1.一种基于动态过程的供水管网暗漏识别方法，其特征在于该方法包括以下步骤：步骤1、求解供水管网压力监测点敏感度矩阵

(1)压力灵敏度矩阵

采用EPANET为供水管网建立水力模型，给节点n添加一个射流器系数的形式模拟漏损，得监测点i压力的变化值ΔHi和节点n自身压力变化值ΔHn，从而求得监测点的灵敏度系数λni，据此计算得到所有压力监测点的灵敏度系数矩阵M；

(2)极差标准化

对压力灵敏度系数矩阵M采取极差标准化处理，得到矩阵M′，经过极差标准化之后矩阵M′中任一元素取值范围在[0,1]之间；

步骤2、基于K-means++聚类将管网划为若干漏损分区，且每个分区中至少有一个压力监测点；

步骤3、设计暗漏过程仿真实验，生成暗漏样本

每组仿真实验试行10次单漏点漏损24小时延时模拟，逐次增加漏点的射流器系数，以形成反映暗漏发展趋势的样本数据，同时在每组10次仿真实验中令相邻两次实验的射流器系数变化的最小间隔为0.1；根据暗漏实验设计要求利用EPANET水力模拟软件随机生成超过10000组的暗漏事例，建立暗漏演化过程数据库；

步骤4、建立并训练基于随机森林的暗漏区域识别模型对每组10次实验监测点收集的数据进行优化降维处理，提取三种暗漏特征，从而来表征时序数据的特征；

建立基于随机森林的暗漏区域识别模型，其训练过程主要分为3个步骤

4-1、对N棵决策树组成的随机森林，对训练集做有放回的bagging随机抽样，其中每一个训练样本都代表着一组暗漏实验中的暗漏特征；生成N个训练样本集合，产生多个重复的样本集，避免决策树得到局部最优解；

4-2、对单个决策树从子训练集A个属性变量中选用a个，并对决策树进行训练；

4-3、对下一个决策树重复4-2的操作，直至训练完所有的决策树，则形成了随机森林暗漏区域识别模型；

步骤5、根据实际压力、流量数据识别暗漏区域

将训练得到的暗漏区域识别模型应用于实际管网中：

5-1、从SCADA中按日期顺序、按不等间隔抽取10次24小时管网监测点实测数据；

5-2、对采集到的实测数据做降维处理提取暗漏特征，形成一个暗漏演化特征数据集，输入到基于随机森林的暗漏识别分类模型；

5-3、若输入的压力流量数据符合暗漏特征，基于随机森林的暗漏区域分类模型输出漏损分区的编号。

2.根据权利要求1所述的一种基于动态过程的供水管网暗漏识别方法，其特征在于：步骤2具体是

2-1、在目标数据中随机选取某一样本数据作为第一个初始聚类中心；

2-2、分别计算每个样本数据与已确定初始聚类中心之间的最短距离，计算每个样本数据被选为下一个聚类中心的概率，之后按照概率选择距离最大的样本作为聚类中心；

2-3、重复步骤2-2，最终可得到所有的聚类中心；

2-4、计算样本与各个聚类中心的相似度，以最小化欧式距离为度量标准，得到指定的多个漏损分区结果。

3.根据权利要求1所述的一种基于动态过程的供水管网暗漏识别方法，其特征在于：步骤3中具体的暗漏过程仿真实验设计步骤如下：

3-1、随机选取一个管网节点，任意选择一组暗漏射流器系数；

3-2、在EPANET上设置暗漏射流系数组第一次的系数，同时添加指定的需水量噪声；模拟步长S，记录监测点的时序数据，其中5分钟

3-3、不改变节点，选择下一次的暗漏射流系数，同时添加指定的需水量噪声，记录监测点的时序数据；

3-4、重复步骤3-3直到第10次的暗漏24小时延时模拟结束；

经过上述步骤，采用10次24小时延时模拟代表暗漏演化过程的10个片段，形成一组暗漏样本。

4.根据权利要求1所述的一种基于动态过程的供水管网暗漏识别方法，其特征在于：步骤4中的三种暗漏特征包括时序数据均值、模糊熵和傅里叶变换系数。