[发明专利]一种基于深度神经网络模型的给水管网泄漏定位方法

权利要求书

1.一种基于深度神经网络模型的给水管网泄漏定位方法，其特征在于，该方法包括以下步骤：

(1)利用计算机管网平差软件构建待测给水管网拓扑结构图并进行正常状态下的水力学模拟，获得待测给水管网所有节点在各用水期正常状态下的压力值或流量值；

(2)利用模糊C-均值聚类融合算法，从待测给水管网所有节点中选取出若干代表节点作为监测点；

(3)利用计算机管网平差软件对待测给水管网进行多次泄漏故障模拟，确定模拟泄漏点与各监测点的距离，获得各监测点在各用水期模拟泄漏状态下的压力值或流量值；

(4)根据各监测点在同一用水期模拟泄漏状态和正常状态下的压力值或流量值，计算得到各监测点在各用水期模拟泄漏状态下的压力或流量变化率；

(5)构建深度神经网络模型，将各监测点在各用水期模拟泄漏状态下的压力或流量变化率作为输入数据，模拟泄漏点与各监测点的距离作为输出数据，对构建的深度神经网络模型进行训练；

(6)对待测给水管网各监测点的压力值或流量值进行实时观测，当同一用水期，各监测点的压力值或流量值相较于正常状态发生变化时，判断有泄漏发生，将各监测点在泄漏状态下的压力或流量变化率输入训练好的深度神经网络模型，得到泄漏点与各监测点的距离，进而确定泄漏点的具体位置。

2.根据权利要求1所述的基于深度神经网络模型的给水管网泄漏定位方法，其特征在于，所述计算机管网平差软件选用EPANETH管网平差软件。

3.根据权利要求1所述的基于深度神经网络模型的给水管网泄漏定位方法，其特征在于，所述步骤(2)具体包括：

(21)采用以下公式计算出待测给水管网各个节点之间的相互影响矩阵：

其中，X(i，j)表示节点j的压力或流量变化对节点i的压力或流量的影响程度，H_i、H_j分别表示节点i、j在某一用水期正常状态下的压力值或流量值，H′_i、H′_j分别表示在同一用水期，节点j的压力或流量变化后，节点i、j的压力值或流量值；

(22)利用模糊C-均值聚类算法，获得待测给水管网所有节点在各用水期的模糊聚类结果；

(23)多次重复步骤(21)至(22)，获得多个聚类结果；

(24)利用加权共协矩阵对多个聚类结果进行融合，获得待测给水管网所有节点的最终聚类结果；

(25)根据待测给水管网所有节点的最终聚类结果，分别从不同类中选取代表节点，作为监测点。

4.根据权利要求3所述的基于深度神经网络模型的给水管网泄漏定位方法，其特征在于，所述步骤(24)中，所述加权共协矩阵通过以下公式计算得到：

其中，Co(i，j)表示加权共协矩阵的第i行、第j列的元素，即节点i与节点j的融合结果，p表示聚类成员的序号，H′表示聚类成员的总数，ω_p表示第p个聚类成员的权重，表示第p个聚类成员中的第m簇，m表示簇的序号，k表示簇的总数，g(i，j，p)为中间变量，当节点i、j同属于时，其取值为1，否则，其取值为0。

5.根据权利要求1所述的基于深度神经网络模型的给水管网泄漏定位方法，其特征在于，所述步骤(5)中，还包括采用以下公式对数据进行归一化预处理：

其中，X表示数据集，x_i表示数据集中的第i个原始数据，x′_j表示对x_i进行归一化预处理后的数据，maxX表示数据集中的最大值，minX表示数据集中的最小值；归一化预处理后的数据按照一定比例分为训练集和测试集，分别用于对构建的深度神经网络模型进行训练及模型误差分析。