[发明专利]一种基于深度信念网络的复杂管网泄漏定位方法

权利要求书

1.一种基于深度信念网络的复杂管网泄漏定位方法，其特征在于，具体按照以下步骤实施：

步骤1，获取包括监测点压力值和泄漏位置坐标的数据样本，将标准化处理后的样本数据按照设定比例分为训练样本和测试样本；

步骤2，构建基于深度信念网络的复杂管网泄漏定位模型；

步骤3，根据测试样本采用逐层无监督学习算法对复杂管网泄漏定位模型进行预训练；

步骤4，采用BP算法对预训练之后的复杂管网泄漏定位模型进行参数寻优，得到复杂管网泄漏定位模型；

步骤5，采用步骤4得到的复杂管网泄漏定位模型对步骤1中的测试样本进行泄漏定位，输出定位结果；根据输出的定位结果与测试样本的泄漏位置坐标统计模型诊断准确率。

2.根据权利要求1所述的基于深度信念网络的复杂管网泄漏定位方法，其特征在于，所述的步骤1具体为：

步骤1.1，根据管网结构图构建复杂管网水力工况数学模型，并基于基本回路分析法编制MATLAB计算程序，得到泄漏特征值样本集；所述泄漏特征样本集包括监测点压力值和泄漏位置坐标；

步骤1.2，对步骤1.1中采集到的数据进行归一化处理；

步骤1.3，将标准化后的样本数据按照设定比例分为训练样本和测试样本。

3.根据权利要求2所述的基于深度信念网络的复杂管网泄漏定位方法，其特征在于，所述的步骤1.1中，复杂管网水力工况数学模型为：

A*G＝Q，

B_f*ΔH＝0，

ΔH＝S*|G|*G+Z-DH；

其中，A为关联矩阵，B_f为基本回路矩阵，Q为节点流量列向量，S为阻力特性数矩阵，Z为位能差列向量，DH为水泵扬程，G为段流量列向量，ΔH为管段压差列向量。

4.根据权利要求3所述的基于深度信念网络的复杂管网泄漏定位方法，其特征在于，所述的步骤2具体为：

步骤2.1，构建复杂管网泄漏定位模型的第一层限制玻尔兹曼机单元；

步骤2.2，将第一层限制玻尔兹曼机单元的隐藏层作为第二层限制玻尔兹曼机单元的可视层，构建第二层限制玻尔兹曼机单元；

步骤2.3，以相同的方式依次构建第i个限制玻尔兹曼机单元；

步骤2.4，构建线性回归层，所述线性回归层位于第i个限制玻尔兹曼机单元上方，复杂管网深度信念网络泄漏定位模型构建完成。

5.根据权利要求4所述的基于深度信念网络的复杂管网泄漏定位方法，其特征在于，所述的步骤2.1中，每个所述限制玻尔兹曼机单元均包括隐藏层和可视层，所述隐藏层包括n个神经元，为数据输出层；所述可视层包括m个神经元，为数据输入层；所述隐藏层与可视层之间的神经元双向连接，同一隐藏层或可视层的神经元无连接。

6.根据权利要求5所述的基于深度信念网络的复杂管网泄漏定位方法，其特征在于，所述步骤3具体为：

步骤3.1，通过交叉验证的方法得到复杂管网泄漏定位模型的隐藏层数、各隐藏层的神经元数、微调迭代步数和学习率；

步骤3.2，根据训练样本采用CD算法对第一层限制玻尔兹曼机单元进行训练，直至误差满足条件；

步骤3.3，将训练好的第一层限制玻尔兹曼机单元的隐藏层作为输入数据训练下一个限制玻尔兹曼机单元，直至所有的限制玻尔兹曼机单元训练完毕。