CN114444663A - 一种基于时间卷积网络的供水管网泄漏检测与定位方法 - Google Patents

Abstract

本发明公开了一种基于时间卷积网络的供水管网泄漏检测与定位方法，包括如下步骤：步骤一、构建供水管网泄漏检测网络模型；其中，所述供水管网泄漏检测网络模型包括卷积模块，时间卷积模块、泄漏检测模块和泄漏定位模块；所述时间卷积模块中包括多个残差块，所述残差块中设置有通道注意力结构；步骤二、对所述供水管网泄漏检测网络模型进行训练得到优化供水管网泄漏检测网络；步骤三、通过压力传感器采集供水管网中多个节点的压力数据，并将所述压力数据输入所述优化供水管网泄漏检测网络；通过所述检测泄漏模块得到泄漏管道，以及通过所述泄漏定位模块得到所述泄漏管道的泄漏位置。

Description

一种基于时间卷积网络的供水管网泄漏检测与定位方法

技术领域

本发明属于供水管网泄漏检测技术领域，特别涉及一种基于时间卷积网络的供水管网泄漏检测与定位方法。

背景技术

随着城市管道的日益老化，供水系统的泄漏情况已经非常严重。在造成大量水资源浪费的同时，也给人类的生存带来了挑战。据统计，仅中国在2017年就造成了1亿立方米的饮用水损失；整个亚洲地区每年损失近10亿立方米的饮用水(价值超过90亿美元)。在饮用水如此稀缺的时代，有效、准确地确定供水管网泄漏点的位置对于抢修工作至关重要，也更有利于水资源的合理利用。

在泄漏检测的早期阶段，数学模型是最常用的方法。随着数据采集的多样化，压力和流量数据被广泛用于管道泄漏检测和定位。例如，Mounce等人使用基于三角形的三次插值在爆破过程中创建压降面来估计泄漏的位置。在2013年，Farley等人根据不同压力或流量测量值对爆裂流出的敏感性，推断区域内的裂的位置。Romano等人利用基于多元高斯混合和地质统计学技术的图形模型，使用大量压力表数据来确定该地区的潜在爆炸位置。但由于供水管网规模不断扩大，原有的方法已不再适用，且限制多、成本高。另外，上述方法只能用于小泄漏，定位精度在大泄漏面前难以达标。考虑到各种不确定性，Perez等人通过将阈值与压力残差进行比较并将其与泄漏灵敏度矩阵相结合来确定泄漏的位置。阈值是判断是否存在泄漏的标准，所以阈值的大小将直接影响到泄漏的检测。在Jensen等人的工作中，对残余压力进行了敏感性分析，以隔离可能的泄漏位置。所提出的方法对灵敏度要求非常高，数据采集的质量决定了检漏的成败。当管道泄漏时，泄漏会在压力信号中产生二次叠加驻波的共振效应。Coves等人，利用这种现象并提出了一种驻波差分法来估计泄漏的大致位置。Colombo等人通过分析瞬态波的特性，提出了一种基于瞬态的大泄漏定位方法。但是，由于噪声的影响，泄漏时的信号会被采集而不泄漏，从而导致误报。

Kim等人提出了一种使用区间估计来检测和定位供水网络中的泄漏的方法，通过对压力数据进行一些数学计算并使用统计技术来定位泄漏附近。随着在线监测设备的发展，数据驱动的方法越来越多地应用于泄漏定位领域。Soldevila等人，提出了一种基于模型和数据驱动的供水网络泄漏定位混合方法，以避免使用基于模型的泄漏检测方法的复杂性。利用水力模型生成不同的数据(包括泄漏数据)，并将这些数据输入到k近邻分类器中进行分类。为了优化k近邻分类器的缺点，Soldevila等人提出了一种贝叶斯分类器，用于供水网络中的泄漏定位。但是这两种方法都过于依赖假设，这些假设在现实条件下可能并不适用。后来，Soldevila等人提出了一种完全数据驱动的方法，通过分析供水管网和无泄漏泄漏管网之间的残余压力来确定泄漏位置。

优化算法的成熟，使得研究人员逐渐将这些方法应用于供水管网泄漏的检测和定位，并取得了一定的成果。Morais等人提出了一种群决策模型来检测供水网络中的泄漏。Wu等人将泄漏检测问题等同于非线性优化问题，并使用遗传算法对其进行求解。基于贝叶斯系统的优点，Qi等人提出了一种结合遗传算法和贝叶斯分类系统的优化方法来检测泄漏。

人工神经网络(ANN)和支持向量机(SVM)等算法的兴起使机器学习算法成为解决供水网络泄漏检测和定位的有效方法。Zhang等人建议使用多种类型的SVM来检测供水网络中的泄漏。首先使用k-means聚类算法将供水管网划分为若干区域，通过水力模型生成泄漏数据作为训练样本，然后通过支持向量机进行分类，识别可能的泄漏区域，缺点是聚类直接影响后续检漏的好坏。图算法的发展使其应用于泄漏定位。Rajeswaran等人提出了一种可以定位泄漏的配水管网泄漏检测的图划分算法。图划分算法用于将水网络划分为更小的网络，流量平衡定律用于测量和比较每个子网的流量以检测泄漏。但是，由于噪声的存在，方程无法达到预期值。Kang等人提出了一种集成的卷积神经网络支持向量机(CNN-SVM)和一种基于图的定位方法，用于配水系统中的泄漏检测。他们的目的是利用CNN提取数据特征，然后利用SVM进行分类，利用图算法搜索泄漏位置最近的节点，达到定位的目的。Tao等人提出使用人工免疫网络通过使用多层神经网络进行泄漏检测和位置确定。采用这种方法的前提是需要大量的数据和良好的水力模型，否则对定位精度影响较大。Wachla等人使用人工模糊神经系统来查找配水网络中的泄漏位置。他们的方法的想法是基于将供水网络划分为预定区域以确定泄漏的大致位置。Mounce等人提出了一种使用人工神经网络在线检测供水网络中的紧急情况的系统。但由于外部事件的干扰，在一定程度上会出现误报，给检测带来困难。

然而，传统的人工神经网络(ANN)、聚类和SVM等机器学习不能灵活的设计特征提取器，使得学习复杂特征变得困难，导致不能及时且准确的检测和定位泄漏。因此需要一种能快速并且可以学习泄漏数据之间复杂特征的方法，及时的检测并定位泄漏，以及时通知维修人员修复泄漏，减少水资源的浪费。

卷积神经网络(CNN)在计算机视觉领域取得了重要成果，如视频分割、语义分割和目标检测。CNN使用卷积层检测前一层特征的局部连接，使用池化层提取相似特征，效果非常好。然而，供水网络压力信号的全局特征(如幅度和时间变化)可能更重要。因此，为了捕捉数据的长期特征，引入了一个新的CNN类，即Colin Lea等人提出的时间卷积网络。与普通CNN相比，时间卷积网络使用扩展卷积跨时间步长提取特征，具有更大的感受野。在提取压力传感器数据的特征时，它比正常卷积神经网络(CNN)具有更高的全局性，且其具有的残差结构，可以使网络更深，获得更好的效果。

发明内容

本发明的目的是克服现有技术的缺陷，提供了一种基于时间卷积网络的供水管网泄漏检测与定位方法，其能够提高供水管网泄漏检测预定位的精度。

本发明提供的技术方案为：

一种基于时间卷积网络的供水管网泄漏检测与定位方法，包括如下步骤：

步骤一、构建供水管网泄漏检测网络模型；

其中，所述供水管网泄漏检测网络模型包括卷积块，时间卷积模块、泄漏检测模块和泄漏定位模块；

所述时间卷积模块中包括多个残差块，所述残差块中设置有通道注意力结构；

步骤二、对所述供水管网泄漏检测网络模型进行训练得到优化供水管网泄漏检测网络；

步骤三、通过压力传感器采集供水管网中多个节点的压力数据，并将所述压力数据输入所述优化供水管网泄漏检测网络；

通过所述检测泄漏模块得到泄漏管道，以及通过所述泄漏定位模块得到所述泄漏管道的泄漏位置。

优选的是，在所述步骤一之前，还包括对压力传感器的位置进行优化布置；其中，所述优化布置的方法为：

对供水管网节点坐标进行空间聚类，将供水管网区域划分为多个不同的簇，并求出每个簇中的中心节点；以所述中心节点为簇对应的区域的传感器布置节点。

优选的是，在所述步骤二之前，还包括采用水力模型生成训练数据集；其中，所述水力模型中使用的泄漏关系模型为：

q＝Cp^γ；

式中，q表示节点流量，C表示扩散器系数，p表示节点压力，γ表示扩散器指数。

优选的是，所述水力模型采用EPANET3.0模型。

优选的是，所述泄漏检测模块包括：第一FC层和第二FC层；

所述第一FC层包括多个线性激活的节点；所述第二FC层包括多个ReLU激活的节点，每个所述ReLU激活的节点对应一个待检测的管道。

优选的是，所述泄漏定位模块包括：第三FC层和第四FC层；

所述第三FC层包括多个线性激活的节点；所述第四FC层包括多组Sigmoid激活的节点；

其中，每组所述Sigmoid激活的节点包括两个节点，分别对应泄漏的管道和该泄漏管道的泄漏位置。

本发明的有益效果是：

本发明提供的基于时间卷积网络的供水管网泄漏检测与定位方法，利用时间卷积网络强大的并行处理能力来处理传感器采集的压力数据，并通过扩张卷积来扩大感受野能力，可以很好的提取并压力数据的特征，以进一步检测并定位泄漏；通过引入通道注意力机制进一步提高所提出的网络框架的性能。

本发明提供的基于时间卷积网络的供水管网泄漏检测与定位方法能够以大于94％的精度定位到泄漏发生所在的管道，并以小于5％的相对误差定位到管道的泄漏发生点附近。

附图说明

图1为本发明所述的基于时间卷积网络的供水管网泄漏检测与定位方法的流程图。

图2为本发明所述的网络框架的结构示意图。

图3为本发明所述的TCN模块的示意图。

图4为本发明所述的残差块结构的示意图。

图5为本发明所述的注意力机制模块的示意图。

图6为本发明实施例1中的NET9网络结构示意图。

图7为本发明所述的散点图。

图8为本发明实施例2中的NET3网络结构示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供了一种基于时间卷积网络的供水管网泄漏检测与定位方法。本发明提供的网络框架以供水管网水力模型为基础，通过提取管网中不同位置发生泄漏时的传感器压力数据的特征来进行泄漏事件的检测与定位。这是因为：当供水管网中不同管道上的不同位置(即管网中的任何位置)发生泄漏时，各节点的压力数据变化不一致(即不同点发生泄漏时的压力数据特征不同)。因此，通过提取并学习管网发生泄漏时的数据特征，可以预测发生泄漏的管道，并定位泄漏点的位置。

如图1所示，本发明提供的基于时间卷积网络的供水管网泄漏检测与定位方法，具体实施过程如下：

一、传感器优化布置

在实际供水管网中由于经济等各方面的因素，不可能在每个管网节点都布置传感器来检测整个管网的运行情况，因此需要一种既能节约成本又能够保证检测精度的传感器布置方法。

在本实施例中，采用聚类算法选择最佳的传感器布置节点，在数量有限的传感器条件下，使检测覆盖率最大化。

对供水管网节点坐标进行空间聚类，将供水管网整个区域划分为K个不同的簇(本实施例中K＝4)，并求出每个簇中的中心节点，该中心节点则被选为该簇区域中的传感器布置节点。具体步骤如下：

(1)从n个节点样本对象任意选择k个节点对象作为初始聚类中心；

(2)根据在步骤(1)中设置的k个聚类中心，计算每个对象与这k个中心的距离；

(3)经过步骤(2)的计算，计算所有对象与这个k个中心的距离，接着把所有对象与离它最近的中心归在一个类簇中；

(4)重新计算每个类簇的中心对象的位置；

(5)重复步骤(3)和(4)，直到类簇聚类方案中的对象归类几乎不发生变化为止。

二、构建基于时间卷积网络的供水管网泄漏检测与定位的网络模型

如图2所示，整个网络框架由卷积模块、TCN块(时间卷积模块)和FC块组成。

该框架的第一个模块是卷积摸块，目的是学习多通道信号的特征。CNN层具有多个滤波器，沿信号时间轴作用，并采用ReLU激活函数，可以学习关于泄漏的相关特征。最后，对输出进行标准化，并使用最大池化方法降低维度，从而保持序列的长度不变。

卷积模块后面是TCN模块，如图3所示。TCN模块通过使用扩张卷积来增大感受野能力，进而增加对序列底层结构的认知，使得大范围的输入可以更好的被处理，即在更全面的输入区域上扩展内核，并且将扩展的内核应用在更全面的输入区域上。扩张卷积与普通的卷积相比，除了卷积核的大小以外，还有一个扩张率参数，主要用来表示扩张的大小。扩张卷积与普通卷积的相同点在于，卷积核的大小是一样的，在神经网络中即参数数量不变，区别在于扩张卷积具有更大的感受野。当扩张率＝1时，扩张卷积就是普通卷积。扩展卷积在保持参数个数不变的情况下增大了卷积核的感受野，同时它可以保证输出的特征映射的大小保持不变，让每个卷积输出都包含较大范围的信息。

并且由于残差结构的存在，在传播过程中，不会受到不稳定梯度的影响。即使使用了扩张卷积，有时模型可能仍然很深，较深的网络结构可能会引起梯度消失等问题，为了应对这种情况，TCN采用了一种残差块结构，如图4所示，残差块结构包括：扩张卷积、归一化层、激活函数和注意力机制；数据进来后分两路，左路：扩张卷积→归一化层→ReLU激活函数→扩张卷积→归一化层→ReLU激活函数→注意力机制，右路：1X1卷积层；最后左路和右路相加，得到输出结果。

这样的残差块结构更加的具有泛化能力。为了更好的提取泄漏特征，在每个残差块中加入通道注意力机制，来进一步提高模型的精准度。该注意力机制使用网络去计算一个权重，并通过把这个权重与特征图进行运算，使得这个特征图进行改变，得到加强注意力后的特征图。通过对特征进行校正，校正后的特征可保留有价值的特征，剔除没价值的特征，从而提高特征提取效率。

如图5所示，展示了注意力机制的结构。在图4进行到Attention步骤之前，通过前面的一系列操作得到了一个W*H*C的特征图，然后进行Attention操作。首先进行压缩操作，具体来说他就是对应一个全局平均池化的操作。首先将一个c通道(W*H*C的特征图)，压成c通道(1x1xC特征图)。于是这个得到的结果是能表示全局信息的，这个操作是为了让将全局空间信息压缩到通道描述符中。将压缩后的C维向量进行激励操作，即进行两次全连接操作。通过第一次全连接操作，得到C/r维的向量，然后进行Reulu激活；再进行第二次全连接操作，将C/r维的向量变回C维向量，最后进行sigmoid激活，便是得到了1x1xC的权重矩阵。最后进行scale操作，即将权重矩阵与原始特征图相乘，便得到输出结果，大小为W*H*C。

TCN模块后连接两个并行的全连接层分支Classification和Location，如图2所示，分别用于泄漏检测和泄漏定位。两个FC分支的第一个FC层包含每个具有线性激活的节点。Classification分支中的最后一个FC层由N个具有ReLU激活的节点组成，每个节点对应于要检测的N个泄漏管道ID类之一。ReLU激活函数可以使多个类同时处于活动状态。Location分支中的最后一个FC层由2N个具有Sigmoid激活的节点组成，其中每个泄漏事件由2个点表示，分别对应于管IDx和泄漏点位置在该管道的距离百分比y。

三、训练数据生成

在本实施例中，利用水力模型EPANET3.0生成训练模型的训练数据。每个位置都会生成大小不一的数据，并且泄漏点会覆盖整个供水管网。

EPANET3.0中使用的泄漏模型关系如下：

q＝Cp^γ

式中，q表示节点流量，C表示扩散器系数，p表示节点压力，γ表示扩散器指数。通过EPANET水力模型中的扩散器与相关节点连接，可以模拟与连接节点相连的管道的泄漏。

为了更好的训练提出的网络模型，即为了更好的解决泄漏定位问题，我们需要模拟供水管网系统中任何一个位置发生泄漏时的数据。首先，泄漏点会发生在供水管网中的每根管道；其次，利用随机函数随机生成泄漏发生位置在所在管道位置的百分比；然后，通过随机函数生成不同大小的泄漏。在这里，泄漏大小由泄漏面积决定；最后，利用布置好的传感器采集一个泄漏周期的泄漏数据。本发明的实施例中采集到的数据是泄漏发生前后的压力差数据。

在实施例1中，我们模拟包括泄漏发生在内的24h的压力差数据。其中，水力时间步长为5min(即管网的水力计算时间间隔为5min)；模式时间步长为15min；report_timestep为5min(即报告计算结果的时间间隔为5min)。泄漏发生在模拟的第一个小时，并持续到数据采集完成。在实施例2中，我们模拟包括泄漏发生在内的48h的压力差数据。其中，水力时间步长15min；模式时间步长为15min；report_timestep为10min。泄漏发生在模拟的第三个小时，并持续到数据采集完成。在实施例2中，压力传感器布置在优化后的传感器布置节点(节点109、119、184和229)。

四、数据处理

将训练集的数据进行加标签等预处理。

五、训练

将处理好的数据送入搭建好的网络框架中，训练模型，得到优化的基于时间卷积网络的供水管网泄漏检测与定位的网络模型。

六、对网络模型的精度进行验证

采集新的泄漏数据，并进行数据预处理后，输入优化的基于时间卷积网络的供水管网泄漏检测与定位的网络模型，输出泄漏点的管道ID以及在该管道上的位置。

为了验证所提出的泄漏检测和定位网络框架的可靠性和有效性，我们将在接下来的验证中采用两个大小不同的供水网络模型进行验证。首先提出评价网络框架性能的评价指标，然后利用提出的评价指标对网络框架的参数进行优化设置，最后通过供水网络模型对提出的网络框架进行验证。

(1)评价指标：

Accuracy、Adjusted R-Square(R^2_adj)和error是评估模型分类和回归性能的指标。准确度表示模型将泄漏点分类到其所在管道的正确概率。概率越大，分类性能越好。

R^2_adj是评价模型回归性能的指标，表示模型回归的拟合程度。R^2_adj越接近1，模型拟合越好，预测泄漏位置的能力越突出。

其中，n为样本数，p为特征数，R^2为决定系数，如式3所示：

error：误差百分比，表示预测泄漏点与实际泄漏点的误差比。

(2)参数设置

为了进一步优化泄漏检测定位系统的框架，采用灵敏度分析方法对其在不同网络条件下的性能进行分析。通过每次改变一个参数，其他参数设置为默认分析，得到最优参数，如表1所示。

表1参数设置

其中，Dropout可以减少神经元之间复杂的共适应关系，平均不同的神经网络可以防止过度拟合；ResBlock是TCN中残差块的数量；Layer是具有的残差块的数量和每层中特征通道的数量。

(3)实验结果

在本发明中，通过两种供水网络模型的实验结果进行评估。我们首先将所提出的网络模型应用于较小的网络以验证本发明所提出方法的有效性，然后将网络模型应用于较大的供水网络以测试模型的性能即定位效果。

实施例1

利用Net9网络验证网络模型的定位能力。Net9网络是一个环形供水网络，如图6所示，由19个节点、40条管道、3个水库和1个泵组成。管道长度从100m到12000m不等，节点需水量在200L/s到1000L/s之间。为了验证所提出方法的有效性，我们假设管网中每条管道的每个位置都发生泄漏。其中，每条管道随机进行500次模拟，作为训练数据。传感器优化布置在节点30、120、150和170。模型训练完成后，每条管道随机生成200个测试数据，通过训练后的模型进行泄漏检测和定位。测试结果如表2所示。

表2

表2显示了本发明提出的网络模型与其他两种模型的对比结果。从上表可以看出，本发明的方法在分类效果和再回归性能方面优于其他两种方法。当供水管网某条管道突然发生泄漏时，本发明提出的框架首先可以对泄漏点所在的管道进行准确分类，然后在对具体管道进行分类后，再利用回归方法识别泄漏点，预测管道上的位置。

混淆矩阵是批评模型分类性能的一种非常直观的表达方式，因此本实施例中使用混淆矩阵来验证我们提出的网络模型的有效性。总体上，模型的分类效果很好，总体精准度达到0.96327，但在实验过程中有几个点的精度不是很高。通过对管网的分析可知，原因是泄漏发生的管道与传感器距离较远，导致泄漏检测精度不高。

散点图可以直观的展示模型的回归性能。如图7所示，散点图中虽然有些预测点与实际点有较大差异，但从整体趋势来看，本发明提出的方法可以定位泄漏点的具体位置，或者泄漏点附近。

实施例2

利用NET3网络验证网络模型的定位能力。

如图8所示，NET3网络包括925个节点、117个管道、2个水库、3个水池和2个泵。管道长度从30m到45500m不等，管道直径从0.08m到0.99m不等，每个节点的需水量为0-231.4L/s。管网共需要4个传感器，本实施例中，采用本发明中提供的传感器优化布置方法，确定传感器优化位置为节点109、119、184、229，如图8所示。同样，我们假设管网中每条管道的每个位置都存在泄漏。其中，每条管道随机进行3000次模拟，作为训练数据。

表3

使用上述默认参数生成训练数据。模型训练完成后，为了验证模型在管网泄漏检测和定位方面的有效性，在NET3管网随机选择的5条管道的不同位置随机生成新的泄漏数据，泄漏点所在的管道如图8所示。处理完数据后，使用训练好的模型进行检测。分类结果如表3所示，定位结果及误差如表4所示。

表4定位误差

从表中可以看出，当发生泄漏时，本发明提出的网络框架可以准确分类出哪条管道发生泄漏，在确定具体哪条管道后，利用网络中的回归算法确定泄漏位置。从表中的预测结果可以看出，本发明可以在5％的误差范围内预测泄漏的位置。尤其是当泄漏发生在靠近传感器的位置时，泄漏点的定位精度非常高。这说明本发明提供的方法具有较好的准确性。

本发明采用的网络框架基于时间卷积网络，TCN凭借扩张卷积来增大对数据作用时的感受野，在面对大范围的输入时可以很好的被处理，并且可以将扩展的内核应用到更全面的区域。然而，虽然扩张卷积可以扩大感受野，但是当面临多元长时间序列时仍然受到限制，无法保证提取出的特征全部有效。因此本发明通过引入通道注意力机制来解决这一问题，通道注意力机制可以允许模型聚焦关注输入序列中所需要的部分。引入了注意力机制后的模型，可以将输入序列中相关部分的作用进行放大，以实现比没有注意力机制的模型更好的效果。最后通过分类器进行分类，并通过回归来确定泄漏点的位置。

本发明在不同大小的供水管网模型上对提出的网络框架进行了验证。结果表明，本发明提供的检测和定位方法能够以大于94％的精度定位到泄漏发生所在的管道，并以小于5％的相对误差定位到管道的泄漏发生点附近。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (6)

1.一种基于时间卷积网络的供水管网泄漏检测与定位方法，其特征在于，包括如下步骤：

步骤一、构建供水管网泄漏检测网络模型；

其中，所述供水管网泄漏检测网络模型包括卷积模块，时间卷积模块、泄漏检测模块和泄漏定位模块；

所述时间卷积模块中包括多个残差块，所述残差块中设置有通道注意力结构；

步骤二、对所述供水管网泄漏检测网络模型进行训练得到优化供水管网泄漏检测网络；

步骤三、通过压力传感器采集供水管网中多个节点的压力数据，并将所述压力数据输入所述优化供水管网泄漏检测网络；

通过所述检测泄漏模块得到泄漏管道，以及通过所述泄漏定位模块得到所述泄漏管道的泄漏位置。

2.根据权利要求1所述的基于时间卷积网络的供水管网泄漏检测与定位方法，其特征在于，在所述步骤一之前，还包括对压力传感器的位置进行优化布置；

其中，所述优化布置的方法为：

对供水管网节点坐标进行空间聚类，将供水管网区域划分为多个不同的簇，并求出每个簇中的中心节点；以所述中心节点为簇对应的区域的传感器布置节点。

3.根据权利要求2所述的基于时间卷积网络的供水管网泄漏检测与定位方法，其特征在于，在所述步骤二之前，还包括采用水力模型生成训练数据集；

其中，所述水力模型中使用的泄漏关系模型为：

q＝Cp^γ；

式中，q表示节点流量，C表示扩散器系数，p表示节点压力，γ表示扩散器指数。

4.根据权利要求3所述的基于时间卷积网络的供水管网泄漏检测与定位方法，其特征在于，所述水力模型采用EPANET3.0模型。

5.根据权利要求3或4所述的基于时间卷积网络的供水管网泄漏检测与定位方法，其特征在于，所述泄漏检测模块包括：第一FC层和第二FC层；

所述第一FC层包括多个线性激活的节点；所述第二FC层包括多个ReLU激活的节点，每个所述ReLU激活的节点对应一个待检测的管道。

6.根据权利要求5所述的基于时间卷积网络的供水管网泄漏检测与定位方法，其特征在于，所述泄漏定位模块包括：第三FC层和第四FC层；

所述第三FC层包括多个线性激活的节点；所述第四FC层包括多组Sigmoid激活的节点；

其中，每组所述Sigmoid激活的节点包括两个节点，分别对应泄漏的管道和该泄漏管道的泄漏位置。

Images