CN117313556A - 一种基于机器学习的水泵扬程曲线校核方法及装置 - Google Patents
一种基于机器学习的水泵扬程曲线校核方法及装置 Download PDFInfo
- Publication number
- CN117313556A CN117313556A CN202311605141.1A CN202311605141A CN117313556A CN 117313556 A CN117313556 A CN 117313556A CN 202311605141 A CN202311605141 A CN 202311605141A CN 117313556 A CN117313556 A CN 117313556A
- Authority
- CN
- China
- Prior art keywords
- target
- error function
- water pump
- particle
- curve
- 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 104
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 222
- 239000002245 particle Substances 0.000 claims abstract description 156
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 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
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Fluid Mechanics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种基于机器学习的水泵扬程曲线校核方法及装置,该方法包括获取目标水泵的当前曲线函数,设置目标误差函数;设置粒子个数和最大迭代数,并初始化粒子群;分别计算各粒子对应的目标误差函数值,更新各所述粒子的三维坐标;重复更新各粒子的三维坐标的步骤,直至当前重复迭代次数满足最大迭代数后,基于最新的最小目标误差函数值对应的目标粒子优化当前曲线函数。本发明通过设置目标水泵的目标误差函数,并根据监测水泵获得的历史数据进行分析,以此对目标误差函数进行迭代优化,确定出绝对误差最小的参数,再以这些参数对目标水泵的流量扬程曲线进行优化校核,保证了校核结果的准确性,能够与水泵的实际情况适配。
Description
技术领域
本申请涉及水泵校核技术领域,具体而言,涉及一种基于机器学习的水泵扬程曲线校核方法及装置。
背景技术
水泵的流量扬程关系曲线对泵站的调度有着重要的指导作用,但由于水泵在使用过程中会出现损耗和老化等情况,导致水泵实际的流量扬程曲线是可能发生变化的。为保证曲线指导调度的可靠性,需要对水泵的流量扬程曲线进行校核,使曲线更加符合实际运行情况。然而,现在大部分泵站对水泵的流量扬程曲线并不是很了解,或仅知道水泵在出厂时的流量扬程曲线,即调度人员对泵组的特性并不是很了解,无法对流量扬程曲线进行较为准确的校核,进而影响对泵站的调度效果。
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机器学习的水泵扬程曲线校核方法及装置。
第一方面,本申请实施例提供了一种基于机器学习的水泵扬程曲线校核方法,所述方法包括:
获取目标水泵的当前曲线函数,基于所述目标水泵的实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数,所述当前曲线函数为所述目标水泵的流量扬程曲线对应的当前函数,所述目标误差函数的参数包括曲线指数、水泵在出水流量为0时产生的虚拟扬程和泵体内需损耗系数;
设置粒子个数和最大迭代数,并初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数;
分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标;
重复所述分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标的步骤,直至当前重复迭代次数满足最大迭代数后,基于最新的所述最小目标误差函数值对应的目标粒子优化所述当前曲线函数。
优选的,所述获取目标水泵的当前曲线函数,基于所述目标水泵的实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数,包括:
获取目标水泵的当前曲线函数和预设时长内的历史数据,基于所述历史数据确定所述目标水泵在所述预设时长内的实际流量压力值,基于所述实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数。
优选的,所述获取目标水泵的当前曲线函数和预设时长内的历史数据,基于所述历史数据确定所述目标水泵在所述预设时长内的实际流量压力值,包括:
获取目标水泵的当前曲线函数和预设时长内的历史数据,剔除所述历史数据中缺失数据时刻和异常数据时刻对应的数据;
基于剔除处理后的所述历史数据确定所述目标水泵在所述预设时长内的实际流量压力值。
优选的,所述初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数,包括:
基于所述历史数据分别确定所述曲线指数、虚拟扬程和泵体内需损耗系数的数据取值范围;
初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为在所述数据取值范围内随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数。
优选的,所述最小目标误差函数值包括第一最小目标误差函数值和第二最小目标误差函数值;
所述分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标,包括:
分别计算各所述粒子对应的目标误差函数值,确定每个粒子在历次迭代结果中的第一最小目标误差函数值和本次迭代结果中全局最优的粒子对应的第二最小目标误差函数值;
基于所述第一最小目标误差函数值和第二最小目标误差函数值更新各所述粒子的三维坐标。
优选的,所述基于最新的所述最小目标误差函数值对应的目标粒子优化所述当前曲线函数,包括:
基于最新的所述第二最小目标误差函数值对应的目标粒子优化所述当前曲线函数。
第二方面,本申请实施例提供了一种基于机器学习的水泵扬程曲线校核装置,所述装置包括:
获取模块,用于获取目标水泵的当前曲线函数,基于所述目标水泵的实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数,所述当前曲线函数为所述目标水泵的流量扬程曲线对应的当前函数,所述目标误差函数的参数包括曲线指数、水泵在出水流量为0时产生的虚拟扬程和泵体内需损耗系数;
设置模块,用于设置粒子个数和最大迭代数,并初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数;
计算模块,用于分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标;
优化模块,用于重复所述分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标的步骤,直至当前重复迭代次数满足最大迭代数后,基于最新的所述最小目标误差函数值对应的目标粒子优化所述当前曲线函数。
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:通过设置目标水泵的目标误差函数,并根据监测水泵获得的历史数据进行分析,以此对目标误差函数进行迭代优化,确定出绝对误差最小的参数,再以这些参数对目标水泵的流量扬程曲线进行优化校核,保证了校核结果的准确性,能够与水泵的实际情况适配。
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机器学习的水泵扬程曲线校核方法的流程示意图;
图2为本申请实施例提供的一种基于机器学习的水泵扬程曲线校核装置的结构示意图;
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机器学习的水泵扬程曲线校核方法的流程示意图。在本申请实施例中,所述方法包括:
S101、获取目标水泵的当前曲线函数,基于所述目标水泵的实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数,所述当前曲线函数为所述目标水泵的流量扬程曲线对应的当前函数,所述目标误差函数的参数包括曲线指数、水泵在出水流量为0时产生的虚拟扬程和泵体内需损耗系数。
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,对于需要进行校核的目标水泵,云端服务器首先会获取其对应的当前曲线函数,若目标水泵还没有被校核过,那么其当前曲线函数对应的流量扬程曲线就是其出厂时的通用默认流量扬程曲线,若目标水泵被校核过,那么其当前曲线函数对应的就是最后一次校核所得到的流量扬程曲线。流量扬程曲线的横轴代表流量,纵轴代表扬程(也就是流量压力),即曲线用以表示扬程和流量压力的映射关系。在理想状态下,当前曲线函数的函数值,即曲线对应的流量压力,与目标水泵的实际流量压力应该一致。但在实际情况中,随着水泵的使用,真正适配的水泵现在工况的流量扬程曲线中的曲线参数与通用默认流量扬程曲线的曲线参数将会不同,这使得二者的结果之间存在误差。因此,将根据实际流量压力值和当前曲线函数的绝对误差来设置一个目标误差函数,通过该目标误差函数的函数值作为判断当前曲线函数是否准确的依据,目标误差函数对应的函数值越小,则表明此时的流量扬程曲线越准确。其中,在流量扬程曲线的函数表达式中,曲线指数、水泵在出水流量为0时产生的虚拟扬程和泵体内需损耗系数是影响曲线准确性的主要参数。当流量扬程曲线不准确时,便意味着这几项参数的具体数值不准确,故本申请的目的便是想办法调整这几个参数的具体数值,使目标误差函数的函数值尽可能的小。
具体而言,每台水泵对应的流量扬程曲线的函数表达式可以表示为:
其中,H为该水泵的实际扬程,即泵后压力与泵前压力的差,也就是前述内容所指的流量压力;Q为该水泵的实际流量;r为水泵的实际转速,或实际频率;R为水泵的额定转速,或额定频率;c为曲线指数;为水泵在出水流量为0时所产生的虚拟扬程;/>为泵体内需损耗系数。
每个泵站一般会有多台泵,且全天大部分时间都是多台泵并联运行,泵并联后的流量总和,等于某扬程下各台泵流量之和。显然,同一泵站中多个水泵之间的数据是会相互影响的,因此,如果泵站存在多个水泵,想要对某一目标水泵进行参数的校核,使其流量误差最小,实质上就需要对泵站中的所有水泵进行有效校核,也就是需要将泵站整体的流量误差调整为最小,故可以直接以泵站整体的目标误差函数进行计算,具体过程如下:
为便于计算,首先将流量扬程关系式转换如下:
在t时刻下,若泵i的扬程为时,该泵的出水流量为/>,则泵站在t时刻的绝对误差为:
其中,为t时刻的泵站总流量,n为泵站的泵总数。则目标误差函数为:
为了保证所有泵都能得到有效的校核结果,需选用一段时间的历史数据进行校核,且保证这一段时间内每台泵都有一定时间的运行时长。一般情况下,泵站的监测数据为每间隔1分钟采集并上传,即采集1分钟、2分钟、3分钟等对应的时刻的数据。其中,k为这一段历史数据中,剔除掉缺失数据时刻和异常数据时刻的数据后,剩余有效数据的时间点个数,示例性的,t=k即为k分钟这一时刻的数据。
本申请的目的是为了求出目标误差函数最小时的流量扬程曲线,故该过程可以看作是:
通过对模型的分析,对比分析各种校核方式,发现粒子群算法的原理更适用于该模型,具有收敛速度快、精度高的优点。故后续步骤中将采用粒子群算法进行参数的求解和校准。
在一种可实施方式中,所述获取目标水泵的当前曲线函数,基于所述目标水泵的实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数,包括:
获取目标水泵的当前曲线函数和预设时长内的历史数据,基于所述历史数据确定所述目标水泵在所述预设时长内的实际流量压力值,基于所述实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数。
在本申请的一个实施例中,为了不影响水泵的日常使用和日常调度,水泵的实际流量压力值不是实时获取的,而是以当前时刻往前一段预设时长内的历史数据中记录的实际流量压力值作为计算和判断的数据。
在一种可实施方式中,所述获取目标水泵的当前曲线函数和预设时长内的历史数据,基于所述历史数据确定所述目标水泵在所述预设时长内的实际流量压力值,包括:
获取目标水泵的当前曲线函数和预设时长内的历史数据,剔除所述历史数据中缺失数据时刻和异常数据时刻对应的数据;
基于剔除处理后的所述历史数据确定所述目标水泵在所述预设时长内的实际流量压力值。
在本申请的一个实施例中,为保证进行计算的历史数据的有效性,首先需要对历史数据进行处理,将其中标注为缺失数据时刻和异常数据时刻的数据进行剔除,只采用剩余的有效数据进行后续的计算处理。
S102、设置粒子个数和最大迭代数,并初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数。
在本申请的一个实施例中,为了确定出符合目标水泵实际情况,即目标误差函数值最小时的流量扬程曲线,需要对最适合的曲线指数、虚拟扬程和泵体内需损耗系数进行求解。具体将通过粒子群的方式进行求解计算,首先会设置粒子群的种群规模,即粒子个数,以及迭代计算的最大迭代数。接着对粒子群中的每一个粒子进行初始化,使每一个粒子包含三个值,即曲线指数、虚拟扬程和泵体内需损耗系数,且由于粒子群算法是对粒子的位置进行最优求解,故将分别以曲线指数、虚拟扬程和泵体内需损耗系数三个值作为粒子的三维坐标,每一个粒子具体的三维坐标值是随机取值的。
在一种可实施方式中,所述初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数,包括:
基于所述历史数据分别确定所述曲线指数、虚拟扬程和泵体内需损耗系数的数据取值范围;
初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为在所述数据取值范围内随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数。
在本申请的一个实施例中,曲线指数、虚拟扬程和泵体内需损耗系数在随机取值时存在取值范围,该取值范围将根据历史数据中各个数据的最大值和最小值来划分确定。
S103、分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标。
在本申请的一个实施例中,每个粒子中随机取值的三个值,将被当作已知量代入至目标误差函数中,进而能够求得该粒子对应的目标误差函数值,即计算出在该粒子的数值下,出水流量的校核值和实际值的平均绝对误差。接着,将确定各个粒子的目标误差函数值中数值最小的最小目标误差函数值,以该最小目标误差函数值对应的粒子的三维坐标对各个粒子的三维坐标进行优化更新,以完成一次对粒子群的迭代过程。
在一种可实施方式中,所述最小目标误差函数值包括第一最小目标误差函数值和第二最小目标误差函数值;
步骤S103包括:
分别计算各所述粒子对应的目标误差函数值,确定每个粒子在历次迭代结果中的第一最小目标误差函数值和本次迭代结果中全局最优的粒子对应的第二最小目标误差函数值;
基于所述第一最小目标误差函数值和第二最小目标误差函数值更新各所述粒子的三维坐标。
在本申请的一个实施例中,对所有粒子进行了目标误差函数值的计算后,将会确定出第一最小目标误差函数值和第二最小目标误差函数值。第一最小目标误差函数值对每一个粒子而言都是不同的,是指该粒子在目前已经进行的历次迭代的函数计算结果中,目标误差函数值最小的那一次的值。第二最小目标误差函数值对所有粒子而言都是相同的,是指当前这一次迭代中,所有粒子的函数值计算结果中,函数值最小的那一个粒子对应的值。第一最小目标误差函数值对应的粒子坐标将作为群体最优值pbest,第二最小目标误差函数值对应的粒子坐标将作为全局最优值gbest。接着对每个粒子x的位置进行更新,更新方式如下:
其中,C1,C2为加速常数,一般取值范围为[0.5,2];rand为[0,1]之间的随机数。
S104、重复所述分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标的步骤,直至当前重复迭代次数满足最大迭代数后,基于最新的所述最小目标误差函数值对应的目标粒子优化所述当前曲线函数。
在本申请的一个实施例中,将重复前述过程,以实现对粒子的一次次迭代,直到迭代次数满足最大迭代数。此时将最终剩余的,也是最新的最小目标误差函数值对应的目标粒子作为最优粒子,将以该粒子对应的三个参数值来对当前曲线函数中的三个参数的值进行替换,完成对当前曲线函数的校核优化。
此外,粒子每次更新后,还可以与更新前进行对比,如果更新后的目标误差函数值变小,才会替换原来的粒子,否则可以选择保留原来的粒子,不进行位置更新。
在一种可实施方式中,所述基于最新的所述最小目标误差函数值对应的目标粒子优化所述当前曲线函数,包括:
基于最新的所述第二最小目标误差函数值对应的目标粒子优化所述当前曲线函数。
在本申请的一个实施例中,将选用第二最小目标函数值对应的目标粒子,即最终的全局最优值作为最终的校核结果进行当前曲线函数的校核。
下面将结合附图2,对本申请实施例提供的基于机器学习的水泵扬程曲线校核装置进行详细介绍。需要说明的是,附图2所示的基于机器学习的水泵扬程曲线校核装置,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机器学习的水泵扬程曲线校核装置的结构示意图。如图2所示,所述装置包括:
获取模块201,用于获取目标水泵的当前曲线函数,基于所述目标水泵的实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数,所述当前曲线函数为所述目标水泵的流量扬程曲线对应的当前函数,所述目标误差函数的参数包括曲线指数、水泵在出水流量为0时产生的虚拟扬程和泵体内需损耗系数;
设置模块202,用于设置粒子个数和最大迭代数,并初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数;
计算模块203,用于分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标;
优化模块204,用于重复所述分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标的步骤,直至当前重复迭代次数满足最大迭代数后,基于最新的所述最小目标误差函数值对应的目标粒子优化所述当前曲线函数。
在一种可实施方式中,获取模块201包括:
获取单元,用于获取目标水泵的当前曲线函数和预设时长内的历史数据,基于所述历史数据确定所述目标水泵在所述预设时长内的实际流量压力值,基于所述实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数。
在一种可实施方式中,获取单元包括:
获取元件,用于获取目标水泵的当前曲线函数和预设时长内的历史数据,剔除所述历史数据中缺失数据时刻和异常数据时刻对应的数据;
确定元件,用于基于剔除处理后的所述历史数据确定所述目标水泵在所述预设时长内的实际流量压力值。
在一种可实施方式中,设置模块202包括:
参数确定单元,用于基于所述历史数据分别确定所述曲线指数、虚拟扬程和泵体内需损耗系数的数据取值范围;
初始化单元,用于初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为在所述数据取值范围内随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数。
在一种可实施方式中,所述最小目标误差函数值包括第一最小目标误差函数值和第二最小目标误差函数值;
计算模块203包括:
计算单元,用于分别计算各所述粒子对应的目标误差函数值,确定每个粒子在历次迭代结果中的第一最小目标误差函数值和本次迭代结果中全局最优的粒子对应的第二最小目标误差函数值;
更新单元,用于基于所述第一最小目标误差函数值和第二最小目标误差函数值更新各所述粒子的三维坐标。
在一种可实施方式中,优化模块204包括:
优化单元,用于基于最新的所述第二最小目标误差函数值对应的目标粒子优化所述当前曲线函数。
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中存储的基于机器学习的水泵扬程曲线校核应用程序,并具体执行以下操作:
获取目标水泵的当前曲线函数,基于所述目标水泵的实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数,所述当前曲线函数为所述目标水泵的流量扬程曲线对应的当前函数,所述目标误差函数的参数包括曲线指数、水泵在出水流量为0时产生的虚拟扬程和泵体内需损耗系数;
设置粒子个数和最大迭代数,并初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数;
分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标;
重复所述分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标的步骤,直至当前重复迭代次数满足最大迭代数后,基于最新的所述最小目标误差函数值对应的目标粒子优化所述当前曲线函数。
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)
1.一种基于机器学习的水泵扬程曲线校核方法,其特征在于,所述方法包括:
获取目标水泵的当前曲线函数,基于所述目标水泵的实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数,所述当前曲线函数为所述目标水泵的流量扬程曲线对应的当前函数,所述目标误差函数的参数包括曲线指数、水泵在出水流量为0时产生的虚拟扬程和泵体内需损耗系数;
设置粒子个数和最大迭代数,并初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数;
分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标;
重复所述分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标的步骤,直至当前重复迭代次数满足最大迭代数后,基于最新的所述最小目标误差函数值对应的目标粒子优化所述当前曲线函数。
2.根据权利要求1所述的方法,其特征在于,所述获取目标水泵的当前曲线函数,基于所述目标水泵的实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数,包括:
获取目标水泵的当前曲线函数和预设时长内的历史数据,基于所述历史数据确定所述目标水泵在所述预设时长内的实际流量压力值,基于所述实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数。
3.根据权利要求2所述的方法,其特征在于,所述获取目标水泵的当前曲线函数和预设时长内的历史数据,基于所述历史数据确定所述目标水泵在所述预设时长内的实际流量压力值,包括:
获取目标水泵的当前曲线函数和预设时长内的历史数据,剔除所述历史数据中缺失数据时刻和异常数据时刻对应的数据;
基于剔除处理后的所述历史数据确定所述目标水泵在所述预设时长内的实际流量压力值。
4.根据权利要求2所述的方法,其特征在于,所述初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数,包括:
基于所述历史数据分别确定所述曲线指数、虚拟扬程和泵体内需损耗系数的数据取值范围;
初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为在所述数据取值范围内随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数。
5.根据权利要求1所述的方法,其特征在于,所述最小目标误差函数值包括第一最小目标误差函数值和第二最小目标误差函数值;
所述分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标,包括:
分别计算各所述粒子对应的目标误差函数值,确定每个粒子在历次迭代结果中的第一最小目标误差函数值和本次迭代结果中全局最优的粒子对应的第二最小目标误差函数值;
基于所述第一最小目标误差函数值和第二最小目标误差函数值更新各所述粒子的三维坐标。
6.根据权利要求5所述的方法,其特征在于,所述基于最新的所述最小目标误差函数值对应的目标粒子优化所述当前曲线函数,包括:
基于最新的所述第二最小目标误差函数值对应的目标粒子优化所述当前曲线函数。
7.一种基于机器学习的水泵扬程曲线校核装置,其特征在于,所述装置包括:
获取模块,用于获取目标水泵的当前曲线函数,基于所述目标水泵的实际流量压力值与所述当前曲线函数的绝对误差设置目标误差函数,所述当前曲线函数为所述目标水泵的流量扬程曲线对应的当前函数,所述目标误差函数的参数包括曲线指数、水泵在出水流量为0时产生的虚拟扬程和泵体内需损耗系数;
设置模块,用于设置粒子个数和最大迭代数,并初始化粒子群,用以使所述粒子群中每个粒子的三维坐标分别为随机取值的所述曲线指数、虚拟扬程和泵体内需损耗系数;
计算模块,用于分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标;
优化模块,用于重复所述分别计算各所述粒子对应的目标误差函数值,基于最小目标误差函数值更新各所述粒子的三维坐标的步骤,直至当前重复迭代次数满足最大迭代数后,基于最新的所述最小目标误差函数值对应的目标粒子优化所述当前曲线函数。
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 |
---|---|---|---|
CN202311605141.1A CN117313556B (zh) | 2023-11-29 | 2023-11-29 | 一种基于机器学习的水泵扬程曲线校核方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605141.1A CN117313556B (zh) | 2023-11-29 | 2023-11-29 | 一种基于机器学习的水泵扬程曲线校核方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117313556A true CN117313556A (zh) | 2023-12-29 |
CN117313556B CN117313556B (zh) | 2024-02-23 |
Family
ID=89286927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311605141.1A Active CN117313556B (zh) | 2023-11-29 | 2023-11-29 | 一种基于机器学习的水泵扬程曲线校核方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313556B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102045239B1 (ko) * | 2019-08-09 | 2019-12-02 | 주식회사 대영파워펌프 | 복수 개의 펌프로 구성된 급수펌프시스템의 최소 소비전력 운전 방법 |
CN114792071A (zh) * | 2022-05-18 | 2022-07-26 | 西安理工大学 | 基于机器学习技术的排水泵站优化调度方法 |
CN116307094A (zh) * | 2023-02-07 | 2023-06-23 | 重庆远通电子技术开发有限公司 | 一种基于多目标粒子群算法的城市供水优化调度方法 |
-
2023
- 2023-11-29 CN CN202311605141.1A patent/CN117313556B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102045239B1 (ko) * | 2019-08-09 | 2019-12-02 | 주식회사 대영파워펌프 | 복수 개의 펌프로 구성된 급수펌프시스템의 최소 소비전력 운전 방법 |
CN114792071A (zh) * | 2022-05-18 | 2022-07-26 | 西安理工大学 | 基于机器学习技术的排水泵站优化调度方法 |
CN116307094A (zh) * | 2023-02-07 | 2023-06-23 | 重庆远通电子技术开发有限公司 | 一种基于多目标粒子群算法的城市供水优化调度方法 |
Non-Patent Citations (1)
Title |
---|
姚德仓;宋松柏;: "设计洪水频率曲线的粒子群优化适线法研究", 水土保持通报, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN117313556B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875013B (zh) | 处理地图数据的方法及装置 | |
CN106492459B (zh) | 一种数据处理系统、数据处理方法以及数据处理装置 | |
CN106096226B (zh) | 一种数据评估方法、装置及服务器 | |
CN108492380A (zh) | 一种三维模型的减面方法与装置、存储介质 | |
CN112634297A (zh) | 高精地图制作方法、装置、电子设备和存储介质 | |
CN111091287A (zh) | 风险对象识别方法、装置以及计算机设备 | |
CN117313556B (zh) | 一种基于机器学习的水泵扬程曲线校核方法及装置 | |
CN112598537A (zh) | 电力设备故障诊断方法、装置及终端设备 | |
CN117408913B (zh) | 待测物体点云去噪方法、系统及装置 | |
CN107861082B (zh) | 一种电子测量设备的校准间隔确定方法及装置 | |
CN109829000B (zh) | 一种河川年径流量数据的一致性处理方法及装置 | |
CN113241155A (zh) | 一种头颅侧位片中标志点的获取方法及系统 | |
CN111476872B (zh) | 一种图像绘制方法及图像绘制装置 | |
CN108198213B (zh) | 一种标记管状结构的方法及装置、管状结构的处理终端 | |
CN108021774B (zh) | 数据处理方法以及装置 | |
CN111401796B (zh) | 一种建立设备能效模型的方法及装置 | |
CN114116449B (zh) | 一种自动化测试用例的参数化方法、装置及电子设备 | |
CN111866924B (zh) | 性能指标监控方法、装置、计算设备及计算机存储介质 | |
CN109543888B (zh) | 营业厅位置选择方法、装置及存储介质 | |
CN117289686B (zh) | 一种参数标定方法、装置、电子设备及存储介质 | |
CN110913033A (zh) | 基于cnn卷积神经网络学习的idcip地址分配方法 | |
CN115809404B (zh) | 一种检测阈值计算方法、装置、存储介质及电子设备 | |
CN113574271B (zh) | 实时确定性能参数的方法 | |
CN116975646A (zh) | 一种风要素数据修正方法、装置、计算机设备及存储介质 | |
CN117422338A (zh) | 一种烟丝水分散失性能评价方法、装置及电子设备 |
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 |