水力分布网络异常检测、分类与预定位的多变量统计框架

本文提出了一种统一框架，用于利用多变量统计方法检测、分类和初步定位水力分布网络中的异常。该方法称为SICAMS（Statistical Identification and Classification of Anomalies in Mahalanobis Space），其处理水压和流量传感器数据的异构性数据，通过白化变换消除测量值之间的空间相关性。基于转换后的数据，构建Hotelling $T^2$统计量，使异常检测可表述为网络符合正常运行条件的统计假设检验。我们指出，Hotelling $T^2$统计量可作为整体系统“健康状况”的综合指标，显示与总泄漏量相关，从而通过回归模型实现对水损的近似估计。发展出一种启发式算法，用于分析 $T^2$时间序列，将检测到的异常分为突发性漏液、初发性漏液和传感器故障。此外，提出了一种粗略的漏液定位方法，该方法依据传感器的统计贡献排序，并采用拉普拉斯插值来近似受影响的网络区域。将所提框架应用于BattLeDIM L-Town基准数据集，显示出在漏液检测中具有高灵敏度和可靠性，即使存在多个漏液也能保持稳健的性能。这些能力使该方法可应用于实际运行环境，而无需校准水力模型。