本发明涉及一种供水管网漏损的自动识别和定位方法，属于供水管网漏损监测技术领域。
背景技术：
城镇供水管网的漏损是一个普遍存在且重要的问题，引起了社会的广泛关注。供水管网的漏损，有时很难被识别和定位，导致维修时间的延迟，进而造成大量的水资源的损失，增加了供水需求的压力。管网的漏损，可能影响供水的水质，还会导致管内压力的释放，造成能源的浪费。在环境和能源危机日益严重的背景下，供水管网的漏损识别和定位是具有重大意义的，有助于节约水资源和能源，减少经济损失，维持居民稳定供水。城镇水务管网错综复杂，且存在传感器分布密度低、传感器数据包含噪音和误差等问题，导致管网的漏损反映在传感器数据的变化不明显。目前，基于传统的传感器数据统计分析的水务管网监测技术，难以有效地识别漏损的发生，更不能精确地定位漏损的位置。
中国发明专利申请cn110594597a水务管网dma漏损分析系统，公开了一种以独立计量区域dma为分析的对象的水务管网漏损分析系统。然而，该发明存在四个问题：第一，该发明没有提出漏损定位的方法。第二，该发明提到可以通过管网壁厚的变化与历史记录的比较来判定漏损的可能，却没有提供具体的实施步骤来解释如何判定漏损。第三，该发明没有提出降低数据噪音和误差的方法。第四，该发明没有进行漏损识别精度的测试。
技术实现要素：
本发明目的是提出一种供水管网漏损的自动识别和定位方法，建立、训练和测试一个深度神经网络，用于分析少数几个传感器的数据，来实现管网漏损的识别以及定位，以加速供水管网漏损的抢修，降低漏损导致的水资源损失、资源浪费和水质污染。
本发明提出的供水管网漏损的自动识别和定位方法，包括以下步骤：
(1)设定独立计量的供水管网中共有n个被监测管段，在其中的n个管段上安装传感器，0≤n＜n，从水务管理中心获取n个被监测管段的位置信息g，并在独立计量的供水管网的所有入水口、出水口分别安装一个传感器；
(2)训练和测试数据采集：在时间段k内，以采样频率t，用步骤(1)的传感器对供水管网的物理状态进行采集，同时记录被监测管段的漏损状态，得到数据集d＝(x，y)，其中x为由所有传感器采集的数据组成的数据组，y为所有被监测管段漏损状态组成的数据组，将管段漏损状态记y为1，管段非漏损状态记y为0；
(3)对步骤(2)中传感器数据组x进行预处理，包括以下步骤：
(3-1)从传感器数据组x中移除漏损状态y为1时的传感器数据，得到供水管网在无漏损状态下的传感器数据组xa，把xa中被移除的部分用符号来填充，使xa的长度与x的长度一致，设定一个时间周期q，将无漏损状态传感器数据组xa均分为
每组
得到基准周期性传感器数据组xc，其中i＝1，2，...，q×t；
(3-2)将步骤(2)中传感器的数据组x均分为
xj＝[x(1 q×t×(j-1))，...，x(q×t×j)]，其中j为xj的组号，j＝1，2，...，k/q
将每组原始周期性数据组xj减去基准周期性传感器数据组xc，获得差值周期性数据组
并按照
其中i＝1，2，...，q×t；
(3-3)对差值传感器数据组xd进行滑窗平均降噪处理，获得预处理传感器数据组xe和预处理数据集de＝(xe，y)
其中，r是人为设定的滑窗大小，k＝1，2，...，k×t；
(4)从步骤(3)中获得的预处理数据集de中随机抽取80％的数据作为训练集
(5)设计一个深度神经网络m，包括一个输入层、c个隐含层和一个输出层，其中，深度神经网络m的输入为步骤(3)中获得的预处理数据集xe，深度神经网络m的输出为被监测管段的预测漏损状态
(6)将步骤(4)测试集中的xtest输入深度神经网络mt，mt输出管段预测漏损状态
(7)设定一个测试精度阈值athresh，将步骤(6)的测试精度a和精度阈值athresh进行比较，若a大于或者等于athresh，则判定深度神经网络mt测试合格，进行步骤(10)，若测试精度a小于精度阈值athresh，则进行步骤(8)；
(8)增加步骤(5)中的隐含层层数c，重复步骤(5)-步骤(6)，将步骤(6)中获得的测试精度a和精度阈值athresh进行比较，若测试精度a大于或者等于精度阈值athresh，则判定深度神经网络mt测试合格，进行步骤(10)，若测试精度a小于精度阈值athresh，则设定一个隐含层层数的阈值cthresh，对隐含层层数c进行判断，若隐含层层数c小于或等于cthresh，重复本步骤，若隐含层层数c大于cthresh，则进入步骤(9)；
(9)延长步骤(2)中的采集时间段k，重复步骤(2)-步骤(6)，将步骤(6)中获得的测试精度a和精度阈值athresh进行比较，若测试精度a大于或者等于精度阈值athresh，则判定深度神经网络mt测试合格，进行步骤(10)，若测试精度a小于精度阈值athresh，重复本步骤，直到测试精度a大于或者等于精度阈值athresh；
(10)在独立计量的供水管网运行时，从所有传感器采集新传感器数据组
本发明提出的供水管网漏损的自动识别和定位方法，其优点是：
本发明的供水管网漏损识别和定位方法，用传感器采集独立计量的供水管网中有限管段的物理状态，同时记录管段的漏损状态以及管段所在位置，建立、训练和测试一个人工神经网络，通过分析少数几个传感器的数据，来识别复杂管网的漏损状态，并具体定位到出现漏损的水管管段，传感器数据用于漏损识别和定位前接受预处理，以降低传感器数据中噪音和误差的影响。本发明方法可以随着持续应用，进行自我拓展，以提升精度和适应新数据。本发明方法步骤具体，经过精度测试的方法，结果稳定可靠，因此本发明方法的可实施性强。使用本发明方法对供水管网进行监测，可以使用有限的少数几个传感器实现对整个供水管网漏损的识别以及定位，监测成本低，监测精度高，而且可以大大加速供水管网漏损的抢修，降低漏损导致的水资源损失、资源浪费和水质污染。
附图说明
图1是本发明方法的流程框图。
图2是本发明供水管网的漏损识别和定位方法中涉及的供水管网结构示意图。
图3是本发明方法中涉及的神经网络示意图。
具体实施方法
本发明提出的供水管网漏损的自动识别和定位方法，其流程框图如图1所示，包括以下步骤：
(1)设定独立计量的供水管网中共有n个被监测管段，在其中的n个管段上安装传感器，0≤n＜n，从水务管理中心获取n个被监测管段的位置信息g，并在独立计量的供水管网的所有入水口、出水口分别安装一个传感器，供水管网的结构如图2所示；
(2)训练和测试数据采集：在时间段k内(例如100个星期)，以采样频率t(例如4个数据/小时)，用步骤(1)的传感器对供水管网的物理状态(如流量或压力)进行采集，同时记录被监测管段的漏损状态，得到数据集d＝(x，y)，其中x为由所有传感器采集的数据组成的数据组，y为所有被监测管段漏损状态组成的数据组，将管段漏损状态记y为1，管段非漏损状态记y为0；
(3)对步骤(2)中传感器数据组x进行预处理，以突出漏损对传感器数据的影响和去噪音，包括以下步骤：
(3-1)从传感器数据组x中移除漏损状态y为1时的传感器数据，得到供水管网在无漏损状态下的传感器数据组xa，把xa中被移除的部分用符号(例如null)来填充，使xa的长度与x的长度一致，设定一个时间周期q(如一个星期或一个月)，将无漏损状态传感器数据组xa均分为
每组
得到基准周期性传感器数据组xc，其中i＝1，2，...，q×t；
(3-2)将步骤(2)中传感器的数据组x均分为
xj＝[x(1 q×t×(j-1))，...，x(q×t×j)]，其中j为xj的组号，j＝1，2，...，k/q
将每组原始周期性数据组xj减去基准周期性传感器数据组xc，获得差值周期性数据组
并按照
其中i＝1，2，...，q×t；
(3-3)对差值传感器数据组xd进行滑窗平均降噪处理，获得预处理传感器数据组xe和预处理数据集de＝(xe，y)
其中，r是人为设定的滑窗大小，如取值为5，k＝1，2，...，k×t；
(4)从步骤(3)中获得的预处理数据集de中随机抽取80％的数据作为训练集
(5)设计一个深度神经网络m，如图3所示，包括一个输入层、c个隐含层(在本实例中，c为30)和一个输出层，其中，深度神经网络m的输入为步骤(3)中获得的预处理数据集xe，深度神经网络m的输出为被监测管段的预测漏损状态
(6)将步骤(4)测试集中的xtest输入深度神经网络mt，mt输出管段预测漏损状态
(7)设定一个测试精度阈值athresh(例如精度阈值athresh的取值为0.9)，将步骤(6)的测试精度a和精度阈值athresh进行比较，若a大于或者等于athresh，则判定深度神经网络mt测试合格，在本实施例中，测试精度a达到0.95，进行步骤(10)，若测试精度a小于精度阈值athresh，则进行步骤(8)；
(8)增加步骤(5)中的隐含层层数c，c的增加的幅度由人为设定，如50％，重复步骤(5)-步骤(6)，将步骤(6)中获得的测试精度a和精度阈值athresh进行比较，若测试精度a大于或者等于精度阈值athresh，则判定深度神经网络mt测试合格，进行步骤(10)，若测试精度a小于精度阈值athresh，则设定一个隐含层层数的阈值cthresh，对隐含层层数c进行判断，若隐含层层数c小于或等于cthresh，重复本步骤，若隐含层层数c大于cthresh，则进入步骤(9)；
(9)延长步骤(2)中的采集时间段k，k的延长的幅度由人为设定，如10％，重复步骤(2)-步骤(6)，将步骤(6)中获得的测试精度a和精度阈值athresh进行比较，若测试精度a大于或者等于精度阈值athresh，则判定深度神经网络mt测试合格，进行步骤(10)，若测试精度a小于精度阈值athresh，重复本步骤，直到测试精度a大于或者等于精度阈值athresh；
(10)在独立计量的供水管网运行时，从所有传感器采集新传感器数据组
为了提高供水管网的检测精度，可以在本发明的最后步骤结束后，进一步将最后的
本发明的一个实施例中，独立计量的供水管网的结构如图2所示，设定其中共有10个被监测管段，在其中的0个管段上安装传感器，并在独立计量的供水管网的所有入水口、出水口分别安装一个传感器。
1.一种供水管网漏损的自动识别和定位方法，其特征在于该方法包括以下步骤：
(1)设定独立计量的供水管网中共有n个被监测管段，在其中的n个管段上安装传感器，0≤n<n，从水务管理中心获取n个被监测管段的位置信息g，并在独立计量的供水管网的所有入水口、出水口分别安装一个传感器；
(2)训练和测试数据采集：在时间段k内，以采样频率t，用步骤(1)的传感器对供水管网的物理状态进行采集，同时记录被监测管段的漏损状态，得到数据集d＝(x,y)，其中x为由所有传感器采集的数据组成的数据组,y为所有被监测管段漏损状态组成的数据组，将管段漏损状态记y为1，管段非漏损状态记y为0；
(3)对步骤(2)中传感器数据组x进行预处理，包括以下步骤：
(3-1)从传感器数据组x中移除漏损状态y为1时的传感器数据，得到供水管网在无漏损状态下的传感器数据组xa，把xa中被移除的部分用符号来填充，使xa的长度与x的长度一致，设定一个时间周期q,将无漏损状态传感器数据组xa均分为
每组
得到基准周期性传感器数据组xc，其中i＝1,2,…,q×t；
(3-2)将步骤(2)中传感器的数据组x均分为
xj＝[x(1 q×t×(j-1)),...,x(q×t×j)]，其中j为xj的组号，j＝1,2,…,k/q
将每组原始周期性数据组xj减去基准周期性传感器数据组xc，获得差值周期性数据组
并按照
其中i＝1,2,…,q×t；
(3-3)对差值传感器数据组xd进行滑窗平均降噪处理，获得预处理传感器数据组xe和预处理数据集de＝(xe,y)
其中，r是人为设定的滑窗大小，k＝1,2,…,k×t；
(4)从步骤(3)中获得的预处理数据集de中随机抽取80％的数据作为训练集
(5)设计一个深度神经网络m,包括一个输入层、c个隐含层和一个输出层，其中，深度神经网络m的输入为步骤(3)中获得的预处理数据集xe，深度神经网络m的输出为被监测管段的预测漏损状态
(6)将步骤(4)测试集中的xtest输入深度神经网络mt，mt输出管段预测漏损状态
(7)设定一个测试精度阈值athresh，将步骤(6)的测试精度a和精度阈值athresh进行比较，若a大于或者等于athresh，则判定深度神经网络mt测试合格，进行步骤(10)，若测试精度a小于精度阈值athresh，则进行步骤(8)；
(8)增加步骤(5)中的隐含层层数c，重复步骤(5)-步骤(6),将步骤(6)中获得的测试精度a和精度阈值athresh进行比较，若测试精度a大于或者等于精度阈值athresh，则判定深度神经网络mt测试合格，进行步骤(10)，若测试精度a小于精度阈值athresh，则设定一个隐含层层数的阈值cthresh，对隐含层层数c进行判断，若隐含层层数c小于或等于cthresh，重复本步骤，若隐含层层数c大于cthresh，则进入步骤(9)；
(9)延长步骤(2)中的采集时间段k，重复步骤(2)-步骤(6),将步骤(6)中获得的测试精度a和精度阈值athresh进行比较，若测试精度a大于或者等于精度阈值athresh，则判定深度神经网络mt测试合格，进行步骤(10)，若测试精度a小于精度阈值athresh，重复本步骤，直到测试精度a大于或者等于精度阈值athresh；
(10)在独立计量的供水管网运行时，从所有传感器采集新传感器数据组
