一种基于DMA分区压力差和平均压力的管网漏损识别方法技术

本发明专利技术公开了一种基于DMA分区压力差和平均压力的管网漏损识别方法，根据有压管网中压力损失与流量平方成正比，管网漏水量随管网压力增大而变大的原理，采用DMA分区的区域管网压力差表征压损与流量的内在关系，识别正常用水引起的流量波动；采用DMA分区的区域管网平均压力表征压力与漏损的内在关联，识别漏损造成的流量波动。通过支持向量机(SVM)建立区域压力差、平均压力与最小夜间流量之间的关联，使模拟值更加接近于真实值，降低流量波动的不确定性有效方法。同时，SVM模型能够很好的解决数据间的非线性关联和数据样本小的问题。数据间的非线性关联和数据样本小的问题。数据间的非线性关联和数据样本小的问题。

【技术实现步骤摘要】
一种基于DMA分区压力差和平均压力的管网漏损识别方法


[0001]本专利技术涉及压力识别领域，具体涉及一种基于DMA分区压力差和平均压力的管网漏损识别方法。

技术介绍

[0002]渐进性爆管一般表现为深埋管道的渗漏(供水管网漏损)，这种水损失在地面上很难检测到，但管线长期漏水会导致大量的水资源被浪费，即使管理和维护得当的系统也存在此类问题。由于夜间用水类型相对稳定，易于辨析管网是否发生漏损，故最小夜间流量法(MNF)是现在实际管网降损管理中最常用的方法，而当前最小夜间流量法大多依赖于流量数据，但夜间正常用水的波动会影响漏损阈值的设置(即易受流量波动的不确定性影响)，如夜间营业商户受经济、销售、疫情等影响用水不稳定，用水量增加时夜间流量的波动易被识别为新增漏点，或新增漏损点漏水量与小商户用水相差不多而未被识别出。因此，通过建立流量与其他影响因子之间的关联降低流量波动不确定性，为提高供水管网漏损识别效率提供一种有效的方法。
[0003]现有技术中提出基于全天时段流量构建管网漏损识别模型，该方法以全天时段用水流量数据为基础，分析用水规律，借助各种大数据算法模型(如随机森林、向后传播神经网络、深度学习网络等)模拟用水流量判断管网漏损情况，但白日用水波动大且用水类型多样，例如洗车高耗水行业、医院、学校白日用水波动大、用水突增或用水高峰具有随机性，容易被识别为管网漏损，或较小的漏损潜藏在大用水量中未被识别出，导致模型误报率高。但是基于全天时段流量构建管网漏损识别模型对白日用水类型多样、用水复杂等问题考虑不足，导致供水管网新增漏损识别的的准确性不高，在实际应用中效果不佳。
[0004]现有技术中同时有提出最小夜间流量法是以最小夜间流量数据为基础，建模识别管网漏损。最小夜间流量是判断管网漏损的重要指标，夜间用水主要包括真实漏损量、背景漏损量及夜间合法用水量，以夜间合法用水量为阈值，超过阈值的即为管网实际漏损。与白日用水相比，夜间用水类型相对稳定，模型精度有所提高。最小夜间流量法主要包括传统的统计法和大数据算法，传统的统计方法适用于居民小区层级(第三层级)的DMA分区，不适用于经济欠发达地区划分两个层级的DMA分区；大数据算法大多依赖于流量变化趋势，夜间正常用水的波动对漏损阈值的影响(即流量波动性的不确定性)依然影响新增漏损识别效率，但基于最小夜间流量法的漏损识别模对影响管网漏损的影响因子考虑不足，与全天时段流量的模型相比，精度虽有所提升，但最小夜间流量波动的不确定性，导致最小夜间流量异常阈值偏大或漏损识别误报。此外，最小夜间流量数据样本量小，不再满足神经网络算法样本量大的要求。最小夜间流量法亟需结合样本量小、非线性关系等问题，选取合适的大数据算法。

技术实现思路

[0005]针对现有技术中的上述不足，本专利技术提供了一种基于DMA分区压力差和平均压力
的管网漏损识别方法。
[0006]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0007]一种基于DMA分区压力差和平均压力的管网漏损识别方法，包括如下步骤：
[0008]S1、根据研究区域生活与作息习惯获取供水管网最小夜间流量数据；
[0009]S2、根据研究区域DMA分区划分结果计算DMA分区的区域压力差和平均压力差；
[0010]S3、以DMA分区的区域压力差、平均压力、年、月、日、工作日、季节7个特征量作为输入数据划分训练集和测试集；
[0011]S4、构建SVM模型，将所划分的训练集和测试集输入SVM模型并对所构建的SVM模型进行调试直至模型参数最优，输出最小夜间流量模拟值；
[0012]S5、根据最小夜间流量数据的实测值、最小夜间流量模拟值之间的残差关系设置动态阈值，对供水管网漏损进行识别。
[0013]进一步的，所述S2中DMA分区的区域压力差为每个子分区所有进口压力计数据的均值减出口压力计数据均值；DMA分区的区域平均压力为每个子区域内所有压力计数据均值。
[0014]进一步的，所述S4中SVM模型构建方法为：
[0015]S41、以DMA分区的区域压力差、平均压力、年、月、日、工作日、季节等7个特征量构建数据集D，表示为：
[0016]D＝{(x
i
，y
i
)，i＝1,2，
…
，N}
[0017]其中x
i
表示第i个特征量，y
i
表示第i个最小夜间流量；
[0018]S42、构建决策函数：
[0019][0020]其中，ω为权向量，b为偏置量，K(x
i
，x)为核函数，且
[0021][0022]式中，σ为残差；
[0023]S43、利用非松弛变量解决实际数据线性不可分问题，表示为：
[0024][0025]其中，C为惩罚因子，L
ε
为不敏感损失函数。
[0026]进一步的，所述S4中对所构建的SVM模型进行调试直至模型参数最优具体方式为：
[0027]A1、通过均方根误差RMSE、拟合优度R2、平均绝对误差MAE、平均绝对百分比误差MAPE指标判断模型精度；
[0028]A2、以DMA分区的区域压力差、平均压力、年、月、日、工作日、季节7个特征量为决策变量，以最小夜间流量与7个特征量之间的非线性关联为目标函数，以最小夜间流量真实值为目标位置，通过筛选使夜间最小流量的模拟值不断逼近最小夜间流量的真实值；
[0029]A3、以测试集验证好的模型及其最终精度为目标，根据A1中的模型精度判断是否满足结束循环的判断条件，若不满足基于更新后的模型参数重新计算最小夜间流量模拟值，并重复A1
‑
A2；若满足则输出最终的最小夜间流量模拟值。
[0030]进一步的，所述A1中均方根误差RMSE、拟合优度R2、平均绝对误差MAE、平均绝对百分比误差MAPE指标判断模型精度具体判断方式为：
[0031][0032][0033][0034][0035]其中，为供水管网压力模拟值，y
i
为供水管网压力真实值，n为数据总数。
[0036]进一步的，所述S5中动态阈值的具体设置规则为：
[0037]Y＝Min(Q
实测值
，Q
模拟值
)+3σ
残差
[0038]其中，Y为最小夜间流量的动态阈值，Q
实测值
为供水管网最小夜间流量的实测值，Q
模拟值
为MNF
‑
SVM模型的最小夜间流量的模拟值，3σ
残差
为残差的3倍标准差。
[0039]本专利技术具有以下有益效果：
[0040](1)基于DMA分区的压力差和平均压力的识别新增漏损的MNF
‑
SVM模型，考虑了包括区域压力差和区域平均压力在内的影响管网漏损的主要因素，保证设计的模型更逼近实际的管网漏损情况。
[0041](2)SVM模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DMA分区压力差和平均压力的管网漏损识别方法，其特征在于，包括如下步骤：S1、根据研究区域生活与作息习惯获取供水管网最小夜间流量数据；S2、根据研究区域DMA分区划分结果计算DMA分区的区域压力差和平均压力差；S3、以DMA分区的区域压力差、平均压力、年、月、日、工作日、季节7个特征量作为输入数据划分训练集和测试集；S4、构建SVM模型，将所划分的训练集和测试集输入SVM模型并对所构建的SVM模型进行调试直至模型参数最优，输出最小夜间流量模拟值；S5、根据最小夜间流量数据的实测值、最小夜间流量模拟值之间的残差关系设置动态阈值，对供水管网漏损进行识别。2.根据权利要求1所述的基于DMA分区压力差和平均压力的管网漏损识别方法，其特征在于，所述S2中DMA分区的区域压力差为每个子分区所有进口压力计数据的均值减出口压力计数据均值；DMA分区的区域平均压力为每个子区域内所有压力计数据均值。3.根据权利要求1所述的基于DMA分区压力差和平均压力的管网漏损识别方法，其特征在于，所述S4中SVM模型构建方法为：S41、以DMA分区的区域压力差、平均压力、年、月、日、工作日、季节等7个特征量构建数据集D，表示为：D＝{(x
i
，y
i
)，i＝1,2，
…
，N}其中x
i
表示第i个特征量，y
i
表示第i个最小夜间流量；S42、构建决策函数：其中，ω为权向量，b为偏置量，K(x
i
，x)为核函数，且式中，σ为残差；S43、利用非松弛变量解决实际数据线性不可分问题，表示为：其中，C为惩罚因子，L
ε
为不敏感损失函数。4.根据权利要求3所述的基于DMA分区压力差和平均压力的管网漏损识别方法，其特征在...

【专利技术属性】
技术研发人员：贾玲，张立影，林鹏飞，姚懿真，杜军凯，郝春沣，曹引，段浩，曹吉平，雍睿，
申请(专利权)人：中国水利水电科学研究院，
类型：发明
国别省市：