漏损检测方法、装置、计算机可读存储介质及终端设备与流程

本技术属于管道漏损检测，尤其涉及一种漏损检测方法、装置、计算机可读存储介质及终端设备。

背景技术：

1、准确和及时的漏损检测技术对于水资源管理和城市规划至关重要，在智慧水务领域，可以通过独立计量分区（district metered area，dma）管理，将大型供水网络划分为各个较小的、可管理的分区来优化水资源的管理压力，从而降低漏损率。然而，在dma管理中，多分区间的水流动态较复杂、数据的波动性较高，现有的漏损检测方法难以充分利用dma管理系统可获取的丰富数据资源，导致漏损检测的准确性不高。

技术实现思路

1、有鉴于此，本技术实施例提供了一种漏损检测方法、装置、计算机可读存储介质及终端设备，以解决现有技术中的漏损检测方法难以充分利用dma管理系统可获取的丰富数据资源，导致漏损检测的准确性不高的问题。

2、本技术实施例的第一方面提供了一种漏损检测方法，可以包括：

3、获取各个分区节点的当前多维特征数据；

4、根据各个分区节点的当前多维特征数据，利用预设的漏损检测模型对各个分区节点进行漏损检测，得到目标检测结果；

5、其中，所述漏损检测模型为根据预设的多维特征数据样本集预先训练得到的用于进行漏损检测的人工智能模型。

6、在第一方面的一种具体实现方式中，所述漏损检测模型的训练过程包括：

7、获取所述多维特征数据样本集；其中，所述多维特征数据样本集包括多维特征数据表和各个漏损标签，所述多维特征数据表中包括预设数目的历史多维特征数据，每个历史多维特征数据对应一个漏损标签；

8、以所述多维特征数据表中各个历史多维特征数据为输入，以每个历史多维特征数据对应的漏损标签为预期输出，对初始的人工智能模型进行训练，得到所述漏损检测模型。

9、在第一方面的一种具体实现方式中，所述获取所述多维特征数据样本集，包括：

10、获取各个分区节点的历史多维基础数据；

11、根据各个分区节点的历史多维基础数据，计算得到各个分区节点的历史多维特征数据；

12、根据各个分区节点的历史多维基础数据，确定各个漏损标签；

13、根据各个分区节点的历史多维特征数据和各个漏损标签，构建得到所述多维特征数据样本集。

14、在第一方面的一种具体实现方式中，所述历史多维基础数据至少包括一个分区节点的进水流量、出水流量、供水系统外围的引入水量、污水排放量、管道压力和管道温度，所述历史多维特征数据至少包括一个分区节点的进水流量、出水流量、总分差、产销差、最小流量、管道压力和管道温度；

15、所述根据各个分区节点的历史多维基础数据，计算得到各个分区节点的历史多维特征数据，包括：

16、根据所述进水流量和所述出水流量，计算得到所述总分差；

17、根据所述进水流量、所述供水系统外围的引入水量、所述出水流量和所述污水排放量，计算得到所述产销差；

18、根据在最低流量时段的所述进水流量和在所述最低流量时段的所述出水流量，计算得到所述最小流量；

19、根据所述进水流量、所述出水流量、所述总分差、所述产销差、所述最小流量、所述管道压力和所述管道温度，得到所述历史多维特征数据。

20、在第一方面的一种具体实现方式中，所述根据各个分区节点的历史多维特征数据和各个漏损标签，构建得到所述多维特征数据样本集，包括：

21、将各个分区节点的历史多维特征数据作为所述多维特征数据表中的行数据，构建得到所述多维特征数据表；

22、根据所述多维特征数据表和各个漏损标签，构建得到所述多维特征数据样本集。

23、在第一方面的一种具体实现方式中，所述初始的人工智能模型为用于进行表格数据处理的人工智能模型；

24、所述以所述多维特征数据表中各个历史多维特征数据为输入，以每个历史多维特征数据对应的漏损标签为预期输出，对初始的人工智能模型进行训练，得到所述漏损检测模型，包括：

25、以所述多维特征数据表中各个历史多维特征数据为输入，得到所述人工智能模型的实际初始输出；

26、利用预设的激活函数，将所述实际初始输出转换为实际概率输出；

27、根据所述实际概率输出、所述预期输出和交叉熵损失函数，计算所述人工智能模型的训练损失值；

28、根据所述训练损失值、预设的反向传播算法和预设的超参数调整算法，对所述人工智能模型进行参数优化，得到所述漏损检测模型。

29、在第一方面的一种具体实现方式中，所述根据所述训练损失值、预设的反向传播算法和预设的超参数调整算法，对所述人工智能模型进行参数优化，得到所述漏损检测模型，包括：

30、根据所述训练损失值和所述反向传播算法，对所述人工智能模型进行模型权重优化，得到权重优化后的所述人工智能模型；

31、根据所述超参数调整算法，对权重优化后的所述人工智能模型进行模型超参数优化，得到所述漏损检测模型。

32、在第一方面的一种具体实现方式中，所述获取各个分区节点的当前多维特征数据，包括：

33、获取各个分区节点的当前多维基础数据；

34、根据所述各个分区节点的当前多维基础数据，计算得到各个分区节点的当前多维特征数据。

35、在第一方面的一种具体实现方式中，在所述根据各个分区节点的当前多维特征数据，利用预设的漏损检测模型对各个分区节点进行漏损检测，得到目标检测结果之后，还包括：

36、根据目标检测结果，生成目标提醒信息；其中，所述目标提醒信息用于提醒用户对所述目标检测结果进行处理。

37、在第一方面的一种具体实现方式中，在所述根据目标检测结果，生成目标提醒信息之后，还包括：

38、获取所述目标检测结果的目标处理结果；

39、根据所述目标处理结果，生成目标处理日志。

40、本技术实施例的第二方面提供了一种漏损检测装置，可以包括：

41、数据获取模块，用于获取各个分区节点的当前多维特征数据；

42、漏损检测模块，用于根据各个分区节点的当前多维特征数据，利用预设的漏损检测模型对各个分区节点进行漏损检测，得到目标检测结果；其中，所述漏损检测模型为根据预设的多维特征数据样本集预先训练得到的用于进行漏损检测的人工智能模型。

43、在第二方面的一种具体实现方式中，所述漏损检测装置还可以包括：

44、数据样本集获取模块，用于获取所述多维特征数据样本集；其中，所述多维特征数据样本集包括多维特征数据表和各个漏损标签，所述多维特征数据表中包括预设数目的历史多维特征数据，每个历史多维特征数据对应一个漏损标签；

45、模型训练模块，用于以所述多维特征数据表中各个历史多维特征数据为输入，以每个历史多维特征数据对应的漏损标签为预期输出，对初始的人工智能模型进行训练，得到所述漏损检测模型。

46、在第二方面的一种具体实现方式中，所述数据样本集获取模块可以包括：

47、基础数据获取子模块，用于获取各个分区节点的历史多维基础数据；

48、特征数据计算子模块，用于根据各个分区节点的历史多维基础数据，计算得到各个分区节点的历史多维特征数据；

49、漏损标签确定子模块，用于根据各个分区节点的历史多维基础数据，确定各个漏损标签；

50、样本集构建子模块，用于根据各个分区节点的历史多维特征数据和各个漏损标签，构建得到所述多维特征数据样本集。

51、在第二方面的一种具体实现方式中，所述历史多维基础数据至少包括一个分区节点的进水流量、出水流量、供水系统外围的引入水量、污水排放量、管道压力和管道温度，所述历史多维特征数据至少包括一个分区节点的进水流量、出水流量、总分差、产销差、最小流量、管道压力和管道温度；

52、所述特征数据计算子模块可以包括：

53、总分差计算单元，用于根据所述进水流量和所述出水流量，计算得到所述总分差；

54、产销差计算单元，用于根据所述进水流量、所述供水系统外围的引入水量、所述出水流量和所述污水排放量，计算得到所述产销差；

55、最小流量计算单元，用于根据在最低流量时段的所述进水流量和在所述最低流量时段的所述出水流量，计算得到所述最小流量；

56、特征数据计算单元，用于根据所述进水流量、所述出水流量、所述总分差、所述产销差、所述最小流量、所述管道压力和所述管道温度，得到所述历史多维特征数据。

57、在第二方面的一种具体实现方式中，所述样本集构建子模块可以包括：

58、数据表构建单元，用于将各个分区节点的历史多维特征数据作为所述多维特征数据表中的行数据，构建得到所述多维特征数据表；

59、样本集构建单元，用于根据所述多维特征数据表和各个漏损标签，构建得到所述多维特征数据样本集。

60、在第二方面的一种具体实现方式中，所述初始的人工智能模型为用于进行表格数据处理的人工智能模型；

61、所述模型训练模块可以包括：

62、初始输出获取子模块，用于以所述多维特征数据表中各个历史多维特征数据为输入，得到所述人工智能模型的实际初始输出；

63、概率转换子模块，用于利用预设的激活函数，将所述实际初始输出转换为实际概率输出；

64、训练损失值计算子模块，用于根据所述实际概率输出、所述预期输出和交叉熵损失函数，计算所述人工智能模型的训练损失值；

65、参数优化子模块，用于根据所述训练损失值、预设的反向传播算法和预设的超参数调整算法，对所述人工智能模型进行参数优化，得到所述漏损检测模型。

66、在第二方面的一种具体实现方式中，所述参数优化子模块可以包括：

67、权重优化单元，用于根据所述训练损失值和所述反向传播算法，对所述人工智能模型进行模型权重优化，得到权重优化后的所述人工智能模型；

68、超参数优化单元，用于根据所述超参数调整算法，对权重优化后的所述人工智能模型进行模型超参数优化，得到所述漏损检测模型。

69、在第二方面的一种具体实现方式中，所述数据获取模块可以包括：

70、当前基础数据获取子模块，用于获取各个分区节点的当前多维基础数据；

71、当前特征数据计算子模块，用于根据所述各个分区节点的当前多维基础数据，计算得到各个分区节点的当前多维特征数据。

72、在第二方面的一种具体实现方式中，所述漏损检测装置还可以包括：

73、提醒信息生成模块，用于根据目标检测结果，生成目标提醒信息；其中，所述目标提醒信息用于提醒用户对所述目标检测结果进行处理。

74、在第二方面的一种具体实现方式中，所述漏损检测装置还可以包括：

75、处理结果获取模块，用于获取所述目标检测结果的目标处理结果；

76、处理日志生成模块，用于根据所述目标处理结果，生成目标处理日志。

77、本技术实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种漏损检测方法的步骤。

78、本技术实施例的第四方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种漏损检测方法的步骤。

79、本技术实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述任一种漏损检测方法的步骤。

80、本技术实施例与现有技术相比存在的有益效果是：本技术实施例获取各个分区节点的当前多维特征数据；根据各个分区节点的当前多维特征数据，利用预设的漏损检测模型对各个分区节点进行漏损检测，得到目标检测结果；其中，所述漏损检测模型为根据预设的多维特征数据样本集预先训练得到的用于进行漏损检测的人工智能模型。在本技术实施例中，漏损检测模型可以根据各个分区节点的当前多维特征数据进行漏损检测，充分利用了dma管理系统中丰富的数据资源，使得漏损检测方法能够更好地适应dma管理的复杂环境，提升漏损检测的准确性。