[发明专利]一种供水管网爆管风险分析方法

说明书

本发明涉及一种供水管网爆管风险分析方法，通过建立爆管预测数据库分析不同爆管因素的爆管率并进行归一化处理。根据爆管率的高低，对不同爆管因素进行爆管风险等级划分，得到爆管因素风险等级划分表用于判断爆管预测数据库中所有管段各个爆管因素的风险等级，定义若某一管段至少有R‑1个（R是所有爆管因素的数量）爆管因素均属于同一风险等级，则该管段的爆管风险为属于该风险等级，划分处于不同爆管风险等级的管道，便于提高爆管风险分析的效率及准确率。对于不能通过上述定义划分并进行分析的管道，通过神经网络进行分析。通过统计分析管道得到的样本集数据用于训练神经网络，提高神经网络的准确度。

技术领域

本发明属于供水管网爆管分析，具体涉及一种供水管网爆管风险分析方法。

背景技术

城市供水管网系统是城市最重要的基础设施之一，被称为”生命线工程”。由于该系统分布于整个城市，系统庞大，隐蔽性强，外部干扰因素多，且管道自身材料质量和安装质量差异较大，因此容易发生爆管事故。通过对历史漏损数据进行分析并建立有效的爆管预测模型，可从源头上对管网的漏损情况进行控制，做到早预防、早发现，科学合理地进行维护，实现漏损的主动控制。

传统的爆管预测模型包括统计模型和物理模型。前者是以管网运行的历史爆管数据为依据，利用统计的方法量化爆管事故的规律，但要求历史维护数据的准确性和较长的保存周期。后者偏重于力学分析，只能用于分析假设爆管和各爆管因素之间的作用机理已经明确的案例。但是，由于历史维修数据量有限、供水管网爆管本身的不确定性、影响因素之间的非线性和实际供水管网的复杂性等问题，导致传统的爆管预测模型难以建立且预测精度不高。

与传统的爆管预测建模方法相比，神经网络具有并行处理能力强、高容错性分布、智能化和自主学习能力等特点，对于机理不甚了解或者不能用数学关系描述的问题更加具有优越性，如特征识别、预测、分类等问题。爆管是一种影响因素众多且影响因素之间相互影响的复杂现象，无法用数学模型准确表示爆管的内部机理。因此神经网络是进行爆管风险预测的有利工具。

CN103226741B公开了城市供水管网爆管预测方法，以解决预测精度不高的问题，建立爆管预测模型，为城市供水管网爆管提供一种新的研究基础。其包括如下步骤：(1)获取被测供水管网的爆管率及对其有影响的其他相关影响因素的历史数据作为检测的数据；(2)建立自适应神经网络杂合变精度粗糙集的供水管网爆管预测模型；(3)供水管网爆管预测模型的训练和测试分析；(4)利用通过测试的供水管网爆管预测模型预测供水管网的爆管率。

CN103258243B公开了基于灰色神经网络的爆管预测方法，对于给定的爆管因素和爆管率数据序列，通过静态灰色建模，对爆管率序列进行预测。预测结果和原爆管率序列进行比较，得到残差。然后，利用神经网络在这些残差和爆管因素间建立神经网络逼近模型。经过反复训练的神经网络就是残差和所选的灰色模型数据间的映射关系。最后预测时，再将灰色模型的预测值用神经网络的补偿值进行补偿。

上述专利文献均未涉及对管道进行爆管因素风险划分。

发明内容

本发明的目的是提供一种供水管网爆管风险分析方法，对处于不同爆管风险等级的管道进行快速划分，有利于提高爆管风险分析的效率及准确率。

本发明所述的一种供水管网爆管风险分析方法，包括如下步聚：

步骤一：收集供水管网的拓扑结构数据、生产运营数据、水量销售数据以及爆管维修数据；

步骤二：将在步骤一中收集的数据导入建模软件，建立供水管网水力模型并进行校核，得到水力运行数据；

步骤三：根据拓扑结构数据、水力运行数据、爆管维修数据建立爆管预测数据库，统计分析不同爆管因素的爆管率并进行归一化处理；根据归一化处理得出的爆管率的高低，对不同爆管因素进行爆管风险等级划分，得到爆管因素风险等级划分表；