[发明专利]一种多变量水质参数时序数据异常事件检测方法

说明书

本发明公开了一种多变量水质参数时序数据异常事件检测方法：首先，输入多个水质参数建模，训练和构造数据驱动的预测模型(BP模型)，分析供水管网中的多变量水质时序数据，并对模型进行评估；然后，通过BP模型预测获得水质数据的预测值，比较当前状态的实测值和利用预测模型得到的预测值进行误差评估和分类分析，确定单变量参数异常事件；基于误差统计结果进行分类，通过序贯更新贝叶斯更新确定单变量水质参数的事件概率，进行多变量融合决策，将来自多个水质监测指标的信息融合，提供统一的决策结果，确定供水管网在具体节点处是否异常事件发生。

技术领域

本发明涉及一种多变量水质参数时序数据异常事件检测方法，供水网监控网络技术领域。

背景技术

随着经济快速发展，水质污染异常事件频繁发生，一个城市的供水系统如果发生了污染事件给社会带来巨大的损失。供水管网中发生的污染事件快速传播，造成更严重破坏。因此，及时发现供水管网中的水质异常事件，对污染异常事件及时预警，防止污染继续传播是具有重要现实意义。目前，无线传感网络被广泛应用到各种场景的监控。能够明显反映水质的参数主要有游离氯、总有机碳、电导率、PH值、温度、浊度。在供水管网中部署传感器网络能够实时获取大量的水质指标数据，当供水管网发生污染异常事件发生时，在供水管网中传感器感知的水质参数数据也有异常变化，判断供水管网的水质有无异常。

面对来自供水网监控网络的多个水质参数时间序列数据，如何高效、准确并及时地发现水质异常，是一个重要问题。然而，现有的水质异常检测算法并不能很好地适应供水管网异常监测的需要。目前，异常事件检测研究已在水质检测领域也有了一定的进展。基于水质参数的异常事件检测方法通常包含两个阶段：第一个阶段是建模阶段，用历史监测数据作为训练数据，建立水质预测模型；第二阶段是测试阶段，将新的观测数据与预测模型得到的预测数据比较，判定水质是否正常。根据釆用技术的差异，水质异常检测算法主要包括四种：基于阈值的异常事件检测方法，基于模式识别的异常事件检测，基于统计方法的异常检测技术，基于机器学习的异常检测方法。

上述方法都单独局限于只根据单个水质指标是否超标来判断供水管网水质污染异常事件，而单个检测指标不符合真实的供水管网水环境下。在供水管中污染事件发生时，多个参数都会有明显变化，单个参数考虑的因素单一，容易造成漏报和误报，检测的精确度不高。因此，本发明考虑根据多个水质参数的数据变化情况，基于多个水质参数的状况做出融合决策，判断供水管网污染异常事件。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种多变量水质参数时序数据异常事件检测方法(Temporal Abnormal Event Detection Algorithm ofMultivariate time-series,M-TAEDA)，采用人工神经网络进行水质模拟，通过BP模型分析多变量水质参数的时序数据，确定可能的离群点；结合贝叶斯序贯分析独立更新每个参数的事件概率，预测单个传感器节点在一段时间内是否有异常事件发生；最后对单变量的事件概率融合为一个统一的多变量事件概率做出融合判断，检测供水管网的异常事件发生。仿真实验将提出的M-TAEDA与单变量参数时间异常事件检测算法(S-TAEDA)进行对比，实验结果表明BP模型模拟多变量水质参数进行预测可以提高精确性和有效性；与S-TAEDA方法相比，M-TAEDA方法的异常检出率高，误报率低。

技术方案：一种多变量水质参数时序数据异常事件检测方法，包括以下四个方面：

(1)BP模型模拟水质参数：输入6个水质参数建模，训练和构造数据驱动的预测模型(BP模型)，分析供水管网中的多变量水质时序数据，并对模型进行评估；其中6个水质参数分别是游离氯、总有机碳(Total Organic Carbon,TOC)、电导率(ElectricalConductivity,EC)、PH值、温度和浊度。

(2)误差评估与分类：通过BP模型预测获得水质数据的预测值，然后对供水管网中实时水质参数进行测量，比较当前状态的实测值和利用预测模型得到的预测值进行误差评估和分类分析。