利用机器学习进行水力分布系统的异常检测与入口压力预测
系统与控制
2024-10-15 v1 系统与控制
摘要
本研究提出两个模型，以优化水力分布网络中的压力管理。第一个模型预测分配点的压力，并将预测值与实际数据进行比较，以检测如泄漏和阻塞等异常现象。及时检测可实现及时干预，从而最小化经济损失并确保系统可持续性。第二个模型根据 various distribution points 的影响，估算所需的入口压力，以确保稳定的供水同时减少浪费并优化资源管理。两个模型都利用现代机器学习算法来提高预测过程。方法论包括 CNN-EMD 模型，它分析每 15 分钟收集两个月历史数据的预测未来压力。Empirical Mode Decomposition（EMD）方法识别波动和异常情况，从而提高预测准确度。第二个模型将 CNN、EMD 和 LSTM 技术组合用于预测所需入口压力，强调 distribution points 的影响。结果表明，CNN-EMD 和 CNN-EMD-LSTM 模型提高了压力管理能力，第一个模型在异常检测方面的准确率为 85%至 95%，第二个模型在入口压力预测方面的平均准确率为 93%。这使我们能够灵活地调整系统并识别影响入口压力的关键因素。总之，像 CNN-EMD 和 LSTM 这样的先进机器学习模型显著提高了水力分布网络中的压力管理，促进了问题的早期识别，确保高效供水，并为未来世代优化资源管理。
引用
@article{arxiv.2410.09530,
title = {Anomaly Detection and Inlet Pressure Prediction in Water Distribution Systems Using Machine Learning},
author = {Tran Dang Khoa},
journal= {arXiv preprint arXiv:2410.09530},
year = {2024}
}
备注
13 pages, 14 figures