[发明专利]基于极限学习机的城市供水管网爆管预警方法

说明书

本发明属于城市供水管网安全技术领域，为解决供水管网安全问题，得到实时的管网运行状况，对管网中爆管事件及时侦测与精确定位。为此，本发明采取的技术方案史是，基于极限学习机的城市供水管网爆管预警方法，通过建立管网水力模型模拟爆管工况，得到爆管数据，利用机器学习中极限学习机的原理对数据进行分析、学习，预测。本发明主要应用于城市管网运维等场合。

技术领域

本发明属于城市供水管网安全技术领域，具体来说是一种基于极限学习机的城市供水管网爆管预警方法。

背景技术

城市供水管网是给水环节中最重要的环节之一，与居民的日常生活息息相关，是最重要的基础设施之一。如今，随着城镇化进程的不断加深，我国城市的基础设施不断完善，城市地下供水管网也已经发展成为纵横交错的庞大、复杂网络。城市供水管网常年深埋于地下，管道老旧，腐蚀漏损问题严重，供水系统出现诸多暗漏情况，却无法及时发现，导致大量水资源流失；城市供水管网运行状态多变，管网中水压波动较大，导致异常事件频繁发生，缺乏科学有效的方法对管网中爆管事件及时侦测与精确定位，影响居民生活和工业用水，造成巨大经济损失。

对于供水管网安全问题，国内外始终十分关注，并且逐渐建立了管网GIS系统和数据采集与监测系统(SCADA)，为研究爆管问题提供了一个很好的技术平台，通过在线监测系统采集的数据，能够得到实时的管网运行状况，对于及时发现管网的安全问题并进行修复具有重要意义。同时，随着计算机技术的发展，一大批管网水力模型的建模软件也应运而生，通过建立管网模型，能够进行水力分析计算，得到模型管网的运行数据，基于此建立相应的爆管预警模型。在当今大数据时代，机器学习(Machine Learning，ML)已经成为一种主流研究方向，并被广泛应用于模式识别、数据挖掘、图像处理等领域当中。但应用于城市供水管网安全领域，特别是爆管预警方法上，还比较少见。极限学习机(Extreme LearningMachine，ELM)作为机器学习的一种，具有学习速度快、结构简单易于实现、人为干预少和泛化能力强能等优点，但需要大量的基础数据支撑，而供水管网的监测数据或模拟数据正好能够提供极限学习机所需要的学习数据。因此，将极限学习机的原理运用到城市供水管网爆管预警上，具有良好的条件和广阔的前景。

发明内容

本发明旨在提出一种基于极限学习机的城市供水管网爆管预警方法。本发明采用的技术方案是，通过建立管网水力模型模拟爆管工况，得到爆管数据，利用机器学习中极限学习机的原理对数据进行分析、学习，预测，步骤如下：

(1)选定一片区域，依据城市供水规范计算该区域的用水总量，将其均布到每个用水节点，并依据每天的用水量变化规律选择不同的出厂压力；

(2)利用EPANET软件建立该区域的供水管网模型，依据平均经济流速，确定各管径的大小，并保证在不同出厂压力和用水量的正常运行工况条件下，控制点的水头不低于0.28MPa；

(3)在正常运行工况的基础上，采用加入虚拟节点VJ的方式模拟爆管点，虚拟节点的用水量即为爆管的流量，设计不同梯度的用水量模拟不同程度的爆管，运行得到爆管工况；

(4)选择管网中具有代表性的节点作为压力监测点，监测正常运行工况和爆管工况下的压力值，以爆管前后的压力差作为爆管特征值；将各监测点的爆管特征值作为极限学习机的输入值；对不同爆管工况进行编号，该编号作为极限学习机的输出值；

(5)根据极限学习机的学习能力，选择绝大多数工况作为训练集，用以建立爆管预警模型，少数工况作为测试集，用以检验模型的准确度和精度。

极限学习机采用单隐含层前馈神经网络SLFNs模型，包含三层，分别是输入层、输出层以及隐含层，每一层都由神经元构成，界信息通过输入层进行接收，每个神经元只接收前一层的输出结果并将其作为自己的输入数值，输出层向外界反馈信息，极限学习机随机选取输入层权重和隐藏层偏置，输出层权重通过最小化由训练误差项和输出层权重范数的正则项构成的损失函数，该损失函数依据Moore-Penrose广义逆矩阵理论计算解析求出。