CN115994487A - 一种基于改进灰狼优化算法的供水管网漏损定位方法 - Google Patents
一种基于改进灰狼优化算法的供水管网漏损定位方法 Download PDFInfo
- Publication number
- CN115994487A CN115994487A CN202310091672.7A CN202310091672A CN115994487A CN 115994487 A CN115994487 A CN 115994487A CN 202310091672 A CN202310091672 A CN 202310091672A CN 115994487 A CN115994487 A CN 115994487A
- Authority
- CN
- China
- Prior art keywords
- leakage
- water supply
- individual
- pipe network
- iteration
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
一种基于改进灰狼优化算法的供水管网漏损定位方法,属于供水管网漏损控制技术领域,解决现有技术在判定供水管网漏损位置和漏损量时存在的成本高、误差大、效率低问题;根据实际供水管网的拓扑关系和管件运行参数,在EPANET软件中建立供水管网正常工况下微观水力模型;调用EPANET工具箱,获取漏损工况下模拟供水管网模拟压力监测点数据;采集实际供水管网观测压力监测点数据,结合模拟压力监测点数据构建目标函数;基于改进灰狼优化算法构建漏损定位模型,将个体狩猎考虑在灰狼个体位置更新中,获得全局最优解,判定管网漏损位置和漏损量,提高了算法的收敛速度,判断时间快、判定准确,硬件成本低,对不同管网均有很好的适用性。
Description
技术领域
本发明属于供水管网漏损控制技术领域,涉及一种基于改进灰狼优化算法的供水管网漏损定位方法。
背景技术
供水管道泄漏检测和定位已经成为水管理系统的一个重要工作。监测大型供水管网的泄漏是一项具有挑战性的任务,可靠的泄漏检测和定位技术对减少饮用水供水管网的损失至关重要。传统的方法使用声波探测法、示踪物质探测法确定复杂网络中的大致的泄露位置,这种硬件方法设备十分昂贵,且这种方法属于劳动密集型方法,耗时耗力,很难实现快速突发的泄漏检测;基于软件算法的方法在可靠的泄漏检测方面体现出其优越性,可以为各种规模的泄露提供近乎完整的泄露管理解决方案。这些技术主要是对大量传感器收集的流量、压力和声波信号等数据进行分析。例如,申请公布日为2020年4月17日、申请公布号为CN111022937A的中国发明专利申请文献《一种输水管网管漏损定位系统及定位方法》通过水力模型的计算模块用于计算得出该可疑漏损点,基于水力模型模拟的管网压力和流量值与该点最近处的实测管网压力流量值的适应度值,比较判断模块用于比较所述适应度值与适应度精度并判断该值是否位于适应度精度范围内,最后进行变异以及繁衍迭代多次生成多个下一代可疑漏损点。但是该方法基于简单管网模型,不能准确模拟实际供水管网运行情况,并且遗传算法收敛慢,容易陷入局部最优解,导致检测结果误差大,效率低。
发明内容
本发明的目的在于如何设计一种基于改进灰狼优化算法的供水管网漏损定位方法,以解决现有技术在判定供水管网漏损位置和漏损量时存在的成本高、误差大、效率低的问题。
本发明是通过以下技术方案解决上述技术问题的:
一种基于改进灰狼优化算法的供水管网漏损定位方法,包括以下步骤:
S1、将实际供水管网的拓扑关系和管件运行参数分别导入到EPANET软件中,建立正常工况下实际供水管网微观水力模型,供水管网节点个数为N个,设置S个监测点监测管网压力变化情况;
S2、在管网N个节点中选取任意一个节点的额外需水量模拟M种管网漏损工况,调用EPANET工具箱,执行水力分析,获取M种管网漏损工况下S个监测点模拟压力数据;
S3、采集实际漏损供水管网S个监测点的观测压力监测点数据,构建M种管网漏损工况下第m个工况的目标函数,采用决策变量表示模型的解,并设置约束条件限定决策变量的变化范围;
S4、基于改进的灰狼优化算法构建漏损定位模型,求目标函数最优解,判定管网漏损位置和漏损量。
进一步地,步骤S3中所述的构建M种管网漏损工况下任意一个工况m的目标函数如下:
所述的模拟压力数据矩阵表示如下:
所述的观测压力监测点数据表示如下:
Pobs={Pobs1,Pobs2,Pobsnp…,Pobss}
所述的无量纲系数的计算公式如下:
其中,minimize()为最小化函数,np=1,2,…,S,表示节点压力索引,M表示管网漏损工况的数量,m=1,2,…,M,表示M种管网漏损工况中的第m个工况,m表示M种管网漏损工况中的第m个工况,wnp表示对应np节点压力的无量纲系数,Psimmnp表示模拟压力数据矩阵中的第m行、第np列的元素,Pobsnp表示观测压力监测点数据向量中的第np个元素。
进一步地,步骤S3中所述的采用决策变量表示模型的解,具体表示为:Xi=(LNj,qj),i=1,2,…,M,j=1,2,…,N,LNj表示漏损节点j处节点索引,N表示供水管网节点个数,qj表示节点j处漏损量。
进一步地,步骤S3中所述的约束条件的公式如下:
0≤Δqn≤QL,n∈{1,...,N}
其中,Δqn表示节点需求的变化间隔,QL表示管网内所有节点的最大需水量。
进一步地,步骤S4中所述的基于改进的灰狼优化算法构建漏损定位模型,求目标函数最优解,判定管网漏损位置和漏损量的方法具体如下:
(1)初始化阶段:初始化M个灰狼个体Xi=(LNj,qj),灰狼个体数量等于管网漏损工况数量,设置灰狼优化过程中迭代次数t,t=1,2,...,T,其中T表示最大迭代次数,计算个体适应度,适应度大小表示为目标函数f(x)的值;
(2)狩猎搜索阶段:每个灰狼个体Xi都具有找到最优位置的能力,在第t次迭代时,狩猎搜索认为Xa(t)、Xβ(t)、Xδ(t)三只灰狼更靠近最优位置;保存获得的Xa(t)、Xβ(t)、Xδ(t)最优位置,并强制所有灰狼个体Xi(t)根据三只最优灰狼Xa(t)、Xβ(t)、Xδ(t)位置来更新Xi(t)在t+1次迭代时的候选位置;
(3)运动和更新阶段:通过比较灰狼个体Xi(t)的两个候选位置Xi-GWO(t+1)和Xi-DLH(t+1)的适应度值来选择第t+1次迭代时Xi(t+1)的位置;
(4)迭代阶段:根据步骤(2)和步骤(3)选择第t+1次迭代时Xi(t+1)的位置,如果t+1达到最大迭代次数T,输出最优解G=(LNj,qj),判定出漏损位置和漏损量。
进一步地,所述的候选位置的计算公式如下所示:
其中,t是目前的迭代次数,Xi-GWO(t+1)表示为第t+1次迭代灰狼个体Xi(t+1)的候选位置,Xi-a(t)、Xi-β(t)和Xi-δ(t)分别表示每个灰狼个体Xi(t)需要移动的步长和方向。
进一步地,所述的每个灰狼个体Xi(t)需要移动的步长和方向的计算公式如下:
其中,Xa(t)、Xβ(t)以及Xδ(t)分别表示三只最优灰狼个体的当前第t次迭代位置,Aa、Aβ和Aδ表示系数;Dα(t)、Dβ(t)、Dδ(t)分别表示三只最优灰狼个体的Xa(t)、Xβ(t)、Xδ(t)与潜在最优个体Xp(t)之间的距离,其计算公式如下:
其中,C是系数,Xp(t)表示第t次迭代中潜在最优个体Xp(t)的位置。
进一步地,所述的通过比较灰狼个体Xi(t)的两个候选位置Xi-GWO(t+1)和Xi-DLH(t+1)的适应度值来选择第t+1次迭代时Xi(t+1)的位置的选择公式如下:
Xi-DLH(t+1)=Xi(t)+rand×(Xn(t)-Xr(t))
其中,Xi-GWO(t+1)表示通过狩猎搜索阶段计算得到的候选位置,Xi-DLH(t+1)表示另外一个候选位置,Xr(t)表示为从M个灰狼个体中随机选择的一个灰狼个体,Xn(t)表示通过从Ni(t)中选择的随机邻域。
进一步地,所述的随机邻域的计算公式如下:
Ri(t)=||Xi(t)-Xi-GWO(t+1)||
Ni(t)={Xj(t)|Li(Xi(t),Xj(t))≤Ri(t),Xj(t)∈Pop}
其中,Ni(t)表示Xi(t)的邻域,通过半径Ri(t)构造;Li(Xi(t),Xj(t))是Xi(t)和Xj(t)之间的欧氏距离,t=1,2,...,T表示第t次迭代;Ri(t)表示Xi(t)的当前位置和Xi-GWO(t+1)之间的欧几里得距离。
本发明的优点在于:
本发明的技术方案根据实际供水管网的拓扑关系和管件运行参数,在EPANET软件中建立供水管网正常工况下微观水力模型;调用EPANET工具箱,获取漏损工况下模拟供水管网模拟压力监测点数据;采集实际供水管网观测压力监测点数据,结合模拟压力监测点数据构建目标函数;基于改进灰狼优化算法构建漏损定位模型,将个体狩猎考虑在灰狼个体位置更新中,获得全局最优解,判定管网漏损位置和漏损量,提高了算法的收敛速度;相较于传统的声波探测法、示踪物质探测法等,本发明的方法判断时间快、判定准确,对不同管网均有很好的适用性;且本发明使用少量监测传感器检测管网漏损状态即可判定漏损位置和相应漏损量,硬件成本低。
附图说明
图1是本发明实施例的基于改进灰狼优化算法的供水管网漏损定位方法的流程图;
图2是本发明实施例的基于改进灰狼优化算法的供水管网漏损定位方法的大型供水管网模拟漏损试验模型图;
图3为本发明实施例的基于改进灰狼优化算法的供水管网漏损定位方法的适应度函数曲线图。
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,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。
下面结合说明书附图以及具体的实施例对本发明的技术方案作进一步描述:
实施例一
如图1所示,本实施例的一种基于改进灰狼优化算法的供水管网漏损定位方法包括以下步骤:
步骤一、将实际供水管网的拓扑关系和管件运行参数分别导入到EPANET软件中,建立正常工况下实际供水管网微观水力模型,所述的微观水力模型包括N个供水管网节点,并设置S个监测点监测管网压力变化情况。
步骤二、调用EPANET工具箱,获取漏损工况下模拟供水管网模拟压力监测点数据;
在管网N个节点中选取任意一个节点的额外需水量模拟M种管网漏损情况,调用EPANET工具箱,执行水力分析,获取M种漏损工况下S个监测点模拟压力数据Psim,表示为:
其中,np=1,2,…,S,表示节点压力索引,M表示管网漏损工况的数量,m=1,2,…,M,表示M种管网漏损工况中的第m个工况。
步骤三、采集实际供水管网观测压力监测点数据,结合模拟压力监测点数据构建目标函数
步骤3.1、构建目标函数
采集实际漏损供水管网S个监测点的观测压力监测点数据Pobs,表示为{Pobs1,Pobs2,Pobsnp...,Pobss},构建M种模拟工况下任意一个m工况的目标函数f(x),目标函数被定义为最小化管网模拟压力监测点数据和观测压力监测点数据的差异,公式如下所示:
其中,f(x)表示目标函数,np表示节点压力索引,NP表示管网模型压力监测点的总数,m=1,2,...,M表示模拟的第m个工况,Psimmnp表示为第m个工况下第np节点的模拟压力监测点数据,Pobsnp表示为np节点的观测压力监测点数据,wnp表示对应np节点压力的无量纲系数,可通过以下公式计算:
步骤3.2,设置决策变量
决策变量表示模型的解,即Xi=(LNj,qj),i=1,2,...,M,j=1,2,...,N,LNj表示漏损节点j处节点索引,N表示管网总节点个数,qi表示对应节点j处漏损量;
步骤3.3,划分约束条件
约束条件表示为决策变量的变化范围,公式如下所示:
0≤Δqn≤QL,n∈{1,...,N}
其中,Δqn表示节点需求的变化间隔,QL表示管网内所有节点的最大需水量,N表示管网节点总数。
步骤四、基于改进的灰狼优化算法构建漏损定位模型,求目标函数最优解,判定管网漏损位置和漏损量
改进的灰狼优化IGWO,利用狩猎搜索(Dimension Learning-Based Hunting,DLH)的运动策略以及相应的更新策略实现求解目的,用灰狼个体的位置来表示每个决策变量的大小,即模型的解;具体内容包括以下步骤:
步骤4.1,初始化阶段
初始化M个灰狼个体Xi=(LNj,qj),i=1,2,...,M,j=1,2,...,N,LNj表示漏损节点j处节点索引,N表示管网总节点个数,qi表示对应节点j处漏损量,灰狼个体数量等于上述模拟的工况数量。设置灰狼优化过程中迭代次数t,t=1,2,...,T,其中T表示最大迭代次数,计算个体适应度,适应度大小表示为目标函数f(x)的值。
步骤4.2,狩猎搜索阶段
每个灰狼个体Xi都具有找到最优位置的能力,在第t次迭代时,狩猎搜索认为Xa(t)、Xβ(t)、Xδ(t)三只灰狼更靠近最优位置。因此,我们保存获得的Xa(t)、Xβ(t)、Xδ(t)最优位置,并强制所有灰狼个体Xi(t)根据三只最优灰狼Xa(t)、Xβ(t)、Xδ(t)位置来更新Xi(t)在t+1次迭代时的候选位置,公式如下所示:
其中,t是目前的迭代次数,Xi-GWO(t+1)表示为第t+1次迭代灰狼个体Xi(t+1)的候选位置;Xi-a(t)、Xi-β(t)和Xi-δ(t)分别表示每个灰狼个体Xi(t)需要移动的步长和方向;Xa(t)、Xβ(t)以及Xδ(t)分别表示三只最优灰狼个体的当前第t次迭代位置;Aa、Aβ和Aδ表示系数;
D(t)=|C·Xp(t)-Xi(t)|
其中,D(t)表示为灰狼个体Xi(t)与潜在最优个体Xp(t)之间的距离,即与每次迭代计算中三只灰狼个体的距离;C是系数,Xp(t)表示第t次迭代中潜在最优个体Xp(t)的位置;Xi(t)表示第t次迭代中灰狼个体Xi的位置。
步骤4.3,运动和更新阶段
通过比较灰狼个体Xi(t)的两个候选位置Xi-GWO(t+1)和Xi-DLH(t+1)的适应度值来选择第t+1次迭代时Xi(t+1)的位置,具体选择公式如下:
Xi-DLH(t+1)=Xi(t)+rand×(Xn(t)-Xr(t))
其中,Xi-GWO(t+1)表示通过狩猎搜索阶段计算得到的候选位置,详细内容见步骤4.1;Xi-DLH(t+1)表示另外一个候选位置;Xr(t)表示为从M个灰狼个体中随机选择的一个灰狼个体;Xn(t)表示通过从Ni(t)中选择的随机邻域,具体计算公式如下:
Ri(t)=||Xi(t)-Xi-GWO(t+1)||
Ni(t)={Xj(t)|Li(Xi(t),Xj(t))≤Ri(t),Xj(t)∈Pop}
其中,Ni(t)表示Xi(t)的邻域,通过半径Ri(t)构造;Li(Xi(t),Xj(t))是Xi(t)和Xj(t)之间的欧氏距离,t=1,2,...,T表示第t次迭代;Ri(t)表示Xi(t)的当前位置和Xi-GWO(t+1)之间的欧几里得距离。
步骤4.4,迭代阶段
如图2所示,根据步骤4.2和步骤4.3选择第t+1次迭代时Xi(t+1)的位置,如果t+1达到最大迭代次数T,输出最优解G=(LNj,qj),j=1,2,...,N,LNj表示漏损节点j处节点索引,N表示管网总节点个数,qj表示对应节点j处漏损量,判定出漏损位置和漏损量;如果t+1未达到预定义的迭代次数T,设置t=t+1,继续调用EPANET工具箱,执行水力分析,得到新的M种漏损工况,重复上述步骤二三和步骤4.2、4.3、4.4。
如图3所示,为本实施例的供水管网模型模拟漏损试验,漏损工况模拟和传感器布置情况分别选择119、145、163、267、205、215六个漏损点来模拟管网漏损情况,如下表1所示:
表1模拟管网漏损情况
如上表检测结果显示,在大型管网模型中,少量检测监测点可以有效地检测出管网漏损情况。即便有些工况未能正确检测出漏损位置,如163节点和215节点的工况,但是本发明的方法却能够准确判定出管道下游节点相对的漏损量,同样具有实际意义。
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 (8)
1.一种基于改进灰狼优化算法的供水管网漏损定位方法,其特征在于,包括以下步骤:
S1、将实际供水管网的拓扑关系和管件运行参数分别导入到EPANET软件中,建立正常工况下实际供水管网微观水力模型,供水管网节点个数为N个,设置S个监测点监测管网压力变化情况;
S2、在管网N个节点中选取任意一个节点的额外需水量模拟M种管网漏损工况,调用EPANET工具箱,执行水力分析,获取M种管网漏损工况下S个监测点模拟压力数据;
S3、采集实际漏损供水管网S个监测点的观测压力监测点数据,构建M种管网漏损工况下第m个工况的目标函数,采用决策变量表示模型的解,并设置约束条件限定决策变量的变化范围;所述的构建M种管网漏损工况下任意一个工况m的目标函数如下:
所述的模拟压力数据矩阵表示如下:
所述的观测压力监测点数据表示如下:
Pobs={Pobs1,Pobs2,Pobsnp…,Pobss}
所述的无量纲系数的计算公式如下:
其中,minimize()为最小化函数,np=1,2,…,S,表示节点压力索引,M表示管网漏损工况的数量,m=1,2,…,M,表示M种管网漏损工况中的第m个工况,m表示M种管网漏损工况中的第m个工况,wnp表示对应np节点压力的无量纲系数,Psimmnp表示模拟压力数据矩阵中的第m行、第np列的元素,Pobsnp表示观测压力监测点数据向量中的第np个元素;
S4、基于改进的灰狼优化算法构建漏损定位模型,求目标函数最优解,判定管网漏损位置和漏损量。
2.根据权利要求1所述的基于改进灰狼优化算法的供水管网漏损定位方法,其特征在于,步骤S3中所述的采用决策变量表示模型的解,具体表示为:Xi=(LNj,qj),i=1,2,...,M,j=1,2,...,N,LNj表示漏损节点j处节点索引,N表示供水管网节点个数,qj表示节点j处漏损量。
3.根据权利要求2所述的基于改进灰狼优化算法的供水管网漏损定位方法,其特征在于,步骤S3中所述的约束条件的公式如下:
0≤Δqn≤QL,n∈{1,...,N}
其中,Δqn表示节点需求的变化间隔,QL表示管网内所有节点的最大需水量。
4.根据权利要求3所述的基于改进灰狼优化算法的供水管网漏损定位方法,其特征在于,步骤S4中所述的基于改进的灰狼优化算法构建漏损定位模型,求目标函数最优解,判定管网漏损位置和漏损量的方法具体如下:
(1)初始化阶段:初始化M个灰狼个体Xi=(LNj,qj),灰狼个体数量等于管网漏损工况数量,设置灰狼优化过程中迭代次数t,t=1,2,...,T,其中T表示最大迭代次数,计算个体适应度,适应度大小表示为目标函数f(x)的值;
(2)狩猎搜索阶段:每个灰狼个体Xi都具有找到最优位置的能力,在第t次迭代时,狩猎搜索认为Xa(t)、Xβ(t)、Xδ(t)三只灰狼更靠近最优位置;保存获得的Xa(t)、Xβ(t)、Xδ(t)最优位置,并强制所有灰狼个体Xi(t)根据三只最优灰狼Xa(t)、Xβ(t)、Xδ(t)位置来更新Xi(t)在t+1次迭代时的候选位置;
(3)运动和更新阶段:通过比较灰狼个体Xi(t)的两个候选位置Xi-GWO(t+1)和Xi-DLH(t+1)的适应度值来选择第t+1次迭代时Xi(t+1)的位置;
(4)迭代阶段:根据步骤(2)和步骤(3)选择第t+1次迭代时Xi(t+1)的位置,如果t+1达到最大迭代次数T,输出最优解G=(LNj,qj),判定出漏损位置和漏损量。
8.根据权利要求7所述的基于改进灰狼优化算法的供水管网漏损定位方法,其特征在于,所述的随机邻域的计算公式如下:
Ri(t)=||Xi(t)-Xi-GWO(t+1)||
Ni(t)={Xj(t)|Li(Xi(t),Xj(t))≤Ri(t),Xj(t)∈Pop}
其中,Ni(t)表示Xi(t)的邻域,通过半径Ri(t)构造;Li(Xi(t),Xj(t))是Xi(t)和Xj(t)之间的欧氏距离,t=1,2,...,T表示第t次迭代;Ri(t)表示Xi(t)的当前位置和Xi-GWO(t+1)之间的欧几里得距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310091672.7A CN115994487B (zh) | 2023-01-17 | 2023-01-17 | 一种基于改进灰狼优化算法的供水管网漏损定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310091672.7A CN115994487B (zh) | 2023-01-17 | 2023-01-17 | 一种基于改进灰狼优化算法的供水管网漏损定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115994487A true CN115994487A (zh) | 2023-04-21 |
CN115994487B CN115994487B (zh) | 2023-10-03 |
Family
ID=85994955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310091672.7A Active CN115994487B (zh) | 2023-01-17 | 2023-01-17 | 一种基于改进灰狼优化算法的供水管网漏损定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115994487B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866899A (zh) * | 2015-06-17 | 2015-08-26 | 山东省环境保护科学研究设计院 | 一种基于城市供水管网水力模型校核的漏失检测方法 |
CN107563007A (zh) * | 2017-08-07 | 2018-01-09 | 浙江大学 | 一种节点流量和管道阻力系数同时调整的供水管网模型快速校正方法 |
CN110062327A (zh) * | 2019-04-25 | 2019-07-26 | 上海海事大学 | 小生境灰狼优化DV-Hop算法的无线传感器网络节点定位方法 |
CN110345392A (zh) * | 2019-07-16 | 2019-10-18 | 辽宁石油化工大学 | 输油管道漏点的定位方法及装置 |
CN112113146A (zh) * | 2020-09-18 | 2020-12-22 | 同济大学 | 供水管网管道粗糙系数和节点需水量同步自适应校核方法 |
CN114626260A (zh) * | 2022-01-19 | 2022-06-14 | 南京理工大学 | 一种逆流换热器流道的拓扑优化设计方法 |
CN114828302A (zh) * | 2022-04-24 | 2022-07-29 | 广州杰赛科技股份有限公司 | 化工材料泄漏源定位方法及装置 |
CN115218129A (zh) * | 2022-06-23 | 2022-10-21 | 珠海智通信息技术有限公司 | 供水管网漏损监控方法、计算机装置及存储介质 |
CN115454612A (zh) * | 2022-10-09 | 2022-12-09 | 西北大学 | 一种基于维度学习策略和灰狼优化的云平台任务调度方法 |
-
2023
- 2023-01-17 CN CN202310091672.7A patent/CN115994487B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866899A (zh) * | 2015-06-17 | 2015-08-26 | 山东省环境保护科学研究设计院 | 一种基于城市供水管网水力模型校核的漏失检测方法 |
CN107563007A (zh) * | 2017-08-07 | 2018-01-09 | 浙江大学 | 一种节点流量和管道阻力系数同时调整的供水管网模型快速校正方法 |
CN110062327A (zh) * | 2019-04-25 | 2019-07-26 | 上海海事大学 | 小生境灰狼优化DV-Hop算法的无线传感器网络节点定位方法 |
CN110345392A (zh) * | 2019-07-16 | 2019-10-18 | 辽宁石油化工大学 | 输油管道漏点的定位方法及装置 |
CN112113146A (zh) * | 2020-09-18 | 2020-12-22 | 同济大学 | 供水管网管道粗糙系数和节点需水量同步自适应校核方法 |
CN114626260A (zh) * | 2022-01-19 | 2022-06-14 | 南京理工大学 | 一种逆流换热器流道的拓扑优化设计方法 |
CN114828302A (zh) * | 2022-04-24 | 2022-07-29 | 广州杰赛科技股份有限公司 | 化工材料泄漏源定位方法及装置 |
CN115218129A (zh) * | 2022-06-23 | 2022-10-21 | 珠海智通信息技术有限公司 | 供水管网漏损监控方法、计算机装置及存储介质 |
CN115454612A (zh) * | 2022-10-09 | 2022-12-09 | 西北大学 | 一种基于维度学习策略和灰狼优化的云平台任务调度方法 |
Non-Patent Citations (5)
Title |
---|
张瑞杰;王显赫;高胜;任永良;王研;: "油田注水管网漏损判断及漏损定位研究", 石油工程建设, no. 02 * |
方潜生;张兆祥;谢陈磊;张猛;张振亚;: "基于特征聚类的给水管网压力监测点优化布置", 安徽大学学报(自然科学版), no. 04 * |
牛志广;王宇飞;张;张宏伟;: "供水管网的摩阻系数校核与漏损定位计算方法", 天津大学学报, no. 04 * |
王伟哲;郄志红;刘美侠;吴鑫淼;: "基于改进遗传算法的供水管网故障监测点布置优化", 水力发电学报 * |
萧婧婕;陈志云;: "基于灰狼算法的主题爬虫", 计算机科学, no. 2 * |
Also Published As
Publication number | Publication date |
---|---|
CN115994487B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Using genetic algorithms and finite element methods to detect shaft crack for rotor-bearing system | |
WO2018138880A9 (ja) | モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム | |
CN108591836B (zh) | 管道泄漏的检测方法和装置 | |
Candelieri et al. | A graph based analysis of leak localization in urban water networks | |
CN111814342B (zh) | 一种复杂设备可靠性混合模型及其构建方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN109195110B (zh) | 基于层次聚类技术和在线极限学习机的室内定位方法 | |
CN101813920B (zh) | 电站汽轮机组温度传感器虚拟冗余方法 | |
CN114580786A (zh) | 一种用于城市供水管网监测点的布置优化方法 | |
CN116108604A (zh) | 一种供水管网异常检测方法、系统、设备及存储介质 | |
CN116861694A (zh) | 一种基于人工智能的电缆温度预测方法 | |
CN115994487B (zh) | 一种基于改进灰狼优化算法的供水管网漏损定位方法 | |
CN112096693B (zh) | 水下生产液压控制系统在线诊断与校验方法、存储介质和控制终端 | |
Ma et al. | A real-time method to detect the leakage location in urban water distribution networks | |
Pérez et al. | Leakage isolation in water distribution networks: A comparative study of two methodologies on a real case study | |
CN107204616B (zh) | 基于自适应稀疏伪谱法的电力系统随机状态估计方法 | |
CN109116300A (zh) | 一种基于非充分指纹信息的极限学习定位方法 | |
CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
CN115982918B (zh) | 阻力特性辨识方法、装置、设备及存储介质 | |
CN112183624A (zh) | 一种基于集成学习的大坝监测数据异常检测方法 | |
CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
CN114018202B (zh) | 一种快速评定圆度的新算法 | |
CN116245018A (zh) | 一种基于双变量长短时记忆算法的海浪缺测数据预报方法 | |
CN101813545B (zh) | 立体四元阵列电站锅炉承压管泄漏的精确定位方法 | |
CN115469314A (zh) | 一种均匀圆环阵稳健水下目标方位跟踪方法及系统 |
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 |