(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211060852.0 (22)申请日 2022.09.01 (65)同一申请的已公布的文献号 申请公布号 CN 115127037 A (43)申请公布日 2022.09.30 (73)专利权人 北京云庐科技有限公司 地址 100070 北京市丰台区万丰路316号 万 开中心写字楼 A座501 (72)发明人 李楠　王长欣　田淑明　赵洪斌　 (74)专利代理 机构 北京卓纬律师事务所 1 1872 专利代理师 孙志峰 (51)Int.Cl. G06F 30/20(2020.01) F17D 5/02(2006.01) F17D 5/00(2006.01)G06N 20/10(2019.01) G06F 30/28(2020.01) G06K 9/62(2022.01) G06F 111/10(2020.01) G06F 113/08(2020.01) G06F 119/14(2020.01) 审查员 张忠俊 (54)发明名称 一种供水管网漏损定位方法及系统 (57)摘要 一种供水管网漏损定位方法及系统， 属于供 水管网健康监测领域， 包括步骤： 建立供水管网 系统水力学模型； 通过数值分析方法， 计算供水 管网各节点流量、 压力； 评估供水管网区域漏失 水平， 确定合适的漏失预警值； 对供水管网新增 漏损进行识别； 识别出新增漏损时， 选择适合的 管网漏损定位方式； 如果记录的真实漏损事件少 于K件， 则采用数值分析方法定位供水管网漏损 点位置； 如果记录的真实漏损事件大于等于 K件， 则采用人工智能方法定位供水管网漏损点位置。 该方法及系统采用有限个传感器在线监测数据， 通过求解管网水力学方程组并结合人工智能模 型， 可在较短时间内高效识别复杂管网漏损状 态， 训练更 快速且需求样本量大 大减少。 权利要求书3页 说明书10页 附图7页 CN 115127037 B 2022.11.11 CN 115127037 B 1.一种供 水管网漏损定位方法， 其特 征在于， 包括以下步骤： 步骤S1、 建立供水管网系统水力学模型； 通过数值分析方法， 计算供水管网各节点流 量、 压力； 具体包括 步骤： 步骤S101、 通过读取物理层信息， 建立供 水管网系统水力学模型； 步骤S102、 通过数值分析方法， 在所述供水管网系统水力学模型中求解水力学方程组， 求得供水管网各节点 流量、 压力： （1） 建立仿真 分析的管网系统拓扑 结构图， 划分计算单 元管段； （2） 假定计算单元管段中无流量流出， 只在管段两端节点有流量流出， 按照下式分别计 算所述计算单 元管段两端节点的流 量值和压力值： 其中，Qi为节点i的节点流量； qij为节点i相接的管段流量， 流量离开节点为正， 流向节 点为负；Hi、Hj为相对某一基准点的节点 i、 节点j压力值；sij为节点i到节点j管段的摩阻；   qij(0)为节点 i到节点j管段的初步 假设流量；n为指数； 步骤S2、 采用步骤S1中所述供 水管网系统水力学模型， 模拟漏损位置； 步骤S3、 确定供 水管网系统漏损预警值， 并识别管网新增漏损点； 步骤S4、 选择适合的管网漏损定位方式， 如果记录的真实漏损事件少于K件， 则采用步 骤S5的水力学计算方式定位漏损位置； 如果记录的真实漏损事件大于等于K件， 则采用步骤 S6的人工智能计算方式定位漏损位置； 步骤S5、 采用步骤S1中所述供 水管网系统水力学模型， 定位供 水管网漏损位置； 步骤S6、 训练人工智能供水管网漏损位置定位模型， 并采用所述人工智能供水管网漏 损位置定位模型定位供 水管网漏损位置； 所述人工智能供 水管网漏损位置 定位模型的训练包括如下步骤： 在时间段T内， 以一定的采样频率对供水管网传感器监测的流量、 压力数据进行采集， 得到漏损情况 下管网传感器监测的流 量、 压力实测数据， 并记录漏损位置； 随机选出实测的上述漏损位置及步骤S2中获得的所述模拟漏损位置 中数据合集的80% 作为原始训练集， 剩余20%的数据作为测试集； 利用所述训练集与测试集， 采用深度学习算法， 获得人工智能供水管网漏损位置定位 模型； 步骤S7、 输出计算得到的所述供 水管网漏损位置 。 2.根据权利要求1所述的方法， 其特 征在于， 步骤S5包括以下步骤： 步骤S501、 将新增漏损水量依次假定在供水管网系统水力学模型中全部管段剖分的计 算单元两端节点上， 遍历所述水力学模 型中的所有计算单元， 求得供水管网各节点流量、 压 力； 步骤S502、 将每次节点压力计算值与供水管网内传感器测得的压力实测值进行对比， 吻合度最高的当次计算所假定的节点 位置作为自动定位的漏损点 位置。 3.根据权利要求1所述的方法， 其特征在于， 所述步骤S1中， 还包括： 利用供水管网系统权　利　要　求　书 1/3 页 2 CN 115127037 B 2内的传感器监测流 量及压力数据， 对所述供 水管网系统水力学模型进行修 正。 4.根据权利要求1所述的方法， 其特征在于， 所述步骤S3中， 对供水管网新增漏损进行 识别具体为： 步骤S301、 评估供水管网区域漏失水平， 确定合适的漏失预警值， 所述漏失预警值可根 据下式计算： 其中， QLa为区域漏失预警值 （L/d） ； L1为区域干管总长度 （m） ； M为用户连接管数量； L2为 区域用户连接管总长度 （m） ； P为供水压力 （m） ； a为系数， 取值范围为18~20；b为系数， 取值范 围为0.8~1.25；c为系数， 取值范围为25~33；d为指数， 取值范围为1~1.5；e为管材修正系数； f为管龄修 正系数； 步骤S302、 管网漏损识别： 以一定周期， 采集供水管网系统内出入口及用户节点处设置 的传感器的流量监测数据， 计算区域供水与用水的差值 QL， 当差值QL大于QLa， 即判断出现新 增漏损点。 5.根据权利要求1所述的方法， 其特征在于， 所述深度学习算法选择随机森林算法， 具 体步骤为： 步骤1、 对于n个训练集， 分别训练n个决策树模型， 层数为p； 步骤2、 对于单个决策树模型， 假设训练样本特征的个数为m， 那么每次分裂时根据信息 增益比选择最 好的特征进行分裂； 步骤3、 每棵树依据以上步骤进行分裂， 直到该节点的所有训练样例都属于同一类； 步骤4、 将生成的多棵决策树组成随机森林， 由多棵树预测的均值决定预测漏损位置； 步骤5、 采用所述测试集中的数据对所述模型进行测试， 将预测漏损位置与已知漏损位 置做对比： （1） 偏差度≤L ’（米） ， 即认为测试合格； （2） 若偏差度＞L ’（米） ， 则增 加层数p， 重复步骤2 ‑步骤4； 若测试合格， 即认为测试合格； 若测试不合格， 则 将决策树模型层数p与决策树模型层数py进行比较， 若p≤py则增加层 数p， 重复步骤2 ‑步骤4， 直至测试合格； 若p＞py则延长采集时间段T， 重复步骤1 ‑4， 直至测 试合格。 6.根据权利要求1所述的方法， 其特征在于， 将新发现漏损点的位置反馈至训练集或测 试集， 使得 人工智能模型随着 样本数据量的增长自动提升精度和适应新数据。 7.一种供水管网漏损定位系统， 包括： 感知系统、 数据传输系统、 以及漏损定位系统， 其 中， 所述感知系统为供水管网系统内设置的压力传感器或流量传感器， 用于对供水管网出 入口、 用户节点及重点非用户节点处的压力或流 量进行实时监测； 所述数据传输系统用于将所述感知系统测得的压力或流量数据传输到所述漏损定位 系统； 所述漏损定位系统包括： 数据存储模块， 用于存 储所述感知系统中测得的压力、 流 量数据， 漏损点 位置数据；权　利　要　求　书 2/3 页 3 CN 115127037 B 3