CN102629106A - 供水控制方法及系统 - Google Patents
供水控制方法及系统 Download PDFInfo
- Publication number
- CN102629106A CN102629106A CN2012101044883A CN201210104488A CN102629106A CN 102629106 A CN102629106 A CN 102629106A CN 2012101044883 A CN2012101044883 A CN 2012101044883A CN 201210104488 A CN201210104488 A CN 201210104488A CN 102629106 A CN102629106 A CN 102629106A
- Authority
- CN
- China
- Prior art keywords
- water supply
- water
- function
- error
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
一种供水控制方法及系统，包括：分析历史数据建立供水预测模型及输入层参数与输出层输出的供水量的函数；建立目标函数：D（X）=，为间隔的时间，T为时间，M（T）为电能消耗单位成本的价格随时间变化函数，D（X）为总的电能消耗，X[T]为解；在限制条件下利用遗传算法计算X[T]的优化方案；上述的供水控制方法及系统，分析历史数据建立供水预测模型及供水函数，建立目标函数对供水调度进行组合优化，通过遗传算法在限制条件下进行解优化，模拟生物进化的原则进行寻优有比较高的效率，可解决复杂的组合优化问题，通过引进研究供水模型的限制条件验证优化方法的稳定性及实用性，实现自来水厂处理供水环节的稳定供给和最经济的节能优化控制。
Description
技术领域
本发明涉及一种工业化控制系统及方法，特别是涉及一种供水控制方法及系统。
背景技术
在自来水处理中，由于供水环节存在城市管网复杂且用水情况变化的不确定性，造成供水负荷范围变动大，使得供水设备运行不稳定且耗能大。目前，国内对供水负荷的预测研究主要集中于传统的预测原理和方法，如指数平滑法、时间序列分析和回归分析法等。传统的预测方法都要求给出某种影响因素构成的供水负荷显式预测模型。由于城市供水系统是一个复杂的大系统，不确定性、非线性和时变性并存，建立供水负荷显式预测模型不仅需要大量供水负荷的历史数据，而且还需要的大量相关数据，包括温度、湿度和人口等，这些数据的寻找和记录特别繁琐，所得数据也难以保证其完整性，因此采用传统的预测方法得到精确的显式预测模型并不容易，预测模型的精确程度难以保证，并且缺乏适应性和灵活性。另外以随机过程、数理统计原理为基础的传统预测方法本身的精度并不理想，预测精度也不高。
发明内容
基于此，有必要提供一种能降低供水泵运行频率的供水控制方法。
同时，提供一种能降低供水泵运行频率的供水系统。
一种供水控制方法，包括如下步骤：
建模步骤：分析历史数据并建立供水预测模型，建立输入层参数与输出层输出的供水量之间的函数关系；
建立目标函数步骤：建立供水泵在设定时间内的总的能耗的目标函数与方案解空间供水泵在设定时间的每个分段子时间上的开合情况的变化序列的函数关系：D（X）= 
，其中
=1，
为间隔的时间，T为时间，M（T）为电能消耗单位成本的价格随时间变化函数，D（X）为目标函数即供水泵在设定时间内总的电能消耗，X[T]为所要求的解，X[T]的解空间为供水泵在设定时间的每个分段子时间上的开合情况的变化序列；
求解步骤：并在限制条件下利用遗传算法计算每个分段子时间上供水泵开合情况的优化方案。
在优选的实施例中，所述供水泵设定时间内的总的能耗的目标函数进一步为：D（X）
=
，其中=1，为间隔的时间；T为时间，取1到24之间的整数；M（T）为电能消耗单位成本的价格随时间变化函数，目标函数D（X）为一天总的电能消耗；X[T]为所要求的解即为供水泵在单位时间段的开合情况。
在优选的实施例中，所述建模步骤中根据神经网络算法分析历史数据并建立供水预测模型，输入层参数包括：季节、天气、工作日、温度的任意一种或多种，每个参数构成输入层的一个节点，输出层输出一天24小时各个时刻的供水量，所述神经网络算法采用神经元为基本处理单元，所述神经元为多输入、单输出的非线性器件。
在优选的实施例中，所述建模步骤中供水预测模型建模的网络拓扑结构为三层BP神经网络，所述输入层与输出层之间设置有隐含层；所述隐含层的节点根据输入层的节点数确定并通过增减节点数进行训练对比，神经网络算法中每层的输出函数为输入函数关于该层的激发函数的函数；若所述输出层的输出结果与期望值不符，将输出层的误差转化为各层各个节点的连接权值与阈值，将输出层的误差逐层向输入层反向传递，把误差分摊到各个节点，计算各个节点的参考误差，调整各个节点的连接权值及阈值大小，直到误差最小。
在优选的实施例中，所述激励函数为S型函数:
,其中α为调整激励函数形式的参数;每个神经元的连接权值在各自的S型激励函数变化最大处进行调节，初始连接权值选择（-1，1）之间的随机数，初始的阈值选择（-1，1）之间的随机数，学习速率的选取范围为0.01-0.8之间。
在优选的实施例中，所述建模步骤进一步包括如下步骤：根据供水过程的特性确定供水预测模型的网络拓扑结构，确定供水预测模型的计算参数，并输入或导入历史数据，及对输入或导入的历史数据预处理，根据输入或导入历史数据结合相应的网络拓扑结构进行训练，并根据训练结果确定供水预测模型。
在优选的实施例中，所述训练过程包括训练精度模式或学习次数模式的任意一种或多种，所述训练精度模式包括如下步骤：根据神经网络的网络拓扑结构计算网络误差、根据网络误差修改网络权重、计算训练过程的总误差、判断总误差是否达到设定精度，当判断没有达到精度时重复上述步骤直至达到精度完成训练；所述学习次数模式包括如下步骤：根据网络拓扑结构计算网络误差、根据计算的网络误差修改网络权重、将训练次数加1、判断是否完成训练次数，若判断没有完成训练次数则重复上述步骤直至完成训练次数完成训练；当训练完成确定供水预测模型。
在优选的实施例中，所述训练过程采用非线性规划中的最速下降法按误差函数的负梯度方向修正各个节点的权值及误差，误差函数定义为
，其中Odk为输出层的节点的期望值， 
表示输出层的节点的输出值，k=1,2,…,n；
各个节点的连接权的权值修正量与误差函数En的负梯度关系为：
其中η为学习率；
(τ+1)时刻的权值：
其中Wji表示输入层第i个神经元到隐含层第j个神经元的连接权的权值，Wkj表示隐含层第j个神经元到输出层第k个神经元的连接权的权值；
调整网络神经算法中神经元阀值：
(τ+1)时刻的阀值：
θj表示隐含层神经元的阈值，θk表示输出层神经元的阀值。
在优选的实施例中，求解步骤中，在限制条件下选择成本最低的优化方案，所述限制条件包括设备机器特性、蓄水池或水库的蓄水水位上下限的一种或多种。
在优选的实施例中，所述设备机器特性为各个水厂或蓄水机构单位时间的供水量，所述水厂或蓄水机构通过供水泵送入管网，通过管网流到蓄水池或水库；蓄水池或水库的蓄水水位限制条件：
Ci下 < Li（T）=
+ L0i－
< Ci上
其中=1，C表示蓄水池容量，P表示对应X[T]下的供水成本，L表示水位，L0是表示原有水量，N[T]表示用户需求的水量，Ci中i表示第i个水池；Li（T）为通过对管网模型进行分析得到水厂或蓄水机构对于X[T]的函数；N[T]为分析历史数据采用神经网络算法计算得出的设定时间的每个分段子时间上用户需求的水量的曲线函数。
在优选的实施例中，利用遗传算法进行预测过程中还包括建立供水泵经过一个时间间隔到达蓄水池或水库的供水延迟函数模型，并将上述延迟函数乘以N[T]获得考虑了时间延迟作用的N[T]；还包括建立水厂或蓄水机构停止取水状态下水厂或蓄水机构所能维持的时间的供水能力模型。
在优选的实施例中，还包括如下步骤：通过全局求最优解的算法寻找X[T]的解空间的最优解，并与遗传算法所求的X[T]的解对比以验证根据神经网络算法建立的供水预测模型、神经网络算法、遗传算法过程是否有错。
在优选的实施例中，求解步骤进一步包括：在遗传算法中初始化供水预测模型并将供水预测模型转化为遗传算法模型，输入数据，并对数据进行预处理，将数据转化成遗传算法中的染色体模型进行编码，目标函数生成的初始解通过选择算子进行选择计算、交叉算子进行交叉计算、变异算子进行变异计算，反复迭代，直到得到最优解。
一种供水系统，包括：
建模模块：分析历史数据并建立供水预测模型，建立输入层参数与输出层输出的供水量之间的函数关系；
目标函数建立模块：建立供水泵在设定时间内的总的能耗的目标函数与供水泵在设定时间的每个分段子时间上的开合情况的变化序列的函数关系：D（X）=
，其中
=1，
为间隔的时间，T为时间，M（T）为电能消耗单位成本的价格随时间变化函数， D（X）为目标函数即供水泵在设定时间内总的电能消耗，X[T]为所要求的解，X[T]的解空间为供水泵在设定时间的每个分段子时间上的开合情况的变化序列；
求解模块：在限制条件下利用遗传算法计算每个分段子时间上供水泵开合情况的优化方案。
在优选的实施例中，所述供水泵设定时间内的总的能耗的目标函数进一步为：D（X）=
，其中
=1，
为间隔的时间；T为时间，取1到24之间的整数；M（T）为电能消耗单位成本的价格随时间变化函数，目标函数D（X）为一天总的电能消耗；X[T]为所要求的解即为水泵在单位时间段的开合情况。
在优选的实施例中，所述建模模块根据神经网络算法分析历史数据并建立供水预测模型，输入层参数包括：季节、天气、工作日、温度的任意一种或多种，每个参数构成输入层的一个节点，输出层输出一天24小时各个时刻的供水量，所述神经网络算法采用神经元为基本处理单元，所述神经元为多输入、单输出的非线性器件。
在优选的实施例中，所述建模模块中供水预测模型建模的网络拓扑结构为三层BP神经网络，所述输入层与输出层之间设置有隐含层；所述隐含层的节点根据输入层的节点数确定并通过增减节点数进行训练对比，神经网络算法中每层的输出函数为输入函数关于该层的激发函数的函数；若所述输出层的输出结果与期望值不符，将输出层的误差转化为各层各个节点的连接权值与阈值，将输出层的误差逐层向输入层反向传递，把误差分摊到各个节点，计算各个节点的参考误差，调整各个节点的连接权值及阈值大小，直到误差最小。
根据权利要求17所述的供水系统，其特征在于，所述激励函数为S型函数:
,其中α为调整激励函数形式的参数;每个神经元的连接权值在各自的S型激励函数变化最大处进行调节，初始连接权值选择（-1，1）之间的随机数，初始的阈值选择（-1，1）之间的随机数，学习速率的选取范围为0.01-0.8之间。
在优选的实施例中，所述建模模块进一步包括如下：
网络拓扑结构单元：根据供水过程的特性确定供水预测模型的网络拓扑结构；
参数确定单元：确定供水预测模型的计算参数；
数据输入处理单元：输入或导入历史数据，及对输入或导入的历史数据预处理；
训练单元：根据输入或导入历史数据结合相应的网络拓扑结构进行训练，并根据训练结果确定供水预测模型。
在优选的实施例中，所述训练单元包括训练精度模式或学习次数模式的任意一种或多种；
所述训练精度模式包括：
网络误差计算单元：根据神经网络的网络拓扑结构计算网络误差，
网络修改单元：根据计算的网络误差修改网络权重，
总误差计算单元：计算训练过程的总误差，
精度判断单元：判断总误差是否达到设定精度，当判断没有达到精度时重复上述步骤直至达到精度完成训练；
所述学习次数模式包括：
学习模式网络误差计算单元：根据神经网络的网络拓扑结构计算网络误差，
学习模式网络修改单元：根据计算的网络误差修改网络权重、将训练次数加1，
学习模式判断单元：判断是否完成训练次数，若判断没有完成训练次数则重复上述步骤直至完成训练次数完成训练；当训练完成确定供水预测模型。
在优选的实施例中，所述训练单元采用非线性规划中的最速下降法按误差函数的负梯度方向修正各个节点的权值及误差，误差函数定义为
，其中Odk为输出层的节点的期望值， 
表示输出层的节点的输出值，k=1,2,…,n；
各个节点的连接权的权值修正量与误差函数En的负梯度关系为
其中η为学习率；
(τ+1)时刻的权值：
其中Wji表示输入层第i个神经元到隐含层第j个神经元的连接权的权值，Wkj表示隐含层第j个神经元到输出层第k个神经元的连接权的权值；
调整网络神经算法中神经元阀值：
(τ+1)时刻的阀值：
θj表示隐含层神经元的阈值，θk表示输出层神经元的阀值。
在优选的实施例中，所述求解模块在限制条件下选择成本最低的优化方案，所述限制条件包括设备机器特性、蓄水池或水库的蓄水水位上下限的一种或多种。
在优选的实施例中，所述设备机器特性为各个水厂或蓄水机构单位时间的供水量，所述水厂或蓄水机构通过供水泵送入管网，通过管网流到蓄水池或水库；蓄水池或水库的蓄水水位限制条件：
Ci下 < Li （T）=
+ L0i－
< Ci上
其中
=1，C表示蓄水池容量，P表示对应X[T]下的供水成本，L表示水位，L0是表示原有水量，N[T]表示用户需求的水量，Ci中i表示第i个水池；Li （T）为通过对管网模型进行分析得到水厂或蓄水机构对于X[T]的函数；N[T]为分析历史数据采用神经网络算法计算得出的设定时间的每个分段子时间上用户需求的水量的曲线函数。
在优选的实施例中，所述求解模块还包括：
供水延迟函数模型单元：建立供水泵经过一个时间间隔到达蓄水池或水库的供水延迟函数，并将所述延迟函数乘以用户需求水量函数N[T]获得考虑了时间延迟作用的用户需求水量函数N[T]；
供水能力模型单元：建立水厂或蓄水机构停止取水状态下水厂或蓄水机构所能维持的时间的供水能力函数。
在优选的实施例中，还包括验证模块：通过全局求最优解的算法寻找X[T]的解空间的最优解，并与遗传算法所求的X[T]的解对比以验证根据神经网络算法建立的供水预测模型、神经网络算法、遗传算法过程是否有错。
在优选的实施例中，所述求解模块进一步包括：模型初始化单元：在遗传算法中初始化供水预测模型并将供水预测模型转化为遗传算法模型；
数据输入处理单元：输入数据，并对数据进行预处理，将数据转化成遗传算法中的染色体模型进行编码；
计算单元：目标函数生成的初始解通过选择算子进行选择计算、交叉算子进行交叉计算、变异算子进行变异计算，反复迭代，直到得到最优解。
上述的供水控制方法及系统，根据历史数据分析建立供水预测模型，建立供水函数关系，通过建立目标函数方式对供水调度供水进行组合优化，并通过遗传算法在限制条件下进行解优化，降低供水泵运行频率，通过模拟生物进化的原则进行寻优，有比较高的效率，且能得到降低供水泵运行频率的基因操作平滑化逻辑方案；同时可解决复杂的组合优化问题，同时能以有限的代价解决优化或最优化问题，并通过历史数据分析建立供水预测模型及通过遗传算法建立目标函数优化形成供水动态模型，并通过引进研究供水模型的限制条件验证优化方法的稳定性及实用性，实现自来水厂处理供水环节的稳定供给和最经济的节能优化控制。
附图说明
图1为本发明一实施例的供水模型的示意图。
图2为一实施例的供水控制方法的流程图。
图3为另一实施例的供水控制方法的流程图。
图4为又一实施例的供水控制方法的流程图。
具体实施方式
如图1所示，本发明一实施例的自来水厂的供水模型，如一个自来水厂有M个供水泵20，自来水厂将水通过供水泵送入管网40，水通过管网40流到蓄水池60，蓄水池60中的水再通过恒压泵80将水送至用户。这是自来水厂供水的一般模型。部分有所不同的供水系统，也可以等效于这类模型。
如图2所示，本发明一实施例的供水控制方法，包括如下步骤：
S201建模步骤：分析历史数据并建立供水预测模型，建立输入层参数与输出层输出的供水量之间的函数关系。
S203建立目标函数步骤：以供水泵在设定时间内的总的能耗为目标函数建立与供水泵在设定时间的每个分段子时间上的开合情况的变化序列的解空间的函数关系：D（X）=，其中
=1，
为间隔的时间，T为时间，M（T）为电能消耗单位成本的价格随时间变化函数， D（X）为目标函数即供水泵在设定时间内总的电能消耗，X[T]为所要求的解，X[T]的解空间为供水泵在设定时间的每个分段子时间上的开合情况的变化序列。
S205求解步骤：在限制条件下利用遗传算法计算每个分段子时间上供水泵开合情况的优化方案。
如图3所示，S201建模步骤进一步包括如下步骤：
步骤S301:根据供水过程的特性确定供水预测模型的网络拓扑结构；
步骤S303:确定供水预测模型的计算参数，建立输入层参数与输出层输出的供水量之间的函数关系，输入或导入历史数据并对输入或导入的历史数据预处理；
步骤S305:根据输入或导入历史数据结合相应的网络拓扑结构进行训练，并根据训练结果确定供水预测模型。
步骤S305中训练的模式可以选用训练精度模式或学习次数模式的任意一种或多种。
如图4所示，其中训练精度模式包括如下步骤：
步骤S401：根据网络拓扑结构计算网络误差；
步骤S403：根据网络误差修改网络权重；
步骤S405：计算训练过程的总误差；
步骤S407：判断总误差是否达到设定精度；
当判断没有达到精度时重复上述步骤直至达到精度完成训练。
如图4所示，其中学习次数模式包括如下步骤：
步骤S421：根据网络拓扑结构计算网络误差；
步骤S423：根据计算的网络误差修改网络权重；
步骤S425：训练次数加1；
步骤S427：判断是否完成训练次数；
若判断没有完成训练次数则重复上述步骤直至完成训练次数完成训练；当训练完成确定供水预测模型。
如图3所示，S205求解步骤进一步包括：
步骤S501：在遗传算法中初始化供水预测模型，并将神经网络算法确定的供水预测模型转化为对应的遗传算法模型；
步骤S503：输入数据并对数据进行预处理，将数据转化成遗传算法中的染色体模型进行编码；
步骤S505：将目标函数生成的初始解通过选择算子进行选择计算、交叉算子进行交叉计算、变异算子进行变异计算，反复迭代循环计算，直到得到优化解。
进一步，选择算子根据各个个体的适应度，按照特定的规则或方法，从第t代群体P(t)中选择出一些优良的个体遗传到下一代群体P(t+1)中。
交叉算子将群体P(t)内的各个个体随机搭配成对，对每一对个体，以交叉概率交换它们之间的部分染色体。
变异算子对群体P(t)中的每一个个体，以变异概率改变某一个或某一些基因座上的基因值为其他基因值。
随机生成的初始群体即目标函数生成的初始解经过以上三个算子，反复计算，直到得到满意的解。
自来水厂的供水调度问题就是一个组合优化问题，包括目标函数，约束条件，一个解空间。如果以一天作为调度时间的时间长度，供水泵的开关间隔为一小时即单元小时时间为调度分配单位时间，则目标函数为这一天总的电能消耗；约束条件为各个水厂单位时间的供水量，水库的蓄水上下限等；定义域为泵的开关在一天按小时分开的时间段上的编码。用遗传算法解决水厂的供水调度问题，就是解决供水预测模型的组合优化问题。
具体目标函数：D（X）=，其中
=1，
为间隔的时间；T为时间，取1到24之间的整数；M（T）为电能消耗单位成本的价格随时间变化函数，目标函数D（X）为一天总的电能消耗；X[T]为所要求的解即为水泵在每个单位小时的开合情况。
目标函数的约束条件即限制条件包括设备机器特性、蓄水池或水库的蓄水水位上下限的一种或多种。
本实施例中，设备机器特性为各个水厂或蓄水机构单位时间的供水量，水厂或蓄水机构通过供水泵送入管网，通过管网流到蓄水池或水库。蓄水池或水库的蓄水水位限制条件：
Ci下 < Li（T）=
+ L0i－ < Ci上
其中
=1，C表示蓄水池容量，P表示对应X[T]下的供水成本，L表示水位，L0是表示原有水量，N[T]表示用户需求的水量，Ci中i表示第i个水池；Li （T）为通过对管网模型进行分析得到水厂或蓄水机构对于X[T]的函数；N[T]为分析历史数据采用神经网络算法计算得出的设定时间的每个分段子时间上用户需求的水量的曲线函数。
根据上述模型及函数假定某个供水系统中有两个水厂，每个水厂有三个供水泵，供水管网交错在一起，有两个用户蓄水池。每个水厂开得供水泵数在一天二十四小时之中的变化序列，就是供水方案的解空间。目标函数是一天之内的泵运行总的能耗。限制条件包括蓄水池上下限，以及各个水厂单位时间生产净水的能力。
X[T]的解空间为供水泵的开合情况，则形如1、3，2、2，----------2、1（一共二十四组）表示的就是一个解。在所有组合，一共448 个解寻找满足最少代价的解。其中1、3表示第一个水厂开了1个供水泵，第二个水厂开了3个供水泵；以此类推。
S201建模步骤中，根据神经网络算法分析历史数据并建立供水预测模型。输入层参数包括：季节、天气、工作日、温度的任意一种或多种，每个参数构成输入层的一个节点。
优选的，本实施例中，输入层的节点选用上述四个参数构成四个输入节点。每个节点根据需要进行分类，如可将季节分3类，可分别用1、2、3表示，如将5-9月设为炎热季节，3、4、10月设为凉爽季节，11-2月设为寒冷季节。当然也可根据需求采用其他的分类方式。同理，也可将天气、工作日、温度等参数根据不同需求进行分类，用不同数字或代码表示不同的种类，在此不再赘述。
神经网络算法采用神经元为基本处理单元，神经元为多输入、单输出的非线性器件。建模步骤中供水预测模型建模的网络拓扑结构选用三层BP(Back Propagation)神经网络。输入层与输出层之间设置有隐含层。隐含层的节点根据输入层的节点数确定并通过增减节点数进行训练对比。
三层BP神经网络可以逼近任意非线性映射关系。神经网络算法中增加神经网络的层数可以更进一步降低误差，提高精度，但每增加一层，网络变得更加复杂，从而增加网络的训练时间。而误差精度的提高实际上也可以通过增加隐含层节点数来获取，而且其训练效果也比增加层数更容易观察和调整。因此相比于增加层数，增加隐含层节点数更值得优先考虑。
理论上，隐含层的节点数量可以任意多，但在实际的应用中，过多的隐含层节点会导致一系列的问题。隐含层过多面会使网络的规模变大，增加网络的复杂性。一方面，若网络规模相对于训练样本过于庞大，会出现训练结果“太好”的现象，看似训练精度很高，实际上已经出现了“过拟合”的现象，即陷入局部极小点而得不到最优点，使得网络的预测能力大大降低，无法达到预期的效果。另一方面，隐含层节点过多必然导致更多的待定参数，网络规模的扩大也给网络的训练带来不小的难度，主要表现是训练时间过长，收敛速度慢。
本实施例中，通过采用对2n+1个隐含层节点基础上增减不同节点数进行训练对比，最后确定最适合的节点数。这里n为输入层节点数，输入层参数类型。本实施例中的输入层的节点为4个，故隐含层的节点初始个数定为9。
每层的输出函数都是输入函数关于该层的激发函数的函数。即输入层的输出函数为输入层的输入函数关于输入层的激发函数的函数。隐含层的输出函数为隐含层的输入函数关于隐含层的激发函数的函数。输出层的输出函数为输出层输入函数关于输出层的激发函数的函数。
若输出层的输出结果与期望值不符，将输出层的误差转化为各层各个节点的连接权值与阈值，将输出层的误差逐层向输入层反向传递，把误差分摊到各个节点，计算各个节点的参考误差，调整各个节点的连接权值及阈值大小，直到误差最小。
训练过程采用非线性规划中的最速下降法按误差函数的负梯度方向修正各个节点的权值及误差，误差函数定义为
，其中Odk为输出层的节点的期望值， 
表示输出层的节点的输出值，k=1,2,…,n。
各个节点的连接权的权值修正量与误差函数En的负梯度关系为：
其中η为学习率；
(τ+1)时刻的权值：
其中Wji表示输入层第i个神经元到隐含层第j个神经元的连接权的权值，Wkj表示隐含层第j个神经元到输出层第k个神经元的连接权的权值。
调整网络神经算法中神经元阀值：
(τ+1)时刻的阀值：
θj表示隐含层神经元的阈值，θk表示输出层神经元的阀值。
本实施例的激励函数为S型函数: 
,其中α为调整激励函数形式的参数。计算时使经过初始加权后的神经元的输出值尽量小，以使每个神经元的连接权值在各自的S型激励函数变化最大处进行调节。由于采取固定的初始权值和阈值可能导致训练收敛速度过慢，初始连接权值选择（-1，1）之间的随机数，初始的阈值选择（-1，1）之间的随机数。学习速率决定每一次循环训练中所产生的权值变化量。大的学习速率可能导致系统的波动较大，但小的学习速率可能导致训练时间过长，收敛速度较慢。为保证网络的误差值不跳出误差表面的低谷而且最终趋于最小误差值，选取较小的学习速率以保证系统的稳定性。学习速率的选取范围为0.01-0.8之间。
利用遗传算法进行预测过程中还包括建立供水延迟函数模型。由于管网的长度较长，有一定的蓄水， 导致供水泵送出的水，需要经过一个时间间隔才能够到达蓄水池，所以需要考虑个延迟函数，延迟函数可以使与N（T）相关的，也可以是无关的，取决于设计方案要求的精度。将这个函数乘以N（T）,得到一个新的考虑了时间延迟作用的N（T）。
利用遗传算法进行预测过程中还包括建立供水能力模型。供水能力模型表示一个具体的水厂取水的缓冲能力，即当水厂因为故障停止取水了，那么水厂自己蓄水能力所能够维持的时间，以保证取水不足的水厂不会长时间超负荷运行。通过确定供水能力模型对解X[T]进行检查。
利用遗传算法进行预测过程中还包括建立管网模型。一般城市的各个区域有自己的蓄水机构，所有的水厂和蓄水机构都是通过同一个管网进行工作，那么就需要对管网的模型进行分析，需要得到蓄水机构对于解X[T]的函数，即模型分析中的L（X）。
利用遗传算法进行预测过程中还包括建立成本模型。采用遗传算法（GA）进行供水调度，除了满足供水需求的平稳，重要的还有节省能耗，节省成本，带来经济和环境上的收益。各个水厂不同时间的取水成本，供水成本的不同，水厂到达管网路径的不同，都带来了复杂的成本变化，从而需要得到一个大致的成本曲线，这也就是模型分析中的P（T）。
利用神经网络算法建立供水预测模型过程中还包括建立用户需水模型。用户在一天二十四小时中，需水的变化曲线，通过历史纪录，采用神经网络算法计算进行合理的预测。得到的曲线函数，就是模型分析中的N（T）。
本实施例的供水控制方法还包括如下步骤：通过全局求最优解的算法寻找X[T]的解空间的最优解，并与遗传算法所求的X[T]的解对比以验证根据神经网络算法建立的供水预测模型、神经网络算法、遗传算法过程是否有错。
全局求最优解的算法可采用分支限界算法，或者回溯算法等。在解空间假设规模较小的情况下，得到最优解，并以对比遗传算法得到的解的情况，以验证求解方法，建立的供水预测模型或计算模型、算法过程是否有错。其中分支限界算法通过活动节点表选择节点、扩展节点，判断限界，加入活动节点表，寻找解空间树种的最优解，并循环，直到活动节点表为空或者搜索结束，跳出循环，得到最优解。
利用遗传算法（GA）计算X[T]的解空间优化问题或最优解，采用模拟生物进化的原则，进行寻优，是一种并行搜索算法，是一种全局优化搜索算法，有比较高的效率。
分析目标函数对于解的波动程度，利用遗传算法（GA）根据分析得到的函数波动程度在解空间在解空间中尽可能均匀离散的生成初始解群体。
本发明一实施例的供水系统，包括：
建模模块：分析历史数据并建立供水预测模型，建立输入层参数与输出层输出的供水量之间的函数关系；
目标函数建立模块：建立供水泵在设定时间内的总的能耗的目标函数与供水泵在设定时间的每个分段子时间上的开合情况的变化序列的函数关系：D（X）=
，其中=1，
为间隔的时间，T为时间，M（T）为电能消耗单位成本的价格随时间变化函数， D（X）为目标函数即供水泵在设定时间内总的电能消耗，X[T]为所要求的解，X[T]的解空间为供水泵在设定时间的每个分段子时间上的开合情况的变化序列；
求解模块：在限制条件下利用遗传算法计算每个分段子时间上供水泵开合情况的优化方案。
供水泵设定时间内的总的能耗的目标函数进一步为：D（X）=，其中
=1，
为间隔的时间；T为时间，取1到24之间的整数；M（T）为电能消耗单位成本的价格随时间变化函数，目标函数D（X）为一天总的电能消耗；X[T]为所要求的解即为水泵在单位时间段的开合情况。
建模模块根据神经网络算法分析历史数据并建立供水预测模型，输入层参数包括：季节、天气、工作日、温度的任意一种或多种，每个参数构成输入层的一个节点，输出层输出一天24小时各个时刻的供水量，所述神经网络算法采用神经元为基本处理单元，所述神经元为多输入、单输出的非线性器件。
建模模块中供水预测模型建模的网络拓扑结构为三层BP神经网络，所述输入层与输出层之间设置有隐含层；所述隐含层的节点根据输入层的节点数确定并通过增减节点数进行训练对比，神经网络算法中每层的输出函数为输入函数关于该层的激发函数的函数；若所述输出层的输出结果与期望值不符，将输出层的误差转化为各层各个节点的连接权值与阈值，将输出层的误差逐层向输入层反向传递，把误差分摊到各个节点，计算各个节点的参考误差，调整各个节点的连接权值及阈值大小，直到误差最小。
激励函数为S型函数:
,其中α为调整激励函数形式的参数;每个神经元的连接权值在各自的S型激励函数变化最大处进行调节，初始连接权值选择（-1，1）之间的随机数，初始的阈值选择（-1，1）之间的随机数，学习速率的选取范围为0.01-0.8之间。
建模模块进一步包括：网络拓扑结构单元、参数确定单元、数据输入处理单元、训练单元。
网络拓扑结构单元：根据供水过程的特性确定供水预测模型的网络拓扑结构。参数确定单元：确定供水预测模型的计算参数。数据输入处理单元：输入或导入历史数据，及对输入或导入的历史数据预处理。训练单元：根据输入或导入历史数据结合相应的网络拓扑结构进行训练，并根据训练结果确定供水预测模型。
训练单元包括训练精度模式或学习次数模式的任意一种或多种。
训练精度模式包括：网络误差计算单元、网络修改单元、总误差计算单元、精度判断单元。
网络误差计算单元：根据网络拓扑结构计算网络误差。网络修改单元：根据网络误差修改网络权重。总误差计算单元：计算训练过程的总误差。精度判断单元：判断总误差是否达到设定精度，当判断没有达到精度时重复上述步骤直至达到精度完成训练。
学习次数模式包括：学习模式网络误差计算单元、学习模式网络修改单元、学习模式判断单元。
学习模式网络误差计算单元：根据神经网络的网络拓扑结构计算网络误差。学习模式网络修改单元：根据计算的网络误差修改网络权重、并将训练次数加1。学习模式判断单元：判断是否完成训练次数，若判断没有完成训练次数则重复上述步骤直至完成训练次数完成训练；当训练完成确定供水预测模型。
训练单元采用非线性规划中的最速下降法按误差函数的负梯度方向修正各个节点的权值及误差，误差函数定义为
，其中O dk 为输出层的节点的期望值， 
表示输出层的节点的输出值，k=1,2,…,n。
各个节点的连接权的权值修正量与误差函数En的负梯度关系为：
其中η为学习率；
(τ+1)时刻的权值：
其中Wji表示输入层第i个神经元到隐含层第j个神经元的连接权的权值，Wkj表示隐含层第j个神经元到输出层第k个神经元的连接权的权值；
调整网络神经算法中神经元阀值：
(τ+1)时刻的阀值：
θ j 表示隐含层神经元的阈值，θ k 表示输出层神经元的阀值。
求解模块在限制条件下选择成本最低的优化方案。限制条件包括设备机器特性、蓄水池或水库的蓄水水位上下限的一种或多种。
设备机器特性为各个水厂或蓄水机构单位时间的供水量。水厂或蓄水机构通过供水泵送入管网，通过管网流到蓄水池或水库。蓄水池或水库的蓄水水位限制条件：
Ci下 < Li （T）=
+ L0i －
< Ci上
其中
=1，C表示蓄水池容量，P表示对应X[T]下的供水成本，L表示水位，L0是表示原有水量，N[T]表示用户需求的水量，Ci中i表示第i个水池；Li （T）为通过对管网模型进行分析得到水厂或蓄水机构对于X[T]的函数；N[T]为分析历史数据采用神经网络算法计算得出的设定时间的每个分段子时间上用户需求的水量的曲线函数。
求解模块还包括：供水延迟函数模型单元、供水能力模型单元。供水延迟函数模型单元：建立供水泵经过一个时间间隔到达蓄水池或水库的供水延迟函数，并将所述延迟函数乘以用户需求水量函数N[T]获得考虑了时间延迟作用的用户需求水量函数N[T]；供水能力模型单元：建立水厂或蓄水机构停止取水状态下水厂或蓄水机构所能维持的时间的供水能力函数。
本实施例的供水系统还包括验证模块。验证模块通过全局求最优解的算法寻找X[T]的解空间的最优解，并与遗传算法所求的X[T]的解对比以验证根据神经网络算法建立的供水预测模型、神经网络算法、遗传算法过程是否有错。
求解模块进一步包括：模型初始化单元、数据输入处理单元、计算单元。模型初始化单元：在遗传算法中初始化供水预测模型并将供水预测模型转化为遗传算法模型。数据输入处理单元：输入数据，并对数据进行预处理，将数据转化成遗传算法中的染色体模型进行编码。计算单元：目标函数生成的初始解通过选择算子进行选择计算、交叉算子进行交叉计算、变异算子进行变异计算，反复迭代，直到得到最优解。
自来水厂供水系统不允许产生供水量不足的状况，必须将净水持续的供给有需要的地方。此时，如果不能切实实施净水处理，维持安全的净水水质，就满足不了净水充足的需要。因此，这也要求净水处理量保持稳定。而且在不得不改变送水量的情况下，考虑到对供水泵以及管道的影响，应该避免送水量的急剧变化。而且，为了尽量降低与泵动力相关的费用，应该考虑泵的每小时耗能量。
本发明的供水控制方法及系统采用人工神经网络和遗传算法对自来水厂供水进行控制。取供水是根据季节、天气、工作日、温度模式采用神经网络预测当天的供水量模型，再采用遗传算法对供水模型优化，给出优化供水模型或最优供水模型。
本发明的供水控制方法及系统用于预测自来水供水最优计划，并通过GA (Genetic Algorithms，遗传算法)设计适用方法及计算模型，提出降低供水泵运行频率的基因操作平滑化逻辑方案。在最优送水计划功能中，基于天气信息以及供水量实际值，应用神经网络预测出运行当日的配水量，在得出的配水量预测值与泵排出量等成套设备机器特性以及供水池水位上下限等设备制约条件的基础上，根据GA做出满足自来水需要的近似最优送水计划。制作的送水计划也可作为系统的控制目标值，构成成套设备的各机器的联机实时控制。
本发明采用神经网络算法进行建模，建立供水预测模型，利用了神经网络大规模的并行计算与分布式存贮能力，具有非线性映射能力，较强的鲁棒性和容错性，并具有自适应、自组织、自学习的能力，避免局限性及凸性。采用遗传算法进行训练优化，模拟生物界，以概率选择为主要手段，不涉及复杂数学知识，亦不关心问题本身的内在规律，可以处理任意复杂的目标函数和约束条件。由于遗传算法采用概率搜索，所以是概率意义上的全局搜索。因此，解决的问题无论是否为凸性的，理论上都能获得最优解，避免落入局部极小点。GA (Genetic Algorithms，遗传算法)系统根据季节、天气、工作日、温度利于神经网络算法预测的一天的供水量，然后在得出的配水量预测值与泵排出量等成套设备机器特性以及蓄水池水位上下限等设备制约条件的基础上，根据GA做出满足净水需要的近似最优送水计划。
本发明通过分析日用水量历史数据，总结总结用水量变化规律，研究日用水量预测模型，并通过神经网络算法建立供水预测模型。具体采用根据基于天气信息以及供水量实际值，使用逆向传播法利用过去的实际供水量（供水历史数据）的预测模式预先学习，应用神经网络预测出运行当日的配水量。在得出的供水量预测值、及供水泵排出量等成套设备机器特性以及蓄水池水位上下限等设备制约条件的基础上，根据遗传算法（GA）优化供水调度建模方法做出满足自来水需要的近似最优送水计划，从而得到降低供水泵运行频率的基因操作平滑化逻辑方案。遗传算法（GA）采用目标函数，通过初期个体群的生成、各个体的评价、选择算子的淘汰处理、增值处理、交叉算子的交叉处理、变异算子的突然变异处理、完成判断处理共七个步骤进行演算，可以高速求出近似最优解，速度是BBM算法的17倍左右。通过仿真和实验分析上述的动态模型及最优送水计划的有效性，并结合设备的能效特性，模拟简单的供水系统成套设备来验证此优化方法的稳定性及实用性，以实现自来水处理供水环节的稳定供给和最经济的节能优化控制，供水控制系统达到领先水平。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种供水控制方法，其特征在于，包括如下步骤：
建模步骤：分析历史数据并建立供水预测模型，建立输入层参数与输出层输出的供水量之间的函数关系；
建立目标函数步骤：建立供水泵在设定时间内的总的能耗的目标函数与方案解空间供水泵在设定时间的每个分段子时间上的开合情况的变化序列的函数关系：D（X）= 
，其中
=1，
为间隔的时间，T为时间，M（T）为电能消耗单位成本的价格随时间变化函数， D（X）为目标函数即供水泵在设定时间内总的电能消耗，X[T]为所要求的解，X[T]的解空间为供水泵在设定时间的每个分段子时间上的开合情况的变化序列；
求解步骤：并在限制条件下利用遗传算法计算每个分段子时间上供水泵开合情况的优化方案。
2.根据权利要求1所述的供水控制方法，其特征在于，所述供水泵设定时间内的总的能耗的目标函数进一步为：D（X）
=，其中
=1，
为间隔的时间；T为时间，取1到24之间的整数；M（T）为电能消耗单位成本的价格随时间变化函数，目标函数D（X）为一天总的电能消耗；X[T]为所要求的解即为供水泵在单位时间段的开合情况; 求解步骤中，所述限制条件包括设备机器特性、蓄水池或水库的蓄水水位上下限的一种或多种;所述设备机器特性为各个水厂或蓄水机构单位时间的供水量，所述水厂或蓄水机构通过供水泵送入管网，通过管网流到蓄水池；蓄水池或水库的蓄水水位限制条件：
Ci下 < Li （T）=
+ L0i － < Ci上
其中
=1，C表示蓄水池容量，P表示对应X[T]下的供水成本，L表示水位，L0是表示原有水量，N[T]表示用户需求的水量，Ci中i表示第i个水池；Li （T）为通过对管网模型进行分析得到水厂或蓄水机构对于X[T]的函数；N[T]为分析历史数据采用神经网络算法计算得出的设定时间的每个分段子时间上用户需求的水量的曲线函数。
3.根据权利要求1所述的供水控制方法，其特征在于，所述建模步骤中根据神经网络算法分析历史数据并建立供水预测模型，输入层参数包括：季节、天气、工作日、温度的任意一种或多种，每个参数构成输入层的一个节点，输出层输出一天24小时各个时刻的供水量，所述神经网络算法采用神经元为基本处理单元，所述神经元为多输入、单输出的非线性器件；所述供水预测模型建模的网络拓扑结构为三层BP神经网络，所述输入层与输出层之间设置有隐含层；所述隐含层的节点根据输入层的节点数确定并通过增减节点数进行训练对比，神经网络算法中每层的输出函数为输入函数关于该层的激发函数的函数；若所述输出层的输出结果与期望值不符，将输出层的误差转化为各层各个节点的连接权值与阈值，将输出层的误差逐层向输入层反向传递，把误差分摊到各个节点，计算各个节点的参考误差，调整各个节点的连接权值及阈值大小，直到误差最小;所述激励函数为S型函数:
,其中α为调整激励函数形式的参数;每个神经元的连接权值在各自的S型激励函数变化最大处进行调节，初始连接权值选择（-1，1）之间的随机数，初始的阈值选择（-1，1）之间的随机数，学习速率的选取范围为0.01-0.8之间。
4.根据权利要求1至3任意一项所述的供水控制方法，其特征在于，所述建模步骤进一步包括如下步骤：根据供水过程的特性确定供水预测模型的网络拓扑结构，确定供水预测模型的计算参数，并输入或导入历史数据，及对输入或导入的历史数据预处理，根据输入或导入历史数据结合相应的网络拓扑结构进行训练，并根据训练结果确定供水预测模型。
5.根据权利要求4所述的供水控制方法，其特征在于，所述训练过程包括训练精度模式或学习次数模式的任意一种或多种，所述训练精度模式包括如下步骤：根据神经网络的网络拓扑结构计算网络误差、根据网络误差修改网络权重、计算训练过程的总误差、判断总误差是否达到设定精度，当判断没有达到精度时重复上述步骤直至达到精度完成训练；所述学习次数模式包括如下步骤：根据网络拓扑结构计算网络误差、根据计算的网络误差修改网络权重、将训练次数加1、判断是否完成训练次数，若判断没有完成训练次数则重复上述步骤直至完成训练次数完成训练；当训练完成确定供水预测模型;所述训练过程采用非线性规划中的最速下降法按误差函数的负梯度方向修正各个节点的权值及误差，误差函数定义为 ，其中O dk 为输出层的节点的期望值， 
表示输出层的节点的输出值，k=1,2,…,n；
各个节点的连接权的权值修正量与误差函数En的负梯度关系为
其中η为学习率；
(τ+1)时刻的权值：
其中Wji表示输入层第i个神经元到隐含层第j个神经元的连接权的权值，Wkj表示隐含层第j个神经元到输出层第k个神经元的连接权的权值；
调整网络神经算法中神经元阀值：
(τ+1)时刻的阀值：
θ j 表示隐含层神经元的阈值，θ k 表示输出层神经元的阀值。
6.根据权利要求1至3任意一项所述的供水控制方法，其特征在于，所述求解步骤中利用遗传算法进行预测过程中还包括建立供水泵经过一个时间间隔到达蓄水池或水库的供水延迟函数模型，并将上述延迟函数乘以N[T]获得考虑了时间延迟作用的N[T]；还包括建立水厂或蓄水机构停止取水状态下水厂或蓄水机构所能维持的时间的供水能力模型;通过全局求最优解的算法寻找X[T]的解空间的最优解，并与遗传算法所求的X[T]的解对比以验证根据神经网络算法建立的供水预测模型、神经网络算法、遗传算法过程是否有错；求解步骤进一步包括：在遗传算法中初始化供水预测模型并将供水预测模型转化为遗传算法模型，输入数据，并对数据进行预处理，将数据转化成遗传算法中的染色体模型进行编码，目标函数生成的初始解通过选择算子进行选择计算、交叉算子进行交叉计算、变异算子进行变异计算，反复迭代，直到得到最优解。
7.一种供水系统，其特征在于，包括：
建模模块：分析历史数据并建立供水预测模型，建立输入层参数与输出层输出的供水量之间的函数关系；
目标函数建立模块：建立供水泵在设定时间内的总的能耗的目标函数与供水泵在设定时间的每个分段子时间上的开合情况的变化序列的函数关系：D（X）=
，其中
=1，为间隔的时间，T为时间，M（T）为电能消耗单位成本的价格随时间变化函数， D（X）为目标函数即供水泵在设定时间内总的电能消耗，X[T]为所要求的解，X[T]的解空间为供水泵在设定时间的每个分段子时间上的开合情况的变化序列；
求解模块：在限制条件下利用遗传算法计算每个分段子时间上供水泵开合情况的优化方案。
8.根据权利要求7所述的供水系统，其特征在于，所述供水泵设定时间内的总的能耗的目标函数进一步为：D（X）=
，其中
=1，
为间隔的时间；T为时间，取1到24之间的整数；M（T）为电能消耗单位成本的价格随时间变化函数，目标函数D（X）为一天总的电能消耗；X[T]为所要求的解即为水泵在单位时间段的开合情况;所述限制条件包括设备机器特性、蓄水池或水库的蓄水水位上下限的一种或多种；所述设备机器特性为各个水厂或蓄水机构单位时间的供水量，所述水厂或蓄水机构通过供水泵送入管网，通过管网流到蓄水池或水库；蓄水池或水库的蓄水水位限制条件：
Ci下 < Li （T）=
+ L0i －
< Ci上
其中
=1，C表示蓄水池容量，P表示对应X[T]下的供水成本，L表示水位，L0是表示原有水量，N[T]表示用户需求的水量，Ci中i表示第i个水池；Li （T）为通过对管网模型进行分析得到水厂或蓄水机构对于X[T]的函数；N[T]为分析历史数据采用神经网络算法计算得出的设定时间的每个分段子时间上用户需求的水量的曲线函数。
9.根据权利要求7所述的供水系统，其特征在于，所述建模模块根据神经网络算法分析历史数据并建立供水预测模型，输入层参数包括：季节、天气、工作日、温度的任意一种或多种，每个参数构成输入层的一个节点，输出层输出一天24小时各个时刻的供水量，所述神经网络算法采用神经元为基本处理单元，所述神经元为多输入、单输出的非线性器件；所述建模模块中供水预测模型建模的网络拓扑结构为三层BP神经网络，所述输入层与输出层之间设置有隐含层；所述隐含层的节点根据输入层的节点数确定并通过增减节点数进行训练对比，神经网络算法中每层的输出函数为输入函数关于该层的激发函数的函数；若所述输出层的输出结果与期望值不符，将输出层的误差转化为各层各个节点的连接权值与阈值，将输出层的误差逐层向输入层反向传递，把误差分摊到各个节点，计算各个节点的参考误差，调整各个节点的连接权值及阈值大小，直到误差最小;所述激励函数为S型函数:
,其中α为调整激励函数形式的参数;每个神经元的连接权值在各自的S型激励函数变化最大处进行调节，初始连接权值选择（-1，1）之间的随机数，初始的阈值选择（-1，1）之间的随机数，学习速率的选取范围为0.01-0.8之间。
10.根据权利要求7至9任意一项所述的供水系统，其特征在于，所述建模模块进一步包括如下：
网络拓扑结构单元：根据供水过程的特性确定供水预测模型的网络拓扑结构，
参数确定单元：确定供水预测模型的计算参数，
数据输入处理单元：输入或导入历史数据，及对输入或导入的历史数据预处理，
训练单元：根据输入或导入历史数据结合相应的网络拓扑结构进行训练，并根据训练结果确定供水预测模型;所述训练单元包括训练精度模式或学习次数模式的任意一种或多种；
所述训练精度模式包括：
网络误差计算单元：根据神经网络的网络拓扑结构计算网络误差，
网络修改单元：根据计算的网络误差修改网络权重，
总误差计算单元：计算训练过程的总误差，
精度判断单元：判断总误差是否达到设定精度，当判断没有达到精度时重复上述步骤直至达到精度完成训练；
所述学习次数模式包括：
学习模式网络误差计算单元：根据神经网络的网络拓扑结构计算网络误差，
学习模式网络修改单元：根据计算的网络误差修改网络权重、将训练次数加1，
学习模式判断单元：判断是否完成训练次数，若判断没有完成训练次数则重复上述步骤直至完成训练次数完成训练；当训练完成确定供水预测模型；所述训练单元采用非线性规划中的最速下降法按误差函数的负梯度方向修正各个节点的权值及误差，所述供水系统还包括验证模块：通过全局求最优解的算法寻找X[T]的解空间的最优解，并与遗传算法所求的X[T]的解对比以验证根据神经网络算法建立的供水预测模型、神经网络算法、遗传算法过程是否有错。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210104488.3A CN102629106B (zh) | 2012-04-11 | 2012-04-11 | 供水控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210104488.3A CN102629106B (zh) | 2012-04-11 | 2012-04-11 | 供水控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102629106A true CN102629106A (zh) | 2012-08-08 |
| CN102629106B CN102629106B (zh) | 2014-10-08 |
Family
ID=46587373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210104488.3A Active CN102629106B (zh) | 2012-04-11 | 2012-04-11 | 供水控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102629106B (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103016326A (zh) * | 2012-12-18 | 2013-04-03 | 三一重工股份有限公司 | 一种变量泵组的控制方法和系统、工程机械 |
| CN103093284A (zh) * | 2013-01-18 | 2013-05-08 | 杭州电子科技大学 | 一种海岛供水系统时用水量预测方法 |
| CN104935017A (zh) * | 2015-05-19 | 2015-09-23 | 同济大学 | 基于改进轻鲁棒优化模型的风电与火电机组组合方法 |
| CN106779306A (zh) * | 2016-11-22 | 2017-05-31 | 南方电网科学研究院有限责任公司 | 用户分类模型的构建、电力能效分析用户分类方法及装置 |
| CN106897824A (zh) * | 2017-02-16 | 2017-06-27 | 浙江省水利河口研究院 | 小型蓄水工程供水量计算方法 |
| CN107560782A (zh) * | 2017-07-28 | 2018-01-09 | 福星智慧家生活服务有限公司 | 供水管道爆裂检测方法及系统 |
| CN107742154A (zh) * | 2017-09-30 | 2018-02-27 | 北京尚水信息技术股份有限公司 | 智慧水务管网中水位互校正方法 |
| CN108049453A (zh) * | 2017-10-31 | 2018-05-18 | 江苏省水利勘测设计研究院有限公司 | 一种南水北调调水系统水资源配置装置 |
| CN108898512A (zh) * | 2018-07-27 | 2018-11-27 | 苏州市自来水有限公司 | 基于bp神经网络的城市供水管网模型校核方法 |
| CN109426923A (zh) * | 2017-08-30 | 2019-03-05 | 西门子股份公司 | 供水网络的控制 |
| CN110209716A (zh) * | 2018-02-11 | 2019-09-06 | 北京华航能信科技有限公司 | 智能物联网水务大数据处理方法和系统 |
| CN110520805A (zh) * | 2017-04-18 | 2019-11-29 | 首要金属科技德国有限责任公司 | 过程模型的建模优化 |
| CN110858062A (zh) * | 2018-08-22 | 2020-03-03 | 阿里巴巴集团控股有限公司 | 目标优化参数的获取方法及模型训练方法、装置 |
| CN111764469A (zh) * | 2020-09-03 | 2020-10-13 | 成都同飞科技有限责任公司 | 一种远距离智能恒压供水系统 |
| CN113128827A (zh) * | 2021-03-04 | 2021-07-16 | 上海威派格智慧水务股份有限公司 | 一种匹配调度方案的方法及系统 |
| CN113156817A (zh) * | 2021-03-18 | 2021-07-23 | 上海威派格智慧水务股份有限公司 | 一种泵站智能配泵方法 |
| CN113836785A (zh) * | 2021-07-28 | 2021-12-24 | 南京尔顺科技发展有限公司 | 市政区域智慧供水系统及该系统人工智能控制优化方法 |
| CN113850692A (zh) * | 2021-09-26 | 2021-12-28 | 天津大学 | 一种基于深度学习的城市供水系统闸泵群优化调度方法 |
| CN113885616A (zh) * | 2021-07-28 | 2022-01-04 | 南京尔顺科技发展有限公司 | 用于二次供水自动清洗水箱的精准调蓄控制系统及方法 |
| CN116699998A (zh) * | 2023-06-21 | 2023-09-05 | 广州和达水务科技股份有限公司 | 基于ai算法的无人值守加压站控制系统 |
| CN117075549A (zh) * | 2023-08-17 | 2023-11-17 | 湖南源达智能科技有限公司 | 基于人工神经网络的厂务控制方法及系统 |
| CN117469603A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市科荣软件股份有限公司 | 一种基于大数据学习的多水厂供水系统压力优化控制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0701352D0 (en) * | 2007-01-24 | 2007-03-07 | Hydrodigital Ltd | Liquid pressure control |
| CN101858095A (zh) * | 2010-06-10 | 2010-10-13 | 上海三高计算机中心股份有限公司 | 一种提供供水管网辅助调度数据的处理方法及装置 |
| JP2012053505A (ja) * | 2010-08-31 | 2012-03-15 | Hitachi Ltd | プラントの制御装置及び火力発電プラントの制御装置 |
-
2012
- 2012-04-11 CN CN201210104488.3A patent/CN102629106B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0701352D0 (en) * | 2007-01-24 | 2007-03-07 | Hydrodigital Ltd | Liquid pressure control |
| CN101858095A (zh) * | 2010-06-10 | 2010-10-13 | 上海三高计算机中心股份有限公司 | 一种提供供水管网辅助调度数据的处理方法及装置 |
| JP2012053505A (ja) * | 2010-08-31 | 2012-03-15 | Hitachi Ltd | プラントの制御装置及び火力発電プラントの制御装置 |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103016326B (zh) * | 2012-12-18 | 2015-02-18 | 三一汽车制造有限公司 | 一种变量泵组的控制方法和系统、工程机械 |
| CN103016326A (zh) * | 2012-12-18 | 2013-04-03 | 三一重工股份有限公司 | 一种变量泵组的控制方法和系统、工程机械 |
| CN103093284A (zh) * | 2013-01-18 | 2013-05-08 | 杭州电子科技大学 | 一种海岛供水系统时用水量预测方法 |
| CN104935017A (zh) * | 2015-05-19 | 2015-09-23 | 同济大学 | 基于改进轻鲁棒优化模型的风电与火电机组组合方法 |
| CN106779306A (zh) * | 2016-11-22 | 2017-05-31 | 南方电网科学研究院有限责任公司 | 用户分类模型的构建、电力能效分析用户分类方法及装置 |
| CN106897824A (zh) * | 2017-02-16 | 2017-06-27 | 浙江省水利河口研究院 | 小型蓄水工程供水量计算方法 |
| CN110520805A (zh) * | 2017-04-18 | 2019-11-29 | 首要金属科技德国有限责任公司 | 过程模型的建模优化 |
| CN110520805B (zh) * | 2017-04-18 | 2022-12-06 | 首要金属科技德国有限责任公司 | 过程模型的建模优化 |
| US11493891B2 (en) | 2017-04-18 | 2022-11-08 | Primetals Technologies Germany Gmbh | Optimization of the modeling of process models |
| CN107560782A (zh) * | 2017-07-28 | 2018-01-09 | 福星智慧家生活服务有限公司 | 供水管道爆裂检测方法及系统 |
| CN109426923A (zh) * | 2017-08-30 | 2019-03-05 | 西门子股份公司 | 供水网络的控制 |
| CN107742154A (zh) * | 2017-09-30 | 2018-02-27 | 北京尚水信息技术股份有限公司 | 智慧水务管网中水位互校正方法 |
| CN108049453A (zh) * | 2017-10-31 | 2018-05-18 | 江苏省水利勘测设计研究院有限公司 | 一种南水北调调水系统水资源配置装置 |
| CN110209716A (zh) * | 2018-02-11 | 2019-09-06 | 北京华航能信科技有限公司 | 智能物联网水务大数据处理方法和系统 |
| CN108898512A (zh) * | 2018-07-27 | 2018-11-27 | 苏州市自来水有限公司 | 基于bp神经网络的城市供水管网模型校核方法 |
| CN110858062A (zh) * | 2018-08-22 | 2020-03-03 | 阿里巴巴集团控股有限公司 | 目标优化参数的获取方法及模型训练方法、装置 |
| CN111764469A (zh) * | 2020-09-03 | 2020-10-13 | 成都同飞科技有限责任公司 | 一种远距离智能恒压供水系统 |
| CN113128827A (zh) * | 2021-03-04 | 2021-07-16 | 上海威派格智慧水务股份有限公司 | 一种匹配调度方案的方法及系统 |
| CN113156817A (zh) * | 2021-03-18 | 2021-07-23 | 上海威派格智慧水务股份有限公司 | 一种泵站智能配泵方法 |
| CN113885616A (zh) * | 2021-07-28 | 2022-01-04 | 南京尔顺科技发展有限公司 | 用于二次供水自动清洗水箱的精准调蓄控制系统及方法 |
| CN113836785A (zh) * | 2021-07-28 | 2021-12-24 | 南京尔顺科技发展有限公司 | 市政区域智慧供水系统及该系统人工智能控制优化方法 |
| CN113836785B (zh) * | 2021-07-28 | 2024-02-13 | 南京尔顺科技发展有限公司 | 市政区域智慧供水系统及该系统人工智能控制优化方法 |
| CN113850692A (zh) * | 2021-09-26 | 2021-12-28 | 天津大学 | 一种基于深度学习的城市供水系统闸泵群优化调度方法 |
| CN116699998A (zh) * | 2023-06-21 | 2023-09-05 | 广州和达水务科技股份有限公司 | 基于ai算法的无人值守加压站控制系统 |
| CN116699998B (zh) * | 2023-06-21 | 2024-02-13 | 广州和达水务科技股份有限公司 | 基于ai算法的无人值守加压站控制系统 |
| CN117075549A (zh) * | 2023-08-17 | 2023-11-17 | 湖南源达智能科技有限公司 | 基于人工神经网络的厂务控制方法及系统 |
| CN117075549B (zh) * | 2023-08-17 | 2024-03-22 | 湖南源达智能科技有限公司 | 基于人工神经网络的厂务控制方法及系统 |
| CN117469603A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市科荣软件股份有限公司 | 一种基于大数据学习的多水厂供水系统压力优化控制方法 |
| CN117469603B (zh) * | 2023-12-25 | 2024-03-08 | 深圳市科荣软件股份有限公司 | 一种基于大数据学习的多水厂供水系统压力优化控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102629106B (zh) | 2014-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102629106B (zh) | 供水控制方法及系统 | |
| Nazari-Heris et al. | Short-term scheduling of hydro-based power plants considering application of heuristic algorithms: A comprehensive review | |
| Meng et al. | Multi-objective hydropower station operation using an improved cuckoo search algorithm | |
| CN105243458B (zh) | 一种基于多目标混合蛙跳差分算法的水库调度方法 | |
| Xiao et al. | A combined model based on data pre-analysis and weight coefficients optimization for electrical load forecasting | |
| Makaremi et al. | Optimization of pump scheduling program in water supply systems using a self-adaptive NSGA-II; a review of theory to real application | |
| CN104732295A (zh) | 一种基于大数据技术的电力负荷预测模型 | |
| CN101858095B (zh) | 一种提供供水管网辅助调度数据的处理方法及装置 | |
| CN107909220A (zh) | 一种电采暖负荷预测方法 | |
| CN105297827A (zh) | 一种考虑多用户需水和多水源供水的水资源配置方法 | |
| Chen et al. | An improved NSGA-III algorithm for reservoir flood control operation | |
| CN105303247A (zh) | 一种园区型冷热能源混合应用的能源网络调控方法及系统 | |
| CN104484833A (zh) | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 | |
| CN110443418A (zh) | 基于ga-bp神经网络的城市用水量预测方法 | |
| CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
| CN107563538A (zh) | 大电网平台下的面向关键水位控制的多目标水库群调度优化方法 | |
| CN112668909B (zh) | 基于遗传算法的水资源优化配置方法及系统 | |
| CN110400234A (zh) | 一种基于bp神经网络的城市供水调度方法及系统 | |
| CN105930927A (zh) | 一种基于行业负荷预测技术的配电网规划方法 | |
| CN109117998B (zh) | 一种多智能体配置方法 | |
| Von Lucken et al. | Pump scheduling optimization using asynchronous parallel evolutionary algorithms | |
| CN111724064B (zh) | 一种基于改进免疫算法的含储能配电网规划方法 | |
| CN109816142A (zh) | 一种水资源精确分配系统及分配方法 | |
| CN105868841B (zh) | 一种基于风电优先上网的风水火联合调度方法 | |
| CN112116131B (zh) | 计及碳排放的综合能源系统多层级优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |