CN114418212A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114418212A
CN114418212A CN202210052944.8A CN202210052944A CN114418212A CN 114418212 A CN114418212 A CN 114418212A CN 202210052944 A CN202210052944 A CN 202210052944A CN 114418212 A CN114418212 A CN 114418212A
Authority
CN
China
Prior art keywords
neural network
deep neural
water
water supply
frequency
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.)
Pending
Application number
CN202210052944.8A
Other languages
English (en)
Inventor
赵平伟
信昆仑
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.)
Shanghai Chengtou Water Group Co ltd
Tongji University
Original Assignee
Shanghai Chengtou Water Group Co ltd
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 Shanghai Chengtou Water Group Co ltd, Tongji University filed Critical Shanghai Chengtou Water Group Co ltd
Priority to CN202210052944.8A priority Critical patent/CN114418212A/zh
Publication of CN114418212A publication Critical patent/CN114418212A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开了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，包括如下步骤：步骤S1，根据供水管网系统监测数据的种类，确定基于供水泵站频率相关数据的深度神经网络输入特征，搭建深度神经网络PumpFreNet；步骤S2，获取所述深度神经网络输入特征对应的历史监测数据，以及历史数据发生同时刻的历史水泵频率，处理并生成数据集，训练深度神经网络PumpFreNet；步骤S3，实时采集供水管网系统对应于深度神经网络PumpFreNet输入特征的监测数据，将其输入到训练好的深度神经网络中进行预测；步骤S4，输出水泵站各台泵实时水泵工作频率决策结果，本发明可以准确确定供水泵站水泵在一定供水量和压力要求条件下的开泵频率。

Description

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
技术领域
本发明涉及供水泵站水泵频率预测技术领域，特别是涉及一种基于深度神 经网络的供水泵站水泵工作频率的决策方法。
背景技术
对供水泵站变频泵频率的设置和调节是供水管网调度的最后一个环节。供 水泵站水泵频率的设置，服务于供水管网调度，是指在得知管网中各监测点监 测值时的水泵频率设置方法。目前，与深度学习相结合的供水泵站开泵频率预 测的相关研究较少，现有的开泵频率预测方法主要包括：
(1)人工经验法
目前，供水泵站的水泵运行频率主要通过人工经验加以设置，即基于供水 管网各监测数据，如流量、压力、液位等数据进行人工的需水量估计，并且根 据人工经验粗略估计，决定供水水泵的启闭；但此类方法无法随意性高，科学 性不强，比较适合于城市发展的初期，无法适应现代供水管网智能调度的需求、 对城市管网状态的变化无法较快地适应。
(2)管网水力模型法
管网的微观模型是考虑了管道物理长度、管材、阀门、水泵型号等元素的 基础上建立起来的水力仿真模型，力求与实际管网更为接近，其计算遵循水力 学的基本原理。微观模型能够更加直观地反映管网实际工作状态，但微观模型 的准确计算需要满足连续性方程组和能量方程组，需要准确的管网元素信息， 如需水量、摩阻系数、清晰的拓扑结构等。需水量信息较为难以获取，往往需 要人工估计；摩阻系数是由管材、管径、管龄等诸多因素影响的，而且随着时 间、水质情况会发生缓慢的变化；而由于城市发展快速、同时档案的保存和数 字化水平较低，导致管网拓扑往往不够准确，同时地下管线错综复杂，就算有相应图纸，也需要研究人员花费大量时间进行数字化建模，对于不确定的地方 还需要工程人员进行摸排。因此，亟需一种效果更优且容易实施的开泵频率决 策方法。
发明内容
为克服上述现有技术存在的不足，本发明之目的在于提供一种基于深度神 经网络的供水泵站水泵工作频率的决策方法，通过搭建基于供水泵站频率的深 度神经网络，收集历史监测数据集历史水泵频率生成数据集训练模型，采用实 时数据预测供水泵站开泵频率，最终实现各台水泵实时开泵频率的输出。
为达上述目的，本发明提出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，包括如下步骤：步骤S1，根据供水管网系统监测数据的种类， 确定基于供水泵站频率相关数据的深度神经网络输入特征，搭建深度神经网络 PumpFreNet；
步骤S11，根据供水系统监测数据的种类，确定基于供水泵站频率的深度神 经网络输入特征；所述基于供水泵站频率的深度神经网络输入特征包括水厂出 水流量、水厂出水压力、水厂清水池液位；
步骤S12，搭建深度神经网络PumpFreNet，所述深度神经网络PumpFreNet 由输入层、卷积层、密连接层和输出层组成。
步骤S2，获取所述深度神经网络输入特征对应的历史监测数据，以及历史 数据发生同时刻的历史水泵频率，处理并生成数据集，训练深度神经网络 PumpFreNet；
步骤S21，获取所述深度神经网络输入特征对应的历史监测数据，以及历史 数据发生同时刻的历史水泵频率；
步骤S22，对输入特征的历史数据以及历史水泵频率进行数据预处理并生成 数据集；
步骤S221：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 BDA0003475043070000031
步骤S222：历史监测数据预处理，将历史时刻泵m的运行频率以如下向量 表示：
Km＝[Km1,Km2,…,Kmn]'
其中，Kmi为泵m按时间顺序的第i个时刻的运行频率，将所有泵的运行频 率表示为如下m×n维矩阵：
Figure BDA0003475043070000032
其中，Kmn：泵m在n时刻的运行频率。
步骤S223：按照泵的类型以及布置位置进行分组，所述泵的类型包括变频 和工频。
步骤S23，使用预处理后的数据集训练深度神经网络PumpFreNet，所述数 据集包括训练集和测试集；
步骤S231，使用训练集进行PumpFreNet模型拟合，使用测试集评估 PumpFreNet模型泛化能力；
步骤S232，通过均方误差函数对训练效果进行评估：
Figure BDA0003475043070000033
其中，
Figure BDA0003475043070000034
为PumpFreNet模型的期望输出，x为模型的实际输出；
步骤S233，采用Adam算法作为优化函数，根据各训练迭代中的损失值更 新PumpFreNet模型参数，按照损失大小决定迭代次数，直到达到足够次数或者 损失小于设置的目标值。
步骤S3，实时采集供水管网系统对应于深度神经网络PumpFreNet输入特征 的监测数据，将所述检测数据输入至训练完成的深度神经网络中进行预测；
步骤S31，于供水管网系统中收集所选用深度学习模型所需特征的实时监测 数据；
步骤S32，对收集到的实时监测数据历史值进行预处理，预处理过程同步骤 S22；
步骤S33，使用预处理后的数据生成数据集，输入训练好的深度神经网络PumpFreNet模型中进行泵站中水泵工作频率的决策。
步骤S4，输出水泵站各台泵实时水泵工作频率决策结果。
所述步骤S4为将步骤S33得到的各台水泵频率对应至各台开启的水泵。
与现有技术相比，本发明一种基于深度神经网络的供水泵站水泵工作频率 的决策方法的有益效果在于：
(1)本发明通过搭建深度神经网络，使用泵站水泵工作频率确定所需的历 史数据值预测，能够准确预测供水泵站水泵开启的频率，精准指导水泵站水泵 频率的设置；
(2)本发明提供的方法可以预测供水泵站水泵工作频率，并且免于进行供 水管网建模，是数据驱动的方法，更易于实施。
(3)本发明考虑到供水管网系统的特性，采用并提升了稠密连接层的网络 结构，使所需要的输入参数显著减少，且其精度显著提高。
附图说明
图1为本发明本发明一种基于深度神经网络的供水泵站水泵工作频率的决 策方法的步骤流程图；
图2为本发明公开的一个实施例之供水区域示意图；
图3为本发明公开的一个实施例之预测结果示意图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术 人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明 亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基 于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
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水泵工作 频率的决策方法，该方法包括如下步骤：
步骤S1，根据供水管网系统监测数据的种类，确定基于供水泵站频率相关 数据的深度神经网络输入特征，搭建深度神经网络PumpFreNet；
步骤S11，根据供水系统监测数据的种类，确定基于供水泵站频率的深度神 经网络输入特征；所述基于供水泵站频率的深度神经网络输入特征包括水厂出 水流量、水厂出水压力、水厂清水池液位；
步骤S12，搭建深度神经网络PumpFreNet，所述深度神经网络PumpFreNet 由输入层、卷积层、密连接层和输出层组成。
其中，PumpFreNet的每个中间层的输入都为之前的各层中间层的输出拼接 而得到，具有“密连接层”，能够充分利用有限的输入特征。
步骤S2，获取所述深度神经网络输入特征对应的历史监测数据，以及历史 数据发生同时刻的历史水泵频率，处理并生成数据集，训练深度神经网络 PumpFreNet；
步骤S21，获取所述深度神经网络输入特征对应的历史监测数据，以及历史 数据发生同时刻的历史水泵频率；
步骤S22，对输入特征的历史数据以及历史水泵频率进行数据预处理并生成 数据集；
步骤S221：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 BDA0003475043070000051
步骤S222：历史监测数据预处理，将历史时刻泵m的运行频率以如下向量 表示：
Km＝[Km1,Km2,…,Kmn]'
其中，Kmi为泵m按时间顺序的第i个时刻的运行频率，将所有泵的运行频 率表示为如下m×n维矩阵：
Figure BDA0003475043070000061
其中，Kmn：泵m在n时刻的运行频率。
步骤S223：按照泵的类型以及布置位置进行分组，所述泵的类型包括变频 和工频。
步骤S23，使用预处理后的数据集训练深度神经网络PumpFreNet，所述数 据集包括训练集和测试集；
步骤S231，使用训练集进行PumpFreNet模型拟合，使用测试集评估 PumpFreNet模型泛化能力；
步骤S232，通过均方误差函数对训练效果进行评估：
Figure BDA0003475043070000062
其中，
Figure BDA0003475043070000063
为PumpFreNet模型的期望输出，x为模型的实际输出；
步骤S233，采用Adam算法作为优化函数，根据各训练迭代中的损失值更 新PumpFreNet模型参数，按照损失大小决定迭代次数，直到达到足够次数或者 损失小于设置的目标值。
步骤S3，实时采集供水管网系统对应于深度神经网络PumpFreNet输入特征 的监测数据，将所述检测数据输入至训练完成的深度神经网络中进行预测；
步骤S31，于供水管网系统中收集所选用深度学习模型所需特征的实时监测 数据；
步骤S32，对收集到的实时监测数据历史值进行预处理，预处理过程同步骤S22；
步骤S33，使用预处理后的数据生成数据集，输入训练好的深度神经网络PumpFreNet模型中进行泵站中水泵工作频率的决策。
步骤S4，输出水泵站各台泵实时水泵工作频率决策结果。
所述步骤S4为将步骤S33得到的各台水泵频率对应至各台开启的水泵。
在本实施例中，将所涉及水厂的两个泵站共计6台变频泵分为两组， PumpFreNet网络对每个泵组内所开启水泵的频率进行预测，并将2个泵组内各 台水泵频率以一定的规则对应至各台开启的水泵。
图2为本发明公开的一个实施例之供水区域示意图，如图3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。
本实施例基于该供水区域，采用该区域的水泵开关指令和所需的水厂出水 流量和压力数据，通过水厂流量、压力、水泵开关指令、水厂清水池液位作为 深度神经网络PumpFreNet的输入特征，预测水厂各台变频泵频率，以该水厂 2020-08-01～2020-08-06期间的历史数据作为数据集，最终预测误差达到1Hz以 内，预测精度达到98％以上。
图3为本发明公开的一个实施例之预测结果示意图，如图3所示，波动较 大的为真实值，波动幅度较小的为预测值，可见预测结果的准确度显著。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。 任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行 修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (7)

1.一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，包括如下步骤：
步骤S1，根据供水管网系统监测数据的种类，确定基于供水泵站频率相关数据的深度神经网络输入特征，搭建深度神经网络PumpFreNet；
步骤S2，获取所述深度神经网络输入特征对应的历史监测数据，以及历史数据发生同时刻的历史水泵频率，处理并生成数据集，训练深度神经网络PumpFreNet；
步骤S3，实时采集供水管网系统对应于深度神经网络PumpFreNet输入特征的监测数据，将所述检测数据输入至训练完成的深度神经网络中进行预测；
步骤S4，输出水泵站各台泵实时水泵工作频率决策结果。
2.如权利要求1所述的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，其特征在于，所述步骤S1进一步包括如下步骤：
步骤S11，根据供水系统监测数据的种类，确定基于供水泵站频率的深度神经网络输入特征；所述基于供水泵站频率的深度神经网络输入特征包括水厂出水流量、水厂出水压力、水厂清水池液位；
步骤S12，搭建深度神经网络PumpFreNet，所述深度神经网络PumpFreNet由输入层、卷积层、密连接层和输出层组成。
3.如权利要求1所述的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，其特征在于，所述步骤S2进一步包括如下步骤:
步骤S21，获取所述深度神经网络输入特征对应的历史监测数据，以及历史数据发生同时刻的历史水泵频率；
步骤S22，对输入特征的历史数据以及历史水泵频率进行数据预处理；
步骤S23，使用预处理后的数据集训练深度神经网络PumpFreNet，所述数据集包括训练集和测试集。
4.如权利要求3所述的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，其特征在于，所述步骤S22进一步包括如下步骤：
步骤S221：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 FDA0003475043060000021
步骤S222：历史监测数据预处理，将历史时刻泵m的运行频率以如下向量表示：
Km＝[Km1,Km2,…,Kmn]'
其中，Kmi为泵m按时间顺序的第i个时刻的运行频率，将所有泵的运行频率表示为如下m×n维矩阵：
Figure FDA0003475043060000022
其中，Kmn：泵m在n时刻的运行频率。
步骤S223：按照泵的类型以及布置位置进行分组，所述泵的类型包括变频和工频。
5.如权利要求3所述的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，其特征在于，所述步骤S23进一步包括如下步骤：
步骤S231，使用训练集进行PumpFreNet模型拟合，使用测试集评估PumpFreNet模型泛化能力；
步骤S232，通过均方误差函数对训练效果进行评估：
Figure FDA0003475043060000023
其中，
Figure FDA0003475043060000024
为PumpFreNet模型的期望输出，x为模型的实际输出；
步骤S233，采用Adam算法作为优化函数，根据各训练迭代中的损失值更新PumpFreNet模型参数，按照损失大小决定迭代次数，直到达到足够次数或者损失小于设置的目标值。
6.如权利要求1所述的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，其特征在于，所述步骤S3进一步包括如下步骤：
步骤S31，于供水管网系统中收集所选用深度学习模型所需特征的实时监测数据；
步骤S32，对收集到的实时监测数据历史值进行预处理，预处理过程同步骤S22；
步骤S33，使用预处理后的数据生成数据集，输入训练好的深度神经网络PumpFreNet模型中进行泵站中水泵工作频率的决策。
7.如权利要求6所述的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，其特征在于，所述步骤S4为将步骤S33得到的各台水泵频率对应至各台开启的水泵。
CN202210052944.8A 2022-01-18 2022-01-18 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 Pending CN114418212A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210052944.8A CN114418212A (zh) 2022-01-18 2022-01-18 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210052944.8A CN114418212A (zh) 2022-01-18 2022-01-18 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

Publications (1)

Publication Number Publication Date
CN114418212A true CN114418212A (zh) 2022-04-29

Family

ID=81273080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210052944.8A Pending CN114418212A (zh) 2022-01-18 2022-01-18 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

Country Status (1)

Country Link
CN (1) CN114418212A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116699998A (zh) * 2023-06-21 2023-09-05 广州和达水务科技股份有限公司 基于ai算法的无人值守加压站控制系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116699998A (zh) * 2023-06-21 2023-09-05 广州和达水务科技股份有限公司 基于ai算法的无人值守加压站控制系统
CN116699998B (zh) * 2023-06-21 2024-02-13 广州和达水务科技股份有限公司 基于ai算法的无人值守加压站控制系统

Similar Documents

Publication Publication Date Title
CN110414742A (zh) 一种多水位站联动的内河水位智能预测方法
CN113762618B (zh) 一种基于多因子相似分析的湖泊水位预报方法
JPH07319508A (ja) プロセス運転支援方法およびシステム
CN103530818B (zh) 一种基于brb系统的供水管网建模方法
CN104715292A (zh) 基于最小二乘支持向量机模型的城市短期用水量预测方法
CN106600094A (zh) 一种基于供水管网动态模型的管道水质风险评价方法
JP2007205001A (ja) 流量予測装置
CN111242344A (zh) 一种基于循环神经网络和卷积神经网络的智能水位预测方法
US11906987B2 (en) Pressure control in a supply grid
CN101871448B (zh) 一种泵站水泵特性曲线确定方法及系统
CN115271186B (zh) 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法
CN114048694B (zh) 一种基于物联网和水力模型的漏损定位方法
CN114992106A (zh) 一种基于数字孪生的泵站机组运行状态分析系统
CN114418212A (zh) 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
Li et al. A method of rainfall runoff forecasting based on deep convolution neural networks
CN114936742A (zh) 一种供水系统调度代理决策方法
CN112596386A (zh) 基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型
CN106200381A (zh) 一种根据处理水量分阶段控制水厂运行的方法
CN117540329B (zh) 基于机器学习的排水管网缺陷在线预警方法及系统
CN109886316B (zh) 基于云系相似度权重分配的变压器状态参量组合预测方法
CN115730739A (zh) 一种基于lstm神经网络的城市内涝积水预测方法
KR100724497B1 (ko) 물 수요 예측 시스템 및 방법
CN114548680B (zh) 城市暴雨洪水管理模型参数自动率定方法及系统
CN113406940B (zh) 一种基于模型预测控制的智能排水分级实时控制方法
Amaitik et al. Prediction of pipe failures in water mains using artificial neural network models

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