论文部分内容阅读
快速、有效的漏损侦测定位方法在保障城市供水安全、节约水资源放方面具有重要意义。本文围绕城市供水管网漏损定位问题,展开对供水管网DMA(District Meter Area,独立计量区域)实时模型的建立、管网压力预测与异常工况检测、漏损初步定位和精确定位的研究,主要内容如下:1、城市供水管网实时水力模型的建立。依据EPANET-RTX实时建模框架,以SX市YC区某大型DMA的管网信息及SCADA(Supervisory Control And Data Acquisition,数据采集和监控系统)数据为背景,建立了供水管网实时水力模型,使得对监测点的平均拟合误差从离线模型的10%以内减小到5%以内,提高了模拟精度。2、基于LSTM(Long Short-Term Memory,长短期记忆神经网络)模型的管网压力预测。针对供水管网的高度复杂非线性特性,采用深度学习模型LSTM进行管网状态预测。LSTM模型的输入既包括测点压力的状态信息,也包括各入水口的供水压力和供水量的控制信息。为了增强模型的信息特征提取与辨识性能、提高预测精度,提出一个将并行LSTM的输出合并后连接DNN(Deep Neural Network,深度神经网络)的模型,称之为PLDNN(Parallel LSTM Combine DNN)模型;实例预测结果表明,PLDNN预测模型的均方根误差仅0.0017,平均绝对比百分误差仅0.45%,比传统预测方法(人工神经网络、支持向量机等)和普通LSTM模型具有更高的学习性能、精确度。最后,提出将PLDNN预测值和实测值的差异作为判断管网有无异常发生的依据。3、两种漏损初定位方法。方法1:根据漏损发生后测点压力异常率大小,确定边界测点,再根据边界测点通过“多点定位法”划定漏损区域。方法2:首先通过灵敏度分析和聚类算法将供水管网划分为若干个“虚拟漏损分区”,在不同漏损分区内通过管网模型模拟出大量漏损数据,通过深度信念网络建立漏损数据和对应漏损分区的非线性映射关系,实现初步定位。4、基于实时水力模型的漏损精确定位。建立漏损工况下实时水力模型,设计GA(Genetic Algorithm,遗传算法)和NSGA2(Non-dominated sorting genetic algorithm with elitist strategy,带精英策略的非支配排序算法),利用水力模型校核寻优实现漏损精确定位。实验结果表明,漏损工况实时水力模型比离线模型具有更高的实用性,多目标遗传算法比单目标遗传算法优化性能更好。