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

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

一种基于改进灰狼优化算法的供水管网漏损定位方法

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,Pobs_np…,Pobs_s}

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，w_np表示对应np节点压力的无量纲系数，Psim_mnp表示模拟压力数据矩阵中的第m行、第np列的元素，Pobs_np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：X_i＝(LN_j,q_j)，i＝1,2,…,M，j＝1,2,…,N，LN_j表示漏损节点j处节点索引，N表示供水管网节点个数，q_j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≤Δq_n≤Q_L，n∈{1，...，N}

其中，Δq_n表示节点需求的变化间隔，Q_L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X_i＝(LN_j，q_j)，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X_i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X_a(t)、X_β(t)、X_δ(t)三只灰狼更靠近最优位置；保存获得的X_a(t)、X_β(t)、X_δ(t)最优位置，并强制所有灰狼个体X_i(t)根据三只最优灰狼X_a(t)、X_β(t)、X_δ(t)位置来更新X_i(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X_i(t)的两个候选位置X_i-GWO(t+1)和X_i-DLH(t+1)的适应度值来选择第t+1次迭代时X_i(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X_i(t+1)的位置，如果t+1达到最大迭代次数T，输出最优解G＝(LN_j，q_j)，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，X_i-GWO(t+1)表示为第t+1次迭代灰狼个体X_i(t+1)的候选位置，X_i-a(t)、X_i-β(t)和X_i-δ(t)分别表示每个灰狼个体X_i(t)需要移动的步长和方向。

进一步地，所述的每个灰狼个体X_i(t)需要移动的步长和方向的计算公式如下：

其中，X_a(t)、X_β(t)以及X_δ(t)分别表示三只最优灰狼个体的当前第t次迭代位置，A_a、A_β和A_δ表示系数；D_α(t)、D_β(t)、D_δ(t)分别表示三只最优灰狼个体的X_a(t)、X_β(t)、X_δ(t)与潜在最优个体X_p(t)之间的距离，其计算公式如下：

其中，C是系数，X_p(t)表示第t次迭代中潜在最优个体X_p(t)的位置。

进一步地，所述的通过比较灰狼个体X_i(t)的两个候选位置X_i-GWO(t+1)和X_i-DLH(t+1)的适应度值来选择第t+1次迭代时X_i(t+1)的位置的选择公式如下：

X_i-DLH(t+1)＝X_i(t)+rand×(X_n(t)-X_r(t))

其中，X_i-GWO(t+1)表示通过狩猎搜索阶段计算得到的候选位置，X_i-DLH(t+1)表示另外一个候选位置，X_r(t)表示为从M个灰狼个体中随机选择的一个灰狼个体，X_n(t)表示通过从N_i(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：

R_i(t)＝||X_i(t)-X_i-GWO(t+1)||

N_i(t)＝{X_j(t)|L_i(X_i(t)，X_j(t))≤R_i(t)，X_j(t)∈Pop}

其中，N_i(t)表示X_i(t)的邻域，通过半径R_i(t)构造；L_i(X_i(t)，X_j(t))是X_i(t)和X_j(t)之间的欧氏距离，t＝1，2，...，T表示第t次迭代；R_i(t)表示X_i(t)的当前位置和X_i-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，Pobs_np...，Pobs_s}，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，Psim_mnp表示为第m个工况下第np节点的模拟压力监测点数据，Pobs_np表示为np节点的观测压力监测点数据，w_np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X_i＝(LN_j，q_j)，i＝1，2，...，M，j＝1，2，...，N，LN_j表示漏损节点j处节点索引，N表示管网总节点个数，q_i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≤Δq_n≤Q_L，n∈{1，...，N}

其中，Δq_n表示节点需求的变化间隔，Q_L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X_i＝(LN_j，q_j)，i＝1，2，...，M，j＝1，2，...，N，LN_j表示漏损节点j处节点索引，N表示管网总节点个数，q_i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X_i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X_a(t)、X_β(t)、X_δ(t)三只灰狼更靠近最优位置。因此，我们保存获得的X_a(t)、X_β(t)、X_δ(t)最优位置，并强制所有灰狼个体X_i(t)根据三只最优灰狼X_a(t)、X_β(t)、X_δ(t)位置来更新X_i(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，X_i-GWO(t+1)表示为第t+1次迭代灰狼个体X_i(t+1)的候选位置；X_i-a(t)、X_i-β(t)和X_i-δ(t)分别表示每个灰狼个体X_i(t)需要移动的步长和方向；X_a(t)、X_β(t)以及X_δ(t)分别表示三只最优灰狼个体的当前第t次迭代位置；A_a、A_β和A_δ表示系数；

D(t)＝|C·X_p(t)-X_i(t)|

其中，D(t)表示为灰狼个体X_i(t)与潜在最优个体X_p(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，X_p(t)表示第t次迭代中潜在最优个体X_p(t)的位置；X_i(t)表示第t次迭代中灰狼个体X_i的位置。

步骤4.3，运动和更新阶段

通过比较灰狼个体X_i(t)的两个候选位置X_i-GWO(t+1)和X_i-DLH(t+1)的适应度值来选择第t+1次迭代时X_i(t+1)的位置，具体选择公式如下：

X_i-DLH(t+1)＝X_i(t)+rand×(X_n(t)-X_r(t))

其中，X_i-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；X_i-DLH(t+1)表示另外一个候选位置；X_r(t)表示为从M个灰狼个体中随机选择的一个灰狼个体；X_n(t)表示通过从N_i(t)中选择的随机邻域，具体计算公式如下：

R_i(t)＝||X_i(t)-X_i-GWO(t+1)||

N_i(t)＝{X_j(t)|L_i(X_i(t)，X_j(t))≤R_i(t)，X_j(t)∈Pop}

其中，N_i(t)表示X_i(t)的邻域，通过半径R_i(t)构造；L_i(X_i(t)，X_j(t))是X_i(t)和X_j(t)之间的欧氏距离，t＝1,2，...，T表示第t次迭代；R_i(t)表示X_i(t)的当前位置和X_i-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X_i(t+1)的位置，如果t+1达到最大迭代次数T，输出最优解G＝(LN_j，q_j)，j＝1，2，...，N，LN_j表示漏损节点j处节点索引，N表示管网总节点个数，q_j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,Pobs_np…,Pobs_s}

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，w_np表示对应np节点压力的无量纲系数，Psim_mnp表示模拟压力数据矩阵中的第m行、第np列的元素，Pobs_np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：X_i＝(LN_j，q_j)，i＝1，2，...，M，j＝1，2，...，N，LN_j表示漏损节点j处节点索引，N表示供水管网节点个数，q_j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≤Δq_n≤Q_L，n∈{1，...，N}

其中，Δq_n表示节点需求的变化间隔，Q_L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X_i＝(LN_j，q_j)，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X_i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X_a(t)、X_β(t)、X_δ(t)三只灰狼更靠近最优位置；保存获得的X_a(t)、X_β(t)、X_δ(t)最优位置，并强制所有灰狼个体X_i(t)根据三只最优灰狼X_a(t)、X_β(t)、X_δ(t)位置来更新X_i(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X_i-GWO(t+1)和X_i-DLH(t+1)的适应度值来选择第t+1次迭代时X_i(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X_i(t+1)的位置，如果t+1达到最大迭代次数T，输出最优解G＝(LN_j，q_j)，判定出漏损位置和漏损量。

5.根据权利要求4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，所述的候选位置的计算公式如下所示：

其中，t是目前的迭代次数，X_i-GWO(t+1)表示为第t+1次迭代灰狼个体X_i(t+1)的候选位置，X_i-a(t)、X_i-β(t)和X_i-δ(t)分别表示每个灰狼个体X_i(t)需要移动的步长和方向。

6.根据权利要求5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，所述的每个灰狼个体X_i(t)需要移动的步长和方向的计算公式如下：

其中，X_a(t)、X_β(t)以及X_δ(t)分别表示三只最优灰狼个体的当前第t次迭代位置，A_a、A_β和A_δ表示系数；D_α(t)、D_β(t)、D_δ(t)分别表示三只最优灰狼个体的X_a(t)、X_β(t)、X_δ(t)与潜在最优个体X_p(t)之间的距离，其计算公式如下：

其中，C是系数，X_p(t)表示第t次迭代中潜在最优个体X_p(t)的位置。

7.根据权利要求6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，所述的通过比较灰狼个体X_i(t)的两个候选位置X_i-GWO(t+1)和X_i-DLH(t+1)的适应度值来选择第t+1次迭代时X_i(t+1)的位置的选择公式如下：

X_i-DLH(t+1)＝X_i(t)+rand×(X_n(t)-X_r(t))

其中，X_i-GWO(t+1)表示通过狩猎搜索阶段计算得到的候选位置，X_i-DLH(t+1)表示另外一个候选位置，X_r(t)表示为从M个灰狼个体中随机选择的一个灰狼个体，X_n(t)表示通过从N_i(t)中选择的随机邻域。

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：

R_i(t)＝||X_i(t)-X_i-GWO(t+1)||

N_i(t)＝{X_j(t)|L_i(X_i(t)，X_j(t))≤R_i(t)，X_j(t)∈Pop}

其中，N_i(t)表示X_i(t)的邻域，通过半径R_i(t)构造；L_i(X_i(t)，X_j(t))是X_i(t)和X_j(t)之间的欧氏距离，t＝1，2，...，T表示第t次迭代；R_i(t)表示X_i(t)的当前位置和X_i-GWO(t+1)之间的欧几里得距离。

Images