|
摘 要：
为了分析管网漏损影响要素和供水管网不可避免漏失水量之间存在的繁杂联系及对应关系，创立适用于我国不可避免漏失水量的确定办法。经过采集、筛选实质管网的漏损统计数据，对独立计量区域(DMA)展开夜间最小流量分析，并分析科研区域内管网的影响原因，将管龄、管材、用户数量及管网压力设定为关联影响参数。在此基本上，分别创立BP神经网络模型以及经过遗传算法优化后的BP神经网络模型(GA-BP神经网络),并对优化前后二者神经网络模型拟合结果对比分析。最后将优化后的模型应用于区别DMA进行漏损分析。结果表示，优化后的BP神经网络不仅训练效率更高，且误差平均降低了3.02%。将该模型应用于实质管网三个区别DMA时，能够发掘DMA内均存在可控漏损水量，以经济可行径前提，分别可节约水量10 512 m3/a、12 702 m3/a、37 580.4 m3/a。科研成果可为DMA漏损掌控供给参考。
关键词：
BP神经网络;遗传算法;可行性评定;不可避免漏失;线性回归分析;人工智能算法;DMA;影响原因;
作者简介：
王俊岭(1973—),男，副教授，博士，重点从事节水技术、管网优化掌控等科研。E-mail:18813070523@163.com;
*胡颖梦(1996—),男，硕士科研生，重点从事管网漏损掌控等科研。E-mail:17858285940@163.com;
基金：
国家水体污染与治理科技重大专项课题(2017ZX07501-002-05);
引用：
王俊岭，胡颖梦，张昕喆，等． 基于 GA-BP 神经网络对不可避免漏失水量的确定［J］. 水利水电技术( 中英文) ，2021，52( 12) : 201-211.
WANG Junling，HU Yingmeng，ZHANG Xinzhe，et al． GA-BP neural network-based determination of unavoidable annual real losses from water supply pipeline network［J］. Water Ｒesources and Hydropower Engineering，2021，52( 12) : 201-211.
0 引 言
供水管网漏损是困惑所有供水企业的问题，漏损能够定义为在用户计量点之前，所有类型的泄漏、爆裂和溢出导致的水损失量。管网漏损是由于缺乏主动漏损掌控(ALC)、运行压力过大、操作和守护不良、振动和交通负荷以及管道腐蚀等原因综合引起。随着政府对管网漏损的加强注重，显现了越来越多先进的技术、办法与办法。
然而在技术持续革新的同期，显现了技术没法得到有效应用等问题，其中关键一方面在于漏损评估，漏损评估是有效掌控漏损的基本。漏损评估中的关键点是漏损评估指标的选取，指标的是不是合适决定了漏损状况能否得到真实反映。1997年，国际水协 (IWA)工作小组提出了基本设备渗漏指数(ILI),随着国内外针对漏损科研的深入，产销差率、泄漏性能指数(LPI)等指标亦被持续提出并经过实践应用纳入评估体系中去，GIOVANNA创立了泄漏性能指数(LPI),强调LPI值和漏损值之间的线性关联性。张现国在国内应用供水管网漏失指数(ILI)并进行了实例计算。代焕芳在分别分析了真实漏失量、产销差率、ILI等指标后，意见国内引入ILI概念来进行管网漏损评估。随后提出了真实漏失水量评估指标——供水管网背景漏失指数(BLI)。
ILI是日前美国环境守护署(EPA)、美国水务协会(AWWA)和国际水协会(IWA)一起认可的衡量真实漏失的靠谱指标点之一。ILI定义为当前物理漏失水量(CARL)和系统内不可避免漏失水量(UARL)之间的无量纲比率,其中UARL(Unavoidable annual real losses)寓意着在当前背景要求下，无论是技术还是经济层面都没法避免的供水系统理论最小漏失。因此呢一般将UARL视作基准值评估管网漏损状况，知道区域内漏损状况的可提高空间。不可避免漏失水量的计算重点分为实测与计算两种方式，实测法指在检漏水平高、计量准确且无偷盗水现象的DMA(District metering area, 即独立计量区域)中，能够将夜间最小流量视作夜间居民正常用水量与DMA不可避免漏失水量的和，因此呢得到公式UARL=QMNF-Q夜间居民。除此之外，国际水协提出了UARL经验计算公式，该公式系统性的将支干管长度、压力、连接点数等原因纳入科研范围，是日前为止国际通用最优的办法。董驹萍应用该公式与实测最小夜间流量数据进行对比，发掘二者的差异颇大。一样，现有的科研显示,我国供水系统难以用IWA提出的经验公式照搬套用。分析原由，一是国内管网状况复杂，公式参数需要调节；二是公式中部分定义存在界限模糊问题，例如国内无对公式中“评估区域内连接点数”有知道的标准定义，即需要按照管网区别状况重新定义选择。阅读国内现有的科研，发掘大多学者为科研出适应国内状况的公式，展开了一系列探讨对参数进行修正以及重新定义，日前来看，经验公式在国内应用存在必定的难度,国内繁杂的管网状况需求该经验公式需要结合更加多的影响原因及其对应联系，或许能得到更为恰当的确定办法。调研漏损方面文案，日前国内还无学者对UARL进行建模模拟分析。因此呢，思虑提出一种新的方式，本文基于国内状况，期盼经过建模对不可避免漏失水量进行模拟校核，试图得到更贴近现实的模拟值，支撑UARL的确定，从而为管网漏损掌控评估供给数据支撑。
人工神经网络是当前最为流行的模拟预测办法，以结合数据分析与挖掘的方式，经过自己的非线性处理，在内部进行各个节点的权、阈值的调节修正，从而输出结果。其中BP神经网络更受学者们的关注，BP神经网络无论是理论方面或是性能都已然是极为成熟的，尤其是针对难以发掘规律的样本库，经过特殊的网络构造以及强大的非线性映射的特点，恰好适用于挖掘UARL与多种漏损影响原因之间模糊的关系。BP神经网络在管网评估、漏损定位以及爆管预测等方面已有广泛应用，然而BP神经网络本身存在着局限性，重点原由在于其初始权、阈值的随机选择，容易引起网络不收敛或是陷入局部极值点，从而影响模拟效果。为了弥补以上缺陷，万盛萍提出能够利用遗传算法的特性，先进行寻优过程，这里基本上，利用BP网络精细求解，既能够有效规避BP神经网络的局限性，又能够进一步提高模拟精确性。
本科研经过采集多个DMA的基本数据，剔除无效数据，运用持有强大的数据处理能力与泛化能力的人工神经网络,构建了一种新型的不可避免漏失水量的确定办法——基于GA-BP神经网络的不可避免漏失水量模型，并经过实质的管网DMA进行模型的应用，得出相应的漏损评估，给出改进办法，达到优化漏损掌控办法、节约水资源的目的。期待能够将此模型广泛应用于我国供水管网漏损评估中去，能够为进一步提高DMA漏损掌控供给参考。
1 科研区域概况
1.1 科研区域简介
为了探清国内不可避免漏失水量的应用前景，本科研经过对实质DMA展开科研与分析，经过构建模型的方式对水量进行模拟，并以此做为指点漏损掌控工作的依据。科研区域为我国南方X市某供水企业供水区域，共设有三座水厂，为该市生活、生产供给保证，供水总用户超40万户，日供水能力超过60万m3,管网总长约1 500 km。
该企业按照实地区域状况，根据分区规模、压力、分区完整性以及计量选取等原则进行了区域划分，在每一个区域进出管装上智能水表，形成独立计量区域DMA,并创立了国际上先进的GIS系统与SCADA系统为一体的智慧供水管理体系，以此进行实时数据监测。
1.2 前期工作
针对不可避免水量的计算，本科研基于实质DMA出发，经过夜间最小流量(Minimum night flow, MNF)展开分析，MNF一般由夜间合法用水量以及夜间漏损水量两部分构成。因此呢，对DMA内的漏点进行彻底的排查检修的同期，结合压力调控，使得管网压力满足最有害点压力，此时的MNF能够视为由夜间居民正常用水量与不可避免漏失水量形成。经过以下过程对数据进行确定：
(1)对DMA展开全面的检漏修漏，保证修复一切可检测到的漏点。
(2)确定MNF计量区间，按照国内外科研，并结合当地居民生活习惯将计量区间定为01:30—03:30。这里基本上，每间隔一分钟，进行一次流量数据采集，这般能够在计量区间内的某一瞬间取到夜间最小流量，此时可视作不存在夜间居民正常用水量，将此做为科研数据。
(3)为避免显现偶然性与极端性，连续取14 d流量并取均值，做为最后科研区域内的不可避免漏失水量。
在科研区域内，选择流量数据连续且恰当的中型规模(用户数量1 000～3 000户)DMA,共36个DMA进行以上过程，进行科研模拟，以此验证模型的精确性。最后，利用剩余三个保持状况的DMA,做为模拟科研后的实例应用，代入模型后，每一个DMA能够得到模拟优化后的不可避免漏失水量(即当前管网要求下，可掌控达到的最低漏损状态),与DMA当前实测的不可避免漏失水量产生对比，从而指点漏损掌控工作。部分原始数据如表1所列。
1.3 影响原因
选择管网漏损影响原因做为构建模型输入的参数，为得到与管网漏损联系最密切的参数变量，需要就管网漏损的影响原因展开分析讨论。本科研前期利用灰色相关度法对科研区域内漏损的影响原因进行评估分析，得到结论：管材与管龄是影响最为明显的两个影响原因。
因此呢，首要确定管龄、管材做为模型输入主变量。这里基本上，思虑到用户数与管网供水量的密切相关，以及压力针对供水管网漏损的调节掌控效果，另一增多两个变量：用户数N和管网平均压力P。模型的输出即设为不可避免漏失的水量。
2 科研办法
2.1 原理介绍
1986年，以RUMELHART为表率的科研者提出了一种根据误差逆向传播算法训练的神经网络—BP(back propagation)神经网络的概念，核心思想是正向输出与误差的逆向传播，持续迭代计算从而得到最优输出。BP神经网络分为输入、隐含、输出三个层次，如图1所示，各个层次分别由多个节点形成，各个层次之间由区别的权值连接ωki、ωij。
图1 BP神经网络结构
隐含层第i个神经元输出值
正向传播输出层神经元j的输出值
逆向传播误差定义的函数为
式中，n为样本数；ΔSv为样本值与模拟值的差。
GA-BP神经网络模型的构建分为以下三块内容：(1)确定各项参数以及输入与输出量，创立结构；(2)按照遗传算法全局搜查的特性，主动寻优，优化初始权值和阈值；(3)将寻优后的结果重新赋予回到构建的BP神经网络中去，起始迭代计算、模拟输出，如图2所示。
图2 GA-BP神经网络原理
2.2 基于GA-BP神经网络不可避免漏失水量计算的可行性评定
2.2.1 强大的数据处理能力
不可避免漏失水量的确定需要基于繁杂多样的基本管网信息，GA-BP神经网络利用其特有的大规模并行、分布式储存和处理自适应性等技术,相针对传统耗时耗力且繁杂的模型，无需太多的设定与数理支撑，能够在给定的数据库中，找到潜藏的规律，并创立恰当联系。
2.2.2 从数据出发的客观性结论
对不可避免漏失水量进行建模预测，首要需要确定输入参数以及对应权值和阈值，GA-BP神经网络经过对样本数据进行训练，利用其全局搜索能力，求解最优初始权值与阈值[19]反馈回神经网络中，结果源于数据，避免了人为主观干涉与随机初始值带来的误差，极大地加强了结论的客观性。GA-BP神经网络应用流程如图3所示。
图3 GA-BP神经网络应用流程
3 模型对比及实质应用
3.1 模型参数变量的确定
按照对科研区域状况与影响原因分析，确定管龄、管材(分为铸铁管与非铸铁管)、用户数N和管网平均压力P共五个输入参数，不可避免漏失水量做为模型的独一输出。
3.1.1确定神经网络层次结构与节点数
BP神经网络的性能优劣取决于网络结构中隐含层数和隐含层节点个数。最直观的影响即当隐含层节点数设置过少，会降低训练精确度；当取用的节点数量相应增加时，能够起到提高训练精确度的效果。但节点数的设置亦存在过犹不及的现象，若选择的节点数太多，会产生神经网络逼近能力过强的状况，而弱化了很重要的泛化能力。因此呢，节点数的设置存在一个适宜的区间，HO等、邵圆媛发掘，一个三层BP神经网络只需要一个隐含层，即能够经过对该隐含层的节点数进行调节，从而映射任意连续函数，且满足精度需要。因此呢，本实验仅选择一个隐含层。
(1)输入层。
本模型的输入参数分别为管龄、管材、用户数以及管网平均压力，其中按照区域管网特性，管材分为铸铁管与非铸铁管两个变量，则节点数定义为5。
(2)输出层。
输出即不可避免漏失水量，故节点数定义为1。
(3)隐含层。
迄今为止，隐含层节点个数的确定还未产生通常规律性计算方式[23],日前大多选取经过经验公式计算得到范围值如下
式中，n为隐含层节点个数；m为输入层节点个数；a为输出层节点个数；l为1到10的随机整数。
而后进行试凑整法来计算隐含层节点个数，当均方误差(MSE)达到最小时，对应的节点个数即为最佳。计算得到隐含层节点数的范围为4到13。经过持续地往复训练，结果表示：当MSE达到最小值时，节点个数为10,即理想的节点数。
3.1.2 设置神经网络其余参数
训练参数详细如表2所列。当满足最高训练次数、最小误差值、梯度体积或满足验证次数所设定的参数值的状况时，即表率完成训练，并自动结束训练。
以MATLAB为平台，在所有的36组DMA数据中，随机抽取五组做为测试用的样本数据，其余的DMA数据则用于训练神经网络。为消除数量级、单位等影响，采用函数mapminmax对输入、输出数据进行归一化
式中，y为初始数据；ymin为最小值；ymax为最大值。
3.2 设置遗传算法优化BP神经网络掌控参数
(1)编码。
随着各样算法的深入研发科研，编码的方式多种多样，其中二进制编码运用频率较高，应用范围亦较广，但可能引起编码过长，从而会存在影响神经网络学习精度的可能性。本文选取实数编码，计算编码长度L,公式如下
式中，i为输入层节点数；k为隐含层节点数； j为输出层节点数。
(2)种群规模。
种群规模的设置不存在严格的标准，在适宜区间范围内10～200之间选取就可，本科研经过对区别种群规模进行海量尝试，最后思虑拟合效果，选定为10。区别的数据样本建模应当进行重新尝试与选择，在满足精确度前提要求下，种群规模应当选择足够大以避免结果陷入局部最优解。
(3)适应度。
适应度经过实质值与模拟值的误差绝对值之和来暗示。
(4)遗传操作。
选取操做为轮盘赌法(适应度比例法)。在交叉操作中，交叉概率取0.8(概率体积不仅与收敛速度有着紧密的相关性，况且能够减小非最优解输出的可能性)。在变异操作中，本试验中取0.1,处在通常经验值之间，避免过大或过小。
(5)终止进化代数通常在50～100之间选择，本实验选定为100。
对经过遗传算法优化后的BP神经网络，进行样本数据训练，得到适应度变化曲线(见图4)。由图4可知，在0～22代内，适应度随着迭代次数的持续增加而快速下降，随后则趋于直线，说明在0～22代内，适应度在得到连续的优化，直至第22代，达到个体的最佳适应度，亦说明了本实验取用100代的进化代数是可行的。最后将22代的最优个体输出并做为GA-BP神经网络模型的初始权值和阈值。
图4 适应度变化曲线
3.3 应用对比
对二者神经网络模型同步开展训练，图5为训练完成界面，并得到相对应的误差曲线变化图如图6所示。按照表1,训练完成的标志即误差满足设定值，结合图6训练样本误差曲线图，能够看出BP神经网络经过训练后的MSE值会随之相应降低，尤其是前5次训练效果明显，之后均方误差缓慢降低，最后在41次训练后，误差值为9.675×10-5,完成训练。而GA-BP神经网络相比较，在效率上得到了极重的提高，仅仅经过12次训练，误差已然达到8.752×10-5,完成训练。
图5 训练结束示意
图6 训练误差曲线
对GA-BP神经网络和BP神经网络的模拟效果进行对比分析。对5组随机样本数据，编号1—5,展开拟合效果分析，五组模拟结果曲线分别如图7所示。从图7可知，对比第1组样本的模拟输出值，BP神经网络模拟值更为准确，但二者模拟值与实测值的误差均较小，剩余四组的结果均显示GA-BP神经网络的模拟值更加接近实测值，能够初步认为，GA-BP神经网络模拟值与实质值之间更加贴合。
图7 模拟曲线对比
3.4 模拟结果分析
从误差方向进行分析，GA-BP神经网络针对测试样本的数据模拟精确度上，显然有了必定的提高。平均误差在BP神经网络的基本上降低了3.02%,最大误差降低了5.16%,最小误差降低了1.07%,模型拟合的精度得到明显提高；从神经网络训练效率方向，GA-BP神经网络中，综合遗传优化以及网络训练，对样本数据共计进行迭代运行34次，比BP神经网络的41次迭代训练更有效。
为进一步对比模型效果，分别开展线性回归分析测试，如图8所示。显然GA-BP网络的最佳拟合曲线与目的曲线更为贴近，BP神经网络和GA-BP神经网络测试样本数据的线性回归直线分别为Y=0.912 4X+0.311 6、Y=0.976 8X+0.050 2,GA-BP神经网络决定系数R2=0.993 4大于BP神经网络R2=0.960 6,说线性回归直线的拟合度更高，亦寓意着模拟值更为精确。
图8 线性回归对比
综上，无论是从相对误差的方向还是从线性回归精确性方面，GA-BP神经网络模型都是一种更为优良的方式，能够更好的对不可漏失水量展开模拟。经过以上一系列对比科研分析，得到以下结论：(1)BP神经网络满足了本科研的初步期待，确实能够满足对UARL的模拟，结果与实测值相当接近，能够为实质管网的评估供给科学数据支撑。(2)遗传算法针对BP神经网络的训练速度，以及结果的输出上均有正向提高，经过GA-BP神经网络对UARL的确定是更优选取。
3.5 实质应用
3.5.1 模型应用
将构建的模型应用于X市某DMA,并对其展开漏损评估，给出相应掌控办法及意见。DMA基本信息如表4所列。
将以上基本信息代入模型进行计算。另外，因为压力掌控做为管网漏损掌控重点办法之一，为了探究其针对当前DMA区域的掌控效果，将日前供水压力降低0.01 MPa, 做为压力调控办法后的目的压力值，再进行计算。模拟结果如图9所示。
图9 模拟结果
3.5.2 结果分析与意见
为了对比当前该区域的可节约水量(即经过检漏修漏、压力调控等办法掌控漏损，以达到该区域内最低漏失水平，再用当前漏损水量与UARL值作差，得到可节约水量),将结果经过百分比进行展示如图10所示。
图10 可节约水量占比
按照图10结果展开分析，并分别提出漏损掌控办法意见及预期效果。
以DMA1为例进行计算，按照节1.1说到的前期工作，对DMA进行彻底的明、暗漏检修办法后，且在适当的压力下，能够认定此时该区域的漏失达到最理想状态，因此呢DMA1在当前压力下年度可节约水量=1.2×24×365=10 512 m3。同理DMA2、DMA3在当前压力下每年可分别节约水量23 827.2 m3、12 702 m3。而在目标压力下，DMA1、DMA2、DMA3分别可节约水量为12 614.4 m3、37 580.4 m3、14 804.4 m3。
由图10可知，DMA1与DMA3二者状况类似，当前区域内漏损水量显著大于UARL,需要对关联DMA采用主动漏损掌控办法，开展彻底的检漏并即时修复漏点，同期压力调控起到的控漏成效较低，表率此时管网运行压力相对合适，若增多压力掌控，此时控漏的经济效益很低乃至引起负经济效益，因此对DMA1、DMA3均采取主动控漏的方式，能够分别达到降低24.19%、19.84%的漏损水量，预计可分别节水10 512 m3/a、12 702 m3/a。对应本科研章节1前期工作中的内容，重点需要增多这两个DMA巡检队伍检漏修漏强度，按照该区域的平均水价(当地水费分梯度计算，此处计算粗略取3元/t, 稍高于第1梯度)能够计算得到，每年DMA1、DMA3能够经过主动检漏的方式(无需额外投入)分别节约31 536元/a、38 106元/a。
在DMA2中，漏损水量显著大于UARL,一样需要主动控漏，能够降低15.91%的漏损水量。同期，该DMA在目的压力下，UARL值进一步降低，且降幅很强，说明压力调控在该DMA能够起到明显的控漏效果。经过主动控漏结合压力调控可将漏损水量进一步减少9.18%,达到综合降低25.09%的漏损水量。综上，需要经过结合主动控漏和压力调控办法，预计可节水37 580.4 m3/a。针对DMA2来讲，不仅需要加强检漏修漏办法，还需要对区域内的压力进行调节。科研区域内并未显现缺压状况，当前的供水压力能够满足用户正常需要，且有必定空间能够下调，因此呢仅需安装必定数量的减压阀就可进行初步的漏损掌控。若需进一步开展系统地分时段分区域调压，则需要创立压力反馈监测系统等，不适宜在单独DMA内进行，意见从全部大供水管网层面创立模型。综上，进行粗略的估计，DMA2最少能够节约100 000元/a。
经过在X市进行验证，利用GA-BP神经网络建模的方式对优化后的DMA进行不可避免漏失水量预估，从而与实测不可避免漏失水量进行对标，据此指点漏损，是一种可行的方法，能够为漏损评估供给必定数据支撑，亦能够为DMA的漏损状况供给判断依据，估计区域内漏损可提高空间。且投资较小，成效立竿见影，适合在单独DMA区域内推广应用，用于管网漏损检验，指点管网漏损掌控工作。
4 结论与展望
(1)本文经过结合遗传算法对BP神经网络进行优化，不仅能够有效加强模型训练效率，还在精度上有了必定的提高，平均误差在BP神经网络的基本上进一步降低了3.02%,证明GA-BP神经网络模型能够更好地模拟得出不可避免漏失水量。于是在管网基本信息必定的前提下，利用模型模拟出DMA可优化得到的不可避免漏失水量，与实测DMA的结果进行对比，来评估各DMA的漏损状况，并提出相应的漏损掌控办法，结果显示对区别区域展开相应控漏办法，均有区别程度的节水成效，最大可节水37 580.4 m3/a。期盼本文对UARL的确定办法能够为我国漏损掌控工作供给新的衡量方式。
(2)本文选择了平均管龄、铸铁管管网长度、非铸铁管管网长度、用户数和管网平均压力五个参数做为模型的输入参数，从结果上看，较准确地得到了不可避免漏失水量模拟值，可以做为其他区域模型创立的参考。当然输入参数并不限于此，区别区域应当有区别的科研结论与输入参数，必定程度下，参数越多，反映的结论越接近状况，因此呢，期盼更加多学者能够开展更加多元深层次的科研。
供水管网漏损掌控是一个连续持续的工作，管网漏损从起初的杂乱无序，到此刻的管理有方，从人工检漏到如今预警监测技术持续革新，漏损掌控工作逐步向大数据时代融合，这里基本上进行数据的挖掘与分析，形成特定的结构与模型，从而辅佐漏损掌控工作的决策与展开作为当前乃至将来的一个方向，因此呢，将来学者应当投入更大的精力到数据化模型构建的科研中去，以更加客观的数据化结论供给科学的依据。
水利水电技术（中英文）
水利部《水利水电技术（中英文）》杂志是中国水利水电行业的综合性技术期刊（月刊），为全国中文核心期刊，面向国内外公研发行。本刊以介绍我国水资源的研发、利用、治理、配置、节约和守护，以及水利水电工程的勘测、设计、施工、运行管理和科学科研等方面的技术经验为主，同期亦报告国外的先进技术。期刊重点栏目有:水文水资源、水工建筑、工程施工、工程基本、水力学、机电技术、泥沙科研、水环境与水生态、运行管理、实验科研、工程地质、金属结构、水利经济、水利规划、防汛抗旱、建设管理、新能源、城市水利、农村水利、水土保持、水库移民、水利现代化、国际水利等。
| 
发表于 2024-8-31 12:56:48