【技术实现步骤摘要】
本专利技术属于管网渗漏检测，涉及基于离散时间动态图网络的无监督水管网渗漏检测方法。
技术介绍
1、在城市供水系统中，确保水质和水量的稳定供应是至关重要的。然而，由于水管网系统的庞大和复杂性，渗漏问题可能对水资源的浪费和供水服务的中断产生严重影响，进而带来社会和经济上的负面后果。渗漏问题可能由管道老化、外部环境变化或施工破坏等因素引起，这些因素对供水系统的安全和效率构成了直接威胁。因此，对水管网进行有效的渗漏检测和定位是水务管理部门面临的关键挑战。
2、现有技术在水管网渗漏检测方面存在若干问题。基于硬件的方法，包括管道内和管道外的泄漏检测技术，尽管具有非侵入性的特点，但许多设备仍处于研发阶段，只能作为测试原型。此外，管道外设备虽然安装方便，但成本高昂，耗时，且需要专业操作人员进行操作和泄漏位置的推断。这些设备在探测深埋地下管道的泄漏时可能失效，限制了其应用范围。基于软件的方法里基于模型驱动的方法依赖于精确的管网模型，包括管网的拓扑结构、使用年限、管段材质和管径等参数，这些参数的校准过程复杂且受数据可用性的限制。特别是对于规模庞大和陈旧的输水管网，水力模型的维护变得尤为困难。
3、相比之下，基于数据驱动的方法通过深度挖掘历史数据模式，展现出对管网非线性的强大建模能力。这种方法相对于硬件方法和基于模型的方法，具有更少的限制性，更高的灵活性和便利性。然而，现有方法大多依赖于监督学习，需要大量的标记数据进行训练，这在实际应用中往往难以获得。因此，开发一种无需标记数据的无监督学习方法，对于提高水管网渗漏检测的效率和准
技术实现思路
1、本专利技术的目的是提供基于离散时间动态图网络的无监督水管网渗漏检测方法，该方法能够利用图网络模型来表示水管网的结构，通过动态更新的图信息来捕捉管网状态的变化，实现对渗漏问题的无监督检测。
2、本专利技术所采用的技术方案是，基于离散时间动态图网络的无监督水管网渗漏检测方法，具体包括如下过程：首先，根据管网节点空间拓扑结构定义图结构；其次，按照时间序列长度，对水管网布设的压力传感器采集的数据进行图快照划分；接着，在图快照内采用图注意力网络进行图嵌入表示学习，把图嵌入表示送入sos流模型进行无监督正样本密度估计和渗漏在线检测，在图快照间采用rnn模型进行图参数进化实现图模型的动态更新。
3、本专利技术的特点还在于：
4、具体包括如下步骤：
5、步骤1，下载水管网渗漏测试数据集leakdb，按照m:n将数据集划分为无渗漏水管网压力训练集ftrain和有渗漏水管网压力测试集ftest，测试集的真值集为gtest，leakdb数据集对应的输水管网中布设的压力传感器集合为v＝{v1,v2,…,vn,…,vn}，其中vn表示第n个节点的传感器，1≤n≤n，n为压力传感器总数,其中，和分别为ftrain和ftest中第n个压力传感器vn在t时刻的压力值，1≤t≤t，t为压力时间序列信号的时序长度；
6、步骤2，根据输水管网布设的压力传感器空间拓扑结构定义图结构g＝(v,e)，v和e分别是图的节点和边集合，其中e＝{(vi,vj)|1≤i≤n,1≤j≤n,i≠j}，将图结构g用邻接矩阵表示为a，δi,j表示两个节点间是否连接；
7、步骤3，按照时间序列长度把ftrain进行图快照划分，得到图快照集合gtrain＝[g1,g2,…,gk,…,gk]，每个图快照信号长度为δt，gk是第k个图快照，1≤k≤k，k为图快照总个数，k＝int(t/δt)，int(·)表示向下取整函数，gk＝(fk,a)，fk是第k个图快照gk对应的训练集ftrain中压力时间序列信号集，
8、步骤4，构建离散时间动态图网络结构net；
9、步骤5，训练网络模型model；
10、步骤6，在测试集ftest上进行模型model测试，得到无监督水管网渗漏检测结果。
11、步骤4中，离散时间动态图网络结构为net＝{(ng1,ns1),rnn1→2,…(ngk,nsk),rnnk→k+1,…(ngk,nsk)}；其中ngk、nsk和rnnk→k+1表示图快照gk内的图注意力网络、sos流网络，以及gk和gk+1图快照间的rnnrnnk-1→k；
12、图注意力网络ngk分为图空间注意力网络ngsk和图时间注意力网络ngtk；sos流网络nsk包括sos()正向变换、sos_inverse()反向变换以及fnn子网络fnnk；rnnk-1→k包括两层全连接层；
13、图空间注意力网络ngsk由三层全连接构成，图时间注意力网络ngtk由因果卷积、膨胀卷积和1d卷积构成；
14、图空间注意力网络经过三层全连接后实现互注意力计算attention()来增强特征，图时间注意力经过卷积操作后通过门控激活单元来增强特征得到图嵌入表示，sos流网络通过sos()正向变换将输入数据变换成正态分布，通过sos_inverse()反变化将处在正态分布的数据反变换到输入数据空间；rnn通过全连接更新快照间的图注意力网络参数。
15、步骤5的具体步骤如下：
16、步骤5.1，定义图快照个数变量k，初始化为1，定义条件变量为ck，定义总体网络参数为model＝{w1,wr1,…wk,wrk…,wk}，第k个快照gk的网络参数其中和分别表示第k个图快照gk的可学习图参数和流参数，wrk表示快照间rnn，gk的流分布参数表示为(μk,σk)，按照均匀分布随机初始化g1的初始化g1的流分布参数μ1＝0,σ1＝1，图网络参数由图空间注意力子网络参数和图时间注意力子网络参数组成，即初始化网络模型model，model＝w1；
17、步骤5.2，将ftrain中第k个图快照的gk作为输入，送入图空间注意力网络ngk和图时间注意力网络nsk，利用参数和前向计算得到图嵌入表示xk；
18、步骤5.3，初始化条件变量c1＝x1，将xk与ck串联后送入第k个sos流网络nsk，进行sos流正向变换，计算流模型损失，并得到流变换后数据zk；
19、步骤5.4，从条件分布中进行采样δt长度的数据zk′-1，把zk′-1送入sos流网络nsk，反变换得到令把ck+1送入fnn层，输出均值μk+1和方差σk+1；
20、步骤5.5，把图网络参数送入循环神经网络rnn，预测得到gk的图网络参数
21、步骤5.6，更新model，判断k是否等于k，若是，model＝model+wk，否则model＝model+wk+wrk；
22、步骤5.7，令k＝k+1，判断k是否小于等于k，若是进入步骤5.2，反之，结束训练，输出网络模型model。
23、步骤5.2的具体步骤如下：
24、步骤5.2.1，对本文档来自技高网...
【技术保护点】
1.基于离散时间动态图网络的无监督水管网渗漏检测方法，其特征在于：具体包括如下过程：首先，根据管网节点空间拓扑结构定义图结构；其次，按照时间序列长度，对水管网布设的压力传感器采集的数据进行图快照划分；接着，在图快照内采用图注意力网络进行图嵌入表示学习，把图嵌入表示送入SOS流模型进行无监督正样本密度估计和渗漏在线检测，在图快照间采用RNN模型进行图参数进化实现图模型的动态更新。
2.根据权利要求1所述的基于离散时间动态图网络的无监督水管网渗漏检测方法，其特征在于：具体包括如下步骤：
3.根据权利要求2所述基于离散时间动态图网络的无监督水管网渗漏检测方法，其特征在于，所述步骤4中，离散时间动态图网络结构为Net＝{(NG1,NS1),RNN1→2,…(NGk,NSk),RNNk→k+1,…(NGK,NSK)}；其中NGk、NSk和RNNk→k+1表示图快照gk内的图注意力网络、SOS流网络，以及gk和gk+1图快照间的RNNRNNk-1→k；
4.根据权利要求3所述基于离散时间动态图网络的无监督水管网渗漏检测方法，其特征在于，所述步骤5的具体步骤
5.根据权利要求4所述基于离散时间动态图网络的无监督水管网渗漏检测方法，其特征在于，所述步骤5.2的具体步骤如下：
6.根据权利要求5所述基于离散时间动态图网络的无监督水管网渗漏检测方法，其特征在于，所述步骤5.3的具体步骤如下：
7.根据权利要求6所述基于离散时间动态图网络的无监督水管网渗漏检测方法，其特征在于，所述步骤5.4的具体步骤如下：
8.根据权利要求7所述基于离散时间动态图网络的无监督水管网渗漏检测方法，其特征在于，所述步骤5.5的具体步骤如下：
9.根据权利要求8所述基于离散时间动态图网络的无监督水管网渗漏检测方法，其特征在于，所述步骤6的具体步骤如下：
...【技术特征摘要】
1.基于离散时间动态图网络的无监督水管网渗漏检测方法，其特征在于：具体包括如下过程：首先，根据管网节点空间拓扑结构定义图结构；其次，按照时间序列长度，对水管网布设的压力传感器采集的数据进行图快照划分；接着，在图快照内采用图注意力网络进行图嵌入表示学习，把图嵌入表示送入sos流模型进行无监督正样本密度估计和渗漏在线检测，在图快照间采用rnn模型进行图参数进化实现图模型的动态更新。
2.根据权利要求1所述的基于离散时间动态图网络的无监督水管网渗漏检测方法，其特征在于：具体包括如下步骤：
3.根据权利要求2所述基于离散时间动态图网络的无监督水管网渗漏检测方法，其特征在于，所述步骤4中，离散时间动态图网络结构为net＝{(ng1,ns1),rnn1→2,…(ngk,nsk),rnnk→k+1,…(ngk,nsk)}；其中ngk、nsk和rnnk→k+1表示图快照gk内的图注意力网络、sos流...
【专利技术属性】
技术研发人员：赵凡，张志伟，夏唯康，陶磊，范彩霞，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。