[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

说明书

本发明提供一种基于深度神经网络模型的给水管网泄漏定位方法，包括利用计算机管网平差软件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；利用模糊C‑均值聚类融合算法选取监测点；利用计算机管网平差软件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；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；构建深度神经网络模型，并对构建的深度神经网络模型进行训练；利用训练好的深度神经网络模型对待测给水管网中的泄漏点进行定位。本发明通过观测有限监测点的压力或流量变化能够实现对泄漏点的准确定位，具有较强的理论和现实意义。

技术领域

本发明涉及给水管网泄漏监测技术领域，具体是一种基于深度神经网络模型的给水管网泄漏定位方法。

背景技术

在当代社会生产生活中，给水管网是城市建设的重要基础设施之一，在保障经济可持续发展和居民正常生活中起到举足轻重的作用。由于城市的给水管网埋于地表之下，发生的漏损故障具有隐蔽性。因此，全面掌握给水管网系统的运行状态就显得尤其重要。

管网泄漏不一定是单一原因造成的，可能是由于多种原因(管材质量问题、接口问题、施工问题、管道腐蚀及外力破坏)的共同作用产生的。因此，管道泄漏及其特征参数变化受多种因素共同影响，采用常规的数学模型难以描述，且实际用于泄漏监测时，也会由于误差太大、漏误报较高导致无法取得理想的效果。相关研究虽然使用了一些方法实现给水管网的漏损检测及定位，但定位准确度不高，且监测点的选取也是随机选取不具有代表性。

事实上，实际的给水管网模型是一个典型的非线性复杂系统，同时由于管道压力、流量、用水量时常变化及管道内介质的影响，在建立管网的运行模型时所需要的物理参数难以准确确定，造成难以建立准确的模型描述实际管网的运行状态。

在对非线性、不确定性系统的处理中，神经网络不要求具备对象的先验知识，不需要对其内部的机理进行深入研究，只需要系统工作的运行数据，通过对模型结构的设计、训练，找到系统的输入参数与输出参数之间的关系，建立管道漏损辨识的模型。同时神经网络方法在自我学习方面的优点更为突出，学习、识别管道的漏损、调压等不同工况能力较强。但神经网络需要系统大量的历史数据来对模型进行训练，因此采用此种方式的关键问题便是如何获取管网复杂工况下的历史数据，这决定了建立模型的辨识准确率及其泛化能力。

在现实情况中，对于城市的给水管网而言，一方面由于在地下，实时监控存在很大难度，如果通过对各管网安装传感器设备进行监测，成本又过于巨大；另一方面，管段和节点数目巨大，并且给水管网节点的流量随时间变化，管网平差的计算量过于庞大。因此，科学掌握管网系统的运行状况对于城市地下给水管网的监管至关重要。

如若对给水管网系统中的每个节点进行监测，成本代价太高而且对于监测到的数据也不易处理。因此，设想通过监测给水管网系统中有限位置上节点的情况来掌握整个给水管网的运行状况具有一定的现实意义，那么如何选取有限节点作为监测点来代表整个给水管网的运行状况就成了亟待解决的问题。

发明内容

本发明要解决的技术问题是提供一种基于深度神经网络模型的给水管网泄漏定位方法，通过观测有限监测点的压力或流量变化能够实现对泄漏点的准确定位。

本发明的技术方案为：

一种基于深度神经网络模型的给水管网泄漏定位方法，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；