CN113222781A - 一种智能变频供水方法及系统 - Google Patents
一种智能变频供水方法及系统 Download PDFInfo
- Publication number
- CN113222781A CN113222781A CN202110509046.6A CN202110509046A CN113222781A CN 113222781 A CN113222781 A CN 113222781A CN 202110509046 A CN202110509046 A CN 202110509046A CN 113222781 A CN113222781 A CN 113222781A
- Authority
- CN
- China
- Prior art keywords
- water
- water supply
- user
- user group
- information
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 288
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000003384 imaging method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000000737 periodic effect Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 9
- 238000013499 data model Methods 0.000 claims description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 239000008400 supply water Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 description 20
- 230000002068 genetic effect Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual 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
- 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
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03B—INSTALLATIONS OR METHODS FOR OBTAINING, COLLECTING, OR DISTRIBUTING WATER
- E03B1/00—Methods or layout of installations for water supply
- E03B1/02—Methods or layout of installations for water supply for public or like main supply for industrial use
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03B—INSTALLATIONS OR METHODS FOR OBTAINING, COLLECTING, OR DISTRIBUTING WATER
- E03B5/00—Use of pumping plants or installations; Layouts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Hydrology & Water Resources (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
Abstract
本发明涉及一种智能供水的技术领域,揭露了一种智能变频供水方法,包括:利用多指标传感器获取用户的用水信息,并对所获取的用水信息进行预处理;利用多变量的聚类算法进行用户用水信息的聚类处理,形成多个模式相似的用户群体;利用用户群体信息图像化方法对每个用户群体进行处理,得到用户群体信息图像;利用神经网络模型对用户群体信息图像进行特征提取,得到用户群体信息图像的图像特征;根据所提取的图像特征,利用基于图像特征的变频供水策略实现动态周期性供水。本发明还提供了一种智能变频供水系统。本发明实现了智能变频供水。
Description
技术领域
本发明涉及智能供水的技术领域,尤其涉及一种智能变频供水方法及系统。
背景技术
在供水过程中普遍存在着在不同的时间段中用水量变化较大的现象,因为在不同的季节、不同的时段,用户用水的需求量具有很大的差别,存在着明显的用水高低峰特征,通常市政二次供水设备,特别是新建项目其80%~90%的时间工作于小流量状态,但是设计时往往是按照最大流量设计。
二次供水系统的给水压力需要随用户的用水需求量变化而变化尤为重要,可以节约能耗的空间也相当可观。在低峰时,如果水泵机组按高峰期的用水量运行,虽可通过调节阀门来满足用水需求,但供水能量在管网中损耗变大,而且还会导致供水机组在非高效情况下长时间运行,产生能耗浪费。
鉴于此,如何根据用水需求自动控制供水加压泵组,并达到时刻高效运行的目的,从而实现节能优化的效果,成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种智能变频供水方法,通过利用多指标传感器获取用户的用水信息,并对所获取的用水信息进行预处理;利用多变量的聚类算法进行用户用水信息的聚类处理,形成多个模式相似的用户群体,并利用用户群体信息图像化方法对每个用户群体进行处理,得到用户群体信息图像;最后利用神经网络模型提取用户群体信息图像的图像特征,根据所提取的图像特征,利用基于图像特征的变频供水策略实现动态周期性供水。
为实现上述目的,本发明提供的一种智能变频供水方法,包括:
利用多指标传感器获取用户的用水信息,并对所获取的用水信息进行预处理;
利用多变量的聚类算法进行用户用水信息的聚类处理,形成多个模式相似的用户群体;
利用用户群体信息图像化方法对每个用户群体进行处理,得到用户群体信息图像;
利用神经网络模型对用户群体信息图像进行特征提取,得到用户群体信息图像的图像特征;
根据所提取的图像特征,利用基于图像特征的变频供水策略实现动态周期性供水。
可选地,所述对所获取的用水信息进行预处理,包括:
在本发明一个具体实施例中,本发明在用户用水管道中设置水压传感器、水流传感器,获取用户的用水水压信息以及用水总量信息;
对所获取的用水信息进行预处理,所述预处理流程为:
1)计算传感器采集数据的时间戳差值,当时间戳差值大于阈值时,时间戳较小的传感器读取下一帧数据,重复此过程直到所有数据的时间戳差值小于阈值;并将所有数据归一化为若干个时间长度为5s的时间序列数据;
2)将一个长度为N的时间序列数据X压缩为长度为n的序列{x1,x2,...,xn},则序列中的第i个数据为:
其中:
Xj为时间序列数据X中第j个数据。
可选地,所述利用多变量的聚类算法进行用户用水信息的聚类处理,包括:
1)对多变量的用户用水信息时间序列数据进行建模:
其中:
x为用户用水信息时间序列数据;
M(x)为用户用水信息时间序列数据模型;
∑为用户用水信息时间序列数据x的协方差矩阵;
μ为用户用水信息时间序列数据均值;
n为用户用水信息时间序列数据的数据总数;
2)使用宽为w步长为s的滑动窗口,沿着用户用水信息时间序列的时间轴滑动,得到若干子序列{x1,...,xk};
3)建立用户用水信息时间序列数据模型中随机场序列{τ1,...,τk}的目标函数:
通过求解目标函数,得到用户用水信息时间序列数据的k个随机场序列;
4)将随机场序列的udis作为与其第u近的随机场序列的欧几里得距离,密度半径为最频繁出现的udis,以不同的密度半径执行DBSCAN聚类算法,以得到具有多个密度的聚类结果,并将所述不同密度的聚类结果作为多个模式相似的用户群体。
可选地,所述利用用户群体信息图像化方法对每个用户群体进行处理,包括:
1)对于每个用户群体时间序列数据,将时间序列数据作为角余弦,将时间步长作为半径,将每个用户群体时间序列数据转换为极坐标:
其中:
x为时间序列数据;
r为极坐标半径;
t为时间步长;
N为常数因子,将其设置为10;
θ为极坐标角度;
2)利用角度透视算法对极坐标进行处理,得到用户群体信息的极坐标矩阵:
其中:
θi为第i个用户群体的极坐标角度;
3)根据用户群体信息的极坐标矩阵,将极坐标矩阵重构为用户群体信息图像。
可选地,所述利用神经网络模型对用户群体信息图像进行特征提取,包括:
所述神经网络模型总共有33个卷积层和1个全连接层,每五层卷积层之间有一个残差块,每个残差块都有一个shortcut连接,该连接会跳过该块以进行恒等映射,并添加该块的剩余映射以成为最终的基础映射;
所述基于神经网络模型的特征提取方法为:
将用户群体信息图像输入到神经网络模型中,经由卷积层卷积得到用户群体信息图像的水压特征图和水流特征图;
利用特征融合策略进行水压特征图和水流特征图的融合,所述特征融合策略公式为:
其中:
H×W表示特征图的尺寸;
将融合后的特征作为所提取的图像特征。
可选地,所述利用基于图像特征的变频供水策略实现动态周期性供水,包括:
确定变频供水目标函数:
其中:
Wi为用户i在供水周期内需水量;
Sij为水源j向用户i的调度水量;
Wij为用户i在供水周期内从水源j调度的水量;
Cij为水源j向用户i供水的供水成本;
从融合后的图像特征中获取各用户群体的需水量,在供水周期内计算变频供水目标函数取值,得到不同用户群体的供水调度策略{α1,α2,...},其中αi为用户群体i的供水调度策略,根据供水调度策略控制农村地区供水加压泵组,实现农村地区的智能供水;在本发明一个具体实施例中,本发明利用改进的自适应遗传算法对变频供水目标函数进行求解,相较于传统遗传算法,本发明采用自适应的交叉率以及变异率计算公式进行个体的交叉变异,所述自适应的交叉率以及变异率计算公式为:
其中:
a为控制参数,1≤a≤2;
k为遗传算法的迭代次数。
此外,为实现上述目的,本发明还提供一种智能变频供水系统,所述系统包括:
用水数据获取装置,用于利用多指标传感器获取用户的用水信息,并对所获取的用水信息进行预处理;
数据处理器,用于利用多变量的聚类算法进行用户用水信息的聚类处理,形成多个模式相似的用户群体;利用用户群体信息图像化方法对每个用户群体进行处理,得到用户群体信息图像;
智能变频供水装置,用于利用神经网络模型对用户群体信息图像进行特征提取,得到用户群体信息图像的图像特征;根据所提取的图像特征,利用基于图像特征的变频供水策略实现动态周期性供水。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有智能变频供水程序指令,所述智能变频供水程序指令可被一个或者多个处理器执行,以实现如上所述的智能变频供水的实现方法的步骤。
相对于现有技术,本发明提出一种智能变频供水方法,该技术具有以下优势:
首先,本发明通过设置多种传感器,从而获取用户的用水水压信息以及用水总量信息时间序列数据;从而利用多变量的聚类算法对用户用水信息时间序列数据进行聚类处理,所述多变量的聚类算法流程为:对多变量的用户用水信息时间序列数据进行建模:
其中:x为用户用水信息时间序列数据;M(x)为用户用水信息时间序列数据模型;∑为用户用水信息时间序列数据x的协方差矩阵;μ为用户用水信息时间序列数据均值;n为用户用水信息时间序列数据的数据总数;使用宽为w步长为s的滑动窗口,沿着用户用水信息时间序列的时间轴滑动,得到若干子序列{x1,...,xk};建立用户用水信息时间序列数据模型中随机场序列{τ1,...,τk}的目标函数:
通过求解目标函数,得到用户用水信息时间序列数据的k个随机场序列;将随机场序列的udis作为与其第u近的随机场序列的欧几里得距离,密度半径为最频繁出现的udis,以不同的密度半径执行DBSCAN聚类算法,以得到具有多个密度的聚类结果,并将所述不同密度的聚类结果作为多个模式相似的用户群体。相较于传统技术,本发明用滑动窗口对多变量的用水信息时间序列进行切分,得到多个重叠的子序列,对于每个子序列,使用逆方差矩阵∑-1来表示多个变量之间的相关性,从而将子序列的时变相关特征转换为马尔可夫随机场模型M(x),马尔可夫随机场模型中的马尔可夫随机场序列代表了用水信息时间序列的时序关联结构,为求解马尔可夫随机场序列,采用凸优化方法建立目标函数,通过求解目标函数,得到用户用水信息时间序列数据的k个随机场序列,并通过DBSCAN聚类算法,将用水时序特征相似的用户归为一类,从而将用户群体划分为若干用水习惯相似的用户类别。
同时,根据用户群体聚类结果,本发明利用用户群体信息图像化方法对每个用户群体进行处理,将原始的时间序列数据转化为图像数据,在保留时间序列特征的同时对图像特征进行挖掘,得到更为丰富的用户特征;所述用户群体信息图像化方法流程为:对于每个用户群体时间序列数据,将时间序列数据作为角余弦,将时间步长作为半径,将每个用户群体时间序列数据转换为极坐标,相较于传统笛卡尔坐标系,极坐标系能够保持绝对的时间关系,更好的表征时序数据中的时序关系,从而实现时间序列数据转化为图像数据:
其中:x为时间序列数据;r为极坐标半径;t为时间步长;N为常数因子,将其设置为10;θ为极坐标角度;利用角度透视算法对极坐标进行处理,得到用户群体信息的极坐标矩阵:
其中:θi为第i个用户群体的极坐标角度;根据用户群体信息的极坐标矩阵,将极坐标矩阵重构为用户群体信息图像;从而利用神经网络模型得到用户群体信息图像特征,将图像特征作为不同用户群体的需水特征;进而根据图像特征确定变频供水目标函数:
其中:Wi为用户i在供水周期内需水量;Sij为水源j向用户i的调度水量;Wij为用户i在供水周期内从水源j调度的水量;Cij为水源j向用户i供水的供水成本;从融合后的图像特征中获取各用户群体的需水量,在供水周期内计算变频供水目标函数取值,得到不同用户群体的供水调度策略{α1,α2,...},其中α1为用户群体1的供水调度策略;同时本发明利用改进的自适应遗传算法对变频供水目标函数进行求解,相较于传统遗传算法,本发明采用自适应的交叉率以及变异率计算公式进行个体的交叉变异,通过预设定最小变异率和最小交叉率,若变异率小于预设定的最小变异率,则用设定的最小变异率做为当前的变异率,若交叉率小于预设定的最小交叉率,则用设定的最小交叉率做为当前的交叉率,使得在算法迭代初期具有较高的交叉率和变异率,从而有助于扩展搜索空间,更快地实现算法迭代,而在算法迭代后期,利用控制参数对交叉率和变异率进行限制,有助于算法收敛,获得稳定的可行解,而最终获得的目标函数可行解即为水源向用户调水的供水调度策略{α1,α2,...},其中α1为用户群体1的供水调度策略;所述自适应的交叉率以及变异率计算公式为:
其中:
a为控制参数,1≤a≤2;
k为遗传算法的迭代次数。
附图说明
图1为本发明一实施例提供的一种智能变频供水方法的流程示意图;
图2为本发明一实施例提供的一种智能变频供水系统的结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
通过利用多指标传感器获取用户的用水信息,并对所获取的用水信息进行预处理;利用多变量的聚类算法进行用户用水信息的聚类处理,形成多个模式相似的用户群体,并利用用户群体信息图像化方法对每个用户群体进行处理,得到用户群体信息图像;最后利用神经网络模型提取用户群体信息图像的图像特征,根据所提取的图像特征,利用基于图像特征的变频供水策略实现动态周期性供水。参照图1所示,为本发明一实施例提供的智能变频供水方法示意图。
在本实施例中,智能变频供水方法包括:
S1、利用多指标传感器获取用户的用水信息,并对所获取的用水信息进行预处理。
首先,本发明利用多指标传感器获取用户的用水信息,在本发明一个具体实施例中,本发明在用户用水管道中设置水压传感器、水流传感器,获取用户的用水水压信息以及用水总量信息;
进一步地,本发明对所获取的用水信息进行预处理,所述预处理流程为:
1)计算传感器采集数据的时间戳差值,当时间戳差值大于阈值时,时间戳较小的传感器读取下一帧数据,重复此过程直到所有数据的时间戳差值小于阈值;并将所有数据归一化为若干个时间长度为5s的时间序列数据;
2)将一个长度为N的时间序列数据X压缩为长度为n的序列{x1,x2,...,xn},则序列中的第i个数据为:
其中:
Xj为时间序列数据X中第j个数据。
S2、利用多变量的聚类算法进行用户用水信息的聚类处理,形成多个模式相似的用户群体。
进一步地,本发明利用多变量的聚类算法对用户用水信息时间序列数据进行聚类处理,所述多变量的聚类算法流程为:
1)对多变量的用户用水信息时间序列数据进行建模:
其中:
x为用户用水信息时间序列数据;
M(x)为用户用水信息时间序列数据模型;
∑为用户用水信息时间序列数据x的协方差矩阵;
μ为用户用水信息时间序列数据均值;
n为用户用水信息时间序列数据的数据总数;
2)使用宽为w步长为s的滑动窗口,沿着用户用水信息时间序列的时间轴滑动,得到若干子序列{x1,...,xk};
3)建立用户用水信息时间序列数据模型中随机场序列{τ1,...,τk}的目标函数:
通过求解目标函数,得到用户用水信息时间序列数据的k个随机场序列;
4)将随机场序列的udis作为与其第u近的随机场序列的欧几里得距离,密度半径为最频繁出现的udis,以不同的密度半径执行DBSCAN聚类算法,以得到具有多个密度的聚类结果,并将所述不同密度的聚类结果作为多个模式相似的用户群体。
S3、利用用户群体信息图像化方法对每个用户群体进行处理,得到用户群体信息图像。
进一步地,本发明利用用户群体信息图像化方法对每个用户群体进行处理,所述用户群体信息图像化方法流程为:
1)对于每个用户群体时间序列数据,将时间序列数据作为角余弦,将时间步长作为半径,将每个用户群体时间序列数据转换为极坐标:
其中:
x为时间序列数据;
r为极坐标半径;
t为时间步长;
N为常数因子,将其设置为10;
θ为极坐标角度;
2)利用角度透视算法对极坐标进行处理,得到用户群体信息的极坐标矩阵:
其中:
θi为第i个用户群体的极坐标角度;
3)根据用户群体信息的极坐标矩阵,将极坐标矩阵重构为用户群体信息图像。
S4、利用神经网络模型对用户群体信息图像进行特征提取,得到用户群体信息图像的图像特征。
进一步地,本发明利用神经网络模型对用户群体信息图像进行特征提取,得到用户群体信息图像的图像特征,所述神经网络模型总共有33个卷积层和1个全连接层,每五层卷积层之间有一个残差块,每个残差块都有一个shortcut连接,该连接会跳过该块以进行恒等映射,并添加该块的剩余映射以成为最终的基础映射;
所述基于神经网络模型的特征提取方法为:
将用户群体信息图像输入到神经网络模型中,经由卷积层卷积得到用户群体信息图像的水压特征图和水流特征图;
利用特征融合策略进行水压特征图和水流特征图的融合,所述特征融合策略公式为:
其中:
H×W表示特征图的尺寸;
将融合后的特征作为所提取的图像特征。
S5、根据所提取的图像特征,利用基于图像特征的变频供水策略实现动态周期性供水。
根据所提取的图像特征,本发明利用基于图像特征的变频供水策略进行供水,所述基于图像特征的变频供水策略为:
确定变频供水目标函数:
其中:
Wi为用户i在供水周期内需水量;
Sij为水源j向用户i的调度水量;
Wij为用户i在供水周期内从水源j调度的水量;
Cij为水源j向用户i供水的供水成本;
从融合后的图像特征中获取各用户群体的需水量,在供水周期内计算变频供水目标函数取值,得到不同用户群体的供水调度策略{α1,α2,...},其中αi为用户群体i的供水调度策略,根据供水调度策略控制农村地区供水加压泵组,实现农村地区的智能供水;在本发明一个具体实施例中,本发明利用改进的自适应遗传算法对变频供水目标函数进行求解,相较于传统遗传算法,本发明采用自适应的交叉率以及变异率计算公式进行个体的交叉变异,所述自适应的交叉率以及变异率计算公式为:
其中:
a为控制参数,1≤a≤2;
k为遗传算法的迭代次数。
下面通过一个算法实验来说明本发明的具体实施方式,并对发明的处理方法进行测试。本发明算法的硬件测试环境为:Inter(R)Core(TM)i7-6700KCPU,软件为Matlab2018a;对比方法为基于随机森林的智能变频供水方法以及基于贝叶斯的智能变频供水方法。
在本发明所述算法实验中,数据集为10G的用水数据。本实验通过将用水数据输入到算法模型中,将供水的准确率作为算法可行性的评价指标,其中供水的准确率越高,则说明算法的有效性、可行性越高。
根据实验结果,基于随机森林的智能变频供水方法的供水准确率为85.31%,基于贝叶斯的智能变频供水方法的供水准确率为83.38%,本发明所述方法的供水准确率为87.89%,相较于对比算法,本发明所提出的智能变频供水方法能够实现更高的供水准确率。
发明还提供一种智能变频供水系统。参照图2所示,为本发明一实施例提供的智能变频供水系统的内部结构示意图。
在本实施例中,所述智能变频供水系统1至少包括用水数据获取装置11、数据处理器12、智能变频供水装置13,通信总线14,以及网络接口15。
其中,用水数据获取装置11可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。
数据处理器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。数据处理器12在一些实施例中可以是智能变频供水系统1的内部存储单元,例如该智能变频供水系统1的硬盘。数据处理器12在另一些实施例中也可以是智能变频供水系统1的外部存储设备,例如智能变频供水系统1上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,数据处理器12还可以既包括智能变频供水系统1的内部存储单元也包括外部存储设备。数据处理器12不仅可以用于存储安装于智能变频供水系统1的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
智能变频供水装置13在一些实施例中可以是一中央处理器(CentralProcessingUnit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行数据处理器12中存储的程序代码或处理数据,例如智能变频供水程序指令16等。
通信总线14用于实现这些组件之间的连接通信。
网络接口15可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该系统1与其他电子设备之间建立通信连接。
可选地,智能变频供水系统1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-EmittingDiode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在智能变频供水系统1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-15以及智能变频供水系统1,本领域技术人员可以理解的是,图1示出的结构并不构成对智能变频供水系统1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的智能变频供水系统1实施例中,数据处理器12中存储有智能变频供水程序指令16;智能变频供水装置13执行数据处理器12中存储的智能变频供水程序指令16的步骤,与智能变频供水方法的实现方法相同,在此不作类述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有智能变频供水程序指令,所述智能变频供水程序指令可被一个或多个处理器执行,以实现如下操作:
利用多指标传感器获取用户的用水信息,并对所获取的用水信息进行预处理;
利用多变量的聚类算法进行用户用水信息的聚类处理,形成多个模式相似的用户群体;
利用用户群体信息图像化方法对每个用户群体进行处理,得到用户群体信息图像;
利用神经网络模型对用户群体信息图像进行特征提取,得到用户群体信息图像的图像特征;
根据所提取的图像特征,利用基于图像特征的变频供水策略实现动态周期性供水。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的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,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种智能变频供水方法,其特征在于,所述方法包括:
利用多指标传感器获取用户的用水信息,并对所获取的用水信息进行预处理;
利用多变量的聚类算法进行用户用水信息的聚类处理,形成多个模式相似的用户群体;
利用用户群体信息图像化方法对每个用户群体进行处理,得到用户群体信息图像;
利用神经网络模型对用户群体信息图像进行特征提取,得到用户群体信息图像的图像特征;
根据所提取的图像特征,利用基于图像特征的变频供水策略实现动态周期性供水。
3.如权利要求2所述的一种智能变频供水方法,其特征在于,所述利用多变量的聚类算法进行用户用水信息的聚类处理,包括:
1)对多变量的用户用水信息时间序列数据进行建模:
其中:
x为用户用水信息时间序列数据;
M(x)为用户用水信息时间序列数据模型;
∑为用户用水信息时间序列数据x的协方差矩阵;
μ为用户用水信息时间序列数据均值;
n为用户用水信息时间序列数据的数据总数;
2)使用宽为w步长为s的滑动窗口,沿着用户用水信息时间序列的时间轴滑动,得到若干子序列{x1,...,xk};
3)建立用户用水信息时间序列数据模型中随机场序列{τ1,...,τk}的目标函数:
通过求解目标函数,得到用户用水信息时间序列数据的k个随机场序列;
4)将随机场序列的udis作为与其第u近的随机场序列的欧几里得距离,密度半径为最频繁出现的udis,将所述不同密度的聚类结果作为多个模式相似的用户群体。
5.如权利要求4所述的一种智能变频供水方法,其特征在于,所述利用神经网络模型对用户群体信息图像进行特征提取,包括:
所述神经网络模型总共有33个卷积层和1个全连接层,每五层卷积层之间有一个残差块,每个残差块都有一个shortcut连接,该连接会跳过该块以进行恒等映射,并添加该块的剩余映射以成为最终的基础映射;
将用户群体信息图像输入到神经网络模型中,经由卷积层卷积得到用户群体信息图像的水压特征图和水流特征图;
利用特征融合策略进行水压特征图和水流特征图的融合,所述特征融合策略公式为:
其中:
H×W表示特征图的尺寸;
将融合后的特征作为所提取的图像特征。
7.一种智能变频供水系统,其特征在于,所述系统包括:
用水数据获取装置,用于利用多指标传感器获取用户的用水信息,并对所获取的用水信息进行预处理;
数据处理器,用于利用多变量的聚类算法进行用户用水信息的聚类处理,形成多个模式相似的用户群体;利用用户群体信息图像化方法对每个用户群体进行处理,得到用户群体信息图像;
智能变频供水装置,用于利用神经网络模型对用户群体信息图像进行特征提取,得到用户群体信息图像的图像特征;根据所提取的图像特征,利用基于图像特征的变频供水策略实现动态周期性供水。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有智能变频供水程序指令,所述智能变频供水程序指令可被一个或者多个处理器执行,以实现如上所述的智能变频供水的实现方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509046.6A CN113222781B (zh) | 2021-05-11 | 2021-05-11 | 一种智能变频供水方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509046.6A CN113222781B (zh) | 2021-05-11 | 2021-05-11 | 一种智能变频供水方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222781A true CN113222781A (zh) | 2021-08-06 |
CN113222781B CN113222781B (zh) | 2023-04-18 |
Family
ID=77094417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110509046.6A Active CN113222781B (zh) | 2021-05-11 | 2021-05-11 | 一种智能变频供水方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222781B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184479A (zh) * | 2015-09-01 | 2015-12-23 | 广州地理研究所 | 基于智能水表的城市居民用水行为分类方法 |
CN107122853A (zh) * | 2017-04-25 | 2017-09-01 | 杭州电子科技大学 | 一种供水管网实时调度系统及方法 |
US20180150547A1 (en) * | 2016-11-30 | 2018-05-31 | Business Objects Software Ltd. | Time series analysis using a clustering based symbolic representation |
CN109784582A (zh) * | 2019-02-15 | 2019-05-21 | 黄河勘测规划设计研究院有限公司 | 一种区域经济部门配水均衡方法及系统 |
CN110058699A (zh) * | 2019-04-28 | 2019-07-26 | 电子科技大学 | 一种基于智能移动设备传感器的用户行为识别方法 |
CN111507275A (zh) * | 2020-04-20 | 2020-08-07 | 北京理工大学 | 一种基于深度学习的视频数据时序信息提取方法及装置 |
CN112016041A (zh) * | 2020-08-27 | 2020-12-01 | 重庆大学 | 基于格拉姆求和角场图像化和Shortcut-CNN的时间序列实时分类方法 |
-
2021
- 2021-05-11 CN CN202110509046.6A patent/CN113222781B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184479A (zh) * | 2015-09-01 | 2015-12-23 | 广州地理研究所 | 基于智能水表的城市居民用水行为分类方法 |
US20180150547A1 (en) * | 2016-11-30 | 2018-05-31 | Business Objects Software Ltd. | Time series analysis using a clustering based symbolic representation |
CN107122853A (zh) * | 2017-04-25 | 2017-09-01 | 杭州电子科技大学 | 一种供水管网实时调度系统及方法 |
CN109784582A (zh) * | 2019-02-15 | 2019-05-21 | 黄河勘测规划设计研究院有限公司 | 一种区域经济部门配水均衡方法及系统 |
CN110058699A (zh) * | 2019-04-28 | 2019-07-26 | 电子科技大学 | 一种基于智能移动设备传感器的用户行为识别方法 |
CN111507275A (zh) * | 2020-04-20 | 2020-08-07 | 北京理工大学 | 一种基于深度学习的视频数据时序信息提取方法及装置 |
CN112016041A (zh) * | 2020-08-27 | 2020-12-01 | 重庆大学 | 基于格拉姆求和角场图像化和Shortcut-CNN的时间序列实时分类方法 |
Non-Patent Citations (3)
Title |
---|
TIAN QIN等: "Estimating Distribution System Water Demands Using", 《JOURNAL OF WATER RESOURCES PLANNING AND MANAGEMENT》, vol. 145, no. 7, 25 April 2019 (2019-04-25), pages 1 - 11 * |
李首进等: "基于用户行为聚类的智慧社区用水调度", 《电视技术》, vol. 42, no. 09, 30 September 2018 (2018-09-30), pages 147 - 150 * |
陈军锋等: "非侵入式负荷识别边缘计算颜色编码研究", 《仪器仪表学报》, vol. 41, no. 09, 30 September 2020 (2020-09-30), pages 12 - 19 * |
Also Published As
Publication number | Publication date |
---|---|
CN113222781B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414353B (zh) | 智能化的缺失数据填充方法、装置及计算机可读存储介质 | |
CN110033018B (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
CN111950596A (zh) | 一种用于神经网络的训练方法以及相关设备 | |
CN111241304A (zh) | 基于深度学习的答案生成方法、电子装置及可读存储介质 | |
CN112308237B (zh) | 一种问答数据增强方法、装置、计算机设备及存储介质 | |
CN112069319A (zh) | 文本抽取方法、装置、计算机设备和可读存储介质 | |
CN112418292A (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN112528029A (zh) | 文本分类模型处理方法、装置、计算机设备及存储介质 | |
CN111414916A (zh) | 图像中文本内容提取生成方法、装置及可读存储介质 | |
CN115223239B (zh) | 一种手势识别方法、系统、计算机设备以及可读存储介质 | |
CN111680757A (zh) | 一种基于自编码器的零样本图像识别算法及系统 | |
CN112446209A (zh) | 一种意图标签的设置方法、设备、装置及存储介质 | |
CN110705547B (zh) | 图像内文字识别方法、装置及计算机可读存储介质 | |
CN113255767A (zh) | 票据分类方法、装置、设备及存储介质 | |
CN113761262A (zh) | 图像的检索类别确定方法、系统以及图像检索方法 | |
CN113077464A (zh) | 一种医学图像处理方法、医学图像识别方法及装置 | |
CN113222781B (zh) | 一种智能变频供水方法及系统 | |
CN112287140A (zh) | 一种基于大数据的图像检索方法及系统 | |
CN114694150B (zh) | 一种提升数字图像分类模型泛化能力的方法及系统 | |
Li et al. | Content-based lace fabric image retrieval system using texture and shape features | |
CN114241411A (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN110211094B (zh) | 黑眼圈智能判断方法、装置及计算机可读存储介质 | |
Liao et al. | Bow image retrieval method based on SSD target detection | |
CN112257677A (zh) | 一种在大数据集群中处理深度学习任务的方法及装置 | |
CN114359582B (zh) | 一种基于神经网络的小样本特征提取方法及相关设备 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230322 Address after: Room 401, Main Building, Science and Technology Building, No. 85 Taining Road, Cuining Community, Cuizhu Street, Luohu District, Shenzhen City, Guangdong Province, 518020 Applicant after: Shenzhen Keyong Software Co.,Ltd. Address before: 510000 room xb202, building a, No.2, Yiheng Road, 2nd Avenue, tiantougang Industrial Zone, Tianhe District, Guangzhou City, Guangdong Province Applicant before: Liao Han |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |