供应网中的压力控制的制作方法

1.本发明涉及一种用于控制供应网中的压力的方法。典型的应用是饮用水或水或废水网或者燃气或分区热供应网中的压力控制。


背景技术：

2.尽管本发明在下面关于水供应网来描述，但是其也适用于其他供应网，例如燃气供应网络或分区热供应网络。
3.水供应网中普遍存在的液压压力是重要的质量指标。对于大型工业用户和消防栓，高压确保了可在短时间内从供应网抽取大量的水。对于家庭连接，足够高的水压允许在没有附加的泵送设备的情况下，整个建筑物直到顶层都可靠地供应饮用水。
4.另一方面，供应网中的过高压力会导致部件的过早老化和故障，例如由于管道破裂。所产生的泄漏会导致高昂的修理成本、水损失，并且在某些情况下会进一步损伤周围的结构。另外，由于背景泄漏，过压（excess pressure）会导致水损耗增加。这样的背景泄漏通常在每个水供应网中都在一定程度上存在，并且会导致饮用水的持续损耗。过高的残余压力还会增加在管道流动期间发生的摩擦损失。在通过泵增强压力的供应网中，所提供的压力的增加直接导致泵的能量需求增加。
5.因此，供应网运营商面临以下挑战，即：在上面关于供应网中提供的液压压力所提及的两个相互冲突的需求之间找到折衷。由于以下事实，使该决定更加困难，即：操作中的主要压力受到消耗负荷的强烈影响，该消耗负荷可能会经受大的波动，并且通常无法可靠地测量或预测。消耗中的这些波动以及泵和阀的开关操作也可能导致供应网中的短期压力峰值，这可能会对网部件具有有害影响，并且通常是突然泄漏的原因。
6.在当今的许多水供应网中，借助于水塔或持续运行的泵来提供持续的高压。网部件的设计在规划阶段故意超尺寸。借助于消耗点处的降压装置，供应网中的过压被降低到消耗者的实际水平。由于在高压下长期操作而导致的上面列出的缺点通常被简单地容忍。
7.直到最近才在“压力管理”的类目下开发了方法，来以针对性的方式使水分配网中普遍存在的压力适应消耗者的需求，从而避免了过度压力和相关联的缺点。所开发的技术中包括将供应网分成压力管理区（pmz），其中入口处的压力借助于阀或泵的选择性控制而被降至最低。压力控制系统的设计使用了网结构、压力区的地形特性以及所连接的消耗者的数量和类型的知识。为了能够响应因改变消耗而引起的动态压力波动，该区中的在线测量压力值现在也被用于压力控制。
8.欧洲专利申请ep 3 120 201公开了一种用于控制供应网中的压力的方法。该方法的核心部分是创建供应网的模拟模型。该模拟模型模拟作为消耗分布的函数的压力和/或流量分布。然后，缩减描述压力和/或流量分布的数据。所有这些都可“离线”进行，即在实际操作之外进行，特别是在供应网投入操作之前进行。在该方法的“在线”部分中，即在供应网的操作中，借助于至少一个第一传感器在供应网中的至少一个第一位置处测量第一压力和/或流率值。然而，为了还确定供应网中的至少一个第二位置处的第二压力和/或流率值，
该值根据缩减数据并通过使用该至少一个第一压力和/或流率值来重建。一般而言，该缩减数据比所述（非缩减）数据包含更少的数据和/或更低的数据复杂度。使用该缩减数据来确定第二压力和/或流率值具有以下优点，即：需要较少的计算能力，从而使得能够快速致动该至少一个泵或该至少一个阀，特别是实时地致动。
9.然而，在某些情况下，创建这样的模拟模型相对耗时，例如，在供应网管线的布设复杂的情况下，或者在关于供应网的拓扑结构和连接到供应网的消耗者的可用信息完全不足的情况下。在其他情况下，确实可建立相对应的模拟模型并缩减数据。然而，尽管缩减了来自模拟模型的数据，但第二压力或流率值的重建可能花费比致动泵和/或阀所期望的更长的时间。


技术实现要素：

10.在此背景下，本发明的一个目的在于提供一种用于供应网中的压力控制的替代方法，该方法特别是使得能够快速致动泵和/或阀。
11.本发明从独立权利要求的特征得出。优选的扩展和实施例是从属权利要求的主题。本发明的其他特征、可能的应用和优点从下面的描述和附图得出。
12.因此，提供了一种用于控制供应网中的压力的方法。该供应网适于并设计成向消耗者供应流体。该供应网具有用于测量供应网中的第一位置处的流体的流率和/或压力的第一传感器。另外，供应设备包括用于泵送该流体的泵或者用于控制该流体的流动的阀。用于控制压力的该方法包括以下步骤：a）使用第一传感器来测量供应网中的第一位置处的流体的流率和/或压力，b）基于在步骤a）中测量的流率或压力，使用自学习系统来预测供应网中的第二位置处的压力，其中，该自学习系统已被训练，以预测供应网中的给定位置处的压力，以及c）还至少基于由经训练的系统预测的第二位置处的压力来致动所述泵或所述阀。
13.发明人已认识到，自学习系统能够以有利的方式用于控制供应网中的压力。在第一阶段，自学习系统被训练，以预测供应网中的指定位置处的压力。在训练阶段之后，在供应网的操作期间使用经训练的系统。为此目的，经训练的系统基于在操作期间测量的实际流率和/或压力来预测供应网中的特定位置处的压力。该构思是预测值将正确地指示实际压力。因此，由于经训练的系统的预测，特别是，为了知道第二位置处的压力，不需要测量第二位置处的流率和/或压力（假定经训练的系统的预测是正确的）。
14.这导致若干优点。第一个优点在于可知道供应网中没有设置传感器的位置处的压力，并且不需要为此在这些位置测量来获取该知识。在某些状况下可能有利的是，在自学习系统的训练期间测量相对应的“第二”位置处的压力和/或流率，如稍后将详细描述的。然而，例如，在该第二位置难以或不可能接近以便直接测量的情况下，对此也有替代方案。在任何情况下，对于压力控制本身在第二位置处都不需要传感器，这是因为该位置处的压力使用经训练的系统来预测。
15.根据本发明的方法的第二个优点在于可快速确定第二位置处的压力。例如，与供应网的分析或基于模型的模拟相比，即使供应网的拓扑结构复杂度低且消耗者数量少，该模拟也已经非常快速地变得非常计算密集并且因此耗时，除其他之外，经训练的系统的特征在于以下事实，即：对于输入的输入数据，在这种情况下为第一传感器的测量的流率和/
或压力，所需的输出，在这种情况下为第二位置处的压力，通常非常快速地输出。因此，在已测量第一位置处的流率和/或压力之后，第二位置处的压力也几乎可“在线”获得并且没有时间延迟。这与诸如用于控制供应网中的压力的本方法的控制方法具有相当大的相关性。
16.压力的预测通常只能用于自学习系统也已经过训练的位置。然而，可训练自学习系统来预测供应网上的多于一个位置处的压力。网中的测量点的数量不一定必须大于预测压力的位置的数量，但通常情况如此。
17.所描述的方法一般可应用于任何类型的流体的压力待控制的供应网。流体被理解为意指任何种类的液体或气体。在流体为水的情况下，供应网特别地是饮用水供应网或污水系统。在流体为例如天然气的情况下，供应网特别地是燃气供应网。在供应网为分区热供应网的情况下，传递介质，即流体，通常是热水，并且不那么常见的为蒸汽。
18.特别地，该供应网包括若干个管，也称为管线或简称为线路。这些管在那里将流体输送到消耗者，并且在某些情况下又从它们输送走。这些管被设计成使得流体流过它们。
19.在本专利申请的上下文中，供应网中的特定位置处的流率意指每给定时间段流过对应位置处的管的截面的流体体积。管的截面由其内径决定。该流率也被称为“体积流量”或“体积流率”。它具有国际单位（si unit）m3/h。因此，在本专利申请的上下文中，流率意指表征和量化流率的值。因此，它也可被称为“流率值”。
20.流率借助于流量计测量。流量计通常包括两个主要部件：实际测量传感器，其作为流率传感器；以及评估和供应部分，也称为发射器或转换器。在本专利申请的上下文中，流量计也被称为“传感器”。
21.在供应网中的流体为液体的情况下，在本专利申请的上下文内，供应网中的特定位置处的压力被理解为意指该位置处的流体的流体动压。该流体动压不可直接测量，但在无损、水平和定常流动的情况下，其可通过测量总压力和静压之间的差来确定，例如利用prandtl探头，该prandtl探头是皮托管和静压探头的组合。在液体的情况下，流体压力的测量特别是被限定为借助于prandtl探头间接确定压力。
22.在供应网中的流体为气体或气体混合物的情况下，压力被定义为由因为该气体或气体混合物而作用在所有方向上的所有力的和给出的合力。因此，类似于流动流体的流体动压，流动气体在流动方向上的压力在这里也是相关的。
23.如果流体在一点处的流体动压已知，则可使用它来计算流体的速度，并且因此计算流率。相反，任何位置处的（相对）压力都可根据该位置处的已知流率来计算。如果也已知供应网中的一位置处的绝对压力，则相对压力通常可被转换成供应网中的任何位置处的绝对压力。
24.因此，可利用在第一位置处测量的流率以及测量的压力来训练自学习系统。然而，如果第一传感器中的至少一个实际测量绝对压力是有利的，这是因为自学习系统随后也可确定第二位置的绝对压力。同样，对于供应网的操作，即，在自学习系统的学习阶段完成之后，有利的是，如果第一传感器中的至少一个实际测量绝对压力，这是因为（只有）那时经训练的系统才可预测第二位置的绝对压力。
25.该自学习系统优选地实施为人工神经网络。它具有位于一层或多层上并连接到彼此的人工神经元。人工神经元可处理多个输入并通过其激活而相应地响应。为此，输入被加权并传递给计算神经元激活的输出函数。在自学习系统的学习阶段期间不断调整权重，直
到针对给定输入的输出尽可能精确地匹配目标值。
26.本领域技术人员将知道如何配置合适的自学习系统。一个合适的编程框架的示例是tensorflow。tensorflow是一个面向数据流编程的编程框架。例如，它由python程序使用，并在python和c 中实现。tensorflow在机器学习领域很流行，特别是用于自学习系统。tensorflow最初由google brain团队为google的内部需求开发，并且后来在apache 2.0开源许可下发布。在研究和生产中，tensorflow目前被各种团队用于商业谷歌产品，诸如语音识别、gmail、google photos和google search。地图服务google maps也通过分析street view拍摄的照片而得到改进，这些照片使用基于tensorflow的人工智能来分析。许多这些产品以前使用过前身软件distbelief。
27.所述自学习系统的训练包括以下步骤：在第一步骤i）中，借助于第一传感器在供应网络中的多个第一位置处测量相应压力，优选地在每个第一位置（也为：测量场所）处定位其中一个第一传感器。替代地或附加地，如上所述，还可测量流率。在各个第一位置处的一组测量的压力和/或流率形成用于自学习系统的输入数据。
28.在第二步骤ii）中，自学习系统，通常为人工神经网络，基于在步骤i）中收集的输入数据来确定输出值。当前情况下的输出值是对应位置、即所谓的第二位置处的实际压力。
29.在第三步骤iii）中，将由自学习系统在第二位置处确定的压力与目标值比较，并且在第四步骤iv）中，考虑到在前一步骤中执行的比较来调整自学习系统。自学习系统被教导（或：训练）以正确预测特定位置处的压力的学习方法被实施为监督学习程序。在监督学习中，输入模式被供给到人工神经网络中，并且将神经网络在其当前状态下产生的输出与其实际应输出的值比较。通过比较期望和实际的输出，可得出要对网络配置进行的更改。对于单层神经网络，可应用delta规则（也称为感知器学习规则）。多层神经网络通常使用误差反向传播来训练，这是delta规则的推广。
30.在第一替代方案中，该目标值基于在自学习系统需要预测压力的位置处实际测量的流率和/或压力。换言之，将自学习系统预测的第二位置处的压力与利用相应传感器测量或从相应传感器获得的实际压力比较。
31.这种目标值的选择具有可快速和准确地获得目标值的优点。该目标值可快速获得，这是因为这仅需要利用相应的传感器测量流率和/或压力。根据传感器的质量，使用传感器测量的目标值高度精确，因为它是直接测量的，并且因此任何误差源都最小。
32.在第二种替代方案中，目标值不是直接测量的，而是借助于模拟确定。因此，将由自学习系统预测的某一位置处的压力与在相同位置处借助于模拟计算的压力比较。学习阶段成功的关键条件，并且首先，经训练的系统要成功在操作中使用的关键条件，是模拟的质量。由于在自学习系统的训练期间将通过模拟计算的压力用作目标值，因此模拟的压力应以高的可靠性和精度反映现实。换句话说，安全的是，假定模拟能够针对宽范围的输入数据准确地计算实际压力值。
33.分析或基于模型计算的目标值的优点在于在学习阶段期间不需要相对应位置处的传感器或者流率或压力测量。由于即使在供应网的操作期间也不需要在相对应的（第二）位置处测量，因此在模拟目标值时可省去在第二位置处放置和使用传感器。
34.如果流体为水，则模拟也称为液压模拟。
35.一般而言，输入、即其输入数据越多并且越准确，模拟就越准确。例如，对于供应网，网的拓扑结构可用作输入数据。这是指管的布置结构和组成，包括三个或更多管汇合的节点的放置。所需的其他输入数据是连接到供应网的消耗者所处的位置，以及消耗者的性质。精确模拟所需的或至少有很大益处的其他输入数据是管的属性，例如它们的直径或它们的流动阻力。最后，不同类型的消耗者需要某种等效消耗概况（equivalent consumption profile）。由于出于实际和数据保护的原因，消耗者的实际消耗无法用作输入，因此代表性消耗模式，即所谓的等效消耗概况，通常被用作模拟的基础。例如，等效消耗概况可用于单户住房、多户住房（具有住房单元的详细信息）、小型企业、医院等中的每一者。
36.有利地，在学习阶段期间非常快速地提供用于相对应的输入数据的目标值，因为这可最小化学习阶段的持续时间。为此目的，在确定目标值之前缩减模拟的输入数据可能是有利的。例如，这可借助于级数展开来实现。本领域技术人员将熟悉相关技术和程序；仅作为示例，在此背景下提到主成分分析。
37.如果网络的拓扑结构在显著的程度上变化，例如由于消耗者中的显著变化或者由于安装的管中的变化，则必须重新训练自学习系统。然而，自学习系统通常可预先分配有先前训练的系统的参数，例如权重，使得通常仅需要相对快速和直接地更新参数，即缩短学习阶段。
38.返回到训练自学习系统的方法：重复提到的步骤i）至iv），直到达到指定终止标准。例如，该终止标准可以是，在某一位置处由自学习系统确定的压力与该位置处的“真实”压力、即目标值之间的差低于指定的阈值。换句话说，这两个值应相同或仅略微不同。为了确保自学习系统是稳健的并在宽范围的输入数据上可靠地预测相对应位置处的真实流率，终止标准还可包括以下条件：在预定次数的迭代期间的平均值应低于该差的指定阈值。
39.如果满足终止标准，则自学习系统不再改变。例如，在人工神经网络的情况下，人工神经元的权重不会进一步调整，而是保持不变。
40.训练阶段之后是经训练的系统的操作，这也可称为利用阶段。
41.在利用阶段的第一步骤a）中，在供应网中的第一位置处测量通过管的流体的流率和/或压力。这必须基本上在与训练阶段期间相同的位置处进行。这样做的原因是经训练的系统已针对在第一位置处测量的流率或压力训练，使得它也只能在利用阶段中与来自这些第一位置的输入数据一起使用。坦率地说，自学习网络通常无法被训练成识别苹果，但是随后被用于识别梨。
42.有利的是，操作期间的流率和/或压力使用用于在训练阶段期间为自学习系统供给输入数据的相同的第一传感器确定。
43.在第二步骤b）中，经训练的系统基于在第一位置处实际测量的流率和/或压力来预测第二位置处的压力。如果自学习系统在学习阶段期间得到彻底和全面的训练，则针对第二位置的预测压力将与现实匹配是合理的预期。
44.在第三步骤c）中，至少基于由经训练的系统预测的第二位置处的压力来致动所述泵或阀。在知道第二位置处的压力的情况下，现在可优化供应网中的压力。如前面在描述中提到的，常规的供应网中的压力通常不是最优的。在实践中，它往往被选择得太高，并且前面提到的缺点，即高材料磨损、高背景泄漏、泵的高能量消耗等被容忍。利用根据本发明的方法，可更高效地控制压力。理想地，所述泵或阀以如下方式精确地控制，即：使得它提供必
要的压力，但提供尽可能小的压力。这可借助于所提出的方法来实现，而不必持续地测量供应网中的所有位置处的压力，特别是那些难以接近的位置处的压力。
45.第一传感器有利地以如下方式放置在供应网中，即：使得它们的测量值彼此不相关。尽管如果第一传感器的测量的流率和/或压力值与供应网中的另一个第一传感器的流率和/或压力值相关，这本身通常不是缺点，但如果它们的测量值彼此不相关，则通过这些传感器实现了最大效能。对于避免两个相邻传感器之间的相关，没有一般规则。实际上，本领域技术人员将在具体情况下有利地选择第一传感器的放置，使得它们彼此不相关。
46.在本发明的一个实施例中，不仅关于最佳压力调节来控制供应网中的单个“第二位置”，而且还针对多个第二位置执行所述方法。为此目的，同样重要的是，自学习网络已经在训练阶段中针对该多个第二位置训练，只有这样，经训练的网络才能在操作期间可靠地预测该多个第二位置处的相应压力。
47.在另一个实施例中，供应网包括n m个传感器，即n个第一传感器和m个第二传感器。在所述方法的第一部分中，具有n个第一传感器的自学习系统以如下方式训练，即：使得其正确预测m个第二传感器处的压力。在所述方法的第二部分中，自学习系统随后基于现在作为第一传感器的该m个传感器的测量的流率和/或压力来训练，以预测在第二位置处操作的n个第二传感器的压力。这结束学习阶段，并且随后是利用阶段。这里，首先预测m个第二传感器的m个位置处的压力。然后角色逆转，即n个以前的第一传感器现在作为第二传感器，并且在n个现在的第二传感器的n个位置处预测压力。
48.此方法的一个优点在于可在供应网的更多位置处预测相应的压力。除了提到的n m个传感器之外，供应网还可包括其他传感器，这些传感器在两个学习阶段中都作为第一传感器，并且因此使得自学习系统更加稳健。
49.本发明不仅涉及一种用于控制供应网中的压力的方法，而且还涉及一种相对应的设备。特别地，本发明涉及一种用于控制供应网中的压力的设备，其中，该供应网适于向消耗者供应流体。该供应网包括用于测量该供应网中的第一位置处的流体的流率和/或压力的第一传感器，以及用于泵送流体的泵，或者用于控制流体流动的阀。该压力控制设备包括以下部件：
‑ꢀ
自学习系统，其已被训练，以预测供应网中的预定位置处的压力，
‑ꢀ
第一检测单元，其用于检测在供应网中的第一位置处通过第一传感器测量的流体流率或压力，
‑ꢀ
预测单元，其用于基于通过第一检测单元在第一位置处检测到的流率或压力，使用经训练的系统来预测第二位置处的压力，以及
‑ꢀ
致动单元，其用于致动所述泵或阀。
50.已结合用于控制压力的方法描述的本发明的具体设计和变型可相应地转移到所述设备。
51.最后，本发明还涉及一种包括以下部件的布置结构：
‑ꢀ
供应网，其适于向消耗者供应流体，以及用于测量供应网中的第一位置处的流体的流率和/或压力的第一传感器，以及用于泵送流体的泵或者用于控制流体的流动的阀，以及
‑ꢀ
如上所述的用于控制供应网中的压力的设备。
附图说明
52.在下文中，基于示例性实施例并且参考附图来描述本发明，附图中：图1示出了连接到多个不同消耗者的供应网，图2示出了用于控制供应网中的压力的设备的第一示例性实施例，以及图3示出了用于控制供应网中的压力的设备的第二示例性实施例。
具体实施方式
53.图1示意性地图示了用于向一系列消耗者供应饮用水的供应网10的示例。因此，它是饮用水供应网。当然，本发明不限于饮用水供应网，而是也适用于其他类型的供应网。
54.图1示出了一测量分区，在技术术语中通常称为“分区计量区域（dma）”，其是更高级别的饮用水供应网的一部分。所示的测量分区也可称为压力管理区（pmz），因为在该区中，压力将借助于本发明以有利的方式来控制。图1中所示的供应网10仅包括单一流入部13而没有流出部。供应网10包括若干个管11，其中，三个或四个管11在供应网10的多个节点12中的每一个处汇合。为清楚起见，在图1中并非所有现有的管11和节点12都用附图标记表示。
55.在流入部13中存在泵16，该泵16将水从水储存器17泵送到供应网10中。可替代地，可设置阀来代替泵，该阀控制水流入到供应网10中。阀代替泵可能是足够的，例如，当水储存器17相对于连接到供应网10的消耗者位于如下高度处时，即：使得水在如此大的压力下流过流入部13，以至于流入部仅调节，但水不再需要被泵送到供应网10中。
56.图1还示出了连接到饮用水供应网10的若干消耗者的示例。这些消耗者分成不同的类别；在图1中，作为示例示出了多个单户住房21、多户住房22和工厂23。在现实中，至少几十、通常为几百并且有时为几千个消耗者通常连接到dma中的供应网。为了清楚起见，图1中仅示出了连接到供应网10的消耗者的极少数示例。
57.因此，在图1中，为了说明本发明，以高度简化的方式示出了供应网10的拓扑结构，特别是管11的数量和分支，以及连接到供应网10的消耗者的数量和类型。
58.所示的供应网10没有（明确的）流出部。然而，饮用水从供应网10的流出经由消耗者发生。然而，出于实际和数据保护的原因，相应消耗者的确切消耗率未知。
59.供应网10还包括三个第一传感器14。这些第一传感器14被设计为流率或压力计，并且可测量在供应网10中第一传感器14所在的相应位置处通过管11的饮用水的流率或压力。第一传感器14所在的并且测量相应的流率或压力的位置被指定为第一位置141。
60.本发明的目的则在于在供应网10的操作期间最佳地控制供应网10中的压力。供应网10中的第二位置151处的瞬时压力的正确预测在这里起到重要作用。
61.为此目的，本发明使用相对应的设备30。图2中示出了用于供应网10中的压力控制的该设备30的第一示例性实施例。相比之下，图3示出了这样的设备30的稍微修改的示例性实施例。这两个示例性实施例本质上区别在于在自学习系统ss的训练期间使用不同的目标值。
62.首先，图2示出了与图1中的供应网相同的供应网10。为了避免重复，对于供应网10和连接到它的消耗者的描述，请参考图1。
63.除了供应网10和连接的消耗者之外，图2还示出了用于供应网10中的饮用水的压
力控制的设备30。为此目的，前三个传感器14被连接到第一检测单元e1。第一检测单元e1被设计成检测并传输由第一位置141处的第一传感器14测量的流率和/或压力。图2还示出了第二检测单元e2。与第一检测单元e1类似，其被设计成检测由供应网10中的第二位置151处的第二传感器15测量的流率和/或压力，并且一旦在过程中需要，就将其传输到适当的点。
64.在训练阶段期间，在图2中所示的第一示例性实施例中，自学习系统ss被连接到第一检测单元e1和第二检测单元e2。这些连接在图1中表示为虚线。第一检测单元e1提供输入数据，即在供应网10中的第一位置141处测量的流率和/或压力。基于此，自学习ss系统的任务在于预测或确定供应网中的另一位置处的（预期）压力。该另一位置是上面提到的第二位置151，即第二传感器15所在的位置。在训练阶段开始时，通过自学习系统ss在第二位置151处确定的压力通常将与该位置处的实际压力不匹配。为了训练自学习系统ss，即为了修正它，应用监督学习的概念。为此目的，将通过自学习系统ss确定的压力与目标值比较。本示例性实施例中的该目标值是在第二位置处测量的实际流率和/或压力。该位置处的流率和/或压力有利地利用第二传感器15来测量。
65.如果通过第二传感器15测量流率，则该值被转换成压力。如果通过第二传感器15测量压力，则该测得的压力可直接使用。
66.通过第二传感器15计算或测量的压力由第二检测单元e2检测并转发到自学习系统ss。然后，将通过第二传感器15测量或计算的压力与自学习系统中的先前确定/预测的值比较。如果一致性太低，如上所述，这特别地可能是在训练开始时的情况，则通过第一传感器14测量新的流率和/或压力值。对于这些新的流率和/或压力，自学习系统ss试图尽可能准确地预测第二位置151处的实际压力。
67.有利的是，如果在第二次迭代中通过第一传感器14测量的值与在第一次迭代中测量的值不同。如果第一位置141处的测量值非常相似或甚至相同，则自学习系统ss将基于来自第一次迭代的学习结果毫无困难地正确预测第二次迭代中的第二位置151处的压力。然而，在操作中，自学习系统ss必须能够针对第一位置141处的宽范围的流率和/或压力对第二位置151处的压力做出正确的预测。
68.因此，一次迭代中描述的步骤是：测量第一位置141处的流率和/或压力；预测或确定第二位置151处的压力；以及将预测的压力与实际测量的压力比较。
69.执行足够数量的迭代以允许满足指定的终止标准。例如，该终止标准可以是，对于十次连续迭代，由自学习系统ss确定的第二位置151处的压力与在每种情况下存在的实际压力（基于位于第二位置151处的第二传感器15的测量确定）之间的差必须小于5%，特别是小于2%，优选为小于1%。
70.有利的是，将此给定的示例性终止标准与另一条件结合，即，例如，对于十次连续迭代，在第一位置141处测量的流率和/或压力覆盖一宽范围的值。这意味着，例如，每个第一传感器14的最小测量压力与相同的第一传感器14的最大测量压力之间必须存在至少100%的差。当然，也可设想更复杂的条件以确保不同迭代中的第一流率和/或压力的广泛覆盖。
71.训练阶段之后是供应网10的操作，也称为利用阶段。在这种情况下，再次在供应网10中测量第一位置141处的流率和/或压力。这使用第一传感器14来执行。测量值由第一检测单元e1检测并传输到自学习系统ss，在学习阶段结束后，该自学习系统ss在本专利申请
内也被称为“经训练系统”ss。由第一检测单元e1检测的流率和/或压力传输到经训练系统ss在图1中用实线表示，以将其与训练阶段期间的虚线连接区分开。
72.经训练系统ss现在基于在第一位置141处测得的流率和/或压力对供应网10中的第二位置151处的预期压力做出预测。该预测通过预测单元v做出。
73.基于供应网10中的第二位置151处的预测压力，泵16随后被相应地致动。如果例如证明第二位置151处的压力高于用于为相关的消耗者供应饮用水所应有的压力，则泵16降低其泵送能力。这降低了供应网10中并且特别是第二位置151处的压力，从而减少了对供应网10的部件的磨损、泵16的能量消耗以及供应网10中的任何背景泄漏。另一方面，如果例如证明第二位置151处的压力低于位于第二位置151附近的消防栓所需的压力，则泵16增加其泵送能力。这将确保第二位置151处的水压对于相关需求足够高，以防需要从位于该附近的消防栓抽取水。
74.如果针对多个第二位置151预测相应的压力，则原则上甚至可更优化地控制供应网10中的压力。
75.图3示出了用于控制供应网10中的压力的设备30的第二示例性实施例。它与第一示例性实施例的设备30的不同之处在于自学习系统ss的训练。
76.具体而言，在第二示例性实施例中的训练阶段期间，仅在第一位置141处测量的流率和/或压力从第一检测单元e1被传输到自学习系统ss。这又指明或确定了供应网10中的第二位置151处的预期压力。然而，在该方法的步骤iii）中，该预期压力不直接与在第二位置151处确定的压力比较，而是与第二位置151处的模拟压力比较。对于自学习系统ss的成功训练来说非常重要的是，第二位置151处的模拟流率是可信的，即正确的，因为它代表了训练自学习系统ss的目标值。如果该目标值与现实不匹配，则在逻辑上，经训练的ss系统也无法正确地建模或预测现实。
77.在饮用水供应网的当前情况下，模拟sim是液压模拟。为此目的，供应网中的压力和其他参数（例如，流率、流速等）被分析模拟或者使用基于流体力学的基于模型的方法来模拟。液压模拟sim的挑战通常为以下事实，即：即使对于拓扑相对简单的供应网，其也会很快变得十分复杂。另外，液压模拟sim通常需要一系列输入数据in。这些包括：拓扑，即管11和节点12的布局和布设；通向供应网10的流入部13处的流率和/或压力；消耗者的布置结构和性质；各消耗者类型的等效消耗概况，即每种消耗者类型的典型（或：代表性）的消耗概况；管的属性，例如摩擦系数或内径。
78.基于在第一位置141处测量的流率和/或压力以及可获得的输入数据in，液压模拟sim模拟第二位置151处的预期压力并将其传输到自学习系统ss。第二位置151处的模拟压力作为自学习系统ss的目标值，并且作为自学习系统ss已经被训练的程度的度量。
79.在第二示例性实施例中，供应网的利用阶段或操作与第一示例相同地进行，由于这个原因参考上面相同的描述。
80.总而言之，本发明提供了一种方法、一种设备和一种布置结构，利用它们可借助于自学习系统容易地控制供应网中的压力，其中，在供应网中的几个地方，压力不被测量，而是仅借助于经训练系统来预测。