CN111853555A - 一种基于动态过程的供水管网暗漏识别方法 - Google Patents

一种基于动态过程的供水管网暗漏识别方法 Download PDF

Info

Publication number
CN111853555A
CN111853555A CN202010646755.4A CN202010646755A CN111853555A CN 111853555 A CN111853555 A CN 111853555A CN 202010646755 A CN202010646755 A CN 202010646755A CN 111853555 A CN111853555 A CN 111853555A
Authority
CN
China
Prior art keywords
leakage
dark
dark leakage
data
pressure
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.)
Granted
Application number
CN202010646755.4A
Other languages
English (en)
Other versions
CN111853555B (zh
Inventor
徐哲
涂正沁
黄兴
江永伟
陈晖�
何必仕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010646755.4A priority Critical patent/CN111853555B/zh
Publication of CN111853555A publication Critical patent/CN111853555A/zh
Application granted granted Critical
Publication of CN111853555B publication Critical patent/CN111853555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
    • G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
    • G01M3/2807—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes
    • G01M3/2815—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes using pressure measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Acoustics & Sound (AREA)
  • Mechanical Engineering (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明公开了一种基于动态过程的管网暗漏识别方法。本发明首先求解供水管网压力监测点敏感度矩阵；其次基于K‑means++聚类将管网划为若干漏损分区。然后设计暗漏过程仿真实验，生成暗漏样本；并据此建立和训练基于随机森林的暗漏区域识别模型。最后根据实际压力、流量数据识别暗漏区域。本发明根据暗漏演化过程的水力仿真实验数据建立了暗漏区域识别模型，实现利用暗漏发生后压力和流量的演化趋势特征快速识别漏损分区,具有较高的识别精度和较强的可操作性。

Description

一种基于动态过程的供水管网暗漏识别方法
技术领域
本发明属于城市供水管网领域，涉及一种供水管网的暗漏区域识别方法，具体是一种基于动态过程的管网暗漏识别方法。
背景技术
因为管道老化、开挖和施工质量等各种情况的影响，供水管网不可避免地存在着漏损。较大规模的泄漏容易被人们发现，一般称为明爆。规模较小的泄漏对管网不构成显著影响，以“暗漏”形式在管网中持续较长时间。通常暗漏漏失量不亚于爆管事故，甚至远远超过爆管，造成严重的水资源浪费，还会形成地基路基空洞引发建筑崩塌、路面坍陷等公共安全问题。所以，为了降低供水漏损，及时发现管网中存在的暗漏，避免次生灾害的产生，准确有效识别暗漏区域具有十分重要的现实意义。
现阶段，学者对供水管网明爆的检测研究较多[1][2][3]，均围绕爆管时水力状态瞬时突变特点展开，但对暗漏的研究甚少。其中，瞬变检测法虽然是近十几年研究的热点，但实际仅限于单管漏损检测应用，对于供水管网的漏损检测则存在水力变化复杂、瞬变信号畸变等实际困难[4]。水司对于供水管网暗漏的检测主要是按计划的漏损巡回检测。首先将供水管网实施DMA分区，检漏队伍按顺序依次对各个DMA分区进行人工排查。类似的，对于主干管网也是按区段安装permalog漏水巡视仪或人工检漏的方式对相应管段实行漏损检测。然而这种方法需要在排除正常用水时段的噪声干扰，在夜间用户用水量较少的情况下进行，而且较为依赖仪器的灵敏度和检漏工人的主观经验。按计划对管段先后检漏的方法存在一定缺陷，可能存在以下情况：未检漏的区域已存在暗漏，或已检漏的区域新出现暗漏。该方法实际执行时无法及时有效检测出暗漏。
参考文献：
[1]徐哲,熊晓锋,洪嘉鸣,等.数据驱动的城市供水管网异常事件侦测方法[J].浙江大学学报(工学版),2017(11):135-144.
[2]张清周.基于水力模型的供水管网压力管理与漏损区域识别研究[D].哈尔滨工业大学,2017.
[3]信昆仑；徐玮榕；周啸；颜合想；陶涛；李树平.一种基于压力扰动提取的供水管网爆管侦测方法[P].中国专利:CN109442221A,2019-03-08.
[4]郭新蕾,马慧敏,王涛,等.管网故障水力瞬变检测实验系统研发[J].水利学报,2019,50(03):27-36.
发明内容
针对供水管网暗漏恶化趋势不可逆转特点，本发明提出一种基于动态过程的管网暗漏识别方法，旨在识别供水管网中潜在的暗漏区域，以便及时发现具体暗漏点。
为实现以上目的，本发明采取以下步骤：
步骤1、求解供水管网压力监测点敏感度矩阵
(1)压力灵敏度矩阵
采用EPANET为供水管网建立水力模型，给节点n添加一个射流器系数的形式模拟漏损，可得监测点i压力的变化值ΔHi和节点n自身压力变化值ΔHn，从而求得监测点的灵敏度系数λni，即可从数学角度量化节点之间由于漏损造成的压力变化，如式(1)：
Figure BDA0002573422390000021
据此，可计算得到所有压力监测点的灵敏度系数矩阵为：
Figure BDA0002573422390000022
其中，管网节点总数为N，压力监测点总数为I，第N行代表节点N出现漏损时，对管网所有压力监测点的影响系数向量。
(2)极差标准化
对压力灵敏度矩阵M采取极差标准化处理，得到矩阵M′：
Figure BDA0002573422390000031
其中，lNI′的求解如下，
Figure BDA0002573422390000032
上式中，max-min代表列向量lkI中的最大值与最小值之差。经过极差标准化之后矩阵M′中任一元素取值范围在[0,1]之间。
步骤2、基于K-means++聚类将管网划为若干漏损分区
K-means++聚类克服了传统K-means聚类算法容易陷入局部最优的问题，可以较好地得到全局最优聚类分区。K-means聚类存在随机选取聚类中心的缺陷，K-means++改进算法最核心的原则是使初始聚类中心之间的相互距离尽可能远，期望选择到较优的聚类中心。其主要思想如下：
(1)在目标数据中随机选取某一样本数据作为第一个初始聚类中心C1；
(2)分别计算每个样本数据与已确定聚类中心之间的最短距离Dx，设定每个样本数据被选为下一个聚类中心的概率由式(5)求得，之后按照概率选择距离最大的样本作为聚类中心；
Figure BDA0002573422390000033
(3)重复步骤(2)，最终可得到所有的聚类中心。
(4)利用传统K-means算法计算样本与各个聚类中心的相似度，以最小化欧式距离为度量标准，得到指定的k个漏损分区结果。
关于漏损分区个数应根据供水管网的实际情况合理确定，综合考虑到分区的面积、监测点数量以及管理的效率等因素，这里基于每个监测分区至少有一个压力测点的原则进行分区。
步骤3、设计暗漏过程仿真实验，生成暗漏样本
实际供水管网中发生的暗漏往往存在一个累积发展的过程，短期内的水力状态变化都不显著。因此，暗漏分析须建立在一定时期的动态过程之上。为尽量模拟真实管网暗漏动态过程，每组仿真实验将试行10次单漏点漏损24小时延时模拟，逐次增加漏点的射流器系数，以形成反映暗漏发展趋势的样本数据。
漏损节点射流器系数的取值应合理反映实际漏损流量占比。为有效分析暗漏节点对管网压力的影响，所选择的射流系数(1)不应过小：根据EPANET默认的水力计算精确度，添加射流器系数后的漏损点压力变化至少在0.01米水柱才能和正常工况有所区别。(2)不宜过大：射流器系数偏大时，泄漏可造成压力的明显下降，所需流量大幅上升，容易被察觉，不再是暗漏情形。
IWA漏损控制小组给出的暗漏建议标准如表1所示：
表1 明漏和暗漏的流量界限
Figure BDA0002573422390000041
参考表1的基础上，同时结合实际漏损情况，射流器系数的设置应参考具体管网相应的用水规模，同时避免暗漏淹没在正常需水量变化之中，暗漏点最小射流器系数设置为0.1，最大设置为1.5。
为体现暗漏逐渐增大的动态过程，在每组10次仿真实验中令相邻两次实验的射流器系数变化的最小间隔为0.1，根据先前设定的范围，共可得到
Figure BDA0002573422390000042
种不同的射流系数组。如表2展示其中若干组。
表2 暗漏射流系数组
Figure BDA0002573422390000043
为贴近实际管网用户的需水量波动情况，对所有需水量模式乘子添加高斯噪声N[0,0.05*dn(t)]或者N[0,0.1*dn(t)]，其中dn(t)代表节点n在t时间点原先的需水量乘子。
具体的暗漏过程仿真实验设计步骤如下
(1)随机选取一个管网节点，从表2中任意选择一组暗漏射流器系数。
(2)在EPANET上设置暗漏射流系数组第一次的系数，同时添加指定的需水量噪声。模拟步长S(5分钟<S<30分钟，一般取15分钟，全天有96个时序)，记录测点的时序数据。
(3)不改变节点，选择下一次的暗漏射流系数，同时添加指定的需水量噪声。记录测点的时序数据。
(4)重复步骤3直到第10次的暗漏24小时延时模拟结束。
经过上述步骤，采用10次24小时延时模拟代表暗漏演化过程的10个片段，形成一组暗漏样本。
根据暗漏实验设计要求利用EPANET水力模拟软件随机生成Q(Q>10000)组暗漏事例。建立暗漏演化过程数据库Trend
Figure BDA0002573422390000051
用暗漏演化趋势库Trend的最后一行举例说明，
Figure BDA0002573422390000052
表示在第k个管网分区第Lk个节点发生漏损时，压力监测点m在规定的10次24小时暗漏实验中的压力数据，监测点采样间隔＝模拟步长S＝15分钟，则
Figure BDA0002573422390000053
为1×960的向量。类似的，
Figure BDA0002573422390000054
表示的是流量测点对应的数据。
步骤4、建立并训练基于随机森林的暗漏区域识别模型
在随机模拟Q组暗漏实验后，暗漏演化过程数据库Trend所包含的数据量巨大，为降低暗漏实验数据的冗余度和问题复杂度，对每组10次实验监测点收集的数据进行优化降维处理，并尽可能保留暗漏演化过程中数据的完整性以及使得目标数据易于统计、分类和识别等，提出了三种暗漏特征提取方法：
(1)时序数据均值。若时序数据为X(n)，长度为N，则均值x可以表示为：
Figure BDA0002573422390000055
(2)模糊熵。假设管网流量或压力信号的长度为N，则模糊熵为：
Figure BDA0002573422390000061
其中m表示样本的嵌入维度，r表示相似容限度，
Figure BDA0002573422390000062
表示相似度平均值函数，可由时序数据X(n)求得。
(3)傅里叶变换系数。通过傅里叶变换将时域数据信号转换到频域，对管网平差得到的各测点压力和流量数据作为长度为N的离散信号X(n)，其傅里叶变换X(k)为
Figure BDA0002573422390000063
其中e-j2pkn/N代表的是基频为2π/N的周期复指数函数。经过傅氏变换可得到信号分解生成的N个复指数信号的线性排列。这里拟提取处理得到的信号高频分量作为特征，公式如下：
Figure BDA0002573422390000064
其中μ是决定选取的高频项数目的变量。
上述三种暗漏特征提取方法从数据的集中趋势、复杂程度和频域转换进行分析。从三个方面描述了时序数据的特征，减少了仅从单个特征分析暗漏数据的片面性，能够较为具体的代表数据特点。
建立基于随机森林(Random Forest,RF)的暗漏区域识别模型，训练过程主要分为3个步骤
(1)对N棵决策树组成的随机森林，需要对训练集做有放回的bagging随机抽样，其中每一个训练样本都代表着一组暗漏实验中的数据特征，即均值、模糊熵和傅里叶变换系数。生成N个训练样本集合，产生多个重复的样本集，避免决策树得到局部最优解。
(2)对单个决策树从子训练集A个属性变量中选用a个并对决策树进行训练，其中A的值不等同于步骤(1)中训练样本的3个暗漏数据特征，而是由人为设定。一般a的取值为log2A+1或是
Figure BDA0002573422390000065
该策略可以减少树与树之间的相关性并可间接提升单棵树的分类准确性。
(3)对下一个决策树重复(2)的操作，直至训练完所有的决策树则形成了随机森林暗漏区域识别模型。
由于训练集和特征变量的二重随机抽样，所以可以有效地降低过拟合的风险。将所有基分类器的投票结果汇总分析得到结果，具体的投票决策过程如下：
Figure BDA0002573422390000071
上式中，H(x)是随机森林的分类结果，hi(x)代表单个决策树模型的预测分类值，Y代表决策树输出的结果，I(·)是指示器函数。
将经过特征提取的暗漏样本训练集输入到随机森林模型进行训练，利用测试集对模型的分类性能进行评价，分类准确率定义如下：
Figure BDA0002573422390000072
这里，针对测试集，模型的分类准确率≥85％。如果随机森林模型分类的结果与实际暗漏区域相差较大，低于设定的分类准确率阈值，则重新训练暗漏区域识别模型，或者返回步骤2调整暗漏分区的数量再次训练模型。
步骤5、根据实际压力、流量数据识别暗漏区域
将训练得到的暗漏区域识别模型应用于实际管网中：
(1)从SCADA中按日期顺序、按不等间隔抽取10次24小时管网监测点实测数据；
(2)对采集到的实测数据做降维处理提取特征，具体为提取数据的均值，模糊熵和傅里叶变换高频分量。形成一个暗漏演化特征数据集，输入到基于随机森林的暗漏识别分类模型；
(3)若输入的压力流量数据符合暗漏特征，基于随机森林的暗漏区域分类模型输出漏损分区的编号1～k。
本发明的有益效果：本发明针对暗漏短期内对水力状态影响不显著特点，提出了基于动态过程的识别方法，根据暗漏演化过程的水力仿真实验数据建立了暗漏区域识别模型，实现利用暗漏发生后压力和流量的演化趋势特征快速识别漏损分区,具有较高的识别精度和较强的可操作性。
附图说明
图1本发明方法流程图；
图2实例管网压力监测点和流量监测点位置图；
图3基于随机森林的暗漏区域识别模型。
具体实施方式
为了进一步明确本发明实现的技术创新点，下面结合本发明方法流程图(图1)和实例(如图2)，对本发明的实现方式展开详细叙述。实例是美国肯塔基州的一个实际环状管网，包括403个节点，1个水库节点，480根管道，5个压力监测点，2个流量监测点。
具体步骤描述如下：
步骤1、求解供水管网压力监测点敏感度矩阵
(1)压力灵敏度矩阵
按实例构建水力模型拓扑结构如图2所示。为合理反映各时段下的压力灵敏度，进行多时段节点漏损分析。将管网中各个节点并分别设置射流器系数为0.6以模拟漏损，每隔2小时做一次漏损仿真实验，12个时段仿真实验完成后，将各时段节点漏损前后压力变化数据累计求和再求平均，最终可全面客观的得出压力灵敏度矩阵。根据公式(1)，得到压力监测点灵敏度矩阵M
Figure BDA0002573422390000081
(2)极差标准化
将计算得到的压力监测点灵敏度矩阵M，根据公式(4)进行极差标准化，得到最终的矩阵M′
Figure BDA0002573422390000082
步骤2、基于K-means++聚类将管网划为若干漏损分区
将步骤1中得到的极差标准化矩阵M′利用K-means++算法进行聚类，聚类迭代次数最高为100次，采用欧式距离衡量向量之间的远近。根据每个监测分区至少有一个压力测点的原则，将该管网分成5个漏损监测分区。这里同时划分4、5、6和7个分区做对比实验。以5个漏损分区为例，分组结果见表3：
表3 5个漏损分区结果
Figure BDA0002573422390000091
表4给出在不同聚类分区下的漏损区域节点数量的具体信息。
表4 各个漏损分区具体信息
漏损分区数量 漏损分区节点个数
4 51、159、173、20
5 146、47、24、125、61
6 140、47、43、112、14、47
7 36、47、140、42、78、14、46
步骤3、设计暗漏仿真实验及模拟生成暗漏样本
本文案例中暗漏点最小射流器系数设置为0.1，最大设置为1.5。为贴近实际管网用户的需水量波动情况，对所有需水量模式乘子添加高斯噪声N[0,0.05*dn(t)]或者N[0,0.1*dn(t)]，其中dn(t)代表节点n在t时间点原先的需水量乘子。在这两种干扰情况下，按照暗漏仿真实验的流程分别进行18000组暗漏实验。
对监测点每一次采集得到的数据做降维处理提取特征，具体为提取数据的均值，模糊熵和傅里叶变换高频分量。其中模糊熵的嵌入维度m与所需数据长度为正相关关系，通过实验发现取m＝2较为理想，相似容限度r的取值过大会丢失数据的统计信息，过小则易受到噪声的干扰，一般可取r＝0.15；经反复实验比较，隶属函数选择Bell_shaped。借助matalab的fft函数进行数据的傅里叶变换，由于一个监测点每天采集的数据长度N＝96，令公式(10)的中的μ＝48，即一天的时序数据经傅里叶变换后取一个高频分量。给出5％噪声干扰下5个漏损监测分区时，暗漏演化特征数据库如下：
Figure BDA0002573422390000101
以上式中的第一行为例，共有211个数据，是5个压力监测点和2个流量监测点在10次24小时暗漏实验的三种特征值，最后一列代表对应的漏损监测分区。[42.06 0.80 3.03]表示第一个压力监测点在第一次24小时暗漏实验的压力均值，模糊熵，傅里叶系数的具体数值。类似的，[14.01 1.10 29.07]则表示最后一个流量监测点在第10次24小时模拟实验时对应的三种特征值。
步骤4、建立并训练基于随机森林的暗漏区域识别模型
如图3，设置随机森林模型的决策树数量tree＝100，决策树的属性数量mtry＝5。将步骤3中的暗漏演化特征数据库feature随机筛选样本的80％即14400组作为暗漏区域分类模型的训练集，剩余3600组样本作为测试集，将测试集的暗漏特征输入到训练好的随机森林分类模型，得到暗漏区域识别的实验结果如下表所示：
表5 不同漏损分区和需水量噪声下的模型识别准确率
Figure BDA0002573422390000102
根据“针对测试集，模型的分类准确率≥85％”的要求，4～7个漏损分区下是符合准确度要求的。
由表5可知，当暗漏监测分区的数量较少时，所建立的识别模型对暗漏区域的确定具有较好的效果，随着暗漏分区划定数量的增加，正确识别出暗漏区域的精度也逐渐降低。在5％的需水量噪声干扰下，暗漏初定位识别的精度要好于10％的噪音干扰，最高正确识别率达到98.02％。但一味追求高分类精度，减少分区数量，反过来会使暗漏分区的面积增大，不利于后续的暗漏探测工作。因此在确定暗漏监测分区数量时应同时考虑分区面积大小和分类模型的识别精度。从分类结果来看，划分5个暗漏分区即可达到较高的识别精度并且各分区面积差距不大，是一个折中之选。
步骤5、根据实际压力、流量数据识别暗漏区域
在实际管网中的暗漏演化过程并非是暗漏实验模拟的连续10次内，该过程可能更为持久，漏损程度的改变亦可能更加缓慢。实际管网暗漏检测中，应用步骤4得到的暗漏区域识别模型：
(1)从SCADA中按日期顺序、按不等间隔抽取10次24小时管网监测点实测数据；
(2)对采集到的实测数据做降维处理提取特征，具体为提取数据的均值，模糊熵和傅里叶变换高频分量。形成一个暗漏演化特征数据集，输入到基于随机森林的暗漏识别分类模型；
(3)若输入的压力流量数据符合暗漏特征，基于随机森林的暗漏区域分类模型输出漏损分区的编号1～5。
以上对于本发明的具体实施方式说明是为了阐明目的，而非限定本发明的权利范围。

Claims (4)

1.一种基于动态过程的供水管网暗漏识别方法，其特征在于该方法包括以下步骤：
步骤1、求解供水管网压力监测点敏感度矩阵
(1)压力灵敏度矩阵
采用EPANET为供水管网建立水力模型，给节点n添加一个射流器系数的形式模拟漏损，得监测点i压力的变化值ΔHi和节点n自身压力变化值ΔHn，从而求得监测点的灵敏度系数λni，据此计算得到所有压力监测点的灵敏度系数矩阵M；
(2)极差标准化
对压力灵敏度系数矩阵M采取极差标准化处理，得到矩阵M′，经过极差标准化之后矩阵M′中任一元素取值范围在[0,1]之间；
步骤2、基于K-means++聚类将管网划为若干漏损分区，且每个分区中至少有一个压力监测点；
步骤3、设计暗漏过程仿真实验，生成暗漏样本
每组仿真实验试行10次单漏点漏损24小时延时模拟，逐次增加漏点的射流器系数，以形成反映暗漏发展趋势的样本数据，同时在每组10次仿真实验中令相邻两次实验的射流器系数变化的最小间隔为0.1；根据暗漏实验设计要求利用EPANET水力模拟软件随机生成超过10000组的暗漏事例，建立暗漏演化过程数据库；
步骤4、建立并训练基于随机森林的暗漏区域识别模型
对每组10次实验监测点收集的数据进行优化降维处理，提取三种暗漏特征，从而来表征时序数据的特征；
建立基于随机森林的暗漏区域识别模型，其训练过程主要分为3个步骤
4-1、对N棵决策树组成的随机森林，对训练集做有放回的bagging随机抽样，其中每一个训练样本都代表着一组暗漏实验中的暗漏特征；生成N个训练样本集合，产生多个重复的样本集，避免决策树得到局部最优解；
4-2、对单个决策树从子训练集A个属性变量中选用a个，并对决策树进行训练；
4-3、对下一个决策树重复4-2的操作，直至训练完所有的决策树，则形成了随机森林暗漏区域识别模型；
步骤5、根据实际压力、流量数据识别暗漏区域
将训练得到的暗漏区域识别模型应用于实际管网中：
5-1、从SCADA中按日期顺序、按不等间隔抽取10次24小时管网监测点实测数据；
5-2、对采集到的实测数据做降维处理提取暗漏特征，形成一个暗漏演化特征数据集，输入到基于随机森林的暗漏识别分类模型；
5-3、若输入的压力流量数据符合暗漏特征，基于随机森林的暗漏区域分类模型输出漏损分区的编号。
2.根据权利要求1所述的一种基于动态过程的供水管网暗漏识别方法，其特征在于：步骤2具体是
2-1、在目标数据中随机选取某一样本数据作为第一个初始聚类中心；
2-2、分别计算每个样本数据与已确定初始聚类中心之间的最短距离，计算每个样本数据被选为下一个聚类中心的概率，之后按照概率选择距离最大的样本作为聚类中心；
2-3、重复步骤2-2，最终可得到所有的聚类中心；
2-4、计算样本与各个聚类中心的相似度，以最小化欧式距离为度量标准，得到指定的多个漏损分区结果。
3.根据权利要求1所述的一种基于动态过程的供水管网暗漏识别方法，其特征在于：步骤3中具体的暗漏过程仿真实验设计步骤如下：
3-1、随机选取一个管网节点，任意选择一组暗漏射流器系数；
3-2、在EPANET上设置暗漏射流系数组第一次的系数，同时添加指定的需水量噪声；模拟步长S，记录监测点的时序数据，其中5分钟<S<30分钟；
3-3、不改变节点，选择下一次的暗漏射流系数，同时添加指定的需水量噪声，记录监测点的时序数据；
3-4、重复步骤3-3直到第10次的暗漏24小时延时模拟结束；
经过上述步骤，采用10次24小时延时模拟代表暗漏演化过程的10个片段，形成一组暗漏样本。
4.根据权利要求1所述的一种基于动态过程的供水管网暗漏识别方法，其特征在于：步骤4中的三种暗漏特征包括时序数据均值、模糊熵和傅里叶变换系数。
CN202010646755.4A 2020-07-07 2020-07-07 一种基于动态过程的供水管网暗漏识别方法 Active CN111853555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010646755.4A CN111853555B (zh) 2020-07-07 2020-07-07 一种基于动态过程的供水管网暗漏识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010646755.4A CN111853555B (zh) 2020-07-07 2020-07-07 一种基于动态过程的供水管网暗漏识别方法

Publications (2)

Publication Number Publication Date
CN111853555A true CN111853555A (zh) 2020-10-30
CN111853555B CN111853555B (zh) 2022-03-25

Family

ID=73153398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010646755.4A Active CN111853555B (zh) 2020-07-07 2020-07-07 一种基于动态过程的供水管网暗漏识别方法

Country Status (1)

Country Link
CN (1) CN111853555B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112097126A (zh) * 2020-09-18 2020-12-18 同济大学 一种基于深度神经网络的供水管网爆管管道精确识别方法
CN112241767A (zh) * 2020-11-03 2021-01-19 广州杰赛科技股份有限公司 管网水压监测节点布置方法、装置、设备及存储介质
CN112460495A (zh) * 2020-11-14 2021-03-09 武汉众智鸿图科技有限公司 面向漏损监测定位的监测点布局方法及系统
CN112464421A (zh) * 2020-11-23 2021-03-09 长江水利委员会长江科学院 基于联合信息熵的供水管网漏损识别传感器优化布置方法
CN112503400A (zh) * 2020-12-21 2021-03-16 中国电建集团华东勘测设计研究院有限公司 一种供水管网测压点多目标优化布置方法
CN113418146A (zh) * 2021-08-03 2021-09-21 上海航天动力科技工程有限公司 一种用于供水管网的漏损辅助定位控制方法
CN113446519A (zh) * 2021-09-01 2021-09-28 蘑菇物联技术（深圳）有限公司 用于确定管网泄漏程度的方法、电子设备和存储介质
CN114370612A (zh) * 2022-01-19 2022-04-19 安徽欧泰祺智慧水务科技有限公司 基于随机森林模型的供水管道状态监测方法
CN114811452A (zh) * 2022-04-08 2022-07-29 国网山东省电力公司建设公司 一种变电站埋地管道泄漏监测定位方法、装置和系统
CN114924333A (zh) * 2022-05-19 2022-08-19 山东衡昊信息技术有限公司 一种户外气象监测信号传输信道衰落对抗方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102235575A (zh) * 2010-04-29 2011-11-09 国际商业机器公司 用于检查管道泄露的数据处理方法及系统
CN105938505A (zh) * 2016-04-12 2016-09-14 广州京维智能科技有限公司 一种供水管网压力检测点的布置方法
CN107869653A (zh) * 2017-12-14 2018-04-03 北京化工大学 一种管道流量敏感性矩阵漏损检测方法
CN108332059A (zh) * 2018-01-16 2018-07-27 浙江大学 服务于供水管网爆管监测的测压点优化布置方法
CN108388921A (zh) * 2018-03-05 2018-08-10 中国石油集团工程技术研究院有限公司 一种基于随机森林的溢流漏失实时识别方法
CN108596260A (zh) * 2018-04-27 2018-09-28 安徽建筑大学 一种水管网漏损定位方法及装置
CN108647470A (zh) * 2018-05-29 2018-10-12 杭州电子科技大学 一种基于聚类和深度信念网络的漏损初定位方法
CN109034546A (zh) * 2018-06-06 2018-12-18 北京市燃气集团有限责任公司 一种城镇燃气埋地管道腐蚀风险的智能预测方法
CN109783979A (zh) * 2019-02-15 2019-05-21 吉林大学 一种城市供水管网半监督条件下泄漏监测传感器布局优化方法
CN110851931A (zh) * 2019-10-14 2020-02-28 天津大学 一种城市供水管网流量监测点的优化布置方法
CN110939870A (zh) * 2019-12-27 2020-03-31 天津大学 一种面向爆管监测的供水管网压力监测点布置方法
CN111119282A (zh) * 2019-11-26 2020-05-08 中国地质大学（武汉） 一种针对供水管网的压力监测点优化布置方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102235575A (zh) * 2010-04-29 2011-11-09 国际商业机器公司 用于检查管道泄露的数据处理方法及系统
US20130085690A1 (en) * 2010-04-29 2013-04-04 International Business Machines Corporation Data processing method and system for checking pipeline leakage
CN105938505A (zh) * 2016-04-12 2016-09-14 广州京维智能科技有限公司 一种供水管网压力检测点的布置方法
CN107869653A (zh) * 2017-12-14 2018-04-03 北京化工大学 一种管道流量敏感性矩阵漏损检测方法
CN108332059A (zh) * 2018-01-16 2018-07-27 浙江大学 服务于供水管网爆管监测的测压点优化布置方法
CN108388921A (zh) * 2018-03-05 2018-08-10 中国石油集团工程技术研究院有限公司 一种基于随机森林的溢流漏失实时识别方法
CN108596260A (zh) * 2018-04-27 2018-09-28 安徽建筑大学 一种水管网漏损定位方法及装置
CN108647470A (zh) * 2018-05-29 2018-10-12 杭州电子科技大学 一种基于聚类和深度信念网络的漏损初定位方法
CN109034546A (zh) * 2018-06-06 2018-12-18 北京市燃气集团有限责任公司 一种城镇燃气埋地管道腐蚀风险的智能预测方法
CN109783979A (zh) * 2019-02-15 2019-05-21 吉林大学 一种城市供水管网半监督条件下泄漏监测传感器布局优化方法
CN110851931A (zh) * 2019-10-14 2020-02-28 天津大学 一种城市供水管网流量监测点的优化布置方法
CN111119282A (zh) * 2019-11-26 2020-05-08 中国地质大学（武汉） 一种针对供水管网的压力监测点优化布置方法
CN110939870A (zh) * 2019-12-27 2020-03-31 天津大学 一种面向爆管监测的供水管网压力监测点布置方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112097126A (zh) * 2020-09-18 2020-12-18 同济大学 一种基于深度神经网络的供水管网爆管管道精确识别方法
CN112241767A (zh) * 2020-11-03 2021-01-19 广州杰赛科技股份有限公司 管网水压监测节点布置方法、装置、设备及存储介质
CN112460495A (zh) * 2020-11-14 2021-03-09 武汉众智鸿图科技有限公司 面向漏损监测定位的监测点布局方法及系统
CN112464421A (zh) * 2020-11-23 2021-03-09 长江水利委员会长江科学院 基于联合信息熵的供水管网漏损识别传感器优化布置方法
CN112503400A (zh) * 2020-12-21 2021-03-16 中国电建集团华东勘测设计研究院有限公司 一种供水管网测压点多目标优化布置方法
CN113418146A (zh) * 2021-08-03 2021-09-21 上海航天动力科技工程有限公司 一种用于供水管网的漏损辅助定位控制方法
CN113446519A (zh) * 2021-09-01 2021-09-28 蘑菇物联技术（深圳）有限公司 用于确定管网泄漏程度的方法、电子设备和存储介质
CN114370612A (zh) * 2022-01-19 2022-04-19 安徽欧泰祺智慧水务科技有限公司 基于随机森林模型的供水管道状态监测方法
CN114370612B (zh) * 2022-01-19 2022-10-14 安徽欧泰祺智慧水务科技有限公司 基于随机森林模型的供水管道状态监测方法
CN114811452A (zh) * 2022-04-08 2022-07-29 国网山东省电力公司建设公司 一种变电站埋地管道泄漏监测定位方法、装置和系统
CN114924333A (zh) * 2022-05-19 2022-08-19 山东衡昊信息技术有限公司 一种户外气象监测信号传输信道衰落对抗方法

Also Published As

Publication number Publication date
CN111853555B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN111853555B (zh) 一种基于动态过程的供水管网暗漏识别方法
CN110185939B (zh) 基于卷积神经网络的气体管道泄漏识别方法
CN112101480B (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN111664365A (zh) 基于改进vmd和1dcnn的油气管道泄漏检测方法
CN112016251B (zh) 一种核动力装置故障的诊断方法及系统
CN112508243B (zh) 电力信息系统多故障预测网络模型的训练方法及装置
CN112097126B (zh) 一种基于深度神经网络的供水管网爆管管道精确识别方法
CN105404280A (zh) 基于自回归动态隐变量模型的工业过程故障检测方法
CN108491931B (zh) 一种基于机器学习提高无损检测精度的方法
CN114662414B (zh) 一种基于图小波神经网络模型的油藏生产预测方法
CN110879927A (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
CN114217025B (zh) 评估空气质量浓度预测中气象数据对其影响的分析方法
CN111735583A (zh) 一种基于lcd-ee的管道声波信号特征提取的管道工况识别方法
CN113343402B (zh) 基于多层卷积稀疏编码的管道腐蚀等级评估方法
CN113111923A (zh) 一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法
CN116975763A (zh) 一种基于双谱和卷积神经网络的供水管网异常诊断方法
Lang et al. Pipeline leak aperture recognition based on wavelet packet analysis and a deep belief network with ICR
CN117633588A (zh) 基于频谱加权和残差卷积神经网络的管道泄漏定位方法
CN109632942B (zh) 一种基于集成学习的管道缺陷尺寸的反演方法
Ning et al. A feature selection algorithm based on variable correlation and time correlation for predicting remaining useful life of equipment using rnn
CN110657355A (zh) 一种热力管线泄漏检测方法
CN114441111B (zh) 一种管道泄漏次声波信号分析方法及系统
Ye et al. Multi-variable classification model for valve internal leakage based on acoustic emission time–frequency domain characteristics and random forest
CN115345192A (zh) 一种变工况和复杂噪音环境下滚动轴承的故障诊断方法
CN113051809A (zh) 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法

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
GR01 Patent grant
GR01 Patent grant