CN103294847A - 基于水力平差的供水管网模型模糊辨识方法 - Google Patents
基于水力平差的供水管网模型模糊辨识方法 Download PDFInfo
- Publication number
- CN103294847A CN103294847A CN2013101299393A CN201310129939A CN103294847A CN 103294847 A CN103294847 A CN 103294847A CN 2013101299393 A CN2013101299393 A CN 2013101299393A CN 201310129939 A CN201310129939 A CN 201310129939A CN 103294847 A CN103294847 A CN 103294847A
- Authority
- CN
- China
- Prior art keywords
- water supply
- model
- supply network
- waterpower
- fuzzy
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于水力平差的供水管网模型模糊辨识方法。本发明采用EPANETH软件建立供水管网的水力平差模型,求解实现对供水管网的运行模拟,获得模拟的实验数据。将水力平差模型模拟给出的系统输入和输出时间历程代替观测数据,并采用T-S模型的模糊辨识方法处理此输入和输出时间历程,从而得到系统参数模型。本发明利用EPANETH的优势,简化了现场传感器的布点及数据采集,而且通过T-S模型的高精度的模糊辨识用于供水管网的预测控制,可保证供水管网优化调度的可靠性。
Description
技术领域
本发明属于工业控制领域,涉及一种供水管网运行状况模型的模糊辨识方法,具体是一种基于EPANETH水力平差模型的供水管网模糊辨识方法。
背景技术
城市供水管网系统是一个结构复杂、规模庞大的网络结构。由于城市供水管网多埋于地下,不能直接进行测试和实验,所以建立与供水系统的宏观特征相吻合的预测模型,能快速准确地求解出任意时刻的工作状态,是实现供水系统优化调度的前提和关键。
经过对现有文献检索发现,Ingeduld Petr等在文章Modelling intermittent water supply system with EPANET(8th Annual Water Distribution System Analysis Symposium 2006, pp.1-8)中处理农村供水网络建模时,通过改进的EPANET程序解决了由于低压和水管没水EPANET难以建立水力模型的问题。Ingeduld Petr还在文章Real-time forecasting with EPANET(Proceeding of the 2007 World Environmental and Water Resources Congress,2007)中通过EPANET和SCADA系统在实时模式中进行周期稳态模拟和预测水力模型。天津大学的刘洪波等在文章《基于模糊聚类理论的城市供水管网ANFIS系统设计》中利用自适应神经模糊推理系统较强的结构知识表达能力、容错能力以及自动提取模糊规则的学习能力,依据城市供水管网的特点,建立了一种基于模糊聚类理论的管网宏观模型。河海大学的陆健等在文章《基于BP神经网络的供水管网分时段宏观模型研究》中利用BP神经网络建立城市供水管网分时段宏观模型,该模型基本能反映城市供水管网的供水量与水压的关系。然而随着时间的推移和城市建设的发展,供水管网每年都会由于扩建而变化,各个管段的粗糙系数也会随着改变,就会造成历史数据辨识的模型与现实管网有所差异,而且模型的精度也很难满足工业要求。
发明内容
本发明的目的在于克服现有方法中的不足,提出了一种基于水力平差的供水管网模型模糊系统辨识方法,能大幅提高预测精度,为研究供水管网的优化调度奠定了基础。
本发明是通过以下技术方案实现的,采用EPANETH软件建立供水管网的水力平差模型,求解实现对供水管网的运行模拟,获得模拟的实验数据。将水力平差模型模拟给出的系统输入和输出时间历程代替观测数据,并采用T-S模型的模糊辨识方法处理此输入和输出时间历程,从而得到系统参数模型。
具体步骤如下:
(1)采用EPANETH软件求解建立供水管网的水力平差模型,实现对某一区域供水管网运行过程的模拟,由此获得虚拟的相关数据。
(2)基于此水力平差模型,模拟得到的系统输入和输出时间历程代替观测数据,并采用T-S模型的模糊辨识方法处理此输入和输出时间历程,从而得到系统参数模型。
所述的水力平差模型,采用EPANETH软件对供水管网进行仿真模拟,建立供水管网的水力平差模型。EPANETH软件基于解节点方程方法,可对管网不经简化处理直接建模,并且减少了计算所需时间和存储单元,准确地反映了供水管网的运行过程。
采用EPANETH软件建立的水力平差模型,建模步骤如下:
(1)对某一研究区域的用水情况进行了大量详实的调查统计工作,对居民用水量及卫生设备的配置情况、自备井水量、企事业单位用水量及工业用水量进行分类调查整理统计。
(2)根据实际区域的供水管网走向,确定管网水力计算的节点数目,从CAD图中导入供水管网到EPANETH或直接在EPANETH上直接绘制,初步建立管网水力模型。
(3)为了使管网更加接近真实,采用管网延时状况分析,编辑时间选项,根据采样时间的不同,可分别对采样时间为一小时或一天的供水管网运行情况进行模拟。
(4)通过步骤(1)的调查统计,将管长、管径、管壁粗糙系数、节点标高及供水量等参数在EPANETH中输入,运行软件,通过水力平差模型计算得到各节点的压力和流量数据。
所述的模糊辨识,基于虚拟的实验系统获得输入输出数值,采用T-S模型的模糊辨识方法处理此输入和输出时间历程,计算出系统的未知参数,从而建立一个模糊系统模型,其具体步骤如下:
采用T-S模型的模糊辨识方法处理模拟提供的系统输入和输出数据,进行模型前件参数的辨识、模型结构的辨识及模型后件参数的辨识,得到系统基于时间的集中参数模型,将基于空间的数值分析模型映射到基于时间的集中参数模型。对于一个MIMO模型的辨识,可以分解为多个MISO模型的辨识,这里仅讨论MISO系统的辨识。系统的模糊模型可用如下的逻辑关系描述:
(2)
(3)
该模型的辨识问题,就是通过目标系统的输入输出数据确定:
前提参数的辨识,由于在模糊模型中通常假定模糊集的隶属函数的形式是事先给定的,只需确定其参数。假设隶属函数为高斯函数:
(4)重复(2)、(3)即可获得各区域的输入半径。
于是模糊系统的输出为:
令
则式(6)可简化为:
(10)
本发明利用EPANETH软件模拟供水管网的运行过程,将得到的数据采用T-S模型的模糊辨识方法得到系统模型的参数,为供水管网的优化调度提供了理论依据。本发明方法可将任何区域的供水管网数据信息导入EPANETH软件,得到建模需求的实验数据,而T-S模型又具有良好的非线性逼近能力,从而可得到精度较高的辨识结果。
本发明的特点在于,利用EPANETH的优势,简化了现场传感器的布点及数据采集,而且通过T-S模型的高精度的模糊辨识用于供水管网的预测控制,可保证供水管网优化调度的可靠性。
附图说明
图1为本发明的原理框图;
图2为本发明EPANETH供水管网拓扑结构图;
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明的核心思想是采用水力平差模型计算在某一区域节点的流量和压力等,基于此输入和输出时间历程代替实验数据,采用T-S模型的模糊辨识方法得到该系统的表达式。如图1所示,本发明的基于水力平差模型的供水管网模糊辨识方法,该方法具体步骤如下:
(1)采用EPANETH软件求解建立供水管网的水力平差模型,实现对某一区域供水管网运行过程的模拟,由此获得虚拟的相关数据。
(2)基于此水力平差模型,模拟得到的系统输入和输出时间历程代替观测数据,并采用T-S模型的模糊辨识方法处理此输入和输出时间历程,从而得到系统参数模型。
以下对图2所示的区域的供水管网运行过程进行具体辨识作进一步说明:
1、建立供水管网水利平差模型,并在EPANETH软件中求解,其具体步骤如下:
(1)对这一区域的用水情况进行了大量详实的调查统计工作,对居民用水量及卫生设备的配置情况、自备井水量、企事业单位用水量及工业用水量进行分类调查整理统计。
(2)如图2所示,根据实际区域的供水管网布管情况,确定管网水力计算的节点数目,从CAD图中导入供水管网到EPANETH或直接在EPANETH上直接绘制,初步建立管网水力模型。
(3)为了使管网更加接近真实,采用管网延时状况分析,编辑时间选项,根据采样时间的不同,可分别对采样时间为一小时或一天的供水管网情况进行研究。对于本例,采样时间设为一小时,分析节点需水量在一天内的变化,时间模式的水力时间步长设为6,于是一天内需水量具有四种不同时段的变化,并设置时间模式的时段乘子分别为0.5、1.3、1.0、1.2。
(4)通过步骤(1)的调查统计,将管长、管径、管壁粗糙系数、节点标高及供水量等参数在EPANETH中输入,运行软件,进行水力平差计算,得到各节点的压力和流量数据。
2、采用T-S模型的模糊辨识方法处理水力平差模型提供的系统输入和输出数据,先将整个MIMO系统分解为多个MISO系统研究,以其中一个MISO系统为例,以研究节点的压力为系统输出,研究节点前3个采样时刻的压力和供水量为系统输入,并不考虑滞后时间进行模糊辨识,得到一个参数模型。辨识方法的具体步骤如下:
(2)前提参数的辨识
由于在模糊模型中通常假定模糊集的隶属函数的形式是事先给定的,只需确定其参数。假设隶属函数为高斯函数:
④重复②、③即可获得各区域的输入半径;
(3)结论参数的辨识
于是模糊系统的输出为:
(8)
令
则式(8)可简化为:
(13)
Claims (3)
1. 基于水力平差的供水管网模型模糊辨识方法,其特征在于:针对特定区域的供水管网,应用EPANETH水力模型软件,模拟该区域供水管网的运行状况;基于EPANETH水力模型软件建立的水力平差模型,用水力平差计算得到的系统输入和输出时间历程代替实验数据,并采用T-S模型的模糊辨识方法处理此系统输入和输出时间历程,从而得到系统参数模型。
2.根据权利要求1所述的基于水力平差的供水管网模型模糊辨识方法,其特征在于:所述的水力平差模型建立过程具体是:将管网的基本参数和供水量输入EPANETH水力模型软件,采用水力平差法得到节点水压数据,将供水量和节点水压数据看作实验数据,作为模糊辨识方法的输入。
3.根据权利要求1所述的基于水力平差的供水管网模型模糊辨识方法,其特征在于:所述的模糊辨识方法具体是:通过简化模糊规则,以高斯型隶属函数,采用最小二乘的方法辨识得到系统的参数模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310129939.3A CN103294847B (zh) | 2013-04-12 | 2013-04-12 | 基于水力平差的供水管网模型模糊辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310129939.3A CN103294847B (zh) | 2013-04-12 | 2013-04-12 | 基于水力平差的供水管网模型模糊辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103294847A true CN103294847A (zh) | 2013-09-11 |
CN103294847B CN103294847B (zh) | 2017-06-27 |
Family
ID=49095704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310129939.3A Active CN103294847B (zh) | 2013-04-12 | 2013-04-12 | 基于水力平差的供水管网模型模糊辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103294847B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530818A (zh) * | 2013-10-12 | 2014-01-22 | 杭州电子科技大学 | 一种基于brb系统的供水管网建模方法 |
CN104123348A (zh) * | 2014-07-08 | 2014-10-29 | 杭州电子科技大学 | 一种基于arx的供水管网在线建模方法 |
CN105550405A (zh) * | 2015-12-07 | 2016-05-04 | 哈尔滨工业大学 | 一种市政管网水力模型构建方法 |
CN110866327A (zh) * | 2019-10-11 | 2020-03-06 | 东南大学 | 不确定条件下供水管网可靠性的可信度模型的建模方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03186395A (ja) * | 1989-12-13 | 1991-08-14 | Toshiba Corp | 配水システムの水質監視装置 |
CN102147830A (zh) * | 2011-03-29 | 2011-08-10 | 清华大学 | 给水管网优化设计方法和系统 |
-
2013
- 2013-04-12 CN CN201310129939.3A patent/CN103294847B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03186395A (ja) * | 1989-12-13 | 1991-08-14 | Toshiba Corp | 配水システムの水質監視装置 |
CN102147830A (zh) * | 2011-03-29 | 2011-08-10 | 清华大学 | 给水管网优化设计方法和系统 |
Non-Patent Citations (5)
Title |
---|
周天佐: "城市供水系统优化调度的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
张凤娥: "EPANET水力模型在供水管网优化中的应用", 《给水排水》 * |
李葵芳: "模糊预测控制算法研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邢宗义: "基于T_S模型的模糊预测控制研究", 《控制与决策》 * |
陆健: "基于BP神经网络的供水管网分时段宏观模型研究", 《中国给水排水》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530818A (zh) * | 2013-10-12 | 2014-01-22 | 杭州电子科技大学 | 一种基于brb系统的供水管网建模方法 |
CN103530818B (zh) * | 2013-10-12 | 2016-06-01 | 杭州电子科技大学 | 一种基于brb系统的供水管网建模方法 |
CN104123348A (zh) * | 2014-07-08 | 2014-10-29 | 杭州电子科技大学 | 一种基于arx的供水管网在线建模方法 |
CN104123348B (zh) * | 2014-07-08 | 2017-02-22 | 杭州电子科技大学 | 一种基于arx的供水管网在线建模方法 |
CN105550405A (zh) * | 2015-12-07 | 2016-05-04 | 哈尔滨工业大学 | 一种市政管网水力模型构建方法 |
CN105550405B (zh) * | 2015-12-07 | 2018-03-20 | 哈尔滨工业大学 | 一种市政管网水力模型构建方法 |
CN110866327A (zh) * | 2019-10-11 | 2020-03-06 | 东南大学 | 不确定条件下供水管网可靠性的可信度模型的建模方法 |
CN110866327B (zh) * | 2019-10-11 | 2024-02-06 | 东南大学 | 不确定条件下供水管网可靠性的可信度模型的建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103294847B (zh) | 2017-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Reviews on uncertainty analysis of wind power forecasting | |
CN110209716A (zh) | 智能物联网水务大数据处理方法和系统 | |
Niu et al. | Parallel computing and swarm intelligence based artificial intelligence model for multi-step-ahead hydrological time series prediction | |
Sarmas et al. | ML-based energy management of water pumping systems for the application of peak shaving in small-scale islands | |
Li et al. | Identifying explicit formulation of operating rules for multi-reservoir systems using genetic programming | |
CN104008432A (zh) | 基于emd-kelm-ekf的微网短期负荷预测方法 | |
CN102682349A (zh) | 一种用电量智能预测系统及方法 | |
WO2015081660A1 (zh) | 一种居民小区短期负荷预测方法 | |
CN110443418A (zh) | 基于ga-bp神经网络的城市用水量预测方法 | |
Jiang et al. | Optimization of fuzzy membership function of runoff forecasting error based on the optimal closeness | |
CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
CN103294847A (zh) | 基于水力平差的供水管网模型模糊辨识方法 | |
KR20180130945A (ko) | 에너지사용량 빅 데이터의 주기적 특성별 예측 분석을 통한 가정내 에너지 사용량 및 전기요금 예측안내 시스템 | |
Mabina et al. | Sustainability matchmaking: Linking renewable sources to electric water heating through machine learning | |
CN105740989B (zh) | 一种基于varx模型的供水管网异常事件侦测方法 | |
Yuan et al. | A SAFSA-and metabolism-based nonlinear grey Bernoulli model for annual water consumption prediction | |
Zeng et al. | A survey of research progress and hot front of natural gas load forecasting from technical perspective | |
CN109447336A (zh) | 一种上游水库与其反调节水库坝间水位优化控制方法 | |
CN202735528U (zh) | 一种可预测气象数据的智能气象站系统 | |
He et al. | An Improved Coupling Model of Grey-System and Multivariate Linear Regression for Water Consumption Forecasting. | |
Pesantez et al. | Modeling and Forecasting Short-Term Water Demand Reported by Smart Meters:(187) | |
Du et al. | Research on logistics demand forecast based on the combination of grey GM (1, 1) and BP neural network | |
Hao | Study on Prediction of Urbanization Level Based on GA-BP Neural Network: Taking Tianjin of China as the Case | |
CN109190830B (zh) | 基于经验分解和组合预测的能源需求预测方法 | |
Xu et al. | Research on pressure optimization effect of high level water tank by drinking water network hydraulic model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20130911 Assignee: HANGZHOU ZHONGZI FENGTAI ENVIRONMENT TECHNOLOGY Co.,Ltd. Assignor: HANGZHOU DIANZI University Contract record no.: X2020330000109 Denomination of invention: Fuzzy identification method of water supply network model based on hydraulic adjustment Granted publication date: 20170627 License type: Common License Record date: 20201129 |
|
EE01 | Entry into force of recordation of patent licensing contract |