CN105260948A - 一种城市供水系统日计划调度决策方法 - Google Patents

Abstract

本发明公开了一种城市供水系统日计划调度决策方法。本发明首先构建以历史日需水量序列，控制点压力序列及日调度方案为基本调度关联数据单元的调度关联数据集合。然后通过相关预处理方法，剔除非正常工况日的数据单元。随后以需水量序列为特征属性，将集合分类成多个子集，并逐一通过统计检验方法，剔除子集中统计意义上不合理的数据单元。最后，以预测日需水量序列为特征属性，预测其所属分类，并给出合理的预测日计划调度方案。本发明摒弃了简单的人工经验，使得调度决策更加科学合理。同时，本发明的技术思想也适用于供水系统实时调度决策。

Description

一种城市供水系统日计划调度决策方法

技术领域

本发明属于城市供水技术领域，具体涉及一种城市供水系统日计划调度决策方法。

背景技术

城市供水系统日计划调度主要是指供水调度中心在对当日需水量情况进行合理估计的情况下，制定相应的日调度方案，如水泵机组的启停、管网阀门的调节等，以满足用户对水压、水量的要求。

目前，日计划调度仍然依靠人工经验，即调度人员根据需水量的预测情况，仅凭个人调度经验做出决策。人们尝试基于供水系统数学模型的日计划调度决策方法，由于在供水生产调度中，有许多重要的人工经验、约束条件等难以精确表达，模型偏离实际，其产生的调度方案往往难以实施。此外，虽然在供水系统生产运行过程中，积累了大量经验调度及生产运行数据。由于缺乏对这些数据的科学管理和挖掘利用，未能形成系统化、结构化、合理化的经验知识，调度人员难以从这些纷繁的日常调度中总结经验，提升调度决策水平。

发明内容

本发明的目的在于克服现有方法中的不足，提出一种城市供水系统日计划调度决策的方法。

本发明的基本构思：日需水量变化具有相似性和周期性，因此日调度方案具有一定的可重复性。在制定日计划调度方案时，可以参考具有相似需水量情况时的合理调度方案。该方法基于大量的历史经验调度数据，采用数据挖掘等技术手段，将经验调度数据结构化、逻辑化，形成经验调度知识库，从而科学地指导计划调度决策。

本发明主要通过以下技术方案实现：首先，构建以历史日需水量序列，控制点压力序列及日调度方案为基本调度关联数据单元的调度关联数据集合。然后，通过相关预处理方法，剔除非正常工况日的数据单元。随后，以需水量序列为特征属性，将集合分类成多个子集，并逐一通过统计检验方法，剔除子集中统计意义上不合理的数据单元。因为在相同子集中需水量变化相似，则相应控制点压力序列在一定范围内波动，若超过了预设定的范围，其对应的调度方案不合理，相应的数据单元不合理，予以剔除。最后，以预测日需水量序列为特征属性，预测其所属分类，并给出合理的预测日计划调度方案。

本发明的具体步骤如下:

1.历史日调度数据的收集与整理及调度关联数据集合的构建。

首先，以天为单位，收集过去N天的系统调度数据记录。具体地，第j(j＝1,…,N)天的数据如下：

需水量序列其中t₀为采样起始时刻，T_d为需水量采样周期，n_d为需水量序列长度。又可表为d_j,t为第j天第t个采样时刻的需水量，t＝1,2,…,n_d；

控制点压力序列P_j＝[P_j,1,P_j,2,…,P_j,n]，其中i＝1,…,n，n为控制点数量，T_p为压力采样周期，n_p为压力序列长度。又可表为p_j,i,t为第j天第i个控制点第t个采样时刻的压力，t＝1,2…,n_p；

调度决策方案C_j，其为一天中具体的供水调度操作记录，如水泵机组的启停，阀门的调节等。

然后，将第j天调度相关数据关联成一个调度关联数据单元e_j＝{D_j；P_j；C_j}。重复操作，构成调度关联数据集合E＝{e₁,e₂,…,e_N}。

2.调度关联数据集合的预处理。

(1)剔除集合E＝{e₁,e₂,…,e_N}中含有供水管网系统特殊工况的数据单元。特殊工况指引起不可预见的需水量突增、突减的工况，如突发爆管，重大消防用水事件等；

(2)对各数据单元中的需水量序列，控制点压力序列进行缺失处理。若某数据单元中需水量序列或控制点压力序列数据缺失率较大，则将该数据单元剔除。反之，采用相关方法如分段线性插值法进行缺失处理；

经(1)，(2)处理后，调度关联数据集合缩减为N_p<N。

3.调度关联数据集合的聚类处理。

以需水量序列为特征属性对E进行聚类，得到K个不同需水量特征属性下的类别及子集： $E_1=\{e_{11},e_{12},\mathrm{...},e_{1s_1}\},E_2=\{e_{21},e_{22},\mathrm{...},e_{2s_2}\},\mathrm{...},E_k=\{e_{k1},e_{k2},\mathrm{...},e_{{\mathrm{ks}}_k}\},\mathrm{...},$ $E_K=\{e_{K1},e_{K2},\mathrm{...},e_{{\mathrm{Ks}}_K}\},$ 且有s₁+s₂+…+s_k+…+s_K＝N_p，s₁,s₂,…,s_k,…,s_K分别为各子集的大小。

4.调度关联数据单元的统计检验。

对于子集E_k，k＝1,2,…,K，将所包含的相应数据单元逐一进行统计检验，剔除未通过检验的数据元。步骤如下：

(1)在某一子集E_k内，根据其所包含的所有数据单元分别计算n个控制点压力序列的平均值i＝1,…,n，及其标准差公式分别如下：

${\stackrel{\&OverBar;}{p}}_{i,t}=\frac{\underset{m=1}{\overset{s_k}{\&Sigma;}}{p}_{i,t}}{s_k},t=1,2,\mathrm{...},n_p,{\mathrm{\&delta;}}_{j,t}=\sqrt{\frac{1}{s_k-1}\underset{m=1}{\overset{s_k}{\&Sigma;}}{(p_{i,t}-{\stackrel{\&OverBar;}{p}}_{i,t})}^2}$

(2)对控制点i，给定乘子L_i，及其压力变化区间i＝1,…,n。该区间表示了各个控制点压力序列一天中在各采样时刻可接受的波动范围。

(3)对子集E_k包含的数据元e_j(j＝k1,k2,…,ks_k)进行统计检验。具体为判断数据单元e_j的n个控制点压力序列是否全在给定区间内。若否，则剔除该数据单元e_j。重复ks_k次，完成对子集E_k所有数据单元的统计检验。

(4)重复(1)，(2)，(3)共K次，完成对所有子集内数据单元统计检验与剔除操作。

经(1)，(2)，(3)，(4)处理后，其数据单元数将进一步缩减： $E_1=\{e_{11},e_{12},\mathrm{...},e_{1r_1}\},$ $E_2=\{e_{21},e_{22},\mathrm{...},e_{2r_2}\},\mathrm{...},E_k=\{e_{k1},e_{k2},\mathrm{...},e_{{\mathrm{kr}}_k}\},\mathrm{...},E_K=\{e_{K1},e_{K2},\mathrm{...},e_{{\mathrm{Kr}}_K}\}.$ 其中r₁,r₂,…,r_k,…,r_K分别为各子集的大小，满足r₁≤s₁,r₂≤s₂,…,r_k≤s_k,…,r_K≤s_K，r₁+r₂+…+r_k+…+r_K＝N_pr，N_pr≤N_p。

5.日计划调度方案的生成。

(1)根据需水量预测模型预测未来一天需水量序列同时构建预测日调度关联数据单元e＝{D,P,C}，其中P，C未知，分别为控制点压力序列及调度方案，D为预测得到的需水量序列。

(2)以需水量为特征属性，对e其进行预测分类，找到所属调度关联数据类别及子集 $E_k=\{e_{k1},e_{k2},\mathrm{...},e_{{\mathrm{kr}}_k}\}.$

(3)在所属子集中，以需水量序列为特征属性计算预测日数据单元e其与各数据单元的相似度，并按相似度从大到小排序。选择具有相似度最大的数据单元，作为预测日调度关联数据单元，从而获得日计划调度方案。

其中，相似度计算公式如下：

$R_j=\frac{\underset{k=1}{\overset{n_r}{\&Sigma;}}{d}_k{d}_{j,k}}{\sqrt{\underset{k=1}{\overset{n_r}{\&Sigma;}}{d}_k^2\underset{k=1}{\overset{n_r}{\&Sigma;}}{d}_{j,k}^2}},j=k1,k2,\mathrm{...},{\mathrm{kr}}_k$

6.当日调度完成，根据当日实际调度数据构建关联数据单元e＝{D,P,C}，执行步骤1，步骤2，步骤3,步骤4更新调度关联数据单元集合，执行步骤5生成下一天的日计划调度决策方案。

本发明基于大量的历史生产调度数据，采用数据挖掘相关方法，将经验数据结构化、逻辑化、去粗取精，形成合理化的经验调度知识。基于历史数据及经验调度知识，根据需水量预测情况，可自动给出计划调度方案，并保障决策方案符合实际生产。本发明摒弃了简单的人工经验，使得调度决策更加科学合理。同时，本发明的技术思想也适用于供水系统实时调度决策。

附图说明

图1为本发明方法流程图。

具体实施方式

下面结合附图1以及相关的实施例，对本发明的具体实施方式作进一步的详细说明描述。

为使本发明更方便理解及应用，下文将对本发明的具体实施方式作进一步详细描述。以下实施方式仅用于说明本发明，并不用来限制本发明的范围。

设某供水管网具有10个控制点，需水量采样周期为1小时，控制点压力采样周期为15分钟，则一天中需水量序列长度为24，控制点压力序列长度为96。本发明具体实施步骤如下：

1.历史调度相关数据的收集与整理及调度关联数据集合的构建。

首先，收集过去N天的管网系统调度相关数据：需水量序列D_j＝[d_j,1,d_j,2,…,d_j,24]；控制点的压力P_j＝[P_j,1,P_j,2,…,P_j,10]，其中P_j,i＝[p_j,i,1,p_j,i,2,…,p_j,i,96]，i＝1,…,10；调度方案C_j，指一天中具体的供水调度操作记录，如水泵机组的启停，阀门的调节等。

然后，将其关联为一个调度关联数据单元e_j＝{D_j；P_j；C_j}，j＝1,…,N，构成调度关联数据单元集合E＝{e₁,e₂,…,e_N}。

2.调度关联数据集合的预处理。

(1)剔除集合E＝{e₁,e₂,…,e_N}中含有供水管网系统特殊工况的数据单元，特殊工况指引起不可预见的需水量突增、突减的工况，如突发爆管，重大消防用水事件等。

(2)对各数据单元中的需水量序列，控制点压力序列进行缺失处理。若某数据单元中需水量序列或控制点压力序列数据缺失率较大，则将该数据单元剔除。反之，采用分段线性插值法对序列进行缺失处理，若序列I在t时刻的数据缺失，则找到距离t时刻最近的前后t_a和t_b时刻(t_a<t<t_b)，设这两个时刻的序列值分别为I_ta和I_tb，则缺失数据I_t计算公式如下：

$I_t=I_{t_a}+\frac{I_{t_b}-I_{t_a}}{t_b-t_a}(t-t_a)$

经(1)，(2)处理后，调度关联数据单元集合缩减为N_p<N。

3.调度关联数据集合的聚类处理。

以需水量序列为特征属性对E进行聚类，得到K个不同需水量特征属性下的类别及子集： $E_1=\{e_{11},e_{12},\mathrm{...},e_{1s_1}\},E_2=\{e_{21},e_{22},\mathrm{...},e_{2s_2}\},\mathrm{...},E_k=\{e_{k1},e_{k2},\mathrm{...},e_{{\mathrm{ks}}_k}\},\mathrm{...},$ $E_K=\{e_{K1},e_{K2},\mathrm{...},e_{{\mathrm{Ks}}_K}\},$ 且有s₁+s₂+…+s_k+…+s_K＝N_p，s₁,s₂,…,s_k,…,s_K分别为各子集的大小。

本实施例采用k-means方法对E进行聚类，流程如下：

a.初始化待聚类的数据单元的聚类中心。

b.计算每个数据单元到聚类中心的距离，将该数据单元聚类到离该单元最近的类(子集)中。

c.计算每个聚类中所有数据单元的重心，并将这个重心作为新的聚类中心。

d.反复执行步骤b和c，直到聚类中心不再进行大范围移动或者聚类次数达到要求为止。

4.调度关联数据单元的统计检验。

对于子集E_k，k＝1,2,…,K，将所包含的相应数据单元逐一进行统计检验，剔除未通过检验的数据元。步骤如下：

(1)在某一子集E_k内，根据其所包含的所有数据单元分别计算n个控制点压力序列的平均值i＝1,…,n，及其标准差公式分别如下：

${\stackrel{\&OverBar;}{p}}_{i,t}=\frac{\underset{m=1}{\overset{s_k}{\&Sigma;}}{p}_{i,t}}{s_k},t=1,2,\mathrm{...},n_p,{\mathrm{\&delta;}}_{j,t}=\sqrt{\frac{1}{s_k-1}\underset{m=1}{\overset{s_k}{\&Sigma;}}{(p_{i,t}-{\stackrel{\&OverBar;}{p}}_{i,t})}^2}$

(2)对控制点i，给定乘子L_i，及其压力变化区间i＝1,…,n。该区间表示了各个控制点压力序列一天中在各采样时刻可接受的波动范围。如给定L_i＝3，则表示控制点压力波动超过3个标准差范围，该压力序列将不被接受。

(3)对子集E_k包含的数据元e_j(j＝k1,k2,…,ks_k)进行统计检验。具体为判断数据单元e_j的n个控制点压力序列是否全在给定区间内。若否，则剔除该数据单元e_j。重复ks_k次，完成对子集E_k内各数据单元的统计检验与剔除。

(4)重复步骤(1),(2),(3)共K次，完成对所有子集内数据单元统计检验与剔除。

整理经步骤(1),(2),(3),(4)处理的各子集，其数据单元数将进一步缩减： $E_1=\{e_{11},e_{12},\mathrm{...},e_{1r_1}\},E_2=\{e_{21},e_{22},\mathrm{...},e_{2r_2}\},\mathrm{...},E_k=\{e_{k1},e_{k2},\mathrm{...},e_{{\mathrm{kr}}_k}\},\mathrm{...},$ $E_K=\{e_{K1},e_{K2},...,e_{{\mathrm{Kr}}_K}\}.$ 其中r₁,r₂,…,r_k,…,r_K分别为各子集的大小，满足r₁≤s₁,r₂≤s₂,…,r_k≤s_k,…,r_K≤s_K，r₁+r₂+…+r_k+…+r_K＝N_pr，N_pr≤N_p。

5.计划调度决策方案的生成。

(1)根据需水量预测模型预测未来24小时需水量序列D＝[d₁,d₂,…,d₂₄]，并构建预测日调度关联数据单元e＝{D,P,C}，P，C分别为控制点压力序列及调度方案，均为未知，而D为预测的需水量序列。

(2)以需水量为特征属性，对e其进行预测分类，找到所属调度关联数据单元类别及子集 $E_k=\{e_{k1},e_{k2},\mathrm{...},e_{{\mathrm{kr}}_k}\}.$

本实施例采用k-近邻算法进行分类，流程为：

a.计算已知数据单元子集中每个数据单元与预测日数据单元间的距离。

b.按照距离递增次序排序。

c.选取与预测日数据单元距离最小的K_n个数据单元。

d.确定这K_n个数据单元在所在子集的出现频率。

e.返回K_n个数据单元出现频率最高的子集选为预测日数据单元的预测分类。

(3)在所属子集中，以需水量序列为特征属性进一步计算预测日数据单元其与各数据单元的相似度，并按相似度从大到小排序。选择具有相似度最大的数据单元，作为预测日调度关联数据单元。相似度计算公式如下：

6.当日调度完成，根据历史调度数据构建关联数据单元e＝{D,P,C}，执行步骤1，步骤2，步骤3,步骤4更新调度关联数据单元集合，执行步骤5生成下一日计划调度决策方案。

本发明基于大量的历史生产调度数据，采用数据挖掘相关方法，将经验数据结构化、逻辑化、去粗取精，形成合理化的经验调度知识，建立了基于数据驱动的日计划调度决策模型。该发明能根据需水量预测情况，自动给出计划调度方案，且调度方案基于历史数据及经验调度知识，可以保障决策方案符合实际生产。本发明摒弃了简单的人工经验，使得调度决策更加科学合理。

Claims (1)

1.一种城市供水系统日计划调度决策方法，其特征在于该方法包括以下步骤：

步骤1.历史日调度数据的收集与整理及调度关联数据集合的构建；

首先，以天为单位，收集过去N天的系统调度数据记录；具体地，第j天的数据如下：

需水量序列其中t₀为采样起始时刻，T_d为需水量采样周期，n_d为需水量序列长度；又可表为d_j,t为第j天第t个采样时刻的需水量，t＝1,2,…,n_d；

控制点压力序列P_j＝[P_j,1,P_j,2,…,P_j,n]，其中i＝1,…,n，n为控制点数量，T_p为压力采样周期，n_p为压力序列长度；

调度决策方案C_j，其为一天中具体的供水调度操作记录；

然后，将第j天调度相关数据关联成一个调度关联数据单元e_j＝{D_j；P_j；C_j}；重复操作，构成调度关联数据集合E＝{e₁,e₂,…,e_N}；

步骤2.调度关联数据集合的预处理；

(1)剔除集合E＝{e₁,e₂,…,e_N}中含有供水管网系统特殊工况的数据单元；特殊工况指引起不可预见的需水量突增、突减的工况；

(2)对各数据单元中的需水量序列，控制点压力序列进行缺失处理；若某数据单元中需水量序列或控制点压力序列数据缺失率较大，则将该数据单元剔除；反之，采用相关方法进行缺失处理；

经(1)，(2)处理后，调度关联数据集合缩减为N_p<N；

步骤3.调度关联数据集合的聚类处理；

以需水量序列为特征属性对E进行聚类，得到K个不同需水量特征属性下的类别及子集： $E_1=\{e_{11},e_{12},...,e_{1s_1}\},E_2=\{e_{21},e_{22},...,e_{2s_2}\},\mathrm{...},E_k=\{e_{k1},e_{k2},...,e_{{\mathrm{ks}}_k}\},\mathrm{...},$ 且有s₁+s₂+…+s_k+…+s_K＝N_p，s₁,s₂,…，s_k,…,s_K分别为各子集的大小；

步骤4.调度关联数据单元的统计检验；

对于子集E_k，k＝1,2,…,K，将所包含的相应数据单元逐一进行统计检验，剔除未通过检验的数据元；步骤如下：

(1)在某一子集E_k内，根据其所包含的所有数据单元分别计算n个控制点压力序列的平均值i＝1,…,n，及其标准差公式分别如下：

$p_{i,t}=\frac{\underset{m=1}{\overset{s_k}{\&Sigma;}}{p}_{i,t}}{s_k},t=1,2,...,n_p,{\mathrm{\&delta;}}_{j,t}=\sqrt{\frac{1}{s_k-1}\underset{m=1}{\overset{s_k}{\&Sigma;}}{(p_{i,t}-{\stackrel{\&OverBar;}{p}}_{i,t})}^2}$

(2)对控制点i，给定乘子L_i，及其压力变化区间i＝1,…,n；该区间表示了各个控制点压力序列一天中在各采样时刻可接受的波动范围；

(3)对子集E_k包含的数据元e_j进行统计检验；具体为判断数据单元e_j的n个控制点压力序列是否全在给定区间内；若否，则剔除该数据单元e_j；重复ks_k次，完成对子集E_k所有数据单元的统计检验；

(4)重复(1)，(2)，(3)共K次，完成对所有子集内数据单元统计检验与剔除操作；

经(1)，(2)，(3)，(4)处理后，其数据单元数将进一步缩减： $E_2=\{e_{21},e_{22},...,e_{2r_2}\},\mathrm{...},E_k=\{e_{k1},e_{k2},...,e_{{\mathrm{kr}}_k}\},\mathrm{...},E_K=\{e_{K1},e_{K2},...,e_{{\mathrm{Kr}}_K}\};$ 其中r₁,r₂,…,r_k,…,r_K分别为各子集的大小，满足r₁≤s₁,r₂≤s₂,…,r_k≤s_k,…,r_K≤s_K，r₁+r₂+…+r_k+…+r_K＝N_pr，N_pr≤N_p；

步骤5.日计划调度方案的生成；

(1)根据需水量预测模型预测未来一天需水量序列同时构建预测日调度关联数据单元e＝{D,P,C}，其中P，C未知，分别为控制点压力序列及调度方案，D为预测得到的需水量序列；

(2)以需水量为特征属性，对e其进行预测分类，找到所属调度关联数据类别及子集

(3)在所属子集中，以需水量序列为特征属性计算预测日数据单元e其与各数据单元的相似度，并按相似度从大到小排序；选择具有相似度最大的数据单元，作为预测日调度关联数据单元，从而获得日计划调度方案；

其中，相似度计算公式如下：

$R_j=\frac{\underset{k=1}{\overset{n_d}{\&Sigma;}}{d}_k{d}_{j,k}}{\sqrt{\underset{k=1}{\overset{n_d}{\&Sigma;}}{d}_k^2\underset{k=1}{\overset{n_d}{\&Sigma;}}{d}_{j,k}^2}},j=k1,k2,...,{\mathrm{kr}}_k$

步骤6.当日调度完成，根据当日实际调度数据构建关联数据单元e＝{D,P,C}，执行步骤1，步骤2，步骤3,步骤4更新调度关联数据单元集合，执行步骤5生成下一天的日计划调度决策方案。