一种基于深度神经网络的供水泵站调度方法与流程

1.本发明涉及一种供水泵站调度方法，尤其是涉及一种基于深度神经网络的供水泵站调度方法。


背景技术：

2.城市供水的泵站调度是保障城市用水安全稳定的重要环节，也是国内外学者不断探索研究的热点领域。所以供水管网必须应用现代化的调度管理手段进行高效率和及时地管理，使得调度管理由传统的人工经验调度管理方式转变为更加科学地调度管理方式，以达到节约水资源，提高调度效率的目的。
3.国内外已有关注于供水管网泵站调度方法的研究。现有研究根据所用的技术可以分为人工经验调度法、数学模型法等。以下为一些代表性的研究：
4.1)人工经验调度
5.人工经验调度是最为普遍的泵站调度方法之一，该方法主要将城市分为若干个水压区域，简单地通过对控制水厂以及二级加压泵站内的水泵进行增加或者减少，来控制管网中的水压，将水压设定在目标范围内。
6.优缺点：这类方法适用于城市供水发展的初期，理论基础较为简单并且容易实施，因此是目前供水部门最为广泛采用的方法。然而，这类方法的使用需要人工经验判断供水区域压力变化走势来决定水泵的启闭，人力成本高，在区域内的调度具有滞后性，难以从大范围内经济、快速地进行泵站的调度，从而限制了这类方法的适用范围。
7.2)数学模型法
8.如文献：
9.[1]d.fooladivanda,j.a.taylor.energy
‑
optimal pump scheduling and water flow.ieee transactions on control of network systems,2017.
[0010]
[2]mohammed abdallah s.m.asce,zoran kapelan m.asce.fast pump scheduling method for optimum energy cost and water quality in water distribution networks with fixed and variable speed pumps.march 28,2019.
[0011]
[3]bissan ghaddar,joe naoum
‑
saways,akihiro kishimoto,nicole taheri,bradler eck.a lagrangian decomposition approach for the pump scheduling problem in water networks[j].european journal of operational research,2015,241(2):105
‑
106.
[0012]
该类方法的出现标志着供水调度进入到了计算机时代，城市水压和需水量的分布具有区域性，通过对数学模型的建立再利用计算机技术，求解建立的数学模型的目标函数得到最小用水量，与此同时得出供水的优化调度方案。在确保供水管网调度满足用户所需水量的前提下，为使得供水花费达到最低，确定各个泵站内水泵的型号和台数最少。
[0013]
优缺点：该类方法对供水区域内各个用水节点进行详细的数学表达，具有较高的可信度以及理论支撑点，为供水泵站调度提供决策支持。但是，该类方法需要准确性较高的
水力模型支持，并且计算复杂度高，自动化程度不足，面对庞大的管网系统仍然存在滞后性，很难实时做到对管网的调度。


技术实现要素：

[0014]
本发明的目的就是为了克服上述现有技术存在的不足而提供的一种基于深度神经网络的供水泵站调度方法。
[0015]
本发明提供如下技术方案：一种基于深度神经网络的供水泵站调度方法，该方法包括如下步骤：
[0016]
s1：确定深度神经网络的输入特征，确定泵站调度指令发出时间间隔，搭建深度神经网络pumpnet；
[0017]
s2：获取供水系统对应于深度神经网络输入特征的历史监测数据以及历史泵站调度指令，训练深度神经网络pumpnet；
[0018]
s3：采集供水系统对应于深度神经网络pumpnet输入特征的实时监测数据，将其输入到训练好的深度神经网络中进行预测；
[0019]
s4：输出泵站实时调度指令。
[0020]
进一步地，所述步骤s1包括以下步骤：
[0021]
s11：确定深度神经网络的输入特征；所述深度神经网络输入特征包括水厂出水流量、水厂出水压力、泵站出水压力、泵站水库液位、供水管网监测点压力、供水管网监测点流量；
[0022]
s12：确定泵站调度指令发出时间间隔；所述泵站调度指令发出时间决定了深度神经网络进行泵站调度预测的时间间隔以及深度神经网络输入数据的时间间隔，所述时间间隔包括5min,10min,
…
,1h；
[0023]
s13：搭建深度神经网络；所述网络由输入层、卷积层(conv1d layer)、递归层(gru layer)、密连接层(dense layer)以及输出层组成。
[0024]
进一步地，所述步骤s2包括以下步骤：
[0025]
s21：获取所述步骤s1中供水系统对应于深度神经网络输入特征且时间间隔为所述步骤s1中所设定的历史监测数据；
[0026]
s22：获取所述步骤s21中历史数据相应时间的泵站历史调度指令；
[0027]
s23：对输入特征的历史数据以及历史调度指令进行数据预处理；
[0028]
s24：使用预处理后的数据训练深度神经网络pumpnet。
[0029]
进一步地，所述步骤s23包括以下步骤：
[0030]
s231：将监测点m记录的数据表示为如下向量形式：
[0031]
d
m
＝[d
m1
,d
m2
,...,d
mn
]'
[0032]
其中，d
mi
为监测点m按时间顺序排列的第i个监测值，将所有监测点的监测值表示为如下矩阵形式：
[0033]
[0034]
s232：对历史监测值进行数据异常检测与修正：
[0035][0036]
其中，为异常检测与修正后的监测值向量；ad_func为异常检测与修正函数。
[0037]
s233：对修正后的历史监测数据进行归一化处理：
[0038][0039][0040]
其中，d
m
_std为修正监测值向量标准化后结果；d
m
_scaled为修正监测值向量归一化后的结果；
[0041]
s234：泵站历史调度指令预处理，将泵m的历史泵启闭状态表示为如下向量形式：
[0042]
k
m
＝[k
m1
,k
m2
,...,k
mn
]'
[0043]
其中，k
mi
为泵m按时间顺序排列的第i个时刻的泵启闭状态，将所有泵的启闭状态表示为如下矩阵形式：
[0044][0045]
其中，
[0046]
s235：按照泵的类型以及所在位置等进行分组：
[0047][0048]
其中，o
mi
为泵组p
m
按时顺序排列的第i个时刻的组内开泵台数。
[0049]
进一步地，所述步骤s24包括以下步骤：
[0050]
s241：加载数据，将数据分为训练集和测试集；
[0051]
s242：选择平均绝对误差(mean absolute error)函数用于评估训练过程，表示为：
[0052][0053]
其中，为训练数据的期望输出，x为pumpnet的实际输出；
[0054]
s243：使用adam优化算法(adaptive moment estimation)，根据损失函数更新pumpnet网络参数，反复迭代一定次数后训练完成。
[0055]
进一步地，所述步骤s3包括以下步骤：
[0056]
s31：以所述步骤1中确定的时间间隔收集供水系统对应于深度神经网络输入特征的实时监测数据；
[0057]
s32：对收集到的实时监测数据进行预处理，预处理过程与所述步骤23相同；
[0058]
s33：将预处理后的数据输入训练好的深度神经网络pumpnet中进行泵站调度的预测。
[0059]
进一步地，所述步骤s4为将步骤33得到的泵组开泵台数以一定的规则返回至每台泵的启闭状态。
[0060]
本发明的有益效果为：
[0061]
1、本发明提供的方法借助深度神经网络技术能够自动提取供水系统监测数据的时间空间特征，可以更高效更充分地提取数据中满足泵站调度的特征。
[0062]
2、本发明提供的方法可以综合分析供水系统多个监测点的多个时刻的数据特征，令不同时刻的数据特征相互补足，因此受到误差干扰更小。
[0063]
3、本发明提供的方法通过分析供水系统监测数据来实现供水泵站的自动化调度，具有成本低、实用性高的特点。
附图说明
[0064]
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
[0065]
图1为本发明基于深度神经网络的供水泵站调度方法的流程框图；
[0066]
图2为实施例供水区域及水厂泵站示意图。
具体实施方式
[0067]
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，都属于本发明保护的范围。
[0068]
如图1所示，为本发明提供的一种基于深度神经网络的供水泵站调度方法，该方法包括如下步骤：
[0069]
s1：确定深度神经网络的输入特征，确定泵站调度指令发出时间间隔，搭建深度神经网络pumpnet；
[0070]
s2：获取供水系统对应于深度神经网络输入特征的历史监测数据以及历史泵站调度指令，训练深度神经网络pumpnet；
[0071]
s3：采集供水系统对应于深度神经网络pumpnet输入特征的实时监测数据，将其输入到训练好的深度神经网络中进行预测；
[0072]
s4：输出泵站实时调度指令。
[0073]
步骤s1包括以下步骤：
[0074]
s11：确定深度神经网络的输入特征；深度神经网络输入特征包括水厂出水流量、水厂出水压力、泵站出水压力、泵站水库液位、供水管网监测点压力、供水管网监测点流量；
[0075]
s12：确定泵站调度指令发出时间间隔；泵站调度指令发出时间决定了深度神经网络进行泵站调度预测的时间间隔以及深度神经网络输入数据的时间间隔，时间间隔包括5min,10min,
…
,1h；
[0076]
s13：搭建深度神经网络；网络由输入层、卷积层、递归层、密连接层以及输出层组
成。
[0077]
步骤s2包括以下步骤：
[0078]
s21：获取步骤s1中供水系统对应于深度神经网络输入特征且时间间隔为步骤s1中所设定的历史监测数据；
[0079]
s22：获取步骤s21中历史数据相应时间的泵站历史调度指令；
[0080]
s23：对输入特征的历史数据以及历史调度指令进行数据预处理；
[0081]
s24：使用预处理后的数据训练深度神经网络pumpnet。
[0082]
对收集到的历史数据以及历史调度指令首先需要进行数据预处理，以降低数据中随机误差的影响、强化数据中的关键特征、增强不同维度的数据可比性以及使得历史调度指令适用于深度神经网络输出结构。因此，步骤s23包括以下步骤：
[0083]
s231：将监测点m记录的数据表示为如下向量形式：
[0084]
d
m
＝[d
m1
,d
m2
,...,d
mn
]'
[0085]
其中，d
mi
为监测点m按时间顺序排列的第i个监测值，将所有监测点的监测值表示为如下矩阵形式：
[0086][0087]
s232：对历史监测值进行数据异常检测与修正：
[0088][0089]
其中，为异常检测与修正后的监测值向量；ad_func为异常检测与修正函数。
[0090]
s233：对修正后的历史监测数据进行归一化处理：
[0091][0092][0093]
其中，d
m
_std为修正监测值向量标准化后结果；d
m
_scaled为修正监测值向量归一化后的结果；
[0094]
s234：泵站历史调度指令预处理，将泵m的历史泵启闭状态表示为如下向量形式：
[0095]
k
m
＝[k
m1
,k
m2
,...,k
mn
]'
[0096]
其中，k
mi
为泵m按时间顺序排列的第i个时刻的泵启闭状态，将所有泵的启闭状态表示为如下矩阵形式：
[0097][0098]
其中，
[0099]
s235：按照泵的类型以及所在位置等进行分组：
[0100][0101]
其中，o
mi
为泵组p
m
按时顺序排列的第i个时刻的组内开泵台数。
[0102]
步骤s24包括以下步骤：
[0103]
s241：加载数据，将数据分为训练集和测试集；
[0104]
s242：选择平均绝对误差函数用于评估训练过程，表示为：
[0105][0106]
其中，为训练数据的期望输出，x为pumpnet的实际输出；
[0107]
s243：使用adam优化算法，根据损失函数更新pumpnet网络参数，反复迭代一定次数后训练完成。
[0108]
步骤s3包括以下步骤：
[0109]
s31：以步骤1中确定的时间间隔收集供水系统对应于深度神经网络输入特征的实时监测数据；
[0110]
s32：对收集到的实时监测数据进行预处理，预处理过程与步骤23相同；
[0111]
s33：将预处理后的数据输入训练好的深度神经网络pumpnet中进行泵站调度的预测。
[0112]
在本发明中共将区域内19台泵分为5组，pumpnet网络对每个泵组内开泵台数进行预测。
[0113]
步骤s4为将步骤s33得到的泵组开泵台数以一定的规则返回至每台泵的启闭状态。
[0114]
在本发明中，共需要将5个泵组内的开泵台数返回按照一定规则返回至19台泵的每台泵的启闭状态。本步骤的详细实现方法不在本发明的关注范围内。
[0115]
实施例使用的供水区域如图2所示，影响该区域供水的包括1个水厂以及4个泵站，共计19台泵。该区域水厂日供水量20万吨/天，区域内共有24个流量计以及27个测压点。
[0116]
虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的技术特征。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。