CN115654381A

CN115654381A - 一种基于图神经网络的供水管道漏损检测方法

Info

Publication number: CN115654381A
Application number: CN202211300518.8A
Authority: CN
Inventors: 杨勤丽; 孙文平; 邵俊明
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2022-10-24
Filing date: 2022-10-24
Publication date: 2023-01-31

Abstract

本发明公开了一种基于图神经网络的供水管道漏损检测方法。首先收集供水管网关键节点流量及与其密切相关的影响因子的时序数据集，然后基于管网拓扑结构建立节点属性网络，并进行模型训练和验证，最后根据流量预测值与实测值之间的差异，判别供水管道有无漏损。该漏损检测模型不仅可以对当前节点的未来流量进行预测，还可以根据在子图上探索得到的流量与管道特征的隐藏模式，泛化到全图上，对其它节点进行流量预测。且该方法属于数据驱动方法，不依赖于管道内部水力物理机制，模型适用范围广。

Description

一种基于图神经网络的供水管道漏损检测方法

技术领域

本发明属于市政工程领域，更为具体地讲，涉及一种基于图神经网络的供水管道漏损检测方法。

背景技术

供水系统是现代城市基础设施中不可或缺的部分。近年我国城市化进程加快，供水管网常常超负荷运转，导致漏损事故频发、城市水资源短缺加剧。2015年国务院颁发的“水十条”指出：对使用超过50年和材质落后的供水管网进行更新改造，到2017年全国公共供水管网漏损率控制在12％以内；到2020年控制在10％以内。而实际上，中国城镇水务行业发展报告(2019)数据显示，我国主要城市平均供水管网漏损率高达13％，部分城市更是高达20％以上，而县城和乡镇的更为惊人。统计显示，2019年全国城市、县城公共供水管网漏水量近百亿吨，这相当于700个西湖的蓄水量。因此，如何在复杂的城市供水管网中检测并定位漏损具有重要研究意义和应用价值。

传统的供水管道漏损检测方法可分为基于硬件和基于软件两大类。基于硬件的方法主要包括声学方法(如听漏棒、噪声记录仪)、探地雷达法、智能球法、分布式光纤传感技术、红外热成像法等。这些方法各有优劣，具体而言，声学方法受漏点传播介质影响，对于管道介质的材料有一定的要求；探地雷达和红外热成像则是通过漏点周围土壤信息反馈，该类方法对管道材料没有特定要求，但是当土壤水饱和度增加时，其温度及导电性不同；智能球是随介质运动的方法，虽然探测精度高且对管道材质要求不高，但此方法存在污染水质的风险。

传统的基于软件的供水管道漏损检测技术主要基于水力模型。通过收集历史数据，构建节点需水量模式，建立动力学公式并求解方程组，求得每个管道节点的流量。常用建模软件有WaterGEMS和EPANET，建模效果较为直观。但水力模型的模拟需要精确了解管道内部的水力结构，建成前需要调整较多的参数，建成后还要随时间变化进一步调整参数，难以普遍应用。再者，供水管道在人类活动的显著影响下，流量时间序列模式变得更为复杂。因此，传统的管道流量检测技术难以精确模拟高度复杂的非线性管道流量序列。

近年来，AI技术快速发展，为时间序列的预测提供了强有力工具。现有基于AI的供水管道漏损检测方法可分为三大类：一是给定异常数据(漏损)和正常数据(无漏损)标签的分类方法(如ANN、CNN、LSTM等)。数据集上的精度较高，但数据真实度不确定，一般只用于小型模拟数据；二是对有规律可循的节点，构建一个事件(如漏损)的模式，基于事件模式之间的距离对相似事件进行聚类(如K-means、DBSCAN等)。该类方法虽不需要大量标签数据，但易受不平稳数据影响，且难以精确定位；三是通过管网正常历史数据预测管网未来时刻的数据，后接一个分类器，分析预测与实测的残差(如LSTM、ANN等)。但由于非稳态数据，一般只对特定点进行预测。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于图神经网络的供水管道漏损检测方法，其可以显著提升漏损检测的精度。

为实现上述发明目的，本发明基于图神经网络的供水管道漏损检测方法，其特征在于，包括以下步骤：

(1)、收集数据。收集研究区域内各管网节点与管道流量密切相关的特征，如管道流量、压力、各种管道物理参数等。

(2)、数据预处理。统计各个节点收集到的数据，并对缺失值进行补全，由于输入的数据之间数量级有时候差别较大，采用离差标准化方法对输入数据进行归一化，其转换公式为：

其中，X^*为归一化后的数据，其范围在[0,1]，X为原始数据，X_max为原始数据的最大值，X_min为原始数据的最小值。

(3)、建立图神经网络模型。网络分为三个部分，首先是节点表征，对节点输入的序列进行特征工程，构造出新的节点表征；其次是图神经网络，将节点表征通过GNN对输入特征训练，并在每个时刻进行输出；最后是全连接网络，对GNN编码的多维状态向量转化为每个时刻的流量。

(4)、模型训练。将数据划分为训练集和测试集，使用训练集输入模型进行训练，损失函数使用平方根误差，优化器使用adam优化器，进行多次迭代使模型拟合并达到最优。

(5)、使用训练好的模型在测试集上进行测试，根据真实数据对预测结果进行评估。

本发明的目的是这样实现的。

本发明利用深度学习，采用一种基于图神经网络的方法检测供水管道漏损。首先，用各种传感器收集管网正常供水条件下的管道特征(如压力、温度等)和流量数据。其次，根据管网拓扑结构构建属性网络，利用多个邻居节点的属性对节点进行表征。然后，基于所收集的数据，训练得到基于图神经网络的管网节点流量预测模型。最后，对比预测值与真实值的差异，预测管网漏损情况。此外，本发明使用数据驱动的方法，减少了对于管道内部水力物理机制的依赖性，可有效扩大模型的适用范围。

附图说明

图1是本发明一种基于图神经网络的供水管道漏损检测方法的一种具体实施方式流程图；

图2是本发明一种基于图神经网络的供水管道漏损检测方法的模型结构示意图。

图3是图神经网络分级示意图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

图1是本发明一种基于图神经网络的供水管道漏损检测方法的一种具体实施方式流程图。

在本实施例中，如图1所示，本发明一种基于图神经网络的供水管道漏损检测方法包括以下步骤：

S1：管道数据收集

从供水管道内各个传感器布置点收集与管道流量密切相关的影响因子特征；其中，动态特征包括流量、压力、温度等；静态特征包括管线材质、埋深、压力等级、管径、管龄等。

S2：数据预处理

在实施过程中，收集到的原始数据可能会存在数据缺失等问题，可以使用一些插值方法，如线性插值等，对缺失数据进行补全。此外，由于输入的数据量级不同，需采用离差标准化方法对输入数据进行归一化，其转换公式为：

S3：建立图神经网络模型

该模型由三部分组成，首先是节点表征模块。通过特征工程对原始节点属性进行新的表征，并在每个时刻打上相应标签。如图2所示，节点属性包括流量、压力、管线材质、埋深、压力等级、管径、管龄等原始属性。如果只简单利用原始时间序列数据，对于高度非线性的管道内部流量变化很难做出准确预测。因此，需要通过构造新的节点表征，如相邻节点流量、压力、高程的残差、短时间流量、压力变化的幅度等，以此来探索出更多的管道流量变化模式，做出精准预测。

其次是GNN模块。如图2所示，将节点表征输入GNN模型进行训练。现实情况中，由于传感器安装问题，难以获得研究区域内全部预设节点的时序数据。因此，找出构成全图的最基础的几种子图，如图3所示，在子图中安装传感器，获取子图的正常数据，进行训练，之后再进行泛化。

最后是全连接网络模块。将测试数据输入训练好的GNN模型中，输出结果为每个网络节点每个时刻的流量。

S4：模型训练

将数据划分为训练集和测试集，训练集用来对模型进行训练，确定各层的权重参数，测试集用来评估最终模型的预测精度。

使用训练集输入模型进行训练时，先根据初始化方法，对模型每层的权重进行初始化，然后输入数据，先前向计算得到模型的输出，然后根据损失函数和真实标签计算损失，其中损失函数使用平方根误差，计算梯度反向传播更新每一层的权重，通过梯度下降多次迭代使模型拟合并达到最优，其中优化器使用adam优化器，最终获得训练完成的图神经网络(GNN)模型。

S5：管道流量预测

在模型中输入测试集的数据，进行管道流量的预测，根据评估方法，对预测结果进行评估，以验证模型的合理性；评估函数如下，

纳什效率系数NSE(Nash-Sutcliffe)：

相对误差RE：

其中，

表示流量实测值，

表示流量预测值，t表示第t时刻；

在实际应用中，根据研究区域的结果，训练好模型以后就可以根据当前的输入来预测未来某个时刻的管道流量。

本发明中，针对传统供水管网漏损检测方法中的不足提出了一种基于图神经网络的供水管道漏损检测方法。本发明在节点表征和使用图神经网络等关键技术上做出了创新。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims

1.一种基于图神经网络的供水管道漏损检测方法，其特征在于，包括以下步骤：

(1)、收集数据。收集研究区域内供水管网的拓扑结构数据(节点及连边)及节点属性数据(如管道的管径、材质、管龄、高程、埋深等)；收集供水企业的生产调度数据(如管网调度的压力数据、流量数据等)。

(2)、数据预处理。整理收集到的所有数据，并对缺失值进行补全。由于输入数据可能存在数量级的差别，故采用离差标准化方法对输入数据进行归一化，其转换公式为：

(3)、建立图神经网络模型。网络分为三个部分，首先是节点表征，对节点输入的序列进行特征工程，构造出新的节点表征；其次是图神经网络，将节点表征通过GNN对输入特征训练，并在每个时刻进行输出；最后是全连接网络，把GNN编码的多维状态向量转化为每个时刻的流量。

(4)、模型训练。将数据划分为训练集和测试集，把训练集输入模型进行训练，损失函数使用平方根误差，优化器使用adam优化器，进行多次迭代使模型拟合并达到最优。

(5)、模型验证。使用测试集在已训练好的模型上进行测试，对比预测结果与实测数据，进行模型验证和精度评估。

2.根据权利要求1所述的供水管道漏损检测方法，其特征在于，步骤(3)中，所述的建立图神经网络模型，和步骤(4)中，所述的神经网络模型训练：

2.1)、该模型由三部分组成。首先是节点表征模块，通过特征工程对节点原始属性进行新的表征，并在每个时刻打上相应标签。如图2所示，节点原始属性包括流量、压力、管线材质、埋深、压力等级、管径、管龄等。如果只简单利用原始属性的时间序列数据，对于高度非线性的管道流量变化很难做出准确预测，因此需要通过构造新的节点表征，如相邻节点流量、压力、高程的残差、短时间流量、压力变化的幅度等，以此来探索供水管道的流量变化模式，进而做出精准预测；

其次是GNN模块。如图2所示，将节点表征输入GNN模型进行训练，现实情况中，由于传感器安装问题，难以获得研究区域内全部预设节点的时序数据，因此，找出构成全图的最基础的几种子图，如图3所示，在子图中安装传感器，获取子图的正常数据，进行训练，后进行泛化；

最后是全连接网络模块。在最后加几层全连接网络用于把GNN编码的输出结果转化为每个时刻的流量；

2.2)、将数据划分为训练集和测试集，训练集用来对模型进行训练，确定各层的权重参数，测试集用来评估模型的预测精度；

使用训练集输入模型进行训练时，先根据初始化方法，对模型每层的权重进行初始化，然后输入数据，先前向计算得到模型的输出，然后根据损失函数和真实标签计算损失，其中损失函数使用平方根误差，计算梯度反向传播更新每一层的权重，通过梯度下降多次迭代使模型拟合并达到最优，其中优化器使用adam优化器，最终获得训练完成的GNN神经网络模型。