一种基于人工智能的异常区域的识别方法及电子设备与流程

技术特征：
1.一种基于人工智能的异常区域的识别方法，应用于监控终端，其特征在于，包括：接收各个分布式节点反馈的第一流量数据；所述分布式节点部署于目标地域内的任一地域分区；所述分布式节点用于获取所属的所述地域分区内任一目标管道的流量信息；将所述目标地域的进水口对应的进水量导入预设的流体力学模型，输出与各个所述分布式节点对应的第二流量数据；所述流体力学模型是基于所述目标地域的地域信息生成的；根据各个所述分布式节点的第一流量数据与所述第二流量数据之间的偏差值，识别存在漏损情况的异常管道；在所述目标地域的监控界面内标记出各个所述异常管道。2.根据权利要求1所述的识别方法，其特征在于，在所述将所述目标地域的进水口对应的进水量导入预设的流体力学模型，输出与各个所述分布式节点对应的第二流量数据之前，还包括：获取所述地域分区内所有目标管道的管道属性；所述管道属性包含管道长度、管道孔径以及摩阻系数；所述摩阻系数是根据所述目标管道的管道材质以及使用时长确定的；根据各个所述目标管道所在位置的高度差，生成所述目标管道对应的海拔偏差因子；根据所述管道长度、所述管道孔径、所述摩阻系数以及所述海拔偏差因子，构建所述地域分区的流体力学子模块；所述流体力学模块包含有至少一个输入因子以及至少一个输出因子；根据各个所述流体力学子模块对应的所述输入因子以及所述输出因子，合并各个所述流体力学子模块，生成所述流体力学模型。3.根据权利要求2所述的识别方法，其特征在于，所述管道属性还包括所述目标管道的使用时长；所述根据所述管道长度、所述管道孔径、所述摩阻系数以及所述海拔偏差因子，构建所述地域分区的流体力学子模块，包括：获取所述地域分区的水质信息，确定所述地域分区的硬度等级；根据所述硬度等级以及所述使用时长，确定所述目标管道的孔径偏差因子；所述孔径偏差因子具体为：其中，aperturelv为所述孔径偏差因子；baseapt为所述管道孔径；useyear为所述使用时长；waterhardness为所述硬度等级；bases为预设的基准孔径表面积；
△
d为预设的单位孔径长度；basewh为预设的硬度基准值；α为预设的调整系数；e为自然系数；将所述目标管道划分为多个管道段，并根据所述孔径偏差因子对各个所述管道段对应的所述管道孔径进行更新，得到各个所述管道段的校正孔径；所述校正孔径具体为：
其中，为第i个所述管道段的所述校正孔径；为第i个所述管道段的所述管道孔径；ramdom[long]为随机管道段选取函数；所述随机管道段选取函数是基于所述硬度等级确定的；基于各个所述管道段对应的所述校正孔径以及所述管道长度，计算所述目标管道的预测进水量；将所述预测进水量以及所述海拔偏差因子，导入到预设的水流力学模板，生成所述流体力学子模块。4.根据权利要求1-3任一项所述的识别方法，其特征在于，所述根据各个所述分布式节点的第一流量数据与所述第二流量数据之间的偏差值，识别存在漏损情况的异常管道，包括：若任一所述第一流量数据与所述第二流量数据之间的偏差值大于或等于预设的第一偏差阈值，则将异常的第一流量数据对应的地域分区识别为异常分区；所述异常的第一流量数据具体为与所述第二流量数据之间的偏差值大于或等于所述第一偏差阈值的第一流量数据；在所述异常分区中标记所述异常的第一流量数据对应的所述目标管道，所有标记的所述目标管道识别为异常候选管道；以预设的异常监控周期获取所述异常候选管道对应的第三流量数据；根据多个所述异常监控周期对应的所述第三流量数据，以及各个所述异常候选管道对应的流量数据记录，识别所述异常管道；和/或若所有所述第一流量数据与所述第二流量数据之间的偏差值均小于所述第一偏差阈值，且所述第一流量数据之和与所述第二流量数据之和大于预设的第二偏差阈值，则从所述目标地域中标记出未配置有所述分布式节点的待监控管道；获取所述待监控管道上各个关联住户的水表读数，确定所述待监控管道对应的第四流量数据；根据所述流体力学模型生成所述待监控管道的预测流体模型，并通过所述预测流体模型确定所述待监控管道的第五流量数据；若所述第四流量数据与所述第五流量数据之间的偏差值大于预设的第三偏差阈值，则识别所述待监控管道为所述异常管道。5.根据权利要求4所述的识别方法，其特征在于，所述根据多个所述异常监控周期对应的所述第三流量数据，以及各个所述异常候选管道对应的流量数据记录，识别所述异常管道，包括：根据所有所述流量数据记录，确定所述异常监控周期对应的期望流量均值；
根据所述第三流量数据与所述期望流量均值计算所述异常候选管道的流量偏差系数；根据所述异常候选管道对应的管道长度以及使用时长，确定所述异常候选管道的管道属性系数；所述管道属性系数具体为：其中，aptweight为所述管道属性系数；basepress为预设的基准水压值；baselong为基准管道长度；sigmoid为激活函数；γ为预设的调整系数；根据所述流量偏差系数以及所述管道属性系数，计算所述异常候选管道的异常置信度；其中，flowweight为所述流量偏差系数；β和δ为预设的权重值；若所述异常置信度大于预设的置信度阈值，则识别所述异常候选管道为所述异常管道。6.根据权利要求4所述的识别方法，其特征在于，所述以预设的异常监控周期获取所述异常候选管道对应的第三流量数据，包括：向所述异常候选管道对应的智能调压车辆发送监控指令，以使所述智能调压车辆在所述异常候选管道上的任一位置配置流量传感器；接收所述智能调压车辆反馈的关于所述流量传感器的通信地址；基于所述通信地址向所述流量传感器发送所述异常监控周期；所述异常监控周期是基于所述异常候选管道上配置的流量传感器的总数确定的；接收各个所述流量传感器基于所述异常监控周期反馈的所述第三流量数据。7.根据权利要求1-3任一项所述的识别方法，其特征在于，在所述接收各个分布式节点反馈的第一流量数据之前，还包括：根据各个所述分布式节点对应的多个历史流量数据，计算所述分布式节点的标准流量范围；根据所述标准流量范围为所述分布式节点配置反馈触发条件；所述反馈触发条件用于在所述分布式节点检测到在预设的监控时长内对应的第六流量数据在所述标准流量范围外时，向所述监控终端反馈监控触发指令；所述接收各个分布式节点反馈的第一流量数据，包括：响应于任一所述分布式节点发送的所述监控触发指令，向各个所述分布式节点发送流量反馈指令；接收各个所述分布式终端基于所述流量反馈指令发送的所述第一流量数据。8.一种基于人工智能的异常区域的识别装置，其特征在于，包括：第一流量数据接收单元，用于接收各个分布式节点反馈的第一流量数据；所述分布式节点部署于目标地域内的任一地域分区；所述分布式节点用于获取所属的所述地域分区内任一目标管道的流量信息；第二流量数据输出单元，用于将所述目标地域的进水口对应的进水量导入预设的流体
力学模型，输出与各个所述分布式节点对应的第二流量数据；所述流体力学模型是基于所述目标地域的地域信息生成的；异常管道识别单元，用于根据各个所述分布式节点的第一流量数据与所述第二流量数据之间的偏差值，识别存在漏损情况的异常管道；异常管道标记单元，用于在所述目标地域的监控界面内标记出各个所述异常管道。9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

技术总结
本申请适用于人工智能技术领域，提供了一种基于人工智能的异常区域的识别方法、装置、电子设备及存储介质，方法包括接收各个分布式节点反馈的第一流量数据；将所述目标地域的进水口对应的进水量导入预设的流体力学模型，输出与各个所述分布式节点对应的第二流量数据；根据各个所述分布式节点的第一流量数据与所述第二流量数据之间的偏差值，识别存在漏损情况的异常管道；在所述目标地域的监控界面内标记出各个所述异常管道。采用上述方法能够大大提高漏损管道识别的准确性以及检测效率，继而提高了对于城市内水管管理的精准度。提高了对于城市内水管管理的精准度。提高了对于城市内水管管理的精准度。


技术研发人员：邓立群 詹益鸿 辛萍 何全泳 刘小芳
受保护的技术使用者：深圳市拓安信计控仪表有限公司
技术研发日：2022.06.14
技术公布日：2022/7/15