基于结构可控性的给水管网传感器布点选择算法

一、算法原理

代码基于结构可控性理论自动识别需要安装传感器的节点位置。核心思想：

水流方向决定信息传播方向
传感器应放置在能"控制"整个网络的节点上
通过最大匹配算法找出最少的传感器节点集合

二、整体流程

复制代码

EPANET文件(INP/RPT) → 解析拓扑结构 → 解析水流数据 → 构建反向流图 → 最大匹配分析 → 输出传感器节点

三、详细步骤分解

1. 文件读取阶段 (第24-53行)

python 复制代码

def get_input_paths():
    inp_file = find_file_case_insensitive(MAP_DIR, "network.inp")  # 网络拓扑
    rpt_file = find_file_case_insensitive(MAP_DIR, "network.rpt")  # 水力模拟结果
    bin_file = find_file_case_insensitive(MAP_DIR, "network.bin")  # 可选

支持的EPANET文件格式：

.inp: 包含管网拓扑结构（节点、管道、水泵、阀门）
.rpt: 包含水力模拟结果（各时段流量）
.bin: 二进制结果文件（当前未解析）

2. 拓扑解析 (第56-111行)

解析INP文件，识别关键部分：

管道(SECTIONS): PIPES, PUMPS, VALVES
节点类型: JUNCTIONS, RESERVOIRS, TANKS

python 复制代码

# 示例：解析一条管道
# [PIPES]
# PIPE-1  J-1  J-2  300  12  ...
#  => link_id="PIPE-1", from="J-1", to="J-2"

3. 流量数据解析 (第114-199行)

从RPT文件中提取各时段的流量数据：

复制代码

Link Results at 0:00:00 hrs:
Link                 Flow     Velocity    ...
PIPE-1               12.3     0.85
PIPE-2              -5.6      0.42

关键点：

正流量：水流从 from_node → to_node
负流量：水流从 to_node → from_node

4. 构建反向流图 (第202-241行)

核心创新：将水流方向反转构建有向图

python 复制代码

# 反向规则：
if flow > 0:  # 水流从u→v
    graph.add_edge(v, u)  # 反向边v→u
elif flow < 0:  # 水流从v→u  
    graph.add_edge(u, v)  # 反向边u→v
else:  # 零流量
    # 两端都需要安装传感器
    zero_flow_sensor_nodes.add(u)
    zero_flow_sensor_nodes.add(v)

物理意义：

污染物随水流向下游扩散
传感器若在上游，可以检测到从下游传来的污染信号（反向传播）
因此反向边代表"可观测性"方向

5. 最大匹配分析 (第244-284行)

这是理论核心：通过二分图最大匹配找出驱动节点

python 复制代码

def driver_nodes_by_maximum_matching(graph: nx.DiGraph):
    # 构建二分图：左侧L节点，右侧R节点
    # 边L_u → R_v 对应原图中的 u→v
    
    # 最大匹配后，右侧未匹配的节点 = 驱动节点
    unmatched_nodes = all_nodes - matched_right
    
    # 如果完美匹配，选择任意一个节点
    if not unmatched_nodes and all_nodes:
        unmatched_nodes = {next(iter(all_nodes))}

理论意义：

驱动节点就是需要放置传感器/控制器的位置
通过控制这些节点可以影响整个网络的状态

6. 多时段整合 (第315-335行)

python 复制代码

for step_index, flow_map in enumerate(flows_by_time):
    # 每个时段分别计算驱动节点
    drivers = driver_nodes_by_maximum_matching(graph)
    final_driver_nodes.update(drivers)  # 取并集
    
    # 收集零流量管道的两端
    zero_flow_sensor_nodes.update([u, v])

考虑因素：

不同时段水流方向可能变化（如用水高峰期、夜间）
取所有时段的并集确保全天候可观测
零流量管道两端都需要传感器（无法确定传播方向）

7. 可视化输出 (第354-426行)

生成两个网络图：

network_original.png: 原始拓扑结构
network_sensors.png: 标注候选传感器位置

python 复制代码

# 传感器节点用大圆点突出显示
nx.draw_networkx_nodes(
    G, pos,
    nodelist=list(sensor_nodes),
    node_size=80,  # 正常节点20
    alpha=0.95,
)

四、输出结果

文件输出

candidate_sensor_nodes.txt: 传感器候选节点列表（每行一个节点ID）

控制台输出示例

复制代码

Loaded INP:
  nodes: 1247
  links: 1456

Parsed RPT time steps: 24

time step 1: drivers=12, zero_flow_links=3, missing_flow_links=0
time step 2: drivers=11, zero_flow_links=5, missing_flow_links=0
...

Final result:
  unique driver nodes: 45
  zero-flow endpoint nodes: 12
  final candidate sensor nodes: 57

五、关键技术特点

自适应方向：根据实际水流方向动态调整传感器位置
时间效应：考虑不同时段的流量变化
鲁棒性：处理缺失数据和零流量情况
理论基础：基于结构可控性的严格数学保证

六、潜在改进方向

坐标使用 ：当前使用弹簧布局，可改用INP中的[COORDINATES]真实坐标
二进制文件 ：可扩展解析.bin文件提高性能
成本优化：添加约束条件（如传感器数量限制、安装成本）
失效分析：考虑管道故障情况下的鲁棒性

这个算法可广泛应用于自来水管网、燃气管网、化工流程等流体网络的传感器优化布点问题。