(jiān)測頻率為1-5分鐘。
[0029]所述初始化參數(shù)匕的取值范圍是0.01-0.15。
[0030] 所述異常值探測參數(shù)k2的取值范圍是0.01-0.15。
[0031]相較于其他爆管預警的方法或研究，本發(fā)明的有益效果在于：
[0032]利用Matlab平臺實現(xiàn)了基于計量分區(qū)流量監(jiān)測數(shù)據(jù)對爆管事故的快速準確預警； 提高了應急處理的科學性和可操作性;為供水企業(yè)快速有效地發(fā)現(xiàn)爆管事故，最大限度地 降低爆管給城市生活帶來的損失，保障供水管網(wǎng)的安全性和可靠性提供了關(guān)鍵的技術(shù)支 持。
[0033] 相對于人為的經(jīng)驗判斷或是價格高昂的先進設(shè)備設(shè)施，能夠充分挖掘計量分區(qū)流 量數(shù)據(jù)的有效信息，分析判斷爆管事故發(fā)生與否，進而節(jié)省了大量培訓工作人員的時間與 改造管網(wǎng)的費用；同時改善了爆管預警的方法，使供水企業(yè)主動而非被動地獲取爆管信息， 具有堅實的理論依據(jù)和較高的可信度。
[0034] 對管網(wǎng)進行計量分區(qū)改造的目的就是降低漏損水平，爆管作為漏損的一種常見形 式，可以在使用本發(fā)明后得到有效應對，使計量分區(qū)更具應用價值。而隨著計量分區(qū)在全國 范圍內(nèi)的推廣與建設(shè)，該方法可以迅速推廣至全國各地，在管網(wǎng)進行計量分區(qū)改造的同時， 即具備了應用本發(fā)明的條件。
[0035] 本發(fā)明運行成本低，由數(shù)據(jù)驅(qū)動，只需應用計量分區(qū)現(xiàn)有的進出口流量計，無需額 外添加設(shè)備或更換管材，具有簡潔實用、預警準確度高、響應時間短以及誤報率低等優(yōu)點。
【附圖說明】
[0036] 圖1示出了本發(fā)明基于計量分區(qū)流量監(jiān)測數(shù)據(jù)的爆管預警方法的流程圖；
[0037] 圖2示出了根據(jù)本發(fā)明構(gòu)建歷史數(shù)據(jù)矩陣的流程圖；
[0038]圖3示出了根據(jù)本發(fā)明構(gòu)建測試矩陣的流程圖；
[0039]圖4示出了根據(jù)本發(fā)明構(gòu)建初始化矩陣的流程圖；
[0040]圖5示出了根據(jù)本發(fā)明探測異常向量的流程圖；
[0041]圖6示出了根據(jù)本發(fā)明識別爆管并報警的流程圖；
[0042] 圖7示出了根據(jù)本發(fā)明調(diào)整參數(shù)的流程圖。
【具體實施方式】
[0043] 下面結(jié)合附圖，對實施例作詳細說明。
[0044] 在監(jiān)測城市供水管網(wǎng)的運行時，需要將新的流量數(shù)據(jù)與正常的歷史流量數(shù)據(jù)進行 比較，從而識別計量分區(qū)中是否有爆管事故的發(fā)生。應用聚類分析可以比較由流量數(shù)據(jù)構(gòu) 成的向量間的相似度，爆管會引起計量區(qū)域內(nèi)大的流量波動，因此相似度越低的向量，就越 有可能表征爆管事故。
[0045]基于上述原理，本發(fā)明利用Matlab作為爆管預警方法的開發(fā)平臺，充分利用其強 大的計算能力和豐富的內(nèi)置函數(shù)，通過在M文件編輯器中編寫相應的代碼即可實現(xiàn)對計量 分區(qū)流量數(shù)據(jù)的整合與聚類，從而提高開發(fā)效率，縮短開發(fā)時間。
[0046]圖1示出了本發(fā)明基于計量分區(qū)流量監(jiān)測數(shù)據(jù)的爆管預警方法的流程圖。如圖1所 示，為了能夠?qū)崟r探測爆管事故并進行預警，首先要構(gòu)建歷史數(shù)據(jù)矩陣與測試矩陣;然后初 始化歷史數(shù)據(jù)矩陣;構(gòu)建探測矩陣并設(shè)定異常值探測參數(shù)，通過測試調(diào)整優(yōu)化預設(shè)參數(shù);最 后使用調(diào)整優(yōu)化后的參數(shù)對爆管事故進行實時預警。
[0047]具體地，作為示例，選取一真實的計量分區(qū)，該區(qū)域共有兩個進口和三個出口，所 有進出口流量計均工作正常。此計量分區(qū)所有流量計的監(jiān)測頻率為5min，收集該區(qū)域90天 內(nèi)所有進出口流量計的流量數(shù)據(jù)以構(gòu)建歷史數(shù)據(jù)矩陣，另外獲取21天的數(shù)據(jù)構(gòu)建測試矩 陣，并在第21天進行爆管模擬實驗。
[0048]圖2示出了根據(jù)本發(fā)明構(gòu)建歷史數(shù)據(jù)矩陣的流程圖，首先收集計量分區(qū)進出口流 量數(shù)據(jù)，然后按時刻進行數(shù)據(jù)切分后，最后構(gòu)建歷史數(shù)據(jù)矩陣;更為具體地，在本實例中：
[0049] 收集近三個月90天的流量數(shù)據(jù)，按時刻進行數(shù)據(jù)切分，來自同一個監(jiān)測設(shè)備每天 的監(jiān)測數(shù)據(jù)都以5分鐘為間隔被剪切為288段，即所有同一時刻的數(shù)據(jù)組成一段時間序列， 每一段時間序列代表這一時刻的瞬時流量在90天內(nèi)的變化;將5個流量計同一時刻的數(shù)據(jù) 序列組合為歷史數(shù)據(jù)矩陣，共計生成288個矩陣，每個矩陣有90行5列，表1示出了 2015年7月 30日到10月27日90天內(nèi)2:50時亥1」5個流量計所有流量數(shù)據(jù)構(gòu)成的矩陣；
[0050] 表1歷史數(shù)據(jù)矩陣示例

[0053] 流量數(shù)據(jù)的單位均為m3/h
[0054] 圖3示出了根據(jù)本發(fā)明構(gòu)建測試矩陣的流程圖，所述構(gòu)建測試矩陣包括:利用管網(wǎng) 計量分區(qū)中進出口流量計獲取一定時間內(nèi)的流量數(shù)據(jù)，并在此段時間內(nèi)進行爆管模擬實驗 以獲取爆管數(shù)據(jù)；以上述流量數(shù)據(jù)為基礎(chǔ)，使用構(gòu)建歷史數(shù)據(jù)矩陣的方法構(gòu)建測試矩陣;更 為具體地，在本實例中：
[0055] 獲取2015年10月28日到11月17日21天內(nèi)的數(shù)據(jù)構(gòu)建測試矩陣，并在第21天進行3 次爆管模擬實驗;其中每次實驗地點各不相同，每次僅持續(xù)約10分鐘;測試矩陣的形式與歷 史數(shù)據(jù)矩陣相同，表2示出了爆管實驗詳情，因此在288個測試矩陣中共包含7個表征爆管事 故的向量，其所在矩陣對應的時刻分別為2:20、2 :25、2:30、2:35、2:40、2:50和2 :55;
[0056]表2爆管模擬實驗詳情
[0058] 圖4示出了根據(jù)本發(fā)明構(gòu)建初始化矩陣的流程圖，首先設(shè)定初始化參數(shù)匕，然后對 所有歷史數(shù)據(jù)矩陣進行聚類分析從而發(fā)現(xiàn)矩陣中存在的異常向量，最后將所有異常向量剔 除并生成初始化矩陣；
[0059] 聚類分析過程中需要計算每個向量的局部密度和距離兩個值，向量i的局部密度 Pi的計算方法如下：
[0060] A. = S) ：C 1) J
[0061] 其中，如果x〈0,則X(x) = l，否則X(x) = 0;dij表示向量i與向量j間的歐氏距離;dc 為截斷距離，cM吏得向量的平均局部密度值為矩陣中所有向量數(shù)的
[0062]向量i的距離心的計算方法如下：
[0063] 4= min (^) (；2)
[0064]其中，向量j的局部密度巧要滿足大于向量i的局部密度口:的條件；
[0065]如果向量i具有最大的局部密度，其距離定義為：
[0066] 8i=maxj(dij) (3)
[0067]對具有最低密度的向量，根據(jù)其距離由大到小排序，距離越大，向量為異常的可能 性越大，初始化參數(shù)用以確定異常向量的個數(shù)；
[0068]初始化參數(shù)的取值范圍為0.01-0.15;更為具體地，在本實施例中：
[0069] 設(shè)定初始化參數(shù)為0.1，對所有歷史數(shù)據(jù)矩陣進行聚類分析從而發(fā)現(xiàn)矩陣中存在 的異常向量，最后將所有異常向量剔除并生成288個初始化矩陣；作為示例，利用公式（1) (2)(3)計算表1中90個向量的局部密度和距離，表3示出了具有最低密度的向量，且已根據(jù) 其距離由大到小排序，其中共有34個向量且初始化參數(shù)為0.1，因此排在前4位的向量72、5、 74和15被判定為異常，刪除這四個向量后生成2:50時刻的初始化矩陣，其形式與歷史數(shù)據(jù) 矩陣相同；
[0070] 表3初始化過程聚類分析計算結(jié)果示例
[0073]因各矩陣的聚類結(jié)果各有不同，異常向量的個數(shù)也有所不同，但最終初始化矩陣 的行數(shù)均小于90;
[0074]圖5示出了根據(jù)本發(fā)明探測異常向量的流程圖，首先設(shè)定異常值探測參數(shù)，然后對 包含測試向量的探測矩陣進行聚類分析，最后剔除被判定為異常的測試向量;異常值探測 參數(shù)用以確定測試向量是否異常，更為具體地，在本實施例中：
[0075] 21天的數(shù)據(jù)生成288個測試矩陣，共計有6048(288*21)個測試向量，對應到每個時 刻的矩陣，共可生成21次探測矩陣，即每個時刻對應的矩陣每天生成一次探測矩陣并進行 一次聚類分析；
[0076]其中異常值探測參數(shù)設(shè)定為0.1，與生成初始化矩陣時不同，進行聚類分析后，并 不會刪除所有被判定為異常的向量，僅當測試向量被判定為異常時才會被剔除出相應的矩 陣，在本實例中共探測出異常的測試向量636個;表4示出了2:50時刻的第21個探測矩陣的 聚類結(jié)果，共有36個向量局部密度最低且異常值探測參數(shù)為0.1，所以測試向量21、向量77、 9和75被判定為異常，但只有測試向量21會被剔除；
[0077]表4探測矩陣聚類結(jié)果示例

[0079] 圖6示出了根據(jù)本發(fā)明識別爆管并報警的流程圖，首先計算異常的測試向量x原所 在矩陣的均值向量mean，然后比較分析異常測試向量與均值向量的各個元素，計算r = x-mean;分析r中的各個元素，若全部大于零或全部小于零，則不報警，否則識別為有爆管發(fā)生 并報警;更為具體地，在本實施例中：
[0080] 對所有探測出的異常測試向量，均計算其原所在矩陣的均值向量，比較分析后，共 識別出表征爆管的向量66個，在11月17日2:46到2:57進行了爆管實驗，且該日2:50對應的 測試向量被識別為異常，表5示出了相應的均值向量與異常測試向量的比較結(jié)果；
[0081] 表5爆管識別示例
[0083]圖7示出了根據(jù)本發(fā)明調(diào)整參數(shù)的流程圖，首先計算漏報率與誤報率，然后適當調(diào) 整初始化參數(shù)和異常值探測參數(shù)的值，最后重復使用測試矩陣運行計算獲取更為理想的漏 報率與誤報率;更為具體地，在本實施例中：
[0084] 在21天共6048個測試矩陣中，共誤報62次，計算誤報率得0.66 % ;在7個表征爆管 的向量中，共有5個被成功識別為發(fā)生爆管，漏報率為28.6% ;對初始化參數(shù)與異常值探測 參數(shù)分別在〇. 〇 1 -0.15的范圍內(nèi)調(diào)整，反復使用21天的測試數(shù)據(jù)在Mat lab中運行，最終調(diào)整 初始化參數(shù)與異常值探測參數(shù)分別為〇. 01和〇. 06，并得到漏報率與誤報率分別為28.6 %和 0.45% ；
[0085]因爆管模擬實驗次數(shù)少，持續(xù)時間短，爆管模擬流量控制不精準等原因，漏報率較 高，但使用5min為間隔的監(jiān)測數(shù)據(jù)可以探測到全部三次持續(xù)時間極短的爆管事故，幾乎是 一經(jīng)發(fā)生事故即可報警，這依然說明本發(fā)明的有效性；同時，本發(fā)明的一大特點與優(yōu)點就是 誤報率低，若誤報率過高，仍需要相關(guān)人員在所有報警中進行篩選確認，反而加重供水企業(yè) 工作人員的工作負擔。經(jīng)過參數(shù)的調(diào)整優(yōu)化后，即可按照相應步驟進行實時的爆管預警。 [0086]此實施例僅為本發(fā)明較佳的【具體實施方式】，但本發(fā)明的保護范圍并不局限于此， 任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換， 都應涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應該以權(quán)利要求的保護范圍 為準。
【主權(quán)項】
1. 一種基于計量分區(qū)流量監(jiān)測數(shù)據(jù)的爆管預警方法，其特征在于，包括： 步驟1、利用管網(wǎng)計量分區(qū)中的η個流量計采集m天內(nèi)某一相同時刻的流量數(shù)據(jù)組成歷 史數(shù)據(jù)矩陣； 步驟2、利用管網(wǎng)計量分區(qū)中的η個流量計采集第m+1天到第m+p天內(nèi)的流量數(shù)據(jù)，并在 此段時間內(nèi)進行爆管模擬實驗以獲取爆管數(shù)據(jù)，組成測試矩陣，測試矩陣中的某一行定義 為某一天生成的測試向量； 步驟3、預設(shè)初始化參數(shù)匕，對所有歷史數(shù)據(jù)矩陣進行聚類分析并剔除異常向量后生成 初始化矩陣； 步驟4、將初始化矩陣與某一天生成的測試向量構(gòu)成探測矩陣，預設(shè)異常值探測參數(shù)k2， 對探測矩陣進行聚類分析并剔除異常測試向量，并重復步驟4更新探測矩陣直到完成所有 探測矩陣的聚類分析； 步驟5、計算異常測試向量中每個元素與其原所在探測矩陣的均值向量的差值，若每個 差值均大于零或小于零則不發(fā)出爆管預警，否則發(fā)出爆管預警； 步驟6、計算漏報率和誤報率，并調(diào)整優(yōu)化預設(shè)初始化參數(shù)和預設(shè)異常值探測參數(shù)，重 復步驟2~5直到獲得最佳漏報率與誤報率； 步驟7、將調(diào)整優(yōu)化后的預設(shè)初始化參數(shù)和預設(shè)異常值探測參數(shù)應用于實時的爆管預 警中，使用計量分區(qū)進出口流量計實時生成的向量構(gòu)建并更新探測矩陣，最終通過比較均 值向量與異常測試向量對爆管事故進行報警。2. 根據(jù)權(quán)利要求1所述方法，其特征在于，所述聚類分析包括： 計算每個向量的局部密度和距離兩個值，向量i的局部密度0,的計算方法如下：其中，如果x〈〇,則x(x) = 1，否則x(x) =〇;dij表示向量i與向量j間的歐氏距離;d。為截 斷距離，cM吏得向量的平均局部密度值為矩陣中所有向量數(shù)的 向量i的距離\的計算方法如下：其中，向量j的局部密度巧要滿足大于向量i的局部密度條件； 如果向量i具有最大的局部密度，其距離定義為： 5i=maxj(dij) (3) 對具有最低密度的向量，根據(jù)其距離由大到小排序，距離越大，則向量為異常的可能性 就越大，初始化參數(shù)用以確定矩陣中異常向量的個數(shù)，異常值探測參數(shù)用以確定測試向量 是否異常。3. 根據(jù)權(quán)利要求1所述方法，其特征在于，所述漏報率為在發(fā)生爆管事故時，未被成功 識別為爆管的向量占所有表征爆管事故的向量的百分比;所述誤報率為在未發(fā)生爆管事故 時，被錯誤識別為爆管的向量占所有正常向量的百分比。4. 根據(jù)權(quán)利要求1所述方法，其特征在于，所述聚類分析通過比較流量數(shù)據(jù)間的相似度 來發(fā)現(xiàn)異常的流量數(shù)據(jù)。5. 根據(jù)權(quán)利要求1所述方法，其特征在于，所述均值向量由相應矩陣中各列元素的均值 構(gòu)成。6. 根據(jù)權(quán)利要求1所述方法，其特征在于，所述步驟1中的90。7. 根據(jù)權(quán)利要求1所述方法，其特征在于，所述步驟2中的10。8. 根據(jù)權(quán)利要求1所述方法，其特征在于，所述流量計的監(jiān)測頻率為1-5分鐘。9. 根據(jù)權(quán)利要求1所述方法，其特征在于，所述初始化參數(shù)lu的取值范圍是0.01-0.15。10. 根據(jù)權(quán)利要求1所述方法，其特征在于，所述異常值探測參數(shù)1?的取值范圍是0.01- 0.15〇
【文檔編號】G06F19/00GK105930653SQ201610245327
【公開日】2016年9月7日
【申請日】2016年4月19日
【發(fā)明人】劉書明, 吳以朋, 吳雪
【申請人】清華大學