买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种基于门控图神经网络的供水管网水质异常污染源识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116484219B 。

龙图腾网通过国家知识产权局官网在2026-02-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310437162.0，技术领域涉及：G06F18/214；该发明授权一种基于门控图神经网络的供水管网水质异常污染源识别方法是由李子林;刘海星;徐佳雨;刘璇;张弛设计研发完成，并于2023-04-23向国家知识产权局提交的专利申请。

本一种基于门控图神经网络的供水管网水质异常污染源识别方法在说明书摘要公布了：本发明提供一种基于门控图神经网络的供水管网水质异常污染源识别方法，属于供水管网水处理技术领域。本发明首先，抽象出管网的拓扑结构并构建有向图的邻接矩阵；其次，收集传感器监测站点的污染物浓度信息；再次，构造基于GGNN的污染源定位模型；最后，识别污染源节点的区域。本发明中提出的基于GGNN的污染源定位模型适用于任何规模的供水管网，能够预测污染事件发生后供水管网中每个节点成为污染源的概率。水务集团可以根据污染源定位模型的预测结果选择概率最高的几个节点，以缩小污染源的可能区域，为保障供水安全提供了更加可靠的手段。

本发明授权一种基于门控图神经网络的供水管网水质异常污染源识别方法在权利要求书中公布了：1.一种基于门控图神经网络的供水管网水质异常污染源识别方法，其特征在于，首先，抽象出管网的拓扑结构并构建有向图的邻接矩阵；其次，收集传感器监测站点的污染物浓度信息；再次，构造基于GGNN的污染源定位模型；最后，识别污染源节点的区域；包括以下步骤： 1抽象出管网的拓扑结构并构建有向图的邻接矩阵； 将有n个节点的供水管网抽象为图结构，其中V是顶点集合,n表示供水管网节点个数，边集合E表示节点之间的连接关系；在供水管网中，水库、水箱和用水节点可以表示为节点或顶点，而连接它们的管道、阀门和泵可以表示为边；利用EPANET进行水力建模，收集管网的空间拓扑结构信息和水流向信息，构建有向图的邻接矩阵； 所述的有向图的邻接矩阵的行列分别对应管网中的节点，其中是邻接矩阵中第i行，第j列的元素，表示节点i是否有水流流向节点j；当有水流从节点i流向节点j时，，否则，； 2收集水质监测传感器站点的污染物浓度信息； 在供水管网的各个节点利用EPANET进行水质污染模拟，采集水质监测传感器站点的污染物浓度信息，并将其分为训练集和测试集；水质监测传感器站点的水质数据由供水管网中的监控与数据采集系统SCADA进行收集；当任何一个水质监测传感器站点接收到超过浓度阈值的被污染水时，SCADA系统将发出警报，然后收集接下来个时间步长的水质数据，包含污染物的浓度，并用作监测节点的节点属性；对于未受监控的节点，空值可以替换为0作为节点属性；表示为每一个节点的节点属性，包含了个水质时序数据信息，表示所需的用于确定污染源的水质数据长度，代表污染源识别模型的检测时间； 3构造基于GGNN的污染源定位模型；GGNN将步骤1中收集的供水管网有向图的邻接矩阵以及步骤2中收集的传感器监测站点的污染物浓度信息作为输入，输出为污染源定位模型预测的每个节点是污染源的概率；模型构建包括以下： 3.1基于步骤1中获取的管网有向图的邻接矩阵，利用公式1拼接邻接矩阵及其转置，得到扩展的邻接矩阵： 1； 其中，是传统邻接矩阵的扩展； 3.2对于每一个节点，基于步骤2中收集的节点属性，得到初始隐藏状态；为提高GGNN的效率，在将节点属性用作初始隐藏状态之前，利用一个映射函数将其列向量维度扩大： 2； 其中，为节点v初始时刻的状态向量； 3.3使用门控循环单元GRU，将步骤3.1中得到的扩展邻接矩阵和步骤3.2得到的节点的初始隐藏状态作为输入，循环K个时间步计算得到的每个节点最终的状态向量；具体过程如下所示： 3 ； 4 ；    5 ； 6 ； 7 ； 其中，是扩展邻接矩阵的一个块矩阵，由中与节点v有关的两列组成； 是节点v在时间步k的聚合向量，聚合节点v的邻接节点的状态；是供水管网中所有节点在时间步k‑1的隐藏状态向量，包含了供水管网有向图所有的节点； ，和是节点v在时间步k的重置门、更新门和临时隐藏状态向量，均是计算节点v在时间步k的隐藏状态向量时的中间变量；,,和,,分别是神经网络各个隐藏层的权重矩阵和偏置项，是sigmoid激活函数，是元素乘法； K是GGNN模型的传播步数；对于每个节点而言，经过K步GGNN的迭代传播，可以学习到距离自己最远的第K个邻居节点的信息；具体而言，当K=1时，每个节点只能从其直接相邻的节点学习信息； 3.4将步骤3.3中得到的展平成向量，通过线性层和softmax层进行归一化，生成一个概率分布，是一个概率向量，用于表示每个节点成为污染源的可能性，通过得到GGNN预测的每个节点是污染源节点的概率；具体来说，这一步是污染源检测方法中的输出层； 3.5 训练基于GGNN的污染源定位模型；步骤1收集的邻接矩阵和步骤2得到的水质异常事故训练集数据，用以下的负对数似然函数来训练GGNN模型： 8； 其中，是GGNN的损失函数，损失越小越好；和是包含每个节点预测和真实的污染源概率的向量；在单个污染事件中，中包含的真实污染源的概率值为1，所有其他元素都为0；和是和中的元素，表示节点v成为污染源的预测和真实概率； 4识别污染源节点的区域；利用步骤3.5中训练好的基于GGNN的污染源定位模型可以得到单个污染事件中每个供水管网节点作为污染源的概率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路２号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。