一种配水管网泄漏检测方法

技术领域

本发明涉及配水管网泄漏检测技术领域，具体涉及一种基于专家知识与贝叶斯模型的管网泄漏检测方法。

背景技术

水是人类社会赖以生存和发展的最重要资源。目前我国在淡水资源领域的问题是：一方面淡水资源贫乏、水环境污染严重，治理十分困难；另一方面城市供水系统存在严重漏损，长期未得到有效治理，使得原本就很严重的淡水资源紧缺状况变得雪上加霜。

所有的配水管网均会存在一定程度的泄漏问题。配水管网的泄漏检测是一项技术复杂的工作，传统的检测方法为设备法，包括音频查询法、流量测定法、压力波振幅目视定位法等。音频查询法是目前较为常用的一种管网检漏方法，可分为阀栓听音及地面听音2种。技术人员利用听漏棒以及电子放大听漏仪在阀门、消火检以及管线暴露处等位置检测因管线漏损产生的漏水声。该方法设备简单，效果较好，性价比很高。不足之处在于环境噪声对音听法影响较大，且极其依赖工作人员经验。流量测定法指通过电磁、超声波及其他流量计判定管网泄漏点。压力波振幅目视定位法指通过调节管道压力，使泄漏点周围声波压力振幅变化，以此确定泄漏点位置。这些测定方法都需要大量技术人员参与到管网的检测工作中，由于管网的铺设范围广，检测工作量庞大。

目前管网泄漏检测中也有基于模型的方法，例如质量平衡法、基于瞬态理论的泄漏检测方法、数据驱动方法等。质量平衡法基于质量守恒定理，该方法核心在于当管道没有发生泄漏时，管道的流入质量与流出质量应该是相等的。该方法原理虽然简单,且实施起来也比较容易，但是现实地下管道情况非常复杂，并不一直处于稳定状态，该方法对管道的任意扰动和动态变化都非常敏感容易产生错误的结论，另外该方法只能大致判断漏损区域无法精确定位漏损点。基于瞬态理论的泄漏检测方法指在泄漏发生时管网中会产生压力波，监测点可探测到压力波从漏损点反射回来的传播时间，通过对这些压力波信号进行频域分析就可以进行漏损点定位。该方法具有灵敏性、经济性的优点，但是，目前该方法由于实际管网并联的复杂性其可行性未能得到验证，需要后续继续实验研究。数据驱动方法指利用数据驱动模型来检漏的过程是先提取各监测点监测到的泄漏和未泄漏的大量水力数据，然后对这些数据进行统计分析以及评价，接着根据反馈得到的信息确定管网漏损现象出现时的监测点数据的规律特征，当监测点数据出现该特征时则怀疑发生泄漏现象。针对大型复杂管网，该方法目前是模型法中准确性最高的，但该方法没有水力模型作为支撑数据的解释单纯依赖数学统计模型有时可能与现实情况相差过多。

发明内容

针对配水管网管网中结构复杂，节点需求不确定，泄漏量、泄漏位置不确定以及传感器噪声等众多不确定因素的影响，本发明提出了一种配水网泄漏检测方法，通过建立符合实际的管网模型，利用节点压力残差训练贝叶斯模型，并推导所得的概率知识作为贝叶斯模型的先验知识，提高了模型的准确性。

一种配水管网泄漏检测方法，包括以下步骤：

步骤一：在稳定运行状态(即无泄漏)下检测配水管网各个节点的压力值p；

步骤二：在泄漏状态(即不稳定运行状态)下检测配水管网各个节点的压力值p

步骤三：计算各个节点的残差r，r＝p-p

采用验证数据集对修正后的贝叶斯模型进行验证，如验证通过进入下一步，验证不通过，将训练数据集和新的先验数据带入到贝叶斯模型中进行重新训练；

步骤四：检测配水管网的总流量的变化值，当处于泄漏状态下，检测配水管网各个节点的压力值p

步骤一中，所述的稳定运行状态是指配水管网的总流量的变化值0～2％。配水管网的总流量的变化值＝最大流量/最小流量-100％。

步骤二中，所述的泄漏状态是指配水管网的总流量的变化值2.01％～10％，配水管网的总流量的变化值＝最大流量/最小流量-100％。

步骤三中，所述的验证数据集包括：15％～30％的各个节点的残差r的数据，所述的训练数据集包括：70％～85％的各个节点的残差r的数据。最优选的，所述的验证数据集包括：20％的各个节点的残差r的数据，所述的训练数据集包括：80％的各个节点的残差r的数据。

所述的修正后的贝叶斯模型如式(1)所示：

其中，P(l

所述的先验数据包括：配水管网各个节点的先验概率。

先验概率根据经验得出，主要通过经验知识、背景知识和模型知识计算得到：

先验概率＝20％×P

其中，P

对修正后的贝叶斯模型进行验证，如验证通过进入下一步，验证不通过，将训练数据集和新的先验数据带入到贝叶斯模型中进行重新训练，具体包括：

验证通过需满足验证准确率超过90％，验证通过；

新的先验数据通过采用先验概率＝19％×P

如重新训练后得到修正后的贝叶斯模型再次验证不通过，则将配水管网各个节点的先验概率采用先验概率＝18％×P

与现有技术相比，本发明具有如下优点：

本发明配水网泄漏检测方法，在面对管网中存在节点需求不确定，泄漏位置不确定，泄漏量不确定和存在传感器噪声等不确定因素时，能有着较高的准确性以及运算量少反应速度快的优点。通过收集管网设计资料以及水力数据建立的EPANET管网模型，更为可靠，更能反映实际管网的运行情况。以模型预测的正常运行与泄漏时的压力差值作为数据通过经验知识优化的贝叶斯模型进行判断，能减少不确定因素对于模型的干扰，提高模型对于泄漏的检测准确率。

测试结果表明本发明的管网泄漏检测方法受不确定因素影响小，准确度高，有较好的实践价值。

附图说明

图1为本发明配水管网泄漏检测方法的流程图；

图2为本方法中生成残差示意图；

图3为实例一中建立的管网图；

图4为本发明实例中配水管网泄漏检测方法的流程图。

具体实施方式

如图4所示，一种配水管网泄漏检测方法，包括以下步骤：

步骤一：在稳定运行状态(即无泄漏)下检测配水管网各个节点的压力值p，所述的稳定运行状态是指配水管网的总流量的变化值0～2％。配水管网的总流量的变化值＝最大流量/最小流量-100％。

步骤二：在泄漏状态(即不稳定运行状态)下检测配水管网各个节点的压力值p

步骤三：计算各个节点的残差r，r＝p-p

所述的修正后的贝叶斯模型如式(1)所示：

其中，P(l

所述的先验数据包括：配水管网各个节点的先验概率。

先验概率根据经验得出，主要通过经验知识、背景知识和模型知识计算得到：

先验概率＝20％×P

其中，P

采用验证数据集对修正后的贝叶斯模型进行验证，如验证通过进入下一步，验证不通过，将训练数据集和新的先验数据带入到贝叶斯模型中进行重新训练；

验证通过需满足验证准确率超过90％，验证通过；

新的先验数据通过采用先验概率＝19％×P

如重新训练后得到修正后的贝叶斯模型再次验证不通过，则将配水管网各个节点的先验概率采用先验概率＝18％×P

步骤四：检测配水管网的总流量的变化值，当处于泄漏状态下，检测配水管网各个节点的压力值p

如图1所示，一种配水管网泄漏检测方法，包括以下步骤：

步骤一：收集管网设计资料与水力数据等相关资料，通过EPANET软件建立管网模型；

通过收集管网布置图、水力数据等背景资料，利用EPANET软件建立管网模型，该管网模型能较好地反映实际的管网运行情况；

步骤二：通过专家知识，推理生成贝叶斯模型所需要的先验知识。专家知识库中每一条泄漏知识都包括泄漏节点、泄漏表现参数等。

专家知识的获取主要由三个部分组成；

(1)经验知识。经验知识指管网泄漏相关领域专家在长期的故障检测中通过实践积累的关于如何根据观测的征兆对泄漏进行假设、判断和识别的启发式知识。

(2)背景知识。背景知识指与管网有关的设计、安装与维护等，长期运行状况，易发生泄漏的位置以及相应的处理结果等方面的知识。

(3)模型知识。模型知识更具确定性与客观性，通过已建立的EPANET管网模型，对于管网泄漏的发生过程进行定量分析，基于管网模型的泄漏分析能够对未曾预料的泄漏进行检测；

利用专家知识库中储存的既定事实与规则对管网系统中易发生泄漏的节点进行推理，将推理所得的结论转化为概率分布，作为贝叶斯模型的先验知识；

步骤三：如图1、图2所示，对步骤一中建立的EPANET管网模型，进行泄漏模拟，生成各节点处正常运行(无泄漏)与泄漏时之间的差值，并将步骤二中专家系统推理产生的知识作为先验知识，两者结合建立贝叶斯模型；

通过EPANET管网模型模拟各节点发生泄漏的情况，生成各节点正常运行与泄漏时的残差，计算各个节点的残差r，r＝p-p

假定管网中存在N个节点均有可能会发生值为总流量X％-Y％的泄漏，发生泄漏的节点记为l

当泄漏实际发生时，所有的残差都会在一定程度上被激活。每次对残差进行采样，均应用贝叶斯定理：

其中，P(l

步骤四：依据所修正后的贝叶斯模型，对管网的在线数据进行推理分析，以配水管网的总流量的变化值2％作为阈值，当残差产生时，对于任一残差超过阈值的进行检测得到管网中每个节点可能发生泄漏的概率并输出显示，概率值最大的代表的节点即是泄漏最有可能发生的位置，并给出相应的报警信号。

下面结合附图3，针对本发明的管网泄漏诊断方法做详细描述。本发明的实施例如下：

首先根据相关的管网设计资料和水力，建立如图所示的EPANET环状管网模型。该管网模型中1为水库，为整个管网提供总水头。水库到节点1之间通过泵站对水进行升压，保证每个节点都有足够的水压。水池1接收流出管网的水。节点1-9均为需求点，每个节点都有各自不同的需求量。部分节点参数如表1所示。

表1部分节点参数

管道1-9的管径在100-400mm之间。部分管道参数如表2所示。

表2部分管道参数

假定节点1-9均会发生2％-5％的泄漏。以节点1处发生泄漏为例，泄漏点孔径为2-30mm，泄漏量在2％-5％之间等差地进行100次模拟，每一次泄漏量变化时，记录节点1-9处的压力值。依次对剩余节点进行如上操作，总共采样获得900组数据。以节点1处发生泄露为例，部分数据如表3。

表3节点1发生泄漏时各节点压力

通过专家知识对该EPANET管网模型进行评估，将获得各节点的概率分布作为贝叶斯模型的先验知识，具体先验概率如表4。

表4专家知识推导所得先验概率

其中，P

通过Python建立贝叶斯模型基本框架，对总数据进行随机分割，其中80％作为训练数据集训练贝叶斯模型其余参数，20％作为验证数据集验证贝叶斯模型准确性。

将建立的贝叶斯模型应用于实际的管网中，对管网的在线数据进行推理分析，以管网中总流量的1％作为阈值，当残差产生时，对于某一残差超过阈值的进行检测得到管网中每个节点可能发生泄漏的概率并输出显示，给出相应的报警信号。

以节点1处发生泄漏为例，此时泄漏量已超过总流量的1％，进行泄漏检测，节点1无泄漏发生时各节点的压力值与泄漏时各节点压力值相减获得节点1发生泄漏时残差的变化特征。各节点的泄漏残差如表5所示。

表5节点1处泄漏孔径为7.2mm各点残差

将表上的压力残差导入贝叶斯模型，应用贝叶斯公式：

可得到各个节点的后验概率，如表6所示。

表6推理所得各节点后验概率

通过比较各节点的后验概率，各个泄漏孔径下均是节点1的后验概率最大，因此推测为节点1处发生泄漏，发出相应的报警信号。

对验证数据集进行推理，可得准确率为94.5％，相较于未使用专家知识的贝叶斯模型在相同训练集与验证集下的准确率为85.8％，准确率有了较为明显的提升，证明了专家知识对于贝叶斯模型准确率的提升以及该方法在实际应用中的可行性。测试结果表明本发明的管网泄漏检测方法受不确定因素影响小，准确度高，有较好的实践价值。