一种基于图卷积网络的供水管网泄露定位传感器布置方法技术

本发明专利技术公开了一种基于图卷积网络的供水管网泄露定位传感器布置方法，包括如下步骤：步骤一、以三维数据创建供水管网的数据集；步骤二、以K

【技术实现步骤摘要】
一种基于图卷积网络的供水管网泄露定位传感器布置方法


[0001]本专利技术涉及供水分配网络
，更具体的是，本专利技术涉及一种基于图卷积网络的供水管网泄露定位传感器布置方法。

技术介绍

[0002]供水分配网络作为基础民用设施系统，影响它服务好坏的因素有很多，其中最重要的一个因素就是泄漏。然而，随着世界人口的不断增长以及一些自然灾害的影响，很多国家正在面临着水资源严重短缺的问题。此外，还有很多重要因素加剧着水资源的短缺，比如供水管道的老化、施工设施的不完备以及缺乏定期维护管理的措施。因此，供水分配网络中水的流失量高达总用水量的30％。为了减少水资源的流失，减少自来水公司昂贵的运营成本，开发有效的异常检测方法至关重要。
[0003]目前，泄漏检测和定位的一些方法都是基于安装在供水管网中传感器采集的数据完成的。所以，用于供水管网泄漏检测的最优传感器布置研究领域非常值得研究，其目的就是对供水管网进行有效的控制、高效的管理以及持续的维护。因此，泄漏检测和最优传感器布置应该放在一起去研究，最优传感器布置为泄漏检测提供不可或缺的数据，泄漏检测的结果促使最优传感器布置不断优化。
[0004]现实中供水分配网络非常庞大，每年都需要大量的运营经费和维护成本，因此，在一个非常庞大的供水分配网络当中布置有限个数据采集传感器而不影响对整个供水分配网络的监测显得尤为重要。
[0005]对于一个已知泄漏位置的供水分配网络，该泄漏位置会被重点关注，称其为是在有监督的条件下。一般情况下，供水分配网络中的泄漏均是未知的，即是在无监督的条件下来布置传感器位置用于泄漏检测。而且对于一些方法，经常将完整的供水分配网络中的部分节点舍弃掉，比如，在现有研究中，将水箱和水泵附近的节点不予考虑。现实情况下，供水分配网络中的每一个节点都需要考虑在内。除此之外，用于泄漏检测的传感器优化布置方法中缺乏图形分析与供水分配网络拓扑结构信息相结合的研究。

技术实现思路

[0006]本专利技术的目的是设计开发了一种基于图卷积网络的供水管网泄露定位传感器布置方法，将图形分析与供水分配网络拓扑结构信息结合起来用于解决泄漏检测的传感器优化布置问题，结合了实际供水分配网络中各个节点泄漏事件的发生带来的影响，提高了传感器布置的精确度。
[0007]本专利技术提供的技术方案为：
[0008]一种基于图卷积网络的供水管网泄露定位传感器布置方法，包括如下步骤：
[0009]步骤一、采集三维数据创建供水管网的数据集；
[0010]步骤二、以K
‑
means聚类算法将所述数据集聚为K类，分别选取每类样本点距离该类聚类中心最近的样本点作为构建伪标签的节点并且从0到K贴上标签；
[0011]步骤三、将所述数据集里的所有样本点通过图卷积网络进行监测区域的划分；
[0012]步骤四、以互相关函数算法对每个监测区域中的样本点进行遍历，直到所有样本点均已遍历一次，选择其中与该监测区域其他样本点相关性之和最大的一个样本点作为最优传感器布置节点。
[0013]优选的是，所述三维数据包括：
[0014]第一维数据为在节点的泄漏事件和泄漏模拟时间点均已确定的情况下，各个节点压力差的值；
[0015]第二维数据为在指定节点的泄漏事件的情况下，各个节点压力差的值随着泄漏模拟的起止时间变化的情况；
[0016]第三维数据为在不同节点的泄漏事件的情况下，在不同的泄漏模拟时间各节点所对应压力差的值变化的情况。
[0017]优选的是，所述步骤一还包括对数据集依次进行噪声处理和标准化处理，所述噪声处理为：
[0018]所述数据集分为训练数据集和测试数据集，所述训练数据集以50％的概率随机添加噪声，所述测试数据集以100％的概率随机添加噪声，所述噪声的信噪比为30db到40db。
[0019]优选的是，所述标准化处理满足：
[0020][0021]式中，为添加噪声和标准化之后的数据集，S为未经处理的原始数据集，μ
S
为原始数据集的均值，σ
S
为原始数据集的标准差，σ
n
为噪声的平均标准差。
[0022]优选的是，所述步骤二中K
‑
means聚类算法具体包括如下步骤：
[0023]步骤1、将所述数据集随机按照布置定位传感器的个数划分为K类，随机选择一个初始化区域，并计算每类的聚类中心；
[0024]其中，所述聚类中心满足：
[0025][0026]式中，K
i
为第i类包含的样本点数量，w
ij
为第i类中的第j个样本点，第为第i类聚类中心的平均值；
[0027]步骤2、分别计算所有样本点到K个聚类中心的距离，将所述样本点归入距离最小的聚类中心类别；
[0028]步骤3、当所述样本点与所述聚类中心的距离不属于最小值时，将所述样本点移动到距离最小的聚类中心类别，并对样本点迁出的类和样本点迁入的类重新计算聚类中心；
[0029]步骤4、当平方误差达到最小值时，停止聚类；
[0030]其中，所述平方误差为：
[0031][0032]式中，{C1,C2,
…
,C
K
}为划分为K类的数据集，K为类的数量，i为类对象的数量。
[0033]优选的是，所述图卷积网络满足：
[0034][0035]式中，g
θ
(Λ)为拉普拉斯矩阵的特征值函数，Λ为特征值的对角矩阵，x为图中节点属性的向量表示，θ为切比雪夫系数，为度矩阵，为自循环邻接矩阵；
[0036]其中，所述度矩阵满足：
[0037][0038]式中，为当前节点i的自循环矩阵；
[0039]所述自循环邻接矩阵满足：
[0040][0041]式中，A为邻接矩阵，I
N
为单位矩阵。
[0042]优选的是，所述步骤四中的互相关函数算法满足：
[0043][0044]式中，为样本互协方差函数，s为过程的样本标准差。
[0045]优选的是，还包括：
[0046]步骤五、以双向长短期记忆网络对所述最优传感器布置节点进行评估；
[0047]所述评估包括精确度、平均拓扑距离和平均拓扑距离的均方根误差；
[0048]所述精确度满足：
[0049][0050]式中，ACC为精确度，Γ
a,a
为节点a被正确预测泄露的次数，N为供水网络中节点的个数，Γ
a,j
为节点a中的泄露被识别为节点j中的泄露的次数；
[0051]所述平均拓扑距离满足：
[0052][0053]式中，ATD为平均拓扑距离，D
a,j
为节点a与节点j的距离；
[0054]所述平均拓扑距离的均方根误差满足：
[0055][0056]式中，RMSE为平均拓扑距离的均方根误差。
[0057]优选的是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积网络的供水管网泄露定位传感器布置方法，其特征在于，包括如下步骤：步骤一、采集三维数据创建供水管网的数据集；步骤二、以K
‑
means聚类算法将所述数据集聚为K类，分别选取每类样本点距离该类聚类中心最近的样本点作为构建伪标签的节点并且从0到K贴上标签；步骤三、将所述数据集里的所有样本点通过图卷积网络进行监测区域的划分；步骤四、以互相关函数算法对每个监测区域中的样本点进行遍历，直到所有样本点均已遍历一次，选择其中与该监测区域其他样本点相关性之和最大的一个样本点作为最优传感器布置节点。2.如权利要求1所述的基于图卷积网络的供水管网泄露定位传感器布置方法，其特征在于，所述三维数据包括：第一维数据为在节点的泄漏事件和泄漏模拟时间点均已确定的情况下，各个节点压力差的值；第二维数据为在指定节点的泄漏事件的情况下，各个节点压力差的值随着泄漏模拟的起止时间变化的情况；第三维数据为在不同节点的泄漏事件的情况下，在不同的泄漏模拟时间各节点所对应压力差的值变化的情况。3.如权利要求2所述的基于图卷积网络的供水管网泄露定位传感器布置方法，其特征在于，所述步骤一还包括对数据集依次进行噪声处理和标准化处理，所述噪声处理为：所述数据集分为训练数据集和测试数据集，所述训练数据集以50％的概率随机添加噪声，所述测试数据集以100％的概率随机添加噪声，所述噪声的信噪比为30db到40db。4.如权利要求3所述的基于图卷积网络的供水管网泄露定位传感器布置方法，其特征在于，所述标准化处理满足：式中，为添加噪声和标准化之后的数据集，S为未经处理的原始数据集，μ
S
为原始数据集的均值，σ
S
为原始数据集的标准差，σ
n
为噪声的平均标准差。5.如权利要求4所述的基于图卷积网络的供水管网泄露定位传感器布置方法，其特征在于，所述步骤二中K
‑
means聚类算法具体包括如下步骤：步骤1、将所述数据集随机按照布置定位传感器的个数划分为K类，随机选择一个初始化区域，并计算每类的聚类中心；其中，所述聚类中心满足：式中，K
i
为第i类包含的样本点数量，w
ij
为第i类中的第j个样本点，第为第i类聚类中心的平均值；步骤2、分别计算所有样本点到K个聚类中心的距离，将所述样本点归入距离最小的聚类中心类别；
步骤3、当所述样本点与所述聚类中心的距离不属于最小值时，将所述样本点移动到距离最小的聚类中心类别，并对样本点迁出的类和样本点迁入的类重新计算聚类中心；步骤4、当平方误差达到最小值时，停止聚类；其中，所述平方误差为：式中，{C1,C2,
…
,C
K
}为划分为K类的数据集，K为类的数量，i为类对象的数量。6.如权利要求5所述的基于图卷积网络的供水管网泄露定位传感器布置方法，其特征在于，所述图卷积网络满足：式中，g
θ
(Λ)为拉普拉斯矩阵的特征值函数，Λ为特征值的对角矩阵，x为图中节点属性的向量表示，θ为切比雪夫系数，为度矩阵，为自循环邻接矩阵；其中，所述度矩阵满足：式中，为当前节点i的自循环矩阵；所述自循环邻接矩阵满足：式中，A为邻接矩阵，I
N...

【专利技术属性】
技术研发人员：杨晓萍，张卫东，李娟，卢长刚，
申请(专利权)人：吉林大学，
类型：发明
国别省市：