CN116562600A - 供水控制方法、装置、电子设备和计算机可读介质 - Google Patents
供水控制方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116562600A CN116562600A CN202310841663.5A CN202310841663A CN116562600A CN 116562600 A CN116562600 A CN 116562600A CN 202310841663 A CN202310841663 A CN 202310841663A CN 116562600 A CN116562600 A CN 116562600A
- Authority
- CN
- China
- Prior art keywords
- water
- information
- water source
- regional
- quantity prediction
- 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 669
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005192 partition Methods 0.000 claims abstract description 52
- 238000007906 compression Methods 0.000 claims abstract description 46
- 230000006835 compression Effects 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims description 79
- 238000012544 monitoring process Methods 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006837 decompression Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000008400 supply water Substances 0.000 abstract description 23
- 230000006870 function Effects 0.000 description 36
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000010606 normalization Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013144 data compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
Abstract
本公开的实施例公开了供水控制方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取预设时间段内的区域水源压缩信息集和水源分区信息;对区域水源压缩信息集中的每个区域水源压缩信息进行解压处理以生成目标区域水源信息序列,得到目标区域水源信息序列集;将目标区域水源信息序列集中的每个目标区域水源信息序列输入至预先训练的水量预测模型以生成水量预测信息,得到水量预测信息集;基于水量预测信息集,对水源分区信息进行更新处理,得到目标水源分区信息;将目标水源分区信息发送至供水控制终端以供对供水管网执行控制操作。该实施方式可以及时控制供水管网向出现水资源短缺的功能区进行供水。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及供水控制方法、装置、电子设备和计算机可读介质。
背景技术
随着功能区的用水量变化,需要对各个功能区的供水管网进行准确地控制。目前,在控制供水管网进行供水时,通常采用的方式为:通过线下采集水资源信息的方式,在监测到出现水资源短缺后,通过训练好的模型,调整各个功能区对应的供水管网的数量,可以控制各个供水管网向各个功能区进行供水。
然而,发明人发现,当采用上述方式控制供水管网进行供水时,经常会存在如下技术问题:
第一,在监测到水资源出现短缺后,再调整各个功能区对应的供水管网的数量,难以及时调整各个功能区对应的供水管网的数量,从而导致难以及时控制供水管网向出现水资源短缺的功能区进行供水;
第二,采用线下采集水资源信息的方式,难以及时获取水资源信息,导致难以及时发现水资源短缺,从而,导致难以及时控制供水管网向出现水资源短缺的功能区进行供水;
第三,使用根据历史特征训练后的模型,难以根据新增特征对模型进行调整,导致对各个功能区对应的供水管网的数量的调整的准确度降低,从而,导致控制供水管网向功能区供水的准确度降低。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了供水控制方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种供水控制方法,该方法包括:获取预设时间段内的区域水源压缩信息集和水源分区信息;对上述区域水源压缩信息集中的每个区域水源压缩信息进行解压处理以生成目标区域水源信息序列,得到目标区域水源信息序列集;将上述目标区域水源信息序列集中的每个目标区域水源信息序列输入至预先训练的水量预测模型以生成水量预测信息,得到水量预测信息集;基于上述水量预测信息集,对上述水源分区信息进行更新处理,得到目标水源分区信息;将上述目标水源分区信息发送至供水控制终端以供对供水管网执行控制操作。
第二方面,本公开的一些实施例提供了一种供水控制装置,装置包括:获取单元,被配置成获取预设时间段内的区域水源压缩信息集和水源分区信息;解压单元,被配置成对上述区域水源压缩信息集中的每个区域水源压缩信息进行解压处理以生成目标区域水源信息序列,得到目标区域水源信息序列集;输入单元,被配置成将上述目标区域水源信息序列集中的每个目标区域水源信息序列输入至预先训练的水量预测模型以生成水量预测信息,得到水量预测信息集;更新单元,被配置成基于上述水量预测信息集,对上述水源分区信息进行更新处理,得到目标水源分区信息;发送单元,被配置成将上述目标水源分区信息发送至供水控制终端以供对供水管网执行控制操作。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面中任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面中任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的供水控制方法,可以及时控制供水管网向出现水资源短缺的功能区进行供水。具体来说,造成难以及时控制供水管网向出现水资源短缺的功能区进行供水的原因在于:在监测到水资源出现短缺后,再调整各个功能区对应的供水管网的数量,难以及时控制供水管网向出现水资源短缺的功能区进行供水。基于此,本公开的一些实施例的供水控制方法,首先,获取预设时间段内的区域水源压缩信息集和水源分区信息。由此,可以实时地获取各个功能区与供水管网的对应关系,以及压缩后的各个功能区的水量信息。其次,对上述区域水源压缩信息集中的每个区域水源压缩信息进行解压处理以生成目标区域水源信息序列,得到目标区域水源信息序列集。由此,可以得到解压后的各个功能区的水量信息,以便后续对水量信息进行预测。然后,将上述目标区域水源信息序列集中的每个目标区域水源信息序列输入至预先训练的水量预测模型以生成水量预测信息,得到水量预测信息集。由此,可以对各个功能区的水量信息进行预测。接着,基于上述水量预测信息集,对上述水源分区信息进行更新处理,得到目标水源分区信息。由此,可以依据预测得到的水量信息,调整各个功能区对应的供水管网的数量。最后,将上述目标水源分区信息发送至供水控制终端以供对供水管网执行控制操作。由此,可以依据更新后的分区信息,控制供水管网为功能区供水。因此,本公开的一些供水控制方法,可以根据线上获取的水资源信息,对水量信息进行预测,然后可以依据预测的水量信息,调整各个功能区对应的供水管网的数量,可以在功能区出现水资源短缺之前,及时调整分区信息,从而,可以及时控制供水管网向出现水资源短缺的功能区进行供水。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的供水控制方法的一些实施例的流程图;
图2是根据本公开的供水控制装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的供水控制方法的一些实施例的流程100。该供水控制方法,包括以下步骤:
步骤101,获取预设时间段内的区域水源压缩信息集和水源分区信息。
在一些实施例中,供水控制方法的执行主体可以通过有线连接或无线连接的方式从存储终端上获取预设时间段内的区域水源压缩信息集和水源分区信息。其中,上述存储终端可以是用于存储上述区域水源压缩信息集和水源分区信息的物联网平台。上述区域水源压缩信息集中的每个区域水源压缩信息可以表征一个功能区在上述预设时间段内消耗的水量。上述水源分区信息可以表征各个功能区与各个供水管网的对应关系。上述供水管网可以是用于为对应的功能区进行供水的供水管道的集合。
作为示例,上述预设时间段可以是从当前时间的前一天到当前时间的时间段。上述预设时间段还可以是从当前时间的前一周到当前时间的时间段。上述预设时间段还可以是从当前时间的前一月到当前时间的时间段。上述功能区可以是但不限于以下至少一项:居民区、工业区、自然保护区或景观区。
可选地,上述区域水源压缩信息集中的每个区域水源压缩信息可以是通过以下步骤生成的:
第一步,从监测传感器组件中采集初始水源监测信息序列。其中,边缘终端可以通过有线连接或无线连接的方式从监测传感器中采集初始水源监测信息序列。上述边缘终端可以是用于生成上述区域水源压缩信息的边缘计算设备。上述初始水源监测信息序列中的各个初始水源监测信息可以是按照时间的先后顺序排列的。上述初始水源监测信息序列中的每个初始水源监测信息可以包括但不限于以下至少一项:供水信息集。上述供水信息集中的供水信息可以包括但不限于以下至少一项:供水管网编号、供水特征信息和数据格式信息。上述供水管网编号可以唯一标识一个供水管网。上述供水特征信息可以表征一个供水管网的一个特征。上述供水特征信息可以是但不限于以下至少一项:供水管网水压值、供水管网水流量值、供水管网图像或供水管网坐标。上述供水管网水压值可以是上述预设时间段内的供水管网的水压值。上述供水管网水流量值可以是上述预设时间段内的供水管网的水流量值。上述供水管网图像可以是上述预设时间段内的供水管网的图像。上述供水管网坐标可以是供水管网在大地坐标系下的坐标。上述数据格式信息可以表征上述供水特征信息的文件格式。
作为示例,上述监测传感器组件中的监测传感器可以是但不限于以下至少一项:水压压力传感器、水流量传感器和水质传感器。
第二步,对上述初始水源监测信息序列中的每个初始水源监测信息进行预处理以生成筛选水源监测信息,得到筛选水源监测信息序列。其中,上述边缘终端可以通过预设的数据清洗算法,对上述初始水源监测信息序列中的每个初始水源监测信息进行预处理以生成筛选水源监测信息,得到筛选水源监测信息序列。
作为示例,上述预设的数据清洗算法可以是但不限于以下至少一项:拉格朗日差值法、牛顿插值法或线性回归法。
第三步,对上述筛选水源监测信息序列中的每个筛选水源监测信息进行标准化处理以生成标准水源监测信息,得到标准水源监测信息序列。
第四步,对上述标准水源监测信息序列进行压缩处理,得到区域水源压缩信息。其中,上述边缘终端可以通过预设的压缩解压算法,对上述标准水源监测信息序列进行压缩处理。上述区域水源压缩信息可以是一个压缩包。由此,可以对多个标准水源监测信息进行压缩,可以减少区域水源压缩信息的传输时间,从而可以提高区域水源压缩信息的时效性。
作为示例,上述预设的压缩解压算法可以是但不限于以下至少一项:bzip2(数据压缩)算法,LZO(Lempel Ziv Oberhumer,伦佩尔齐夫奥伯胡默)算法或Snappy(流式编解码)算法。
第五步,将上述区域水源压缩信息发送至存储终端以供执行存储操作。其中,上述边缘终端可以将上述区域水源压缩信息发送至上述存储终端以供执行存储操作。
在一些实施例的一些可选的实现方式中,上述边缘终端对上述筛选水源监测信息序列中的每个筛选水源监测信息进行标准化处理以生成标准水源监测信息,可以包括以下步骤:
第一步,对于上述筛选水源监测信息包括的供水信息集中的每个供水信息,响应于确定供水信息包括的数据格式信息为目标格式,对供水信息包括的供水特征信息进行特征值提取处理以生成区域水源标准值。其中,可以通过预设的特征值提取网络模型,对供水信息包括的供水特征信息进行特征值提取处理以生成区域水源标准值。
作为示例,上述目标格式可以是图片格式。上述预设的特征值提取网络模型可以是但不限于以下至少一项:CNN(Convolutional Neural Networks,卷积神经网络)模型或GCNN(Graph Convolutional Nueral Network,图片卷积神经网络)模型。
第二步,将所生成的各个区域水源标准值确定为上述标准水源监测信息包括的区域水源标准值集。
可选地,上述边缘终端还可以响应于确定供水信息包括的数据格式信息为第一预设格式,对供水信息进行归一化处理,得到区域水源标准值。其中,上述第一预设格式可以是数值格式。可以通过预设的归一函数,对上述供水信息进行归一化处理。
作为示例,上述预设的归一函数可以是Min-Max(最小-最大)公式。
可选地,上述边缘终端还可以响应于确定供水信息包括的数据格式信息为第二预设格式,对供水信息进行映射处理,得到区域水源标准值。其中,上述第二预设格式可以是坐标格式。可以根据预设的坐标映射表,对上述供水信息进行映射处理。上述预设的坐标映射表可以表征大地坐标系下的坐标与目标值的对应关系。
作为示例,上述目标值的取值范围可以是(-1,1)。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
上述步骤101的相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“难以及时控制供水管网向出现水资源短缺的功能区进行供水”。其中,导致了难以及时控制供水管网向出现水资源短缺的功能区进行供水的因素往往如下:采用线下采集水资源信息的方式,难以及时获取水资源信息,导致难以及时发现水资源短缺。如果解决了上述因素,就能达到可以及时控制供水管网向出现水资源短缺的功能区进行供水的效果。为了达到这一效果,本公开可以通过在各个供水管网处设置的传感器,实时地采集水资源信息,然后可以通过对采集到的水资源信息进行数据预处理、数据标准化和数据压缩,得到便于存储和传输的压缩信息,最后可以实时地将压缩信息存储在存储终端上,便于后续依据压缩信息,预测水量信息。由此,可以通过传感器采集,线上传输的方式,及时地获取水资源信息,从而可以及时地发现水资源短缺,进而,可以及时控制供水管网向出现水资源短缺的功能区进行供水。
步骤102,对区域水源压缩信息集中的每个区域水源压缩信息进行解压处理以生成目标区域水源信息序列,得到目标区域水源信息序列集。
在一些实施例中,上述执行主体可以对上述区域水源压缩信息集中的每个区域水源压缩信息进行解压处理以生成目标区域水源信息序列,得到目标区域水源信息序列集。其中,可以通过上述预设的压缩解压算法,对上述区域水源压缩信息集中的每个区域水源压缩信息进行解压处理以生成目标区域水源信息序列。
步骤103,将目标区域水源信息序列集中的每个目标区域水源信息序列输入至预先训练的水量预测模型以生成水量预测信息,得到水量预测信息集。
在一些实施例中,上述执行主体可以将上述目标区域水源信息序列集中的每个目标区域水源信息序列输入至预先训练的水量预测模型以生成水量预测信息,得到水量预测信息集。其中,上述预先训练的水量预测模型可以是以目标区域水源信息序列为输入,以水量预测信息为输出的神经网络模型。上述水量预测模型可以包括但不限于以下至少一项:预测子模块集和特征提取子模块。上述预测子模块集中的每个预测子模块可以是以线性区域水源信息序列为输入,以区域水量预测向量为输出的神经网络模型。上述预测子模块集中的每个预测子模块可以包括但不限于以下至少一项:第一卷积网络、第二卷积网络和第三卷积网络。上述特征提取子模块可以是以区域水量预测向量集为输入,以水量预测特征向量为输出的神经网络模型。
作为示例,上述第一卷积网络可以是TCN(Temporal Convolutional Network,时间卷积网络)。上述第二卷积网络可以是上述TCN,上述第三卷积网络可以是GCN(GraphConvolutional Network,图卷积网络)。
在一些实施例的一些可选的实现方式中,上述执行主体将上述目标区域水源信息序列集中的每个目标区域水源信息序列输入至预先训练的水量预测模型以生成水量预测信息,可以包括以下步骤:
第一步,对上述目标区域水源信息序列中的每个目标区域水源信息进行线性变换处理以生成线性区域水源信息,得到线性区域水源信息序列。其中,可以根据第一线性变换函数,对上述目标区域水源信息序列中的每个目标区域水源信息包括的区域水源标准值集中的各个区域水源标准值进行线性变换,得到上述线性区域水源信息包括的区域水源线性标准值集。上述第一线性变换函数中的参数可以是上述预先训练的水量预测模型中的相关参数。
第二步,将上述线性区域水源信息序列输入至上述水量预测模型包括的预测子模块集中的每个预测子模块以生成区域水量预测向量,得到区域水量预测向量集。
第三步,将上述区域水量预测向量集输入至上述水量预测模型包括的特征提取子模块,得到水量预测特征向量。
第四步,将上述水量预测特征向量确定为水量预测信息。
可选地,上述执行主体将上述线性区域水源信息序列输入至上述水量预测模型包括的预测子模块集中的每个预测子模块以生成区域水量预测向量,可以包括以下步骤:
第一步,将上述线性区域水源信息序列输入至上述预测子模块包括的第一卷积网络,得到第一卷积水源向量。
第二步,对上述第一卷积水源特征向量进行归一化处理,得到第一卷积水源特征向量。其中,可以通过预设的归一化函数,对上述第一卷积水源特征向量进行归一化处理。
作为示例,上述预设的归一化函数可以是但不限于以下至少一项:Sigmoid(归一)函数或tanh(双曲正切)函数。
第三步,将上述线性区域水源信息序列输入至上述预测子模块包括的第二卷积网络,得到第二卷积水源向量。
第四步,对上述第二卷积水源信息序列进行归一化处理,得到第二卷积水源特征向量。其中,可以通过上述预设的归一化函数,对上述第二卷积水源信息序列进行归一化处理。
第五步,将上述第一卷积水源特征向量和上述第二卷积水源特征向量的乘积确定第三卷积水源特征向量。
第六步,将上述第三卷积水源特征向量输入至上述预测子模块包括的第三卷积网络,得到第三卷积水源特征向量。
第七步,对上述线性区域水源信息序列中各个线性区域水源信息包括的区域水源线性标准值集进行向量化处理,得到区域水源线性标准向量。其中,可以通过预设的向量化算法,得到区域水源线性标准向量。
作为示例,上述预设的向量化算法可以是vectorization(向量化计算)法。
第八步,将上述第三卷积水源特征向量和上述区域水源线性标准向量的和确定为上述区域水量预测向量。
其中,可以通过上述预先训练的水量预测模型包括的预测子模块,根据目标区域水源信息序列,从时间特征和空间特征的角度分别对区域水量进行预测,考虑了区域水源信息序列中各个区域水源信息之间的时间顺序与坐标关系,由此,可以提高预测得到的区域水量预测信息的准确度。
可选地,上述执行主体将上述区域水量预测向量集输入至上述水量预测模型包括的特征提取子模块,得到水量预测特征向量,可以包括以下步骤:
第一步,将上述区域水量预测向量集中的各个区域水量预测向量的和,确定为区域水量预测总向量。
第二步,基于预设的第一激活函数,生成上述区域水量预测总向量对应的第一水量预测向量。
作为示例,上述预设的第一激活函数可以是但不限于以下至少一项:ReLU(Rectified Linear Unit,修正线性单元)函数或LeakyReLU(Leaky Rectified LinearUnit,带泄露的修正线性单元)函数。
第三步,对上述第一水量预测向量进行线性变换处理,得到第一水量预测线性向量。其中,可以根据第二线性变换函数,对上述第一水量预测向量进行线性变换处理,得到第一水量预测线性向量。上述第二线性变换函数中的参数可以是上述预先训练的水量预测模型中的相关参数。
第四步,基于预设的第二激活函数,生成与上述第一水量预测线性向量对应的第二水量预测向量。
作为示例,上述预设的第二激活函数可以是但不限于以下至少一项:PReLU(Parametrized Rectified Linear Unit,带参数的修正线性单元)或ELU(ExponentialLinear Unit,指数线性单元)函数。
第五步,对上述第二水量预测向量进行线性变换处理,得到上述水量预测特征向量。其中,可以根据第三线性变换函数,对上述第二水量预测向量进行线性变换处理,得到上述水量预测特征向量。上述第三线性变换函数中的参数可以是上述预先训练的水量预测模型中的相关参数。
其中,可以通过上述预先训练的水量预测模型包括的特征提取子模块,从预测子模块集中各个预测子模块预测得到的区域水量预测信息中提取特征,可以综合各个区域水量预测信息的特征,以生成可以表征水量预测特征信息的水量预测特征向量,从而,可以提高水量预测特征向量的准确度,进而,可以提高水量预测信息的准确度。
可选地,上述预先训练的水量预测模型,可以是通过以下步骤训练得到的:
第一步,获取水量预测训练样本集和初始水量预测模型。其中,上述水量预测训练样本集中的水量预测训练样本包括:样本区域水源信息序列和样本水量预测向量,上述初始水量预测模型包括:初始预测子模块集和初始特征提取子模块。这里,上述样本水量预测向量可以表征上述样本区域水源信息序列对应的预设时间段的下一时间段的水量信息。上述初始水量预测模型可以是未经训练的以目标区域水源信息序列为输入,以水量预测信息为输出的神经网络模型。上述初始预测子模块集中的每个初始预测子模块可以是未经训练的以线性区域水源信息序列为输入,以区域水量预测向量为输出的神经网络模型。上述初始预测子模块集中的每个初始预测子模块可以包括但不限于以下至少一项:第一卷积网络、第二卷积网络和第三卷积网络。上述初始特征提取子模块可以是未经训练的以区域水量预测向量集为输入,以水量预测特征向量为输出的神经网络模型。
作为示例,上述第一卷积网络可以是TCN(Temporal Convolutional Network,时间卷积网络)。上述第二卷积网络可以是上述TCN。上述第三卷积网络可以是GCN(GraphConvolutional Network,图卷积网络)。
第二步,从上述水量预测训练样本集中选取水量预测训练样本,执行以下训练子步骤:
第一子步骤,将水量预测训练样本包括的初始区域水源信息序列输入至初始水量预测模型包括的初始预测子模块集中的每个初始预测子模块以生成初始区域水量预测向量,得到初始区域水量预测向量集。其中,上述生成初始区域水量预测向量的具体实现方式及所带来的技术效果可以参考上述实施例中的步骤103,在此不再赘述。
第二子步骤,将初始区域水量预测向量集输入至初始水量预测模型包括的初始特征提取子模块,得到初始水量预测特征向量。其中,上述得到初始水量预测特征向量的具体实现方式及所带来的技术效果可以参考上述实施例中的步骤103,在此不再赘述。
第三子步骤,基于预设的损失函数,确定初始水量预测特征向量和水量预测训练样本包括的样本水量预测向量的水量预测差异值。
作为示例,上述预设的损失函数可以是但不限于以下至少一项:均方误差损失函数(MSE)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数或指数损失函数。
第三步,响应于确定水量预测差异值小于目标值,将初始水量预测模型确定为水量预测模型。
可选地,上述执行主体还可以响应于确定水量预测差异值大于等于目标值,调整初始水量预测模型中的相关参数,将调整后的初始水量预测模型确定为初始水量预测模型,以及再次执行上述训练步骤。其中,可以通过预设的调整算法,调整初始水量预测模型中的相关参数。
作为示例,上述预设的调整算法可以是但不限于以下至少一项:反向传播算法或梯度下降算法。
可选地,上述执行主体还可以执行以下步骤:
第一步,获取预设时间段的水量监测信息集和目标时间段的历史水量预测信息。其中,上述水量监测信息包括:水量监测值集,上述历史水量预测信息包括:历史水量预测向量。上述目标时间段可以是上述预设时间段的上一时间段。上述水量监测值集中的水量监测值可以表征一个供水管网在上述预设时间段内的水流量值。生成上述历史水量预测向量的具体实现方式及所带来的技术效果可以参考上述实施例中的步骤103,在此不再赘述。
作为示例,上述目标时间段可以是从当前时间的前两天到当前时间的前一天的时间段。上述目标时间段还可以是从当前时间的前两周到当前时间的前一周的时间段。上述预设时间段还可以是从当前时间的前两个月月到当前时间的前一个月的时间段。
第二步,对上述水量监测信息包括的水量监测值集进行向量化处理,得到水量监测向量。其中,可以通过上述预设的向量化算法,得到水量监测向量。
第三步,确定上述水量监测向量与上述历史水量预测信息包括的历史水量预测向量的水量预测相似度值。其中,可以通过预设的相似度确定方法,确定上述水量监测向量与上述历史水量预测信息包括的历史水量预测向量的水量预测相似度值。
作为示例,上述预设的相似度确定方法可以是但不限于以下至少一项:欧式距离法、余弦相似度法或海明距离法。
第四步,响应于确定上述水量预测相似度值小于预设阈值,对上述水量预测模型的相关参数进行调整。其中,可以通过上述预设的调整算法,对上述水量预测模型的相关参数进行调整。
作为示例,上述预设阈值可以是0.8。
第五步,将调整后的水量预测模型确定为水量预测模型,以供再次执行上述水量预测信息生成步骤。
步骤103的相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题三“控制供水管网向功能区供水的准确度降低”。其中,导致了控制供水管网向功能区供水的准确度降低的因素往往如下:使用根据历史特征训练后的模型,难以根据新增特征对模型进行调整,导致对各个功能区对应的供水管网的数量的调整的准确度降低。如果解决了上述因素,就能达到提高控制供水管网向功能区供水的准确度的效果。为了达到这一效果,本公开可以通过确定历史预测的水量信息与当前时间段监测得到的水量信息的相似度,确定模型输出的准确度。当相似度低于一定值时,可以表示模型输出的准确度降低了,需要及时地对模型的参数进行调整。因此,可以及时地根据实际需要调整使用到的模型的参数,以适应新增的特征,可以提高预测水量的准确度,从而,可以提高对各个功能区对应的供水管网数量的调整的准确度,进而,可以提高控制供水管网向功能区供水的准确度。
步骤104,基于水量预测信息集,对水源分区信息进行更新处理,得到目标水源分区信息。
在一些实施例中,上述执行主体可以基于上述水量预测信息集,对上述水源分区信息进行更新处理,得到目标水源分区信息。其中,对于上述水量预测信息集中的每个水量预测信息,当上述水量预测信息包括的水量预测向量中存在大于等于目标最大值的值,可以增加与上述水量预测信息对应的功能区的供水管网的数量,当上述水量预测信息包括的水量预测向量中存在小于等于目标最小值的值,可以减少与上述水量预测信息对应的功能区的供水管网的数量。然后,可以将调整后的各个功能区对应的供水管网数量,确定为上述目标水源分区信息。
作为示例,上述目标最大值可以是80。上述目标最小值可以是20。
步骤105,将上述目标水源分区信息发送至供水控制终端以供对供水管网执行控制操作。
在一些实施例中,上述执行主体可以将上述目标水源分区信息发送至供水控制终端以供对供水管网执行控制操作。其中,上述供水控制终端可以是用于控制各个供水管网向各个功能区供水的终端。上述供水控制终端可以依据上述目标水源分区信息,控制各个供水管网向对应的功能区供水。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的供水控制方法,可以及时控制供水管网向出现水资源短缺的功能区进行供水。具体来说,造成难以及时控制供水管网向出现水资源短缺的功能区进行供水的原因在于:在监测到水资源出现短缺后,再调整各个功能区对应的供水管网的数量,难以及时控制供水管网向出现水资源短缺的功能区进行供水。基于此,本公开的一些实施例的供水控制方法,首先,获取预设时间段内的区域水源压缩信息集和水源分区信息。由此,可以实时地获取各个功能区与供水管网的对应关系,以及压缩后的各个功能区的水量信息。其次,对上述区域水源压缩信息集中的每个区域水源压缩信息进行解压处理以生成目标区域水源信息序列,得到目标区域水源信息序列集。由此,可以得到解压后的各个功能区的水量信息,以便后续对水量信息进行预测。然后,将上述目标区域水源信息序列集中的每个目标区域水源信息序列输入至预先训练的水量预测模型以生成水量预测信息,得到水量预测信息集。由此,可以对各个功能区的水量信息进行预测。接着,基于上述水量预测信息集,对上述水源分区信息进行更新处理,得到目标水源分区信息。由此,可以依据预测得到的水量信息,调整各个功能区对应的供水管网的数量。最后,将上述目标水源分区信息发送至供水控制终端以供对供水管网执行控制操作。由此,可以依据更新后的分区信息,控制供水管网为功能区供水。因此,本公开的一些供水控制方法,可以根据线上获取的水资源信息,对水量信息进行预测,然后可以依据预测的水量信息,调整各个功能区对应的供水管网的数量,可以在功能区出现水资源短缺之前,及时调整分区信息,从而,可以及时控制供水管网向出现水资源短缺的功能区进行供水。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种供水控制装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该供水控制装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的供水控制装置200包括:获取单元201、解压单元202、输入单元203、更新单元204和发送单元205。其中,获取单元201,被配置成获取预设时间段内的区域水源压缩信息集和水源分区信息;解压单元202,被配置成对上述区域水源压缩信息集中的每个区域水源压缩信息进行解压处理以生成目标区域水源信息序列,得到目标区域水源信息序列集;输入单元203,被配置成将上述目标区域水源信息序列集中的每个目标区域水源信息序列输入至预先训练的水量预测模型以生成水量预测信息,得到水量预测信息集;更新单元204,被配置成基于上述水量预测信息集,对上述水源分区信息进行更新处理,得到目标水源分区信息;发送单元205,被配置成将上述目标水源分区信息发送至供水控制终端以供对供水管网执行控制操作。
可以理解的是,该供水控制装置200中记载的诸单元与参考图1描述的供水控制方法中的各个步骤相对应。由此,上文针对供水控制方法描述的操作、特征以及产生的有益效果同样适用于供水控制装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的终端设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取预设时间段内的区域水源压缩信息集和水源分区信息;对上述区域水源压缩信息集中的每个区域水源压缩信息进行解压处理以生成目标区域水源信息序列,得到目标区域水源信息序列集;将上述目标区域水源信息序列集中的每个目标区域水源信息序列输入至预先训练的水量预测模型以生成水量预测信息,得到水量预测信息集;基于上述水量预测信息集,对上述水源分区信息进行更新处理,得到目标水源分区信息;将上述目标水源分区信息发送至供水控制终端以供对供水管网执行控制操作。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、解压单元、输入单元、更新单元和发送单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取预设时间段内的区域水源压缩信息集和水源分区信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种供水控制方法,包括:
获取预设时间段内的区域水源压缩信息集和水源分区信息;
对所述区域水源压缩信息集中的每个区域水源压缩信息进行解压处理以生成目标区域水源信息序列,得到目标区域水源信息序列集;
将所述目标区域水源信息序列集中的每个目标区域水源信息序列输入至预先训练的水量预测模型以生成水量预测信息,得到水量预测信息集;
基于所述水量预测信息集,对所述水源分区信息进行更新处理,得到目标水源分区信息;
将所述目标水源分区信息发送至供水控制终端以供对供水管网执行控制操作。
2.根据权利要求1所述的方法,其中,所述区域水源压缩信息集中的每个区域水源压缩信息是通过以下步骤生成的:
从监测传感器组件中采集初始水源监测信息序列;
对所述初始水源监测信息序列中的每个初始水源监测信息进行预处理以生成筛选水源监测信息,得到筛选水源监测信息序列;
对所述筛选水源监测信息序列中的每个筛选水源监测信息进行标准化处理以生成标准水源监测信息,得到标准水源监测信息序列;
对所述标准水源监测信息序列进行压缩处理,得到区域水源压缩信息;
将所述区域水源压缩信息发送至存储终端以供执行存储操作。
3.根据权利要求2所述的方法,其中,所述筛选水源监测信息序列中的筛选水源监测信息包括:供水信息集,所述供水信息集中的供水信息包括:供水特征信息和数据格式信息;以及
所述对所述筛选水源监测信息序列中的每个筛选水源监测信息进行标准化处理以生成标准水源监测信息,包括:
对于所述筛选水源监测信息包括的供水信息集中的每个供水信息,响应于确定供水信息包括的数据格式信息为目标格式,对供水信息包括的供水特征信息进行特征值提取处理以生成区域水源标准值;
将所生成的各个区域水源标准值确定为所述标准水源监测信息包括的区域水源标准值集。
4.根据权利要求1所述的方法,其中,所述水量预测模型包括:预测子模块集和特征提取子模块;以及
所述将所述目标区域水源信息序列集中的每个目标区域水源信息序列输入至预先训练的水量预测模型以生成水量预测信息,包括:
对所述目标区域水源信息序列中的每个目标区域水源信息进行线性变换处理以生成线性区域水源信息,得到线性区域水源信息序列;
将所述线性区域水源信息序列输入至所述水量预测模型包括的预测子模块集中的每个预测子模块以生成区域水量预测向量,得到区域水量预测向量集;
将所述区域水量预测向量集输入至所述水量预测模型包括的特征提取子模块,得到水量预测特征向量;
将所述水量预测特征向量确定为水量预测信息。
5.根据权利要求4所述的方法,其中,所述预先训练的水量预测模型,是通过以下步骤训练得到的:
获取水量预测训练样本集和初始水量预测模型,其中,所述水量预测训练样本集中的水量预测训练样本包括:样本区域水源信息序列和样本水量预测向量,所述初始水量预测模型包括:初始预测子模块集和初始特征提取子模块;
从所述水量预测训练样本集中选取水量预测训练样本,执行以下训练步骤:
将水量预测训练样本包括的初始区域水源信息序列输入至初始水量预测模型包括的初始预测子模块集中的每个初始预测子模块以生成初始区域水量预测向量,得到初始区域水量预测向量集;
将初始区域水量预测向量集输入至初始水量预测模型包括的初始特征提取子模块,得到初始水量预测特征向量;
基于预设的损失函数,确定初始水量预测特征向量和水量预测训练样本包括的样本水量预测向量的水量预测差异值;
响应于确定水量预测差异值小于目标值,将初始水量预测模型确定为水量预测模型。
6.根据权利要求5所述的方法,其中,所述方法还包括:
响应于确定水量预测差异值大于等于目标值,调整初始水量预测模型中的相关参数,将调整后的初始水量预测模型确定为初始水量预测模型,以及再次执行所述训练步骤。
7.一种供水控制装置,包括:
获取单元,被配置成获取预设时间段内的区域水源压缩信息集和水源分区信息;
解压单元,被配置成对所述区域水源压缩信息集中的每个区域水源压缩信息进行解压处理以生成目标区域水源信息序列,得到目标区域水源信息序列集;
输入单元,被配置成将所述目标区域水源信息序列集中的每个目标区域水源信息序列输入至预先训练的水量预测模型以生成水量预测信息,得到水量预测信息集;
更新单元,被配置成基于所述水量预测信息集,对所述水源分区信息进行更新处理,得到目标水源分区信息;
发送单元,被配置成将所述目标水源分区信息发送至供水控制终端以供对供水管网执行控制操作。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310841663.5A CN116562600B (zh) | 2023-07-11 | 2023-07-11 | 供水控制方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310841663.5A CN116562600B (zh) | 2023-07-11 | 2023-07-11 | 供水控制方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116562600A true CN116562600A (zh) | 2023-08-08 |
CN116562600B CN116562600B (zh) | 2023-09-19 |
Family
ID=87495117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310841663.5A Active CN116562600B (zh) | 2023-07-11 | 2023-07-11 | 供水控制方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562600B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273313A (zh) * | 2023-09-08 | 2023-12-22 | 中关村科学城城市大脑股份有限公司 | 水网调蓄方法、装置、电子设备和计算机可读介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07119184A (ja) * | 1993-10-21 | 1995-05-09 | Hitachi Ltd | 上下水道システムの運転装置 |
US20160357195A1 (en) * | 2015-06-02 | 2016-12-08 | Lsis Co., Ltd. | Water supplying method |
CN110009161A (zh) * | 2019-04-15 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 供水预测方法及装置 |
CN111105065A (zh) * | 2019-09-26 | 2020-05-05 | 深圳市东深电子股份有限公司 | 一种基于机器学习的农村供水系统及供水方法 |
CN111366291A (zh) * | 2020-02-14 | 2020-07-03 | 迈拓仪表股份有限公司 | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 |
CN112884015A (zh) * | 2021-01-26 | 2021-06-01 | 山西三友和智慧信息技术股份有限公司 | 一种面向供水管网分区计量系统日志信息的故障预测方法 |
CN113449993A (zh) * | 2021-06-29 | 2021-09-28 | 中国水利水电科学研究院 | 一种城市水源供水调度方法 |
CN114971191A (zh) * | 2022-04-26 | 2022-08-30 | 浙江大学 | 一种基于节点水龄的多水源管网水质评价方法 |
CN116005756A (zh) * | 2022-12-12 | 2023-04-25 | 湖南易净环保科技有限公司 | 一种应用于农村的分布式供水系统 |
-
2023
- 2023-07-11 CN CN202310841663.5A patent/CN116562600B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07119184A (ja) * | 1993-10-21 | 1995-05-09 | Hitachi Ltd | 上下水道システムの運転装置 |
US20160357195A1 (en) * | 2015-06-02 | 2016-12-08 | Lsis Co., Ltd. | Water supplying method |
CN110009161A (zh) * | 2019-04-15 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 供水预测方法及装置 |
CN111105065A (zh) * | 2019-09-26 | 2020-05-05 | 深圳市东深电子股份有限公司 | 一种基于机器学习的农村供水系统及供水方法 |
CN111366291A (zh) * | 2020-02-14 | 2020-07-03 | 迈拓仪表股份有限公司 | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 |
CN112884015A (zh) * | 2021-01-26 | 2021-06-01 | 山西三友和智慧信息技术股份有限公司 | 一种面向供水管网分区计量系统日志信息的故障预测方法 |
CN113449993A (zh) * | 2021-06-29 | 2021-09-28 | 中国水利水电科学研究院 | 一种城市水源供水调度方法 |
CN114971191A (zh) * | 2022-04-26 | 2022-08-30 | 浙江大学 | 一种基于节点水龄的多水源管网水质评价方法 |
CN116005756A (zh) * | 2022-12-12 | 2023-04-25 | 湖南易净环保科技有限公司 | 一种应用于农村的分布式供水系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273313A (zh) * | 2023-09-08 | 2023-12-22 | 中关村科学城城市大脑股份有限公司 | 水网调蓄方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116562600B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114091617A (zh) | 联邦学习建模优化方法、电子设备、存储介质及程序产品 | |
US20240127795A1 (en) | Model training method, speech recognition method, device, medium, and apparatus | |
CN116562600B (zh) | 供水控制方法、装置、电子设备和计算机可读介质 | |
CN113327599B (zh) | 语音识别方法、装置、介质及电子设备 | |
CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
CN111314707B (zh) | 数据映射识别方法、装置、设备及可读存储介质 | |
CN116090543A (zh) | 模型压缩方法及装置、计算机可读介质和电子设备 | |
CN111898061B (zh) | 搜索网络的方法、装置、电子设备和计算机可读介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111726476B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN112561779B (zh) | 图像风格化处理方法、装置、设备及存储介质 | |
CN113902230A (zh) | 电量偏差控制方法、系统、存储介质和电子设备 | |
CN112070888A (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
CN115630585B (zh) | 物品流转量预测方法、装置、设备和计算机可读介质 | |
CN117131366B (zh) | 变压器维修设备控制方法、装置、电子设备和可读介质 | |
CN116894163B (zh) | 基于信息安全的充放电设施负荷预测信息生成方法和装置 | |
CN116757443B (zh) | 新型配电网电力线损率预测方法、装置、电子设备和介质 | |
CN116934557B (zh) | 行为预测信息生成方法、装置、电子设备和可读介质 | |
CN117040135B (zh) | 电力设备供电方法、装置、电子设备和计算机可读介质 | |
CN112070163B (zh) | 图像分割模型训练和图像分割方法、装置、设备 | |
CN117708768A (zh) | 负荷信息发送方法、装置、电子设备和可读介质 | |
CN117112869A (zh) | 物品分类结果生成方法、装置、设备、介质和程序产品 | |
CN117913779A (zh) | 用电负荷信息预测方法、装置、电子设备和可读介质 | |
CN113033770A (zh) | 神经网络模型的测试方法、装置和电子设备 |
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 |