面向动态配水网络监测的联合异常检测与拓扑推断——基于拓扑信号处理(Topological Signal Processing, TSP)的动力学建模方法

《Internet of Things》：Joint Anomaly Detection and Topology Inference for Dynamic Water Distribution Networks Monitoring

　　

摘要：在水资源短缺与基础设施老化的背景下，配水网络(Water Distribution Networks, WDNs)的可靠高效运行亟需先进的监测策略。本文提出一种基于拓扑信号处理(Topological Signal Processing, TSP)的WDN动态建模与异常检测联合框架，将IoT传感器数据表征于细胞复形(Cell Complex)——即能捕捉网络变量间多元相互作用的高阶网络结构上，其中高阶拓扑由流量观测数据驱动推断得到。该动态流模型同时考虑时域稀疏且空间分布的用户用水需求(demand)与持续且空间稀疏的泄漏(leakage)，并在此框架下建立联合推断潜在高阶拓扑与检测流信号中泄漏的有原理性优化问题。该联合公式使拓扑随观测动力学自适应调整，改善流相互作用的表征并提升检测精度。在合成与真实WDN上的数值实验表明，所提框架优于基于图(Graph)的方法，在不同工况下均获得更优的泄漏检测性能。

论文解读：Joint Anomaly Detection and Topology Inference for Dynamic Water Distribution Networks Monitoring——基于拓扑信号处理的配水网络联合漏损检测与高阶拓扑推断

一、研究背景与意义

配水网络(Water Distribution Networks, WDNs)面临水资源短缺与基础设施老化双重压力，漏损是影响其可持续性与运行效率的核心问题。传统方法依赖定期巡检或粗略水力模型，成本高、耗时长且可靠性不足；近年兴起的图神经网络(Graph Neural Networks, GNNs)方法虽能利用网络图结构，但局限于节点间成对交互(pairwise interaction)，无法刻画管网中超越成对关系的流动量相互作用（如同一多边形回路内管段间的环流关系），且需大量标注数据与计算资源，实际部署困难。已有拓扑信号处理(Topological Signal Processing, TSP)应用于WDN的工作假定高阶拓扑（如单纯复形或细胞复形中的2-胞腔）已知且固定，未从数据中推断或自适应学习。本研究由Sapienza University of Rome的Tiziana Cattai、Stefania Sardellitti、Francesca Cuomo与Sergio Barbarossa开展，发表于《Internet of Things》，提出数据驱动的联合高阶拓扑推断与漏损检测框架，突破现有方法对先验固定高阶结构的依赖，在不依赖大规模标注数据的前提下提升WDN漏损检测性能。

二、主要关键技术方法

研究人员采用的主要方法包括：(1)将WDN物理拓扑表示为图，进一步扩展为二阶细胞复形(Cell Complex, C₂={V,E,P})，含0-胞腔(节点/ junctions)、1-胞腔(管段/ pipes)、2-胞腔(多边形/ polygons)，通过边界矩阵B₁（节点-边关联）与B₂（边-多边形关联）构造一阶Hodge Laplacian L₁=B₁^TB₁+B₂B₂^T，其中下LaplacianL₁^d=B₁^TB₁已知（来自物理图），上LaplacianL_t^u=∑_n=1^N_cc_t,nb_n⁽²⁾b_n^(2)T待推断；(2)建立边流信号动态线性模型x_t+1=W_tx_t+u_t，其中W_t=L₁^d+L_t^u，外源输入u_t=d_t+?_t（d_t为时域稀疏空间分布的需求，?_t为时域持续空间稀疏的泄漏）；(3)构造含数据拟合项、u_t的?₁稀疏正则（分离瞬态需求与持续泄漏）、c_t的?₁稀疏正则（选择活跃2-胞腔）、c_t的时间平滑?₂正则及c_t,n∈[0,1]约束的凸优化问题(P)，联合求解拓扑系数c_t与异常向量u_t，经阈值化定位泄漏边；(4)在合成网络（30节点40边Delaunay三角剖分带可控空洞）、Branched WDN（403节点623管段）与L-Town WDN（788节点908管段，EPANET生成基准流场）上生成带随机瞬态需求与时域持续泄漏的时序边流信号，对比仅用下Laplacian的图基线方法评估F1-score、上Laplacian归一化误差(NE_Lt^u)等指标。

三、研究结果

3.1 结果与合成数据(Results on synthetic data)

研究人员在含N_H=2,6,9个空洞（移除非活跃2-胞腔）的合成细胞复形上生成T=10时刻带2条持续泄漏边(e=3,5)与10%边受短时需求的动态流信号，求解问题(P)。结果显示：随时间推移估计的2-胞腔权重c_t,n逐渐二值化（趋近0或1），最终恢复的真拓扑与含洞地面真相一致；上Laplacian归一化估计误差随t增大单调下降，空洞越多误差初始越大但仍可收敛；累积异常信号∑_tu_t(e)在注入泄漏的边显著大于非泄漏边，时空热图显示泄漏边出现持续非零水平条纹而需求边仅短时激活，证实方法可区分瞬态需求与持续泄漏并准确定位泄漏边。

3.2 结果与真实配水网络(Results on realistic WDNs)

在Branched与L-Town两真实拓扑上设T=20、N_leak=20或40条随机泄漏边（t=5或10激活至终止，强度0.5）、10%或50%边受持续2或5时步需求（强度0.1或0.2）。结果表明：(a)推断活化的2-胞腔聚集于真实泄漏管段周围，泄漏数增多时活化胞腔扩大但仍集中于受影响区，即便L-Town具密集环路与异质连通仍成立；(b)累积异常得分曲线在真实泄漏边出现明显峰，时空u_t(e)热图中泄漏边呈持久水平激活模式区别于需求瞬态波动；(c)泄漏强度≥0.5时可被稳定检出，过弱（如0.3）时部分被误判为需求导致分离能力下降；(d)F1-score随泄漏强度增大而升高，受检测阈值参数α（θ=mean(∑_tu_t)+α·std(∑_tu_t)）影响——α过小增假阳性、过大增假阴性，中间值最优；(e)需求持续时间由2增至5时步使F1略降（长时需求更接近泄漏时域特征），但方法仍保持合理检测力；(f)对比仅含下LaplacianL₁^d的图基线，所提含完整L₁（含推断上Laplacian）方法在各泄漏强度与泄漏数（20与100处泄漏）下F1-score均显著更高，证明引入数据驱动高阶拓扑提升漏损检测性能。

四、讨论与结论

讨论部分指出：本框架假设泄漏空间稀疏且时域持续、需求时域瞬态，符合多数实际持续漏损场景；采用线性化Laplacian动力学为名义工况附近的局部近似，强非线性瞬变（泵启停、大幅阀操作）下精度可能下降；正则参数λ依泄漏稀疏度调节（少泄漏取大λ促稀疏，多泄漏取小λ），β与μ分别稳化拓扑稀疏性与时域平滑性；当前未显式建模传感器置信度，未来可加权不确定项；大规模城市WDN候选2-胞腔数N_c大，实际需依物理邻近性或水力相关性裁剪搜索空间。

结论(Conclusions)： 研究人员提出了WDN中联合高阶拓扑推断与漏损检测的模型框架，将边流信号建模于二阶细胞复形并由含部分已知下Laplacian与待估上Laplacian的一阶Hodge Laplacian支配动力学，上Laplacian参数化为候选2-胞腔稀疏组合并从观测流数据驱动学习，同时通过凸优化联合估计稀疏外源异常输入（含泄漏与需求）。合成数据显示推断拓扑收敛至真值且泄漏边被正确隔离；真实Branched与L-Town WDN实验验证推断高阶胞腔围绕泄漏管段聚集，异常评分可突显持续泄漏特征并抗暂态需求干扰，且优于仅基于图的方法。未来工作将扩展至部分/有噪传感下的流重构、数据驱动检测阈值选取、融入流量守恒与压-流关系等水力先验，以及大规模网络在线实时监测与含实录泄漏事件的基准验证。