CN116629438B - 一种基于需求曲线的智能水龄控制方法及系统 - Google Patents
一种基于需求曲线的智能水龄控制方法及系统 Download PDFInfo
- Publication number
- CN116629438B CN116629438B CN202310634403.0A CN202310634403A CN116629438B CN 116629438 B CN116629438 B CN 116629438B CN 202310634403 A CN202310634403 A CN 202310634403A CN 116629438 B CN116629438 B CN 116629438B
- Authority
- CN
- China
- Prior art keywords
- water
- predicted
- water consumption
- consumption
- historical
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 662
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 28
- 239000007788 liquid Substances 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 4
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 abstract description 5
- 229910052801 chlorine Inorganic materials 0.000 abstract description 5
- 239000000460 chlorine Substances 0.000 abstract description 5
- 241000894006 Bacteria Species 0.000 abstract description 2
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000006731 degradation reaction Methods 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000001276 controlling effect Effects 0.000 description 9
- 230000002829 reductive effect Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 239000013589 supplement Substances 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004659 sterilization and disinfection Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000008400 supply water Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000005660 chlorination reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Abstract
本发明公开一种基于需求曲线的智能水龄控制方法,属于二次供水控制技术领域;该方法包括:获取历史用水量和历史影响因素;根据历史用水量和历史影响因素,对预设的用水量预测模型进行训练,得到训练后的用水量预测模型;获取待预测用水量和待预测影响因素;将待预测用水量和待预测影响因素输入至训练后的用水量预测模型中进行预测,得到未来用水量预测结果;根据未来用水量预测结果进行水龄控制。本发明还提供一种基于需求曲线的智能水龄控制系统。本发明解决二次供水水箱内水龄过大问题,使得水体余氯挥发降解消耗减少,确保余氯浓度能抑制细菌生长,从而保障用户用水安全。
Description
技术领域
本发明涉及二次供水控制技术领域,具体涉及一种基于需求曲线的智能水龄控制方法及系统。
背景技术
随着我国的城市化建设,城市高层建筑逐渐增多,配套的二次供水也日渐增加。以往的二次供水系统及配套装置均以满足远端用户正常用水需要为目标,其主要关注点在于二次供水系统的出口端水泵加压的稳定控制。在涉及水箱的二次供水系统中,水箱的存在常常是二次供水受到二次污染的主要事故点。对于二次供水的进水端控制往往只是以传统机械浮球阀进行控制,即水箱液位降至一定程度后,浮球阀开启进行补水,当液位升至设定值,浮球上浮驱动连杆关闭阀门进水。
传统的二次供水系统的进水控制,由于水箱设计尺寸偏大,或新建小区入住率不高,导致市政供水进入二次供水水箱后,停留时间过长,水体得不到及时更新,水体中余氯挥发消耗较大,难以起到抑制细菌滋生的作用,最终导致水体受污染、水质变差,影响居民正常使用。水体在水箱内的停留时间即水体在水箱内的水龄。
传统的解决二次供水系统水质污染问题的方案,是定期对水箱进行人工排空处理,必要时进行水箱清洗,或者增加消毒手段,如再次加氯、或出口紫外消毒。上述方法或消耗大量人力成本、或造成水资源浪费、或增加设备投入等经济成本,且均未从根源解决水箱水龄过长,水体无法及时更新的问题。
发明内容
本发明的目的在于提供一种高效的基于需求曲线的智能水龄控制方法及系统。
为解决上述技术问题,本发明提供一种基于需求曲线的智能水龄控制方法,包括以下步骤:
获取历史用水量和历史影响因素;
根据历史用水量和历史影响因素,对预设的用水量预测模型进行训练,得到训练后的用水量预测模型;
获取待预测用水量和待预测影响因素;
将待预测用水量和待预测影响因素输入至训练后的用水量预测模型中进行预测,得到未来用水量预测结果;
根据未来用水量预测结果进行水龄控制。
优选地,获取历史用水量,具体包括以下步骤:
获取历史二次供水运行数据;所述历史二次供水运行数据包括进水流量和水箱液位;
根据历史二次供水运行数据的进水流量和水箱液位,计算得到历史用水量。
优选地,获取待预测用水量,具体包括以下步骤:
获取待预测二次供水运行数据;所述待预测二次供水运行数据包括进水流量和水箱液位;
根据待预测二次供水运行数据的进水流量和水箱液位,计算得到待预测用水量。
优选地,所述历史用水量和待预测用水量的计算公式为:
Vt-1=(Qt-Qt-1)-(Ht-Ht-1)×S
式中:Qt、Qt-1为t、t-1时刻的进水流量的累计量;Ht、Ht-1为t、t-1时刻的水箱液位;S为水箱底面积;Vt-1为t-1时刻至t时刻1小时用水量。
优选地,根据未来用水量预测结果进行水龄控制,具体包括以下步骤:
根据未来用水量预测结果,计算得到每小时计划进水量;
获取实时二次供水运行数据;所述实时二次供水运行数据包括进水流量和水箱液位;
根据实时二次供水运行数据的进水流量和水箱液位,计算得到实时用水量和水箱水龄;
根据每小时计划进水量、实时用水量和水箱水龄,进行水龄控制。
优选地,根据待预测二次供水运行数据的进水流量和水箱液位,计算得到水箱水龄,具体包括以下步骤:
根据待预测二次供水运行数据的进水流量,计算得到进入水箱的水量;
根据待预测二次供水运行数据的水箱液位,得到水箱中剩余水量;
根据进入水箱的水量和水箱中剩余水量,计算得到水箱水龄。
优选地,所述水箱水龄的计算公式为:
At=(At-1+Δt)×V/(V+Vin)
式中:Vin为t时刻进入水箱的水量;At、At-1为t、t-1时刻水箱水龄;Δt为时间间隔;V为经过时间间隔Δt后的水箱中剩余水量。
优选地,所述历史影响因素和待预测影响因素均包括天气、气温、湿度、降水、周期、季度和节假日。
优选地,用水量预测模型采用CNN-GRU网络模型,包括CNN网络层、GRU网络层和全连接层。
本发明还提供一种基于需求曲线的智能水龄控制系统,其特征在于,包括:
第一获取模块,用于获取历史用水量和历史影响因素;
训练模块,用于根据历史用水量和历史影响因素,对预设的用水量预测模型进行训练,得到训练后的用水量预测模型;
第二获取模块,用于获取待预测用水量和待预测影响因素;
预测模块,用于将待预测用水量和待预测影响因素输入至训练后的用水量预测模型中进行预测,得到未来用水量预测结果;
水龄控制模块,用于根据未来用水量预测结果进行水龄控制。
与现有技术相比,本发明的有益效果为:
本发明提供一种智能水龄控制算法可以使得水箱内存蓄水量在一定时间内消耗完并得到更新,即控制水箱内水体停留时间在一定范围内,从而解决二次供水水箱内水龄过大问题,使得水体余氯挥发降解消耗减少,确保余氯浓度能抑制细菌生长,从而保障用户用水安全。
具体为:
1、本发明通过运用深度学习CNN-GRU算法预测24h未来用水量,基于此计算确定各时刻计划进水量,在保证未来一段时间用户用水量的前提下,控制水流在水箱中的存留量,水箱内水体得到及时更新,降低了水箱内水体的水龄,从而减少二次污染,保障用水水质安全。
2、本发明使二次供水水箱水龄得到降低,相比于定期的排水、清洗甚至额外再消毒等措施,可节省人工以及经济成本,避免水资源的浪费。
3、用水量预测模型可适用于不同用水规模、不同用水习惯的二次供水系统。同时随着用户用水量数据的不断积累,通过不断的训练,用水量预测模型的预测精度不断提升。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细说明。
图1是本发明一种基于需求曲线的智能水龄控制方法的流程示意图;
图2是CNN-GRU网络的结构示意图;
图3是实施例1中24h内各时段用水量的各时刻进水量存水量图表;
图4是实施例1中各时刻水箱水龄值示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图对本发明做进一步的详细描述:
本发明提供一种基于需求曲线的智能水龄控制方法,包括以下步骤:
获取历史用水量和历史影响因素;
根据历史用水量和历史影响因素,对预设的用水量预测模型进行训练,得到训练后的用水量预测模型;
获取待预测用水量和待预测影响因素;
将待预测用水量和待预测影响因素输入至训练后的用水量预测模型中进行预测,得到未来用水量预测结果;
根据未来用水量预测结果进行水龄控制。
优选地,获取历史用水量,具体包括以下步骤:
获取历史二次供水运行数据;所述历史二次供水运行数据包括进水流量和水箱液位;
根据历史二次供水运行数据的进水流量和进水压力,计算得到历史二次供水运行数据的进水累计量;
根据历史二次供水运行数据的进水累计量和历史二次供水运行数据的水箱液位,计算得到历史用水量。
优选地,获取待预测用水量,具体包括以下步骤:
获取待预测二次供水运行数据;所述待预测二次供水运行数据包括进水流量和水箱液位;
根据待预测二次供水运行数据的进水流量和进水压力,计算得到待预测二次供水运行数据的进水累计量;
根据待预测二次供水运行数据的进水累计量和待预测二次供水运行数据的水箱液位,计算得到待预测用水量。
优选地,所述历史用水量和待预测用水量的计算公式为:
Vt-1=(Qt-Qt-1)-(Ht-Ht-1)×S
式中:Qt、Qt-1为t、t-1时刻的进水流量的累计量;Ht、Ht-1为t、t-1时刻的水箱液位;S为水箱底面积;Vt-1为t-1时刻至t时刻1小时用水量。
优选地,根据未来用水量预测结果进行水龄控制,具体包括以下步骤:
根据未来用水量预测结果,计算得到每小时计划进水量;
获取实时二次供水运行数据;所述实时二次供水运行数据包括进水流量和水箱液位;
根据实时二次供水运行数据的进水流量和水箱液位,计算得到实时用水量和水箱水龄;
根据每小时计划进水量、实时用水量和水箱水龄,进行水龄控制,水箱水龄控制在2小时以内。
优选地,根据待预测二次供水运行数据的进水流量和水箱液位,计算得到水箱水龄,具体包括以下步骤:
根据待预测二次供水运行数据的进水流量,计算得到进入水箱的水量;
根据待预测二次供水运行数据的水箱液位,得到水箱中剩余水量;
根据进入水箱的水量和水箱中剩余水量,计算得到水箱水龄。
优选地,所述水箱水龄的计算公式为:
At=(At-1+Δt)×V/(V+Vin)
式中:Vin为t时刻进入水箱的水量;At、At-1为t、t-1时刻水箱水龄;Δt为时间间隔;V为经过时间间隔Δt后的水箱中剩余水量。
优选地,所述历史影响因素和待预测影响因素均包括天气、气温、湿度、降水、周期、季度和节假日。
优选地,用水量预测模型采用CNN-GRU网络模型,包括CNN网络层、GRU网络层和全连接层。
本发明还提供一种基于需求曲线的智能水龄控制系统,包括:
第一获取模块,用于获取历史用水量和历史影响因素;
训练模块,用于根据历史用水量和历史影响因素,对预设的用水量预测模型进行训练,得到训练后的用水量预测模型;
第二获取模块,用于获取待预测用水量和待预测影响因素;
预测模块,用于将待预测用水量和待预测影响因素输入至训练后的用水量预测模型中进行预测,得到未来用水量预测结果;
水龄控制模块,用于根据未来用水量预测结果进行水龄控制。
为了更好的说明本发明的技术效果,本发明提供如下具体实施例说明上述技术流程:
实施例1、一种基于需求曲线的智能水龄控制方法,包括:
1)、水龄控制系统:
水龄控制系统主要包括水龄控制装置、智能水龄控制算法引擎以及相应的系统控制平台。
水龄控制系统通过水龄控制装置采集二次供水运行数据,包括进水流量、水箱液位、进水压力。
采集的运行数据通过智能水龄控制算法引擎计算,得到二次供水小区用户用水量以及当前水箱内水流的水龄;基于用水量数据及其它影响因素通过深度学习算法训练得到用水量预测模型,通过训练后的用水量预测模型得到未来24h的用户用水量需求曲线;根据用水量需求曲线,计算确定每小时计划进水量。
系统控制平台将计划进水量作为控制目标下发至水龄控制装置,水龄控制装置根据每小时的目标进水量,控制进水阀门启闭状态。
为保障用水安全,系统采取一定强制保护机制,防止出现无水可用以及水箱溢流问题,如图1所示;
2)、智能水龄控制算法引擎
智能水龄控制算法引擎包括以下五个部分:a、时用水量计算;b、水箱水龄计算;c、用水量预测模型训练;d、未来24h用水量需求曲线预测;e、每小时计划进水量计算。
a、时用水量计算:
通过水龄控制装置获取t、t-1时刻流量计进水累计量Qt、Qt-1以及水箱液位Ht、Ht-1,结合水箱底面积S即可计算得到t-1时刻至t时刻1小时用水量Vt-1。即:
Vt-1=(Qt-Qt-1)-(Ht-Ht-1)×S
b、水箱水龄计算:
水箱水龄即水流在水箱中的停留时间,故认为t时刻进入水箱的水量Vin其水龄为0h,若在t-1时刻水箱中水体的水龄为At-1,在经过一个时间间隔Δt后,水箱中剩余水量为V,则其水龄为At-1+Δt,此时水箱中总水量为V+Vin,则此时水箱的水龄At为:
At=(At-1+Δt)×V/(V+Vin)
c、用水量预测模型训练
智能水龄控制算法引擎,通过深度学习方法构建时间序列用水量预测模型。算法引擎训练用水量预测模型所有学习数据包括:历史用水量、天气、气温、湿度、降水、周期、季度、节假日等,每类数据作为一个特征维度,经标准化、归一化后输入用水量预测模型进行训练。
用水量预测模型至少需要积累1个月以上的数据,后续每周进行增量数据训练,以提高模型精确度。
用水量预测模型采用CNN-GRU网络,由CNN网络层、GRU网络层、全连接层构成,模型结构如图2所示:
训练过程为:从历史用水量中取其中一天的数据,再从历史影响因素取相应的数据,共同作为用水量预测模型的输入;从历史用水量中取下一天的数据(未来24小时的历史用水量)作为输出。
d、未来24h用水量需求曲线预测
利用训练完成的用水量预测模型,结合当前采集数据,计算预测未来24h用水量需求曲线,即计算预测未来24h内每小时用水量。与上述实际时用水量一致,t时预测用水量Qt’表示t至t+1时区间内的用水量。
e、每小时计划进水量计算
根据模型预测的未来24h用水量曲线,由此可计算t时刻起未来k时段总预测用水量,也即当前t时刻水箱需存储水量Vt’=∑Qi’(其中i=t,t+1…t+k)。
t-1时刻水箱水量Htt-1×S,t-1的时用水量Vt-1,则t时刻的计划进水量qt:
qt=Vt’-(Ht-1×S-Vt-1)
系统每天运行计算一次,获得未来24个时刻的计划进水量,并将其作为控制目标下发至水龄控制装置。系统支持自主定义下发各时刻计划进水量。
预测过程为:获取当天的带预测用水量数据以及相应的带预测影响因素,共同作为用水量预测模型的输入进行预测,输出的未来用水量预测结果为未来24小时用水量。
3)、水龄控制装置
水龄控制装置用于监测二次供水系统进水端各类运行数据,包括进水流量、水箱液位、进水压力;同时根据系统平台下发控制目标,控制进水阀门启闭,实现进水量的控制。
水龄控制装置主要包括:流量计、压力表、液位计、调节阀、PLC控制器和显示屏。其中:流量计用于监测进水流量;压力表用于监测市政管网的进水压力;液位计用于监测水箱液位值;调节阀用于控制水箱的进水流量;PLC控制器通过接收系统平台下发的控制目标值,对调节阀进行控制;显示屏用于现场控制,通过显示屏可对系统各参数进行手动模式调整。水龄控制装置通过一体化将各设备集成,实现快速施工安装。
4)、用水保护机制
经过智能水龄控制算法引擎计算预测的用水量需求曲线与实际用水量不可避免地存在误差。这可能导致两种异常结果:
1、实际用水量远超过需求预测量,导致水箱存储水量不足,水箱液位过低。为保障用户端正常用水,此时用水保护机制将强制开启调节阀补充一定水量;
2、实际用水量小于需求预测量,持续进水导致水箱液位过高,存在溢流风险。此时,用水保护机制将强制关闭调节阀停止进水。该时刻剩余的目标进水量顺延至下一个进水时刻。
实例1:
本发明的实施涉及一种用于二次供水系统的水龄控制系统及装置,包括水龄控制系统平台、智能水龄控制算法引擎、以及水龄控制装置。
水龄控制装置包括:流量计、压力表、液位计、调节阀、PLC控制器和显示屏。通过一体化集成方式组装成一个设备柜中,两侧预留法兰接口。在二次供水泵房现场,通过法兰接口将水龄控制装置快速安装在泵房水箱进水管路上。
流量计用于监测进水流量;压力表用于监测市政管网进水压力;液位计用于监测水箱液位值;调节阀用于控制水箱的进水流量;PLC控制器通过接收系统平台下发的控制目标值,对调节阀进行控制。
水龄控制装置安装完成后,现场可通过显示屏进行操作,手动设置系统初始化运行参数,包括最低液位、最高液位、各时段初始计划进水量,以及是否开启水龄控制模式。上述运行参数,在系统上线运行后,可通过系统实现远传设置。
液位仪每1秒采集水箱内液位值,PLC控制器实时判断水箱液位是否触发用水保护机制,液位大于最高液位则强制控制调节阀关闭;液位小于最低液位则强制控制调节阀开启。
流量计每1秒采集进水流量值,PLC控制器实时判断进水量是否达到计划进水量,以控制调节阀的启闭。同时当进水流量达到计划进水量的80%时,调节阀将开启预关阀操作,逐渐降低阀门开度,提前降低进水速度,避免关阀用时过长导致进水超量,同时避免关阀操作可能引起的水锤问题。
水龄控制装置至少每15分钟向系统平台上传一次数据,包括流量、压力、液位、阀门状态等数据。
系统的智能水龄控制算法引擎对装置上传的流量与液位数据进行必要的清洗、插补、整理,剔除异常数据,确保后续计算说用数据准确。再结合水箱尺寸数据,根据前文所述计算方法得到用户时用水量数据,以及进一步的计算获得当前水箱水龄值。
在积累至少一个月的用水量数据后,根据前文所述模型结构构建用水量预测模型并进行训练,后续每星期,基于新增用水量数据,对模型进行增量训练。
水龄控制系统每天根据历史数据,通过用水量预测模型预测得到未来24h用水量需求曲线,即预测0-1时、1-2时、2-3时、3-4时、4-5时、5-6时、6-7时、7-8时、8-9时、9-10时、10-11时、11-12时、12-13时、13-14时、14-15时、15-16时、16-17时、17-18时、18-19时、19-20时、20-21时、21-22时、22-23时、23-24时,未来24小时内每小时用水量。
以0时刻为开始时刻,水箱预存未来2小时用水量为例计算各时刻计划进水量。在0时刻水箱中需要存储0-1时以及1-2时所需用水量,0时刻水箱存有水量通过装置上传数据已知,则0时刻计划进水量即为未来2小时总需用水量减去0时刻水箱存有水量。在下一个时刻,即1时,水箱需要存储1-2时以及2-3时所需用水量,1时刻计划进水量即为未来2小时总需用水量减去1时刻水箱存有水量,1时刻水箱存有水量为补水后0时刻水箱存有水量减去0-1时刻用水量。后续各时刻计划进水量以此类推,直至获得全部24个时刻计划进水量。
水龄控制系统将未来24h每小时计划进水量下发至水龄控制装置作为执行目标控制调节阀的启闭。
水龄控制装置根据每小时计划进水量为控制目标,PLC控制器在每个准点时刻控制阀门开启进行补水,根据流量计累计流量值计算已进水量,当已进水量达到该时刻计划进水量80%,调节阀开启预关阀操作,将阀门关闭至40%开度,当进水量达到计划进水量,则调节阀完全关闭。具体阀门预关闭开度控制限值以实际现场情况确定。
水龄控制装置在准备开阀补水时,根据压力计采集市政进水压力值来确定调节阀进水开度,如进水压力大于0.34Mpa,则调节阀全开补水,如进水压力小于0.34Mpa而大于0.30Mpa,则调节阀开启80%补水,如进水压力小于0.30Mpa,则调节阀开度50%补水,具体压力控制限值及阀门开度以实际现场情况确定。
在水龄控制装置按时刻执行计划进水量控制时,水龄控制系统根据装置采集上报数据,计算实际用水量,将其与预测的需求用水量进行对比,当预测量与实际量累计偏差过大(如超30%),则系统将进行自适应纠偏操作,根据当前最新数据,重新计算得到未来24h计划进水量,并下发更新至水龄控制装置用于后续各时刻的进水控制。
如图3所示,为某二次供水系统基于上述控制方式24h内各时段用水量,各时刻进水量、存水量图表。
基于该进水控制方式,其各时刻水箱水龄值如图4所示,水箱水龄控制在2小时以内。
实施例2:
在用水量预测模型的选择以及训练过程中,模型算法可能有所不同,训练数据的参数选择有所不同。用水量预测模型算法有ARIMA、Holt-Winters、BP网络、RNN网络、LSTM、B-LSTM、CNN网络、GRU网络、组合预测等,各算法适用性不同,预测精度也有所不同。模型训练方式不同,可在系统平台进行训练,也可在二次供水现场布置上位机进行模型训练,但受限于硬件性能,模型选择以及训练速度均有受限。
在本发明中,具备以下优点:
1、本发明涉及的水龄控制装置实现一体化集成,将流量计、压力表、液位计、调节阀和PLC控制器进行集成,组装至一个设备柜中,通过柜两侧预置法兰,可实现快速施工安装。
2、一体化水龄控制装置,由于其结构简单,既适用于新建二次供水泵房的安装,更适用于老旧二次供水泵房的改造,以改善供水安全。
3、本发明通过运用深度学习CNN-GRU算法预测24h未来用水量,基于此计算确定各时刻计划进水量,在保证未来一段时间用户用水量的前提下,控制水流在水箱中的存留量,水箱内水体得到及时更新,降低了水箱内水体的水龄,从而减少二次污染,保障用水水质安全。
4、本发明使二次供水水箱水龄得到降低,相比于定期的排水、清洗甚至额外再消毒等措施,可节省人工以及经济成本,避免水资源的浪费。
5、用水量预测模型可适用于不同用水规模、不同用水习惯的二次供水系统。同时随着用户用水量数据的不断积累,通过不断的训练,用水量预测模型的预测精度不断提升。
6、本发明为避免用水量预测与实际情况存在的误差导致水箱出现缺水或溢流问题,具有用水保护机制,可强制对进水调节阀状态进行控制,以保证居民用水安全
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以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,所述模块、模组或单元的划分,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、模组或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。
所述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一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。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,在本发明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。
特别地,根据本发明公开的实施例,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。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本发明的方法中限定的上述功能。需要说明的是,本发明上述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、红外线段、或半导体的系统、装置或器件,或者任意以上的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于需求曲线的智能水龄控制方法,其特征在于,包括以下步骤:
获取历史用水量和历史影响因素;
根据历史用水量和历史影响因素,对预设的用水量预测模型进行训练,得到训练后的用水量预测模型;
获取待预测用水量和待预测影响因素;
将待预测用水量和待预测影响因素输入至训练后的用水量预测模型中进行预测,得到未来用水量预测结果;所述未来用水量预测结果包括未来24h用水量需求曲线;
根据未来24h用水量需求曲线,得到当前t时刻起未来k时段总预测用水量,作为当前t时刻水箱需存储水量Vt’=∑Qi’;其中i=t,t+1…t+k;Qi’为i至i+1时区间内的用水量;
根据当前t时刻水箱需存储水量Vt’,计算得到每小时计划进水量;计算公式如下:
qt=Vt’-(Ht-1×S-Vt-1)
式中:Ht-1×S为t-1时刻水箱水量;Ht-1为t-1时刻的水箱液位;S为水箱底面积;Vt-1为t-1的实时用水量;qt为t时刻的计划进水量;
获取实时二次供水运行数据;所述实时二次供水运行数据包括进水流量和水箱液位;
根据实时二次供水运行数据的进水流量和水箱液位,计算得到实时用水量;
根据待预测二次供水运行数据的进水流量,计算得到进入水箱的水量;
根据待预测二次供水运行数据的水箱液位,得到水箱中剩余水量;
根据进入水箱的水量和水箱中剩余水量,计算得到水箱水龄;
根据每小时计划进水量、实时用水量和水箱水龄,进行水龄控制,水箱水龄控制在2小时以内;
所述水箱水龄的计算公式为:
At=(At-1+Δt)×V/(V+Vin)
式中:Vin为t时刻进入水箱的水量;At、At-1为t、t-1时刻水箱水龄;Δt为时间间隔;V为经过时间间隔Δt后的水箱中剩余水量。
2.根据权利要求1所述的基于需求曲线的智能水龄控制方法,其特征在于,获取历史用水量,具体包括以下步骤:
获取历史二次供水运行数据;所述历史二次供水运行数据包括进水流量和水箱液位;
根据历史二次供水运行数据的进水流量和水箱液位,计算得到历史用水量。
3.根据权利要求2所述的基于需求曲线的智能水龄控制方法,其特征在于,获取待预测用水量,具体包括以下步骤:
获取待预测二次供水运行数据;所述待预测二次供水运行数据包括进水流量和水箱液位;
根据待预测二次供水运行数据的进水流量和水箱液位,计算得到待预测用水量。
4.根据权利要求3所述的基于需求曲线的智能水龄控制方法,其特征在于:
所述历史用水量和待预测用水量的计算公式为:
Vt-1=(Qt-Qt-1)-(Ht-Ht-1)×S
式中:Qt、Qt-1为t、t-1时刻的进水流量的累计量;Ht为t时刻的水箱液位;Vt-1为t-1时刻至t时刻1小时用水量。
5.根据权利要求1所述的基于需求曲线的智能水龄控制方法,其特征在于:
所述历史影响因素和待预测影响因素均包括天气、气温、湿度、降水、周期、季度和节假日。
6.根据权利要求1所述的基于需求曲线的智能水龄控制方法,其特征在于:
用水量预测模型采用CNN-GRU网络模型,包括CNN网络层、GRU网络层和全连接层。
7.一种基于需求曲线的智能水龄控制系统,用于实现如权利要求1-6任一所述的基于需求曲线的智能水龄控制方法,其特征在于,包括:
第一获取模块,用于获取历史用水量和历史影响因素;
训练模块,用于根据历史用水量和历史影响因素,对预设的用水量预测模型进行训练,得到训练后的用水量预测模型;
第二获取模块,用于获取待预测用水量和待预测影响因素;
预测模块,用于将待预测用水量和待预测影响因素输入至训练后的用水量预测模型中进行预测,得到未来用水量预测结果;
水龄控制模块,用于根据未来用水量预测结果进行水龄控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310634403.0A CN116629438B (zh) | 2023-05-31 | 一种基于需求曲线的智能水龄控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310634403.0A CN116629438B (zh) | 2023-05-31 | 一种基于需求曲线的智能水龄控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629438A CN116629438A (zh) | 2023-08-22 |
CN116629438B true CN116629438B (zh) | 2024-06-04 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050051955A (ko) * | 2003-11-28 | 2005-06-02 | 주식회사 비츠로시스 | 신경망을 이용한 물수요 예측 방법 |
CN113812851A (zh) * | 2021-09-09 | 2021-12-21 | 熊猫智慧水务有限公司 | 一种用于直饮水净水设备的水龄控制系统 |
CN114610085A (zh) * | 2022-04-13 | 2022-06-10 | 上海众毅工业控制技术有限公司 | 一种基于水龄的二次供水水箱的液位控制方法 |
CN114781716A (zh) * | 2022-04-18 | 2022-07-22 | 上海市嘉定自来水有限公司 | 用水模型的训练方法、二次供水控制方法、系统及设备 |
CN115162467A (zh) * | 2022-06-17 | 2022-10-11 | 福建远恩智能技术有限公司 | 一种用于泵房管控的计算中心系统 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050051955A (ko) * | 2003-11-28 | 2005-06-02 | 주식회사 비츠로시스 | 신경망을 이용한 물수요 예측 방법 |
CN113812851A (zh) * | 2021-09-09 | 2021-12-21 | 熊猫智慧水务有限公司 | 一种用于直饮水净水设备的水龄控制系统 |
CN114610085A (zh) * | 2022-04-13 | 2022-06-10 | 上海众毅工业控制技术有限公司 | 一种基于水龄的二次供水水箱的液位控制方法 |
CN114781716A (zh) * | 2022-04-18 | 2022-07-22 | 上海市嘉定自来水有限公司 | 用水模型的训练方法、二次供水控制方法、系统及设备 |
CN115162467A (zh) * | 2022-06-17 | 2022-10-11 | 福建远恩智能技术有限公司 | 一种用于泵房管控的计算中心系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109814510B (zh) | 基于来水预测的污水处理提升泵优化调度控制方法 | |
CN109111030B (zh) | 一体化污水处理智能控制系统及控制方法 | |
CN110264067B (zh) | 一种二次供水储水设备进口流量的计算方法 | |
CN102411308A (zh) | 基于递归神经网络模型的溶解氧的自适应控制方法 | |
CN113536684A (zh) | 一种自来水厂取水、供水泵站智能协同优化调度方法 | |
CN110258723B (zh) | 一种二次供水储水设备的定量供水方法 | |
CN110258722B (zh) | 一种容积可变的二次供水储水设备的供水方法 | |
JPH10143251A (ja) | 配水施設制御装置 | |
CN113529667B (zh) | 一种一体化闸门过闸流量自动控制方法及系统 | |
CN110258721A (zh) | 一种组合式二次供水储水设备的供水方法 | |
JP5703965B2 (ja) | 水運用システム及び水運用方法 | |
CN112919598A (zh) | 一种次氯酸钠智能投加控制方法 | |
CN116629438B (zh) | 一种基于需求曲线的智能水龄控制方法及系统 | |
CN113812851A (zh) | 一种用于直饮水净水设备的水龄控制系统 | |
CN116629438A (zh) | 一种基于需求曲线的智能水龄控制方法及系统 | |
CN106968291B (zh) | 防止二次供水水箱中水质二次污染的方法 | |
US20200024169A1 (en) | Method to control a process variable | |
JP6219239B2 (ja) | 水処理プラント | |
CN1464346A (zh) | 自适应控制投药设备及其方法 | |
CN114610085A (zh) | 一种基于水龄的二次供水水箱的液位控制方法 | |
CN111155600B (zh) | 一种用于二次供水设备的水龄控制系统 | |
JP6726954B2 (ja) | 下水処理制御装置 | |
JPH08302759A (ja) | 広域上水道における送水運用制御方法 | |
CN107965447B (zh) | 一种基于历史数据的污水井流量控制方法 | |
CN106401932B (zh) | 一种污水处理提升泵运行控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |