基于Net3水力模型的供水管网漏损检测与定位多学习架构基准评测

作者与发表信息

本研究由来自印度泰米尔纳德邦哥印拜陀库马拉斯瓦米理工学院（Kumaraguru College of Technology）的三位研究者完成。第一作者兼通讯作者为Ranganathan S，隶属于电子与仪器工程系（Department of Electronics & Instrumentation Engineering）；Vinothkumar N来自电气与电子工程系（Department of Electrical and Electronics Engineering）；Muthuramalingam E同样来自电子与仪器工程系。该论文发表于Elsevier旗下期刊《Journal of Water Process Engineering》第87卷（2026年），文章编号110114，于2025年12月17日投稿，2026年4月2日修回，2026年4月18日接收，2026年4月29日在线发表。

研究背景与目的

供水管网（Water Distribution Systems, WDSs）是城市基础设施的核心组成部分，负责可靠安全地输送饮用水。然而，管道老化、腐蚀、地面运动和运行应力引发的漏损造成大量水资源流失和效率下降。根据国际水协会的数据，全球无收益水（Non-Revenue Water, NRW）平均约占30%，部分地区超过50%，由此带来的经济和环境负担极为沉重。传统漏损检测方法分为基于硬件和基于软件两类：硬件方法（如声学记录仪、压力传感器、探地雷达）灵敏度高但仪器维护成本高昂；软件方法依赖分析、水力或统计建模从传感器数据中推断漏损事件，虽更具可扩展性，但对噪声敏感、需要校准，且往往难以检测小型或早期漏损。

近年来，机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）在漏损检测与定位中被广泛采用。支持向量机（SVM）、随机森林（Random Forest, RF）和XGBoost等模型在检测任务中表现优异；卷积神经网络（CNN）和长短期记忆网络（LSTM）分别能够学习空间和时间依赖关系。然而，这些模型面临数据稀缺、传感器不确定性和对未知工况泛化能力不足的挑战。图神经网络（Graph Neural Networks, GNNs）利用供水管网的拓扑图结构捕捉节点和管段间的空间依赖，Transformer则通过自注意力机制处理序列和不规则采样时间序列数据。但以往研究大多孤立地考察单一架构，数据集和假设条件各不相同，缺乏跨模型家族的公平比较。

为此，本研究旨在建立首个统一基准，在相同水力、数据和评估条件下系统评估ML、DL、GNN和Transformer架构在漏损检测与定位任务中的表现，并在此基础上开展针对漏损尺寸、传感器覆盖率和测量噪声三类不确定性的鲁棒性分析。研究的三个核心贡献为：建立首个统一的ML/DL/GNN/Transformer漏损检测与定位基准框架；开展覆盖实际运行条件的全面鲁棒性评估；构建可复现的数据集与分析流程，整合EPANET/WNTR水力仿真与AI模型。

研究方法与工作流程

本研究的方法框架包括基于模型的和数据驱动两类范式。基于模型的框架通常包含四个顺序步骤：基于残差分析的漏损检测、通过水力建模模拟漏损场景、通过测量-模拟残差比较计算诊断指标、以及候选漏损节点的空间聚类。主导传感器序列（Dominant Sensor Sequence, DSS）方法通过从预计算的灵敏度矩阵中选择最敏感的传感器来增强鲁棒性，随后应用层次聚类和k-means算法细化空间分组。

在数据准备方面，研究利用了多个基准数据集进行框架评估。第一个数据集来自中国浙江省的一个供水管网模型，包含509根管道、491个节点和3个水源，使用EPANET 2.0生成合成数据，模拟20 m³/h至350 m³/h的漏损强度，在多种噪声条件下产生44,681个场景和14,730个漏损事件。第二个数据集来自BattLeDIM挑战赛的L-Town网络，包含液位计、流量计、压力传感器和智能水表数据。第三个案例研究涉及一个西欧城市的独立计量区域（District Metered Area, DMA），包含306个节点和254根管道，由四个水库供水。

本研究的主要基准数据集基于Net3供水管网模型构建，如图2所示。水力仿真在WNTR中执行，在93个节点注入三种不同强度的漏损（0.001、0.005和0.01），同时包含无漏损基线条件。最终数据集包含超过47,000个样本，以97个压力节点的测量值作为输入特征，漏损节点标识符作为输出标签。数据预处理包括归一化、标签编码以及为时序模型创建时间窗口序列。数据集按80%训练集、10%验证集和10%测试集划分，每个仿真覆盖24小时，时间步长为1小时。需要特别说明的是，该研究的主要数据集完全通过EPANET/WNTR水力仿真生成，不包含真实运行现场数据。

在模型实现方面，所有模型均使用Python实现：scikit-learn用于集成ML模型（RF、XGBoost、LightGBM），TensorFlow/Keras用于深度学习模型（MLP、CNN、LSTM、Transformer），PyTorch Geometric用于图神经网络（GCN、GraphSAGE、GAT）。实验硬件配置为Intel Core i7 CPU（3.4 GHz）、32 GB RAM和NVIDIA RTX 3060 GPU（12 GB显存）。超参数调优采用网格搜索结合早停策略，学习率搜索范围为10⁻⁴至10⁻²，估计器数量为100至500，隐藏层大小为32至256个单元。每个实验使用不同随机种子重复五次，报告平均性能值以确保统计一致性。

评估指标体系包括：漏损检测（二分类）使用准确率、精确率、召回率和F1分数；漏损定位（多分类）使用准确率、宏F1、加权F1以及Top-1、Top-3、Top-5准确率；鲁棒性分析在漏损尺寸变化、传感器覆盖率降低和高斯噪声注入三种不确定性条件下进行。

主要研究结果

漏损检测结果：在Net3数据集上，所有测试模型的二分类漏损检测准确率均超过95%，证实漏损检测在很大程度上是一个已解决的问题。集成ML模型（RF、XGBoost、LightGBM）略优于深度学习方法，其中LightGBM达到99.9%的检测准确率，MLP达到99.6%。各模型之间的检测性能差异微乎其微，表明当前研究重点应当转向更具挑战性的定位任务。

漏损定位结果：与检测任务相比，漏损定位性能在不同模型家族之间表现出显著差异。集成ML方法表现最为强劲：XGBoost的Top-1准确率为77.3%，Top-3为87.0%，Top-5为89.4%；随机森林Top-1为75.3%，Top-5为88.2%；LightGBM Top-1为74.0%，Top-5为87.0%。在深度学习模型中，LSTM表现优异，Top-1达到77.0%，Top-5达到90.0%，与集成方法相当甚至略优；Transformer同样具有竞争力，Top-1为72.0%，Top-5为89.5%；MLP表现中等，Top-1仅为52.1%，但Top-5可达89.3%；CNN表现相对较弱，Top-1为45.0%。图神经网络（GCN、GraphSAGE、GAT）则严重表现不佳，Top-1准确率分别仅为3.0%、4.0%和2.7%，远低于其他模型家族。

GNN模型性能低下的原因在于：本研究采用的是静态图表示，节点特征仅包含压力测量数据而未纳入时间序列信息，限制了GNN捕捉漏损行为动态演化能力；标准邻域聚合方法（如均值或求和池化）可能过于简化空间依赖关系，在不确定性工况下放大噪声影响。此外，输入特征未包含流量、需求模式或管道特性等更丰富的水力变量，静态图结构缺乏时间边动态，进一步制约了模型性能。

鲁棒性分析结果：在漏损尺寸变化条件下，所有模型对较大漏损的检测和定位准确率均有所提升，小型或早期漏损仍是最困难的目标。在传感器覆盖率降低时，集成ML模型退化最为平缓，DL和Transformer表现出中等弹性，GNN则高度敏感。在噪声注入条件下，集成ML方法最为鲁棒，DL和Transformer表现出中等鲁棒性，GNN则表现出脆弱性。这些结果共同确认，集成ML在当前条件下是现场部署的最实用选择，Transformer在数据质量和传感器覆盖充足的条件下具有竞争力，而GNN需要进一步完善才能有效处理噪声和不完整数据。

研究结论与价值

本研究的核心结论是：二分类漏损检测已被证明是一个基本解决的问题，所有模型均超过95%的准确率；漏损定位才是真正的瓶颈。集成ML方法（随机森林、XGBoost、LightGBM）在Top-1准确率和鲁棒性方面均表现最佳，是当前部署最可靠的选择。LSTM和Transformer模型具有竞争性的Top-k定位性能，展现出在大规模智能供水管网中处理丰富时序数据的潜力。CNN在此任务中附加值有限。GNN在其当前的静态表述形式下不适于供水管网漏损定位，需要发展时空GNN或物理信息GNN变体来克服噪声敏感性和缺乏时间编码的局限。

定位困难的根本原因在于：漏损产生的压力变化通过网络传播时，在相邻节点尤其是密集连接区域产生高度相关的响应，多个候选节点可能呈现几乎相同的压力模式；早期漏损的压力变化幅度通常很小，降低了信噪比，进一步增加了相邻节点间的误分类概率。

研究的科学价值在于提供了首个统一的跨模型家族漏损检测与定位基准，消除了以往研究中数据集和参数差异带来的不可比性，为水信息学（Hydro Informatics）研究建立了可复现的基础。应用价值在于通过系统性的鲁棒性评估，为水务公司实际部署AI漏损管理系统提供了直接指导：在传感器稀疏或噪声较大的实际运行条件下，集成ML方法是最可靠的选择；在有充足时序数据的大规模智能系统中，Transformer架构具有显著潜力。

研究亮点与特色

本研究的主要亮点包括：第一，首次在同一水力、数据和评估条件下系统比较了ML、DL、GNN和Transformer四大模型家族在漏损检测与定位中的表现，填补了此前研究各自孤立、无法公平比较的空白。第二，鲁棒性分析覆盖了漏损尺寸变异、传感器覆盖率降低和噪声注入三种实际运营中最为关键的不确定性来源，为实际部署提供了更有价值的参考。第三，对GNN模型性能不佳的原因进行了深入的方法学分析，明确指出问题源于当前静态图表示和有限特征输入，而非GNN架构本身的根本性缺陷，为后续研究指明了改进方向。第四，研究提供了完整的数据生成、预处理、模型训练和评估流程的开放实现代码和数据集，确保了结果的可复现性。

局限性与未来方向

研究作者明确指出，本研究的主要数据集基于水力仿真生成，未使用真实运行现场数据进行验证。尽管仿真框架纳入了现实水力行为、噪声注入和变化的传感器条件，但真实管网中存在传感器故障、校准漂移、通信中断和不规则采样等额外复杂性。此外，研究仅使用压力数据作为输入特征，未纳入流量、需求模式、管道特性等多模态水力变量，可能限制了模型在区分水力相似节点方面的判别能力。

未来研究方向包括：开发时空GNN或物理信息GNN以克服噪声敏感性；构建GNN-Transformer混合架构以融合空间拓扑与时间动态优势；整合物理信息学习和数字孪生技术以支持实际水务规模部署；以及使用大规模真实世界数据集进行验证以确保可扩展性和可复现性。研究代码和基准框架已通过GitHub仓库公开，处理后的数据集和分析脚本可根据合理请求从通讯作者处获取。