CN116542495A - 一种基于数据挖掘的智能供水调度方法、装置及电子设备 - Google Patents
一种基于数据挖掘的智能供水调度方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116542495A CN116542495A CN202310816413.6A CN202310816413A CN116542495A CN 116542495 A CN116542495 A CN 116542495A CN 202310816413 A CN202310816413 A CN 202310816413A CN 116542495 A CN116542495 A CN 116542495A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- pressure
- main control
- control point
- optimal
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000007418 data mining Methods 0.000 title claims abstract description 17
- 230000006870 function Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 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
- 239000002245 particle Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
-
- 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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于数据挖掘的智能供水调度方法、装置及电子设备,该方法包括构建宏观水力模型,基于宏观水力模型确定调度时刻;基于调度时刻对应的预测参数计算变频泵的最优频率,并在实际时刻到达调度时刻时,基于最优频率控制变频泵;基于宏观水力模型确定各可执行调度方案在被执行后预设时长内的预估主控点压力,并根据各预估主控点压力确定最优调度方案,基于最优调度方案控制工频泵。本申请通过在宏观水力模型的自变量中加入了日内时段哑变量,使其预测值更贴合实际情况,提高了最终调度方案的实际有效性和安全性。
Description
技术领域
本申请涉及供水调度技术领域,具体而言,涉及一种基于数据挖掘的智能供水调度方法、装置及电子设备。
背景技术
随着大数据和人工智能的发展,城市供水调度开始由人工调度向智能调度方向演变。国内外城市供水调度依赖的水力模型主要分为两类:微观模型和宏观模型。微观模型以供水管网水力模型为基础,通过调整模型参数模拟、评估管网水力状态和调度效果。宏观模型不考虑复杂的管网水力计算过程,利用机器学习算法进行建模,挖掘水泵状态、需水量、压力和流量之间的关系,适用于供水工况相对稳定的区域。不论采用哪一种模型,目前通常采用遗传算法、粒子群优化算法等智能调度算法来优化供水压力和流量,改善机泵工况,降低能耗。然而,现有的智能调度方式存在以下的不足:1.微观水力模型运行速度慢,难以进行实时优化调度。2.由于微观水力模型和宏观水力模型都不可避免地存在误差,因此纯粹利用优化算法给出的调度方案并不能够保证是实际有效和安全的。3.由于未充分考虑实际调度情况和人员调度习惯,智能调度的采纳率或执行度偏低。
发明内容
为了解决上述问题,本申请实施例提供了一种基于数据挖掘的智能供水调度方法、装置及电子设备。
第一方面,本申请实施例提供了一种基于数据挖掘的智能供水调度方法,所述方法包括:
构建宏观水力模型,基于所述宏观水力模型确定调度时刻,所述宏观水力模型的自变量中包括日内时段哑变量,所述宏观水力模型用以预测水泵的主控点压力、出厂压力和出厂流量中的至少一种,所述调度时刻为所述主控点压力超过预设的主控点压力目标值的时刻;
基于所述调度时刻对应的预测参数计算变频泵的最优频率,并在所述实际时刻到达调度时刻时,基于所述最优频率控制所述变频泵,所述最优频率为所述主控点压力最接近所述主控点压力目标值时的频率,所述水泵包括频率可调节的所述变频泵和频率不可调节的工频泵;
在历史数据库中获取同期相似工况下所有的可执行调度方案,基于所述宏观水力模型确定各所述可执行调度方案在被执行后预设时长内的预估主控点压力,并根据各所述预估主控点压力确定最优调度方案,基于所述最优调度方案控制所述工频泵。
优选的,所述宏观水力模型对应的计算公式为:
其中:
M为水泵的数量;K为日内时段数量;为时刻t的主控点压力、出厂压力或出厂流量;/>为时刻t的总需水量;/>在对工频泵计算时为时刻t工频泵的开停状态,开为1,停为0,在对变频泵计算时为变频泵频率与其额定频率的比值;/>为日内时段j(j=1,…,K)的哑变量,若时刻t属于时段j,则/>=1;否则取/>=0;/>为随机扰动项,代表影响主控点压力、出厂压力或出厂流量的随机因素;c为方程的截距项;/>为主控点压力、出厂压力或出厂流量的非线性变换参数,取值范围为/>;/>为总需水量的非线性变换参数,取值范围为/>;/>为需水量变换对出厂压力/流量变换的效应;/>为水泵开启或频率增加1单位对出厂压力/流量变换产生的效应;/>为水泵状态的阈值,当/></>时,水泵状态变化对出厂压力和出厂流量不起作用;/>为时间因子对出厂压力/流量变换的影响。
优选的,所述宏观水力模型中的参数c、、/>、/>、/>和/>基于对预设时间段内的历史数据进行最小二乘算法预估得到。
优选的,所述根据各所述预估主控点压力确定最优调度方案,包括:
分别根据每个所述可执行调度方案对应各所述预估主控点压力,计算各所述可执行调度方案对应的综合得分,将综合得分最高的所述可执行调度方案确定为最优调度方案。
优选的,所述综合得分的计算公式为:
其中:
整数N为主控点数量;整数为评估期长度;/>为第i个主控点在第t+j期的压力预测值;常数/>和/>分别为t+j时刻第i个主控点压力正常范围的上下限,常数和/>分别表示比主控点压力正常范围大的容忍范围的上下限;梯形函数的为单时刻单个主控点压力的得分函数,梯形函数值在正常范围内时的得分为1,超出正常范围后得分线性递减,并在突破容忍范围后归零;贴现率/>用以表明随着时间的推移,单时刻主控点压力得分的重要性越来越低。
优选的,所述方法还包括:
确定所述最优调度方案被执行后的下一个调度时刻,并确定下一个调度时刻对应的下一个最优调度方案;
重复确定所述最优调度方案被执行后的下一个调度时刻,并确定下一个调度时刻对应的下一个最优调度方案的步骤,直至获取到预设的时间区间内的各所述调度时刻和最优调度方案;
基于各所述最优调度方案构建调度方案序列,所述调度方案序列用以表征所述时间区间内各调度时刻采取的最优调度方案。
第二方面,本申请实施例提供了一种基于数据挖掘的智能供水调度装置,所述装置包括:
构建模块,用于构建宏观水力模型,基于所述宏观水力模型确定调度时刻,所述宏观水力模型的自变量中包括日内时段哑变量,所述宏观水力模型用以预测水泵的主控点压力、出厂压力和出厂流量中的至少一种,所述调度时刻为所述主控点压力超过预设的主控点压力目标值的时刻;
第一控制模块,用于基于所述调度时刻对应的预测参数计算变频泵的最优频率,并在所述实际时刻到达调度时刻时,基于所述最优频率控制所述变频泵,所述最优频率为所述主控点压力最接近所述主控点压力目标值时的频率,所述水泵包括频率可调节的所述变频泵和频率不可调节的工频泵;
第二控制模块,用于在历史数据库中获取同期相似工况下所有的可执行调度方案,基于所述宏观水力模型确定各所述可执行调度方案在被执行后预设时长内的预估主控点压力,并根据各所述预估主控点压力确定最优调度方案,基于所述最优调度方案控制所述工频泵。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法。
本发明的有益效果为:1.用构建的宏观水力模型代替微观水力模型进行数据挖掘模拟和方案优化,运算速度快,能够实时生成或更新未来若干小时的调度方案。
2.通过在宏观水力模型的自变量中加入了日内时段哑变量,使其预测值更贴合实际情况,提高了最终调度方案的实际有效性和安全性。
3.根据历史数据库中相似的历史调度方案进行最优调度方案的预测,能够给出符合历史调度习惯的可靠方案,智能调度的采纳率或执行度高。且即使模型精度不高的条件下,也能够给出合适且符合调度习惯的可靠调度方案。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于数据挖掘的智能供水调度方法的流程示意图;
图2为本申请实施例提供的一种基于数据挖掘的智能供水调度装置的结构示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例,不同实施例之间可以替换或者合并组合,因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例,并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下,对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行,并且可以添加、省略或组合各种步骤。此外,可以将关于一些示例描述的特征组合到其他示例中。
参见图1,图1是本申请实施例提供的一种基于数据挖掘的智能供水调度方法的流程示意图。在本申请实施例中,所述方法包括:
S101、构建宏观水力模型,基于所述宏观水力模型确定调度时刻,所述宏观水力模型的自变量中包括日内时段哑变量,所述宏观水力模型用以预测水泵的主控点压力、出厂压力和出厂流量中的至少一种,所述调度时刻为所述主控点压力超过预设的主控点压力目标值的时刻。
本申请的执行主体可以是云端服务器。
在本申请的一个实施例中,将充分挖掘历史数据,以此来训练构建宏观水力模型作为供水调度的基础模型。其中,由于总需水量在用户之间分配比例的变化会直接改变压力和流量,且这种比例关系与日内时段相关,因此将日内时段哑变量也作为模型构建时的自变量。在需水量预测值已知,工频泵状态维持不变,变频泵自控的出厂压力目标值给定的条件下,可以利用宏观水力模型预测未来若干小时主控点压力的变化,并判断压力超限时刻,该时刻被作为调度时刻。其中,需水量的变化具有规律性,故可以通过历史需水量数据的方式进行预测,也可以通过现有的需水量模型进行预测,本申请的目的是在确定了需水量预测值的情况下,得到一个效果最好的供水调度方案,对需水量预测值的具体确定方式不做限定。
在一种可实施方式中,所述宏观水力模型对应的计算公式为:
其中:
M为水泵的数量;K为日内时段数量;为时刻t的主控点压力、出厂压力或出厂流量;/>为时刻t的总需水量;/>在对工频泵计算时为时刻t工频泵的开停状态,开为1,停为0,在对变频泵计算时为变频泵频率与其额定频率的比值;/>为日内时段j(j=1,…,K)的哑变量,若时刻t属于时段j,则/>=1;否则取/>=0;/>为随机扰动项,代表影响主控点压力、出厂压力或出厂流量的随机因素;c为方程的截距项;/>为主控点压力、出厂压力或出厂流量的非线性变换参数,取值范围为/>;/>为总需水量的非线性变换参数,取值范围为/>;/>为需水量变换对出厂压力/流量变换的效应;/>为水泵开启或频率增加1单位对出厂压力/流量变换产生的效应;/>为水泵状态的阈值,当/></>时,水泵状态变化对出厂压力和出厂流量不起作用;/>为时间因子对出厂压力/流量变换的影响。
在本申请的一个实施例中,宏观水力模型用于刻画主控点压力、出厂压力和流量,他们分别受总需水量、水泵状态等因素的影响。首先,主控点压力、出厂压力和出厂流量均由需水量与水泵状态决定,这些影响并非线性的。为了提升精度、便于参数估计并且确保能够根据参数的正负号来检验模型是否影响符合实际,会对变量进行简单的非线性变换后构建线性模型。其次,由于总需水量在用户之间分配比例的变化会直接改变压力和流量,且这种比例关系与日内时段相关,因此将日内时段哑变量也作为自变量。以模型的精度为准确,通过比较不同的非线性变换形式,最终将主控点压力方程、出厂压力方程和出厂流量的方程设定为上述形式。
在一种可实施方式中,所述宏观水力模型中的参数c、、/>、/>、/>和/>基于对预设时间段内的历史数据进行最小二乘算法预估得到。
在本申请的一个实施例中,宏观水力模型中的参数c、、/>、/>、/>和/>不是已知的,且无法直接得到,故需要通过最小二乘算法对这些参数进行预估,将预估值作为模型计算所使用的参数值。具体而言,将基于预设时间段(至少1年)的历史数据,利用最小二乘算法对参数进行估计,对应的最优问题表达式如下:
最终计算得到参数估计值,实际使用模型进行计算时,将直接使用这些参数估计值来替代参数c、/>、/>、/>、/>和/>。
S102、基于所述调度时刻对应的预测参数计算变频泵的最优频率,并在所述实际时刻到达调度时刻时,基于所述最优频率控制所述变频泵,所述最优频率为所述主控点压力最接近所述主控点压力目标值时的频率,所述水泵包括频率可调节的所述变频泵和频率不可调节的工频泵。
在本申请的一个实施例中,水泵分为频率可调节的变频泵和频率不可调节的工频泵。在进行供水调度时,需要分别对变频泵和工频泵进行调度。于是水泵索引集合{1,2,⋯,M}被划分成变频泵索引集合Q和工频泵索引集合P。首先考虑变频泵的优化控制算法,变频泵优化控制的目标是,让主控点压力维持在目标值上或使两者尽可能接近,对应的最优问题表达式如下:
在时刻t需水量预测值、工频泵的状态/>和主控点压力目标值/>给定的条件下,通过求解这一最优问题,便得到时刻t的变频泵最优频率/>。当实际时刻到达调度时刻时,将直接基于最优频率对变频泵进行控制。
S103、在历史数据库中获取同期相似工况下所有的可执行调度方案,基于所述宏观水力模型确定各所述可执行调度方案在被执行后预设时长内的预估主控点压力,并根据各所述预估主控点压力确定最优调度方案,基于所述最优调度方案控制所述工频泵。
在本申请的一个实施例中,在调度优化过程中,为更加符合实际调度情况和人员调度习惯,会在历史数据库中确定出往年相同时期的相似工况下的所有可执行调度方案,这些已经执行过的可执行调度方案必然是符合实际调度情况和人员调度习惯的。故将通过宏观水力模型对这些可执行调度方案进行计算,确定这些可执行调度方案被执行后的预设时长内(例如30分钟)的主控点压力的变化情况,即确定预估主控点压力。根据确定出的预估主控点压力之间的比较,能够确定出最符合调度目标,即使主控点压力控制在正常范围内,同时要求能耗尽可能低且调度次数尽可能少的可执行调度方案。该可执行调度方案会被作为最优调度方案,在实际时刻到达调度时刻时,根据最优调度方案对工频泵进行控制。其中,调度方案可以看作是对于各项参数进行调整的方案。工况一般是以相应参数的数值进行表征,只要实际的参数值和历史数据中的参数值之差不超过预设的误差值,即认为是相似工况。
在一种可实施方式中,所述根据各所述预估主控点压力确定最优调度方案,包括:
分别根据每个所述可执行调度方案对应各所述预估主控点压力,计算各所述可执行调度方案对应的综合得分,将综合得分最高的所述可执行调度方案确定为最优调度方案。
在本申请的一个实施例中,在调度时刻进行优化控制时,将对比历史同期相似工况下所有可行的工频泵开停方案,利用构建的宏观水力模型评估它们被执行后30分钟内各个主控点压力的表现,进而根据表现计算出综合得分,综合得分最高的方案将作为最优调度方案。
在一种可实施方式中,所述综合得分的计算公式为:
其中:
整数N为主控点数量;整数为评估期长度;/>为第i个主控点在第t+j期的压力预测值;常数/>和/>分别为t+j时刻第i个主控点压力正常范围的上下限,常数和/>分别表示比主控点压力正常范围大的容忍范围的上下限;梯形函数的为单时刻单个主控点压力的得分函数,梯形函数值在正常范围内时的得分为1,超出正常范围后得分线性递减,并在突破容忍范围后归零;贴现率/>用以表明随着时间的推移,单时刻主控点压力得分的重要性越来越低。
在一种可实施方式中,所述方法还包括:
确定所述最优调度方案被执行后的下一个调度时刻,并确定下一个调度时刻对应的下一个最优调度方案;
重复确定所述最优调度方案被执行后的下一个调度时刻,并确定下一个调度时刻对应的下一个最优调度方案的步骤,直至获取到预设的时间区间内的各所述调度时刻和最优调度方案;
基于各所述最优调度方案构建调度方案序列,所述调度方案序列用以表征所述时间区间内各调度时刻采取的最优调度方案。
在本申请的一个实施例中,当最优调度方案被执行后,经历一段时间,主控点压力将再次突破上下限,从而触发第二次调度。在第二个调度时刻,将用同样的方法确定新的调度方案。利用这样的方法,可以制定未来1小时甚至更长时间的调度方案,以此在短时间内确定出一个时间区间内的调度方案序列,后续直接根据调度方案序列进行这个时间区间内的调度控制。不过,由于这是一种典型的贪心算法,通常是局部最优的,因为短期最优的调度方案被执行后可能会对后续调度构成负面限制。因此需要寻求倾向于全局最优的调度方案。
现在考虑时间区间内的调度方案:在时刻t调度方案给定的条件下,在这一段时间内理论上存在后续的全局最优调度方案序列,及其对应的最高综合得分V。调度方案序列描述了时间区间/>内各调度时点采取的水泵开停方案。最优调度方案序列及最高得分可以通过穷举法得到,因而是存在的。可以仅仅关注其存在性,具体是什么是无须知晓的。
显然,最高得分的数值会随初始时刻方案的改变而变化。换言之,最高得分是一个依赖于初始方案/>的函数/>,它被称为值函数。于是,时刻t最优调度方案的确定可以归结为求解值函数最大化问题:
求解这一最优化问题的前提是精确地计算值函数的值,一种解决办法是确定初始调度方案给定条件下时间区间内全局最优方案序列,这要求穷举出所有可行的方案序列。当单时刻可行方案数量非常多时,一段时间内的方案序列的数量是非常庞大的,无法在有限的时间内对每一个方案序列进行评估。如果不追求精确计算值函数的值,而是用近似值来代替,那么最优化过程就可以得到大幅简化。这一思路的实现方式是,基于某种基础优化算法去求解初始调度方案给定条件下时间区间/>内的最优调度方案序列,它不必是全局最优的。这种算法被称为Rollout算法。
Rollout算法的重要环节是确定基础优化算法,这里采用贪心算法作为基础优化算法:时刻t的初始方案被执行后,主控点压力会在需水量和变频泵的作用下变动并在一段时间后突破上下限,从而触发新的调度,在新的触发时点后的30分钟内表现最好的调度方案被确定为下一个调度方案,这一过程重复下去,直至时刻/>。待整个方案序列被确定后,根据主控点压力等指标的模拟结果进行评分,得到值函数/>的近似值。值函数近似值最大的方案/>被确定为时刻t的最优方案。
当时刻t的可行调度方案数量非常多时,这种优化算法也是非常耗时的,为此需要减少调度方案可行集中方案的数量:对于时刻t的某个调度方案,评估它被执行后30分钟内的表现,若综合得分低于不调度的得分,则它将被淘汰掉。
下面将结合附图2,对本申请实施例提供的基于数据挖掘的智能供水调度装置进行详细介绍。需要说明的是,附图2所示的基于数据挖掘的智能供水调度装置,用于执行本申请图1所示实施例的方法,为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请图1所示的实施例。
请参见图2,图2是本申请实施例提供的一种基于数据挖掘的智能供水调度装置的结构示意图。如图2所示,所述装置包括:
构建模块201,用于构建宏观水力模型,基于所述宏观水力模型确定调度时刻,所述宏观水力模型的自变量中包括日内时段哑变量,所述宏观水力模型用以预测水泵的主控点压力、出厂压力和出厂流量中的至少一种,所述调度时刻为所述主控点压力超过预设的主控点压力目标值的时刻;
第一控制模块202,用于基于所述调度时刻对应的预测参数计算变频泵的最优频率,并在所述实际时刻到达调度时刻时,基于所述最优频率控制所述变频泵,所述最优频率为所述主控点压力最接近所述主控点压力目标值时的频率,所述水泵包括频率可调节的所述变频泵和频率不可调节的工频泵;
第二控制模块203,用于在历史数据库中获取同期相似工况下所有的可执行调度方案,基于所述宏观水力模型确定各所述可执行调度方案在被执行后预设时长内的预估主控点压力,并根据各所述预估主控点压力确定最优调度方案,基于所述最优调度方案控制所述工频泵。
在一种可实施方式中,所述宏观水力模型对应的计算公式为:
其中:
M为水泵的数量;K为日内时段数量;为时刻t的主控点压力、出厂压力或出厂流量;/>为时刻t的总需水量;/>在对工频泵计算时为时刻t工频泵的开停状态,开为1,停为0,在对变频泵计算时为变频泵频率与其额定频率的比值;/>为日内时段j(j=1,…,K)的哑变量,若时刻t属于时段j,则/>=1;否则取/>=0;/>为随机扰动项,代表影响主控点压力、出厂压力或出厂流量的随机因素;c为方程的截距项;/>为主控点压力、出厂压力或出厂流量的非线性变换参数,取值范围为/>;/>为总需水量的非线性变换参数,取值范围为/>;/>为需水量变换对出厂压力/流量变换的效应;/>为水泵开启或频率增加1单位对出厂压力/流量变换产生的效应;/>为水泵状态的阈值,当/></>时,水泵状态变化对出厂压力和出厂流量不起作用;/>为时间因子对出厂压力/流量变换的影响。
在一种可实施方式中,所述宏观水力模型中的参数c、、/>、/>、/>和/>基于对预设时间段内的历史数据进行最小二乘算法预估得到。
在一种可实施方式中,第二控制模块203包括:
计算单元,用于分别根据每个所述可执行调度方案对应各所述预估主控点压力,计算各所述可执行调度方案对应的综合得分,将综合得分最高的所述可执行调度方案确定为最优调度方案。
在一种可实施方式中,所述综合得分的计算公式为:
其中:
整数N为主控点数量;整数为评估期长度;/>为第i个主控点在第t+j期的压力预测值;常数/>和/>分别为t+j时刻第i个主控点压力正常范围的上下限,常数和/>分别表示比主控点压力正常范围大的容忍范围的上下限;梯形函数的为单时刻单个主控点压力的得分函数,梯形函数值在正常范围内时的得分为1,超出正常范围后得分线性递减,并在突破容忍范围后归零;贴现率/>用以表明随着时间的推移,单时刻主控点压力得分的重要性越来越低。
在一种可实施方式中,所述装置还包括:
确定模块,用于确定所述最优调度方案被执行后的下一个调度时刻,并确定下一个调度时刻对应的下一个最优调度方案;
重复模块,用于重复确定所述最优调度方案被执行后的下一个调度时刻,并确定下一个调度时刻对应的下一个最优调度方案的步骤,直至获取到预设的时间区间内的各所述调度时刻和最优调度方案;
序列构建模块,用于基于各所述最优调度方案构建调度方案序列,所述调度方案序列用以表征所述时间区间内各调度时刻采取的最优调度方案。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是现场可编程门阵列(Field-ProgrammableGate Array,FPGA)、集成电路(Integrated Circuit,IC)等。
本申请实施例的各处理单元和/或模块,可通过实现本申请实施例所述的功能的模拟电路而实现,也可以通过执行本申请实施例所述的功能的软件而实现。
参见图3,其示出了本申请实施例所涉及的一种电子设备的结构示意图,该电子设备可以用于实施图1所示实施例中的方法。如图3所示,电子设备300可以包括:至少一个中央处理器301,至少一个网络接口304,用户接口303,存储器305,至少一个通信总线302。
其中,通信总线302用于实现这些组件之间的连接通信。
其中,用户接口303可以包括显示屏(Display)、摄像头(Camera),可选用户接口303还可以包括标准的有线接口、无线接口。
其中,网络接口304可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,中央处理器301可以包括一个或者多个处理核心。中央处理器301利用各种接口和线路连接整个电子设备300内的各个部分,通过运行或执行存储在存储器305内的指令、程序、代码集或指令集,以及调用存储在存储器305内的数据,执行终端300的各种功能和处理数据。可选的,中央处理器301可以采用数字信号处理(Digital SignalProcessing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。中央处理器301可集成中央中央处理器(Central Processing Unit,CPU)、图像中央处理器(GraphicsProcessing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到中央处理器301中,单独通过一块芯片进行实现。
其中,存储器305可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-OnlyMemory)。可选的,该存储器305包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器305可选的还可以是至少一个位于远离前述中央处理器301的存储装置。如图3所示,作为一种计算机存储介质的存储器305中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
在图3所示的电子设备300中,用户接口303主要用于为用户提供输入的接口,获取用户输入的数据;而中央处理器301可以用于调用存储器305中存储的基于数据挖掘的智能供水调度应用程序,并具体执行以下操作:
构建宏观水力模型,基于所述宏观水力模型确定调度时刻,所述宏观水力模型的自变量中包括日内时段哑变量,所述宏观水力模型用以预测水泵的主控点压力、出厂压力和出厂流量中的至少一种,所述调度时刻为所述主控点压力超过预设的主控点压力目标值的时刻;
基于所述调度时刻对应的预测参数计算变频泵的最优频率,并在所述实际时刻到达调度时刻时,基于所述最优频率控制所述变频泵,所述最优频率为所述主控点压力最接近所述主控点压力目标值时的频率,所述水泵包括频率可调节的所述变频泵和频率不可调节的工频泵;
在历史数据库中获取同期相似工况下所有的可执行调度方案,基于所述宏观水力模型确定各所述可执行调度方案在被执行后预设时长内的预估主控点压力,并根据各所述预估主控点压力确定最优调度方案,基于所述最优调度方案控制所述工频泵。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory, ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (9)
1.一种基于数据挖掘的智能供水调度方法,其特征在于,所述方法包括:
构建宏观水力模型,基于所述宏观水力模型确定调度时刻,所述宏观水力模型的自变量中包括日内时段哑变量,所述宏观水力模型用以预测水泵的主控点压力、出厂压力和出厂流量中的至少一种,所述调度时刻为所述主控点压力超过预设的主控点压力目标值的时刻;
基于所述调度时刻对应的预测参数计算变频泵的最优频率,并在所述实际时刻到达调度时刻时,基于所述最优频率控制所述变频泵,所述最优频率为所述主控点压力最接近所述主控点压力目标值时的频率,所述水泵包括频率可调节的所述变频泵和频率不可调节的工频泵;
在历史数据库中获取同期相似工况下所有的可执行调度方案,基于所述宏观水力模型确定各所述可执行调度方案在被执行后预设时长内的预估主控点压力,并根据各所述预估主控点压力确定最优调度方案,基于所述最优调度方案控制所述工频泵。
2.根据权利要求1所述的方法,其特征在于,所述宏观水力模型对应的计算公式为:
其中:
M为水泵的数量;K为日内时段数量;为时刻t的主控点压力、出厂压力或出厂流量;为时刻t的总需水量;/>在对工频泵计算时为时刻t工频泵的开停状态,开为1,停为0,在对变频泵计算时为变频泵频率与其额定频率的比值;/>为日内时段j(j=1,…,K)的哑变量,若时刻t属于时段j,则/>=1;否则取/>=0;/>为随机扰动项,代表影响主控点压力、出厂压力或出厂流量的随机因素;c为方程的截距项;/>为主控点压力、出厂压力或出厂流量的非线性变换参数,取值范围为/>;/>为总需水量的非线性变换参数,取值范围为;/>为需水量变换对出厂压力/流量变换的效应;/>为水泵开启或频率增加1单位对出厂压力/流量变换产生的效应;/>为水泵状态的阈值,当/></>时,水泵状态变化对出厂压力和出厂流量不起作用;/>为时间因子对出厂压力/流量变换的影响。
3.根据权利要求2所述的方法,其特征在于,所述宏观水力模型中的参数c、、/>、/>、和/>基于对预设时间段内的历史数据进行最小二乘算法预估得到。
4.根据权利要求1所述的方法,其特征在于,所述根据各所述预估主控点压力确定最优调度方案,包括:
分别根据每个所述可执行调度方案对应各所述预估主控点压力,计算各所述可执行调度方案对应的综合得分,将综合得分最高的所述可执行调度方案确定为最优调度方案。
5.根据权利要求4所述的方法,其特征在于,所述综合得分的计算公式为:
其中:
整数N为主控点数量;整数为评估期长度;/>为第i个主控点在第t+j期的压力预测值;常数/>和/>分别为t+j时刻第i个主控点压力正常范围的上下限,常数/>和/>分别表示比主控点压力正常范围大的容忍范围的上下限;梯形函数的为单时刻单个主控点压力的得分函数,梯形函数值在正常范围内时的得分为1,超出正常范围后得分线性递减,并在突破容忍范围后归零;贴现率/>用以表明随着时间的推移,单时刻主控点压力得分的重要性越来越低。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述最优调度方案被执行后的下一个调度时刻,并确定下一个调度时刻对应的下一个最优调度方案;
重复确定所述最优调度方案被执行后的下一个调度时刻,并确定下一个调度时刻对应的下一个最优调度方案的步骤,直至获取到预设的时间区间内的各所述调度时刻和最优调度方案;
基于各所述最优调度方案构建调度方案序列,所述调度方案序列用以表征所述时间区间内各调度时刻采取的最优调度方案。
7.一种基于数据挖掘的智能供水调度装置,其特征在于,所述装置包括:
构建模块,用于构建宏观水力模型,基于所述宏观水力模型确定调度时刻,所述宏观水力模型的自变量中包括日内时段哑变量,所述宏观水力模型用以预测水泵的主控点压力、出厂压力和出厂流量中的至少一种,所述调度时刻为所述主控点压力超过预设的主控点压力目标值的时刻;
第一控制模块,用于基于所述调度时刻对应的预测参数计算变频泵的最优频率,并在所述实际时刻到达调度时刻时,基于所述最优频率控制所述变频泵,所述最优频率为所述主控点压力最接近所述主控点压力目标值时的频率,所述水泵包括频率可调节的所述变频泵和频率不可调节的工频泵;
第二控制模块,用于在历史数据库中获取同期相似工况下所有的可执行调度方案,基于所述宏观水力模型确定各所述可执行调度方案在被执行后预设时长内的预估主控点压力,并根据各所述预估主控点压力确定最优调度方案,基于所述最优调度方案控制所述工频泵。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816413.6A CN116542495B (zh) | 2023-07-05 | 2023-07-05 | 一种基于数据挖掘的智能供水调度方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816413.6A CN116542495B (zh) | 2023-07-05 | 2023-07-05 | 一种基于数据挖掘的智能供水调度方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542495A true CN116542495A (zh) | 2023-08-04 |
CN116542495B CN116542495B (zh) | 2024-02-23 |
Family
ID=87458148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310816413.6A Active CN116542495B (zh) | 2023-07-05 | 2023-07-05 | 一种基于数据挖掘的智能供水调度方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542495B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014124593A (ja) * | 2012-12-27 | 2014-07-07 | Hitachi Ltd | 水道管理支援システム |
US20160275629A1 (en) * | 2015-03-20 | 2016-09-22 | Accenture Global Solutions Limited | Method and system for water production and distribution control |
CN109267612A (zh) * | 2018-11-13 | 2019-01-25 | 株洲珠华智慧水务科技有限公司 | 一种基于bim输水管网压力管理系统 |
CN112819178A (zh) * | 2021-02-05 | 2021-05-18 | 上海创能国瑞新能源科技股份有限公司 | 数据预测模型训练方法、设备及存储介质 |
CN113204867A (zh) * | 2021-04-20 | 2021-08-03 | 株洲珠华智慧水务科技有限公司 | 管网瞬态过程智能调度方法 |
CN113312849A (zh) * | 2021-06-15 | 2021-08-27 | 上海耀斑信息科技有限公司 | 供水管网水力模型自动更新及校准算法 |
CN113536684A (zh) * | 2021-07-22 | 2021-10-22 | 南京邮电大学 | 一种自来水厂取水、供水泵站智能协同优化调度方法 |
CN114117694A (zh) * | 2021-11-04 | 2022-03-01 | 北控水务(中国)投资有限公司 | 供水管网压力监测点布设方法和装置及设备 |
CN114970064A (zh) * | 2022-06-01 | 2022-08-30 | 中冶赛迪信息技术(重庆)有限公司 | 一种供水方案的获取方法、装置、电子设备及介质 |
CN115438843A (zh) * | 2022-08-18 | 2022-12-06 | 长沙海川节能技术有限公司 | 供水流量优化方法、装置、电子设备及存储介质 |
CN115689201A (zh) * | 2022-11-01 | 2023-02-03 | 北京邮电大学 | 面向企业资源供需调配的多准则智能决策优化方法及系统 |
-
2023
- 2023-07-05 CN CN202310816413.6A patent/CN116542495B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014124593A (ja) * | 2012-12-27 | 2014-07-07 | Hitachi Ltd | 水道管理支援システム |
US20160275629A1 (en) * | 2015-03-20 | 2016-09-22 | Accenture Global Solutions Limited | Method and system for water production and distribution control |
CN109267612A (zh) * | 2018-11-13 | 2019-01-25 | 株洲珠华智慧水务科技有限公司 | 一种基于bim输水管网压力管理系统 |
CN112819178A (zh) * | 2021-02-05 | 2021-05-18 | 上海创能国瑞新能源科技股份有限公司 | 数据预测模型训练方法、设备及存储介质 |
CN113204867A (zh) * | 2021-04-20 | 2021-08-03 | 株洲珠华智慧水务科技有限公司 | 管网瞬态过程智能调度方法 |
CN113312849A (zh) * | 2021-06-15 | 2021-08-27 | 上海耀斑信息科技有限公司 | 供水管网水力模型自动更新及校准算法 |
CN113536684A (zh) * | 2021-07-22 | 2021-10-22 | 南京邮电大学 | 一种自来水厂取水、供水泵站智能协同优化调度方法 |
CN114117694A (zh) * | 2021-11-04 | 2022-03-01 | 北控水务(中国)投资有限公司 | 供水管网压力监测点布设方法和装置及设备 |
CN114970064A (zh) * | 2022-06-01 | 2022-08-30 | 中冶赛迪信息技术(重庆)有限公司 | 一种供水方案的获取方法、装置、电子设备及介质 |
CN115438843A (zh) * | 2022-08-18 | 2022-12-06 | 长沙海川节能技术有限公司 | 供水流量优化方法、装置、电子设备及存储介质 |
CN115689201A (zh) * | 2022-11-01 | 2023-02-03 | 北京邮电大学 | 面向企业资源供需调配的多准则智能决策优化方法及系统 |
Non-Patent Citations (2)
Title |
---|
李唯特: "基于人工智能的城市供水两级优化调度应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 22 * |
林峰等: "某大型城市智能供水调度优化算法研究与模拟实践", 《中国给水排水》, vol. 39, no. 9, pages 110 * |
Also Published As
Publication number | Publication date |
---|---|
CN116542495B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Reviews on uncertainty analysis of wind power forecasting | |
US11809164B2 (en) | Integrating machine learning into control systems for industrial facilities | |
Landry et al. | Probabilistic gradient boosting machines for GEFCom2014 wind forecasting | |
US9639642B2 (en) | Time series forecasting ensemble | |
Lan et al. | AI-based autonomous line flow control via topology adjustment for maximizing time-series ATCs | |
US20200272889A1 (en) | Optimizing data center controls using neural networks | |
JP5768834B2 (ja) | プラントモデル管理装置及び方法 | |
CN110570012B (zh) | 一种基于Storm的电厂生产设备故障预警方法及系统 | |
CN113222403B (zh) | 基于大数据的电力调节方法、装置、存储介质及电子设备 | |
CN103514488B (zh) | 基于组合预测模型的电力系统短期负荷预测装置及方法 | |
Cayir Ervural et al. | Improvement of grey prediction models and their usage for energy demand forecasting | |
JP2016177675A (ja) | 推定装置、推定方法およびコンピュータプログラム | |
CN110717600A (zh) | 样本池构建方法和装置、以及算法训练方法和装置 | |
CN104993966B (zh) | 一种电力综合业务网流量预测方法 | |
JP2019159888A (ja) | 機械学習システム | |
Salgado et al. | A short-term bus load forecasting system | |
CN116542495B (zh) | 一种基于数据挖掘的智能供水调度方法、装置及电子设备 | |
CN113112311B (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
CN115629576A (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 | |
CN114943384A (zh) | 一种变电站负荷预测方法、装置、设备及存储介质 | |
CN114707691A (zh) | 一种传染病流行期间短期电力负荷预测方法及装置 | |
CN111191815B (zh) | 一种用于风电集群的超短期出力预测方法及系统 | |
US20210334702A1 (en) | Model evaluating device, model evaluating method, and program | |
CN113851226A (zh) | 传染病疫情预测方法、装置及电子设备 | |
Libera et al. | A novel Multiplicative Polynomial Kernel for Volterra series identification |
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 |