CN113311799B - 城市排水运行调度决策系统及构建方法 - Google Patents
城市排水运行调度决策系统及构建方法 Download PDFInfo
- Publication number
- CN113311799B CN113311799B CN202110641599.7A CN202110641599A CN113311799B CN 113311799 B CN113311799 B CN 113311799B CN 202110641599 A CN202110641599 A CN 202110641599A CN 113311799 B CN113311799 B CN 113311799B
- Authority
- CN
- China
- Prior art keywords
- pump station
- scheduling
- data
- water level
- water
- 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
- 238000010276 construction Methods 0.000 title abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 239000010865 sewage Substances 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 171
- 239000007788 liquid Substances 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000011144 upstream manufacturing Methods 0.000 claims description 14
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 238000005086 pumping Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 5
- 230000003111 delayed effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000011112 process operation Methods 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 230000000903 blocking effect Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000009440 infrastructure construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明涉及一种城市排水运行调度决策系统及构建方法,城市合流污水治理干线工程泵站作为节点泵站,节点泵站的下游各站点作为支线节点泵站,构成排水运行网络,节点泵站作为排水量监测目标,对节点泵站下游各支线节点泵站联动及优化调度;系统从下至上分数据层、支撑层、业务层和发布层。利用关联挖掘、机器学习、深度学习等大数据分析方法,识别影响城市排水管网调度管理的各类工艺运行数据和变量的关联关系,创新构建了城市合流污水治理干线工程排水运行调度决策系统各要素大数据分析预报模式,实现了排水泵站运行的全自动化预测调度、决策管理,有效对人工调度经验进行积累、优化,并具备可复制性。
Description
技术领域
本发明涉及一种水处理技术,特别涉及一种城市排水运行调度决策系统及构建方法。
背景技术
城市合流污水治理干线工程目的是截流原排入城市河道的污水,而当降雨量超过截流倍数时,为防止辖区内积水,沿线合流泵站启动放江模式。为缓解污水厂压力,平衡好“水安全”和“水环境”之间关系,最大程度削减进入水体的污染力度,多年来采取了合流干线调度“平稳输送”运行;围绕“旱天不放江,雨天多截流”目标的优化运行调度;启动“排、污一体化运行模式”和终端污水厂升级扩容等多种举措。但合流制模式运行调度的复杂性和辖区内污水量的大幅度增加,“两水平衡”的关系和污水厂溢流等问题仍较为突出。
以城市合流污水治理干线工程为例,合流一期下属排水泵站(包括防汛泵站、输送泵站及合流制泵站)因泵站属性多样化,相关排水泵站运行调度决策极为复杂,目前主要依赖于人工经验进行合流一期下属排水泵站整体运行管理调度。目前排水泵站区域自动化控制系统不断建设,合流一期、合流三期已逐步实现排水泵站“日常流动巡检,远程控制”的常态化运行管理模式,而人工调度决策所需关注数据量极大,无法及时获悉相关异常类数据,且无法实现运行调度经验的系统化积累,故基于人工智能技术的排水运行调度决策系统已成为必然的发展趋势。
发明内容
本发明是针对城市合流污水治理智能化的问题,提出了一种城市排水运行调度决策系统及构建方法,构建基于人工智能技术的排水运行调度决策系统通过获取SCADA数据、模型算法数据、管理数据,采用SCADA数据采集技术、机器学习技术、数据仓库技术,结合排水调度算法,建立排水管网干线过程的调度管理,实现排水泵站运行的全自动预测调度管理。
本发明的技术方案为:一种城市排水运行调度决策系统,城市合流污水治理干线工程泵站作为节点泵站,节点泵站的下游各站点作为支线节点泵站,构成排水运行网络,节点泵站作为排水量监测目标,对节点泵站下游各支线节点泵站联动及优化调度;系统从下至上分数据层、支撑层、业务层和发布层,数据层:存储基础数据、实时排水运行数据、各泵站的业务数据、深度学习后的专家知识库数据;
支撑层:用于通过数据层数据获取生成调度决策的深度学习模型的参数,用于记录上下层的各种日志信息,用于对系统权限的管理,用于提供各种预警、报警;
业务层:用于调用各层资源,实时进行排水运行调度管理;
发布层:用于为运行管理人员提供操作界面及对外部软件提供数据接口。
优选的,所述业务层包括基础信息管理模块、调度引擎模块、调度决策方案分析与预测模块、数据展示模块,
基础信息管理模块:对日常支线节点泵站、泵机、水位、参数、高低峰段基础信息进行管理;
调度引擎模块:调度系统整体参考指标;
调度决策方案分析与预测模块:包括方案执行周期预测、单支线水位容忍度设定、高低峰水量值计算以及方案执行后分析;
数据展示模块:展示运行数据、水位趋势图、预警信息。
优选的,所述支线节点泵站基础信息管理包括支线泵站的名称、状态、最高运行水位、最低运行水位、最多可同时开启泵机数量,相关基础信息由运行管理人员在前端发布层进行配置;
所述泵机基础信息管理包括名称、所属泵站、铭牌流量、泵机状态,相关基础信息由运行管理人员在前端发布层进行配置;
所述水位基础信息管理包括:限定各支线泵站开停车水位与泵机关系,为调度引擎模块和支撑层提供基础数据支撑,实现高水位支线优先投入运行,低水位支线优先退出,相关基础信息由运行管理人员在前端发布层进行配置;
所述参数基础信息管理包括配合系统各种参数值的设置,灵活调整系统运行参数,参数包括统计分析时间参数、定时任务执行周期参数、调度指标权重参数;所述高低峰段基础信息管理包括对各支线设定各季节及时间段的进水量范围,此进水量范围为支撑层生成调度方案提供基础数据支持,利用历史数据深度学习,可不断完善上述排水量范围数据。
优选的,所述调度引擎模块根据支线当前水位的高低对排水支线进行队列排序,优先开启水位高的支线、优先停止水位低的支线;限定目标节点泵站目标流量;目标节点泵站及支线泵站水位限定在合理范围内;目标节点泵站的排水量与支线泵站排水量动态平衡,确保支线泵站水位变化幅度在容忍范围内;限定泵机的总开关机频次数。
优选的,所述调度决策方案分析与预测模块中方案执行周期预测:根据各支线泵站水位变化情况、开泵数量,不断的产生和更新执行方案的到期时间节点;
所述单支线水位容忍度:指各泵站水位设定高、低预警水位后,再设定一个容忍度值以控制不同高低峰期、不同季节开启和关闭泵机;根据泵站的排水能力、排入水量的大小、高峰期水量情况不断优化此容忍度值;
所述高低峰水量值计算指通过历史数据分析获取不同时间段高低峰的流入水量,以影响调度方案的生成;
所述方案执行后分析:指分析方案对目标节点泵站水位的变化范围,以评价此方案优劣程序,即排水量的控制目标是否实现。
优选的,所述单支线水位容忍度:
在进水量低峰期,容忍值设定接近于警戒线水位,由于进水量相对较少,故调度决策方案的切换时间可延迟,以有效减少开停机次数;在进水量高峰期,容忍值调高,以避免水位超过预警线的情况;
当前水位达到了高水位预警线加上容忍度的位置,开启泵机;当前水位下降到了低水位加上容忍度的位置后,关闭泵机。
所述城市排水运行调度决策系统的构建方法,具体包括如下步骤:
1)构建模型:
根据城市合流污水治理干线工程泵站所设定开泵台数,根据流量平衡原则,对上游泵站泵机开启及台数进行编组,高液位泵站先行投入,低液位泵站先行退出;汛期调度时接入雨量数据,在汛期调度情况下,采用管道液位进行泵站运行编组条件,以节点泵站上游调度为单位构建排水运行调度决策系统,并实现节点泵站间流量数据调度互联;
上游截流泵站的运行状况按前池水位进行排序,并实现排序进堆栈,以城市合流污水治理干线工程泵站的截流控制总量范围为边界条件,液位低的出栈加入未运行队列,液位高的加入运行队列堆栈;
2)业务层运行;
3)模型自修正:基于人工智能技术,根据预设运行预案执行情况下所生成相关历史数据对相关预案进行修正,以不断满足排水管网运行调度、决策需求;
4)运行监测:监测包含电子地图监测和指标报警,
电子地图监测:在电子地图上将整个上游排水管线泵站上的重要指标数据一览监视,重要指标包括排水量、液位、开机台数;
指标报警:当泵站液位、开机台数指标超出正常范围后,将输出报警至数据展示模块,色彩改变,提醒调度人员查看,是否需要人工干预改变调度指令。
本发明的有益效果在于:本发明城市排水运行调度决策系统及构建方法,利用关联挖掘、机器学习、深度学习等大数据分析方法,识别影响城市排水管网调度管理的各类工艺运行数据和变量的关联关系,创新构建了城市合流污水治理干线工程排水运行调度决策系统各要素大数据分析预报模式,实现了排水泵站运行的全自动化预测调度、决策管理,有效对人工调度经验进行积累、优化,并具备可复制性。
附图说明
图1为本发明城市合流污水治理干线工程运行管网示意图;
图2为本发明构建系统的基础架构搭建图;
图3为本发明系统功能示意图;
图4为本发明运行调度决策系统中数据调度示意图;
图5为本发明系统整体框架示意图;
图6为本发明系统构建流程图;
图7为本发明系统功能组件目录树图;
图8为本发明系统中调度策略示意图;
图9为本发明运行调度决策系统模型构建示意图;
图10为本发明系统中上游截流泵站的运行状况示意图;
图11为本发明系统中模型自修正流程图;
图12为本发明实施例泵站水位趋势图;
图13为本发明实施例目标水位趋势图。
具体实施方式
1、根据城市合流污水治理干线工程运行模式及相关管网、站点分布情况建立城市排水运行调度决策系统。
1.1、如图1所示城市合流污水治理干线工程运行管网示意图,分别设定城市合流污水治理干线工程主要泵站(节点泵站)排水量目标,所建立排水运行调度决策系统在旱流情况下将基于目标流量对主要泵站下游各站点(支线节点泵站)进行综合、联动及优化调度。
1.2、在以流量为控制目标的情况下,将根据下游各站点运行水位进行队列排序,高液位站点先行投入运行,低液位站点先行退出运行;
1.3、系统可在旱流情况下,输出各类运行调度指令供人工参照执行,并在系统运行稳定后,经由人工确认后,可直接下达指令至中央SCADA监控系统执行。
1.4、降雨情况下的运行优化决策功能。
2、技术准备:
2.1、挑选特征数据,利用机器学习技术,训练并搭建运行调度模型,实现特定条件下的调度预测及调度执行。
2.2、根据人工调度经验及历史运行数据预置生成相关运行调度决策预案,相关调度决策预案在无法执行情况下,可另行组建相关修正后调度决策预案;
2.3、相关初始化运行优化决策预案可根据实际运行数据进行自修正或由人工进行修正,以不断满足运行调度需求;
2.4、排水运行调度决策系统所生成相关调度预案可以人机界面方式输出,由人工确认后执行,后续根据决策系统运行稳定性、准确性,与现有中央SCADA监控系统构建数据交互机制,由运行优化系统直接下达控制指令至中央SCADA监控系统执行;
2.5、优化运行决策系统具备基础数据判定功能,即可对相关基础数据进行判断,并输出相关评价信息,由人工根据评价信息对异常数据进行修正,以保证运行优化决策系统基础数据源的准确性。
3、基础架构搭建
如图2所示构建系统的基础架构搭建图,城市合流污水治理干线工程排水运行调度决策系统构建基础运行调度预案,并根据历史运行数据进行修正,与中央SCADA监控系统建立数据交互机制。如图3所示系统功能功能示意图,包括运行监测、数据评价、调度计算、调度报警、调度执行和统计分析六大块。
3.1运行监测
对已配置的排水泵站数据点进行监视管理,包括实时生产数据及历史生产数据的管理。运行监测模块将对异常运行情况进行预警或者报警,并根据异常运行情况不同给出预警与报警等级,通过网络实时信息或者APP终端信息通知至对应站台相关负责人。
3.2数据评价
就各排水泵站历史运行数据中相关异常数据输出评价预警信息,并由人工对相关异常数据进行修正,以保证运行调度决策系统相关基础数据准确性,为预测准确性提供基础数据支撑。
3.3调度计算
运行调度决策的核心在于调度模型的计算,在获取大量基础数据前提下,从所需提取的特征值的特点对应挑选模型,建立合适的算法模型,经过模型的训练后,输出一系列调度指令,从而指导自动化控制系统的自动操作,实现干线上各类泵站的实时调度。
3.4调度报警
基于工艺运行数据规则,对相关数据进行区间设定(包括并不限于液位、雨量、电压、电流、泵机单次累积运行时间等),在相关数据超出设定区间范围情况下,对应给出与其相关的预警信息,运行时实时数据满足条件后系统自动输出相关预警信息,以保证排水管网运行调度稳定、安全性。
3.5调度执行
如图4所示运行调度决策系统中数据调度示意图,运行调度决策基于历史运行数据进行预案构建及修正,并将相关目标设定值(含管网节点流量值、泵站液位控制区间、防汛泵机控制等)输出至上位机监控系统(前期由人工进行确认后下达相关控制指令,后续根据运行调度决策系统运行稳定性、调度合理性,将由运行调度决策系统直接下达指令至上位机监控系统执行)。
3.6统计分析
统计分析:基于后台所配置数据运算规则统计数据,将相关细分类数据生成相关运行管理所需概览类数据归类,为整体运行决策、管理提供基础数据支撑。
4、智能调度决策系统
4.1、整体架构,如图5所示调度决策系统整体框架示意图,从下至上分数据层、支撑层、业务层和发布层。
4.1.1、数据层提供基础数据、大量实时数据、各泵站的业务数据、深度学习后的专家知识库数据,通过大量数据为上层应用提供运行所需资源信息。
4.1.2、支撑层为整个系统提供共用的基础服务:
(1)深度学习模型用于通过历史数据获取各种最终参数;
(2)审计中心用于记录各种日志信息;
(3)认证中心用于实现对系统权限的管理;
(4)消息中心为各种预警、报警等提供各类消息服务。
4.1.3、业务层为整个系统对管网调度提供的各种必要的功能及组件,以满足日常运行业务所需。
4.1.4、发布层通过人机界面,为运行管理人员提供操作界面及对外部软件提供数据接口。
4.2、整体流程图如图6所示,配置各个基础信息收取渠道,对所需实时数据进行抓取,运用大量数据送人人工智能深度学习算法中进行特征识别,根据特征构成调度模型生成方案,对生成方案进行模拟运行或区域运行,监测运行,根据运行情况对生成方案进行评价和优化。
4.3、各功能组件设计
如图7所示系统功能组件目录树图,如下:
4.3.1、基础信息管理
4.3.1.1支线(泵站)管理
维护支线(泵站)的基础信息,包括支线(泵站)名称、支线状态(投入、报废、检修等)、最高运行水位、最低运行水位、最多可同时开启泵机数量等,相关基础信息可由运行管理人员在前端进行配置。
4.3.1.2泵机管理
维护泵机信息,包括名称、所属泵站、铭牌流量、泵机状态(投入、报废、检修等)等,相关基础信息可由运行管理人员在前端进行配置。
4.3.1.3水位管理
对各支线(泵站)开停车水位与泵机关系进行管理,为后续泵机资源池构建提供基础数据支撑,实现高水位支线优先投入运行资源池,低水位支线优先退出资源池,相关基础信息可由运行管理人员在前端进行配置。
4.3.1.4参数管理
配合系统各种参数值的设置,灵活调整系统运行参数,主要参数包括统计分析时间参数、定时任务执行周期参数、调度指标权重参数等。
4.3.1.5高低峰段维护
为各支线设定各季节及时间段的进水量范围,此进水量范围可为调度方案提供基础数据支持,利用历史数据深度学习,可不断完善上述排水量范围数据。
根据历史经验设定不同季节和各日不同时间段各支线的进水量数据,人工智能技术通过历史排水量和水位数据设定模型,剔除干扰数据进行计算得出时间段的平均进水量数据用于相关预测。
4.3.2、调度引擎
如图8所示调度策略示意图,调度策略整体参考指标:
根据支线当前水位的高低对资源(排水支线)进行队列排序,优先开启水位高的支线、优先停止水位低的支线;
稳定的目标流量值(目标节点泵站);
目标节点泵站及支线泵站水位应在合理范围内;
目标节点泵站的排水量与支线泵站排水量动态平衡,确保支线泵站水位变化幅度在容忍范围内;
泵机的总开关机频次数量尽量降低。
4.3.2.1、水位监控
不断获取水位数据、支线的高、低水位以及支线水位容忍值进行分析,当前水位接近高、低水位的容忍范围内,产生阻断方案信息,通过阻断程序干预正在执行的方案。
4.3.2.2、阻断程序
系统根据阻断信号,对正在执行的方案进行干预,产生新的调度运行方案。阻断信号包括系统水位监控产生的水位阻断信号、人工干预的阻断信号、报警产生的阻断信号、泵站及泵机维修等产生的阻断信号。
4.3.2.3、资源队列
利用当前水位比值率、泵站的影响率、泵机的实际流量值、高低峰水量流入值等根据各参数权重占比生成泵站的排队值,利用排队值对资源进行排序。
4.3.2.4、生成方案
通过资源的队列以及队列水位的容差值进行决策,明确需投入运行泵站以及各泵站开机台数,并且预测此调度方案的最佳执行周期,单个执行周期完毕后,需要进入下一预案的生成和执行。
4.3.2.5、趋势分析
对执行中的方案进行趋势分析,不断的调整方案执行周期的结束时间节点,并预测各泵站水位的变化情况,目标节点泵站水位的趋势分析,发布各种信号,在必要时进行人工干预执行方案。
4.3.2.6、干预方案
通过阻断信息,或者人工干预信号,系统自动对执行方案进行干预,并且关闭阻断信号。方案干预后结束本方案,并进入方案评价阶段。
4.3.3、人工智能
4.3.3.1、方案执行周期预测
根据各支线泵站水位变化情况、开泵数量,不断的产生和更新执行方案的到期时间节点。
4.3.3.2、单支线水位容忍度
单支线水位容忍度指各泵站水位设定高、低预警水位后,再设定一个容忍度值以控制不同高低峰期、不同季节开启和关闭泵机。
在进水量低峰期,容忍值可以设定接近于警戒线水位,由于进水量相对较少,故调度决策方案的切换时间可延迟,以有效减少开停机次数;在进水量高峰期,容忍值可调高,以避免水位超过预警线的情况。
当前水位达到了高水位预警线加上容忍度的位置,需要开启泵机;当前水位下降到了低水位加上容忍度的位置后,需要关闭泵机。
人工智能技术将根据泵站的排水能力、排入水量的大小、高峰期水量情况不断优化此容忍度值。
4.3.3.3、高低峰水量值
高低峰水量值指通过历史数据分析获取不同时间段高低峰的流入水量,以影响调度方案的生成。系统根据经验预设时间段,基于水位和排水量(基于铭牌流量计算)模型得出时间段的平均流量数据。
4.3.3.4、方案执行后分析
方案执行后的分析指分析方案对目标节点泵站水位的变化范围,以评价此方案优劣程序,即排水量的控制目标是否实现。
4.3.4、数据展示。
5、建立模型
基于人工智能技术,构建运行调度决策系统,运行调度决策系统可根据城市合流污水治理干线工程主要泵站所设定开泵台数,根据流量平衡原则,对上游泵站泵机开启及台数进行编组(高液位泵站先行投入,低液位泵站先行退出)。汛期调度时接入雨量数据,在汛期调度情况下,采用管道液位进行泵站运行编组条件,以节点泵站上游调度为单位构建决策系统,并实现节点泵站间流量数据调度互联,如图9所示运行调度决策系统模型构建示意图。
如图10所示中上游截流泵站的运行状况示意图,上游截流泵站的运行状况按前池水位进行排序,并实现排序进堆栈,以城市合流污水治理干线工程主要泵站的截流控制总量范围为边界条件,液位低的出栈加入未运行队列,液位高的加入运行队列堆栈。
(1)执行周期预测
根据各支线泵站水位变化情况、开泵数量,不断的产生和更新执行方案的到期时间节点。
(2)高低峰水量值
高低峰水量值指通过历史数据分析获取不同时间段高低峰的流入水量,以影响调度方案的生成。系统根据经验预设时间段,基于水位和排水量(基于铭牌流量计算)模型得出时间段的平均流量数据。
(3)单支线水位容忍度
在进水量低峰期,容忍值可以设定接近于警戒线水位,由于进水量相对较少,故调度决策方案的切换时间可延迟,以有效减少开停机次数;在进水量高峰期,容忍值可调高,以避免水位超过预警线的情况。
(4)方案执行后分析
方案执行后的分析包括:模型的自评价分析和人工的反馈评价分析。相关执行后分析将作为模型修正的有效数据支撑。
6、模型自修正
如图11所示系统中模型自修正流程图,基于人工智能技术,根据预设运行预案执行情况下所生成相关历史数据对相关预案进行修正,以不断满足排水管网运行调度、决策需求。
7、运行监测
排水泵站数据点的监测管理主要包含电子地图监测和指标报警等内容。
电子地图监测:在电子地图上将整个上游排水管线泵站上的重要指标数据一览监视(排水量、液位、开机台数)。
指标报警:当泵站液位、开机台数指标超出正常范围后,将输出报警,色彩改变,提醒调度人员查看,是否需要人工干预改变调度指令。
(1)实时水位情况
通过表1展示各排水泵站实时水位数字、高低水位,高低水位的比值率,利用比值率进行排序展示。高水位比率为当前水位/高水位线;低水位比值率为低水位线/当前水位。
表1
序号 | 泵站名称 | 当前水位 | 高水位线 | 低水位线 | 高水位比值率 | 低水位比值率 |
1 | 泵站一 | 10 | 20 | 5 | 0.5 | 0.5 |
2 | 泵站二 | 20 | 30 | 5 | 0.66 | 0.25 |
(2)泵站水位趋势图:展示各排水泵站时间段内水位变化情况。如图12为本发明实施例泵站水位趋势图。
(3)预警信息展示:展示系统的各种预警信息,通过消息中心进行提醒,对预警记录进行处理和关闭。
(4)泵机工作情况:通过表2显示各排水泵站的泵机工作情况。
表2
(5)目标水位趋势图:目标节点泵站水位变化情况,通过目标水位的趋势图进行展示,作为调度评价的参考。如图13所示实施例目标水位趋势图。
(6)调度方案查询:系统记录各次调度方案信息,以及对调度方案执行后的评价信息,通过表3进行查询展示。
表3
调度决策预案将基于人工评价数据,对相关预案进行自修正、自完善。
Claims (3)
1.一种城市排水运行调度决策系统,城市合流污水治理干线工程泵站作为节点泵站,节点泵站的下游各站点作为支线节点泵站,构成排水运行网络,节点泵站作为排水量监测目标,对节点泵站下游各支线节点泵站联动及优化调度;系统从下至上分数据层、支撑层、业务层和发布层,
数据层:存储基础数据、实时排水运行数据、各泵站的业务数据、深度学习后的专家知识库数据;
支撑层:用于通过数据层数据获取生成调度决策的深度学习模型的参数,用于记录上下层的各种日志信息,用于对系统权限的管理,用于提供各种预警、报警;
业务层:用于调用各层资源,实时进行排水运行调度管理;
发布层:用于为运行管理人员提供操作界面及对外部软件提供数据接口;
所述业务层包括基础信息管理模块、调度引擎模块、调度决策方案分析与预测模块、数据展示模块,
基础信息管理模块:对日常支线节点泵站、泵机、水位、参数、高低峰段基础信息进行管理;调度引擎模块:调度系统整体参考指标;
调度决策方案分析与预测模块:包括方案执行周期预测、单支线水位容忍度设定、高低峰水量值计算以及方案执行后分析;
数据展示模块:展示运行数据、水位趋势图、预警信息;
其特征在于,所述调度引擎模块根据支线当前水位的高低对排水支线进行队列排序,优先开启水位高的支线、优先停止水位低的支线;限定目标节点泵站目标流量;目标节点泵站及支线泵站水位限定在合理范围内;目标节点泵站的排水量与支线泵站排水量动态平衡,确保支线泵站水位变化幅度在容忍范围内;限定泵机的总开关机频次数;
所述调度决策方案分析与预测模块中方案执行周期预测:根据各支线泵站水位变化情况、开泵数量,不断的产生和更新执行方案的到期时间节点;
所述单支线水位容忍度:指各泵站水位设定高、低预警水位后,再设定一个容忍度值以控制不同高低峰期、不同季节开启和关闭泵机;根据泵站的排水能力、排入水量的大小、高峰期水量情况不断优化此容忍度值;
所述高低峰水量值计算指通过历史数据分析获取不同时间段高低峰的流入水量,以影响调度方案的生成;
所述方案执行后分析:指分析方案对目标节点泵站水位的变化范围,以评价此方案优劣程序,即排水量的控制目标是否实现。
2.根据权利要求1所述城市排水运行调度决策系统,其特征在于,所述单支线水位容忍度:在进水量低峰期,容忍值设定接近于警戒线水位,由于进水量相对较少,故调度决策方案的切换时间可延迟,以有效减少开停机次数;在进水量高峰期,容忍值调高,以避免水位超过预警线的情况;
当前水位达到了高水位预警线加上容忍度的位置,开启泵机;当前水位下降到了低水位加上容忍度的位置后,关闭泵机。
3.根据权利要求1或2所述城市排水运行调度决策系统的构建方法,其特征在于,具体包括如下步骤:
1)构建模型:
根据城市合流污水治理干线工程泵站所设定开泵台数,根据流量平衡原则,对上游泵站泵机开启及台数进行编组,高液位泵站先行投入,低液位泵站先行退出;汛期调度时接入雨量数据,在汛期调度情况下,采用管道液位进行泵站运行编组条件,以节点泵站上游调度为单位构建排水运行调度决策系统,并实现节点泵站间流量数据调度互联;
上游截流泵站的运行状况按前池水位进行排序,并实现排序进堆栈,以城市合流污水治理干线工程泵站的截流控制总量范围为边界条件,液位低的出栈加入未运行队列,液位高的加入运行队列堆栈;
2)业务层运行;
3)模型自修正:基于人工智能技术,根据预设运行预案执行情况下所生成相关历史数据对相关预案进行修正,以不断满足排水管网运行调度、决策需求;
4)运行监测:监测包含电子地图监测和指标报警,
电子地图监测:在电子地图上将整个上游排水管线泵站上的重要指标数据一览监视,重要指标包括排水量、液位、开机台数;
指标报警:当泵站液位、开机台数指标超出正常范围后,将输出报警至数据展示模块,色彩改变,提醒调度人员查看,是否需要人工干预改变调度指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110641599.7A CN113311799B (zh) | 2021-06-09 | 2021-06-09 | 城市排水运行调度决策系统及构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110641599.7A CN113311799B (zh) | 2021-06-09 | 2021-06-09 | 城市排水运行调度决策系统及构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113311799A CN113311799A (zh) | 2021-08-27 |
CN113311799B true CN113311799B (zh) | 2022-10-04 |
Family
ID=77378240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110641599.7A Active CN113311799B (zh) | 2021-06-09 | 2021-06-09 | 城市排水运行调度决策系统及构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113311799B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113818536A (zh) * | 2021-11-03 | 2021-12-21 | 江苏四联自动化科技有限公司 | 一种污水管网排水能力综合调度方法及系统 |
CN116128144B (zh) * | 2023-02-15 | 2024-02-13 | 北京清环智慧水务科技有限公司 | 一种城市排水管网分区联动管理方法及系统 |
CN117217503B (zh) * | 2023-11-09 | 2024-02-06 | 山东华宝隆轻工机械有限公司 | 一种基于大数据的智慧泵站泵群远程智能调度管理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106382471A (zh) * | 2016-11-25 | 2017-02-08 | 上海市城市排水有限公司 | 一种考虑关键节点的城市排水管网诊断评估方法 |
CN109784746A (zh) * | 2019-01-25 | 2019-05-21 | 东南大学 | 城乡统筹供水管网水力水质模拟平台 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013026731A1 (en) * | 2011-08-22 | 2013-02-28 | Abb Technology Ag | System and method to optimize operation of a water network |
CN103595813B (zh) * | 2013-11-22 | 2017-01-04 | 锦瀚智慧管网技术有限公司 | 智慧管网应用系统及实现方法 |
CN205193543U (zh) * | 2015-10-29 | 2016-04-27 | 上海水顿智能科技有限公司 | 智能排水调度系统 |
CN107679717A (zh) * | 2017-09-15 | 2018-02-09 | 西安博兴自动化科技有限公司 | 一种基于水量信息采集和泵站群优化调度的管理系统 |
CN107609787A (zh) * | 2017-09-27 | 2018-01-19 | 福建四创软件有限公司 | 基于自动生成预案的闸泵群联合自动调度方法 |
CN111077864A (zh) * | 2019-12-24 | 2020-04-28 | 上海水顿智能科技有限公司 | 一种智慧排水调度和分析方法及系统 |
-
2021
- 2021-06-09 CN CN202110641599.7A patent/CN113311799B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106382471A (zh) * | 2016-11-25 | 2017-02-08 | 上海市城市排水有限公司 | 一种考虑关键节点的城市排水管网诊断评估方法 |
CN109784746A (zh) * | 2019-01-25 | 2019-05-21 | 东南大学 | 城乡统筹供水管网水力水质模拟平台 |
Also Published As
Publication number | Publication date |
---|---|
CN113311799A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113311799B (zh) | 城市排水运行调度决策系统及构建方法 | |
CN109272245B (zh) | 梯级水电站泄洪闸门开度实时自动分配方法及系统 | |
CN108345282B (zh) | 一种基于人工智能的泵站运行异常诊断方法及系统 | |
CN104778532A (zh) | 智能呼叫中心管理系统及智能排班控制方法 | |
CN109858725A (zh) | 集团级水力发电厂群经济运行一体化系统平台架构 | |
CN110336375A (zh) | 一种电网监控告警信息的处理方法及系统 | |
CN101788788A (zh) | 基于电网状态识别的多目标机组组合智能优化系统 | |
CN106447584A (zh) | 一种面向高速公路网络运营的决策支持系统及其使用方法 | |
CN110644587B (zh) | 一种城市排水全流程管控系统 | |
CN107176628A (zh) | 一种用于污水系统的调度控制系统和方法 | |
CN111899143A (zh) | 一种基于大数据分析策略的区域水环境智慧管控系统 | |
CN110543562A (zh) | 一种基于事件图谱的城市治理事件自动分拨方法及系统 | |
CN111489052A (zh) | 一种利用水质水量进行截流排水调度的方法 | |
CN110705838A (zh) | 一种用于评价供电服务水平的综合评价系统 | |
CN108964113A (zh) | 一种新能源发电调度方法及系统 | |
CN109934459A (zh) | 基于可视化网格的低压台区电能表运行误差异常派工方法 | |
CN115169939A (zh) | 一种大数据驱动的以需定供的智能管网调度系统及方法 | |
CN110471385A (zh) | 智慧泵闸控制系统 | |
CN113688973A (zh) | 一种基于深度神经网络的供水泵站调度方法 | |
CN113222368B (zh) | 一种基于雨水花园监测数据的雨洪预警方法 | |
Yuill et al. | Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks | |
CN115859688B (zh) | 基于多级仿真系统的应急处置方法、终端、平台和介质 | |
CN117595231A (zh) | 一种智能电网配网管理系统及其方法 | |
CN112482488A (zh) | 一种城市错峰供水方法及系统 | |
KR20160116068A (ko) | 하폐수처리장의 전력부하, ess 및 재이용수 등을 활용하여 신재생에너지를 설비대상별 또는 하폐수처리장 별로 운영하는 수요반응 서비스 자원 확보 시스템 및 방법 |
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 |