谱聚类在给水管网分区优化中应用.docVIP

谱聚类在给水管网分区优化中应用 　　摘要：利用图划分技术和图论算法实现给水管网分区。根据给水管网分析，确定分区数量，建立权重邻接矩阵并计算图拉普拉斯矩阵及其特征向量，通过多路图划分对隐藏在特征向量中的聚类信息进行数据挖掘，采用遗传算法和K均值方法实现最佳节点聚类。利用PageRank和最短路径算法确定水表和阀门位置，最终实现给水管网优化分区。实际给水管网模型分区实例表明所提方法在给水管网分区的有效性 关键词：给水管网；分区；聚类；优化 中图分类号：TU991 文献标志码：A 文章编号：1674-4764（2016）06-0142-06 给水管网分区是在系统性能影响最小的情况下通过安装阀门、水表形成独立供水区域，便于优化调度、漏损控制等各方面的管理，以适应信息化、智能化、精细化的要求。管网分区目的是获得规模均等，压力、水质均衡的分区。由于管网的高度复杂性以及众多技术要求和制约因素，使得分区这一问题面临较大挑战 目前，管网分区优化方法主要有图论算法和复杂网络聚类算法。图论分区算法主要使用搜索算法获得管网拓扑结构。其中，广度优先搜索算法在DMA规模约束下，搜索与某一节点路径最短的节点集，当满足设定规模时，搜索终止，则可得到满足要求的分区。这类方法可获得各种分区方案供决策者选定，或者通过模型分析获得水力最优方案。相比于广度优先搜索算法的局部搜索，深度优先搜索算法可从整体上获得给水管网树状结构，并通过优化算法获得减压阀最佳位置，进而实现分区，或者确定各水源供水范围。另外，也可以最短路径算法为基础，通过压力均衡性确定分，或者通过管道介数中心性选定阀门、水表位置，以实现分区 在复杂网络聚类中，同一聚类内节点连接紧密，而不同聚类间节点连接相对稀疏，这与管网分区的内在要求一致。相应聚类算法包括计算机科学中的图划分和社会学中的社团发现。图划分将复杂网络聚类转换为优化问题，如Nardo等人使用多层次递归二分法自动获得规模均等的分区布局。社团发现则将分区问题转换为模块度等启发式规则的设计问题，其中刁克功等在管网分区中首次引入社区发现贪心算法进行给水管网分区。Giustolisi等引入管道权重提出了给水管网设施模块度，可以发现更小规模的结构。另外，也有其他相似度的度量方式用于给水管网分区，如按照节点位置信息采用K-均值聚类，以此为基础形成供水管网规划方案，或者按照节点水压波动相似性分区，确定最优压力监测点 笔者提出一种基于复杂网络谱聚类和图论算法的给水管网分区方法。目的是在尽量降低分区不利影响的前提下，根据给水管网拓扑结构，利用数据挖掘发现隐含在其中的结构聚类信息，确定节点聚类，继而实现满足要求的分区 1.给水管网分区方法 所提出的分区流程主要包含3个部分： 1）数据输入：管网分析与模拟，确定分区数量，建立权重矩阵 2）实现分区：图拉普拉斯矩阵求解，根据第二特小特征值对应的特征向量实现两个分区的优化划分。如果需要得到多个分区，则需要对子分区重复该方法。为了提高分区效率，采用NJW多路谱算法，即根据多个第二最小特征向量，通过聚类算法直接获得指定数量的分区。矩阵E的最大特征值为1，其他特征值均小于1。对于社团结构比较明显的管网，有些特征值接近于1，其对应的第二特征向量中，同一社团内部节点的值接近。对于社团结构不明显的一般给水管网，少量第二特征向量也可获得良好分区。第二特征向量确定方法如下： K均值算法取决于初始化聚类中心，是一种局部优化算法。为了实现最优化分区，采用遗传算法优化聚类中心。种群中每个个体对应于各个聚类中心，以SSE最小化为目标函数，通过线性排序确定个体适应度，交叉、变异逐渐产生新的子代。为了提高搜索速度，在每次得到聚类划分后，用校正后的聚类中心代替个体中原来的聚类中心 1.4确定阀门、水表位置 在确定分区范围后，接下来要确定水表和阀门的位置。在每个分区中均存在中心节点，一般是拓扑连接紧密的节点，即度较高的节点，这意味着该节点是流量的枢纽节点，则水源到该枢纽节点的最短供水路径应该是该分区的主要供水路径，主要供水路径必经过分区间连接管道，则这个管道即为进水点，也就是水表位置，其他连接管道则为阀门位 1.6分区间运行关系 DMA按进水点数量和流量关系可分为单进口、多进口和串联DMA，如图1所示，其中，DMA2和DMA3为单进口类型，DMA4为多进口，上述3个分区共同特征是均只有流量流入而无流出。而DMAl除满足本区用水外，还需向DMA2供水，因此，DMAl为串联类型，有流量的流人和流出。目前的分区方法为了方便管理并减少计量误差，一般DMA设计优先选择单进口、无流出类型。但DMA设计影响因素多、情况复杂，有时难以满足上述原则，同时单进口DMA也存在系统弹性能力降低