汪　健　王　煜　秦正飛

(昆明理工大學(xué)冶金與能源科學(xué)學(xué)院　昆明　650092)

?

基于小波神經(jīng)網(wǎng)絡(luò)對城市供水管網(wǎng)漏損的研究*

汪健王煜秦正飛

(昆明理工大學(xué)冶金與能源科學(xué)學(xué)院昆明650092)

摘要管網(wǎng)漏損的研究是在供水領(lǐng)域一項重要的工程。論文以某水司提供的2011～2014年DN300主管的漏損作為研究對象，運用Matlab構(gòu)建小波神經(jīng)網(wǎng)絡(luò)對其進行預(yù)測，并與BP神經(jīng)網(wǎng)絡(luò)模型進行比照，結(jié)果表明:小波神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)擁有更好的預(yù)測精確度，最小誤差為0.36%，最大誤差為13.47%。

關(guān)鍵詞小波神經(jīng)網(wǎng)絡(luò); BP神經(jīng)網(wǎng)絡(luò); 管網(wǎng)漏損

Class NumberTP311

1引言

管網(wǎng)漏損在城市供水行業(yè)中存在非常普遍的現(xiàn)象，管網(wǎng)漏損不僅對水資源的浪費起著決定性作用，更是制約供水企業(yè)的發(fā)展。管網(wǎng)漏損的原因有多方面的，主要在以下幾點有所體現(xiàn)： 1) 管網(wǎng)的腐蝕和老化。經(jīng)過日積月累，管道一直承受著溫度的變換、各種腐蝕及地基下沉等各種原因，使得爆管和漏損的概率提高。 2) 管網(wǎng)的材料問題。供水管網(wǎng)有多種那材料，如球墨鑄鐵管，鋼塑復(fù)合管，PE管，混泥土管，PVC管等，不同材料的管道漏損原因不同。 3) 水錘破壞。由于機組開泵、停泵、開關(guān)閘門過于快速，可能使流速發(fā)生急劇變化，可能引起水錘現(xiàn)象，造成水管壓力過高，過高的壓力會使管道變形甚至爆管[1～4]。因此，能準(zhǔn)確預(yù)測管道漏損，掌握管道的運行狀態(tài)，為管網(wǎng)維修提供了有效的依據(jù)。

2小波神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)

2.1小波變換

小波變換[5～6]是針對傅里葉變換的基礎(chǔ)上發(fā)展起來的，是現(xiàn)代信號分析與處理的基礎(chǔ)，因傅立葉變換只在信號的頻域有所表示，而不能表達信號的時域信息，在頻域里沒有分辨能力。而小波變換克服這些缺點，即在信號和時域方面都有良好的分辨能力，又具有簡單、靈活、隨意的特點，對函數(shù)或信號通過伸縮和平移等運算法則進行多尺度的研究，能克服傅立葉不能解決的問題。

若傅里葉變換φ’滿足以下可容許條件：

(1)

小波母函數(shù)為φ(t)，式(1)為小波的必要條件。母小波函數(shù)經(jīng)過伸縮與平移，尺度因子a與平移因子b，得到以下函數(shù)：

(2)

則稱φa,b(t)為小波分析函數(shù)，再與待分析信號做x(t)做內(nèi)積，得到以下函數(shù)：

(3)

小波變換是經(jīng)過尺度因子離散化得到的：

(4)

式中，尺度因子a相對于鏡頭向目標(biāo)推進或遠離，平移因子b使鏡頭相對于目標(biāo)平行平移。信號的局部特征能通過小波基函數(shù)的變化，實現(xiàn)了時間序列時頻局部化。

2.2小波神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)[7～8]是一種仿照生物大腦的功能和結(jié)構(gòu)而建立的神經(jīng)網(wǎng)絡(luò)，采用了數(shù)學(xué)與物理的方法來研究和探索信息。它具有良好的容錯性、高度非線性和知識的分布存儲特性，能應(yīng)用于信號處理、模式識別、系統(tǒng)辨識、神經(jīng)控制器、智能檢測等有著廣泛的應(yīng)用。隨著神經(jīng)網(wǎng)絡(luò)的進展與發(fā)展，小波分析與人工神經(jīng)網(wǎng)絡(luò)的融合得到了廣泛的重視，小波神經(jīng)網(wǎng)絡(luò)建立在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的誤差逆?zhèn)鬟f算法擁有著獨特的性質(zhì),在網(wǎng)絡(luò)神經(jīng)元中，激活值從輸入層經(jīng)隱含層向輸出層逐層傳播，然后，該網(wǎng)絡(luò)的實際輸出與期望輸出的差值從輸出層逐步向輸入層修正權(quán)值誤差傳播。但學(xué)習(xí)算法收斂速度慢、存在局部極小點是該網(wǎng)絡(luò)的最大缺點。小波變換與BP網(wǎng)絡(luò)的結(jié)合，即小波神經(jīng)網(wǎng)絡(luò)，其結(jié)合方式有兩種，分別為緊致性和松散性，緊致性結(jié)合即非線性Morlet母小波基函數(shù)作為隱函數(shù)，這種方式是目前研究的對象。如圖1所示。

輸入層的第m個樣本為Xm，輸出層的第k個樣本為yk，輸入層的第i個樣本到第j個隱含層的連接權(quán)值為wij，小波基函數(shù)為Ψ，第j個隱含層到第k個輸出向量的連接權(quán)值為wjk，ai和bi分別為第i個隱含層結(jié)點的伸縮和平移因子，隱含層第j個節(jié)點的輸出值為h(j)。上述網(wǎng)絡(luò)的輸入向量的長度為m，最終輸出向量的長度為k。

圖1　緊致性結(jié)合的小波神經(jīng)網(wǎng)絡(luò)

隱層的輸出公式：

該小波神經(jīng)網(wǎng)絡(luò)模型可表示為[9]

k=1，2，3，…，m

(5)

該網(wǎng)絡(luò)的實際輸出為

Y(n)=[y1，y2，…，yk]

設(shè)該網(wǎng)絡(luò)的期望輸出為

D(n)=[d1，d2，…，dk]

(6)

k為迭代次數(shù)，第k迭代的誤差信號定義為

ej(n)=Dj(n)-Yj(n)

(7)

能量誤差定義為

(8)

該網(wǎng)絡(luò)Morlet母小波基函取代了中間的隱含層函數(shù)，Morlet母小波表達式為

y=e-x2/2cos(1.75x)

(9)

該小波神經(jīng)網(wǎng)絡(luò)采用動量因子η的最速下降法，其中(0<η<1)：

Wij(k+1)=wij(k)+ηΔwij(k)

(10)

Wjk(k+1)=wjk(k)+ηΔwjk(k)

(11)

(12)

(13)

3水壓預(yù)測實例

以某市水司提供的2011～2014年DN300主管的漏損數(shù)據(jù)，如表1所示。

表1　48處管網(wǎng)漏損

小波神經(jīng)網(wǎng)絡(luò)的建立與模擬。該網(wǎng)絡(luò)的輸入層、隱含層與輸出層的網(wǎng)絡(luò)結(jié)構(gòu)由權(quán)值連接。其中把連續(xù)五維修次數(shù)作為輸入模式，節(jié)點數(shù)如n=5，如第一個輸入向量為X1=[25,28,21,16,19]，第一個輸出向量為Y1=[22]，X2=[28,21,16,19,22]為第二個輸出向量，Y2=[30]為第二個輸出向量，以此類推，共得到43組數(shù)據(jù)，從其中選取33組作為網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，5×12×1為小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，即有5個輸入層，12個隱含層，1個輸出層，隱含層采用小波基函數(shù)。從上述各個漏損點中共采集43個樣本，將前33個樣本作為網(wǎng)絡(luò)訓(xùn)練樣本，后10組數(shù)據(jù)作為網(wǎng)絡(luò)測試數(shù)據(jù)，并對訓(xùn)練數(shù)據(jù)進行歸一化處理，并將預(yù)測數(shù)據(jù)與實際數(shù)據(jù)進行對比[10～11]。圖2為BP網(wǎng)絡(luò)預(yù)測管網(wǎng)維護次數(shù)，圖3為小波網(wǎng)絡(luò)預(yù)測管網(wǎng)漏損次數(shù)，圖4和圖5分別為BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差比和小波神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差比。

圖2　BP網(wǎng)絡(luò)預(yù)測管網(wǎng)漏損次數(shù)

圖3　小波網(wǎng)絡(luò)預(yù)測管網(wǎng)漏損次數(shù)

圖4　BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差比

圖5　小波神經(jīng)預(yù)測誤差比

時間點實際漏損次數(shù)BP網(wǎng)絡(luò)預(yù)測漏損次數(shù)小波網(wǎng)絡(luò)預(yù)測漏損次數(shù)BP網(wǎng)絡(luò)預(yù)測誤差百分比小波神經(jīng)預(yù)測誤差百分比2014.33740.2433.488.789.492014.43230.3232.935.232.922014.53629.4231.1518.2513.472014.62728.0726.113.973.302014.73025.7332.1114.237.032014.83330.8432.886.530.362014.92731.3028.9115.937.062014.103029.4232.271.937.572014.113233.4833.084.653.382014.123132.9430.756.260.79

由表2可以看出，預(yù)測得出的結(jié)果與實際有一定區(qū)別，BP神經(jīng)網(wǎng)絡(luò)預(yù)測值的最小誤差為1.93%，最大誤差為18.25%。小波神經(jīng)網(wǎng)絡(luò)的預(yù)測值最小誤差為0.36%，最大誤差為13.47%?？梢?，小波神經(jīng)網(wǎng)絡(luò)的預(yù)測值比神經(jīng)網(wǎng)絡(luò)的預(yù)測值更具有準(zhǔn)確性，利用Matlab構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)模型對城市供水管網(wǎng)的維護預(yù)測是可行的，擁有更強的學(xué)習(xí)能力和精確度。在對管網(wǎng)維護次數(shù)的研究過程中，小波神經(jīng)網(wǎng)絡(luò)采用改進的BP算法的規(guī)則，隱含層被小波基函數(shù)所代替，具有預(yù)測精確度高，收斂速度更塊，能在管道漏損預(yù)測方面有著更好的預(yù)測研究效果，在管網(wǎng)的漏損有著深遠的重要意義。

4結(jié)語

供水系統(tǒng)是一項非常龐大復(fù)雜的系統(tǒng)，供水管網(wǎng)發(fā)生重大的漏損往往不易被發(fā)現(xiàn)及預(yù)測。本文提出的小波神經(jīng)網(wǎng)絡(luò)方法克服了BP神經(jīng)網(wǎng)絡(luò)的不足，能對管網(wǎng)漏損進行了預(yù)測，對實際生產(chǎn)生活有很大的指導(dǎo)意義，為管網(wǎng)維護提供了新思路。

參 考 文 獻

[1] 辛玉玲，蔡虎林.城市供水管網(wǎng)漏損原因及防護措施研究[J].科技信息，2010(24):92-93.

XIN Yling, CAI Huling. Urban Water Supply Pipe Network Leakage Causes and Protective Measures[J]. Scientific and Technical Information,2010(24):92-93.

[2] 劉建瓴.城市供水管網(wǎng)漏損原因探析[J].鞍山師范學(xué)院學(xué)報,2009，11(2):63-64.

LIU Jianling. The Analysis Reason of Urban Water Supply Pipe Network Leakage[J]. Journal of Anshan Normal University,2009，11(2):63-64.

[3] 王琴.供水管網(wǎng)漏損原因及解決辦法[J].山西建筑，2013,39(22):128-129.

WANG Qin. The Reason and Solution of Water Supply Pipe Network Leakage[J]. Shanxi Architecture，2013,39(22):128-129.

[4] 李冠.淺析供水管網(wǎng)漏損原因與解決策略[J].水利水電工程，2014,23(4):71-72.

LI Guan. The Analysis and Solutions of The Causes of Leakage in Water Supply Pipe Network[J]. Hydraulic and Hydro-Power Engineering,2014,23(4):71-72.

[5] 李媛.小波變換及其工程應(yīng)用[M].北京：北京郵電大學(xué)出版社，2010:10-15.

LI Yuan. Wavelet Transform and its Engineering Application[M]. Beijing: Beijing University of Posts and Telecommunications Press,2010:10-15.

[6] 姜愛萍.混沌時間序列的小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法及其優(yōu)化研究[M].上海：上海大學(xué)出版社，2013:20-30.

JIANG Aiping. The Chaotic Time Series Method and Optimization Research of Wavelet Neural Network Prediction[M]. Shanghai: Shanghai University Press,2013:20-30.

[7] 馬銳.人工神經(jīng)網(wǎng)絡(luò)原理[M].北京：機械工業(yè)出版社，2010:28-30.

MA Rui. Principle of Artificial Neural Network[M]. Beijing: Machinery Industry Press,2010:28-30.

[8] 俞阿龍.基于小波神經(jīng)網(wǎng)絡(luò)的振動速度傳感器幅頻特性補償研究[J].物理學(xué)報，2007，56(6):3167-3171.

YU Along. Based on the Wavelet Neural Network Vibration Velocity Sensor Amplitude Frequency Characteristics of Compensation Research[J]. Journal of Physics,2007，56(6):3167-3171.

[9] 王小川,史峰,李洋,等.MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析[M].北京:北京航空航天大學(xué)出版社,2013:280-287.

WANG Xiaochuan, SHI Feng, LI Yang. The 43 Case Analysis of MATLAB Neural Network 43 Case Analysis[M]. Beijing: Beijing University of Aeronautics and Astronautics Press,2013:280-287.

[10] 張兆強,姜偉,王志斌.基于MATLAB神經(jīng)網(wǎng)絡(luò)方法對城市供水管網(wǎng)壓力的預(yù)測[J].黑龍江八一農(nóng)墾大學(xué)學(xué)報,2011,23(2):13-15.

ZHANG Zhaoqiang, JIANG Wei. WANG Zhibin. Based on MATLAB Neural Network Method for Prediction in Urban Water Supply Pipe Network Pressure, Journal of Heilongjiang August First Land Reclamation University,2011,23(2):13-15.

[11] 汪健,王煜,秦正飛.基于小波神經(jīng)網(wǎng)絡(luò)對城市供水管網(wǎng)壓力的預(yù)測[J].供水技術(shù),2015(4):13-15.

WANG Jian, WANG Yu, QING Zhengfei. Based on Wavelet Neural Network Prediction in Urban Water Supply Pipe Network Pressure[J]. Water Supply Technology,2015(4):13-15.

收稿日期:2015年12月4日,修回日期:2016年1月19日

基金項目:國家自然科學(xué)基金項目(編號：51179079)資助。

作者簡介:汪健,男,碩士研究生，研究方向：基于神經(jīng)網(wǎng)絡(luò)對供水管網(wǎng)。王煜，男，副教授，研究方向：基于神經(jīng)網(wǎng)絡(luò)對供水管網(wǎng)。秦正飛，男，碩士研究生，研究方向：基于神經(jīng)網(wǎng)絡(luò)對供水管網(wǎng)。

中圖分類號TP311

DOI:10.3969/j.issn.1672-9722.2016.07.036

Prediction of the Leakage of Urban Water Supply Networks by Wavelet Neural Network

WANG JianWANG YuQIN Zhengfei

(College of Metallurgy and Energyscienc, Kunming University of Science and Technology, Kunming650092)

AbstractThe study of the pipeline leakage is an important project in the field of water supply. Taking maintenance data of DN300 pipe diameter in Waterworks from 2011to 2014 as research object, wavelet neural network is used to forecaste the Water Network’s leakage. Prediction model is established to compare with the BP neural network. Wavelet neural network is more accurate than the BP neural network in predict Water Network’s leakage with the minimum error is 0.36%, and the maximum error is 13.47%.

Key Wordswavelet neural, BP neural network, pipe network’s leakage