CN112460495B - 面向漏损监测定位的监测点布局方法及系统 - Google Patents
面向漏损监测定位的监测点布局方法及系统 Download PDFInfo
- Publication number
- CN112460495B CN112460495B CN202011273665.1A CN202011273665A CN112460495B CN 112460495 B CN112460495 B CN 112460495B CN 202011273665 A CN202011273665 A CN 202011273665A CN 112460495 B CN112460495 B CN 112460495B
- Authority
- CN
- China
- Prior art keywords
- leakage
- node
- monitoring
- pipe network
- monitoring point
- 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.)
- Active
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明实施例提供了一种面向漏损监测定位的监测点布局方法及系统,首先根据管网数据进行正常和漏损两种状态下的仿真模拟,获得管网各节点在基准工况下以及漏损状态下的压力数据,然后分别利用节点影响矩阵和漏损特征矩阵构建了漏损探测模型和漏损定位模型,最后应用多目标非支配遗传算法NSGA‑Ⅱ进行双目标优化选择,结果得到一组Pareto解集,该解集对应的监测点方案能最大程度的覆盖漏损事件,并在此基础上使得尽可能多的单个爆管事件的可疑区域缩小到一定的网络范围之内以获得较好定位性能。
Description
技术领域
本发明涉及城市供水管网压力监测点布置领域,尤其涉及一种面向漏损监测定位的监测点布局方法及系统。
背景技术
城市市政管网水压是评价管网运行状态的重要指标,在反映城市供水管网的服务质量和调度城市供水系统设施方面发挥着不可替代的作用,开展城市供水管网水压监测点的优化布局不仅可以保障用水服务质量,提高管网水力学模型校核效果,还可以对异常事件进行预警预报,在监控漏损爆管方面有重要意义,可以说市政管网压力监测点的布局是否合理直接影响到供水系统的安全高效运转。
现有的供水管网监测点布局研究大多分为两类,一种是针对管网运行状态的日常调度以维持科学合理的水压分布;另一种是针对异常事故的探测感知,然而很少同时关注漏损监测和定位的研究,无法有效和全面的掌握异常事件的位置信息。
因此,现在亟需一种面向漏损监测定位的监测点布局方法及系统来解决这一问题。
发明内容
本发明提供一种面向漏损监测定位的监测点布局方法及系统,用以解决现有的供水管网监测点布局研究大多针对管网运行状态的日常调度和异常事故的监测感知,很少同时关注漏损监测和定位的研究,无法有效和全面的掌握异常事件的位置信息的问题。
第一方面,本发明实施例提供一种面向漏损监测定位的监测点布局方法,包括:
S1,输入管网数据进行水力计算,获得管网各节点在基准工况下的压力数据;
S2,根据管网数据对管网各个节点进行漏损模拟,获得得管网各节点在漏损状态下的压力数据;
S3,基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损探测模型和漏损定位性能指数模型;
S4,通过所述漏损探测模型和漏损定位性能指数模型,以最大化监测漏损事件个数和最大化定位性能指数作为双目标,构建双目标函数模型,采用多目标非支配遗传算法对所述双目标函数进行求解,获得监测点在管网中的最优分布。
优选的,步骤S2具体包括:
S21,输入管网水力模型数据,根据节点漏损流量与节点压力的关系式,计算扩散器系数;
其中,节点漏损流量与节点压力的关系式为:
EC=w/ppexp
式中w表示节点漏损流量,EC表示扩散器系数,p表示节点压力,pexp表示压力指数,一般取0.5;
S22,通过EPANET软件在管网各节点处设置所述扩散器系数进行漏损模拟,获得管网各节点在漏损状态下的压力数据。
进一步,步骤S3中,基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损探测模型,具体包括:
S30,根据管网各节点在基准工况下以及漏损状态下的压力数据,计算节点影响矩阵,对矩阵依次进行标准化,计算每个节点受漏损影响的程度,将设定的影响度阈值与标准化矩阵元素值进行大小比较,作为监测点监测到漏损的标准;依据影响度阈值遍历矩阵构造节点监测集,进而构建漏损探测模型。
优选的,步骤S30具体包括:
S301、根据管网各节点在基准工况下以及漏损状态下的压力数据,计算节点影响矩阵Dn×n:
节点影响矩阵元素表示为:
式中,Dij表示j节点发生漏损时,i节点压力变化值与节点j节点的压力变化值之比;Pi、Pj表示漏损后i、j节点水压;Pi′、Pj′表示基准工况下i、j节点水压,n为需水节点数量;
S302、对矩阵Dn×n进行极值标准化,得到标准化矩阵D′n×n,公式如下:
S303、针对节点压力影响度设定一个影响度阈值r,当D′ij≥r则判定该点对漏损事件反应敏感而能够感知到漏损,以此作为监测点监测到漏损的标准。
S304、通过节点影响矩阵和给定的影响度阈值,获得如下节点监测集:
该节点监测集是通过节点影响矩阵根据影响度阈值的约束得到,对于某一个监测节点i考察每个漏损事件对该节点的影响度值,若影响度值超过影响度阈值,则把漏损事件归到节点i的监测集Ni:{j|D′ij≥r},j=1,2,3…n。
S305、为了执行求解给定监测点方案所能感知到管网里的漏损事件,定义了如下二进制决策向量:
x=(x1,…,xn)T
其中,当节点i为监测点时xi=1,否则xi=0;
构建漏损探测模型,任意给定的监测点方案x所能感知到的漏损事件数量定义为:
N(x)=count(∪Ni)
其中Ni为二进制决策向量中元素xi=1所对应节点监测到的漏损事件,表示放置了压力传感器的i节点所能够监测的漏损事件;监测点的数量为m个,N(x)和count(∪Ni)表征了对给定监测点方案覆盖到的漏损事件求并集所得到能监测到的漏损事件个数。
优选的,步骤S3中,基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损定位性能指数模型,具体包括:
S31,根据管网各节点在基准工况下以及漏损状态下的压力数据,计算漏损特征矩阵,其中,漏损特征矩阵的每一列对应一个特定漏损节点所产生的特征;依据余弦相似度计算每两个不同漏损节点的漏损特征相关性,进而构建漏损定位性能指数模型。
优选的,步骤S31具体包括:
S311、根据管网各节点在基准工况下以及漏损状态下的压力数据,计算漏损特征矩阵S:
考虑在管网有n个需水节点且M个需水节点为候选监测点M≤n,漏损特征矩阵元素表示为:
其中,Pij、p′i分别表示j节点漏损后i节点水压和正常工况下i节点的水压,fj表示为j节点的漏损流量,对于每一个漏损场景有对应的漏损特征向量:
漏损特征矩阵的每一列对应一个漏损特征/场景,通过调用EPANET对各个节点进行模拟计算得到;
S312、考虑在线的漏损定位基于投影的方式,依赖于漏损特征向量之间的相关性,通过获取实际监测点的在线测量压力和水力模型的压力估值,得到漏损残差向量:
r=[r1,r2…rM]
其中,ri=p′i-pi,i=1,2…M,ri是在线测量压力pi与其相应估计值p′i之间的差值,p′i通过使用相应的网络水力模型进行无漏损模拟获得,网络内每个节点都有一个压力残差值;漏损定位基于漏损残差向量和漏损特征向量的内积,针对在任意节点j的漏损给出相似函数:
通过优化放置压力传感器,将漏损特征高相似的节点也就是可疑的漏损节点控制在给定的范围之内。定义所述二进制决策向量的对角阵:
X(x)=diag(x1,…,xn)
当节点i为监测点时xi=1,否则xi=0,故使用给定监测点方案获得的漏损特征向量表示为:
式中,si是当M=n时获得的漏损特征矩阵的第i列;
式中,li∈(1,n)表示给定监测点方案通过所述漏损探测模型能够监测到的漏损节点,K代表给定监测点方案监测到的漏损事件数量, 对应两个不同漏损特征向量,是向量的模,表示的是节点li和节点j发生漏损的特征相似程度;
S314、构建漏损定位性能指数模型:
对给定监测点方案所感知检测到的漏损点,求解节点漏损特征相似集:
定义:
对于给定监测点方案x,漏损定位性能指数模型为:
其中,P(x)为给定监测点方案x的定位性能指数。
优选的,步骤S4中,根据所述漏损探测模型和漏损定位性能指数模型,以最大化监测漏损事件个数和最大化定位性能指数作为双目标,构建的双目标函数模型为:
其中,N(x)为给定监测点方案x所能覆盖的漏损节点数量;P(x)为给定监测点方案x的定位性能指数。
优选的,步骤S4中,通过多目标非支配遗传算法对所述双目标函数进行求解,具体包括:
S41、初始化种群:基于双目标函数模型,采用整数编码方式,将可选的监测点对应于一系列整数;染色体长度为所选监测点数量m,设置初始化的种群大小为N,个体间交叉概率为pc,变异概率为pm,算法迭代的终止条件为达到最大迭代次数;
S42、遗传操作:计算个体适应度,使用二元锦标赛的方式挑选优秀个体;根据交叉概率pc进行交叉操作,若生成的随机数r≥pc则交叉,否则不交叉;检查交叉之后子代染色体是否含有重复基因,若存在重复则保留父代个体不变;根据变异概率pm进行变异操作,且保证个体基因不重复;父代由上述遗传操作生成子代;
S43、混合父代和子代为规模2N的种群,计算非支配解,并选取前一半优秀个体进行下一次迭代优化,在多目标遗传算法中遗传操作会选择适应度函数值高的个体作为父代进行下一代优化;算法达到最大迭代次数之后得到一组Pareto解集,Pareto解集表示安置给定数量的监测点对应的最优监测点分布。
第二方面,本发明实施例还提供一种面向漏损监测定位的监测点布局系统,包括:
压力计算模块,用于输入管网数据进行水力计算,获得管网各节点在基准工况下的压力数据;
漏损模拟模块,用于根据管网数据对管网各个节点进行漏损模拟,获得得管网各节点在漏损状态下的压力数据;
模型构建模块,用于基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损探测模型和漏损定位性能指数模型;
监测点分布求解模块,用于通过所述漏损探测模型和漏损定位性能指数模型,以最大化监测漏损事件个数和最大化定位性能指数作为双目标,构建双目标函数模型,采用多目标非支配遗传算法对所述双目标函数进行求解,获得监测点在管网中的最优分布。
第三方面,本发明实施例提供了一种电子设备,包括处理器、存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述面向漏损监测定位的监测点布局方法。
第四方面,本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述面向漏损监测定位的监测点布局方法。
本发明实施例提出的面向漏损监测定位的监测点布局方法及系统,首先根据管网数据进行正常和漏损两种状态下的仿真模拟,获得管网各节点在基准工况下以及漏损状态下的压力数据,然后分别利用节点影响矩阵和漏损特征矩阵构建了漏损探测模型和漏损定位模型,最后应用多目标非支配遗传算法NSGA-Ⅱ进行双目标优化选择,使得一组监测点布置方案能够最大程度的监测感知漏损事件,结果得到一组Pareto解集,该解集能最大程度的覆盖漏损事件,并在此基础上获得较好定位性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种面向漏损监测定位的监测点布局方法流程示意图;
图2为本发明实施例提供的K市供水管网图;
图3为本发明实施例提供的迭代200代Pareto前沿解集;
图4为本发明实施例提供的优化选择50个监测点位置分布;
图5为本发明实施例提供的面向漏损监测定位的监测点布局系统的结构框图;
图6为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
目前,现有的供水管网监测点布局研究大多针对管网运行状态的日常调度和异常事故的监测感知很少同时关注漏损监测和定位的研究,无法有效和全面的掌握异常事件的位置信息。
因此,本发明实施例提出一种面向漏损监测定位的监测点布局方法,首先根据管网数据进行正常和漏损两种状态下的仿真模拟,获得管网各节点在基准工况下以及漏损状态下的压力数据,然后分别利用节点影响矩阵和漏损特征矩阵构建了漏损探测模型和漏损定位模型,最后应用多目标非支配遗传算法NSGA-Ⅱ进行双目标优化选择,使得一组监测点布置方案能够最大程度的监测感知漏损事件,结果得到一组Pareto解集,该解集能最大程度的覆盖漏损事件,并在此基础上使得尽可能多的单个爆管事件的可疑区域缩小到一定的网络范围之内以获得较好定位性能。解决了现有的供水管网监测点布局方案很少同时关注漏损监测和定位的研究,无法有效和全面的掌握异常事件的位置信息的缺陷。以下将结合附图通过多个实施例进行展开说明和介绍。
图1为本发明实施例提供的一种面向漏损监测定位的监测点布局方法流程示意图,参照图1,首先对本发明实施例提供的方法的整体原理进行简要说明,该方法包括以下步骤:
S1,输入管网数据进行水力计算,获得管网各节点在基准工况下的压力数据。
首先输入管网数据,进行基准工况下的水力计算,获得管网各节点在基准工况下的压力数据P′i。
S2,根据管网数据对管网各个节点进行漏损模拟,获得得管网各节点在漏损状态下的压力数据。
具体地,步骤S2可以包括以下步骤:
S21,输入管网水力模型数据,根据节点漏损流量与节点压力的关系式,计算扩散器系数;
其中,节点漏损流量与节点压力的关系式为:
EC=w/ppexp
式中w表示节点漏损流量,EC表示扩散器系数,p表示节点压力,pexp表示压力指数,一般取0.5;
S22,通过EPANET软件在管网各节点处设置所述扩散器系数进行漏损模拟,获得管网各节点在漏损状态下的压力数据。
S3,基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损探测模型和漏损定位性能指数模型;
具体地,步骤S3中,基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损探测模型,具体包括:S30,根据管网各节点在基准工况下以及漏损状态下的压力数据,计算节点影响矩阵,对矩阵依次进行标准化,计算每个节点受漏损影响的程度,将设定的影响度阈值与标准化矩阵元素值进行大小比较,作为监测点监测到漏损的标准;为便于后续求解给定监测点方案覆盖到的漏损事件,依据影响度阈值遍历矩阵构造节点监测集,进而构建漏损探测模型。对于任意给定监测点方案可以方便得到它的监测漏损事件数量。
进一步地,步骤S3中,基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损定位性能指数模型,具体包括:S31,根据管网各节点在基准工况下以及漏损状态下的压力数据,计算漏损特征矩阵,其中,漏损特征矩阵的每一列对应一个特定漏损节点所产生的特征;依据余弦相似度计算每两个不同漏损节点的漏损特征相关性,为了使得在给定监测点方案上产生特征相关性较高的漏损节点在地理位置上接近,定义了定位性能指数,构建了漏损定位性能指数模型。
S4,通过所述漏损探测模型和漏损定位性能指数模型,以最大化监测漏损事件个数和最大化定位性能指数作为双目标,构建双目标函数模型,采用多目标非支配遗传算法对所述双目标函数进行求解,获得监测点在管网中的最优分布。
本实施例中,根据步骤S3得到的漏损探测模型和漏损定位性能指数模型,构建双目标函数模型。其中,双目标是最大化监测漏损事件个数和最大化定位性能指数,本发明采用多目标非支配遗传算法NSGA-Ⅱ对双目标函数进行求解,得到一组Pareto解集,该解集表示安置给定数量的监测点对应的最优监测点分布。
本发明实施例提出的面向漏损监测定位的监测点布局方法及系统,首先根据管网数据进行正常和漏损两种状态下的仿真模拟,获得管网各节点在基准工况下以及漏损状态下的压力数据,然后分别利用节点影响矩阵和漏损特征矩阵构建了漏损探测模型和漏损定位模型,最后应用多目标非支配遗传算法NSGA-Ⅱ进行双目标优化选择,使得一组监测点布置方案能够最大程度的监测感知漏损事件,结果得到一组Pareto解集,该解集能最大程度的覆盖漏损事件,并在此基础上获得较好定位性能。
在上述实施例的基础上,步骤S30具体可以包括:
S301、根据管网各节点在基准工况下以及漏损状态下的压力数据,计算节点影响矩阵Dn×n:
节点影响矩阵元素表示为:
式中,Dij表示j节点发生漏损时,i节点压力变化值与节点j节点的压力变化值之比;Pi、Pj表示漏损后i、j节点水压;Pi′、Pj′表示基准工况下i、j节点水压,n为需水节点数量。
S302、对矩阵Dn×n进行极值标准化,得到标准化矩阵D′n×n,公式如下:
S303、针对节点压力影响度设定一个影响度阈值r,当D′ij≥r则判定该点对漏损事件反应敏感而能够感知到漏损,以此作为监测点监测到漏损的标准。
S304、通过节点影响矩阵和给定的影响度阈值,获得如下节点监测集:
该节点监测集是通过节点影响矩阵根据影响度阈值的约束得到,对于某一个监测节点i考察每个漏损事件对该节点的影响度值,若影响度值超过影响度阈值,则把漏损事件归到节点i的监测集Ni:{j|D′ij≥r},j=1,2,3…n。对于任意给定监测点方案依据此节点监测集可以得到该监测点方案覆盖的漏损事件。
本实施例中,给定监测点方案是指任意随机选取一组节点作为监测点。采用本实施例提供的方法,仅需要任意随机选取的一组监测点就可以很方便的得到它所能感知到的漏损事件数量。将某一管网节点作为监测点后,则在此监测点安装压力传感器。
S305、为了执行求解给定监测点方案所能感知到管网里的漏损事件,定义了如下二进制决策向量:
x=(x1,…,xn)T
其中,当节点i为监测点时xi=1,否则xi=0;
构建漏损探测模型,任意给定监测点方案x所能感知到的漏损事件数量定义为:
N(x)=count(∪Ni)
其中,Ni为二进制决策向量中元素xi=1所对应节点监测到的漏损事件,表示放置了压力传感器的i节点所能够监测的漏损事件;监测点的数量为m个,N(x)表征了对给定监测点方案覆盖到的漏损事件求并集所得到能监测到的漏损事件个数。
优选的,步骤S3中,基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损定位性能指数模型,具体包括:
S31,根据管网各节点在基准工况下以及漏损状态下的压力数据,计算漏损特征矩阵,其中,漏损特征矩阵的每一列对应一个特定漏损节点所产生的特征;依据余弦相似度计算每两个不同漏损节点的漏损特征相关性,进而构建漏损定位性能指数模型。
在上述各实施例的基础上,步骤S31具体包括:
S311、根据管网各节点在基准工况下以及漏损状态下的压力数据,计算漏损特征矩阵S:
考虑在管网有n个需水节点且M个需水节点为候选监测点M≤n,漏损特征矩阵元素表示为:
其中,Pij、p′i分别表示j节点漏损后i节点水压和正常工况下i节点的水压,fj表示为j节点的漏损流量,对于每一个漏损场景有对应的漏损特征向量:
漏损特征矩阵的每一列对应一个漏损特征/场景,通过调用EPANET对各个节点进行模拟计算得到。
S312、考虑在线的漏损定位基于投影的方式,依赖于漏损特征向量之间的相关性,通过获取实际监测点的在线测量压力和水力模型的压力估值,得到漏损残差向量:
r=[r1,r2…rM]
其中,ri=p′i-pi,i=1,2…M,ri是在线测量压力pi与其相应估计值p′i之间的差值,p′i通过使用相应的网络水力模型进行无漏损模拟获得,网络内每个节点都有一个压力残差值;漏损定位基于漏损残差向量和漏损特征向量的内积,针对在任意节点j的漏损给出相似函数:
通过优化放置压力传感器,即优化监测点方案,将漏损特征高相似的节点也就是可疑的漏损节点控制在给定的范围之内。定义二进制决策向量的对角阵:
X(x)=diag(x1,…,xn)
当节点i为监测点时xi=1,否则xi=0,故使用给定监测点方案获得的漏损特征向量表示为:
式中,si是当M=n时获得的漏损特征矩阵的第i列。
式中,li∈(1,n)表示给定监测点方案通过所述漏损探测模型能够监测到的漏损节点,K代表给定监测点方案监测到的漏损事件数量, 对应两个不同漏损特征向量,是向量的模,表示的是节点li和节点j发生漏损的特征相似程度。
S314、构建漏损定位性能指数模型:
对给定监测点方案所感知检测到的漏损点,求解节点漏损特征相似集:
定义:
对于给定监测点方案x,漏损定位性能指数模型为:
其中,P(x)为给定监测点方案x的定位性能指数。
在上述各实施例的基础上,步骤S4中,根据所述漏损探测模型和漏损定位性能指数模型,以最大化监测漏损事件个数和最大化定位性能指数作为双目标,构建的双目标函数模型为:
其中,N(x)为给定监测点方案x所能覆盖的漏损节点数量;P(x)为给定监测点方案x的定位性能指数。
在上述各实施例的基础上,步骤S4中,采用多目标非支配遗传算法对所述双目标函数进行求解,具体包括:
S41、初始化种群:基于双目标函数模型,采用整数编码方式,将可选的监测点对应于一系列整数;染色体长度为所选监测点数量m,设置初始化的种群大小为N,个体间交叉概率为pc,变异概率为pm,算法迭代的终止条件为达到最大迭代次数;
S42、遗传操作:计算个体适应度,使用二元锦标赛的方式挑选优秀个体;根据交叉概率pc进行交叉操作,若生成的随机数r≥pc则交叉,否则不交叉;检查交叉之后子代染色体是否含有重复基因,若存在重复则保留父代个体不变;根据变异概率pm进行变异操作,且保证个体基因不重复;父代由上述遗传操作生成子代;
S43、混合父代和子代为规模2N的种群,计算非支配解,并选取前一半优秀个体进行下一次迭代优化,在多目标遗传算法中遗传操作会选择适应度函数值高的个体作为父代进行下一代优化;算法达到最大迭代次数之后得到一组Pareto解集,这组解的集合称为Pareto前沿。Pareto解集表示安置给定数量的监测点对应的最优监测点分布。
基于上述实施例的内容,在一个实施例中,本发明实施例结合具体应用场景,对面向漏损监测定位的监测点布局方法进行举例说明:
图2为K市供水管网图。参照图2,管网模型中共有需水节点数811个,水库1座,水池3个,管段1124条,水力模拟步长1h,模式时间24h,各节点标高、流量、各管段长度等基础数据均已知。
首先,输入管网数据进行水力计算,获取基准工况下管网各节点的压力数据,结果如表1所示:
表1正常工况下节点压力计算结果
接着,设置泄漏流量为8L/S,对各个节点进行漏损模拟,得到各节点在各漏损状态下的压力数据,这里取节点J-1漏损模拟的结果示意如表2所示:
表2 J-1漏损状态下各节点压力计算结果
然后,参照前述的方法实施例,根据管网各节点在基准工况下以及漏损状态下的压力数据,通过节点影响矩阵元素计算节点影响矩阵Dn×n并进行标准化,得到标准化矩阵D′n×n,节点影响矩阵的维数是811×811,为了简化说明,这里取标准化矩阵D′n×n前10×10的矩阵元素作为示例:
参考该供水管网的模型特性,对节点压力影响度设定一个影响度阈值r=0.7,当标准化矩阵元素D′ij≥r则认为节点i受节点j漏损的影响程度大,表示i节点能监测到j节点漏损。
进一步的,基于前述步骤S305给出的二进制决策向量形式x=(x1,…,xn)T选定监测点,在步骤S314中设置给定的相似度阈值α=0.95,网络距离阈值为15个节点。将最大化监测漏损事件个数和最大化定位性能指数作为双目标,构建双目标优化模型:
其中,N(x)为给定监测点方案x所能覆盖的漏损节点数量;P(x)为给定监测点方案x的定位性能指数。监测点的数量m=50个。
最后,参照前述步骤S4,对双目标优化模型采用多目标非支配遗传算法NSGA-II进行求解。本发明监测点生成采用整数编码的方式,初始化种群大小为100,染色体长度为50,交叉概率为0.2,求解算法的迭代终止条件为达到最大迭代次数200代。
迭代完成后得到一系列Pareto解集即Pareto前沿,这里为6个解,结果如图3所示。每一个解集对应着50个测压点的优化布局方案。本发明也可以根据具体需要安置的监测点个数来设置监测点数量。图4所示为当选择50个压力监测点进行实验时,得到的Pareto解集中的一个解对应的监测点在管网中的最优分布。
在一个实施例中,图5为本发明实施例提供的面向漏损监测定位的监测点布局系统的结构框图,参照图5,该系统包括:
压力计算模块501,用于输入管网数据进行水力计算,获得管网各节点在基准工况下的压力数据;
漏损模拟模块502,用于根据管网数据对管网各个节点进行漏损模拟,获得得管网各节点在漏损状态下的压力数据;
模型构建模块503,用于基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损探测模型和漏损定位性能指数模型;
监测点分布求解模块504,用于通过所述漏损探测模型和漏损定位性能指数模型,以最大化监测漏损事件个数和最大化定位性能指数作为双目标,构建双目标函数模型,采用多目标非支配遗传算法对所述双目标函数进行求解,获得监测点在管网中的最优分布。
具体的如何利用压力计算模块501、漏损模拟模块502、模型构建模块503和监测点分布求解模块504进行面向漏损监测定位的监测点布局,可以参照上述方法实施例,本发明实施例在此不再赘述。
本发明实施例提出的面向漏损监测定位的监测点布局系统,首先根据管网数据进行正常和漏损两种状态下的仿真模拟,获得管网各节点在基准工况下以及漏损状态下的压力数据,然后分别利用节点影响矩阵和漏损特征矩阵构建了漏损探测模型和漏损定位模型,最后应用多目标非支配遗传算法NSGA-Ⅱ进行双目标优化选择,使得一组监测点布置方案能够最大程度的监测感知漏损事件,结果得到一组Pareto解集,该解集能最大程度的覆盖漏损事件,并在此基础上获得较好定位性能。
在一个实施例中,基于相同的构思,本发明实施例提供了本发明实施例提供了一种电子设备,如图6所示,该电子设备可以包括:处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令,以执行上述各实施例提供的面向漏损监测定位的监测点布局方法的步骤,例如包括:S1,输入管网数据进行水力计算,获得管网各节点在基准工况下的压力数据;S2,根据管网数据对管网各个节点进行漏损模拟,获得得管网各节点在漏损状态下的压力数据;S3,基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损探测模型和漏损定位性能指数模型;S4,通过所述漏损探测模型和漏损定位性能指数模型,以最大化监测漏损事件个数和最大化定位性能指数作为双目标,构建双目标函数模型,采用多目标非支配遗传算法对所述双目标函数进行求解,获得监测点在管网中的最优分布。
在一个实施例中,基于相同的构思,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的面向漏损监测定位的监测点布局方法的步骤,例如包括:S1,输入管网数据进行水力计算,获得管网各节点在基准工况下的压力数据;S2,根据管网数据对管网各个节点进行漏损模拟,获得得管网各节点在漏损状态下的压力数据;S3,基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损探测模型和漏损定位性能指数模型;S4,通过所述漏损探测模型和漏损定位性能指数模型,以最大化监测漏损事件个数和最大化定位性能指数作为双目标,构建双目标函数模型,采用多目标非支配遗传算法对所述双目标函数进行求解,获得监测点在管网中的最优分布。
本发明的各实施方式可以任意进行组合,以实现不同的技术效果。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种面向漏损监测定位的监测点布局方法,其特征在于,包括:
S1,输入管网数据进行水力计算,获得管网各节点在基准工况下的压力数据;
S2,根据管网数据对管网各个节点进行漏损模拟,获得管网各节点在漏损状态下的压力数据;
S3,基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损探测模型和漏损定位性能指数模型;
构建漏损探测模型包括:S30,根据管网各节点在基准工况下以及漏损状态下的压力数据,计算节点影响矩阵,对矩阵依次进行标准化,计算每个节点受漏损影响的程度,将设定的影响度阈值与标准化矩阵元素值进行大小比较,作为监测点监测到漏损的标准;依据影响度阈值遍历矩阵构造节点监测集,进而构建漏损探测模型;
步骤S30具体包括:
S301、根据管网各节点在基准工况下以及漏损状态下的压力数据,计算节点影响矩阵Dn×n:
节点影响矩阵元素表示为:
式中,Dij表示j节点发生漏损时,i节点压力变化值与节点j节点的压力变化值之比;Pi、Pj表示漏损后i、j节点水压;Pi′、Pj′表示基准工况下i、j节点水压,n为需水节点数量;
S302、对矩阵Dn×n进行极值标准化,得到标准化矩阵D′n×n,公式如下:
S303、针对节点压力影响度设定一个影响度阈值r,当D′ij≥r则判定该点对漏损事件反应敏感而能够感知到漏损,以此作为监测点监测到漏损的标准;
S304、通过节点影响矩阵和给定的影响度阈值,获得如下节点监测集:
节点监测集是通过节点影响矩阵根据影响度阈值的约束得到,对于某一个监测节点i考察每个漏损事件对该节点的影响度值,若影响度值超过影响度阈值,则把漏损事件归到节点i的监测集Ni:{j|D′ij≥r],j=1,2,3…n;
S305、为了执行求解给定监测点方案所能感知到管网里的漏损事件,定义了如下二进制决策向量:
x=(x1,…,xn)T
其中,当节点i为监测点时xi=1,否则xi=0;
构建漏损探测模型,任意给定的监测点方案x所能感知到的漏损事件数量定义为:
N(x)=count(∪Ni)
其中Ni为二进制决策向量中元素xi=1所对应节点监测到的漏损事件,表示放置了压力传感器的i节点所能够监测的漏损事件;监测点的数量为m个,N(x)和count(∪Ni)表征了对给定监测点方案覆盖到的漏损事件求并集所得到能监测到的漏损事件个数;
步骤S3中,基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损定位性能指数模型,具体包括:S31,根据管网各节点在基准工况下以及漏损状态下的压力数据,计算漏损特征矩阵,其中,漏损特征矩阵的每一列对应一个特定漏损节点所产生的特征;依据余弦相似度计算每两个不同漏损节点的漏损特征相关性,进而构建漏损定位性能指数模型;
步骤S31具体包括:
S311、根据管网各节点在基准工况下以及漏损状态下的压力数据,计算漏损特征矩阵S:
考虑在管网有n个需水节点且M个需水节点为候选监测点M≤n,漏损特征矩阵元素表示为:
其中,Pij、p′i分别表示j节点漏损后i节点水压和正常工况下i节点的水压,fj表示为j节点的漏损流量,对于每一个漏损场景有对应的漏损特征向量:
漏损特征矩阵的每一列对应一个漏损特征/场景,通过调用EPANET对各个节点进行模拟计算得到;
S312、考虑在线的漏损定位基于投影的方式,依赖于漏损特征向量之间的相似性,通过获取实际监测点的在线测量压力和水力模型的压力估值,得到漏损残差向量:
r=[r1,r2…rM]
其中,ri=p′i-pi,i=1,2…M,ri是在线测量压力pi与其相应估计值p′i之间的差值,p′i通过使用相应的网络水力模型进行无漏损模拟获得,网络内每个节点都有一个压力残差值;漏损定位基于漏损残差向量和漏损特征向量的内积,针对任意节点j的漏损给出相似函数:
通过优化放置压力传感器,将漏损特征高相似的节点也就是可疑的漏损节点控制在给定的范围之内;
定义所述二进制决策向量的对角阵:
X(x)=diag(x1,…,xn)
当节点i为监测点时xi=1,否则xi=0,故使用给定监测点方案获得的漏损特征向量表示为:
式中,si是当M=n时获得的漏损特征矩阵的第i列;
式中,li∈(1,n)表示给定监测点方案通过所述漏损探测模型能够监测到的漏损节点,K代表给定监测点方案监测到的漏损事件数量,对应两个不同漏损特征向量,是向量的模,表示的是节点li和节点j发生漏损的特征相似程度;
S314、构建漏损定位性能指数模型:
对给定监测点方案所感知检测到的漏损点,求解节点漏损特征相似集:
定义:
对于给定监测点方案x,漏损定位性能指数模型为:
其中,P(x)为给定监测点方案x的定位性能指数;
S4,通过所述漏损探测模型和漏损定位性能指数模型,以最大化监测漏损事件个数和最大化定位性能指数作为双目标,构建双目标函数模型,采用多目标非支配遗传算法对所述双目标函数进行求解,获得监测点在管网中的最优分布。
4.根据权利要求1所述的面向漏损监测定位的监测点布局方法,其特征在于,步骤S4中,采用多目标非支配遗传算法对所述双目标函数进行求解,具体包括:
S41、初始化种群:基于双目标函数模型,采用整数编码方式,将可选的监测点对应于一系列整数;染色体长度为所选监测点数量m,设置初始化的种群大小为N,个体间交叉概率为pc,变异概率为pm,算法迭代的终止条件为达到最大迭代次数;
S42、遗传操作:计算个体适应度,使用二元锦标赛的方式挑选优秀个体;根据交叉概率pc进行交叉操作,若生成的随机数r≥pc则交叉,否则不交叉;检查交叉之后子代染色体是否含有重复基因,若存在重复则保留父代个体不变;根据变异概率pm进行变异操作,且保证个体基因不重复;父代由上述遗传操作生成子代;
S43、混合父代和子代为规模2N的种群,计算非支配解,并选取前一半优秀个体进行下一次迭代优化,在多目标遗传算法中遗传操作会选择适应度函数值高的个体作为父代进行下一代优化;算法达到最大迭代次数之后得到一组Pareto解集,Pareto解集表示安置给定数量的监测点对应的最优监测点分布。
5.一种面向漏损监测定位的监测点布局系统,所述面向漏损监测定位的监测点布局系统用于实现如权利要求1至4任一所述的面向漏损监测定位的监测点布局方法,其特征在于,包括:
压力计算模块,用于根据管网数据进行水力计算,获得管网各节点在基准工况下的压力数据;
漏损模拟模块,用于输入管网数据对管网各个节点进行漏损模拟,获得管网各节点在漏损状态下的压力数据;
模型构建模块,用于基于管网各节点在基准工况下以及漏损状态下的压力数据,构建漏损探测模型和漏损定位性能指数模型;
构建漏损探测模型包括:根据管网各节点在基准工况下以及漏损状态下的压力数据,计算节点影响矩阵,对矩阵依次进行标准化,计算每个节点受漏损影响的程度,将设定的影响度阈值与标准化矩阵元素值进行大小比较,作为监测点监测到漏损的标准;依据影响度阈值遍历矩阵构造节点监测集,进而构建漏损探测模型;
监测点分布求解模块,用于通过所述漏损探测模型和漏损定位性能指数模型,以最大化监测漏损事件个数和最大化定位性能指数作为双目标,构建双目标函数模型,采用多目标非支配遗传算法对所述双目标函数进行求解,获得监测点在管网中的最优分布。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述面向漏损监测定位的监测点布局方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011273665.1A CN112460495B (zh) | 2020-11-14 | 2020-11-14 | 面向漏损监测定位的监测点布局方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011273665.1A CN112460495B (zh) | 2020-11-14 | 2020-11-14 | 面向漏损监测定位的监测点布局方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112460495A CN112460495A (zh) | 2021-03-09 |
CN112460495B true CN112460495B (zh) | 2022-09-27 |
Family
ID=74837023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011273665.1A Active CN112460495B (zh) | 2020-11-14 | 2020-11-14 | 面向漏损监测定位的监测点布局方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112460495B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177283B (zh) * | 2021-04-28 | 2023-05-23 | 中国能源建设集团广东省电力设计研究院有限公司 | 仪表测点安装智能化设计方法、系统、设备和存储介质 |
CN113268930A (zh) * | 2021-06-10 | 2021-08-17 | 秦贤海 | 一种消防水压监测器优化布置方法 |
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 |
CN113378340B (zh) * | 2021-07-02 | 2022-12-20 | 厦门水务集团有限公司 | 基于事件侦测的测压点优化布置方法及存储介质 |
CN113883422B (zh) * | 2021-09-10 | 2023-06-02 | 江苏禹治流域管理技术研究院有限公司 | 一种城市供水管网漏损在线监测系统 |
CN114562684B (zh) * | 2022-02-16 | 2023-08-22 | 上海天麦能源科技有限公司 | 一种燃气管网关键监测节点选择方法和系统 |
CN115095798B (zh) * | 2022-06-08 | 2023-10-31 | 盐城旭东机械有限公司 | 一种高压直管高压防脱及高压预警方法及系统 |
CN116579272B (zh) * | 2023-07-13 | 2023-09-08 | 天津市津安热电有限公司 | 一种基于稳态水力平差计算的管网渗漏定位方法和系统 |
CN117072891B (zh) * | 2023-10-13 | 2024-01-12 | 中国石油大学(华东) | 一种无异常样本下的输氢管网实时智能泄漏监测定位方法 |
CN117852421A (zh) * | 2024-03-08 | 2024-04-09 | 福州福泽智能科技有限公司 | 基于管网水力计算与遗传算法的管段漏损定位方法及系统 |
CN117927880B (zh) * | 2024-03-22 | 2024-05-24 | 南京南大智慧城市规划设计股份有限公司 | 一种管网漏水诊断的智能检测定位方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107869653B (zh) * | 2017-12-14 | 2019-12-06 | 北京化工大学 | 一种管道流量敏感性矩阵漏损检测方法 |
GB2560790B (en) * | 2017-12-20 | 2019-05-15 | Intellitect Water Ltd | A water network monitor, monitoring system and method |
CN108647470B (zh) * | 2018-05-29 | 2022-05-31 | 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 |
CN109555979B (zh) * | 2018-12-10 | 2020-03-17 | 清华大学 | 一种供水管网漏损监测方法 |
CN110108328B (zh) * | 2019-04-03 | 2021-03-26 | 同济大学 | 一种供水管网漏损区域漏水量的获取方法 |
CN110119853B (zh) * | 2019-05-29 | 2020-12-25 | 浙江大学 | 基于时间序列监测数据分析的供水管网漏损报警阈值选取方法 |
CN111119282B (zh) * | 2019-11-26 | 2020-09-25 | 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 |
CN111022937B (zh) * | 2019-12-11 | 2021-03-23 | 浙江嘉科信息科技有限公司 | 一种输水管网管漏损定位系统及定位方法 |
CN111520615B (zh) * | 2020-04-28 | 2021-03-16 | 清华大学 | 基于线谱对和三次插值搜索的管网漏损识别与定位方法 |
CN111853555B (zh) * | 2020-07-07 | 2022-03-25 | 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 |
-
2020
- 2020-11-14 CN CN202011273665.1A patent/CN112460495B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112460495A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112460495B (zh) | 面向漏损监测定位的监测点布局方法及系统 | |
CN108833416B (zh) | 一种scada系统信息安全风险评估方法及系统 | |
CN107786369A (zh) | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 | |
Vettori et al. | Bayesian modeling of air pollution extremes using nested multivariate max‐stable processes | |
CN112101811A (zh) | 一种供水管网爆管风险预测方法及系统 | |
CN112884199B (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
Tomar et al. | Active learning method for risk assessment of distributed infrastructure systems | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
Shirajuddin et al. | Optimization problems in water distribution systems using Non-dominated Sorting Genetic Algorithm II: An overview | |
CN109034490A (zh) | 一种电力负荷预测方法、装置、设备及存储介质 | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
CN115580446A (zh) | 一种基于去中心化联邦学习的非侵入式负荷检测方法 | |
CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
CN113988676B (zh) | 一种水处理设备的安全管理方法及系统 | |
Vaidogas et al. | Protecting built property against fire disasters: Multi‐attribute decision making with respect to fire risk | |
CN109242142B (zh) | 一种面向基础设施网的时空预测模型参数优化方法 | |
Chauvel et al. | Parametric bootstrap goodness-of-fit tests for imperfect maintenance models | |
Okeya et al. | Locating pipe bursts in a district metered area via online hydraulic modelling | |
Lin et al. | An explainable probabilistic model for health monitoring of concrete dam via optimized sparse bayesian learning and sensitivity analysis | |
Momeni et al. | Stochastic model-based leakage prediction in water mains considering pipe condition uncertainties | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
Preis et al. | Multi-objective optimization for conjunctive placement of hydraulic and water quality sensors in water distribution systems | |
Wu et al. | Stochastic modeling of artificial neural networks for real-time hydrological forecasts based on uncertainties in transfer functions and ANN weights | |
CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
CN116702010A (zh) | 配电网异常事件辨识方法、装置、设备及介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Monitoring Point Layout Method and System for Leakage Monitoring and Location Effective date of registration: 20230613 Granted publication date: 20220927 Pledgee: Wuhan area branch of Hubei pilot free trade zone of Bank of China Ltd. Pledgor: WUHAN ZHONGZHI HONGTU TECHNOLOGY CO.,LTD. Registration number: Y2023420000231 |