CN110956339A

CN110956339A - 一种流量预测方法

Info

Publication number: CN110956339A
Application number: CN201911302117.4A
Authority: CN
Inventors: 李纪玺; 崔光亮; 张萌蕾; 丁凯
Original assignee: Wpg Shanghai Smart Water Public Co ltd
Current assignee: Wpg Shanghai Smart Water Public Co ltd
Priority date: 2019-12-17
Filing date: 2019-12-17
Publication date: 2020-04-03

Abstract

本发明公开了一种流量预测方法，能够根据二次供水设备的实时工况数据进行瞬时流量的推导，无需另行安装流量计。通过本技术方案，能够建立起水泵瞬时流量与水泵运行参数之间的关系模型，通过获取二次供水设备的实时运行参数，推导出供水水泵的相关瞬时流量，进而把握二次供水设备的整体运行状态，为分析设备的能耗及效率奠定重要基础。

Description

一种流量预测方法

技术领域

本发明涉及供水监控领域，尤其涉及一种流量预测方法。

背景技术

分析二次供水设备的能耗及效率关键在于准确获得水泵的出水流量，而水泵出水流量获得的关键在于对水泵瞬时流量的准确测量。

目前，供水行业内的对于二次供水设备通常是通过安装流量计来获得供水流量的，但由于流量计成本昂贵，二次供水设备数量巨多，多数二次供水设备未安装流量计；并且，对已建成未安装流量计的二次供水设备，若视图在旧管道上新装流量计，不仅成本高昂、施工困难，而且大多数泵房的现场实际情况不具备安装流量计的条件，基于上述现实困境，通常难以获得这些未安装流量计的二次供水设备的实时流量情况，难以对其进行能耗及效率分析。

发明内容

针对现有技术中存在的上述问题，现提供一种流量预测方法，具体技术方案如下所示：

一种流量预测方法，应用于二次供水设备，其特征在于，预先训练形成多个流量预测模型，每个流量预测模型对应一特定的训练用二次供水设备，训练用二次供水设备对应一个流量计、至少一个工况采集设备和一个第一数据处理设备，第一数据处理设备分别连接每个工况采集设备和流量计；

针对每个流量预测模型的训练过程具体包括：

步骤S1，工况采集设备持续采集训练用二次供水设备的实时工况数据并持续输出，同时流量计持续采集训练用二次供水设备的瞬时流量并持续输出；

步骤S2，第一数据处理设备对实时工况数据进行预处理，得到多个不同的标准参数项和与每个标准参数项相对应的实时工况参数；

步骤S3，对每个标准参数项进行筛选，得到多个流量相关参数项；

步骤S4，根据流量相关参数项，提取对应的实时工况参数，并根据对应的瞬时流量训练得到一多元回归模型，并将多元回归模型记为训练用二次供水设备对应的流量预测模型；

训练形成流量预测模型后，将流量预测模型应用于和对应的训练用二次供水设备型号相同的二次供水设备中进行流量预测，二次供水设备对应至少一个工况采集设备和一个第二数据处理设备，第二数据处理设备分别连接二次供水设备对应的每个工况采集设备，流量预测模型存储于第二数据处理设备中；

流量预测的过程具体包括：

步骤A1，每个工况采集设备持续采集对应的二次供水设备的实时工况数据并持续输出；

步骤A2，根据流量预测模型，第二数据处理设备对实时工况数据进行处理，得到一流量预测参数集合；

步骤A3，将流量预测参数集合输入流量预测模型，得到一实时流量预测值并输出。

优选的，该种流量预测方法，其中工况采集设备包括水泵变频器和水泵电能表；

实时工况数据包括水泵变频器的实时频率、实时电压和实时电流，供水水泵的实时电机功率以及水泵电能表实时采集的实时三相电流和实时三相电压。

优选的，该种流量预测方法，其中步骤S2进一步包括：

步骤S21，根据工况采集设备和采集数据类别对实时工况数据进行分类，每个分类记为一标准参数项；

步骤S22，于每个标准参数项中，剔除异常实时工况数据，并将剔除异常实时工况数据的实时工况数据记为实时工况参数。

优选的，该种流量预测方法，其中步骤S3进一步包括：

步骤S31，依次序提取一标准参数项及其对应的实时工况参数；

步骤S32，根据皮尔逊相关系数，计算标准参数项对应的实时工况参数与瞬时流量的相关性，输出一相关系数值；

步骤S33，判断相关系数值是否大于一预设阈值：

若是，则转向步骤S34；

若否，则转向步骤S35；

步骤S34，将标准参数项记为流量相关参数项，随后转向步骤S35；

步骤S35，判断标准参数项是否均被提取：

若是，则输出所有流量相关参数项；

若否，则返回步骤S31。

优选的，该种流量预测方法，其中步骤S4进一步包括：

步骤S41，提取一预设时间段内流量相关参数项对应的全部实时工况参数；

步骤S42，对全部实时工况参数进行划分，得到一训练参数集合和一测试参数集合；

步骤S43，根据训练参数集合训练得到一多元回归模型，并将多元回归模型记为二次供水设备对应的流量预测模型。

优选的，该种流量预测方法，其中步骤S4还包括：

步骤S44，将测试参数集合输入流量预测模型进行验证，输出测试预测值。

优选的，该种流量预测方法，其中二次供水设备对应的每个工况采集设备均间隔一预设时间向第二数据处理设备进行一次数据上传；

流量预测模型每间隔预设时间输出一实时流量预测值。

上述技术方案具有如下优点或有益效果：

通过本技术方案，能够建立起水泵瞬时流量与水泵运行参数之间的关系模型，通过获取二次供水设备的实时运行参数，推导出供水水泵的相关瞬时流量，进而把握二次供水设备的整体运行状态，为分析设备的能耗及效率奠定重要基础。

附图说明

图1为本发明一种流量预测方法中，针对每个流量预测模型的训练流程示意图；

图2为本发明一种流量预测方法中，流量预测的流程示意图；

图3-4为本发明一种流量预测方法中，具体实施例中的测试验证图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

针对现有技术中存在的上述问题，现提供一种流量预测方法，应用于供水监控领域，具体技术方案如下所示：

如图1所示，针对每个流量预测模型的训练过程具体包括：

如图2所示，流量预测的过程具体包括：

在本发明的一较佳实施例中，该种流量预测方法预先训练一流量预测模型，并通过该种流量预测模型对于同类型的二次供水设备进行相应的流量预测。在模型训练过程中，通过获取一定时段内训练用二次供水设备的实时运行参数，经过数据预处理及相关性判定，找出多项运行参数项中与瞬时流量相关程度最高的参数项并记为流量相关参数项，而后根据这些流量参数项及对应的实时工况参数，以瞬时流量为参考，通过多元回归方程组训练得到每个流量相关参数项的系数值，进而成功建立一流量预测模型。

待流量预测模型建立完成后，该种流量预测模型即可应用于未安装流量计的同类型二次供水设备中进行自主的实时流量预测，此时只需由相同的工况采集设备持续采集该流量预测模型所需的实时参数项，而后输入该预测模型中即可得到持续输出的瞬时流量值。

特别地，需要注意的是，于上述较佳实施例中，训练得到的流量预测模型是根据前述训练用二次供水设备而建立的，流量预测模型中的相关系数值的设定与训练用二次供水设备中包含的水泵数量和水泵型号均相关。

特别地，需要注意的是，于上述较佳实施例中，对于训练用二次供水设备而言，流量计的设置是必须的，在后续流量预测模型的拟合与建立过程中必须用到采集的实时流量数据；而对于投入应用的流量预测模型而言，其应用于的同类型二次供水设备均是不带有流量计的。

作为优选的实施方式，该种流量预测方法，其中工况采集设备包括水泵变频器和水泵电能表；

在本发明的另一较佳实施例中，对于工况采集设备和实时工况数据进行了进一步的限定，其中工况采集设备中需包含水泵变频器和水泵电能表，其中水泵变频器用于输出其自身的实时频率、实时电压和实时电流等工况数据，水泵电能表用于采集实时三相电流和实时三相电压，以上工况采集设备采集的实时工况数据是反映二次供水设备运行情况的基本且必要的参数，是首要需采集的目标，本领域技术人员也可根据实际情况选取其他的项目作为采集和监控的数据项目，在此不作限制。

作为优选的实施方式，该种流量预测方法，其中步骤S2进一步包括：

在本发明的另一较佳实施例中，在流量预测模型的训练过程中，对于工况采集设备采集到的实时工况数据需要进行预处理来进行分类和数据清洗。于前述两较佳实施例中可以看出，经由该种训练方法得出的流量预测模型，其中最为关键的各系数值与训练用二次供水设备中包含的水泵数量和水泵型号均密切相关，故而在预处理阶段需要根据工况采集设备和采集数据类别首先对实时工况数据进行分类，将工况数据划分为多项标准参数项以便后续数据处理使用。

于上述较佳实施例中，当对于数据完成分类预处理后，需要对数据整体进行清洗，剔除异常实时工况数据：在工况数据采集过程中，可能由于设备停机、人工检修等原因，造成采集数据中可能存在少量显然不符合用水的异常数据，对于这类异常实时工况数据需要预先清除以避免对后续建模过程造成不良影响。

特别地，于步骤A2中，当流量预测模型建立完成后投入实际流量预测时，无需再对此时输入的实时参数进行相应的数据清洗。

作为优选的实施方式，该种流量预测方法，其中步骤S3进一步包括：

步骤S33，判断相关系数值是否大于一预设阈值：

若是，则转向步骤S34；

若否，则转向步骤S35；

步骤S35，判断标准参数项是否均被提取：

若是，则输出所有流量相关参数项；

若否，则返回步骤S31。

在本发明的另一较佳实施例中，对于流量相关参数项的筛选进行了进一步详细的阐述：在本较佳实施例中，流量相关参数项是表示与瞬时流量之间密切程度较高的参数项，此处采用逐一遍历的方式评价各标准参数项，根据皮尔逊相关系数，按照积差方式进行计算，以瞬时流量和待评价标准参数项中变量值与各自平均值的离差为基础，通过两个离差相乘来反映两者间的相关程度，所得值为相关系数值；相关系数值的取值范围为【-1,1】，相关系数值的数值越高说明两者间正相关越密切。

在理想情况下，如供水水泵的频率、电机功率、电机电流和电能表的三相电流这些参数和瞬时流量都是高度相关的，相关系数能够达到0.9以上。如果这些参数的相关性低，说明当前设备的水泵变频器或者电能表有问题，需要工作人员前往现场查看问题的具体原因。

在现实应用中，由于系统误差等因素的存在，用户可自行设定前述的预设阈值，可以是0.75，也可以是0.8或0.85，并将相关系数值高于此预设阈值的标准参数项记为流量相关参数项，通过遍历全部标准参数项以筛选出全部流量相关参数项。

作为优选的实施方式，该种流量预测方法，其中步骤S4进一步包括：

作为优选的实施方式，该种流量预测方法，其中步骤S4还包括：

在本发明的另一较佳实施例中，对于筛选的流量相关参数项参照下述步骤进行多元回归分析：

设x₁，x₂，…，x_n是n个互不相同的流量相关参数项，y是瞬时流量，则总体回归模型为：

f(x_i)＝β₀+β₁x₁+β₂x₂+…+β_nx_n+ε＝β^TX+ε

其中ε为误差项，β₀，β₁，…，β_n为各流量相关参数项对应的系数值，β为各参数的集合，X为各流量相关参数项的集合。

则参数估计可以通过最小二乘来得到，假设

其中Y_i为工时刻对应的瞬时流量，

为Y_i对应的预测瞬时流量，

即：

其中

为参数的设定估计值。

将Q分别对

求偏导数，令其偏导数等于0，得到：

令上式为零可得

的最优解的闭式解，结果为：

令

则最终得到的多元线性回归模型为：

运用上述方法即可建立流量相关参数项和瞬时流量之间的多元回归模型。

特别地，于上述较佳实施例中，在多元回归分析开始之前首先需要进行训练集和测试集的划分，对于该种流量预测模型的训练通常使用一预设时间段内的全部实时工况参数，为避免模型过渡拟合的情况产生，将流量相关参数项对应的全部实时工况参数按照7:3的比例进行划分并分别归入训练集和测试集中，其中训练集中的数据用于依照上述步骤进行多元回归分析和模型拟合，而测试集中的数据则用于对该流量预测模型进行测试和验证。

特别地，在上述划分过程中，需要注意的是，当全部实时工况参数对应的总时间跨度较短时，例如提取了2019.10.01至2019.10.10共十天的数据，并按照训练集：测试集＝7:3的比例进行划分，此时无需对划分进行随机打乱数据的操作，可以简单地将10.01-10.07的所有数据标记为训练集，10.07-10.10这三天的数据标记为测试集；但若总时间跨度较长时，由于数据可能会有长期趋势的影响，如不同季节的规律可能不同，这就不能直接把前70％的数据作为训练集，否则会训练集和测试集的规律不同，进而使得得出的流量预测模型产生较大误差，所以此时一般会把全部实时工况参数先进行随机打乱而后再进行划分，随机取70％的数据作为训练集，剩下的30％作为测试集。

作为优选的实施方式，该种流量预测方法，其中二次供水设备对应的每个工况采集设备均间隔一预设时间向第二数据处理设备进行一次数据上传；

流量预测模型每间隔预设时间输出一实时流量预测值。

在本发明的另一较佳实施例中，对于工况采集设备的上传频次进行了进一步的限定，对于不同的工况采集设备而言，其持续采集频率可能会存在差异，容易导致某一时刻流量预测模型接收不到足够的参数数据以完成流量预测，故而对于每个工况采集设备的上传频率进行统一限定，可以是1秒/次也可以是2秒/次，由用户根据实际需要自行设定，从而满足流量预测模型的流量预测实际需求。

现提供一具体实施例对本技术方案进行进一步阐释和说明：

在本发明的一具体实施例中，采用上述训练方法训练得到一流量预测模型：首先对标准参数项进行流量相关参数项筛选，下表即为部分运行参数与瞬时流量之间的相关系数值分布情况：

可以看出，上表中变频频率(水泵变频器的实时频率)、变频电流、收纳箱电流、电机功率、输入功率等标准参数项与瞬时流量的相关系数值均接近1，设定上述标准参数项均为流量相关参数项。

而后进行训练集和测试集的划分，并使用训练集进行多元回归分析，得出相关系数值和误差项如下表所示：

此时流量预测模型已建立完成，将测试集数据输入上述流量预测模型中，得到瞬时流量的预测值，如图2所示，于同一表格中同时列出预测值和实际瞬时流量值，可以看出两者之间的吻合度极高。

于本具体实施例中，对于本流量预测模型的适用性进行进一步的验证说明：多重判定系数能够反映瞬时流量的变差中被估计的回归方程所解释的比例，故而首先利用多重判定系数来评价多元回归模型的拟合程度，其中多重判定系数的定义如下

对于由本具体实施例训练得到的流量预测模型而言，计算得到的多重判定系数为0.9798，这说明在瞬时流量的变差中，能够被输入功率、变频频率、电机功率、三相电流和变频电流的多元回归方程所解释的比例为97.98％，这无疑涵盖了绝大多数的情况，本流量预测模型的覆盖范围得到了有效验证。

其次采用一元回归线性拟合来判断该流量预测模型的预测准确性，依托本流量预测模型得到的瞬时流量的真实值与预测值之间的散点图和医院线性拟合如图3所示，可以看出，拟合直线的截距为0.2141接近于0，斜率为0.9754接近于1，误差小于20％的数据占全部数据的97.17％；误差小于15％的数据占比为96.21％，误差小于10％的数据占比为93.46％，验证了本流量预测模型具有极高的准确度。

由此可见，通过上述训练方法得出的流量预测模型具有广泛的适用性和极高的准确性。将该种流量预测模型应用于未安装流量计的同类型二次供水设备中即可实现高精确度的实时流量预测。

综上所述，通过本技术方案，能够利用预先建立起的水泵瞬时流量与水泵运行参数之间的关系模型，通过获取二次供水设备的实时运行参数，预测推导出供水水泵的相关瞬时流量，进而把握二次供水设备的整体运行状态，为分析设备的能耗及效率奠定重要基础。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims

1.一种流量预测方法，应用于二次供水设备，其特征在于，预先训练形成多个流量预测模型，每个所述流量预测模型对应一特定的训练用二次供水设备，所述训练用二次供水设备对应一个流量计、至少一个工况采集设备和一个第一数据处理设备，所述第一数据处理设备分别连接每个所述工况采集设备和所述流量计；

针对每个所述流量预测模型的训练过程具体包括：

步骤S1，所述工况采集设备持续采集所述训练用二次供水设备的实时工况数据并持续输出，同时所述流量计持续采集所述训练用二次供水设备的瞬时流量并持续输出；

步骤S2，所述第一数据处理设备对所述实时工况数据进行预处理，得到多个不同的标准参数项和与每个所述标准参数项相对应的实时工况参数；

步骤S3，对每个所述标准参数项进行筛选，得到多个流量相关参数项；

步骤S4，根据所述流量相关参数项，提取对应的所述实时工况参数，并根据对应的所述瞬时流量训练得到一多元回归模型，并将所述多元回归模型记为所述训练用二次供水设备对应的流量预测模型；

训练形成所述流量预测模型后，将所述流量预测模型应用于和对应的所述训练用二次供水设备型号相同的二次供水设备中进行流量预测，所述二次供水设备对应至少一个所述工况采集设备和一个第二数据处理设备，所述第二数据处理设备分别连接所述二次供水设备对应的每个所述工况采集设备，所述流量预测模型存储于所述第二数据处理设备中；

所述流量预测的过程具体包括：

步骤A1，每个所述工况采集设备持续采集对应的所述二次供水设备的实时工况数据并持续输出；

步骤A2，根据所述流量预测模型，所述第二数据处理设备对所述实时工况数据进行处理，得到一流量预测参数集合；

步骤A3，将所述流量预测参数集合输入所述流量预测模型，得到一实时流量预测值并输出。

2.如权利要求1所述的流量预测方法，其特征在于，所述工况采集设备包括水泵变频器和水泵电能表；

所述实时工况数据包括所述水泵变频器的实时频率、实时电压和实时电流，所述供水水泵的实时电机功率以及所述水泵电能表实时采集的实时三相电流和实时三相电压。

3.如权利要求1所述的流量预测方法，其特征在于，所述步骤S2进一步包括：

步骤S21，根据所述工况采集设备和采集数据类别对所述实时工况数据进行分类，每个所述分类记为一所述标准参数项；

步骤S22，于每个所述标准参数项中，剔除异常实时工况数据，并将剔除所述异常实时工况数据的所述实时工况数据记为所述实时工况参数。

4.如权利要求2所述的流量预测方法，其特征在于，所述步骤S3进一步包括：

步骤S31，依次序提取一标准参数项及其对应的所述实时工况参数；

步骤S32，根据皮尔逊相关系数，计算所述标准参数项对应的所述实时工况参数与所述瞬时流量的相关性，输出一相关系数值；

步骤S33，判断所述相关系数值是否大于一预设阈值：

若是，则转向步骤S34；

若否，则转向步骤S35；

步骤S34，将所述标准参数项记为所述流量相关参数项，随后转向步骤S35；

步骤S35，判断所述标准参数项是否均被提取：

若是，则输出所有所述流量相关参数项；

若否，则返回步骤S31。

5.如权利要求1所述的流量预测方法，其特征在于，所述步骤S4进一步包括：

步骤S41，提取一预设时间段内所述流量相关参数项对应的全部所述实时工况参数；

步骤S42，对全部所述实时工况参数进行划分，得到一训练参数集合和一测试参数集合；

步骤S43，根据所述训练参数集合训练得到一多元回归模型，并将所述多元回归模型记为所述二次供水设备对应的流量预测模型。

6.如权利要求5所述的流量预测方法，其特征在于，所述步骤S4还包括：

步骤S44，将所述测试参数集合输入所述流量预测模型进行验证，输出测试预测值。

7.如权利要求1所述的流量预测方法，其特征在于，所述二次供水设备对应的每个所述工况采集设备均间隔一预设时间向所述第二数据处理设备进行一次数据上传；

所述流量预测模型每间隔所述预设时间输出一所述实时流量预测值。