[论文解读] Reconstructing nodal pressures in water distribution systems with graph neural networks

Gergely Hajgató, Bálint Gyires-Tóth+1 more|arXiv (Cornell University)|Apr 28, 2021

Water Systems and Optimization参考文献 47被引用 9

一句话总结

本文提出一种基于图神经网络（GNN）的方法，利用稀疏传感器测量数据重建供水系统（WDS）中的节点压力。通过结合谱图卷积与边权重策略以编码水力损失，该模型在三个基准WDS中，于5%的观测比例下，平均相对误差不超过5%，优于插值正则化方法，并在使用二值邻接矩阵时仍表现出鲁棒性。

ABSTRACT

Knowing the pressure at all times in each node of a water distribution system (WDS) facilitates safe and efficient operation. Yet, complete measurement data cannot be collected due to the limited number of instruments in a real-life WDS. The data-driven methodology of reconstructing all the nodal pressures by observing only a limited number of nodes is presented in the paper. The reconstruction method is based on K-localized spectral graph filters, wherewith graph convolution on water networks is possible. The effect of the number of layers, layer depth and the degree of the Chebyshev-polynomial applied in the kernel is discussed taking into account the peculiarities of the application. In addition, a weighting method is shown, wherewith information on friction loss can be embed into the spectral graph filters through the adjacency matrix. The performance of the proposed model is presented on 3 WDSs at different number of nodes observed compared to the total number of nodes. The weighted connections prove no benefit over the binary connections, but the proposed model reconstructs the nodal pressure with at most 5% relative error on average at an observation ratio of 5% at least. The results are achieved with shallow graph neural networks by following the considerations discussed in the paper.

研究动机与目标

• 解决由于设备有限导致供水系统中节点压力监测不完整的问题。
• 开发一种数据驱动的、基于图的方法，从稀疏观测中重建完整的节点压力信号。
• 评估图神经网络与插值正则化等成熟信号重建方法的性能对比。
• 研究邻接矩阵加权方式（二值 vs. 水力加权）对重建精度的影响。
• 为智能供水网络中的实时压力监测提供可扩展、高效的解决方案。

提出的方法

• 该方法采用基于ChebNet的图卷积网络（GCN），在图结构化的WDS拓扑上使用谱滤波。
• 引入边权重机制，通过管道阻力和长度将水力损失信息融入图卷积。
• 模型采用多层架构，具有高感受野，以捕捉网络中的长程依赖关系。
• 训练基于EPANET模拟生成的合成数据，包含真实且随时间变化的节点需求。
• 使用Optuna框架优化超参数，以平衡模型容量与泛化能力。
• 测试邻接矩阵在二值和水力加权两种形式下的表现，以评估显式水力编码的必要性。

实验结果

研究问题

• RQ1 图神经网络能否从稀疏传感器数据中高精度地重建供水系统中的节点压力？
• RQ2 在图边权重中引入水力损失信息如何影响重建性能？
• RQ3 基于GNN的方法是否优于传统、无参数的信号重建方法（如插值正则化）？
• RQ4 浅层GNN结合高宽层在无显式水力加权的情况下，能在多大程度上实现准确的压力重建？
• RQ5 从训练数据中学习到的信息是否足以替代邻接矩阵中手动编码的水力属性？

主要发现

• 在所有三个基准WDS（Anytown、C-Town、Richmond）中，GNN在5%的观测比例下，节点压力重建的平均相对误差不超过5%。
• 该模型在所有测试案例中均优于插值正则化方法，表现出更高的精度和更强的鲁棒性。
• 使用二值邻接矩阵的性能与使用水力加权边相当甚至更优，表明GNN能从数据中学习到相关水力信息。
• 即使采用浅层架构，当每层的滤波器数量足够高以建模系统物理特性时，模型仍能保持高精度。
• 隐藏层深度与切比雪夫多项式阶数的组合能有效捕捉网络直径，从而实现准确的信号传播。
• 该方法对不切实际的异常值具有鲁棒性，仅有少数节点误差高达100%，在实际WDS运行中可忽略不计。