面向水力分布网络漏水检测与定位的算法导向图神经网络
机器学习
2024-08-07 v1
摘要
检测和定位漏水是高效可持续管理水力分布网络（WDN）的重要挑战。利用WDN固有的图结构，近期方法使用基于图的深度学习方法。然而，这些方法常在分布内数据上表现良好，但对分布外数据泛化能力差。为解决这一局限性，并受到经典算法完美泛化能力的启发，我们提出了一种算法导向图神经网络（AIGNN）。认识到WDN作为流网络， incorporating max-flow信息对于推断压力有益。在所提出的框架中，我们首先训练AIGNN来模拟求解最大流问题的Ford-Fulkerson算法。这种算法知识随后被用于解决WDN中的压力估计问题。在该框架中，部署了两个AIGNN：一个用于基于当前测量值重建压力，另一个用于基于先前测量值预测压力。通过比较重构器和预测器的输出来检测和定位漏水。通过预训练AIGNN以类似算法的方式进行推理，预期它们能提取更具任务相关性和可泛化性的特征。实验结果表明，所提出的算法导向方法在不包含算法知识的GNN之上实现了更优的性能，具有更好的泛化能力。
引用
@article{arxiv.2408.02797,
title = {Algorithm-Informed Graph Neural Networks for Leakage Detection and Localization in Water Distribution Networks},
author = {Zepeng Zhang and Olga Fink},
journal= {arXiv preprint arXiv:2408.02797},
year = {2024}
}