Page 72 - 水利学报2025年第56卷第4期

［21］
式中：q为扩散器流量即泄漏量，L/s；P 为节点压力，m；C 为扩散器系数；γ 为扩散器指数，取 0.5 。
本文使用漏失流量比即泄漏量与正常流量的比值来模拟不同的泄漏程度 ［22］ ，计算公式如下：
K = q/Q （2）

式中：K 为漏失流量比；Q 为正常工况下通过节点的流量。
2.1.3 压力变化率 在管网系统中，监测点的压力变化率与泄漏点之间存在紧密关系。泄漏造成的
流体损失会导致泄漏点附近及其上游区域的流体流速增加，以补偿泄漏处的流量损失。根据伯努利
原理，流速增加导致相应位置的流体静压降低，即泄漏点附近的压力会下降。这种压力的变化不仅
局 限 于 泄 漏 点 附 近 ， 还 会 以 压 力 波 的 形 式 沿 管 道 向 四 周 传 播 ， 从 而 被 管 网 中 的 水 压 监 测 点 检
测到 ［23］ 。
（3）
r i = (P i - P' i )/P i
'
式中：r 为监测点 i 的压力变化率；P 、P 分别为管网正常运行与发生泄漏时监测点 i 的压力值。
i
i
i
2.2 管网泄漏定位模型
［24］
2.2.1 BP 神经网络模型 BP 神经网络由 Rumelhart 首
次提出，用于解决模糊、非线性的复杂问题，但 BP 神
经网络具有较强的随机性和不确定性，存在学习收敛速
度慢、易趋于局部最优等缺陷 ［25-26］ 。本文采用改善权值
和阈值的初始化方法来提高神经网络的预测精度，所搭
建的 BP 神经网络输入层为管网发生泄漏时压力监测点
的压力变化率，输出层为待泄漏点的坐标值，故神经网
络拓扑结构如图 1。
2.2.2 GA-BP 模型 遗传算法（Genetic Algorithm， GA） 图 1 神经网络拓扑图
［27］
是 Holland 提出的一种全局搜索算法，通过模拟自然
界生命的进化机制，在人工系统中实现特定目标的优化。在此过程中经选择、交叉、变异等操作形成
新的种群，如此反复得到最优参数并对 BP 神经网络的权值和阈值进行赋值，避免 BP 神经网络在训练
过程中陷入局部最小值，提高网络的泛化能力和预测精度。
2.2.3 SSA-BP 模型 麻雀搜索算法（Sparrow Search Algorithm， SSA）是薛建凯等 ［28］ 基于麻雀觅食和反
捕食行为提出的一种启发式群智能优化算法，具有较强的全局寻优能力。
麻雀算法通过角色分工与动态更新，能
够不断优化 BP 神经网络的权值和阈值，使网
络收敛于更优解，从而降低预测误差并提升
泛化性能。在此过程中，模拟了麻雀觅食行
为中的 3 种角色：捕食者负责全局搜索，发
现潜在的优秀解，对应 BP 网络参数空间中当
前较优的解；加入者在捕食者引导下，对特
定区域内的 BP 参数进行细致调整，对应中间

水平的候选解；警戒者负责监控群体的整体
搜索状态，防止群体过早收敛或陷入局部最
优。优化流程如图 2 所示，具体步骤如下：
（1）初始化麻雀种群数量、最大迭代次
数 、 捕 食 者 和 加 入 者 比 例 、 初 始 位 置 等 参
数。根据 BP 神经网络的结构，将所有权值与
阈值参数展平为实值向量，并为每个麻雀个
体分配初始位置。 图 2 SSA-BP 神经网络流程图

— 490 —