一种基于监测系统与空间聚类的供水管网漏损定位方法

1.本发明涉及城市供水管网类技术领域，尤其涉及一种基于监测系统与空间聚类的供水管网漏损定位方法。


背景技术：

2.城市供水管网系统为城市发展和居民生活提供了保障，是城市首要的基础设施之一，需要保证其安全、高效、经济运行。针对城市供水管网漏损现象严重、爆管事故频发，造成大量优质水资源的浪费以及影响正常的社会生产生活秩序等问题，供水企业需要尽可能快的找到漏损点，然后进行修复操作以避免事态进一步恶化。直接使用噪声记录仪等设备定位漏损点的方法存在成本较高，效率低下，对工作环境要求高的缺点，基于模型与数据驱动的漏损定位方法是提高我国供水行业运行管理水平，降低管网漏损的重要手段。
3.鉴于此，本发明针对提高漏损定位精度和时间效率的需求，提出一种以主导传感器序列为核心，基于监测系统与空间聚类的供水管网漏损定位方法。


技术实现要素：

4.本发明的一个目的在于提供一种基于监测系统与空间聚类的供水管网漏损定位方法，为实现上述目的，本发明采用的技术方案是：
5.提供一种基于监测系统与空间聚类的供水管网漏损定位方法，其特征在于，包括如下步骤：
6.(1)构建主导传感器序列；
7.(2)计算漏损定位指标；
8.(3)候选漏损场景评分；
9.(4)构建候选漏损区域；
10.(5)漏损区域定位。
11.进一步，所述步骤(1)具体如下：
12.(1.1)预测水力模型：
13.建立节点需水量预测模型，实时预测未来dt个时段(t＝{1,2...， t})的节点需水量；将t时刻预测的需水量作为管网模型输入，建立 t时刻的水力模型；
14.(1.2)构建灵敏度权重矩阵：
15.利用t时刻的水力模型，遍历供水管网中布置的所有压力传感器，对管网内所有用水节点进行灵敏度分析；获得t时刻传感器灵敏度矩阵对不同时刻的灵敏度矩阵进行加权平均，最终得到预测时间范围dt内的传感器灵敏度权重矩阵
[0016][0017][0018]
其中传感器灵敏度矩阵中是传感器节点sk处的节点压力，是节点nk处的需水量变化,表示在管网节点nk处发生漏损时对传感器sk压力变化的影响，ns是传感器总数且nn是管网内节点总数；
[0019]
(1.3)重构传感器序列元素：
[0020]
矩阵的第n列表示对发生在节点ns处的漏损，管网内布置的共 ns个传感器的灵敏度，将第n列中元素按其灵敏度值从大到小排序，基于排序后的列向量前i个元素对应的灵敏度值之和与总灵敏度值和比值满足设定比率的规则，对序列元素重构得到节点nn的主导传感器序列，其中节点nn应满足条件：
[0021][0022]
(1.4)构建漏损压力残差矩阵：
[0023]
基于(1.1)中t时刻的水力模型，计算管网中压力传感器位置的压力值，得到t时刻的压力预测向量
[0024][0025]
其中是t时刻第i个传感器的压力预测数据；ns为压力传感器数量；为ns行列向量；
[0026]
(1.5)构建模拟漏损场景压力矩阵：
[0027]
对t时刻某一个节点需水量的预测值依次增加5,10,15,
…ꢀ
350m3/h，模拟该节点可能的漏损场景，上述过程遍历管网中所有节点，计算在所述漏损场景下的压力传感器位置的压力值，得到t时刻模拟漏损场景压力矩阵
[0028][0029][0030]
其中第k个漏损场景下，第i个压力传感器监测数据模拟值；为第k个漏损场景下的监测点压力向量；n为漏损场景数量，为ns×
n的矩阵；
[0031]
(1.6)将漏损压力矩阵的每个列向量依次与预测压力向量相减，获取漏损压力残差矩阵
[0032]
[0033][0034]
其中为第k个漏损场景下的漏损压力残差矩阵，为ns×
n的矩阵；
[0035]
(1.7)获得t时刻实时压力残差向量
[0036]
当scada系统上传了第t个时刻(t＝{1,2...，k})的压力数据，获得t时刻实时压力向量p(t)，
[0037][0038]
其中pi(t)为t时刻scada系统传输的第i个压力传感器数据；p(t) 为ns行列向量；
[0039]
将实时压力向量p(t)与预测压力向量相减，获取实时压力残差向量r(t)，
[0040]
其中，r(t)为ns行列向量。
[0041]
进一步，所述步骤(2)具体如下：
[0042]
(2.1)选择某些相似性度量指标(曼哈顿距离、欧几里得距离、切比雪夫距离、杰卡德相似系数、余弦相似度、马氏距离、海明距离、皮尔逊(pearson)相关系数、斯皮尔曼(spearman)秩相关系数、肯德尔(kendall)τ相关系数等等)作为漏损定位指标；
[0043]
(2.2)漏损压力残差矩阵每个列向量对应一个节点nn，判断节点nn是否为真实漏损节点时，采用(1.3)中获得的节点nn的主导传感器序列对t时刻实时压力残差向量r(t)和t时刻漏损压力残差矩阵中的隶属节点nn的列向量进行重构预处理；
[0044]
其中节点nn的主导传感器序列利用次数等于发生在节点nn的模拟漏损场景总数。
[0045]
进一步，所述步骤(3)具体如下：
[0046]
(3.1)将序列重构后的实时压力残差向量r
′
(t)与漏损压力残差矩阵的列向量做相关性分析，计算漏损定位指标，获得t时刻相应指标的相似性向量假定系统进行漏损定位分析时扫描时间窗内共覆盖j个时间段的压力传感器数据，构建实时定位分析相似性矩阵s
indicator
，
[0047][0048][0049]
其中s
indicator
为n
×
j的矩阵，为t时刻真实场景与第k个模拟漏损场景的漏损定位指标值，x为扫描时间窗口内监测数据序列初始时刻，x j为扫描时间窗口内监测数据序列末尾对应时刻；
[0050]
(3.2)基于时序加权，将漏损实时定位分析相似性矩阵转化为漏损实时定位分析向量，
[0051][0052][0053]
其中p't为t时刻的时序权重系数，s
′
indicator
为t时刻实时定位分析向量，s
′
indicator
为n
×
1的列向量；
[0054]
(3.3)将各漏损定位指标评分求和得到候选场景评分向量c
indicator
，
[0055][0056]
其中是第i个漏损定位指标的定位分析评分向量，sumin是选择的漏损定位指标总数。
[0057]
进一步，所述步骤(4)具体如下：
[0058]
将候选场景评分向量c
sumscore
中高于评分阈值λ的元素对应的模拟漏损场景选择为候选漏损场景，评分阈值λ的设定规则是将评分向量中元素从大到小排序后，大于该阈值的元素数量与总元素n的比值等于v3；候选场景总数量nc＝n*v3；每个候选场景包含漏损位置和漏损强度两个特征参数，上述策略允许具有相同位置不同漏损强度的场景同时被选为候选场景，统计不同漏损位置，构建候选节点集合 {c
node
}；通过聚类算法对集合{c
node
}中的元素进行空间聚类，构建若干个候选漏损区域，且各区域的聚类中心作为候选漏损区域中心。
[0059]
进一步，所述步骤(5)具体如下：
[0060]
量化漏损候选区域的检测优先级应分别计算以下三个指标：
[0061]
(5.1)指示传感器序列：
[0062]
基于扫描时间窗口覆盖的t时刻压力监测数据得到压力残差向量r(t)，而后基于平均权重，对时间域内压力残差向量进行时序归一化处理形成归一化压力残差向量将该向量中元素按数值由大到小排列后，取排序前ng的元素值对应的传感器构成指示传感器序列，
[0063][0064]
其中j(j≤stwl)为本次漏损定位分析扫描时间窗口内包含的时序监测数据总数，最大值等于扫描时间窗口长度(stwl)；
[0065]
(5.2)候选区域积分：
[0066]
候选节点集合{cnode}内的所有节点对应共ni个候选漏损场景，每个节点对应若干个具有相同漏损位置不同漏损强度的候选场景，基于候选场景评分向量c
sumscor
e，将节点ni对应的候选场景评分重构成节点ni的候选场景评分向量计算节点ni的总得分sni，
[0067][0068]
其中是一个n
ni
行列向量，(k)表示列向量的第k行元素；每个候选区域包含候选节点集合{cnode}中的若干个元素，假定空间聚类后形成m个候选区域以及m个候选区域中心，每个候选区域包含的节点集合为{nj}(j＝1,2...,m)，则候选区域积分snj等于隶属于{nj}的全部节点ni∈{nj}的总得分sni之和；假定 {nj}中元素总数为x；
[0069][0070][0071]
(5.3)候选区域累积频率：
[0072]
每个候选区域包含的节点集合为{nj}(j＝1,2...,m)，计算隶属于 {nj}的节点ni(ni∈{nj})在候选场景中出现次数占候选场景总数的比率 pi，如下式所示，求和得到候选区域累积频率spj(j＝1,2...,m)
[0073][0074]
本发明实施例中上述的一个或多个技术方案，至少具有如下技术效果或优点：
[0075]
基于监测系统与空间聚类的供水管网漏损定位方法对提高漏损定位系统的综合性能具有重要意义。供水管网中布置了许多传感器，由于安装位置不同，管网中发生的某一漏损带给不同传感器的反馈信息是不同的空间信息以及时间信息耦合而成，具体来说，传感器的安装地理位置，传感器与漏损之间错综复杂的连接管道(拓扑)关系，漏损的大小与位置，漏损与传感器的地理距离等因素都会影响传感器采集到的反馈信息。本发明中每个候选漏损节点的主导传感器序列由布置在管网内，对该节点上的压力变化敏感的特定数量的传感器组成。主导传感器序列利于正向反馈信息的提取，减弱负向反馈信息对漏损定位分析的误导，能有效提高漏损定位精度。此外，为了降低漏损量，从触发漏损监测系统报警到工作人员在漏损定位算法给出的推测范围内找到真实漏损点需要的时间越短越好。由于大规模管网模型具有成千上万节点，漏损区域定位结果可能包含多个节点，导致探测漏损的工作量增大，时间也随之延长。本发明提出的量化候选区域检测优先级的指标，有效提高了检测到漏损的时间效率。总而言之，本发明实现了监测数据时空信息的深度挖掘，提高了漏损定位的精度和时间效率。
附图说明
[0076]
图1为本发明中供水管网漏损定位方法的流程图；
[0077]
图2为j市供水管网及传感器布置分布图；
[0078]
图3为传感器灵敏度权重矩阵图；
[0079]
图4漏损定位的候选漏损区域示意图。
[0080]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
具体实施方式
[0081]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0082]
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0083]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0084]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0085]
假设在某一个节点处发生漏损，多个压力传感器将同时响应，从而导致同步压力变化。考虑到没有立即修复管道漏损，传感器响应将持续一段时间，在这种情况下，某一监测点获得的不同时刻的压力数据是时间自相关的，且来自不同传感器的压力数据通常是空间相关的。使用多个传感器的时空相关性可以显著降低单个传感器的不确定性，从而提高漏损定位算法的鲁棒性。
[0086]
漏损发生的时间、漏损流量、漏损位置、传感器的位置和管网的拓扑结构都会影响传感器的响应，导致传感器测量值之间时空相关性的表征差异化。本发明将压力传感器的时空信息与空间聚类相结合实现漏损区域定位；(1)基于多个传感器之间的空间相关性，为每个节点开发了一个主导传感器序列；(2)利用多个时间步长的监测数据之间的时间相关性；(3)量化候选漏损区域包含真实漏损节点的可能性并给出候选区域的检测优先级。
[0087]
鉴于此，本发明针对提高漏损定位精度和时间效率的需求，提出一种以主导传感器序列为核心，基于监测系统与空间聚类的供水管网漏损定位方法。该方法利用某个压力传感器多个时刻的监测数据之间的时间相关性与多个传感器监测数据之间的空间相关性，实现了监测数据时空信息的深度挖掘，提高漏损定位的精度及时间效率。
[0088]
请参阅图1，本技术实施例提供了一种基于监测系统与空间聚类的供水管网漏损定位方法。创新点易于理解，下面结合附图和实例，对本发明的实现方式进一步详细叙述(dt＝3为例)，本发明中供水管网漏损定位方法的流程如图1所示，具体步骤如下：
[0089]
1.构建主导传感器序列。
[0090]
如图1所示，j市共有水源3个，需水节点491个，管段640个，管段总长433.52千米，水厂出水量已知，共布置20个压力传感器 (ns＝20)。
[0091]
(1)建立节点需水量预测模型，实时预测未来3个时段 (t＝{i,i 1,i 2})的节点需水量；将t时刻预测的需水量作为管网模型输入，建立t时刻的水力模型。
[0092]
表1 t＝1时刻的预测节点需水量
[0093]
节点编号12
…
240
…
490491需水量(cmh)6.837.31
…
42.52
…
23.0736.71
[0094]
(2)利用t时刻的水力模型，遍历供水管网中布置的所有压力传感器，对管网内所
有用水节点进行灵敏度分析；获得t时刻传感器灵敏度矩阵对不同时刻的灵敏度矩阵进行加权平均，最终得到预测时间范围dt内的传感器灵敏度权重矩阵如图2所示。权重值大小由柱高表征，且权重越大颜色越浅。与压力监测点的拓扑距离或管道距离较小的节点通常具有较高的权重值，有效量化了传感器与节点之间的水力相关性。当x轴和y轴坐标对应的节点索引相同时，权重值出现峰值，即与节点最相关的传感器是布置在该节点的传感器。如表2所示，传感器索引“1”对应节点索引“368”，坐标为(368,1)时权重值为6.269。索引为“368”的节点的主导传感器序列基于表2的第一列构建。
[0095]
表2 灵敏度矩阵的部分权重峰值
[0096][0097]
(3)将第n列中元素按其灵敏度值从大到小排序，基于排序后的列向量前i个元素对应的灵敏度值之和与总灵敏度值和比值满足设定比率的规则，对序列元素重构得到节点nn的主导传感器序列，如表3所示，其中节点nn应满足条件：
[0098][0099]
表3 管网内所有节点对应主导传感器序列编号
[0100][0101][0102]
(4)利用t时刻的水力模型，使用epanet软件模拟压力传感器位置的压力值，作为t时刻的压力预测向量向量的元素依据压力传感器对应的节点编号按照epanet节点索引排序。
[0103][0104]
压力预测向量为20行列向量，这里给出t＝1时刻的压力预测向量示例：
[0105][0106]
(5)模拟t时刻，模拟多个场景下漏损压力矩阵
[0107]
对每个节点需水量依次从5m3/h,增加到350m3/h,每次增加m3/h。因此，每个节点模拟了70个漏损场景。上述过程遍历所有的491个节点，总共模拟了n＝34370(491
×
70)个漏损场景。因此为ns×
n (20
×
34370)的矩阵。这里给出t＝1时刻的漏损压力矩阵示例(前 10列)：
[0108][0109]
(6)模拟t时刻，获取漏损压力残差矩阵
[0110]
对于第一个时刻，将的每一列依次减去计算未漏损压力残差矩阵(20
×
34370)。这里给出的前10列，
[0111][0112]
(7)获得实时压力残差向量r(t)。
[0113]
通过scada系统传来的多个压力传感器实时监测数据，构建实时压力向量p(t)。将实时压力向量p(t)。与预测压力向量相减，获取实时压力残差向量
[0114]
实时压力向量与实时压力残差向量均为20行列向量，这里给出 t＝1时刻实时压力向量和实时压力残差向量的示例：
[0115][0116][0117]
2.计算漏损定位指标
[0118]
(1)选择欧氏距离(eu)、曼哈顿距离(ci)、切比雪夫距离(ch)、余弦相似度(co)、皮尔逊相关系数(pea)、斯皮尔曼秩相关系数(spe) 和肯德尔τ相关系数(ken)共7个指标用于定位指标计算，采用平均权重进行得分累计，即各指标所占比重为 1/7(eu:ci:ch:spe:ken:co:pea＝1:1:1:1:1:1:1)。
[0119]
(2)漏损压力残差矩阵每个列向量对应一个节点nn，判断节点nn是否为真实漏损节点时，采用(1.3)中获得的节点nn的主导传感器序列对t时刻实时压力残差向量r(t)和t时刻漏损压力残差矩阵中的隶属节点nn的列向量进行重构预处理。其中节点nn的主导传感器序列利用次数等于发生在节点nn的模拟漏损场景总数。
[0120]
3.候选漏损场景评分
[0121]
(1)将序列重构后的实时压力残差向量r
′
(t)与漏损压力残差矩阵的列向量
做相关性分析，计算漏损定位指标，获得t时刻相应指标的相似性向量
[0122][0123]
indicator＝eu、ci、ch、spe、ken、co、pea
[0124]
以漏损定位指标中的皮尔逊相关系数为例：
[0125][0126][0127]
相关性向量为n行列向量,n＝34370，为漏损场景数量。这里给出t＝1时刻的示例：
[0128][0129]
假定系统进行漏损定位分析时扫描时间窗内共覆盖dt＝3个时间段的压力传感器数据，构建实时定位分析相似性矩阵s
indicator
，
[0130][0131]
indicator＝eu、ci、ch、spe、ken、co、pea
[0132]
(2)依据时序权重向量，将漏损实时定位分析相似性矩阵转化为漏损实时定位分析向量。
[0133][0134]
indicator＝eu、ci、ch、spe、ken、co、pea
[0135]
(3)将各漏损定位指标评分求和得到候选场景评分向量c
indicator
[0136][0137]
indicator＝eu、ci、ch、spe、ken、co、pea
[0138]
4.构建候选漏损区域。
[0139]
(1)将候选场景评分向量c
sumscore
中高于评分阈值λ的元素对应的模拟漏损场景选择为候选漏损场景，评分阈值λ的设定规则是将评分向量中元素从大到小排序后，大于该阈值的元素数量与总元素n的比值等于v3。候选场景总数量nc＝n*v3。每个候选场景包含漏损位置和漏损强度两个特征参数，上述策略允许具有相同位置不同漏损强度的场景同时被选为候选场景，统计不同漏损位置，构建候选节点集合{c
node
}。分别采用层次聚类算法和k-means聚类算法对集合 {c
node
}中的元素进行空间聚类，构建若干个候选漏损区域，且各区域的聚类中心作为候选漏损区域中心。如图4所示，以候选区域聚类中心为圆心，隶属于该区域的所有候选节点中与中心距离最远的节点到圆心的支线距离为半径，构建候选区域的覆盖圆面。构建了三个候选漏损区域，其中编号“1”表示检测排序第一，即区域定位分析结果认为漏损最有可能发生在该区域。真实漏损节点若位于检测优先级排序第一的候选区域(“1st”区域)之内，表明漏损区域定位精度良好，检测优先级有助于缩短检测到漏损所花费
的时间。
[0140]
5.漏损区域定位。
[0141]
量化漏损候选区域的检测优先级应分别计算以下三个指标：
[0142]
(1)指示传感器序列
[0143]
基于扫描时间窗口覆盖的t时刻压力监测数据得到压力残差向量r(t)，而后基于平均权重，对时间域内压力残差向量进行时序归一化处理形成归一化压力残差向量将该向量中元素按数值由大到小排列后，取排序前ng的元素值对应的传感器构成指示传感器序列，
[0144][0145]
其中j(j≤stwl)为本次漏损定位分析扫描时间窗口内包含的时序监测数据总数，最大值等于扫描时间窗口长度(stwl)。
[0146]
假定空间聚类后形成m个候选区域以及m个候选区域中心，依次计算m个候选区域中心到指示传感器序列中各个传感器节点的距离 d
j-i(i＝1,...,ng,j＝1,2...,m)，求和得到候选区域距离评分指标 sdj＝∑d
j-i(i＝1,...,ng,j＝1,2...,m)，本研究认为距离评分sdj越低，j区域包含真实漏损节点的可能性越高。依据各候选区域的距离评分sdj的大小定义漏损候选区域的检测优先级。
[0147]
(2)候选区域积分
[0148]
候选节点集合{c
node
}内的所有节点对应共ni个候选漏损场景，每个节点对应若干个具有相同漏损位置不同漏损强度的候选场景，基于候选场景评分向量c
sumscore
，将节点ni对应的候选场景评分重构成节点ni的候选场景评分向量计算节点ni的总得分s
ni
：
[0149][0150]
其中是一个n
ni
行列向量，(k)表示列向量的第k行元素。每个候选区域包含候选节点集合{c
node
}中的若干个元素，假定空间聚类后形成m个候选区域以及m个候选区域中心，每个候选区域包含的节点集合为{nj}(j＝1,2...,m)，则候选区域积分 snj等于隶属于{nj}的全部节点ni∈{nj}的总得分s
ni
之和。假定{nj}中元素总数为x，则
[0151][0152][0153]
候选区域积分法认为snj越高，该区域包含真实漏损节点的可能性越高。依据各候选区域积分snj的大小定义漏损候选区域的检测优先级。
[0154]
(3)候选区域累积频率
[0155]
每个候选区域包含的节点集合为{nj}(j＝1,2...,m)，计算隶属于 {nj}的节点ni(ni∈{nj})在候选场景中出现次数占候选场景总数的比率pi如下式所示，求和得到候选区域累积频率spj(j＝1,2...,m)
[0156][0157]
候选区域累积频率越高，该区域包含真实漏损节点的可能性越高。最终依据各候选区域的累积频率pi的大小定义漏损候选区域的检测优先级。
[0158]
使用候选区域积分法或候选区域累积频率法定义区域检测优先级时，若区域评价(snj及spj)十分接近就很难给出检测优先级。为了解决该问题，引入筛选权重y。候选区域内包含的每个节点对应一个分指标(s
ni
及pi)，将这些节点分指标从大到小排序，取排序后前 y％的分指标之和表征该候选区域。这可以过滤掉候选区域中非主导的节点信息(节点信息强弱与分指标的高低相关)，提取主导节点的信息，增强各候选区域之间的区分度以定义检测优先级。
[0159]
区域定位精度用真实漏损节点与候选漏损区域聚类中心之间的地理距离表征。表4给出了在不同的测量不确定性影响下，使用主导传感器序列前后的定位精度的提升幅度。采用主导传感器序列可以提高漏损定位方法的性能。考虑不同程度的传感器测量不确定性，使用主导传感器序列(n
sd
＝6)与不使用主导传感器序列相比，定位精度提高约40-60％。
[0160]
表4 不同噪声水平下主导传感器使用前后的定位精度差异
[0161][0162]
依据真实漏损节点匹配的候选漏损区域的排序等级评估方法的区域定位效果。给定匹配规则：分别计算真实漏损节点与所有候选节点的距离，真实漏损节点与距离取最小值时对应的候选节点所隶属的区域匹配。如表5a和表5b所示，取不同筛选界限v3，采用不同的量化漏损候选区域的检测优先级的指标，对处于不同漏损流量区间内的漏损事件的区域定位效果。
[0163]
结果表明：1)区域定位方法在给定的漏损流量范围内表现良好。大约97％的漏损事件的真实漏损位置处于构建的候选区域内，3％的漏损事件不在候选区域内。约70％的漏损事件中真实漏损节点匹配至检测优先级排序第一的候选区域，区域检测优先级有助于缩短检测到漏损时间。2)区域内定位方法在给定的漏损流量范围内定位精度良好。仅统计匹配至检测优先级排序第一的候选区域的漏损事件的定位结果，真实漏损节点与候选节点之间地理距离的累积概率在1000m内约为48％，在2000m以内为81％，在3000m以内为94％。3)测试的v3 取值对区域定位综合性能影响不大，较优的v3取值能将匹配至第一检测优先级的候选区域的概率提高约6％，略微提高漏损检测的时间效率。4)检测优先级指标采用指示传感器序列时区域定位效果最好。较优的检测优先级指标能将匹配第一检测优先级区域的概率提高约 34％，匹配到第一及第二检测优先级区域的概率提高约20％。但是，对于测试
的五种检测优先级指标，漏损事件被有效定位于候选区域内的比例均超过94％，区域定位总性能差异不大。此外，漏损事件的漏损流量越大，漏损区域定位效果越好。大流量漏损事件与小流量漏损事件相比，匹配至第一检测优先级的候选区域的概率提高约2％-6％。且候选区域的检测优先级排序越高，匹配至该候选区域的漏损事件越多。
[0164]
表5a不同漏损流量区间漏损匹配结果的统计概率
[0165][0166][0167]
表5b不同漏损流量区间漏损匹配结果的统计概率
[0168][0169]
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。