用于供水管网压力估计的图神经网络
机器学习
2024-07-11 v1
摘要
供水管网（WDN）中的压力与流量估计使水务公司能够优化其控制操作。多年来，数学仿真工具一直是重建 WDN 水力学估计的最常见方法。然而，纯基于物理的仿真涉及若干挑战，例如部分可观测数据、高不确定性和大量手动配置。因此，数据驱动方法已获得关注以克服此类限制。在本文中，我们结合基于物理的建模与图神经网络（GNN，一种数据驱动方法）来解决压力估计问题。首先，我们提出一种新的数据生成方法，使用数学仿真但不考虑时间模式，并包含一些在先前工作中未被触及的控制参数；这有助于获得更多样化的训练数据。其次，我们的训练策略依赖于随机传感器放置，使我们的基于 GNN 的估计模型对意外的传感器位置变化具有鲁棒性。第三，一个逼真的评估协议考虑真实时间模式，并额外注入真实世界场景固有的不确定性。最后，多图预训练策略使该模型可复用于未见目标 WDN 中的压力估计。我们的基于 GNN 的模型以 1.94mHO 的 MAE 和 7% 的 MAPE 估计了荷兰一个大规模 WDN 的压力，超越了先前研究的性能。同样，它在其他 WDN 基准上优于先前方法，最佳情况下绝对误差降低约达 52%。
引用
@article{arxiv.2311.10579,
title = {Graph Neural Networks for Pressure Estimation in Water Distribution Systems},
author = {Huy Truong and Andrés Tello and Alexander Lazovik and Victoria Degeler},
journal= {arXiv preprint arXiv:2311.10579},
year = {2024}
}
备注
submitted to Water Resources Research. Huy Truong and Andr\'es Tello contributed equally to this work