基于遗传算法优化BP神经网络的管网漏失定位模型研究

针对BP神经网络用于管网漏失定位时易出现收敛速度慢及陷入局部极小值的问题,利用遗传算法对BP神经网络的权值和阈值进行优化,并以A市供水管网为例,选取各个分区的供水管段进行不同程度的漏失模拟,将模拟数据作为训练样本训练遗传算法优化的BP神经网络,得到管网漏失时压力监测点的压力变化率和漏点位置之间的非线性关系,构建基于遗传算法优化BP神经网络的管网漏失定位模型。实例应用结果表明,基于遗传算法优化BP神经网络的管网漏失定位模型的收敛速度和预测精度均优于传统BP神经网络模型,可应用于实际工程。     

基于PSO-LSSVM时序预测模型的管网漏失信号识别

为解决城市供水管网的漏失问题,基于在供水管网各测压点收集的压力数据,构建粒子群(PSO)算法优化LSSVM的时序预测模型来预测压力监测点下一时刻压力值,并提出了城市供水管网漏失识别模型,通过监测点压力值与预测值的残差值是否在阈值范围内来判断管网是否处于正常工况。测试分析结果表明,改进的时序预测模型预测精度较高,可确定各压力监测点阈值,识别管网是否发生漏失事故,为相似工程提供借鉴。     

基于PSO-LSSVM时序预测模型的管网漏失信号识别

为解决城市供水管网的漏失问题,基于在供水管网各测压点收集的压力数据,构建粒子群(PSO)算法优化LSSVM的时序预测模型来预测压力监测点下一时刻压力值,并提出了城市供水管网漏失识别模型,通过监测点压力值与预测值的残差值是否在阈值范围内来判断管网是否处于正常工况。测试分析结果表明,改进的时序预测模型预测精度较高,可确定各压力监测点阈值,识别管网是否发生漏失事故,为相似工程提供借鉴。     

基于深度学习框架的供水管网压力异常实时诊断方法

为有效减少供水管网的漏失,诊断异常压力数据十分必要。在数据采集与监视控制(SCADA)系统中引入异常诊断模型,提出一种基于深度学习框架的异常诊断方法。该方法先利用卷积神经网络模型(CNN)对压力进行预测,再计算压力预测值与实际值的误差并进行离群点诊断,若异常值持续时间较长,则可能发生漏失。以D市供水管网模型为例,利用该模型对16个监测点压力数据进行诊断并与ARIMA诊断模型进行对比。结果表明,CNN模型能够准确地诊断供水管网的压力异常数据。     

供水管网实时分区及节流阀调度研究

为进一步降低供水管网漏损率,节约能源,提高水资源利用率,通过EPANET工具箱、Matlab及C#联合编程,以节流阀的开启度为影响因素,以漏失费用为目标,建立阀门实时调度模型。首先,该模型通过模糊C-均值聚类法(FCM)实时对管网进行分区;其次,对各区域内每一时刻的阀门开启度进行调整;最后,通过布谷鸟算法(CS)进行优化调度,从而均衡管网压力,降低管网漏失量。F市实际供水管网优化调度结果表明,优化后漏失率降低了11.96%,提高了水资源的有效利用率。研究成果对于供水管网优化调度意义重大。     

基于水力模型的供水管网区块化优化研究

为进一步优化配水系统分区,提出了一种基于多尺度分区算法的供水管网区块化优化方法。该方法考虑了供水管网系统的节点压力信息,改进了分区评价函数,并结合城市供水管网实际情况进行分区。以A市为例,利用EPANET建模器建立供水管网水力模型,在此基础上结合配水系统分区理念,将A市供水管网分为了11个区块。结果表明,分区后的供水管网实现了单独区域水量计量,缩小了查找漏失范围;管网压力更加趋于均衡,降低了漏失水量和产销差,使供水管网运行更加科学化、合理化。研究成果可为供水管网分区优化管理提供参考。     

基于PSO-SVM模型的面板堆石坝堆石料参数反演分析

针对常用的参数反演分析法存在的不足,将粒子群算法(PSO)与支持向量机(SVM)相结合来对堆石料参数进行反演,即先利用粒子群算法优化支持向量机,再利用优化后的支持向量机进行参数反演分析,借助Matlab中相关工具箱编制了相应的程序,建立了基于PSO-SVM的堆石料参数反演模型,并通过大量实测数据进行训练和测试。结果表明,基于PSO-SVM的堆石料参数反演模型可行、有效。     

基于压力敏感区域方法的供水管网漏失区域定位研究

为有效降低城市供水漏损率,快速、准确定位漏失位置,基于压力敏感区域方法,以A市为研究区域对供水管网漏失区域定位进行研究,以压力监测设备与节点漏失之间的水力关联特性对供水管网进行区域划分,建立管网漏失敏感区域,当某处发生漏失时,可立即定位到漏失区域.结果 表明,当漏失响应阈值为97％时,覆盖节点数量最多,敏感区域划分最为...     

PSO_SVM软测量方法在火电厂煤质发热量测量中的应用

为了对电厂煤质发热量进行简单准确的测量,在煤质发热量理论研究的基础上,提出了利用支持向量机算法进行软测量。对支持向量机的数学原理进行分析后,利用某燃煤电厂的运行数据,构建了支持向量机模型。在构建模型过程中引入了PSO(粒子群优化算法)寻找模型中涉及的惩罚参数c和核函数参数g的最优值,然后利用最优值构建了PSO-SVM软测量模型,模型的测试结果表明:PSO-SCM模型相对误差集中在1%以内,CV(交叉验证法)建立的SVM模型相对误差在1.5%左右,而常用的BP(按误差逆传播算法训练的多层前馈网络)神经网络模型得到的相对误差只能保证在3%以内,可见PSO-SVM款测量模型对煤质发热量的测量更准确。     

基于HHT和SVM的供水管网爆管诊断模型研究

针对当前复杂供水管网泄水事故频发的现象,提出以管网发生故障时的瞬态水力数据信息为样本,采用Hilbert-Huang变换将故障样本信息从水压—时间的时域信号转换为压力幅值—频率的频域信号。分析选取频域信号中的主要特征值坐标作为支持向量机(SVM)的输入数据,并采用粒子群算法(PSO)对SVM参数进行优化,建立了基于HHT和SVM的供水管网故障诊断模型。实例应用表明,该模型在供水管网泄漏诊断中效果较好,从而验证了模型的可行性。     

一种基于双向LSTM的供水管网漏损定位方法

传统的供水管网检漏方式存在效率低、准确率差的缺陷.应用双向LSTM(Bi-LSTM)神经网络可以很好地分析管网漏损时节点水压的变化规律,实现快速准确的漏损定位.先创建基于EPANET平台的管网水力模型,在该模型上进行管网节点漏损模拟及各时间点节点水压的获取,然后采用Bi-LSTM进行分析,最终得到漏损节点位置及各个漏损...     

基于BP神经网络深度学习的供水管网漏损智能定位方法

在深入剖析已有大型供水管网漏损成因的基础上,提出了采用BP神经网络深度学习的方法预测漏损点位置,构建了供水管网漏损模拟模型,通过管网发生漏损时5个位置的流量变化和17个位置的压力监测点变化的相关性分析,利用人工神经网络深度学习来诊断漏损点所在管网中位置,并以实验室自搭建的小型供水管网为例对漏损定位的研究方法进行了验证。结果表明,所提方法是一个实时诊断的快速又有效的方法,可实现较为准确的漏损点定位。     

基于HHT和SVM的供水管网爆管诊断模型研究

针对当前复杂供水管网泄水事故频发的现象,提出以管网发生故障时的瞬态水力数据信息为样本,采用Hilbert Huang变换将故障样本信息从水压—时间的时域信号转换为压力幅值—频率的频域信号。分析选取频域信号中的主要特征值坐标作为支持向量机（SVM）的输入数据,并采用粒子群算法（PSO）对SVM参数进行优化,建立了基于HHT和SVM的供水管网故障诊断模型。实例应用表明,该模型在供水管网泄漏诊断中效果较好,从而验证了模型的可行性。     

基于神经网络深度学习和结构优化的供水管网漏口失效形式及漏失量预测

为了量化供水管网漏失危害,根据漏失形式探究管网漏失原因,在管网漏失试验的基础上,通过分析不同管材、管径、漏口失效形式的管段在各种压力下漏失瞬态漏口周围20个压力波动数据,利用BP神经网络在压力数据与漏失量、漏口失效形式之间建立映射关系,并通过大量训练来优化BP神经网络结构。结果表明,优化后的神经网络可精确地预测出管网漏失量及漏口失效形式,为一种适用性强、快速有效的预测方法。     

基于水力模型的无收益水量分配方法

无收益水量的合理分配对管网模型计算精度影响较大。为了尽可能真实地反映节点实际用水量,基于供水管网的一致漏损模型,将无收益水量分为真实漏损和表观漏损两部分,在原有管长影响因素的基础上增加考虑了压力及流量,提出了漏失模型法的流量分配方法,并以天津市H区给水管网模型为例进行了计算验证。结果表明,对于沿线流量分配法与漏失模型法两种流量分配方法,其压力监测点处的模拟值在每个时刻与实测值的误差均在±2m之内;二者水力计算所得的节点压力相差约0.2m,漏失模型法的流量分配结果明显更靠近监测点的实测值,精度较高。