CN114493037A - 一种水平衡自动测试预测方法和系统 - Google Patents
一种水平衡自动测试预测方法和系统 Download PDFInfo
- Publication number
- CN114493037A CN114493037A CN202210139826.0A CN202210139826A CN114493037A CN 114493037 A CN114493037 A CN 114493037A CN 202210139826 A CN202210139826 A CN 202210139826A CN 114493037 A CN114493037 A CN 114493037A
- Authority
- CN
- China
- Prior art keywords
- data
- water
- water balance
- real
- time
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 239
- 238000012360 testing method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013500 data storage Methods 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 9
- 239000000498 cooling water Substances 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 4
- 239000002351 wastewater Substances 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000000126 substance Substances 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
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Fluid Mechanics (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种水平衡自动测试预测方法和系统，方法包括如下步骤：构建用水单位的水平衡图并存储与水平衡自动预测测试系统中；实时采集各管道、设备的原始水流量数据；对采集的原始数据进行分析校验和计算；根据数据分析校验和计算结果进行水平衡自动预测。所述水平衡自动测试预测系统包括：数据采集层、数据传输层、数据存储层、分析处理层和应用层。本发明提供的水平衡自动测试预测方法可实现实时在线的用水单位水平衡测试，并且根据实时采集数据、实时计算结果、历史数据等，给出用水量等参数的未来预测值。进而增加水平衡测试的实时性、客观性，减少水平衡测试时间、人力消耗，并增加供水管路的稳定性。
Description
技术领域
本发明涉及用水单位水平衡测试评价领域，具体而言，涉及一种水平衡自动测试预测方法和系统。
背景技术
水平衡测试是化工、电力等行业进行水资源管理的行之有效的方法，是实现节约用水、“梯级利用、清污分流”的基础条件。水平衡测试对用水设备和用水单位的水量等进行系统的测试、统计、分析，得出水量平衡关系，进而了解企业等的用水情况，建立企业用水计量网络，考核企业用水合理性，并据此给出合理用水、节约用水的措施。
目前，对各个单位的水平衡测试，主要由相关的受过专门训练的水务工程师主导，定期不定期进行的，还没有实现水平衡的实时、自动测试，导致水务系统发现问题延后，处理问题不及时。以上海市为例，2019年7月开始实施的《上海市水平衡测试管理规定》第六条规定：“日取水量15万立方米以上(含15万立方米)的取水单位和月均用水量达到5000立方米以上的用水单位，应当每五年开展一次水平衡测试工作。”取用水单位可以自行开展水平衡测试工作，也可以委托具有相应资质的专业测试机构开展水平衡测试工作。但是水管线的泄漏、不良的用水方式，其产生的时间往往是不可预知的，因此，目前的这种测试方法，必然无法及时监测到这些异常状况。此外，目前的水平衡测试方法，主要还是依靠人工，对企业的用水情况进行统计，对水平衡进行计算，因此，测试周期长、劳动强度高。再加上，测试过程受人工主观因素影响较大，常常导致结果具有很大的主观性。现有技术中公开号为CN112529349A的专利公开了一种一种电力企业水平衡测试系统，包括数据采集模块、数据传输模块、数据存储模块、数据处理模块和输出模块；数据采集模块用于采集各用水子系统相应测点的流量数据和辅助参数数据；数据传输模块用于将数据采集模块中采集到的数据进行实时回传至数据存储模块；数据存储模块用于对数据传输模块传输的数据进行存储、整理；数据处理模块用于根据数据存储模块中的数据进行计算构建企业水平衡模型，并对企业水平衡测试结果进行分析；输出模块用于将数据处理模块中的测试及分析结果以报表或图形形式输出。该现有技术虽然能够实时采集数据，但是并不能够对用水量等参数进行预测，尤其是针对一些用水量波动较大、波动较快的单位，其水量变动必然会对大的供水管网产生冲击，目前亦还未有行之有效的方式对用水量、不平衡率等重点参数进行预测。
发明内容
有鉴于此，本发明旨在提出一种水平衡自动测试预测方法和系统，以解决现有技术中水平衡测试无法做到实时、客观，不能实现用水量预测等问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种水平衡自动测试预测方法，包括如下步骤：
S1、构建用水单位的水平衡图并存储与水平衡自动预测测试系统中；
S2、实时采集各管道、设备的原始水流量数据；
S3、对采集的原始数据进行分析校验和计算；
S4、根据数据分析校验和计算结果进行水平衡自动预测。
进一步的，步骤S4中水平衡预测包括如下步骤：
S41、采集所有与设备、系统等水务相关联的运行参数；
S42、数据预处理，所述数据预处理包含以下分步骤：数据规约、异常值处理、共线特征数据处理、数据拆分、数据规范化、筛选目标特征参数、采用算法对目标参数进行机器学习预测。
进一步的，异常值处理包括：采用箱型图识别异常值，异常值定义为小于
或大于
的值，其中，L为下四分位数，U为上四分位数，H为四分位数间距，
为上下界系数，小于
或大于
的值为数据异常情况，不能代表正常的数据分布，需剔除或进行修正。
进一步的，在进行数据采集前，对整个用水单位的水务系统进行分析，将用水设备、管线按生产工艺、布置形式划分为不同的系统，形成整个用水单位的水平衡图。
进一步的，步骤S3中，对各个关键设备、系统的水测量参数，进行实时展示，对水不平衡率、单位水耗量、补水率进行实时计算、展示，在存在数据异常或管路参数异常情况时，作出参数异常的报警功能。
相对于现有技术，本发明所述的水平衡自动测试预测方法具有以下优势：
可实现实时在线的用水单位水平衡测试，并且根据实时采集数据、实时计算结果、历史数据等，给出用水量等参数的未来预测值。进而增加水平衡测试的实时性、客观性，减少水平衡测试时间、人力消耗，并增加供水管路的稳定性。
本发明还提供了一种水平衡自动测试预测系统，能够执行以上所述的水平衡自动测试预测方法。所述水平衡自动测试预测系统包括：数据采集层、数据传输层、数据存储层、分析处理层和应用层。
进一步的，所述数据采集层采用直接测量或间接测量的方式。
进一步的，所述数据存储层用于存储水务相关的实时数据和历史数据，所述实时数据包括静态数据和动态数据，静态数据包括用水单位的名称、地址、基本情况、管道情况以及设备情况；动态数据包括管道的水流量、水容器的液位值、水温以及用水设备负荷实时变化的数据。
进一步的，所述分析处理层包括数据清洗、数据对齐、数据模式转换。
进一步的，所述应用层包括实时数据展示、实时指标计算、历史数据查询、未来趋势预测和异常分析。
所述水平衡自动测试预测系统与上述水平衡自动测试预测方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
图1为本发明实施例所述的水平衡自动测试预测系统结构框图；
图2为本发明实施例所述的火力发电厂水平衡模型框图；
图3为本发明实施例所述的火力发电厂水平衡示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
本实施例公开了一种水平衡自动测试预测方法，包括如下步骤：
S1、构建用水单位的水平衡图并存储与水平衡自动预测测试系统中；
在进行数据采集前，首先对整个用水单位的水务系统进行分析，将用水设备、管线等按生产工艺、布置形式等，结合图论等相关知识，划分为不同的系统，形成整个用水单位的水平衡图。并据此确定各个设备、管道、系统之间水流量等直接测量量与水耗量、不平衡率等指标参数之间的逻辑关系、参数的机理模型等，若需要进行异常监测，还可设置参数的报警上下限阈值等。
将按照上述步骤确定的水平衡图、各参数之间的逻辑关系等输入至水平衡自动测试预测系统中，作为后续应用的基础。
S2、实时采集各管道、设备的原始水流量数据；
通过端侧的数据采集设备采集各个管道、设备的实时水流量等数据，并将采集到的数据传输至水平衡自动预测测试系统中。进一步的，数据采集设备可以为在线水流量计，或通过其他间接的在线水流量测试方法。
水平衡自动预测测试系统中设置在边侧或云侧，水平衡自动预测测试系统中设置有数据存储单元。进一步的，数据传输的具体实现方式，根据用水单位的具体条件进行选择，例如，对于用水单位面积大，数据量大，数据传输实时性要求高的，可采用5G通信技术。
S3、对采集的数据进行分析校验和计算；
具体的，对采集到的数据和存储的数据进行清洗、对齐和模式转换等操作，以便于后续业务场景下的正常使用。例如，对数据进行审查和校验，删除重复信息、纠正存在的错误，以确保数据的一致性。
对各个关键设备、系统的水等测量参数，进行实时展示，对水不平衡率、单位水耗量、补水率等进行实时计算、展示。用户还可对历史的测量数据和指标参数进行查询，并可对主要参数如水不平衡率、单位水耗量等进行未来趋势的预测。
进一步的，在数据分析校验和计算过程中，若存在数据异常或管路参数异常情况，还可提供参数的异常报警分析等功能。
S4、根据数据分析校验和计算结果进行水平衡自动预测。
进一步的，水平衡预测是一个复杂系统的多模型集成学习预测，具体包括用水单位关键设备用水量、系统不平衡率等参数的预测。
更进一步的，水平衡预测包括如下步骤：
S41、采集所有与设备、系统等水务相关联的运行参数；
S42、数据预处理；
在系统数据存储层存放着水务相关历史数据，但由于人为记录或测点异常等原因，数据库必然存在不完整、不一致或重复等问题，因此需要对数据进行预处理。
进一步的，数据预处理又包含以下分步骤：数据规约、异常值处理、共线特征数据处理、数据拆分、数据规范化、筛选目标特征参数、采用算法对目标参数进行机器学习预测。
具体地，数据规约为将数据库中存在的与预测无关的、重复的、同类性质的参数进行剔除。以剔除数据库中存在的数据重复、复杂等问题，进而保证数据完整、一致，保证水平衡自动预测的准确性。
异常值处理包括：采用箱型图识别异常值，异常值定义为小于
或大于
的值，其中，L为下四分位数，U为上四分位数，H为四分位数间距，
为上下界系数。小于
或大于
的值为数据异常情况，不能代表正常的数据分布，需剔除或进行修正。
共线特征数据处理具体包括：对于相互强相关的共线特征，需要消除这些特征对中的一个变量帮助机器学习模型推广并更易于解释。
数据拆分具体包括：将数据分成训练集和测试集，其中训练集用于模型计算，测试集用于验证、评估模型。
为了消除不同的参数、指标之间量纲和取值范围差异的影响，需对数据进行标准化处理，即数据规范化。
其中筛选目标特征参数是指通过特征选择等来选取最重要的、具有代表性特征，以减少数据量和数据重复，避免出现数据异常。
最后采用编程语言和算法对目标参数进行机器学习预测。其中编程语言可以为python等编程语言，算法可以采用向量机、随机森林、梯度提升树、人工神经网络等。
作为本发明实施例的一部分，如图1所示，还提供了一种水平衡自动测试预测系统，该系统能够执行上述所述的水平衡自动测试预测方法。水平衡自动测试预测系统包括：数据采集层、数据传输层、数据存储层、分析处理层和应用层。
其中，数据采集层用于采集各个管路、用水设备等的水流量、或可间接计算水流量的相关参数，与水务相关的运行数据等。水流量的采集可使用直接测量的方式，如采用在线的水流量测量仪表；也可采用间接测量的方式，如根据容器液位的变化速度、容器的截面积等数据来确定其流量。与水务相关的运行数据，是指会影响用水单位水耗量、水平衡的相关参数。以某火力发电厂为例，当地环境温湿度、风速、机组负荷等会影响到水务的运行状态的数据均在此采集范围内。
其中，数据传输层主要用于将采集的数据传输至数据存储层。综合考虑现场已有条件、未来发展规划等，可采用5G、WiFi、ZigBee、Bluetooth、LoRa和有线传输等方法。
其中，数据存储层，主要用于存储水务相关的实时数据和历史数据，包括静态数据和动态数据等。静态数据至少包括用水单位的名称、地址、基本情况、管道情况、设备情况等；动态数据至少包括管道的水流量、水容器的液位值、水温、用水设备负荷等实时变化的数据。
其中，分析处理层，主要是对采集的数据按后续业务需求，进行数据清洗、数据对齐、数据模式转换等操作。
其中，应用层，主要是根据业务需要进行水平衡相关参数的实时数据展示、实时指标计算、历史数据查询、未来趋势预测和异常分析等。
实施例1
以火力发电厂的水平衡模型为例，其水平衡自动测试预测方法包括：
S1、构建该火力发电厂的水平衡图，并将水平衡表达式存储至水平衡自动预测测试系统中；
具体，按照DL/T 606.5-2009《火力发电厂能量平衡导则第5部分：水平衡试验》进行，如图2所示为该火力发电厂的水平衡模型图，其中Vcy为系统中循环用水量，Vf为系统中取水量，Vs为系统中串联用水量，Vt为系统中总用水量，Vco为系统中耗水量，Vd为系统中排水量，V1为系统中漏溢水量。水平衡测试。
同时向水平衡自动预测测试系统中输入水平衡的表达式，包括：输入表达式见式1，输出表达式见式2，输入输出平衡方程式见式3。
式1：Vcy+Vf+Vs＝Vt
式2：Vt＝Vcy+Vco+Vd+V1
式3：Vcy+Vf+Vs＝Vcy+Vco+Vd+V1
S2、实时采集各管道、设备的水流量数据；
对采集到的数据和存储的数据进行清洗、对齐和模式转换等操作，如图3所示，为根据实时采集到的数据进行处理后可正常使用的流量数据。
S3、对采集的数据进行分析校验和计算；
根据检测到的各个流量数据，并参考《DL/T606.5-2009火力发电厂能量平衡导则第5部分：水平衡试验》中的有关公式计算该火力发电厂的用水量及利用率，公式如下：
(a)系统总用水量(Vt)：企业生产过程总用水量为取水量与重复利用水量之和。
式4：Vt＝Vf+Vr
(b)取水量(Vf)：取自任何水源(取海水者应注明)被第一次利用的水量。
(c)重复利用水量(Vr)：系统中冷却水循环利用量与系统中串联用水量之和，见式5。
式5：Vr＝Vcy+Vs
(d)工艺水回用量(Vpr)：系统中直接用于设备的工艺用水,而该水是自身回用或别的设备用完后经处理后又回用于该设备。
(e)冷却水循环量(Vcr)：系统中用于间接冷却设备的水量,该水量是系统内循环的或设备自身循环的。
(f))排水量(Vd)：排水量系指在确定的系统内，排出系统外的水量，见式6。
式6：Vd＝Vf+Vs–Vco
(g)重复利用率(R)％：在一定的计量时间(年)内，生产过程中使用的重复利用水量与总用水量之比，见式7。
式7：R＝Vr/Vt×100
(h)冷却水循环利用率(rc)％：在一定的计量时间(年)内，冷却水循环量与冷却水总用量之比，见式8。
式8：rc＝Vcr/Vct×100
(i)工艺水回用率(rp)％：在一定的计量时间(年)内，工艺水回用量与工艺水总用量之比，见式9。
式9：rp＝Vpr/Vpt×100
(j)废水回用率(kf)％：在一定的计量时间(年)内，回收利用的废水总量与生产过程中产生的废水总量之比，见式10。
式10：kf＝Vfsh/Vfs×100
(k)企业内职工人均生活日取水量(Vif)：在企业内，每个职工在生产中每天用于生活的取水量，见式11。
式11：Vif＝Vyif/n·d
(l)全厂不平衡率(σ)％：全厂总用水量和各分系统用水量总和的差值与全厂总用水量之比，见式12。
式12：σ＝(Vt–∑Vi)/Vt×100。
最后将各个计算得到的数据存储至数据存储层。
S4、根据数据分析校验和计算结果，进行水平衡自动预测的过程包括：
采集该火电厂的运行参数，同时调取数据存储单元中存储的各用水量、冷却水循环利用率、工艺水回用率、水不平衡率等数据，采用编程语言和算法对目标参数进行机器学习水平衡自动预测。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种水平衡自动测试预测方法，其特征在于，包括如下步骤：
S1、构建用水单位的水平衡图并存储与水平衡自动预测测试系统中；
S2、实时采集各管道、设备的原始水流量数据；
S3、对采集的原始数据进行分析校验和计算；
S4、根据数据分析校验和计算结果进行水平衡自动预测。
2.根据权利要求1所述的水平衡自动测试预测方法，其特征在于，步骤S4中水平衡预测包括如下步骤：
S41、采集所有与设备、系统等水务相关联的运行参数；
S42、数据预处理，所述数据预处理包含以下分步骤：数据规约、异常值处理、共线特征数据处理、数据拆分、数据规范化、筛选目标特征参数、采用算法对目标参数进行机器学习预测。
3.根据权利要求2所述的水平衡自动测试预测方法，其特征在于，异常值处理包括：采用箱型图识别异常值，异常值定义为小于
或大于
的值，其中，L为下四分位数，U为上四分位数，H为四分位数间距，
为上下界系数，小于
或大于
的值为数据异常情况，不能代表正常的数据分布，需剔除或进行修正。
4.根据权利要求1所述的水平衡自动测试预测方法，其特征在于，在进行数据采集前，对整个用水单位的水务系统进行分析，将用水设备、管线按生产工艺、布置形式划分为不同的系统，形成整个用水单位的水平衡图。
5.根据权利要求1所述的水平衡自动测试预测方法，其特征在于，步骤S3中，对各个关键设备、系统的水测量参数，进行实时展示，对水不平衡率、单位水耗量、补水率进行实时计算、展示，在存在数据异常或管路参数异常情况时，作出参数异常的报警功能。
6.一种水平衡自动测试预测系统，其特征在于，能够执行权利要求1至5中任意一项所述的水平衡自动测试预测方法，所述水平衡自动测试预测系统包括：数据采集层、数据传输层、数据存储层、分析处理层和应用层。
7.根据权利要求6所述的水平衡自动测试预测系统，所述数据采集层采用直接测量或间接测量的方式。
8.根据权利要求6所述的水平衡自动测试预测系统，所述数据存储层用于存储水务相关的实时数据和历史数据，所述实时数据包括静态数据和动态数据，静态数据包括用水单位的名称、地址、基本情况、管道情况以及设备情况；动态数据包括管道的水流量、水容器的液位值、水温以及用水设备负荷实时变化的数据。
9.根据权利要求6所述的水平衡自动测试预测系统，所述分析处理层包括数据清洗、数据对齐、数据模式转换。
10.根据权利要求6所述的水平衡自动测试预测系统，所述应用层包括实时数据展示、实时指标计算、历史数据查询、未来趋势预测和异常分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210139826.0A CN114493037A (zh) | 2022-02-16 | 2022-02-16 | 一种水平衡自动测试预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210139826.0A CN114493037A (zh) | 2022-02-16 | 2022-02-16 | 一种水平衡自动测试预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114493037A true CN114493037A (zh) | 2022-05-13 |
Family
ID=81479984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210139826.0A Pending CN114493037A (zh) | 2022-02-16 | 2022-02-16 | 一种水平衡自动测试预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114493037A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116955737A (zh) * | 2023-09-19 | 2023-10-27 | 源康(东阿)健康科技有限公司 | 一种用于明胶生产过程中异常特征检索方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529349A (zh) * | 2019-09-19 | 2021-03-19 | 上海沃苑检测技术有限公司 | 一种电力企业水平衡测试系统及其测试方法 |
| CN113240186A (zh) * | 2021-05-26 | 2021-08-10 | 华北电力科学研究院有限责任公司 | 一种火力发电厂水平衡测试方法及装置 |
-
2022
- 2022-02-16 CN CN202210139826.0A patent/CN114493037A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529349A (zh) * | 2019-09-19 | 2021-03-19 | 上海沃苑检测技术有限公司 | 一种电力企业水平衡测试系统及其测试方法 |
| CN113240186A (zh) * | 2021-05-26 | 2021-08-10 | 华北电力科学研究院有限责任公司 | 一种火力发电厂水平衡测试方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116955737A (zh) * | 2023-09-19 | 2023-10-27 | 源康(东阿)健康科技有限公司 | 一种用于明胶生产过程中异常特征检索方法 |
| CN116955737B (zh) * | 2023-09-19 | 2023-11-28 | 源康(东阿)健康科技有限公司 | 一种用于明胶生产过程中异常特征检索方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112596495B (zh) | 一种基于知识图谱的工业设备故障诊断方法及系统 | |
| CN104090861B (zh) | 动态离群值偏倚减少系统和方法 | |
| CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
| CN110288149A (zh) | 多区域水资源供需风险评价方法及设备 | |
| CN104809066A (zh) | 一种通过代码质量评估预测开源软件维护工作量的方法 | |
| CN106384256A (zh) | 基于指标体系动态变化的供电服务满意度动态测评系统 | |
| CN114493037A (zh) | 一种水平衡自动测试预测方法和系统 | |
| Eskandari et al. | Offering a preventive solution to defects in commercial building facility system using BIM | |
| Loska et al. | Geometric approach to machine exploitation efficiency: modelling and assessment | |
| Davydenko et al. | Control of operation modes efficiency of complex technological facilities based on the energy efficiency monitoring | |
| Makarova et al. | Selection of the method to predict vehicle operation reliability | |
| CN112507290B (zh) | 配电设备故障概率预判方法、装置及存储介质 | |
| Booysen et al. | A practical methodology for the systematic identification of outliers | |
| Lukens et al. | The role of transactional data in prognostics and health management work processes | |
| CN113919609A (zh) | 一种配电网模型质量综合评估方法和系统 | |
| CN111967774A (zh) | 软件质量风险预测方法及装置 | |
| Chen et al. | The effect of linear regression modeling approaches on determining facility wide energy savings | |
| CN114819371B (zh) | 基于税务数据的产排污量预测模型构建方法和系统 | |
| Eben-Chaime | On the relationships between the design of assembly manufacturing and inspection systems and product quality | |
| CN117150032B (zh) | 一种水电站发电机组的智能维护系统及方法 | |
| He et al. | Software component reliability evaluation method based on characteristic parameters | |
| CN118037281A (zh) | 电网计量自动化系统健康体检方法、装置、设备及介质 | |
| CN115616989A (zh) | 化工过程监督系统 | |
| CN117876136A (zh) | 财务数据的风险分析方法、设备及存储介质 | |
| CN118134345A (zh) | 炼化企业污水场健康评价方法、装置、设备、介质及程序 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220513 |