CN102174994A - 城市供水管网事故爆管在线定位系统 - Google Patents

Abstract

本发明属于供水系统的测量类。为准确而迅速地判断供水管网中事故爆管点的位置，提高定位的精度，并对供水管网运行情况的相关数据进行有效的管理，本发明采取的技术方案是，城市供水管网事故爆管在线定位系统，由数据采集与监测系统(Supervisory Control AndData Acquisition，即SCADA系统)、数据中心和主控计算机组成，数据采集与监测系统，包括：1、若干个遥测远传终端；2、通讯系统；数据中心包括：服务器，用于监控过程值并与过程硬件通讯；服务器上设置有数据库，用来存储按时序监测的供水管网在线数据。本发明主要应用于判断供水管网中事故爆管点的位置。

Description

城市供水管网事故爆管在线定位系统

技术领域

本发明属于供水系统的测量类，尤其涉及城市供水管网爆管事故的定位。具体讲涉及城市供水管网事故爆管在线定位系统。

背景技术

近年来我国许多城市建立了供水管网的数据采集与监测系统(Supervisory Control AndData Acquisition，即SCADA系统)，它对供水管网内若干节点的水压、流量、水质数据以及水泵等的运行情况进行自动监测，并采用有线或无线方式将监测点的数据实时地传回控制中心，从而实现对整个供水管网运行情况的监控。然而，由于理论不够成熟以及实际管网比较复杂等各方面因素的影响，在遇到突发的爆管事故时，确定供水管网中事故爆管点位置的难度较大，缺乏有效的事故爆管定位方法和定位系统，成功用于实际管网的例子很少。

发明内容

为克服现有技术的不足，准确而迅速地判断供水管网中事故爆管点的位置，提高定位的精度，并对供水管网运行情况的相关数据进行有效的管理，本发明采取的技术方案是，城市供水管网事故爆管在线定位系统，由数据采集与监测系统、数据中心和主控计算机组成；

所述数据采集与监测系统，包括：

1、若干个遥测远传终端，用于采集管网监测点的压力或流量等数据，并按约定的采集时段定时以有线或无线方式发送给数据中心；

2、通讯系统，用于遥测远传终端与数据中心的信息通讯；

所述数据中心包括：服务器，用于监控过程值并与过程硬件通讯；服务器上设置有数据库，用来存储按时序监测的供水管网在线数据；

所述主控计算机，包括下列模块：

(1)存储事故爆管定位分析的相关数据信息的存储模块；

(2)对供水管网进行爆管区域识别模块：用于读取服务器上数据库的按时序监测的供水管网在线数据，并代入神经网络模型作为输入数据进行爆管区域识别；

(3)对供水管网进行事故爆管点定位模块：用于自动匹配所识别爆管区域与在线监测计量区域，对其流量数据进行处理计算爆管漏损水量，并将其代入定位模型进行事故爆管点定位；

(4)控制数据采集与监测系统对管网中各监测点进行循环数据采集模块：用于将监测数据传送到服务器数据库中存储并进行操作与分析。

所述存储事故爆管定位分析的相关数据信息的存储模块，其中的数据信息主要包括：

①供水管网的基础数据；

②供水管网的事故爆管数据：利用等水压线分布图将供水管网分为若干个分区，对供水管网进行事故爆管工况模拟，然后记录不同事故爆管工况下各个压力监测点的数据；

③识别事故爆管区的神经网络模型数据：基于上述事故爆管工况的模拟数据建立事故爆管数据库，并利用每个分区已建事故爆管数据库的数据样本训练神经网络模型。

所述代入神经网络模型作为输入数据进行爆管区域识别是，建立BP神经网络模型，BP神经网络模型是一个包括输入层、隐含层和输出层的三层神经网络，其中，输入层神经元个数即为管网压力监测点个数，输出层是l个神经元，对应于事故区编号；网络结构的传递函数采用tansig函数，输出层传递函数选用purelin函数，训练函数选用Levenberg Marquardt的BP算法训练函数trainlm，网络学习函数采用BP学习规则learngd；输入数据包括训练输入数据与预测输入数据两部分，即利用每个分区已建事故爆管数据库的数据样本训练神经网络模型，然后将爆管时管网实时的压力监测点数据转化为相对压降，并作为预测输入数据输入到已训练好的模型进行预测即得到事故爆管区。

对供水管网进行事故爆管点定位模块，是利用微观水力模型找到最接近真实情况的供水管网运行工况，即为事故爆管工况，此时模型中的可疑点即为事故爆管点。

微观水力模型将爆管漏损水量分别添加到所识别区域的节点上，通过水力平差计算出每种工况下各个压力监测点的压力模拟值和真实值的吻合程度，采用均方差作为相似度分析误差指标，找到最接近真实情况的供水管网运行工况，即为事故爆管工况。此时模型中添加漏损水量的节点即为事故爆管点。

本发明具有如下技术效果：

本发明由于采用了以上的技术方案，实现了“两步法”进行事故爆管点的定位。第一步将供水管网划分成若干个分区，利用神经网络模型等技术，建立了分区与监测点压力变化之间的非线性关系模型，用来识别事故爆管区的位置。第二步是在已知的事故爆管区内，基于微观水力建模等技术，对事故爆管点进行定位。该发明实现了供水管网事故爆管定位方法的创新。

由上所述，本发明可以准确和迅速地对城市供水管网系统中爆管等一类的事故进行在线定位分析，定位精度较高，具有较高的实用价值。提高了城市供水管网系统对于突发爆管事故的处理能力和效率，同时也实现了供水管网运行情况相关数据的有效管理。

附图说明

图1是本发明的城市供水管网事故爆管在线定位系统的原理结构示意图；

图2是本发明的城市供水管网事故爆管在线定位系统的软件流程图；

图3是本发明的主控计算机中供水管网事故爆管在线定位系统软件的BP神经网络模型拓扑结构图。

具体实施方式

本发明的目的是这样实现的，城市供水管网事故爆管在线定位系统，它由SCADA系统、数据中心和主控计算机组成，用于城市供水管网爆管等一类事故的定位分析，以及供水管网运行数据的管理。

其中，由

1，若干个遥测远传终端(Remote Terminal Unit，即RTU)，用于采集管网监测点的压力或压力+流量等数据，并按约定的采集时段定时发送(有线或无线方式)给数据中心；

2，通讯系统，用于RTU与数据中心的信息通讯；

连接组成的SCADA系统，用于监测城市供水管网运行情况的相关数据，并与数据中心进行信息通讯；

和

3，服务器，用于监控过程值并与过程硬件通讯；

4，数据库，用来存储按时序监测的供水管网在线数据；

组成的数据中心，用于控制SCADA系统，并存储SCADA系统发回的供水管网在线数据；以及

5，主控计算机，用于存储并运行系统软件和应用软件(供水管网事故爆管在线定位系统软件)，并随时操作数据库中的数据，是系统的操作平台。

所述的主控计算机中存储有供水管网事故爆管在线定位系统软件，用于事故爆管的定位分析和管网数据管理，软件的功能包括以下几个方面：

(1)存储事故爆管定位分析的相关数据信息，主要包括：

①供水管网的基础数据；

②供水管网的事故爆管数据：利用等水压线分布图将供水管网分为若干个分区(近似等压区)；使用EPANET软件对供水管网进行事故爆管工况模拟；然后记录不同事故爆管工况下各个压力监测点的数据；

③识别事故爆管区的神经网络模型：基于上述事故爆管工况的模拟数据建立事故爆管数据库，并利用每个分区已建事故爆管数据库的数据样本训练神经网络模型。

(2)对供水管网进行爆管区域识别。软件读取服务器数据库的管网压力监测点在线监测数据，并代入神经网络模型作为输入数据进行爆管区域识别。

(3)对供水管网进行事故爆管点定位。软件自动匹配所识别爆管区域与在线监测计量区域，对其流量数据进行处理计算爆管漏损水量，并将其代入定位模型进行事故爆管点定位。

(4)控制SCADA系统按设定的时序对管网中各监测点进行循环数据采集，并将监测数据传送到服务器数据库中存储并进行操作与分析。

下面结合附图按实际操作步骤进一步详细说明本发明。

在图1中，城市供水管网事故爆管在线定位系统，由SCADA系统1、数据中心2和主控计算机3组成。

其中SCADA系统1主要包括若干个遥测远传终端(RTU)4和通讯系统5两部分。遥测远传终端(RTU)4，是一种远端测控单元装置，用于采集管网监测点的压力或压力+流量数据，并按设定的采集时段定时发送(无线或有线方式)给数据中心。通讯系统5，用于RTU与数据中心的信息通讯，可采用有线或无线方式。

数据中心2包括服务器6和数据库7，服务器6可监控过程值并与过程硬件通讯，数据库7用来储存按时序监测的供水管网在线数据。

主控计算机3内装有系统软件和应用软件(供水管网事故爆管在线定位系统软件)，并可随时操作数据库中的数据，是系统的操作平台。

供水管网事故爆管在线定位系统软件的流程图如图2所示，该软件主要流程包括以下几个方面：

(1)启动计算机，运行供水管网事故爆管在线定位系统。该系统主要包含以下功能与信息：

①系统存有供水管网基础数据，其中主要包括供水管网的拓扑结构、节点信息(编号、二维坐标、流量、标高等)、管段信息(编号、起始节点与终止节点、管长、管径、管材、粗糙度等)、水厂信息(出厂流量、泵站等)、闸阀信息以及水表信息等。

②系统存有供水管网事故爆管数据。由于管网发生漏损事故(不同位置，不同漏水量)时各个压力监测点的数据需要长期积累，并很难全面获得，因此，本系统存储数据为模拟数据。即基于事故爆管时管网压力变化特征，利用等水压线分布图将供水管网分为若干个分区(近似等压区)；在各分区内选择一些有代表性的点位虚拟不同漏损程度的事故爆管，基于事故爆管工况模拟模型，用EPANET软件分析供水管网事故爆管工况下的压力变化与特征；然后记录不同事故爆管工况下各个压力监测点的数据，并计算各点相对压降。

③系统将上述模拟数据汇总与相应爆管分区编号结合起来建立事故爆管数据库，并建立BP神经网络模型，模型拓扑结构如图3所示，是一个包括输入层、隐含层和输出层的三层神经网络。其中，输入层神经元个数即为管网压力监测点个数，输出层是l个神经元，对应于事故区编号；网络结构的传递函数采用tansig函数，输出层传递函数选用purelin函数，训练函数选用Levenberg_Marquardt的BP算法训练函数trainlm，网络学习函数采用BP学习规则learngd；输入数据包括训练输入数据与预测输入数据两部分，即利用每个分区已建事故爆管数据库的数据样本训练神经网络模型，然后将爆管时管网实时的压力监测点数据转化为相对压降，并作为预测输入数据输入到已训练好的模型进行预测即得到事故爆管区。

系统通过数据库获取在线监测数据，并对其进行后续分析与研究。

(2)系统定时读取服务器数据库的管网压力监测点在线监测数据并与各点同期历史数据进行比较计算。

(3)当其均方差在允许范围之内时表示供水管网运行正常，系统自动返回(2)，等待下一次获取在线监测数据并对其进行爆管判断；当其均方差超过允许范围时，系统判别为管网发生事故爆管，并继续进行以下分析。

(4)系统对供水管网进行爆管区域识别。即系统将压力监测数据转化为相对压降，并代入已训练好的神经网络模型作为预测输入数据进行爆管区域识别。

(5)系统自动匹配所识别爆管区域与在线监测计量区域，找出包含所识别区域的计量区域及其集合，并对其流量数据进行处理计算爆管漏损水量。然后将漏损水量代入定位模型进行爆管定位。爆管定位即利用微观水力模型进行管网水力平差计算，此模型将爆管漏损水量分别添加到所识别区域的节点上，通过水力平差计算出每种工况下各个压力监测点的压力模拟值和真实值的吻合程度，采用均方差作为相似度分析误差指标，找到最接近真实情况的供水管网运行工况，即为事故爆管工况。此时模型中添加漏损水量的节点即为事故爆管点(当定位的节点数目大于1时，还需用检漏仪进行现场进行确认)。

其中，微观水力模型一般采用管网水力学基本方程式中的节点方程进行编程：

$\mathrm{\Σ}\frac{{|H_i-H_j|}^{\frac{1}{\mathrm{\α}}-1}(H_i-H_j)}{S_{\mathrm{ij}}^{\frac{1}{\mathrm{\α}}}}+Q_i=0$

式中，H_i、H_j分别为管网i、j两节点的水压；

S_ij为管段摩阻；

α为常数，可以取1.85或2；

Q_i为节点i的节点流量。

(6)系统根据定位结果确定闸阀的关闭、爆管影响范围等，并可及时发送或打印关闸通知、停水通知等。

(7)SCADA系统可采集供水管网中水压、水量、水质(如余氯、浊度、色度、PH值、电导率等)、水泵运行状况、变频调速器的状态等参数。与本系统连接的SCADA系统对管网中各监测点进行循环采集，即按照指定时间间隔自动对各个监测点进行数据采集。

(8)SCADA系统的监测数据随时传送到服务器数据库中，数据库存储实时数据和历史数据，可通过图表方式显示历史和趋势数据，且控制中心可随时对数据库中的数据进行查看、修改、添加、删除等操作。

(9)根据用户需求判断系统是否继续进行。

Claims (5)

1.一种城市供水管网事故爆管在线定位系统，其特征是，由数据采集与监测系统、数据中心和主控计算机组成；

所述数据采集与监测系统，包括：

一、若干个遥测远传终端，用于采集管网监测点的压力或流量等数据，并按约定的采集时段定时以有线或无线方式发送给数据中心；

二、通讯系统，用于遥测远传终端与数据中心的信息通讯；

所述数据中心包括：服务器，用于监控过程值并与过程硬件通讯；服务器上设置有数据库，用来存储按时序监测的供水管网在线数据；

所述主控计算机，包括下列模块：

(1)存储事故爆管定位分析的相关数据信息的存储模块；

(2)对供水管网进行爆管区域识别模块：用于读取服务器上数据库的按时序监测的供水管网在线数据，并代入神经网络模型作为输入数据进行爆管区域识别；

(3)对供水管网进行事故爆管点定位模块：用于自动匹配所识别爆管区域与在线监测计量区域，对其流量数据进行处理计算爆管漏损水量，并将其代入定位模型进行事故爆管点定位；

(4)控制数据采集与监测系统对管网中各监测点进行循环数据采集模块，用于将监测数据传送到服务器数据库中存储并进行操作与分析。

2.如权利要求1所述的系统，其特征是，所述存储事故爆管定位分析的相关数据信息的存储模块，其中的数据信息主要包括：

①供水管网的基础数据；

②供水管网的事故爆管数据：利用等水压线分布图将供水管网分为若干个分区，对供水管网进行事故爆管工况模拟，然后记录不同事故爆管工况下各个压力监测点的数据；

③识别事故爆管区的神经网络模型数据：基于上述事故爆管工况的模拟数据建立事故爆管数据库，并利用每个分区已建事故爆管数据库的数据样本训练神经网络模型。

3.如权利要求1所述的系统，其特征是，所述代入神经网络模型作为输入数据进行爆管区域识别是，建立BP神经网络模型，BP神经网络模型是一个包括输入层、隐含层和输出层的三层神经网络，其中，输入层神经元个数即为管网压力监测点个数，输出层是l个神经元，对应于事故区编号；网络结构的传递函数采用tansig函数，输出层传递函数选用purelin函数，训练函数选用Levenberg_Marquardt的BP算法训练函数trainlm，网络学习函数采用BP学习规则learngd；输入数据包括训练输入数据与预测输入数据两部分，即利用每个分区已建事故爆管数据库的数据样本训练神经网络模型，然后将爆管时管网实时的压力监测点数据转化为相对压降，并作为预测输入数据输入到已训练好的模型进行预测即得到事故爆管区。

4.如权利要求1所述的系统，其特征是，对供水管网进行事故爆管点定位模块，是利用微观水力模型找到最接近真实情况的供水管网运行工况，即为事故爆管工况，此时模型中的可疑点即为事故爆管点。

5.如权利要求4所述的系统，其特征是，微观水力模型将爆管漏损水量分别添加到所识别区 域的节点上，通过水力平差计算出每种工况下各个压力监测点的压力模拟值和真实值的吻合程度，采用均方差作为相似度分析误差指标，找到最接近真实情况的供水管网运行工况，即为事故爆管工况，此时模型中添加漏损水量的节点即为事故爆管点。 

Images