一种基于深度神经网络的供水泵站调度方法与流程

技术特征：
1.一种基于深度神经网络的供水泵站调度方法，其特征在于，该方法包括如下步骤：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；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；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；s4：输出泵站实时调度指令。2.根据权利要求1所述的一种基于深度神经网络的供水泵站调度方法，其特征在于，所述步骤s1包括以下步骤：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；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；s13：搭建深度神经网络；所述网络由输入层、卷积层、递归层、密连接层以及输出层组成。3.根据权利要求1所述的一种基于深度神经网络的供水泵站调度方法，其特征在于，所述步骤s2包括以下步骤：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；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；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；s24：使用预处理后的数据训练深度神经网络pumpnet。4.根据权利要求3所述的一种基于深度神经网络的供水泵站调度方法，其特征在于，所述步骤s23包括以下步骤：s231：将监测点m记录的数据表示为如下向量形式：d
m
＝[d
m1
,d
m2
,...,d
mn
]'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：s232：对历史监测值进行数据异常检测与修正：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。s233：对修正后的历史监测数据进行归一化处理：
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；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：k
m
＝[k
m1
,k
m2
,...,k
mn
]'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：其中，s235：按照泵的类型以及所在位置等进行分组：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。5.根据权利要求3所述的一种基于深度神经网络的供水泵站调度方法，其特征在于，所述步骤s24包括以下步骤：s241：加载数据，将数据分为训练集和测试集；s242：选择平均绝对误差函数用于评估训练过程，表示为：其中，为训练数据的期望输出，x为pumpnet的实际输出；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。6.根据权利要求3所述的一种基于深度神经网络的供水泵站调度方法，其特征在于，步骤s3包括以下步骤：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；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；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。7.根据权利要求6所述的一种基于深度神经网络的供水泵站调度方法，其特征在于，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。

技术总结
本发明提供一种基于深度神经网络的供水泵站调度方法，其特征在于，该方法包括如下步骤：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；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；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；输出泵站实时调度指令。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。提取数据中满足泵站调度的特征。提取数据中满足泵站调度的特征。


技术研发人员：陈磊 信昆仑 蒲政衡 陶涛 颜合想 李树平 王嘉莹
受保护的技术使用者：同济大学
技术研发日：2021.07.13
技术公布日：2021/11/23