水是宝贵资源,是有限且容易受到环境污染的。我国人均占有水量仅为世界人均水量的25%,改革开放以来,为了经济发展,轻视了环境保护,污染问题日益严重,很多水源都被破坏,不适合作为居民饮用水水源,所以城市供水形势严峻。随着供水形势和任务的不断变化,城市给水工程属于一个城市非常重要的基础设施,它的正常运行确保市民的日常工作、生活及工农业的产量。在深入推进各项重点工作的过程中面临的压力、困难与挑战将会更大、更多。目前的供水系统仍然存在一些需要解决的问题,例如爆管、供水不足,压力不够和能量的巨大浪费等。这些源于我们对整个管网的运行工况了解不够精确,因此建立一个准确的管网工况模型能够帮助我们实时了解管网的运行情况,方便推进实施饮用净水工程建设、计量系统改造工作,提高爆漏抢修的效率,完善用户终端水质保障体系,让越来越多的市民享用到安全优质的自来水。由于宏观模型具有建模时间短,不需要太多的管网参数等优势,所以本文选择建立给水管网的宏观模型,但以往的宏观模型建模过程中存在许多困难,当主要的影响因素发生较大变化时,模型会产生一些误差。而基于BP神经网络模型能够处理各影响因素间非线性,不明确的动态关系,所以选择BP神经网络建立管网的宏观模型。针对典型的BP神经网络的隐层神经元数不好确定,收敛速度缓慢等问题,本文采用遗传算法来优化隐层节点数并用动量因子和学习率自适应等方法对其进行改进。其于以上研究,建立了两个广州市管网工况宏观模型,用来测试不同状态下供水管网的运行。