本申请涉及供水管网爆管定位技术领域，尤其涉及一种树状管网爆管分析方法及装置。
背景技术
随着我国经济的发展，城市化进程加快，纵横交错的管道构成了地下复杂的水管网系统。水在人们日常生活、生产中处于举足轻重的地位，因此，地下水管网的在线监测和故障排查工作也越来越引起人们的重视。在各种各样的水管网系统中，以树状管网最为常见。
为了保证供树状管网水管网的正常运行，需要对树状管网供水管网进行管理和维护。传统的维护方法在于派驻工作人员巡检各个供水管网的节点压强，根据供水管网节点处的水压流量等信息推测出该区域内管网的运行状态，以此避免供水管网局部水压过大而导致爆管现象。
随着城市规模的扩大，城市供水管网越来越大，上述方式费时费力而且效率不高。
技术实现要素：
本申请提供了一种树状管网爆管分析方法及装置，以解决现有技术中存在的问题。
第一方面，本申请提供了一种树状管网爆管分析方法，该方法包括：
获取树状管网中所有监测点当前时刻的监测数据；
根据所述当前时刻的监测数据，计算发生爆管的权值；
判断所述权值是否大于预设阈值；
若所述权值大于所述预设阈值，则确定当前时刻发生爆管；
根据所有监测点的坐标和当前时刻的监测数据，计算出爆管位置的坐标范围。
优选地，所述根据所述当前时刻的监测数据，计算发生爆管的权值，包括：
获取所有监测点的历史监测数据，将所述历史监测数据作为训练样本，当前时刻的监测数据作为测试样本；
分别对所述测试样本和训练样本采用主成分分析提取特征向量，构建测试样本集和训练样本集；
将所述训练样本集输入预先构建的极端学习机模型进行训练，得到所述极端学习机模型中隐层的输出权值；
将所述隐层的输出权值更新到所述极端学习机模型；
将所述测试样本集输入更新的所述极端学习机模型进行训练，输出发生爆管的权值。
优选地，所述根据所有监测点的坐标和当前时刻的监测数据，计算出爆管位置的坐标范围，包括：
将所述所有监测点的坐标和当前时刻的监测数据在预先构建的人工免疫系统中训练，得出爆管位置的坐标。
优选地，所述计算出爆管位置的坐标范围后，还包括：
在预设的gis系统用户界面上所述坐标对应位置进行爆管提示。
优选地，所述计算出爆管位置的坐标范围后，还包括：
在预设的gis系统用户界面上对所述爆管位置的上游阀门进行关闭提示。
第二方面，本申请还提供了一种树状管网爆管分析装置，所述装置包括：
数据获取模块，用于获取树状管网中所有监测点当前时刻的监测数据；
爆管权值计算模块，用于根据所述当前时刻的监测数据，计算发生爆管的权值；
判断模块，用于判断所述权值是否大于预设阈值；
爆管确定模块，用于若所述权值大于所述预设阈值，则确定当前时刻发生爆管；
爆管坐标计算模块，用于根据所有监测点的坐标和当前时刻的监测数据，计算出爆管位置的坐标范围。
优选地，所述爆管权值计算模块包括：
样本获取单元，用于获取所有监测点的历史监测数据，将所述历史监测数据作为训练样本，当前时刻的监测数据作为测试样本；
样本集构建单元，用于分别对所述测试样本和训练样本采用主成分分析提取特征向量，构建测试样本集和训练样本集；
第一计算单元，用于将所述训练样本集输入预先构建的极端学习机模型进行训练，得到所述极端学习机模型中隐层的输出权值；
更新单元，用于将所述隐层的输出权值更新到所述极端学习机模型；
第二计算单元，用于将所述测试样本集输入更新的所述极端学习机模型进行训练，输出发生爆管的权值。
优选地，所述爆管坐标计算模块包括：
第三计算单元，用于将所述所有监测点的坐标和当前时刻的监测数据在预先构建的人工免疫系统中训练，得出爆管位置的坐标。
优选地，还包括：
爆管提示模块，用于在预设的gis系统用户界面上所述坐标对应位置进行爆管提示。
优选地，还包括：
阀门关闭提示模块，用于在预设的gis系统用户界面上对所述爆管位置的上游阀门进行关闭提示。
与现有技术相比，本发明的实施例提供的技术方案可以包括以下有益效果为：
本发明实施例提供的一种树状管网爆管分析方法及装置，该方法包括：获取树状管网中所有监测点当前时刻的监测数据；根据所述当前时刻的监测数据，计算发生爆管的权值；判断所述权值是否大于预设阈值；若所述权值大于所述预设阈值，则确定当前时刻发生爆管；根据所有监测点的坐标和当前时刻的监测数据，计算出爆管位置的坐标范围。本发明实施例提供的树状管网爆管分析方法，可以根据实时获取所有监测点的监测数据，实时计算出发生爆管的权值，可以在第一时间分析出发生爆管事件。当发生爆管时，还能够计算出爆管的坐标范围，可以缩小工程维修人员巡检范围，以最快的速度找到爆管的准确位置。本方法省时省力、判断出爆管的效率高，并且能对爆管位置的坐标范围进行定位。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为根据一示例性实施例示出的一种树状管网爆管分析方法的流程图；
图2为根据一示例性实施例示出的步骤s200的一种具体实施方式的方法流程图；
图3为根据一示例性实施例示出的一种树状管网爆管分析装置的结构示意图；
图4为根据一示例性实施例示出的一种爆管权值计算模块的结构示意图。
具体实施方式
本发明实施例提供的一种树状管网爆管分析方法，基于供水管网的scada系统及gis系统，即在树状管网中设置若干监测点，根据各监测点的坐标将各监测点标定在gis系统用户界面上。同时，scada系统中包含所有监测点的坐标和历史监测数据，对于scada系统中所有监测点的历史监测数据，用户可以通过点击gis系统用户界面上对应的监测点来获取。
本发明实施例提供一种树状管网爆管分析方法，如图1所示，包括：
步骤s100：获取树状管网中所有监测点当前时刻的监测数据。
树状管网的所有监测点均安装有流量传感器和压力传感器，用于测试所在监测点的流量和压力，并发送到scada系统的数据库中保存。在本发明实施例中，所述监测数据包括压力数据和流量数据。在具体实施过程中，从scada系统的数据库中获取当前时刻的监测数据即可。
步骤s200：根据所述当前时刻的监测数据，计算发生爆管的权值。
在具体实施过程中，计算发生爆管的权值的方法有多种，在一种可能的实施方式中，步骤s200的具体实施方式，如图2所示，包括：
步骤s210：获取所有监测点的历史监测数据，将所述历史监测数据作为训练样本，当前时刻的监测数据作为测试样本。
为了分析树状管网是否发生爆管，将所有监测点的历史监测数据作为训练样本，当前时刻的监测数据作为测试样本。所述历史监测数据为该树状管网未发生爆管时所有监测点的历史监测数据，在具体实施过程中，可以选取预设时间段内该树状管网未发生爆管时所有监测点的历史监测数据作为训练样本，预设时间段可以为半年、一个月、十天等，技术人员可根据实际情况选取任意时间段，在此不做具体限定。
步骤s220：分别对所述测试样本和训练样本采用主成分分析提取特征向量，构建测试样本集和训练样本集。
由于所有监测点的监测数据非常多，包括每个时刻每个监测点的压力数据和流量数据等，这些数据中会存在一些冗余数据和噪声，导致在爆管诊断时，增加了计算工作量。因此，在本发明实施例中，通过对测试样本和训练样本采用主成分分析，提取特征向量，将测试样本的特征向量构建测试样本集，将训练样本的特征向量构建训练样本集，从而去除噪声和冗余数据，大大减小了计算工作量。
主成分分析是为了降维处理，一方面可以有效地找出监测数据中最主要的元素和结构，另一方面能够去除噪声和冗余数据为后续诊断减小了工作量。其本质是在数据空间的基础上通过构造出一组新的潜隐变量来降低原始数据空间的维数，再抽取出新的映射空间的主要变化，提取出特征向量，由此构成对原始数据空间特性的理解。
步骤s230：将所述训练样本集输入预先构建的极端学习机模型进行训练，得到所述极端学习机模型中隐层的输出权值。
在具体实施过程中，以训练样本集的特征向量作为极端学习机模型的输入节点，以发生爆管和未发生爆管为输出节点，预先构建极端学习机模型。
在本发明实施例中，构建极端学习机模型的方法为：预设激活函数和隐层节点数，其中，预设激活函数可以为正弦函数，预设隐层节点数可以为4。设定隐层的输入权值和隐层偏差，隐层的输入权值和隐层偏差可根据技术人员的经验进行设定，将训练样本集输入极端学习机模型进行训练，得到隐层的输出权值。
步骤s240：将所述隐层的输出权值更新到所述极端学习机模型。
根据步骤s230计算的隐层的输出权值，更新极端学习机模型。
步骤s250：将所述测试样本集输入更新的所述极端学习机模型进行训练，输出发生爆管的权值。
在具体实施过程中，将测试样本集输入到更新的极端学习机模型中进行训练，输出发生爆管的权值和未发生爆管的权值。
在本发明实施例中，通过对测试样本和训练样本进行主成分分析降维处理，降低了测试样本和训练样本的维数，大大降低了极端学习机对树状管网爆管诊断分析的计算量，计算工作量小，爆管权值计算准确。
步骤s300：判断所述权值是否大于预设阈值。
判断步骤s200计算的权重是否大于预设阈值，若所述权重大于预设阈值，则执行步骤s400；若所述权重小于或等于预设阈值，则执行步骤s600。
在具体实施过程中，预设阈值可以由技术人员根据经验确定。
步骤s600：确定当前时刻未发生爆管。
当爆管的权重小于或等于预设阈值时，则确定当前时刻树状管网未发生爆管。
步骤s400：确定当前时刻发生爆管。
当爆管的权重大于预设阈值时，则确定当前时刻树状管网发生爆管，然后执行步骤s500。
步骤s500：根据所有监测点的坐标和当前时刻的监测数据，计算出爆管位置的坐标范围。
在一种可能的实施方式中，步骤s500的具体实施方式包括：
将所述所有监测点的坐标和当前时刻的监测数据在预先构建的人工免疫系统中训练，得出爆管位置的坐标。
在具体实施过程中，预先构建人工免疫系统的方法为：通过管网水力仿真模型，模拟构建所述树状管网的爆管数据库，其中，爆管数据库中包括爆管发生时间、地点、各监测点的监测数据。然后，构造一个能够表征爆管事件的特殊矩阵，该矩阵的每一行代表一个爆管事件的所有特征属性，如压力、流量、爆管发生时间等，每一个数据则对应爆管事件的一个特征。将一个爆管事件描述成一个抗原，并进行向量表示，对每一个抗原依次运用用于模式识别的克隆选择算法产生对应的抗体集合，直至所有的爆管事件都已产生相对应的抗体集合。所有的抗体集合组合在一起组成一个人工免疫系统。
将判定为爆管的当前时刻的监测数据，如压力和流量，按照监测点坐标顺序组成一个向量，作为一个新抗原与人工免疫系统中同一时间段的抗体进行匹配。根据k-最近邻分类法对当前时刻的爆管进行分类，从而根据新样本所述的类别确定爆管位置的坐标范围。
当然，在具体实施过程中，还可以采用其他方式计算爆管位置的坐标范围，如bp人工网络模型等。
在另一种可能的实施方式中，步骤s500之后，还包括：
步骤s700：在预设的gis系统用户界面上所述坐标对应位置进行爆管提示。
通过在gis系统用户界面上所述坐标对应位置进行爆管提示，使工作人员及时发现爆管问题，并及时通知工程维修人员。
在再一种可能的实施方式中，步骤s500之后，还包括：
步骤s800：在预设的gis系统用户界面上对所述爆管位置的上游阀门进行关闭提示。
通过在gis系统用户界面上对所述爆管位置的上游阀门进行关闭提示，使工程维修人员减少查找阀门的时间，提高工作效率。
本发明实施例提供的一种树状管网爆管分析方法，包括：获取树状管网中所有监测点当前时刻的监测数据；根据所述当前时刻的监测数据，计算发生爆管的权值；判断所述权值是否大于预设阈值；若所述权值大于所述预设阈值，则确定当前时刻发生爆管；根据所有监测点的坐标和当前时刻的监测数据，计算出爆管位置的坐标范围。本发明实施例提供的树状管网爆管分析方法，可以根据实时获取的所有监测点的监测数据，实时计算出发生爆管的权值，可以在第一时间分析出发生爆管事件。当发生爆管时，还能够计算出爆管的坐标范围，可以缩小工程维修人员巡检范围，以最快的速度找到爆管的准确位置。本方法省时省力、判断出爆管的效率高，并且能对爆管位置的坐标范围进行定位。
基于相同的技术方案，本发明实施例还提供了一种树状管网爆管分析装置，如图3所示，包括依次连接的数据获取模块100、爆管权值计算模块200、判断模块300、爆管确定模块400和爆管坐标计算模块500，其中：
所述数据获取模块100，用于获取树状管网中所有监测点当前时刻的监测数据。
所述爆管权值计算模块200，用于根据所述当前时刻的监测数据，计算发生爆管的权值。
在一种可能的实施方式中，如图4所示，所述爆管权值计算模块200包括依次连接的样本获取单元210、样本集构建单元220、第一计算单元230、更新单元240和第二计算单元250。
样本获取单元210，用于获取所有监测点的历史监测数据，将所述历史监测数据作为训练样本，当前时刻的监测数据作为测试样本；
样本集构建单元220，用于分别对所述测试样本和训练样本采用主成分分析提取特征向量，构建测试样本集和训练样本集；
第一计算单元230，用于将所述训练样本集输入预先构建的极端学习机模型进行训练，得到所述极端学习机模型中隐层的输出权值；
更新单元240，用于将所述隐层的输出权值更新到所述极端学习机模型；
第二计算单元250，用于将所述测试样本集输入更新的所述极端学习机模型进行训练，输出发生爆管的权值。
所述判断模块300，用于判断所述权值是否大于预设阈值。
所述爆管确定模块400，用于若所述权值大于所述预设阈值，则确定当前时刻发生爆管。
所述爆管坐标计算模块500，用于根据所有监测点的坐标和当前时刻的监测数据，计算出爆管位置的坐标范围。
在一种可能的实施方式中，所述爆管坐标计算模块500包括第三计算单元。
所述第三计算单元，用于将所述所有监测点的坐标和当前时刻的监测数据在预先构建的人工免疫系统中训练，得出爆管位置的坐标。
在一种可能的实施方式中，该装置还包括爆管提示模块。
所述爆管提示模块，用于在预设的gis系统用户界面上所述坐标对应位置进行爆管提示。
在另一种可能的实施方式中，还包括阀门关闭提示模块。
所述阀门关闭提示模块，用于在预设的gis系统用户界面上对所述爆管位置的上游阀门进行关闭提示。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于一种树状管网爆管分析装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。