供水管网系统节点间的水压传递关系的辨识是供水压力调度优化的基础,准确的需水量预报可以合理规划净水生产,两者对供水管理和决策都有重要意义。本文利用某城市的供水管网水压实时监测数据以及历史需水量数据,分别建立了管网节点间的水压传递模型和城市天级需水量预报模型。本文首先研究了一类供水管网节点间水压传递模型的建立方法,该方法先根据实测数据对管网节点水压进行Pearson相关性分析,选出网络中与某些节点强相关的重要节点,称为中心节点,而和中心节点水压强相关的节点称为关联节点;一个中心节点及其若干关联节点构成一个子网络,如此对供水网络进行划分;而对每一个子网络,认为中心节点处的水压值由其关联节点处的水压值所决定,称这种关系为水压传递;建立一个线性回归模型来定量描述水压传递关系,模型输出为中心节点的水压估计值,输入为关联节点的水压测量值,模型参数使用实测数据估计。把此方法应用于设置了77个测压节点、覆盖250km2的某城市供水管网,划分得到了47个子网络,构造的水压传递模型平均相对误差值不超过3%。之后进一步提出了基于模型的水压调节方案,并采用数值仿真测试了方法的可行性。此外,本文分别采用基于时间序列分析的方法和人工神经网络方法建立了天级需水量预报模型。时间序列分析方法从历史需水量数据中提取不同周期的用水模式,然后基于数据进行模型残差修正。而人工神经网络则采用函数映射逼近的方式,建立需水量及其相关因素之间的函数关系。对此,本文分别基于传统的多层感知器网络和动态神经网络建立了需水量预报模型,并建立了网络权值的滚动更新机制,以适应需水模式的时变特性。最后比较了不同方法的需水量预报精度,表明在现有数据的基础上,传统多层感知器神经网络的精度最高,预报的平均相对误差达到1.47%。