基于深度学习框架的时空联合供水管网漏损检测研究

以深度学习框架为基础,提出了一种时空联合供水管网漏损检测模型。该模型首先运用Node2Vec算法求解不同时间段内节点特征;其次,通过模糊C-均值聚类法,利用管网模型节点特征进行分区。最后,以不同时间段的压力敏感度作为输入,漏损位置的分区号作为标签,通过深度信念神经网络进行训练,并通过训练后的模型对管网漏损位置进行检测。在实例分析中,以A市实际供水管网拓扑结构进行验证,利用MATLAB-Open Water Analytics toolbox联合编程建模,结果表明,各个时间段的检测效果均较优,正确率均达到为80%以上。因此,该模型能够有效地检测管网漏损。

基于供水管网漏失的泵组实时调度研究

引入漏失量与电耗之和作为目标函数,以EPANET工具箱、MATLAB及C#联合编程,提出一种采用布谷鸟算法(CS)对泵组进行实时调度的模型。通过模型对E市的实际管网中的泵组进行优化,验证该方法的准确性。24h内各时刻的调度结果表明:优化后总花费减少了9.01%,节能效果显著。

供水管网实时分区及节流阀调度研究

为进一步降低供水管网漏损率,节约能源,提高水资源利用率,通过EPANET工具箱、Matlab及C#联合编程,以节流阀的开启度为影响因素,以漏失费用为目标,建立阀门实时调度模型。首先,该模型通过模糊C-均值聚类法(FCM)实时对管网进行分区;其次,对各区域内每一时刻的阀门开启度进行调整;最后,通过布谷鸟算法(CS)进行优化调度,从而均衡管网压力,降低管网漏失量。F市实际供水管网优化调度结果表明,优化后漏失率降低了11.96%,提高了水资源的有效利用率。研究成果对于供水管网优化调度意义重大。

深度学习框架对城市日供水量预测的研究

供水量预测是建立管网水力模型的前提,为提高供水管网模型精度,提出一种基于深度学习框架的小波深度信念网络(SW-DBN)时间序列模型。该模型首先通过Symlets小波对日供水量数据进行分解,然后将各分解项分别导入SW-DBN时间序列模型中进行训练,最后利用训练的模型进行预测。以新开河2014—2015年日供水量为训练数据,2016年1月1—7日供水量为测试数据,导入该模型进行预测。依据该测试方法对其后200 d的供水量进行预测,结果表明:该模型用于日供水量预测比深度信念网络模型及传统BP神经网络模型精度高,相对误差均小于5%,是一种有效的方式。

灰色遗传神经网络模型对居民年需水量预测

根据居民年生活用水的特点，提出一种灰色遗传神经网络组合模型。该模型首先通过遗传算法（GA）对A取值进行选优，并运用灰色加权模型对年需水量进行一级预测，后通过BP模型对年需水量进行二级预测。以A市S区年居民生活年需水量为例，将2007-2013年生活年需水量作为原始数据并选择合适指标对2014年需水量进行预测。结果表明，组合模型相比灰色神经网络模型精度提高0．84个百分点，比GM（1，1）模型提高了3．08个百分点。

供水管网水泵及节流阀一体化调度

为节约供水成本,提出一种水泵及节流阀(TCV)实时一体化调度的新方法。该方法通过EPANET工具箱、MATLAB进行联合编程,首先采用杜鹃算法(CS)对泵组一级调度,并应用Kmeans算法对管网实时动态分区,后对阀门进行二级调度。通过M市的实际案例验证该方法的准确性。结果表明,与优化前相比,水泵用电与管网漏失费用之和显著减少,节约成本效果显著。

基于深度学习框架的供水管网压力异常实时诊断方法

为有效减少供水管网的漏失,诊断异常压力数据十分必要。在数据采集与监视控制(SCADA)系统中引入异常诊断模型,提出一种基于深度学习框架的异常诊断方法。该方法先利用卷积神经网络模型(CNN)对压力进行预测,再计算压力预测值与实际值的误差并进行离群点诊断,若异常值持续时间较长,则可能发生漏失。以D市供水管网模型为例,利用该模型对16个监测点压力数据进行诊断并与ARIMA诊断模型进行对比。结果表明,CNN模型能够准确地诊断供水管网的压力异常数据。

给水管道生长环生长过程的数值模拟

生长环是给水管道管壁形成的积垢,其减少了管道的体积,恶化了水质,对管道的输水能力产生了极大的影响。为了更好地了解生长环生长过程,在扩散限制凝聚(DLA)模型的基础上,首次提出一种生长环生长过程的数值模拟方法。利用MATLAB进行实验。实验结果表明,数值模拟能够较好地动态观测生长环生长过程。

基于序列分解法的城市月需水量预测研究

为更好地满足用水需求,提出一种基于BP神经网络、非线性回归、自适应模糊推理系统(ANFIS)的月需水量组合预测模型。首先通过Daubechies小波将月需水量序列分解为趋势项、周期项、随机项,然后利用BP神经网络、非线性回归及ANFIS模型分别对各分解项进行曲线拟合,最后采用拟合的公式进行预测。针对该模型,采用C市2007年1月至2015年12月的数据进行训练,并应用2016年1至3月的数据进行测试。与单BP神经网络模型预测结果的对比表明,该模型对月需水量预测具有较高的精度。

GA-SVR模型用于日供水量预测的研究

针对日供水量预测问题,提出一种基于遗传算法的支持回归向量机(GA-SVR)模型。以H市为例,采用GA-SVR模型对日供水量进行了预测,并与BP模型和SVR模型的预测值进行了比较。结果表明,H市日供水量预测值与实际值的误差均小于5%,且GA-SVR模型的预测精度高于BP模型和SVR模型。由此可见,GA-SVR模型是一种有效的预测日供水量的方法。