摘要：【目的】 城市供水管网（WDNs）是保障城市运行的核心基础设施，其运行稳定性与水质可靠性直接关系居民身体健康和城市公共安全。针对传统机理模型在WDNs余氯预测中，受参数不确定性与用水模式差异性影响导致的系统偏差问题，本文提出“水力机理模拟+深度学习残差修正”融合框架。【方法】 基于EPANET构建WDNs水力水质模型，引入门控循环单元（GRU）、长短期记忆模型（LSTM）及Transformer 3种深度学习算法，对模型模拟值与实测值的残差序列进行学习和修正，以提升复杂工况下余氯动态变化的预测精度。【结果】 EPANET-GRU耦合模型表现最优，可精准捕捉余氯时序波动与非线性特征，各监测节点平均绝对百分比误差均控制在11%以内，预测性能显著优于单一机理模型或纯深度学习模型。【结论】 该模型具备多时间尺度预测能力，有效提升了余氯预测的精度、泛化性与时效性，为WDNs智能监测、动态预警及数字孪生化管控提供了新的研究思路。

关键词：城市供水；余氯监测；深度学习；残差修正；智能预警

基金资助：国家自然科学基金(52200112);佛山市自筹经费类科技创新项目(2320001006055);企业研发课题(CCGS2022-06)

下载

查看