CN112182984A - 一种基于供水物联网数据同化的污水管网实时模拟方法 - Google Patents

Abstract

本发明提供一种基于供水物联网数据驱动的污水管网实时模拟方法，包括离线模块和实时在线模块，离线模块集成污水管网与供水管网水力模型，校正供水管网水力模型每个节点的历史用水量，建立污水管网模型校正单目标优化模型，确定每个节点用水量和检查井入流量之间的转移系数，实时在线模块实现污水管网模型水力参数的实时模拟。本发明填补了污水管网实时模拟领域空白，是对城市排水管网管理研究领域的一个重要补充，为污水管网系统的管理提供了重要的技术支撑，具有很好的推广和实际工程应用价值。

Description

一种基于供水物联网数据同化的污水管网实时模拟方法

技术领域

本发明属于市政工程城市供排水管网领域，具体涉及基于供水物联网数据同化的污水管网实时模拟技术。

背景技术

城市污水管网的安全运行直接影响到城市水环境、水安全以及人民的身体健康。近些年，随着城市人口数量的快速增长，污水管网规模不断扩大，拓扑结构变得更加复杂，而且系统老化更加严重，这给污水管网的运行和管理带来了极大的困难。城市污水管网目前容易产生的问题主要包括管网沉积、废水偷排、管道泄漏、雨污管错接和污水溢流等，这些问题已严重威胁城市水环境，也是产生城市黑臭水体的根本原因。

在现有技术中，解决这些问题的直接方法是在污水管网内布置传感器，实时监测管道水深及流量信息，以实现异常事件的预报预警与定位。然而，由于污水传感器购买和维护成本极高，管网中布置的传感器数量通常非常有限，只能对监测点周围小片区域进行异常事件的(如溢出或泄露)报警。此外，监测点的异常观测结果也可能是由于用户用水量突然增加造成，因此不考虑用水量的变化的监测点数据分析方法易导致很高的误报率。更重要的是，仅仅依靠来自传感器观测不能预测未来一段时期整个污水管网运行的运行状态(水深和流量)，进而无法实现有效的预防与控制。突破这些关键难题的一个重要方法是建立污水管网水力模型以实时模拟和预测整个管网任意位置的水深和流量参数，同时结合有限监测点的数据，以实时诊断是否存在管道淤塞、泄漏、非法排放、非法连接，更重要的是，可以实时预测污水管网所有检查井的溢流情况。

实现污水管网实时水力模拟的关键是获取每个检查井的实时污水入流量，但获取如此高时空分辨率的流量数据在实际工程中是不现实的，这也是目前污水管网实时模拟的卡脖子难题。研究学者提出了诸多优化方法，通过有限监测点的观测数据反演检查井的实时污水入流量。然而，这些方法的一个重大缺陷是污水流量优化的多解性，即每个检查井入流量取值的不同组合仍能保证监测点处的模拟值与观测值相吻合，因此，很难确定优化解是否可以表征代表污水管网真实的水力运行状况，进而无法实现污水管网的有效监测。

发明内容

为解决上述现有技术中的瓶颈问题，本发明首次提出了一种基于供水物联网数据驱动的污水管网实时模拟方法，通过集成相同区域内的供水管网模型，将供水管网节点每个时刻的用水量分配至附近最近的污水管网检查井，随后使用优化方法确定节点用水量和检查井入流量之间的最佳转移系数，有效解决了多解性问题，最后，基于供水实时用水数据和已确定的最佳转移系数实现整个污水管网水深和流量参数的实时模拟。本发明的创新之处是将近些年趋于成熟的供水系统物联网与污水管网实现深入的融合和数据同化，供水物联网包含诸多的压力计、流量计和智能水表，可实时提供用户用水量信息，进而驱动污水管网的实时模拟。本发明中，采用污水管网实时水力模型为有效解决污水管网中的管道淤塞、偷排、泄露、管道错接以及污水溢流问题提供了关键的技术支撑。

本发明解决上述技术问题所具体采用的技术方案如下：

一种基于供水物联网数据驱动的污水管网实时模拟方法，其步骤如下：

过程1：离线模块，包括S1、S2和S3三个阶段，离线模块的执行频率和次数根据实际需要确定，

S1:按步骤S11-S12集成污水管网与供水管网水力模型，

S11:基于地理信息系统GIS提供的供水管道、水库、泵站、污水管道、检查井等模型组件的参数信息，建立污水管网和供水管网水力模型(图1)，

S12:基于GIS自带的空间分析功能，建立供水管网模型节点与污水管网模型检查井之间的映射关系，实现模型中每个供水节点的排水进入与之空间距离最近的污水检查井(图2)；

S2:按步骤S21-S27校正供水管网水力模型每个节点的历史用水量，

S21:设置所需的相关参数：供水管网中所有压力监测点和流量监测点在历史某时刻t的观测值H^o、Q^o；误差阈值ε；最大迭代次数S和节点用水量调整范围p，

S22:初始化每个节点在在历史某时刻t的用水量：对于一个给定节点数量为N_x的供水管网，其中N_y个节点安装了智能水表(y＜x)，首先将N_y个单独计量的用水量分配至相应的节点，剩余水量根据每个节点与相邻节点连接的管道长度按比例分配至其余N_x-N_y个节点，具体公式如下：

式中，

为按管道长度比例分配的节点r在历史某时刻t初始化后的节点用水量，l_r为与节点r相连接的管道总长度，L_T为供水管网管道总长度，L_M为智能水表节点连接的管道总长度；Q_T为供水管网总供水量；Q_M为智能水表在历史t时刻的总水量，管网中共有N_x个节点，其中有一部分节点(数量为N_y)处装有智能水表，在历史t时刻的用水量根据智能水表直接获取，另外一部分节点(N_x-N_y)未装有智能水表在历史t时刻t的用水量未知，这些节点(N_x-N_y)在历史t时刻的用水量根据公式1-1计算得出，供水管网中历史t时刻所有节点的总初始用水量等于历史t时刻每个节点(总共N_x个节点)初始用水量之和，

S23:计算历史t时刻压力和流量监测点的观测值与模拟值残差：运行供水管网水力模拟，计算第s次迭代时(s＝1,2,...,S)，其中，

压力监测的点观测值与模拟值残差为：

流量监测点的观测值与模拟值残差为：

式中，NH和NQ分别为压力和流量监测点的数量，

和H_u(q)^s分别为压力监测点u的观测值和在第s次迭代时的模拟值(u＝1,2,...,NH)，

和Q_v(q)^s分别为供水管网流量监测点v的观测值和在第s次迭代时的模拟值(v＝1,2,...,NH)，T表示向量的转置，

为所有节点在第s次迭代时历史t时刻的节点用水量向量；

S24:计算历史t时刻节点用水量调整值，具体公式如下：

式中，J_H和J_Q分别为第s次迭代时的供水管网雅克比矩阵；其中，

和

分别表示压力监测点u和流量监测点v的权重系数；

为权重系数向量，

S25:更新每个节点的用水量，具体公式如下：

q^s+1＝q^s+Δq^s 1-5

式中，q^s+1为第s+1次迭代时每个节点在历史t时刻的用水量；

和

分别为某个节点r的在历史t时刻最小和最大用水量，一般取p＝10％～20％，

S26:重复过程S23～S24，直至满足||Δq^s||＜ε或s＞S，一般取ε＝0.01，S＝100，

S27:重复过程S21～S26，获取历史时间周期为T(通常取2个星期)时间精度为Δt(指前后两个t时刻之间的时间差，通常取半小时)的供水管网节点用水量数据，用于S3的计算；

S3:按步骤S31-S32建立污水管网模型校正单目标优化模型，确定每个节点用水量和检查井入流量之间的转移系数，

S31:建立单目标函数，具体公式如下：

最小化函数：

d_l(t)＝k_l×q_l(t) 1-10

式中，K＝[k₁,k₂,...k_n]^T，k_l为污水管网模型中检查井l的用水量转移系数，T为污水管网模型校正模拟总时间，T_w为污水管网模拟热启动时间，M和N分别为污水管网中安装的液位计和流量计的数量，在污水管网数据采集系统中获取；

和

分别为液位监测点i在历史t时刻的液位观测值和模拟值，

和

为污水管网中的流量监测点j在历史t时刻的流量观测值和模拟值，

和

分别为液位监测点i和流量监测点j整个时间历史周期T所有时刻的模拟值向量，F_s(D(T))为

和

的组合向量，D(T)为T×n矩阵，表示所有检查井n整个时间周期T所有时刻的入流量，d_l(t)为检查井l在历史t时刻的入流量，q_l(t)为步骤S2中检查井l对应的供水管网节点历史t时刻的用水量校正值；

和

分别为k_l的最小值和最大值；g()为线性转换函数，用于将液位和流量转换为同一区间，即0到1区间范围，定义为：

式中，x表示监测点的观测值或模拟值；x_min和x_max为上限和下限，一般根据监测点一段时期(如30天)的历史数据统计获取，

S32:求解单目标优化模型：使用现有技术中的遗传算法求解优化模型，得到每个检查井i的用水量转移系数k_l(l＝1,...,n)；

过程2：实时在线模块，包括S4阶段，S4阶段每个时刻执行一次，

S4:按步骤S41-S43实现污水管网模型水力参数的实时模拟，

S41:根据供水管网压力计、流量计和智能水表获取当前t时刻的压力、流量和用水量数据，按照过程S2校正供水管网水力模型当前时刻t的节点用水量，

S42:根据S41获取的当前时刻t供水系统每个节点的用水量，以及S3得到的每个检查井的用水量转移系数，根据公式1-10计算污水管网中每个检查井当前时刻的入流量d_l(t)，

S43:运行污水管网水力模型，实时模拟时间精度为Δt(通常取半小时)的整个污水管网的液位和流量水力参数。

相对于现有技术而言，本发明具有以下优点：

①本发明首次提出了供水系统与污水管网的数据同化方法，通过建立供水管网节点用水量与污水管网检查井入流量之间的映射关系，有效解决了污水管网检查井入流量数据严重缺乏的问题。

②本发明提出了供水管网节点用水量实时校正与污水管网检查井转移系数单目标优化计算方法，创新实现了基于供水数据驱动的污水管网实时模拟方法，彻底解决了污水管网现有模拟技术普遍存在的多解问题，实现了整个污水管网液位和流量水力参数的实时准确模拟。

③本发明填补了污水管网实时模拟领域空白，是对城市排水管网管理研究领域的一个重要补充，为污水管网系统的管理提供了重要的技术支撑，具有很好的推广和实际工程应用价值。

附图说明

图1是本发明供水管网与污水管网功能示意图。

图2是本发明供水管网与污水管网集成示意图。

图3是本发明具体实施路线图。

图4是实施例BKN污水管网与供水管网系统及监测点布置图。

图5是实施例XZN污水管网系统及监测点布置图。

图6是实施例XZN供水管网系统及监测点布置图。

图7是实施例Benk和XZN供水管网监测点模拟值与监测值误差分布图(前17天共816个时间步长)。

图8是实施例供水管网校正的节点用水量与智能水表连接的已知用水量对比:(a)案例BKN(b)案例XZN。

图9是实施例节点用水量和检查井入流量之间的转移系数分布图。

图10是实施例流量监测点前17天(校正阶段)的模拟值与观测值对比:(a)案例BKN流量计C1(b)案例XZN流量计C3。

图11是实施例BKN在模型验证阶段(后14天)流量监测点(a)C1和液位监测点(b)M1、(c)M2、(d)M3的模拟值与观测值对比

图12是实施例XZN在模型验证阶段(后14天)流量监测点(a)C1、(b)C2和液位监测点(c)M1和(d)M5的模拟值与观测值对比。

图13是实施例XZN液位监测点M5的模拟值与观测值，以及附近10个检查井水深的模拟值对比。

具体实施方式

下面通过附图和实施例对本发明进行具体阐述，以便本领域技术人员更好地理解本发明的技术方案，需要说明的是，在实施方式中所列举的案例，其作用是为了使本领域技术人员更好地理解和实施本发明的技术方案，不应视为对本发明的限定或提前公开。。

参见图3，一种基于供水物联网数据驱动的污水管网实时模拟方法，其步骤如下：

过程1：离线模块，包括S1、S2和S3三个阶段，离线模块的执行频率和次数根据实际需要确定，

S1:按步骤S11-S12集成污水管网与供水管网水力模型，

S11:基于地理信息系统GIS提供的供水管道、水库、泵站、污水管道、检查井等模型组件的参数信息，建立污水管网和供水管网水力模型(图1)，

S12:基于GIS自带的空间分析功能，建立供水管网模型节点与污水管网模型检查井之间的映射关系，实现模型中每个供水节点的排水进入与之空间距离最近的污水检查井(图2)；

S2:按步骤S21-S27校正供水管网水力模型每个节点的历史用水量，

S21:设置所需的相关参数：供水管网中所有压力监测点和流量监测点在历史某时刻t的观测值H^o、Q^o；误差阈值ε；最大迭代次数S和节点用水量调整范围p，

S22:初始化每个节点在在历史某时刻t的用水量：对于一个给定节点数量为N_x的供水管网，其中N_y个节点安装了智能水表(y＜x)，首先将N_y个单独计量的用水量分配至相应的节点，剩余水量根据每个节点与相邻节点连接的管道长度按比例分配至其余N_x-N_y个节点，具体公式如下：

式中，

为按管道长度比例分配的节点r在历史某时刻t初始化后的节点用水量，l_r为与节点r相连接的管道总长度，L_T为供水管网管道总长度，L_M为智能水表节点连接的管道总长度；Q_T为供水管网总供水量；Q_M为智能水表在历史t时刻的总水量，

管网中共有N_x个节点，其中有一部分节点(数量为N_y)处装有智能水表，在历史t时刻的用水量根据智能水表直接获取，另外一部分节点(N_x-N_y)未装有智能水表在历史t时刻t的用水量未知，这些节点(N_x-N_y)在历史t时刻的用水量根据公式1-1计算得出，供水管网中历史t时刻所有节点的总初始用水量等于历史t时刻每个节点(总共N_x个节点)初始用水量之和，

S23:计算历史t时刻压力和流量监测点的观测值与模拟值残差：运行供水管网水力模拟，计算第s次迭代时(s＝1,2,...,S)，其中，

压力监测的点观测值与模拟值残差为：

流量监测点的观测值与模拟值残差为：

式中，NH和NQ分别为压力和流量监测点的数量，

和H_u(q)^s分别为压力监测点u的观测值和在第s次迭代时的模拟值(u＝1,2,...,NH)，

和Q_v(q)^s分别为供水管网流量监测点v的观测值和在第s次迭代时的模拟值(v＝1,2,...,NH)，T表示向量的转置，

为所有节点在第s次迭代时历史t时刻的节点用水量向量；

S24:计算历史t时刻节点用水量调整值，具体公式如下：

式中，J_H和J_Q分别为第s次迭代时的供水管网雅克比矩阵；其中，

和

分别表示压力监测点u和流量监测点v的权重系数；

为权重系数向量，

S25:更新每个节点的用水量，具体公式如下：

q^s+1＝q^s+Δq^s 1-5

式中，q^s+1为第s+1次迭代时每个节点在历史t时刻的用水量；

和

分别为某个节点r的在历史t时刻最小和最大用水量，一般取p＝10％～20％，

S26:重复过程S23～S24，直至满足||Δq^s||＜ε或s＞S，一般取ε＝0.01，S＝100，

S27:重复过程S21～S26，获取历史时间周期为T(通常取2个星期)时间精度为Δt(指前后两个t时刻之间的时间差，通常取半小时)的供水管网节点用水量数据，用于S3的计算；

S3:按步骤S31-S32建立污水管网模型校正单目标优化模型，确定每个节点用水量和检查井入流量之间的转移系数，

S31:建立单目标函数，具体公式如下：

最小化函数：

d_l(t)＝k_l×q_l(t) 1-10

式中，K＝[k₁,k₂,...k_n]^T，k_l为污水管网模型中检查井l的用水量转移系数，T为污水管网模型校正模拟总时间，T_w为污水管网模拟热启动时间，M和N分别为污水管网中安装的液位计和流量计的数量，在污水管网数据采集系统中获取；

和

分别为液位监测点i在历史t时刻的液位观测值和模拟值，

和

为污水管网中的流量监测点j在历史t时刻的流量观测值和模拟值，

和

分别为液位监测点i和流量监测点j整个时间历史周期T所有时刻的模拟值向量，F_s(D(T))为

和

的组合向量，D(T)为T×n矩阵，表示所有检查井n整个时间周期T所有时刻的入流量，d_l(t)为检查井l在历史t时刻的入流量，q_l(t)为步骤S2中检查井l对应的供水管网节点历史t时刻的用水量校正值；

和

分别为k_l的最小值和最大值；g()为线性转换函数，用于将液位和流量转换为同一区间，即0到1区间范围，定义为：

式中，x表示监测点的观测值或模拟值；x_min和x_max为上限和下限，一般根据监测点一段时期(如30天)的历史数据统计获取，

S32:求解单目标优化模型：使用现有技术中的遗传算法求解优化模型，得到每个检查井i的用水量转移系数k_l(l＝1,...,n)；

过程2：实时在线模块，包括S4阶段，S4阶段每个时刻执行一次，

S4:按步骤S41-S43实现污水管网模型水力参数的实时模拟，

S41:根据供水管网压力计、流量计和智能水表获取当前t时刻的压力、流量和用水量数据，按照过程S2校正供水管网水力模型当前时刻t的节点用水量，

S42:根据S41获取的当前时刻t供水系统每个节点的用水量，以及S3得到的每个检查井的用水量转移系数，根据公式1-10计算污水管网中每个检查井当前时刻的入流量d_l(t)，

S43:运行污水管网水力模型，实时模拟时间精度为Δt(通常取半小时)的整个污水管网的液位和流量水力参数。下面基于该方法，将其与具体实施例结合，以展示其具体技术效果，方法的具体步骤不再赘述。

实施例

下面将本发明的上述方法分别应用到Benk和Xiuzhou两个城市的污水管网。城市Benk的污水管网(记为FSS-BKN)由1个污水厂入口、64个检查井和64根污水管道组成，污水管网中安装了3个液位计和一个流量计(如图4所示)，排污量约为4100吨/天；其相应的供水管网(记为WDS-BKN)由1个水厂、65个需水量节点和93根供水管道组成，供水管网中安装了3个压力计和1个流量计和40个智能水表，供水量约为4800吨/天；如图4所示，虚线箭头表示的是根据最短距离确定的供水管网节点与污水管网检查井之间的对应关系。城市Xiuzhou的污水管网(记为FSS-XZN)由1个污水厂入口、1214个检查井和1214根污水管道组成(如图5所示)，总长度约86千米，排污量约21500吨/天，污水管网中安装了3个流量计和8个液位计；其相应的供水管网(记为WDS-XZN)由1个水厂、1个泵站、1119个节点和1137根供水管道组成(如图6所示)，供水量约23150吨/天，服务人口约10.75万人，供水管网中安装有5个流量计、8个压力计和525个智能水表。

每个实例中，监测仪表记录了某月31天无降雨情况下的历史数据，时间步长为30分钟，因此每个监测点共有1488(31×24×2)个时间步长的数据。在过程1离线模式中，选取前面连续17天的供水管网和污水管网监测点历史数据(时间步长30分钟)，用于确定污水管网模型中每个检查井的最佳转移系数。污水管网检查井转移系数优化计算中，污水管网模型热启动时间T_w＝3天，17天中剩余的14天用于确定转移系数。使用31天中最后连续14天供水管网和污水管网监测点历史数据，进行过程2中的污水管网每个时刻t的实时在线模拟结果验证。

供水管网节点用水量校核中，针对每个实施例，校正误差阈值ε＝0.1；最大迭代次数S＝100和节点用水量调整范围p＝20％。污水管网检查井转移系数优化计算中，检查井转移系数最小值为

对于由智能水表提供的节点用水量所对应的检查井，最大值

而对于通过水力模型校核得出的节点用水量所对应的检查井，考虑校核可能的误差，最大值

所使用的常规技术中的遗传算法种群数量为500，最大迭代次数为50000，其余参数使用默认值。

图7为校正后的Benk和XZN供水管网监测点前17天(816个时间步长)的模拟值与监测值误差分布图。从图7(a)中可以看出Benk所有压力监测点处超过90％的绝对误差小于0.32米，最大值为1.34％；图7(b)中，供水管网Benk流量监测点处，93％的流量相对误差小于1.5％，其最大值为2.4％；从图7(c)中可以看出供水管网XZN所有压力监测点处的绝对误差均小于0.5米；图7(d)中，XZN流量监测点处大多数相对误差小于5％，最大值为9.27％。图8为两个实施例未装有智能水表的节点用水量校正值与安装智能水表的节点用水量真实值对比图，从图中可以看出，校正的节点用水量与智能水表记录的实际用水量趋势相同，即用水低峰和高峰时段相同，说明了两个实施例节点用水量校正误差除了满足模型应用的误差要求之外，节点用水量校正结果与实际用水量趋势相同，更具有科学合理性，保证了校正好的水力模型能够精确的进行实际应用。

图9为两个实施例污水管网检查井用水量转移系数分布图，从图中可以看出绝大多数的污水检查井转移系数位于[0,1]范围内，实施例BKN和XZN所有检查井转移系数的平均值分别为0.83和0.92，意味着83％和92％的供水管网总用水量通过检查井进入了污水管网。图10(a)为实施例BKN污水管网流量计C1前17天(校正阶段)的观测值与模拟值对比图，所有时刻监测值与模拟值的相对误差均小于5％，最大误差和平均误差分别为4.5％和1.16％(图10b)。图10(c)为实施例XZN污水管网流量计C3前17天(校正阶段)的观测值与模拟值对比图，监测值与模拟值相对误差最大值和平均值分别为13.74％和3.02％(图10d)。图11为实施例BKN污水管网在模型验证阶段(后14天)流量计C1的污水流量和液位计M1、M2和M3的水深观测值与模拟值对比图，其中流量相对误差最大值为4.91％，水深最大绝对误差为0.7cm。图12为实施例XZN在模型验证阶段(后14天)流量计C1、C2和液位计M1、M5观测值与模拟值对比图，流量计C1和C2相对误差最大值分别为13.05％和13.45％，液位计M1和M5观测值与模拟值最大绝对误差分别为1.4cm和1.1cm。由此可知，两个实施例污水管网检查井转移系数校正结果更具有科学合理性，均能保证监测点处的模型模拟值与实际观测值相吻合。

图13为实施例污水管网XZN液位计M5某天每个时刻的水深实时模拟值与实际观测值，以及附近10个检查井水深的实时模拟值对比图，通过监测M5每个时刻的实时水深，若某个时间段水深波动超出正常范围，则进行报警，然后通过分析附近所有检查井的实时水深数据，可以快速确定异常事件(如偷排、泄漏等)的发生位置。

由此可知，通过本发明所提出的基于供水物联网数据驱动的污水管网实时模拟方法，将相同区域内的供水管网模型中每个时刻的用水量分配至附近最近的污水管网检查井，并使用优化方法确定节点用水量和检查井入流量之间的转移系数，实现了整个污水管网液位和流量参数的实时模拟，为有效解决污水管网中的淤塞、泄漏、沉积、非法排放、雨污错接、污水溢流等问题提供了重要技术支撑，具有很好的推广和实际工程应用价值。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (1)

1.一种基于供水物联网数据驱动的污水管网实时模拟方法，其特征在于，步骤如下：

过程1：离线模块，包括S1、S2和S3三个阶段，离线模块的执行频率和次数根据实际需要确定，

S1:按步骤S11-S12集成污水管网与供水管网水力模型，

S11:基于地理信息系统GIS提供的供水管道、水库、泵站、污水管道、检查井等模型组件的参数信息，建立污水管网和供水管网水力模型(图1)，

S12:基于GIS自带的空间分析功能，建立供水管网模型节点与污水管网模型检查井之间的映射关系，实现模型中每个供水节点的排水进入与之空间距离最近的污水检查井(图2)；

S2:按步骤S21-S27校正供水管网水力模型每个节点的历史用水量，

S21:设置所需的相关参数：供水管网中所有压力监测点和流量监测点在历史某时刻t的观测值H^o、Q^o；误差阈值ε；最大迭代次数S和节点用水量调整范围p，

S22:初始化每个节点在在历史某时刻t的用水量：对于一个给定节点数量为N_x的供水管网，其中N_y个节点安装了智能水表(y＜x)，首先将N_y个单独计量的用水量分配至相应的节点，剩余水量根据每个节点与相邻节点连接的管道长度按比例分配至其余N_x-N_y个节点，具体公式如下：

式中，

为按管道长度比例分配的节点r在历史某时刻t初始化后的节点用水量，l_r为与节点r相连接的管道总长度，L_T为供水管网管道总长度，L_M为智能水表节点连接的管道总长度；Q_T为供水管网总供水量；Q_M为智能水表在历史t时刻的总水量，

管网中共有N_x个节点，其中有一部分节点(数量为N_y)处装有智能水表，在历史t时刻的用水量根据智能水表直接获取，另外一部分节点(N_x-N_y)未装有智能水表在历史t时刻t的用水量未知，这些节点(N_x-N_y)在历史t时刻的用水量根据公式1-1计算得出，供水管网中历史t时刻所有节点的总初始用水量等于历史t时刻每个节点(总共N_x个节点)初始用水量之和，

S23:计算历史t时刻压力和流量监测点的观测值与模拟值残差：运行供水管网水力模拟，计算第s次迭代时(s＝1,2,...,S)，其中，

压力监测的点观测值与模拟值残差为：

流量监测点的观测值与模拟值残差为：

式中，NH和NQ分别为压力和流量监测点的数量，

和H_u(q)^s分别为压力监测点u的观测值和在第s次迭代时的模拟值(u＝1,2,...,NH)，

和Q_v(q)^s分别为供水管网流量监测点v的观测值和在第s次迭代时的模拟值(v＝1,2,...,NH)，T表示向量的转置，

为所有节点在第s次迭代时历史t时刻的节点用水量向量；

S24:计算历史t时刻节点用水量调整值，具体公式如下：

式中，J_H和J_Q分别为第s次迭代时的供水管网雅克比矩阵；其中，

和

分别表示压力监测点u和流量监测点v的权重系数；

为权重系数向量，

S25:更新每个节点的用水量，具体公式如下：

q^s+1＝q^s+Δq^s 1-5

式中，q^s+1为第s+1次迭代时每个节点在历史t时刻的用水量；

和

分别为某个节点r的在历史t时刻最小和最大用水量，一般取p＝10％～20％，

S26:重复过程S23～S24，直至满足||Δq^s||＜ε或s＞S，一般取ε＝0.01，S＝100，

S27:重复过程S21～S26，获取历史时间周期为T(通常取2个星期)时间精度为Δt(指前后两个t时刻之间的时间差，通常取半小时)的供水管网节点用水量数据，用于S3的计算；

S3:按步骤S31-S32建立污水管网模型校正单目标优化模型，确定每个节点用水量和检查井入流量之间的转移系数，

S31:建立单目标函数，具体公式如下：

最小化函数：

d_l(t)＝k_l×q_l(t) 1-10

式中，K＝[k₁,k₂,...k_n]^T，k_l为污水管网模型中检查井l的用水量转移系数，T为污水管网模型校正模拟总时间，T_w为污水管网模拟热启动时间，M和N分别为污水管网中安装的液位计和流量计的数量，在污水管网数据采集系统中获取；

和

分别为液位监测点i在历史t时刻的液位观测值和模拟值，

和

为污水管网中的流量监测点j在历史t时刻的流量观测值和模拟值，

和

分别为液位监测点i和流量监测点j整个时间历史周期T所有时刻的模拟值向量，F_s(D(T))为

和

的组合向量，D(T)为T×n矩阵，表示所有检查井n整个时间周期T所有时刻的入流量，d_l(t)为检查井l在历史t时刻的入流量，q_l(t)为步骤S2中检查井l对应的供水管网节点历史t时刻的用水量校正值；

和

分别为k_l的最小值和最大值；g()为线性转换函数，用于将液位和流量转换为同一区间，即0到1区间范围，定义为：

式中，x表示监测点的观测值或模拟值；x_min和x_max为上限和下限，一般根据监测点一段时期(如30天)的历史数据统计获取，

S32:求解单目标优化模型：使用现有技术中的遗传算法求解优化模型，得到每个检查井i的用水量转移系数k_l(l＝1,...,n)；

过程2：实时在线模块，包括S4阶段，S4阶段每个时刻执行一次，

S4:按步骤S41-S43实现污水管网模型水力参数的实时模拟，

S41:根据供水管网压力计、流量计和智能水表获取当前t时刻的压力、流量和用水量数据，按照过程S2校正供水管网水力模型当前时刻t的节点用水量，

S42:根据S41获取的当前时刻t供水系统每个节点的用水量，以及S3得到的每个检查井的用水量转移系数，根据公式1-10计算污水管网中每个检查井当前时刻的入流量d_l(t)，

S43:运行污水管网水力模型，实时模拟时间精度为Δt(通常取半小时)的整个污水管网的液位和流量水力参数。

Images