本发明涉及城市供水管网，更具体地说，是涉及一种城镇供水管网漏损监测方法与系统。
背景技术：
1、随着城市化进程的加快，城镇供水管网作为城市基础设施的重要组成部分，其安全性和高效性越来越受到重视。然而，供水管网漏损问题一直是困扰城市水务管理的一大难题。传统的漏损检测方法如独立计量区域dma夜间最小流量法、水力模型法、设备方法等存在成本高、效率低、依赖大量额外设备和数据等问题，难以满足现代城市供水系统高效、智能、精准管理的需求。
2、近年来神经网络在复杂系统建模和预测方面的优势逐渐显现，为供水管网漏损检测提供了新的思路和方法。神经网络通过模拟人脑神经元的工作方式，能够自动学习输入与输出之间的复杂关系，实现高效的预测和分类任务。
3、尽管基于神经网络的漏损检测方法已有初步应用，但仍存在以下不足：
4、合法用水量估计精度不足：传统dma夜间最小流量法等方法依赖于对合法用水量的准确估计，而实际中合法用水量受多种因素影响，难以精确估计，导致漏损检测准确率不高。
5、依赖额外设备和数据：部分神经网络漏损检测方法需要额外安装流量、压力、声学等设备，增加了成本和复杂性。
6、模型泛化能力不足：部分模型仅针对特定场景或数据集设计，难以适应不同区域、不同类型管网的漏损检测需求。
技术实现思路
1、本发明的目的在于提供一种城镇供水管网漏损监测方法与系统，以解决现有技术中合法用水量估计精度不足、依赖额外设备和数据、模型泛化能力不足等问题。
2、为了实现上述目的，本发明提供一种城镇供水管网漏损监测方法，该方法包括：
3、步骤s1：构建动态供水管网模型，基于构建好的动态供水管网模型模拟获取漏损流量和漏损工况下分区计量dma的用水量；
4、步骤s2：构建神经网络用水预测模型，所述神经网络用水预测模型以历史用水量数据、天气条件和节假日信息作为输入参数，通过训练学习，预测未发生漏损时的正常用水量；
5、步骤s3：构建神经网络漏损监测模型，所述神经网络漏损监测模型以步骤s2输出的正常用水量和漏损工况下分区计量dma的用水量作为输入参数，判断各dma分区是否发生漏损；
6、步骤s4：对于发生漏损的dma分区，以漏损发生时测压点的监测值与模拟值的二乘误差最小为目标函数建立漏损定位模型，对漏损定位模型进行求解，以定位dma分区漏损位置。
7、优选地，所述步骤s1包括：
8、步骤s1.1：利用epanet软件模型构建动态供水管网模型；
9、步骤s1.2：在epanet软件模型节点上设置扩散器以模拟漏损事故；
10、步骤s1.3：调用epanet软件模型的动态链接库，计算漏损流量；
11、步骤s1.4：在动态供水管网模型中，为各个dma分区边界的供水管道上设置计量水表，模拟实际的水量计量过程，根据水量平衡原理，通过计算各dma分区内流入和流出的水量差，得到漏损工况下分区计量dma的用水量。
12、优选地，所述步骤s1.3中漏损流量的计算公式满足：
13、
14、其中，q为通过扩散器的漏损流量，μ为流量系数，用于表征管道漏损的严重程度，p为漏损节点处的压强，ρ为流体的密度，γ为压强指数。
15、优选地，所述步骤s1.4中分区计量dma的用水量计算公式满足：
16、qi＝hi(qin-qout)
17、其中，qi为第i个计量分区的用水量，hi为第i个计量分区的漏水时长，qin为单位时间内流入计量分区的流量，qout为单位时间内流出计量分区的流量。
18、优选地，所述步骤s4中，以漏损发生时测压点的监测值与模拟值的二乘误差值最小为目标函数建立漏损定位模型，其中，所述目标函数为：
19、
20、其中，ns为测压点数量，t为时间序列，p1,s(t)，p2,s(t)分别为测压点的模拟值和监测值。
21、与现有技术相比，本发明提供的一种城镇供水管网漏损监测方法具有如下有益效果：本发明提供一种城镇供水管网漏损监测方法，该方法包括：
22、步骤s1：构建动态供水管网模型，基于构建好的动态供水管网模型模拟获取漏损流量和漏损工况下分区计量dma的用水量；步骤s2：构建神经网络用水预测模型，所述神经网络用水预测模型以历史用水量数据、天气条件和节假日信息作为输入参数，通过训练学习，预测未发生漏损时的正常用水量；步骤s3：构建神经网络漏损监测模型，所述神经网络漏损监测模型以步骤s2输出的正常用水量和漏损工况下分区计量dma的用水量作为输入参数，判断各dma分区是否发生漏损；步骤s4：对于发生漏损的dma分区，以漏损发生时测压点的监测值与模拟值的二乘误差最小为目标函数建立漏损定位模型，对漏损定位模型进行求解，以定位dma分区漏损位置。本发明通过神经网络模型预测正常用水量，对发生漏损的dma分区进行漏损定位，通过求解漏损定位模型确定漏损位置，减少对额外设备和数据的依赖，提高估计精度。
23、本发明还提供一种城镇供水管网漏损监测系统，该系统包括：
24、供水管网模型模块，用于构建动态供水管网模型，基于构建好的动态供水管网模型模拟获取漏损流量和漏损工况下分区计量dma的用水量；
25、用水预测模型，用于构建神经网络用水预测模型，所述神经网络用水预测模型以历史用水量数据、天气条件和节假日信息作为输入参数，通过训练学习，预测未发生漏损时的正常用水量；
26、漏损监测模型，用于构建神经网络漏损监测模型，所述神经网络漏损监测模型以步骤s2输出的正常用水量和漏损工况下分区计量dma的用水量作为输入参数，判断各dma分区是否发生漏损；
27、漏损定位模块，用于对于发生漏损的dma分区，以漏损发生时测压点的监测值与模拟值的二乘误差最小为目标函数建立漏损定位模型，对漏损定位模型进行求解，以定位dma
28、分区漏损位置。
29、优选地，所述供水管网模型模块包括：
30、供水管网模型单元，用于利用epanet软件模型构建动态供水管网模型；
31、模拟单元，用于在epanet软件模型节点上设置扩散器以模拟漏损事故；
32、漏损流量单元，用于调用epanet软件模型的动态链接库，计算漏损流量；
33、用水量单元，用于在动态供水管网模型中，为各个dma分区边界的供水管道上设置计量水表，模拟实际的水量计量过程，根据水量平衡原理，通过计算各dma分区内流入和流出的水量差，得到漏损工况下分区计量dma的用水量。
34、优选地，漏损流量的计算公式满足：
35、
36、其中，q为通过扩散器的漏损流量，μ为流量系数，用于表征管道漏损的严重程度，p为漏损节点处的压强，ρ为流体的密度，γ为压强指数。
37、优选地，所述用水量单元中分区计量dma的用水量计算公式满足：
38、qi＝hi(qin-qout)
39、其中，qi为第i个计量分区的用水量，hi为第i个计量分区的漏水时长，qin为单位时间内流入计量分区的流量，qout为单位时间内流出计量分区的流量。
40、优选地，所述漏损定位模块中，以漏损发生时测压点的监测值与模拟值的二乘误差值最小为目标函数建立漏损定位模型，其中，所述目标函数为：
41、
42、其中，ns为测压点数量，t为时间序列，p1,s(t)，p2,s(t)分别为测压点的模拟值和监测值。
43、与现有技术相比，本发明提供的一种城镇供水管网漏损监测系统的有益效果与上述技术方案所述一种城镇供水管网漏损监测方法的有益效果相同，在此不做赘述。
44、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种城镇供水管网漏损监测方法，其特征于，包括：
2.根据权利要求1所述的一种城镇供水管网漏损监测方法，其特征在于，
3.根据权利要求2所述的一种城镇供水管网漏损监测方法，其特征在于，
4.根据权利要求2所述的一种城镇供水管网漏损监测方法，其特征在于，
5.根据权利要求1所述的一种城镇供水管网漏损监测方法，其特征在于，
6.一种城镇供水管网漏损监测系统，其特征在于，包括：
7.根据权利要求6所述的一种城镇供水管网漏损监测系统，其特征在于，
8.根据权利要求7所述的一种城镇供水管网漏损监测系统，其特征在于，
9.根据权利要求7所述的一种城镇供水管网漏损监测系统，其特征在于，
10.根据权利要求6所述的一种城镇供水管网漏损监测系统，其特征在于，
