CN112610903A

CN112610903A - 一种基于深度神经网络模型的给水管网泄漏定位方法

Info

Publication number: CN112610903A
Application number: CN202011457649.8A
Authority: CN
Inventors: 吴晓璇; 王晓峰; 陈圣兵; 张琛
Original assignee: Hefei University
Current assignee: Hefei University
Priority date: 2020-12-10
Filing date: 2020-12-10
Publication date: 2021-04-06

Abstract

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。

Description

一种基于深度神经网络模型的给水管网泄漏定位方法

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；

(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。

所述的基于深度神经网络模型的给水管网泄漏定位方法，所述计算机管网平差软件选用EPANETH管网平差软件。

所述的基于深度神经网络模型的给水管网泄漏定位方法，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。

所述的基于深度神经网络模型的给水管网泄漏定位方法，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。

所述的基于深度神经网络模型的给水管网泄漏定位方法，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′_i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。

由上述技术方案可知，本发明通过在计算机管网平差软件上模拟待测给水管网运行状态，能够方便、快速、准确地计算出各节点的压力值或流量值；基于待测给水管网节点压力或流量的相似性，利用模糊C-均值聚类融合算法实现有限监测点的选取，提高了聚类结果的准确性，使得选择出的监测点更具有代表性；基于选取的监测点，根据待测给水管网发生泄漏前后监测点的压力或流量变化情况构建深度神经网络模型，实现了对泄漏点的准确定位，模型准确率达到85.5％，损失率低至26.4％；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。

附图说明

图1是本发明的方法流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，一种基于深度神经网络模型的给水管网泄漏定位方法，包括以下步骤：

S1、利用EPANETH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(高峰期、低峰期、一般平均期)正常状态下的压力值，本实施方式选取压力值作为衡量标准，与选择流量值的实验结果是一样的。

EPANETH管网平差软件是由美国环境保护署-国家风险管理研究实验室开发的一款可以分析有压管网水质和水质特性的程序。

这里定义两种状态：没有泄漏发生时，定义为正常状态；当有泄漏发生时，定义为泄漏状态，其中，为便于区别，泄漏故障模拟时，称为模拟泄漏状态。

S2、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，具体包括：

S21、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的压力变化对节点i的压力的影响程度，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，H′_i、H_j′分别表示在同一用水期，节点j的压力变化后，节点i、j的压力值，i、j的取值均为1，2，…，N，其中N表示节点总数。

S22、根据模糊C-均值聚类算法的各个步骤，计算求得模糊相似等价矩阵的截断矩阵，获得待测给水管网所有节点在各用水期(高峰期、低峰期、一般平均期)的模糊聚类结果。

S23、多次重复步骤(21)至(22)，获得多个聚类结果。由于聚类的不确定性，使得对于特定数据集，即使相同的样本，每次的聚类结果也会有所不同，因此可以通过多次聚类获得多个聚类结果。

S24、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。

定义加权共协矩阵Co，其中每个元素Co(i，j)为：

时，其取值为1，否则，其取值为0。

相比于传统的共协矩阵，将聚类成员的权重作为一个衡量指标，可以实现更好的融合。

S25、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。

本发明是从待测给水管网节点压力(或流量)的相似性进行分析，把待测给水管网中的全部节点根据其压力(或流量)变化程度进行分类，相似程度高的分为同一类，在同一类中节点之间变化程度相近或相似，并且待测给水管网系统中各个节点的压力值(或流量值)可以通过计算机管网平差软件(如EPANETH管网平差软件)方便、快速、准确地计算出来。

模糊C-均值聚类算法作为无监督机器学习的主要技术之一，是用模糊理论对重要数据分析和建模的方法，建立了样本类属的不确定性描述，可以实现客观世界的群体分类。由于聚类的不确定性，使得对于特定数据，如何才能选择合适的聚类算法一直是聚类分析研究的重点。聚类融合是对已产生的聚类结果通过共识函数设计进行融合，以达到最大化已有聚类结果共享信息的目的，从而得到比单一聚类算法更加准确和稳定的挖掘效果。

本发明利用模糊C-均值聚类融合算法实现有限监测点的选取，通过多次利用模糊C-均值聚类算法，得出多个聚类结果，对于聚类成员利用融合算法进行融合，得到最终的聚类结果。

S3、利用EPANETH管网平差软件对待测给水管网进行多次泄漏故障模拟，分别将每个管段中心处作为模拟泄漏点，每次选定一个模拟泄漏点，确定模拟泄漏点与各监测点的距离，按照预先设置的泄漏量(考虑多种情况)模拟发生泄漏故障，作为一组泄漏状态，获得各监测点在各用水期(高峰期、低峰期、一般平均期)每组模拟泄漏状态下的压力值。

S4、根据各监测点在同一用水期每组模拟泄漏状态和正常状态下的压力值，计算得到各监测点在各用水期(高峰期、低峰期、一般平均期)每组泄漏状态下的压力变化率。

S5、构建深度神经网络模型，将各监测点在各用水期(高峰期、低峰期、一般平均期)每组泄漏状态下的压力变化率作为输入数据，每组泄漏状态下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。

注意，在模型训练之前，为避免数据较分散，模型训练结果出现过拟合的现象，首先对数据按照以下公式进行归一化预处理：

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′_i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。

深度神经网络是近年来人工智能和机器学习领域的一个新兴热点，它是在传统的人工神经网络基础上进一步发展而来的。其基本思想是对数据进行逐层特征学习，最终获得简单的特征表示，每一层均采用无监督的学习方法从上一层的输出中学习更深层的特征表示。相比较于传统的人工神经网络，它可以完成复杂函数的逼近，分层的特征学习模式能够更深层次地挖掘数据分布特征和模式。目前，深度神经网络技术已经被广泛应用于语音识别、机器翻译、图像处理、文本匹配等领域，并取得了较好的结果。

S6、对待测给水管网各监测点的压力值进行实时观测，当同一用水期，各监测点的压力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。

下面结合一个应用实例来进一步说明本发明。

通过EPANETH管网平差软件构建某个区域的给水管网拓扑结构图，其中，包含一个水库、一个水池、一个水泵、42个节点和66个管段。在该给水管网结构中，节点19、22代表工业区用水量，其余节点代表居民区用水量。该给水管网中各节点和各管段的参数如下表1和表2所示：

表1管网各节点参数表

表2管网各管段参数表

基于模糊C-均值聚类融合算法，选取出5个监测点，分别是节点3、11、14、23、32。

第一步，根据给水管网拓扑结构图进行正常状态下的水力学模拟，应用EPANETH管网平差软件获得给水管网所有节点包括5个监测点的压力值。

第二步，对所建立的给水管网进行故障模拟，分别在每个管段中心处模拟发生一处泄漏，假设泄漏量分别为5L/s、8L/s、10L/s、15L/s、20L/s、25L/s，运用EPANETH管网平差软件模拟出396组泄漏状态(每个管段发生泄漏时，引起的监测点的压力变化率)。

第三步，利用TensorFlow框架里的keras建立深度神经网络模型，将每组泄漏状态下5个监测点的压力变化率作为输入，泄漏点与5个监测点的距离作为输出，对构建的深度神经网络模型进行学习和训练。其中，五种情况下(5L/s、8L/s、10L/s、20L/s、25L/s)的330组故障数据作为训练集，用于模型的训练，将训练好的模型用于给水管网的泄漏故障定位。将泄漏量为15L/s的66组故障数据作为测试集，进行模型误差验证，结果与原始数据进行比对、分析误差，判断已训练好的模型进行泄漏故障定位的准确性。经过模型训练与测试，训练误差控制在5％有效范围内。

深度神经网络模型采用一个输入层、三个隐含层、一个输出层，共5层结构。相关参数设置如下：输入层设置为5个神经元，代表泄漏点所引起的5个监测点的压力变化率；三个隐含层每层神经元个数分别为300、100、50，激活函数是relu函数；输出层设置5个神经元，代表泄漏点分别距5个监测点的距离。

在正常状态下，观测5个监测点在不同用水期(高峰期、低峰期和一般平均期)的压力值；同样，在泄漏状态下，观测5个监测点在不同用水期(高峰期、低峰期和一般平均期)的压力值。通过比较可以发现，在同一用水期，泄漏的发生会引起监测点的压力值降低。因此在实际应用中，对5个监测点的压力值进行实时观测，当发现相比较于正常状态，同一用水期情况下，5个监测点的压力值发生变化时，可以断定发生了泄漏，接下来就可以利用训练好的深度神经网络模型找出泄漏点的位置。

综上所述，本发明通过在计算机管网平差软件上模拟待测给水管网运行状态，可以计算出各节点的压力值(或流量值)；通过聚类算法选取待测给水管网中有代表性的节点作为监测点；利用计算机管网平差软件模拟出各监测点在泄漏发生前后的压力(或流量)变化情况，将压力(或流量)变化率输入训练好的深度神经网络模型，计算出泄漏点与各监测点的距离，进而确定泄漏点在待测给水管网中的具体位置，实现待测给水管网泄漏点的定位。应用实例验证了本发明方法的可行性与准确性。

以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims

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：

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：

(23)多次重复步骤(21)至(22)，获得多个聚类结果；

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：

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。