校园用水数据,既有趋势性又有季节性。为了准确地对智能水表收集的用水数据进行异常点分析,从而检测预估管网漏损问题,研究对用水数据进行了相关检验,并选择了合适的自回归差分移动平均模型(Autoregressive Integrated Moving Average M...校园用水数据,既有趋势性又有季节性。为了准确地对智能水表收集的用水数据进行异常点分析,从而检测预估管网漏损问题,研究对用水数据进行了相关检验,并选择了合适的自回归差分移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)模型。基于Chen-Liu迭代算法,研究利用R软件进行编程,成功识别了用水数据中的异常点位置、类型、异常效应的大小,以及调整后的时间序列等,由此预估管网漏损可能出现的日期和位置。研究发现,基于ARIMA时间序列模型对用水数据进行异常点的检测较为准确,且输出的异常点类型可以区分异常点是人为因素造成还是由管网漏损问题造成,进而预估管网漏损问题,这为供水行业漏损管理模式提供了一种新的方向。展开更多
文摘校园用水数据,既有趋势性又有季节性。为了准确地对智能水表收集的用水数据进行异常点分析,从而检测预估管网漏损问题,研究对用水数据进行了相关检验,并选择了合适的自回归差分移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)模型。基于Chen-Liu迭代算法,研究利用R软件进行编程,成功识别了用水数据中的异常点位置、类型、异常效应的大小,以及调整后的时间序列等,由此预估管网漏损可能出现的日期和位置。研究发现,基于ARIMA时间序列模型对用水数据进行异常点的检测较为准确,且输出的异常点类型可以区分异常点是人为因素造成还是由管网漏损问题造成,进而预估管网漏损问题,这为供水行业漏损管理模式提供了一种新的方向。
