CN114936742A - 一种供水系统调度代理决策方法 - Google Patents
一种供水系统调度代理决策方法 Download PDFInfo
- Publication number
- CN114936742A CN114936742A CN202210376714.7A CN202210376714A CN114936742A CN 114936742 A CN114936742 A CN 114936742A CN 202210376714 A CN202210376714 A CN 202210376714A CN 114936742 A CN114936742 A CN 114936742A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- sample data
- output
- result
- 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
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
- G06Q10/06—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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y02A20/152—Water filtration
Abstract
一种供水系统调度代理决策方法,步骤:1)收集输水工程的实测监测数据,包括水位、流量、闸门启闭情况。将样本数据分为训练集、测试集及预测集。2)构建BP神经网络模型,由输入层、隐含层、输出层组成。3)将训练集样本数据输入BP神经网络模型,训练过程包含信息传播过程和误差传播过程。4)输出调控决策步骤3)中已得到较为理想的BP神经网络模型,输出层的输出结果在区间[0,1]中,将输出结果进行反归一化处理,得到闸门的开度值,输出闸门的调控决策。本发明能够反映输水系统各要素间的相互联系和相互影响;可通过水位、目标流量等要素预测阀门开度值,结果可靠,可为实际调度管理提供参考;使调水决策更加智能准确,便于实际工程的运行管理。
Description
技术领域
本发明属于长距离输水调度领域,涉及一种供水系统调度代理决策方法。
背景技术
为了解决水资源空间分布不均的问题,近年来我国修建了大量的长距离输水工程。输水工程运行调度方式作为影响工程运行效率和结构安全的关键环节,直接决定着工程效益,因此,为全面实现输水工程的建设目标,保证工程运行安全,针对长距离输水工程运行调度的研究十分必要。目前国内多采用明渠控制算法代替人工经验来进行明渠精准调控,主要根据明渠仿真模型的模拟结果构建优化调度模型,以此对控制策略进行优化。但优化模型计算耗时较长,尤其面对规模更大、拓扑关系更为复杂的输水工程时,计算时间将会更长,除此之外,优化模型大多基于圣维南模型或其衍生模型,受水流运行的复杂性,以及输水系统物理参数变化、测量误差等因素影响,所建模型的精度会随工程运行时间发生变化,所以这类方法并不适于在实际工程中应用。因此,在提高工程输水效率、发挥工程潜力、提升工程效益、保证工程安全的同时,如何选择最优的调度控制方案,解决长距离输水系统调控策略成为当前亟待解决的问题。
发明内容
为更快响应输水系统集中控制目的,满足用户“适时、适量”输水的需求,针对现有技术存在的问题,本发明提供了一种供水系统调度代理决策方法,用于代替优化调度模型进行输水系统阀门调度方案预测,该方法应用BP神经网络构建长距离输水系统运行调度模型,反映输水系统水位、流量与阀门开度间的映射关系,确定在不同目标情况下的输水系统调控策略。
为了达到上述目的,本发明采用的技术方案为:
一种供水系统调度代理决策方法,包括以下步骤:
步骤一:样本数据获取及处理
收集输水工程的实测监测数据,包括水位、流量、闸门启闭情况。假定阀门开度在时段内保持不变,样本数据处理为日平均输水流量。根据构建BP神经网络模型需求,将样本数据分为训练集数据组、测试集数据组及预测集数据组,且各组数据集由样本数据中随机组合获取。由于不同数据的范围及量纲不同,在进行神经网络模型训练前需对所有样本数据进行归一化处理,归一化公式为式(1-1),归一化区间为[0,1]。
式中:x为样本数据原始值;x'为x所对应的归一化数值;xmin为样本数据中最小值;xmax为样本数据中最大值。
步骤二:构建BP神经网络模型
本发明采用三层BP神经网络,由输入层、隐含层、输出层组成,其特点是上下层之间各种神经元实行全连接,即下层的每一单元与上层的每一单元都实现权连接,而每层内的各个单元之间无连接。传递函数采用S型(sigmoid)函数。由于阀门开度与其初始状态、水位及目标需水量(输水量)有关,所以可以将当前状态下各个用户输水流量、时段内输水工程入口处水位值、时段内各个阀后水头值、各用户日需水流量作为输入层的输入因子。隐含层为闸门开度、流量、水位之间的非线性关系,由于隐含层节点个数决定网络结构,影响神经网络识别的准确率与计算复杂性,如果隐含层节点数量增加,虽使网络识别准确率提高,但同时也会导致网络结构更为复杂,增加计算时间,因而神经网络隐含层节点数量的选取十分重要。本发明采用的隐含层节点选择方法是经验公式法(1-2)。输出层的输出内容为闸门开度。
式中:m为隐含层接节点数;n为输入层节点数;p为输出层节点数;α为1-10的常数。
步骤三:训练BP神经网络模型
将归一化后的训练集样本数据输入BP神经网络模型开始训练,BP神经网络训练过程包含信息传播过程和误差传播过程。信息传播过程是输入层信息经隐含层向输出层传递,误差传播过程是输出层的期望输出与网络输出值的误差经隐含层向输入层反向传递。
在信息传递过程中,每层神经元都存在误差,为保证网络输出值与期望输出值误差减小,需不断调整各层神经元间的连接权重值,直至误差小于目标值。将经过BP神经网络训练的训练集数据与原始样本数据进行拟合,本发明选用BP神经网络预测结果与输出层实际结果间均方误差,来衡量与评价调度函数计算结果的好坏,样本均方误差MSE(Mean-Square Error)需控制在0.02以内。在拟合过程中,若MSE大于0.02,则认为结果不合理,开始新一轮训练,调整各神经元之间的权重值,直至结果合理;若MSE小于0.02,则认为拟合结果较好,建模结果较为理想,表明BP神经网络模型能够比较准确地获取阀门开度值与水位、目标流量之间的非线性关系。
将归一化后的测试集数据输入已经训练好的BP神经网络模型中进行测试,以验证模型的准确性。将经过BP神经网络预测的测试集数据与实际测试集结果数据进行拟合,若MSE小于0.02,则认为模型较为理想;若MSE大于0.02,则认为模型不理想,需增加训练集数据重新训练。
步骤四:输出调控决策步骤三中已得到较为理想的BP神经网络模型,输出层的输出结果在区间[0,1]中,将输出结果进行反归一化处理,将其还原为原量纲,得到闸门的开度值,即可输出闸门的调控决策。反归一化公式为(1-3)。
x=x'×(xmax-xmin)+xmin(1-3)
式中:x为样本数据原始值;x'为x所对应的归一化数值;xmin为样本数据中最小值;xmax为样本数据中最大值。
本发明的有益效果为:
本发明建立的神经网络模型能够提炼输水系统运行规律,反映输水系统各要素间的相互联系和相互影响。利用该模型可通过水位、目标流量等要素预测阀门开度值,结果较为可靠,可为实际调度管理提供参考。神经网络模型模拟计算所需的时间少,对于突发事件能较快响应且提供解决方案。随着运行时间增加,实际监测数据逐渐增多,可以监测数据为样本数据构建神经网络模型,提炼实际输水运行调度规律,使调水决策更加智能准确,便于实际工程的运行管理。
附图说明
图1为本发明的流程图。
图2为1#阀门测试期结果。
图3为2#阀门测试期结果。
具体实施方式
以下结合辽宁省观音阁水库的具体实施例对本发明做进一步说明。
观音阁水库输水工程主要布置在观音阁水库至本溪市之间,由1条主管线、2条分管线和6条支线组成,全线涉及1个电站、1个调压井、1个迷宫堰及2个配水站(共包含10扇调流阀),干线全长48km,最大引水流量为125*104m3/d。工程采用有压流和无压流相结合的输水方式,主管线与分管线以无压隧洞输水为主,支线以有压重力流输水方式为主。
目前,观音水库输水工程通水范围为1条主管线、2条分管线和3条支线,主管线实际引水流量小于设计流量。输水工程主要通过控制配水站内3扇调流阀调节全线水量,满足3个用户(自来水公司、新城、桥北水厂)的供水目标。工程当前在主管线入口(电站出口)、3段支线入口约8m处(配水站内调流阀门前)处安装了5个流量计;工程当前在主管线入口(电站出口)、3段支线入口约8m处(配水站内调流阀门前)处安装了4个压力计,数据采集间隔均为1小时。
1)数据获取与处理。
由于实测数据资料匮乏,需先构建水力模型进行仿真模拟,准确模拟输水系统内部水流过程,获得400组模拟样本数据,开展后续工作。随后根据构建神经网络模型需求,将样本数据分为三组,288组作为训练集数据,72组作为测试集数据,40组作为预测集数据,并且各组数据集由样本数据中随机组合获取。将样本数据进行归一化处理,将输出结果进行反归一化处理。
2)构建BP神经网络模型。
辽宁省观音阁水库输水工程当前有三个运行闸门,但在实际过程中,由于3#闸门所在线路包含过流堰,其过流量受堰前水头影响,而堰前水头主要是受1#闸门与2#闸门控制,因而3#闸门开度变化在一定范围内对分水量值几乎无影响,其开度值大小与输水流量间呈非对应关系。由此,输出因子不考虑3#闸门,仅为1#闸门与2#闸门,分别针对1#闸门与2#闸门分别构建神经网络模型进行预测。实例采用3层神经网络结构,输入层节点数为10,隐含层节点数为12,输出层节点数为1。
3)训练BP神经网络模型。
将归一化后的训练集数据输入BP神经网络,使用步骤二中设置的参数进行训练。将经过神经网络训练的训练集结果数据与原样本结果数据进行拟合,1#闸门与2#闸门开度均方误差值小于0.02,满足精度要求,结果拟合较好。将归一化后的测试集数据输入已经训练好的模型中,拟合测试集结果与原样本结果,1#闸门与2#闸门开度均方误差值小于0.02,满足精度要求,认为该模型建模理想。
表1为BP神经网络的训练结果,图2和图3分别是神经网络模型输出的1#闸门和2#闸门模拟结果与对应的原始样本测试集内数据对比结果,共有72个测试数据。
表1神经网络训练结果
从图2、图3中可以看出,尽管在个别样本点闸门开度相差较大,但整体结果拟合性较好;神经网络模型模拟结果与原始数据样本结果变化趋势一致,表明应用BP神经网络构建的输水系统运行调度模型能够较为准确地反映闸门运行控制规律,建模结果较为理想,模型输出结果对指导输水系统运行调度管理是具有实际意义的。
4)输出调控决策。
步骤3中结果拟合程度较好,得到较为理想的BP神经网络模型,对输出结果进行反归一化处理后,得到闸门开度值,由此可制定闸门控制方案,进行输水系统运行调度。以上所述实施例仅表达本发明的实施方式,但并不能因此而理解为对本发明专利的范围的限制,应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (3)
1.一种供水系统调度代理决策方法,其特征在于,包括以下步骤:
步骤一:样本数据获取及处理
收集输水工程的实测监测数据,包括水位、流量、闸门启闭情况;假定阀门开度在时段内保持不变,样本数据处理为日平均输水流量;根据构建BP神经网络模型需求,将样本数据分为训练集数据组、测试集数据组,且各组数据集由样本数据中随机组合获取;
步骤二:构建BP神经网络模型
采用三层BP神经网络,由输入层、隐含层、输出层组成,其特点是上下层之间各种神经元实行全连接,即下层的每一单元与上层的每一单元都实现权连接,而每层内的各个单元之间无连接;传递函数采用S型函数;由于阀门开度与其初始状态、水位及目标需水量有关,所以可以将当前状态下各个用户输水流量、时段内输水工程入口处水位值、时段内各个阀后水头值、各用户日需水流量作为输入层的输入因子;隐含层为闸门开度、流量、水位之间的非线性关系;采用的隐含层节点选择方法是经验公式法(1-2);输出层的输出内容为闸门开度;
式中:m为隐含层接节点数;n为输入层节点数;p为输出层节点数;α为1-10的常数;
步骤三:训练BP神经网络模型
将步骤一归一化后的训练集样本数据输入BP神经网络模型开始训练,BP神经网络训练过程包含信息传播过程和误差传播过程;信息传播过程是输入层信息经隐含层向输出层传递,误差传播过程是输出层的期望输出与网络输出值的误差经隐含层向输入层反向传递;
在信息传递过程中,每层神经元都存在误差,为保证网络输出值与期望输出值误差减小,需不断调整各层神经元间的连接权重值,直至误差小于目标值;将经过BP神经网络训练的训练集数据与原始样本数据进行拟合,选用BP神经网络预测结果与输出层实际结果间均方误差,来衡量与评价调度函数计算结果的好坏,样本均方误差MSE需控制在0.02以内;在拟合过程中,若MSE大于0.02,则认为结果不合理,开始新一轮训练,调整各神经元之间的权重值,直至结果合理;若MSE小于0.02,则认为拟合结果较好,建模结果较为理想,表明BP神经网络模型能够比较准确地获取阀门开度值与水位、目标流量之间的非线性关系;
将归一化后的测试集数据输入已经训练好的BP神经网络模型中进行测试,以验证模型的准确性;将经过BP神经网络预测的测试集数据与实际测试集结果数据进行拟合,若MSE小于0.02,则认为模型较为理想;若MSE大于0.02,则认为模型不理想,需增加训练集数据重新训练;
步骤四:输出调控决策步骤三中已得到较为理想的BP神经网络模型,输出层的输出结果在区间[0,1]中,将输出结果进行反归一化处理,将其还原为原量纲,得到闸门的开度值,即可输出闸门的调控决策。
3.根据权利要求1所述的一种供水系统调度代理决策方法,其特征在于,所述步骤四中,反归一化公式为(1-3);
x=x'×(xmax-xmin)+xmin (1-3)
式中:x为样本数据原始值;x′为x所对应的归一化数值;xmin为样本数据中最小值;xmax为样本数据中最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210376714.7A CN114936742A (zh) | 2022-04-12 | 2022-04-12 | 一种供水系统调度代理决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210376714.7A CN114936742A (zh) | 2022-04-12 | 2022-04-12 | 一种供水系统调度代理决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936742A true CN114936742A (zh) | 2022-08-23 |
Family
ID=82862576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210376714.7A Pending CN114936742A (zh) | 2022-04-12 | 2022-04-12 | 一种供水系统调度代理决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936742A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094528A (zh) * | 2023-10-16 | 2023-11-21 | 四川省高发城镇燃气研究院有限公司 | 一种分区计量dma的管理方法和系统 |
CN117156313A (zh) * | 2023-08-29 | 2023-12-01 | 广东祁越智能科技有限公司 | 一种基于物联网的智慧泵房用运行安全检测系统 |
-
2022
- 2022-04-12 CN CN202210376714.7A patent/CN114936742A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117156313A (zh) * | 2023-08-29 | 2023-12-01 | 广东祁越智能科技有限公司 | 一种基于物联网的智慧泵房用运行安全检测系统 |
CN117156313B (zh) * | 2023-08-29 | 2024-04-02 | 广东祁越智能科技有限公司 | 一种基于物联网的智慧泵房用运行安全检测系统 |
CN117094528A (zh) * | 2023-10-16 | 2023-11-21 | 四川省高发城镇燃气研究院有限公司 | 一种分区计量dma的管理方法和系统 |
CN117094528B (zh) * | 2023-10-16 | 2024-01-26 | 四川省高发城镇燃气研究院有限公司 | 一种分区计量dma的管理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992961B (zh) | 一种自适应的流域中长期径流预报模型架构方法 | |
CN114936742A (zh) | 一种供水系统调度代理决策方法 | |
CN109376925B (zh) | 供水管网节点流量动态自适应优化方法 | |
CN107818395B (zh) | 一种基于测量不确定度的电能表误差迭代计算方法 | |
CN107909220A (zh) | 一种电采暖负荷预测方法 | |
CN110659779B (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
CN107563007A (zh) | 一种节点流量和管道阻力系数同时调整的供水管网模型快速校正方法 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN110443418A (zh) | 基于ga-bp神经网络的城市用水量预测方法 | |
Shang et al. | A method of direct, real-time forecasting of downstream water levels via hydropower station reregulation: A case study from Gezhouba Hydropower Plant, China | |
CN111967666A (zh) | 一种江河湖水系综合协同调度系统及其调度方法 | |
CN111415068A (zh) | 基于改造措施与失负荷量指标关联性的配电决策建模方法 | |
CN106505624A (zh) | 确定配电网分布式电源最优吸纳能力的调控系统及方法 | |
CN114757330A (zh) | 基于lstm的城市瞬时用水量预测方法 | |
CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
CN113505492A (zh) | 一种基于数字孪生技术的跨流域调水工程的调度方法 | |
CN112923435B (zh) | 一种基于人工智能和优化算法的集中供热二次侧调控方法 | |
CN103294847B (zh) | 基于水力平差的供水管网模型模糊辨识方法 | |
Yan et al. | Reliability prediction of CNC machine tool spindle based on optimized cascade feedforward neural network | |
CN107679651A (zh) | 一种基于灰色预测模型与bp人工神经网络模型的月用电量预测方法 | |
Lu et al. | Forecasting China’s per capita living energy consumption by employing a novel DGM (1, 1, tα) model with fractional order accumulation | |
CN115062871B (zh) | 基于多智能体强化学习的智能电表状态评估方法 | |
CN117649120A (zh) | 一种耦合群体搜索和深度学习的水库中长期径流预测方法 | |
Pan et al. | Research on Project Duration Prediction Based on Multiple Linear Regression | |
Sheng et al. | Research on Application of Neural Network Based on Cloud Computing in Power Load Forecasting |
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 |