本發(fā)明屬于漏損區(qū)域定位，尤其涉及一種基于粒子群優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的供水管網(wǎng)漏損識(shí)別方法。

背景技術(shù)：

1、受管網(wǎng)老化、管材質(zhì)量、儀表準(zhǔn)確性、施工質(zhì)量、應(yīng)力作用、環(huán)境腐蝕、拓?fù)浣Y(jié)構(gòu)復(fù)雜等影響，供水管網(wǎng)漏損現(xiàn)象普遍存在，因此降低管網(wǎng)漏損率迫在眉睫。

2、供水管網(wǎng)漏失，不僅造成了大量?jī)?yōu)質(zhì)水資源的浪費(fèi)，還會(huì)影響工業(yè)生產(chǎn)和居民生活的正常用水。同時(shí)，管網(wǎng)的漏損在一定程度上也影響了供水企業(yè)的經(jīng)濟(jì)效益。因此，對(duì)于供水企業(yè)來說，防控由于管網(wǎng)漏損導(dǎo)致的水量損失是管網(wǎng)運(yùn)行管理中的重要內(nèi)容。管網(wǎng)漏失控制是實(shí)現(xiàn)節(jié)水降耗、提高水資源利用效率的重要保障。

3、常用的漏損控制技術(shù)包括基于探漏儀器的漏損識(shí)別定位(音聽檢漏法、探地雷達(dá)管道內(nèi)窺檢測(cè)等)、資產(chǎn)管理、管網(wǎng)優(yōu)化設(shè)計(jì)、壓力管理等方面。聲學(xué)檢漏技術(shù)借助相關(guān)函數(shù)和安裝在管道或消防栓上的聲學(xué)傳感器，對(duì)聲波的傳播時(shí)間進(jìn)行測(cè)量。如果管道漏損點(diǎn)位于某兩個(gè)傳感器之間，傳感器就會(huì)檢測(cè)到由泄漏所發(fā)出的噪聲，然后便可根據(jù)相關(guān)函數(shù)的計(jì)算結(jié)果來確定同一泄漏噪聲傳播到兩個(gè)傳感器所產(chǎn)生的時(shí)間差：當(dāng)確定了管道中的聲速后，就能相應(yīng)測(cè)算出泄漏點(diǎn)的具體位置。但此技術(shù)存在諸多不足：(1)非金屬管道不適用；(2)傳感器布置密度大，投資高；(3)易受環(huán)境噪音干擾以及附近埋設(shè)電纜干擾。

4、近年來，隨著傳感器技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，智慧水務(wù)逐步興起，然而對(duì)管網(wǎng)大量的工況信息數(shù)據(jù)并沒有得到充分的利用和分析。目前，基于傳統(tǒng)的傳感器數(shù)據(jù)統(tǒng)計(jì)分析的水務(wù)管網(wǎng)監(jiān)測(cè)技術(shù)，難以有效的識(shí)別漏損的發(fā)生，更不能精準(zhǔn)的定位漏損的位置?；谔铰﹥x器的漏損識(shí)別與定位技術(shù)在實(shí)踐中廣泛使用，能夠有效查找漏損點(diǎn)，降低管網(wǎng)漏損率。此方法準(zhǔn)確度更高、直觀性更強(qiáng)，但投入的人力物力也較大，當(dāng)大范圍應(yīng)用時(shí)，效率較低。

5、隨著大數(shù)據(jù)技術(shù)的在漏損識(shí)別領(lǐng)域的應(yīng)用，深入系統(tǒng)地研究漏損問題，通過水務(wù)數(shù)據(jù)的系統(tǒng)化整合、信息化控制及智能化管理，積極探索有效的漏損控制方法，對(duì)于提高供水企業(yè)的經(jīng)濟(jì)效益和社會(huì)效益，具有重要的意義。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提出了一種基于粒子群優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的供水管網(wǎng)漏損識(shí)別方法，以解決上述現(xiàn)有技術(shù)存在的通過一些大數(shù)據(jù)算法易發(fā)生過擬合、運(yùn)算速度和效率低下的缺陷問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了基于粒子群優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的供水管網(wǎng)漏損識(shí)別方法，包括：

3、獲取供水管網(wǎng)的流量數(shù)據(jù)及壓力數(shù)據(jù)；對(duì)所述供水管網(wǎng)進(jìn)行分區(qū)劃分，并根據(jù)分區(qū)劃分結(jié)果及壓力數(shù)據(jù)，得到壓力特征；

4、構(gòu)建預(yù)測(cè)模型，其中所述預(yù)測(cè)模型包括優(yōu)化算法模型及神經(jīng)網(wǎng)絡(luò)模型，所述深度學(xué)習(xí)模型的輸入為特征變量，其中所述特征變量包括節(jié)點(diǎn)流量數(shù)據(jù)、壓力數(shù)據(jù)及壓力特征，輸出為輸出流量預(yù)測(cè)值；

5、基于流量數(shù)據(jù)、壓力數(shù)據(jù)及壓力特征，對(duì)深度學(xué)習(xí)模型進(jìn)行調(diào)參及優(yōu)化，得到最終的預(yù)測(cè)模型；

6、獲取待測(cè)供水管網(wǎng)數(shù)據(jù)及實(shí)測(cè)輸出流量值，通過最終的預(yù)測(cè)模型對(duì)待測(cè)供水管網(wǎng)數(shù)據(jù)進(jìn)行識(shí)別，得到待測(cè)供水管網(wǎng)流量預(yù)測(cè)值，對(duì)所述實(shí)測(cè)輸出流量值及待測(cè)供水管網(wǎng)流量預(yù)測(cè)值進(jìn)行判斷，得到供水管網(wǎng)漏損識(shí)別結(jié)果。

7、可選的，通過dma分區(qū)對(duì)供水管網(wǎng)進(jìn)行分區(qū)劃分，所述壓力特征包括區(qū)域壓力差及平均壓力，其中所述區(qū)域壓力差為分區(qū)劃分結(jié)果中，所述區(qū)域壓力差為每個(gè)劃分后的區(qū)域的進(jìn)口壓力計(jì)數(shù)據(jù)均值與出口壓力計(jì)數(shù)據(jù)均值的差值；所述平均壓力為每個(gè)劃分后的區(qū)域內(nèi)所有壓力計(jì)數(shù)據(jù)均值。

8、可選的，所述神經(jīng)網(wǎng)絡(luò)模型采用bp神經(jīng)網(wǎng)絡(luò)模型，其中所述bp神經(jīng)網(wǎng)絡(luò)模型包括依次連接的輸入層、若干隱藏層及輸出層，其中隱藏層中包含若干隱藏節(jié)點(diǎn)。

9、可選的，所述優(yōu)化算法模型采用pso優(yōu)化算法。

10、可選的，構(gòu)建預(yù)測(cè)模型的過程包括：

11、構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，對(duì)所述神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)及網(wǎng)絡(luò)參數(shù)進(jìn)行初始化；

12、構(gòu)建優(yōu)化算法模型，將所述優(yōu)化算法模型的種群中個(gè)體維度與神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)進(jìn)行對(duì)應(yīng)，其中種群中個(gè)體維度與神經(jīng)網(wǎng)絡(luò)模型中權(quán)值和閾值的個(gè)數(shù)總和相等。

13、對(duì)所述優(yōu)化算法模型中的模型參數(shù)進(jìn)行初始化；

14、設(shè)置所述優(yōu)化算法模型的目標(biāo)函數(shù)及適應(yīng)度函數(shù)，其中所述目標(biāo)函數(shù)為神經(jīng)網(wǎng)絡(luò)模型的輸出與實(shí)際值的誤差，所述適應(yīng)度函數(shù)為神經(jīng)網(wǎng)絡(luò)模型的輸出的均方誤差。

15、可選的，所述預(yù)測(cè)模型的優(yōu)化過程包括：

16、對(duì)流量數(shù)據(jù)、壓力數(shù)據(jù)及壓力特征進(jìn)行整合并添加標(biāo)簽，得到訓(xùn)練集及測(cè)試集；

17、迭代輸入訓(xùn)練集，在每次迭代過程中，計(jì)算所述優(yōu)化算法模型中的種群中個(gè)體的適應(yīng)度；根據(jù)種群中個(gè)體的適應(yīng)度，對(duì)種群進(jìn)行更新，并將更新后的權(quán)值及閾值帶入所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行參數(shù)更新，基于參數(shù)更新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行下一次迭代過程，直到達(dá)到最大迭代次數(shù)，得到種群個(gè)體的最優(yōu)解，將所述種群個(gè)體的最優(yōu)解作為神經(jīng)網(wǎng)絡(luò)模型中權(quán)值和閾值的初始值，得到預(yù)訓(xùn)練模型；

18、通過訓(xùn)練集及測(cè)試集對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練及測(cè)試，得到優(yōu)化后的預(yù)測(cè)模型。

19、可選的，對(duì)種群進(jìn)行更新的過程包括：

20、根據(jù)種群中個(gè)體的適應(yīng)度，獲取當(dāng)前個(gè)體極值和當(dāng)前群體極值，根據(jù)當(dāng)前個(gè)體極值和當(dāng)前群體極值，對(duì)種群進(jìn)行更新。

21、可選的，對(duì)預(yù)測(cè)模型進(jìn)行調(diào)優(yōu)的過程包括：

22、對(duì)所述優(yōu)化算法模型的影響參數(shù)及神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)進(jìn)行迭代調(diào)整，在每次迭代調(diào)整過程中，對(duì)所述預(yù)測(cè)模型進(jìn)行優(yōu)化，對(duì)優(yōu)化后的預(yù)測(cè)模型進(jìn)行模型精度判斷，根據(jù)模型精度判斷結(jié)果對(duì)每次迭代調(diào)整過程得到的預(yù)測(cè)模型進(jìn)行超參數(shù)調(diào)整，直到滿足結(jié)束迭代的判斷條件，得到最終的預(yù)測(cè)模型。

23、可選的，精度判斷的過程包括：通過均方根誤差及決定系數(shù)對(duì)優(yōu)化后的預(yù)測(cè)模型進(jìn)行模型精度判斷。

24、可選的，對(duì)所述實(shí)測(cè)流量值及待測(cè)供水管網(wǎng)流量預(yù)測(cè)值進(jìn)行判斷的過程包括：

25、對(duì)所述實(shí)測(cè)流量值及待測(cè)供水管網(wǎng)流量預(yù)測(cè)值進(jìn)行差值計(jì)算，若所述差值計(jì)算結(jié)果在所述模型精度指標(biāo)及正常漏損范圍內(nèi)，則認(rèn)為不存在漏損異常情況，否則存在異常情況，根據(jù)存在異常情況實(shí)測(cè)流量值對(duì)應(yīng)的流量計(jì)所處區(qū)域?qū)βc(diǎn)檢測(cè)、定位。

26、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)和技術(shù)效果：

27、1.本發(fā)明基于dma分區(qū)的壓力差和平均壓力的識(shí)別新增漏損預(yù)測(cè)的pso-bp模型，考慮了包括區(qū)域壓力差和區(qū)域平均壓力在內(nèi)的影響管網(wǎng)漏損的主要因素，保證設(shè)計(jì)的模型更逼近實(shí)際的管網(wǎng)漏損情況。

28、2.本發(fā)明主要利用壓力數(shù)據(jù)實(shí)現(xiàn)漏損區(qū)分與識(shí)別，適用于我國(guó)供水管網(wǎng)普遍僅在區(qū)域出入口安裝流量計(jì)和壓力監(jiān)測(cè)點(diǎn)布置數(shù)量較多的情況，具有成本低、實(shí)用性高的特點(diǎn)。通過pso優(yōu)化bp神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值和閾值，使得一開始就避免bp神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)、過擬合、運(yùn)算速度和效率低下等缺陷，能夠解決上述現(xiàn)有技術(shù)存在的通過一些大數(shù)據(jù)算法易發(fā)生過擬合、運(yùn)算速度和效率低下的缺陷問題。此外，本發(fā)明可與各類預(yù)測(cè)模型良好匹配，隨著計(jì)算機(jī)與深度學(xué)習(xí)的發(fā)展，更優(yōu)秀的管網(wǎng)預(yù)測(cè)模型也將進(jìn)一步提升本發(fā)明最終的漏損識(shí)別結(jié)果。