城市供水管网实时建模及漏损事件侦测定位研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 引言 | 第11页 |
| 1.2 国内外研究动态 | 第11-19页 |
| 1.2.1 供水管网水力建模 | 第11-16页 |
| 1.2.2 供水管网状态预测 | 第16-18页 |
| 1.2.3 供水管网异常事件侦测定位 | 第18-19页 |
| 1.3 文献总结 | 第19-20页 |
| 1.4 主要研究内容和创新点 | 第20-22页 |
| 1.4.1 主要研究内容 | 第20-21页 |
| 1.4.2 创新点 | 第21-22页 |
| 1.5 本章小结 | 第22-23页 |
| 第2章 城市供水管网DMA实时建模 | 第23-35页 |
| 2.1 城市供水管网微观模型的建立 | 第23-26页 |
| 2.1.1 供水管网微观建模原理 | 第23-24页 |
| 2.1.2 供水管网参数的率定 | 第24-26页 |
| 2.2 供水管网DMA的建立 | 第26-27页 |
| 2.3 供水管网实时模型的建立 | 第27-30页 |
| 2.3.1 EPANET离线延时模拟 | 第27-28页 |
| 2.3.2 EPANET-RTX实时模型 | 第28-30页 |
| 2.4 供水管网实时建模实例 | 第30-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于LSTM的供水管网压力预测 | 第35-53页 |
| 3.1 供水管网数学模型 | 第35-36页 |
| 3.2 机器学习概述 | 第36-40页 |
| 3.2.1 传统人工神经网络 | 第36-38页 |
| 3.2.2 LSTM神经网络 | 第38-40页 |
| 3.3 基于LSTM的预测模型及适应性改进 | 第40-43页 |
| 3.3.1 LSTM预测模型 | 第40-41页 |
| 3.3.2 适应性改进 | 第41-43页 |
| 3.4 基于PLDNN预测模型的异常工况检测 | 第43页 |
| 3.5 应用集成框架实现 | 第43-45页 |
| 3.5.1 供水管网预测模型集成框架 | 第43-44页 |
| 3.5.2 模型参数调整 | 第44-45页 |
| 3.6 实例计算 | 第45-52页 |
| 3.6.1 数据预处理 | 第46-47页 |
| 3.6.2 基于PLDNN的短期压力预测模型 | 第47-51页 |
| 3.6.3 基于PLDNN的异常工况检测 | 第51-52页 |
| 3.7 本章小结 | 第52-53页 |
| 第4章 管网漏损初定位研究 | 第53-74页 |
| 4.1 基于边界测点的漏损初定位 | 第53-58页 |
| 4.1.1 边界测点的确定 | 第53-54页 |
| 4.1.2 多点定位研究 | 第54-55页 |
| 4.1.3 应用实例 | 第55-58页 |
| 4.2 基于聚类分析和深度信念网络的漏损初定位 | 第58-73页 |
| 4.2.1 聚类算法简介 | 第59页 |
| 4.2.2 深度信念网络简介 | 第59-62页 |
| 4.2.3 漏损初定位方法设计 | 第62-66页 |
| 4.2.4 应用实例 | 第66-73页 |
| 4.3 两种方法比较 | 第73页 |
| 4.4 本章小结 | 第73-74页 |
| 第5章 基于实时水力模型的漏损精确定位 | 第74-87页 |
| 5.1 基于漏损工况的实时水力模型 | 第74-75页 |
| 5.2 智能定位优化算法 | 第75-81页 |
| 5.2.1 基于遗传算法的漏损精确定位 | 第75-78页 |
| 5.2.2 基于多目标遗传算法漏损精确定位 | 第78-81页 |
| 5.3 实例研究 | 第81-86页 |
| 5.4 本章小结 | 第86-87页 |
| 第6章 总结与展望 | 第87-90页 |
| 6.1 总结 | 第87-88页 |
| 6.2 存在的不足与展望 | 第88-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-98页 |
| 附录 | 第98页 |
