【技术实现步骤摘要】
基于双层循环神经网络的独立计量区域管网漏损检测方法
本专利技术涉及市政工程和城市供水管网领域，具体涉及一种基于双层循环神经网络的独立计量区域管网漏损检测方法。技术背景管道漏水是供水设施的一个主要问题，供水管网的漏损率与城市发展水平、供水系统寿命以及日常维护能力具有高度相关性。供水管网的漏损问题不仅造成经济资源的大量浪费，同时还存在污染水质的潜在性风险。在管道老化、技术落后等因素的影响下，我国城乡供水管网的漏损率普遍偏高，供水管网的漏损问题日益严重，如何对供水管网的漏损点进行快速精准的识别，已成为行业急需解决的重点问题之一。供水管网分区独立计量(DMA)技术是目前有效的供水管网漏损定位技术之一，DMA技术通过将整体供水管网划分为若干个独立计量区域，在各区域出入管段安装流量计，通过监测流量计数据得到各独立计量区域耗水情况，从而对区域内管段是否漏水进行监测。现有技术中有关独立计量区域漏损检测的方法较为有限，专利CN201810393876.5公开了一种水管网漏损定位方法及装置，专利CN201910458598....
【技术保护点】
1.一种基于双层循环神经网络的独立计量区域管网漏损检测方法，其特征在于，所述方法包括以下步骤：/n步骤1：采集供水管网需水节点P
【技术特征摘要】
1.一种基于双层循环神经网络的独立计量区域管网漏损检测方法，其特征在于，所述方法包括以下步骤：
步骤1：采集供水管网需水节点P1，P2，…，Pn的耗水量，根据节点耗水量将供水管网划分为N个相似耗水量的独立计量区域DMA1，DMA2，…，DMAN；
步骤2：在独立计量区域出入管段上安装物联网流量计，根据独立计量区域DMAi进出口流量计数据计算该区域t时段的耗水量Ci(t)：
其中：Ne表示区块入水口数量；No表示区块出水口数量；Ij(t)表示第j个入水口在t时段内的进水量；Oj(t)表示第j个出水口在t时段内的出水量；
步骤3：利用基于双层循环神经网络的区域耗水量预测模型得到独立计量区域在t时段的预测耗水量Cp(t)；
步骤4：计算预测耗水量Cp与真实耗水量Ct间的时段平均残差r，对残差r进行分类训练得到正常耗水量残差与异常耗水量残差的边界BL、BH；
步骤5：对比独立计量区域待检测时段t的预测耗水量Cp(t)与真实耗水量Ct(t)得到残差r(t)，将该残差值与残差边界BL、BH比较，若r(t)≤BL则判定该区域在t时段未发生漏水，BL＜r(t)≤BH则判定该区域在t时段可能发生漏水，BH＜r(t)则判定该区域在t时段发生漏水。
2.如权利要求1所述的基于双层循环神经网络的独立计量区域管网漏损检测方法，其特征在于，所述步骤3包括以下步骤：
步骤3.1：建立基于双层循环神经网络的耗水量预测模型，模型包含一层输入层、多层隐藏层、一层输出层，输入为独立计量区域先前时段耗水量数据，输出为该区域之后时段的预测耗水量数据；
步骤3.2：训练基于双层循环神经网络的耗水量预测模型，使用模型预测值与真实值的均方误差MSE作为模型在参数为θ时的损失函数J(θ)：
其中：θ表示神经网络中模型参数，m表示模型训练迭代次数，y表示训练所用耗水量真实值，表示训练所用耗水量预测值；
利用梯度下降得到θ的最优值，通过对模型损失函数J(θ)求偏导得到下降梯度作为参数θ的更新方向，进而得到更新后的θ的值
其中：θk+1表示第k次更新后的参数值，θk表示第k次更新前的参数值，α表示更新步长，重复以上步骤直至完成对参数θ的更新，直至模型损失值不再下降，进而得到最终模型。
3.如权利要求2所述的基于双层循环神经网络的独立计量区域管网漏损检测方法，其特征在于，所述步骤3.1中，，模型具体结构在于：
步骤3.1.1：基于双层循环神经网络的耗水量预测模型，包含一层输入层，所述输入层维度为K，表示为双层循环神经网络模型输入层在时间序列上的深度，即模型预测t时刻及其之后的耗水量时所用到的历史耗水量数据{C(t-K)，...，C(t-1)}；
步骤3.1.2：基于双层循环神经网络的耗水量预测模型，包含多层隐藏层，所述隐藏层依次链接LSTM长短期神经网络、GRU门递归单元，其中，对于LSTM长短期神经网络，每个神经网络单元包含输入门、遗忘门、输出门，通过对三者函数参量的赋值与更新，实现对区域耗水量时序数据的记忆与预测；
定义it、ft、ot为输入门、...
【专利技术属性】
技术研发人员：付明磊，戎科臻，郑乐进，郑剑锋，吴德，刘玉磊，王海英，
申请(专利权)人：浙江工业大学，杭州莱宸科技有限公司，
类型：发明
国别省市：浙江;33
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。