基于BP神经网络的DMA漏损定位仿真实验设计

郑嘉龙,杨 鸽

(四川水利职业技术学院 电力工程学院,四川 崇州 611231)

供水管网漏损定位是漏损控制的重要环节[1],在降低供水企业运营成本和节约水资源等方面发挥重要作用。IWA(International Water Association)标准水量平衡表将供水系统漏损水量(Water Losses)分为非法用水量、表观漏损(Apparent losses,AL)和真实漏失[2]。该表将因用户计量误差和数据处理错误造成的损失水量定义为表观漏损,将输配水干管漏失水量、蓄水池漏失和溢流水量、用户支管至计量仪表器具之间漏失水量定义为真实漏失。下文讨论的漏损是指供水管网节点漏水,因此属于真实漏失。供水管网漏损定位方法一直是研究人员关注的焦点并提出了多种定位方法[3],例如,基于声发射技术的互相关法[4]、基于水压梯度的灵敏度分析法[5]以及基于数据驱动的群智算法[6]等。经过多年的研究与实践应用,独立计量区(District metered area,DMA)分区管理技术已经被证明是供水管网有效漏损控制手段[7]。一般而言,现有供水管网被划分为多个DMAs需要两个阶段:确定DMA数量及其包含节点数量的聚类阶段以及之后在边界管道上优化安装各种闸阀和流量计的划分阶段[8]。经过优化分区得到的DMA内包含的计量资源比较有限[9],导致单独DMA漏损定位存在很高难度。DMA是当前供水管网主流管理方式[10]。因此,DMA极有限资源条件下供水管网漏损定位方法的研究很有现实价值[11]。

1 仿真实验

1.1 实验原理

为了模拟DMA极有限资源条件特征,假定DMA只有一个入口节点,并且只在DMA入口节点安装水压和流量两个传感器。基于这两个传感器获得数据训练测试BP神经网络模型。以上过程将在EPANET软件平台上完成。EPANET是一款可用于供水管网水力模拟仿真的免费软件,该软件平台提供的供水节点包含了一个扩散器(EMITTER)功能用于模拟节点漏损,其流量节点压力水头函数如式(1),其中q表示节点流量;C表示扩散器系数;p表示节点压力;γ表示扩散器指数[12]。根据重力场中不可压缩流体恒定流的伯努利方程,供水管道中任意两点存在关系如式(2)[13],其中z1、z2、p1、p2、v1、v2分别为供水管道1、2节点的高程、水压和平均流速;ρ为水的密度;g为重力加速度;h2为节点2总水头损失。

q=Cpy,

(1)

(2)

显然,当供水节点发生漏损,它的压力和流量变化将影响供水管网其他节点。仿真实验分两种情景:一种实验在理想情况下进行,另一种实验在干扰数据下进行。所谓干扰数据是指更多考虑实际供水管网的复杂性。实际供水管网中应该不会存在大规模供水节点大规模的需水量大增现象,因此采用一次只有一个节点作为需水量大增运行24小时,获取干扰数据集。作为比较成熟的神经网络算法,BP(back propagation)神经网络在多个领域得到广泛应用,包括供水管网漏损定位[14]。BP神经网络是一种多层前馈神经网络,信号向前传递,误差反向传递。BP神经网络可分为输入、隐含和输出三个层次,输入层接收外部输入值,输出层输出BP神经网络的预测值,各层之间由不同权值连接[15]。下文讨论的仿真实验将基于EPANET平台获取的数据集训练测试BP神经网络预测模型,考察它在极有限资源条件DMA漏损定位的精度。

1.2 实验平台

DMA供水管网仿真模型采用MATLAB的EPANET插件工具EPANET-Matlab-Toolkit-2.1.1自带案例Net1模型拓扑结构以及供水节点需水系数时间序列,见图1和图2所示。

时间轴图1 独立计量区供水管网仿真模型

Net1模型默认设置节点和管道基本参数见表1和表2所示,其中C因子为Hazen-Williams粗糙系数。EPANET在缺省模式运行时,需水系数将默认采用模式1。Net1模型中在EPANET软件水泵曲线编辑器中参数设计流量(1 500)和扬程(250)。为了适应国内各参数单位使用习惯,运行EPANET时将流量单位由默认值GPM改为LPS。使用MATLAB软件编写.m文件[16-17],验证BP神经网络预测模型算法程序。

表1 节点需水量基值

表2 管网管道属性

1.3 基于BP神经网络预测极简DMA漏损定位过程

在DMA布置足够数量的各类传感器情况下,BP神经网络的漏损定位预测精度非常高。然而,在各类传感器配置不足情况下,BP神经网络漏损定位研究还比较少。通过以下仿真实验,探究BP神经网络在极端简单配置传感器情况下,DMA漏损定位预测精度问题。

(1)传感器布置。通过设置不同漏损节点及漏损水量仿真单一节点漏损情况,获取监测传感器参数数据,用于BP神经网络预测模型训练和试验。在图1中,10节点作为DMA的入口节点,将10节点和10管道获取的仿真数据作为入口节点的水压和流量数据。

(2)获取训练数据集。可以通过设置节点的扩散器系数模拟节点发生漏损的情况。除了节点10以外的8个节点扩散器系数分别设置为0.2、0.6和1。由于Net1模型每个节点都设置了不同时间段的需水量,水泵也设置了水泵扬程和流量关系的水泵曲线。因此,动态运行24小时可获取每个节点在各种扩散器系数下的24组不同数据,总共获取576组数据。

(3)确定BP神经网络模型。由于实验中的输入为两个传感器参数,输入层神经元个数为2个;预测的漏损节点数为1个,输出层神经元个数为1个。采用文献[18]所述2-5-1三层结构BP神经网络预测模型初值定位漏损节点,其拓扑结构如图3所示,图中X1和X2分别为入口节点压力和水流传感器获取的数据集;Y1为模型预测漏损节点的输出数据集。

图3 BP神经网络拓扑结构图

(4)训练BP神经网络模型。从第(2)环节产生的576组数据中随机选择500组数据用于模型训练,剩下的76组数据用于模型测试。假如模型预测精度符合预期则进行下一个步骤,否则返回步骤3对模型进行调整。

(5)获取干扰数据集。模式1节点需水系数增加50%得到模式2。将节点11需水系数设置为模式2,剩下7个非入口节点各设置一次扩散器系数为0.6的漏损节点。运行EPANET软件得到168组干扰数据。

(6)采用包含干扰数据的数据集训练BP神经网络模型。采用第(5)环节产生的168组数据与第(2)环节中产生的576组数据组成新的数据集。从该数据集中随机抽取500组数据用于模型训练,从剩下的数据组中随机抽取76组数据用于模型测试。对比分析仿真实验结果并得出实验结论。

仿真实验流程见图4。

图4 仿真实验步骤流程图

2 结果与讨论

将未设置需水量临时大增节点的情况命名为实验组1,设置需水量临时大增节点的情况命名为实验组2,仿真实验结果见图5、图6、图7。图5显示实验组1预测结果与期望结果吻合度非常高,实验组2出现较多预测结果与期望结果吻合度较差的情况。图6显示实验组2的预测误差明显大于实验组1的预测误差。图7显示实验组2中绝大部分样本的误差百分比都较实验组1的误差百分比要高一些。从实验组1的这三个指标可以看出BP神经网络预测模型在DMA漏损定位中可以得到较好的应用。实验组2的这三个指标则说明干扰数据降低了BP神经网络模型在DMA漏损预测精度。

样本(a) 实验组1

3 结 论

BP神经网络在理想条件下DMA漏损定位预测问题已经得到了广泛研究,但是对于各类传感器配置不足情况的研究成果还比较少见。上文基于已有仿真模型,设计了只在DMA入口设置1个压力传感器和1个流量传感的DMA模型。通过调节DMA节点扩散器和需水系数的方式模拟节点漏损和节点需水量变化的情况,进而获得两组数据集训练BP神经网络模型。基于仿真实验结果可以得出如下两点结论:(1)在极简传感器配置条件下,BP神经网络模型对DMA供水管网漏损定位预测有比较好的效果;(2)节点需水量临时大增作为干扰因素的情况下,BP神经网络预测误差大增。减小干扰因素对预测模式的影响将是后续研究的重点。