CN117521313A - 用于对管道网络进行泄漏检测的方法和装置 - Google Patents

Abstract

本申请涉及一种用于对管道网络进行泄漏检测的方法和装置。所述包括基于实际的管道网络的网络拓扑和配置信息构建管网仿真系统，并使得管网仿真系统基于实际管网的传感器信息运行；基于管网仿真系统中各个节点在第一时段内的节点压力信息，生成包含至少部分节点的压力波动曲线的瞬态压力时序图；利用管网仿真系统，生成管道网络的包含第一时段内各个时间点的压力分布云图的压力分布云图序列；基于瞬态压力时序图和压力分布图序列，利用训练好的深度神经网络预测所述管道网络中一个或者一个以上泄漏点的相关信息。本申请的方法能够对含有环状网络的复杂管道网络中的一个或一个以上的泄漏点进行高效、准确且精度更高的预测。

Description

用于对管道网络进行泄漏检测的方法和装置

技术领域

本申请涉及管道泄漏检测技术领域，尤其涉及一种用于对管道网络进行泄漏检测的方法和装置。

背景技术

现在行业内的管网泄漏检测大致可以采用两类方法：一种是依靠传统探测仪、检测车进行检漏，但这种人工泄漏探测的方法往往费时费力，不够及时。第二类方法是通过安装计算软件和传感器，并利用压力波算法等进行泄漏检测预警。第二种基于软件计算的方式，更多地是单独应用于长直管段上单个泄漏点进行泄漏检测，而对于诸如城市水管网、燃气管网等更为复杂的应用场景，由于管网中的设备更多，环状网路也较多，并且管网的压力和流量始终在动态变化，特别是在存在多个泄漏点的情况下，管网各处的压力、流量等参数彼此之间相互影响较大，变量的维度急剧增加并且彼此之间的关系无法准确地表示，因此这种计算方式的准确性可能大大下降甚至不再适用。

因此，目前尚未发现能够很好地解决较为复杂的管道网络场景下，对不限于单个的泄漏点进行快捷、准确的泄漏检测的现有技术。

发明内容

提供了本申请以解决现有技术中存在的上述问题。

需要一种用于对管道网络进行泄漏检测的方法和装置，其能够对包括含有环状网络的各种网络结构的复杂管道网络中的一个或一个以上的泄漏点进行高效、准确的预测。

根据本申请的第一方案，提供一种用于对管道网络进行泄漏检测的方法，包括基于实际的管道网络的网络拓扑、各个节点的第一配置信息和节点间管段的第二配置信息，构建管网仿真系统，并且所述管网仿真系统基于实际的管道网络中各个节点的传感器信息而运行；基于所述管网仿真系统中各个节点在第一时段内的节点压力信息，生成包含至少部分节点的压力波动曲线的瞬态压力时序图，其中，所述第一时段包含所述管道网络发生泄漏的时间点；利用所述管网仿真系统，生成所述管道网络的包含所述第一时段内各个时间点的压力分布云图的压力分布云图序列，其中，所述压力分布云图中包含所述管道网络各处的压力信息；基于所述瞬态压力时序图和所述压力分布图序列，利用训练好的深度神经网络预测所述管道网络中一个或者一个以上泄漏点的相关信息；其中，所述深度神经网络基于利用所述管网仿真系统生成的模拟泄漏训练集预先训练收敛而得到。

根据本申请的第二方案，提供一种用于对管道网络进行泄漏检测的装置，所述装置包括：接口，其被配置为获取实际的管道网络的网络拓扑、各个节点的第一配置信息和节点间管段的第二配置信息，以及实际的管道网络中各个节点的传感器信息。所述装置还包括至少一个处理器，其被配置为执行根据本申请各个实施例所述的用于对管道网络进行泄漏检测的方法的步骤。

根据本申请实施例的对管道网络进行泄漏检测的方法和装置，在管网发生泄漏的情况下，能够利用预先训练好的深度神经网络，通过管网仿真系统生成的各个节点的瞬态压力时序图和整个管网范围内的压力分布云图来对任意网络拓扑的管网中的泄漏点进行整体预测，而不限于对单个管段中的单个泄漏点进行预测，特别是对于包含环状网络的复杂网络，本申请中的方法不仅具有更快的预测速度，预测结果的准确度和精度也更高。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。

图1示出根据本申请实施例的用于对管道网络进行泄漏检测的方法的流程示意图。

图2（a）示出根据本申请实施例的网络拓扑示意图。

图2（b）示出根据本申请实施例的节点瞬态压力时序图的示意图。

图3示出根据本申请实施例的另一管网的网络拓扑及其对应的不同时刻的压力分布云图。

图4示出根据本申请实施例的利用梯度下降法求解管道网络中压力分布的极值点的示意图。

图5（a）示出根据本申请实施例的深度神经网络的组成示意图。

图5（b）示出根据本申请实施例的深度神经网络对泄漏点的相关信息进行预测的流程示意图。

图6示出根据本申请实施例的用于对管道网络进行泄漏检测的装置的部分组成示意图。

具体实施方式

为使本领域技术人员更好的理解本申请的技术方案，下面结合附图和具体实施方式对本申请作详细说明。下面结合附图和具体实施例对本申请的实施例作进一步详细描述，但不作为对本申请的限定。

本申请中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。本申请中结合附图所描述的方法中各个步骤的执行顺序并不作为限定。只要不影响各个步骤之间的逻辑关系，可以将数个步骤整合为单个步骤，可以将单个步骤分解为多个步骤，也可以按照具体需求调换各个步骤的执行次序。

图1示出根据本申请实施例的用于对管道网络进行泄漏检测的方法的流程示意图。在本申请的实施例中，管道网络（在下文中也称作管网）可以是燃气管网、供水管网或供热管网等，管道中的内容物可以为液体也可以为气体，本申请对此不做限制。

如图1所示，在步骤101中，基于实际的管道网络的网络拓扑、各个节点的第一配置信息和节点间管段的第二配置信息，构建管网仿真系统，并且所述管网仿真系统基于实际的管道网络中各个节点的传感器信息而运行。

以实际的管道网络为供水管网为例，例如可以采用水管网弹性工具（WNTR）来构建管网仿真系统。WNTR是Python旨在模拟和分析配水网络的弹性的软件包。在利用WNTR构建管网仿真系统时，管网通常包括管道、泵、阀门、连接点、储罐和水库等组件，网络节点则可以包括水源点、末端用户节点、铰接点（水泵等压力突变点）。各个节点的第一配置信息至少包括压力参数信息和局部水头损失信息等，节点间管段的第二配置信息至少包括管网正常运行情况下，节点间管段的沿程水头损失参数等。第一配置信息和第二配置信息可以在WNTR等软件包中基于实际管道网络的参数来对应设置，部分参数也可以基于一定的经验模型而设置为对应的典型值，在此不赘述。

在WNTR等软件包中，允许对管网的网络结构和各个组件的参数进行用户自定义设置，并且支持对包括管网泄漏在内的破坏性事件的模拟和恢复等操作，因此，在管网仿真系统中，可以通过设置泄漏点及其位置等参数，来对不同状况的管网泄漏进行仿真模拟。

在另外一些实施例中，也可以不采用WNTR等软件包，完全由用户根据实际的管道网络来自行开发管网仿真系统，本申请对此不做限制。

在步骤102中，基于所述管网仿真系统中各个节点在第一时段内的节点压力信息，生成包含至少部分节点的压力波动曲线的瞬态压力时序图，其中，所述第一时段包含所述管道网络发生泄漏的时间点。

图2（a）示出根据本申请实施例的网络拓扑示意图。图2（b）示出根据本申请实施例的节点瞬态压力时序图的示意图。图2（a）示出了管网中的部分节点，包括节点16、节点20、节点30、节点45、节点90等。在该管道网络中，实际上还有其他的网络节点未做标记。图2（a）中还示出了泄漏点L的位置。

图2（b）示出了图2（a）的管道网络中，当在泄漏点L的位置发生管道泄漏的情况下，由节点16、节点20、节点30、节点45、节点90处的压力波动曲线组成的瞬态压力时序图，其中，横坐标为时间，纵坐标为以水头（单位：米）表示的节点压力。将图2（a）与图2（b）对照查看，可以看到泄漏点L处发生泄漏对各个节点的压力的变化时序和幅度波动状况的影响。例如，距离泄漏点L最近的节点90的压力首先产生波动，并且波动最为剧烈；其次是距离泄漏点L较近的节点30产生波动，接下来受到影响的依次是节点20、节点45等等，可以看到，波动的开始时间以及波动的幅度与距离泄漏点L的远近相关联，并且从整体来看与距离泄漏点L的远近呈正相关关系。但须知，还可能存在其他与图2（a）和图2（b）所示不完全相同的情况，特别是对于复杂管网，和/或存在多个泄漏点的情况，各个节点受到一个或多个泄漏点的影响可能是复合的，其压力变化的时序和幅度波动状况并不一定能够以距离或其他单一的指标去简单衡量，也无法用传统的解析计算的方法来精确计算。

在一些实施例中，瞬态压力时序图中所包含的节点数量以及具体节点的选择例如可以考虑以足够的密度实现整个管道网络的较为均匀的覆盖为准则，也可以采用其他的节点选取方式，或者，在另一些实施例中，也可以将管网中所有节点的数据纳入瞬态压力时序图，等等，只要能够保证泄漏点检测效果即可，本申请对此不做具体限定。此外，还可以优先选用实际的管道网络中安装有压力、流量等传感器设备的节点，这样，节点的压力数据可以更真实。可以理解的是，瞬态压力时序图中所包含的节点数量越多，其所表征的与泄漏点相关的信息也将越丰富，但其中也可能包含部分冗余信息，后续深度神经网络训练和预测的复杂度也将更高。因此，可以在综合考虑泄漏检测的性能以及后续深度神经网络训练及预测的复杂度的情况下，在深度神经网络的训练过程中预先通过多次实验来确定泄漏检测所需的具有较少节点数量的最优节点集，从而在保证泄漏检测性能的同时，尽可能地缩短训练时间，减小计算资源的消耗。

在步骤103中，利用所述管网仿真系统，生成所述管道网络的包含所述第一时段内各个时间点的压力分布云图的压力分布云图序列，其中，所述压力分布云图中包含所述管道网络各处的压力信息。

图3示出根据本申请实施例的另一管网的网络拓扑及其对应的不同时刻的压力分布云图，图3中，左一为管网的网络拓扑，左二、左三、左四和左五分别为0时、6时、12时和18时对应的压力分布云图，为了方便观察，可以将管网的网络拓扑与压力分布云图在坐标位置对齐的情况下叠加显示。不同颜色（灰度）所代表的压力值不同，因此，可以看到，不同时刻的压力分布云图中，不同区域、不同位置的压力也不同。可以理解的是，当管网中的某处发生泄漏时，必然会使得压力分布云图中的压力分布发生相应的变化，并且，当以适当的时间间隔采集多个不同时刻的压力分布云图，序列中各个压力分布云图中也将蕴含由泄漏点泄漏所导致的压力分布的变化信息。进一步地，泄漏点的位置和数量，以及泄漏点的其他参数信息都可以通过压力分布云图序列得到体现。

在步骤104中，基于所述瞬态压力时序图和所述压力分布图序列，利用训练好的深度神经网络预测所述管道网络中一个或者一个以上泄漏点的相关信息；其中，所述深度神经网络基于利用所述管网仿真系统生成的模拟泄漏训练集预先训练收敛而得到。

根据本申请的实施例的用于对管道网络进行泄漏检测的方法，通过管网仿真系统采集发生泄漏之后一段时间内至少部分节点的压力波动曲线而生成节点的瞬态压力时序图，以及通过计算生成整个管网在不同时间点上的压力分布云图序列，由于上述瞬态压力时序图和压力分布云图序列中包含了丰富压力在节点间传播的信息，能够充分表征泄漏点对于网络节点压力等管网状态的影响，因此，可以利用训练好的深度神经网络来对不限于单个的泄漏点进行准确识别，并且，相对于传统的泄漏点计算方法多数只能应用于长直管段上单个泄漏点的检测而言，本申请的方法能够检测的泄漏点数量更多，并且适用于各种复杂的管网网络拓扑，可以对多个泄漏点进行整体检测，适用性更好，效率更高，同时也具有更高的准确度和预测精度。

值得注意的是，由于根据本申请的实施例的用于对管道网络进行泄漏检测的方法并非通过解析计算来进行泄漏点定位，因此，其对作为泄漏检测对象的管网的完整性没有严格要求，即，该管道网络可以是对更大规模的完整管网进行分割后的部分管网，如此，可以针对深度神经网络的复杂度、训练时间等方面的需求，来对所要进行泄漏检测的管网按需分割为多个子管网，并利用各个子管网对各自对应的深度神经网络进行训练，以及，利用各个训练好的对应的深度神经网络，并行地对各个子管网中的泄漏点相关信息进行预测。如此，可以以较小的运算复杂度和较短的训练时间，实现对较大规模管网的泄漏检测。

在一些实施例中，所述泄漏点的相关信息包括各个泄漏点的位置信息，模拟泄漏训练集中的训练数据可以按如下方式生成：

首先，将泄漏点数量、泄漏点位置、泄漏孔径和管网负荷四个要素作为变量，在（泄漏点数量，泄漏点位置，泄漏孔径，管网负荷）四元组中各个要素的取值范围内随机设置各个要素的值，然后，利用所生成的四元组中的各个要素的值来设置所述管网仿真系统的仿真条件，运行所述管网仿真系统，并采集各个节点在第一时段内的各个时间点的节点压力信息，以生成包含至少部分节点的压力波动曲线的瞬态压力时序图和包含所述第一时段内各个时间点的压力分布云图的压力分布云图序列，并将此时的各个泄漏点的位置信息作为该瞬态压力时序图和压力分布云图序列的真值标注，从而生成带有真值标注的训练数据。进一步地，由于泄漏点数量、泄漏点位置、泄漏孔径和管网负荷等四个要素的值采用随机设置的方式，因此，所生成的模拟泄漏训练集中的训练数据要具有足够的数量，从而保证各个要素在各自的取值范围内具有较高的覆盖度。

在一些实施例中，所述第一时段的时长不小于所述管道网络中任意两点之间压力传播的时长的最大值，这样，可以确保管网中设置的任意位置的泄漏点对管网中其他位置的影响能够被采集到并在节点的压力波动曲线的瞬态压力时序图和压力分布云图序列中得到体现。具体地，第一时段的时长例如可以设定为第一部分与第二部分之和，其中，第一部分为一个管网运行周期，例如可以是一周时长，由此可以记录管网不同时间段的运行规律变化曲线；第二部分则是任意两点之间压力传播的时长的最大值，例如可以通过选取管网中距离最远的两个传感器，遍历搜索其间的各条连通管路来找出最长的路径，并用最长路径除以信号传播的速度来求得第二部分的时长。

示例性地，各个要素例如可以按如下方式进行离散化取值：

泄漏点数量为从0到N的自然数，其中，泄漏点数量为0，对应于管道网络正常运行，未发生泄漏，而通过设置大于或等于2的泄漏点数量，可以使得本申请中的训练好的深度神经网络能够预测一个以上的泄漏点的位置信息。

泄漏点位置取值为绝对位置+相对位置，其中绝对位置为管段集合的各个管段起点的位置，相对位置为以绝对位置为起点的对应管段上的n个空间步长，所述空间步长根据预测泄漏点的位置信息的精度要求来设置，各个管段对应的n的值基于管段长度和空间步长来确定。例如，在希望更精确地预测泄漏点的位置的情况下，可以将空间步长设置为较小的值，相应地，同一管段对应的n的值也将更大，也即，具有位置精度更高的更多的泄漏点位置。仅作为示例，泄漏点位置例如可以在有向图中建立，对于长度为，编号为Length(i,j)的管段（简记为L(i,j)），假设空间步长设置为/>，i和j分别为管段的管网节点编号，其中，i为起点，j为终点，/>，/>，n为管道网络中节点的总数，则在管道网络中，管段L(i,j)上各个泄漏点位置可以标记为：

在一些实施例中，各个管段L(i,j)可以具有相同的空间步长，在另一些实施例中，各个管段L(i,j)的空间步长/>也可以根据泄漏点定位的具体要求而设置为彼此不同的值，例如，越老旧的管道网络的空间步长可以设置为越短；可选地或附加地，对于同一管道网络中的不同管段，则可以根据管段的老旧程度来相关联地设置对应的空间步长，以使得管段的老旧程度越高，对应的空间步长越短。可选地或附加地，还可以针对有焊口、变径接口的管网或管段，将焊口、变径接口处的位置坐标设置为潜在的泄漏点位置，等等，本申请对此不做限制。如此，可以在模拟泄漏训练集中包含发生泄漏概率较高的典型情况，从而使得训练好的深度神经网络能够更准确地对泄漏点位置进行预测。

在一些实施例中，可以在将各个管段的直径均匀离散化的基础上，使得泄漏孔径在泄漏点所属管段的直径范围内的各个离散化点的值，泄漏孔径越大，所表征的泄漏速度通常也越快，对应的瞬态压力时序图和压力分布云图序列也将具有不同的特征。在另一些实施例中，也可以通过计算，将泄漏孔径设置为一个足够大的预设值，通过预设值的设置，可以使得在该泄漏点上排干管道中的气体/液体。

在一些实施例中，还可以对管网负荷进行配置，例如至少可以包括高峰负荷、低峰负荷和日平均负荷等，从而模拟不同管网使用情况下诸如节点压力、管网流量等的参数状况。

在一些实施例中，可以将各个泄漏点的位置信息、泄漏孔径等信息可以作为泄漏参数加载到管网仿真网络的泄漏模型中，以便泄漏模型在管网仿真系统运行时对泄漏进行模拟。仅作为示例，当所设置的泄漏点在管段的中间位置时，可以在泄漏点位置将原有管道分成两个部分，并添加一个具有特定用气量/用水量的网络节点，从而形成一个不利工况点。仅作为示例，例如供水管网中可以采用Crowl和Louvar提出的方程的一般形式对泄漏进行建模，其中流体通过孔的质量流量表示为：

其中为泄漏量(m³/s)，/>为出流系数（默认湍流时，出流系数为0.75，可以根据需要指定其他值)，A为孔面积(m²)，p为管内表压(Pa)，α为流量系数（与泄漏孔径相关联，在0-1之间取值），ρ为流体密度。

此外，对泄漏点的模拟方式取决于管网仿真系统的仿真机制，本申请对此不做具体限制。

根据本申请的实施例通过对（泄漏点数量，泄漏点位置，泄漏孔径，管网负荷）四元组中各个要素的取值进行设置，并利用管网仿真系统生成的模拟泄漏训练数据对深度神经网络进行训练，可以使得深度神经网络习得管道网络在不同的泄漏条件下的网络特征，因此，训练好的深度神经网络可以具有较好的泄漏点相关信息的预测能力。

在另一些实施例中，也可以对所有的（泄漏点数量，泄漏点位置，泄漏孔径，管网负荷）四元组中各个要素的取值进行遍历，以生成具有更全面的覆盖度的瞬态压力时序图和压力分布云图序列，由此可以更进一步保证深度神经网络习得管道网络在各种不同的泄漏条件下的网络特征，在用于泄漏点相关信息预测时具有更高的准确度。

在另一些实施例中，也可以对（泄漏点数量，泄漏点位置，泄漏孔径，管网负荷）四元组中的不同的要素进行可选择地离散化和取值设置，以满足泄漏点相关信息预测在不同参数精度和预测准确度等方面的需求，并使得深度神经网络的训练能够收敛并且具有可接受的收敛时间。各个要素的离散化和取值的具体方式本申请不做具体限定。

如上所述是管道网络为单级压力级制的情况，在另一些实施例中，管道网络也可以是具有不同压力级制的混合网络，例如，在燃气管网中，大型工业企业需要中压或高压燃气，因此可以采用较高压力的管道输送；而对于诸如居民用户和小型公共建筑用户而言仅需要低压燃气，可以采用低压管道，在城市未改建的老区，建筑物比较密集，街道和人行道比较狭窄，不宜敷设高压或中压A级管道，因此也会采用低压管道，等等。此外，管道网络整体或网络的局部还可能具有不同的硬件部署密度要求，在这种情况下，例如可以在（压力级制、硬件部署密度、泄漏点数量，泄漏点位置，泄漏孔径，管网负荷）六元组中各个要素的取值范围内随机设置各个要素的值，利用所生成的六元组中的各个要素的值来设置所述管网仿真系统的仿真条件，以生成带有各个泄漏点的位置信息真值标注的瞬态压力时序图和压力分布云图序列，作为所述模拟泄漏训练集中的训练数据。示例性地，各个要素例如可以按如下方式进行离散化取值：

压力级制和硬件部署密度的取值范围根据实际的管道网络的参数来设定。例如，一些管网可以由低压和中压，或，中压和次高压两级压力级制的管网组成，另一些管网可以是包括低压、中压（或次高压）和高压的三级管网。此外，还有一些由低压、中压、次高压和高压，甚至更高压力组成的管网，因此，压力级制的具体取值范围可以根据实际管道网络的参数设置来确定。

泄漏点数量为从0到N的自然数；泄漏点位置取值为绝对位置+相对位置，其中绝对位置为管段集合的各个管段起点的位置，相对位置为以绝对位置为起点的对应管段上的n个空间步长，所述空间步长根据预测泄漏点的位置信息的精度要求来设置，各个管段对应的n的值基于管段长度和空间步长来确定；泄漏孔径在泄漏点所属管段的直径范围内均匀取值；管网负荷至少包括高峰负荷、低峰负荷和日平均负荷。泄漏点数量、位置、孔径及管网负荷的取值方式已经在之前的实施例中进行了详细的说明，在此不赘述。

此外，假设管网中存在泄漏点，并且该泄漏点的泄漏状况具有动态变化的趋势，由于模拟泄漏训练集中的训练数据包括了各个节点的瞬态压力时序图和第一时段内各个时间点的压力分布云图，因此，深度神经网络在训练过程中可以充分学习到泄漏点对管网中各个节点的影响的动态变化，因此，训练好的深度神经网络可以具有识别泄漏点泄漏状况变化趋势的能力。也就是说，在一些实施例中，除了泄漏点数量和各个泄漏点的位置信息之外，泄漏点的相关信息还可以包括各个泄漏点的泄漏趋势，在这种情况下，以四元组为例，模拟泄漏训练集中的训练数据可以按如下方式生成：

在（泄漏点数量，泄漏点位置，泄漏孔径，管网负荷）四元组中各个要素的取值范围内随机设置各个要素的值，在各个泄漏点中随机选择第一泄漏点，并将所述第一泄漏点的泄漏孔径设置为按第一比例动态增大；利用所生成的四元组中的各个要素的值来设置所述管网仿真系统的仿真条件，以生成带有（各个泄漏点的位置信息，各个泄漏点的泄漏趋势）真值标注的瞬态压力时序图和压力分布云图序列，作为所述模拟泄漏训练集中的训练数据。其中，泄漏点数量、泄漏点位置取值、泄漏孔径、管网负荷的取值方式和取值范围已经在前述实施例中进行了详细说明，在此不赘述。

在一些实施例中，泄漏趋势可以设置为包括稳定和加剧两者情况。在另一些实施例中，泄漏趋势也可以设置为包括稳定、缓慢加剧和急速加剧等多种状况，本申请对此不做具体限制。

在其他实施例中，在实际管道网络还包含其他可变要素的情况下，可以将该可变要素加入原有的四元组或六元组中从而形成用于表征实际管道网络各种运行和泄漏状况的参数组合，并以该参数组合配置管网仿真系统，从而生成用于深度神经网络训练的模拟泄漏训练数据集，使得训练好的深度神经网络能够用于各种运行状况的管道网络中泄漏点相关信息的更准确的预测。此外，对各个泄漏点的泄漏趋势进行真值标注同样适用于（压力级制、硬件部署密度、泄漏点数量，泄漏点位置，泄漏孔径，管网负荷）六元组以及其他更多可变要素的情况，本申请对此不做限制。

在一些实施例中，在利用所述管网仿真系统来生成压力分布云图序列可以进一步包括：利用所述管网仿真系统和梯度下降法，确定所述第一时段内各个时间点的所述管道网络中压力分布的极大值点和极小值点，并进一步基于所确定的各个极大值点和极小值点，以及所述管道网络中的最大值点和最小值点来生成所述压力分布云图序列。通常情况下，管道网络中的压力最大值点通常位于管网中的气源点，并且由于气源点位于管段的起始点，因此其位置只有绝对位置而相对位置为0；管道网络中的压力最小值点通常位于管网中的末端用户节点。

在一些实施例中，可以采用诸如梯度下降法来求解管道网络中的压力极值点。梯度下降法（gradient descent）是一种一阶（first-order）优化方法，在根据本申请的实施例中，首先将诸如（泄漏点数量，泄漏点位置，泄漏孔径，管网负荷）四元组或（压力级制、硬件部署密度、泄漏点数量，泄漏点位置，泄漏孔径，管网负荷）六元组作为管网仿真系统的输入，以获取各个节点处的压力值，并且利用梯度下降法求取管网仿真系统中所包含的压力模型的极大值点和极小值点，然后基于各个节点处的压力值和所求取的极大值点和极小值点，生成节点压力的三维响应面图。

图4示出根据本申请实施例的利用梯度下降法求解管道网络中压力分布的极值点的示意图。如图4所示，x、y分别代表管网结构的横纵坐标，z则代表沿着管网结构的压力值，其可以用三维响应面拟合函数f表示为：

z=f(h(d,t,T,Q, ...),g(x,y,))

其中，g(x,y)为管网结构上的点的地理坐标，x、y分别代表横坐标和纵坐标，h(d,t,T,Q, ...)为管网仿真系统的压力计算模型，其中d为管段直径、t为时间戳、T为温度参数，Q为节点流量信息，等等，值得注意的是，h在计算时可以使用更多或更少的管网参数，在此所列举的上述参数仅为示例性的，不作为限制。

接下来可以利用梯度下降法，在以x和y为自变量的二元函数中找到极值点。由各个自变量的偏导数构建的梯度向量的数学表达式为：

二元函数的数学表达式为：

其中，为梯度下降法的步长。由此，可以找到响应面中的极大值、极小值点及对应的坐标。图4所示的三维响应面图中有多个极值点，可以用不同的颜色或灰度等图像值表示不同的压力值，例如颜色最红表示极大值，颜色最蓝表示极小值，等等。三维响应面图的极大值通常代表管网的水源点/气源点压力，极小值点代表末端用户用气压力，对于有多个水源点/气源点的响应面图，极小值点还可以代表复杂环状管网的铰接点（诸如水泵等压力突变点）。值得注意的是，位于管网边界处的水源点/气源点等无法利用梯度下降法获取，其可以作为管网中的最大值点来单独计算。此外，在存在泄漏点的情况下，极小值点也可能表示该处为泄漏点，进一步地，随着泄漏的发生或发展（例如泄漏状况可能由于泄漏孔径逐渐加大而加剧等），三维响应面图中极值点的分布，以及极值点处的图像值也可能随之改变。

在另一些实施例中，除梯度下降法之外，也可以采用其他诸如共轭梯度法、拟牛顿法、遗传算法等其他的算法来求取响应面图中的极值点，本申请对此不做限制。

在利用梯度下降法或其他任何适用的算法计算得到包含了各个极值点和最值点的三维响应面图之后，可以进一步生成对应的如图3所示的二维压力分布云图。具体地，例如可以将z轴上的值以不同的颜色（或灰度）的等值线显示在二维压力分布云图上，这样，在利用具有压力值区分度的压力分布云图序列对深度神经网络进行训练时，可以学习到包括管网节点在内的各个位置处的压力值随时间的变化特征，从而使得训练好的深度神经网络能够根据这些特征来对泄漏点的具体位置和泄漏状况进行准确地预测。具体地，例如还可以将管网拓扑图按照地理坐标的位置对应地叠加显示在二维压力分布云图上。进一步地，还可以利用管网拓扑中的至少部分节点（例如以节点名称）对压力分布云图对应极值点/最值点进行标注，例如：，/>等，其中，/>为编号为1的极大值点/最大值点，/>为编号为1的极小值点/最小值点。这样，在利用带有极值点/最值点标注的压力分布云图序列对深度神经网络进行训练时，可以特别学习到各个压力分布云图在各个节点上的变化情况，有利于缩短训练时间，并且使得训练好的深度神经网络具有更好的预测性能。

在一些实施例中，在利用深度神经网络对泄漏点及其相关信息进行预测之后，还可以进一步对各个泄漏点的优先级进行标识，并将其作为对泄漏点进行进一步核查时的提示信息。具体地，可以对各个相邻节点之间的管段上的泄漏点数量进行判断，将位于同一管段上各个泄漏点的优先级设置为高优先级。可选地或者附加地，在能够预测各个泄漏点的泄漏趋势的情况下，还可以对各个泄漏点的泄漏趋势进行判断，将所述泄漏趋势为加剧的泄漏点的优先级设置为高优先级。如此，在对各个泄漏点进行人工核实的过程中，可以优先对具有高优先级的泄漏点进行人工核实，这样，在识别到管网中具有多个泄漏点的情况下，可以优先排查对管网中影响更大的泄漏点，并对情况更紧急的泄漏点优先实施补救措施，为管网泄漏抢修提供更高效的决策支持，提高管网泄漏修复的整体时间。

图5（a）示出根据本申请实施例的深度神经网络的组成示意图。图5（b）示出根据本申请实施例的深度神经网络对泄漏点的相关信息进行预测的流程示意图。

如图5（a）所示，所述深度神经网络由特征提取网络51、RPN（Region ProposalNetwork）网络52、RoI（Region of Interest）池化层53和全连接层54依序串联而构成，所述特征提取网络51包括第一特征提取部511、第二特征提取部512和特征融合部513。

其中，第一特征提取部511可以配置为对所述瞬态压力时序图进行特征提取以生成第一特征矩阵；第二特征提取部512配置为对所述压力分布云图序列进行特征提取以生成第二特征图；特征融合部513配置为利用所述第一特征矩阵和网络拓扑信息，对基于所述第二特征图生成的锚点图进行冗余锚点抑制，以生成识别激活锚点后的第二特征图。RPN网络52可以配置为基于所述识别激活锚点后的第二特征图，对各个激活锚点的分类信息，以及对应的候选锚框的回归参数进行预测，以生成M个推荐框。RoI池化层53可以配置为对M个推荐框进行固定大小的池化操作，以生成固定大小的M个推荐框的特征图。全连接层54可以配置为基于M个推荐框的特征图，生成对M个泄漏点的相关信息的预测结果。

仅作为示例，可以利用上述部件和网络等，按图5（b）所示的步骤进行泄漏点的相关信息的预测。

如图5（b）所示，在步骤S501中，可以首先利用第一特征提取部511对所述瞬态压力时序图进行特征提取，以生成第一特征矩阵。具体地，第一特征矩阵例如可以表征瞬态压力时序图中各个节点与各个泄漏点之间的位置关系等，矩阵中的元素取值可能根据特征提取部的具体实现而不尽相同，本申请对此不做限制。

可以与步骤S501并行地，在步骤S501’中，利用第二特征提取部512对压力分布云图序列进行特征提取，以生成第二特征图。

具体地，第一特征提取部511和第二特征提取部512可以采用VGG、ResNet等网络结构，本申请对此不做限制。

在步骤S502中，利用特征融合部513，首先基于第一特征矩阵和网络拓扑信息，生成和第二特征图相同大小的第三特征图，并利用第三特征图，对基于第二特征图生成的锚点图进行冗余锚点抑制，从而生成识别激活锚点后的第二特征图。具体地，基于第一特征矩阵和网络拓扑信息所生成的第三特征图可以是节点或管段带有泄漏点概率值标注的网络拓扑图，因此，在利用第三特征图对第二特征图进行冗余锚点抑制时，可以仅保留位于网络拓扑图中管网沿线的锚点，而偏离管网沿线超过第一距离阈值（具体取值可以通过实验来预先确定）的锚点将作为冗余锚点被抑制，并且，泄漏点概率值较低的节点或管段附近的锚点相应地进行更多地抑制，由此，冗余锚点抑制后，仅将管网沿线且具有更大泄漏点概率值的位置附近的锚点识别为激活锚点。冗余锚点抑制的具体方式可以按需设定，本申请对此不做限制。在另一些实施例中，在一些实施例中，还可以对第三特征图进行下采样等尺寸变换处理，以便能够以相同的尺寸与第二特征图进行特征融合。

在步骤S503中，可以利用RPN网络52，基于识别激活锚点后的第二特征图，对各个激活锚点的分类信息和对应的候选锚框（region proposals）的回归参数进行预测，以生成M个推荐框。其中，RPN网络52可以采用各种适用的网络结构，例如卷积网络，本申请对此不做限制。所预测的候选锚框的回归参数例如可以包括候选锚框的位置，以及用于调整各个激活锚点对应的候选锚框的大小和位置的偏移量信息。例如，偏移量信息可以用四个参数（dx, dy, dw, dh）表示，其中dx和dy表示中心坐标的偏移量，dw和dh表示候选框宽度和高度的缩放比例，在这种情况下，RPN网络52中用于预测候选锚框的回归参数的神经网络的输出层中的神经元数量可以设置为4n，其中n为每个激活锚点可以生成的候选锚框的个数，每个神经元对应输出一个回归参数。此外，对于数量为P的激活锚点及其对应的候选锚框，还可以基于锚点处的分类信息及候选锚框的回归参数，利用Softmax等非极大值抑制（Non-Maximum Suppression，NMS）方法，对各个候选锚框属于泄漏点锚框的概率进行排序，选出概率最高的候选锚框，删除和当前概率最高的候选锚框的重叠面积（IOU）大于一定阈值的候选锚框，从而避免各个接近的候选锚框实际上指向同一个泄漏点。按照上述方式遍历所有的候选锚框，直到留下M个推荐框，其中，M的值可以根据所需预测泄漏点的管网的规模等具体情况来设置，例如将M设置为不大于10的值，等等，本申请对此不做限制。

在步骤S504中，可以利用RoI池化层53对M个推荐框进行固定大小的池化操作，从而将M个推荐框映射为固定大小的M个推荐框的特征图。

在步骤S505中，可以利用全连接层54，将M个推荐框对应的RoI进行分类和回归，也即，基于M个推荐框的特征图来生成M个泄漏点的相关信息的预测结果。全连接层54中还可以包括softmax函数，以对RoI进行准确分类。其中，泄漏点的相关信息的预测结果包括各个泄漏点回归后的准确位置，还可以包括对各个泄漏点是否为泄漏点的信息，在另一些情况下，也可以包括泄漏点的泄漏趋势信息，其中，泄漏趋势信息可以包括稳定和加剧两种，也可以包括稳定、缓慢加剧和急速加剧等多种，本申请对此不做限制。

根据本申请的实施例还提供一种用于对管道网络进行泄漏检测的装置。图6示出根据本申请实施例的用于对管道网络进行泄漏检测的装置的部分组成示意图。如图6所示，装置600至少包括接口601和至少一个处理器602。其中，接口601可以被配置为获取实际的管道网络的网络拓扑、各个节点的第一配置信息和节点间管段的第二配置信息，以及实际的管道网络中各个节点的传感器信息。至少一个处理器602可以被配置为执行根据本申请各个实施例所述的用于对管道网络进行泄漏检测的方法的步骤。

在一些实施例中，至少一个处理器602例如可以是包括一个及以上通用处理器的处理部件，诸如微处理器、中央处理单元（CPU）、图形处理单元（GPU）等。更具体地，该处理部件可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理部件还可以是一个以上专用处理设备，诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、片上系统（SoC）等。此外，至少一个处理器602可以是本地的，也可以是部署在云端的计算和处理能力。

此外，装置600还可以包括存储介质（未示出），用于存储和运行管网仿真系统以及深度神经网络等，本申请对此不做限制。

根据本申请的实施例还提供一种非暂时性计算机可读存储介质，其上存储有计算机可执行的指令，其中当所述计算机可执行指令由处理器执行时，执行根据本申请各个实施例所述的用于对管道网络进行泄漏检测的方法的步骤。该存储介质例如可以是诸如只读存储器（ROM）、随机存取存储器（RAM）、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAMs)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、只读光盘存储器(CD-ROM)、数字多功能光盘(DVD)或其他光存储器、磁带或其他磁存储装置，或任意其他可用于存储能被计算机装置访问的信息或指令的非暂时性介质等。

此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本申请的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。

以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本申请。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本申请的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。

以上实施例仅为本申请的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (10)

1.一种用于对管道网络进行泄漏检测的方法，其特征在于，包括，

基于实际的管道网络的网络拓扑、各个节点的第一配置信息和节点间管段的第二配置信息，构建管网仿真系统，并且所述管网仿真系统基于实际的管道网络中各个节点的传感器信息而运行；

基于所述管网仿真系统中各个节点在第一时段内的节点压力信息，生成包含至少部分节点的压力波动曲线的瞬态压力时序图，其中，所述第一时段包含所述管道网络发生泄漏的时间点；

利用所述管网仿真系统，生成所述管道网络的包含所述第一时段内各个时间点的压力分布云图的压力分布云图序列，其中，所述压力分布云图中包含所述管道网络各处的压力信息；

基于所述瞬态压力时序图和所述压力分布图序列，利用训练好的深度神经网络预测所述管道网络中一个或者一个以上泄漏点的相关信息；其中，所述深度神经网络基于利用所述管网仿真系统生成的模拟泄漏训练集预先训练收敛而得到。

2.根据权利要求1所述的方法，其特征在于，所述泄漏点的相关信息包括各个泄漏点的位置信息，所述方法进一步包括：

在（泄漏点数量，泄漏点位置，泄漏孔径，管网负荷）四元组中各个要素的取值范围内随机设置各个要素的值，利用所生成的四元组中的各个要素的值来设置所述管网仿真系统的仿真条件，以生成带有各个泄漏点的位置信息真值标注的瞬态压力时序图和压力分布云图序列，作为所述模拟泄漏训练集中的训练数据，其中：

泄漏点数量为从0到N的自然数；

泄漏点位置取值为绝对位置+相对位置，其中绝对位置为管段集合的各个管段起点的位置，相对位置为以绝对位置为起点的对应管段上的n个空间步长，所述空间步长根据预测泄漏点的位置信息的精度要求来设置，各个管段对应的n的值基于管段长度和空间步长来确定；

泄漏孔径在泄漏点所属管段的直径范围内均匀取值；

管网负荷至少包括高峰负荷、低峰负荷和日平均负荷。

3.根据权利要求1所述的方法，其特征在于，所述泄漏点的相关信息包括各个泄漏点的位置信息，所述方法进一步包括：

在（压力级制、硬件部署密度、泄漏点数量，泄漏点位置，泄漏孔径，管网负荷）六元组中各个要素的取值范围内随机设置各个要素的值，利用所生成的六元组中的各个要素的值来设置所述管网仿真系统的仿真条件，以生成带有各个泄漏点的位置信息真值标注的瞬态压力时序图和压力分布云图序列，作为所述模拟泄漏训练集中的训练数据，其中：

压力级制和硬件部署密度的取值范围根据实际的管道网络的参数来设定；

泄漏点数量为从0到N的自然数；

泄漏点位置取值为绝对位置+相对位置，其中绝对位置为管段集合的各个管段起点的位置，相对位置为以绝对位置为起点的对应管段上的n个空间步长，所述空间步长根据预测泄漏点的位置信息的精度要求来设置，各个管段对应的n的值基于管段长度和空间步长来确定；

泄漏孔径在泄漏点所属管段的直径范围内均匀取值；

管网负荷至少包括高峰负荷、低峰负荷和日平均负荷。

4.根据权利要求3所述的方法，其特征在于，所述方法进一步包括：

与所述管道网络的老旧程度相关联地设置所述空间步长，使得老旧程度更高的管道网络对应的空间步长越短；和/或

与所述管道网络中管段的老旧程度相关联地设置所述空间步长，使得老旧程度更高的管段对应的空间步长越短；和/或

将管道网络中的焊口位置坐标，和/或变径接口位置坐标设置为泄漏点位置。

5.根据权利要求1所述的方法 ，其特征在于，所述泄漏点的相关信息包括各个泄漏点的位置信息和各个泄漏点的泄漏趋势，所述方法进一步包括：

在（泄漏点数量，泄漏点位置，泄漏孔径，管网负荷）四元组中各个要素的取值范围内随机设置各个要素的值，在各个泄漏点中随机选择第一泄漏点，并将所述第一泄漏点的泄漏孔径设置为按第一比例动态增大；利用所生成的四元组中的各个要素的值来设置所述管网仿真系统的仿真条件，以生成带有（各个泄漏点的位置信息，各个泄漏点的泄漏趋势）真值标注的瞬态压力时序图和压力分布云图序列，作为所述模拟泄漏训练集中的训练数据，其中：

泄漏点数量为从0到N的自然数；

泄漏点位置取值为绝对位置+相对位置，其中绝对位置为管段集合的各个管段起点的位置，相对位置为以绝对位置为起点的对应管段上的n个空间步长，所述空间步长根据预测泄漏点的位置信息的精度要求来设置，各个管段对应的n的值基于管段长度和空间步长来确定；

泄漏孔径在泄漏点所属管段的直径范围内均匀取值；

管网负荷至少包括高峰负荷、低峰负荷和日平均负荷；

泄漏趋势包括稳定和加剧。

6.根据权利要求1-5中任一项所述的方法，其特征在于，利用所述管网仿真系统，生成所述管道网络的包含所述第一时段内各个时间点的压力分布云图的压力分布云图序列进一步包括：

利用所述管网仿真系统和梯度下降法，确定所述第一时段内各个时间点的所述管道网络中压力分布的极大值点和极小值点，基于各个极大值点和极小值点以及所述管道网络中的最大值点和最小值点来生成所述压力分布云图序列。

7.根据权利要求2-5中任一项所述的方法，其特征在于，所述方法进一步包括：

对各个相邻节点之间的管段上的泄漏点数量进行判断，将位于同一管段上各个泄漏点的优先级设置为高优先级；和/或，对各个泄漏点的泄漏趋势进行判断，将所述泄漏趋势为加剧的泄漏点的优先级设置为高优先级；

在对各个泄漏点进行人工核实的过程中，优先对具有高优先级的泄漏点进行人工核实。

8.根据权利要求1-5中任一项所述的方法，其特征在于，所述第一时段的时长不小于所述管道网络中任意两点之间压力传播的时长的最大值。

9.根据权利要求1-5中任一项所述的方法，其特征在于，所述深度神经网络由特征提取网络、RPN网络、RoI池化层和全连接层依序串联而构成，所述特征提取网络包括第一特征提取部、第二特征提取部和特征融合部；其中，

所述第一特征提取部配置为对所述瞬态压力时序图进行特征提取以生成第一特征矩阵；

所述第二特征提取部配置为对所述压力分布云图序列进行特征提取以生成第二特征图；

所述特征融合部配置为利用所述第一特征矩阵和网络拓扑信息，对基于所述第二特征图生成的锚点图进行冗余锚点抑制，以生成识别激活锚点后的第二特征图；

所述RPN网络配置为基于所述识别激活锚点后的第二特征图，对各个激活锚点的分类信息，以及对应的候选锚框的回归参数进行预测，以生成M个推荐框；

所述RoI池化层配置为对M个推荐框进行固定大小的池化操作，以生成固定大小的M个推荐框的特征图；

所述全连接层配置为基于M个推荐框的特征图，生成对M个泄漏点的相关信息的预测结果。

10.一种用于对管道网络进行泄漏检测的装置，其特征在于，所述装置包括：

接口，其被配置为：获取实际的管道网络的网络拓扑、各个节点的第一配置信息和节点间管段的第二配置信息，以及实际的管道网络中各个节点的传感器信息；

至少一个处理器，其被配置为执行根据权利要求1至9中任一项所述的用于对管道网络进行泄漏检测的方法。