CN113688973A - 一种基于深度神经网络的供水泵站调度方法 - Google Patents

一种基于深度神经网络的供水泵站调度方法 Download PDF

Info

Publication number
CN113688973A
CN113688973A CN202110787051.3A CN202110787051A CN113688973A CN 113688973 A CN113688973 A CN 113688973A CN 202110787051 A CN202110787051 A CN 202110787051A CN 113688973 A CN113688973 A CN 113688973A
Authority
CN
China
Prior art keywords
neural network
deep neural
pump station
water supply
data
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
Application number
CN202110787051.3A
Other languages
English (en)
Other versions
CN113688973B (zh
Inventor
陈磊
信昆仑
蒲政衡
陶涛
颜合想
李树平
王嘉莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Alibaba Cloud Computing Ltd
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202110787051.3A priority Critical patent/CN113688973B/zh
Publication of CN113688973A publication Critical patent/CN113688973A/zh
Application granted granted Critical
Publication of CN113688973B publication Critical patent/CN113688973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)

Abstract

本发明提供一种基于深度神经网络的供水泵站调度方法，其特征在于，该方法包括如下步骤：确定深度神经网络的输入特征，确定泵站调度指令发出时间间隔，搭建深度神经网络PumpNet；获取供水系统对应于深度神经网络输入特征的历史监测数据以及历史泵站调度指令，训练深度神经网络PumpNet；采集供水系统对应于深度神经网络PumpNet输入特征的实时监测数据，将其输入到训练好的深度神经网络中进行预测；输出泵站实时调度指令。本发明提供的方法借助深度神经网络技术能够自动提取供水系统监测数据的时间空间特征，可以更高效更充分地提取数据中满足泵站调度的特征。

Description

一种基于深度神经网络的供水泵站调度方法
技术领域
本发明涉及一种供水泵站调度方法，尤其是涉及一种基于深度神经网络的供水泵站调度方法。
背景技术
城市供水的泵站调度是保障城市用水安全稳定的重要环节，也是国内外学者不断探索研究的热点领域。所以供水管网必须应用现代化的调度管理手段进行高效率和及时地管理，使得调度管理由传统的人工经验调度管理方式转变为更加科学地调度管理方式，以达到节约水资源，提高调度效率的目的。
国内外已有关注于供水管网泵站调度方法的研究。现有研究根据所用的技术可以分为人工经验调度法、数学模型法等。以下为一些代表性的研究：
1)人工经验调度
人工经验调度是最为普遍的泵站调度方法之一，该方法主要将城市分为若干个水压区域，简单地通过对控制水厂以及二级加压泵站内的水泵进行增加或者减少，来控制管网中的水压，将水压设定在目标范围内。
优缺点：这类方法适用于城市供水发展的初期，理论基础较为简单并且容易实施，因此是目前供水部门最为广泛采用的方法。然而，这类方法的使用需要人工经验判断供水区域压力变化走势来决定水泵的启闭，人力成本高，在区域内的调度具有滞后性，难以从大范围内经济、快速地进行泵站的调度，从而限制了这类方法的适用范围。
2)数学模型法
如文献：
[1]D.Fooladivanda,J.A.Taylor.Energy-optimal pump scheduling and waterFlow.IEEE Transactions on Control of Network Systems,2017.
[2]Mohammed Abdallah S.M.ASCE,Zoran Kapelan M.ASCE.Fast PumpScheduling Method for Optimum Energy Cost and Water Quality in WaterDistribution Networks with Fixed and Variable Speed Pumps.March 28,2019.
[3]Bissan Ghaddar,Joe Naoum-Saways,Akihiro Kishimoto,Nicole Taheri,Bradler Eck.A Lagrangian decomposition approach for the pump schedulingproblem in water networks[J].European Journal of Operational Research,2015,241(2):105-106.
该类方法的出现标志着供水调度进入到了计算机时代，城市水压和需水量的分布具有区域性，通过对数学模型的建立再利用计算机技术，求解建立的数学模型的目标函数得到最小用水量，与此同时得出供水的优化调度方案。在确保供水管网调度满足用户所需水量的前提下，为使得供水花费达到最低，确定各个泵站内水泵的型号和台数最少。
优缺点：该类方法对供水区域内各个用水节点进行详细的数学表达，具有较高的可信度以及理论支撑点，为供水泵站调度提供决策支持。但是，该类方法需要准确性较高的水力模型支持，并且计算复杂度高，自动化程度不足，面对庞大的管网系统仍然存在滞后性，很难实时做到对管网的调度。
发明内容
本发明的目的就是为了克服上述现有技术存在的不足而提供的一种基于深度神经网络的供水泵站调度方法。
本发明提供如下技术方案：一种基于深度神经网络的供水泵站调度方法，该方法包括如下步骤：
S1：确定深度神经网络的输入特征，确定泵站调度指令发出时间间隔，搭建深度神经网络PumpNet；
S2：获取供水系统对应于深度神经网络输入特征的历史监测数据以及历史泵站调度指令，训练深度神经网络PumpNet；
S3：采集供水系统对应于深度神经网络PumpNet输入特征的实时监测数据，将其输入到训练好的深度神经网络中进行预测；
S4：输出泵站实时调度指令。
进一步地，所述步骤S1包括以下步骤：
S11：确定深度神经网络的输入特征；所述深度神经网络输入特征包括水厂出水流量、水厂出水压力、泵站出水压力、泵站水库液位、供水管网监测点压力、供水管网监测点流量；
S12：确定泵站调度指令发出时间间隔；所述泵站调度指令发出时间决定了深度神经网络进行泵站调度预测的时间间隔以及深度神经网络输入数据的时间间隔，所述时间间隔包括5min,10min,…,1h；
S13：搭建深度神经网络；所述网络由输入层、卷积层(Conv1D layer)、递归层(GRUlayer)、密连接层(Dense layer)以及输出层组成。
进一步地，所述步骤S2包括以下步骤：
S21：获取所述步骤S1中供水系统对应于深度神经网络输入特征且时间间隔为所述步骤S1中所设定的历史监测数据；
S22：获取所述步骤S21中历史数据相应时间的泵站历史调度指令；
S23：对输入特征的历史数据以及历史调度指令进行数据预处理；
S24：使用预处理后的数据训练深度神经网络PumpNet。
进一步地，所述步骤S23包括以下步骤：
S231：将监测点m记录的数据表示为如下向量形式：
Dm＝[Dm1,Dm2,...,Dmn]'
其中，Dmi为监测点m按时间顺序排列的第i个监测值，将所有监测点的监测值表示为如下矩阵形式：
Figure BDA0003159416220000041
S232：对历史监测值进行数据异常检测与修正：
Figure BDA0003159416220000042
其中，
Figure BDA0003159416220000043
为异常检测与修正后的监测值向量；ad_func为异常检测与修正函数。
S233：对修正后的历史监测数据进行归一化处理：
Figure BDA0003159416220000044
Figure BDA0003159416220000045
其中，Dm_std为修正监测值向量标准化后结果；Dm_scaled为修正监测值向量归一化后的结果；
S234：泵站历史调度指令预处理，将泵m的历史泵启闭状态表示为如下向量形式：
Km＝[Km1,Km2,...,Kmn]'
其中，Kmi为泵m按时间顺序排列的第i个时刻的泵启闭状态，将所有泵的启闭状态表示为如下矩阵形式：
Figure BDA0003159416220000046
其中，
Figure BDA0003159416220000047
S235：按照泵的类型以及所在位置等进行分组：
Figure BDA0003159416220000051
其中，Omi为泵组Pm按时顺序排列的第i个时刻的组内开泵台数。
进一步地，所述步骤S24包括以下步骤：
S241：加载数据，将数据分为训练集和测试集；
S242：选择平均绝对误差(Mean Absolute Error)函数用于评估训练过程，表示为：
Figure BDA0003159416220000052
其中，
Figure BDA0003159416220000053
为训练数据的期望输出，x为PumpNet的实际输出；
S243：使用Adam优化算法(Adaptive moment estimation)，根据损失函数更新PumpNet网络参数，反复迭代一定次数后训练完成。
进一步地，所述步骤S3包括以下步骤：
S31：以所述步骤1中确定的时间间隔收集供水系统对应于深度神经网络输入特征的实时监测数据；
S32：对收集到的实时监测数据进行预处理，预处理过程与所述步骤23相同；
S33：将预处理后的数据输入训练好的深度神经网络PumpNet中进行泵站调度的预测。
进一步地，所述步骤S4为将步骤33得到的泵组开泵台数以一定的规则返回至每台泵的启闭状态。
本发明的有益效果为：
1、本发明提供的方法借助深度神经网络技术能够自动提取供水系统监测数据的时间空间特征，可以更高效更充分地提取数据中满足泵站调度的特征。
2、本发明提供的方法可以综合分析供水系统多个监测点的多个时刻的数据特征，令不同时刻的数据特征相互补足，因此受到误差干扰更小。
3、本发明提供的方法通过分析供水系统监测数据来实现供水泵站的自动化调度，具有成本低、实用性高的特点。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
图1为本发明基于深度神经网络的供水泵站调度方法的流程框图；
图2为实施例供水区域及水厂泵站示意图。
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做出创造性劳动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。
如图1所示，为本发明提供的一种基于深度神经网络的供水泵站调度方法，该方法包括如下步骤：
S1：确定深度神经网络的输入特征，确定泵站调度指令发出时间间隔，搭建深度神经网络PumpNet；
S2：获取供水系统对应于深度神经网络输入特征的历史监测数据以及历史泵站调度指令，训练深度神经网络PumpNet；
S3：采集供水系统对应于深度神经网络PumpNet输入特征的实时监测数据，将其输入到训练好的深度神经网络中进行预测；
S4：输出泵站实时调度指令。
步骤S1包括以下步骤：
S11：确定深度神经网络的输入特征；深度神经网络输入特征包括水厂出水流量、水厂出水压力、泵站出水压力、泵站水库液位、供水管网监测点压力、供水管网监测点流量；
S12：确定泵站调度指令发出时间间隔；泵站调度指令发出时间决定了深度神经网络进行泵站调度预测的时间间隔以及深度神经网络输入数据的时间间隔，时间间隔包括5min,10min,…,1h；
S13：搭建深度神经网络；网络由输入层、卷积层、递归层、密连接层以及输出层组成。
步骤S2包括以下步骤：
S21：获取步骤S1中供水系统对应于深度神经网络输入特征且时间间隔为步骤S1中所设定的历史监测数据；
S22：获取步骤S21中历史数据相应时间的泵站历史调度指令；
S23：对输入特征的历史数据以及历史调度指令进行数据预处理；
S24：使用预处理后的数据训练深度神经网络PumpNet。
对收集到的历史数据以及历史调度指令首先需要进行数据预处理，以降低数据中随机误差的影响、强化数据中的关键特征、增强不同维度的数据可比性以及使得历史调度指令适用于深度神经网络输出结构。因此，步骤S23包括以下步骤：
S231：将监测点m记录的数据表示为如下向量形式：
Dm＝[Dm1,Dm2,...,Dmn]'
其中，Dmi为监测点m按时间顺序排列的第i个监测值，将所有监测点的监测值表示为如下矩阵形式：
Figure BDA0003159416220000071
S232：对历史监测值进行数据异常检测与修正：
Figure BDA0003159416220000072
其中，
Figure BDA0003159416220000073
为异常检测与修正后的监测值向量；ad_func为异常检测与修正函数。
S233：对修正后的历史监测数据进行归一化处理：
Figure BDA0003159416220000081
Figure BDA0003159416220000082
其中，Dm_std为修正监测值向量标准化后结果；Dm_scaled为修正监测值向量归一化后的结果；
S234：泵站历史调度指令预处理，将泵m的历史泵启闭状态表示为如下向量形式：
Km＝[Km1,Km2,...,Kmn]'
其中，Kmi为泵m按时间顺序排列的第i个时刻的泵启闭状态，将所有泵的启闭状态表示为如下矩阵形式：
Figure BDA0003159416220000083
其中，
Figure BDA0003159416220000084
S235：按照泵的类型以及所在位置等进行分组：
Figure BDA0003159416220000085
其中，Omi为泵组Pm按时顺序排列的第i个时刻的组内开泵台数。
步骤S24包括以下步骤：
S241：加载数据，将数据分为训练集和测试集；
S242：选择平均绝对误差函数用于评估训练过程，表示为：
Figure BDA0003159416220000086
其中，
Figure BDA0003159416220000087
为训练数据的期望输出，x为PumpNet的实际输出；
S243：使用Adam优化算法，根据损失函数更新PumpNet网络参数，反复迭代一定次数后训练完成。
步骤S3包括以下步骤：
S31：以步骤1中确定的时间间隔收集供水系统对应于深度神经网络输入特征的实时监测数据；
S32：对收集到的实时监测数据进行预处理，预处理过程与步骤23相同；
S33：将预处理后的数据输入训练好的深度神经网络PumpNet中进行泵站调度的预测。
在本发明中共将区域内19台泵分为5组，PumpNet网络对每个泵组内开泵台数进行预测。
步骤S4为将步骤S33得到的泵组开泵台数以一定的规则返回至每台泵的启闭状态。
在本发明中，共需要将5个泵组内的开泵台数返回按照一定规则返回至19台泵的每台泵的启闭状态。本步骤的详细实现方法不在本发明的关注范围内。
实施例使用的供水区域如图2所示，影响该区域供水的包括1个水厂以及4个泵站，共计19台泵。该区域水厂日供水量20万吨/天，区域内共有24个流量计以及27个测压点。
虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的技术特征。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims (7)

1.一种基于深度神经网络的供水泵站调度方法，其特征在于，该方法包括如下步骤：
S1：确定深度神经网络的输入特征，确定泵站调度指令发出时间间隔，搭建深度神经网络PumpNet；
S2：获取供水系统对应于深度神经网络输入特征的历史监测数据以及历史泵站调度指令，训练深度神经网络PumpNet；
S3：采集供水系统对应于深度神经网络PumpNet输入特征的实时监测数据，将其输入到训练好的深度神经网络中进行预测；
S4：输出泵站实时调度指令。
2.根据权利要求1所述的一种基于深度神经网络的供水泵站调度方法，其特征在于，所述步骤S1包括以下步骤：
S11：确定深度神经网络的输入特征；所述深度神经网络输入特征包括水厂出水流量、水厂出水压力、泵站出水压力、泵站水库液位、供水管网监测点压力、供水管网监测点流量；
S12：确定泵站调度指令发出时间间隔；所述泵站调度指令发出时间决定了深度神经网络进行泵站调度预测的时间间隔以及深度神经网络输入数据的时间间隔，所述时间间隔包括5min,10min,…,1h；
S13：搭建深度神经网络；所述网络由输入层、卷积层、递归层、密连接层以及输出层组成。
3.根据权利要求1所述的一种基于深度神经网络的供水泵站调度方法，其特征在于，所述步骤S2包括以下步骤：
S21：获取所述步骤S1中供水系统对应于深度神经网络输入特征且时间间隔为所述步骤S1中所设定的历史监测数据；
S22：获取所述步骤S21中历史数据相应时间的泵站历史调度指令；
S23：对输入特征的历史数据以及历史调度指令进行数据预处理；
S24：使用预处理后的数据训练深度神经网络PumpNet。
4.根据权利要求3所述的一种基于深度神经网络的供水泵站调度方法，其特征在于，所述步骤S23包括以下步骤：
S231：将监测点m记录的数据表示为如下向量形式：
Dm＝[Dm1,Dm2,...,Dmn]'
其中，Dmi为监测点m按时间顺序排列的第i个监测值，将所有监测点的监测值表示为如下矩阵形式：
Figure FDA0003159416210000021
S232：对历史监测值进行数据异常检测与修正：
Figure FDA0003159416210000022
其中，
Figure FDA0003159416210000023
为异常检测与修正后的监测值向量；ad_func为异常检测与修正函数。
S233：对修正后的历史监测数据进行归一化处理：
Figure FDA0003159416210000024
Figure FDA0003159416210000025
其中，Dm_std为修正监测值向量标准化后结果；Dm_scaled为修正监测值向量归一化后的结果；
S234：泵站历史调度指令预处理，将泵m的历史泵启闭状态表示为如下向量形式：
Km＝[Km1,Km2,...,Kmn]'
其中，Kmi为泵m按时间顺序排列的第i个时刻的泵启闭状态，将所有泵的启闭状态表示为如下矩阵形式：
Figure FDA0003159416210000031
其中，
Figure FDA0003159416210000032
S235：按照泵的类型以及所在位置等进行分组：
Figure FDA0003159416210000033
其中，Omi为泵组Pm按时顺序排列的第i个时刻的组内开泵台数。
5.根据权利要求3所述的一种基于深度神经网络的供水泵站调度方法，其特征在于，所述步骤S24包括以下步骤：
S241：加载数据，将数据分为训练集和测试集；
S242：选择平均绝对误差函数用于评估训练过程，表示为：
Figure FDA0003159416210000034
其中，
Figure FDA0003159416210000035
为训练数据的期望输出，x为PumpNet的实际输出；
S243：使用Adam优化算法，根据损失函数更新PumpNet网络参数，反复迭代一定次数后训练完成。
6.根据权利要求3所述的一种基于深度神经网络的供水泵站调度方法，其特征在于，步骤S3包括以下步骤：
S31：以所述步骤1中确定的时间间隔收集供水系统对应于深度神经网络输入特征的实时监测数据；
S32：对收集到的实时监测数据进行预处理，预处理过程与所述步骤23相同；
S33：将预处理后的数据输入训练好的深度神经网络PumpNet中进行泵站调度的预测。
7.根据权利要求6所述的一种基于深度神经网络的供水泵站调度方法，其特征在于，所述步骤S4为将步骤33得到的泵组开泵台数以一定的规则返回至每台泵的启闭状态。
CN202110787051.3A 2021-07-13 2021-07-13 一种基于深度神经网络的供水泵站调度方法 Active CN113688973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110787051.3A CN113688973B (zh) 2021-07-13 2021-07-13 一种基于深度神经网络的供水泵站调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110787051.3A CN113688973B (zh) 2021-07-13 2021-07-13 一种基于深度神经网络的供水泵站调度方法

Publications (2)

Publication Number Publication Date
CN113688973A true CN113688973A (zh) 2021-11-23
CN113688973B CN113688973B (zh) 2024-04-26

Family

ID=78576963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110787051.3A Active CN113688973B (zh) 2021-07-13 2021-07-13 一种基于深度神经网络的供水泵站调度方法

Country Status (1)

Country Link
CN (1) CN113688973B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114320866A (zh) * 2022-03-08 2022-04-12 湖南易净环保科技有限公司 分布式一体化泵站集中管理控制系统
CN114418212A (zh) * 2022-01-18 2022-04-29 上海城投水务(集团)有限公司 一种基于深度神经网络的供水泵站水泵工作频率的决策方法
CN118375600A (zh) * 2024-06-21 2024-07-23 杭州水务设计院有限公司 住宅二次供水变频泵组的变压控制优化系统与方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080208372A1 (en) * 2003-11-10 2008-08-28 Pannese Patrick D Scheduling with neural networks and state machines
CN101819407A (zh) * 2010-04-02 2010-09-01 杭州电子科技大学 基于神经网络的污水泵站水位预测方法
KR101864342B1 (ko) * 2018-02-07 2018-06-04 서울시립대학교 산학협력단 정수지 소독능을 고려한 단기 물 수요예측 기반 송수펌프 최적운영방법
CN109872247A (zh) * 2018-12-10 2019-06-11 清华大学 一种泵组特性曲线拟合方法
RU2726570C1 (ru) * 2019-01-17 2020-07-14 Федеральное государственное казённое военное образовательное учреждение высшего образования "Военная академия материально-технического обеспечения имени генерала армии А.В. Хрулева" Министерства обороны Российской Федерации Способ оптимизации систем водоснабжения
CN112084230A (zh) * 2020-07-30 2020-12-15 同济大学 一种地表水水质预测方法
CN112097126A (zh) * 2020-09-18 2020-12-18 同济大学 一种基于深度神经网络的供水管网爆管管道精确识别方法
US20210133569A1 (en) * 2019-11-04 2021-05-06 Tsinghua University Methods, computing devices, and storage media for predicting traffic matrix
WO2021120787A1 (zh) * 2019-12-20 2021-06-24 华中科技大学 一种流域干支流大规模水库群模拟调度方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080208372A1 (en) * 2003-11-10 2008-08-28 Pannese Patrick D Scheduling with neural networks and state machines
CN101819407A (zh) * 2010-04-02 2010-09-01 杭州电子科技大学 基于神经网络的污水泵站水位预测方法
KR101864342B1 (ko) * 2018-02-07 2018-06-04 서울시립대학교 산학협력단 정수지 소독능을 고려한 단기 물 수요예측 기반 송수펌프 최적운영방법
CN109872247A (zh) * 2018-12-10 2019-06-11 清华大学 一种泵组特性曲线拟合方法
RU2726570C1 (ru) * 2019-01-17 2020-07-14 Федеральное государственное казённое военное образовательное учреждение высшего образования "Военная академия материально-технического обеспечения имени генерала армии А.В. Хрулева" Министерства обороны Российской Федерации Способ оптимизации систем водоснабжения
US20210133569A1 (en) * 2019-11-04 2021-05-06 Tsinghua University Methods, computing devices, and storage media for predicting traffic matrix
WO2021120787A1 (zh) * 2019-12-20 2021-06-24 华中科技大学 一种流域干支流大规模水库群模拟调度方法
CN112084230A (zh) * 2020-07-30 2020-12-15 同济大学 一种地表水水质预测方法
CN112097126A (zh) * 2020-09-18 2020-12-18 同济大学 一种基于深度神经网络的供水管网爆管管道精确识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
云涛;: "基于神经网络算法的旱季排水管网泵站液位预测方法", 电子技术, no. 01 *
魏良良;丁祥;蔡甜;欧阳二明;: "基于BP神经网络与改进遗传算法的泵站优化调度", 水电能源科学, no. 05 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114418212A (zh) * 2022-01-18 2022-04-29 上海城投水务(集团)有限公司 一种基于深度神经网络的供水泵站水泵工作频率的决策方法
CN114320866A (zh) * 2022-03-08 2022-04-12 湖南易净环保科技有限公司 分布式一体化泵站集中管理控制系统
CN118375600A (zh) * 2024-06-21 2024-07-23 杭州水务设计院有限公司 住宅二次供水变频泵组的变压控制优化系统与方法

Also Published As

Publication number Publication date
CN113688973B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN113688973A (zh) 一种基于深度神经网络的供水泵站调度方法
Song et al. Hourly heat load prediction model based on temporal convolutional neural network
CN102411729B (zh) 基于自适应线性逻辑网络的风电功率预测方法
CN102184453A (zh) 基于模糊神经网络和支持向量机的风电功率组合预测方法
CN103904664B (zh) 一种基于有效静态安全域的agc机组实时调度方法
CN117595231B (zh) 一种智能电网配网管理系统及其方法
CN105243502A (zh) 一种基于径流区间预测的水电站调度风险评估方法及系统
CN104463356A (zh) 一种基于多维信息人工神经网络算法的光伏发电功率预测方法
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
Song et al. An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings
CN111598724A (zh) 一种中小水库入库流量日前预测的分时段集成方法
CN116307287B (zh) 一种光伏发电有效时段的预测方法、系统及预测终端
CN116225102B (zh) 一种移动式的储能通信温升自动监控系统及装置
CN111917111B (zh) 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质
CN106762453A (zh) 具有发电量预测及跟踪控制的风力发电智能网及控制方法
CN108846488A (zh) 风电场的检修调度方法和装置
CN108446783A (zh) 一种新风机运行功率的预测及监控方法
CN117078047B (zh) 一种基于lstm的热负荷预测与分配优化方法及系统
CN115965134A (zh) 一种区域电网风力发电功率预测优化方法
CN116154875A (zh) 基于tcn和误差函数的光伏电站有功功率优化分配方法
CN112821456B (zh) 基于迁移学习的分布式源-储-荷匹配方法及装置
CN105260948A (zh) 一种城市供水系统日计划调度决策方法
CN118211736B (zh) 基于分布式数据驱动的排水管网联合调度方法和系统
CN118536410B (zh) 基于大数据驱动建模的能耗优化决策分析方法及系统
CN114611812A (zh) 一种基于流体动力学的风能资源预测系统与方法

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
TA01 Transfer of patent application right

Effective date of registration: 20220805

Address after: 200092 Siping Road 1239, Shanghai, Yangpu District

Applicant after: TONGJI University

Applicant after: Aliyun Computing Co.,Ltd.

Address before: 200092 Siping Road 1239, Shanghai, Yangpu District

Applicant before: TONGJI University

GR01 Patent grant
GR01 Patent grant