B市多水源供水系统一级分区和泵组优化调度控制漏失欧谌昊

硕士学位论文
B 市多水源供水系统
一级分区和泵组优化调度控制漏失
LEAKAGE CONTROL OF FIRST-LEVEL

DIVISION AND PUMPS SCHEDULING
ON MULTI-SOURCE WATER SUPPLY
NETWORK OF CITY B
欧谌昊
哈尔滨工业大学
2020 年 6 月
国内图书分类号：TU991.3 学校代码：10213
国际图书分类号：628.1 密级：公开
工学硕士学位论文
B 市多水源供水系统
一级分区和泵组优化调度控制漏失
硕士研究生：欧谌昊
导师：高金良副教授
申请学位：工学硕士
学科：市政工程
所在单位：环境学院
答辩日期：2 0 2 0 年 6 月
授予学位单位：哈尔滨工业大学
Classified Index: TU991.3
U.D.C: 628.1
Dissertation for the Master Degree in Engineering
LEAKAGE CONTROL OF FIRST-LEVEL

DIVISION AND PUMPS SCHEDULING
ON MULTI-SOURCE WATER SUPPLY
NETWORK OF CITY B
Candidate： Ou Chenhao
Supervisor： Associate Professor Gao Jinliang
Academic Degree Applied for： Master of Engineering
Speciality： Municipal Engineering
Affiliation： School of Environment
Date of Defence： June, 2020
Degree-Conferring-Institution： Harbin Institute of Technology
哈尔滨工业大学工学硕士学位论文
摘要
供水管网系统是保障城镇正常运作的重要基础设施之一，关系到人民生活、
企业生产和社会发展，是紧密联系净水厂和用户的重要载体之一，在饮用水的存
储、运输和调度上发挥重要作用。管网漏失问题是影响供水服务水平的重要因素，
尤其随着城市扩张、水源数量增加、管网不断延伸、老城区管网老化，若水司缺
少管理调度规划，会造成多水源间水量分配不协调、管网压力分布不均衡，使得
漏失问题更为严重。大量水资源在输配过程中流失，不仅造成浪费，不利于水资
源的可持续利用，还增加制水售水成本，制约经济社会长足发展。多水源管网作
为现今普遍存在的供水系统，如何通过划分各水源供水区域，协调各水厂二泵站
运行，对其进行漏失管理从而提高运行管理水平，成为亟待解决的问题。
针对上述问题，本文对多水源管网漏失控制进行深入分析。首先基于管网短
期需水量预测改进管网动态水力模型，为优化调度提供指导；通过研究压力驱动
漏失理论，准确模拟漏失现象。然后研究一级分区理论和泵组工况多目标优化调
度理论，探讨静态与动态调整相结合的方法对漏失控制的作用效果，并在 B 市管
网应用。
供水管网运行状态不仅与静态属性（管道属性和拓扑结构）相关，同时也受
动态数据的影响，尤其是节点需水量。本研究分析用户实际用水量和漏失水量，
从这两个方面调整微观模型，准确模拟节点用水和漏失水量。在实际用水模拟方
面，提出 DBSCAN-XGBoost 组合预测方法，采用对噪声鲁棒空间聚类算法识别
和剔除离群分布的异常用水数据，识别效果好，剔除速度快，采用 XGBoost 算法
预测小时需水量决定系数能保持在 0.9 以上，充分验证组合预测方法的准确性。
根据预测结果修改节点需水量，实现微观模型实际用水量的精细调节。在漏失水
量方面，针对经典水力模型缺少漏失模拟的问题，本研究采用水平衡分析计算漏
失水量，分析压力驱动漏失理论，计算用户节点漏失系数，并校核压力和流量数
据。按照上述方法修改用户实际用水量和漏失水量，能准确模拟管网水力状态，
为后续一级分区和优化调度的深入研究提供依据。
静态拓扑调整立足于管网一级分区。供水管网分区的现有研究集中于自下而
上的分区，对一级分区方法研究不足。为此，本文将物质浓度敏感性分析方法应
用于供水管网一级分区问题，逐一调整不同水源的物质浓度，挑选节点浓度最敏
感的水源。对比最小功率耗散路径分区方法，敏感性分析更能反映实际水力状态
效果，各一级分区内实际用水量与设计用水量相近，并预留一定的供水能力，一
级分区性能更佳。
- I -
动态调整通过泵组工况多目标寻优实现。建立漏失水量、泵站电耗、平均水
龄为目标函数的多目标优化模型，将约束条件按软硬约束转化为不同形式的惩罚
项，用两种多目标进化算法，分别是第二代和第三代非支配排序遗传算法（Non-
dominated Sorting Genetic Algorithm，NSGA-II、NSGA-III）求解。采用多目标进
化评价指标评价解集收敛性、多样性和广泛性，并采用优劣解距离法（Technique
for Order Preference by Similarity to an Ideal Solution，TOPSIS）分析解集优劣性。
结果显示，NSGA-III 算法虽然会降低解集空间分区的多样性和广泛性，但是收
敛性强于 NSGA-II，寻优能力更强。对比分区前后的优化情况，发现分区后解集
的贴合度大于未分区解集，证明物质浓度敏感性分区对管网运行能起到有效的改
善。
将 B 市作为上述方法的应用案例，为该市长期以来形成的运营规划不足、多
水源之间不协调、漏失率居高不下等问题提供解决措施。在短期需水量预测方面，
对比 XGBoost 和 ARIMA 两种模型，在一级分区上对比路径搜索和敏感性分析
两种方法，在多目标优化上采用分区前后管网的多目标优化模型并分别采用
NSGA-II 和 NSGA-III 求解模型，最后评价优化算法解集。结果表明，分区后管
网经 NSGA-III 求解可获得最优泵组运行方案，不仅能降低泵站电耗和平均水龄，
节约泵站电耗更关键是获得良好的漏失水量控制效果，漏失率由原有的 31.58%
降低至 29.35%，下降 2.23%，漏失水量降低了 8100.75 立方米，具备指导多水源
管网控制漏失的实践价值。
关键词：供水管网；漏失控制；一级分区；多目标优化；短期需水量预测
- II -
Abstract
Water supply network system is one of the important infrastructures to ensure the
normal operation of the town, which is related to people's life, enterprise production
and social development. It is one of the important carriers closely connected with water
purification plant and users, and plays an important role in the storage, transportation
and scheduling of drinking water. The leakage of pipe network is an important factor
affecting the service level of water supply, especially with the expansion of the city, the
increase of the number of water sources, the continuous extension of the pipe network,
and the aging of the old urban pipe network. If the water division lacks management
and scheduling planning, it will result in the uncoordinated distribution of water
quantity among multiple water sources and the unbalanced distribution of pipe network
pressure, which makes the leakage problem more serious. The loss of a large number
of water resources in the process of transmission and distribution not only causes waste
and is not conducive to the sustainable use of water resources, but also increases the
cost of water production and sale, which restricts the rapid development of economy
and society. As a common water supply system, how to improve the operation
management level by dividing the water supply areas, coordinating the operation of the
second pump station of each water plant, and managing the leakage has become an
urgent problem.
In view of the above problems, this paper analyzes the leakage control of multi-
source water network. Firstly, the dynamic hydraulic model of the pipe network is
improved based on the short-term water demand prediction of the pipe network to
provide guidance for the optimal operation; and the leakage phenomenon is accurately
simulated by studying the pressure driven leakage theory. Then, the theory of first level
partition and the theory of multi-objective optimal operation of pump group are studied,
and the effect of static and dynamic adjustment on leakage control is discussed, which
is applied in B city pipe network.
The operation state of water supply network is not only related to static attributes
(pipeline attributes and topology), but also affected by dynamic data, especially node
water demand. This study analyzes the actual water consumption and water leakage of
users, and adjusts the micro model from these two aspects to accurately simulate node
water consumption and water leakage. In the aspect of actual water use simulation,
DBSCAN-XGBoost combined forecasting method is proposed, which uses the robust
spatial clustering algorithm to identify and remove the abnormal water use data of
outlying distribution, with good recognition effect and fast removal speed. This study
use XGBoost algorithm to predict the hourly water demand, and the decision coefficient
can be kept above 0.9, which fully verifies the accuracy of the combined forecasting
- III -
method. According to the prediction results, the node water demand is modified to
realize the fine regulation of the actual water consumption of the micro model. In the
aspect of water loss, in view of the lack of leakage simulation in the classical hydraulic
model, this study uses water balance analysis to calculate the water loss, analyzes the
pressure driven leakage theory, calculates the leakage coefficient of user nodes, and
checks the pressure and flow data. According to the above method, the actual water
consumption and leakage water consumption of users can be modified, which can
accurately simulate the hydraulic state of the pipe network, and provide the basis for
the further study of the first level zoning and optimal scheduling.
The static topology adjustment is based on the first-level zoning of the pipe
network. The existing research of water supply network zoning focuses on the bottom-
up zoning, and the first level zoning method is insufficient. Therefore, this paper applies
the sensitivity analysis method of material concentration to the first-level zoning of
water supply network, adjusts the material concentration of different water sources one
by one, and selects the water source with the most sensitive node concentration.
Compared with the minimum power dissipation path zoning method, sensitivity
analysis can better reflect the actual hydraulic state effect. The actual water
consumption in each first-level zoning is similar to the design water consumption, and
a certain water supply capacity is reserved, so the performance of the first-level zoning
is better.
The dynamic adjustment is realized by the multi-objective optimization of the
working condition of the pump set. A multi-objective optimization model with water
leakage, power consumption and average water age as objective functions is established.
The constraint conditions are transformed into penalty terms in different forms
according to the soft and hard constraints. Two multi-objective evolutionary algorithms
are used to solve the problem, namely, the second generation and the third generation
of non-dominated sorting genetic algorithm (NSGA-II and NSGA-III). The multi-
objective evolutionary evaluation index is used to evaluate the convergence, diversity
and universality of solution set, and the technology for order preference by similarity
to an ideal solution (TOPSIS) is used to analyze the advantages and disadvantages of
solution set. The results show that although NSGA-III algorithm can reduce the
diversity and universality of solution space partition, its convergence is stronger than
NSGA-II, and its optimization ability is stronger. Compared with the optimization
before and after the partition, it is found that the fitness of the solution set after the
partition is greater than that of the solution set without the partition, which proves that
the material concentration sensitive partition can effectively improve the operation of
the pipe network.
- IV -
Taking city B as the application case of the above methods, the paper provides
solutions to the problems of insufficient operation planning, uncoordinated multi water
sources, high leakage rate and so on. In the aspect of short-term water demand
prediction, XGBoost and ARIMA models are compared, path search and sensitivity
analysis methods are compared in the first level zoning, multi-objective optimization
model of pipe network before and after the zoning is adopted in multi-objective
optimization, NSGA-II and NSGA-III solution models are adopted respectively, and
finally the solution set of optimization algorithm is evaluated. The results show that the
optimal operation scheme of the pump group can be obtained by NSGA-III solution of
the pipe network after partition, which can not only reduce the power consumption and
average water age of the pump station, but also save the power consumption of the
pump station. The key point is to obtain a good control effect of water leakage. The
leakage rate is reduced from the original 31.58% to 29.35%, reducing 2.23% and
8100.75 cubic meters. It has the practice of guiding the multi-source pipe network to
control the leakage Value.
Keywords: water supply network, leakage control, first-level zoning,

multi-objective optimization, short-term water demand prediction
- V -
目录
摘要.............................................................................................................................I
ABSTRACT ................................................................................................................. III
目录..............................................................................................................................VI
第 1 章绪论 .................................................................................................................. 1
1.1 课题背景 ............................................................................................................. 1
1.2 国内外研究现状 ................................................................................................. 2
1.2.1 短期需水量预测 .......................................................................................... 2
1.2.2 压力驱动漏失模拟 ...................................................................................... 3
1.2.3 管网漏失控制措施 ...................................................................................... 4
1.3 研究目的和意义 ................................................................................................. 7
1.4 主要研究内容及技术路线 ................................................................................. 8
第 2 章供水管网短期需水量预测 ............................................................................ 10
2.1 引言 ................................................................................................................... 10
2.2 DBSCAN 识别异常用水量数据 ...................................................................... 10
2.3 XGBOOST 预测管网需水量模型 ...................................................................... 12
2.4 微观水力模型修改 ........................................................................................... 15
2.5 案例应用及分析 ............................................................................................... 16
2.5.1 案例 1 ......................................................................................................... 16
2.5.2 案例 2 ......................................................................................................... 20
2.6 本章小结 ........................................................................................................... 23
第 3 章供水管网压力驱动漏失水量模拟 ................................................................ 25
3.1 供水管网水平衡分析 ....................................................................................... 25
3.2 压力驱动漏失模拟 ........................................................................................... 27
3.2.1 管道和节点漏失权重分配 ........................................................................ 27
3.2.2 用户节点漏失系数求解 ............................................................................ 28
3.2.3 确定水力校核允许误差范围 .................................................................... 29
3.3 案例应用及分析 ............................................................................................... 30
3.4 本章小结 ........................................................................................................... 33
第 4 章多水源供水管网一级分区 ............................................................................ 35
4.1 供水管网分区技术 ........................................................................................... 35
4.1.1 多水源管网潜在问题 ................................................................................ 35
4.1.2 供水管网三级分区技术 ............................................................................ 36
4.2 供水管网分区方法对比 ................................................................................... 37
4.2.1 最小功率耗散路径分区 ............................................................................ 37
4.2.2 物质浓度敏感性分析分区 ........................................................................ 39
4.3 案例应用及分析 ............................................................................................... 40
4.3.1 案例基本情况及一级分区需求 ................................................................ 40
- VI -
4.3.2 一级分区结果评价 .................................................................................... 42

4.4 本章小结 ........................................................................................................... 45
第 5 章多水源泵组多目标优化调度 ........................................................................ 46
5.1 引言 ................................................................................................................... 46
5.2 建立多目标优化模型 ....................................................................................... 46
5.3 多目标进化算法 ............................................................................................... 47
5.3.1 帕累托支配解 ............................................................................................ 47
5.3.2 多目标进化算法 MOEAs ......................................................................... 48
5.3.3 NSGA-II ...................................................................................................... 49
5.3.4 NSGA-III .................................................................................................... 50
5.4 解集评价和决策方案比选 ............................................................................... 52
5.4.1 解集收敛性评价 ........................................................................................ 53
5.4.2 解集多样性评价 ........................................................................................ 53
5.4.3 解集广泛性评价 ........................................................................................ 54
5.4.4 决策方案的比选 ........................................................................................ 54
5.5 多水源泵组多目标优化调度 ........................................................................... 55
5.6 案例应用及分析 ............................................................................................... 59
5.6.1 建立及求解优化模型 ................................................................................ 60
5.6.2 结果评价和方案比选 ................................................................................ 61
5.7 本章小结 ........................................................................................................... 69
结论.............................................................................................................................. 70
参考文献...................................................................................................................... 72
附录.............................................................................................................................. 77
附录 1 供水管网短期需水量预测部分源码 ......................................................... 77
附录 2 居民小区需水量预测结果表 ..................................................................... 79
附录 3 B 市需水量预测表 ...................................................................................... 82
附录 4 B 市大用户节点时用水量数据 .................................................................. 83
附录 5 B 市大用户以外部分节点时用水量数据 .................................................. 85
附录 6 B 市部分节点小时漏失水量数据 .............................................................. 88
附录 7 供水管网一级分区部分源码 ..................................................................... 91
附录 8 部分节点物质浓度对比表 ......................................................................... 94
附录 9 部分节点最小功率耗散路径对比表 ......................................................... 95
附录 10 优化模型目标函数部分源码 ................................................................... 96
攻读硕士学位期间发表的学术论文............................................................................ 97
哈尔滨工业大学学位论文原创性声明和使用权限 .................................................... 98
致谢 .............................................................................................................................. 99
- VII -
第1章绪论
1.1 课题背景
供水系统是保障城镇运作的重要基础设施之一，是人民生活、企业生产和社
会发展的重要载体。其中，供水管网紧密联系净水厂和用户，承担着饮用水存储、
运输和调度的重要功能，在整个系统中地位举足轻重。据统计，管网建设、运行
和维护费用占系统整体的比例相当大。提升管网运行管理能力，不仅能提高供水
服务水平，还降低单位供水成本，形成积极的社会效益和良好的经济效益。
近年来，我国社会持续快速发展，城市化率逐步提高，为供水管网建设发展
提供难得的机遇，从 2004 年至 2018 年我国城市用水普及率从 88.8%[1]上升至
98.4%[2]。然而，在快速发展过程中，供水管网存在的问题也逐渐暴露。根据城市
供水统计年鉴 2017 统计[3]，我国城市整体产销差率为 24.38%，漏损率为 14.56%，
漏损总量高达 60.45 亿立方米。随着城市扩张、水源数量增加、管网不断延伸以
及管道老化，漏失现象越发严重，如果供水单位缺少管理调度，多水源供水管网
往往会出现水量分配不协调、管网压力分布均衡等问题，漏失问题更为严重。大
量水流失在运输过程中，不仅浪费净水、提升费用，使得制水售水成本居高不下，
还会加剧我国水资源匮乏的现状，制约生活水平改善和经济社会长足发展。
近年来，我国颁布了一系列指南、规划和标准，指导供水行业推进控漏降漏
工作。2012 年，住建部印发城镇供水设施改造与建设“十二五”规划[4]，将降低
漏损列入近期目标，要求 80 %设市城市和 60 %县城的供水管网漏损水平降低到
国家标准。2015 年 4 月，国务院印发《水污染防治行动计划》[5]，简称“水十条”，
要求加强城镇节水工作，更新改造老旧、材质落后的管道，提出到 2017 年和 2020
年，全国的公共供水管网漏损率分别控制在 12 %和 10 %以内。2016 年 9 月，住
建部发布《城镇供水管网漏损控制及评定标准》CJJ92-2016[6]，修订了管网漏损
的基本概念、评定指标，规划水量统计和漏损指标的计算方式，将城镇基本漏损
率分为两级，一级为 10%，二级为 12%。2016 年 11 月，印发《城镇节水工作指
南》[7]，要求到 2017 年全国公共管网漏损率降低到 12%以下，到 2020 年降低到
10%以下。2017 年 10 月，印发《城镇供水管网分区计量管理工作指南——供水
管网漏损管控体系构建》[8]，总结分区计量管理漏损工作，探索漏控方法和体系。
相关政策法规密集发布，体现国家对供水管网控漏降漏工作的重视，需要供水企
业、高校研究漏损机理，摸索高效科学方法。
- 1 -
图 1-1 我国城市各年漏损水量及供水总量图[3]
1.2 国内外研究现状
本研究涵盖微观水力模型调整、供水管网一级分区和泵组工况优化调度这三
个主要内容。本节首先简述调整微观水力模型中用户节点需水量的两项方法，即
短期需水量预测和压力驱动漏失模拟，从而精细化调整微观模型，支撑后续漏失
控制措施研究。然后重点探讨管网一级分区和泵组优化调度研究，综述控制漏失
水量的有效措施，选择适用于本研究的一级分区和泵组优化方法。
1.2.1 短期需水量预测
按照预测的远近关系，需水量预测可分为短期、中期和长期三类，其中短期
预测的时间颗粒度通常有 15 分钟、1 小时、1 天、1 周、1 个月，作为供水设施
运行决策的依据，指导运行管理和优化调度；中期预测的时间颗粒度通常在 1 年
至 10 年以下，用于分析投资建设、评价项目经济效益等战略决策；长期预测则
在 10 年以上，往往与结合地区人口增长速度计算，分析管网供水能力，制定规
划方案和改扩建方案[9, 10]。需水量预测的时间颗粒度取决于决策问题和历史数据
时间颗粒度[11]。
按照预测输入的参数，需水量预测可分为时间序列法和回归分析法两大类。
时间序列法认为与用水量有关的所有因素造成的影响都可以反映在历史数据上，
只依赖历史观测数据完成预测，有指数平滑法、自回归移动平均法、灰色预测、
差分整合移动平均自回归法（ARIMA）和小波变换等方法[12]。回归分析法则包
含线性回归、非线性回归、支持向量机、神经网络等模型。近年来，机器学习领
域快速发展，不少回归分析方向的新方法涌现，表现出高效的运行速度和优良的
预测效果。对于短期预测，回归性分析通常包含除历史用水数据以外的天气、检
修活动等等短期因素，有支持向量机、神经网络等方法。不同方法的适用范围、
- 2 -
预测准确性和速度均有不同表现，普遍认为，在短期需水量预测领域，用水量波
动较大，适用于回归分析法。
1.2.2 压力驱动漏失模拟
大量实验和实践证明，漏失水量与管网压力呈正相关关系，漏失水量随着管
网压力上升而增加。
Germanopoulos[13]在 1985 年提出背景漏失的经验公式为：
qx = c  ( Lx  H x ) (1-1)
式中， qx ——第 x 根管道漏失水量(L/s)；
c ——根据管网确定的沿程漏失系数；
Lx ——第 x 根管道长度(m)；
H x ——第 x 根管道平均压力(m)；
α——管材决定的漏失指数，根据 1990 年，Jowitt 和 Xu[14]实验分析管道裂

口，认为漏失指数应取 1.18。
Tycciarelli 认为漏失发生需要满足压力大于一定值，并且将漏失均匀分配于
管道表面。模型如下所示，第 j 个节点漏失水量与连接管道管径、管长和泄露面
积占管道面积总比例呈正相关关系。
  D j L j j
 ( H j − H j )   j =（
J
min
）,H j  H min
qj =  1 2 j
(1-2)
 0 , H j  H min
 j
2008 年，Giiustolisi[15]采用首尾两端平均压力替代管道压力。
Hi + H j
qx = c  Lx ( ) (1-3)
2
实际应用的管网水力模型通常将用水量分布在节点，认为管道只起输水作用。
因此，最简化的模拟方式是将单根管道的漏失水量分配在管道首尾两端节点处。
2010 年，Wu[16]在管网数值模型中引入扩散器（Emitter）模拟漏失，认为漏失水
量与节点 j 的漏失系数和压力相关，其中漏失指数 α 介于 0.5~2.5 之间。
q j = c j  Pj (1-4)
在数值模拟方面，传统平差软件往往遵循需水量驱动原则（DDA），对每个
用户节点输入固定需水量并优先满足节点需水量要求，求解水力方程获得各节点
- 3 -
压力，无法准确有效模拟管网漏失水量。2012 年，Calvin Siew[17]认为，EPANET

1.0 版本存在的主要问题是以完全满足节点需水量作为求解目标，有可能得出节
点压力为负的不可行解，影响分析决策。Rossman 和 Samhatchett 等发布 EPANET
2.1 版本，新版本改进添加压力驱动模型（PDA），结合压力和需水量求解管网水
力模型，为管网研究和运行提供更便捷的工具。
1.2.3 管网漏失控制措施
1994 年，May[18]提出经典的固定和可变区域漏失模型 FAVAD，指出漏失水

量的变化率与压力变化率以及指数 N1 有关。对于一个漏点，压力越大，漏失水
量也就越多。国际水协的漏失控制协会和美国土木工程协会认为，压力控制是进
行漏失控制的重要措施，不仅能有效降低现有探漏手段难以发现的微小漏口产生
的漏失水量，还能有效降低管网的压力水平，降低爆管事故频率，长远来看还具
有节约用水的作用[19]。相比于其他的控漏技术，具有实施成本低、作用时间长的
优点，能有效平衡运行管理指标和经济效益指标。
图 1-2 国际水协总结的四种控漏策略[20]
压力控制常运用泵站调度、水池水位优化、管网压力分区等方法实现[21]。因
此，本文选取供水水源分区和泵站调度作为主要研究分析的漏失控制措施。
1.2.3.1 供水管网分区
城市管网尺寸庞大、管道数量众多，增大漏控难度，漏失水量难以精准计算，
一些漏点也难以检测发现，使得日常运行维护难以高效开展。由于标准化分区流
程的缺位和管网拓扑结构的差异，大多数管网分区依赖人工经验法，限制分区技
术的推广使用。近年来，不少学者参与管网分区研究工作，提出不同的技术方法。
目前常用的分区方法可以分为三类：路径搜索、聚类分析和社区发现[22]
相较于其他的方法，路径搜索方法更直观、便于理解，事实上最早应用的分
区方法也是路径搜索方法。2002 年，李黎武[23]使用有向图邻接矩阵分层方法确
定多水源供水分区，绘制出供水分界线。路径类方法最为常见的是最小功率耗散
- 4 -
路径，2013 年，Di Nardo[24]用管道流量与水头损失的乘积表示管道耗散功率的权

重；2018 年，曾翰[25]用海森威廉阻力系数表示管道权重。这些权重方法通常赋
值给无向图的邻接矩阵结合，通过最短路径方法求解每个节点与不同水源的距离，
如迪杰斯特拉算法、深度搜索算法。
聚类方法中最早应用的是谱聚类方法。2010 年，Herrera[26]提出应用谱聚类
算法，需要用到管网拓扑图的拉普拉斯矩阵，结合管道、节点及约束条件转化为
加权核矩阵。2011 年，Lina Perelman[27]结合深度和广度搜索提出改进的聚类方
法，利用两种搜索方法将节点之间分为强连通和弱连通，进而分组。2012 年，张
飞凤[28]分析多种聚类算法的多种公式，认为应用离差距离法能更好地区分节点富
余水头。2014 年，叶健[29]用 k 均值聚类结合层次分析法分区，应用并获得良好
分区效果。2016 年，Di Nardo[30]使用加权谱聚类的方法，比较了平均切割、标准
化切割两种切割方法和无权重聚类、管径为权重和管长为权重的三类聚类方法，
发现标准化切割下的管长加权聚类分区效果最佳。
社区发现算法的基础是利用复杂网络的社区结构特性，即社区内部节点紧密
联系而社区外部节点联系稀疏，相比于聚类算法更依赖节点之间的连通性，通常
用模块度衡量分区结果的优劣。2010 年，刁克功提出拓扑结构演化的分区方法，
方法核心是 Girvan-Newman 社区发现算法，通过与六个实际分区案例比较，证
明了该方法的实践指导意义。2015 年，Lina Sela Perelman[31]比较了社区发现、全
局聚类和图分割三种方法，发现社区发现算法更灵活，综合性能表现更佳。
还有一些不同于上述的管网分区方法。如 2004 年，崔建国[32]提出敏感性分
析方法，每次在不同的水源赋予一个较小的压力变化值 H i ，计算比较每个节点
对不同水源的压力变化关系。2008 年，Velitchk[33]结合广度搜索和深度搜索方法，
运用一种特殊的方法比较不同水源对节点的贡献度，将每个水源物质浓度单独设
置为 100 单位，比较每个节点在不同水源影响下的浓度，本质属于物质浓度标定
的敏感性矩阵计算。
按照《城镇供水管网分区计量管理工作指南》[34, 35]建议，供水管网可以建立
第一级水源分区、第二级压力分区和第三级独立计量分区的三级结构，形成整体
漏失控制格局，实现精准控漏。上述研究关注点主要集中于第三级分区，研究方
案多集中于自下而上的方式完成供水管网分区。然而，不少城市的管网环状结构
多而枝状结构少，按照三级分区的方法可能产生数量庞大的切割管道，不仅大幅
增加管网改造的难度和费用，也使得管网韧性下降，供水可靠性降低。如何利用
现有的分区方法，做好多水源、密集连接管网的水源分区，是值得探讨的问题。
另外，聚类分析和社区发现往往依据节点压力、富余压力、压力均衡指数等参数
- 5 -
对供水管网进行二级、三级分区，这些参数对于一级分区效果有限。因此，本文
主要分析路径搜索、敏感性分析在一级分区的表现，并选用合适的一级分区方案。
1.2.3.2 泵组优化调度
现代社会发展离不开供水，人口快速增加、农业需求增长、工业化发展等等
现象均增加了供水水量的要求，每年消耗大量能源。据统计，2014 年全球市政行
业电力消耗占全球总量的 4%，其中供水行业占比最大，在供水流程中泵站电耗
占比最大，据 2017 年 Ka Leung Lam[36]统计这一比例可达到 90%。因此，必须对
泵组运行进行优化调度，从而提高运行效率，降低能源消耗。泵组优化调度是指
在给定的边界条件和系统约束下，制定泵组运行策略计划表，指示在某一时间段
内启闭水泵，实现目标的最优化。泵组优化调度属于 NP 难问题，寻优过程时间
复杂度大，限制人工经验和暴力穷举的应用，现有求解方法主要有两大类：数学
规划方法和元启发算法。
规划方法主要有动态规划、非线性规划和线性规划。最早应用在泵组优化调
度领域的优化方法是动态规划方法，该方法通过简化和假设降低问题的维数及复
杂度。Wilkinson[37]应用动态规划求解单水源单水箱问题，保证在不降低供水可靠
性的前提下，获得最低的泵组运行能耗。1975 年，Sterling[38]应用二级动态规划
寻优，考虑了水箱库容、水泵效率和峰谷电价因素。动态规划需要简化假设，往
往适用于较为简单的供水系统。
1991 年，Lansey 将泵站出口压力作为决策变量建立非线性隐式模型，求解
最优的泵站出口流量和扬程，再进行二阶寻优寻找泵组运行最佳策略。该方法并
未对管网简化，能准确反映决策变量及约束条件，具有通用性。
1992 年，P.W. Jowitt[39]提出使用线性规划方法求解最小电耗的泵站运行计划，
为采用了三项将不同泵站之间水力情况解耦合的假设，简化管网使得寻优的鲁棒
性增大，并且有效降低运行时间。线性规划要求目标函数和约束条件都是线性的，
这些要求与管网并不太符合，需要进行适当的线性化处理，限制线性规划方法推
广使用。2009 年，M.F.K Pasha[40]提出将线性规划的最优解作为随机搜索的输入，
进行再次寻优，以避免连续解转化为离散解时产生的误差。
自上世纪 90 年代起，遗传算法为代表的进化算法开始应用于泵组优化，展
现出解决离散、非线性、非凸泵组优化问题的潜力。1995 年，Gunther MacMe[41]
应用线性排序、二进制编码的遗传算法求解提升电耗为目标函数的泵站优化模型，
获得 24 小时内单水源、4 水泵的运行策略，指出当水库的储水容积大、泵站短
时间内输水能力强时，能有效节约开支。MacMe 的尝试具有开创意义，尤其是
允许不同类型的约束和成本因素纳入优化模型中。
- 6 -
上世纪 90 年代，国内研究集中于梯级泵站的优化调度，分为泵站内、梯级
泵站之间、级间流量配合及扬程优化，普遍使用数学规划法寻优[42-44]。随着国内
城市化进程加快，国内研究重点逐渐转向城市区域内的直接寻优和两级寻优。
2001 年，吕谋[45]建立混合离散的直接寻优模型，并通过现场调度实践检验优化
算法的可行性。
在泵组优化目标方面，呈现出由单目标优化向多目标优化发展的研究趋势。
早期的优化模型往往以泵站能耗、电耗、电费作为单一目标，随后一些研究将成
本型目标函数如维修成本、制水成本与泵站电费组合形成一项供水成本目标函数。
例如，陈晨[46]将管网漏失水量乘以制水成本，与泵站电耗对应电费相加，求出制
水送水成本最低的管网运行工况。随着非支配排序算法出现，多目标优化开始应
用在泵站优化调度领域，一些无法通过成本反映的目标函数逐渐纳入到研究范围
内，例如水泵启闭次数、管网水质和压力。1997 年，D.A. Savic[47]对比了单目标
和多目标优化方法对于目标函数为运行费用和启闭次数的泵组调度，其中多目标
遗传算法应用了 1989 年 Goldberg 提出的非支配排序方法。2009 年，方海恩[48]用
Epsilon-MOEA 算法求解包含运行费用、压力服务水平和水泵启闭次数这三个目
标函数的多目标优化模型。2012 年，Dhafar Al-Ani 引入领域最优改进粒子群算
法，求解泵站电耗和水泵启闭次数的双目标优化问题。
供水系统不断发展，技术水平持续提高，运行指标逐渐增加，不仅要保证基
础供水服务、降低供水成本，还需要兼顾操作简便、节能环保、安全可靠。国际
水协出版的《供水服务绩效指标手册》第二版构建了内容全面、覆盖面广的供水
系统体系指标，包含 6 类指标，分别是水资源指标、人力资源指标、资产管理指
标、系统运行指标、服务水平指标和经济效益指标。繁多的运行指标使得管网运
行优化倍受关注，对优化技术提出了更高的要求。本文采用泵组多目标优化调度
改进泵组工况，以漏失控制为首要目标，兼顾其他管网运行的指标，实现综合优
化。
1.3 研究目的和意义
我国城镇供水管网漏失现象严重，大量净化处理后的水资源在供水管网中流
失，不仅消耗我国本就匮乏的水资源，更抬高制水供水成本，增大居民和工业用
水成本，制约经济社会发展。此外，漏失现象往往与富余压力密切相关。一方面，
过剩压力增加爆管事故发生概率，影响供水系统日常运行，加重供水单位应急抢
修的工作量；另一方面，过剩的压力意味着在泵站具有潜在的节能降耗空间，亟
待优化泵站内泵组运行方式，探索最小出厂压力，从而控制漏失，降低泵站运行
成本。
- 7 -
优化调度方法在供水管网领域已经有较长时间的应用。早期方法受限于管网
数值模拟、最优化理论和计算机运算能力，主要集中于单目标最优化，通过加权
换算将多个目标归纳成为单一目标。然而实际管网存在多项运行管理指标，部分
指标之间呈非线性关系或负相关关系，使得单目标优化模型中各项子目标的权重
难以确定，影响实践应用[49]。本文采用多目标优化模型和多目标进化算法，优化
控制管网漏失的同时，尽可能缩减泵组运行开支，避免水质恶化，为供水单位调
度提供多项可供选择的决策方案，提高最优化结果的实践指导意义。
供水系统中泵组操作与实际用水存在一定时间延迟，精准的供水系统优化调
度依赖未发生需水量的准确预测，以小时为单位的泵组调度更是对短期需水量预
测提出严格要求。本文将机器学习领域的决策树提升模型应用于短期需水量预测，
实现准确高效的预测，为泵组工况寻优提供指导。
除了优化调度，分区供水对控漏也有积极意义[50]。对于多水源供水管网，一
级分区能有效划分各净水厂供水片区，分而治之，不仅保证水厂实际供水与设计
供水能力相匹配，还能一定程度地降低片区内平均压力，有助于优化泵组运行工
况。结合短期需水量预测、一级分区和泵组多目标优化调度，在满足供水要求的
前提下，整体降低管网运行压力，有利于实现低成本控漏降漏。
1.4 主要研究内容及技术路线
本研究最核心的目标是降低供水管网漏失水量，主要内容分为四个部分实现
核心目标：短期需水量预测、压力漏失模拟、一级分区和泵组多目标优化调度。
其中，短期需水量预测和压力漏失模拟分别针对用户节点出流包含的实际用水量
和漏失水量进行模拟，为修改微观水力模型的用户节点需水量提供准确可靠的依
据。一级分区能划分净水厂和二泵站供水范围，改善片区内的水质和水压，泵组
多目标优化调度结合上述三项研究内容，重点对漏失水量进行优化。
（1）短期需水量预测提出 DBSCAN-XGBoost 短期需水量预测方法，为
优化调度提供指导。首先收集历史用水量数据，分析异常用水量数据出现的原因
和规律，用对噪声鲁棒的空间聚类算法 DBSACN 识别偏离正常数据簇的异常数
据点，提高预测结果的精确度。然后采用极端梯度提升算法 XGBoost 预测短期
需水量，将历史用水量数据分为预测模型的训练集和测试集，建立短期需水量预
测模型并检验预测精度。
（2）建立压力漏失模型将微观水力模型中用户节点的固定需水量修改
为基本需水量与漏失系数结合的形式，为供水分区和优化调度提供数值模拟工具。
结合水平衡分析计算管网漏失水量，计算管道漏失权重和节点漏失权重，用遗传
- 8 -
算法求解管网整体漏失系数[51]，从而将漏失水量分配在管网微观水力模型中，准
确模拟管网漏失现象。
（3）供水管网一级分区采用两种方法进行多水源管网一级分区，分别是
最小功率耗散路径搜索方法和物质浓度敏感性分析方法，对比分区后的片区需水
量与水厂实际供水能力、边界管道改造成本，挑选合适的分区方法。
（4）泵组多目标优化调度分析多目标优化模型、多目标进化算法和结果
评价方法。以管网漏失水量、泵站电耗、水龄水质作为优化目标，以目标函数惩
罚项的形式表示水力平衡方程组、节点最小服务水头、水泵高效段和水厂供水能
力等约束条件，建立泵组多目标优化调度模型。对比两种多目标进化算法 NSGA-
II 和 NSGA-III，结合非支配解贡献度、间距指数和最大分散度三项指标评价求
解结果，用 TOPSIS 法挑选出兼具漏失水量、泵站电耗和节点水质综合优化的决
策方案。
供水管网漏失控制研究
DBSCAN 去除异常值水平衡分析
XGBoost
预测短期需水量 GA 求解节点漏失系数
ARIMA
案例应用及分析案例应用及分析
敏感性分析
一级分区
路径搜索
目标函数处理
建立泵组多目标优化调度模型
NSGA-III
软硬约束条件惩罚化
多目标进化算法求解优化模型
多目标解集指标评价 NSGA-II
解集评价和方案比选
TOPSIS 法选择最优方案
案例应用及分析
图 1-2 研究技术路线图
- 9 -
第2章供水管网短期需水量预测
2.1 引言
为准确模拟用户节点实际用水量，首先应收集历史用水量数据，剔除其中的
异常数据，建立用水户短期需水量预测模型，并将预测结果结合用户性质、大用
户用水统计量和时变化系数将整体用水量按比例分配在各节点，准确校准微观水
力模型，为泵组工况优化调度提供指导。本文提出 DBSCAN-XGBoost 的组合预
测方法，其中 DBSCAN 用于识别剔除异常用水量数据，XGBoost 预测需水量。
供水管网运行过程中，泵组的启闭和调节需要针对未来一个时间段内的用水
量，既要满足基本供水服务需求，又要尽可能降低压力，从而实现节能降耗、控
制漏失。精准的调度运行依赖于精确的预测，管网需水量预测是指导优化运行的
依据。针对尚未实际发生的用水行为，只有给出预测用水量，才能模拟未发生时
刻下的水力条件，才能评价不同调度运行方案的各项指标表现，从而选出最优方
案。因此，提高短期预测的精度，能有效提高调度运行方案的指导意义。2019 年，
Tiago 和 Luna[52]提出管网优化框架如图 2-1 所示，其中需水量预测结果和管网数
值模型是获得优化方案的重要前提。
图 2-1 管网优化调度框架图
为实现优化调度目的，本研究关注较短的时间周期内需水量的变化，为管网
优化调度措施控提供精准指导，实现节能降耗和控漏降漏的目标，应采用分钟或
小时为单位的短期需水量预测。另外，本文提出将机器学习领域的 XGBoost 算
法应用于短期需水量预测，通过与传统时间序列法预测模型对比，检验极端梯度
提升方法的预测性能。
2.2 DBSCAN 识别异常用水量数据
准确预测需水量需要有准确的历史用水量数据记录。以分钟、小时为时间颗
粒度的短期需水量预测一般通过电子远传水表、流量计完成数据读取、传输和记
- 10 -
录等工作。记录的数据往往包含异常值，按照异常产生的原因不同可以分为用水
行为异常和水表计量异常。第一类是用水行为异常，如冲洗水箱、停水检修、爆
管等，会出现用水量远高于或是远小于平时用水量的现象；第二类是水表计量及
数据传输异常，如表具计量误差、停电、机器故障、远传表具通信故障，产生的
异常值可能出现负数，或是长时间的无用水记录[53]。为了提高预测模型的准确率，
应识别出异常值点，并逐一剔除。由于供水系统运行日志对上述两类现象记录有
限，往往缺少事故记录，或是事故起始和结束时间记录不准确，难以一一对应，
逐个替换修补。这些异常数据与日常数据最大的差异体现在空间分布上，将历史
数据以时间和用水量构建立二维分布，日常数据往往在一定的范围内上下波动，
异常数据则超过波动范围。由于日常数据的数量一般远大于异常数据，在二维平
面图上呈现出日常数据密集分布，异常数据零散离群的特点。
利用上述分布关系，本文采用基于密度，对噪声鲁棒的空间聚类算法 [54]
（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）识别和
剔除用水量数据的异常值。其原理正如名称所说，识别密度关系，区分核心点、
边界点和噪声点从而避免干扰，分析数据点之间的空间关系，形成聚类簇。该算
法有两项关键参数对聚类结果起重要作用，分别是邻域半径 Eps 和最小样本数
MinPts，要求在给定的邻域半径内，至少应包含给定最小样本数的点，才能构成
一簇。需要注意的是，最小样本数仅规定成簇的数量下限，因此最终簇内数据点
个数是不确定的。
按照上述两项参数，可以将所有输入的数据点分为三类：
（1）核心点以核心点为圆心，做邻域半径的圆，圈住的点数目不低于
最小样本数；
（2）边界点落在核心点的邻域半径内，但是边界点的邻域圆内点的数
目低于最小样本数；
（3）噪声点既不满足核心点要求，也不符合边界点定义的点。
所有节点之间的密度路径关系可以分为四类：
（1）密度直达一个核心点到邻域圆内所有点密度直达；
（2）密度可达 a1 到 a2 密度直达，a2 到 a3 密度直达，则 a1 到 a3 密度可
达，密度可达关系链可单向递推；
（3）密度关联 a1 与 a2 密度可达，a2 与 a3 密度可达，则 a1 与 a3 密度关
联；
（4）密度无关两点之间无上述三类任何一项关系，则为密度无关，两
点必然非同簇或存在噪声点。
对于 k 维空间中的数据集合 Set，DBSCAN 聚类算法步骤如下：
- 11 -
（1）搜索临时簇遍历 Set 中所有点，获得所有核心点，取核心点、核心

点邻域圆内所有点、邻域圆内点所有密度直达点组成临时簇；
（2）合并临时簇遍历所有临时簇内所有节点，若两个临时簇存在密度
关联关系，则合并为最终簇。
按照上述操作，所有集合中所有数据点均可按照空间密度关系，分为簇和噪
声点。认为噪声点是用水量数据的异常值节点，采取去除或替换处理，根据后续
极端梯度提升算法预测结果评价异常值识别效果，确定最优 DBSCAN 的邻域半
径和最小样本数参数。该聚类算法虽然在高维度、数据点距离差别很大时效果不
佳，但是在用水量历史数据识别中仅仅只分析二维空间，且日常数据密集容易成
簇，能有效规避算法缺点。
2.3 XGBoost 预测管网需水量模型
对用水量数据进行回归预测，尤其是波动性较大的短期需水量，需要寻找合
适的自变量。研究表明，天气数据与短期需水量预测相关性强，回归效果好。本
文选用时间数据和天气数据作为待输入自变量，将需水量数据分为训练集和测试
集，将在训练集中训练预测模型，获得最优的模型参数组合，并在测试集中检验
预测效果，评价预测精度。
本文拟采用极端梯度提升算法作为短期需水量预测模型，实现该模型必须先
了解提升算法和梯度提升算法。提升算法（Boosting）是指训练多个粗糙分类器，
获得精准分类器的方法。梯度提升算法又名梯度提升机（gradient boosting machine，
GBM 或 gradient boosted regression tree， GBRT），是一项极具潜力的机器学习技
术，在通用的标准分类数据集上展现出良好的分类处理效果，在网站广告点击率
预测上得到推广使用。在梯度提升算法的基础上，华盛顿大学的陈天奇博士 2014
年提出极端梯度提升算法[55, 56]（eXtreme Gradient Boosting， XGBoost），在原有
算法基础上做出一系列改进，提高运算速度和预测准确性，成为预测领域的研究
热点之一。2015 年，Kaggle 挑战赛有 29 个模型获奖，其中 17 个采用了极端梯
度提升算法；同年 KDD 杯竞赛前十名均采用极端梯度提升算法。
极端梯度提升算法建立多棵二叉决策树的过程是逐一有序进行，一棵树与下
一棵树之间传递的是。不同于梯度提升算法不断迭代缩小残差建立新树，极端梯
度提升算法计算每棵树的损失函数，将损失函数二阶泰勒展开，不断缩小实现精
准预测，同时加入正则项保证模型泛化能力，兼顾偏差最小和方差最小。另外，
由于枚举所有的分割方案效率低下，极端梯度提升算法结合贪婪算法，获得增益
函数最大的分割方案。
- 12 -
二叉决策树类型有三种，分别是 CART、ID3 和 C4.5。极端梯度提升算法使

用的是既可以做回归也可以做分类的 CART 树。CART 回归树的分支过程通过基
尼系数 Gain_ 衡量分支的优劣，Gain_ 指数越小表示分支差异小、效果好，
反之则表示效果差。其中，样本集 S 的方差为：
 (S ) =  ( yk −  ) 2
K
k =1
(2-1)
式中，S——预测结果样本集；
yk ——第 k 个样本预测结果；
 ——样本集预测结果均值。
按照 min(Gain_(S))取得样本集 S 的最优分支方案，然后进行决策树剪枝处
理。剪枝是将完成分支的决策树结构简化，从而避免过拟合，保证决策树泛化能
力。研究表明，剪枝对于生成最优回归树的影响要大于分支，是决策树生成的关
键步骤。CART 决策树常常使用成本复杂性剪枝方法（Cost Complexity Pruning，
CCP），剪枝方向从底层向上层修剪，复杂度为 o(n2)。CCP 剪枝法按照以下两步
骤剪枝：
（1）剪枝，形成备选集合
对于分支完成尚未剪枝的回归树有非叶节点集合 {T1 ,T2 , , Tt , , Tn } ，按照自
下而上的方向逐个节点剪枝，即由叶节点向根节点回溯，共可以修剪出 n 棵子树。
计算每一个非叶节点 Tti 的表面误差率增益值 g (t ) ：
R(t )-R(Tt )
g (t )= (2-2)
Tt − 1
式中， Tt ——以 t 节点作为根节点的叶子节点个数和；
R (t ) ——把 t 作为叶节点的训练误差；
R(Tt ) ——把 t 作为根节点的训练误差。
按照 min g(t)选择最小表面误差率增益值的节点 Tt，由该节点开始剪枝。

（2）交叉验证，从备选集合中选择根据训练误差最优的子树
将训练数据分为 k 折，产生 k-1 棵树，每棵树独立选择最优剪枝子树，再从
所有 k-1 棵树中选取最优的子树，实现交叉验证的效果。除了交叉验证，提出者
还提供另一种独立验证方法，通过独立的测试数据集验证剪枝效果，选择最优子
树。
- 13 -
极端梯度提升算法使用叠加模型，将多棵树模型的相加获得回归预测值 yî ：
yî =  k =1 f k ( xi ), f k =q(x )，f k  F

K
(2-3)
式中， yî ——自变量 xi 的回归预测结果；
K ——CART 回归树的总数；
f k ——第 k 棵 CART 回归树的回归预测结果；
q(x ) ——每个叶节点得分；
q (x ) ——每个叶节点的序号；
F ——回归预测的函数空间。
极端梯度提升算法是通过优化的方法寻找最优树模型，需构造目标函数。最
优的树模型不仅要满足对训练数据经验误差尽量小，还需要避免过度拟合，对测
试数据的泛化误差足够小。然而，建模过程只接触到训练数据，需要通过树模型
的复杂程度评价泛化能力。因此，极端梯度提升算法的目标函数包含训练损失函
数和正则化项，分别反映经验误差和泛化误差。
Obj = i =1 l ( yi , yî ) +  ( f k )
n
(2-4)
式中， Obj ——目标函数；
 l ( y , yˆ ) ——训练数据的损失函数，其中 l ( yi , yî ) 可由预测值与实

n
i =1 i i
际值差的平方计算，即 l ( yi , yî ) = ( yi − yî ) ；

2
 ( f k ) ——正则化项，表示模型复杂度，反映模型的泛化能力，按照
1
 ( f k ) = T + λ  j =1  2j 计算，T 表示叶节点总数，  j 为叶
T
节点 j 的权重，  和 λ 为正则化参数。
对于第 t 次迭代运算，预测结果可表示为上一轮迭代预测值与函数之和：
yî (t) =yî (t-1) + ft ( xi ) (2-5)
则第 t 轮的目标函数可写作：
Obj (t ) =  j =1 l ( yi , yî (t-1) + ft ( xi )) +  ( f k )

T
(2-6)
泰勒展开第 t 轮迭代运行的目标函数，有：
- 14 -
1
 [G j j + ( H j +  ) 2j ] +  T
T
Obj (t ) j =1
(2-7)
2
式中， G j ——为叶节点 j 包含样本的一阶偏导数之和；
H j ——为叶节点 j 包含样本的二阶偏导数之和。
对上述目标函数求导，可知当每个叶节点权重为  *j 时，目标函数实现最优，
即损失函数和正则项之和最小。
Gj
 *j = − (2-8)
Hj +
2
1 T Gj
min Obj (t ) = − 
2 j =1 H j + 
+ T (2-9)
2.4 微观水力模型修改
本文采用微观水力模型作为多水源一级分区和泵组优化调度的输入，实质是
形成优化模型和微观水力模型的嵌套模型，用微观水力模型进行水力平差，从而
计算在不同的分区和水泵运行方案下的目标函数和约束条件。对于已经计算得出
城市管网总体需水量，还需要将管网的需水量分配到所有的用户节点中，并完成
水力校核，才能实现对微观水力模型动态数据的调整。
实际管网往往缺少所有用户节点的用水数据记录，因此，往往预测产生管网
总用水量，按比重分配到节点中。通常大用户节点用水量相对稳定，变化幅度小，
预测时可沿用历史用水量数据的平均值。而大用户以外的其他用户用水量认为随
时间、天气等因素变化，这部分用户的用水量按公式 2-10 分配：

J
D ' j ,t
D ' j ,t = D j ,t  j =1 (2-10)

J
j =1
D j ,t
式中， D j ,t ——大用户节点以外的第 j 个用户节点在 t 小时的原始节点需水
量（m³/h）；
D ' j ,t ——大用户节点以外的第 j 个用户节点在 t 小时的预测节点需水
量（m³/h）。
调整和分配后，要进行水力校核，尤其关注大用户点需水量与预测时间内的
压力和流量监测数据是否相符。
- 15 -
2.5 案例应用及分析
在本章节，用两个不同尺寸的供水管网进行训练和预测，分析极端梯度提升
算法对短期需水量的预测性能，并与传统的时间序列法相比较，用决定系数 R2、
均方根误差 RMSE、平均绝对误差 MAE 评价预测结果，检验两种预测模型预测
的准确性。聚类算法和预测模型均在 Jupyter Notebook 软件内完成，编程语言选
用 python 3，利用数据分析函数库 scikit-learn-0.23[57]和 statsmodels-0.11.1[58]完成
建模预测。由于 A 小区在管网拓扑结构中由一个用户节点表示，只需按预测结
果修改微观水力模型中该节点流量即可，而对于 B 市管网，预测结果为管网的总
用水量，需要分配到用户节点中，实现微观水力模型用户节点需水量的调整。
2.5.1 案例 1
案例 1 选用位于我国 A 市的居民小区，小尺寸空间用水总量小，波动性强，
能有效验证模型预测效果及鲁棒性。
表 2-1 居民小区用水基础数据表
日均用水量（m³）最大时用水量（m³）人口数（人）
158.985 45 1347
训练数据选择自 2016 年 10 月 1 日起至 2017 年 1 月 31 日，测试数据选择

2017 年 2 月 1 日至 7 日一周的数据。通过 DBSCAN 聚类识别异常的历史用水量
数据，最佳参数组合为邻域半径 Eps 取 0.35，最小样本数 MinPts 取 20，去除效
果如图 2-2 所示：
（a）实测原始数据（b）剔除异常值后的数据
图 2-2 DBSCAN 剔除异常用水量数据结果对比图
图 2-2 中，一天中不同小时的常规用水量数据大都集中于某个范围内，呈密
集分布，重叠形成深蓝色带状区域，被 DBSCAN 算法识别为簇，得以保留；异
- 16 -
常数据则为远离正常数据的散点，颜色浅，被识别为噪声。观察发现 DBSCAN
能够识别大部分异常点。删除异常用水量数据点及对应的时间和天气数据，确保
训练集自变量和因变量保持对应。
用相关性分析选择与时用水量数据最为相关的时间和天气影响因素，最后保
留的时间因素有天数、小时、节假日与否，天气因素有湿度、降雨。其中，湿度
为数值表示，需要作 0-1 标准化，节假日与否、降雨、晴这三项是采用二进制编
码，当某一天是节假日，节假日与否的因素用 1 表示，若某一小时发生降雨，则
降雨用 1 表示。将上述处理后的数据输入到预测模型，训练并测试结果。
用网格搜索 Grid Search 搜索最优极端梯度提升模型参数，其中最佳参数组
合为最大深度取 6，学习速率取 0.01，子模型数量取 300，节点分裂最小损失函
数下降值取 0.2，节点分裂采样比例取 0.8。选择经典的时间序列模型 ARIMA 作
为对照，根据 ACF、PACF 和贝叶斯信息量（Bayesian information criterion，BIC）
选择最佳参数组合为自回归系数取 1，差分系数取 2，移动平均系数取 2，该组
合下贝叶斯信息量 BIC 有最小值 3.286。预测结果如下表所示：
表 2-2 案例 1 居民小区短期需水量实测及预测数值表（m³）
小时（h) 实测数据 XGB ARIMA 小时（h) 实测数据 XGB ARIMA
1 0.203 0.829 3.664 85 9.609 7.028 4.238
2 0.297 0.249 2.850 86 9.250 16.627 6.788
3 0.078 0.298 1.786 87 5.875 11.006 6.743
4 0.031 0.938 3.315 88 2.625 5.414 4.092
5 0.938 1.444 3.530 89 3.828 3.928 7.425
6 0.141 1.799 3.805 90 20.453 18.764 6.102
7 0.641 2.248 5.085 91 8.641 6.859 6.904
8 1.359 2.726 2.758 92 3.656 3.570 4.478
9 2.047 3.141 4.479 93 3.141 3.618 3.822
10 6.078 8.786 3.977 94 2.656 3.580 9.626
11 38.250 30.399 37.259 95 2.109 3.198 3.778
12 2.797 4.529 5.073 96 5.016 3.079 4.597
13 3.094 6.377 4.497 97 0.234 0.493 5.215
14 20.656 18.389 6.454 98 0.172 0.260 2.094
15 10.453 11.178 9.099 99 0.016 0.249 -0.370
16 4.781 5.195 5.568 100 0.016 1.197 4.739
17 2.344 4.286 4.658 101 0.078 4.649 2.191
18 21.750 19.641 11.597 102 0.203 2.802 3.975
19 7.875 6.968 6.807 103 2.656 3.060 6.576
20 3.125 3.821 4.552 104 1.625 3.110 2.704
21 2.438 3.800 4.401 105 2.688 3.534 3.748
22 2.563 3.756 9.561 106 4.672 8.962 4.631
- 17 -
表 2-2（续表）
23 2.016 3.587 0.030 107 39.297 31.592 37.363
24 0.406 2.612 4.336 108 3.375 4.052 4.759
··· ··· ···
73 0.156 0.566 4.249 157 4.406 5.819 5.095
74 0.031 0.336 2.383 158 24.219 18.478 6.021
75 0.031 0.170 1.692 159 10.734 11.871 9.094
76 1.922 1.469 3.760 160 3.375 5.583 6.019
77 2.469 2.164 3.688 161 2.953 4.489 4.242
78 0.406 1.386 3.806 162 20.422 20.237 13.265
79 5.594 3.072 5.846 163 9.078 7.212 6.942
80 2.266 2.353 3.302 164 4.016 3.600 4.268
81 2.656 3.129 4.861 165 3.453 3.503 4.911
82 5.344 6.379 4.323 166 3.953 3.489 8.113
83 33.750 29.540 33.116 167 2.547 3.063 -0.240
84 3.281 4.140 5.155 168 0.672 2.411 4.904
绘制时用水量折线图，观察预测结果与实测用水量的分布规律。发现居民小
区用水量波动性强， 11 时出现最高时用水量，14 时和 18 时出现用水的次高峰
和第三高峰，在其余时刻，实测用水量均较少，在夜间均有不规律的波动。在 11
时最高用水量的峰值时刻，极端梯度提升和 ARIMA 预测效果较好，均能准确模
拟该峰，其中 ARIMA 表现更优异，极端梯度提升预测结果较实测数据偏少；在
第二和第三两个峰值，ARIMA 的预测结果普遍低于实测用水量，极端梯度提升
预测表现较好，但是在第 52 小时和第 86 小时未能准确预测突然降低的用水量；
在凌晨时刻，两个模型预测效果相接近。
（a） XGBoost 预测结果与实测用水量比较
- 18 -
（b）ARIMA 预测结果与实测用水量数据比较
图 2-3 两种方法的预测结果与实测数据对比折线图
实测数据为黑色实线， XGBoost 预测结果为图（a）红色虚线，ARIMA 为图（b）蓝色虚线
绘制散点图，以实测数据为横坐标轴，预测结果越接近 Y=X，表示准确度越
高。在横坐标为 30 至 45 的最高用水量区域，ARIMA 表现更佳，极端梯度提升
算法比实测用水量少。在横坐标为 14 至 25 的第二和第三峰值区域内，ARIMA
普遍低于实测结果，极端梯度提升则保持在 Y=X 直线附近。在横坐标小于 14 的
低用水量区域，两个模型预测效果接近。
图 2-4 实测数据-预测结果散点图
引入三项回归评价指标[59]，均方根误差 RMSE、平均绝对误差 MAE 和决定
系数 R2。其中均方根误差和平均绝对误差越小、决定系数越大，表示预测结果与
实际结果越接近，证明模型拟合效果越好。相比之下，极端梯度提升模型误差较
小，决定系数较大，对比 ARIMA 模型有显著的优势。
表 2-3 预测结果评价表
XGB ARIMA
RMSE 2.693 4.295
MAE 1.744 2.929
R2 0.914 0.749
- 19 -
2.5.2 案例 2
案例 2 选用我国 B 市的供水管网，以验证管网尺寸上短期需水量预测效果。
供水年鉴显示该市日均用水量为 23.789 万吨。记录数据相对于案例 1 较短，仅
有 2018 年 10 月 1 日~28 日各水厂二泵站出水流量记录，因此，训练数据取 2018
年 10 月 1 日至 27 日，测试数据取 2018 年 10 月 28 日，包含节假日与工作日。
首先识别和剔除异常值。多水源管网的短期用水量由出厂流量记录，通常连
续运行，不会出现居民小区停水的现象，即历史用水记录为零的情况较为少见。
另外多个水源记录叠加形成的历史记录，往往同时产生异常数据的可能性较低，
进一步降低了异常值出现的概率。DBSCAN 最佳参数组合为邻域半径 Eps 取 0.6，
最小样本数 MinPts 取 10，去除效果如下图 2-5 所示：
（a）实测原始数据（b）剔除异常值后的数据
图 2-5 DBSCAN 剔除异常用水量数据结果对比图
采用网格搜索寻找最优模型参数组合。极端梯度提升模型最佳参数组合为最
大深度取 5，学习速率取 0.01，子模型数量取 200，节点分裂最小损失函数下降
值取 0.2，节点分裂采样比例取 0.8。选择经典的时间序列模型 ARIMA 作为对照，
根据 ACF、PACF 和贝叶斯信息量选择最佳参数组合为自回归系数取 1，差分系
数取 2，移动平均系数取 2，该组合下贝叶斯信息量 BIC 有最小值 305.371。预测
结果如下表所示：
表 2-4 B 市需水量预测表
0 9046.59 9086.21 9316.95 12 11195.07 11636.02 11115.72
1 8832.41 8790.54 9333.64 13 10970.34 10844.13 11014.49
2 8648.10 8773.07 8707.18 14 10855.47 10611.66 11028.49
3 8400.35 8498.00 8878.90 15 10609.97 10335.31 10512.12
4 8682.50 9071.15 9187.55 16 10527.68 10658.54 10847.35
- 20 -
表 2-4（续表）
5 9459.77 9430.22 9899.75 17 11629.35 11366.54 10961.65
6 10659.85 10648.66 10832.01 18 11932.82 11538.82 11271.83
7 12556.23 12139.73 12719.79 19 11872.15 11927.69 11513.40
8 12312.74 12424.83 12402.54 20 11872.08 11810.29 11263.35
9 11965.40 11754.50 12248.29 21 11648.44 11446.94 11323.87
10 12274.19 12324.06 12387.30 22 10465.47 10641.79 9985.26
11 11909.51 11657.16 11862.38 23 9576.56 9714.45 9350.19
绘制时用水量折线图，观察发现 B 市 2018 年 10 月 28 日 7 时至 11 时、17

时至 21 时为高峰时段，12 时至 16 时为平均时段，0 时至 6 时、22 时至 24 时为
低谷时段。两个模型在上午第一个高峰时段、平均时段和低谷时段的预测准确度
均较好，在下午的高峰时段预测结果 ARIMA 预测结果较差，明显低于实测用水
量，极端梯度提升模型表现较好。
图 2-6 两种方法的预测结果与实测数据对比折线图
绘制散点图，以实测数据为横坐标轴。对比案例 1，两个模型预测精度均有
提高，线性拟合的趋势线与 Y=X 直线更为接近。准确度提升的原因可能是城市
用水量更大，波动性小，训练数据与测试数据差别小。在低谷时段，ARIMA 模
型预测对比极端梯度提升模型表现稍差，比实测用水量偏高。在平均时，两个模
型结果均在 Y=X 直线附近，预测效果好。在高峰时段，两个模型预测结果均偏
低。
- 21 -
图 2-7 实测数据-预测结果散点图
两个模型的三项评价指标均较好，极端梯度提升模型和 ARIMA 模型的决定
系数均高于 0.9。综合三项评价指标，极端梯度提升仍有明显优势，预测结果更
准确。
表 2-5 预测结果评价表
XGB ARIMA
RMSE 204.250 332.827
MAE 165.635 277.154
R2 0.975 0.930
选择 XGBoost 预测 2018 年 10 月 28 日的管网各小时的总用水量为 25.713 万

吨。根据水司记录，大用户点共有 27 个，历史平均时用水量见附录 4，共 2.787
万吨，大用户节点的时用水量按照历史平均时用水量取值。预测获得的每小时管
网总用水量总应先去除大用户节点在该小时内的总用水量，该部分用水量如表 2-
6 第四列所示，然后按公式 2-10 分配给各个用户节点。修改后的节点需水量详见
附录 6。由于节点需水量包含用户实际用水和漏失水量两个部分，而本章仅完成
用户节点需水量调整，水力校核将在第三章压力驱动漏失模拟后完成，起到综合
检验的效果。
表 2-6 XGBoost 预测、大用户和其他用户时用水量（m³）
小时（h) XGB 大用户其他用户
0 9086.21 1003.21 8083.00
1 8790.54 988.17 7802.37
2 8773.07 974.60 7798.46
3 8498.00 911.74 7586.26
4 9071.15 931.64 8139.50
- 22 -
表 2-6（续表）
小时（h) XGB 大用户其他用户
5 9430.22 986.02 8444.20
6 10648.66 1069.22 9579.44
7 12139.73 1316.42 10823.31
8 12424.83 1300.06 11124.77
9 11754.50 1271.93 10482.56
10 12324.06 1296.16 11027.90
11 11657.16 1268.41 10388.75
12 11636.02 1218.30 10417.72
13 10844.13 1202.97 9641.16
14 10611.66 1195.47 9416.19
15 10335.31 1176.52 9158.78
16 10658.54 1169.95 9488.60
17 11366.54 1251.92 10114.62
18 11538.82 1274.56 10264.25
19 11927.69 1268.65 10659.04
20 11810.29 1267.89 10542.40
21 11446.94 1250.70 10196.24
22 10641.79 1169.91 9471.89
23 9714.45 1105.42 8609.03
2.6 本章小结
（1）本章首先分析了需水量预测、数值模拟和管网优化调度之间的关系，
明确了需水量预测对管网优化调度的重要性。
（2）分析历史用水数据中存在异常数据的原因，结合异常数据与常规数据
的空间分布差异，引入对噪声鲁棒的空间聚类算法 DBSCAN 识别异常用水数据，
避免预测模型的训练过程受异常数据干扰，提高了预测的准确性。
（3）提出极端梯度提升算法 XGBoost 应用到短期需水量预测问题，并与传
统的时间序列方法 ARIMA 对比。在总人口数量少、用水量波动大的居民小区，
以及人口多、用水量大且相对平稳的城市管网进行训练和预测。经验证，XGBoost
算法预测误差小，精度高，能稳定预测用水峰值和谷值，具有一定的实践应用价
值。在 A 小区，XGBoost 对 2017 年 2 月 1 日至 2 月 7 日一周内的时用水量进行
预测，预测结果的决定系数为 0.914，相比之下 ARIMA 只有 0.749；在 B 市预测
2018 年 10 月 28 日时用水量，XGBoost 和 ARIMA 预测结果的决定系数都高于
0.9，其中 XGBoost 高于 0.95。
- 23 -
（4）发挥短期需水量预测对优化调度的指导意义，还需要结合用户种类、
大用户点用水量及时变化系数，将城市或片区的整体预测结果分配在所有的用户
节点上。在案例 2 中对 B 市用户节点需水量进行调整，保证微观水力模型真实
反映待优化的 2018 年 10 月 28 日管网水力条件，增强后续优化调度的可靠性和
说服力。
- 24 -
第3章供水管网压力驱动漏失水量模拟
节点需水量在供水管网微观水力模型的动态属性中尤为重要。节点需水量由
用户实际用水量和漏失水量两部分组成。研究表明，漏失水量与压力呈正相关关
系，传统的流量驱动模型无法准确模拟漏失水量，因而无法定量分析不同水力条
件下的管网漏失水量。
为解决这一问题，本章首先进行水平衡分析，计算供水管网总漏失水量和年
平均漏失率，在第二章管网总用水量预测的基础上，估计待优化时间段内漏失水
量的总量。然后研究压力驱动漏失理论，选择合适的压力驱动漏失模型和压力指
数。假设漏失水量沿管道长度均匀分布，计算管道权重和节点权重，用遗传算法
求解管网整体漏失系数，结合节点权重修改用户节点漏失系数，将第二章修改的
用户节点需水量进一步细分为用户实际用水量和漏失水量两个部分。经案例检验，
该方法能将水平衡分析得出的漏失水量分配在用户节点处，修改后的微观水力模
型能通过水力校核。相比于流量驱动模型，压力驱动漏失模拟对漏失水量的计算
更加精确，为定量分析管网漏失水量提供可靠依据。
3.1 供水管网水平衡分析
管网漏失水量的计算需要大量的排查、计量和测算。在供水管网漏损控制的
长期发展进程中，漏损、漏失概念混杂，产销差、漏失指数等指标计算方法不明
确，限制跨区域、跨公司的漏损管理水平对比。另一方面，沿用国外的漏失指标
体系，与国内管网建设和维护现状有出入，在实践中不能很好指导漏失控制工作
。如何利用现有指标体系，制定适用于我国供水行业的指标，推进漏损现状分
[60]
析，促进控制技术发展和应用，成为一项重要工作。2016 年，我国修订了《城镇
供水管网漏损控制及评定标准》[50]（以下简称“标准”），重点关注我国水资源匮
乏、水价偏低等问题，选定能有效反应资源利用效率的指标。标准 4.2 节统一漏
损水量的分析，新版水量平衡表舍弃表观漏损定义，将漏损水量划分为漏失水量、
计量损失水量和其他损失水量，并将漏失水量进一步细化，分为明漏、暗漏、背
景漏失以及水箱、水池的渗漏和溢流[6]。
具体的漏损水量统计计算分为八个步骤：
（1）统计供水总量。根据水厂、外购水源流量计汇总计算总量；
（2）统计计费用水量。整理水费系统账目，根据各项费用及对应单价计算
计费用水总量；
- 25 -
（3）统计免费用水量。根据实际情况结合用水单位用水量或计量数据计算。
该部分用水一般包含消防用水、管道冲洗和维护，对应可统计消防部门月报表，
以及管网冲洗维护计量设备数据；
（4）计算注册用户用水量。将（2）计费和（3）免费两部分水量相加；
（5）计算漏损水量。（1）供水总量减去（4）注册用水量；
（6）计算漏失水量。按照明漏、暗漏、背景漏失和水池、水箱渗漏和溢流
相加获得。其中明漏、暗漏使用孔口出流公式、漏点流量与时间相乘这两种计算
方式，背景漏失按照夜间最小流量计算，渗漏和溢流则按照实际情况估算获得；
（7）计算计量损失水量。根据居民用户和非居民用户公式计算，总分表差
率结合实地样本测定；
（8）计算其他损失水量。将（5）漏损水量减去（6）漏失水量和（7）计量
损失水量。
标准制定的水量平衡分析表，详细规定各项水量的含义和计算方式，能有效
指导相关工作。本章内容重点分析探讨的是第（6）项漏失水量，特别是漏失水
量在微观水力模型上的模拟。
表 3-1 CJJ92-2016 水量平衡表
漏失率按照漏失水量占供水总量的比例计算。
Qleakage
L(%) = 100 % (3-1)
Q
式中，L——供水管网漏失率（%）；
Q ——供水管网供水总量（m³）；
Qleakage ——供水管网漏失水量（m³）；
- 26 -
本文采用年平均漏失率估算优化时间段内管网的漏失水量，即优化时间段内
漏失水量等于供水总量乘以年平均漏失率。
3.2 压力驱动漏失模拟
为准确模拟管网漏失情况，本节内容重点讨论管道漏失模型选择和管网数值
模型漏失系数设置两项内容。目前，扩散器已经成为 EPANET 求解压力驱动模
型中必不可少的工具，除了新增扩散器，还可以在节点设置漏失系数，在同一个
节点完成用水和漏失的模拟计算。本文采用软件 EPANET 2.1 进行管网平差计算，
采用公式(1-4)的漏失模型模拟，漏失扩散指数选用 1.18。
图 3-1 节点漏失水量模拟示意图
对于城市管网，首先通过水平衡分析计算得出整体的漏失水量，然后计算管
网整体的漏失系数，并按照一定权重关系分配在所有节点上，结合上述节点漏失
模型输入到微观水力模型中。管网整体的漏失系数计算方法有两种，分别是迭代
和遗传算法寻优。本文采用遗传算法求解，充分利用遗传算法随机搜索的优点，
有利于寻找得到全局最优点。
3.2.1 管道和节点漏失权重分配
管网整体的漏失水量可视为在管道上沿程分布。因此，每条管道的漏失权重
为该管道长度占管道总长的比例：
lk
wk = (3-2)
 k =1 lk
K
式中， wk ——第 k 段管道漏失权重；
lk ——第 k 段管道长度（m）；
K ——管道总数。
管网数值模拟一般认为管道不发生出流，需要将漏失水量分配在与管道相连
的节点处。因此，节点的漏失权重等于该节点相接管道权重一半的和：
- 27 -
1 N
wj =  wk
2 k =1
(3-3)
式中， w j ——第 j 个节点漏失权重。
通过上述两步，对管网中每个用水节点分配不同的权重，完成漏失权重的空
间分配。
3.2.2 用户节点漏失系数求解
根据管网整体漏失水量，计算初始漏失系数 c0 ：
Qleakage
c0 = 
(3-4)
 k =1 H k
K
式中， c0 ——初始化的漏失系数；
Qleakage ——管网漏失水量（m³）；
H k ——第 k 段管道首尾两端节点压力平均值（m H2O）；
 ——漏失指数，取 1.18。
则每个节点漏失系数 c0j 为节点漏失权重与管网漏失系数的乘积：
c0j = w j  c 0 (3-5)
则管网在遗传算法中第 h 代最优个体的漏失水量 Q h 为：
Q h =  j w j c h H j (3-6)
J
式中， c h ——管网整体的漏失系数；
H j ——节点压力（m H2O）。
用遗传算法（Genetic Algorithm，GA）求解管网整体的扩散系数。遗传算法
的目标函数采用各监测点压力和流量数据，以及管网整体流量的累计值，具体计
算公式如下：
min f (c h ) =  t =1  k =1 Qkh,t − Qk ,t +  t =1  j =1 Pjh,t − Pj ,t +  t =1 Qt h − Ql ,t

T K T J T
(3-7)
h
式中， f (c ) ——h 代最优个体的适应度；
- 28 -
Qkh,t ——h 代最优个体在第 k 个流量监测点在 t 小时的流量（m³/s）；
Qk ,t ——h 代最优个体在第 k 个流量监测点在 t 小时的流量（m³/s）；
Pjh,t ——h 代最优个体在第 j 个压力监测点在 t 小时的自由水头（m H2O）；
Pj ,t ——第 j 个压力监测点在 t 小时的自由水头（m H2O）；
Qt h ——h 代最优个体在 t 小时的管网漏失水量（m³/s）；
Qt ——水平衡分析估计的 t 小时管网漏失水量（m³/s）；
设置最大进化代数为 200 代，另外分析水力校核条件，增加终止运行的最大

误差限  。若满足公式 3-6，则遗传算法终止：
f (ch )   (3-8)
3.2.3 确定水力校核允许误差范围
管网微观水力模型经过修改节点基本需水量和漏失系数后，可能与实际管网
运行有显著的差异，导致模拟失效，优化方案丧失参考价值。因此，需要根据管
网实际运行数据进行校核，从基础数据、估计的构件状态以及估计的管道和阀门
参数这三个方面检验微观模型是否合理准确，符合实际情况，并比较差别的大小
。2003 年，赵洪宾[12]提出，可以从水库水位、水源供水流量和压力、各节点
[61]
水压分布及低压区域分布、压力监测点和流量监测点的实测压力和流量数据这几
个不同的角度校核。
供水模型与实际情况只能达到近似，盲目追求过严标准或是过小误差都是难
以实现的，只要校核的差异在误差允许范围内，即可认为模型通过校核。1986 年
英国水务研究中心 WRC[62]提出的管网校核方式如下表 3-2 所示，允许模型有一
定的误差。
表 3-2 WRC 供水管网校核标准
校核标准
校核内容校核范围
（与实测值允许误差范围）
100%监测点 ±20 kPa
节点压力 95%监测点 ±15 kPa
85%监测点 ±10 kPa
超过总流量 10%的管道 ±5 %
管道流量
低于总流量 10%的管道 ±10 %
- 29 -
由于上述压力驱动漏失模拟修改了所有用水节点的基本数据，需要对管网整
体校核，参照表 3-2，按照最严格的范围取遗传算法允许误差限  。取所有压力
检测点压力模拟值存在±10 kPa 误差，所有流量监测点流量模拟值存在±5%误差
的误差，模拟漏失水量与估计水量存在 0.1%的误差的情况下遗传算法目标函数
值作为允许误差限。
沿用 B 市管网作为压力漏失模拟的案例管网。该市共有净水厂 5 座，用户
节点 2722 个，管道 2895 条，设有锭子桥加压泵站一座。根据供水年鉴显示，
2017 年该市供水管网漏失现象极其严重，现将该市漏失水量和漏失率按照水平
衡分析表计算如下：
计费用水量 5043
注册用户
用水量 5781
免费用水量 738
供水总量
8683
漏失水量 2742
漏损水量
2902
计量及其他损失水量 160
图 3-2 B 市 2017 年供水水平衡分析（万吨）

按照计算，该市供水总量为 8683 万吨每年，漏失水量为 2742 万吨每年，漏
失率为 31.58%，有近三分之一的自来水在管网中被浪费。优化时段选择数据记
录全面的 2018 年 10 月 28 日，当日预测用水总量为 25.713 万吨。按照年平均漏
失率 31.58%计算，当日漏失水量为 8.120 万吨。
阀门
水泵
管道
图 3-3 B 市管网拓扑结构图
- 30 -
按管道长度计算权重，节点权重取相连管道权重和的一半。漏失指数取 1.18，
按照平均日情况计算各管道平均压力，结合漏失水量求出初始的管网整体漏失系
数 c0。使用 EMT 工具箱和优化工具箱中的遗传算法求解最优漏失系数。设置种
群中个体数为 50，进化代数上限为 200 代。该市供水管网压力监测点包含各水
厂出厂压力测量点 6 个，锭子桥加压泵站压力测量点 1 个，管网内压力监测点世
纪园、地质局、槐岗煤矿等 33 个。迭代结束条件为漏失水量与计划分配的漏失
水量的绝对误差小于  = 1064.639。压力监测点模拟数值与记录数据相差均满足
表 3-2 要求；由于各条管道流量均小于总流量的 10%，取允许流量误差范围为
10%[63] ，经检验均能满足表 3-2 限制的 10%误差范围。
将求解结果代入到微观模型中，修改用户节点漏失系数如表 3-3 所示，节点
小时漏失水量如附录 6 所示。
表 3-3 部分节点权重和漏失系数数据表
节点编号节点权重漏失系数节点编号节点权重漏失系数
1 0.00032 0.00346 25 0.00019 0.00205
2 0.00126 0.01361 26 0.00064 0.00691
3 0.00008 0.00086 27 0.00002 0.00022
4 0.00026 0.00281 28 0.00001 0.00011
5 0.00151 0.01631 29 0.00018 0.00194
6 0.00058 0.00627 30 0.00036 0.00389
7 0.00191 0.02063 31 0.00017 0.00184
8 0.00017 0.00184 32 0.00028 0.00303
9 0.00031 0.00335 33 0.00038 0.00411
10 0.00022 0.00238 34 0.00040 0.00432
11 0.00026 0.00281 35 0.00067 0.00724
12 0.00220 0.02377 36 0.00036 0.00389
13 0.00001 0.00011 37 0.00049 0.00529
14 0.00047 0.00508 38 0.00039 0.00421
15 0.00031 0.00335 39 0.00014 0.00151
16 0.00051 0.00551 40 0.00020 0.00216
17 0.00040 0.00432 41 0.00025 0.0027
18 0.00055 0.00594 42 0.00016 0.00173
19 0.00004 0.00043 43 0.00073 0.00789
20 0.00001 0.00011 44 0.00171 0.01847
21 0.00047 0.00508 45 0.00152 0.01642
22 0.00047 0.00508 46 0.00108 0.01167
23 0.00047 0.00508 47 0.00003 0.00032
24 0.00042 0.00454 48 0.00011 0.00119
… … … … … …
- 31 -
对修改用户节点基本需水量和漏失系数的管网进行水力计算，与 2018 年 10
月 28 日实测数据校核。净水厂出厂及锭子桥加压站压力和流量校核如下图 3-4
和图 3-5 所示。
（a）西桥水厂（b）江南水厂
（c）东升一期水厂 1 号出厂管（e）东升二期水厂 2 号出厂管
（f）东升二期水厂（g）新城水厂
（h）锭子桥加压泵站
图 3-4 2018 年 10 月 28 日各净水厂出厂压力校核结果
- 32 -
（a）西桥水厂（b）江南水厂
（c）东升一期水厂 1 号出厂管（d）东升二期出厂管
（e）新城水厂（f）锭子桥加压泵站
图 3-5 2018 年 10 月 28 日各净水厂出厂流量校核结果
经压力和流量校核，上述模拟压力驱动漏失现象对管网的修改符合实测压力
和流量数据，能反映管网实际工况，通过校核。
3.4 本章小结
（1）本章首先分析漏损控制及评定标准中的水量平衡表，分析管网中各部
分水量，明确供水管网漏失水量的组成以及计算步骤。
（2）对压力驱动漏失模型进行研究，假设漏失水量沿管道长度均匀分布，
计算管道漏失权重和节点漏失权重，然后采用遗传算法求解管网整体漏失系数，
- 33 -
其中遗传算法的目标函数由压力监测数据、流量监测数据、估计漏失水量偏差组
成。遗传算法求解的管网漏失系数和节点权重相乘，获得用户节点漏失系数，从
而对微观水力模型的节点进行调整。该方法计算过程简便，能有效减少微观水力
模型的水力条件与实际情况，提高压力驱动漏失模拟的准确性，为后续分析漏失
控制措施提供可靠的分析工具。
（3）在 B 市应用上述方法。经过水平衡分析计算，B 市漏失水量为 2742 万
吨每年，漏失率为 31.58%，2018 年 10 月 28 日预测总用水量为 25.713 万吨当日
漏失水量为 8.120 万吨。则漏失系数为 c = 10.80769。调整节点漏失系数后，微
观水力模型能通过水力校核，充分证明上述短期需水量预测和压力驱动漏失模拟
对微观水力模型调节的可靠性。
- 34 -
第4章多水源供水管网一级分区
多水源供水管网在运行过程中可能存在着调度困难、水质恶化、能源和水资
源浪费等问题，需要进行供水分区，划分服务范围，提高供水服务水平。目前，
管网分区研究多集中在自下而上的分区方法，结合聚类分析、社区发现等方法进
行三级分区，对于一些环状结构多而枝状结构少、管道老旧、改造费用有限的供
水管网作用有限。
本章主要研究通过一级分区调整管网静态拓扑属性，分析最小功率耗散路径
搜索和物质浓度敏感性分析两种分区方法的理论基础，并在案例中应用对比，从
而明确供水范围，优化供水格局。由于一级分区调整了管网拓扑结构，需要将原
始管网和一级分区管网用于后续泵组优化调度，寻找最优泵组工况，检验分区效
果。分区所用管网为第二章和第三章修改后的微观水力模型。
4.1 供水管网分区技术
4.1.1 多水源管网潜在问题
城市化进程中，人口增加、工业产能增大、经济发展等情况导致用水量增大，
需要供水管网不断扩建、改建以满足供水服务。供水管网输配水量增加，供水面
积扩大，常常呈现出水源增加的态势。这种多水源多净水厂的调度配合，往往依
照供水单位经验完成，存在不少问题需要解决。
（1）水源差异影响供水可靠性水源种类不同，则可开采水量随时间变
化规律不同，如地表水、河流水、湖泊水等水体丰水期和枯水期不同，增加了调
度调配的难度[64]；
（2）分界线处水源切换导致水质恶化供水管网管壁与管网水体形成化
学性质相对稳定的腐蚀层，供水分界线处水源切换频繁，化学性质变化造成管壁
腐蚀层和水体的动态平衡，使得水质恶化，影响使用[65]；
（3）压力富余造成浪费一个压力控制点可能同时控制多个水源，不仅
浪费能源，还造成压力富余，加剧管网漏失。
研究表明，供水管网一级分区能有效缓解上述难题，将复杂的多水源管网“分
而治之”，明确各净水厂及二泵站服务区域，保证供水安全可靠，有效遏制能源
和水资源的浪费。本章拟对比不同的管网一级分区方法，选择合适方式在案例中
应用，并比较分区前后管网压力变化，从片区供水能力与实际用水量，以及边界
管道改造费用两个角度评价分区效果。
- 35 -
4.1.2 供水管网三级分区技术
国内对管网分区工作的指导意见可以参考住建部 2017 年 10 月印发的《城镇

供水管网分区计量管理工作指南》[34, 35]，要求供水单位实施分区计量管理，建立
漏损控制体系，实现精细化和信息化管理。按照分区功能和管理模式，管网分区
可细分为三级[66]：第一级实现水源分区，划分了水源、净水厂及二泵站，可以作
为泵组优化调度的基础；第二级实现压力和流量管理，分区结合节点服务压力和
地势，指导分区减压阀调节，从而均衡管网压力，达到节能降耗的目的；第三级
实现漏失水量检测，即独立计量区（DMA），用户数量少、区域面积较小且进水
口数量不超过两个，有效缩减漏损排查范围，实现精准控漏。三级分区功能相互
配合，共同组建形成压力和流量管理的综合体系，不仅能降低富余压力，节约泵
站开支，还能将漏损管理向精细化的小片区延伸，控制漏失率，另外在事故发生
时，以各级片区为单位快速响应，关闭边界阀门，从而控制污染物扩散或爆管影
响，提高供水可靠性。
图 4-1 供水管网三级分区示意图
由于各级分区的功能和性质不同，三级分区的划分依据和原则也各不相同。
（1）一级分区原则应充分适应管网现状，尤其是各水源、净水厂、二
泵站、加压泵站的供水能力，主干管分布的输配水能力，用户分布、用水种类的
用水需求，利用现有阀门减少改造的施工量和改造费用。结合行政区域、供水营
业部门、分公司划分，降低运行管理难度。另外，一级分区还应结合中长期用水
量预测，分析各区域需水量发展趋势，保证各净水厂在一定时期内的调度能力。
（2）二级分区原则二级分区的关键功能是均衡压力，需借助减压阀，并
安装流量计，因此需考虑设备安装费用和运行精度。结合已有分区，在供水营业
区域、分公司辖区内部划分，考虑二次供水管理和压力分布情况。结合自然条件，
如铁路、河湖、山脉等物理边界和地形地势作为分界间隔。二级分区可以相对灵
- 36 -
活，某些分区可以有多个出口、入口，部分小管径的管道也可以直接与主干管相
连。
（3）三级分区原则三级分区核心功能是定位漏失区域[67]，要减少 DMA
小区入口和出口数量，减少流量计装表费用。在保留原有结构的同时，选择合适
的 DMA 小区内用户数量和区域大小，从而保证后续漏失定位工作有效开展。由
于 DMA 小区内部用水量相对较小，宜将大用户布置在小区出口附近，避免滞水
影响用水水质。
上述分区都应保留一定的事故应急备用，分区之间不应绝对隔离，而是保留
有事故应急管道，仅需开关阀门即可改变分区状态，提高供水可靠性，有助于控
制污染物扩散和爆管泄露。
在工程实践中，三级分区的开展过程有自上而下、自下而上和中间开始三种。
自下而上的分区是指从最低一级分区起，逐层向上实施分区，适用于缺少基础资
料、拓扑结构复杂的管网；自上而下方式实施方向则正好相反，适用于资料完备、
结构相对简单的管网。中间开始方式也称为上下结合法，先从中间二级分区开始，
然后分别向上和向下继续分区，可用于环状结构管网。具体的实施方式需结合供
水管网基础资料、拓扑结构、运行状态、控漏目标选择。
如何利用现状管网和约束条件实现合理的一级分区，是本章的重点内容。
4.2 供水管网分区方法对比
在第一章研究进展部分分析了供水管网分区技术，现有分区方法主要有聚类
分析、社区发现和路径搜索。其中，聚类分析和社区发现通常以节点压力、富余
压力、压力均衡指数等参数作为分类依据，适用于二级、三级分区，对于水源分
区适用性相对较差。因此，本文将对比两种分区方法：最小功率耗散路径搜索分
区和物质浓度敏感性分析分区，比较并挑选合适的方法。
4.2.1 最小功率耗散路径分区
最小功率耗散路径搜索方法采用迪杰斯特拉算法求水源与用户节点之间功
率损失最小的管道联通方法[24, 25]。迪杰斯特拉算法由 1959 年荷兰科学家 E.W.
Dijkstra 提出并应用于寻找两点最短路径问题。实现最短路径搜索的原理是由起
点开始，逐层向外搜索以最短路径相连的节点，直至抵达目标节点。算法的实现
依赖于节点之间的拓扑关系，要求起始节点和目标节点之间必须存在至少一条相
连的路径。
- 37 -
对于一个拓扑结构图，可以用节点集合和边集合描述。假设起始节点为 A、
目标节点为 B，对于正在操作运算的迪杰斯特拉算法，拓扑图中所有节点应分为
三类：
（1）I 类当前步骤下，已知到起始节点 A 以最短路径相连的节点集合，
按照与起始节点 A 的最短路径顺序排列；
（2）II 类在下一步骤中，等待添加到 I 类节点集合的节点集合，与最
后一个 I 类节点 C 直接相连，并且不属于 I 类节点集合的节点，若 II 类点集中节
点 D 与 I 类最后一个节点 C 距离最短，则添加进 I 类点集，其余 II 类点添加至
III 类点集；
（3）III 类 I 类和 II 类节点以外的剩余节点。
根据与当前步骤的最短路径，边集也同样划分为三类：
（1）I 类当前步骤下，已经产生的最小路径包含的边，按照与起始节点
A 的连接顺序排列；
（2）II 类下一步骤中，等待添加到 I 类边集的边，与 I 类边集中最后一
条边相连，其中长度最短的边添加进 I 类边集，剩余 II 类边添加进 III 类边集；
（3） III 类 I 类和 II 列边以外的剩余边。
具体的操作过程可分为如下三步：
（1）步骤 1 首先对点集进行操作，识别出与起始节点 A 直接相连的节
点，纳入 II 类节点集合中，在 III 类点集中删除这些节点；
（2）步骤 2 识别所有以 I 类点集和 II 类点集为端点的边纳入到 II 类边
集中，比较挑选出长度最短的 II 类边，纳入 I 类边集，剩余 II 类边集退回到 III
类边集中；
（3）步骤 3 将步骤 2 所选进入 I 类边集除 I 类点集以外的另一端点 C 纳
入 I 类点集，将剩余的 II 类点退回到 III 类点集中，将 C 点作为 I 类点集的最新
起始节点，循环操作上述三个步骤，直至 A、B 两节点中所有路径均被遍历，比
较各路径长度，取长度最小的路径作为运算记过。
在经典的路径搜索问题中，寻找的是两个节点之间的最短距离，则边的权重
常按照边长计算，最后获得路径长度最短。对于供水管网，使用管道海森威廉阻
力系数代替管道权重[25]，衡量管道的通水能力，阻力系数越小表示通水能力越强。
海森威廉阻力系数计算公式如下：
10.667  lk
Ak = (4-1)
Ck1.852  d k4.871
式中， Ak ——第 k 条管道海森威廉阻力系数；
- 38 -
lk ——第 k 条管道管长（m）；
Ck ——第 k 条管道海森威廉粗糙系数；
d k ——第 k 条管道管径（m）。
管道水头损失计算公式如下：
hk = Ak q1.852
k (4-2)
式中， hk ——第 k 条管道水头损失（m H2O）；
qk ——第 k 条管道流量（m³/s）；
任意一个节点在基本需水量固定的情况下，总可以找到与水源节点的最小阻
力路径，获得该路径上所有节点集合和边集合。在多水源供水管网中，可以查找
出所有节点与各个水源节点之间的最小阻力路径，比较所有节点与不同水源的最
小阻力路径的沿程阻力系数和，取沿程阻力系数和最小路径的水源作为该节点分
区水源点。
4.2.2 物质浓度敏感性分析分区
敏感性分析（sensitivity analysis，SA）是指改变参数大小，比较因变量的变
化大小，从而找出对因变量影响最大的参数及参数取值范围。灵敏度分析分为全
局灵敏度分析和局部灵敏度分析[68]。全局灵敏度分析是指分析多个参数变化对模
型的影响，同时分析参数之间的相互影响，常使用 Sobol 法分析。局部灵敏度分
析则是分析单个参数对模型的影响，分析方法有直接求导、有限差分、格林函数
法[69, 70]。本文采用局部灵敏度分析方法，逐个分析各水源对所有用户节点的影响
。该方法的实质是分析供水管网现状运行条件下的一级边界，因此需选择合适
[33]
的运行工况，提高后续泵组工况寻优的效果。具体操作如下：
（1）选择自变量在供水管网一级分区问题中，影响因素可采用出厂压力，
确定出厂压力的偏差 Hi ，即给予第 i 个净水厂出厂压力 Hi 一个较小的偏差；
（2）选择因变量以出厂压力作为自变量，应取节点压力作为因变量，以
分析管网在不同水源的出厂压力随变化程度；
（3）计算敏感性指标按照下式计算敏感性矩阵：
H k
Eik = (4-3)
H i
式中， Eik ——第 k 个节点对于第 i 个净水厂出厂水压力的敏感性系数；

- 39 -
H k ——第 k 个节点压力变化值， H k = H k − H k0 （m H2O）；
Hi ——第 i 个净水厂出厂水压力变化值，H i = H i − H i0（m H2O）。

计算所有节点与所有水源的敏感性系数，组成敏感性矩阵：
 E11 E12 E1I 
E E22 E2I 
E =  21 (4-4)
 
 
 EK 1 EK 2 EKI 
取其中每一行最大的敏感性矩阵，对应列数即为该节点的水源编号。这一方
法理论清晰简单，但是在实际操作中容易遇到一些问题，比如出厂水压力偏差取
值困难，出厂压力调控难以精准实现。结合管网实际，EPANET 软件数值模拟的
水力和水质计算可以分布进行，以水源的物质浓度作为自变量，为水源敏感度分
析提供便利，不仅操作更简便，偏差的取值还能适当加大，凸显节点浓度的变化，
使得远离水源的节点也能显示出明显的变化，提高敏感度分析的准确性。将第 i
个水源的出水浓度设置为 100 mg/L，其余设置为 0，并设置主流反应级数为 1 级，
管壁反应系数为 0，即物质只在主流水体中发生消耗，与管壁不发生反应。依次
计算用户节点浓度变化规律。则敏感度系数为：
Ck Ck − 0
Eik = = (4-5)
Ci 100 mg/L − 0
式中， Ck ——第 k 个节点在一天 24 h 内节点浓度的平均值（mg/L）。
受供水管网尺寸影响，物质从水源到末梢节点可能要经过相当长的时间，为
减小误差，取第 10 天的节点日均浓度作比较，各个节点均能获得水源的充分影
响。
4.3.1 案例基本情况及一级分区需求
沿用 B 市供水管网作为分析案例，共有西桥、江南、东升一期、东升二期和
新城水厂五座，分布在 C 江沿线，另有锭子桥加压泵站一座。其中西桥、东升一
期和东升二期以距城市 25 km 的 D 水库为水源，江南、新城水厂以 C 江为水源。
- 40 -
图 4-2 B 市管网拓扑结构及水厂分布图
该市管网存在以下问题：
（1）各净水厂分工不明确，负荷不合理，产能发挥不均衡。西桥水厂设计
日供水能力为 10 万吨，实际最高日供水量高达 18 万吨，负荷超载严重；东升水
厂设计日供水能力为 6 万吨，而实际供水不足 4 万吨。
（2）管网建设周期长，改扩建缺乏合理规划，管道铺设缺少整体布局和长
远规划。东升一期水厂出厂管径仅有 DN300，二期出厂管径仅有 DN600，新建
设的新城净水厂附近的管径普遍偏小，水头损失大，浪费能源。
（3）管道老旧，漏失严重。据供水年鉴反映，该市漏失率高达 31.58%，原
因是大量管道铺设于上世纪 90 年代，管材选择不合理，缺少维护，管道漏损严
重。
基于该市管网现状和存在问题，本章采用一级分区的方法，确定各净水厂供
水片区，均衡各净水厂供水负荷，降低管网压力，控制漏失水量。应用上述两种
管网一级分区方法，比较分区结果。另外，该市在新城水厂投产运行初期已进行
人工经验的泵组优化调度，沿用该方案作为物质浓度敏感性分析分区方法的输入
管网。两种方法的管网一级分区结果如下图所示：
- 41 -
（a）最小功率耗散路径搜索（b）物质浓度敏感性分析
图 4-3 一级分区用户节点图
4.3.2 一级分区结果评价
从片区需水量和边界管改造费用两个角度评价分区结果。首先比较各净水厂
设计日供水量和片区实际用水量，分析各片区净水厂供水负荷情况。
表 4-1 一级分区用户节点数量及用水量（m³/d）
净水厂最小功率耗散路径搜索物质浓度敏感性分析
名称设计日供水量用户节点数日用水量用户节点数日用水量
西桥 100000 1198 97432.98 1229 93309.02
江南 50000 1185 100490.82 392 34129.32
东升一期 20000 97 3269.12 147 9025.64
东升二期 40000 73 6761.28 464 39600.22
新城 100000 174 51760.20 495 83651.21
上表显示，路径搜索方法划分得到的江南片区日用水量超过 10 万吨，远远
高于设计供水能力 5 万吨；东升一期和二期片区两部分用户节点数量偏少，导致
实际日用水量不足 1 万吨，远低于东升净水厂设计供水能力；新城净水厂则远低
于设计负荷。对比发现，物质浓度敏感性分析分区方法获得的分区日用水量更加
接近各净水厂设计日供水水量，并且留有一定的弹性富余，可以满足一定的需水
量增长和事故应急供水。
- 42 -
表 4-2 一级分区边界管道信息表
最小功率耗散路径搜索物质浓度敏感性分析
管道编号管道直径管道编号管道直径管道编号管道直径
381 300 186 300 1581 400
561 150 295 300 1610 800
566 400 382 200 1639 300
721 600 420 150 1651 500
854 500 462 300 1670 600
1055 900 640 400 2030 200
1072 600 652 150 2046 150
1318 200 660 150 2071 300
1583 600 738 600 2109 150
2119 800 861 150 2111 600
2247 500 977 400 2192 300
2429 300 1159 150 2210 400
2551 400 1223 400 2462 400
2633 300 1399 600 2527 800
—— —— 1402 600 2594 150
—— —— 1405 300 2655 400
—— —— 1549 300 —— ——
分区边界关闭的管道安装电磁流量计和阀门，以保障事故应急跨区供水能力。
电磁流量计和阀门均按照 B 市所处省份地区报价，结合管径选择。其中路径搜索
分区需关闭 14 根管道，设备费用共 15.59 万，敏感性分析分区需关闭 33 根，设
备费用共 39.89 万。关闭管道示意图如下所示，用深蓝色标出：
阀门
水泵
边界管道
内部管道
（a）最小功率耗散路径（b）物质浓度敏感性分析
图 4-4 一级分区边界管道示意图
综合考虑片区日需水量、边界管道数量及改造费用，路径搜索方法在供水管
网一级分区上表现劣于灵敏度分析方法，可能是由于路径搜索仅考虑单个节点需
- 43 -
水，忽视其他节点的用水行为，导致在路径分配上偏重大口径管道，运行结果与
实际工况偏差较大。对比发现，敏感性分析方法划分产生的边界管道数量较大，
需投入较多的改造费用，但是片区需水量与净水厂设计供水能力更匹配，节能降
耗潜力更大，应急供水能力有保障。因此，选择物质浓度敏感性分析方法划分 B
市管网。
另外，虽然最小功率耗散方法在一级分区效果上不佳，但是该方法可以在一
定程度上反映主干管铺设是否合理。该方法采用海森威廉阻力系数作为管道权重，
管径（m）的指数为 4.871，管径相差 100 mm 的两条管道在阻力系数相差一个数
量级以上，因此该方法优先选择大尺寸管道作为联通水源与用户节点的路径。例
如在实际运行中，B 市南部管网末梢由邻近的东升二期水厂供水，但是在图 4-3
（a）中呈现出大片的黑色区域，即最小功率耗散算法认为该片区由江南水厂输
水时水头损失更小，理应选择相隔较远的江南水厂作为供水水源。因此在后续的
规划中，可以改造该片区管道，铺设大管径主干管从而改善水力条件，降低供水
压力，控制漏失。
一级分区还应起到一定的压力均衡、提高管网压力的作用。对比敏感性分区
前后管网压力变化，除了江南片区最高压力和平均压力略有降低，其余片区压力
均有提高，其中东升一期片区提高最明显。
表 4-3 分区前后压力变化表
西桥江南东升一期东升二期新城
hmax hmean hmax hmean hmax hmean hmax hmean hmax hmean
分区前 56.18 43.02 65.69 42.09 56.72 35.05 56.16 44.88 56.16 41.68
分区后 55.88 40.31 65.66 41.04 69.80 40.08 56.61 47.09 61.79 42.72
在分区前，东升一期片区用户节点地势较高，需要较高的净水厂出厂压力才
能满足。水源分区后，东升一期供水范围明晰，主要为地势高区供水，相同泵站
运行情况下最高压力和平均压力均有显著提升。东升二期、新城等片区平均压力
均有一定提升，原因可能是划分后的片区实际用水量减少，在泵组启闭状态不变
的情况下，水泵工况点向左上方移动，出厂水头有所升高。管网各片区压力的变
化反映一级分区对压力提高有一定作用，对后续泵组优化调度实现降低电耗具有
一定的辅助作用个，由于分区改变了水厂供水范围和水量，还需要经过第五章泵
组寻优获得一级分区后合适的泵组运行方案，才能定量比较分区对于漏失控制的
效果。
- 44 -
4.4 本章小结
（1）本章首先分析多水源供水管网存在的调度困难、水质恶化、能源和资
源浪费等潜在风险，指出供水管网一级分区的重要性。然后研究分区计量管理工
作指南中的三级分区技术，明确一级分区应结合现状管网、方便管理、长远规划
等原则。
（2）对比供水管网分区研究进展，选择适用于一级分区的路径搜索方法。
研究最小功率耗散路径搜索方法和物质浓度敏感性分析方法的理论基础，并在 B
市供水管网中应用。结合片区供水能力和实际用水量的差异，以及边界管道数量
和改造费用两个角度评价分区结果，发现物质浓度敏感性分析分区方法效果更佳。
（3）由于分区后管网静态拓扑属性发生改变，还需要进行泵组工况优化调
度，寻找最优运行方案，验证一级分区效果。
- 45 -
第5章多水源泵组多目标优化调度
5.1 引言
供水管网调度是一个复杂非线性问题，不仅需要保障基础供水服务，还应实
现操作简便、节能环保、经济高效、安全可靠等多方面的目标，综合考虑不同目
标之间的矛盾关系。因此，供水管网优化调度问题逐渐从传统的单目标最优化模
型转向多目标优化模型，力求在多个运行管理指标上实现均衡优化。在多水源背
景下，泵组运行工况的组合数大大增加，供水分界线随时间变化，限制暴力穷举
法和经验调度法的使用，数学规划和启发算法逐渐应用和发展。对应于求解多目
标优化模型，使用最广泛、求解最便捷的当属多目标进化算法。
本章将建立多水源供水管网多目标优化模型，并采用多目标进化算法求解。
比较未经分区的原始管网和物质浓度敏感性分析分区的管网，以及 NSGA-II 和
NSGA-III 两种多目标进化算法的求解效果。研究在满足基础供水服务的前提下，
优化泵站的运行工况，降低管网运行压力，实现漏失管理。
另外，本章内容建立在前文研究的基础上。在第二章、第三章对微观水力模
型进行调整，实现对 2018 年 10 月 28 日 B 市供水管网实际工况的模拟，准确模
拟用户节点需水量和漏失情况。按照第四章物质浓度敏感性分区方案，关闭表 4-
2 中边界管道，模拟各水源一级分区。最后通过水力平差，实现本章优化模型所
需各目标函数、约束条件的计算。
5.2 建立多目标优化模型
最优化问题是指求一元或多元函数在给定决策空间中的目标空间极值点。多
目标优化问题（multi-objective optimization problems，MOPs）又称为 Pareto 优化
问题，是指同时优化两个及以上目标函数。不同的目标之间可能存在矛盾，使得
一个目标的优化必然伴随至少另一个目标的劣化，因此对整体目标而言，所有目
标函数最优的解是无法实现的，称为乌托邦解，能够达到的最优解是多个最优折
中解，称为帕累托解。
多目标优化模型可表述为：
min y =F ( x ) = ( f1 ( x), f 2 ( x), , f p ( x)) T
s.t. gi ( x )  0
(5-1)
h j ( x )=0
xkL  xk  xkU
- 46 -
式中， y = ( y1 , y2 , , y p )  Y ——优化目标函数向量；
Y ——目标空间；
f m ( x) ——第 m 维目标函数；
x = ( x1 , x2 , , xn )  X ——决策变量向量；
X ——决策空间；
xkL ——第 k 个决策变量 xk 的下限；
xkU ——第 k 个决策变量 xk 的上限；
gi ( x ) ——决策变量应满足的不等式约束；
h j ( x ) ——决策变量应满足的等式约束。
在目标函数空间 Y 中，等式与不等式约束共同构成可行域。
5.3 多目标进化算法
5.3.1 帕累托支配解
由于多目标优化问题涉及多个目标函数大小的比较，不能简单选择某项目标
函数最优的目标函数向量，因为剩余目标函数表现可能较差。为比较多个目标函
数向量的优劣关系，求解多目标优化模型，首先需要明确帕累托最优解的定义。
帕累托关系是 1906 年意大利学者 Vilfredo Pareto 研究社会经济学时提出的多目
标决策方法。求多目标优化模型的帕累托支配解，需要首先明确以下内容：
（1）帕累托支配关系对于两个决策变量若 x A ， x B  X ，分别有两个目
标函数向量 y A = ( y A1 , y A2 , , y A p )  Y 和 y B = ( yB1 , yB 2 , , yBp )  Y ，若 x A 支配 x B
（ xA xB ），则至少存在一个目标函数 y Ai 小于 yBi ，且其余目标函数 y Aj 不大于 yBj 。
若一个目标向量不受其他任何一个解的支配，则称为非支配解。
（2）帕累托最优解若 x*  X 为帕累托最优解，则决策空间内不存在任
何一个其他的决策变量帕累托支配 x* 。由帕累托最优解构成的解集称为帕累托
最优解集。
- 47 -
（3）帕累托前沿在目标函数空间中绘制帕累托最优解集，所构成的空
间曲面为帕累托前沿。
无论采用什么方法求解多目标优化问题，多个目标函数之间的竞争关系会制
约获得最优解，因此求解结果的形式为帕累托最优解集，集合内的解互相为非支
配关系。
5.3.2 多目标进化算法 MOEAs
多目标优化模型最广泛使用的求解方式是多目标进化算法（multi-objective
evolutionary algorithms，MOEAs），可以理解为传统进化算法的嵌套，判断种群
中个体的支配和非支配关系进行个体排序，并保留种群的多样性，以保证最优帕
累托解集中的决策方案多样化。
多目标进化算法的发展可分为三个阶段：
（1）第一阶段是将传统的遗传算法
添加非支配排序和小生境技术，实现最初的多目标进化求解，存在的问题是过度
依赖共享度，计算量大，收敛性不好；
（2）第二阶段是用精英保留策略替代适应
度共享的小生境技术，有效提高计算效率和收敛性；
（3）第三阶段在上一阶段基
础上，添加基于分解、基于交互、基于评价指标等方法，逐步向高维度优化发展。
本文采用的多目标进化算法是 2013 年 Deb 提出的 NSGA-III[71]，是在多目
标优化问题领域应用最广泛的 NSGA-II[72]基础上进行改进，其中 NSGA-II 属于
第二阶段 MOEA 算法，NSGA-III 属于第三阶段。这两种算法的基础都是遗传算
法，在运算中包含选择、交叉、遗传、变异等基础操作，另外采用非支配排序算
法对种群分层，按照层次高低依次保留个体，实现集体进化效果。
第一代非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm，
NSGA）采用的非支配排序算法步骤如下：
（1）初始化非支配层层数 i=1；
（2）遍历种群中所有个体与其他个体的帕累托支配关系，取出所有不受其
他任何个体支配的个体，放置于第 i 层集合中，分配统一的虚拟适应度，并删除
种群中的个体；
（3）非支配层层数加一，循环步骤（2）、
（3）直至所有非支配个体被取出，
每一层的虚拟适应度较上一层都有所减小。
该算法作为早期多目标进化算法，具有重要意义。然而，NSGA 算法采用的
非支配排序算法计算复杂度高，达到 O(mN3)，另外，该算法使用虚拟适应度，同
一层内共享同一个适应度数值，选择压力不足，容易产生早熟问题。
- 48 -
5.3.3 NSGA-II
第二代算法称为带精英策略的快速非支配排序遗传算法 NSGA-II，在第一代
算法基础上提出三项重点改进，应用快速非支配排序算法、引入精英保留策略、
提出拥挤度距离，大大提高效率和求解鲁棒性，优良的性能获得广泛使用。
图 5-1 NSGA-II 个体选择操作示意图
（1）快速非支配排序快速非支配排序的特点是增加个体之间的支配关
系，避免原始非支配排序算法每一层重复需进行所有剩余个体之间的非支配排序
关系，降低计算复杂度，为 O(mN2)。具体操作如下：遍历种群内所有个体被支配
个体数和支配个体集合，先取出被支配个体数为 0 的个体作为第一层，然后取第
一层个体中支配个体的集合，将其中被支配个体数为 1 的个体作为第二层，再取
第二层个体支配个体的的集合……以此类推直至种群完全分层；
（2）引入精英保留策略精英策略是指将父代 Pi 和子代 Qi 经过合并和选
择形成种群 Pi+1 的过程，该策略的优点是能够保留父代优秀个体，直接进入到下
一次种群进化，避免交叉和变异对优秀个体的干扰。原本 Ri = Pi  Qi 使得合并种
群共有 2N 个个体，首先按照非支配排序的方式，选择产生个体个数大于或等于
N 的种群 Pi+1，其最后一层为 Zl ，计算该层个体拥挤度，按照拥挤度大小排序，
优先选择其中拥挤度大的个体，直至新父代的个体数达到要求的数量；
（3）引入拥挤度算子计算同一非支配层内每个个体与相邻个体的拥挤
度，优先选择拥挤度较小、拥挤距离较大的个体，使得个体在目标空间中分布均
匀，减少聚集程度，保留个体的多样性，增加方案选择的多样性。具体操作如下：
计算目标函数的最值，如第 p 个目标函数有最大值 f pmax 和最小值 f pmin 。对于某一
层个非支配层中的个体，按照目标值函数 f p 大小排序，位于首尾边界上的两个
- 49 -
个体拥挤度取无穷大，即 distance1 = distance N =  ，其余个体的拥挤度计算公式
f p (n + 1) − f p (n − 1)
为 distancen = 。同一个非支配层内，按照拥挤度关
f pmax − f pmin
系可以给出拥挤度排序。不同非支配层个体按照非支配层关系比较，同一层内按
照拥挤度排序比较。
开始
种群初始化
进化代数 Gen = 1
父代、子代合并
否
快速非支配排序生成新父种
Gen = Gen + 1
计算各层拥挤度是
选择、交叉、变异
拥挤度选择新父代
否
Gen 达到最大代
结束
图 5-2 NSGA-II 算法流程图
5.3.4 NSGA-III
第三代算法称为基于参考点的带精英策略快速非支配排序遗传算法 NSGA-
III，与第二代算法整体结构相似，唯一区别在于选择方式上添加了基于参考点的
选择排序。NSGA-II 计算种群中个体的拥挤度，该方法对二维目标有较出色的表
现，但是在三维及以上的目标空间容易产生不均匀分布，进而限制于局部最优解，
种群多样性不足[73]。为解决这一问题，NSGA-III 提出基于参考点的个体选择算
法，制作高维超平面，在平面上一定间距寻找参考点，使得各个目标维度上选择
进入下一代的个体能有较均匀的分布。对于 P 个体目标函数的多目标优化问题，
基于参考点的个体选择方式如下：
- 50 -
（1）制作 P 维超平面首先，构造 P 维超平面。计算种群 Pn 中每个个体
的目标函数值 Fn =(f1 (x),f 2 (x), ,f P (x))，n  (1,2, ,N ) 。选择出所有目标函数的最
小值组成乌托邦点 Z*：
Z * = ( f1min , f 2min , , f Pmin ) (5-2)
将各个个体减去乌托邦点 Z*，获得标量化个体目标函数值 Fp' ( x ) ：
Fp' ( x ) = Fp ( x ) − Z * = ( f1 − f1min , f 2 − f 2min , , f P − f Pmin ) (5-3)
计算种群极值点。引入 ASF 函数，计算每个个体的 ASF 值：
P
f p − f pmin
ASF ( x, w) = max p =1 (5-4)
wp
式中， w ——ASF 函数辅助向量， w = ( w1 , w2 , , wp ) 。
例如对于三维优化模型，在固定计算的第一根坐标轴时，辅助向量 w1 第一个
元素为 1，其余为 10-6：
w1 = (1,10-6 ,10-6 ) (5-5)
F1' ( x1 ) = (a1 , b1 , c1 )
对于标量化后的目标函数值，则有
a1 − f1min b1 − f 2min c1 − f3min

ASF ( x1 , w1 ) = max( , , ) (5-6)
1 10-6 10-6
计算所有决策变量对于固定第一根坐标轴时的 ASF 函数值，取满足
ASF ( xi , w) = min( ASF ( xn , w)) 值最小的决策变量 x i 的标量化目标函数值 Fp' ( xi )
作为 P 维超平面与第一个坐标轴的交点。
按照上述方法逐个找出超平面在 P 个坐标轴上的交点，可精确描述 P 维超
平面，并得到超平面极值点在所有 P 个坐标轴的截距集合
a = (a1 , a2 , , aP ) 。根据
截距将个体归一化：
n
f p' f p − f pmin
f ( x) = = (5-7)
a p − f pmin a p − f pmin
p
通过这一方法构造，使得超平面与坐标轴交点的归一化函数值均为 1。
（2）关联参考点根据步骤（1）制作的超平面，在所有坐标轴上均出现
交点。设划分间隔数为 q，则参考点总数按下式计算：
- 51 -
( P + q − 1)!
H = CPq + q −1 = (5-8)
q !( P − 1)!
用参考点将超平面均匀划分，并各自与坐标轴原点相连组成参考向量
i 。计
算所有个体与所有参考向量的垂直距离，选择其中距离最小的作为个体的参考距
离，将个体和参考点关联。一个参考点可能关联一个或多个个体，也可能不与任
何个体关联。
（3）基于参考点选择新父代 NSGA-III 算法延续精英策略，将父代 Pi 和
子代 Qi 经过合并和选择形成种群 Pi+1，采用基于参考点选择代替拥挤度排序选
πj
择。对于第 j 个参考点，获得其在新父代种群 Pi+1 最后一层 Zl 的关联个体数，
及在 Zl 层以前的(l-1)层的关联个体数  j 。分以下情况讨论参考点关联个体的选
择和淘汰：若 π j  0 ，且  j = 0 ，即最后一层存在关联个体，而前(l-1)层不包含参
考点 j 的关联个体，则选择到 Zl 层中与参考点 j 关联并且距离参考向量  j 最近的
个体；若 π j  0 ，且  j  0 ，即最后一层存在关联个体，而前(l-1)层已经包含参考
点 j 的关联个体，则从 Zl 层与参考点 j 关联的个体中随机抽取一个；若 π j = 0 ，
表示该参考点并没有关联个体，则跳转到下一个参考点，直到将种群 Pi+1 填充到

N 个个体为止。
5.4 解集评价和决策方案比选
遗传算法运行终止条件通常有两种：
（1）种群代数达到设定的上限；
（2）适
应度函数达到指定阈值，与预期优化的目标在误差限允许范围内。多目标优化问
题的目标函数数量限制方法（2）终止阈值的选择和应用，本文采用方法（1），
将多目标进化算法终止代数设为 200 代。
多目标优化问题的解不是单独的参数方案，而是包含多个方案的帕累托解集，
需要对解集进行深入分析，检验多目标进化算法的收敛性、帕累托解集的多样性，
挑选出合适的方案。因此，运算结果的评价从两个角度开展：
（1）考察多目标进
化算法在特定问题中的表现，选用不同性能评价指标分析解的收敛性、均匀性和
广泛性；
（2）结合工程实际必选帕累托解集，获得各项性能最佳和综合性能最佳
的优化方案。
- 52 -
不仅要关注最优化的结果，还要实现对求解结果的评价，从数学上应分析解
集的收敛性、均匀性和广泛性，从工程实际的角度分析最佳决策方案的优化效果。
5.4.1 解集收敛性评价
优化算法在凸问题上可以获得全局最优解，而对于非凸、非线性、不连续的
优化问题，需要检验是否避免陷入局部最优，收敛于全局最优解。多目标优化问
题的全局最优解在高维空间中以理想帕累托前沿形式呈现，称为 PFture，因此检
验多目标进化算法收敛性，需要比较求解的近似帕累托前沿 PFknown 与理想前沿
PFture 的关系。然而在实际工程问题中，理想前沿难以获得，故本文采用 NSGA-
II 和 NSGA-III 算法综合检验，比较两个算法求解的近似前沿支配关系[74]。引入
非支配解贡献度（Pareto Nondominated Ratio，PNR）将所有算法的解集合并，比
较帕累托支配关系，获得所有解集的非支配解集合，则某个算法的优势指数等于
该算法为整体非支配解集贡献非支配解个数占总数比例。贡献度越大，表示该进
化算法的解集相比其他算法的解集表现优秀，更接近理想前沿。计算公式如下：
Ai  B
PNRi =  100% (5-9)
B
式中， PNRi ——表示第 i 个进化算法的非支配解贡献度（%）；
Ai ——表示第 i 个进化算法的解集；
B ——表示所有进化算法非支配解组成的集合。
5.4.2 解集多样性评价
最为理想的求解结果是在理想帕累托前沿上均匀分布的点集，通过有限数量
的点即可反映理想前沿的形状和分布。引入间距指数（Spacing Metric， SP），计
算每个目标函数向量所绘制的点与相邻最近的点的欧氏距离 di，然后计算解集相
邻距离的标准差，最后求标准差与平均距离的比值。间距指数越小，表示解集分
布越均匀，若指数为零，表示所有间距相等，此时空间分布的均匀性最好。计算
公式如下所示：

N
1 (d n − d ) 2
SP = n (5-10)
d n −1
式中， SP ——解集的间距指数；
N——解集包含的目标函数向量总数；
- 53 -
d n ——第 n 个目标函数点与相邻最近的点之间的欧式距离；
d ——所有点最邻近距离的平均值。
5.4.3 解集广泛性评价
较为理想的多目标优化解集，除了满足收敛性好、多样性足，还需要在空间
上具有广泛性，即同一类目标函数的最大和最小值保持一定距离，提供更灵活的
决策空间。识别解集所有目标函数最优和最劣的乌托邦解和反乌托邦解，求两个
目标向量的欧式距离，计算最大分散度（Maximum Spread，MS）。间距指数相同
的情况下，最大分散度越大，表示解集的空间分布性能越好，
1 M
MS =  (max( f m ) − min( f m ))2
m m
(5-11)
式中， MS ——最大分散度；
M ——目标向量中元素个数，即目标函数总数；
f m ——第 m 个目标函数的函数值。
5.4.4 决策方案的比选
多目标优化问题的解集难以简单对比，通常采用优劣解距离法（Technique for
Order Preference by Similarity to an Ideal Solution，TOPSIS）分析解集，选出四项
指标最优和最差的一项，合并成为乌托邦解和负乌托邦解。根据理想解和负理想
解将成本型适应度函数标准化：
max  f p ,n ( x) − f p ,n ( x)
f p' ,n ( x) = 1 n  N
(5-12)
max  f p ,n ( x) − min  f p ,n ( x)
1 n  N 1 n  N
T T
标准化后，乌托邦解为 (1,1,1,1) ，负乌托邦解为 (0,0,0,0) 。
然后确定目标函数中各项子目标的权重  = (1 ,  2 , ,  p ) ，计算标准化、加
权后的目标函数：
f p'',n ( x) =  p  f p' ,n ( x) (5-13)
式中，  p ——第 p 个子目标函数的权重。
- 54 -
则帕累托解集内所有个体的标准化适应度函数与标准化乌托邦解、负乌托邦
解的欧式距离为：
Sn+ =  ( f p'',n ( x) −  p )2
3
p =1
(5-14)

3
Sn- = p =1
( f p'',n ( x) − 0)2 (5-15)
则解的贴合度为：
+ S n-
C = - (5-16)
Sn + Sn+
n
贴合度数值越大，表示解距离乌托邦解越接近，各项指标表现越好。
5.5 多水源泵组多目标优化调度
建立供水管网多目标优化调度控漏模型，通过调节泵组运行工况，在保证水
质、水量、水压满足用户需求的前提下，尽可能降低漏失水量，并保证管网内压
力均衡，泵站电耗降低。优化模型使用第二、三章修改的微观水力模型，在输入
泵组运行方案后，计算目标函数、约束条件作为个体的目标向量。
（1）目标函数构建管网多目标优化模型，目标函数除了重点关注的管
网漏失水量，还应包含泵站电耗和管网平均水质。三个目标函数均可视为成本型
目标函数，通过多目标优化调度尽可能将漏失水量、泵站电耗、管网评价水质降
到最低。选择这前两项子目标函数的原因是以往的研究通常将漏失水量和泵站电
耗折算为供水成本，按经济最优的方式计算，这种方法在单水源管网寻优效果好，
但是在多水源管网中，漏失水量与泵站电耗之间不一定是简单的线性关系，因此
需要将这两项子目标函数区分开。选择第三项子目标函数的原因在于分区后管网
新增一些水龄较大的盲端支管，使得管网水质恶化，因此需要引入平均水龄作为
子目标函数，对分区后管网水质进行优化。
其中，漏失水量采用压力驱动的节点漏失系数计算，根据公式 3-1 至 3-7 计
算获得的节点漏失系数和节点压力计算：
f1 =  t =1  j =1 c j  Pj,t (5-17)
T J
式中， T ——水力模拟总小时数；
J ——供水管网用户节点个数；
c j ——第 j 个用户节点的漏失系数；
Pj ,t ——第 j 个用户节点在 t 小时的节点自由水头（m H2O）；
 ——节点漏失指数，取 1.18。
- 55 -
泵站电耗由各台水泵工况点流量、扬程和效率计算：
c  Qm,t (nm,t )  H m,t (nm,t )
f 2 =  t =1  m=1 sm,t 
T M
(5-18)
m,t m ',t
式中， sm,t ——第 m 台水泵在 t 小时的启闭系数，若 sm,t = 1 表示水泵运行，
若 sm,t = 0 则表示关停；
M ——水泵总台数；
c ——单位换算系数；
Qm,t (nm,t ) ——第 m 台水泵在 t 小时以调速比 nm ,t 运行时的流量（m³/h），
若水泵为定速泵，则调速比取定值；
H m,t (nm,t ) ——第 m 台水泵在 t 小时以调速比 nm ,t 运行时的扬程（m
H2O），若水泵为定速泵，则调速比取定值；
m,t 、m ',t ——分别表示第 m 台水泵水泵和配套电机的效率。
管网水质用节点流量加权平均水龄计算：

J
D j , t  A j ,t
f3 =  t =1 j =1
T
(5-19)
T   j =1 D j ,t
J
式中， D j ,t ——第 j 个用户节点在 t 小时的节点需水量（m³/h）。
A j ,t ——第 j 个用户节点在 t 小时的节点水龄（h）。
需要注意的是，由于 EPANET 软件的水质模拟属于管段推流模型，对于距

离水源较远的节点，需要寻找水龄平稳段的时间，避免水质模拟的初始阶段水龄
水质不稳定造成误差。
将以上三个子目标函数合并为多目标优化目标函数，则有：
min F ( x) = ( f1 , f 2 , f3 )T (5-20)
（2）约束条件约束条件包含水力平衡方程组、用户节点最小服务水头、
水泵运行高效段、水源和净水厂供水能力。水力平衡方程组要求满足节点连续性
方程和能量方程。用户节点最小服务水头按照住建部 CJ/T316-2009 规定采用 0.14
MPa，即 14 米。水泵在高效段运行，效率应不低于 70%。水源供水能力受到水
源水量和水厂供水能力限制。综上所述，多目标优化模型约束条件为：
- 56 -
s.t. g ( H , q, a)=0
Pj ,t  Pmin
(5-21)
m,t  min
Qn ,t  Qn ,max
水力平衡方程组在管网平差中即可满足，将其余的约束条件分为软约束和硬
约束两类，分别用不同形式的惩罚项表示。其中软约束是针对允许轻微违反的约
束条件，将节点最小服务水头、水泵高效段限制和供水能力约束作为软约束条件
处理。
f 4 = t =1  j =1 c j ,t  (14 − Pj ,t )
24 J
(5-22)
式中，f 4 ——最小服务水头惩罚项，统计自由水头与给定的最小服务水头 14
m 时的差值，当最不利点达到最小服务水头时， f 4 = 0 ；
c j ,t ——第 j 个用户节点在 t 小时的节点自由水头判断系数，若
Pj ,t  14 ，则 c j ,t = 0 ，否则 c j ,t = 1 ；
Pj ,t ——第 j 个用户节点在 t 小时的节点自由水头（m H2O）。
水泵运行高效段约束转化为水泵实际效率与给定最低效率的差值之和：
f5 = t =1  m=1 sm,t  cm,t  (0.7 − m,t )

24 M
(5-23)
式中，f5 ——水泵运行高效段惩罚项，当所有水泵都在高效段运行时，f5 = 0 ；
sm,t ——第 m 台水泵在 t 小时的启闭系数，若水泵运行，则 s m,t = 1 ，
否则为零；
c m ,t ——第 m 台水泵在 t 小时的运行效率判断系数，若m,t 低于 70%，
则m,t = 1 ，否则为零；
m,t ——第 m 台水泵在 t 小时的运行效率。
净水厂供水能力约束转化为所有净水厂实际供水量与设计最大供水能力的
差值之和：
f 6 =  k =1 ck ,t  (t =1 Fk ,t − Fk*,t )
K 24
(5-24)
- 57 -
式中， f6 ——净水厂供水能力约束惩罚项，当所有净水厂实际供水能力不超
过设计最大供水能力时， f5 = 0 ；
c j ,t ——第 k 个净水厂在 t 小时的流量判断系数，若 Tt =1 Fk ,t  Fk*,t ，
则 c j ,t = 0 ，否则 c j ,t = 1 ；
Fk ,t ——第 k 个净水厂在 t 小时的流量（m³/h）；
Fk*,t ——第 k 个净水厂的设计最大供水能力（m³/d）。
硬约束为用户节点负压。由于 EPANET 软件的首要平差目标是满足节点需

水量，可能产生与现实完全背离的负压，造成低漏失、低电耗的异常决策向量，
严重挤压正常决策向量在进化算法中遗传和保留。因此，将节点负压视为硬约束
条件，统计负压节点个数作为负压惩罚项：
f 7 = t =1  j =1 s j ,t
24 J
(5-25)
式中， f 4 ——用户节点负压惩罚项，当管网内无负压时， f7 = 0 ；
s j ,t ——第 j 个用户节点在 t 小时的负压判断系数，若 Pj ,t  0 ，则 s j ,t = 1 ，
否则为零。
进化中允许软约束惩罚项出现，将软约束惩罚项求和，乘以惩罚系数与各项
目标函数相加。尽可能规避节点负压等异常平差结果出现，因此将硬约束惩罚项
作为目标函数的乘数。改写后的多目标优化模型为：
 ( f1 +a4 f 4 + a5 f 5 + a6 f 6 )  (1 + f 7 ) 
min F ( x ) = ( f 2 +a4 f 4 + a5 f 5 + a6 f 6 )  (1 + f 7 )  (5-26)
 ( f3 +a4 f 4 + a5 f5 + a6 f 6 )  (1 + f 7 ) 
式中， a4、a5、a6 ——三个软约束的惩罚系数。
当所有约束条件均达到理想值时， f 4 = f5 = f6 = f7 = 0 ，则优化模型还原为
原始形式：
min F ( x ) = ( f1 , f 2 , f3 )T (5-27)
（3）决策变量采用直接寻优的方式，将泵站内所有水泵与管网组成的
模型进行一次寻优，求解泵组最优运行策略。以一小时作为优化模型的时间步长，
- 58 -
则每台水泵每天有 24 个运行工况。假设总共有 M 台水泵，总共有 24M 个工况。

遗传算法中的每个个体均有 24M 个基因，分别对应一天中每个小时。
图 5-3 个体染色体混合编码示意图
在实际运行中，大型水泵开启和关闭都是缓慢完成的，水泵以一小时为时间
颗粒度进行操作，不仅大大增加了实际操作的工作量，还使得管网水力条件不稳
定，无法保障启闭时刻的管网供水能力。根据日用水量变化曲线把 24 小时分为
不同时段，时段内各小时水泵启闭状态相同，可以减少操作频率，保障供水服务
稳定。
对于定速泵，只有启闭状态可以调节，因此若所有水泵都是定速泵，可以定
义为二进制编码，所有染色体只有 0 和 1 两个值；对于调速泵，则染色体表示的
数值为介于 0~1 之间的实数，对应调速泵的调速比，故采用混合编码方式表示泵
组运行状态。编码完成后，个体可以进行遗传算法的变异和遗传，在计算目标函
数值环节，还需要通过修改水泵模式进行解码。水泵调速比为：
w= n (5-28)
n0
式中， n0 ——调速泵额定转速（r/s）；
n ——调速泵实际运行转速（r/s）。
沿用 B 市供水管网作为多水源泵组多目标优化调度问题的研究案例，如前
所述，该市供水管网改扩建缺少长期规划，随着需水量不断增加，净水厂、泵站
和管网被动跟进，部分水厂实际供水与设计供水能力偏差较大，压力不均衡，漏
失严重，漏失率超过 30%。
采用 DBSCAN-XGBoost 方法短期需水量预测，对 2018 年 10 月 28 日该市
用水量进行预测，并将预测产生的全市用水量按照节点原有的需水量比例关系分
配，结合 3.5 计算所得用户节点漏失系数，修改微观水力模型。采用物质浓度敏
感性分析方法进行管网分区，比较分区前后的泵组多目标优化调度结果。
- 59 -
5.6.1 建立及求解优化模型
该市共有二泵站五个、加压泵站一个，水泵共计 21 台，其中定速泵 7 台，
调速泵 14 台。因此，多目标进化算法每个个体应包含 504 个混合编码基因，用
0 和 1 表示定速泵启闭状态，用 0-1 实数表示调速泵启闭状态和调速比。根据日
用水量曲线变化，将 24 小时分为四段，分别是 22:00~5:00、6:00~11:00、12:00~16:00、
17:00~21:00，每个时段内泵组启闭状态保持不变，只在时段变化时进行启闭、调
速操作。设置软约束惩罚项的惩罚系数为 a4 = a5 = a6 = 0.5 。
表 5-1 B 市水泵信息表
泵站名称水泵编号额定扬程（m H2O）额定流量（m3/h）可否调速
1# 50.40 2736 可调速
2# 58.00 1080 不可调速
西桥 3# 50.40 2736 可调速
4# 50.40 2736 可调速
5# 58.00 1080 不可调速
1# 53.00 1080 不可调速
江南 2# 53.00 1080 不可调速
3# 53.00 1080 可调速
1# 30.50 468 不可调速
2# 30.50 468 可调速
东升一期
3# 30.50 468 可调速
4# 36.00 270 可调速
1# 20.00 1200 可调速
东升二期 2# 20.00 1200 可调速
3# 20.00 1200 可调速
1# 52.00 5420 可调速
新城 2# 52.00 2710 可调速
3# 52.00 2710 不可调速
1# 50.00 610 可调速
锭子桥
2# 50.00 610 可调速
加压泵站
3# 50.00 610 不可调速
对未分区、分区的管网分别用 NSGA-II 和 NSGA-III 进化算法求解，设置遗

传代数上限为 300 代，每一代个体数均为 20 个。
- 60 -
5.6.2 结果评价和方案比选
为方便图示，将未分区 NSGA-II、未分区 NSGA-III、分区 NSGA-II、分区

NSGA-III 分别简记为未分区 II、未分区 III、分区 II、分区 III。
（1）收敛性、多样性和广泛性评价
取四种优化模型运行至第 300 代的种群目标函数集合，数据如下表：
表 5-2 优化结果目标函数数据表
漏失水量（万吨/天）泵站电耗（万 kWh）平均水龄（h）
优化模未分未分分区分区未分未分分区分区未分未分分区分区
型编号区 II 区 III II III 区 II 区 III II III 区 II 区 III II III
1 8.05 7.06 7.44 7.32 4.52 6.52 5.13 5.09 18.09 20.69 17.06 16.92
2 7.21 7.19 7.72 7.31 14.26 6.40 4.73 4.84 18.79 20.56 16.85 16.94
3 7.70 7.08 7.77 7.37 14.81 6.49 4.88 4.69 18.97 20.65 16.88 16.98
4 7.42 7.14 7.46 7.35 5.98 6.41 5.22 4.81 18.69 21.37 17.06 16.95
5 7.71 7.15 7.44 7.31 4.91 6.42 5.13 5.10 19.09 20.59 17.06 16.91
6 7.32 7.06 7.57 7.32 6.84 6.52 4.84 4.65 18.75 20.73 16.93 16.97
7 7.34 7.41 7.60 7.32 13.30 5.23 4.92 5.07 18.79 19.42 16.99 16.93
8 7.72 7.19 7.70 7.32 4.86 6.38 4.85 4.72 19.10 20.57 16.92 17.00
9 7.80 7.08 7.51 7.31 4.78 6.51 5.16 5.07 18.85 20.63 17.04 16.91
10 7.77 7.51 7.57 7.31 4.73 4.69 4.99 4.87 18.96 19.25 17.00 16.92
11 7.63 7.15 7.52 7.33 4.94 6.41 5.04 4.66 19.29 22.00 17.02 16.97
12 7.27 7.18 7.74 7.31 13.74 6.39 4.80 4.64 18.86 21.95 16.90 17.02
13 7.84 7.06 7.51 7.31 4.81 6.56 5.10 4.84 18.12 20.70 17.03 16.95
14 7.57 7.45 7.72 7.32 5.63 4.85 4.84 4.83 18.90 19.16 16.92 16.97
15 7.98 7.19 7.72 7.31 4.62 6.40 4.84 4.63 17.95 20.54 16.92 16.96
16 7.90 7.19 7.54 7.32 4.67 6.39 5.02 4.64 18.10 20.57 17.02 17.01
17 7.55 7.45 7.57 7.33 5.12 4.83 4.95 5.07 19.25 19.14 16.99 16.95
18 7.49 7.39 7.71 7.32 5.84 5.26 4.74 4.89 18.94 19.45 16.85 16.92
19 7.22 7.07 7.46 7.33 14.22 6.55 5.22 4.84 18.72 20.67 17.06 16.94
20 7.96 7.06 7.49 7.31 4.68 6.52 5.11 4.86 17.96 20.72 17.04 16.93
作解集三维散点图如下，其中图 5-4（a）是四个模型的散点图，将聚集于左
上角、右上角和右下角的散点作局部放大图如图 5-5（b）、（c）、（d）所示：
- 61 -
（b）
（c）
（d）
（a）解集三维散点图（b）图（a）右上角局部放大图
（c）图（a）左上角局部放大图（d）图（a）右下角局部放大图
图 5-4 第 300 代种群目标函数三维散点图
按照图 5-4 绘制三维散点图，散点分布越靠近右下角，表示各项子目标函数
值越小，优化结果越好。整体上看，未分区的两个模型与分区后的两个模型散点
之间有明显的距离，且分区后散点值更接近右下角，证明分区后管网在上述三项
子目标构成的多目标优化问题中具有显著优势，能有效降低漏失水量、泵站电耗，
并控制平均水龄。
分别用 PNR、SP 和 MS 三项指标对优化结果分别进行收敛性、多样性和广
泛性评价。其中非支配贡献度 PNR1 将四个优化模型第 300 代结果的解集合并，
综合对比； PNR2 重点对比两种进化算法优劣，将未分区情况下 NSGA-II 和
NSGA-III 算法寻优结果对比，以及分区情况下两种进化算法寻优结果对比。
表 5-3 优化模型解集评价指标
未分区 II 未分区 III 分区 II 分区 III
PNR1(%) 16.13 38.71 12.90 32.26
PNR2(%) 46.88 53.13 28.57 71.43
SP 1.24 1.61 0.76 1.06
MS 97830.83 19274.43 5971.01 4719.15
- 62 -
上表显示，NSGA-III 的寻优效果强于 NSGA-II，但是空间分布多样性和广

泛性均有削弱。在四个模型共 80 个个体中，非支配个体共有 28 个，其中未分区
和分区各贡献 14 个，其中未分区 II、未分区 III、分区 II 和分区 III 算法各有 5、
14、4、10 个，如下图 5-5 红色虚线圈出的方形散点所示。整体而言，一级分区
后的管网进行泵站工况多目标寻优相，其解集虽然丧失较多空间分布的广泛性，
MS 指标显著降低，但是寻优效果更好，更靠近右下角，实际可用的非支配解个
体更多，且空间分布均匀性更强。对于 NSGA-II 解集中出现的低漏失水量、高泵
站电耗解，比如 NSGA-II 解集的第三号个体，漏失水量降低至 7.7 万，而泵站电
耗高达 14 万 kWh，这个极端解的出现可能意味着为降低漏失水量，管网内部分
水泵处于低效率的运行状态。
未分区 II
未分区 III
分区 II
分区 II
优化方向
优化方向
图 5-5 非支配解个体示意图
（2）TOPSIS 法挑选优化方案
取种群的乌托邦解和各项子目标最小解如下；
表 5-4 乌托邦解和各项子目标函数最小解
漏失水量泵站电耗
平均水龄（h）所属解集
（万吨/天）（万 kWh）
乌托邦解 7.057 4.518 16.850 无
最小漏失解 7.057 6.516 20.720 未分区 III
最小电耗解 8.055 4.518 18.090 未分区 II
最小水龄解 7.705 4.740 16.850 分区 II
用 TOPSIS 法筛选合适的优化方案。根据权重选择的不同，TOPSIS 分析法

可进行无偏好分析和有偏好分析。无偏好分析即三项子目标权重相同，即
- 63 -
 = ( 0.333, 0.333, 0.333) ，有偏好分析按信息熵法取四个模型解集的各项子目标权
重为  = ( 0.4392, 0.1944, 0.3664 ) 。
图 5-6 四个模型解集贴合度折线图
上图显示，四种优化模型贴合降序为：分区 NSGA-III > 分区 NSGA-II > 未
分区 NSGA-III > 未分区 NSGA-II，反映分区比未分区效果好，NSGA-III 寻优比
NSGA-II 效果好，充分验证分区和 NSGA-III 算法结合对于多水源管网寻优的可
行性和优势。
表 5-5 原始管网、TOPSIS 解目标函数对比
漏失水量泵站电耗平均水龄
所属解集
（万吨/天）（万 kWh）（h）
原始管网 8.120 5.129 17.60 无
TOPSIS 无偏好解 7.310 4.629 16.96 分区 III
TOPSIS 有偏好解 7.310 4.629 16.96 分区 III
上表反映，TOPSIS 法所选无偏好解与有偏好解重叠，在解集中个体编号为
75，对比该方案所得优化后的管网与原始管网差异。分区后最优解在漏失水量、
泵站电耗和平均水龄均有降低，当日漏失水量降低 8100.75 立方米，漏失率由原
有的 31.58%降低至 29.35%，泵站电耗降低 4998.69 kWh，减少 9.74%，平均水龄
降低 0.64 h。
- 64 -
表 5-6 最优解水泵工况表
启闭状态水泵调速比
泵站名水泵启闭
称编号次数 22:00 6:00~ 12:00~ 17:00~ 22:00 6:00~ 12:00~ 17:00~
~5:00 11:00 16:00 21:00 ~5:00 11:00 16:00 21:00
1# 0 1 1 1 1 0.93 1.00 0.97 1.00
2# 0 1 1 1 1 1.00 1.00 1.00 1.00
西桥 3# 0 1 1 1 1 0.88 0.77 0.85 0.61
4# 0 1 1 1 1 0.92 1.00 1.00 0.86
5# 0 1 1 1 1 1.00 1.00 1.00 1.00
1# 2 1 1 0 0 1.00 1.00 0.00 0.00
江南 2# 0 1 1 1 1 1.00 1.00 1.00 1.00
3# 2 0 0 1 1 0.00 0.00 0.89 0.96
1# 0 1 1 1 1 1.00 1.00 1.00 1.00
东升一 2# 0 1 1 1 1 0.86 0.84 0.84 0.84
期 3# 0 0 0 0 0 0.00 0.00 0.00 0.00
4# 0 0 0 0 0 0.00 0.00 0.00 0.00
1# 2 0 1 0 0 0.00 0.60 0.00 0.00
东升二
2# 0 0 0 0 0 0.00 0.00 0.00 0.00
期
3# 0 1 1 1 1 0.82 1.00 0.91 0.97
1# 2 1 0 0 1 0.71 0.00 0.00 0.95
新城 2# 0 0 0 0 0 0.00 0.00 0.00 0.00
3# 2 0 1 1 0 0.00 1.00 1.00 0.00
1# 0 0 0 0 0 0.00 0.00 0.00 0.00
锭子桥
2# 2 1 1 1 0 0.93 0.93 1.00 0.00
加压站
3# 2 0 0 1 0 0.00 0.00 1.00 0.00
对比 3:00、7:00、15:00、18:00、23:00 这五个时间段，分区及优化前后管网
压力分布情况，如下图 5-7 和图 5-8 所示。对比图 5-7 分区、优化前后节点压力
变化，分区后有部分临近水源的节点压力上升，出现更多的高于 55 m 的红色节
点，尤其是在低谷用水时段，如凌晨 3:00。相比之下，压力降低的区域更多，主
要是管网北部西桥片区的末梢、东升一期片区、新城片区全部以及锭子桥加压泵
站以后的片区。根据第三章压力与漏失关系的模拟，分区优化后管网压力普遍降
低，成为漏失水量有效控制的主要原因。由于泵组优化调度将 14 m 的最小服务
水头设置为惩罚系数为 0.5 的软约束惩罚项，因此优化后出现少量低于最小服务
水头的节点，比如高峰时段 7:00、18:00 管网北部出现的少量蓝色节点。虽然这
些节点压力低于 14 m，但是最低不低于 12 m，反映惩罚系数取值合理。对比图
5-9 分区优化前后管道流量变化不明显，最突出的是分区以后锭子桥加压泵站无
需供给最北端的末梢区域，流量有所减少。
- 65 -
压力（m）
14.00
25.00
35.00
55.00
（a）原始管网 3:00
（b）分区优化管网 3:00
压力（m）
14.00
25.00
35.00
55.00
（c）原始管网 7:00 （d）分区优化管网 7:00
压力（m）
14.00
25.00
35.00
55.00
（e）原始管网 15:00
（f）分区优化管网 15:00
- 66 -
压力（m）
14.00
25.00
35.00
55.00
（g）原始管网 18:00 （h）分区优化管网 18:00
压力（m）
14.00
25.00
35.00
55.00
流量（L/s）
(i) 原始管网 23:00 (j) 分区优化管网 23:00
图 5-7 原始工况与优化后节点压力分布图（m H2O）
（b）分区优化管网 3:00
（a）原始管网 3:00
- 67 -
（c）原始管网 7:00 （d）分区优化管网 7:00
（e）原始管网 15:00 （f）分区优化管网 15:00
（g）原始管网 18:00 （h）分区优化管网 18:00
- 68 -
(i) 原始管网 23:00 (j) 分区优化管网 23:00

图 5-8 原始工况与优化后管道流量分布图（L/s）
5.7 本章小结
（1）研究多目标优化模型，建立多水源供水管网泵组多目标优化模型，选
择漏失水量、泵站电耗和平均水龄作为目标函数，将最小服务水头、水泵高效段
运行和净水厂最大供水量作为软约束惩罚项，将水力平差负压作为硬约束惩罚项，
分别表示。选用多目标进化算法 NSGA-II 和 NSGA-III 进行求解。针对多目标进
化算法解集特性，采用非支配贡献度 PNR、间距指数 SP、最大分散度 MS 评价
解集的收敛性、多样性和广泛性，并结合优劣解距离法 TOPSIS 选择最优方案。
（2）结合 DBACN-XGBoost 预测结果和压力驱动漏失模拟调整微观水力模
型，对比原始管网和经物质浓度敏感性分析一级分区管网的 B 市管网泵组优化
调度效果。结果显示，一级分区与泵组优化相结合，有利于管网节能降耗，提升
水质，以及控制漏失，验证物质浓度敏感性分析方法能应用于管网一级分区。同
时，对比 NSGA-II 和 NSGA-III 算法发现，第三代算法解集的空间多样性和广泛
性虽然有所降低，但是寻优能力更强，各项子目标均能获得综合优化。在案例 B
市模拟运行，泵站电耗减少 9.74%，平均水龄降低 0.64 h，研究的重点内容漏失
水量经分区和优化后降低 8100.75 立方米，有较好的实践指导意义。
- 69 -
结论
本文提出针对多水源供水管网的漏失水量控制措施。首先建立准确的需水量
预测模型和漏失模型，获得精确的动态用户节点需水量数据和漏失水量，从而调
整微观水力模型，保证分析准确可行。然后进行一级分区，优化区域供水格局，
并建立泵组多目标优化调度模型，用多目标进化算法求解寻找最优泵组工况方案，
制定合理有效的管网运行方案，实现漏失控制的主要目的，并兼顾节能降耗和提
高水质的要求。主要得出以下结论：
（1）提出短期需水量预测模型 DBSCAN-XGBooost，该方法结合 DBSCAN
聚类分析形成组合预测模型，能准确快速识别离散分布的异常用水量数据，相比
于单独预测模型预测精度高、鲁棒性好。将极端梯度提升算法应用于需水量预测
领域，根据时间因素和天气因素回归预测，相比于时间序列法 ARIMA 模型预测
更准确，在居民小区和城市管网预测结果的决定系数分别为 0.914 和 0.975，证
明预测模型对用户节点需水量预测准确可用，具有良好的实践指导意义。
（2）引入压力驱动漏失模拟，采用水平衡分析获得管网漏失水量，采用遗
传算法求解管网整体漏失系数 c，结合管道漏失权重 wk 和节点漏失权重 w j 分配
在用户节点上。修改后的微观模型节点流量由用水和漏失两部分组成，有效解决
了传统微观模型和平差软件在漏失现象模拟的缺陷。经压力和流量校核，修改后
模型在误差允许范围内，能反映实际水力情况。
（3）应用物质浓度敏感性分析和最小功率耗散路径搜索方法进行供水管网
一级分区。相比之下，敏感性分析方法的一级分区效果更好，具有优化多水源供
水管网供水格局的能力，保证片区实际需水量与设计供水量相匹配，同时预留一
定的供水量弹性。经验证，一级分区后的管网与泵组多目标优化调度结合使用，
对管网的运行指标有显著的提高，不仅在漏失控制上取得较好效果，而且能有效
节约泵站用电消耗，同时降低平均水龄。
（4）在泵组多目标优化调度方面，建立以漏失水量、泵站电耗、平均水龄
为子目标函数的多目标优化模型，采用两种惩罚方式处理软、硬约束条件，既能
保留相对充足的解空间，又保证约束条件的收敛性。对比 NSGA-II 和 NSGA-III
两种多目标进化算法的求解，发现 NSGA-III 在泵组多目标优化问题上寻优能力
较强，非支配集贡献度更高。综合上述方法，在 B 市一级分区并寻找最优的泵组
运行工况，结果反映一级分区与 NSGA-III 的方法组合具有最佳的寻优效果，在
漏失水量、泵站电耗和平均水龄上取得综合最优结果，当日漏失水量减少 8100.75
立方米，漏失率下降 2.23%，泵站电耗降低 4998.69 kWh，减少 9.74%，平均水
龄降低 0.64 h，具有良好的实践指导意义。
- 70 -
由于供水管网是一个复杂系统，数值模拟运行必然存在模型简化等问题，因
此在未来的研究中，还需要继续补充和完善以下内容：
（1）在短期需水量预测方面，本研究受限于历史数据的最小时间颗粒度，
并且城市范围的管网需水量历史数据记录长度仅有不足一月，甚至存在不少错误
记录，影响预测准确性。要进一步提高预测精度，更好发挥预测模型的指导意义，
还需要记录准确历史需水量数据，保留停水、检修、事故等水量、水压记录，进
一步还需要减少时间颗粒度，实现以 10~30 分钟为单位的短期预测。
（2）在压力驱动模拟方面，本文采用的仅是漏失水量压力驱动模拟，缺少
对用户节点用水随压力变化的模拟。以后的研究可以结合用户用水和漏失的完整
压力驱动模拟，提高模拟准确性。
（3）在分区和优化方面，本文先分区后优化，缺少对分区的优化。物质浓度敏
感性分析的一级分区方法对管网现状运行工况依赖性强。下一步可将分区加入
优化模型中，实现分区和泵组运行的综合优化。
- 71 -
参考文献
[1] 国家统计局 . 城市用水普及率 2004[EB/OL].
http://data.stats.gov.cn/easyquery.htm?cn=C01&zb=A0B0A&sj=2004.
[2] 国家统计局 . 城市用水普及率查询 [EB/OL].
http://data.stats.gov.cn/easyquery.htm?cn=C01&zb=A0B0A&sj=2018.
[3] 中国城镇供水协会. 中国城市供水统计年鉴2017年[M].中国城镇供水协会,
2018：
[4] 宫仁. 住房城乡建设部、国家发展改革委联合发布——城镇供水设施改造与
建设"十二五"规划[J]. 建筑工人, 2012(7):17.
[5] 中国环境报. 水污染防治行动计划[J]. 中国环保产业, 2015(5):4-12.
[6] 刘阔, 赵顺萍, 刘锁祥, 等. 《城镇供水管网漏损控制及评定标准》CJJ 92-
2016重点内容解读[J]. 城镇供水, 2017(5):39-45, 49.
[7] 舒诗湖. 国家“水十条”考核与城市节水[J]. 供水技术, 2018.
[8] 住房城乡建设部. 城镇供水管网分区计量管理工作指南——供水管网漏损管
控体系构建[M].2017：
[9] Alvisi S, Franchini M, Marinelli A. A short-term, pattern-based model for water-
demand forecasting[J]. Journal of Hydroinformatics, 2007,9(1):39-50.
[10] Donkor E A, Mazzuchi T A, Soyer R, et al. Urban Water Demand Forecasting:
Review of Methods and Models[J]. Journal of Water Resources Planning and
Management, 2014,140(2):146-159.
[11] Bougadis J, Adamowski K, Diduch R. Short-term municipal water demand
forecasting[J]. Hydrological Processes, 2005,19(1):137-148.
[12] 赵洪宾. 给水管网系统理论与分析[M].2003：
[13] Germanopoulos. A technical note on the inclusion of pressure dependent demand
and leakage terms in water supply network models[J]. 1985.
[14] OPTIMAL VALVE CONTROL IN WATERDISTRIBUTION NETWORKS-
jowitt1990[J].
[15] Giustolisi O, Savic D, Kapelan Z. Pressure-Driven Demand and Leakage
Simulation for Water Distribution Networks[J]. Journal of Hydraulic Engineering,
2008,134(5):626-635.
[16] Wu Z Y, Sage P, Turtle D. Pressure-Dependent Leak Detection Model and Its
Application to a District Water System[J]. Journal of Water Resources Planning
and Management, 2010,136(1):116-128.
[17] Siew C, Tanyimboh T T. Pressure-Dependent EPANET Extension[J]. Water
- 72 -
Resources Management, 2012,26(6):1477-1498.

[18] Schwaller J, Van Zyl J, Kabaasha A M. Characterising the pressure-leakage
response of pipe networks using the FAVAD equation[J]. Water Science &
Technology Water Supply, 2015,15.
[19] Gupta A D, Kulat K. Leakage reduction in water distribution system using efficient
pressure management techniques. Case study: Nagpur, India[J]. Water Supply,
2018,18(6):2015-2027.
[20] IWA TASK FORCE water and its components: Assessing non-revenue[J].
[21] Pressure Management in Water Distribution Systems: Current Status, Proposals,
and Future Trends[J].
[22] Kui Z, Hexiang Y, Han Z, et al. A practical multi-objective optimization
sectorization method for water distribution network[J]. Science of the Total
Environment, 2019,656.
[23] 李黎武, 许仕荣, 施周. 基于拓扑理论确定多水源管网供水区域及绘制等压
线的方法研究[J]. 给水排水, 2001(12):5-8.
[24] Di Nardo A, di Natale M, Santonastaso G, et al. Water Network Sectorization based
on genetic algorithm and minimum dissipated power paths[J]. Water Science &
Technology Water Supply, 2013,13:951-957.
[25] 曾翰, 陶涛. 供水管网多目标分区方法[J]. 净水技术, 2018,37(5):97-104.
[26] Herrera M, Canu S, Karatzoglou A, et al. An approach to water supply clusters by
semi-supervised learning[M].2010：
[27] Sela L, Allen M, Preis A, et al. Topological clustering for water distribution
systems analysis[J]. Environ Model Softw, 2015,65:1-14.
[28] 张飞凤. 供水管网优化压力控制漏失研究[D]. 哈尔滨工业大学, 2012:72.
[29] 叶健, 高金良, 刁美玲, 等. 分形理论在城市供水管网规划中的应用研究[J].
工程设计学报, 2014,21(06):562-565.
[30] Di Nardo A, di Natale M, Giudicianni C, et al. Water Supply Network Partitioning
Based On Weighted Spectral Clustering[M].2016：797-807.
[31] Sela L, Allen M, Preis A, et al. Automated Sub-Zoning of Water Distribution
Systems[J]. Environmental Modelling & Software, 2015,65.
[32] 崔建国, 于庆江, 梁海荣. 城市给水系统优化调度中的管网分区方法[J]. 太
原理工大学学报, 2004(05):605-608.
[33] Tzatchkov V, Yamanaka V, Ortíz V. Graph Theory Based Algorithms for Water
Distribution Network Sectorization Projects[M].2008：1-15.
[34] 住房城乡建设部. 城镇供水管网分区计量管理工作指南— —供水管网漏损
- 73 -
管控体系构建[S]. 2017.
[35] 王荀. 基于图论的山地城市供水管网DMA分区控漏技术研究[D]. 重庆大学
市政工程, 2018:
[36] Sadatiyan Abkenar S M. Enhanced Pump Schedule Optimization For Large Water
Distribution Networks To Maximize Environmental And Economic Benefits[Z].
2016.
[37] Wilkinson R B J C. A Systems Approach to Water Distribution Modelling and
Controlby Robert de Moyer,; Lawrence B. Horwitz[J]. Journal of the Operational
Research Society, 1978,29(5):512.
[38] STERLING, MJH, COULBECK, et al. TECHNICAL NOTE. A DYNAMIC
PROGRAMMING SOLUTION TO OPTIMIZATION OF PUMPING COSTS.[J].
Proceedings of the Institution of Civil Engineers, 1975.
[39] Jowitt P W, Germanopoulos G. Optimal Pump Scheduling in Water ‐Supply
Networks[J]. Journal of Water Resources Planning and Management,
1992,118(4):406-422.
[40] Pasha F, Lansey K. Optimal Pump Scheduling by Linear Programming[M].2009：
1-10.
[41] Mackle G, Savic G A, Walters G A. Application of genetic algorithms to pump
scheduling for water supply[M].1995：400-405.
[42] 李智. 选择最优工况运行提高泵站效率[J]. 内蒙古水利, 1999(02):37-38.
[43]刘正, 蒋丽娟, 张平燕. 动态规划、模拟技术在多级泵站优化调度中的应用[J].
灌溉排水学报, 2000,019(002):62-64, 68.
[44] 曹鸣 , 姚青云 . 梯级泵站优化调度研究进展 [J]. 宁夏农学院学报 ,
2003(04):101-106.
[45] 陈磊. 大规模供水系统直接优化调度研究[D]. 浙江大学, 2005:
[46] 陈晨. 多水源供水系统泵组优化控制漏失[D]. 哈尔滨工业大学, 2012:
[47] Savic D A, Walters G A, Schwab M. Multiobjective genetic algorithms for pump
scheduling in water supplyBerlin, Heidelberg: Springer Berlin Heidelberg,
1997:227-235.
[48] 方海恩, 吕谋, 魏希柱, 等. 基于Epsilon-MOEA的给水系统多目标优化与决
策[J]. 哈尔滨工业大学学报, 2009,41(12):53-57.
[49] 熊柳. 基于高维多目标优化的供水管网设计研究[D]. 广东工业大学, 2018:
[50] 王荀. 基于图论的山地城市供水管网DMA分区控漏技术研究[D]. 重庆大学
市政工程, 2018:
[51] 陈偲. 基于漏失控制的供水管网水力模型及其应用研究[D]. 湖南大学市政
- 74 -
工程, 2018:
[52] Tiago L, Jo O R, David F, et al. Improving energy efficiency in water supply
systems with pump scheduling optimization[J]. Journal of Cleaner Production,
2019,213.
[53] Joon-Hong S, Jeong-Jung K, Joon-Yong L, et al. Abnormal data refinement and
error percentage correction methods for effective short-term hourly water demand
forecasting[J]. International Journal of Control, Automation and Systems,
2014,12(6).
[54] Ester M, Kriegel H, Sander J, et al. A Density-Based Algorithm for Discovering
Clusters in Large Spatial Databases with Noise[M].1996：226-231.
[55] Chen T, Guestrin C. XGBoost: A Scalable Tree Boosting System[M].2016：785-
794.
[56] 涂曦予, 于露, 耿子辰, 等. 基于大规模时间序列的井漏事故预警方法[J]. 信
息技术, 2018(12):1-4.
[57] Pedregosa F, Varoquaux G, Gramfort A, et al. Scikit-learn: Machine Learning in
Python[J]. J. Mach. Learn. Res., 2011,12(null):2825-2830.
[58] Seabold S A P J. statsmodels: Econometric and statistical modeling with
python[CP/OL]. https://www.statsmodels.org/stable/.
[59] 冯前, 陈昌敏, 李巍. 基于数据挖掘技术的公安云运维优化研究——以武汉
市公安云虚拟机实际磁盘使用量预测为例[J]. 数字化用户, 2018,24(42):22-25.
[60] 张璐. 沈阳市A小区供水管网漏失评价及控制研究[D]. 哈尔滨工业大学建筑
与土木工程, 2017:
[61] Roma J, Pérez R, Sanz G, et al. Model Calibration and Leakage Assessment
Applied to a Real Water Distribution Network[J]. Procedia Engineering,
2015,119:603-612.
[62] Associates W A W. Network AnaIysis - A Code of practice[M].1989：
[63] 方海恩. 大规模供水管网多水源优化调配运行研究[D]. 哈尔滨工业大学市
政工程, 2010:
[64] 于冰. 缺水城市多水源供水管理的系统分析方法与应用研究[D]. 大连理工
大学, 2019:136.
[65] 李玉仙, 王敏, 李礼, 等. 水源切换条件下管网管垢稳定性和水质腐蚀性判
定指标探讨[J]. 给水排水, 2015,51(02):110-114.
[66] Gao J, Yao F, Xu Y, et al. PMA Partition Method of Water Distribution Network
Combined with Gragh Theory[J]. Procedia Engineering, 2017,186:278-285.
[67] 谭奇峰, 高金良, 叶健, 等. 城市供水管网三级分区水力模型漏失控制研究
- 75 -
[J]. 中国给水排水, 2016,32(13):63-66.

[68] 马宏伟, 王乃昂, 朱金峰, 等. 石羊河流域蒸发蒸腾量遥感反演及灵敏度分
析[J]. 水资源与水工程学报, 2010,21(6):76-80.
[69] 许刚, 张土乔, 吕谋. 基于灵敏度分析和蚁群算法的管网监测点优化选择[J].
中国给水排水, 2007,23(11):94-96, 101.
[70] 韩林山, 李向阳, 严大考. 浅析灵敏度分析的几种数学方法[J]. 中国水运（下
半月）, 2008,8(4):177-178.
[71] An Evolutionary Many-Objective Optimization Algorithm Using Reference-point
Based Non-dominated Sorting Approach, Part I: Solving Problems with Box
Constraints[J].
[72] Deb K, Pratap A, Agarwal S, et al. A fast and elitist multiobjective genetic
algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation,
2002,6(2):182-197.
[73] 李瑞阳, 王智学, 禹明刚, 等. 基于鲁棒能力的体系多目标组合优化[J]. 系统
工程与电子技术, 2019,41(05):1034-1042.
[74] Goh C, Tan K C. A Competitive-Cooperative Coevolutionary Paradigm for
Dynamic Multiobjective Optimization[J]. IEEE Transactions on Evolutionary
Computation, 2009,13(1):103-127.
- 76 -
附录
附录 1 供水管网短期需水量预测部分源码
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import DBSCAN
from matplotlib.pyplot import figure
from sklearn.metrics import mean_squared_error, mean_absolute_error,
r2_scoreimport datetime
from chinese_calendar import is_workday, is_holiday
import xgboost as xgb
path="data/water";
df = pd.read_excel(path+'1424632.xlsx',index_col=None, header=0,);
forecast_station_id = int(water_usage.loc[0].iat[0]);
water_usage = pd.melt(water_usage, id_vars=['user_id', 'name', 'max_value',
'max_value_time', 'min_value', 'min_value_time', 'date'],
value_vars=list(water_usage.columns[7:]),var_name='hour',
value_name='usage');
water_usage = water_usage.drop(['max_value', 'max_value_time', 'min_value',
'min_value_time'], axis=1);
water_usage = water_usage[~water_usage['user_id'].isnull()];
water_usage.columns = ['user_id', 'name', 'date', 'hour', 'usage'];
water_usage.isnull().sum();
eps_i = 0.35
samples = 20
clustering = DBSCAN(eps=eps_i, min_samples=samples).fit(usage_scale)
mask = np.where(clustering.labels_ == -1)
eps_Series.append(eps_i)
samples_Series.append(samples)
outliers_Series.append(len(mask[0]))
……
- 77 -
X_train, X_test, y_train, y_test = get_train_test_data(data_train_nor, data_test);

rf =
xgb.XGBRegressor(n_estimators=300,max_depth=6,n_jobs=4,learning_rate=0.01, \
colsample_bylevel=0.8, gamma=0.2);
rf.fit(X_train, y_train)
y_pred = rf.predict(X_test)
R2.append(r2_score(y_test, y_pred))
MSE.append(mean_squared_error(y_test, y_pred))
MASE.append(mean_absolute_error(y_test, y_pred))
……
- 78 -
附录 2 居民小区需水量预测结果表
小时（h) 实测值 XGB ARIMA 小时（h) 实测值 XGB ARIMA

1 0.203 0.829 3.664 85 9.609 7.028 4.238
2 0.297 0.249 2.850 86 9.250 16.627 6.788
3 0.078 0.298 1.786 87 5.875 11.006 6.743
4 0.031 0.938 3.315 88 2.625 5.414 4.092
5 0.938 1.444 3.530 89 3.828 3.928 7.425
6 0.141 1.799 3.805 90 20.453 18.764 6.102
7 0.641 2.248 5.085 91 8.641 6.859 6.904
8 1.359 2.726 2.758 92 3.656 3.570 4.478
9 2.047 3.141 4.479 93 3.141 3.618 3.822
10 6.078 8.786 3.977 94 2.656 3.580 9.626
11 38.250 30.399 37.259 95 2.109 3.198 3.778
12 2.797 4.529 5.073 96 5.016 3.079 4.597
13 3.094 6.377 4.497 97 0.234 0.493 5.215
14 20.656 18.389 6.454 98 0.172 0.260 2.094
15 10.453 11.178 9.099 99 0.016 0.249 -0.370
16 4.781 5.195 5.568 100 0.016 1.197 4.739
17 2.344 4.286 4.658 101 0.078 4.649 2.191
18 21.750 19.641 11.597 102 0.203 2.802 3.975
19 7.875 6.968 6.807 103 2.656 3.060 6.576
20 3.125 3.821 4.552 104 1.625 3.110 2.704
21 2.438 3.800 4.401 105 2.688 3.534 3.748
22 2.563 3.756 9.561 106 4.672 8.962 4.631
23 2.016 3.587 0.030 107 39.297 31.592 37.363
24 0.406 2.612 4.336 108 3.375 4.052 4.759
25 0.313 0.416 3.660 109 2.406 7.995 5.695
26 0.078 0.233 1.993 110 20.672 16.072 5.059
27 0.104 0.297 2.530 111 13.891 11.289 9.803
28 0.078 0.827 2.506 112 6.563 5.584 6.299
29 0.016 1.671 3.510 113 4.531 3.893 3.917
30 0.109 0.706 4.111 114 18.203 19.164 12.340
31 0.375 1.884 5.298 115 7.672 7.545 7.858
32 1.563 2.279 2.428 116 3.406 3.748 4.508
33 3.141 2.385 4.475 117 3.516 3.490 5.489
34 6.203 8.797 3.991 118 3.109 3.533 8.224
35 40.125 31.267 38.546 119 1.719 3.070 -0.667
36 3.844 5.576 5.630 120 1.313 3.129 3.724
37 3.500 7.171 4.816 121 1.281 0.437 3.616
- 79 -
（续表）
38 23.078 16.957 6.788 122 0.531 0.182 2.134
39 11.438 10.922 9.838 123 0.250 0.357 4.018
40 6.375 4.839 5.972 124 0.609 1.015 3.311
41 5.547 3.963 4.752 125 1.594 1.184 3.811
42 15.641 19.021 12.754 126 1.531 0.765 4.483
43 7.984 7.205 5.571 127 5.969 2.092 4.331
44 4.531 3.572 5.145 128 3.188 2.430 3.390
45 3.375 3.477 5.778 129 3.969 3.081 4.706
46 2.547 3.446 6.240 130 6.703 7.950 4.261
47 2.047 3.052 0.537 131 42.750 31.926 42.639
48 7.078 2.507 4.526 132 5.219 4.413 6.059
49 0.547 0.901 4.280 133 10.234 6.142 5.333
50 0.031 0.226 2.457 134 18.375 16.764 7.631
51 0.078 1.784 4.371 135 7.281 10.478 7.873
52 0.000 0.830 4.637 136 4.141 4.838 4.035
53 0.125 3.290 2.697 137 2.531 4.237 7.252
54 0.297 0.623 4.183 138 22.234 19.565 9.126
55 10.828 1.399 3.505 139 8.453 7.034 6.377
56 2.281 2.179 3.821 140 3.391 3.658 5.392
57 2.281 2.360 2.824 141 2.297 3.470 2.804
58 5.391 8.902 4.300 142 2.547 3.513 9.248
59 29.688 31.072 30.324 143 1.875 3.085 1.502
60 3.766 4.203 5.489 144 2.828 2.871 4.362
61 8.453 7.761 5.837 145 1.203 0.466 4.470
62 8.766 18.724 6.726 146 0.750 0.262 2.858
63 5.984 12.516 6.250 147 0.031 0.368 0.871
64 3.031 4.762 2.004 148 0.000 1.142 3.552
65 2.234 3.873 6.806 149 0.078 1.766 3.514
66 19.078 19.743 5.243 150 0.656 1.398 3.601
67 7.313 7.214 7.056 151 1.094 2.302 6.102
68 2.922 3.661 5.694 152 2.344 2.862 2.416
69 2.781 3.487 2.994 153 2.453 3.535 3.928
70 2.969 3.915 10.306 154 4.672 8.267 4.409
71 6.000 3.179 3.183 155 40.531 32.367 40.696
72 2.406 3.790 4.364 156 3.438 4.412 5.192
73 0.156 0.566 4.249 157 4.406 5.819 5.095
74 0.031 0.336 2.383 158 24.219 18.478 6.021
75 0.031 0.170 1.692 159 10.734 11.871 9.094
76 1.922 1.469 3.760 160 3.375 5.583 6.019
- 80 -
（续表）
77 2.469 2.164 3.688 161 2.953 4.489 4.242
78 0.406 1.386 3.806 162 20.422 20.237 13.265
79 5.594 3.072 5.846 163 9.078 7.212 6.942
80 2.266 2.353 3.302 164 4.016 3.600 4.268
81 2.656 3.129 4.861 165 3.453 3.503 4.911
82 5.344 6.379 4.323 166 3.953 3.489 8.113
83 33.750 29.540 33.116 167 2.547 3.063 -0.240
84 3.281 4.140 5.155 168 0.672 2.411 4.904
- 81 -
附录 3 B 市需水量预测表
小时（h）实测值 XGB ARIMA

0 9046.59 9086.21 9316.95
1 8832.41 8790.54 9333.64
2 8648.10 8773.07 8707.18
3 8400.35 8498.00 8878.90
4 8682.50 9071.15 9187.55
5 9459.77 9430.22 9899.75
6 10659.85 10648.66 10832.01
7 12556.23 12139.73 12719.79
8 12312.74 12424.83 12402.54
9 11965.40 11754.50 12248.29
10 12274.19 12324.06 12387.30
11 11909.51 11657.16 11862.38
12 11195.07 11636.02 11115.72
13 10970.34 10844.13 11014.49
14 10855.47 10611.66 11028.49
15 10609.97 10335.31 10512.12
16 10527.68 10658.54 10847.35
17 11629.35 11366.54 10961.65
18 11932.82 11538.82 11271.83
19 11872.15 11927.69 11513.40
20 11872.08 11810.29 11263.35
21 11648.44 11446.94 11323.87
22 10465.47 10641.79 9985.26
23 9576.56 9714.45 9350.19
- 82 -
附录 4 B 市大用户节点时用水量数据（m³）
小时
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
节点
2409 19.2 18.3 17.4 17.9 19.0 27.1 36.1 37.5 33.5 35.5 34.9 34.3 31.1 28.1 25.9 26.2 26.7 30.5 31.9 33.8 35.0 34.8 27.9 21.0
2388 21.5 20.6 19.7 20.2 21.4 29.4 38.3 39.6 35.7 37.7 37.1 36.5 33.3 30.3 28.2 28.5 29.0 32.8 34.1 36.0 37.2 37.0 30.1 23.3
2372 26.8 26.0 25.5 24.4 25.5 23.5 23.8 35.9 38.0 33.1 36.2 33.9 31.6 32.9 34.1 31.8 30.6 35.7 36.8 34.4 33.2 31.6 29.6 29.3
595 27.5 26.7 26.1 25.0 26.1 24.2 24.4 36.7 38.8 33.9 37.0 34.6 32.3 33.6 34.8 32.5 31.3 36.4 37.6 35.1 33.9 32.3 30.4 30.0
992 20.4 19.5 18.9 17.7 18.9 17.1 17.7 30.2 32.2 27.2 30.4 27.9 25.5 26.7 27.9 25.5 24.3 29.7 31.0 28.5 27.2 25.5 23.7 23.1
1332 23.0 22.1 21.1 21.7 22.9 31.6 41.1 42.5 38.3 40.4 39.8 39.1 35.8 32.5 30.2 30.6 31.1 35.1 36.6 38.6 39.9 39.7 32.2 24.9
1541 16.0 14.9 13.9 14.4 15.7 24.9 35.0 36.6 32.1 34.2 33.7 32.9 29.3 25.9 23.5 23.8 24.3 28.8 30.3 32.4 33.7 33.5 25.9 18.1
491 22.2 21.2 20.6 19.3 20.6 18.6 19.2 32.7 34.8 29.4 32.9 30.2 27.6 28.9 30.2 27.6 26.3 32.2 33.5 30.8 29.5 27.6 25.7 25.1
1091 17.8 16.7 15.6 16.2 17.6 27.3 38.0 39.4 34.7 37.0 36.4 35.6 31.8 28.2 25.7 26.0 26.6 31.2 32.8 35.0 36.4 36.2 28.2 19.9
2385 28.3 27.2 26.2 26.9 28.1 37.6 47.9 49.3 44.7 47.1 46.4 45.7 42.1 38.6 36.1 36.5 37.1 41.3 42.9 45.1 46.5 46.4 38.1 30.2
594 27.2 26.2 25.5 24.2 25.5 23.3 23.9 38.4 40.7 34.9 38.6 35.8 33.0 34.4 35.8 33.1 31.7 37.9 39.3 36.4 35.0 33.0 30.9 30.3
2391 26.7 25.6 24.4 25.1 26.5 36.5 47.6 49.1 44.3 46.7 46.0 45.3 41.4 37.6 35.0 35.4 36.0 40.6 42.3 44.7 46.1 45.9 37.3 28.8
2117 24.6 23.4 22.2 22.8 24.4 35.2 47.2 48.9 43.7 46.3 45.6 44.7 40.4 36.4 33.6 34.0 34.6 39.7 41.5 44.1 45.6 45.4 36.2 27.0
2564 36.9 35.8 35.0 33.5 35.0 32.4 32.8 49.5 52.2 45.6 49.8 46.6 43.4 45.1 46.8 43.7 42.1 49.1 50.6 47.3 45.6 43.4 40.9 40.4
1094 37.6 36.5 35.7 34.1 35.7 33.0 33.3 50.3 53.1 46.4 50.7 47.4 44.3 46.0 47.7 44.5 42.9 50.0 51.5 48.1 46.5 44.2 41.5 41.1
1603 31.0 29.6 28.7 27.0 28.7 26.0 26.9 45.5 48.5 41.0 45.8 42.1 38.4 40.3 42.1 38.5 36.7 44.8 46.6 42.9 41.1 38.5 35.8 35.0
833 37.0 37.0 37.0 37.0 37.0 37.0 37.0 37.0 37.0 37.0 37.0 37.0 37.0 37.0 37.0 37.1 37.1 37.0 37.0 37.0 37.0 37.0 37.0 37.0
1400 49.2 49.3 49.3 49.4 49.3 49.0 48.4 48.3 48.4 48.6 48.4 48.6 48.9 49.0 49.0 49.1 49.1 48.7 48.5 48.6 48.6 48.7 48.4 48.9
- 83 -
（续表）
小时
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
节点
2399 51.5 51.5 51.6 51.7 51.6 51.3 50.9 50.8 50.9 51.0 50.9 51.0 51.2 51.3 51.3 51.4 51.4 51.0 50.9 51.0 51.0 51.0 50.9 51.3
2122 42.4 42.4 42.4 42.4 42.4 42.3 42.2 42.2 42.2 42.2 42.2 42.2 42.3 42.3 42.3 42.3 42.4 42.3 42.2 42.2 42.2 42.3 42.2 42.3
1433 55.6 55.8 55.9 56.1 55.9 55.4 55.1 54.5 54.7 54.9 54.7 54.9 55.1 55.2 55.3 55.4 55.4 54.9 54.7 54.7 54.7 54.8 54.7 55.3
2162 48.4 48.4 48.4 48.5 48.4 48.4 48.4 48.4 48.4 48.4 48.4 48.4 48.4 48.4 48.4 48.4 48.4 48.4 48.4 48.4 48.4 48.4 48.4 48.4
2571 68.3 68.4 68.4 42.4 42.3 41.9 41.4 67.4 67.5 67.7 67.5 67.7 67.9 68.0 68.1 68.2 68.2 67.8 67.6 67.7 67.7 67.8 67.6 68.0
497 52.5 52.5 52.5 52.5 52.5 52.4 52.4 52.3 52.3 52.3 52.3 52.3 52.4 52.4 52.4 52.4 52.4 52.3 52.3 52.3 52.3 52.3 52.4 52.4
2100 61.0 61.0 61.0 30.6 30.6 30.6 30.6 61.0 61.0 61.0 61.0 61.0 61.0 61.0 61.0 61.0 61.0 61.0 61.0 61.0 61.0 61.0 61.0 61.0
689 62.5 62.5 62.5 62.5 62.5 62.5 62.4 62.3 62.3 62.4 62.3 62.4 62.4 62.4 62.4 62.4 62.4 62.4 62.3 62.4 62.4 62.4 62.4 62.5
1343 69.1 68.2 67.7 67.7 67.6 67.4 67.1 130.0 130.1 130.2 130.1 130.3 130.4 130.5 130.5 130.6 130.6 130.3 130.2 130.2 130.2 130.3 130.4 130.7
- 84 -
附录 5 B 市大用户以外部分节点时用水量数据（m³）
小时
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
节点
1 1.9 1.8 1.8 1.8 1.9 2.2 2.6 2.7 2.5 2.6 2.5 2.5 2.4 2.3 2.2 2.2 2.2 2.3 2.4 2.5 2.5 2.5 2.2 1.9
2 7.3 7.2 7.0 7.2 7.3 8.7 10.2 10.3 9.6 10.1 9.9 9.9 9.3 8.8 8.4 8.5 8.6 9.1 9.3 9.7 9.9 9.9 8.6 7.5
3 0.5 0.5 0.5 0.5 0.5 0.5 0.4 0.6 0.6 0.5 0.6 0.5 0.5 0.5 0.6 0.5 0.5 0.6 0.6 0.6 0.5 0.5 0.5 0.5
4 1.6 1.6 1.6 1.6 1.6 1.5 1.5 1.9 2.0 1.8 1.9 1.8 1.8 1.8 1.9 1.8 1.7 1.9 1.9 1.8 1.8 1.7 1.7 1.7
5 9.6 9.4 9.4 9.2 9.4 8.8 8.8 11.2 11.7 10.7 11.3 10.9 10.4 10.8 11.0 10.6 10.3 11.3 11.5 10.9 10.7 10.4 9.9 10.0
6 3.4 3.4 3.3 3.3 3.3 3.1 3.1 4.1 4.3 3.9 4.1 3.9 3.8 3.9 4.0 3.8 3.7 4.1 4.2 4.0 3.8 3.7 3.5 3.6
7 10.3 10.2 10.0 10.1 10.3 9.6 9.4 12.2 12.8 11.5 12.3 11.8 11.3 11.7 12.1 11.5 11.2 12.3 12.6 11.9 11.5 11.1 10.8 10.9
8 6.7 6.4 6.2 5.9 6.3 5.7 5.8 9.7 10.3 8.7 9.8 9.0 8.2 8.6 9.0 8.3 7.9 9.6 9.9 9.2 8.8 8.2 7.7 7.5
9 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8
10 0.5 0.5 0.6 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5
11 1.2 1.2 1.1 1.1 1.2 1.5 1.8 1.8 1.6 1.7 1.7 1.7 1.6 1.5 1.4 1.4 1.4 1.5 1.6 1.6 1.7 1.7 1.5 1.2
12 11.9 11.6 11.4 11.1 11.4 10.8 10.7 14.1 14.8 13.4 14.2 13.6 13.0 13.5 13.9 13.2 12.9 14.2 14.5 13.7 13.4 12.9 12.5 12.6
13 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
14 2.7 2.7 2.6 2.7 2.8 3.3 3.8 3.9 3.6 3.8 3.7 3.7 3.5 3.3 3.2 3.2 3.2 3.5 3.5 3.7 3.7 3.7 3.3 2.8
15 2.2 2.1 2.1 2.1 2.1 2.0 2.0 2.5 2.6 2.4 2.5 2.4 2.4 2.4 2.5 2.4 2.3 2.5 2.6 2.5 2.4 2.3 2.2 2.3
16 3.2 3.1 3.1 3.1 3.2 3.8 4.4 4.4 4.2 4.3 4.3 4.2 4.0 3.8 3.7 3.7 3.7 4.0 4.0 4.2 4.3 4.3 3.7 3.3
17 1.7 1.6 1.6 1.6 1.7 2.1 2.5 2.5 2.3 2.5 2.4 2.4 2.3 2.1 2.0 2.0 2.0 2.2 2.3 2.4 2.4 2.4 2.1 1.8
18 2.2 2.2 2.1 2.1 2.2 2.8 3.4 3.4 3.1 3.3 3.3 3.2 3.0 2.8 2.7 2.7 2.7 3.0 3.0 3.2 3.3 3.3 2.8 2.3
- 85 -
（续表）
小时
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
节点
19 0.3 0.3 0.3 0.3 0.3 0.2 0.2 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3
20 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
21 2.0 2.0 1.9 1.9 2.0 2.5 3.1 3.1 2.9 3.0 3.0 2.9 2.8 2.6 2.4 2.5 2.5 2.7 2.8 2.9 3.0 3.0 2.5 2.1
22 2.4 2.3 2.3 2.2 2.3 2.1 2.1 2.9 3.0 2.7 2.9 2.7 2.6 2.7 2.8 2.7 2.6 2.9 2.9 2.8 2.7 2.6 2.5 2.5
23 1.9 1.9 1.8 1.8 1.9 2.5 3.1 3.1 2.8 3.0 2.9 2.9 2.7 2.5 2.3 2.4 2.4 2.6 2.7 2.8 2.9 2.9 2.5 2.0
24 2.1 2.1 2.1 2.0 2.1 1.9 1.9 2.6 2.7 2.4 2.6 2.5 2.4 2.5 2.5 2.4 2.3 2.6 2.7 2.5 2.4 2.4 2.3 2.3
25 1.1 1.1 1.1 1.1 1.1 1.3 1.6 1.6 1.5 1.6 1.5 1.5 1.4 1.4 1.3 1.3 1.3 1.4 1.4 1.5 1.5 1.5 1.3 1.2
26 3.8 3.8 3.7 3.8 3.9 4.6 5.4 5.4 5.1 5.3 5.2 5.2 4.9 4.6 4.4 4.5 4.5 4.8 4.9 5.1 5.2 5.2 4.5 4.0
27 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
28 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
29 0.9 0.9 0.9 0.9 0.9 1.1 1.3 1.3 1.2 1.3 1.2 1.2 1.2 1.1 1.0 1.1 1.1 1.1 1.2 1.2 1.2 1.2 1.1 0.9
30 1.8 1.8 1.7 1.8 1.8 2.2 2.6 2.6 2.4 2.6 2.5 2.5 2.4 2.2 2.1 2.1 2.2 2.3 2.4 2.5 2.5 2.5 2.2 1.9
31 2.5 2.4 2.4 2.3 2.4 2.2 2.2 3.3 3.5 3.1 3.4 3.1 2.9 3.0 3.2 3.0 2.8 3.3 3.4 3.2 3.1 2.9 2.8 2.7
32 3.2 3.1 3.0 3.1 3.2 4.5 5.9 6.0 5.4 5.7 5.6 5.5 5.0 4.6 4.3 4.3 4.4 4.9 5.2 5.4 5.6 5.6 4.6 3.5
33 2.6 2.5 2.5 2.5 2.5 2.4 2.3 3.0 3.1 2.8 3.0 2.9 2.8 2.8 2.9 2.8 2.7 3.0 3.0 2.9 2.8 2.7 2.6 2.7
34 2.7 2.6 2.6 2.6 2.6 2.5 2.4 3.1 3.2 3.0 3.1 3.0 2.9 3.0 3.1 2.9 2.9 3.1 3.2 3.0 3.0 2.9 2.8 2.8
35 3.9 3.8 3.7 3.8 3.9 4.6 5.4 5.5 5.1 5.4 5.3 5.2 4.9 4.7 4.5 4.5 4.6 4.9 5.0 5.2 5.3 5.3 4.6 4.0
36 2.4 2.3 2.3 2.3 2.3 2.2 2.2 2.7 2.9 2.6 2.8 2.7 2.6 2.6 2.7 2.6 2.5 2.8 2.8 2.7 2.6 2.5 2.4 2.5
37 3.3 3.3 3.3 3.2 3.3 3.1 3.1 3.9 4.0 3.7 3.9 3.7 3.6 3.7 3.8 3.6 3.6 3.9 3.9 3.8 3.7 3.6 3.4 3.5
38 2.4 2.3 2.3 2.3 2.4 2.8 3.3 3.3 3.1 3.3 3.2 3.2 3.0 2.9 2.7 2.8 2.8 3.0 3.0 3.1 3.2 3.2 2.8 2.5
- 86 -
（续表）
小时
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
节点
39 0.8 0.7 0.7 0.7 0.8 0.9 1.1 1.1 1.0 1.1 1.0 1.0 1.0 0.9 0.9 0.9 0.9 1.0 1.0 1.0 1.0 1.0 0.9 0.8
40 1.2 1.2 1.2 1.2 1.2 1.1 1.1 1.4 1.5 1.4 1.4 1.4 1.3 1.4 1.4 1.4 1.3 1.4 1.5 1.4 1.4 1.3 1.3 1.3
41 3.6 3.5 3.5 3.3 3.5 3.2 3.2 4.9 5.2 4.5 4.9 4.6 4.3 4.4 4.6 4.3 4.1 4.8 5.0 4.7 4.5 4.3 4.0 4.0
42 2.3 2.2 2.2 2.1 2.2 2.0 2.0 3.0 3.2 2.8 3.0 2.9 2.7 2.8 2.9 2.7 2.6 3.0 3.1 2.9 2.8 2.6 2.5 2.5
43 4.0 3.9 3.9 3.9 4.0 4.8 5.7 5.7 5.3 5.5 5.4 5.4 5.1 4.8 4.6 4.7 4.7 5.0 5.1 5.3 5.5 5.5 4.8 4.1
44 9.5 9.3 9.1 9.3 9.5 11.4 13.4 13.3 12.4 13.0 12.8 12.7 12.1 11.3 10.8 11.0 11.1 11.8 12.0 12.5 12.8 12.9 11.3 9.8
45 7.6 7.4 7.3 7.1 7.3 6.9 6.9 9.1 9.6 8.6 9.2 8.8 8.4 8.7 9.0 8.5 8.3 9.2 9.4 8.9 8.6 8.3 8.0 8.1
46 4.7 4.6 4.5 4.5 4.7 5.9 7.1 7.1 6.5 6.9 6.8 6.7 6.3 5.9 5.6 5.7 5.7 6.2 6.3 6.6 6.8 6.8 5.9 4.9
47 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2
48 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.8 0.9 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.7 0.7
49 0.9 0.9 0.8 0.8 0.8 0.8 0.8 1.2 1.2 1.1 1.2 1.1 1.0 1.1 1.1 1.0 1.0 1.1 1.2 1.1 1.1 1.0 1.0 1.0
50 2.4 2.3 2.3 2.2 2.3 2.1 2.2 3.2 3.3 2.9 3.2 3.0 2.8 2.9 3.0 2.8 2.7 3.1 3.2 3.0 2.9 2.8 2.6 2.6
51 10.8 10.7 10.6 10.4 10.5 9.6 9.2 12.1 12.8 11.6 12.3 11.8 11.4 11.9 12.3 11.7 11.4 12.4 12.6 11.9 11.5 11.2 10.9 11.3
52 11.9 11.7 11.5 11.8 12.0 14.4 17.1 16.9 15.6 16.5 16.1 16.1 15.2 14.3 13.6 13.9 14.1 14.8 15.1 15.8 16.2 16.3 14.2 12.3
53 2.1 2.0 2.0 2.0 2.1 2.4 2.9 2.9 2.7 2.8 2.8 2.8 2.6 2.5 2.4 2.4 2.4 2.6 2.7 2.8 2.8 2.8 2.4 2.1
54 7.3 7.1 7.1 6.9 7.1 6.7 6.7 8.6 8.9 8.2 8.6 8.3 8.0 8.2 8.4 8.0 7.9 8.6 8.7 8.4 8.2 7.9 7.5 7.6
55 10.9 10.2 9.5 9.9 10.7 16.6 23.2 24.2 21.3 22.7 22.3 21.9 19.5 17.3 15.8 15.9 16.3 19.1 20.1 21.5 22.3 22.2 17.2 12.2
56 15.1 14.3 13.5 13.9 15.0 22.2 30.5 31.7 28.2 29.8 29.4 28.8 25.9 23.2 21.3 21.6 22.0 25.5 26.7 28.4 29.4 29.2 22.9 16.8
57 1.9 1.9 1.8 1.9 1.9 2.3 2.7 2.7 2.5 2.6 2.6 2.6 2.4 2.3 2.2 2.2 2.2 2.4 2.4 2.5 2.6 2.6 2.2 2.0
58 0.3 0.3 0.3 0.3 0.3 0.3 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.3 0.3 0.3 0.3 0.4 0.4 0.4 0.4 0.4 0.3 0.3
- 87 -
附录 6 B 市部分节点小时漏失水量数据（m³）
小时
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
节点
1 1.2 1.2 1.2 1.2 1.2 1.2 1.1 1.1 1.1 1.1 1.1 1.1 1.1 1.2 1.2 1.2 1.2 1.1 1.1 1.1 1.1 1.1 1.1 1.2
2 4.7 4.7 4.8 4.8 4.8 4.6 4.4 4.2 4.3 4.4 4.3 4.4 4.4 4.5 4.5 4.5 4.6 4.3 4.3 4.3 4.3 4.3 4.3 4.5
3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.2 0.2 0.3 0.2 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.2 0.2 0.2 0.3 0.3 0.3
4 0.9 0.9 0.9 0.9 0.9 0.9 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.9 0.9 0.9 0.8 0.8 0.8 0.8 0.8 0.8 0.9
5 5.3 5.3 5.4 5.5 5.4 5.2 5.1 4.8 4.9 5.0 4.9 5.0 5.1 5.1 5.2 5.2 5.2 5.0 4.9 4.9 4.9 5.0 4.9 5.1
6 1.8 1.8 1.8 1.8 1.8 1.7 1.7 1.6 1.6 1.6 1.6 1.7 1.7 1.7 1.7 1.7 1.7 1.6 1.6 1.6 1.6 1.6 1.6 1.7
7 4.5 4.6 4.6 5.0 4.9 4.7 4.3 3.5 3.6 3.7 3.6 3.7 3.9 4.0 4.1 4.1 4.2 3.8 3.6 3.7 3.7 3.8 4.0 4.3
8 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.4 0.4 0.3 0.3 0.3 0.3 0.3 0.3 0.4
9 0.8 0.8 0.8 0.8 0.8 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.8 0.8 0.7 0.7 0.7 0.7 0.7 0.7 0.7
10 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.4 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5
11 0.7 0.7 0.7 0.7 0.7 0.7 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.7 0.7 0.7 0.6 0.6 0.6 0.6 0.6 0.6 0.7
12 5.7 5.8 5.8 5.8 5.8 5.7 5.5 5.0 5.1 5.2 5.1 5.2 5.4 5.4 5.5 5.5 5.6 5.2 5.1 5.2 5.2 5.2 5.4 5.6
13 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
14 1.8 1.8 1.8 1.8 1.8 1.8 1.7 1.6 1.7 1.7 1.7 1.7 1.7 1.7 1.7 1.8 1.8 1.7 1.7 1.7 1.7 1.7 1.7 1.7
15 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.2 1.2 1.2 1.2 1.2 1.3 1.3 1.3 1.3 1.3 1.2 1.2 1.2 1.2 1.2 1.2 1.3
16 2.1 2.1 2.2 2.2 2.2 2.1 2.1 2.0 2.0 2.0 2.0 2.0 2.1 2.1 2.1 2.1 2.1 2.0 2.0 2.0 2.0 2.0 2.0 2.1
17 0.9 0.9 0.9 0.9 0.9 0.9 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.9 0.9 0.9 0.8 0.8 0.8 0.8 0.8 0.8 0.9
18 1.2 1.2 1.2 1.2 1.2 1.2 1.1 1.0 1.0 1.0 1.0 1.0 1.1 1.1 1.1 1.1 1.1 1.0 1.0 1.0 1.0 1.0 1.1 1.1
- 88 -
（续表）
小时
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
节点
19 0.2 0.2 0.2 0.2 0.2 0.2 0.1 0.1 0.1 0.1 0.1 0.1 0.2 0.2 0.2 0.2 0.2 0.1 0.1 0.1 0.1 0.1 0.1 0.2
20 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
21 1.0 1.0 1.1 1.1 1.1 1.0 1.0 0.9 0.9 0.9 0.9 0.9 1.0 1.0 1.0 1.0 1.0 0.9 0.9 0.9 0.9 0.9 1.0 1.0
22 1.0 1.0 1.0 1.0 1.0 1.0 0.9 0.8 0.9 0.9 0.9 0.9 0.9 0.9 1.0 1.0 1.0 0.9 0.9 0.9 0.9 0.9 0.9 1.0
23 0.9 0.9 0.9 0.9 0.9 0.9 0.9 0.8 0.8 0.8 0.8 0.8 0.9 0.9 0.9 0.9 0.9 0.8 0.8 0.8 0.8 0.8 0.9 0.9
24 1.0 1.0 1.0 1.0 1.0 0.9 0.9 0.8 0.8 0.9 0.8 0.9 0.9 0.9 0.9 0.9 0.9 0.9 0.8 0.8 0.8 0.9 0.9 0.9
25 0.7 0.7 0.7 0.8 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.7
26 2.5 2.5 2.5 2.6 2.5 2.5 2.4 2.3 2.3 2.4 2.3 2.4 2.4 2.4 2.4 2.5 2.5 2.4 2.3 2.3 2.3 2.4 2.3 2.4
27 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
28 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
29 0.5 0.5 0.5 0.6 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5
30 1.1 1.1 1.1 1.1 1.1 1.0 1.0 0.9 0.9 0.9 0.9 1.0 1.0 1.0 1.0 1.0 1.0 0.9 0.9 0.9 0.9 0.9 1.0 1.0
31 0.6 0.6 0.7 0.7 0.7 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6
32 1.1 1.1 1.1 1.1 1.1 1.0 1.0 0.9 0.9 1.0 0.9 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.9 0.9 0.9 1.0 1.0 1.0
33 1.5 1.5 1.5 1.5 1.5 1.4 1.4 1.3 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4
34 1.5 1.5 1.6 1.6 1.6 1.5 1.5 1.4 1.4 1.4 1.4 1.4 1.5 1.5 1.5 1.5 1.5 1.4 1.4 1.4 1.4 1.4 1.4 1.5
35 2.5 2.5 2.5 2.6 2.5 2.5 2.4 2.3 2.3 2.4 2.3 2.4 2.4 2.4 2.4 2.4 2.5 2.3 2.3 2.3 2.3 2.3 2.3 2.4
36 1.3 1.3 1.4 1.4 1.4 1.3 1.3 1.2 1.2 1.2 1.2 1.3 1.3 1.3 1.3 1.3 1.3 1.2 1.2 1.2 1.2 1.2 1.2 1.3
37 2.0 2.0 2.0 2.0 2.0 1.9 1.9 1.8 1.8 1.8 1.8 1.9 1.9 1.9 1.9 1.9 1.9 1.8 1.8 1.8 1.8 1.8 1.8 1.9
38 1.6 1.6 1.6 1.6 1.6 1.5 1.5 1.4 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5
- 89 -
（续表）
小时
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
节点
39 0.5 0.5 0.5 0.5 0.5 0.5 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.5 0.4 0.4 0.4 0.4 0.4 0.4 0.5
40 0.7 0.7 0.7 0.7 0.7 0.7 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6
41 0.9 0.9 0.9 1.0 0.9 0.9 0.9 0.8 0.9 0.9 0.9 0.9 0.9 0.9 0.9 0.9 0.9 0.9 0.8 0.9 0.9 0.9 0.9 0.9
42 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.5 0.5 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.5 0.5 0.5 0.6 0.6 0.6
43 2.5 2.5 2.5 2.6 2.5 2.4 2.3 2.1 2.2 2.2 2.2 2.2 2.3 2.3 2.3 2.4 2.4 2.2 2.2 2.2 2.2 2.2 2.3 2.4
44 5.9 6.0 6.0 6.1 6.0 5.8 5.5 5.1 5.2 5.3 5.2 5.3 5.5 5.5 5.6 5.6 5.7 5.3 5.2 5.2 5.2 5.3 5.4 5.7
45 3.5 3.5 3.5 3.5 3.5 3.4 3.3 3.0 3.0 3.1 3.0 3.1 3.2 3.3 3.3 3.3 3.4 3.1 3.1 3.1 3.1 3.1 3.2 3.4
46 2.6 2.6 2.6 2.7 2.7 2.6 2.5 2.3 2.3 2.4 2.3 2.4 2.5 2.5 2.5 2.5 2.5 2.4 2.3 2.3 2.3 2.4 2.5 2.6
47 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
48 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4
49 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3
50 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8 0.8
51 5.2 5.3 5.4 5.5 5.4 4.9 4.4 3.8 4.0 4.1 4.0 4.1 4.4 4.5 4.6 4.7 4.8 4.2 4.1 4.1 4.0 4.2 4.4 5.0
52 6.8 7.0 7.1 7.2 7.0 6.5 5.8 5.1 5.3 5.4 5.3 5.5 5.8 6.0 6.1 6.2 6.2 5.6 5.4 5.4 5.4 5.5 5.9 6.5
53 1.3 1.4 1.4 1.4 1.4 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3
54 4.2 4.2 4.3 4.3 4.3 4.2 4.0 4.0 4.1 4.1 4.1 4.1 4.2 4.2 4.2 4.2 4.2 4.1 4.1 4.1 4.1 4.1 4.0 4.1
55 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.6 0.6 0.6 0.6 0.7 0.7 0.7 0.7 0.7 0.7 0.7 0.6 0.6 0.6 0.6 0.6 0.7
56 2.6 2.7 2.7 2.7 2.7 2.6 2.8 2.8 2.8 2.8 2.8 2.8 2.8 2.8 2.8 2.8 2.8 2.8 2.8 2.8 2.8 2.8 2.5 2.6
57 1.2 1.2 1.2 1.2 1.2 1.2 1.1 1.1 1.1 1.1 1.1 1.1 1.1 1.1 1.1 1.2 1.2 1.1 1.1 1.1 1.1 1.1 1.1 1.2
58 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2
- 90 -
附录 7 供水管网一级分区部分源码
clc;clear
%% 物质浓度敏感性分析
d1 = epanet('B067Chem.inp');
d1.setTimeSimulationDuration(864000);
d1.setNodeSourceQuality([2723:2727],[100,0,0,0,0]);
d1.getNodeSourceQuality([2723:2727])
hyd1 = d1.getComputedHydraulicTimeSeries;
hqd1 = d1.getComputedQualityTimeSeries;
Q1 = hqd1.NodeQuality;
Q11 = Q1(n1:n2,:);Q11=sum(Q11);
d2 = d1;
Q22 = Q2(n1:n2,:);Q22=sum(Q22);
d3 = d1;
Q33 = Q3(n1:n2,:);Q33=sum(Q33);
……
QAll = [Q11;Q22;Q33;Q44;Q55];
Res1=[];Res2=[];Res3=[];Res4=[];Res5=[];
for i = 1:2727
[xxi,~]=find(QAll(:,i)==max(QAll(:,i)));
if sum(ismember([2723],i))==1
Res1=[Res1,i];
xxi=1;
elseif sum(ismember([2724],i))==1
Res2=[Res2,i];
xxi=2;
Res3=[Res3,i];
xxi=3;
Res4=[Res4,i];
- 91 -
xxi=4;
Res5=[Res5,i];
xxi=5;
else
switch xxi
case 1
Res1=[Res1,i];
case 2
Res2=[Res2,i];
case 3
Res3=[Res3,i];
case 4
Res4=[Res4,i];
case 5
Res5=[Res5,i];
end
end
QAll(:,i)=0;QAll(xxi,i)=1;
end
Res1=[Res1,2718,2722];Res2=[Res2,2723];Res3=[Res3,2724];
Res4=[Res4,i];Res5=[Res5,2727];
clc;clear
%% 最小功率耗散路径搜索
d1 = epanet('B067Chem.inp');
PipeLength = d.getLinkLength;
PipeDiameter = d.getLinkDiameter;PipeDiameter = PipeDiameter/1000;
PipeCofficient = d.getLinkSettings;
PipeWeight = 10.667* PipeLength./((PipeCofficient.^1.852).*(PipeDiameter.^4.871));

PipeWeight(isnan(PipeWeight))=1e-6;
LinkNodes = d.getLinkNodesIndex;
% d=epanet('mz04243.inp');
%%
LinkNodes = d.getLinkNodesIndex;
LinkNodes = sortrows(LinkNodes,1);
LinkNodes = unique(LinkNodes,'rows');
ReservoirIndex = d.getNodeReservoirIndex
for i = 1:1
[xx, yy] =find(LinkNodes==ReservoirIndex(1,i))
LinkNodesT = LinkNodes;
- 92 -
LinkNodes1 = LinkNodesT(:,1)';
LinkNodes2 = LinkNodesT(:,2)';
end
G1 = graph(LinkNodes(:,1),LinkNodes(:,2),PipeWeight);
d1 = distances(G1,2723,'Method','positive');
dAll = [d1;d2;d3;d4;d5];
dAll(isnan(dAll))=0;
dRes = zeros(5,2727);
Res1 = [];Res2 = [];Res3 = [];Res4 = [];Res5 = [];
for i=1:2727
[xxi,~] = find(dAll(:,i)==min(dAll(:,i)));
if ~isempty(xxi)
dRes(xxi,i)=1;
switch xxi
case 1
Res1 = [Res1,i];
case 2
Res2 = [Res2,i];
case 3
Res3 = [Res3,i];
case 4
Res4 = [Res4,i];
case 5
Res5 = [Res5,i];
end
end
end
- 93 -
附录 8 部分节点物质浓度对比表
节点编号西桥江南东升一期东升二期新城

1 1464.67 0 131.51 384.29 0
2 1404 0 150.23 438.67 0
3 1442.25 251.7 0 0 0
4 1585.26 222.35 0 0 0
5 0 0 488.18 1450.27 0
6 0 0 489.56 1457.82 0
7 1335.54 93.47 1.59 4.64 116.02
8 1318.78 93.86 1.61 4.66 121.23
9 0 0 2382.22 0 0
10 0 0 2369.81 0 0
11 364.04 0 0 0 1353.54
12 353.38 0 0 0 1372.41
13 1867.54 0 0 0 86.68
14 1908.86 0 0 0 84.3
15 0 0 480.19 1426.91 0
16 0 0 531.84 1573.74 0
17 362.93 0 0 0 1389.03
18 334.46 0 0 0 1433.76
19 2092.5 0 0 0 77.54
20 854.54 0 0 0 42.83
21 917.89 0 0 0 464.32
22 869.05 0 0 0 436.71
23 219.29 0 0 0 1128.78
24 180.26 0 0 0 1240.12
25 0 0 489.28 1458.97 0
26 0 0 498.98 1482.83 0
27 769.18 0 0 0 353.5
28 685.51 0 0 0 286.06
29 1669.52 233.96 0 0 0
30 1660.62 230.05 0 0 0
31 1782.41 199.96 0 0 0
32 1811.74 198.4 0 0 0
33 0 0 520.98 1543.09 0
34 0 0 509.89 1512.41 0
35 1947.6 0 56.57 164.8 0
36 1957.33 0 57.71 166.96 0
37 0 0 499.34 1486.89 0
… … … … … …
- 94 -
附录 9 部分节点最小功率耗散路径对比表
节点编号西桥江南东升一期东升二期新城

1 27777.2 32989.8 87986.4 78698.1 118578.2
2 27924.3 33136.9 88133.5 78845.2 118725.3
3 437449.9 408754.6 469185.1 459896.8 528251.0
4 424471.0 395775.7 456206.2 446917.9 515272.0
5 73565.3 50874.8 79635.3 70346.9 164366.3
6 73563.3 50872.9 79633.3 70344.9 164364.4
7 36903.4 62627.3 113261.7 103973.4 127704.5
8 38529.6 64253.4 114887.9 105599.5 129330.6
9 107763.5 65355.5 1719.8 11599.1 198564.6
10 107765.3 65357.3 1721.6 11600.9 198566.4
11 103730.5 134979.6 196486.0 187197.6 194531.6
12 97448.7 133015.5 194522.0 185233.6 186049.5
13 27519.1 55339.7 116846.1 107557.8 118320.2
14 25639.4 53460.0 114966.4 105678.0 116440.4
15 86472.0 44064.0 72824.4 63536.1 177273.1
16 86468.7 44060.7 72821.1 63532.7 177269.7
17 95187.2 130754.0 192260.4 182972.1 183788.0
18 95176.8 130743.6 192250.0 182961.7 183777.6
19 10784.3 48031.8 109538.2 100249.8 101585.3
20 43592.3 80839.8 142346.2 133057.8 134393.4
21 87550.1 113273.9 170007.0 160718.6 178351.2
22 89381.8 115105.6 171838.7 162550.3 180182.9
23 62377.4 93626.5 155132.9 145844.5 153178.5
24 65483.0 96732.0 158238.5 148950.1 156284.1
25 73027.2 50336.8 79097.3 69808.9 163828.3
26 67757.5 45067.1 73827.6 64539.2 158558.6
27 89687.4 115411.2 172144.3 162855.9 180488.4
28 89885.0 115608.8 172341.8 163053.5 180686.0
29 39394.6 36261.7 96692.2 87403.9 130195.7
30 38262.2 37468.0 97898.5 88610.2 129063.3
31 64751.0 29322.1 89752.6 80464.2 155552.1
32 59181.6 23752.7 84183.2 74894.8 149982.7
33 84231.4 64002.2 92762.7 83474.3 175032.4
34 107511.8 87282.6 116043.1 106754.7 198312.9
35 34342.2 28078.2 83074.8 73786.4 125143.3
36 34234.6 27970.5 82967.1 73678.8 125035.7
37 65583.7 43911.9 72672.3 63384.0 156384.7
… … … … … …
- 95 -
附录 10 优化模型目标函数部分源码
function [Populationii,FMatrixii,FConMatrixii] = EPANETmz(PopulationPumps)

d1 = epanet('B059.inp');
LinkBreakSet=[186,295,382,420,462,640,652,660,738,861,977,1159,1223,...
1399,1402,1405,1549,1581,1610,1639,1651,1670,2030,2046,...
2071,2109,2111,2192,2210,2462,2527,2594,2655,2882,2883];
for i = 1:length(LinkBreakSet)
d1.setLinkInitialStatus(LinkBreakSet(1,i),0);
end
JunctionCount = 2722;
d1.setQualityType('AGE');
hrs = 24;
d1.setTimeSimulationDuration(hrs*3600);
PopulationiiPumps2=reshape(PopulationiiPumps,4,20)';
PopulationiiPumps3 = zeros(20,24);
for i = 1:24
if sum(ismember([1:1:6,23,24],i))
PopulationiiPumps3(:,i) = PopulationiiPumps2(:,1);
elseif sum(ismember([7:1:12],i))
end
end
……
hyd = d1.getComputedHydraulicTimeSeries;
hqd = d1.getComputedQualityTimeSeries;
P = hyd.Pressure;P=P(1:24,d1.getNodeJunctionIndex);
……
FMatrix = [F1_Leakage,F2_PumpEnergy,F3_AverageQuality];
FConMatrix = [FC1,FC2,FC3,FC4];
end
- 96 -
攻读硕士学位期间发表的学术论文
[1]高金良,陈健勋,欧谌昊,邓立群,张天天,刁美玲,辛萍,胡诗苑. 建筑用水器具关
阀报警装置[P]. CN110307470A,2019-10-08.
- 97 -
致谢
2020 年 6 月，终于完成论文的书写和答辩，三年硕士生活也悄悄迈进尾声。
在哈工大求学七载，毕业季恰逢百年校庆，线上直播给我带来意向不到的惊喜，
疫情阻隔不了万千哈工大学子的骄傲与豪情。在我生命中最宝贵的青春岁月，是
哈工大守护我成长，而我也永远地留下哈工大的印记。
首先想要感谢的是高金良老师。从研一选题，到开题、中期，再到结题答辩，
高老师悉心教诲，精心指导，倾注了不少的心血。还想感谢课题组的师兄师姐和
工作人员，张天天、刁美玲、李远哲、简彩，以及同届同学陈健勋、段博文和谢
竣莘。每当在课题上有疑惑，他们总能耐心倾听，细致解答和建议，给我不少启
发。
然后想感谢六公寓 230 的四个室友，丁健、嘉俊、小吴、狗哥，寝室生活的
快乐带给我不少勇气，使我对课程，对科研，更是对生活充满信心。还有十五届
支教团的队友们，一整个学年我们在远离家和学校的第三个地方，相互支持和帮
助，在讲台上度过难忘的一年。以及遥远的好朋友们，安定、丹丹、小奶、耀宗、
萌萌、狒狒、黑潘、米琦、香蕉、大伟，还有楠神、张大哥，广东小分队 xx 交
流会的小韬哥、小孟、小吴、小马和小袁，虽然联络少，可是关键时候你们一直
是最可靠的后盾，总有说不完的话，总会向往相聚。
如果说研究生毕业是二十年学业的终点，那工作一定是下一段旅程的起点。
感谢王叔叔、群姑姑、林阿姨在我寻找工作的过程中出谋划策，分享经验，指导
我，鼓励我。也庆幸自己在疫情之前就把握住机会，不过没有预料到的是，疫情
让录用变得极其繁琐和缓慢。我想谢谢辅导员高老师，谈话、开证明、调档，他
尽心尽力，帮助我化解了不在校的难题。
有一个人，贯穿了学习、科研、求职、生活的点点滴滴，是良师，是益友，
是伴侣，是依靠，是怀抱，是夜空的繁星，是黎明的太阳，她对我的好值得一辈
子回报。谢谢你，胡诗苑。
最后，我想把一份感谢留给家人，这三年来心路曲折，不少时刻身心俱疲，
想要放弃。谢谢我的家人，七年异地求学留给家人只有短暂的相处，可是家人总
是最温暖最炽热的安乐窝，遮风挡雨使我不惧怕风雨，给我力量，使我成长。
学业终点不是学习的终点，就要开始步入社会，面对的工作必然会有不小的
压力和挑战。我始终觉得自己是幸运的，身边总有最最可靠的陪伴，峰回路转总
有柳暗花明的时刻，只要不停下，就能一直前进。
2020 年 6 月 25 日
- 99 -

B市多水源供水系统一级分区和泵组优化调度控制漏失 欧谌昊

Uploaded by

Copyright:

Available Formats

You might also like

B市多水源供水系统一级分区和泵组优化调度控制漏失 欧谌昊

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

B市多水源供水系统一级分区和泵组优化调度控制漏失 欧谌昊

Uploaded by

Copyright:

Available Formats

硕士学位论文

LEAKAGE CONTROL OF FIRST-LEVEL

Dissertation for the Master Degree in Engineering

LEAKAGE CONTROL OF FIRST-LEVEL

Keywords: water supply network, leakage control, first-level zoning,

4.3.2 一级分区结果评价 .................................................................................... 42

式中， qx ——第 x 根管道漏失水量(L/s)；

α——管材决定的漏失指数，根据 1990 年，Jowitt 和 Xu[14]实验分析管道裂

压力，无法准确有效模拟管网漏失水量。2012 年，Calvin Siew[17]认为，EPANET

1994 年，May[18]提出经典的固定和可变区域漏失模型 FAVAD，指出漏失水

路径，2013 年，Di Nardo[24]用管道流量与水头损失的乘积表示管道耗散功率的权

DBSCAN 去除异常值 水平衡分析

2.2 DBSCAN 识别异常用水量数据

（1）搜索临时簇 遍历 Set 中所有点，获得所有核心点，取核心点、核心

2.3 XGBoost 预测管网需水量模型

二叉决策树类型有三种，分别是 CART、ID3 和 C4.5。极端梯度提升算法使

对于分支完成尚未剪枝的回归树有非叶节点集合 {T1 ,T2 , , Tt , , Tn } ，按照自

计算每一个非叶节点 Tti 的表面误差率增益值 g (t ) ：

式中， Tt ——以 t 节点作为根节点的叶子节点个数和；

R(Tt ) ——把 t 作为根节点的训练误差。

按照 min g(t)选择最小表面误差率增益值的节点 Tt，由该节点开始剪枝。

yˆi =  k =1 f k ( xi ), f k =q(x )，f k  F

式中， yˆi ——自变量 xi 的回归预测结果；

f k ——第 k 棵 CART 回归树的回归预测结果；

式中， Obj ——目标函数；

 l ( y , yˆ ) ——训练数据的损失函数，其中 l ( yi , yˆi ) 可由预测值与实

际值差的平方计算，即 l ( yi , yˆi ) = ( yi − yˆi ) ；

yˆi (t) =yˆi (t-1) + ft ( xi ) (2-5)

Obj (t ) =  j =1 l ( yi , yˆi (t-1) + ft ( xi )) +  ( f k )

式中， G j ——为叶节点 j 包含样本的一阶偏导数之和；

式中， D j ,t ——大用户节点以外的第 j 个用户节点在 t 小时的原始节点需水

D ' j ,t ——大用户节点以外的第 j 个用户节点在 t 小时的预测节点需水

日均用水量（m³） 最大时用水量（m³） 人口数（人）

训练数据选择自 2016 年 10 月 1 日起至 2017 年 1 月 31 日，测试数据选择

（a） XGBoost 预测结果与实测用水量比较

绘制时用水量折线图，观察发现 B 市 2018 年 10 月 28 日 7 时至 11 时、17

选择 XGBoost 预测 2018 年 10 月 28 日的管网各小时的总用水量为 25.713 万

式中， wk ——第 k 段管道漏失权重；

式中， w j ——第 j 个节点漏失权重。

H k ——第 k 段管道首尾两端节点压力平均值（m H2O）；

min f (c h ) =  t =1  k =1 Qkh,t − Qk ,t +  t =1  j =1 Pjh,t − Pj ,t +  t =1 Qt h − Ql ,t

Qkh,t ——h 代最优个体在第 k 个流量监测点在 t 小时的流量（m³/s）；

Qk ,t ——h 代最优个体在第 k 个流量监测点在 t 小时的流量（m³/s）；

Pjh,t ——h 代最优个体在第 j 个压力监测点在 t 小时的自由水头（m H2O）；

Pj ,t ——第 j 个压力监测点在 t 小时的自由水头（m H2O）；

Qt h ——h 代最优个体在 t 小时的管网漏失水量（m³/s）；

设置最大进化代数为 200 代，另外分析水力校核条件，增加终止运行的最大

图 3-2 B 市 2017 年供水水平衡分析（万吨）

（c）东升一期水厂 1 号出厂管 （e）东升二期水厂 2 号出厂管

（c）东升一期水厂 1 号出厂管 （d）东升二期出厂管

国内对管网分区工作的指导意见可以参考住建部 2017 年 10 月印发的《城镇

式中， Ak ——第 k 条管道海森威廉阻力系数；

式中， hk ——第 k 条管道水头损失（m H2O）；

确定出厂压力的偏差 Hi ，即给予第 i 个净水厂出厂压力 Hi 一个较小的偏差；

式中， Eik ——第 k 个节点对于第 i 个净水厂出厂水压力的敏感性系数；

H k ——第 k 个节点压力变化值， H k = H k − H k0 （m H2O）；

Hi ——第 i 个净水厂出厂水压力变化值，H i = H i − H i0（m H2O）。

式中， Ck ——第 k 个节点在一天 24 h 内节点浓度的平均值（mg/L）。

B市多水源供水系统一级分区和泵组优化调度控制漏失欧谌昊

B市多水源供水系统一级分区和泵组优化调度控制漏失欧谌昊

B市多水源供水系统一级分区和泵组优化调度控制漏失欧谌昊

DBSCAN 去除异常值水平衡分析

（1）搜索临时簇遍历 Set 中所有点，获得所有核心点，取核心点、核心

日均用水量（m³）最大时用水量（m³）人口数（人）

（c）东升一期水厂 1 号出厂管（e）东升二期水厂 2 号出厂管

（c）东升一期水厂 1 号出厂管（d）东升二期出厂管

（1）帕累托支配关系对于两个决策变量若 x A ， x B  X ，分别有两个目

（1）制作 P 维超平面首先，构造 P 维超平面。计算种群 Pn 中每个个体

小时（h）实测值 XGB ARIMA