專利名稱：供水控制方法及系統(tǒng)的制作方法
技術領域：
本發(fā)明涉及一種工業(yè)化控制系統(tǒng)及方法，特別是涉及一種供水控制方法及系統(tǒng)。
背景技術：
在自來水處理中，由于供水環(huán)節(jié)存在城市管網復雜且用水情況變化的不確定性，造成供水負荷范圍變動大，使得供水設備運行不穩(wěn)定且耗能大。目前，國內對供水負荷的預測研究主要集中于傳統(tǒng)的預測原理和方法，如指數(shù)平滑法、時間序列分析和回歸分析法等。傳統(tǒng)的預測方法都要求給出某種影響因素構成的供水負荷顯式預測模型。由于城市供水系統(tǒng)是一個復雜的大系統(tǒng)，不確定性、非線性和時變性并存，建立供水負荷顯式預測模型不僅需要大量供水負荷的歷史數(shù)據(jù)，而且還需要的大量相關數(shù)據(jù)，包括溫度、濕度和人口等，這些數(shù)據(jù)的尋找和記錄特別繁瑣，所得數(shù)據(jù)也難以保證其完整性，因此采用傳統(tǒng)的預測方法得到精確的顯式預測模型并不容易，預測模型的精確程度難以保證，并且缺乏適應性和靈活性。另外以隨機過程、數(shù)理統(tǒng)計原理為基礎的傳統(tǒng)預測方法本身的精度并不理想，預測精度也不高。

發(fā)明內容
基于此，有必要提供一種能降低供水泵運行頻率的供水控制方法。同時，提供一種能降低供水泵運行頻率的供水系統(tǒng)。一種供水控制方法，包括如下步驟
建模步驟分析歷史數(shù)據(jù)并建立供水預測模型，建立輸入層參數(shù)與輸出層輸出的供水量之間的函數(shù)關系；
建立目標函數(shù)步驟建立供水泵在設定時間內的總的能耗的目標函數(shù)與方案解空間供水泵在設定時間的每個分段子時間上的開合情況的變化序列的函數(shù)關系
權利要求
1.ー種供水控制方法，其特征在于，包括如下步驟 建模步驟分析歷史數(shù)據(jù)并建立供水預測模型，建立輸入層參數(shù)與輸出層輸出的供水量之間的函數(shù)關系； 建立目標函數(shù)步驟建立供水泵在設定時間內的總的能耗的目標函數(shù)與方案解空間供水泵在設定時間的每個分段子時間上的開合情況的變化序列的函數(shù)關系D (X) =
2.根據(jù)權利要求I所述的供水控制方法，其特征在于，所述供水泵設定時間內的總的能耗的目標函數(shù)進ー步為D (X)
3.根據(jù)權利要求I所述的供水控制方法，其特征在于，所述建模步驟中根據(jù)神經網絡算法分析歷史數(shù)據(jù)并建立供水預測模型，輸入層參數(shù)包括季節(jié)、天氣、工作日、溫度的任意ー種或多種，每個參數(shù)構成輸入層的ー個節(jié)點，輸出層輸出一天24小時各個時刻的供水量，所述神經網絡算法采用神經元為基本處理單元，所述神經元為多輸入、單輸出的非線性器件；所述供水預測模型建模的網絡拓撲結構為三層BP神經網絡，所述輸入層與輸出層之間設置有隱含層；所述隱含層的節(jié)點根據(jù)輸入層的節(jié)點數(shù)確定并通過增減節(jié)點數(shù)進行訓練對比，神經網絡算法中每層的輸出函數(shù)為輸入函數(shù)關于該層的激發(fā)函數(shù)的函數(shù)；若所述輸出層的輸出結果與期望值不符，將輸出層的誤差轉化為各層各個節(jié)點的連接權值與閾值，將輸出層的誤差逐層向輸入層反向傳遞，把誤差分攤到各個節(jié)點，計算各個節(jié)點的參考誤差，調整各個節(jié)點的連接權值及閾值大小，直到誤差最??；所述激勵函數(shù)為S型函數(shù).
4.根據(jù)權利要求I至3任意一項所述的供水控制方法，其特征在于，所述建模步驟進一步包括如下步驟根據(jù)供水過程的特性確定供水預測模型的網絡拓撲結構，確定供水預測模型的計算參數(shù)，并輸入或導入歷史數(shù)據(jù)，及對輸入或導入的歷史數(shù)據(jù)預處理，根據(jù)輸入或導入歷史數(shù)據(jù)結合相應的網絡拓撲結構進行訓練，井根據(jù)訓練結果確定供水預測模型。
5.根據(jù)權利要求4所述的供水控制方法，其特征在于，所述訓練過程包括訓練精度模式或學習次數(shù)模式的任意ー種或多種，所述訓練精度模式包括如下步驟根據(jù)神經網絡的網絡拓撲結構計算網絡誤差、根據(jù)網絡誤差修改網絡權重、計算訓練過程的總誤差、判斷總誤差是否達到設定精度，當判斷沒有達到精度時重復上述步驟直至達到精度完成訓練；所述學習次數(shù)模式包括如下步驟根據(jù)網絡拓撲結構計算網絡誤差、根據(jù)計算的網絡誤差修改網絡權重、將訓練次數(shù)加I、判斷是否完成訓練次數(shù)，若判斷沒有完成訓練次數(shù)則重復上述步驟直至完成訓練次數(shù)完成訓練；當訓練完成確定供水預測模型；所述訓練過程采用非線性規(guī)劃中的最速下降法按誤差函數(shù)的負梯度方向修正各個節(jié)點的權值及誤差，誤差函數(shù)定義為
6.根據(jù)權利要求I至3任意一項所述的供水控制方法，其特征在于，所述求解步驟中利用遺傳算法進行預測過程中還包括建立供水泵經過一個時間間隔到達蓄水池或水庫的供水延遲函數(shù)模型，并將上述延遲函數(shù)乘以N[T]獲得考慮了時間延遲作用的N[T];還包括建立水廠或蓄水機構停止取水狀態(tài)下水廠或蓄水機構所能維持的時間的供水能力模型；通過全局求最優(yōu)解的算法尋找X[T]的解空間的最優(yōu)解，并與遺傳算法所求的Χ[Τ]的解對比以驗證根據(jù)神經網絡算法建立的供水預測模型、神經網絡算法、遺傳算法過程是否有錯；求解步驟進一歩包括在遺傳算法中初始化供水預測模型并將供水預測模型轉化為遺傳算法模型，輸入數(shù)據(jù)，并對數(shù)據(jù)進行預處理，將數(shù)據(jù)轉化成遺傳算法中的染色體模型進行編碼，目標函數(shù)生成的初始解通過選擇算子進行選擇計算、交叉算子進行交叉計算、變異算子進行變異計算，反復迭代，直到得到最優(yōu)解。
7.ー種供水系統(tǒng)，其特征在于，包括 建模模塊分析歷史數(shù)據(jù)并建立供水預測模型，建立輸入層參數(shù)與輸出層輸出的供水量之間的函數(shù)關系； 目標函數(shù)建立模塊建立供水泵在設定時間內的總的能耗的目標函數(shù)與供水泵在設定時間的每個分段子時間上的開合情況的變化序列的函數(shù)關系D (X) 聊輯Γ)ΙΤ + Ι;Ι(『卜耶-1|]’其中虹=I，么產帽的時間，T為時間，M (T)為電能消耗単位成本的價格隨時間變化函數(shù)，D (X)為目標函數(shù)即供水泵在設定時間內總的電能消耗，X[T]為所要求的解，Χ[Τ]的解空間為供水泵在設定時間的每個分段子時間上的開合情況的變化序列； 求解模塊在限制條件下利用遺傳算法計算每個分段子時間上供水泵開合情況的優(yōu)化方案。
8.根據(jù)權利要求7所述的供水系統(tǒng)，其特征在于，所述供水泵設定時間內的總的能耗 31的目標函數(shù)進ー步為d (父
9.根據(jù)權利要求7所述的供水系統(tǒng)，其特征在于，所述建模模塊根據(jù)神經網絡算法分析歷史數(shù)據(jù)并建立供水預測模型，輸入層參數(shù)包括季節(jié)、天氣、工作日、溫度的任意ー種或多種，每個參數(shù)構成輸入層的ー個節(jié)點，輸出層輸出一天24小時各個時刻的供水量，所述神經網絡算法采用神經元為基本處理單元，所述神經元為多輸入、單輸出的非線性器件；所述建模模塊中供水預測模型建模的網絡拓撲結構為三層BP神經網絡，所述輸入層與輸出層之間設置有隱含層；所述隱含層的節(jié)點根據(jù)輸入層的節(jié)點數(shù)確定并通過增減節(jié)點數(shù)進行訓練對比，神經網絡算法中每層的輸出函數(shù)為輸入函數(shù)關于該層的激發(fā)函數(shù)的函數(shù)；若所述輸出層的輸出結果與期望值不符，將輸出層的誤差轉化為各層各個節(jié)點的連接權值與閾值，將輸出層的誤差逐層向輸入層反向傳遞，把誤差分攤到各個節(jié)點，計算各個節(jié)點的參考誤差，調整各個節(jié)點的連接權值及閾值大小，直到誤差最小；所述激勵函數(shù)為S型函數(shù):
10.根據(jù)權利要求7至9任意一項所述的供水系統(tǒng)，其特征在于，所述建模模塊進一歩包括如下 網絡拓撲結構単元根據(jù)供水過程的特性確定供水預測模型的網絡拓撲結構， 參數(shù)確定單元確定供水預測模型的計算參數(shù)， 數(shù)據(jù)輸入處理單元輸入或導入歷史數(shù)據(jù)，及對輸入或導入的歷史數(shù)據(jù)預處理， 訓練單元根據(jù)輸入或導入歷史數(shù)據(jù)結合相應的網絡拓撲結構進行訓練，井根據(jù)訓練結果確定供水預測模型；所述訓練単元包括訓練精度模式或學習次數(shù)模式的任意ー種或多種； 所述訓練精度模式包括 網絡誤差計算單元根據(jù)神經網絡的網絡拓撲結構計算網絡誤差， 網絡修改単元根據(jù)計算的網絡誤差修改網絡權重， 總誤差計算單元計算訓練過程的總誤差， 精度判斷単元判斷總誤差是否達到設定精度，當判斷沒有達到精度時重復上述步驟直至達到精度完成訓練； 所述學習次數(shù)模式包括 學習模式網絡誤差計算單元根據(jù)神經網絡的網絡拓撲結構計算網絡誤差， 學習模式網絡修改単元根據(jù)計算的網絡誤差修改網絡權重、將訓練次數(shù)加1， 學習模式判斷単元判斷是否完成訓練次數(shù)，若判斷沒有完成訓練次數(shù)則重復上述步驟直至完成訓練次數(shù)完成訓練；當訓練完成確定供水預測模型；所述訓練單元采用非線性規(guī)劃中的最速下降法按誤差函數(shù)的負梯度方向修正各個節(jié)點的權值及誤差，所述供水系統(tǒng)還包括驗證模塊通過全局求最優(yōu)解的算法尋找χ[τ]的解空間的最優(yōu)解，并與遺傳算法所求的χ[τ]的解對比以驗證根據(jù)神經網絡算法建立的供水預測模型、神經網絡算法、遺傳算法過程是否有錯。
全文摘要
一種供水控制方法及系統(tǒng)，包括分析歷史數(shù)據(jù)建立供水預測模型及輸入層參數(shù)與輸出層輸出的供水量的函數(shù)；建立目標函數(shù)D(X)=，為間隔的時間，T為時間，M(T)為電能消耗單位成本的價格隨時間變化函數(shù)，D(X)為總的電能消耗，X[T]為解；在限制條件下利用遺傳算法計算X[T]的優(yōu)化方案；上述的供水控制方法及系統(tǒng)，分析歷史數(shù)據(jù)建立供水預測模型及供水函數(shù)，建立目標函數(shù)對供水調度進行組合優(yōu)化，通過遺傳算法在限制條件下進行解優(yōu)化，模擬生物進化的原則進行尋優(yōu)有比較高的效率，可解決復雜的組合優(yōu)化問題，通過引進研究供水模型的限制條件驗證優(yōu)化方法的穩(wěn)定性及實用性，實現(xiàn)自來水廠處理供水環(huán)節(jié)的穩(wěn)定供給和最經濟的節(jié)能優(yōu)化控制。
文檔編號G05B13/04GK102629106SQ201210104488
公開日2012年8月8日 申請日期2012年4月11日 優(yōu)先權日2012年4月11日
發(fā)明者梁斌, 肖國強 申請人:廣州東芝白云自動化系統(tǒng)有限公司