《Water Research》：AI for detecting and localizing concurrent abrupt and incipient leaks in water distribution networks
编辑推荐：
本研究针对供水管网（WDN）泄漏检测与定位中，传统方法对并发突发与渐进性泄漏处理能力不足的问题，提出了一种创新的混合方法。该方法利用模拟SCADA数据训练图变换器（Graph Transformer）模型，通过预测与重建压力的残差及其斜率信号，结合残差补偿机制，实现了对复杂并发泄漏场景的精准检测与定位。在BattLeDIM2020基准测试中展现出优越的经济评分和鲁棒性，为提升复杂管网漏损管理的准确性与实用性提供了先进的混合框架解决方案。
水，作为现代生活的基础资源，其稳定供应依赖于复杂而庞大的供水管网（Water Distribution Network, WDN）高效运转。然而，管网泄漏是一个世界性的难题。据估计，全球范围内每年约有1260亿立方米的水被漏失，价值约390亿美元。这些“非收益水”（Non-revenue water, NRW）不仅造成巨大的经济和资源浪费，还可能因压力下降导致污染物侵入，威胁公共健康。因此，及早、准确地检测并定位泄漏点，对于减少水资源损失、保障基础设施完整性至关重要。
传统的泄漏管理方法主要分为基于模型的方法和数据驱动的方法。基于模型的方法依赖于精确的水力模型进行模拟，但模型的校准和维护在实际中非常困难；数据驱动的方法则直接从传感器数据中学习异常模式，但其性能严重依赖大量且多样化的真实数据，而这些数据往往难以获取。为了取长补短，近年来兴起的混合方法（Hybrid approaches）结合了前两者的优势：利用水力模型生成涵盖各种泄漏场景的合成数据，再用这些数据训练机器学习模型进行在线推理。这种方法既具备了数据驱动模型的学习和推理效率，又降低了对海量真实数据的依赖。
尽管如此，现有的混合方法仍面临诸多挑战。首先，许多方法仅使用压力传感器读数作为多变量时间序列，忽略了水泵流量、水箱水位等关键辅助特征，也未能充分考虑管网中节点间的时空相关性，导致水力状态建模过于简化。其次，现实管网中经常出现多个泄漏并发的情况，而现有方法大多只能处理单一泄漏场景，对并发泄漏的检测和定位能力有限。再者，多数研究聚焦于突发性泄漏（爆管），而对发展缓慢但可能造成更大累计损失的渐进性（Incipient）泄漏关注不足。这些局限性阻碍了混合方法在实际复杂管网中的广泛应用。
为了突破这些瓶颈，发表在《Water Research》上的这项研究提出了一种新颖的混合算法，旨在从三个方面推进泄漏检测与定位技术：更精确的水力状态建模、处理并发多重泄漏的能力、以及检测和定位渐进性泄漏。该研究的核心是利用图变换器（Graph Transformer）这一先进的深度学习模型，来有效捕捉管网中多种特征（包括节点压力、水泵进出口流量、水库出水流量和储水罐水位）之间的时空相关性。
为开展此项研究，研究人员采用了多项关键技术。首先，基于BattLeDIM2020挑战赛的基准框架，使用校准后的L-Town虚拟供水管网模型，通过水力模拟生成了包含各种泄漏和泄漏自由场景的大规模合成SCADA（数据采集与监控系统）数据集，用于模型训练。其次，采用了图多注意力网络（Graph Multi-Attention Network, GMAN）作为核心学习架构，分别训练了三个模型：泄漏自由压力预测器（Predictor）、实时压力重建器（Reconstructor）和残差信号补偿器（Residual Signal Compensator），以精确估计管网的水力状态和泄漏引起的偏差。最后，在推理阶段，结合了基于相对无约束最小二乘重要性拟合（RuLSIF）的突变点检测算法和基于趋势斜率的变化检测算法，分别用于识别突发泄漏和渐进性泄漏，并通过识别图信号局部最大值的方法来完成泄漏管段的定位。
研究结果
1. 整体算法流程验证
研究提出的算法工作流程包含训练阶段和四个在线推理阶段：残差信号推断、泄漏检测、残差信号补偿和泄漏定位。流程验证表明，该框架能够系统性地处理从数据生成、状态估计到最终泄漏识别的全过程。
2. 水力状态建模精度提升
通过引入水泵流量和水箱水位等辅助特征（Auxiliary Features, AF），并利用图变换器建模时空相关性，显著提升了压力预测和重建的精度。如表2所示，加入辅助特征后，预测器、重建器和补偿器在训练集、内部测试集以及BattLeDIM2020场景测试集上的均方根误差（RMSE）均有所降低，证明了这些特征对于提升水力状态估计质量的有效性。
3. 并发泄漏处理能力
研究引入了残差信号补偿机制，专门用于处理已检测到但尚未修复的泄漏对后续新泄漏检测造成的信号叠加干扰。该机制在检测到突发泄漏后，会生成一个补偿信号并叠加到未来的观测输入中，从而“抵消”已存在泄漏造成的压力下降，使得算法能够更容易地检测和定位后续发生的新突发泄漏。这一机制是算法能够处理并发泄漏的关键。
4. 渐进性泄漏检测与定位
针对渐进性泄漏压力变化缓慢、无突变的特性，研究设计了一套基于斜率（Slope-based）的检测与定位方法。该方法先对残差信号进行季节性-趋势分解（STL），提取趋势分量，然后使用曼-肯德尔（Mann-Kendall）趋势检验判断是否存在持续上升趋势，并计算趋势分量的斜率变化来识别泄漏起始点。在定位阶段，则使用斜率信号而非原始残差信号作为输入，寻找图结构中的局部最大值节点，从而确定泄漏管道。
5. 算法性能评估
在BattLeDIM2020官方测试集上的评估表明，该算法在多种性能指标上均优于现有的先进方法。其经济评分（Economic Score）达到了�422,660 ± 11,553，表现出更高的真阳性率和在多重泄漏条件下的鲁棒性。与一系列模型基、数据驱动和混合基线算法（如Garearsson等人、Zhou等人、Steffelbauer等人的方法）相比，本研究提出的方法在准确检测和定位23个地面真值泄漏事件（包括9个突发泄漏和10个渐进性泄漏）方面具有显著优势。
结论与讨论
本研究成功地开发并验证了一种用于供水管网并发突发和渐进性泄漏检测与定位的新型混合算法。该研究的主要贡献和意义在于：
首先，在方法论上取得了重要进展。研究创新性地将图变换器引入供水管网水力状态建模，有效融合了压力、流量、水位等多源异构传感器数据及其时空关联，实现了比传统方法更精细、更准确的状态估计，为后续泄漏识别奠定了坚实基础。
其次，解决了实际应用中的关键难题。通过设计残差信号补偿机制，算法具备了处理现实世界中常见的多重并发泄漏的能力，突破了现有混合方法多限于单一泄漏场景的瓶颈。同时，针对渐进性泄漏开发的基于斜率的检测定位方法，填补了该领域的研究空白，使混合方法能够应对更全面的泄漏类型。
最后，展示了卓越的性能与实用潜力。在权威的BattLeDIM2020基准测试中，该算法取得了领先的经济效益评分和更高的真阳性率，证明了其在实际复杂管网环境中应用的准确性和鲁棒性。这不仅为供水公司提供了更强大的漏损管理工具，也为未来智能水网（Smart Water Grid）的建设提供了有力的技术支撑。
总之，这项研究通过深度融合水力模型与前沿机器学习技术，特别是图神经网络，显著提升了混合框架在复杂、真实供水管网泄漏管理中的准确性与适用性。它为应对全球水资源短缺挑战，实现更可持续、更高效的水资源管理提供了具有重要价值的解决方案。
