CN109886830B - 一种基于用户投诉信息的供水管网污染源追踪定位方法 - Google Patents

Abstract

本发明涉及一种基于用户投诉信息的供水管网污染源追踪定位方法，包括以下步骤：S1：利用用户投诉的位置信息生成污染矩阵；S2：判断各候选节点之间相似性并进行划分；S3：增加随机投诉滞后时间并构造用户投诉样本；S4：利用用户投诉样本对卷积神经网络进行训练验证测试，并将其用于实际污染源追踪定位。与现有技术相比，本发明具有根据污染事故发生后的实时用户投诉信息，采用用户投诉模式识别进行污染源定位，对于水源污染和非水源污染均具有良好的污染源识别能力，且对用户投诉滞后时间的不确定性具有一定的鲁棒性。在管网水质在线监测设备尚不完善的城市，可以实现对污染源位置的快速定位，增强城市对管网水质突发事故的应急响应能力等优点。

Description

一种基于用户投诉信息的供水管网污染源追踪定位方法

技术领域

本发明涉及一种污染源追踪定位方法，尤其是涉及一种基于用户投诉信息的供水管网污染源追踪定位方法。

背景技术

城市供水管网是居民获得饮用水的主要途径，供水系统安全直接影响居民用水安全，也是保障社会稳定和经济发展的重要因素。供水管网安全供水是指在出厂水质合格并具有足够水量和压力的前提下以尽可能低的造价，同时满足用户在水质、水量及水压三方面的要求。出厂水经过水质处理一般都能符合国家水质标准，供水管网出现水质问题往往有以下两个主要原因：(1)内源性水质恶化；(2)突发性污染物入侵。因此，供水系统水质安全不仅要保障水体在使用过程中不给人体带来短期或长期的健康危害，也指系统在遭受突发事故，如突发性水质污染事故、水厂运行事故、人为蓄意破坏、自然灾害等威胁时，具有良好的预防、防护、应急和恢复功能。

近年来，我国很多城市的供水管网面临突发水质污染事故的威胁，由于突发污染事故的污染物往往在瞬时或短时间内进入供水管网，扩散速度较快，事故造成的社会危害巨大。当污染事故发生时，需迅速对污染源进行准确定位，才能及时阻断污染的传播并对受污染的管网进行修复。污染源追踪定位技术是根据管网水质信息结合供水管网属性，推求污染物注入节点位置和其它信息的一种反演技术。供水管网突发性污染事故的污染源追踪定位技术可以迅速地确定污染源进入位置、注入时间等，从而可以针对性的采取快速主动的应急处理措施，使污染带来的影响和损失最小。

对于有水质监测系统的城市，国内外学者们已经提出很多行之有效的方法对污染源进行定位。Shang等于2002年提出粒子回溯算法来定位供水管网中的未知污染源。Laird等(2005)提出采用非线性化的程序方法求解模拟值和实测值误差最小化问题，并于2006年对该方法进行改进，用于定位多个污染源。Preis和Ostfeld(2006)在大量水质模拟的基础上，利用树和线性规划相结合的模型实现逆建模。Huang和McBean(2009)使用最大似然的数据挖掘方法来识别污染发生的位置和时间。Cristo等(2008)利用比例矩阵最小化模拟值与实测值的误差，实现对污染源的定位。Kim等在2008年提出了一种利用人工神经网络识别致病微生物污染源的方法以及时隔离污染区域减小危害。Propato等在2010年提出了一种利用线性代数的方法缩小污染源范围，通过求最小相对熵的方法确定污染源。Liu等(2011)探究了一种基于进化算法的动态优化方法对污染事件进行实时响应。Shen和McBean(2012)应用数据挖掘方法，挖掘离线构建的数据库，通过同时模拟多个情景来确定可能的污染源。国内学者中，王康乐(2010)利用关系树-线性规划算法对供水管网污染源进行追踪，通过求解线性规划问题，得到污染源节点位置及污染注入属性。李红卫等(2011)根据实验数据，利用改进的模拟-优化反追踪方法定位污染源并分析模型的主要影响因素。

传统的供水管网污染源识别技术均以供水管网中水质在线监测数据充足且准确为前提，目前国内大多城市管网模型精度达不到水质模拟的要求，且水质监测设备大多并不完善，监测数据准确度较低，所以传统的基于水质监测数据的污染源辨识技术难以实施。在一次突发污染事故中没有足够的监测信息可供研究利用时，用户投诉信息可作为反映管网水质状态的重要信息。国内已有学者针对用户投诉信息对污染源追踪定位方法进行了研究，将每一个用户看作一个“水质监测设备”。信昆仑等于2012年提出以候选节点发生污染后的用户水质投诉顺序为基础构造模式识别神经网络，从而确定污染物注入位置。并于2013年提出用概率理论分析方法比较不同候选污染源节点发生污染情况下的投诉概率，已确定最有可能的污染源节点。

综上所述，尽管已有大量关于污染源定位的研究，目前尚没有被我国水司广泛应用的污染源定位技术。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于用户投诉信息的供水管网污染源追踪定位方法。

本发明的目的可以通过以下技术方案来实现：

一种基于用户投诉信息的供水管网污染源追踪定位方法，包括以下步骤：

S1：利用用户投诉的位置信息生成污染矩阵；

S2：判断各候选节点之间相似性并进行划分；

S3：增加随机投诉滞后时间并构造用户投诉样本；

S4：利用用户投诉样本对卷积神经网络进行训练验证测试，并将其用于实际污染源追踪定位。

进一步地，所述步骤S1中的污染矩阵，其描述公式为：

式中，C为污染矩阵，m为管网节点数，n为用户投诉点个数，k_i,j＝0或1，其中，当第i号节点被注入污染物时，第j号投诉节点未被感知污染时，k_i,j＝0，当第i号节点被注入污染物时，第j号投诉节点被感知污染时，k_i,j＝1，1≤i≤m，1≤j≤n。

进一步地，所述步骤S2中的判断划分采用切比雪夫距离衡量判断，其描述公式为：

D_Chebyshev(t′,T′)≤1

式中，t′和T′分别为两个候选污染源节点投加的污染物到达各个投诉节点的相对时间向量。

进一步地，所述步骤S3中的用户投诉样本为元素为0和1的48×n矩阵。

进一步地，所述元素为0和1的48×n矩阵的标准化方法为对非零元素的位置做标准化处理，使得所有非零元素时间下标的平均值为24，其描述公式如下：

式中，T_i1为原矩阵各非零元素的时间下标值，T_i1,changed为更新后各非零元素的时间下标值，

为原矩阵各非零元素的时间下标平均值。

进一步地，所述步骤S4中卷积神经网络的超参数设置为：

其中，a表示候选节点的类别数，S表示移动步长。

进一步地，所述步骤S4中卷积神经网络的初始学习率为0.1，其衰减系数为0.99，其两个全连接层采用L2正则化，其正则化系数为0.0001，其训练迭代次数为15000。

与现有技术相比，本发明具有以下优点：

(1)准确度高，合理科学，本发明中根据污染事故发生后的实时用户投诉信息，采用用户投诉模式识别进行污染源定位，对于水源污染和非水源污染均具有良好的污染源识别能力，且对用户投诉滞后时间的不确定性具有一定的鲁棒性。在管网水质在线监测设备尚不完善的城市，可以实现对污染源位置的快速定位，增强城市对管网水质突发事故的应急响应能力，实用价值高。

(2)计算速度快，本发明中采用卷积神经网络来对污染矩阵进行计算判断，其初始学习率为0.1，其衰减系数为0.99，其两个全连接层采用L2正则化，其正则化系数为0.0001，其训练迭代次数为15000，计算速度快，计算正确率高。

附图说明

图1为本发明基于卷积神经网络和用户投诉信息的供水管网污染源追踪定位方法的流程框图；

图2为本发明的模拟用户投诉模式样本图；

图3为本发明的卷积神经网络模型结构图；

图4为本发明的算例管网Net3拓扑模型图；

图5为本发明的模型训练损失下降曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

如图1、图2、图3所示，一种基于卷积神经网络和用户投诉信息的供水管网污染源追踪定位方法，包括以下步骤：

1)利用用户投诉的位置信息生成污染矩阵，筛选出候选污染源候选节点集合；

2)计算切比雪夫距离衡量各候选节点的污染物扩散模式之间的相似性，对候选节点进行划分；

3)在各类污染物扩散模式的基础上增加随机投诉滞后时间，构造用户投诉样本；

4)将上述样本分成训练集、验证集和测试集分别对卷积神经网络进行训练、验证和测试，以评估模型的有效性，并用于真实污染事件的污染源定位。

步骤1)具体为：

使用改进污染矩阵法，只提取用户投诉节点的水质信息，计算污染矩阵C，筛选出候选污染源节点集合，简单数学表达式如下式。

式中，C为污染矩阵，m为管网节点数，n为用户投诉点个数，k_i,j＝0或1，其中，当第i号节点被注入污染物时，第j号投诉节点未被感知污染时，k_i,j＝0，当第i号节点被注入污染物时，第j号投诉节点被感知污染时，k_i,j＝1，1≤i≤m，1≤j≤n。

步骤2)具体为：

通过计算切比雪夫距离对候选污染源节点进行划分，污染物扩散模式特征相似的节点归为一类。设两个候选污染源节点投加的污染物到达各个投诉节点的相对时间向量分别为t＝(t₁,t₂,…,t_n)和T＝(T₁,T₂,…,T_n)，其中n为投诉节点个数，两向量元素平均值分别为

和/>

经过下式处理后得到t’＝(t₁’,t₂’,…,t_n’)和T’＝(T₁’,T₂’,…,T_n’)：

若t’和T’满足如下条件，两个候选污染源节点划归为同一类，否则，则为不同类。

D_Chebyshev(t′,T′)≤1

步骤3)用于训练和评估卷积神经网络的训练样本构造方式具体为：

在某个时间点分别向每一个污染源候选节点持续注入一定浓度的污染物，对管网进行24小时水力水质延时模拟，可获得管网各节点不同时刻的水质状况。假定当污染物浓度大于人体对污染物的感知限R_L时，节点所在的用户才能够感知水质异常并有可能投诉。模拟将污染发生后各节点用户最早可感知到污染的时刻输出为元素为0和1的48×n矩阵，形式如矩阵A所示，48和n分别表示时间历时0～24小时(步长：30min)和投诉节点个数，其中1表示在某节点某时刻有用户投诉，0表示无用户投诉。以该矩阵为基础，考虑用户最早投诉的时刻与污染真实发生时刻之间存在一定的滞后，假设滞后时间服从正态分布(Δt～N(μ,σ²))，将该滞后量以噪声的形式加入节点开始污染时刻，得到每个矩阵对应的用户随机投诉样本。

为了消除污染物侵入时间对不同投诉矩阵的影响，对非零元素的位置做标准化处理如下式，设T_i1为原矩阵各非零元素的时间下标值，

为原矩阵非零元素的时间下标平均值，T_i1,change为更新后各非零元素的时间下标值。经过处理后，所有非零元素时间下标的平均值为24。

用于真实污染源定位的用户投诉信息预处理方式具体为：

对于同一节点的重复投诉，取最早投诉时间作为该节点的投诉时间；将30min作为时间步长来划分所有节点的投诉时间。例如，用户在9:20投诉，20min超过15min，近似认为该投诉时间为9:30；反之，若用户在9:10投诉，10min小于15min，近似认为投诉发生在9:00。

步骤4)中采用的模式识别方法为卷积神经网络，模型的超参数设置如表1。在深度学习框架下运行程序，训练过程的超参数设置如下：初始学习率为0.1，衰减系数为0.99，两个全连接层采用L2正则化，正则化系数设为0.001，训练迭代次数为15000。

本实施例以算例管网Net3为例，进一步阐述基于卷积神经网络和用户投诉信息的供水管网污染源追踪定位方法实现过程。

该管网模型包含节点97个(其中2个水源节点，3个网中水塔节点)，管段119条，管网拓扑结构如图4所示。本发明假定污染物为保守型物质，即仅随水体迁移扩散而不发生反应，污染物注入质量浓度为ρ₀＝25mg/L，并以等质量浓度持续注入24小时，人体对污染物的感知极限ρ_L＝1.0mg/L。模拟过程中，水力步长设为30min，水质步长设为5min。

1)利用用户投诉的位置信息生成污染矩阵，筛选出候选污染源候选节点集合；

设在一次污染事件中，用户在节点105,109,120,119,149,164,199处发生投诉，投诉时间分别为：6:40，7:00，8:20，9:00，11:40，18:00，12:20。真实的污染源为节点10。根据改进污染矩阵的方法得到候选节点集合为{10,60,61,101,105,117,119,121,123,261,263,Lake,River}。

2)计算切比雪夫距离衡量各候选节点的污染物扩散模式之间的相似性，对候选节点进行划分，污染源候选节点的分类结果见下表。

表1候选节点分类结果

3)在各类污染物扩散模式的基础上增加随机投诉滞后时间，构造用户投诉样本；

水力水质模拟时假设污染发生时间为0:00，构造带噪声的样本并进行标准化处理，本实例将用于构造训练样本的均值μ设为3，标准差σ设为2.0。每个候选节点生成2800个样本(包括2000个训练样本和800个验证样本)，训练集和验证集的总数分别为10000和4000。测试集中，假定Δt服从不同标准差的正态分布，标准差σ在区间[1,4]上均匀分布，每类候选污染源生成800个测试样本。

4)将上述样本分成训练集、验证集和测试集分别对卷积神经网络进行训练、验证和测试，以评估模型的有效性，并用于真实污染事件的污染源定位。

训练开始时初始损失值为0.4206，模型在较短时间完成训练，迭代后损失值降至0.01457。训练过程中的损失下降曲线如图5所示，损失值随着迭代次数的增加呈整体下降趋势，不断趋于0，即模型对训练样本有较强的收敛性。调用训练完成后的模型进行交叉验证，得到准确率为93.1％，说明模型对滞后时间Δt呈正态分布的样本具有较高的预测准确率。CNN模型的测试准确率结果如表2第3列所示。测试结果表明，所建立的CNN模型对不同离散程度的投诉滞后时间均有较高的识别能力。

表2不同正态分布噪声的预测准确率

将真实的用户投诉矩阵输入训练后的CNN模型进行污染源定位，各候选污染源的可能性分别为0.999，7.563×10^-5，4.165×10^-4，1.815×10^-5，8.015×10^-9。预测结果显示污染源在节点集合{10,101,Lake}中，与此前假定的污染源位置相吻合。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (4)

1.一种基于用户投诉信息的供水管网污染源追踪定位方法，其特征在于，包括以下步骤：

S1：利用用户投诉的位置信息生成污染矩阵，筛选出候选污染源候选节点集合；

S2：计算切比雪夫距离衡量各候选节点的污染物扩散模式之间的相似性，对候选节点进行划分；

S3：在各类污染物扩散模式的基础上增加随机投诉滞后时间，构造用户投诉样本；

S4：将上述样本分成训练集、验证集和测试集分别对卷积神经网络进行训练、验证和测试，以评估模型的有效性，并用于真实污染事件的污染源定位；

所述步骤S3中的用户投诉样本为元素为0和1的48×n矩阵；

所述元素为0和1的48×n矩阵的标准化方法为对非零元素的位置做标准化处理，以消除污染物侵入时间对不同投诉矩阵的影响，使得所有非零元素时间下标的平均值为24，其描述公式如下：

式中，T_i1为原矩阵各非零元素的时间下标值，T_i1,changed为更新后各非零元素的时间下标值，

为原矩阵各非零元素的时间下标平均值。

2.根据权利要求1所述的一种基于用户投诉信息的供水管网污染源追踪定位方法，其特征在于，所述步骤S1中的污染矩阵，其描述公式为：

式中，C为污染矩阵，m为管网节点数，n为用户投诉点个数，k_i,j＝0或1，其中，当第i号节点被注入污染物时，第j号投诉节点未被感知污染时，k_i,j＝0，当第i号节点被注入污染物时，第j号投诉节点被感知污染时，k_i,j＝1，1≤i≤m，1≤j≤n。

3.根据权利要求1所述的一种基于用户投诉信息的供水管网污染源追踪定位方法，其特征在于，所述步骤S2中的判断划分采用切比雪夫距离衡量判断，其描述公式为：

D_Chebyshev(t',T')≤1

式中，t'和T'分别为两个候选污染源节点投加的污染物到达各个投诉节点的相对时间向量。

4.根据权利要求1所述的一种基于用户投诉信息的供水管网污染源追踪定位方法，所述步骤S4中卷积神经网络的初始学习率为0.1，其衰减系数为0.99，其两个全连接层采用L2正则化，其正则化系数为0.0001，其训练迭代次数为15000。

Images