[发明专利]一种同时耦合多种先验概率分布的供水管网节点需水量校核方法

说明书

本发明公开了一种同时耦合多种先验概率分布的供水管网节点需水量校核方法，属于城市供水管网节点需水量的校核方法。首先通过用户远传水表、水费账单和用户分布等信息估算需水量的先验概率分布；通过布置在管网的传感器，获取管网压力和流量监测数据；通过最大化节点需水量后验概率密度函数，建立需水量校核目标函数。随后对目标函数进行线性化，通过不断迭代，求解节点需水量。本方法通过建立需水量概率模型，确保需水量在合理的区间内被调整，降低了需水量的不确定性，提高节点需水量校核精度，为供水管网水力建模等提供科学依据。

技术领域

本发明属于城市供水管网节点需水量的校核方法，具体涉及一种同时耦合多种先验概率分布的供水管网节点需水量校核方法。

背景技术

供水管网需水量校核指的是，调整节点需水量，使得管网模型计算的结果与布置在管网中的传感器监测到的数据一致。在需水量校核中，待校核的节点成千上万，而可用的监测数据是有限的。这就引起了校核过程中的欠定问题，进而引发校核模型的误差。需水量校核面临的主要问题是没有充足的监测数据来计算出所有的节点需水量。

需水量校核可以分为“试错法”、“分析法”和“优化法”。“试错法”主要通过工程经验，反复调整节点需水量来让模型输出与监测数据达到一致。这种传统的方法可以应用到离线小规模管网中。对于大规模管网模型校核则主要使用“分析法”和“优化法”。“分析法”使用管网水力方程组来求解模型的未知参数。然而这种方法需要让未知参数的数量等于监测点的数量，并且无法量化监测数据误差对校核的影响。相应的，“优化法”越来越受到更为广泛的实用。常用的优化算法包括，启发式算法，数值算法，和奇异值分解算法。启发式算法可以在监测点数目少于节点需水量数目的情况下进行校核。然而，这种算法需要耗费大量的时间。这对于大规模管网模型的实时校核是不可接受的。数值算法是一种更为高效的算法，然而由于欠定问题的存在，它的计算结果偏差较大，很多情况下超出了实际可接受范围。

欠定问题本质上是校核过程中已知量(监测点)少于未知量(节点需水量)引起的多解性问题。将需水量的先验概率引入到校核中去是解决欠定问题的一种有效途径。然而，需水量的特征是多样的，因而描述其随机特性的先验概率的形式也是多种多样的。合理的将多种先验概率与监测信息同时进行耦合，联合校核节点需水量是当前实时水力模型所面临的一大技术瓶颈。针对现有数值方法只根据监测信息校核需水量而导致结果不可靠的问题，本发明通过同时引入多种先验概率，提高了节点需水量校核精度。

发明内容

本发明之目的在于克服现有技术的不足，在原有的节点流量校核算法基础上，同时引入多种节点需水量先验概率分布，提高节点流量的校核精度。

为实现以上目的，本发明提供一种同时耦合多种先验概率分布的供水管网节点需水量校核方法，采取以下步骤：

对于某一供水管网,有nn个节点，np个管段，ns个水源。其中压力监测点数目为nh，流量监测点数目为nq。

1.建立需水量多种先验概率分布模型；

2.建立多先验-监测数据耦合的贝叶斯后验概率分布模型，同时耦合多种先验概率分布，最大化参数后验概率密度函数，建立校核目标函数；

3.对校核目标函数线性化，获取节点需水量调整量，更新节点需水量。

进一步的，所述的步骤1具体为：

如图1所示，根据小区远传水表实时提供的需水量时间序列数据x，对小区时间序列在时间步长T上进行集聚，计算获取单一小区i的需水量x_i和标准差δ_i：

节点需水量为单个小区需水量在空间上的集聚，集聚后的节点j需水量均值X_j和标准差σ_j为：