摘要
在供水网络中，泄漏识别需要在需求波动、相邻节点响应相似以及存在多重泄漏信号的情况下，准确判断泄漏位置和程度。本研究将基于物理原理的联合反演方法与ExtraTrees候选项重新排序技术相结合。以河内供水网络的EPANET模型为例，首先在管道中点确定潜在泄漏点，然后针对不同需求时段、整体需求因素以及四种区域需求波动情况生成多种场景。研究共使用16个压力残差值和22个流量残差值作为观测数据。根据物理模型，将泄漏情况分为零泄漏、一次泄漏、两次泄漏和三次泄漏四种组合，再通过有界最小二乘法估算泄漏流量及需求修正值；通过标准化压力-流量残差值和惩罚项筛选出候选泄漏点。随后，ExtraTrees算法依据候选项的结构特征、物理评分、流量统计数据以及运行时段的相关参数对候选项进行重新排序。在2000个独立的盲测场景中，该方法在泄漏位置定位、泄漏次数识别以及总泄漏流量平均值方面的准确率分别为90.55%、97.10%和0.841升/秒；在1500个泄漏场景中的相应准确率为87.53%、96.27%和1.117升/秒。经过重新排序后，泄漏场景的完全定位准确率从76.13%提升至87.53%，最终候选项池的召回率则达到99.15%。针对测量噪声、水力模型差异、传感器密度、计算时间以及Net1等因素进行的稳定性测试表明，该技术在模拟环境中能够提升候选泄漏点的区分度，不过表面粗糙度带来的偏差以及微弱的多重泄漏信号仍是需要解决的难题。
