摘要
摘要
污水管网漏损和混接故障的判别对于维护城市卫生和水环境质量至关重
要。相对于传统的物理检测法，基于水质水量监测的判别方法具有成本低廉和
应用便利的优点，近年来被越来越多地研究。然而，当数据量较大时，该方法
也会面临分析过程复杂的问题。同时，由于某些水质因子的模拟难度较大，该
方法的判别精度有限。机器学习算法中的聚类算法能够快速总结不同数据的特
征并进行归类，深度学习算法优异的数据挖掘能力有助于构建高精度的模拟模
型。基于此，本论文以广东省某城区污水管网为研究对象，应用聚类算法简化
分析过程，并构建基于深度学习的水质模型实现关键水质的准确模拟，从而提
升判别精度，最终实现对管网故障高效、经济的识别。本研究的具体问题为：
针对漏损故障，本论文基于管网的实际及理论流量工况，构建了漏损故障
判别方法。通过管网基础数据和健康管网流量数据推算理论流量工况；采用
K-means++算法将不同的实际流量工况分为几个具有不同变化规律的类；计算
各类实际与理论流量工况之间的动态时间规整（DTW）距离及健康状态下管
段的DTW变化阈值，推断漏损故障的程度。根据示例管段的计算结果，该管
段15个监测日的实际流量工况可被分为2类，这2类工况与理论工况的DTW
距离分别为0.408和1.989，大于健康状态的DTW阈值0.152，据此推断示例
管段长期存在漏损问题。
针对混接故障，本论文以电导率作为特征因子，通过对比其模拟值及实测
值之间的差异进行故障判别。基于长短期记忆（LSTM）构建不受降雨影响时
电导率模拟模型；基于电导率模拟值、雨天电导率和流量实测值，根据水质水
量平衡方程定量计算雨水入流量；通过雨水入流量在雨水产流量中的比例来定
性分析管网混接故障程度。结果表明，LSTM模型在模拟3小时内的旱天电导
率时R2不低于0.9，具有较好的效果。通过定量计算，示例管段的雨水入流量
占雨水产流量的3.89%，据此推断该管段存在轻微的混接故障。
为了验证本论文方法体系的有效性，选取了广东省某城区的6段管段作为
研究对象开展故障判别工作。研究结果表明：研究区域内的污水管网普遍存在
轻微的漏损故障，漏损类型主要为外水入渗，其中管段D和管段F服务区域部
分管段由于存在较严重的结构性故障，地下水位抬升时外水会大量入侵；管段
F服务区域的管网存在严重的混接故障。随后，采用管道闭路电视检测在管段
D服务区域开展了验证工作，检测结果与方法判别结果较吻合，证明了本论文
-I-
摘要
构建的方法具有可行性。
关键词：污水管网；故障判别；管网漏损；混接故障；机器学习
-II-
Abstract
Abstract
Thefaultidentificationofleakageandmixedconnectionofsewernetworkis
significantformaintainingurbansanitationandensuringwaterenvironment
quality.Identificationmethodsbasedonwaterqualityandquantitymonitoring
havebeenstudiedmoreandmoreinrecentyearsduetotheiradvantagesoflow
costandconvenientapplicationcomparedtotraditionalphysicaldetection
methods.However,whenthevolumeofdatai