[0004] 针对供水管网渗漏恶化不可逆及现有技术方法的不足，本发明提出一种基于聚类和深度信念网络相结合的漏损初定位方法，旨在渗漏初期就能快速定位漏损区域，以及时预警。
[0005] 为实现以上目的，本发明采取以下步骤：
[0006] 步骤1、计算获得管网监测点敏感度系数矩阵
[0007] (1)灵敏度系数矩阵
[0008] 利用EPANET水力仿真软件给节点i设置一个扩散器系数，可得监测点k压力的变化值ΔHk和节点i自身压力变化值ΔHi，从而求得监测点的灵敏度系数Xik，如式(1)：
[0009]
[0010] 据此，可求得所有监测点的灵敏度系数，用矩阵形式表示为：
[0011]
[0012] 其中，n代表管网中所有监测点的个数，m代表管网中所有节点的个数。第i行代表节点i发生变化时，对管网所有监测点的影响系数向量。
[0013] (2)标准化
[0014] 对灵敏度系数矩阵Xm×n采取标准化处理，保证处在[0,1]范围内，得到矩阵X′m×n，对于第j列的元素，公式如下：
[0015]
[0016]
[0017] 代表矩阵X中第j列元素均值，其余各列处理方法相同，最后根据所有x′ij组成矩阵X′。再对X′进行极差变换，对于第j列元素
[0018]
[0019] 其中，x′jmin为X′m×n中第j列的最小值，x′jmax为X′中第j列的最大值。同样，其余各列算法相同，最后根据所有x″ij组成标准化矩阵X″m×n。
[0020] 步骤2、基于K‑means聚类将管网分成若干漏损区域
[0021] 使用K‑means算法对矩阵X″m×n进行聚类，以最小化欧式距离为目标，初始化聚类中心向量V，通过迭代运算进行调整，使得下式所示的目标函数J最小。
[0022]
[0023] uk是分类中心向量，xn是观测坐标向量，rnk是0或1，若n被归类至k组，则rnk＝1，否则rnk＝0；J的目标是最小化观测向量与聚类中心之间的距离。rnk与uk寻优时，一般通过迭代运算逐步求出，固定uk，选取最优rnk，接着固定rnk，计算最优的uk，选取rnk的过程中，应当把数据归类至近邻中心点，由此使得目标函数最小，求uk时，令J对uk求导等于0，可得到：
[0024]
[0025] uk是计算每个分类块数据的平均值得到的分类中心向量，因为每次都能够使J取最小，因此J的最小值可以求得，聚类步骤如下：
[0026] (1)设定k个节点的灵敏度作为分类中心的初始点，即对应k个测点中心；
[0027] (2)求出各节点灵敏度与k个分类中心的距离，按照最近邻法归类；
[0028] (3)计算每一类的灵敏度距离平均值，距离最小的点作为新的分类中心；
[0029] (4)重复步骤(2)、(3)，在达到迭代次数上限或满足要求时停止，便得到基于K‑means聚类算法划分的k个漏损分区的测点分布。
[0030] 在供水管网划定漏损区域数量时，应考虑分区面积、分区内监测点数量、辨识精度等方面，可以通过做不同漏损分区数量的对照实验，取较符合要求的分区数量。初始取法一般简化为每个监测点一个分区，过程中允许调整漏损分区数量。
[0031] 步骤、3利用水力仿真软件生成漏损样本
[0032] 若管网中存在漏损问题，节点压力也会随之受到影响，产生相应波动，利用EPANET水力仿真软件生成漏损样本，主要步骤如下：
[0033] (1)计算在正常工况下监测点的压力p＝{p1,p2,p3,…,pn}；
[0034] (2)在第a个漏损区域随机选择若干个节点作为漏损点，假设漏损节点为b,则计算漏损情况下的监测点压力可以表示为
[0035] (3)计算监测点压力值的变化 表示为第a个漏损区域第b个节点发生漏损时，供水管网所有监测节点压力变化；
[0036] (4)换另一个漏损区域，重复(2)(3)就可以得到漏损样本数.据，通过步骤(1)到(4),便可以得到的训练样本集S，定义样本集 为区域a发生漏损时，管网压力的变化，S＝{S1,S2,…Sk}，k表示划分的漏损区域个数。
[0037]
[0038] (5)对于生成的漏损样本，选择时应该尽可能多的反映供水系统各种漏损工况。如果任何监测点都无法监测到该漏损事件，则该数据需要从训练数据集中删除。考虑到各个漏损分区的节点数量不尽相同，为均匀合理的从各个漏损分区获取训练数据，提出一种基于比例的方式选定各个区域漏损点数量的方法，各个分区的漏损点数确定方式如下：
[0039]
[0040] 其中Ta表示第a个分区漏损点数，za表示第a个分区节点总数，Z表示整个管网总节点数，num表示用于模型训练的总漏损点个数。
[0041] 步骤4、建立并训练基于深度信念网络的漏损区域辨识模型
[0042] 建立基于深度信念网络(Deep Belief Networks,DBN)的漏损区域辨识模型，它包含1个输入层，2个隐含层，1个输出层(分类层)，输入层和2个隐含层组成2个RBM(受限波尔兹曼机，Restricted Boltzmann Machine)。模型结构如图2所示。
[0043] 模型的训练过程分为两个步骤,(1)使用无监督的贪心逐层训练算法,训练目标为最小化网络能量，得出模型参数；(2)以第(1)步得到的参数为初始值,使用有监督的方法对整个网络参数进行全局训练,得到最终的网络参数。
[0044] 贪心逐层训练是无监督的方法，在深度网络中发生的欠拟合问题，能够在无监督预训练后得到有效遏制。全局训练过程采用有监督的训练算法,用带标签的漏损样本进行训练。常用的训练方法是将DBN看作深层神经网络,以第(1)步得到的参数作为网络初始参数,用BP算法进行训练。由于经过了贪心逐层预训练,网络拥有很好的初值，在进行全局训练时,可以很好的解决传统对深层网络训练方式易收敛到局部最优点的问题。
[0045] 模型经过训练之后，需要一定量的测试集来检验模型的分类性能。采用分类准确率的形式进行评价，利用模型输出的正确分类样本的结果数和总测试样本数量相比较。公式如下：
[0046]
[0047] 这里，针对测试集，模型的分类准确率≥90％。
[0048] 再将实际管网漏损实验的数据输入模型，根据模型分类的结果对照真实的漏损区域，来判断模型的可靠性。这里，要求模型的分类准确率≥80％，才能用于日常漏损区域辨识；否则，返回步骤2，调整漏损分区数量，重新训练模型。
[0049] 步骤5、根据实测压力数据辨识漏损区域
[0050] 在实际管网运行中，利用实测压力数据辨识漏损区域：
[0051] (1)计算并更新正常工况下的监测点压力值p＝{p1,p2,p3,…,pn}；
[0052] (2)针对实测数据，求出各个监测点压力值和正常工况下的压力值之差，形成一个压力差数据集，输入到基于DBN的漏损区域辨识模型；
[0053] (3)若出现漏损情况，基于DBN漏损区域辨识模型输出漏损区域编号。
[0054] 本发明的有益效果：本发明方法克服了建模时漏损样本稀缺问题，实现在渗漏初期就能快速定位漏损区域,具有较高的辨识精度和较强的可操作性。
