[發明專利]供水管網水力模型自動更新及校準算法

在審

• 申請號: 202110659389.0
• 申請日: 2021-06-15
• 公開（公告）號: CN113312849A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 冶成斌
• 申請（專利權）人: 上海耀斑信息科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06N5/02;G06N7/00;G06F111/08;G06F113/08;G06F119/14
• 代理公司: 上海索源知識產權代理有限公司 31431
• 代理人: 賈文健

1.供水管網水力模型自動更新及校準算法，其特征在于：包括以下步驟：

Step1、開始；

Step2、實測數據獲取和清洗；

Step3、模型實時更新；

Step4、模型校準；

Step5、模型精度評估：若模型精度不滿足，則返回執行Step4模型校準，若滿足應用目標，則執行Step6完成；

Step6、完成。

2.根據權利要求1所述的供水管網水力模型自動更新及校準算法，其特征在于：所述Step3模型實時更新包括以下步驟：

Step31、基于水量預測模型，得到下一個周期的需水量，并對模型的總水量進行更新；

Step32、獲取前一個周期的實測數據，并利用數據清洗方法，對實測數據進行規整處理；

Step33、使用清洗過的數據對模型進行更新；

Step34、啟動機器學習算法，進行自動校準和評估的不斷迭代，直至精度評估結果滿足預先設定的測試目標；

Step35、神經網絡控制規則設計。

3.根據權利要求2所述的供水管網水力模型自動更新及校準算法，其特征在于：所述Step35神經網絡控制規則設計時，神經網絡控制規則的設計建立在經驗知識和專家庫之上，根據模型更新和工況變化的類型以及校準的方法進行分類，并建立控制規則。

4.根據權利要求2所述的供水管網水力模型自動更新及校準算法，其特征在于：所述Step31基于水量預測模型，得到下一個周期的時常為1小時、2小時或3小時可能的需水量，并對模型的總水量進行更新。

5.根據權利要求2所述的供水管網水力模型自動更新及校準算法，其特征在于：所述Step33使用清洗過的數據對模型進行更新時，更新的參數具體包括：泵站水池水位、水箱初始水位、水泵的運行狀態和頻率模式、進水閥門的開度和控制參數、并網饋水點的水量模式以及定流控制點的參數。

6.根據權利要求2所述的供水管網水力模型自動更新及校準算法，其特征在于：所述Step35神經網絡控制規則設計之后進行以下步驟：

Step35、神經網絡結構設計：選擇3層神經網絡作為控制規則的神經網絡，其輸入節點為更新好的模型，輸出節點為模型精度。

7.根據權利要求1所述的供水管網水力模型自動更新及校準算法，其特征在于：所述Step2實測數據獲取和清洗時，先獲取實測數據樣本，其中實測數據樣本為供水管網的水壓和水流量的實測運行數據；之后在Copula空間中建立水壓和水流量的聯合概率分布，其中聯合概率分布的取值范圍為[0，1]區間；之后將聯合概率分布的取值范圍均勻劃分成多個概率區間；分別沿水壓和水流量所在的維度，在每個概率區間內對所述實測數據樣本進行數據清洗；其中，所述數據清洗的算法為四分位法；其中分別沿水壓和水流量所在的維度，在每個所述概率區間內對所述實測數據樣本進行數據清洗的步驟包括：對于每一個所述概率區間，分別定義所述概率區間內的分位點Q1、Q2和Q3，其中Q2為中分位點；其中，基于分位點，四分位法的四分位距表示為：LIQ＝Q3-Q1；基于所述四分位距計算數據清洗的清洗區間，根據清洗區間在每個概率區間內對實測數據樣本進行四分位法數據清洗。

8.根據權利要求1所述的供水管網水力模型自動更新及校準算法，其特征在于：所述Step4模型校準時利用原始數據模型分別對第一樣本數據和第二樣本數據進行評估得到第一評估結果和第二評估結果，第一樣本數據和第二樣本數據為針對相同樣本在不同統計周期內收集的樣本數據，第一評估結果中包括針對每一樣本的第一評分和任一評分或者評分段中目標樣本出現的第一概率，第二評估結果中包括針對每一樣本的第二評分和任一評分或者評分段中目標樣本出現的第二概率；根據第一評分和所述第二評分，確定第二評估結果相對于第一評估結果是否滿足預設的評估結果穩定條件；以及根據第一概率和第二概率，確定第二評估結果相對于第一評估結果是否滿足預設的評估結果準確條件。

9.根據權利要求2所述的供水管網水力模型自動更新及校準算法，其特征在于：所述Step34中，對待處理的目標問題數據集進行特征提取，得到目標問題數據集的元特征；將目標問題數據集的元特征分別輸入至已訓練的N個性能預測模型，得到N個預測參數，預測參數包括：性能預測模型對應的機器學習算法、利用性能預測模型對應的機器學習算法處理目標問題數據集時的至少一個性能指標值；依據N個預測參數，在設定的機器學習算法中確定用于處理目標問題數據集的目標機器學習算法。