【技术实现步骤摘要】
一种基于深度神经网络的供水管网爆管管道精确识别方法
本专利技术涉及一种供水管网爆管定位方法，尤其是涉及一种基于深度神经网络的供水管网爆管管道精确识别方法。
技术介绍
漏损控制是供水管网运营管理过程中重点关注的问题之一。尽管近年来我国管网平均漏损率出现下降趋势，但仍高达15％左右，每年漏损量达到70亿m3以上。爆管是漏损的重要组成部分及表现形式。除了造成水量漏失外，爆管还会造成污染物吸入、供水压力不足、供水中断等负面影响。因此，爆管发生后，及时定位爆管所在位置、对爆管管道进行修复可以有效降低漏损水量，提高供水服务质量。目前，供水部门定位爆管仍主要依赖于用户投诉、人工巡检等手段。然而，发生在夜间、偏远地区或深埋地下的管道的爆管无法有效通过用户投诉进行定位；另一方面，对大范围的管网进行巡检的人力、资金投入高，并且对突发爆管的定位时效性难以保证。因此，采用合适的算法，通过分析管网实时监测数据自动定位爆管，可以显著提升爆管定位及修复效率，提高供水管网的安全性、经济性。国内外已有研究关注于供水管网爆管定位方法的研究。现有研究根据...
【技术保护点】
1.一种基于深度神经网络的供水管网爆管管道精确识别方法，其特征在于，该方法包括如下步骤：/n(1)搭建深度神经网络，确定爆管发生的可能区域并选择压力监测点位置；/n(2)模拟不同位置的爆管，采集压力监测点压力数据作为训练数据，训练深度神经网络；/n(3)在现场爆管发生的可能区域选择压力监测点位置并采集压力监测点压力数据，将其输入到训练好的深度神经网络中进行识别；/n(4)输出爆管管道识别结果。/n
【技术特征摘要】
1.一种基于深度神经网络的供水管网爆管管道精确识别方法，其特征在于，该方法包括如下步骤：
(1)搭建深度神经网络，确定爆管发生的可能区域并选择压力监测点位置；
(2)模拟不同位置的爆管，采集压力监测点压力数据作为训练数据，训练深度神经网络；
(3)在现场爆管发生的可能区域选择压力监测点位置并采集压力监测点压力数据，将其输入到训练好的深度神经网络中进行识别；
(4)输出爆管管道识别结果。
2.根据权利要求1所述的一种基于深度神经网络的供水管网爆管管道精确识别方法，其特征在于，步骤(1)中深度神经网络由输入层、一系列密连接块和输出层组成，每个密连接块中包含一系列密连接层，密连接层的每一层隐藏层与其后的所有层都直接相连，表示为：
li＝Ci([l0，l1，...，li-1])
其中，li为第i层密连接层的输出；[l0，l1，...，li-1]为第i层之前的所有密连接层的集合；Ci()是为复合函数，复合函数由批正规化、线性整流函数、线性连接组成。
3.根据权利要求1所述的一种基于深度神经网络的供水管网爆管管道精确识别方法，步骤(1)和(3)选择压力监测点位置的具体方法为：
使用遗传算法，根据以下目标函数求解管网中压力监测点的布置位置：
约束条件为：
其中，np为爆管发生的可能区域中的节点数；S为所选压力监测点的集合，集合中的元素j表示安装在节点j上的压力监测点；|S|为集合S的势，即集合中的元素个数；χ为实数域上的映射函数，定义为：若a≥0，则χ(a)＝1，否则χ(a)＝0，其中，a为未知的输入参数；CL、CN、CR为常数；为管网灵敏度矩阵的第i行第j列元素，表示节点i上的压力对节点j上的流量变化的灵敏度。
4.根据权利要求1所述的一种基于深度神经网络的供水管网爆管管道精确识别方法，其特征在于，步骤(2)具体为：
(21)使用EPANET3程序包模拟可能爆管区域内的爆管工况，重复执行多次，得到多种爆管位置、爆管大小、管网模型参数下的压力监测点的压力模拟结果；
(22)对压力模拟结果进行预处理；
(23)使用预处理后的模拟数据训练深度神经网络。
5.根据权利要求4所述的一种基于深度神经网络的供水管网爆管管道精确识别方法，其特征在于，步骤(21)具体为：
(211)指定可能爆管区域内的第一根管道为本次模拟的爆管管道；
(212)对水力模型中每根管道的粗糙系数，分别添加服从高斯分布N(0，σC2)的噪声；对每一时刻、每个节点的需水量，分别添加服从高斯分布N(0，σq2)的噪声；σC、σq为常数；
(213)随机从均匀分布U(γmin，γmax)中选择爆管强度系数γ，其中γmin、γmax分别为爆管强度最小值和最大值，同时确定爆管流量：
其中，下标ij表示起始节点为i、末端节点为j的管道，为爆管流量，Hij为管道压力，Aij为管道横截面积，g为重力加速度，Cd为孔口出流系数；
(214)使用EPANET3程序包，根...
【专利技术属性】
技术研发人员：周啸，信昆仑，徐玮榕，陶涛，颜合想，李树平，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。