[发明专利]基于实时水压信息的城市供水区域动态划分控制方法

说明书

技术领域

本发明涉及的是一种水利监控技术领域的方法，具体是一种基于实时水压信息的城市供水区域动态划分控制方法。

背景技术

随着工业生产能力的提高，城市供水系统的规模在不断扩大，供水管网复杂性也随之提高。但是随之而来的是日益增多的各种各样的爆管事故，很多用户存在着水压不足的现象。根据中心城区管网监测数据，采用聚类方法，将这些测点依据其压力值和压力变化趋势进行了划分，确定平均水压的分区，如水压160kPa为危急低压区；160kPa＜水压＜180kPa为低压预警区；180kPa＜水压＜300kPa为正常范围；300kPa＜水压＜350kPa为高压预警区；水压＞350kPa为危急高压区。这样，在日常操作中就形成有侧重的监控，可以有效地提高供水效率和有效地减少爆管事故和水压不足等情况的发生。

水压区域划分主要是对测压点、泵站、水厂在内的测点数据特性进行分析，采用聚类方法，将这些测点依据其压力值和压力变化趋势进行了划分，传统聚类方法可以分为两种：监督式聚类和非监督式聚类。其中监督式聚类的为方法是K-Mean聚类，在这种方法中，聚类的最终结果与用户初始指定的初始聚类中心有关。用户需要指定聚类数目、初始质心和评判某个成员归属某个聚类集合的阈值大小。这种方法本质上不是根据聚类元素的分布进行自适应聚类，且其聚类精度和效率依赖于初始质心选取等预设参数。

非监督聚类中为性的聚类方法有支持向量聚类，是基于支持向量机的聚类方法。在支持向量聚类中，聚类数据通过高斯核函数从低维空间被映射到高维特征空间，于是可以在这个高维特征空间找到一个最小的超球体将这些数据包围起来(虽然在低维空间无法找到这样的最小超球体将被聚类数据包围起来)，这个超球体接着被映射回原始低维数据空间，被看作是包围被聚类数据点的轮廓，这些轮廓就认为是聚类簇的边界，在同一个轮廓中被包围的数据点认为属于同一个聚类集合，从而完成聚类。但是，支持向量聚类不是基于聚类数据物理分布的，难以反映数据全局分布。

近来，一种叫做AP聚类(Affinity Propagation Clustering)，该算法是B.J.Frey，Dueck D于2007年发表在science上的Clustering by passing messages between data points(基于数据点消息传递的聚类分析，Science，2007，315(5814)：972-976)。其基本思想就是通过消息传递，实现数据点的自动聚类。它将数据对象之间的相似度作为输入，而且此相似度可以是非对称的，即数据对象A到数据对象B的相似度可以不等于数据对象B到数据对象A的相似度。实值信息在数据对象之间交换传播直至一组高质量的聚类中心和相应的聚类产生。尽管该文称其聚类效果很好，计算速度也很快，但它也有几个缺点。第一，它也需要事先定义一个相似性度量，从而计算出数据点集之间的相似性矩阵来，这在时间和空间上就需要O(n2)。第二，迭代次数需要人工设定，而且聚类结果对此也较敏感。第三，获得聚类结果后，不能获得聚类分布的层次性，有时这是不够的。

K-Mean算法对于初始聚类中心的选择很关键，因为初始聚类中心选择的好坏直接影响到聚类结果，而且这个算法要求进行聚类时输入聚类数目，这也可以说是对聚类算法的一种限制。不过，这种算法运行速度相对于AP算法要快一些，因此，对于那些小而且数据比较密集的数据集来说，这种聚类算法还是比较好的。然而，在传统的K-Mean聚类技术中，在某些情况下，不能获得预期的聚类结果，即，接近人类直觉的聚类结果。例如，在本文中，分类结果不能很好满足相关地理信息。

在基于以上各种聚类方法的特点分析，这里采用改进的K-Mean算法，即，在一次K-Mean聚类下，考虑实际限制条件，进行二次聚类。首先，由于数据的充分性和对现实压力等数据的充分了解，可以运用工作经验，对水压区域划分的初始聚类中心进行很好的选择，这样就充分利用了K-Mean算法的特点，测压点、泵站、水厂等测点数据是小而且数据比较密集的数据集，因而可以发挥K-Mean算法的快速性特点。考虑到实际水压区域的划分中，区域的规模应有一定的限制，同时需要利用管道连通图，对划分结果进行和地理信息相关的调整，所以需要在一次聚类的基础上，进行二次聚类。从而使得最后的划分建议既具有理论依据，又完全符合实际要求。本发明的划分结果便于事故分析和监测，一旦发生爆管等事故，影响区域基本可以确定，事故处理更有针对性。

发明内容