CN112836758B - 基于双层循环神经网络的独立计量区域管网漏损检测方法 - Google Patents
基于双层循环神经网络的独立计量区域管网漏损检测方法 Download PDFInfo
- Publication number
- CN112836758B CN112836758B CN202110178778.1A CN202110178778A CN112836758B CN 112836758 B CN112836758 B CN 112836758B CN 202110178778 A CN202110178778 A CN 202110178778A CN 112836758 B CN112836758 B CN 112836758B
- Authority
- CN
- China
- Prior art keywords
- water consumption
- water
- neural network
- period
- gate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 183
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 18
- 230000001537 neural effect Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 14
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 2
- IUQJDHJVPLLKFL-UHFFFAOYSA-N 2-(2,4-dichlorophenoxy)acetate;dimethylazanium Chemical compound CNC.OC(=O)COC1=CC=C(Cl)C=C1Cl IUQJDHJVPLLKFL-UHFFFAOYSA-N 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
一种基于双层循环神经网络的独立计量区域管网漏损检测方法,包括以下步骤:步骤1:采集供水管网需水节点耗水量,根据节点耗水量将供水管网划分为N个相似耗水量的独立计量区域;步骤2:在独立计量区域出入管段上安装物联网流量计,根据独立计量区域进出口流量计数据计算该区域t时段的耗水量;步骤3:利用基于双层循环神经网络的区域耗水量预测模型得到独立计量区域在t时段的预测耗水量;步骤4:对残差r进行分类训练得到正常耗水量残差与异常耗水量残差的边界;步骤5:对比独立计量区域待检测时段t的预测耗水量与真实耗水量得到残差,将该残差值与残差边界比较,判定该区域在t时段是否发生漏水。本发明对发生漏损区域进行报警与定位。
Description
技术领域
本发明涉及市政工程和城市供水管网领域,具体涉及一种基于双层循环神经网络的独立计量区域管网漏损检测方法。
技术背景
管道漏水是供水设施的一个主要问题,供水管网的漏损率与城市发展水平、供水***寿命以及日常维护能力具有高度相关性。供水管网的漏损问题不仅造成经济资源的大量浪费,同时还存在污染水质的潜在性风险。在管道老化、技术落后等因素的影响下,我国城乡供水管网的漏损率普遍偏高,供水管网的漏损问题日益严重,如何对供水管网的漏损点进行快速精准的识别,已成为行业急需解决的重点问题之一。
供水管网分区独立计量(DMA)技术是目前有效的供水管网漏损定位技术之一,DMA技术通过将整体供水管网划分为若干个独立计量区域,在各区域出入管段安装流量计,通过监测流量计数据得到各独立计量区域耗水情况,从而对区域内管段是否漏水进行监测。
现有技术中有关独立计量区域漏损检测的方法较为有限,专利CN201810393876.5公开了一种水管网漏损定位方法及装置,专利CN201910458598.1公开了一种基于时间序列分析的供水管网漏损监测预警方法、专利CN201910320000.21公开了一种基于动态DMA分区的城镇供水***漏损监测方法、专利CN201910320000.21公开了一种供水管网漏损的自动识别和定位方法等,然而此类方法存在以下三个问题:第一,此类发明通常利用传统机器学习算法对异常耗水量信号进行识别,由于耗水量的不规则性此类方法精准度较低;第二,此类发明根据单个时间点的耗水量数据进行检测,判断供水管网是否发生泄露,其检测过程易受到用户突然大量用水、仪器偶然误报等因素干扰;第三,此类发明只将检测结果分为发生漏损和未发生漏损两类,对于较小规模漏损导致的可能漏损情况无法有效识别。
发明内容
为了克服现有技术的缺陷,本发明提供一种基于双层循环神经网络的独立计量区域管网漏损检测方法,以解决现有技术背景中检测精准度较低、易误报且识别效率较低的问题。通过双层循环神经网络利用历史耗水数据中的时序信息,从而预测下一时段耗水量,并计算真实耗水量与预测耗水量之间残差,根据残差值的大小来实现异常数据的辨别,从而对发生漏损区域进行报警与定位。
为了实现上述目的,本发明采用以下技术方案:
一种基于双层循环神经网络的独立计量区域管网漏损检测方法,包括以下步骤:
步骤1:采集供水管网需水节点P1,P2,…,Pn的耗水量,根据节点耗水量将供水管网划分为N个相似耗水量的独立计量区域DMA1,DMA2,…,DMAN;
步骤2:在独立计量区域出入管段上安装物联网流量计,根据独立计量区域DMAi进出口流量计数据计算该区域t时段的耗水量Ci(t):
其中:Ne表示区块入水口数量;No表示区块出水口数量;Ij(t)表示第j个入水口在t时段内的进水量;Oj(t)表示第j个出水口在t时段内的出水量;
步骤3:利用基于双层循环神经网络的区域耗水量预测模型得到独立计量区域在t时段的预测耗水量Cp(t);
步骤4:计算预测耗水量Cp与真实耗水量Ct间的时段平均残差r,对残差r进行分类训练得到正常耗水量残差与异常耗水量残差的边界BL、BH;
步骤5:对比独立计量区域待检测时段t的预测耗水量Cp(t)与真实耗水量Ct(t)得到残差r(t),将该残差值与残差边界BL、BH比较,若r(t)≤BL则判定该区域在t时段未发生漏水,BL<r(t)≤BH则判定该区域在t时段可能发生漏水,BH<r(t)则判定该区域在t时段发生漏水。
进一步地,所述步骤3包括以下步骤:
步骤3.1:建立基于双层循环神经网络的耗水量预测模型,模型包含一层输入层、多层隐藏层、一层输出层,输入为独立计量区域先前时段耗水量数据,输出为该区域之后时段的预测耗水量数据;
步骤3.2:训练基于双层循环神经网络的耗水量预测模型,使用模型预测值与真实值的均方误差MSE作为模型在参数为θ时的损失函数J(θ):
其中:θ表示神经网络中模型参数,m表示模型训练迭代次数,表示训练所用耗水量真实值,表示训练所用耗水量预测值;
利用梯度下降得到θ的最优值,通过对模型损失函数J(θ)求偏导得到下降梯度作为参数θ的更新方向,进而得到更新后的θ的值
其中:θk+1表示第k次更新后的参数值,θk表示第k次更新前的参数值,α表示更新步长,重复以上步骤直至完成对参数θ的更新,直至模型损失值不再下降,进而得到最终模型。
优选的,所述步骤3.1中,,模型具体结构在于:
步骤3.1.1:基于双层循环神经网络的耗水量预测模型,包含一层输入层,所述输入层维度为K,表示为双层循环神经网络模型输入层在时间序列上的深度,即模型预测t时刻及其之后的耗水量时所用到的历史耗水量数据{C(t-K),…,C(t-1)};
步骤3.1.2:基于双层循环神经网络的耗水量预测模型,包含多层隐藏层,所述隐藏层依次链接LSTM长短期神经网络、GRU门递归单元,其中,对于LSTM长短期神经网络,每个神经网络单元包含输入门、遗忘门、输出门,通过对三者函数参量的赋值与更新,实现对区域耗水量时序数据的记忆与预测;
定义it、ft、ot为输入门、遗忘门、输出门的输入,σ为sigmoid函数,wi、wf、wo为输入门、遗忘门、输出门的权重,ht-1为上一个神经单元的输出,xt为当前神经单元的输入,bi、bf、bo为输入门、遗忘门、输出门的偏置,其中:
it=σ(wi[ht-1,xt])+bi
ft=σ(wf[ht-1,xt])+bf
ot=σ(wo[ht-1,xt])+bo
定义wc表示细胞核权重,bc表示细胞核偏置,对神经单元中的细胞核ct更新权值:
ct=tanh(wc[ht-1,xt])+bc
进而更新输出门的当前神经单元输出:
ht=ottanh(ct)
步骤3.1.3:基于双层循环神经网络的耗水量预测模型,包含多层隐藏层。所述隐藏层依次链接LSTM长短期神经网络、GRU门递归单元,其中,对于GRU门递归单元,每个递归单元包含重置门与更新门,通过对二者函数参量的赋值与更新,实现对耗水量时序数据的遗忘和选择记忆;
定义rt、Zt为重置门、更新门的输入,σ为sigmoid函数,wr、wZ为重置门、更新门的权重,ht-1为上一个神经单元的输出,xt为当前神经单元的输入,w为递归单元所记忆的信息的权重,其中:
rt=σ(wr[ht-1,xt])
Zt=σ(wZ[t-1,xt])
门递归单元重置表达式为:
门递归单元更新表达式为:
步骤3.1.4:基于双层循环神经网络的耗水量预测模型,包含一层输出层,所述输出层维度为T,其中,T表示双层循环神经网络模型输出数据数量,即模型表示为利用待测时刻前K个时刻的区块耗水量数据{C(t-K),…,C(t-1)}来预测待测时刻及其之后T个时刻的区块耗水量数据{C(t),…,C(t+T-1)}。
进一步地,所述步骤4包括以下步骤:
步骤4.1:通过步骤3中所得模型预测独立计量区域在t时段及其前后时段的区域预测耗水量数据{Cp(t-1),Cp(t),Cp(t+1)},将其与t时段及其前后时段的区块真实耗水量数据{Ct(t-1),Ct(t),t(t+1)}相比较得到t时段的平均残差r(t):
步骤4.2:根据时段内是否突发漏水对残差r进行标记后随机分堆,为避免样本不均匀所产生的模型失衡性,模型训练数据集包括50%未漏损时的残差r与50%漏损时的残差r并随机打乱,将所有数据赋与标签分别为无漏损、可能漏损、漏损,将打乱后的数据集合的70%的数据作为训练集,训练集用于对模型的锻炼;剩余30%的数据作为测试集,测试集用于对模型的检验;
步骤4.3:建立基于随机森林算法的残差分类模型,模型涉及的超参数包括决策树数量TN、决策树深度TD、交叉验证次数TI。利用训练集对建立累计残差均值分类模型进行训练,对决策树数量TN、决策树深度TD、交叉验证次数TI的参数进行网格搜索选取最优值;
步骤4.4:训练得到对累计残差均值的分类边界BL、BH,及累计残差均值r≤BL时判定无漏损,BL<r≤BH时判定可能漏损,BH<r时判定发生漏损。
本发明的有益表现是:本发明提出了一种基于双层循环神经网络的独立计量区域管网漏损检测方法,通过将供水管网按照耗水量分为若干独立计量区域,利用区域进出口处流量计采集并计算各区域耗水量数据,建立基于双层循环神经网络的耗水量预测模型并利用所收集的数据对其进行训练,根据训练所得模型,对比模型预测耗水量与真实耗水量得到耗水量残差并对该残差进行分类训练得到区分正常日与异常日的残差边界值,从而对区域待检测时段耗水量是否异常进行判定。所提出的利用双层循环神经网络对供水管网独立计量区域进行漏损检测的方法对于供水管网漏损检测具有很大的参考价值。
附图说明
图1为本发明方法流程图;
图2为本发明实施例提供的某区域供水管网分区图;;
图3为本发明实施例提供的双层循环神经网络结构示意图;
图4为本发明实施例提供的双层循环神经网络中长短期神经网络结构示意图;
图5为本发明实施例提供的双层循环神经网络中门递归单元结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式进一步详细叙述(以A市某供水管网为例)。
参照图1~图5,一种基于双层循环神经网络的独立计量区域管网漏损检测方法,包括以下步骤:
步骤1:供水管网独立计量分区。
A市某供水管网共有人口约61270人,主要供水节点144个,管段316个,管段总长217千米,根据节点耗水量将供水管网分割为6个相似耗水量的独立计量区域DMA1,DMA2,…,DMA6如图2所示。
步骤2:独立计量区域耗水量计算。
在独立计量区域出入管段上安装物联网流量计,根据独立计量区域DMAi进出口流量计数据计算该区域t时段的耗水量Ci(t):
其中:Ne表示区块入水口数量;No表示区块出水口数量;Ij(t)表示第j个入水口在t时段内的进水量;Oj(t)表示第j个出水口在t时段内的出水量;
以A市某供水管网为例,记录该管网各独立计量区域某日耗水量数据如表1所示,表1为各独立计量区域耗水量数据表:
表1
步骤3:利用双层循环神经网络预测区域耗水量。
利用基于双层循环神经网络的区域耗水量预测模型得到独立计量区域在t时段的预测耗水量Cp(t),包括以下步骤:
步骤3.1:建立基于双层循环神经网络的耗水量预测模型,模型包含一层输入层、多层隐藏层、一层输出层,输入为独立计量区域先前时段耗水量数据,输出为该区域之后时段的预测耗水量数据,所述神经网络整体结构如图3所示。模型具体结构在于:
步骤3.1.1:基于双层循环神经网络的耗水量预测模型,包含一层输入层,所述输入层维度为5,表示为双层循环神经网络模型输入层在时间序列上的深度,即模型预测t时刻及其之后的耗水量时所用到的历史耗水量数据{C(t-5),C(t-4),…,C(t-1)}。
步骤3.1.2:基于双层循环神经网络的耗水量预测模型,包含多层隐藏层,所述隐藏层依次链接LSTM长短期神经网络、GRU门递归单元。其中,对于LSTM长短期神经网络,每个神经网络单元包含输入门、遗忘门、输出门,通过对三者函数参量的赋值与更新,实现对区域耗水量时序数据的记忆与预测,所述于LSTM长短期神经网络结构如图4所示。
定义it、ft、ot为输入门、遗忘门、输出门的输入,σ为sigmoid函数,wi、wf、wo为输入门、遗忘门、输出门的权重,ht-1为上一个神经单元的输出,xt为当前神经单元的输入,bi、bf、bo为输入门、遗忘门、输出门的偏置,其中:
it=σ(wi[ht-1,xt])+bi
ft=σ(wf[ht-1,xt])+bf
ot=σ(wo[ht-1,xt])+bo
定义wc表示细胞核权重,bc表示细胞核偏置,对神经单元中的细胞核ct更新权值:
ct=tanh(wc[ht-1,xt])+bc
进而更新输出门的当前神经单元输出:
ht=ottanh(ct)
步骤3.1.3:基于双层循环神经网络的耗水量预测模型,包含多层隐藏层。所述隐藏层依次链接LSTM长短期神经网络、GRU门递归单元。其中,对于GRU门递归单元,每个递归单元包含重置门与更新门,通过对二者函数参量的赋值与更新,实现对耗水量时序数据的遗忘和选择记忆,所述于GRU门递归单元结构如图5所示。
定义rt、Zt为重置门、更新门的输入,σ为sigmoid函数,wr、wZ为重置门、更新门的权重,ht-1为上一个神经单元的输出,xt为当前神经单元的输入,w为递归单元所记忆的信息的权重,其中:
rt=σ(wr[ht-1,xt])
Zt=σ(wz[ht-1,xt])
门递归单元重置表达式为:
门递归单元更新表达式为:
步骤3.1.4:基于双层循环神经网络的耗水量预测模型,包含一层输出层,所述输出层维度为3,其中,3表示双层循环神经网络模型输出数据数量,即模型表示为利用待测时刻前K个时刻的区块耗水量数据{C(t-5),…,C(t-1)}来预测待测时刻及其之后T个时刻的区块耗水量数据{C(t),…,C(t+2)}。
步骤3.2:训练基于双层循环神经网络的耗水量预测模型,使用模型预测值与真实值的均方误差MSE作为模型在参数为θ时的损失函数J(θ):
其中:θ表示神经网络中模型参数,m表示模型训练迭代次数,y表示训练所用耗水量真实值,表示训练所用耗水量预测值;
利用梯度下降得到θ的最优值,通过对模型损失函数J(θ)求偏导得到下降梯度作为参数θ的更新方向,进而得到更新后的θ的值
其中:θk+1表示第k次更新后的参数值,θj表示第k次更新前的参数值,α表示更新步长。重复以上步骤直至完成对参数θ的更新,直至模型损失值不再下降,进而得到最终模型。
步骤4:计算预测量与真实量残差并对残差分类
以A市某供水管网为例,计算预测耗水量Co与真实耗水量Ct间的时段平均残差r,对残差r进行分类训练得到正常耗水量残差与异常耗水量残差的边界BL、BH,包括以下步骤:
步骤4.1:通过步骤3中所得模型预测独立计量区域在t时段及其前后时段的区域预测耗水量数据{Cp(t-1),Cp(t),Cp(t+1)},将其与t时段及其前后时段的区块真实耗水量数据{Ct(t-1),Ct(t),Ct(t+1)}相比较得到t时段的平均残差r(t):
步骤4.2:根据时段内是否突发漏水对残差r进行标记后随机分堆,为避免样本不均匀所产生的模型失衡性,模型训练数据集包括34%未漏损时的残差r、33%可能漏损时的残差r与33%漏损时的残差r并随机打乱,将所有1000组数据赋与标签分别为无漏损、可能漏损、漏损,整理所得数据集如表2所示:
表2
将打乱后的数据集合的70%的数据作为训练集,训练集用于对模型的锻炼;剩余30%的数据作为测试集,测试集用于对模型的检验;
步骤4.3:建立基于随机森林算法的残差分类模型,模型涉及的超参数包括决策树数量TN、决策树深度TD、交叉验证次数TI。利用训练集对建立累计残差均值分类模型进行训练,对决策树数量TN、决策树深度TD、交叉验证次数TI的参数进行网格搜索选取最优值分别为400、15、10;
步骤4.4:训练得到对累计残差均值的分类边界BL、BH分别为1.52与1.87,及累计残差均值r≤1.52时判定无漏损,1.52<r≤1.87时判定可能漏损,1.87<r时判定发生漏损。
步骤5:检测待测区域时段耗水量
对比独立计量区域待检测时段t的预测耗水量Cp(t)与真实耗水量Ct(t)得到残差r(t),将该残差值与残差边界1.52、1.87比较,若r(t)≤1.52则判定该区域在t时段未发生漏水,1.52<r(t)≤1.87则判定该区域在t时段可能发生漏水,1.87<r(t)则判定该区域在t时段发生漏水。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (1)
1.一种基于双层循环神经网络的独立计量区域管网漏损检测方法,其特征在于,所述方法包括以下步骤:
步骤1:采集供水管网需水节点P1,P2,…,Pn的耗水量,根据节点耗水量将供水管网划分为N个相似耗水量的独立计量区域DMA1,DMA2,…,DMAN;
步骤2:在独立计量区域出入管段上安装物联网流量计,根据独立计量区域DMAi进出口流量计数据计算该区域t时段的耗水量Ci(t):
其中:Ne表示区块入水口数量;No表示区块出水口数量;Ij(t)表示第j个入水口在t时段内的进水量;Oj(t)表示第j个出水口在t时段内的出水量;
步骤3:利用基于双层循环神经网络的区域耗水量预测模型得到独立计量区域在t时段的预测耗水量Cp(t);
步骤4:计算预测耗水量Cp与真实耗水量Ct间的时段平均残差r,对残差r进行分类训练得到正常耗水量残差与异常耗水量残差的边界BL、BH;
步骤5:对比独立计量区域待检测时段t的预测耗水量Cp(t)与真实耗水量Ct(t)得到残差r(t),将该残差值与残差边界BL、BH比较,若r(t)≤BL则判定该区域在t时段未发生漏水,BL<r(t)≤BH则判定该区域在t时段可能发生漏水,BH<r(t)则判定该区域在t时段发生漏水;
所述步骤3包括以下步骤:
步骤3.1:建立基于双层循环神经网络的耗水量预测模型,模型包含一层输入层、多层隐藏层、一层输出层,输入为独立计量区域先前时段耗水量数据,输出为该区域之后时段的预测耗水量数据;
步骤3.2:训练基于双层循环神经网络的耗水量预测模型,使用模型预测值与真实值的均方误差MSE作为模型在参数为θ时的损失函数J(θ):
其中:θ表示神经网络中模型参数,m表示模型训练迭代次数,y表示训练所用耗水量真实值,表示训练所用耗水量预测值;
利用梯度下降得到θ的最优值,通过对模型损失函数J(θ)求偏导得到下降梯度作为参数θ的更新方向,进而得到更新后的θ的值
其中:θk+1表示第k次更新后的参数值,θk表示第k次更新前的参数值,α表示更新步长,重复以上步骤直至完成对参数θ的更新,直至模型损失值不再下降,进而得到最终模型;
所述步骤3.1中,模型具体结构在于:
步骤3.1.1:基于双层循环神经网络的耗水量预测模型,包含一层输入层,所述输入层维度为K,表示为双层循环神经网络模型输入层在时间序列上的深度,即模型预测t时刻及其之后的耗水量时所用到的历史耗水量数据{C(t-K),…,C(t-1)};
步骤3.1.2:基于双层循环神经网络的耗水量预测模型,包含多层隐藏层,所述隐藏层依次链接LSTM长短期神经网络、GRU门递归单元,其中,对于LSTM长短期神经网络,每个神经网络单元包含输入门、遗忘门、输出门,通过对三者函数参量的赋值与更新,实现对区域耗水量时序数据的记忆与预测;
定义it、ft、ot为输入门、遗忘门、输出门的输入,σ为sigmoid函数,wi、wf、wo为输入门、遗忘门、输出门的权重,ht-1为上一个神经单元的输出,xt为当前神经单元的输入,bi、bf、bo为输入门、遗忘门、输出门的偏置,其中:
it=σ(wi[ht-1,xt])+bi
ft=σ(wf[ht-1,xt])+bf
ot=σ(wo[ht-1,xt])+bo
定义wc表示细胞核权重,bc表示细胞核偏置,对神经单元中的细胞核ct更新权值:
ct=tanh(wc[ht-1,xt])+bc
进而更新输出门的当前神经单元输出:
ht=ottanh(ct)
步骤3.1.3:基于双层循环神经网络的耗水量预测模型,包含多层隐藏层,所述隐藏层依次链接LSTM长短期神经网络、GRU门递归单元,其中,对于GRU门递归单元,每个递归单元包含重置门与更新门,通过对二者函数参量的赋值与更新,实现对耗水量时序数据的遗忘和选择记忆;
定义rt、Zt为重置门、更新门的输入,σ为sigmoid函数,wr、wZ为重置门、更新门的权重,ht-1为上一个神经单元的输出,xt为当前神经单元的输入,w为递归单元所记忆的信息的权重,其中:
rt=σ(wr[ht-1,xt])
Zt=σ(wZ[ht-1,xt])
门递归单元重置表达式为:
门递归单元更新表达式为:
步骤3.1.4:基于双层循环神经网络的耗水量预测模型,包含一层输出层,所述输出层维度为T,其中,T表示双层循环神经网络模型输出数据数量,即模型表示为利用待测时刻前K个时刻的区块耗水量数据{C(t-K),…,C(t-1)}来预测待测时刻及其之后T个时刻的区块耗水量数据{C(t),…,C(t+T-1)};
所述步骤4包括以下步骤:
步骤4.1:通过步骤3中所得模型预测独立计量区域在t时段及其前后时段的区域预测耗水量数据{Cp(t-1),Cp(t),Cp(t+1)},将其与t时段及其前后时段的区块真实耗水量数据{Ct(t-1),Ct(t),Ct(t+1)}相比较得到t时段的平均残差r:
步骤4.2:根据时段内是否突发漏水对残差r进行标记后随机分堆,为避免样本不均匀所产生的模型失衡性,模型训练数据集包括50%未漏损时的残差r与50%漏损时的残差r并随机打乱,将所有数据赋与标签分别为未发生漏水、可能发生漏水、发生漏水,将打乱后的数据集合的70%的数据作为训练集,训练集用于对模型的锻炼;剩余30%的数据作为测试集,测试集用于对模型的检验;
步骤4.3:建立基于随机森林算法的残差分类模型,模型涉及的超参数包括决策树数量TN、决策树深度TD、交叉验证次数TI,利用训练集对建立累计残差均值分类模型进行训练,对决策树数量TN、决策树深度TD、交叉验证次数TI的参数进行网格搜索选取最优值;
步骤4.4:训练得到对累计残差均值的分类边界BL、BH。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178778.1A CN112836758B (zh) | 2021-02-08 | 2021-02-08 | 基于双层循环神经网络的独立计量区域管网漏损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178778.1A CN112836758B (zh) | 2021-02-08 | 2021-02-08 | 基于双层循环神经网络的独立计量区域管网漏损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836758A CN112836758A (zh) | 2021-05-25 |
CN112836758B true CN112836758B (zh) | 2024-03-01 |
Family
ID=75933252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110178778.1A Active CN112836758B (zh) | 2021-02-08 | 2021-02-08 | 基于双层循环神经网络的独立计量区域管网漏损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836758B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408609A (zh) * | 2021-06-17 | 2021-09-17 | 武汉卓尔信息科技有限公司 | 一种网络攻击检测方法及*** |
CN113588179B (zh) * | 2021-06-24 | 2023-11-21 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及*** |
CN113434989A (zh) * | 2021-06-28 | 2021-09-24 | 山东大学 | 一种基于注意力机制和lstm的管网漏损量预测方法及*** |
CN114352947B (zh) * | 2021-12-08 | 2024-03-12 | 天翼物联科技有限公司 | 一种燃气管道泄漏检测方法、***、装置及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359698A (zh) * | 2018-10-30 | 2019-02-19 | 清华大学 | 基于长短时记忆神经网络模型的漏损识别方法 |
CN111237646A (zh) * | 2020-02-17 | 2020-06-05 | 清华大学 | 一种供水管网漏损的自动识别和定位方法 |
-
2021
- 2021-02-08 CN CN202110178778.1A patent/CN112836758B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359698A (zh) * | 2018-10-30 | 2019-02-19 | 清华大学 | 基于长短时记忆神经网络模型的漏损识别方法 |
CN111237646A (zh) * | 2020-02-17 | 2020-06-05 | 清华大学 | 一种供水管网漏损的自动识别和定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112836758A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112836758B (zh) | 基于双层循环神经网络的独立计量区域管网漏损检测方法 | |
Hu et al. | Novel leakage detection and water loss management of urban water supply network using multiscale neural networks | |
CN109555979B (zh) | 一种供水管网漏损监测方法 | |
CN109359698B (zh) | 基于长短时记忆神经网络模型的漏损识别方法 | |
Romano et al. | Automated detection of pipe bursts and other events in water distribution systems | |
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、***及存储介质 | |
CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
CN113935439B (zh) | 排水管网的故障检测方法、设备、服务器及存储介质 | |
Mounce et al. | A neural network approach to burst detection | |
WO2021174971A1 (zh) | 一种水环境风险预测预警方法 | |
CN110110466B (zh) | 一种机器学习和工艺仿真的污水处理目标参数预测方法 | |
CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
Meyers et al. | Short-term forecasting of turbidity in trunk main networks | |
CN111709465B (zh) | 大坝安全监测数据粗差智能识别方法 | |
CN110231447A (zh) | 水质异常检测的方法、装置及终端设备 | |
Jiang et al. | A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals | |
CN111179592A (zh) | 基于时空数据流融合分析的城市交通预测方法和*** | |
CN117540329B (zh) | 基于机器学习的排水管网缺陷在线预警方法及*** | |
CN115856204A (zh) | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 | |
CN112780953B (zh) | 一种基于模式检测的独立计量区域管网漏损检测方法 | |
Hu et al. | Multi-objective and risk-based optimal sensor placement for leak detection in a water distribution system | |
Ma et al. | A real-time method to detect the leakage location in urban water distribution networks | |
CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
CN117520989A (zh) | 一种基于机器学习的天然气管道泄漏检测方法 | |
CN116484219A (zh) | 一种基于门控图神经网络的供水管网水质异常污染源识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |