基于BP神經網絡的DMA漏損定位仿真實驗設計

鄭嘉龍,楊 鴿

(四川水利職業技術學院 電力工程學院,四川 崇州 611231)

供水管網漏損定位是漏損控制的重要環節[1],在降低供水企業運營成本和節約水資源等方面發揮重要作用。IWA(International Water Association)標準水量平衡表將供水系統漏損水量(Water Losses)分為非法用水量、表觀漏損(Apparent losses,AL)和真實漏失[2]。該表將因用戶計量誤差和數據處理錯誤造成的損失水量定義為表觀漏損,將輸配水干管漏失水量、蓄水池漏失和溢流水量、用戶支管至計量儀表器具之間漏失水量定義為真實漏失。下文討論的漏損是指供水管網節點漏水,因此屬于真實漏失。供水管網漏損定位方法一直是研究人員關注的焦點并提出了多種定位方法[3],例如,基于聲發射技術的互相關法[4]、基于水壓梯度的靈敏度分析法[5]以及基于數據驅動的群智算法[6]等。經過多年的研究與實踐應用,獨立計量區(District metered area,DMA)分區管理技術已經被證明是供水管網有效漏損控制手段[7]。一般而言,現有供水管網被劃分為多個DMAs需要兩個階段:確定DMA數量及其包含節點數量的聚類階段以及之后在邊界管道上優化安裝各種閘閥和流量計的劃分階段[8]。經過優化分區得到的DMA內包含的計量資源比較有限[9],導致單獨DMA漏損定位存在很高難度。DMA是當前供水管網主流管理方式[10]。因此,DMA極有限資源條件下供水管網漏損定位方法的研究很有現實價值[11]。

1 仿真實驗

1.1 實驗原理

為了模擬DMA極有限資源條件特征,假定DMA只有一個入口節點,并且只在DMA入口節點安裝水壓和流量兩個傳感器?；谶@兩個傳感器獲得數據訓練測試BP神經網絡模型。以上過程將在EPANET軟件平臺上完成。EPANET是一款可用于供水管網水力模擬仿真的免費軟件,該軟件平臺提供的供水節點包含了一個擴散器(EMITTER)功能用于模擬節點漏損,其流量節點壓力水頭函數如式(1),其中q表示節點流量;C表示擴散器系數;p表示節點壓力;γ表示擴散器指數[12]。根據重力場中不可壓縮流體恒定流的伯努利方程,供水管道中任意兩點存在關系如式(2)[13],其中z1、z2、p1、p2、v1、v2分別為供水管道1、2節點的高程、水壓和平均流速;ρ為水的密度;g為重力加速度;h2為節點2總水頭損失。

q=Cpy,

(1)

(2)

顯然,當供水節點發生漏損,它的壓力和流量變化將影響供水管網其他節點。仿真實驗分兩種情景:一種實驗在理想情況下進行,另一種實驗在干擾數據下進行。所謂干擾數據是指更多考慮實際供水管網的復雜性。實際供水管網中應該不會存在大規模供水節點大規模的需水量大增現象,因此采用一次只有一個節點作為需水量大增運行24小時,獲取干擾數據集。作為比較成熟的神經網絡算法,BP(back propagation)神經網絡在多個領域得到廣泛應用,包括供水管網漏損定位[14]。BP神經網絡是一種多層前饋神經網絡,信號向前傳遞,誤差反向傳遞。BP神經網絡可分為輸入、隱含和輸出三個層次,輸入層接收外部輸入值,輸出層輸出BP神經網絡的預測值,各層之間由不同權值連接[15]。下文討論的仿真實驗將基于EPANET平臺獲取的數據集訓練測試BP神經網絡預測模型,考察它在極有限資源條件DMA漏損定位的精度。

1.2 實驗平臺

DMA供水管網仿真模型采用MATLAB的EPANET插件工具EPANET-Matlab-Toolkit-2.1.1自帶案例Net1模型拓撲結構以及供水節點需水系數時間序列,見圖1和圖2所示。

時間軸圖1 獨立計量區供水管網仿真模型

Net1模型默認設置節點和管道基本參數見表1和表2所示,其中C因子為Hazen-Williams粗糙系數。EPANET在缺省模式運行時,需水系數將默認采用模式1。Net1模型中在EPANET軟件水泵曲線編輯器中參數設計流量(1 500)和揚程(250)。為了適應國內各參數單位使用習慣,運行EPANET時將流量單位由默認值GPM改為LPS。使用MATLAB軟件編寫.m文件[16-17],驗證BP神經網絡預測模型算法程序。

表1 節點需水量基值

表2 管網管道屬性

1.3 基于BP神經網絡預測極簡DMA漏損定位過程

在DMA布置足夠數量的各類傳感器情況下,BP神經網絡的漏損定位預測精度非常高。然而,在各類傳感器配置不足情況下,BP神經網絡漏損定位研究還比較少。通過以下仿真實驗,探究BP神經網絡在極端簡單配置傳感器情況下,DMA漏損定位預測精度問題。

(1)傳感器布置。通過設置不同漏損節點及漏損水量仿真單一節點漏損情況,獲取監測傳感器參數數據,用于BP神經網絡預測模型訓練和試驗。在圖1中,10節點作為DMA的入口節點,將10節點和10管道獲取的仿真數據作為入口節點的水壓和流量數據。

(2)獲取訓練數據集?？梢酝ㄟ^設置節點的擴散器系數模擬節點發生漏損的情況。除了節點10以外的8個節點擴散器系數分別設置為0.2、0.6和1。由于Net1模型每個節點都設置了不同時間段的需水量,水泵也設置了水泵揚程和流量關系的水泵曲線。因此,動態運行24小時可獲取每個節點在各種擴散器系數下的24組不同數據,總共獲取576組數據。

(3)確定BP神經網絡模型。由于實驗中的輸入為兩個傳感器參數,輸入層神經元個數為2個;預測的漏損節點數為1個,輸出層神經元個數為1個。采用文獻[18]所述2-5-1三層結構BP神經網絡預測模型初值定位漏損節點,其拓撲結構如圖3所示,圖中X1和X2分別為入口節點壓力和水流傳感器獲取的數據集;Y1為模型預測漏損節點的輸出數據集。

圖3 BP神經網絡拓撲結構圖

(4)訓練BP神經網絡模型。從第(2)環節產生的576組數據中隨機選擇500組數據用于模型訓練,剩下的76組數據用于模型測試。假如模型預測精度符合預期則進行下一個步驟,否則返回步驟3對模型進行調整。

(5)獲取干擾數據集。模式1節點需水系數增加50%得到模式2。將節點11需水系數設置為模式2,剩下7個非入口節點各設置一次擴散器系數為0.6的漏損節點。運行EPANET軟件得到168組干擾數據。

(6)采用包含干擾數據的數據集訓練BP神經網絡模型。采用第(5)環節產生的168組數據與第(2)環節中產生的576組數據組成新的數據集。從該數據集中隨機抽取500組數據用于模型訓練,從剩下的數據組中隨機抽取76組數據用于模型測試。對比分析仿真實驗結果并得出實驗結論。

仿真實驗流程見圖4。

圖4 仿真實驗步驟流程圖

2 結果與討論

將未設置需水量臨時大增節點的情況命名為實驗組1,設置需水量臨時大增節點的情況命名為實驗組2,仿真實驗結果見圖5、圖6、圖7。圖5顯示實驗組1預測結果與期望結果吻合度非常高,實驗組2出現較多預測結果與期望結果吻合度較差的情況。圖6顯示實驗組2的預測誤差明顯大于實驗組1的預測誤差。圖7顯示實驗組2中絕大部分樣本的誤差百分比都較實驗組1的誤差百分比要高一些。從實驗組1的這三個指標可以看出BP神經網絡預測模型在DMA漏損定位中可以得到較好的應用。實驗組2的這三個指標則說明干擾數據降低了BP神經網絡模型在DMA漏損預測精度。

樣本(a) 實驗組1

3 結 論

BP神經網絡在理想條件下DMA漏損定位預測問題已經得到了廣泛研究,但是對于各類傳感器配置不足情況的研究成果還比較少見。上文基于已有仿真模型,設計了只在DMA入口設置1個壓力傳感器和1個流量傳感的DMA模型。通過調節DMA節點擴散器和需水系數的方式模擬節點漏損和節點需水量變化的情況,進而獲得兩組數據集訓練BP神經網絡模型?；诜抡鎸嶒灲Y果可以得出如下兩點結論:(1)在極簡傳感器配置條件下,BP神經網絡模型對DMA供水管網漏損定位預測有比較好的效果;(2)節點需水量臨時大增作為干擾因素的情況下,BP神經網絡預測誤差大增。減小干擾因素對預測模式的影響將是后續研究的重點。