买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜大连理工大学申请的专利一种基于管网水质时空数据的水质异常事件识别预警方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115470850B 。

龙图腾网通过国家知识产权局官网在2025-05-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211104588.6，技术领域涉及：G06F18/2433；该发明授权一种基于管网水质时空数据的水质异常事件识别预警方法是由李子林;刘海星;徐子杨;徐佳雨;张弛设计研发完成，并于2022-09-09向国家知识产权局提交的专利申请。

本一种基于管网水质时空数据的水质异常事件识别预警方法在说明书摘要公布了：一种基于管网水质时空数据的水质异常事件识别预警方法，属于供水管网水处理技术领域。首先，对供水管网中具有相同变化趋势的相邻监测站点分组分析，进行数据的准备与处理。其次，构造对抗学习网络模型，通过模型训练和更新，找到稳定状态。第三，基于模型的生成器和判别器构造异常分数，并选择合适的异常分数阈值。第四，进行水质异常事件的概率计算，并计算各个时刻发生污染事件的概率，进行平滑处理。最后，分别利用单站点模型和多站点模型进行水质异常事故的概率计算，并进行融合，得到反映污染事件可能性的组合事件概率。本发明通过融合单站点和多站点的异常检测模型的结果提高污染事件的检测准确率；模型的构建和训练仅需要供水管网正常运行下的水质数据，应用范围广，实用性强。

本发明授权一种基于管网水质时空数据的水质异常事件识别预警方法在权利要求书中公布了：1.一种基于管网水质时空数据的水质异常事件识别预警方法，其特征在于，包括以下步骤：1选择监测的水质参数以及水质传感器站点，通过分析传感器接收污染水的时间间隔以及变化趋势，将供水管网中具有相同变化趋势的相邻监测站点分组分析；将N个传感器检测站点分为N+1组：前N组中，每个组内包含单个传感器站点的多参数水质监测数据，另外还有一组包含所有N个传感器站点的多参数水质监测数据；2将N+1组的水质数据进行标准化预处理，将预处理后每一组内的水质时序数据分别转化为叠加图像；假设每个站点收集Nr个水质参数，对于每一个时刻，从分析的N个传感器站点可以收集到V个水质参数数据V＝Nr×N；在t时刻，每个组的距离图像可以表示为其中是t时刻叠加图像mt中第i行，第j列的元素，计算为t时刻所收集的V个水质参数数据中第i个和第j个数据的总和；当N＝1时，叠加图像转换仅用于单个传感器站点的多参数数据融合；当N1时，其叠加图像转换用于融合多个站点的时空分布数据；为了减少噪声的影响，每个时刻的叠加图像取过去d个时间长度的平均值；3构造对抗学习网络模型GAN；所述的对抗学习网络模型包括生成器G和判别器D，生成器G采用包括压缩图像信息的编码器和还原图像信息的解码器的卷积神经网络；判别器D是一个用来压缩提取图像特征的分类卷积神经网络；首先，利用步骤2将正常发运行状态下所分析的水质监测站点的多元时间序列数据转化为叠加图像；然后，将过去K个时刻的历史叠加图像作为GAN模型的输入，通过生成器网络G生成下一时刻的叠加图像；最后，将生成器生成的图像和基于实测数据的叠加图像m输入到判别器网络，判别器用于区分实测数据的叠加图像m真实和由生成器G重构的叠加图像伪造；GAN模型的训练采用改进的W-GAN损失作为判别器的训练损失LD，用于稳定训练过程，具体表示为， 式中，E表示计算的数学期望；D·为判别器D最终输出的特征向量；是由生成器重构的叠加图像；m是基于实测数据的叠加图像；是由一对真实叠加图像和重构叠加图像组成的插值图像；是对插值图像求梯度；λGP是梯度惩罚项的系数，根据经验值取10；生成器训练采用真实叠加图像和生成的叠加图像之间的重构损失作为生成器损失LG，来帮助生成器学习正常水质数据的分布；其计算表示为， 在GAN模型中，对G和D两个网络同时进行训练和更新；模型训练的最终目标是找到一个稳定状态，当G和D的损失都收敛到一个稳定状态；4基于步骤3中训练好的GAN模型的生成器和判别器，构造异常分数ψ；5选择合适的异常分数阈值ψthre，使用于构造GAN模型的水质数据集中大部分点都处于正常范围内，且当利用步骤4得到的异常分数超过ψthre后，作为初始的异常点识别；6利用时序贝叶斯原理进行水质异常事件的概率计算，基于步骤5中得到的异常点的识别结果计算各个时刻发生污染事件的概率Pt，具体可以用以下公式表示， 式中，TPR是真阳性率，计算为在供水管网受污染时正确归类为异常的时间步数与受污染的总时间步数的比率；在没有污染事件的先验知识时，TPR取值为0.5；FPR是假阳性率，计算为在供水管网正常运行无污染情况下模型识别为异常点的时间步数与正常运行的总时间步数的比率，相当于在训练集中超过异常分数阈值的时刻数目与训练数据集总数之比；初始时刻给定污染事件发生概率为P0，当计算的概率Pt超过阈值Pthre时，该模型就识别为是污染事件；所述的污染事件识别的概率阈值Pthre根据决策者对污染事件检出率和误报率的权衡考虑设定；7供水管网中常规运行水力变化会在短期内导致水质参数的突变；为了区分正常的水质变化和污染事件，使用指数平滑模型对计算的概率进行平滑处理；8分别利用单站点模型和多站点模型进行水质异常事故的概率计算；单站点模型是指将步骤3-7提出的异常检测方法分别单独应用在步骤1-2中前N组水质数据中，对每一个站点构造GAN模型，并将N个GAN模型的计算的污染事件发生概率的最大值作为单站点模型计算的事件概率Psingle；多站点模型是指将步骤3-7提出的异常检测方法应用在步骤1-2中的第N+1组水质数据中，该组数据包括了N个水质监测站点监测的水质数据，构造一个GAN模型，得到最终多站点模型计算的污染事件发生概率Pmulti；9为了充分利用各监测站之间及监测站内部的水质关系，将单站点模型和多站点模型计算的事件概率进行融合，基于所有监测站的多元水质参数，得到反映污染事件可能性的组合事件概率Pall，采用以下表达式表达：Pallt＝ηPsinglet+1-ηPmultit7式中，Psinglet和Pmultit分别表示为t时刻，利用单站点模型和利用多站点模型计算得到的污染事件发生概率；η是调节单站点模型和多站点模型对最终污染事件识别同步决策影响的重要性权重；所述的单站点和多站点模型都是无监督模型，事先不知道污染信息，因此设置η＝0.5反映单站点模型和多站点模型对最终污染检测报警相同的重要性；当组合事件概率Pall超过步骤6中预设的概率阈值Pthre时，给出最终模型的报警信号，并给出水质异常事故发生概率Pall。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。