CN117130280B - 泵房控制方法、装置、电子设备及存储介质 - Google Patents
泵房控制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117130280B CN117130280B CN202311242269.6A CN202311242269A CN117130280B CN 117130280 B CN117130280 B CN 117130280B CN 202311242269 A CN202311242269 A CN 202311242269A CN 117130280 B CN117130280 B CN 117130280B
- Authority
- CN
- China
- Prior art keywords
- regulation
- target
- pump
- strategy
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 93
- 238000005265 energy consumption Methods 0.000 claims abstract description 47
- 230000001276 controlling effect Effects 0.000 claims abstract description 20
- 230000001105 regulatory effect Effects 0.000 claims abstract description 8
- 230000007704 transition Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011217 control strategy Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000035772 mutation Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种泵房控制方法、装置、电子设备及存储介质。其中,所述泵房控制方法,包括:确定目标控制泵房的目标总流量;根据调控策略文件确定所述目标总流量对应的目标调控策略,其中,所述调控策略文件包括多种候选总流量以及每种所述候选总流量对应的优化调控策略,所述目标调控策略包括所述目标控制泵房中每台水泵对应的调控频率;基于所述目标调控策略控制所述目标控制泵房中的每台所述水泵。基于本发明实施例技术方案,能够在控制泵房总流量的基础上,通过调控水泵频率,降低泵房能耗。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种泵房控制方法、装置、电子设备及存储介质。
背景技术
泵房作为城市水务系统的核心部分,为城市给排水管网提供流量和水压,维持了城市供水平衡和稳定。然而,泵房也是水务系统中最大的能耗单元,其运行效率直接影响了整个系统的能源消耗和运行成本。
在传统的泵房运营模式中,工作人员通常需要根据经验调整水泵的运行频率组合,以满足各用水端的总流量需求。然而,这种方法存在两个主要问题:人工控制的不确定性和非线性,水泵的运行频率很难精确地达到目标流量;由于缺乏优化和精确控制,水泵的运行往往比理想状态下的能耗更高,综上,泵房控制的精准性较差且能耗较高。
发明内容
本发明提供了一种泵房控制方法、装置、电子设备及存储介质,以解决泵房控制的精准性较差且能耗较高的技术问题。
根据本发明的一方面,提供了一种泵房控制方法,其中,该方法包括:
确定目标控制泵房的目标总流量;
根据调控策略文件确定所述目标总流量对应的目标调控策略,其中,所述调控策略文件包括多种候选总流量以及每种所述候选总流量对应的优化调控策略,所述目标调控策略包括所述目标控制泵房中每台水泵对应的调控频率;
基于所述目标调控策略控制所述目标控制泵房中的每台所述水泵。
根据本发明的另一方面,提供了一种泵房控制装置,其中,该装置包括:
泵房环境获取模块,用于确定目标控制泵房的目标总流量;
调控策略确定模块,用于根据调控策略文件确定所述目标总流量对应的目标调控策略,其中,所述调控策略文件包括多种候选总流量以及每种所述候选总流量对应的优化调控策略,所述目标调控策略包括所述目标控制泵房中每台水泵对应的调控频率;
泵房控制模块,用于基于所述目标调控策略控制所述目标控制泵房中的每台所述水泵。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的泵房控制方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的泵房控制方法。
本发明实施例的技术方案,通过确定目标控制泵房的目标总流量;根据调控策略文件确定所述目标总流量对应的目标调控策略,其中,所述调控策略文件包括多种候选总流量以及每种所述候选总流量对应的优化调控策略,所述目标调控策略包括所述目标控制泵房中每台水泵对应的调控频率;基于所述目标调控策略控制所述目标控制泵房中的每台所述水泵。解决了泵房能耗较高的技术问题,取到了在控制泵房总流量的基础上,通过调控水泵频率,降低泵房能耗的益效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要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发明的一些实施例,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是根据本发明实施例一提供的一种泵房控制方法的流程图;
图2是根据本发明实施例二提供的一种泵房控制方法的流程图;
图3是根据本发明实施例提供的一种泵房状态转移模型的工作流程图;
图4是根据本发明实施例提供的一种调整策略优化的整体流程图;
图5是根据本发明实施例提供的一种泵房控制装置的整体结构示意图;
图6是根据本发明实施例提供的一种泵房控制方法的整体流程图;
图7是根据本发明实施例三提供的一种泵房控制装置的结构示意图;
图8是实现本发明实施例的泵房控制方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种泵房控制方法的流程图,本实施例可适用于泵房智能控制的情况,该方法可以由泵房控制装置来执行,该泵房控制装置可以采用硬件和/或软件的形式实现,该泵房控制装置可配置于计算机软件中。如图1所示,该方法包括:
S110、确定目标控制泵房的目标总流量。
其中,所述目标控制泵房可以理解为待控制的泵房。在本发明实施例中,所述目标控制泵房可以包括多个泵组,所述泵组可以包括多个水泵。
所述目标总流量可以理解为当前场景下,手动输入的所述目标控制泵房的总流量上限。在本发明实施例中,所述目标总流量可以根据场景需求预设,在此不做具体限定。可选的,所述目标总流量可以是1万、2万或3万等。
S120、根据调控策略文件确定所述目标总流量对应的目标调控策略,其中,所述调控策略文件包括多种候选总流量以及每种所述候选总流量对应的优化调控策略,所述目标调控策略包括所述目标控制泵房中每台水泵对应的调控频率。
其中,所述调控策略文件可以理解为泵房调控的策略文件。可选的,所述调控策略文件可以包括多种候选总流量以及每种所述候选总流量对应的优化调控策略。其中,所述候选总流量可以理解为所述目标控制泵房可能预设的总流量。在本发明实施例中,所述候选总流量可以存在上万种。可选的,所述候选总流量可以包括1万、2万以及2.5万等。所述优化调控策略可以理解为每种所述候选总流量对应的最优的调控策略,可选的,所述优化调控策略可以是使泵房的预测总流量不超过目标总流量,并且耗能最低的调控泵房的频率。
可选的,所述根据调控策略文件确定所述目标总流量对应的目标调控策略,包括:
确定所述调控策略文件中与所述目标总流量相似度最高的所述候选总流量,并将当前所述候选总流量对应的所述优化调控策略作为所述目标总流量对应的所述目标调控策略。
其中,所述目标调控策略可以理解为在所述目标总流量对应的,所述目标控制泵房的最优的调控策略。
所述调控频率可以理解为所述目标调控策略中每台水泵对应的调控的频率。
具体的,所述候选总流量中可以包括所述目标总流量,也可以不包括所述目标总流量,在所述候选总流量中不包括所述目标总流量的情况下,确定所述调控策略文件中与所述目标总流量相似度最高的所述候选总流量,并将当前所述候选总流量作为当前所述目标总流量。
S130、基于所述目标调控策略控制所述目标控制泵房中的每台所述水泵。
具体的,根据所述目标调控策略中每台水泵对应的所述调控频率控制所述目标控制泵房中的每台所述水泵。
本发明实施例的技术方案,通过确定目标控制泵房的目标总流量;根据调控策略文件确定所述目标总流量对应的目标调控策略,其中,所述调控策略文件包括多种候选总流量以及每种所述候选总流量对应的优化调控策略,所述目标调控策略包括所述目标控制泵房中每台水泵对应的调控频率;基于所述目标调控策略控制所述目标控制泵房中的每台所述水泵。解决了泵房控制的精准性较差且能耗较高的技术问题,取到了在控制泵房总流量的基础上,通过调控水泵频率,降低泵房能耗的益效果。
实施例二
图2为本发明实施例二提供的一种泵房控制方法的流程图,本实施例是针对上述实施例中所述确定目标控制泵房的目标总流量进行追加。如图2所示,该方法包括:
S210、确定所述目标控制泵房对应的多种所述候选总流量。
在本发明实施例中,多种所述候选总流量可以根据场景需求预设,在此不做具体限定。
S220、针对每种所述候选总流量,初始化预设数量的父调控策略,确定所述父调控策略对应的多个子调控策略。
其中,所述父调控策略可以理解为随机初始化的当前所述候选总流量对应的所述目标控制泵房的调控策略。在本发明实施例中,针对每种所述候选总流量,初始化的所述父调控策略的数量可以根据场景需求预设,在此不做具体限定。
可选的,所述确定所述父调控策略对应的多个子调控策略,包括:
通过遗传算法中的交叉变异操作生成所述父调控策略对应的多个所述子调控策略。
在本发明实施例中,基于所述父调控策略所确定的所述子调控策略的数量可以根据场景需求预设,在此不做具体限定。
S230、基于目标模型确定每个所述子调控策略的目标评分,并基于所述目标评分确定多个所述子调控策略中所述优化调控策略。
其中,所述目标模型可以理解为确定所述子调控策略的目标评分所需的模型。可选的,所述目标模型可以包括泵房状态转移模型和/或泵房预测模型。
所述目标评分可以理解为所述子调控策略的评分。在本发明实施例中,所述目标评分可以表征在当前所述子调控策略下,所述目标控制泵房的流量情况和耗能情况。
可选的,所述基于所述目标评分确定多个所述子调控策略中所述优化调控策略,包括:
将多个所述子调控策略中所述目标评分最高的所述子调控策略作为所述优化调控策略。
可选的,所述基于所述目标评分确定多个所述子调控策略中所述优化调控策略,包括:
基于所述目标评分确定多个所述子调控策略中第二预设数量的候选的所述子调控策略;
针对所述第二预设数量的候选的所述子调控策略,返回执行确定所述父调控策略对应的多个子调控策略,基于目标模型确定每个所述子调控策略的目标评分的操作;
在返回执行次数达到预设次数的情况下,将所述目标评分最高的所述子调控策略作为所述优化调控策略,或者在多个所述子调控策略中存在所述目标评分超过评分阈值的所述子调控策略的情况下,将当前所述子调控策略确定为所述优化调控策略。
其中,所述第二预设数量可以理解为候选的所述子调控策略的数量。在本发明实施例中,所述第二预设数量可以根据场景需求预设,在此不做具体限定。所述第一预设数量与所述第二预设数量可以相同,也可以不同。
所述预设次数可以理解为用于结束返回执行操作的值。在本发明实施例中,所述预设次数可以根据场景需求预设,在此不做具体限定。
所述评分阈值可以理解为用于识别当前多个所述子调控策略中是否存在符合条件的所述优化调控策略的阈值。在本发明实施例中,所述评分阈值可以根据场景需求预设,在此不做具体限定。
具体的,确定当前多个所述子调控策略中所述目标评分最高的第二预设数量的所述子调控策略;并将当前第二预设数量的所述子调控策略确定为候选的所述子调控策略;进一步的,将当前候选的所述子调控策略作为所述父调控策略,并返回执行确定所述父调控策略对应的多个子调控策略,基于目标模型确定每个所述子调控策略的目标评分的操作,再进一步的,根据所述预设次数或所述评分阈值确定所述子调控策略中的所述优化调控策略。
可选的,所述目标模型包括泵房状态转移模型和/或泵房预测模型,所述基于目标模型确定每个所述子调控策略的目标评分,包括:
针对每个所述子调控策略,通过所述泵房状态转移模型对输入的所述子调控策略进行状态转移,得到所述子调控策略对应的更新泵房状态,其中,所述更新泵房状态包括所述目标控制泵房中每台所述水泵的水压、流量以及更新频率中至少一种;
通过泵房预测模型对输入的所述更新泵房状态进行状态预测,得到所述子调控策略对应的泵房环境统计量,其中,所述泵房环境统计量包括所述目标控制泵房对应的预测总流量和/或预测耗能数据;
根据所述泵房环境统计量确定所述子调控策略的所述目标评分。
其中,所述泵房状态转移模型可以理解为根据调控策略更新泵房状态的模型。所述更新泵房状态可以理解为通过所述泵房状态转移模型对输入的所述子调控策略进行状态转移,得到的所述子调控策略对应的泵房状态。
所述泵房环境统计量可以理解为当前所述更新泵房状态下,所述目标控制泵房的环境统计量。
在本发明实施例中,将所述更新泵房状态作为所述泵房状态转移模型的输入数据,可以提高通过所述泵房预测模型确定的泵房环境统计量的准确定性。
可选的,所述泵房状态转移模型基于所述目标控制泵房的第一历史数据和第一学习模型训练得到。其中,所述第一历史数据包括每台所述水泵的调控频率、水压、流量以及更新频率中至少一项。
可选的,所述第一学习模型可以是神经对抗网络。所述神经对抗网络包括生成器和/或评估器。
图3是根据本发明实施例提供的一种泵房状态转移模型的工作流程图。参考图3,具体的,基于所述目标控制泵房的第一历史数据和第一学习模型训练得到所述泵房状态转移模型的流程可以是:
首先,使用第一历史数据生成一些历史演示轨迹,历史演示轨迹使用(s0,a0,s1,a1,s2,…,sn)表示。其中(s1,…,sn)是历史泵房状态序列,(a0,…,an)是历史水泵频率调整序列,指的是每台水泵的频率改变量。使用这些数据来训练生成器和评估器。生成器根据水泵频率调整a0、当前泵房状态s0,生成更新泵房状态s1 ′,目标是使得生成的s1 ′更加接近真实的s1。评估器根据生成器生成的泵房状态s1 ′和真实的泵房状态s1,计算两者之间的误差,目的是区分真实的泵房状态s1和生成的泵房状态数据之间的差异。
如果评估器能够正确区分真实泵房状态s1和生成器生成的泵房状态s1 ′,则它会向生成器提供负反馈,并要求其改进生成的泵房状态s1 ′,使它更接近真实的泵房状态s1;否则,它会向生成器提供正反馈,并认为s1 ′与真实的泵房状态s1相似,完成训练。通过这种方式,生成器和评估器相互博弈,提高性能。最终,使用一个训练好的生成器模型来生成泵房状态,更加接近真实的泵房状态,从而在任意泵房状态下调整多台水泵的频率,可以准确预测新的泵房状态,即更新泵房状态。其中,示例性的,所调整的水泵的数量可以是八台。
所述泵房预测模型可以理解为根据更新泵房状态预测更新泵房状态对应的预测总流量和/或预测耗能数据的模型。所述泵房环境统计量可以理解为通过泵房预测模型对输入的所述更新泵房状态进行状态预测,得到当前所述子调控策略对应的预测总流量和/或预测耗能数据。
可选的,所述泵房预测模型基于所述目标控制泵房的第二历史数据和第二学习模型训练得到。其中,所述第二历史数据包括每台所述水泵的水压、流量、更新频率、所述目标控制泵房的总流量以及所述目标控制泵房的耗能数据中至少一项。可选的,所述第二学习模型可以是
本发明通过所述泵房预测模型,实现了根据更新泵房状态(包括水压、流量以及更新频率)预测预测总流量和/或预测耗能数据。
在本发明实施例中,在泵房每台水泵的频率、水压是确定的条件下,泵房的状态是唯一的,可以准确预测泵房的预测总流量和/或预测耗能数据。实现简单的多层感知机(Multilayer Perceptron,MLP)做监督学习,在泵房包括八台水泵的场景下,多层感知机的输入是16维的向量,包含每台水泵的频率和水压,输出是2维的向量,包含泵房的预测总流量和/或预测耗能数据,使用监督学习方法训练网络,直到可以根据每台水泵的频率和水压准确预测泵房的预测总流量和/或预测耗能数据。
可选的,所述根据所述泵房环境统计量确定所述子调控策略的所述目标评分,包括:
基于所述目标总流量和所述总流量确定当前所述子调控策略的第一评分;
基于所述耗能数据确定当前所述子调控策略的第二评分,并根据所述第一评分和所述第二评分确定当前所述子调控策略的所述目标评分。
其中,所述第一评分可以理解为当前所述子调控策略对应的所述总流量的评分。在本发明实施例中,所述第一评分可以根据场景需求预设,在此不做具体限定。可选的,所述第一评分可以包括100和/或0。
具体的,在当前所述子调控策略对应的所述预测总流量达到所述目标总流量的情况下,将当前所述子调控策略的所述第一评分确定为100;在当前所述子调控策略的所述总流量未达到所述目标总流量的情况下,将当前所述子调控策略的所述第一评分确定为0。
在本发明实施例中,所述第一评分可以表征当前所述子调控策略的所述总流量是否达标。
所述第二评分可以理解为当前所述子调控策略对应的所述耗能数据的评分。在本发明实施例中,所述第二评分可以根据场景需求预设,在此不做具体限定。可选的,所述第二评分可以是所述子调控策略对应的所述耗能数据的倒数。可以理解的是,在本发明实施例中,所述子调控策略的耗能数据越低,所述第二评分越高。
在本发明实施例中,所述可以表征当前所述子调控策略的耗能情况。
其中,所述根据所述第一评分和所述第二评分确定当前所述子调控策略的所述目标评分,包括:
确定所述总流量对应的流量比例参数,确定所述耗能数据对应的耗能比例参数;
根据所述第一评分、所述流量比例参数、所述第二评分以及所述耗能比例参数,确定当前所述子调控策略的所述目标评分。
在本发明实施例中,在所述子调控策略对应的所述总流量达标的情况下,所述耗能数据越低,所述子调控策略对应的所述目标评分越高。所述目标评分表征了所述子调控策略对应的所述总流量的达标情况以及耗能情况。
具体的,示例性的,实现泵房预测模型根据更新泵房状态预测泵房的预测总流量和/或预测耗能数据后;根据泵房的预测总流量和预测耗能数据对当前的更新泵房状态进行打分。可选的,所述预测耗能数据可以是预测的泵房的千吨水电耗。
需要理解的是,当前的更新泵房状态包含每台水泵的频率和/或水压,每台水泵的频率和/或水压有唯一对应的泵房的预测总流量和/或预测耗能数据。具体的,当泵房的预测总流量未达到目标总流量时,预测总流量对应的第一评分可以获得100分,否则,获得0分;千吨水电耗的总分可以是10分,预测的千吨水电耗越低,则第二评分越高。
在本发明实施例中,可以根据泵房状态转移模型以及对更新泵房状态的打分,使用遗传算法对每台水泵的泵频调节大小做优化。即,使用泵房状态转移模型可以准确预测调节水泵频率对泵房状态的影响,使用泵房预测模型可以准确根据泵房状态预测泵房的预测总流量和/或预测耗能数据,使用预设的泵房状态评估规则可以准确根据总流量、千吨水电耗计算更新泵房状态的目标评分。因此目标评分衡量的是当前的更新泵房状态下,达到目标总流量的情况下,泵房对应的最优的泵频调控策略。图4是根据本发明实施例提供的一种调整策略优化的整体流程图。如图4所示,具体的,示例性的,确定每种所述候选总流量对应的优化调控策略的整体流程可以是:
第一步,将泵频调控进行编码,生成长度为8的一维向量,然后使用该向量和目标模型进行交互,判断向量的编码有无问题,设定调度序列的种群大小为M,最大迭代次数为500。
第二步,将初始化的向量每个位置上生成随机值,该随机值范围在泵频调控的范围内,组成初始泵房调度的种群。
第三步,然后对调度序列进行评估,使用泵房状态评估模型来评估每个泵房调度序列的优劣,对整个序列进行打分,分数越高,说明调度序列越好,适应度函数的值越高。
第四步,根据每个调度序列的适应度分数来选择调度序列,适应度分数越高则调度序列越容易被选中。使用锦标赛选择法来选择调度序列,设置每次参与竞赛的规模,即种群的数量M,从当前种群中随机选择竞赛规模数量M作为竞赛参与者,每次的选择都是独立的,同一泵频调控策略可能被多次选择。比较竞赛参与者的适应度,选择适应度最高的几个泵频调控策略。
第五步,选择的泵频调控策略将以一定的交叉概率进行交叉操作,生成新的泵频调控策略。
第六步,新生成的调度序列将以一定的变异概率进行变异操作,防止序列陷入局部最优,使用位点变异的方法修改调度序列,选择多个泵频调控策略进行变异操作,变异率是一个比较小的值,对于被选中的调度序列,随机选择一个或多个位点,将选中位点的值进行修改。
第七步,将经过选择、交叉和变异操作的调度序列组成新的一代泵频调控策略,新一代的泵频调控种群数量为M。
重复第三步到第七步的步骤,直到达到设定的迭代次数。生成最终优化调控策略。
需要理解的是,使用遗传算法可以实现在任意泵房状态下,输出泵频调控策略,使得泵房达到目标总流量条件下,泵房的千吨水电耗最低。由于遗传算法生成泵频调控策略需要一定的时间。因此,通过计算任意泵房状态下达到目标总流量的泵频调控策略,将泵房状态中的原始泵频与泵频调控策略求和,表示目标总流量下的水泵泵频组合,将这些数据存储到表格中。在执行泵房调度时,根据预设的目标流量,读取表格中的数据,找到目标流量对应的水泵泵频组合,该水泵泵频组合作为最优泵频调控,可以实现泵房达到目标流量并且千吨水电耗最低的目标。
基于所述泵频组合策略控制所述目标泵房中的每台所述水泵,使得泵房达到目标总流量的条件下,千吨水电耗最低。
S240、确定目标控制泵房的目标总流量。
S250、根据调控策略文件确定所述目标总流量对应的目标调控策略,其中,所述调控策略文件包括多种候选总流量以及每种所述候选总流量对应的优化调控策略,所述目标调控策略包括所述目标控制泵房中每台水泵对应的调控频率。
S260、基于所述目标调控策略控制所述目标控制泵房中的每台所述水泵。
本发明实施例的技术方案,通过确定所述目标控制泵房对应的多种所述候选总流量;针对每种所述候选总流量,初始化预设数量的父调控策略,确定所述父调控策略对应的多个子调控策略;基于目标模型确定每个所述子调控策略的目标评分,并基于所述目标评分确定多个所述子调控策略中所述优化调控策略。基于目标评分准确确定了每种候选总流量对应的优化调控策略,进一步保证了所确定的调控策略文件的精准性。
图5是根据本发明实施例提供的一种泵房控制装置的整体结构示意图;如图5所示,其中,泵频优化模块相当于调控策略确定模块,泵房环境读取模块相当于泵房环境获取模块,泵频推荐模块相当于泵房控制模块。
可选的,泵房控制装置的整体结构可以包括:泵房历史数据管理模块、泵房模型构建模块、泵频优化模块、泵房环境读取模块、目标流量设定模块以及泵频推荐模块。相对应的,图6是根据本发明实施例提供的一种泵房控制方法的整体流程图。如图6所示,可选的,所述泵房控制方法的整体流程,可以是:
1、读取泵房历史数据。读取并存储泵房过去几个月每个水泵的水压、流量、频率、泵房的总流量以及耗能数据;
2、构建泵房状态转移模型。该状态转移模型表示泵房状态在水泵频率变化下转移到的新的泵房状态,其中,泵房状态数据包括每个水泵的水压、流量以及频率;
3、构建泵房预测模型。该预测模型可以准确根据泵房状态预测泵房的预测总流量和/或预测耗能数据;
4、泵房状态打分。使用泵房预测模型预测泵房状态预测总流量和/或预测耗能数据,总流量达到目标流量获得100分,耗能数据越低,分数越高,将总流量分数以及耗能分数相加作为泵房状态分数;
5、泵频调控优化。使用遗传算法优化每台水泵的泵频调控大小。随机初始两组泵频调整策略,通过交叉及变异操作产生一定数量的子调控策略,根据泵房转移模型和泵房预测模型对泵频子调控策略进行打分,选择分数高的子调控策略继续生成新的子调控策略;
6、泵频推荐。根据优化后的泵频调控策略以及当前的泵房环境生成最优的泵频调控策略。
本发明实施例技术方案,通过历史数据构建泵房状态转移模型,该模型可以准确的预测调节水泵频率后泵房状态的变化,并且构建泵房预测模型,可以根据泵房状态,准确的预测泵房总流量以及功耗。对泵房的总流量以及功耗进行打分,达到了总流量可以取得高分,功耗越低,分数越高。使用遗传算法优化水泵频率调节策略,实现泵房状态的分数最大化。有效解决了人工经验无法找到满足目标总流量的条件下功耗最低的泵频调控策略。
实施例三
图7为本发明实施例三提供的一种泵房控制装置的结构示意图。如图7所示,该装置包括:泵房环境获取模块310、调控策略确定模块320以及泵房控制模块330;其中,
泵房环境获取模块310,用于确定目标控制泵房的目标总流量;调控策略确定模块320,用于根据调控策略文件确定所述目标总流量对应的目标调控策略,其中,所述调控策略文件包括多种候选总流量以及每种所述候选总流量对应的优化调控策略,所述目标调控策略包括所述目标控制泵房中每台水泵对应的调控频率;泵房控制模块330,用于基于所述目标调控策略控制所述目标控制泵房中的每台所述水泵。
本发明实施例的技术方案,通过确定目标控制泵房的目标总流量;根据调控策略文件确定所述目标总流量对应的目标调控策略,其中,所述调控策略文件包括多种候选总流量以及每种所述候选总流量对应的优化调控策略,所述目标调控策略包括所述目标控制泵房中每台水泵对应的调控频率;基于所述目标调控策略控制所述目标控制泵房中的每台所述水泵。解决了泵房控制的精准性较差且能耗较高的技术问题,取到了在控制泵房总流量的基础上,通过调控水泵频率,降低泵房能耗的益效果。
可选的,调控策略确定模块320,用于:
确定所述调控策略文件中与所述目标总流量相似度最高的所述候选总流量,并将当前所述候选总流量对应的所述优化调控策略作为所述目标总流量对应的所述目标调控策略。
可选的,所述泵房控制装置,还包括:候选环境确定模块、子策略确定模块以及优化策略确定模块;其中,
所述候选环境确定模块,用于在所述确定目标控制泵房的目标总流量之前,确定所述目标控制泵房对应的多种所述候选总流量;
所述子策略确定模块,用于针对每种所述候选总流量,初始化预设数量的父调控策略,确定所述父调控策略对应的多个子调控策略;
所述优化策略确定模块,用于基于目标模型确定每个所述子调控策略的目标评分,并基于所述目标评分确定多个所述子调控策略中所述优化调控策略。
可选的,所述优化策略确定模块,包括:候选子策略确定单元、返回执行操作单元以及优化策略确定单元;其中,
所述候选子策略确定单元,用于基于所述目标评分确定多个所述子调控策略中第二预设数量的候选的所述子调控策略;
所述返回执行操作单元,用于针对所述第二预设数量的候选的所述子调控策略,返回执行确定所述父调控策略对应的多个子调控策略,基于目标模型确定每个所述子调控策略的目标评分的操作;
所述优化策略确定单元,用于在返回执行次数达到预设次数的情况下,将所述目标评分最高的所述子调控策略作为所述优化调控策略,或者在多个所述子调控策略中存在所述目标评分超过评分阈值的所述子调控策略的情况下,将当前所述子调控策略确定为所述优化调控策略。
可选的,所述目标模型包括泵房状态转移模型和/或泵房预测模型,所述优化策略确定模块,包括:状态转移单元、状态预测单元以及评分确定单元;其中,
所述状态转移单元,用于针对每个所述子调控策略,通过所述泵房状态转移模型对输入的所述子调控策略进行状态转移,得到所述子调控策略对应的更新泵房状态,其中,所述更新泵房状态包括所述目标控制泵房中每台所述水泵的水压、流量以及更新频率中至少一种;
所述状态预测单元,用于通过泵房预测模型对输入的所述更新泵房状态进行状态预测,得到所述子调控策略对应的泵房环境统计量,其中,所述泵房环境统计量包括所述目标控制泵房对应的预测总流量和/或预测耗能数据;
所述评分确定单元,用于根据所述泵房环境统计量确定所述子调控策略的所述目标评分。
可选的,所述评分确定单元,用于:
基于所述目标总流量和所述总流量确定当前所述子调控策略的第一评分;
基于所述耗能数据确定当前所述子调控策略的第二评分,并根据所述第一评分和所述第二评分确定当前所述子调控策略的所述目标评分。
可选的,所述泵房状态转移模型基于所述目标控制泵房的第一历史数据和第一学习模型训练得到,所述泵房预测模型基于所述目标控制泵房的第二历史数据和第二学习模型训练得到,其中,所述第一历史数据包括每台所述水泵的调控频率、水压、流量以及更新频率中至少一项,所述第二历史数据包括每台所述水泵的水压、流量、更新频率、所述目标控制泵房的总流量以及所述目标控制泵房的耗能数据中至少一项。
本发明实施例所提供的泵房控制装置可执行本发明任意实施例所提供的泵房控制方法,具备执行方法相应的功能模块和有益效果。
实施例四
图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图8所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如泵房控制方法。
在一些实施例中,泵房控制方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的泵房控制方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行泵房控制方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (9)
1.一种泵房控制方法,其特征在于,包括:
确定目标控制泵房的目标总流量;
根据调控策略文件确定所述目标总流量对应的目标调控策略,其中,所述调控策略文件包括多种候选总流量以及每种所述候选总流量对应的优化调控策略,所述目标调控策略包括所述目标控制泵房中每台水泵对应的调控频率;
基于所述目标调控策略控制所述目标控制泵房中的每台所述水泵;
其中,所述优化调控策略通过以下方式确定:
确定所述目标控制泵房对应的多种所述候选总流量;
针对每种所述候选总流量,初始化第一预设数量的父调控策略,确定所述父调控策略对应的多个子调控策略;
基于目标模型确定每个所述子调控策略的目标评分,并基于所述目标评分确定多个所述子调控策略中所述优化调控策略。
2.根据权利要求1所述的方法,其特征在于,所述根据调控策略文件确定所述目标总流量对应的目标调控策略,包括:
确定所述调控策略文件中与所述目标总流量相似度最高的所述候选总流量,并将当前所述候选总流量对应的所述优化调控策略作为所述目标总流量对应的所述目标调控策略。
3.根据权利要求1所述的方法,其特征在于,所述基于所述目标评分确定多个所述子调控策略中所述优化调控策略,包括:
基于所述目标评分确定多个所述子调控策略中第二预设数量的候选的所述子调控策略;
针对所述第二预设数量的候选的所述子调控策略,返回执行确定所述父调控策略对应的多个子调控策略,基于目标模型确定每个所述子调控策略的目标评分的操作;
在返回执行次数达到预设次数的情况下,将所述目标评分最高的所述子调控策略作为所述优化调控策略,或者在多个所述子调控策略中存在所述目标评分超过评分阈值的所述子调控策略的情况下,将当前所述子调控策略确定为所述优化调控策略。
4.根据权利要求1所述的方法,其特征在于,所述目标模型包括泵房状态转移模型和/或泵房预测模型,所述基于目标模型确定每个所述子调控策略的目标评分,包括:
针对每个所述子调控策略,通过所述泵房状态转移模型对输入的所述子调控策略进行状态转移,得到所述子调控策略对应的更新泵房状态,其中,所述更新泵房状态包括所述目标控制泵房中每台所述水泵的水压、流量以及更新频率中至少一种;
通过泵房预测模型对输入的所述更新泵房状态进行状态预测,得到所述子调控策略对应的泵房环境统计量,其中,所述泵房环境统计量包括所述目标控制泵房对应的预测总流量和/或预测耗能数据;
根据所述泵房环境统计量确定所述子调控策略的所述目标评分。
5.根据权利要求4所述的方法,其特征在于,所述根据所述泵房环境统计量确定所述子调控策略的所述目标评分,包括:
基于所述目标总流量和所述预测总流量确定当前所述子调控策略的第一评分;
基于所述耗能数据确定当前所述子调控策略的第二评分,并根据所述第一评分和所述第二评分确定当前所述子调控策略的所述目标评分。
6.根据权利要求4所述的方法,其特征在于,所述泵房状态转移模型基于所述目标控制泵房的第一历史数据和第一学习模型训练得到,所述泵房预测模型基于所述目标控制泵房的第二历史数据和第二学习模型训练得到,其中,所述第一历史数据包括每台所述水泵的调控频率、水压、流量以及更新频率中至少一项,所述第二历史数据包括每台所述水泵的水压、流量、更新频率、所述目标控制泵房的总流量以及所述目标控制泵房的耗能数据中至少一项。
7.一种泵房控制装置,其特征在于,包括:
泵房环境获取模块,用于确定目标控制泵房的目标总流量;
调控策略确定模块,用于根据调控策略文件确定所述目标总流量对应的目标调控策略,其中,所述调控策略文件包括多种候选总流量以及每种所述候选总流量对应的优化调控策略,所述目标调控策略包括所述目标控制泵房中每台水泵对应的调控频率;
泵房控制模块,用于基于所述目标调控策略控制所述目标控制泵房中的每台所述水泵;
其中,所述优化调控策略通过以下方式确定:
确定所述目标控制泵房对应的多种所述候选总流量;
针对每种所述候选总流量,初始化第一预设数量的父调控策略,确定所述父调控策略对应的多个子调控策略;
基于目标模型确定每个所述子调控策略的目标评分,并基于所述目标评分确定多个所述子调控策略中所述优化调控策略。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的泵房控制方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的泵房控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311242269.6A CN117130280B (zh) | 2023-09-25 | 2023-09-25 | 泵房控制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311242269.6A CN117130280B (zh) | 2023-09-25 | 2023-09-25 | 泵房控制方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117130280A CN117130280A (zh) | 2023-11-28 |
CN117130280B true CN117130280B (zh) | 2024-03-15 |
Family
ID=88854624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311242269.6A Active CN117130280B (zh) | 2023-09-25 | 2023-09-25 | 泵房控制方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117130280B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108361184A (zh) * | 2018-02-11 | 2018-08-03 | 北京百度网讯科技有限公司 | 用于控制水泵的方法和装置 |
CN109345010A (zh) * | 2018-09-18 | 2019-02-15 | 中国水利水电科学研究院 | 一种梯级泵站的多目标优化调度方法 |
CN110782366A (zh) * | 2019-10-12 | 2020-02-11 | 大连理工大学 | 一种基于情景不确定性的供水管网多目标优化调控方法 |
CN113850692A (zh) * | 2021-09-26 | 2021-12-28 | 天津大学 | 一种基于深度学习的城市供水系统闸泵群优化调度方法 |
CN113987948A (zh) * | 2021-11-03 | 2022-01-28 | 江苏四联自动化科技有限公司 | 一种泵站出水流量智能测算方法及系统 |
CN114386659A (zh) * | 2021-12-06 | 2022-04-22 | 西安交通大学 | 核电厂用水系统泵管优化方法 |
CN114542442A (zh) * | 2022-03-01 | 2022-05-27 | 陕西新泓水艺环境科技有限公司 | 一种水处理提升泵调度控制方法、装置、电子设备及介质 |
CN115859808A (zh) * | 2022-12-01 | 2023-03-28 | 南栖仙策(南京)科技有限公司 | 一种泵组工作预测方法、装置、电子设备及存储介质 |
CN116523269A (zh) * | 2023-07-03 | 2023-08-01 | 中国水利水电科学研究院 | 一种基于模型预测控制的河网动态智能调控方法 |
WO2023141766A1 (en) * | 2022-01-25 | 2023-08-03 | Siemens Schweiz Ag | Method and apparatus for optimizing control parameters, storage medium, and electronic device |
CN116771653A (zh) * | 2023-06-16 | 2023-09-19 | 广州市百福电气设备有限公司 | 一种多泵智能扬水系统的控制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2336835A1 (de) * | 2009-12-15 | 2011-06-22 | Siemens Aktiengesellschaft | Verfahren und Anordnung zum prädiktiven Steuern von Raumtemperaturen in einem Gebäude unter Berücksichtigung der Kosten verschiedener Energiequellen |
JP7261507B2 (ja) * | 2020-09-04 | 2023-04-20 | ノース チャイナ エレクトリック パワー ユニバーシティー | 電気ヒートポンプ-熱電併給システムを最適化する調整方法及びシステム |
CN112987597B (zh) * | 2021-02-05 | 2023-01-31 | 深圳力维智联技术有限公司 | Fsu控制方法、装置、设备及计算机可读存储介质 |
CN114818913A (zh) * | 2022-04-22 | 2022-07-29 | 北京百度网讯科技有限公司 | 决策生成方法和装置 |
-
2023
- 2023-09-25 CN CN202311242269.6A patent/CN117130280B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108361184A (zh) * | 2018-02-11 | 2018-08-03 | 北京百度网讯科技有限公司 | 用于控制水泵的方法和装置 |
CN109345010A (zh) * | 2018-09-18 | 2019-02-15 | 中国水利水电科学研究院 | 一种梯级泵站的多目标优化调度方法 |
CN110782366A (zh) * | 2019-10-12 | 2020-02-11 | 大连理工大学 | 一种基于情景不确定性的供水管网多目标优化调控方法 |
CN113850692A (zh) * | 2021-09-26 | 2021-12-28 | 天津大学 | 一种基于深度学习的城市供水系统闸泵群优化调度方法 |
CN113987948A (zh) * | 2021-11-03 | 2022-01-28 | 江苏四联自动化科技有限公司 | 一种泵站出水流量智能测算方法及系统 |
CN114386659A (zh) * | 2021-12-06 | 2022-04-22 | 西安交通大学 | 核电厂用水系统泵管优化方法 |
WO2023141766A1 (en) * | 2022-01-25 | 2023-08-03 | Siemens Schweiz Ag | Method and apparatus for optimizing control parameters, storage medium, and electronic device |
CN114542442A (zh) * | 2022-03-01 | 2022-05-27 | 陕西新泓水艺环境科技有限公司 | 一种水处理提升泵调度控制方法、装置、电子设备及介质 |
CN115859808A (zh) * | 2022-12-01 | 2023-03-28 | 南栖仙策(南京)科技有限公司 | 一种泵组工作预测方法、装置、电子设备及存储介质 |
CN116771653A (zh) * | 2023-06-16 | 2023-09-19 | 广州市百福电气设备有限公司 | 一种多泵智能扬水系统的控制方法 |
CN116523269A (zh) * | 2023-07-03 | 2023-08-01 | 中国水利水电科学研究院 | 一种基于模型预测控制的河网动态智能调控方法 |
Non-Patent Citations (3)
Title |
---|
Experiment research on individual metering systems of mobile machinery based on coordinate control of pump and valves;Xu Bing等;《Journal of Zhejiang University. Engineering Science》;第49卷(第1期);全文 * |
城市供水泵站监控系统研究和应用;尹亮;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第04期);全文 * |
基于神经网络算法的泵站运行优化研究;张晋;《中国优秀硕士学位论文全文数据库 工程科技II辑》(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117130280A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4020326A1 (en) | Method and apparatus of training model, device, storage medium, and program product | |
CN113159835B (zh) | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 | |
CN112580259B (zh) | 基于遗传算法的智能矿山自动配矿方法及系统 | |
CN115147687A (zh) | 学生模型训练方法、装置、设备及存储介质 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN115222046A (zh) | 神经网络结构搜索方法、装置、电子设备及存储介质 | |
CN114818913A (zh) | 决策生成方法和装置 | |
CN111126707A (zh) | 能耗方程构建、能耗预测方法与装置 | |
CN117633184A (zh) | 一种模型构建和智能回复方法、设备及介质 | |
CN117130280B (zh) | 泵房控制方法、装置、电子设备及存储介质 | |
CN116562156B (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
CN115833101B (zh) | 电力调度方法、装置、电子设备和存储介质 | |
CN115859808A (zh) | 一种泵组工作预测方法、装置、电子设备及存储介质 | |
CN110555742A (zh) | 一种发电商代理报价的生成方法与系统 | |
CN113112311B (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
CN115495705A (zh) | 评价函数确定方法、装置、电子设备以及存储介质 | |
CN112734454B (zh) | 一种用户信息确定方法、装置、电子设备和存储介质 | |
CN117767413A (zh) | 一种分布式光伏电网划分方法、装置、设备和存储介质 | |
CN116702598A (zh) | 建设成效预测模型的训练方法、装置、设备及存储介质 | |
CN117313579B (zh) | 发动机压缩部件流场预测方法、装置、设备及存储介质 | |
CN115561999B (zh) | 一种pi控制器的参数优化方法、装置、设备及介质 | |
CN117293923A (zh) | 电网的日前调度计划生成方法、装置、设备及存储介质 | |
CN114037061A (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN116307252A (zh) | 一种业务系统运行状态的预测方法、装置、设备及介质 | |
CN115983445A (zh) | Pue预测方法、pue预测模型的训练方法、装置及设备 |
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 |