CN109886506B

CN109886506B - 一种供水管网爆管风险分析方法

Info

Publication number: CN109886506B
Application number: CN201910195533.2A
Authority: CN
Inventors: 向平; 王韬; 徐然; 连慧兰; 薛英浩; 江雨竹
Original assignee: Chongqing University
Current assignee: Chongqing University
Priority date: 2019-03-14
Filing date: 2019-03-14
Publication date: 2023-05-23
Anticipated expiration: 2039-03-14
Also published as: CN109886506A

Abstract

本发明涉及一种供水管网爆管风险分析方法，通过建立爆管预测数据库分析不同爆管因素的爆管率并进行归一化处理。根据爆管率的高低，对不同爆管因素进行爆管风险等级划分，得到爆管因素风险等级划分表用于判断爆管预测数据库中所有管段各个爆管因素的风险等级，定义若某一管段至少有R‑1个（R是所有爆管因素的数量）爆管因素均属于同一风险等级，则该管段的爆管风险为属于该风险等级，划分处于不同爆管风险等级的管道，便于提高爆管风险分析的效率及准确率。对于不能通过上述定义划分并进行分析的管道，通过神经网络进行分析。通过统计分析管道得到的样本集数据用于训练神经网络，提高神经网络的准确度。

Description

一种供水管网爆管风险分析方法

技术领域

本发明属于供水管网爆管分析，具体涉及一种供水管网爆管风险分析方法。

背景技术

城市供水管网系统是城市最重要的基础设施之一，被称为”生命线工程”。由于该系统分布于整个城市，系统庞大，隐蔽性强，外部干扰因素多，且管道自身材料质量和安装质量差异较大，因此容易发生爆管事故。通过对历史漏损数据进行分析并建立有效的爆管预测模型，可从源头上对管网的漏损情况进行控制，做到早预防、早发现，科学合理地进行维护，实现漏损的主动控制。

传统的爆管预测模型包括统计模型和物理模型。前者是以管网运行的历史爆管数据为依据，利用统计的方法量化爆管事故的规律，但要求历史维护数据的准确性和较长的保存周期。后者偏重于力学分析，只能用于分析假设爆管和各爆管因素之间的作用机理已经明确的案例。但是，由于历史维修数据量有限、供水管网爆管本身的不确定性、影响因素之间的非线性和实际供水管网的复杂性等问题，导致传统的爆管预测模型难以建立且预测精度不高。

与传统的爆管预测建模方法相比，神经网络具有并行处理能力强、高容错性分布、智能化和自主学习能力等特点，对于机理不甚了解或者不能用数学关系描述的问题更加具有优越性，如特征识别、预测、分类等问题。爆管是一种影响因素众多且影响因素之间相互影响的复杂现象，无法用数学模型准确表示爆管的内部机理。因此神经网络是进行爆管风险预测的有利工具。

CN103226741B公开了城市供水管网爆管预测方法，以解决预测精度不高的问题，建立爆管预测模型，为城市供水管网爆管提供一种新的研究基础。其包括如下步骤：(1)获取被测供水管网的爆管率及对其有影响的其他相关影响因素的历史数据作为检测的数据；(2)建立自适应神经网络杂合变精度粗糙集的供水管网爆管预测模型；(3)供水管网爆管预测模型的训练和测试分析；(4)利用通过测试的供水管网爆管预测模型预测供水管网的爆管率。

CN103258243B公开了基于灰色神经网络的爆管预测方法，对于给定的爆管因素和爆管率数据序列，通过静态灰色建模，对爆管率序列进行预测。预测结果和原爆管率序列进行比较，得到残差。然后，利用神经网络在这些残差和爆管因素间建立神经网络逼近模型。经过反复训练的神经网络就是残差和所选的灰色模型数据间的映射关系。最后预测时，再将灰色模型的预测值用神经网络的补偿值进行补偿。

上述专利文献均未涉及对管道进行爆管因素风险划分。

发明内容

本发明的目的是提供一种供水管网爆管风险分析方法，对处于不同爆管风险等级的管道进行快速划分，有利于提高爆管风险分析的效率及准确率。

本发明所述的一种供水管网爆管风险分析方法，包括如下步聚：

步骤一：收集供水管网的拓扑结构数据、生产运营数据、水量销售数据以及爆管维修数据；

步骤二：将在步骤一中收集的数据导入建模软件，建立供水管网水力模型并进行校核，得到水力运行数据；

步骤三：根据拓扑结构数据、水力运行数据、爆管维修数据建立爆管预测数据库，统计分析不同爆管因素的爆管率并进行归一化处理；根据归一化处理得出的爆管率的高低，对不同爆管因素进行爆管风险等级划分，得到爆管因素风险等级划分表；

步骤四：根据爆管因素风险等级划分表判断爆管预测数据库中所有管段各个爆管因素的风险等级，定义若某一管段至少有R-1个爆管因素均属于同一风险等级，则该管段的爆管风险为属于该风险等级，其中R是所有爆管因素的数量；收集在爆管预测数据库中满足该定义的管段用于作为神经网络的样本集；

步骤五：创建初步的神经网络并对其进行训练，完成对神经网络函数组合的比较及选择，得到优选的神经网络；

步骤六：将样本集输入优选的神经网络，统计预测正确率；根据该预测正确率，评价优选的神经网络的泛化能力，判断优选的神经网络的计算精度是否符合要求，若判断为“是”则进入下一步，否则返回到步聚五；

步骤七：将爆管预测数据库数据输入优化的神经网络，计算得到爆管风险等级，再读入爆管预测数据库中，并通过GIS显示出相关信息。

进一步，步骤一中的拓扑结构数据包括节点位置、节点高程；管段管材、管段管径、管段埋深、管段管长；阀门位置、阀门类型、阀门开关状态；水泵位置、水泵类型、水泵特性曲线；水池位置、水池形状等。

进一步，步骤二的具体方法是：将拓扑结构数据导入至建模软件得到供水管网拓扑结构，导入水量销售数据进行水量分配，导入生产运营数据中的水泵和水库信息作为边界条件构建水力模型；导入生产运营数据中的测压点和测流点的信息进行水力模型校核，得到水力运行数据；水力运行数据包括管段流速、管段压力和管段流量。

进一步，步骤三中的爆管率计算公式为

式中，p_ij为第i种爆管因素的第j种类别的爆管率，次/km；

n_ij为第i种爆管因素的第j种类别的爆管次数；

l_ij为第i种爆管因素的第j种类别的管段总长，km。

进一步，步骤三中的归一化处理计算公式为

式中，y_ij为第i种爆管因素的第j种类别的爆管率的归一化值；

为第i种爆管因素的所有类别的爆管率中的最小值；

为第i种爆管因素的所有类别的爆管率中的最大值。/>

进一步，步骤三中的爆管预测数据库包括管段编号、管段管材、管段管径、管段埋深、管段流速、管段压力和爆管次数。

进一步，步骤四中的判断风险等级的具体方法是：根据爆管因素风险等级划分表，利用Excel的if函数判断爆管预测数据库中所有管段各个爆管因素的风险等级；根据定义在爆管预测数据库中利用Excel的if函数和count if函数收集满足该定义的管段。

进一步，所述爆管因素风险等级划分表的风险等级包括安全、低度风险、中度风险和高度风险。

进一步，神经网络的样本集分为两部分，前80％的数据作为训练样本集，后20％的数据作为测试样本集。

进一步，所述神经网络为BP神经网络，并采用函数logsig、trainlm和learngdm；函数训练的参数为：训练时间设定为“inf”，最小性能梯度设定为“le-8”，最大确认失败次数设定为6，训练目标设定为0，训练步长设定为5000，隐藏层神经元数目设定为5。

本发明的有益效果是：

(1)由于建立爆管预测数据库，可统计分析不同爆管因素的爆管率并进行归一化处理。根据归一化处理得出的爆管率的高低，对不同爆管因素进行爆管风险等级划分，得到爆管因素风险等级划分表。

(2)根据爆管因素风险等级划分表判断爆管预测数据库中所有管段各个爆管因素的风险等级，定义若某一管段至少有R-1个(R是所有爆管因素的数量)爆管因素均属于同一风险等级，则该管段的爆管风险为属于该风险等级，划分处于不同爆管风险等级的管道，便于提高爆管风险分析的效率及准确率。

(3)对于不能通过上述定义划分并进行分析的管道，通过神经网络进行分析。通过统计分析管道得到的样本集数据用于训练神经网络，提高神经网络的准确度。

附图说明

图1为本发明的流程图；

图2为本发明中的神经网络的函数组合误差性能曲线图；

图3为本发明中的供水管网爆管风险分布示意图；

图4为函数组合的最佳步长和收敛误差统计图；

图5为神经网络程序图。

具体实施方式

下面结合具体实施方式及附图对本技术方案作进一步说明。

一种供水管网爆管风险分析方法，参见图1至图5，包括以下步骤：

步骤一：收集供水管网的拓扑结构数据、生产运营数据、水量销售数据以及爆管维修数据，具体为：

(1)拓扑结构数据包括：节点位置、节点高程，共计17953个节点；管段管材、管段管径、管段埋深、管段管长，共计6287条管段并进行编号；阀门位置、阀门类型、阀门开关状态，共计2796个阀门；水泵位置、水泵类型、水泵特性曲线，共计10台水泵。

(2)生产运营数据包括：所有泵站水泵的开停记录；泵站总流量、总压力、用电量、泵站效率；各水泵的单泵流量、压力、用电量、效率；各水库液位变化记录；供水管网的测压点和测流点的运行数据，收集测压点的压力计标高信息。

(3)水量销售数据包括：普通用户水表位置、用水类型、抄表时间、抄表模式、用水量，普通用户共计135331户；大用户水表位置、计量类型、实时水量数据，大用户共计152户。

(4)爆管维修数据40条，包括爆管点位置、爆管点管材、爆管点管径、爆管点埋深等。

步骤二：将在步骤一中收集的数据导入建模软件(例如Mike urban)，建立供水管网水力模型并进行校核，得到水力运行数据，具体为：

(1)导入拓扑结构数据至建模软件得到供水管网拓扑结构，导入水量销售数据进行水量分配，导入生产运营数据中的水泵和水库信息作为边界条件构建水力模型。

(2)导入生产运营数据中的测压点和测流点的信息进行水力模型校核，得到水力运行数据，例如管段流速、管段压力、管段流量等。

步骤三：根据拓扑结构数据、水力运行数据、爆管维修数据建立爆管预测数据库，统计分析不同爆管因素的爆管率并进行归一化处理；根据归一化处理得出的爆管率的高低，对不同爆管因素进行爆管风险等级划分，得到爆管因素风险等级划分表，具体为：

(1)选取拓扑结构数据中的管段管材、管段管径、管段埋深作为静态爆管因素，选取水力运行数据中的管段流速、管段压力作为动态爆管因素，根据爆管维修数据建立爆管预测数据库，该爆管预测数据库包括管段编号、管段管材、管段管径、管段埋深、管段流速、管段压力、爆管次数等字段数据。

(2)根据爆管预测数据库的数据，按照下式计算不同爆管因素不同类别的爆管率

式中，p_ij为第i种爆管因素的第j种类别的爆管率，次/km；

n_ij为第i种爆管因素的第j种类别的爆管次数；

l_ij为第i种爆管因素的第j种类别的管段总长，km。

爆管因素包括管段管材、管段管径、管段埋深、管段流速和管段压力等数据类型；类别指在某一爆管因素下的不同数据范围，例如以管段流速作为爆管因素时，类别包括四种：0～1.2 m/s、1.2～1.8m/s、1.8～2.4 m/s、2.4～3.0m/s。

(3)由于不同爆管因素不同类别之间的爆管率相差较大，为了便于对比，对爆管率按照下式进行归一化处理：

为第i种爆管因素的所有类别的爆管率中的最小值；

为第i种爆管因素的所有类别的爆管率中的最大值。

通过归一化处理，爆管因素风险设定如下表所示：

(4)以管材为例，统计不同管材的爆管次数和管材，按照公式求得归一化后的爆管率，再依据爆管因素风险等级划分标准判断不同类别的管材的爆管风险等级，结果如见下表：

(5)根据归一化处理后的爆管率的相对高低，对不同爆管因素进行爆管风险等级划分，得到爆管因素风险等级划分表，如下表所示：

步骤四：根据爆管因素风险等级划分表判断爆管预测数据库中所有管段各个爆管因素的风险等级，定义若某一管段至少有R-1个(R是所有爆管因素的数量)爆管因素均属于同一风险等级，则该管段的爆管风险为属于该风险等级；收集在爆管预测数据库中所有满足该定义的管段以作为样本集。

进一步，将样本集分为两部分，前80％的数据作为训练样本集，后20％的数据作为已知爆管风险等级的测试样本集。具体为：

(1)根据爆管因素风险等级划分表，通过Excel的if函数判断爆管预测数据库中所有管段各个爆管因素的风险等级。

例如，编号为5569的管段管材、管径、埋深、流速、压力分别为球墨铸铁、DN600、1.65m、2.3m/s、53mH₂O，则对应的爆管风险等级分别为安全(1级)、低度风险(2级)、中度风险(3级)、高度风险(4级)。

以判断管材所属风险等级为例，if函数的关键语句为：＝IF(OR(D2＝“钢”，D2＝“球墨铸铁”)，1，IF(OR(D2＝“PE”，D2＝“铸铁”)，2，IF(D2＝“PVC”，3，4)))。该函数的意思是：若管材是“钢”或者“球墨铸铁”，返回1；若管材是“PE”或者“铸铁”，返回2；若管材是“PVC”，返回3；否则，返回4。

(2)根据“某一管段至少有R-1个(R是所有爆管因素的数量)爆管因素均属于同一风险等级，则该管段的爆管风险属于该风险等级”的定义，在爆管预测数据库中通过Excel的if函数和count if函数收集满足该定义的管段，作为已知爆管风险等级的样本集。

例如，编号为4283的管段管材、管径、埋深、流速、压力分别为PVC、DN300、1.15m、1.9m/s、45mH₂O，R为5，有4个爆管因素均属于中度风险(3级)，满足“某一管段至少有R-1个爆管因素均属于同一风险等级”的定义，则该管段的爆管风险属于该风险等级，即中度风险(3级)。

以判断某一管段的爆管风险等级为例，if函数和countif函数结合的关键语句为：

＝IF(COUNTIF(C2:K2,"4")>＝4,4,IF(COUNTIF(C2:K2,"3")>＝4,3,IF(COUNTIF(C2:K2,"2")>＝4,2,IF(COUNTIF(C2:K2,"1")>＝4,1,0))))。该函数的意思是：若某一管段的所有爆管因素所属风险等级出现大于等于4次，则认为处于该风险等级，否则返回0。

图3中，通过圆形表示中度风险(3级)，通过三角形表示低度风险(2级)，通过方形表示高度风险(4级)，其余部分为安全(1级)；需要说明的是，图形(圆形、三角形、方形)的标识主要用于表征风险分布，实际风险分布不限于图3中的标识。

0值意味着该管段不能按照定义确定其爆管风险等级，需要利用BP神经网络来判断。

(3)将样本集分成两部分，前80％的数据作为训练样本集，后20％的数据作为测试样本集，样本集包含管段编号、管段管材、管段管径、管段埋深、管段流速、管段压力、管段爆管风险等级等字段，其中管段管材、管段管径、管段埋深、管段流速、管段压力组合成BP神经网络的输入向量，管段爆管风险等级作为BP神经网络的目标输出向量。

步骤五：通过matlab建立神经网络。具体为：通过matlab的newff函数创建初步的BP神经网络，再通过matlab的train函数对其进行样本训练，完成对神经网络函数组合的比较及选择，得到优选的BP神经网络。

(1)通过matlab的newff函数创建初步的BP神经网络，newff函数关键语句如下：net＝newff(训练样本输入向量，[隐藏层神经元数目]，{网络各层神经元的传递函数}，“训练函数”，“学习函数”，“性能函数”)。

(2)通过matlab的train函数对初步的BP神经网络进行样本训练，train函数关键语句如下：[net,tr]＝train(net,训练样本输入向量,训练样本目标输出向量)。

(3)性能函数设定为“mse”，训练时间设定为“inf”，最小性能梯度设定为“le-8”，最大确认失败次数设定为6，训练目标设定为0，训练步长设定为5000，隐藏层神经元数目设定为5，手动修改newff语句中传递函数、训练函数、学习函数的组合，运行程序，获取不同组合的完成步长和收敛误差；当函数组合为logsig、trainlm、learngdm，程序在第18步就达到收敛误差1.92×10^-13，分析结果如图2和图4所示，因此选定logsig、trainlm、learngdm为最佳函数组合。

步骤六：将测试样本集输入优选的BP神经网络，统计预测正确率；根据该预测正确率，评价优选的BP神经网络的泛化能力，判断该BP神经网络的计算精度是否符合要求，若判断为“是”则进入下一步，否则返回到步聚五，具体为：

(1)将测试样本集输入优选的BP神经网络，按照下式统计预测正确率

式中，p为模型预测正确率；

n为模型预测正确的测试样本集数量；

N为所有测试样本集数量。

(2)程序运行计算得到的预测正确率为97.5％，优选的BP神经网络对未经训练的测试样本集具有较强的泛化能力，优选的BP神经网络通过测试显示计算精度较高，能够用于爆管风险等级预测。

步骤七：将爆管预测数据库数据(例如爆管因素)输入优化的BP神经网络，计算得到爆管风险等级，再利用matlab的xlswrite函数读入爆管预测数据库中，并通过GIS的分类显示功能直观表达所有管段的爆管风险等级，具体为：

(1)将爆管预测数据库的爆管因素输入通过测试的优选的BP神经网络，计算得到所有管道的爆管风险等级。

(2)利用matlab的xlswrite函数将所有管道的爆管风险等级读入爆管预测数据库，xlswrite函数关键语句如下：prediction_write＝xlswrite('工作簿',爆管风险等级,'工作簿中的工作表','工作表中起始读入单元格')。

(3)通过GIS的分类显示功能，将管段按照爆管风险等级分不同颜色显示，直观表达所有管段的爆管风险等级。

以上所述仅是本技术方案的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术方案原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本技术方案的保护范围。

Claims

1.一种供水管网爆管风险分析方法，其特征在于，包括如下步聚：

步骤二的具体方法是：将拓扑结构数据导入至建模软件得到供水管网拓扑结构，导入水量销售数据进行水量分配，导入生产运营数据中的水泵和水库信息作为边界条件构建水力模型；导入生产运营数据中的测压点和测流点的信息进行水力模型校核，得到水力运行数据；水力运行数据包括管段流速、管段压力和管段流量；

爆管率计算公式为

式中，p_ij为第i种爆管因素的第j种类别的爆管率，次/km；

n_ij为第i种爆管因素的第j种类别的爆管次数；

l_ij为第i种爆管因素的第j种类别的管段总长，km；

归一化处理计算公式为

p_imin为第i种爆管因素的所有类别的爆管率中的最小值；

为第i种爆管因素的所有类别的爆管率中的最大值；

通过归一化处理，爆管因素风险设定如下表所示：

统计不同管材的爆管次数和管材，按照公式求得归一化后的爆管率，再依据爆管因素风险等级划分标准判断不同类别的管材的爆管风险等级；

根据归一化处理后的爆管率的相对高低，对不同爆管因素进行爆管风险等级划分，得到爆管因素风险等级划分表：

；

步骤五：利用matlab的newff函数创建初步的BP神经网络，再利用matlab的train函数对其进行样本训练，完成对神经网络函数组合的比选，得到优化的BP神经网络；

步骤六：将样本集输入优化的BP神经网络，统计预测正确率；根据该预测正确率，评价优化的BP神经网络的泛化能力，判断优化的BP神经网络的计算精度是否符合要求，若判断为“是”则进入下一步，否则返回到步聚五；

步骤七：将爆管预测数据库数据输入优化的BP神经网络，计算得到爆管风险等级，再读入爆管预测数据库中，并通过GIS显示出相关信息；

具体为，将爆管预测数据库数据输入优化的BP神经网络，计算得到爆管风险等级，再利用matlab的xlswrite函数读入爆管预测数据库中，并通过GIS的分类显示功能直观表达所有管段的爆管风险等级：

(1)将爆管预测数据库的爆管因素输入通过测试的优化的BP神经网络，计算得到所有管道的爆管风险等级；

(2)利用matlab的xlswrite函数将所有管道的爆管风险等级读入爆管预测数据库，xlswrite函数关键语句如下：prediction_write＝xlswrite；

2.根据权利要求1所述的供水管网爆管风险分析方法，其特征在于，步骤一中的拓扑结构数据包括节点位置、节点高程；管段管材、管段管径、管段埋深、管段管长；阀门位置、阀门类型、阀门开关状态；水泵位置、水泵类型、水泵特性曲线；水池位置、水池形状。

3.根据权利要求1所述的供水管网爆管风险分析方法，其特征在于，步骤三中的爆管预测数据库包括管段编号、管段管材、管段管径、管段埋深、管段流速、管段压力和爆管次数。

4.根据权利要求1所述的供水管网爆管风险分析方法，步骤四中的判断风险等级的具体方法是：根据爆管因素风险等级划分表，利用Excel的if函数判断爆管预测数据库中所有管段各个爆管因素的风险等级；根据定义在爆管预测数据库中利用Excel的if函数和countif函数收集满足该定义的管段。

5.根据权利要求4所述的供水管网爆管风险分析方法，其特征在于，所述爆管因素风险等级划分表的风险等级包括安全、低度风险、中度风险和高度风险。

6.根据权利要求1所述的供水管网爆管风险分析方法，其特征在于，BP神经网络的样本集分为两部分，前80％的数据作为训练样本集，后20％的数据作为测试样本集。

7.根据权利要求6所述的供水管网爆管风险分析方法，其特征在于，所述BP神经网络采用函数logsig、trainlm和learngdm；函数训练的参数为：训练时间设定为“inf”，最小性能梯度设定为“le-8”，最大确认失败次数设定为6，训练目标设定为0，训练步长设定为5000，隐藏层神经元数目设定为5。