买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：天津大学

摘要：本发明公开了一种基于管网水力状态融合数据集的爆管事件定位方法，首先，收集并分类整理管网监测数据，构建供水管网水力模型。其次，生成爆管模拟压力数据，并以压降为媒介将爆管模拟压力数据与管网监测压力数据融合，形成管网水力状态融合数据集。在此基础上，构建基于EVO‑LSTM的爆管事件识别定位模型。最后，对模型输入实时监测数据即可得到管网工况判断，以及爆管工况下的区域定位结果。本发明通过水力状态融合数据集将管网水力特性和用户长期用水规律结合起来，在扩充了训练集样本的同时提高了样本质量。同时使用EVO优化算法优化了LSTM模型的超参数，为爆管事件的识别定位提供了一种准确度更高、实用性更强的选择。

主权项：1.一种基于管网水力状态融合数据集的爆管事件定位方法，其特征在于，包括以下步骤：步骤1、收集供水管网监测数据，包括管网中用户用水量监测数据、水厂泵站监测数据及监测点压力监测数据，根据日用水量大小筛选出其中每个季度的低中高日管网监测数据，分类整理后得到管网监测数据样本集；收集供水管网GIS数据；将供水管网监测数据和供水管网GIS数据导入EPANET软件中构建供水管网水力模型；步骤2、生成爆管模拟数据，并以压降为媒介，将爆管模拟数据与实际监测数据叠加，构建管网水力状态融合数据集，包括：2-1根据薄壁大孔口出流原理，使用EPANET软件添加模型节点喷射器系数模拟爆管事件，利用EPANET软件的动态链接库遍历所有节点的爆管事件，生成大批量爆管事件模拟数据样本，并以爆管季度s’，用水流量程度q’，爆管时刻t’，爆管程度n和爆管节点编号j作为标签进行分类；2-2将未添加喷射器系数情况下EPANET软件计算得到的监测点正常工况模拟压力数据减去添加喷射器系数后监测点的爆管事件模拟压力数据，计算出不同爆管事件发生后监测点的压降值，得到对应的压降数据样本集；2-3将步骤1中监测数据样本集中监测点压力监测数据与对应的步骤2-2中计算得到的监测点压降值相减，得到水力状态融合后的爆管事件压力数据，构建兼具用户用水时序规律和爆管特征的管网水力状态融合数据集；步骤3、构建EVO-LSTM算法框架，训练后得到基于EVO-LSTM的爆管事件识别定位模型：所述的EVO-LSTM算法框架是在长短期记忆网络LSTM深度学习模型的基础上，耦合能量谷优化EVO算法得到的；所述的基于EVO-LSTM的爆管事件识别定位模型包括爆管识别模型和爆管定位模型；所述的爆管识别模型和爆管定位模型共用所述的EVO-LSTM算法框架；所述的EVO-LSTM算法框架包括输入层、LSTM层、全连接层、softmax层和分类层使用能量谷优化EVO算法对所述LSTM层中的超参数进行优化；所述爆管识别模型的输入为实时监测得到的监测点压力监测数据，所述爆管识别模型的输出为爆管工况和正常工况的二分类标签，其中，爆管工况标签为1，正常工况标签为2；通过所述爆管识别模型对管网中爆管状态进行判断；所述爆管定位模型中，softmax层损失函数设置为预测分类概率和实际分类概率之间的交叉熵，表达式如下： 式中，J为爆管事件中爆管节点的个数；yi为实际分类的概率；si为预测分类的概率；ηi表示输入数据经过LSTM层和全连接层计算后输出的第i个分类结果对应的评分；所述爆管定位模型仅在爆管识别模型输出爆管工况对应的标签时启动，所述爆管定位模型的输入为实时监测得到的监测点压力监测数据，所述爆管定位模型的输出为模型预测评分前50的爆管点独热值分类标签；根据爆管识别和爆管定位工作对训练集的不同需求，将步骤2-3中管网水力状态融合数据集和步骤1中监测数据样本集中的监测点压力监测数据集构成的特征矩阵对应设置标签后共同输入爆管识别模型，将管网水力状态融合数据集构成的特征矩阵对应设置标签后单独输入爆管定位模型，记为基于EVO-LSTM的爆管事件识别定位模型；步骤4、对爆管点预测结果进行区域定位：以实时监测得到的监测点压力监测数据作为所述基于EVO-LSTM的爆管事件识别定位模型的输入，根据所述爆管定位模型的输出，确定爆管预测TOP50节点集；最终根据该TOP-50节点集中节点的位置坐标及其在所述爆管定位模型softmax层中的输出概率计算得到其圆形定位区域，定位区域的圆心为输出概率的加权中心，半径为各节点到圆心的加权平均距离。

全文数据：

权利要求：

百度查询： 天津大学 一种基于管网水力状态融合数据集的爆管事件定位方法