CN106484971A - 一种排水管网监测点的自动识别方法 - Google Patents

Abstract

本发明公开了一种排水管网监测点的自动识别方法，包括：收集信息建立目标区域的排水管网模型，设置多种情景模拟得到各情景下所有节点监测指标对应的状态曲线，对节点进行初步分组；计算节点状态曲线间相关性，加权平均得到相关性矩阵，依据相关性大小进行聚类；根据聚类情况，在同类节点中选择与其他点平均相关性最大的作为代表性监测点；对代表性监测点进行检验和调整，确定最终监测方案，并给出监测方案优劣的定量化评价指标。本发明具有如下优点：降低人为制定方案时对管网运行规律认识的局限性，避免人为设定监测点的主观性，减少人工工作量，确保监测点代表性，给出监测方案的定量化评估结果，较少节点的监测即可全面反映排水管网运行状况。

Description

一种排水管网监测点的自动识别方法

技术领域

本发明涉及城市水系统监测点的设计与布置领域，具体设计一种可对排水管网进行监测点自动识别的方法。

背景技术

针对海绵城市建设的绩效评估以及黑臭水体整治情况的监测评估，都需要以实际监测数据为依据进行定量化考核，排水管网的监测是其中的关键点之一。在排水管网的规划、管理、评估与诊断等环节，均需要真实在线监测数据的支撑。监测点的合理布置，可以优化监测系统的建设方案，优化监测方案建设资金的投入效果，并通过在线监测数据全面反映整个排水管网的运行状态。但目前缺少一套系统性的技术方法来科学合理的选择监测点，对监测方案的优劣及监测点的代表性无法进行定量化评估。

目前我国对排水管网监测点的布置主要是设立一定的原则，根据已有的经验进行人工的筛选和精简，以人工经验为主，缺乏客观定量化指标反映监测方案的优劣及代表性，监测点的选择并未站在系统整体层面，未考虑排水管网的复杂拓扑关系，未考虑不同工况下的综合监测需求，严重影响了排水管网监测点识别的效率和监测点所具有的代表性。主要表现如下：

(1)关于排水管网监测点的设置原则尚无统一标准，在不同区域不同城市对排水管网进行监测时，可能会根据不同的原则来进行监测点的布置，使得所得到的结果不能客观反映排水管网的运行情况，缺乏可比性。

(2)即使根据相似的原则进行监测点的布置，由于是依赖工作人员的主观判断，会产生一定的不确定性，而且耗费了较多的人力和时间。

(3)目前监测点的设置方法很少利用排水系统模型进行模拟，但已有的实测数据有限，尤其缺乏对不同工况条件下管网节点规律差异的分析，从而只能在对排水规律认识尚不够全面的情况下对监测点进行筛选和设置。

(4)有些设置方法虽然利用了排水系统模型进行模拟，但往往是先进行一定的筛选，只对较少数量的节点进行模拟，这种设置方法已丢失了部分节点的信息，降低了监测点在不同工况下的代表性及有效性。

发明内容

本发明旨解决上述技术问题。

为此，本发明的目的在于提出一种排水管网监测点的自动识别方法，直接对所有节点进行采样，并在多种情景下进行模拟，掌握不同工况情景下所有节点变化规律。

为了实现上述目的，本发明的实施例公开了一种排水管网监测点的自动识别方法，包括以下步骤：S1：收集排水管网信息建立目标区域的排水管网模型，根据监测对象、监测目的及监测指标设置多种不同工况情景，并在所述多种不同工况情景下进行模拟得到各情景下所有节点的监测指标对应的状态曲线，结合管网拓扑结构或所在排水分区对所有节点进行初步分组；S2：在所述多种不同情景下对节点状态曲线进行相关性的计算，根据监测的具体要求对相关性进行加权平均得到相关性矩阵，并根据相关性大小对所述相关性矩阵进行聚类；S3：根据监测目标确定需要聚类的节点，在同类节点中选择与其他点平均相关性最大的点作为代表性监测点；S4：对所述代表性监测点根据所述管网拓扑结构及所代替的监测点数量进行检验和调整，确定最终监测方案，输出所述最终监测方案定量化评估结果。

根据本发明实施例的排水管网监测点的自动识别方法，利用排水系统模型的模拟，可对所有节点在不同工况条件下的运行状态进行分析，全面掌握所有节点在不同工况情景下的变化规律。以该方法进行排水管网监测点的识别，可降低人为制定方案时对管网运行规律认识的局限性，避免人为设定监测点的主观性，减少了人工工作量，确保了监测点代表性，以较少的经济投入对一定量节点进行监测就可全面反映排水管网的整体运行状况。同时可对监测方案及节点代表性进行定量化评估，支撑海绵城市和黑臭水体整治工作的评估，切实解决国家及行业需求。

另外，根据本发明上述实施例的排水管网监测点的自动识别方法，还可以具有如下附加的技术特征：

进一步地，步骤S1进一步包括：S101：根据收集的排水管网相关资料建立区域排水管网模型，并对所述排水管网模型的相关参数进行设置；S102：根据监测目的确定工况情景，所述工况情景包括降雨强度、降雨雨型、运行水位或水量、以及调控策略中的一种或多种组合；S103：根据所述监测目的选择监测指标对所述排水管网模型的所有节点进行计算得到选定监测指标的时间变化曲线，其中，所述监测指标包括液位、流速、流量的水量指标和SS、COD、TN、TP、NH₃-N的水质指标中至少一种指标；S104：对排水管网模型的所有节点进行初步分组。

进一步地，步骤S102中，根据降雨强度确定工况情景进一步包括：选取小型降雨、排水管网设计控制标准、海绵城市建设要求及极端大型降雨分别进行模拟，其中，小型降雨对应降雨重现期为2年，排水管网设计控制标准及海绵城市建设要求可对应降雨重现期5—10年，极端大型降雨的重现期为100年。

进一步地，步骤S104中，对所述排水管网模型的所有节点依据所述管网拓扑结构、空间地理位置及排水分区进行初步分组。

进一步地，步骤S2进一步包括：S201：在不同情景下，分别利用线性回归的方法分析空间分组后组内节点两两间液位曲线的相关性，将其中一个节点不同时刻的液位值作为自变量，另一个节点的值作为因变量，利用最小二乘法计算最佳拟合直线：

y＝m₁x₁+m₂x₂+…+b

其中，y表示一个节点各时刻液位值，x表示另一个节点各时刻液位值，m表示与每个x值对应的系数，b为常量；节点间彼此进行线性回归分析后，可得到不同降雨情景下的附加回归统计值，对其中的判定系数r² _1ij，r² _2ij…r² _kij进行计算：

r²＝ssreg/sstotal＝(sstotal-ssresid)/sstotal

其中，r²为判定系数，0≤r≤1，ssreg表示回归平方和，sstotal表示y的实际值和平均值的平方差之和，ssresid表示每一点的y的估计值与实际值的平方差；S202：根据监测和控制目标，对不同情景下的判定系数赋以不同的权重值，计算节点间平均判定系数构成相关性对称矩阵A_m×m：

其中，表示节点i和节点j之间的相关性平均判定系数，ω_k表示不同情景所占权重，0≤ω_k≤1且r² _kij表示不同情景下节点i和节点j相关性的判定系数，m表示对称矩阵A的行与列；S203：将矩阵A中的判定系数进行从大到小的排序；S204：将判定系数作为设置相关性要求的依据，当相关性要求为1时，所有节点各为一类，相互不可替代，不断降低相关性的要求对节点进行聚类，直至所有节点聚为一类。

进一步地，步骤S204进一步包括：将相关性要求降低为第二大的判定系数对应的节点i和j可归为一类，以形成类别H1，其中类别H1中i和j只监测一个，此时需要监测的点个数为m-1；对相关性的要求进一步降低，则有新的节点达到要求而可进行合并，其中，对于某一类节点H_O，只要其中任意一个节点O与其他节点P判定系数达到相关性要求，新的节点P或该节点所属分类H_P，即可与H_O归为新的一类H_Q。

进一步地，步骤S3进一步包括：S301：根据监测目标和要求，确定总共需要设置的监测点的个数及每组监测点个数，从而确定每组在该监测点数量目标下节点对应的聚类情况；S302：计算同类节点中各节点与其他节点的平均判定系数，将平均判定系数最大的点选为代表性监测点；S303：根据实际情况对判定系数大小进行约束，检验每类中的代表性节点可否满足要求，若无法达到要求则需对监测目标进行适当调整。

进一步地，步骤S4进一步包括：S401：对于聚类结果只含有一个节点而作为代表性节点的情况进行判断：如果所述节点处于排水管网的主要节点则需重点监测，如果所述节点处于排水管网上游区域，则剔除所述节点；S402：将超过所有节点数量的预设比例作为判断依据，所述预设比例的取值区间为(30％，60％)；S403：经过判断和调整得到最终监测方案，计算最终方案中所有监测点的平均判定系数的平均值作为对所述最终监测方案有效性的定量化评估结果，为所述最终监测方案优化调整的定量化分析提供依据，定期根据模拟或实测数据统计该定量化评估结果，来判断监测方案的有效性。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明实施例的排水管网监测点的自动识别方法的流程图；

图2是本发明一个实施例的排水管网监测点的自动识别方法的完整细节的流程图；

图3是本发明一个实施例的目标区域排水管网的示意图；

图4是本发明一个实施例的降雨历时曲线图；

图5是本发明一个实施例的节点液位变化曲线图；

图6是本发明一个实施例的根据管网拓扑结构对节点的初步分类示意图；

图7是本发明一个实施例的不需监测节点位置图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

以下结合附图描述本发明。

图1是本发明一个实施例的排水管网监测点的自动识别方法的流程图，图2是本发明一个实施例的排水管网监测点的自动识别方法的完整细节的流程图。如图1和图2所示，一种排水管网监测点的自动识别方法，包括以下步骤：

S1：收集排水管网信息建立目标区域的排水管网模型，根据监测对象、监测目的及监测指标设置多种不同工况情景，并在多种不同工况情景下进行模拟得到各情景下所有节点的监测指标对应的状态曲线，结合管网拓扑结构或所在排水分区对所有节点进行初步分组。

在本发明的一个实施例中，步骤S1进一步包括：

S101：根据收集的排水管网相关资料建立区域排水管网模型，并对排水管网模型的相关参数进行设置。

S102：根据监测目的确定工况情景，工况情景包括降雨强度、降雨雨型、运行水位或水量、以及调控策略中的一种或多种组合。

在本发明的一个实施例中，根据降雨强度确定工况情景进一步包括：

选取小型降雨(降雨量)、排水管网设计控制标准、海绵城市建设要求及极端大型降雨分别进行模拟，其中，小型降雨对应降雨重现期为2年，排水管网设计控制标准及海绵城市建设要求可对应降雨重现期5—10年，极端大型降雨的重现期为100年。

S103：根据监测目的选择监测指标对排水管网模型的所有节点进行计算得到选定监测指标的时间变化曲线，其中，监测指标包括液位、流速、流量等水量指标，和SS(Suspended Solid、固体悬浮物)、COD(Chemical oxygen demand、化学需氧量)、TN(TotalNitrogen、总氮)、TP(Total Phosphorus、总磷)、NH₃-N(氨氮)等水质指标中至少一种指标。

S104：对排水管网模型的所有节点进行初步分组。

在本发明的一个实施例中，对排水管网模型的所有节点依据管网拓扑结构、空间地理位置及排水分区进行初步分组，以保障最终监测点分布的空间均衡性，体现实际物理意义，同时减少之后相关性识别及聚类的计算量。

S2：在多种不同情景下对节点状态曲线进行相关性的计算，根据监测的具体要求对相关性进行加权平均得到相关性矩阵，并根据相关性大小对相关性矩阵进行聚类。

在本发明的一个实施例中，步骤S2进一步包括：

S201：在不同情景下，分别利用线性回归的方法分析空间分组后组内节点两两间液位曲线的相关性，将其中一个节点不同时刻的液位值作为自变量，另一个节点的值作为因变量，利用最小二乘法计算最佳拟合直线：

y＝m₁x₁+m₂x₂+…+b

其中，y表示一个节点各时刻液位值，x表示另一个节点各时刻液位值，m表示与每个x值对应的系数，b为常量；

节点间彼此进行线性回归分析后，可得到不同降雨情景下的附加回归统计值，对其中的判定系数r² _1ij，r² _2ij…r² _kij进行计算：

r²＝ssreg/sstotal＝(sstotal-ssresid)/sstotal

其中，r²为判定系数，0≤r≤1，ssreg表示回归平方和，sstotal表示y的实际值和平均值的平方差之和，ssresid表示每一点的y的估计值与实际值的平方差；

S202：根据监测和控制目标，对不同情景下的判定系数赋以不同的权重值，计算节点间平均判定系数构成相关性对称矩阵A_m×m：

其中，表示节点i和节点j之间的相关性平均判定系数，ω_k表示不同情景所占权重，0≤ω_k≤1且r² _kij表示不同情景下节点i和节点j相关性的判定系数，m表示对称矩阵A的行与列；

S203：将矩阵A中的判定系数进行从大到小的排序；

S204：将判定系数作为设置相关性要求的依据，当相关性要求为1时，所有节点各为一类，相互不可替代，不断降低相关性的要求对节点进行聚类，直至所有节点聚为一类。

在本发明的一个实施例中，步骤S204进一步包括：

将相关性要求降低为第二大的判定系数对应的节点i和j可归为一类，以形成类别H1，其中类别H1中i和j只监测一个，此时需要监测的点个数为m-1；

对相关性的要求进一步降低，则有新的节点达到要求而可进行合并，其中，对于某一类节点H_O，只要其中任意一个节点O与其他节点P判定系数达到相关性要求，新的节点P或该节点所属分类H_P，即可与H_O归为新的一类H_Q。

S3：根据监测目标确定需要聚类的节点，在同类节点中选择与其他点平均相关性最大的点作为代表性监测点。

在本发明的一个实施例中，步骤S3进一步包括：

S301：根据监测目标和要求，确定总共需要设置的监测点的个数及每组监测点个数，从而确定每组在该监测点数量目标下节点对应的聚类情况；

S302：计算同类节点中各节点与其他节点的平均判定系数，将平均判定系数最大的点选为代表性监测点；

S303：根据实际情况对判定系数大小进行约束，检验每类中的代表性节点可否满足要求，若无法达到要求则需对监测目标进行适当调整。

S4：对代表性监测点根据管网拓扑结构及所代替的监测点数量进行检验和调整，确定最终监测方案，输出最终监测方案定量化评估结果。

在本发明的一个是实施例中，步骤S4进一步包括：

S401：对于聚类结果只含有一个节点而作为代表性节点的情况进行判断：如果节点处于排水管网的主要节点则需重点监测，如果节点处于排水管网上游区域，则剔除节点；

S402：将超过所有节点数量的预设比例作为判断依据，预设比例的取值区间为(30％，60％)；

S403：经过判断和调整得到最终监测方案，计算最终方案中所有监测点的平均判定系数的平均值作为对最终监测方案有效性的定量化评估结果，为最终监测方案优化调整的定量化分析提供依据，定期根据模拟或实测数据统计该定量化评估结果，来判断监测方案的有效性。同时，基于该评估结果，可支持监测点数据的扩展应用及其它非监测点数据的软测量推断。

为使本领域技术人员进一步理解本发明，将通过以下实施例进行详细说明。

步骤S1：建立模型模拟获取结果数据。

S101：建立模型。

针对北京市某小型片区，收集土地利用图、排水管网数据等相关信息，利用城市排水管网模拟系统DigitalWater Simulation(以下简称DS)中建立目标区域排水管网模型，如图3所示，共138个节点。

S102：设置不同降雨强度。

根据北京市气候条件，利用芝加哥法生成降雨，降雨强度公式如式1所示

式中q——降雨强度，mm/h；P——降雨重现期，年；t——降雨历时，mm。

将降雨重现期P设为2年、5年、10年和100年，降雨历时均为120min，雨峰系数设为0.2，得到4种强度的降雨，总降雨量、平均雨强及峰值雨强如表1所示，降雨历时曲线如图4所示。图4(a)-(d)中P分别为2年、5年、10年和100年。

降雨重现期P	总降雨量mm	平均雨强mm/h	峰值雨强mm/h
				2a	56.9	28.45	185.41
5a	71.66	35.83	233.51
				10a	82.83	41.42	269.89
100a	119.92	59.96	390.76

表1降雨情景设置表

S103：确定监测指标。

在本实施例中，将节点的液位变化情况作为监测指标。

利用模型在4种降雨情景下进行模拟，选择液位为监测指标，在每种降雨情景下都可得到该片区内138个节点的液位变化曲线。以重现期为5年的降雨情景为例，节点1的液位变化曲线如图5所示。

利用DS模拟后，不仅可直接得到各节点的曲线，还可将数据全部导出，用于后续相关性的分析计算。

S104：节点初步分组。

根据管网拓扑关系，对节点进行分区。在本案例中，最终有两个排出口，分别与节点1和节点2相连，利用DS的网络分析功能，分别分析节点1和节点2对应的上游节点，可将所有节点分为两大类，如图6所示。

S2：节点间相关性分析。

S201：组内各情景下相关性计算。

在4种降雨情景下，利用线性回归的方法分析节点间两两液位曲线的相关性，将其中一个节点的不同时刻液位值作为自变量，另一个节点的值作为因变量，利用最小二乘法计算最佳拟合直线，进而计算两两节点间的判定系数。对于节点i和节点j在4种情景下分别可得到4个判定系数，以节点1所在的第一组为例，节点1、节点3和节点4为例，在不同情景下的判定系数如表2所示。

表2节点1、3、4彼此间在不同降雨情景下的相关性

从表2可以看出，两个节点液位曲线的相关性并非恒定，随降雨强度的增加，节点间的相关性有可能增大也有可能减小。对于第一组内70个节点，以及第二组内68个节点，均可得到4种情景下彼此相关性。

S202：计算平均判定系数。

由于两节点间液位曲线的相关性并不固定，两节点间相关性的描述，需利用加权平均的方法将4种降雨情景下得到的判定系数进行综合，如式2所示。

假设4种情景在本次监测点识别中所占重要性相同，即ω₁＝ω₂＝ω₃＝ω₄＝0.25，计算得到同理，可得到所有节点间的相关性，针对两组节点分别得到两个相关性对称矩阵A70×70以及B68×68。

S203：将对称矩阵A和矩阵B所有的判定系数进行排序，除每个节点与自己本身的判定系数为1外，按照由小到大的顺序排列。

S204：将判定系数作为设置相关性要求的依据，以矩阵B_68×68为例，当要求相关性为1时，所有节点各为一类，相互不可替代，将相关性要求降低为第二大的判定系数0.9999时，对应的节点133和132可归为一类，即类别H1，此时需要监测的点个数为67，不断降低相关性要求，可逐渐将节点进行合并

特别规定，对于某一类节点H_O，只要其中任意一个节点o与其他节点p判定系数达到相关性要求，新的节点p或该节点所属分类H_P，即可归为新的一类H_Q

相关性要求不断降低，最终68个节点可聚为一类，此时仅需要对一个点进行监测。

S3：根据监测目标确定代表性节点

S301：根据目标确定聚类情况

假设将监测点设置个数目标分别设为24，第一组和第二组中各设置12个监测点。可判断在该目标下，每组内节点聚类情况。

S302：选择代表性监测点

对同一类内的节点计算彼此间相关性，选择相关性平均值最大的一个点，作为该类的代表节点进行监测。以第一组聚类结果为例，节点11、19、29、44、60、76和86聚为一类，则计算该类内，统计每个节点与其他节点的判定系数，并计算平均值，如表3所示。

	11	19	29	44	60	76	86	均值
									11	1	0.9747	0.9628	0.9677	0.9505	0.9509	0.9084	0.9593
19	0.9747	1	0.9934	0.9917	0.9907	0.9836	0.9589	0.9847
									29	0.9628	0.9934	1	0.9975	0.9969	0.9907	0.9774	0.9884
44	0.9677	0.9917	0.9975	1	0.9957	0.9952	0.9742	0.9889
									60	0.9505	0.9907	0.9969	0.9957	1	0.9957	0.9804	0.9871
76	0.9509	0.9836	0.9907	0.9952	0.9957	1	0.9761	0.9846
									86	0.9084	0.9589	0.9774	0.9742	0.9804	0.9761	1	0.9679

表3同一类内判定系数计算表

从表3中可以看出，在该类内，将各节点判定系数平均值进行排序，可看到平均值最大的为节点44，因此选择节点44为该类的代表性节点，作为监测点，替代这一类中其他6个节点。

同样的方法，可对所有聚为一类的节点进行组内相关性平均值的计算并进行排序，确定每一类的代表性节点，第一组节点和第二组节点的每类中代表节点的选择情况分别如表4和表5所示。

表4第一组节点聚类及代表节点选择情况表

表5第二组节点聚类及代表节点选择情况表

当两个节点聚为一类时，由于彼此相关性取值一样，两者都可作为代表性节点，来替代另一个节点。

S303：对代表性节点判定系数进行检验

假设对每类内代表性节点判定系数约束需大于0.9才可作为代表性节点，否则无法代表该类内其他点，需要对监测目标中监测点数量设置进行调整。从表4和表5可以看出，在该目标下，代表性监测点可满足要求。

S4：监测点的检验与调整

S401：单独为一类的节点判断

从表4和表5中可以看出，有一些节点未与其他点聚类，而需要单独监测，这类节点通常而言有两种情况：一种是位置非常重要在下游汇流点，需要重点监测；另一种是位置相对在上游阶段，与其他节点相关性小，但没有必要进行监测，因此，根据管网拓扑结构，查询需要单独监测的节点的位置。

本实施例中以节点距上游汇水区距离为判据，如果是管网最上游入流点则不需要进行监测。在该判据下，第一组中的节点28、43、47和节点66，第二组中的节点15、99和122都属于上游入流点，如图7所示，可以不进行监测。

S402：对数量过多的节点进行再分类

在第一组70个节点中，第(12)类所含节点个数为46，超过50％，需要再进行分类。由于节点28、43、47和节点66不需要进行监测，可将第(12)类所含节点作为一类，将监测目标设为5，按照相同的方法，即充分步骤S2——S3进行聚类和代表性节点的选择，结果如表6所示。

表6第一组第(12)类的二次聚类结果

在第二组68个节点中，第(12)类所含节点个数为39个，超过50％，需要再进行分类，由于节点15、99和122不需要进行监测，可将第二组第(12)类所含节点作为一类，按照相同的方法再进行聚类。

表7第二组第(12)类的二次聚类结果表

如表7所示，第二组第(12)类节点，按照2个监测点的目标进行分类，就可确保各类所含节点已经不超过50％的限制。从表6中可以看出，第一组第(12)类节点分为5类后，第⑤类仍还有36个节点，超过50％，在总体目标为24的前提下，由于第二组中有3个节点不需要监测，而第二组第(12)类节点只划分为2类就可满足要求，可进一步将第一组第(12)类二次划分得到的第⑤类分为3类，如表8所示。

表8第一组第(12)类第⑤类的划分结果表

经过第三次聚类划分后，节点个数最多的点第3)类个数为29，少于50％，可满足要求。

S403：确定最终方案并进行定量化评估

经过判断和调整后，代表性监测点具有实际监测意义，且所涵盖节点信息的数量适中。可以得到该片区在目标为设置24个监测点时的最终监测方案，如表9所示。

表9目标为24个监测点时的监测方案表

表9即为在设置24个监测点的目标下，通过自动识别的方法得到的最优方案。方案的平均相关性，即为24个代表监测点所在组平均相关性的平均值，计算可得为0.9912，可作为定量化评估监测方案优劣的依据。一般认为，相关系数大于0.96为显著性相关，因此该监测方案的代表性很强，能比较全面的反映整体系统的运行情况。

另外，本发明实施例的排水管网监测点的自动识别方法的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (8)

1.一种排水管网监测点的自动识别方法，其特征在于，包括以下步骤：

S1：收集排水管网信息建立目标区域的排水管网模型，根据监测对象、监测目的及监测指标设置多种不同工况情景，并在所述多种不同工况情景下进行模拟得到各情景下所有节点的监测指标对应的状态曲线，结合管网拓扑结构或所在排水分区对所有节点进行初步分组；

S2：在所述多种不同情景下对节点状态曲线进行相关性的计算，根据监测的具体要求对相关性进行加权平均得到相关性矩阵，并根据相关性大小对所述相关性矩阵进行聚类；

S3：根据监测目标确定需要聚类的节点，在同类节点中选择与其他点平均相关性最大的点作为代表性监测点；

S4：对所述代表性监测点根据所述管网拓扑结构及所代替的监测点数量进行检验和调整，确定最终监测方案，输出所述最终监测方案定量化评估结果。

2.根据权利要求1所述的排水管网监测点的自动识别方法，其特征在于，步骤S1进一步包括：

S101：根据收集的排水管网相关资料建立区域排水管网模型，并对所述排水管网模型的相关参数进行设置；

S102：根据监测目的确定工况情景，所述工况情景包括降雨强度、降雨雨型、运行水位或水量、以及调控策略中的一种或多种组合；

S103：根据所述监测目的选择监测指标对所述排水管网模型的所有节点进行计算得到选定监测指标的时间变化曲线，其中，所述监测指标包括液位、流速、流量的水量指标和SS、COD、TN、TP、NH₃-N的水质指标中至少一种指标；

S104：对排水管网模型的所有节点进行初步分组。

3.根据权利要求2所述的排水管网监测点的自动识别方法，其特征在于，步骤S102中，根据降雨强度确定工况情景进一步包括：

选取小型降雨、排水管网设计控制标准、海绵城市建设要求及极端大型降雨分别进行模拟，其中，小型降雨对应降雨重现期为2年，排水管网设计控制标准及海绵城市建设要求可对应降雨重现期5—10年，极端大型降雨的重现期为100年。

4.根据权利要求2所述的排水管网监测点的自动识别方法，其特征在于，步骤S104中，对所述排水管网模型的所有节点依据所述管网拓扑结构、空间地理位置及排水分区进行初步分组。

5.根据权利要求1所述的排水管网监测点的自动识别方法，其特征在于，步骤S2进一步包括：

S201：在不同情景下，分别利用线性回归的方法分析空间分组后组内节点两两间液位曲线的相关性，将其中一个节点不同时刻的液位值作为自变量，另一个节点的值作为因变量，利用最小二乘法计算最佳拟合直线：

y＝m₁x₁+m₂x₂+…+b

其中，y表示一个节点各时刻液位值，x表示另一个节点各时刻液位值，m表示与每个x值对应的系数，b为常量；

节点间彼此进行线性回归分析后，可得到不同降雨情景下的附加回归统计值，对其中的判定系数r² _1ij，r² _2ij…r² _kij进行计算：

r²＝ssreg/sstotal＝(sstotal-ssresid)/sstotal

其中，r²为判定系数，0≤r≤1，ssreg表示回归平方和，sstotal表示y的实际值和平均值的平方差之和，ssresid表示每一点的y的估计值与实际值的平方差；

S202：根据监测和控制目标，对不同情景下的判定系数赋以不同的权重值，计算节点间平均判定系数构成相关性对称矩阵A_m×m：

$\stackrel{\‾}{{r^2}_{ij}}={\mathrm{\ω}}_1{r^2}_{1ij}+{\mathrm{\ω}}_2{r^2}_{2ij}+\mathrm{...}+{\mathrm{\ω}}_k{r^2}_{kij}$

其中，表示节点i和节点j之间的相关性平均判定系数，ω_k表示不同情景所占权重，0≤ω_k≤1且r² _kij表示不同情景下节点i和节点j相关性的判定系数，m表示对称矩阵A的行与列；

S203：将矩阵A中的判定系数进行从大到小的排序；

S204：将判定系数作为设置相关性要求的依据，当相关性要求为1时，所有节点各为一类，相互不可替代，不断降低相关性的要求对节点进行聚类，直至所有节点聚为一类。

6.根据权利要求4所述的排水管网监测点的自动识别方法，其特征在于，步骤S204进一步包括：

将相关性要求降低为第二大的判定系数对应的节点i和j可归为一类，以形成类别H1，其中类别H1中i和j只监测一个，此时需要监测的点个数为m-1；

对相关性的要求进一步降低，则有新的节点达到要求而可进行合并，其中，对于某一类节点H_O，只要其中任意一个节点O与其他节点P判定系数达到相关性要求，新的节点P或该节点所属分类H_P，即可与H_O归为新的一类H_Q。

7.根据权利要求1所述的排水管网监测点的自动识别方法，其特征在于，步骤S3进一步包括：

S301：根据监测目标和要求，确定总共需要设置的监测点的个数及每组监测点个数，从而确定每组在该监测点数量目标下节点对应的聚类情况；

S302：计算同类节点中各节点与其他节点的平均判定系数，将平均判定系数最大的点选为代表性监测点；

S303：根据实际情况对判定系数大小进行约束，检验每类中的代表性节点可否满足要求，若无法达到要求则需对监测目标进行适当调整。

8.根据权利要求1所述的排水管网监测点的自动识别方法，其特征在于，步骤S4进一步包括：

S401：对于聚类结果只含有一个节点而作为代表性节点的情况进行判断：如果所述节点处于排水管网的主要节点则需重点监测，如果所述节点处于排水管网上游区域，则剔除所述节点；

S402：将超过所有节点数量的预设比例作为判断依据，所述预设比例的取值区间为(30％，60％)；

S403：经过判断和调整得到最终监测方案，计算最终方案中所有监测点的平均判定系数的平均值作为对所述最终监测方案有效性的定量化评估结果，为所述最终监测方案优化调整的定量化分析提供依据，定期根据模拟或实测数据统计该定量化评估结果，来判断监测方案的有效性。