CN113312849A - 供水管网水力模型自动更新及校准算法 - Google Patents
供水管网水力模型自动更新及校准算法 Download PDFInfo
- Publication number
- CN113312849A CN113312849A CN202110659389.0A CN202110659389A CN113312849A CN 113312849 A CN113312849 A CN 113312849A CN 202110659389 A CN202110659389 A CN 202110659389A CN 113312849 A CN113312849 A CN 113312849A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- water
- sample
- water supply
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 98
- 238000004140 cleaning Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 4
- 241000039077 Copula Species 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000007429 general method Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了供水管网水力模型自动更新及校准算法,其技术方案要点是:包括以下步骤:Step1、开始;Step2、实测数据获取和清洗;Step3、模型实时更新;Step4、模型校准;Step5、模型精度评估:若模型精度不满足,则返回执行Step4模型校准,若满足应用目标,则执行Step6完成;Step6、完成。本供水管网水力模型自动更新及校准算法通过采用开始、实测数据获取和清洗、模型实时更新、模型校准、模型精度评估、完成等步骤,其对比一般的方法,这种算法将模型更新和精度评估完全自动化,并使用机器学习方法,对模型进行校准。本供水管网水力模型自动更新及校准算法不仅大大降低了整个过程的工作量,缩短了时间,而且使得模型的应用更加实时、快捷。
Description
技术领域
本发明涉及智慧水务领域,特别涉及供水管网水力模型自动更新及校准算法。
背景技术
近些年来,随着水务行业管理和运营精细化水平的逐步提升,对于管网运行和调度的要求越来越高。原来基于经验积累的判断和分析已经无法满足运营管理的需要。尤其是面对极端工况或者突发事件时,就更需要准确的计算模型在一定程度上带来可预测性的结果。另外,伴随着智慧水务的日益繁荣,水力学模型的应用也日渐普遍。“水力学模型”旨在利用数学方法,对供水管网的实际运行和工况进行模拟,从而预测可能会发生的结果或者变化。
管网变化、运行工况的变化,都需要模型能够及时进行更新。一个无法及时更新的模型,不能反映管网的真实情况,其预测结果也不准确。模型更新之后,往往需要对其进行校准,只有校准之后的模型,我们才能准确评估并掌握其精度,以及预测结果的可信。
通常水力学模型的建立、更新和校准,都需要专业人员,基于专业知识进行大量的工作。本算法技术,旨在利用实时监测数据,对模型进行实时更新,并进行动态计算和精度评估,然后再利用机器学习方法,对模型进行校准,再次评估进度,再次校准直至精度满足应用的目标。
而目前缺少该方案,需要开发新的方案解决技术问题。
发明内容
针对背景技术中提到的问题,本发明的目的是提供供水管网水力模型自动更新及校准算法,以解决背景技术中提到的问题。
本发明的上述技术目的是通过以下技术方案得以实现的:
供水管网水力模型自动更新及校准算法,包括以下步骤:
Step1、开始;
Step2、实测数据获取和清洗;
Step3、模型实时更新;
Step4、模型校准;
Step5、模型精度评估:若模型精度不满足,则返回执行Step4模型校准,若满足应用目标,则执行Step6完成;
Step6、完成。
较佳的,所述Step3模型实时更新包括以下步骤:
Step31、基于水量预测模型,得到下一个周期的需水量,并对模型的总水量进行更新;
Step32、获取前一个周期的实测数据,并利用数据清洗方法,对实测数据进行规整处理;
Step33、使用清洗过的数据对模型进行更新;
Step34、启动机器学习算法,进行自动校准和评估的不断迭代,直至精度评估结果满足预先设定的测试目标;
Step35、神经网络控制规则设计。
较佳的,所述Step35神经网络控制规则设计时,神经网络控制规则的设计建立在经验知识和专家库之上,根据模型更新和工况变化的类型以及校准的方法进行分类,并建立控制规则。
较佳的,所述Step31基于水量预测模型,得到下一个周期的时常为1小时、2小时或3小时可能的需水量,并对模型的总水量进行更新。
较佳的,所述Step33使用清洗过的数据对模型进行更新时,更新的参数具体包括:泵站水池水位、水箱初始水位、水泵的运行状态和频率模式、进水阀门的开度和控制参数、并网馈水点的水量模式以及定流控制点的参数。
较佳的,所述Step35神经网络控制规则设计之后进行以下步骤:
Step35、神经网络结构设计:选择3层神经网络作为控制规则的神经网络,其输入节点为更新好的模型,输出节点为模型精度。
较佳的,所述Step2实测数据获取和清洗时,先获取实测数据样本,其中实测数据样本为供水管网的水压和水流量的实测运行数据;之后在Copula空间中建立水压和水流量的联合概率分布,其中联合概率分布的取值范围为[0,1]区间;之后将联合概率分布的取值范围均匀划分成多个概率区间;分别沿水压和水流量所在的维度,在每个概率区间内对所述实测数据样本进行数据清洗;其中,所述数据清洗的算法为四分位法;其中分别沿水压和水流量所在的维度,在每个所述概率区间内对所述实测数据样本进行数据清洗的步骤包括:对于每一个所述概率区间,分别定义所述概率区间内的分位点Q1、Q2和Q3,其中Q2为中分位点;其中,基于分位点,四分位法的四分位距表示为:LIQ=Q3-Q1;基于所述四分位距计算数据清洗的清洗区间,根据清洗区间在每个概率区间内对实测数据样本进行四分位法数据清洗。
较佳的,所述Step4模型校准时利用原始数据模型分别对第一样本数据和第二样本数据进行评估得到第一评估结果和第二评估结果,第一样本数据和第二样本数据为针对相同样本在不同统计周期内收集的样本数据,第一评估结果中包括针对每一样本的第一评分和任一评分或者评分段中目标样本出现的第一概率,第二评估结果中包括针对每一样本的第二评分和任一评分或者评分段中目标样本出现的第二概率;根据第一评分和所述第二评分,确定第二评估结果相对于第一评估结果是否满足预设的评估结果稳定条件;以及根据第一概率和第二概率,确定第二评估结果相对于第一评估结果是否满足预设的评估结果准确条件。
较佳的,所述Step34中,对待处理的目标问题数据集进行特征提取,得到目标问题数据集的元特征;将目标问题数据集的元特征分别输入至已训练的N个性能预测模型,得到N个预测参数,预测参数包括:性能预测模型对应的机器学习算法、利用性能预测模型对应的机器学习算法处理目标问题数据集时的至少一个性能指标值;依据N个预测参数,在设定的机器学习算法中确定用于处理目标问题数据集的目标机器学习算法。
综上所述,本发明主要具有以下有益效果:
本供水管网水力模型自动更新及校准算法通过获取实测数据,对水力学模型进行更新,并利用机器学习实现模型校准的算法。本供水管网水力模型自动更新及校准算法通过采用开始、实测数据获取和清洗、模型实时更新、模型校准、模型精度评估、完成等步骤,其对比一般的方法,这种算法将模型更新和精度评估完全自动化,并使用机器学习方法,对模型进行校准。本供水管网水力模型自动更新及校准算法不仅大大降低了整个过程的工作量,缩短了时间,而且使得模型的应用更加实时、快捷。
附图说明
图1是供水管网水力模型自动更新及校准算法的逻辑框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参考图1,供水管网水力模型自动更新及校准算法,包括以下步骤:
Step1、开始;
Step2、实测数据获取和清洗;
Step3、模型实时更新;
Step4、模型校准;
Step5、模型精度评估:若模型精度不满足,则返回执行Step4模型校准,若满足应用目标,则执行Step6完成;
Step6、完成。
参考图1,本供水管网水力模型自动更新及校准算法通过采用开始、实测数据获取和清洗、模型实时更新、模型校准、模型精度评估、完成等步骤,其对比一般的方法,这种算法将模型更新和精度评估完全自动化,并使用机器学习方法,对模型进行校准。本供水管网水力模型自动更新及校准算法不仅大大降低了整个过程的工作量,缩短了时间,而且使得模型的应用更加实时、快捷。本供水管网水力模型自动更新及校准算法通过获取实测数据,对水力学模型进行更新,并利用机器学习实现模型校准的算法。
其中,所述Step3模型实时更新包括以下步骤:
Step31、基于水量预测模型,得到下一个周期的需水量,并对模型的总水量进行更新;
Step32、获取前一个周期的实测数据,并利用数据清洗方法,对实测数据进行规整处理;
Step33、使用清洗过的数据对模型进行更新;
Step34、启动机器学习算法,进行自动校准和评估的不断迭代,直至精度评估结果满足预先设定的测试目标;
Step35、神经网络控制规则设计。
其中,所述Step35神经网络控制规则设计时,神经网络控制规则的设计建立在经验知识和专家库之上,根据模型更新和工况变化的类型以及校准的方法进行分类,并建立控制规则。
其中,所述Step31基于水量预测模型,得到下一个周期的时常为1小时、2小时或3小时可能的需水量,并对模型的总水量进行更新。
其中,所述Step33使用清洗过的数据对模型进行更新时,更新的参数具体包括:泵站水池水位、水箱初始水位、水泵的运行状态和频率模式、进水阀门的开度和控制参数、并网馈水点的水量模式以及定流控制点的参数。
其中,所述Step35神经网络控制规则设计之后进行以下步骤:
Step35、神经网络结构设计:选择3层神经网络作为控制规则的神经网络,其输入节点为更新好的模型,输出节点为模型精度。
其中,所述Step2实测数据获取和清洗时,先获取实测数据样本,其中实测数据样本为供水管网的水压和水流量的实测运行数据;之后在Copula空间中建立水压和水流量的联合概率分布,其中联合概率分布的取值范围为[0,1]区间;之后将联合概率分布的取值范围均匀划分成多个概率区间;分别沿水压和水流量所在的维度,在每个概率区间内对所述实测数据样本进行数据清洗;其中,所述数据清洗的算法为四分位法;其中分别沿水压和水流量所在的维度,在每个所述概率区间内对所述实测数据样本进行数据清洗的步骤包括:对于每一个所述概率区间,分别定义所述概率区间内的分位点Q1、Q2和Q3,其中Q2为中分位点;其中,基于分位点,四分位法的四分位距表示为:LIQ=Q3-Q1;基于所述四分位距计算数据清洗的清洗区间,根据清洗区间在每个概率区间内对实测数据样本进行四分位法数据清洗。
其中,所述Step4模型校准时利用原始数据模型分别对第一样本数据和第二样本数据进行评估得到第一评估结果和第二评估结果,第一样本数据和第二样本数据为针对相同样本在不同统计周期内收集的样本数据,第一评估结果中包括针对每一样本的第一评分和任一评分或者评分段中目标样本出现的第一概率,第二评估结果中包括针对每一样本的第二评分和任一评分或者评分段中目标样本出现的第二概率;根据第一评分和所述第二评分,确定第二评估结果相对于第一评估结果是否满足预设的评估结果稳定条件;以及根据第一概率和第二概率,确定第二评估结果相对于第一评估结果是否满足预设的评估结果准确条件。
其中,所述Step34中,对待处理的目标问题数据集进行特征提取,得到目标问题数据集的元特征;将目标问题数据集的元特征分别输入至已训练的N个性能预测模型,得到N个预测参数,预测参数包括:性能预测模型对应的机器学习算法、利用性能预测模型对应的机器学习算法处理目标问题数据集时的至少一个性能指标值;依据N个预测参数,在设定的机器学习算法中确定用于处理目标问题数据集的目标机器学习算法。
参考图1,本供水管网水力模型自动更新及校准算法通过获取实测数据,对水力学模型进行更新,并利用机器学习实现模型校准的算法。本供水管网水力模型自动更新及校准算法通过采用开始、实测数据获取和清洗、模型实时更新、模型校准、模型精度评估、完成等步骤,其对比一般的方法,这种算法将模型更新和精度评估完全自动化,并使用机器学习方法,对模型进行校准。本供水管网水力模型自动更新及校准算法不仅大大降低了整个过程的工作量,缩短了时间,而且使得模型的应用更加实时、快捷。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.供水管网水力模型自动更新及校准算法,其特征在于:包括以下步骤:
Step1、开始;
Step2、实测数据获取和清洗;
Step3、模型实时更新;
Step4、模型校准;
Step5、模型精度评估:若模型精度不满足,则返回执行Step4模型校准,若满足应用目标,则执行Step6完成;
Step6、完成。
2.根据权利要求1所述的供水管网水力模型自动更新及校准算法,其特征在于:所述Step3模型实时更新包括以下步骤:
Step31、基于水量预测模型,得到下一个周期的需水量,并对模型的总水量进行更新;
Step32、获取前一个周期的实测数据,并利用数据清洗方法,对实测数据进行规整处理;
Step33、使用清洗过的数据对模型进行更新;
Step34、启动机器学习算法,进行自动校准和评估的不断迭代,直至精度评估结果满足预先设定的测试目标;
Step35、神经网络控制规则设计。
3.根据权利要求2所述的供水管网水力模型自动更新及校准算法,其特征在于:所述Step35神经网络控制规则设计时,神经网络控制规则的设计建立在经验知识和专家库之上,根据模型更新和工况变化的类型以及校准的方法进行分类,并建立控制规则。
4.根据权利要求2所述的供水管网水力模型自动更新及校准算法,其特征在于:所述Step31基于水量预测模型,得到下一个周期的时常为1小时、2小时或3小时可能的需水量,并对模型的总水量进行更新。
5.根据权利要求2所述的供水管网水力模型自动更新及校准算法,其特征在于:所述Step33使用清洗过的数据对模型进行更新时,更新的参数具体包括:泵站水池水位、水箱初始水位、水泵的运行状态和频率模式、进水阀门的开度和控制参数、并网馈水点的水量模式以及定流控制点的参数。
6.根据权利要求2所述的供水管网水力模型自动更新及校准算法,其特征在于:所述Step35神经网络控制规则设计之后进行以下步骤:
Step35、神经网络结构设计:选择3层神经网络作为控制规则的神经网络,其输入节点为更新好的模型,输出节点为模型精度。
7.根据权利要求1所述的供水管网水力模型自动更新及校准算法,其特征在于:所述Step2实测数据获取和清洗时,先获取实测数据样本,其中实测数据样本为供水管网的水压和水流量的实测运行数据;之后在Copula空间中建立水压和水流量的联合概率分布,其中联合概率分布的取值范围为[0,1]区间;之后将联合概率分布的取值范围均匀划分成多个概率区间;分别沿水压和水流量所在的维度,在每个概率区间内对所述实测数据样本进行数据清洗;其中,所述数据清洗的算法为四分位法;其中分别沿水压和水流量所在的维度,在每个所述概率区间内对所述实测数据样本进行数据清洗的步骤包括:对于每一个所述概率区间,分别定义所述概率区间内的分位点Q1、Q2和Q3,其中Q2为中分位点;其中,基于分位点,四分位法的四分位距表示为:LIQ=Q3-Q1;基于所述四分位距计算数据清洗的清洗区间,根据清洗区间在每个概率区间内对实测数据样本进行四分位法数据清洗。
8.根据权利要求1所述的供水管网水力模型自动更新及校准算法,其特征在于:所述Step4模型校准时利用原始数据模型分别对第一样本数据和第二样本数据进行评估得到第一评估结果和第二评估结果,第一样本数据和第二样本数据为针对相同样本在不同统计周期内收集的样本数据,第一评估结果中包括针对每一样本的第一评分和任一评分或者评分段中目标样本出现的第一概率,第二评估结果中包括针对每一样本的第二评分和任一评分或者评分段中目标样本出现的第二概率;根据第一评分和所述第二评分,确定第二评估结果相对于第一评估结果是否满足预设的评估结果稳定条件;以及根据第一概率和第二概率,确定第二评估结果相对于第一评估结果是否满足预设的评估结果准确条件。
9.根据权利要求2所述的供水管网水力模型自动更新及校准算法,其特征在于:所述Step34中,对待处理的目标问题数据集进行特征提取,得到目标问题数据集的元特征;将目标问题数据集的元特征分别输入至已训练的N个性能预测模型,得到N个预测参数,预测参数包括:性能预测模型对应的机器学习算法、利用性能预测模型对应的机器学习算法处理目标问题数据集时的至少一个性能指标值;依据N个预测参数,在设定的机器学习算法中确定用于处理目标问题数据集的目标机器学习算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659389.0A CN113312849A (zh) | 2021-06-15 | 2021-06-15 | 供水管网水力模型自动更新及校准算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659389.0A CN113312849A (zh) | 2021-06-15 | 2021-06-15 | 供水管网水力模型自动更新及校准算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113312849A true CN113312849A (zh) | 2021-08-27 |
Family
ID=77378784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110659389.0A Pending CN113312849A (zh) | 2021-06-15 | 2021-06-15 | 供水管网水力模型自动更新及校准算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113312849A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330553A (zh) * | 2021-12-29 | 2022-04-12 | 电子科技大学 | 基于监督学习的数字采集***校准方法 |
CN116542495A (zh) * | 2023-07-05 | 2023-08-04 | 浙江和达科技股份有限公司 | 一种基于数据挖掘的智能供水调度方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956690A (zh) * | 2016-04-25 | 2016-09-21 | 广州东芝白云自动化***有限公司 | 一种供水预测方法及*** |
CN107122853A (zh) * | 2017-04-25 | 2017-09-01 | 杭州电子科技大学 | 一种供水管网实时调度***及方法 |
CN108898512A (zh) * | 2018-07-27 | 2018-11-27 | 苏州市自来水有限公司 | 基于bp神经网络的城市供水管网模型校核方法 |
CN109426962A (zh) * | 2017-08-25 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 一种数据模型校准方法、装置和设备 |
CN109783486A (zh) * | 2019-01-17 | 2019-05-21 | 华北电力大学 | 数据清洗方法、装置及服务器 |
CN109947088A (zh) * | 2019-04-17 | 2019-06-28 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警*** |
CN110411370A (zh) * | 2019-07-26 | 2019-11-05 | 北京住总集团有限责任公司 | 一种基于空间时间参数的隧道施工风险管控*** |
CN111783867A (zh) * | 2020-06-28 | 2020-10-16 | 京东数字科技控股有限公司 | 机器学习算法选择方法及装置 |
-
2021
- 2021-06-15 CN CN202110659389.0A patent/CN113312849A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956690A (zh) * | 2016-04-25 | 2016-09-21 | 广州东芝白云自动化***有限公司 | 一种供水预测方法及*** |
CN107122853A (zh) * | 2017-04-25 | 2017-09-01 | 杭州电子科技大学 | 一种供水管网实时调度***及方法 |
CN109426962A (zh) * | 2017-08-25 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 一种数据模型校准方法、装置和设备 |
CN108898512A (zh) * | 2018-07-27 | 2018-11-27 | 苏州市自来水有限公司 | 基于bp神经网络的城市供水管网模型校核方法 |
CN109783486A (zh) * | 2019-01-17 | 2019-05-21 | 华北电力大学 | 数据清洗方法、装置及服务器 |
CN109947088A (zh) * | 2019-04-17 | 2019-06-28 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警*** |
CN110411370A (zh) * | 2019-07-26 | 2019-11-05 | 北京住总集团有限责任公司 | 一种基于空间时间参数的隧道施工风险管控*** |
CN111783867A (zh) * | 2020-06-28 | 2020-10-16 | 京东数字科技控股有限公司 | 机器学习算法选择方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330553A (zh) * | 2021-12-29 | 2022-04-12 | 电子科技大学 | 基于监督学习的数字采集***校准方法 |
CN114330553B (zh) * | 2021-12-29 | 2023-04-07 | 电子科技大学 | 基于监督学习的数字采集***校准方法 |
CN116542495A (zh) * | 2023-07-05 | 2023-08-04 | 浙江和达科技股份有限公司 | 一种基于数据挖掘的智能供水调度方法、装置及电子设备 |
CN116542495B (zh) * | 2023-07-05 | 2024-02-23 | 浙江和达科技股份有限公司 | 一种基于数据挖掘的智能供水调度方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4914457B2 (ja) | 自動バーチャル測定のシステムおよびその方法 | |
TWI539298B (zh) | 具取樣率決定機制的量測抽樣方法 與其電腦程式產品 | |
CN113312849A (zh) | 供水管网水力模型自动更新及校准算法 | |
CN115293667B (zh) | 一种工程进度及造价管理***的管理方法 | |
US20170003667A1 (en) | Equipment maintenance management system and equipment maintenance management method | |
CN104952753A (zh) | 测量抽样方法 | |
CN107423496B (zh) | 一种新的降雨事件随机生成方法 | |
CN103177289A (zh) | 一种噪声不确定复杂非线性动态***的建模方法 | |
CN115169818A (zh) | 一种基于数字化建模的技术工程测算方法及*** | |
CN114155072A (zh) | 基于大数据分析的财务预测模型构建方法及*** | |
CN117029968A (zh) | 一种流量数据的诊断方法、***、存储介质和电子设备 | |
CN110083797B (zh) | 一种滴灌管生产线异常实时监测方法及*** | |
CN117469603B (zh) | 一种基于大数据学习的多水厂供水***压力优化控制方法 | |
CN113868948A (zh) | 一种面向用户的动态阈值模型训练***及方法 | |
CN111948561B (zh) | 基于实测大数据和人工智能学习算法的电池寿命预测方法 | |
Aibinu et al. | Use of artificial intelligence to predict the accuracy of pre-tender building cost estimate | |
CN101598754B (zh) | 自动虚拟计量的***及方法 | |
Bozoğlu et al. | Entropy based regional precipitation prediction in the case of Gediz River basin | |
TWI427487B (zh) | 工件抽樣檢驗的方法及其電腦程式產品 | |
Warburton et al. | Critical Analysis of Linear and Nonlinear Project Duration Forecasting Methods | |
CN115860263A (zh) | 电网基建规划项目工期预测方法及预测*** | |
Khedr et al. | Water distribution system calibration: Manual versus optimization-based approach | |
CN102262188B (zh) | 工件抽样检验的方法 | |
CN117648568B (zh) | 基于物联网的水表计量大数据优化处理方法及*** | |
Zimoch et al. | Process of hydraulic models calibration |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |