1.一种供水管网独立计量区域划分方法，其特征在于，所述方法包括：获取供水管网运行数据，所述供水管网运行数据包括拓扑结构、节点需水量、高程及压力参数；

基于所述供水管网运行数据构建特征矩阵；

将所述特征矩阵输入至自组织映射神经网络，得到簇集合；

基于所述簇集合，生成超级节点的无向图；

将所述无向图输入至Leiden算法，得到DMA间边界管段集合；

利用多目标遗传算法确定DMA间边界管段集合中流量计及阀门最优布置方案，得到供水管网DMA分区结果。

2.如权利要求1所述的供水管网独立计量区域划分方法，其特征在于，所述获取供水管网运行数据，包括：将所述供水管网的拓扑关系和管件运行参数导入到EPANET软件中，建立供水管网微观水力模型；

调用EPANET工具箱，对所述供水管网微观水力模型执行水力分析，获取所述供水管网的拓扑结构、节点需水量、节点高程及压力参数。

3.如权利要求1所述的供水管网独立计量区域划分方法，其特征在于，所述基于所述供水管网运行数据构建特征矩阵，包括：根据所述供水管网的拓扑结构，构建邻接矩阵和节点之间的共同邻居数量矩阵；

基于所述节点之间的共同邻居数量矩阵和各节点相关联边的个数，计算拓扑相似度矩阵；

利用节点高程及压力参数，构建水力相似性矩阵；

将所述邻接矩阵、所述拓扑相似度矩阵和所述水力相似性矩阵相加，得到所述特征矩阵。

4.如权利要求1所述的供水管网独立计量区域划分方法，其特征在于，所述利用节点高程及压力参数，构建水力相似性矩阵，包括：根据所述节点高程，计算各个节点之间的高程差，得到高程差矩阵；

基于所述压力参数，计算各个节点之间的压力差，得到压力差矩阵；

基于所述高程差矩阵和所述压力差矩阵，计算各个节点之间的水力相似性，得到水力相似度矩阵。

5.如权利要求1所述的供水管网独立计量区域划分方法，其特征在于，在所述基于所述供水管网运行数据构建特征矩阵之后，所述方法还包括：将所述特征矩阵进行零-均值标准化处理，得到标准化的特征矩阵；

相应地，所述将所述特征矩阵输入至自组织映射神经网络，得到簇集合，还包括：将所述标准化的特征矩阵输入至自组织映射神经网络，得到簇集合。

6.如权利要求1所述的供水管网独立计量区域划分方法，其特征在于，所述将所述特征矩阵输入至自组织映射神经网络，得到簇集合，包括：将所述特征矩阵划分的所有输入样并作为所述自组织映射神经网络的输入，对于每个输入样本，分别计算该输入样本与输出层各节点之间的欧式距离；

选取输出层上与所述输入样本欧式距离最小的节点作为激活点，并设置激活点的权重为1，对输出层上除激活点外的其他节点，根据其他节点与激活点的距离，采用高斯法计算其他节点的权重；

基于所述激活点的权重和其他节点的权重，构建输出层上各个节点的权重矩阵；

根据输出层上各节点的权重矩阵，对输出层的节点矩阵进行更新；

判断是否满足第一迭代次数，若否则令迭代次数加1后，将所有输入样本重新输入至所述自组织映射神经网络；

若是，则计算所述输入样本与更新后的输出层节点矩阵中各个节点的欧氏距离，并取最小欧式距离的输出层节点作为输入样本的标签，将标签相同的输入样本归并到一个簇中，得到若干所述簇集合。

7.如权利要求1所述的供水管网独立计量区域划分方法，其特征在于，所述基于所述簇集合，生成超级节点的无向图，包括：基于每个所述簇集合分别定义为一个超级节点，得到超级节点的集合，其中，所述超级节点中的子节点表示供水管网节点集中的节点；

根据所述超级节点内部的子节点之间的连接关系，得到超级节点边的集合以及边权重的集合；

根据超级节点的集合、超级节点边的集合以及边权重的集合，得到超级节点的无向图。

8.如权利要求1所述的供水管网独立计量区域划分方法，其特征在于，所述将所述无向图输入至Leiden算法，得到DMA间边界管段集合，包括：初始化一个队列，将所述无向图中超级节点的集合以随机顺序添加到队列中，队列中每个超级节点打上不同的社区标签，得到社区的集合，所述超级节点集合由供水管网节点组成；

从队列中取出第一个超级节点，根据超级节点边的集合，得到若干与该第一超级节点相互连接的超级节点，构建第一个超级节点的邻接节点集合；

分别计算第一个超级节点移动到其邻接节点集合中每个邻接节点所在社区后的模块度变化值，得到模块度变化集合；

在所述模块度变化集合中存在大于0的值时，将该第一个超级接点的社区标签更新为集合中模块度变化值最大的邻接节点对应的社区标签；

将邻接节点集合中不属于第一个超级节点的社区且不在队列中的超级节点添加到队列的后面，并判断队列是否为空，若否则重新计算模块度变化集合；

若是，则基于更新后的社区标签的集合，将相同社区标签的超级节点划分到同一个社区中，并将每个社区内部的超级节点集合作为一个子队列；

重新计算每个子队列对应的子社区标签的集合，并将子社区标签相同的超级节点合并为一个大节点，得到所有社区的大节点的集合和每个大节点对应的社区标签的集合；

判断是否满足第二迭代次数，若否则将所有社区的大节点的集合代替所述无向图中的超级接点的集合，重新执行上述步骤；

若是，则输出最优的社区标签的集合，将相同社区标签的超级节点划分到同一个社区中，得到DMA之间边界管段集合。

9.如权利要求1所述的供水管网独立计量区域划分方法，其特征在于，所述利用多目标遗传算法确定DMA间边界管段集合中流量计及阀门最优布置方案，得到供水管网DMA分区结果，包括：采用二进制编码方式对所述供水管网DMA分区结果中所有边界管段进行编码，若给某边界管段布置流量计则对应于染色体编码为二进制数1，若给该边界管段布置阀门则对应于染色体编码为二进制数0；

定义多目标函数，所述多目标函数包括以最小化安装流量计数量为目标函数f1、以最小化压力均匀性指标为目标函数f2、以最大化供水管网节点耗散功率为目标函数f3、以最大化熵指标为目标函数f4；

在满足供水管网节点压力约束的条件下，使用多目标遗传算法对所述多目标函数进行处理，搜索边界管段集合上阀门与流量计的最优布置方案，确定供水管网DMA的分区规划结果。

10.如权利要求9所述的供水管网独立计量区域划分方法，其特征在于，所述在满足供水管网节点压力约束的条件下，使用多目标遗传算法对所述多目标函数进行处理，搜索边界管段集合上阀门与流量计的最优布置方案，确定供水管网DMA的分区规划结果，包括：初始化种群，随机生成C个二元染色体序列作为初始父代种群；

从所述初始父代种群中选出父代个体并进行交叉、变异生成子代个体，将父代个体和子代个体合并得到总体种群；

根据所述多目标函数计算所述总体种群中每个个体的非支配排序等级，并根据预先定义好的参考点对种群自适应标准化得到需要保留的个体，生成新的父代种群；

判断是否满足第三迭代次数，若否则重新进行所述总体种群的计算，若是则输出对应的n个最优个体构成的最优个体集合；

通过平均权重的方式将每个最优个体对应的各目标函数相加得到总目标函数，选择最优个体集合中总目标函数值最小的最优个体为最优解；

基于所述最优解对应的边界管段集合中流量计和阀门的最佳布置方式，得到供水管网的DMA分区规划结果。