[发明专利]供水控制方法及系统

说明书

技术领域

本发明涉及一种工业化控制系统及方法，特别是涉及一种供水控制方法及系统。

背景技术

在自来水处理中，由于供水环节存在城市管网复杂且用水情况变化的不确定性，造成供水负荷范围变动大，使得供水设备运行不稳定且耗能大。目前，国内对供水负荷的预测研究主要集中于传统的预测原理和方法，如指数平滑法、时间序列分析和回归分析法等。传统的预测方法都要求给出某种影响因素构成的供水负荷显式预测模型。由于城市供水系统是一个复杂的大系统，不确定性、非线性和时变性并存，建立供水负荷显式预测模型不仅需要大量供水负荷的历史数据，而且还需要的大量相关数据，包括温度、湿度和人口等，这些数据的寻找和记录特别繁琐，所得数据也难以保证其完整性，因此采用传统的预测方法得到精确的显式预测模型并不容易，预测模型的精确程度难以保证，并且缺乏适应性和灵活性。另外以随机过程、数理统计原理为基础的传统预测方法本身的精度并不理想，预测精度也不高。

发明内容

基于此，有必要提供一种能降低供水泵运行频率的供水控制方法。

同时，提供一种能降低供水泵运行频率的供水系统。

一种供水控制方法，包括如下步骤：

建模步骤：分析历史数据并建立供水预测模型，建立输入层参数与输出层输出的供水量之间的函数关系；

建立目标函数步骤：建立供水泵在设定时间内的总的能耗的目标函数与方案解空间供水泵在设定时间的每个分段子时间上的开合情况的变化序列的函数关系：D（X）=                                                ，其中=1，为间隔的时间，T为时间，M（T）为电能消耗单位成本的价格随时间变化函数，D（X）为目标函数即供水泵在设定时间内总的电能消耗，X[T]为所要求的解，X[T]的解空间为供水泵在设定时间的每个分段子时间上的开合情况的变化序列；

求解步骤：并在限制条件下利用遗传算法计算每个分段子时间上供水泵开合情况的优化方案。

在优选的实施例中，所述供水泵设定时间内的总的能耗的目标函数进一步为：D（X）

=，其中=1，为间隔的时间；T为时间，取1到24之间的整数；M（T）为电能消耗单位成本的价格随时间变化函数，目标函数D（X）为一天总的电能消耗；X[T]为所要求的解即为供水泵在单位时间段的开合情况。

在优选的实施例中，所述建模步骤中根据神经网络算法分析历史数据并建立供水预测模型，输入层参数包括：季节、天气、工作日、温度的任意一种或多种，每个参数构成输入层的一个节点，输出层输出一天24小时各个时刻的供水量，所述神经网络算法采用神经元为基本处理单元，所述神经元为多输入、单输出的非线性器件。

在优选的实施例中，所述建模步骤中供水预测模型建模的网络拓扑结构为三层BP神经网络，所述输入层与输出层之间设置有隐含层；所述隐含层的节点根据输入层的节点数确定并通过增减节点数进行训练对比，神经网络算法中每层的输出函数为输入函数关于该层的激发函数的函数；若所述输出层的输出结果与期望值不符，将输出层的误差转化为各层各个节点的连接权值与阈值，将输出层的误差逐层向输入层反向传递，把误差分摊到各个节点，计算各个节点的参考误差，调整各个节点的连接权值及阈值大小，直到误差最小。

在优选的实施例中，所述激励函数为S型函数:,其中α为调整激励函数形式的参数;每个神经元的连接权值在各自的S型激励函数变化最大处进行调节，初始连接权值选择（-1，1）之间的随机数，初始的阈值选择（-1，1）之间的随机数，学习速率的选取范围为0.01-0.8之间。

在优选的实施例中，所述建模步骤进一步包括如下步骤：根据供水过程的特性确定供水预测模型的网络拓扑结构，确定供水预测模型的计算参数，并输入或导入历史数据，及对输入或导入的历史数据预处理，根据输入或导入历史数据结合相应的网络拓扑结构进行训练，并根据训练结果确定供水预测模型。

在优选的实施例中，所述训练过程包括训练精度模式或学习次数模式的任意一种或多种，所述训练精度模式包括如下步骤：根据神经网络的网络拓扑结构计算网络误差、根据网络误差修改网络权重、计算训练过程的总误差、判断总误差是否达到设定精度，当判断没有达到精度时重复上述步骤直至达到精度完成训练；所述学习次数模式包括如下步骤：根据网络拓扑结构计算网络误差、根据计算的网络误差修改网络权重、将训练次数加1、判断是否完成训练次数，若判断没有完成训练次数则重复上述步骤直至完成训练次数完成训练；当训练完成确定供水预测模型。