获得2018年东三省建模一等奖。

简介：
独立计量区域（DMA）管理是控制城市供水系统水量损失的关键策略之一。通过对进入或离开该区域的水量进行精确计量，并对流量和压力进行详细分析，可以有效地识别出潜在的泄漏模式。针对首个问题，我们采用拉以达法则来去除异常值，随后运用自适应递归神经网络（NAR）模型，并结合混沌时间序列算法进行优化，构建了一种改进的神经网络模型。该模型将剔除异常值的供水量数据作为输入，用于训练神经网络，从而获得供水量拟合的趋势曲线。通过查阅各类典型的用水模式的数据集，绘制趋势图并与拟合后的趋势曲线进行对比分析，最终确定该DMA分区的典型用水模式为居民生活（小区）模式。 其次，我们参考国际水协制定的漏损指数（ILI）性能指标体系，将供水量与压力相结合进行危险等级划分：A级表示正常运行状态、B级表示一般异常情况、C级表示较明显的异常、D级表示严重的异常状况、E级则指源头漏损情况。为了更准确地识别漏损情况，我们构建了一个基于密度聚类算法的DBSCAN模型（SA-DBSCAN），并利用逆高斯函数对minPts和EPts值进行了优化调整，从而提升了模型的性能。将所有相关数据纳入SA-DBSCAN模型中进行分类处理，进而区分出异常数据和正常数据。通过SA-DBSCAN模型对异常数据进行分类分析后，依据预设的等级分类标准对这些异常值进行量化处理，从而揭示不同危险等级下的漏水量特征模式。最后针对第三个问题, 参照相关资料, 将供水系统中的异常用水模式细分为明漏、暗漏、源头漏损以及供水失窃等几种类型。为了进一步提升模型的准确性和可靠性, 我们构建了一个结合遗传算法优化的BP神经网络模型（GA-BP神经网络）。在这一过程中, 我们首先从问题二中获得的正常数据中剔除固定数值背景下的漏水量, 然后将这些经过筛选的正常数据输入到神经网络中进行训练, 并将包含异常值的网络输入信息一同放入网络中, 以便得到更加准确的正常供水量数据。通过对比这些正常的供水量数据与原始的异常数据, 我们可以有效地评估异常幅度和持续时间, 并结合之前识别出的居民生活（小区）用水模式, 从而更清晰地识别不同月份出现的各种异常用水模式。例如, 四月份出现的是供水失窃现象；五月份则主要表现为明漏、暗漏以及源头漏损；而六月份则主要呈现明漏和暗漏的情况。