CN111062139A - 城市地下排水管网水流态势的估计方法 - Google Patents
城市地下排水管网水流态势的估计方法 Download PDFInfo
- Publication number
- CN111062139A CN111062139A CN201911350396.1A CN201911350396A CN111062139A CN 111062139 A CN111062139 A CN 111062139A CN 201911350396 A CN201911350396 A CN 201911350396A CN 111062139 A CN111062139 A CN 111062139A
- Authority
- CN
- China
- Prior art keywords
- water flow
- matrix
- representing
- drainage pipe
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市地下排水管网水流态势的估计方法。各种复杂因素都给城市地下排水***的水流态势估计带来了很大困难。本发明方法首先建立城市地下排水管网的水流态势估计***的状态空间模型,然后构造地下排水管网水流态势的估计器模型,求解城市地下排水管网***的水流态势估计器,得到估计器的增益矩阵。本发明方法利用状态饱和复杂网络对地下排水管网进行刻画,同时考虑了测量数据传输中的随机时延效应,通过排水管网水流态势估计***的有限时间均方有界性和干扰抑制性能分析,利用线性矩阵不等式方法进行估计器的求解,实现城市地下排水管网水流态势的及时准确估计,满足实际地下排水***安全运行要求。
Description
技术领域
本发明属于自动化领域,涉及一种城市地下排水管网的水流态势估计方法,该方法基于状态饱和复杂网络模型进行城市地下排水管网的水流态势估计,可用于现代城市的排水行业。
背景技术
城市地下排水***的安全有效运行是工业生产和城市居民安全健康生活的重要保障。城市地下排水***流量受居民行为、工业行为、降水以及管道泄漏诸多因素影响,地下排水管道直径有限,水流状态测量的受到较大的外部干扰且测量的滞后性具有随机性。为了能够减少管道污水溢出,实现对城市地下排水***溢流的控制,需要建立有效的排水管网***的实时估计,并基于此进行有效控制,达到减小溢流的目的。
目前,我国城市地下排水***自动化程度较低、监控不当、污水泵站高耗能运行以及缺乏对极端气候的应变处理能力,这些都极易造成污水泄漏、道路积水和城市内涝,给城市环境、健康生活和人身安全带来严重的影响。此外,由于现代城市地下排水管网非常复杂,水流状态的测量数据传输到监控中心易产生时延,而且时延的发生具有不确定性,以及水位高度、流速和流量这些状态值会呈现明显的饱和现象,上述这些复杂因素都给城市地下排水***的水流态势估计(即水位高度、流速和流量的估计)带来了很大困难。因此,急需对城市地下排水管网的水流态势进行实时估计。
发明内容
本发明的目的是针对目前我国城市地下排水管网的水流态势难以及时准确地进行估计的问题,提供一种基于状态饱和复杂网络的水流态势估计方法。
现代城市地下排水***由成千上万条排水管道构成了错综复杂的排水管网。把城市地下排水管道某个位置选为一个节点,则该城市地下排水管网构成了一个典型的复杂网络。通过地下排水管网的水流态势分析,可建立复杂网络的拓扑结构。通过布置大量的传感器可以对地下排水管网的水流态势进行测量,但是地下排水管网环境恶劣,信号传输途径不理想,因此测量信息不够准确。城市地下排水***流量受居民行为、工业行为、降水以及管道泄漏因素影响,测量数据在传输过程中存在时延,而且时延受到各种随机因素的影响,存在显著的随机性。当水位高度、水流量以及水流速快速变化时,无法对水流态势做出准确的估计。同时,城市地下排水管道的管径也有一定的限制,所以当水流量较大,水位高度达到一定的高度时,会形成溢流。因此,为了预防排水管网溢流,本发明方法提出基于状态饱和复杂网络的状态估计方法,保证排水管网水流态势估计***有限时间均方有界,通过求解线性矩阵不等式来设计估计器,从而为城市地下排水管网提供一种有效的水流态势估计方法。
本发明方法的具体步骤是:
步骤(1).建立城市地下排水管网的水流态势估计***的状态空间模型;
xi(k)=[xi1 T(k),xi2 T(k),xi3 T(k)]T∈R3,表示k时刻节点i的水流态势的状态向量,正整数N表示构成复杂网络的节点数,符号表示n0维列向量,上标T表示矩阵的转置;xi1(k)、xi2(k)、xi3(k)分别表示节点i的水位高度值、水流速度值和水流量值;
yi(k)=[yi1 T(k)yi2 T(k)]T∈R2,表示k时刻节点i的水流态势的测量输出值;yi1(k)、yi2(k)分别表示节点i的水位高度测量值和水流速度测量值;
zi(k)∈R1,表示k时刻节点i待估计的输出信号;
xi(0)为给定的初始值;
正整数d>0,表示测量时出现的时延;
Γ=diag{γ1,γ2,γ3},表示复杂网络模型的内部耦合矩阵,diag{·}表示对角矩阵,γ1≥0、γ2≥0、γ3≥0,表示节点i的内部耦合系数;
wij表示节点i与节点j之间的连接情况:wij>0时,表示节点i与节点j之间相通;wij=0时,表示节点i与节点j之间不相通;
σ(·)∈R3为饱和函数,对于任意向量μ∈R3,其饱和函数为:σ(μ)=[σ1(μ1)σ2(μ2)σ3(μ3)]T;式中,σs(μs)=sign(μs)min{1,|μs|}(s=1,2,3),μs表示向量μ的第s个元素;
步骤(2).构造地下排水管网水流态势的估计器模型:
式中,表示k时刻网络节点i水流态势状态向量xi(k)的估计值,分别表示节点i的水位高度估计值、水流速度估计值和水流量估计值;表示估计器i在k时刻的估计输出信号;Ki∈R3×2,表示待设计的估计器增益矩阵;
A=diag{A1,A2,…,AN};K=diag{K1,K2,…,KN};
E=diag{E1,E2,…,EN};F=diag{F1,F2,…,FN};
步骤(3).城市地下排水管网***水流态势估计器的求解;
(3-1).动态增广***的有限时间均方有界性分析:
P=diag{P1,P2}>0,P2=diag{P22,P23,…,P2N+1},Q=diag{Q1,Q2}>0,P1,P22,P23,…,P2N+1,Q1,Q2为待求解的正定对角矩阵;
假设扰动向量v(k)=0,标量β≥1,定义差分的数学期望E{ΔV(k)}=E{V(k+1)-βV(k)},计算如下:
将状态饱和***约束在凸多面体co{Hε(Ax(k)+φ)+Hε -Gx(k)}中,φ为任意向量且φ∈R3N,引入自由矩阵G∈R3N×3N,使其满足||G||∞≤1,co{·}表示集合的凸多面体;设Υ为对角元素为1或0的3N×3N维对角矩阵的集合,则Υ中含有23N个元素,其第ε个元素用Hε表示,ε∈Ψ,其中集合Ψ={1,2,3,…,23N};令Hε -=I-Hε,定义χε表示第ε个向量,对饱和函数进行如下处理:
式中,max表示取最大值。
根据有限时间均方有界性定义,前述动态增广***是有限时间均方有界的;
(3-2).l2-l∞扰动抑制性能分析:
对于任意的扰动向量v(k)≠0,计算李雅普诺夫函数的差分的数学期望:
根据(3-1)中相同的处理方法,得到:
进行l2-l∞扰动抑制性能分析:
通过对***的有限时间均方有界性分析得到:E{V(k+1)}≤E{βV(k)+νT(k)ν(k)};
对上式应用数学迭代法,则:
因此,动态增广***具有指定的l2-l∞干扰抑制水平γ>0;
(3-3).估计器增益的求解:
选择G使其满足||G||∞≤1,求解上述线性矩阵不等式和同时使得所求结果满足则得到未知矩阵X和P2的值;再由X=P2K,计算得到矩阵K=P2 -1X的值;最后根据K=diag{K1,K2,…,KN},得到城市地下排水管网***水流态势估计器的增益矩阵Ki,
本发明方法针对目前我国城市地下排水管网水流态势无法进行及时准确地估计,提出了基于状态饱和复杂网络模型的状态估计方法。本发明考虑了地下排水管网相互耦合及管径大小有限,利用状态饱和复杂网络对地下排水管网进行刻画,同时考虑了测量数据传输中的随机时延效应。通过排水管网水流态势估计***的有限时间均方有界性和干扰抑制性能分析,利用线性矩阵不等式方法进行估计器的求解,实现城市地下排水管网水流态势的及时准确估计,满足实际地下排水***安全运行的要求。
具体实施方式
城市地下排水管网水流态势的估计方法,具体步骤是:
步骤(1).建立城市地下排水管网的水流态势估计***的状态空间模型。
xi(k)=[xi1 T(k),xi2 T(k),xi3 T(k)]T∈R3,表示k时刻节点i的水流态势的状态向量,正整数N表示构成复杂网络的节点数,符号表示n0维列向量,上标T表示矩阵的转置;xi1(k)、xi2(k)、xi3(k)分别表示节点i的水位高度值、水流速度值和水流量值;
yi(k)=[yi1 T(k)yi2 T(k)]T∈R2,表示k时刻节点i的水流态势的测量输出值;yi1(k)、yi2(k)分别表示节点i的水位高度测量值和水流速度测量值。
zi(k)∈R1,表示k时刻节点i待估计的输出信号;
xi(0)为给定的初始值;
Γ=diag{γ1,γ2,γ3},表示复杂网络模型的内部耦合矩阵,diag{·}表示对角矩阵,γ1≥0、γ2≥0、γ3≥0,表示节点i的内部耦合系数;
wij表示节点i与节点j之间的连接情况:wij>0时,表示节点i与节点j之间相通;wij=0时,表示节点i与节点j之间不相通;
αi(k)为服从伯努利分布的随机变量,用来描述网络节点i在测量数据传输时出现的随机时延现象,满足和P{·}表示事件发生的概率;随机变量αi(k)均值记为方差记为E{·}表示随机变量的数学期望,其中和均为已知标量;Ai∈R3×3,Bi∈R3×1,Ci∈R2×3,Di∈R2×1,Ei∈R2 ×3和Fi∈R1×3为已知的常数矩阵,Rm×n表示m×n维矩阵;
σ(·)∈R3为饱和函数,对于任意的向量μ∈R3,其饱和函数为σ(μ)=[σ1(μ1)σ2(μ2)σ3(μ3)]T;式中,σs(μs)=sign(μs)min{1,|μs|}(s=1,2,3),sign表示数学中的符号函数,min{1,|μs|}表示取1和|μs|中的最小值,μs表示向量μ的第s个元素。
步骤(2).构造地下排水管网水流态势的估计器模型:
式中,表示k时刻网络节点i水流态势状态向量xi(k)的估计值,分别表示节点i的水位高度估计值、水流速度估计值和水流量估计值;表示估计器i在k时刻的估计输出信号;Ki∈R3×2表示待设计的估计器增益矩阵。
A=diag{A1,A2,…,AN};K=diag{K1,K2,…,KN};
E=diag{E1,E2,…,EN};F=diag{F1,F2,…,FN};
步骤(3).城市地下排水管网***水流态势估计器的求解。
(3-1).动态增广***的有限时间均方有界性分析:
P=diag{P1,P2}>0,P2=diag{P22,P23,…,P2N+1},Q=diag{Q1,Q2}>0,P1,P22,P23,…,P2N+1,Q1,Q2为待求解的正定对角矩阵。
假设扰动向量v(k)=0,标量β≥1,定义差分的数学期望E{ΔV(k)}=E{V(k+1)-βV(k)},计算如下:
为了能够将状态饱和***约束在凸多面体中,φ为任意向量且φ∈R3N,引入自由矩阵G∈R3N×3N,使其满足||G||∞≤1,co{·}表示集合的凸多面体。设Υ为对角元素为1或0的3N×3N维对角矩阵的集合,则Υ中含有23N个元素,其第ε个元素用Hε表示,ε∈Ψ,其中集合Ψ={1,2,3,…,23N}。令Hε -=I-Hε,定义χε表示第ε个向量,对饱和函数进行如下处理:
式中,max表示取最大值。由此得到:
根据有限时间均方有界性定义,前述动态增广***是有限时间均方有界的。
(3-2).l2-l∞扰动抑制性能分析:
对于任意的扰动向量v(k)≠0,计算李雅普诺夫函数的差分的数学期望:
根据(3-1)中相同的处理方法,得到:
进行l2-l∞扰动抑制性能分析:
通过对***的有限时间均方有界性分析得到:E{V(k+1)}≤E{βV(k)+νT(k)ν(k)}。
对上式应用数学迭代法,则:
因此,动态增广***具有指定的l2-l∞干扰抑制水平γ>0。
(3-3).估计器增益的求解:
Claims (1)
1.城市地下排水管网水流态势的估计方法,其特征在于,该方法的具体步骤是:
步骤(1).建立城市地下排水管网的水流态势估计***的状态空间模型;
表示k时刻节点i的水流态势的状态向量,正整数N表示构成复杂网络的节点数,符号表示n0维列向量,上标T表示矩阵的转置;xi1(k)、xi2(k)、xi3(k)分别表示节点i的水位高度值、水流速度值和水流量值;
yi(k)=[yi1 T(k)yi2 T(k)]T∈R2,表示k时刻节点i的水流态势的测量输出值;yi1(k)、yi2(k)分别表示节点i的水位高度测量值和水流速度测量值;
zi(k)∈R1,表示k时刻节点i待估计的输出信号;
xi(0)为给定的初始值;
正整数d>0,表示测量时出现的时延;
Γ=diag{γ1,γ2,γ3},表示复杂网络模型的内部耦合矩阵,diag{·}表示对角矩阵,γ1≥0、γ2≥0、γ3≥0,表示节点i的内部耦合系数;
wij表示节点i与节点j之间的连接情况:wij>0时,表示节点i与节点j之间相通;wij=0时,表示节点i与节点j之间不相通;
σ(·)∈R3为饱和函数,对于任意向量μ∈R3,其饱和函数为:σ(μ)=[σ1(μ1) σ2(μ2) σ3(μ3)]T;式中,σs(μs)=sign(μs)min{1,|μs|}(s=1,2,3),μs表示向量μ的第s个元素;
步骤(2).构造地下排水管网水流态势的估计器模型:
式中,表示k时刻网络节点i水流态势状态向量xi(k)的估计值,分别表示节点i的水位高度估计值、水流速度估计值和水流量估计值;表示估计器i在k时刻的估计输出信号;Ki∈R3×2,表示待设计的估计器增益矩阵;
A=diag{A1,A2,…,AN};K=diag{K1,K2,…,KN};
E=diag{E1,E2,…,EN};F=diag{F1,F2,…,FN};
步骤(3).城市地下排水管网***水流态势估计器的求解;
(3-1).动态增广***的有限时间均方有界性分析:
P=diag{P1,P2}>0,P2=diag{P22,P23,…,P2N+1},Q=diag{Q1,Q2}>0,P1,P22,P23,…,P2N+1,Q1,Q2为待求解的正定对角矩阵;
假设扰动向量v(k)=0,标量β≥1,定义差分的数学期望
E{ΔV(k)}=E{V(k+1)-βV(k)},计算如下:
将状态饱和***约束在凸多面体中,φ为任意向量且φ∈R3N,引入自由矩阵G∈R3N×3N,使其满足||G||∞≤1,co{·}表示集合的凸多面体;设Υ为对角元素为1或0的3N×3N维对角矩阵的集合,则Υ中含有23N个元素,其第ε个元素用Hε表示,ε∈Ψ,其中集合Ψ={1,2,3,…,23N};令Hε -=I-Hε,定义χε表示第ε个向量,对饱和函数进行如下处理:
式中,max表示取最大值;
根据有限时间均方有界性定义,前述动态增广***是有限时间均方有界的;
(3-2).l2-l∞扰动抑制性能分析:
对于任意的扰动向量v(k)≠0,计算李雅普诺夫函数的差分的数学期望:
根据(3-1)中相同的处理方法,得到:
进行l2-l∞扰动抑制性能分析:
通过对***的有限时间均方有界性分析得到:E{V(k+1)}≤E{βV(k)+νT(k)ν(k)};
对上式应用数学迭代法,则:
因此,动态增广***具有指定的l2-l∞干扰抑制水平γ>0;
(3-3).估计器增益的求解:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911350396.1A CN111062139A (zh) | 2019-12-24 | 2019-12-24 | 城市地下排水管网水流态势的估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911350396.1A CN111062139A (zh) | 2019-12-24 | 2019-12-24 | 城市地下排水管网水流态势的估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062139A true CN111062139A (zh) | 2020-04-24 |
Family
ID=70303280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911350396.1A Withdrawn CN111062139A (zh) | 2019-12-24 | 2019-12-24 | 城市地下排水管网水流态势的估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062139A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406931A (zh) * | 2021-05-24 | 2021-09-17 | 杭州电子科技大学 | 基于动态事件触发的非线性随机网络化工业***控制方法 |
CN113486480A (zh) * | 2021-06-16 | 2021-10-08 | 杭州电子科技大学 | 一种城市供水管网***的漏损故障滤波方法 |
CN117195778A (zh) * | 2023-11-08 | 2023-12-08 | 天津市津安热电有限公司 | 供热管网水力仿真模型参数辨识修正方法 |
-
2019
- 2019-12-24 CN CN201911350396.1A patent/CN111062139A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406931A (zh) * | 2021-05-24 | 2021-09-17 | 杭州电子科技大学 | 基于动态事件触发的非线性随机网络化工业***控制方法 |
CN113406931B (zh) * | 2021-05-24 | 2022-02-22 | 杭州电子科技大学 | 基于动态事件触发的非线性随机网络化工业***控制方法 |
CN113486480A (zh) * | 2021-06-16 | 2021-10-08 | 杭州电子科技大学 | 一种城市供水管网***的漏损故障滤波方法 |
CN117195778A (zh) * | 2023-11-08 | 2023-12-08 | 天津市津安热电有限公司 | 供热管网水力仿真模型参数辨识修正方法 |
CN117195778B (zh) * | 2023-11-08 | 2024-02-20 | 天津市津安热电有限公司 | 供热管网水力仿真模型参数辨识修正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062139A (zh) | 城市地下排水管网水流态势的估计方法 | |
Gao et al. | Passivity and passification for networked control systems | |
CN110851774B (zh) | 一种城市供水管网的漏损估计方法 | |
Kumar et al. | Artificial neural network model for rainfall-runoff-A case study | |
CN110705892B (zh) | 一种城市排水管道的水流状态检测方法 | |
CN108959808B (zh) | 一种基于传感器网络的优化分布式状态估计方法 | |
Delelegn et al. | Multi-objective optimisation of cost–benefit of urban flood management using a 1D2D coupled model | |
CN109827629B (zh) | 一种城市河道水位的分布式可靠性估计方法 | |
CN109537671B (zh) | 一种城市供水***供用水平衡的控制方法 | |
Mao et al. | Fault detection for a class of nonlinear networked control systems | |
CN112350664A (zh) | 一种基于事件触发策略的有限频故障检测方法 | |
CN116088303B (zh) | 一种不确定复杂动态网络状态时变递推估计方法 | |
Li et al. | H∞ filtering for multiple channel systems with varying delays, consecutive packet losses and randomly occurred nonlinearities | |
CN110516198B (zh) | 一种分布式非线性卡尔曼滤波方法 | |
CN104318072A (zh) | 基于qkf-mmf的多传感器量化融合方法 | |
CN113411312B (zh) | 非线性复杂网络***基于随机通信协议的状态估计方法 | |
Ruslan et al. | Parameters effect in Sampling Importance Resampling (SIR) particle filter prediction and tracking of flood water level performance | |
CN113110321B (zh) | 基于事件触发的网络化工业控制***的分布式估计方法 | |
CN111123696B (zh) | 基于冗余信道的网络化工业控制***状态估计方法 | |
CN113408085A (zh) | 一种基于分布式传感***的煤气管道泄漏估计方法 | |
CN113486480A (zh) | 一种城市供水管网***的漏损故障滤波方法 | |
CN110955142B (zh) | 一种城市排水管道的有限时间控制方法 | |
Mustapha et al. | Data selection and fuzzy-rules generation for short-term load forecasting using ANFIS | |
CN115859030B (zh) | 一种复杂耦合下的两步状态估计方法 | |
Hussain et al. | Rainfall runoff modeling using Artificial Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200424 |
|
WW01 | Invention patent application withdrawn after publication |