一种图神经网络供水管网传感器优化布置方法及系统

本发明属于信息技术服务，尤其涉及一种图神经网络供水管网传感器优化布置方法及系统。

背景技术：

1、供水管网作为最重要的城市基础设施之一，在供水管网系统的管理过程中，渗漏造成的水量损失亟待解决，因为它不仅会导致水资源的消耗，还会增加系统管理的能耗，并带来细菌、污染物污染等用水安全隐患。因此，从安全和优化运行的角度出发，需要对其进行监控。考虑到wsn的复杂特性，监测系统应在经济约束条件下保持稳健。由于传感器普遍造价不菲，一个传感器所能检测的范围有限，于是在经济限制与成本约束下，如何合理有效地布置wsn中的压力监测器，使得传感器检测范围更广，是近年来的研究热点。

2、通过上述分析，现有技术存在的问题及缺陷为：现有的大多数研究都是根据配水管网的水力状态来选择传感器的位置，但没有充分考虑和分析节点之间的连通性和配水管网的拓扑结构。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种图神经网络供水管网传感器优化布置方法及系统。

2、本发明是这样实现的，一种图神经网络供水管网传感器优化布置方法，包括：基于增强型图卷积网络模型的新型交叉注意力融合，以多层次自适应的方式充分整合内容信息和数据之间的关系，提高聚类性能，采用fegcn算法进行聚类分析从而进行监测分区的划分，融合管网延时变化的水力特征和管网自身的拓扑结构信息，对管网划分监测分区。

3、进一步，图神经网络供水管网传感器优化布置方法由两部分组成，第一部分是建立监测分区：采用fegcn算法进行聚类分析，结合随时间变化的水力特性和管网拓扑特性，将wsn划分为若干监测分区；第二部分是传感器布置：根据突发识别分析，选择每个监测分区中最敏感的节点作为传感器位置。

4、进一步，所述图神经网络供水管网传感器优化布置方法具体步骤包括：

5、s1，将供水管网模型构建成有向图，并构建网络拓扑结构的邻接矩阵；在构建的数据集中，水力特征数据在水平方向上表示为配水管网中的节点id，在垂直方向上表示为节点随时间变化的压力序列；

6、s2，通过配水管网inp文件，根据配水管网正常运行时的流向，根据wsn的拓扑结构和流向，构建wsn的有向图，得到拓扑特征；

7、s3，在fegcn中，将cae模块和gae模块的维度都设为“输入500 10集群500 500输出”，其中输入和输出表示原始数据的维度，集群表示集群类别的数量；

8、s4，在交叉关注融合模块中，设置簇头的数量；在自监督模块中，设置k-means的迭代次数，以初始化簇中心；最后，采用xavier方法初始化模型参数，设置初始学习率。

9、进一步，节点的邻接矩阵和压力数据矩阵分别用来表示wsn的拓扑特征和水力特征，并通过fegcn算法进行特征融合得到聚类(节点集)。

10、进一步，wsn的水力模型不仅包括水力条件，还包括wsn的拓扑结构信息；wsn中节点的水力特性包括压力和需求。压力传感器直接监测节点压力，节点需求的变化会引起压力波动，压力传感器也能监测到节点压力的变化。因此，采用延长周期仿真得到的压力矩阵pnodes×t(只包含节点压力数据)来表示wsn的水力特性，其中t代表时间序列长度，nodes表示wsn中节点的数量。

11、进一步，wsn可视为一个具有属性值的有向图，在正常运行条件下，节点是否相连、节点间的流向等信息被用来构建wsn的有向图g，图g的邻接矩阵anodes×nodes被用来表示wsn的拓扑特征；邻接矩阵anodes×nodes的非对称结构不仅包含节点的连接信息，还包含管道的流向信息，这些信息可以通过fegcn算法的图卷积运算学习到。

12、本发明的另一目的在于提供一种应用所述图神经网络供水管网传感器优化布置方法的图神经网络供水管网传感器优化布置系统，包括：

13、特征提取模块，用于进行特征提取；

14、内容自动编码器模块，用于为图形卷积自动编码器模块补充内容信息，避免了图形卷积自动编码器模块的过度平滑问题；

15、图形卷积自动编码器模块，用于提出两个新的损失函数，分别重建数据的内容和数据之间的关系；

16、交叉注意力融合模块，用于将图卷积自动编码器模块和内容自动编码器模块多层串联起来，为融合后的异质表征分配注意力权重；

17、自监督模块，用于约束内容自动编码器模块和图形卷积自动编码器模块中间层表示的分布，使其保持一致。

18、本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的图神经网络供水管网传感器优化布置方法的步骤。

19、本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的图神经网络供水管网传感器优化布置方法的步骤。

20、本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的图神经网络供水管网传感器优化布置系统。

21、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

22、第一，针对上述现有技术存在的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

23、(1)本发明引入管网拓扑特征，分析管网多水力状态，提高了监测系统的鲁棒性；

24、(2)本发明能更好地整合供水管网的结构特征，结合拓扑结构和压力数据对网络节点进行聚类，然后利用相关系数选择具有代表性的节点作为传感器的位置。在这两种情况下，与现有的聚类和传感器布局方法相比，本发明能有效整合网络的拓扑特征。

25、(3)实现了一种传感器分布更均衡、覆盖率更高的更好的监测方案，可用于管道爆裂检测。

26、(4)该方案可根据供水管网的拓扑结构和特点，通过分析节点之间的关系和距离，确定传感器的布局方案，从而提高传感器的监测精度和效率。

27、(5)由于egae算法可根据用户要求设置簇数，因此该方案具有良好的可扩展性和灵活性，可根据不同的供水管网特点和要求定制传感器布局方案。

28、第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

29、(1)该方案可根据供水管网的拓扑结构和特点，通过分析节点之间的关系和距离，确定传感器的布局方案，从而提高传感器的监测精度和效率。

30、(2)由于egae算法可根据用户要求设置簇数，因此该方案具有良好的可扩展性和灵活性，可根据不同的供水管网特点和要求定制传感器布局方案。

31、第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

32、(1)本发明的技术方案转化后的预期收益和商业价值为：

33、通过优化传感器布局方案并考虑拓扑结构，该方案可以达到更好的聚类效果，从而实现有效监测，从而降低了传感器的布局成本。该技术方案的预期收益包括节约传感器生产成本15％、提高传感器检测覆盖率20％，通过优化传感器布局方案和考虑拓扑结构，可以实现更高效的监测和数据处理，从而提高产品质量和生产效率，降低生产成本，提高企业盈利能力。

34、(2)本发明的技术方案填补了国内外业内技术空白：

35、由于wsn的复杂特性，仍存在一些尚未解决的问题。当前国内外关于传感器布局的现有研究大多基于水力特性，以及对需求、管道破裂或泄漏引起的波动进行分析。然而，网络拓扑结构所呈现的节点连通性也是评估监测系统时需要考虑的一个重要因素。只考虑水力特征而不考虑网络拓扑特征的方法会导致压力传感器监测效果下降。于是我们所提出的一种新方法，利用最近学术界机器学习里较热门的图神经网络，且少有人将图神经网络应用于供水管网传感器优化布置领域，来描述不同用户节点提供的图结构信息和信息冗余，从而在确定的数量下选择最佳传感器配置。与现有的一些方法相比，我们的方法更加高效。且所提出的方法在一定程度上减少了对wsn水力模拟的依赖。该方法易于扩展到不同类型的wsn，对环境噪声也有很好的适应性。从而推动了供水管网领域传感器优布置的行业发展。

36、(3)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：

37、理想情况下，在每个供水管网节点安置传感器，可以更好的检测供水管网情况，针对传感器检测到的数据，以用来为后续污染源定位，泄漏检测与定位等问题进行决策和考虑。然而传感器十分昂贵，在每个供水管网节点安置传感器是不现实的。于是本技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：考虑经济成本和能监测更多节点的前提下，如何利用数量有限的压力传感器来监供水管网wsn。

38、本发明通过提出了一种基于fegcn聚类算法的供水管网传感器布局方案。该算法依托于wsn正常运行时节点的压力数据，通过传统聚类未利用的配水管网结构信息，学习图节点的隐含表示(即嵌入)。fegcn的输入由图形和特征组成。交叉注意力融合模块通过逐层融合cae模块和gae模块的数据表示，创造性地挖掘样本之间的关系，这在很大程度上避免了gae的过度平滑问题。自监督模块指导优化过程，以提高聚类性能。此外，图重构损耗和内容重构损耗在学习到的数据表示中保持了足够的原始信息。在各种数据集上的出色实验结果证明了所提方法的优越性。该方案能更好地整合供水管网的结构特征，结合拓扑结构和压力数据对网络节点进行聚类，再利用相关系数选择具有代表性的节点作为传感器的位置。在这两种情况下，与现有的聚类和传感器布局方法相比，该方法能有效整合网络的拓扑特征。此外，在后续的精确定位任务中，基于该方法构建的数据集可以达到更好的定位效果。

39、(4)本发明的技术方案是否克服了技术偏见：

40、本发明克服了技术偏见，主要有以下几点：

41、1)它提供了一个全新的视角：传统的数据处理方法往往只针对数据本身或特定的应用场景进行优化，而图神经网络则从图的角度将传感器位置关系建模为一个连通的结构图，并利用与图相关的理论和算法进行分析和优化，从而获得更精确的结果。

42、2)网络具有灵活性和可扩展性：对于一些特殊情况，如需要重新设计或扩展网络时，需要重新评估和调整传感器的位置。而利用图神经网络的方法，只需调整图的连接方式和节点属性，就能适应不同的场景，得到相应的布置方案，具有更强的灵活性和可扩展性。

43、第四，本发明提供的图神经网络供水管网传感器优化布置方法展示了在现代供水管网监控中的一系列技术创新和显著进步。该方法特别是通过利用增强型图卷积网络(gcn)模型和新型的交叉注意力融合技术，提高了供水管网监控的效率和精确度。以下是该技术方案的主要技术进步：

44、1)多层次自适应信息整合：

45、该方法采用基于增强型图卷积网络模型的交叉注意力融合技术，能够在多个层次上自适应地整合内容信息和数据关系，这显著提高了聚类性能。

46、2)高效的监测分区划分：

47、通过采用fegcn算法进行聚类分析，该方法有效地对供水管网进行监测分区的划分，结合了水力特征和管网的拓扑结构信息。

48、3)精准的传感器布置：

49、在每个监测分区中，根据突发识别分析选择最敏感的节点作为传感器位置，这种方法确保了传感器布置的最大效率和敏感度。

50、4)有向图和邻接矩阵的构建：

51、通过将供水管网模型构建成有向图并创建邻接矩阵，该方法能够更准确地表征和分析水力特征和管网结构。

52、5)高级数据处理和模型初始化：

53、在fegcn中的高级数据处理设置和交叉关注融合模块的优化，以及自监督模块中k-means的迭代次数设置和模型参数的xavier初始化方法，均提高了整体模型的性能和准确性。

54、本发明提供的图神经网络供水管网传感器优化布置方法通过其先进的数据处理技术、高效的聚类分析和精准的传感器布置策略，在提高供水管网监控的效率、准确性和可靠性方面取得了显著的技术进步。