致谢 | 第5-6页 |
摘要 | 第6-7页 |
Abstract | 第7-8页 |
1 绪论 | 第12-20页 |
1.1 研究背景及意义 | 第12-14页 |
1.1.1 给水管网爆管事故及危害 | 第12-13页 |
1.1.2 影响给水管网爆管事故的因素 | 第13页 |
1.1.3 给水管网爆管在线定位意义 | 第13-14页 |
1.2 研究现状及存在的问题 | 第14-18页 |
1.2.1 自来水公司管理现状 | 第14-15页 |
1.2.2 国内外研究现状 | 第15-18页 |
1.4 本文研究内容与框架 | 第18-20页 |
1.4.1 主要研究内容 | 第18-19页 |
1.4.2 技术路线 | 第19-20页 |
2 基于单压力监测点信息分析的爆管概率模型 | 第20-39页 |
2.1 引言 | 第20-21页 |
2.2 压力监测点信息来源与特点 | 第21-23页 |
2.3 基于LSSVR方法的监测点压力预测和偏差分析 | 第23-27页 |
2.3.1 短期负荷预测方法 | 第24页 |
2.3.2 LSSVR简介 | 第24-26页 |
2.3.3 给水管网压力短期预测 | 第26-27页 |
2.4 基于K近邻密度的压力点趋势异常分析 | 第27-29页 |
2.4.1 压力时间子序列 | 第27-28页 |
2.4.2 K近邻方法 | 第28页 |
2.4.3 基于K近邻密度的管网爆管事故识别 | 第28-29页 |
2.5 基于自适应模糊推理系统的管网监测点爆管概率 | 第29-32页 |
2.5.1 管网监测点爆管概率 | 第29-30页 |
2.5.2 自适应模糊推理系统 | 第30-31页 |
2.5.3 管网监测点爆管概率 | 第31-32页 |
2.6 实例分析 | 第32-37页 |
2.6.1 J市压力历史数据 | 第32页 |
2.6.2 监测点短期压力预测 | 第32-34页 |
2.6.3 压力时间子序列稀疏系数计算 | 第34-36页 |
2.6.4 基于自适应模糊推理系统的管网监测点爆管概率 | 第36-37页 |
2.7 本章小结 | 第37-39页 |
3 基于多个压力监测点信息分析的爆管事故识别模型 | 第39-56页 |
3.1 引言 | 第39页 |
3.2 改进的K均值监测点聚类方法 | 第39-45页 |
3.2.1 K均值空间聚类算法 | 第40页 |
3.2.2 遗传算法 | 第40-42页 |
3.2.3 信息熵确定权重 | 第42-43页 |
3.2.4 管网监测点空间聚类的改进算法 | 第43-44页 |
3.2.5 聚类属性选择 | 第44-45页 |
3.2.6 算法对比 | 第45页 |
3.3 基于DS证据理论的管网爆管识别 | 第45-49页 |
3.3.1 DS理论 | 第45-47页 |
3.3.2 改进的DS理论 | 第47-48页 |
3.3.3 权重DS理论管网爆管识别模型 | 第48-49页 |
3.4 实例分析 | 第49-55页 |
3.4.1 J市管网数据及监测点属性 | 第49页 |
3.4.2 改进的K均值监测点聚类 | 第49-52页 |
3.4.3 基于DS证据理论的管网爆管识别模型 | 第52-55页 |
3.5 本章小结 | 第55-56页 |
4 基于趋势面原理的爆管定位模型 | 第56-70页 |
4.1 引言 | 第56页 |
4.2 趋势面理论简介 | 第56-57页 |
4.2.1 趋势面原理 | 第56-57页 |
4.2.2 趋势面建模步骤 | 第57页 |
4.3 基于趋势面理论的爆管定位模型 | 第57-60页 |
4.3.1 趋势面模型选择 | 第58页 |
4.3.2 参数求解与趋势面检验 | 第58-60页 |
4.3.3 基于压力偏差面的爆管定位方法 | 第60页 |
4.4 趋势面定位影响因素分析 | 第60-67页 |
4.4.1 Epanet爆管模拟方法 | 第60-61页 |
4.4.2 理论管网爆管模拟实验 | 第61-63页 |
4.4.3 实际管网爆管模拟 | 第63-64页 |
4.4.4 极差分析与方差分析 | 第64-67页 |
4.5 实例分析 | 第67-69页 |
4.6 本章小结 | 第69-70页 |
5 结论与展望 | 第70-72页 |
5.1 结论 | 第70页 |
5.2 创新点 | 第70-71页 |
5.3 展望 | 第71-72页 |
参考文献 | 第72-76页 |
附表 | 第76-90页 |
附图 | 第90-103页 |
作者简历 | 第103页 |