基于概率神经网络的输水管网漏损预测分类

2022-08-17王小娟胡兵袁勇杨嘉鹏刘文

微型电脑应用 2022年7期

王小娟，胡兵，袁勇，杨嘉鹏，刘文

(新疆工程学院， 1.数理学院, 2.控制工程学院，新疆，乌鲁木齐 830023)

0 引言

随着我国城镇化的进程加快，输水管网作为重要的民生工程受到越来越多的关注。输水管网漏损问题是城镇供水管网广泛存在的问题，输水管网由于受到管道老化、管道敷设形式、管道周围环境变化等因素的影响，会造成漏损且不易发现。长期漏损会造成很大的财力、物力损失。对输水管网漏损进行准确预测分类，提醒后勤保障人员及时维修，对减少人力、物力、财力损失具有重要意义。

漏损检测方法分为基于硬件检测的方法和基于软件检测的方法，基于硬件检测的方法主要分为传统声学检测、探地雷达检测、智能球检测、分布式光纤传感检测等[1]，基于软件的检测方法分为瞬态分析方法、基于数学模型分分析方法、基于数据驱动的预测方法[2]。随着物联网和大技术数据的发展，输水管网的水力数据很容易获取，挖掘输水管网的水力数据信息进行输水管网漏损预测受到国内外学者的普遍关注。

在基于数据驱动的预测方面，文献[3]提出了一种应用贝叶斯原理的识别方法，根据流量测试数据建立预测模型，用于水管网的泄漏检测，但是测试数据为管网模型模拟的数据，难以反映实际输水管网的干扰和不确定性。文献[4]介绍了人工神经网络(ANN)在输水管网的水力参数(流量和压力)的传感器数据中的应用，结果表明，静态和时间延迟的人工神经网络都可以检测泄漏/爆裂，时延神经网络表现出比静态神经网络更高的性能。文献[5]针对水厂难以泄漏检测的问题，提出了一种基于自组织图的自来水管网泄漏检测方法。根据流量数据建立预测模型，结果表明基于流量数据训练的模型可以很好的用于输水管网的泄漏检测。文献[6]根据单漏点输水管网的监测数据，采用支持向量机建立输水管网漏损诊断模型，并采用粒子群算法优化支持向量机的参数，得到较好的预测效果，但是在保证预测精度的条件下，预测时间有待进一步缩短。文献[7]通过监测输水管网的压力数据和流量数据，建立BP神经网络深度学习的漏损检测定位模型，实现较为准确漏损定位，但是要实际应用还需要参考用水量数据。本文在上述基于数据驱动的研究基础上，根据输水管网的用水量数据，建立基于概率神经网络(Probabilistic Neural Network,PNN)的输水管网漏损分类预测模型，通用分类预测，及时查找漏损情况，通过某校园老医务室输水管网用水量数据进行验证，为输水管网漏损预测分类提供参考。

1 概率神经网络

概率神经网络(Probabilistic Neural Network,PNN)由Specht首次提出。根据贝叶斯决策理论来设计[8]。设输入向量为x=[x1,x2,…,xN]，分类依据为

θ=θ1,p(θ1x)>p(θ2x)

θ2,其他

(1)

其中，p(θ1x)为x发生条件下θ1的后验概率，p(θ2x)为x发生条件下θ2的后验概率。根据最小风险决策理论引入损失函数λij，采取动作αi的期望风险为

R(αix)=∑Nj=1λijp(θjx)

(2)

在分类正确的损失为零的条件下，θ1类的期望风险为

R(θ1x)=λ12p(θ2x)

(3)

概率神经网络基于贝叶斯决策理论来设计，是一种特殊类型的径向基函数的网络，运行速度比反向传播网络更快，它的结构包括四层：输入层、模式层、求和层和决策层[9]，如图1所示。

PNN最初是通过使用m类的训练样本来进行设计的，根据输入数据与g类每个训练样本的距离，使用等式(4)计算高斯函数的概率值[10]，设Qij为

图1 概率神经网络结构图Qij=1(2π)n2σnexp-(xj-x(g)ij)22σ2

(4)

其中，n是输入数据的维数，即属性数量，σ是高斯的标准差，相当于PNN中的平滑参数的函数，Qij是属于第g类的第i个训练样本的第j个属性值，xj是第j个属性的值新的输入数据。网络基于Parzen的结果窗口确定新输入数据的类别数。Parzen窗口是每个类中所有与训练样本相关的输入数据xj的平均概率，如式(5)。

P(xcg)=1(2π)n/2σn1lg∑lgi=1exp-∑nj=1(xj-x(g)ij)22σ2

(5)

其中，lg是属于第g类的训练样本数。式(5)表明唯一的可操纵参数是平滑参数。

2 实验

实验数据来源为2020年高教社杯全国大学生数学建模竞赛E题-校园供水系统智能管理，该数据包含某校园的一年的用水量数据、水表层级数据、水表号数据，涉及到教学楼、办公楼、泵房、食堂、宿舍、养殖、区域、公共、老楼等用水场所，数据共计4 375 703组。

选取校园内老楼、食堂、区域、宿舍4个典型的功能区进行分析，绘出第一季度的用水曲线，如图2所示。

(a)

从图2可以看出，老楼、食堂、区域、宿舍的用水量数据总体平稳。宿舍、食堂用水量受节假日影响较大，两者用水量趋势总体一致。区域用水量较大，主要为绿化用水，用水量较大，且波动较大。老楼人员相对较少，用水量最为平稳。考虑老楼受到管道老化、管道周围环境变化容易造成漏损，选取输水管网漏损较为典型的老楼——老医务室用水数据作为系统分析数据，统计一年内老医务室每天的用水数据，共计365组数据，数据分析如图3所示。图中数据总体平稳，供水量数据在第178天出现最大值，最大值为255.47，时间为2019年6月27日，最大值超过前一天供水量的25倍，为管网破损造成的泄漏，供水量为0的天数为64天，为老医务室总进水阀门关闭，在去除最大值和供水量为0的条件下，得到全年供水量的平均值为6.799 7。用水量总体平稳，且用水量相对较少。

图3 老医务室每天用水数据

在老医务室的一年数据中，以每一天中水表进水出水量数据、用水量数据为输入，以是否漏损标签为输出，建立基于PNN的输水管网漏损预测分类模型，从365组数据中选取300组作为训练，65组数据作为测试，设置PNN的SPREAD参数为1.5，采用对漏损进行PNN预测分类。图4为老医务室楼PNN网络训练效果图和预测误差图，训练样本预测准确率95.31%，从图4中可以看出样本拟合性能良好。