摘要
本文提出了一种基于拓扑结构的神经网络方法,用于检测、定位和量化水分配网络中的异常用水情况。该方法包括两个主要步骤:优化压力传感器位置以提高测量灵敏度,以及基于近实时数据构建元模型。该元模型旨在根据压力测量值以及智能表采集的用户用水数据,预测各节点的用水量。通过这些从实际测量数据推导出的节点用水量,可以确定网络中可能存在异常用水的位置。所提出的方法能够针对不同应用场景构建两种定制化的元模型。静态元模型假设节点用水量恒定,仅依据压力头数据进行分析;而动态元模型则考虑了日常用水量的变化,从而能够在现实场景中更准确地检测和定位异常用水情况。尽管这两种元模型的检测精度在一定程度上取决于传感器的数量与空间分布,以及异常用水的幅度和位置,但它们都能以较高的精度定位异常用水点。随着水务机构逐步引入先进的计量系统,该方法的应用前景更加广阔,有助于更高效、更快地发现异常用水问题。
要点
-
基于拓扑结构的神经网络利用网络拓扑结构和相关数据来检测和定位异常用水情况
-
节点用水量与压力头之间的关系有助于算法识别出未被测量的用水量
-
元模型能够根据用户用水数据和压力头数据,预测异常用水的发生位置及大致规模
利益冲突声明
作者声明不存在与本研究相关的利益冲突。
数据可用性说明
本研究中所使用的所有数据及支持概念模型的代码均已存储在Zenodo公共数据库中,可通过https://doi.org/10.5281/zenodo.17802822获取。


