CN108596260A - 一种水管网漏损定位方法及装置 - Google Patents
一种水管网漏损定位方法及装置 Download PDFInfo
- Publication number
- CN108596260A CN108596260A CN201810393876.5A CN201810393876A CN108596260A CN 108596260 A CN108596260 A CN 108596260A CN 201810393876 A CN201810393876 A CN 201810393876A CN 108596260 A CN108596260 A CN 108596260A
- Authority
- CN
- China
- Prior art keywords
- individual
- training
- indicate
- network
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种水管网漏损定位方法及装置,涉及水管网技术领域,包括:通过在供水管网中各监测点安装压力传感器,采集得到压力数据;利用压力数据值构建水管网压力数据有序数据集,通过归一化处理后得到各压力传感器节点特征矩阵数据;利用训练样本对PSO算法优化的BP神经网络进行训练,再利用测试样本测试训练好的网络得到实际输出;通过将网络实际输出与期望输出进行比较,判断是否发生漏损以及发生漏损的漏损点位置。本发明优点在于:能够有效快速的发现漏损和准确定位漏损点位置。
Description
技术领域
本发明涉及水管网技术领域,更具体涉及一种水管网漏损定位方法及装置。
背景技术
市政供水管是保证一个城市经济发展和生活水平的重要基础设施,是城市生存和发展的生命线。但是由于用水量的不断扩大和管网使用年限的增长,缺乏现代化、智能化、理论化的市政供水管管理系统,市政供水管网逐渐暴露出较大范围的漏损情况,如不及时处理,会造成水资源的浪费和经济损失。
随着科技水平的发展及对供水要求的不断提高,建立给水管网系统模型解决给水管网漏损定位问题在供水行业已经迫在眉睫,其中,如何准确定位漏损点是解决管网漏损问题的关键。利用给水管网系统模型,结合官网各区域长时间压力参数的变化,实现给水管网漏损事故预测与快速定位。
在传统的漏损定位方法中,通过听音法,区域检漏法等方法耗时耗力。
发明内容
本发明所要解决的技术问题在于如何快速有效的发现漏损和准确定位漏损点位置。
发明是通过以下技术方案解决上述技术问题的,具体技术方案如下:
一种水管网漏损定位方法,包括以下步骤:
S1:对供水管网压力数据进行采集,将所采集的数据分为训练样本和测试样本;
S2:将所述训练样本和所述测试样本进行归一化;
S3:将归一化后的所述训练样本训练PSO算法,得到全局最优适应度值;
S4:通过所述PSO算法得到全局最优适应度值来初始化BP神经网络,并利用归一化后的所述训练样本训练BP神经网络;
S5:利用归一化后的所述测试样本测试训练好的所述BP神经网络,得出测试结果;
S6:利用得出测试结果与期望输出进行比较,得到漏损点位置。
优选地,所述S1中所述对供水管网压力数据进行采集,将所采集的数据分为训练样本和测试样本的具体步骤为:
在供水管网上安装各监测点的传感器,通过传感器采集供水数据,将所采集的供水数据分为训练样本input_train和测试样本input_test;
训练样本input_train={a11,a12,a13,…,a1j;
a21,a22,a23,…,a2j;
……
ai1,ai2,ai3,…,aij};
其中,aij中的i为第i节点数,j为第i节点采集的第j次数据;
测试样本input_test={b11,b12,b13,。。。,b1n;
b21,b22,b23,。。。,b2n;
。。。。
bi1,bi2,bi3,。。。,bin};
其中,bin中的i为第i节点数,n为第i节点采集的第n次数据。
优选地,所述S2中所述将所述训练样本和所述测试样本进行归一化的具体步骤为:
根据以下公式:
将所述训练样本和所述测试样本进行归一化;式中,x为样本里面的每个数、xmin为样本中最小的数和xmax为样本中最大的数。
优选地,所述S3中所述将归一化后的所述训练样本训练PSO算法,得到全局最优适应度值的具体步骤为:
S3.1:构建一个前馈网络,设定相关参数包括:输入神经元个数,隐藏神经元个数,输出神经元个数;
S3.2:随机产生N个矩阵x1 T,x2 T......xn T,依次将每个矩阵作为前馈网络的权值和偏置,将归一化后的所述训练样本作为输入,前馈一次得到N个输出值,依次与期望输出进行比较后得到N个误差,每个误差作为种群中N个个体的初始适应度值;
S3.3:将种群中初始适应度值的最小值作为初始全局最优位置gbest,即为最优适应度值;将个体误差的作为个体初始最优位置pbest=xi T,即为个体最优适应度值;
S3.4:所有个体进行迭代,迭代公式如下:
式中,表示第i个个体的第l次迭代的飞行速度,c1和c2表示学习因子,rand1和rand2表示0-1之间的随机数;
循环训练每个个体,通过前馈网络产生每个个体的新适应度值,将每个个体产生的新适应度值与上次循环中对应的个体最优适应度值比较,如果存在第一个体的新适应度值小于上次循环中个体最优适应度值,则更新第一个体作为个体最优适应度值,如果存在第一个体的最优适应度值小于上次循环中全局最优适应度值,更新第一个体作为全局最优适应度值,则将第一个体作为最优个体;
S3.5:根据设定的循环次数或误差,循环S3.3和S3.4,得到全局最优适应度值gbest。
优选地,所述S4中所述通过所述PSO算法得到全局最优适应度值来初始化BP神经网络,并利用归一化后的所述训练样本训练BP神经网络的具体步骤为:
S4.1:构建BP神经网络;
S4.2:将全局最优适应度值gbest归一化后作为BP神经网络初始的权值和偏置,设定BP神经网络的其他相关参数;
S4.3:利用所述训练样本迭代训练BP神经网络,按代价函数链式求导公式更新每个神经元权值和偏置:
代价函数:
其中,
式中,y(i)表示期望输出,hw,b(x(i))表示实际输出,w为权值,b为偏置,x(i)为第i个输入,y(i)为第i个输出,m为输入神经元个数,i为第i个神经元;
根据梯度下降法,对于每个神经元的权值和偏置求导,向负梯度方向更新权值和偏置分别为:
式中,表示第l次训练的权值,表示第l次训练的偏置,i表示层数,j表示第i层的第几个神经元,η为学习率,l为训练次数;
S4.4:达到迭代训练次数或达到设定的误差值后,结束训练。
优选地,所述S5中所述利用归一化后的所述测试样本测试训练好的所述BP神经网络的具体步骤为:
用测试样本作为输入,将训练的PSO优化的BP神经网络前馈进行计算一次得出测试结果,前馈公式如下:
h(w,b)(x(i))=W(l-1)f(z(l-1))+b(l-1)
式中,l表示网络层数,W(l-1)表示第l-1层的权值矩阵,,b(l-1)表示第l-1层的偏置矩阵,X(i)表示节点i的输入,h(w,b)(x(i))表示前馈网络的输出,f(z(l-1))表示l-1层神经元输出矩阵。
一种水管网漏损定位装置,包括:
数据采集模块,用于对供水管网压力数据进行采集,将所采集的数据分为训练样本和测试样本;
数据归一化模块,用于将所述训练样本和所述测试样本进行归一化;
训练模块,用于将归一化后的所述训练样本训练PSO算法,得到全局最优适应度值;
优化模块,通过对所述PSO算法得到全局最优适应度值来初始化BP神经网络,并利用归一化后的所述训练样本训练BP神经网络;
测试模块,用于将归一化后的所述测试样本测试训练好的所述BP神经网络,得出测试结果;
比较模块,用于将得出测试结果与期望输出进行比较,得到漏损点位置。
优选地,所述训练模块包括:
初始化单元,用于构建一个前馈网络,设定相关参数包括:输入神经元个数,隐藏神经元个数,输出神经元个数;
输入单元,用于将随机产生N个矩阵x1 T,x2 T......xn T,依次将每个矩阵作为前馈网络的权值和偏置,将归一化后的所述训练样本作为输入,前馈一次得到N个输出值,依次与期望输出进行比较后得到N个误差,每个误差作为种群中N个个体的初始适应度值;
确定单元,用于将种群中初始适应度值的最小值作为初始全局最优位置gbest,即为全局最优适应度值;将个体误差最小的作为个体最优位置pbest=xi T,即为个体最优适应度值;
第一计算单元,用于将所有个体进行迭代,迭代公式如下:
式中,表示第i个个体的第l次迭代的飞行速度,c1和c2表示学习因子,rand1和rand2表示0-1之间的随机数;
循环训练每个个体,通过前馈网络产生每个个体的新适应度值,将每个个体产生的新适应度值与上次循环中对应的个体最优适应度值比较,如果存在第一个体的新适应度值小于上次循环中个体最优适应度值,更新第一个体作为个体最优适应度值,如果存在第一个体的最优适应度值小于上次循环中全局最优适应度值,更新第一个体作为全局最优适应度值,则将第一个体作为最优个体;
获得单元,用于根据设定的循环次数或误差,循环确定单元和第一计算单元,得到全局最优适应度值gbest。
优选地,所述优化模块包括:
构建单元,用于构建BP神经网络;
设定单元,用于将全局最优适应度值gbest归一化后作为BP神经网络初始的权值和偏置,设定BP神经网络的其他相关参数;
第二计算单元,用于利用所述训练样本迭代训练BP神经网络,按代价函数链式求导公式更新每个神经元权值和偏置:
代价函数:
其中,
式中,y(i)表示期望输出,hw,b(x(i))表示实际输出,w为权值,b为偏置,x(i)为第i个输入,y(i)为第i个输出,m为输入神经元个数,i为第i个神经元;
根据梯度下降法,对于每个神经元的权值和偏置求导,向负梯度方向更新权值和偏置分别为:
式中,表示第l次训练的权值,表示第l次训练的偏置,i表示层数,j表示第i层的第几个神经元,η为学习率,l为训练次数;
结束训练单元,用于将达到迭代训练次数或达到设定的误差值后,结束训练。
优选地,所述测试模块具体包括:
用测试样本作为输入,将训练的PSO优化的BP神经网络前馈进行计算一次得出测试结果,前馈公式如下:
h(w,b)(x(i))=W(l-1)f(z(l-1))+b(l-1)
式中,l表示网络层数,W(l-1)表示第l-1层的权值矩阵,,b(l-1)表示第l-1层的偏置矩阵,X(i)表示节点i的输入,h(w,b)(x(i))表示前馈网络的输出,f(z(l-1))表示l-1层神经元输出矩阵。
本发明相比现有技术具有以下优点:
1、本发明通过在供水管网中各监测点安装压力传感器,采集得到压力数据;利用所采集的压力数据值构建管网压力数据有序数据集,通过归一化处理后得到节点特征矩阵数据;利用训练样本对PSO算法优化的BP神经网络进行训练,再利用测试样本测试训练好的网络得到实际输出;通过网络实际输出与期望输出判断得到是否发生泄漏损失以及发生漏损的漏损点位置,能够准确判断损点。
2、与现有直接利用BP神经网络训练供水数据的方法比较,通过PSO算法优化BP神经网络,能够有效解决BP神经网络难以收敛,训练时间长,参数值多的问题。
3、相对于PSO算法的简单结构,PSO优化的BP神经网络具有自学习自调整的能力。
附图说明
图1为本发明实施例的水管网漏损定位方法的流程图。
图2为本发明实施例的水管网漏损定位方法的PSO算法群体自适应度曲线图。
图3为本发明实施例的水管网漏损定位方法的测试输出与期望输出的曲线图。
图4为本发明实施例的水管网漏损定位方法的测试误差曲线图。
图5为本发明实施例的水管网漏损定位装置的整体结构示意图。
图6为本发明实施例的水管网漏损定位装置的训练模块结构示意图。
图7为本发明实施例的水管网漏损定位装置的优化模块结构示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,水管网漏损定位方法,具体步骤包括:
S1:通过安装在供水管网上各监测点的传感器采集供水数据,将所采集的供水数据分为训练样本有序数据集和测试样本有序数据集,训练样本input train为14000条和测试样本input test为3280条,则:
训练样本input_train={23.421747,23.721256,22.024464...21.139585,22.898848;
23.201969,23.499121,21.806223。。。20.928839,22.705545;
。。。。
23.24799,23.54587,21.851955。。。20.972935,22.746038};
测试样本input_train={23.400904,23.700323,22.003792....21.119638 22,880556;
23.178579,23.475323,21.782934....20.906431,22.684958;
。。。。
23.032614,23.326229,21.637915。。。20.766964,22.556721};
S2:将训练样本和测试样本进行归一化;按照下面公式进行归一化:
式中,x为样本里面的每个数、xmin为样本中最小的数和xmax为样本中最大的数。
进行归一化后处理后,归一化的结果为:
{1.0000,0.9934,0.9653,……,0.5269,0.4783;
1.0000,0.9934,0.9652,……,0.5262,0.4777;
……
1.0000,0.9934,0.9652,……,0.5262,0.4777;
}。
S3:将归一化后的所述训练样本训练PSO算法,得到全局最优适应度值;
S3.1:构建一个前馈网络,设定相关参数包括:输入神经元个数,隐藏神经元个数,输出神经元个数;
S3.2:随机产生N个矩阵x1 T,x2 T......xn T,依次将每个矩阵作为前馈网络的权值和偏置,将归一化后的训练样本作为输入,前馈一次得到N个输出值,依次与期望输出进行比较后得到N个误差,每个误差作为种群中N个个体的初始适应度值;
S3.3:种群中初始适应度值的最小值作为初始全局最优位置gbest,即为全局最优适应度值;将个体误差最小的作为个体最优位置pbest=xi T,即为个体最优适应度值;
S3.4:所有个体进行迭代,迭代公式如下:
式中,表示第i个个体的第l次迭代的飞行速度,c1和c2表示学习因子,rand1和rand2表示0-1之间的随机数;
循环训练每个个体,通过前馈网络产生每个个体的新适应度值将每个个体产生的新适应度值与上次循环中对应的个体最优适应度值比较,如果存在一个体的新适应度值小于上次循环中个体最优适应度值,更新该个体作为个体最优适应度值,如果存在一个体的最佳适应度值小于上次循环中全局最优适应度值,更新第一个体作为全局最优适应度值,则将该个体作为最优个体;具体的,迭代50次后群体自适应曲线如图2所示,横坐标为迭代次数,纵坐标表示全局最优适应度值,迭代的次数越多,全局最优适应度相对越小,越靠近期望点。
S3.5:根据设定的循环次数或误差,循环S3.3和S3.4,循环到设定的次数结束,得到全局最优适应度值gbest,如下:
{1,-0.971291288690113,1,……,1,-0.764099213967564;
1,-0.967023904703661,1,……,1,-0.766169327441689;
……
1,-0.964119361222463,1,....,1,-0.780731843646415
};
S4:通过PSO算法得到全局最优适应度值来初始化BP神经网络,并利用归一化后的训练样本训练BP神经网络;
S4.1:构建BP神经网络;
S4.2:将得到的全局最优适应度值gbest处理后作为BP神经网络初始的权值和偏置,设定BP神经网络的其他相关参数,如训练步长为0.01,训练次数为500次,目标误差1.0e-8等;
S4.3:利用训练样本迭代训练BP神经网络,按代价函数链式求导公式不断向负梯度方向更新每个神经元权值和偏置:
代价函数:
其中,
式中,y(i)表示期望输出,hw,b(x(i))表示实际输出,w为权值,b为偏置,x(i)为第i个输入,y(i)为第i个输出,m为输入神经元个数,i为第i个神经元。
根据梯度下降法,对于每个神经元的权值和偏置求导,向负梯度方向更新权值和偏置分别为:
式中,表示第l次训练的权值,表示第l次训练的偏置,i表示层数,j表示第i层的第几个神经元,η为学习率,l为训练次数;
S4.4:达到迭代训练次数或达到设定的误差值结束训练。
S5:利用归一化后的测试样本测试训练好的BP神经网络,得出测试结果。具体的,用测试样本作为输入,将训练的PSO优化的BP神经网络前馈进行计算一次得出测试结果,前馈公式如下:
h(w,b)(x(i))=W(l-1)f(z(l-1))+b(l-1)
式中,l表示网络层数,W(l-1)表示第l-1层的权值矩阵,,b(l-1)表示第l-1层的偏置矩阵,X(i)表示节点i的输入,h(w,b)(x(i))表示前馈网络的输出,f(z(l-1))表示l-1层神经元输出矩阵。
S6:当测试结果为与期望输出对比,当符合某个漏损点漏损范围时,判别为该点漏损。测试结果如图3所示实线表示网络期望输出值,星点表示网络实际输出值,星点与实线越接近,说明效果越好,找到泄漏位置越准确。其中,误差曲线如图4所示,期望与输出的误差范围在[0.1,-.015]之间。
如图5所示,一种水管网漏损定位装置,包括:
数据采集模块100,用于对供水管网压力数据进行采集,将所采集的数据分为训练样本和测试样本;
数据归一化模块200,用于将训练样本和测试样本进行归一化;
训练模块300,用于将归一化后的训练样本训练PSO算法,得到全局最优适应度值;
优化模块400,通过对PSO算法得到全局最优适应度值来初始化BP神经网络,并利用归一化后的训练样本训练BP神经网络;
测试模块500,用于将归一化后的测试样本测试训练好的BP神经网络,得出测试结果;
比较模块600,用于将得出测试结果与期望输出进行比较,得到漏损点位置。
如图6所示,训练模块300包括:初始化单元310,用于构建一个前馈网络,设定相关参数包括:输入神经元个数,隐藏神经元个数,输出神经元个数;
输入单元320,用于将随机产生N个矩阵x1 T,x2 T......xn T,依次将每个矩阵作为前馈网络的权值和偏置,将归一化后的训练样本作为输入,前馈一次得到N个输出值,依次与期望输出进行比较后得到N个误差,每个误差作为种群中N个个体的初始适应度值;
确定单元330,用于将种群中初始适应度值的最小值作为初始全局最优位置gbest,即为全局最优适应度值;将个体误差最小的作为个体最优位置pbest=xi T,即为个体最优适应度值;
第一计算单元340,用于将所有个体进行迭代,迭代公式如下:
式中,表示第i个个体的第l次迭代的飞行速度,c1和c2表示学习因子,rand1和rand2表示0-1之间的随机数;
循环训练每个个体,通过前馈网络产生每个个体的新适应度值,将每个个体产生的新适应度值与上次循环中对应的个体最优适应度值比较,如果存在第一个体的新适应度值小于上次循环中个体最优适应度值,则更新该个体作为最优适应度值,如果存在该个体的最优适应度值小于上次循环中全局最优适应度值,更新该个体作为最优适应度值,则将该个体作为最优个体;
获得单元350,用于根据设定的循环次数或误差,循环确定单元和第一计算单元,得到全局最优适应度值gbest。
如图7所示,优化模块400包括:构建单元410,用于构建BP神经网络;
设定单元420,用于将全局最优适应度值gbest归一化后作为BP神经网络初始的权值和偏置,设定BP神经网络的其他相关参数;
第二计算单元430,用于利用训练样本迭代训练BP神经网络,按代价函数链式求导公式更新每个神经元权值和偏置:
代价函数:
其中,
式中,y(i)表示期望输出,hw,b(x(i))表示实际输出,w为权值,b为偏置,x(i)为第i个输入,y(i)为第i个输出,m为输入神经元个数,i为第i个神经元;
根据梯度下降法,对于每个神经元的权值和偏置求导,向负梯度方向更新权值和偏置分别为:
式中,表示第l次训练的权值,表示第l次训练的偏置,i表示层数,j表示第i层的第几个神经元,η为学习率,l为训练次数;
结束训练单元440,用于将达到迭代训练次数或达到设定的误差值后,结束训练。
测试模块500具体包括:
用测试样本作为输入,将训练的PSO优化的BP神经网络前馈进行计算一次得出测试结果,前馈公式如下:
h(w,b)(x(i))=W(l-1)f(z(l-1))+b(l-1)
式中,l表示网络层数,W(l-1)表示第l-1层的权值矩阵,,b(l-1)表示第l-1层的偏置矩阵,X(i)表示节点i的输入,h(w,b)(x(i))表示前馈网络的输出,f(z(l-1))表示l-1层神经元输出矩阵。
综上,通过在供水管网中各监测点安装压力传感器,采集得到压力数据;利用压力数据值构建水管网压力数据有序数据集,通过归一化处理后得到各传感器节点特征矩阵数据;利用训练样本对PSO算法优化的BP神经网络进行训练,再利用测试样本测试训练好的网络得到实际输出;通过将网络实际输出与期望输出进行比较,判断是否发生漏损以及发生漏损的漏损点位置,从而能够有效快速的发现漏损和准确定位漏损点位置。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种水管网漏损定位方法,其特征在于,包括以下步骤:
S1:对供水管网压力数据进行采集,将所采集的数据分为训练样本和测试样本;
S2:将所述训练样本和所述测试样本进行归一化;
S3:将归一化后的所述训练样本训练PSO算法,得到全局最优适应度值;
S4:通过所述PSO算法得到全局最优适应度值来初始化BP神经网络,并利用归一化后的所述训练样本训练BP神经网络;
S5:利用归一化后的所述测试样本测试训练好的所述BP神经网络,得出测试结果;
S6:利用得出测试结果与期望输出进行比较,得到漏损点位置。
2.根据权利要求1所述的一种水管网漏损定位方法,其特征在于,所述S1中所述对供水管网压力数据进行采集,将所采集的数据分为训练样本和测试样本的具体步骤为:
在供水管网上安装各监测点的传感器,通过传感器采集供水数据,将所采集的供水数据分为训练样本input_train和测试样本input_test;
训练样本
其中,aij中的i为第i节点数,j为第i节点采集的第j次数据;
测试样本
其中,bin中的i为第i节点数,n为第i节点采集的第n次数据。
3.根据权利要求1所述的一种水管网漏损定位方法,其特征在于,所述S2中所述将所述训练样本和所述测试样本进行归一化的具体步骤为:
根据以下公式:
将所述训练样本和所述测试样本进行归一化;式中,x为样本里面的每个数、xmin为样本中最小的数和xmax为样本中最大的数。
4.根据权利要求1所述的一种水管网漏损定位方法,其特征在于,所述S3中所述将归一化后的所述训练样本训练PSO算法,得到全局最优适应度值的具体步骤为:
S3.1:构建一个前馈网络,设定相关参数包括:输入神经元个数,隐藏神经元个数,输出神经元个数;
S3.2:随机产生N个矩阵x1 T,x2 T......xn T,依次将每个矩阵作为前馈网络的权值和偏置,将归一化后的所述训练样本作为输入,前馈一次得到N个输出值,依次与期望输出进行比较后得到N个误差,每个误差作为种群中N个个体的初始适应度值;
S3.3:将种群中初始适应度值的最小值作为初始全局最优位置gbest,即为最优适应度值;将个体误差的作为个体初始最优位置pbest=xi T,即为个体最优适应度值;
S3.4:所有个体进行迭代,迭代公式如下:
式中,表示第i个个体的第l次迭代的飞行速度,c1和c2表示学习因子,rand1和rand2表示0-1之间的随机数;
循环训练每个个体,通过前馈网络产生每个个体的新适应度值,将每个个体产生的新适应度值与上次循环中对应的个体最优适应度值比较,如果存在第一个体的新适应度值小于上次循环中个体最优适应度值,则更新第一个体作为个体最优适应度值,如果存在第一个体的最优适应度值小于上次循环中全局最优适应度值,更新第一个体作为全局最优适应度值,则将第一个体作为最优个体;
S3.5:根据设定的循环次数或误差,循环S3.3和S3.4,得到全局最优适应度值gbest。
5.根据权利要求1所述的一种水管网漏损定位方法,其特征在于,所述S4中所述通过所述PSO算法得到全局最优适应度值来初始化BP神经网络,并利用归一化后的所述训练样本训练BP神经网络的具体步骤为:
S4.1:构建BP神经网络;
S4.2:将全局最优适应度值gbest归一化后作为BP神经网络初始的权值和偏置,设定BP神经网络的其他相关参数;
S4.3:利用所述训练样本迭代训练BP神经网络,按代价函数链式求导公式更新每个神经元权值和偏置:
代价函数:
其中,
式中,y(i)表示期望输出,hw,b(x(i))表示实际输出,w为权值,b为偏置,x(i)为第i个输入,y(i)为第i个输出,m为输入神经元个数,i为第i个神经元;
根据梯度下降法,对于每个神经元的权值和偏置求导,向负梯度方向更新权值和偏置分别为:
式中,表示第l次训练的权值,表示第l次训练的偏置,i表示层数,j表示第i层的第几个神经元,η为学习率,l为训练次数;
S4.4:达到迭代训练次数或达到设定的误差值后,结束训练。
6.根据权利要求1所述的一种水管网漏损定位方法,其特征在于,所述S5中所述利用归一化后的所述测试样本测试训练好的所述BP神经网络的具体步骤为:
用测试样本作为输入,将训练的PSO优化的BP神经网络前馈进行计算一次得出测试结果,前馈公式如下:
h(w,b)(x(i))=W(l-1)f(z(l-1))+b(l-1)
式中,l表示网络层数,W(l-1)表示第l-1层的权值矩阵,,b(l-1)表示第l-1层的偏置矩阵,X(i)表示节点i的输入,h(w,b)(x(i))表示前馈网络的输出,f(z(l-1))表示l-1层神经元输出矩阵。
7.一种水管网漏损定位装置,其特征在于,包括:
数据采集模块,用于对供水管网压力数据进行采集,将所采集的数据分为训练样本和测试样本;
数据归一化模块,用于将所述训练样本和所述测试样本进行归一化;
训练模块,用于将归一化后的所述训练样本训练PSO算法,得到全局最优适应度值;
优化模块,通过对所述PSO算法得到全局最优适应度值来初始化BP神经网络,并利用归一化后的所述训练样本训练BP神经网络;
测试模块,用于将归一化后的所述测试样本测试训练好的所述BP神经网络,得出测试结果;
比较模块,用于将得出测试结果与期望输出进行比较,得到漏损点位置。
8.根据权利要求7所述的一种水管网漏损定位装置,其特征在于,所述训练模块包括:
初始化单元,用于构建一个前馈网络,设定相关参数包括:输入神经元个数,隐藏神经元个数,输出神经元个数;
输入单元,用于将随机产生N个矩阵x1 T,x2 T......xn T,依次将每个矩阵作为前馈网络的权值和偏置,将归一化后的所述训练样本作为输入,前馈一次得到N个输出值,依次与期望输出进行比较后得到N个误差,每个误差作为种群中N个个体的初始适应度值;
确定单元,用于将种群中初始适应度值的最小值作为初始全局最优位置gbest,即为全局最优适应度值;将个体误差最小的作为个体最优位置pbest=xi T,即为个体最优适应度值;
第一计算单元,用于将所有个体进行迭代,迭代公式如下:
式中,表示第i个个体的第l次迭代的飞行速度,c1和c2表示学习因子,rand1和rand2表示0-1之间的随机数;
循环训练每个个体,通过前馈网络产生每个个体的新适应度值,将每个个体产生的新适应度值与上次循环中对应的个体最优适应度值比较,如果存在第一个体的新适应度值小于上次循环中个体最优适应度值,更新第一个体作为个体最优适应度值,如果存在第一个体的最优适应度值小于上次循环中全局最优适应度值,更新第一个体作为全局最优适应度值,则将第一个体作为最优个体;
获得单元,用于根据设定的循环次数或误差,循环确定单元和第一计算单元,得到全局最优适应度值gbest。
9.根据权利要求7所述的一种水管网漏损定位装置,其特征在于,所述优化模块包括:
构建单元,用于构建BP神经网络;
设定单元,用于将全局最优适应度值gbest归一化后作为BP神经网络初始的权值和偏置,设定BP神经网络的其他相关参数;
第二计算单元,用于利用所述训练样本迭代训练BP神经网络,按代价函数链式求导公式更新每个神经元权值和偏置:
代价函数:
其中,
式中,y(i)表示期望输出,hw,b(x(i))表示实际输出,w为权值,b为偏置,x(i)为第i个输入,y(i)为第i个输出,m为输入神经元个数,i为第i个神经元;
根据梯度下降法,对于每个神经元的权值和偏置求导,向负梯度方向更新权值和偏置分别为:
式中,表示第l次训练的权值,表示第l次训练的偏置,i表示层数,j表示第i层的第几个神经元,η为学习率,l为训练次数;
结束训练单元,用于将达到迭代训练次数或达到设定的误差值后,结束训练。
10.根据权利要求7所述的一种水管网漏损定位装置,其特征在于,所述测试模块具体包括:
用测试样本作为输入,将训练的PSO优化的BP神经网络前馈进行计算一次得出测试结果,前馈公式如下:
h(w,b)(x(i))=W(l-1)f(z(l-1))+b(l-1)
式中,l表示网络层数,W(l-1)表示第l-1层的权值矩阵,,b(l-1)表示第l-1层的偏置矩阵,X(i)表示节点i的输入,h(w,b)(x(i))表示前馈网络的输出,f(z(l-1))表示l-1层神经元输出矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810393876.5A CN108596260A (zh) | 2018-04-27 | 2018-04-27 | 一种水管网漏损定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810393876.5A CN108596260A (zh) | 2018-04-27 | 2018-04-27 | 一种水管网漏损定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596260A true CN108596260A (zh) | 2018-09-28 |
Family
ID=63610278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810393876.5A Pending CN108596260A (zh) | 2018-04-27 | 2018-04-27 | 一种水管网漏损定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596260A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242049A (zh) * | 2018-11-21 | 2019-01-18 | 安徽建筑大学 | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 |
CN109555979A (zh) * | 2018-12-10 | 2019-04-02 | 清华大学 | 一种供水管网漏损监测方法 |
CN109558900A (zh) * | 2018-11-16 | 2019-04-02 | 佛山科学技术学院 | 一种基于神经网络的供水管爆裂时间预测方法及装置 |
CN110043808A (zh) * | 2019-05-29 | 2019-07-23 | 浙江大学 | 基于时间序列分析的供水管网漏损监测预警方法 |
CN111366291A (zh) * | 2020-02-14 | 2020-07-03 | 迈拓仪表股份有限公司 | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 |
CN111853555A (zh) * | 2020-07-07 | 2020-10-30 | 杭州电子科技大学 | 一种基于动态过程的供水管网暗漏识别方法 |
CN112594553A (zh) * | 2020-12-07 | 2021-04-02 | 熊猫智慧水务有限公司 | 一种基于压力目标曲线的管网压力调控方法 |
CN113588179A (zh) * | 2021-06-24 | 2021-11-02 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及系统 |
CN114857504A (zh) * | 2022-06-06 | 2022-08-05 | 华南理工大学 | 基于分布式光纤传感器和深度学习的管道安全监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620378A (zh) * | 2011-01-27 | 2012-08-01 | 国际商业机器公司 | 数据中心节能控制方法和系统 |
CN104866810A (zh) * | 2015-04-10 | 2015-08-26 | 北京工业大学 | 一种深度卷积神经网络的人脸识别方法 |
CN104964719A (zh) * | 2015-06-30 | 2015-10-07 | 安徽工业大学 | 一种基于bp神经网络的户用电子水表流量计量方法 |
CN105045243A (zh) * | 2015-08-05 | 2015-11-11 | 同济大学 | 一种半导体生产线动态调度装置 |
CN106991440A (zh) * | 2017-03-29 | 2017-07-28 | 湖北工业大学 | 一种基于空间金字塔的卷积神经网络的图像分类算法 |
CN107316099A (zh) * | 2017-05-22 | 2017-11-03 | 沈阳理工大学 | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 |
-
2018
- 2018-04-27 CN CN201810393876.5A patent/CN108596260A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620378A (zh) * | 2011-01-27 | 2012-08-01 | 国际商业机器公司 | 数据中心节能控制方法和系统 |
CN104866810A (zh) * | 2015-04-10 | 2015-08-26 | 北京工业大学 | 一种深度卷积神经网络的人脸识别方法 |
CN104964719A (zh) * | 2015-06-30 | 2015-10-07 | 安徽工业大学 | 一种基于bp神经网络的户用电子水表流量计量方法 |
CN105045243A (zh) * | 2015-08-05 | 2015-11-11 | 同济大学 | 一种半导体生产线动态调度装置 |
CN106991440A (zh) * | 2017-03-29 | 2017-07-28 | 湖北工业大学 | 一种基于空间金字塔的卷积神经网络的图像分类算法 |
CN107316099A (zh) * | 2017-05-22 | 2017-11-03 | 沈阳理工大学 | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558900A (zh) * | 2018-11-16 | 2019-04-02 | 佛山科学技术学院 | 一种基于神经网络的供水管爆裂时间预测方法及装置 |
CN109558900B (zh) * | 2018-11-16 | 2023-11-03 | 佛山科学技术学院 | 一种基于神经网络的供水管爆裂时间预测方法及装置 |
CN109242049A (zh) * | 2018-11-21 | 2019-01-18 | 安徽建筑大学 | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 |
CN109555979A (zh) * | 2018-12-10 | 2019-04-02 | 清华大学 | 一种供水管网漏损监测方法 |
CN110043808A (zh) * | 2019-05-29 | 2019-07-23 | 浙江大学 | 基于时间序列分析的供水管网漏损监测预警方法 |
CN111366291A (zh) * | 2020-02-14 | 2020-07-03 | 迈拓仪表股份有限公司 | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 |
CN111366291B (zh) * | 2020-02-14 | 2021-12-21 | 迈拓仪表股份有限公司 | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 |
CN111853555A (zh) * | 2020-07-07 | 2020-10-30 | 杭州电子科技大学 | 一种基于动态过程的供水管网暗漏识别方法 |
CN112594553A (zh) * | 2020-12-07 | 2021-04-02 | 熊猫智慧水务有限公司 | 一种基于压力目标曲线的管网压力调控方法 |
CN113588179A (zh) * | 2021-06-24 | 2021-11-02 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及系统 |
CN113588179B (zh) * | 2021-06-24 | 2023-11-21 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及系统 |
CN114857504A (zh) * | 2022-06-06 | 2022-08-05 | 华南理工大学 | 基于分布式光纤传感器和深度学习的管道安全监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596260A (zh) | 一种水管网漏损定位方法及装置 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
Shahabi et al. | Application of artificial neural network in prediction of municipal solid waste generation (Case study: Saqqez City in Kurdistan Province) | |
CN105354363A (zh) | 基于核极限学习机的脉动风速预测方法 | |
CN103413174A (zh) | 基于深度学习方法的短期风速多步预测方法 | |
CN106408687A (zh) | 一种基于机器学习方法的汽车发动机故障预警方法 | |
CN104751842A (zh) | 深度神经网络的优化方法及系统 | |
CN104616078A (zh) | 基于Spiking神经网络的光伏系统发电功率预测方法 | |
CN104182794A (zh) | 一种基于神经网络的污水处理过程出水总磷tp软测量方法 | |
CN104200282A (zh) | 一种设施农业环境因子快速预测方法 | |
CN107818340A (zh) | 基于k值小波神经网络的二阶段空调负荷预测方法 | |
CN106568647B (zh) | 一种基于神经网络的混凝土强度预测方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN111242380A (zh) | 一种基于人工智能算法的湖(库)富营养化预测方法 | |
CN106055579A (zh) | 基于人工神经网络的车辆性能数据清洗系统及其方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
Wang et al. | Pm2. 5 prediction based on neural network | |
CN104361399A (zh) | 太阳能辐照强度分钟级预测方法 | |
Mansourkhaki et al. | Comparative application of radial basis function and multilayer perceptron neural networks to predict traffic noise pollution in Tehran roads | |
Zhou et al. | Pattern classification and prediction of water quality by neural network with particle swarm optimization | |
CN110909922A (zh) | 一种水资源效率检测及预测方法 | |
Xianjiang et al. | Quantitative detection for gas mixtures based on the adaptive genetic algorithm and BP network | |
Liu et al. | Fault prediction for satellite communication equipment based on deep neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |