CN110874662B - 给水管网模型中用水量的实时校验方法及系统 - Google Patents
给水管网模型中用水量的实时校验方法及系统 Download PDFInfo
- Publication number
- CN110874662B CN110874662B CN201810997397.4A CN201810997397A CN110874662B CN 110874662 B CN110874662 B CN 110874662B CN 201810997397 A CN201810997397 A CN 201810997397A CN 110874662 B CN110874662 B CN 110874662B
- Authority
- CN
- China
- Prior art keywords
- water
- current moment
- water consumption
- vector
- nodes
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 740
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012795 verification Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 367
- 238000005259 measurement Methods 0.000 claims abstract description 59
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000012937 correction Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 230000035945 sensitivity Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 2
- 241001123248 Arma Species 0.000 claims 2
- 241000135164 Timea Species 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种给水管网模型中用水量的实时校验方法及系统,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量;再结合所有预设监测点的水流量测量数据和水压测量数据对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量。该方法及系统能够根据监测数据对预测的用水量进行校正,从而可实时获得所有用水节点的最优估计用水量,有利于实时调整给水管网模型中的用水量参数,能够有效满足给水管网模型在运营中的实时应用。
Description
技术领域
本发明涉及城市给水管理技术领域,更具体地,涉及一种给水管网模型中用水量的实时校验方法及系统。
背景技术
计算机模型已被广泛应用于城市自来水管道系统的设计和分析之中。例如,自来水公司可以使用给水管网模型来帮助挑选合适的管道直径,分析管网末端的水力学和水质的安全性,计算水泵的能耗等。
目前,给水管网模型基本都是用于离线的规划设计和分析。给水管网中的很多模型参数,如管长,管径,摩擦系数等都可以相对容易地离线获得。管网系统的运行参数,如泵和阀的工况及系统的边界条件(处理厂出水水压等)也可以比较可靠的通过SCADA系统(数据采集与监视控制系统)实时获取。然而,给水管网模型中最为动态的模型参数,即各个用水点的用水量,目前不太可能全部实时监测到。在给水管网模型的典型应用中,用水量和系统工作状态一般是假设的或是在某特定时间段内监测到的。可以看出,目前还无法实时监测到准确的用水量,导致难以满足给水管网模型在运营中的实时应用。
有鉴于此,亟需提供一种给水管网模型中用水量的实时校验方法及系统,以能够实时获取到准确的用水量,从而满足给水管网模型在运营中的实时应用。
发明内容
本发明为了克服现有技术中对于给水管网中的每个用水节点,由于无法实时监测到准确的用水量,导致难以满足给水管网模型在运营中的实时应用的问题,提供一种给水管网模型中用水量的实时校验方法及系统。
一方面,本发明提供一种给水管网模型中用水量的实时校验方法,包括:
利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量;
获取每个预设监测点在当前时刻的水流量测量数据和水压测量数据,将所有预设监测点在当前时刻的水流量测量数据和水压测量数据进行整合获得当前时刻对应的水流量测量向量和水压测量向量;
利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量。
优选地,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,之前还包括:
获取每个用水节点对应的ARMA时序模型,对每个用水节点对应的ARMA时序模型进行转化,获得每个用水节点对应的状态空间模型;
将所有用水节点对应的状态空间模型进行整合,获得预设状态空间模型。
优选地,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,之前还包括:
初始化所有用水节点在初始时刻对应的用水量估计向量。
优选地,利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量,具体计算公式为:
ut|t=ut|t-1+ZKt(zt-Mht|t-1);
其中,ut|t为当前时刻对应的用水量估计向量;ut|t-1为当前时刻对应的用水量预测向量;ht|t-1为当前时刻对应的水流量预测向量和水压预测向量;zt为当前时刻对应的水流量测量向量和水压测量向量;n为用水节点的数量;bn为用水节点n的基准用水量;Z为状态空间变量到用水量向量的转换矩阵;M为0-1的观察矩阵;Kt为当前时刻对应的卡尔曼因子矩阵。
优选地,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,之后还包括:
利用预设状态空间模型根据上一时刻对应的用水量估计向量的不确定性获得当前时刻对应的用水量预测向量的不确定性;
相应地,利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量,之后还包括:
利用预设校正算法对当前时刻对应的用水量预测向量的不确定性进行校正,获得当前时刻对应的用水量估计向量的不确定性。
优选地,利用预设校正算法对当前时刻对应的用水量预测向量的不确定性进行校正,获得当前时刻对应的用水量估计向量的不确定性,具体计算公式为:
Pt|t=(I-KtHt)Pt|t-1;
其中,Pt|t为当前时刻对应的用水量估计向量的不确定性;Pt|t-1为当前时刻对应的用水量预测向量的不确定性;I为单位矩阵;Kt为当前时刻对应的卡尔曼因子矩阵;Ht为当前时刻对应的敏感度矩阵。
优选地,利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量,之前还包括:
根据质量和能量平衡公式计算当前时刻对应的敏感度矩阵;
基于当前时刻对应的敏感度矩阵根据卡尔曼因子计算公式获得当前时刻对应的卡尔曼因子矩阵。
一方面,本发明提供一种给水管网模型中用水量的实时校验系统,包括:
预测模块,用于利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量;
监测模块,用于获取每个预设监测点在当前时刻的水流量测量数据和水压测量数据,将所有预设监测点在当前时刻的水流量测量数据和水压测量数据进行整合获得当前时刻对应的水流量测量向量和水压测量向量;
校验模块,用于利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量。
一方面,本发明提供一种电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述任一所述的方法。
一方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述任一所述的方法。
本发明提供的一种给水管网模型中用水量的实时校验方法及系统,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量;再结合所有预设监测点的水流量测量数据和水压测量数据对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量。该方法及系统能够根据监测数据对预测的用水量进行校正,从而可实时获得所有用水节点的最优估计用水量,有利于实时调整给水管网模型中的用水量参数,能够有效满足给水管网模型在运营中的实时应用。
附图说明
图1为本发明实施例的一种给水管网模型中用水量的实时校验方法的整体流程示意图;
图2为本发明实施例的一种给水管网模型中用水量的实时校验系统的整体结构示意图;
图3为本发明实施例的一种电子设备的结构框架示意图。
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。
需要说明的是,针对给水管网中的所有用水节点,为了能够实时获取到所有用水节点的最优估计用水量,本发明采用预测-校正的方法获取所有用水节点的最优估计用水量,即,先预测所有用水节点的用水量,获得预测用水量,再结合实时监测的数据对预测用水量进行校正,由此可获得所有用水节点的最优估计用水量。现通过以下方法实施例进行具体说明。
图1为本发明实施例的一种给水管网模型中用水量的实时校验方法的整体流程示意图,如图1所示,本发明提供一种给水管网模型中用水量的实时校验方法,包括:
S1,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量;
具体地,本实施例中,针对给水管网模型中的用水量,对于任意一个当前时刻,在获得所有用水节点在上一时刻对应的用水量估计向量的基础上,根据上一时刻对应的用水量估计向量对当前时刻对应的用水量进行预测,获得当前时刻对应的用水量预测向量。由于用水量是实时变化的动态变量,有鉴于此,本实施例中具体采用预设状态空间模型根据上一时刻对应的用水量估计向量对当前时刻对应的用水量进行预测,获得当前时刻对应的用水量预测向量。其中,状态空间模型用一系列的一阶差分公式(对于连续变量是一阶微分公式)来描述状态空间变量的动态变化,使用一阶差分公式的目的之一是在状态空间变量的动态模拟中仅使用前一步的状态空间变量来预测状态空间变量的当前值,有利于对当前的状态空间变量进行实时预测。
进一步地,将当前时刻对应的用水量预测向量输入给水管网模型中,由此,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量。其中,给水管网模型一般为EPANET水力学模型,该模型模拟了水流量、水压和用水量之间的非线性关系。
需要说明的是,给水管网中存在多个用水节点,将各用水节点在上一时刻对应的估计用水量组合而成的向量,即为所有用水节点在上一时刻对应的用水量估计向量。其中,各用水节点在上一时刻对应的估计用水量为各用水节点在上一时刻对应的校验后的实时用水量。同理,所有用水节点在当前时刻对应的用水量预测向量即为各用水节点在当前时刻对应的预测用水量组合而成的向量,其中各用水节点在当前时刻对应的预测用水量为各用水节点在当前时刻对应的校验前的实时用水量。
需要说明的是,当前时刻对应的水流量预测向量为当前时刻每两个用水节点之间的预测水流量组合而成的向量;当前时刻对应的水压预测向量为各用水节点在当前时刻对应的预测水压组合而成的向量。
S2,获取每个预设监测点在当前时刻的水流量测量数据和水压测量数据,将所有预设监测点在当前时刻的水流量测量数据和水压测量数据进行整合获得当前时刻对应的水流量测量向量和水压测量向量;
具体地,在上述进行用水量的预测之后,获取每个预设监测点在当前时刻的水流量测量数据和水压测量数据,其中,可以通过在每个预设监测点安装流量计和水压表获得每个预设监测点在当前时刻的水流量测量数据和水压测量数据。在此基础上,将所有预设监测点在当前时刻的水流量测量数据和水压测量数据进行整合获得当前时刻对应的水流量测量向量和水压测量向量。
需要说明的是,给水管网中虽然存在多个用水节点,但在实际应用中,无法针对每个用水节点均设置预设监测点。本实施例中,针对所有用水节点,选取一定数量的预设监测点,预设监测点的数量可以根据实际需求进行设置,此处不做具体限定。
S3,利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量。
具体地,在获得当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量之后,利用预设校正算法计算当前时刻对应的水流量预测向量和水压预测向量,与当前时刻对应的水流量测量向量和水压测量向量之间的误差,根据计算获得的误差对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量。本实施例中,预设校正算法可以为扩展卡尔曼滤波法,在其他实施例中,预设校正算法可以根据实际需求进行设置,此处不做具体限定。
本发明提供的一种给水管网模型中用水量的实时校验方法,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量;再结合所有预设监测点的水流量测量数据和水压测量数据对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量。该方法能够根据监测数据对预测的用水量进行校正,从而可实时获得所有用水节点的最优估计用水量,有利于实时调整给水管网模型中的用水量参数,能够有效满足给水管网模型在运营中的实时应用。
基于上述任一实施例,提供一种给水管网模型中用水量的实时校验方法,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,之前还包括:获取每个用水节点对应的ARMA时序模型,对每个用水节点对应的ARMA时序模型进行转化,获得每个用水节点对应的状态空间模型;将所有用水节点对应的状态空间模型进行整合,获得预设状态空间模型。
具体地,在实际应用中,每个用水节点的用水量作为典型的时序数据可以用ARMA时序模型来模拟和预测。有鉴于此,本实施例中,获取每个用水节点对应的ARMA时序模型,由于用水量数据可能含有趋势性,季节性等特征,因此每个用水节点对应的ARMA时序模型可以根据实际需求进行设置,此处不做具体限定。
需要说明的是,ARMA(Auto-Regressive and Moving Average Model)模型是研究时间序列的重要方法,由自回归模型简称AR模型与滑动平均模型简称MA模型为基础“混合”构成。
进一步地,为了适应用水量的动态变化,将每个用水节点对应的ARMA时序模型转化为对应的状态空间模型,具体地转化方法主要有Akaike,Harvey和Aoki三种方法,可以根据实际需求进行设置,此处不做具体限定。
最终,将所有用水节点对应的状态空间模型进行整合,获得预设状态空间模型,具体表示如下:
st=Fst-1+G∈t;
ut=Zst;
上式中,ut为t时刻所有用水节点对应的用水量向量,st为ut的状态空间变量;n为用水节点的数量;bn为用水节点n的基准用水量;Z为状态空间变量到用水量向量的转换矩阵k为ARMA时序模型的数量;∈为系统随机噪声;F为状态空间变量转换矩阵;G为系统随机噪声对状态空间变量的影响矩阵。
需要说明的是,上式中,k<=n;当k<n时,某些用水节点的用水量变化共享同一时序模型;当k=n时,每个用水节点的用水量变化分别使用单独的时序模型。
本发明提供的一种给水管网模型中用水量的实时校验方法,在利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量之前,获取每个用水节点对应的ARMA时序模型,对每个用水节点对应的ARMA时序模型进行转化,获得每个用水节点对应的状态空间模型;将所有用水节点对应的状态空间模型进行整合,获得预设状态空间模型,有利于利用预设状态空间模型根据上一时刻的用水量对当前时刻的用水量进行预测,能够有效适应用水量的动态变化。
基于上述任一实施例,提供一种给水管网模型中用水量的实时校验方法,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,之前还包括:初始化所有用水节点在初始时刻对应的用水量估计向量。
具体地,由于预设状态空间模型是用于根据所有用水节点在上一时刻对应的用水量估计向量预测获得所有用水节点在当前时刻对应的用水量预测向量,有鉴于此,为了确保预设状态空间模型的有效性,本实施例中,在利用预设状态空间模型进行用水量预测之前,初始化所有用水节点在初始时刻对应的用水量估计向量,由此,将初始时刻对应的用水量估计向量输入预设状态空间模型,即可利用预设状态空间模型预测初始时刻的下一时刻的用水量。最终,对于任意一个当前时刻,即可根据所有用水节点在上一时刻对应的用水量估计向量预测获得所有用水节点在当前时刻对应的用水量预测向量。其中,初始时刻对应的用水量估计向量的初始化方式可以根据实际需求进行设置,此处不做具体限定。
本发明提供的一种给水管网模型中用水量的实时校验方法,在利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量之前,初始化所有用水节点在初始时刻对应的用水量估计向量,有利于确保预设状态空间模型的有效性。
基于上述任一实施例,提供一种给水管网模型中用水量的实时校验方法,利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量,具体计算公式为:
ut|t=ut|t-1+ZKt(zt-Mht|t-1);
其中,ut|t为当前时刻对应的用水量估计向量;ut|t-1为当前时刻对应的用水量预测向量;ht|t-1为当前时刻对应的水流量预测向量和水压预测向量;zt为当前时刻对应的水流量测量向量和水压测量向量;n为用水节点的数量;bn为用水节点n的基准用水量;Z为状态空间变量到用水量向量的转换矩阵;M为0-1的观察矩阵;Kt为当前时刻对应的卡尔曼因子矩阵。
需要说明的是,上式中,当前时刻对应的用水量预测向量ut|t-1是根据预设状态空间模型计算获得的,由此可知:
ut|t-1=Zst|t-1;
st|t-1=Fst-1|t-1;
其中,st|t-1为ut|t-1的状态空间变量,st-1|t-1为ut-1|t-1的状态空间变量,ut-1|t-1为上一时刻对应的用水量估计向量。
需要说明的是,在预设状态空间模型中,存在系统的随机噪声∈,上述预设校正算法的校正过程中并未考虑系统的随机噪声,而在后续对系统随机噪声进行单独校正。
基于上述任一实施例,提供一种给水管网模型中用水量的实时校验方法,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,之后还包括:利用预设状态空间模型根据上一时刻对应的用水量估计向量的不确定性获得当前时刻对应的用水量预测向量的不确定性;
具体地,可以理解的是,由于预设状态空间模型中存在系统的随机噪声∈,因此通过预设状态空间模型获得的预测用水量均存在不确定性。有鉴于此,为了进一步确保用水量的准确性,本实施例中,在利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量之后,利用预设状态空间模型根据上一时刻对应的用水量估计向量的不确定性获得当前时刻对应的用水量预测向量的不确定性,具体公式如下:
Pt|t-1=FPt-1|t-1FT+GQGT;
其中,Pt|t-1为当前时刻对应的用水量预测向量的不确定性;Pt-1|t-1为上一时刻对应的用水量估计向量的不确定性;Q为随机噪声∈的方差协方差矩阵。
相应地,利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量,之后还包括:利用预设校正算法对当前时刻对应的用水量预测向量的不确定性进行校正,获得当前时刻对应的用水量估计向量的不确定性。
具体地,在利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量之后,利用预设校正算法对当前时刻对应的用水量预测向量的不确定性进行校正,获得当前时刻对应的用水量估计向量的不确定性。具体计算公式为:
Pt|t=(I-KtHt)Pt|t-1;
其中,Pt|t为当前时刻对应的用水量估计向量的不确定性;Pt|t-1为当前时刻对应的用水量预测向量的不确定性;I为单位矩阵;Kt为当前时刻对应的卡尔曼因子矩阵;Ht为当前时刻对应的敏感度矩阵。
本发明提供的一种给水管网模型中用水量的实时校验方法,利用预设状态空间模型根据上一时刻对应的用水量估计向量的不确定性获得当前时刻对应的用水量预测向量的不确定性,并利用预设校正算法对当前时刻对应的用水量预测向量的不确定性进行校正,获得当前时刻对应的用水量估计向量的不确定性。该方法不仅能够对当前时刻对应的用水量预测向量进行校正,还能够对当前时刻对应的用水量预测向量的不确定性进行校正,由此获得当前时刻对应的用水量估计向量和用水量估计向量的不确定性,能够有效确保当前时刻对应的用水量估计结果的准确性。
基于上述任一实施例,提供一种给水管网模型中用水量的实时校验方法,利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量,之前还包括:根据质量和能量平衡公式计算当前时刻对应的敏感度矩阵;基于当前时刻对应的敏感度矩阵根据卡尔曼因子计算公式获得当前时刻对应的卡尔曼因子矩阵。
具体地,在利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量之前,根据质量和能量平衡公式计算当前时刻对应的敏感度矩阵,该敏感度矩阵即为水力学变量相对用水量的敏感度。同时由于管网水力学系统是一个非线性系统,因此,对于任意一个当前时刻,均需计算当前时刻对应的敏感度矩阵。最终,计算获得的当前时刻对应的敏感度矩阵可表示为:
其中,Ht为当前时刻对应的敏感度矩阵,式中h为水力学变量,对于当前时刻而言,式中h即为当前时刻对应的水流量预测向量和水压预测向量。
进一步地,基于当前时刻对应的敏感度矩阵根据卡尔曼因子计算公式获得当前时刻对应的卡尔曼因子矩阵,具体计算公式如下:
Kt=Pt|t-1(MHt)T(MHtPt|t-1(MHt)T+R)-1;
其中,Kt为当前时刻对应的卡尔曼因子矩阵;R为当前时刻对应的水流量测量向量和水压测量向量的测量误差的方差协方差矩阵。
本发明提供的一种给水管网模型中用水量的实时校验方法,在对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量之前,根据质量和能量平衡公式计算当前时刻对应的敏感度矩阵,基于当前时刻对应的敏感度矩阵根据卡尔曼因子计算公式获得当前时刻对应的卡尔曼因子矩阵。该方法通过对任意当前时刻的敏感度矩阵进行实时更新,并通过更新后的敏感度矩阵计算获得卡尔曼因子矩阵,有利于根据敏感度矩阵和卡尔曼因子矩阵对当前时刻对应的用水量预测向量和用水量预测向量的不确定性进行校正,由此获得当前时刻对应的用水量估计向量和用水量估计向量的不确定性,能够有效确保当前时刻对应的用水量估计结果的准确性。
图2为本发明实施例的一种给水管网模型中用水量的实时校验系统的整体结构示意图,如图2所示,基于上述任一实施例,提供一种给水管网模型中用水量的实时校验系统,包括:
预测模块1,用于利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量;
监测模块2,用于获取每个预设监测点在当前时刻的水流量测量数据和水压测量数据,将所有预设监测点在当前时刻的水流量测量数据和水压测量数据进行整合获得当前时刻对应的水流量测量向量和水压测量向量;
校验模块3,用于利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量。
本发明的一种给水管网模型中用水量的实时校验系统,包括预测模块1、监测模块2和校验模块3,通过各模块之间的配合实现上述任一方法实施例中的方法,具体实现过程可参见上述方法实施例,此处不再赘述。
本发明提供的一种给水管网模型中用水量的实时校验系统,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量;再结合所有预设监测点的水流量测量数据和水压测量数据对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量。该系统能够根据监测数据对预测的用水量进行校正,从而可实时获得所有用水节点的最优估计用水量,有利于实时调整给水管网模型中的用水量参数,能够有效满足给水管网模型在运营中的实时应用。
图3示出本发明实施例的一种电子设备的结构框图。参照图3,所述电子设备,包括:处理器(processor)31、存储器(memory)32和总线33;其中,所述处理器31和存储器32通过所述总线33完成相互间的通信;所述处理器31用于调用所述存储器32中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量;获取每个预设监测点在当前时刻的水流量测量数据和水压测量数据,将所有预设监测点在当前时刻的水流量测量数据和水压测量数据进行整合获得当前时刻对应的水流量测量向量和水压测量向量;利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量;获取每个预设监测点在当前时刻的水流量测量数据和水压测量数据,将所有预设监测点在当前时刻的水流量测量数据和水压测量数据进行整合获得当前时刻对应的水流量测量向量和水压测量向量;利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量;获取每个预设监测点在当前时刻的水流量测量数据和水压测量数据,将所有预设监测点在当前时刻的水流量测量数据和水压测量数据进行整合获得当前时刻对应的水流量测量向量和水压测量向量;利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种给水管网模型中用水量的实时校验方法,其特征在于,包括:
利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量,其中,所述当前时刻对应的用水量预测向量为各所述用水节点在当前时刻对应的预测用水量组合而成的向量,所述用水节点在当前时刻对应的预测用水量为所述用水节点在当前时刻对应的校验前的实时用水量,所述当前时刻对应的水流量预测向量为当前时刻每两个所述用水节点之间的预测水流量组合而成的向量,所述当前时刻对应的水压预测向量为各用水节点在当前时刻对应的预测水压组合而成的向量;
获取每个预设监测点在当前时刻的水流量测量数据和水压测量数据,将所有预设监测点在当前时刻的水流量测量数据和水压测量数据进行整合获得当前时刻对应的水流量测量向量和水压测量向量;
利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量;
其中,所述利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量,具体计算公式为:
ut|t=ut|t-1+ZKt(zt-Mht|t-1);
其中,ut|t为当前时刻对应的用水量估计向量;ut|t-1为当前时刻对应的用水量预测向量;ht|t-1为当前时刻对应的水流量预测向量和水压预测向量;zt为当前时刻对应的水流量测量向量和水压测量向量;n为用水节点的数量;bn为用水节点n的基准用水量;Z为状态空间变量到用水量向量的转换矩阵;M为0-1的观察矩阵;Kt为当前时刻对应的卡尔曼因子矩阵。
2.根据权利要求1所述的方法,其特征在于,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,之前还包括:
获取每个用水节点对应的ARMA时序模型,对每个用水节点对应的ARMA时序模型进行转化,获得每个用水节点对应的状态空间模型;
将所有用水节点对应的状态空间模型进行整合,获得预设状态空间模型。
3.根据权利要求1所述的方法,其特征在于,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,之前还包括:
初始化所有用水节点在初始时刻对应的用水量估计向量。
4.根据权利要求1所述的方法,其特征在于,利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,之后还包括:
利用预设状态空间模型根据上一时刻对应的用水量估计向量的不确定性获得当前时刻对应的用水量预测向量的不确定性;
相应地,利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量,之后还包括:
利用预设校正算法对当前时刻对应的用水量预测向量的不确定性进行校正,获得当前时刻对应的用水量估计向量的不确定性。
5.根据权利要求4所述的方法,其特征在于,利用预设校正算法对当前时刻对应的用水量预测向量的不确定性进行校正,获得当前时刻对应的用水量估计向量的不确定性,具体计算公式为:
Pt|t=(I-KtHt)Pt|t-1;
其中,Pt|t为当前时刻对应的用水量估计向量的不确定性;Pt|t-1为当前时刻对应的用水量预测向量的不确定性;I为单位矩阵;Kt为当前时刻对应的卡尔曼因子矩阵;Ht为当前时刻对应的敏感度矩阵。
6.根据权利要求5所述的方法,其特征在于,利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量,之前还包括:
根据质量和能量平衡公式计算当前时刻对应的敏感度矩阵;
基于当前时刻对应的敏感度矩阵根据卡尔曼因子计算公式获得当前时刻对应的卡尔曼因子矩阵。
7.一种给水管网模型中用水量的实时校验系统,其特征在于,包括:
预测模块,用于利用预设状态空间模型根据所有用水节点在上一时刻对应的用水量估计向量获得所有用水节点在当前时刻对应的用水量预测向量,利用给水管网模型根据当前时刻对应的用水量预测向量获得当前时刻对应的水流量预测向量和水压预测向量,其中,所述当前时刻对应的用水量预测向量为各所述用水节点在当前时刻对应的预测用水量组合而成的向量,所述用水节点在当前时刻对应的预测用水量为所述用水节点在当前时刻对应的校验前的实时用水量,所述当前时刻对应的水流量预测向量为当前时刻每两个所述用水节点之间的预测水流量组合而成的向量,所述当前时刻对应的水压预测向量为各用水节点在当前时刻对应的预测水压组合而成的向量;
监测模块,用于获取每个预设监测点在当前时刻的水流量测量数据和水压测量数据,将所有预设监测点在当前时刻的水流量测量数据和水压测量数据进行整合获得当前时刻对应的水流量测量向量和水压测量向量;
校验模块,用于利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量;
其中,所述利用预设校正算法根据当前时刻对应的水流量预测向量和水压预测向量,以及当前时刻对应的水流量测量向量和水压测量向量,对当前时刻对应的用水量预测向量进行校正,获得所有用水节点在当前时刻对应的用水量估计向量,具体计算公式为:
ut|t=ut|t-1+ZKt(zt-Mht|t-1);
其中,ut|t为当前时刻对应的用水量估计向量;ut|t-1为当前时刻对应的用水量预测向量;ht|t-1为当前时刻对应的水流量预测向量和水压预测向量;zt为当前时刻对应的水流量测量向量和水压测量向量;n为用水节点的数量;bn为用水节点n的基准用水量;Z为状态空间变量到用水量向量的转换矩阵;M为0-1的观察矩阵;Kt为当前时刻对应的卡尔曼因子矩阵。
8.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810997397.4A CN110874662B (zh) | 2018-08-29 | 2018-08-29 | 给水管网模型中用水量的实时校验方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810997397.4A CN110874662B (zh) | 2018-08-29 | 2018-08-29 | 给水管网模型中用水量的实时校验方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874662A CN110874662A (zh) | 2020-03-10 |
CN110874662B true CN110874662B (zh) | 2022-07-29 |
Family
ID=69715555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810997397.4A Active CN110874662B (zh) | 2018-08-29 | 2018-08-29 | 给水管网模型中用水量的实时校验方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874662B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892073B (zh) * | 2024-03-14 | 2024-05-24 | 四川星海数创科技有限公司 | 灌区用水计量系统及用水计量方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004086896A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 適応的予測モデル構築方法及び適応的予測モデル構築システム |
CN101308364A (zh) * | 2008-06-27 | 2008-11-19 | 北京工业大学 | 基于瞬变流分析的给水管网事件模型建模方法 |
CN102567606A (zh) * | 2010-12-21 | 2012-07-11 | 北京工业大学 | 给水管网等水压面实时绘制方法 |
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 |
-
2018
- 2018-08-29 CN CN201810997397.4A patent/CN110874662B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004086896A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 適応的予測モデル構築方法及び適応的予測モデル構築システム |
CN101308364A (zh) * | 2008-06-27 | 2008-11-19 | 北京工业大学 | 基于瞬变流分析的给水管网事件模型建模方法 |
CN102567606A (zh) * | 2010-12-21 | 2012-07-11 | 北京工业大学 | 给水管网等水压面实时绘制方法 |
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 |
Non-Patent Citations (1)
Title |
---|
基于支持向量机的城市供水管网测压点水压预测研究;平俊晖等;《给水排水》;20141110(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110874662A (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US4562552A (en) | Method and apparatus for controlling pressure and flow in water distribution networks | |
CN108197725B (zh) | 基于需水量先验信息的供水管网节点需水量校核方法 | |
EP3380948B1 (en) | Environmental monitoring systems, methods and media | |
WO2018026651A1 (en) | Method and apparatus for model-based control of a water distribution system | |
WO2012036633A1 (en) | System and method for water distribution modelling | |
CN102968529A (zh) | 一种供水管网模型计算结果不确定性区间的量化方法 | |
CN112113146B (zh) | 供水管网管道粗糙系数和节点需水量同步自适应校核方法 | |
WO2014115399A1 (ja) | 漏水推定装置及びシステム及び方法 | |
CN110874662B (zh) | 给水管网模型中用水量的实时校验方法及系统 | |
Wang et al. | Particle filtering-based system degradation prediction applied to jet engines | |
CN112632802A (zh) | 基于自适应容积卡尔曼滤波的除氧器数字孪生模型数据校正方法及系统 | |
CN104331087A (zh) | 一种鲁棒的水下传感器网络目标跟踪方法 | |
KR101956715B1 (ko) | 풍력 터빈의 요 제어를 위한 풍향 예측 방법 및 장치 | |
CN111443602A (zh) | 一种基于隐马尔可夫的阀门健康度估计与寿命预测方法 | |
CN115712800A (zh) | 一种水库水位波动处理方法 | |
CN116049768B (zh) | 基于广义线性回归模型的主被动微波土壤水分融合算法 | |
CN114741905B (zh) | 一种实测能耗数据修正方法、装置、电子设备及存储介质 | |
Koppel et al. | Calibration of water distribution network for BWCN | |
CN117574326A (zh) | 一种云端滤波融合的液压泵剩余寿命预测方法及系统 | |
Liu | Real-Time Estimation of Water Network Demands | |
JP2018516416A (ja) | モデル予測コントローラ及び推定器の機器点検のためのシステム及び方法 | |
CN116519534A (zh) | 基于运行参数相关性的吸收塔浆液密度测量方法及系统 | |
CN115795832A (zh) | 基于卡尔曼滤波的负荷模型参数辨识方法及相关装置 | |
CN114840811A (zh) | 一种基于自动微分的电站热力系统参数测量值修正方法 | |
Fu | Application of residual modified gray model in dam safety monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |