基于图神经网络的水分配系统节点压力重建
机器学习
2021-11-09 v2
摘要
知晓水分配系统（WDS）中每个节点在任意时刻的压力有助于安全和高效运行。然而，由于实际 WDS 中仪器数量有限，无法收集到完整的测量数据。本文提出了一种数据驱动方法，仅通过观测有限数量的节点来重建所有节点压力。该重建方法基于 K-局部化谱图滤波器，从而可在供水网络上进行图卷积。考虑到应用特性，讨论了层数、层深度以及核中所用切比雪夫多项式阶数的影响。此外，展示了一种加权方法，可通过邻接矩阵将摩擦损失信息嵌入到谱图滤波器中。所提模型在 3 个 WDS 上的性能以不同观测节点数相对于总节点数的比例给出。加权连接相比二值连接未显示出优势，但所提模型在至少 5% 的观测比例下以浅层图神经网络实现了平均至多 5% 的相对误差重建节点压力。这些结果是遵循文中讨论的考量使用浅层图神经网络取得的。
引用
@article{arxiv.2104.13619,
title = {Reconstructing nodal pressures in water distribution systems with graph neural networks},
author = {Gergely Hajgató and Bálint Gyires-Tóth and György Paál},
journal= {arXiv preprint arXiv:2104.13619},
year = {2021}
}
备注
12 pages, 6 figures. Interpolated regularization has been added as a baseline method for nodal pressure reconstruction