CN109555979B - 一种供水管网漏损监测方法 - Google Patents

Abstract

本公开提供了一种供水管网漏损监测方法，包括以下步骤：S1，获取供水管网数据；S2，建立基于深度神经网络的异构双分类器漏损识别模型；以及S3，利用所述供水管网数据和所述异构双分类器漏损识别模型进行供水管网漏损识别。本公开供水管网漏损监测方法有效提高了管道漏损检测、定位的计算效率，扩大了管道漏损检测方法的适用范围，能够在复杂工况条件下进行高精度的漏点检测、定位。

Description

一种供水管网漏损监测方法

技术领域

本公开属于城市供水管网探漏领域，具体涉及一种供水管网漏损监测方法。

背景技术

水资源是人类生存和发展的基础，我国水资源总量存储丰富，位列全球第四位，但人均水资源拥有量仅为2300立方米，相当于世界平均水平的1/4左右，因此，我国又是一个水资源短缺的国家。城市供水管网***是城市基础设施建设的重要领域，被称为“生命线工程”。然而，供水管网的漏损问题一直困扰着全国各大自来水公司，不仅造成了资源和能源的浪费，还会造成地面沉降等次生灾害，影响城市安全。***调查资料显示，我国大多数城市的供水管网漏失率在15％～35％之间，而在日本、美国和欧洲等发达国家的漏失率在上个世纪末就已经普遍控制在10％左右，甚至是更低的水平，可见我国管网漏损的控制管理急需加强。

目前供水管网漏损检测的方法有被动检测法、区域装表法、地表雷达捡漏法、示踪剂检测法、声学检测法、光纤传感技术法、负压波法、实时瞬态模型法等，上述的众多管道漏损检测方法，大多数方法由于其使用条件苛刻、操作复杂、捡漏成本高等缺点，实际的运用效果并不理想。而声学检测法简单可靠、检测效率高、适用范围广等优点被广泛用于管道漏损检测和定位中。然而，由于对供水管网漏损声信号产生机理和特征的认识不足，对实际中复杂的供水管网拓扑结构考虑不足，使目前已有的管道漏损检测方法在实际运用中受限，管道漏损识别准确率低，误报率高，尤其是在检测现场存在多种固定干扰噪声、漏点泄漏量较小或者管网结构复杂、部分管线信息未知的情况下。

所以，立足于我国城市供水管网的现状和未来发展趋势，将声波传输理论、深度神经网络模型、局部搜索定位模型用于管道结构性缺陷及内外腐蚀等原因造成的管道漏损检测，建立有效的供水管网漏损识别与定位的技术方法，为管网结构维护、维修与管理决策提供依据和指导，降低管网漏损率，保障供水管网安全运行。

发明内容

(一)要解决的技术问题

鉴于上述问题，本公开的主要目的在于提供一种供水管网漏损监测方法，以便解决上述问题的至少之一。

(二)技术方案

为了达到上述目的，作为本公开的一个方面，提供了一种供水管网漏损监测方法，包括以下步骤：

S1，获取供水管网数据；

S2，建立基于深度神经网络的异构双分类器漏损识别模型；以及

S3，利用所述供水管网数据和所述异构双分类器漏损识别模型进行供水管网漏损识别；其中，所述供水管网数据包括沿水介质传播的漏损声信号数据、供水管内流量数据、供水管内压力数据、管材数据和管径数据。

在一些实施例中，在所述步骤S3之后还包括：

S4，建立基于供水管网拓扑结构的局部搜索定位模型；以及

S5，利用所述供水管网漏损识别结果和所述局部搜索定位模型进行漏损定位。

在一些实施例中，所述基于深度神经网络的异构双分类器漏损识别模型包括卷积层、最大池化层、长短时神经网络层、第一全连接层、融合层、第二全连接层、支持向量机分类器、逻辑回归分类器、和异构双分类器。

在一些实施例中，所述步骤S3包括：

卷积层接收漏损声信号数据；

最大池化层将所述卷积层的输出划分为m个子区域，提取每个所述子区域的最大值组成输出，m为正整数；

长短时神经网络层对所述最大池化层的输出进行非线性数据处理；

第一全连接层接收流量数据、压力数据、管材数据和管径数据；

融合层接收所述长短时神经网络层和第一全连接层的输出；

第二全连接层接收所述融合层的输出；

第二全连接层分别与支持向量机分类器和逻辑回归分类器连接；

支持向量机分类器接收所述第二全连接层的输出，对供水管网漏损事件进行分类识别，输出分类向量Y1；逻辑回归分类器接收所述第二全连接层的输出，对供水管网漏损事件进行分类识别，输出分类向量Y2，所述分类向量Y1和分类向量Y2为对于每种漏损识别结果出现的概率值；

异构双分类器根据上述分类向量Y1和分类向量Y2，根据式(1)计算得到漏损识别结果Y，

Y＝β1*Y1+β2*Y2 式(1)

其中，β1+β2＝1，0＜β1＜1，0＜β2<1。

在一些实施例中，利用水听器传感器获取所述漏损声信号数据、利用流量计传感器获取流量数据、利用压力计传感器获取压力数据。

在一些实施例中，通过漏损识别模型确定发生漏损事件时所对应的传感器S_k，在所对应的传感器的个数大于或等于2时进行所述漏损定位。

在一些实施例中，所述步骤S5包括：

以所述传感器S_k为基点，以最短路径在管网图上形成一个闭合回路，所述闭合回路包括i个管道节点，对应的管道节点编号为r_i；j根管道，对应的管道编号为l_j；k个传感器，对应的传感器编号为S_k，i、j、k均为正整数，所述最短路径是指经过传感器S_k的闭合回路的最短周长；

利用目标函数f_i在闭合回路中搜索离漏损点最近的管道节点，依次计算i个管道节点的f_i值，选取最小的f_i值所对应的管道节点c作为离漏损点最近的虚拟漏点v_c；

以虚拟漏点v_c为中心，搜索路径为与虚拟漏点v_c相连接的管线，每隔z米设置1个虚拟漏点v_g(g＝1...n)，共n个，依次计算这n个虚拟漏点的f_i值，选取最小的f_i值所对应的虚拟漏点作为最终的漏损定位点。

在一些实施例中，所述目标函数如式(2)所示，

f_i＝∑_a≠b(|t_a-t_b|-|ω_ia-ω_ib|)² 式(2)

式(2)中，f_i表示第i个节点处的漏损声信号到达不同传感器的时间差的误差平方值，t_a表示漏损声信号到达传感器a所需要的时间，t_b表示漏损声信号到达传感器b所需要的时间，ω_ia表示漏损声信号从节点i到达传感器a所需要的时间，ω_ib表示漏损声信号从节点i到达传感器b所需要的时间，节点i可以是管道节点或虚拟漏点。

在一些实施例中，所述步骤S2包括：

获取单个传感器的漏损声信号数据序列S(t)、流量数据序列Q(t)、压力数据序列P(t)，并对其进行归一化处理；

获取管径和管材数据D(t)，对其进行独热编码处理，将管径、管材数据转换为只包含数字“0”和“1”的序列；

将经所述归一化处理后的漏损声信号数据序列S(t)、流量数据序列Q(t)、压力数据序列P(t)，及对应的管径和管材数据D(t)随机分为训练集和测试集；

选择交叉熵损失函数作为模型的分类目标，使用训练集对所述基于深度神经网络的异构双分类器漏损识别模型进行训练，直至交叉熵损失函数值不变时，停止训练；

使用测试集对训练好的模型进行测试，采用混淆矩阵评估模型效果。

(三)有益效果

从上述技术方案可以看出，本公开一种供水管网漏损监测(包括漏损识别与定位)的技术方法至少具有以下有益效果其中之：

(1)本公开提出了基于深度神经网络的异构双分类器漏损识别模型用于识别漏损事故，将深度神经网络与异构双分类器结合，克服了单一分类器识别精度低的问题，有效提高了在实际过程中管道漏损检测的效果，尤其是在周围复杂环境干扰下的识别，本公开能够识别出微小漏损事件。同时，本公开的识别结果还可以判断漏损量的大小，为下一步处理提供基础。

(2)本公开提出了基于供水管网拓扑结构的局部搜索定位模型用于漏损点定位，采用基于管网拓扑结构的局部搜索算法，提高了漏损定位的计算效率；选取节点到达不同传感器时间差的误差平方值作为目标函数，提高了模型的灵敏度；充分考虑了在实际中的管网拓扑结构，扩大了管道漏损检测、识别的适用范围，使其能够在复杂工况条件下进行高精度的漏点定位。

(3)本公开使用传感器采集数据，包括漏损声信号数据、流量数据、压力数据、管径和管材数据，并通过深度神经网络实现了多维数据的融合与挖掘，进一步提高了本公开在实际中的运用效果。

(4)本公开将深度神经网络技术和局部搜索定位技术相结合，提出一完整的管道漏损识别与定位方法，该方法明显提高了漏损事件的识别准确率和漏点的定位精度，扩大了该方法在实际复杂管网拓扑结构中的运用范围，以便日常管理者能够及时发现管网漏损并及时维修，减少经济损失，节约水资源，辅助自来水公司做出科学合理的决策。

附图说明

图1为本公开供水管网漏损识别方法流程图。

图2为本公开供水管网漏损识别与定位方法示意图。

图3为本公开基于深度神经网络的异构双分类器的漏损识别模型结构图。

图4为本公开实施例中某区域的供水管网拓扑结构图。

具体实施方式

为更好的理解和实施本公开，下面将结合附图和具体实施例对本公开进行详细阐述。应当理解的是，虽然对本公开的实施方式进行了说明，但是显然，本公开不限定于上述实施方式，可以在不脱离其主旨的范围内进行各种变形。

本公开为了解决现有技术的不足，将声波传输理论、深度神经网络模型、局部搜索定位模型相结合，旨在提供一种城市供水管网漏损识别、定位的监测方法。该方法能够提高供水管网漏损识别的准确率，降低误报率，以便日常管理者能够及时发现管网漏损并及时维修，减少经济损失，节约水资源，辅助自来水公司做出科学合理的决策。

如图1所示，本公开供水管网漏损监测方法(漏损识别)，包括以下步骤：

S1，获取供水管网数据；

S2，建立基于深度神经网络的异构双分类器漏损识别模型；以及

S3，利用所述供水管网数据和所述异构双分类器漏损识别模型进行供水管网漏损识别。

其中，所述供水管网数据包括沿水介质传播的漏损声信号数据、供水管内流量数据、供水管内压力数据、管材数据和管径数据。

进一步的，本公开供水管网漏损监测方法(漏损定位)在所述步骤S3之后还包括：

S4，建立基于供水管网拓扑结构的局部搜索定位模型；以及

S5，利用所述供水管网漏损识别结果和所述局部搜索定位模型进行漏损定位。

总体而言，本公开方法主要包括三部分，依次为数据采集，建立漏损识别模型，建立漏点定位模型，如图2所示。

具体的，所述数据采集过程如下：将传感器布置在供水管网上进行数据采集，传感器包括：水听器、流量计、压力计。水听器接收沿水介质传播的声信号，流量计测量管道内流量，压力计测量管内压力。传感器将采集到的数据通过无线传输至控制中心，并且存储于计算机中。同时，从城市供水管网数据库中获取管线的基本信息，包括管材数据和管径数据。

所述漏损识别模型建立过程如下：建立基于深度神经网络的异构双分类器漏损识别模型，如图3所示，具体步骤包括：

卷积层用于接收漏损声信号数据，所述卷积层属于卷积神经网络，用于提取漏损声信号的特征；

最大池化层和上述卷积层连接，所述最大池化层把上述卷积层的输出划分为m个子区域，提取每个子区域的最大值组成输出，m为正整数；

长短时神经网络层连接上述最大池化层，所述长短时神经网络层属于循环神经网络的一个变种，有较强的处理非线性数据的能力；

第一全连接层用于接收流量数据、压力数据、管材和管径数据，与上述长短时神经网络层均以张量串联的方式连接到融合层；

所述融合层以张量串联的方式连接到第二全连接层；

第二全连接层分别与支持向量机分类器和逻辑回归分类器连接；

所述支持向量机分类器对管道漏损事件进行分类识别，输出分类向量Y1；

所述逻辑回归分类器对管道漏损事件进行分类识别，输出分类向量Y2；

所述分类向量Y1＝(p1，…，p8)和分类向量Y2＝(q1，…，q8)为对于每种漏损识别结果出现的概率值，如表1所示；

所述异构双分类器根据上述分类向量Y1和分类向量Y2，根据式(1)计算得到漏损识别结果Y，如表1所示。

Y＝β1*Y1+β2*Y2 式(1)

其中，β1+β2＝1，0＜β1＜1，0＜β2＜1。

利用上述基于深度神经网络的异构双分类器漏损识别模型对管道漏损事件进行建模，模型输入为漏损声信号数据序列S(t)、流量数据序列Q(t)、压力数据序列P(t)、对应的管径和管材数据D(t)，支持向量机分类器的分类结果Y1，逻辑回归分类器的分类结果Y2，模型输出为漏损识别结果Y，所述的模型输出Y1、Y2、Y按漏损量的大小划分为8类，每一类都对应一个概率值，如表1所示。

利用漏损识别模型分别对每个传感器进行分析，将传感器采集到的数据输入漏损识别模型，当漏损识别模型输出的识别结果Y中的最大概率值所对应的漏损识别分类为2～8时，确定管网发生了漏损事件，相应的传感器为发生漏损事件时所对应的传感器。

表1漏损识别结果输出

对于每个传感器都采用上述基于深度神经网络的异构双分类器漏损识别模型进行建模，具体步骤如下：

1)获取单个传感器的漏损声信号数据序列S(t)、流量数据序列Q(t)、压力数据序列P(t)，对其进行归一化处理，所述归一化处理包括，将原始数据的数值转化到[0，1]范围内，归一化处理的公式如式(2)所示，

式(2)中，y代表归一化处理后的数据，x代表输入的原始数据，x_max和x_min分别代表输入数据的最大值和最小值。

获取对应的管径和管材数据D(t)，对其进行独热编码处理，把管径、管材等离散变量转换为只包含数字“0”和“1”的序列。

将上述归一化处理后的漏损声信号数据序列S(t)、流量数据序列Q(t)、压力数据序列P(t)，及对应的管径和管材数据D(t)随机分为训练集和测试集。

2)使用训练集对上述基于深度神经网络的异构双分类器漏损识别模型进行训练，选择交叉熵损失函数作为模型的分类目标，所述交叉熵损失函数的公式如式(3)所示，

式(3)中，L表示交叉熵损失函数值，N表示样本量，h_pq表示样本p属于类别q的概率值，y_pq表示模型对样本p预测为属于类别q的概率值。

当上述交叉熵损失函数值L不再发生改变时，模型停止训练。

3)使用测试集对上述已经训练好的模型进行测试，采用混淆矩阵评估模型效果，所述混淆矩阵如表2所示。

表2混淆矩阵

	正常事件	漏损事件
			模型识别为正常事件	TP	FP
模型识别为漏损事件	FN	TN

表2中，TP值表示实际中的正常事件，模型识别结果也为正常事件；FP值表示实际中的漏损事件，模型识别结果为正常事件；FN值表示实际中的正常事件，模型识别结果为漏损事件；TN值表示实际中的漏损事件，模型识别结果也为漏损事件。

根据上述4个值，计算模型的识别准确率＝TN/(FP+TN)与误报率＝FN/(TP+FN)，准确率越高，误报率越低，模型效果越好。

所述漏点定位模型建立过程如下：建立基于管网拓扑结构的局部搜索定位模型用于漏点定位，具体步骤如下：

1)每个传感器采集到的数据都会建立漏损识别模型进行分析，但只有漏损识别结果为发生漏损事件的传感器才会建立漏损定位模型进行分析。当漏损识别模型输出的识别结果Y中的最大概率值所对应的漏损识别分类为2～8时，确定管网发生了漏损事件。通过漏损识别模型确定发生漏损事件时所对应的传感器S_k，被确定为发生漏损事件的传感器的个数大于等于2时建立漏损定位模型进行分析，以这些传感器S_k为基点，以最短路径在管网图上形成一个闭合回路。所述闭合回路包括i个管道节点，对应的管道节点编号为r_i；j根管道，对应的管道编号为l_j；k个传感器，对应的传感器编号为S_k，i、j、k均为正整数。所述最短路径是指经过传感器S_k的闭合回路的最短周长。

2)建立基于管网拓扑结构的局部搜索算法，目标函数如式(4)所不，

f_i＝∑_a≠b(|t_a-t_b|-|ω_ia-ω_ib|)² 式(4)

式(4)中，f_i表示第i个节点处的漏损声信号到达不同传感器的时间差的误差平方值，t_a表示漏损声信号到达传感器a所需要的时间，t_b表示漏损声信号到达传感器b所需要的时间，ω_ia表示漏损声信号从节点i到达传感器a所需要的时间，ω_ib表示漏损声信号从节点i到达传感器b所需要的时间，节点i可以是管道节点或虚拟漏点；

3)在闭合回路中搜索离漏损点最近的管道节点，根据式(4)计算这i个管道节点的f_i值，选取最小的f_i值所对应的管道节点c作为离漏损点最近的虚拟漏点v_c；

4)以虚拟漏点v_c为中心，搜索路径为与虚拟漏点v_c相连接的管线，每隔z米设置1个虚拟漏点v_g(g＝1...n)，共n个，根据式(4)计算这n个虚拟漏点的f_i值，选取最小的f_i值所对应的虚拟漏点作为最终的漏损定位点。

图4所示为某区域的供水管网拓扑结构图，在管道节点处或消火栓处安装传感器，该管网共有6个传感器S₁…S₆，6个管道节点r₁…r₆，16根管道，对应的管道编号为l₁…l₁₆，真实漏点b₁。

将传感器布置在供水管网上进行数据采集，每个多传感器包括：水听器、流量计、压力计。水听器接收沿水介质传播的声信号，流量计测量管道内流量，压力计测量管内压力。传感器将采集到的数据通过无线传输至控制中心，并且存储于计算机中。同时，从城市供水管网数据库中获取管线的基本信息，包括管材和管径数据。

针对本实施例建立基于深度神经网络的异构双分类器漏损识别模型，包括：

1个卷积层用于接收漏损声信号数据，所述卷积层属于卷积神经网络，用于提取漏损声信号的特征；

1个最大池化层和上述卷积层连接，所述最大池化层把上述卷积层的输出划分为20个子区域，提取每个子区域的最大值组成输出；

1个长短时神经网络层连接上述最大池化层，所述长短时神经网络层属于循环神经网络的一个变种，有较强的处理非线性数据的能力；

第一全连接层用于接收流量数据、压力数据、管材和管径数据，与上述长短时神经网络层均以张量串联的方式连接到1个融合层；

所述融合层以张量串联的方式连接到第二全连接层；

第二全连接层分别与支持向量机分类器和逻辑回归分类器连接；

所述支持向量机分类器对管道漏损事件进行分类识别，输出分类向量Y1；

所述逻辑回归分类器对管道漏损事件进行分类识别，输出分类向量Y2；

所述分类向量Y1＝(p1，…，p8)和分类向量Y2＝(q1，…，q8)为对于每种漏损识别结果出现的概率值，如表1所示；

所述异构双分类器根据上述分类向量Y1和分类向量Y2，根据式(1)计算得到漏损识别结果Y＝β1*Y1+β2*Y2，其中β1＝0.4，β2＝0.6。

利用上述基于深度神经网络的异构双分类器漏损识别模型对管道漏损事件进行建模，模型输入为漏损声信号数据序列S(t)、流量数据序列Q(t)、压力数据序列P(t)、对应的管径和管材数据D(t)，支持向量机分类器的分类结果Y1，逻辑回归分类器的分类结果Y2，模型输出为漏损识别结果Y，所述的模型输出Y1、Y2、Y按漏损量的大小划分为8类，每一类都对应一个概率值，如表1所示。

对于6个传感器都采用上述基于深度神经网络的异构双分类器漏损识别模型进行建模，此处以传感器1为实施例，具体步骤如下：

1)获取传感器1中的漏损声信号数据序列S(t)、流量数据序列Q(t)、压力数据序列P(t)，根据式(2)对其进行归一化处理。

获取对应的管径和管材数据D(t)，对其进行独热编码处理，把管径、管材等离散变量转换为只包含数字“0”和“1”的序列。

将上述的漏损声信号数据序列S(t)、流量数据序列Q(t)、压力数据序列P(t)、管径和管材数据D(t)随机分为训练集和测试集，其中训练集有32000个样本，测试集有8000个样本。

2)使用训练集对上述基于深度神经网络的异构双分类器漏损识别模型进行训练，当上述交叉熵损失函数值L不再发生改变时，模型停止训练。

3)使用测试集8000个样本对上述已经训练好的模型进行测试，采用混淆矩阵评估模型效果，所述混淆矩阵如表3所示，

表3混淆矩阵

	正常事件	漏损事件
			模型识别为正常事件	7870个	5个
模型识别为漏损事件	30个	95个

所以，模型的识别准确率为95/(95+5)＝95％，误报率为30/(7870+30)＝0.38％，模型效果较好。

建立基于管网拓扑结构的局部搜索定位模型，具体步骤如下：

1)通过上述漏损识别模型确定发生漏损事件时所对应的传感器为S₁、S₂、S₃，然后以传感器S₁、S₂、S₃为基点，以最短路径在管网图上形成一个闭合回路，所述闭合回路包括传感器S₁、S₂、S₃，管道节点r₁、r₂、r₃，管道l₁、l₂、l₃、l₄、l₅、l₆，表4所示为该区域管网的基本数据。

表4某区域管网的基本数据

管道编号	管长(米)	管道编号	管长(米)	管道编号	管长(米)
						l<sub>1</sub>	120	l<sub>7</sub>	67	l<sub>13</sub>	66
l<sub>2</sub>	140	l<sub>8</sub>	65	l<sub>14</sub>	100
						l<sub>3</sub>	60	l<sub>9</sub>	83	l<sub>15</sub>	95
l<sub>4</sub>	55	l<sub>10</sub>	79	l<sub>16</sub>	107
						l<sub>5</sub>	68	l<sub>11</sub>	62
l<sub>6</sub>	63	l<sub>12</sub>	49

2)建立基于管网拓扑结构的局部搜索算法，根据式(4)计算管道节点r₁、r₂、r₃对应的f_i值，其中管道节点t₁对应的误差平方值f₁最小，所以选择管道节点t₁作为离漏损点最近的虚拟漏点v_c；

3)以虚拟漏点v_c为中心，沿着和虚拟漏点v_c相连接的管线l₂和l₃，每隔2米设置1个虚拟漏点v_g(g＝1...100)，共100个虚拟漏点，根据式(4)计算这100个虚拟漏点的f_i值，其中f₆₅最小，所以虚拟漏点v₆₅为最接近真实漏点b₁的点，虚拟漏点v₆₅与真实漏点b₁相距0.88m，定位精度较高。

以上结果说明，本公开能够较为准确的识别出供水管网的漏损事故，同时能够较为精确的进行漏点定位，并且该方法的实用性较强。本公开扩展了现有的管网漏损识别与定位方法的研究内容，为自来水公司做出科学合理的决策提供了一种新的思路。以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (7)

1.一种供水管网漏损监测方法，包括以下步骤：

S1，获取供水管网数据；

S2，建立基于深度神经网络的异构双分类器漏损识别模型；以及

S3，利用所述供水管网数据和所述异构双分类器漏损识别模型进行供水管网漏损识别；

其中，所述供水管网数据包括沿水介质传播的漏损声信号数据、供水管内流量数据、供水管内压力数据、管材数据和管径数据；

所述基于深度神经网络的异构双分类器漏损识别模型包括卷积层、最大池化层、长短时神经网络层、第一全连接层、融合层、第二全连接层、支持向量机分类器、逻辑回归分类器、和异构双分类器；

所述步骤S3包括：

卷积层接收漏损声信号数据；

最大池化层将所述卷积层的输出划分为m个子区域，提取每个所述子区域的最大值组成输出，m为正整数；

长短时神经网络层对所述最大池化层的输出进行非线性数据处理；

第一全连接层接收流量数据、压力数据、管材数据和管径数据；

融合层接收所述长短时神经网络层和第一全连接层的输出；

第二全连接层接收所述融合层的输出；

第二全连接层分别与支持向量机分类器和逻辑回归分类器连接；

支持向量机分类器接收所述第二全连接层的输出，对供水管网漏损事件进行分类识别，输出分类向量Y1；逻辑回归分类器接收所述第二全连接层的输出，对供水管网漏损事件进行分类识别，输出分类向量Y2；

异构双分类器利用上述分类向量Y1和分类向量Y2，根据下式计算得到漏损识别结果Y，

Y＝β1*Y1+β2*Y2

其中，β1+β2＝1，0＜β1＜1，0＜β2＜1。

2.根据权利要求1所述的方法，在所述步骤S3之后还包括：

S4，建立基于供水管网拓扑结构的局部搜索定位模型；以及

S5，利用所述供水管网漏损识别结果和所述局部搜索定位模型进行漏损定位。

3.根据权利要求2所述的方法，其中，将传感器布置在供水管网上进行数据采集，以获取供水管网数据，所述传感器包括水听器、流量计和压力计；利用水听器获取所述漏损声信号数据、利用流量计获取流量数据、利用压力计获取压力数据。

4.根据权利要求3所述的方法，其中，通过漏损识别模型确定发生漏损事件时所对应的传感器S_k，在所对应的传感器的个数大于或等于2时进行所述漏损定位。

5.根据权利要求4所述的方法，其中，所述步骤S5包括：

以所述传感器S_k为基点，以最短路径在管网图上形成一个闭合回路，所述闭合回路包括i个管道节点，对应的管道节点编号为r_i；j根管道，对应的管道编号为l_j；k个传感器，对应的传感器编号为S_k，i、j、k均为正整数，所述最短路径是指经过传感器S_k的闭合回路的最短周长；

利用目标函数f_i在闭合回路中搜索离漏损点最近的管道节点，依次计算i个管道节点的f_i值，选取最小的f_i值所对应的管道节点c作为离漏损点最近的虚拟漏点v_c；

以虚拟漏点v_c为中心，搜索路径为与虚拟漏点v_c相连接的管线，每隔z米设置1个虚拟漏点v_g(g＝1…n)，共n个，依次计算这n个虚拟漏点的f_i值，选取最小的f_i值所对应的虚拟漏点作为最终的漏损定位点。

6.根据权利要求5所述的方法，其中，所述目标函数如下式所示，

其中，f_i表示第i个节点处的漏损声信号到达不同传感器的时间差的误差平方值，t_a表示漏损声信号到达传感器a所需要的时间，t_b表示漏损声信号到达传感器b所需要的时间，ω_ia表示漏损声信号从节点i到达传感器a所需要的时间，ω_ib表示漏损声信号从节点i到达传感器b所需要的时间，节点i可以是管道节点或虚拟漏点。

7.根据权利要求3所述的方法，其中，所述步骤S2包括：

获取单个传感器的漏损声信号数据序列S(t)、流量数据序列Q(t)、压力数据序列P(t)，并对其进行归一化处理；

获取管径和管材数据D(t)，对其进行独热编码处理，将管径、管材数据转换为只包含数字“0”和“1”的序列；

将经所述归一化处理后的漏损声信号数据序列S(t)、流量数据序列Q(t)、压力数据序列P(t)，及对应的管径和管材数据D(t)随机分为训练集和测试集；

选择交叉熵损失函数作为模型的分类目标，使用训练集对所述基于深度神经网络的异构双分类器漏损识别模型进行训练，直至交叉熵损失函数值不变时，停止训练；

使用测试集对训练好的模型进行测试，采用混淆矩阵评估模型效果。

Images