CN113987948A - 一种泵站出水流量智能测算方法及*** - Google Patents
一种泵站出水流量智能测算方法及*** Download PDFInfo
- Publication number
- CN113987948A CN113987948A CN202111292159.1A CN202111292159A CN113987948A CN 113987948 A CN113987948 A CN 113987948A CN 202111292159 A CN202111292159 A CN 202111292159A CN 113987948 A CN113987948 A CN 113987948A
- Authority
- CN
- China
- Prior art keywords
- water
- pump station
- information
- obtaining
- coefficient
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 526
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000005259 measurement Methods 0.000 claims abstract description 65
- 238000000746 purification Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 239000008213 purified water Substances 0.000 claims abstract description 43
- 238000010521 absorption reaction Methods 0.000 claims description 63
- 239000000463 material Substances 0.000 claims description 57
- 238000005192 partition Methods 0.000 claims description 37
- 239000011148 porous material Substances 0.000 claims description 26
- 238000007726 management method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 239000008400 supply water Substances 0.000 claims 3
- 230000008569 process Effects 0.000 description 28
- 230000000694 effects Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000011805 ball Substances 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004659 sterilization and disinfection 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/045—Combinations of 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种泵站出水流量智能测算方法,方法包括:获得第一供水对象;根据第一供水对象,获得第一用水量;根据第一泵站智慧服务***,获得第一水资源类别;根据第一水资源类别,确定第一净水设备和第一输送方式;根据第一净水设备,获得第一净化供水损耗估值;根据第一输送方式,获得第一输送供水损耗估值;将第一净化供水损耗估值和第一输送供水损耗估值输入第一出水流量测算系数确定模型,获得第一泵站出水流量测算系数;依据第一泵站出水流量测算系数,计算得到第一泵站出水流量。解决了现有技术中对泵站出水量的测算方式个体化程度较低,导致存在缺乏适用性于每个泵站自身特殊性的测算手段的技术问题。
Description
技术领域
本发明涉及人工智能相关技术领域,具体涉及一种泵站出水流量智能测算方法及***。
背景技术
输配水泵站是城市供水行业重要的工程设施,是输供水的动力来源,承担着为城市及地区供水的重任,随着近几年机器学习的迅速发展和物联网概念的提出,供水泵站自动化技术也逐步发展起来。当下已经初步实现了集散控制,诸如泵机控制、异常报警、数据采集、办公自动化等已经基本实现。
未来泵站自动化要朝着测量、控制、管理的一体化方向发展,其中针对泵站出水量的监测尤为重要,合理的泵站出水量是决定泵站自动化控制能否落地的一项关键数据。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中对泵站出水量的测算方式个体化程度较低,导致存在缺乏适用性于每个泵站自身特殊性的测算手段的技术问题。
发明内容
本申请实施例通过提供了一种泵站出水流量智能测算方法及***,解决了现有技术中对泵站出水量的测算方式个体化程度较低,导致存在缺乏适用性于每个泵站自身特殊性的测算手段的技术问题。达到了通过依据水资源类别,匹配输送方式和净水设备,再分别确定在净水过程中和输送过程中的依据泵站实际情况得到的耗水程度,依据这两步骤的耗水程度通过智能化模型分析确定出水量测算系数,最后依据出水量测算系数确定合理的实时的泵站出水量,个体化程度更高的泵站出水量的测算方式的技术效果。
鉴于上述问题,本申请实施例提供了一种泵站出水流量智能测算方法及***。
第一方面,本申请实施例提供了一种泵站出水流量智能测算方法,其中,所述方法应用于一泵站智慧管理***,所述方法包括:获得第一供水对象;根据所述第一泵站智慧服务***,获得第一水资源类别;根据所述第一水资源类别和所述第一供水对象,确定第一净水设备和第一输送方式;根据所述第一净水设备,获得第一净化供水损耗估值;根据所述第一输送方式,获得第一输送供水损耗估值;将所述第一净化供水损耗估值和所述第一输送供水损耗估值输入第一出水流量测算系数确定模型,获得第一泵站出水流量测算系数;依据所述第一泵站出水流量测算系数,计算得到第一泵站出水流量。
另一方面,本申请实施例提供了一种泵站出水流量智能测算***,其中,所述***包括:第一获得单元,所述第一获得单元用于获得第一供水对象;第二获得单元,所述第二获得单元用于根据所述第一泵站智慧服务***,获得第一水资源类别;第一确定单元,所述第一确定单元用于根据所述第一水资源类别和所述第一供水对象,确定第一净水设备和第一输送方式;第三获得单元,所述第三获得单元用于根据所述第一净水设备,获得第一净化供水损耗估值;第四获得单元,所述第四获得单元用于根据所述第一输送方式,获得第一输送供水损耗估值;第五获得单元,所述第五获得单元用于将所述第一净化供水损耗估值和所述第一输送供水损耗估值输入第一出水流量测算系数确定模型,获得第一泵站出水流量测算系数;第一计算单元,所述第一计算单元用于依据所述第一泵站出水流量测算系数,计算得到第一泵站出水流量。
第三方面,本申请实施例提供了一种泵站出水流量智能测算***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了获得第一供水对象;根据所述第一泵站智慧服务***,获得第一水资源类别;根据所述第一水资源类别和所述第一供水对象,确定第一净水设备和第一输送方式;根据所述第一净水设备,获得第一净化供水损耗估值;根据所述第一输送方式,获得第一输送供水损耗估值;将所述第一净化供水损耗估值和所述第一输送供水损耗估值输入第一出水流量测算系数确定模型,获得第一泵站出水流量测算系数;依据所述第一泵站出水流量测算系数,计算得到第一泵站出水流量的技术方案,达到了通过依据水资源类别,匹配输送方式和净水设备,再分别确定在净水过程中和输送过程中的依据泵站实际情况得到的耗水程度,依据这两步骤的耗水程度通过智能化模型分析确定出水量测算系数,最后依据供水对象用户量和用水时间结合出水量测算系数确定合理的实时的泵站出水量,个体化程度更高的泵站出水量的测算方式的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种泵站出水流量智能测算方法流程示意图;
图2为基于所述根据所述第一材料信息,确定第一吸水系数的方法流程示意图;
图3为本申请实施例另一种泵站出水流量智能测算方法流程示意图;
图4为本申请实施例一种泵站出水流量智能测算***结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一确定单元13,第三获得单元14,第四获得单元15,第五获得单元16,第一计算单元17,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供了一种泵站出水流量智能测算方法及***,解决了现有技术中对泵站出水量的测算方式个体化程度较低,导致存在缺乏适用性于每个泵站自身特殊性的测算手段的技术问题。达到了通过依据水资源类别,匹配输送方式和净水设备,再分别确定在净水过程中和输送过程中的依据泵站实际情况得到的耗水程度,依据这两步骤的耗水程度通过智能化模型分析确定出水量测算系数,最后依据出水量测算系数确定合理的实时的泵站出水量,个体化程度更高的泵站出水量的测算方式的技术效果。
申请概述
输配水泵站是城市供水行业重要的工程设施,是输供水的动力来源,承担着为城市及地区供水的重任,随着近几年机器学习的迅速发展和物联网概念的提出,供水泵站自动化技术也逐步发展起来。当下已经初步实现了集散控制,诸如泵机控制、异常报警、数据采集、办公自动化等已经基本实现。未来泵站自动化要朝着测量、控制、管理的一体化方向发展,其中针对泵站出水量的监测尤为重要,合理的泵站出水量是决定泵站自动化控制能否落地的一项关键数据。但现有技术中对泵站出水量的测算方式个体化程度较低,导致存在缺乏适用性于每个泵站自身特殊性的测算手段的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种泵站出水流量智能测算方法,其中,所述方法应用于一泵站智慧管理***,所述方法包括:获得第一供水对象;根据所述第一泵站智慧服务***,获得第一水资源类别;根据所述第一水资源类别和所述第一供水对象,确定第一净水设备和第一输送方式;根据所述第一净水设备,获得第一净化供水损耗估值;根据所述第一输送方式,获得第一输送供水损耗估值;将所述第一净化供水损耗估值和所述第一输送供水损耗估值输入第一出水流量测算系数确定模型,获得第一泵站出水流量测算系数;依据所述第一泵站出水流量测算系数,计算得到第一泵站出水流量。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种泵站出水流量智能测算方法,其中,所述方法应用于一泵站智慧管理***,所述方法包括:
S100:获得第一供水对象;
具体而言,所述第一供水对象指的是泵站提供水资源的用户,可选的有居民用水、公共建筑用水、工业企业用水、消防用水等。一个泵站可能对应于多个供水对象,所述第一供水对象可选的确定方式为:将泵站在多个供水对象中进行遍历比对,在出现此泵站对应的供水对象时,就立即做上标记,并采集该供水对象的日供水量在总供水量之间的占比作为供水权重和供水对象一同记录在标识信息中,对比结束时,泵站的标识信息表征所述第一供水对象。根据不同的供水对象可采取不同处理方式,而不同的处理过程耗水量不同,导致泵站出水量也不同,由此可测算到适用于泵站特殊性的出水量。
S200:根据所述第一泵站智慧服务***,获得第一水资源类别;
具体而言,所述第一水资源类别指的是基于所述第一泵站智慧服务***,依据***中的历史数据可以确定泵站的水资源来源,例如地表水、地下水等类别。所述第一水资源类别可选的确定方式可为将泵站在现有水资源类别中进行比对,在依据历史数据,出现泵站对应的水资源类别时,进行标记。通过确定泵站的所述第一水资源类别可以确定不同的净水手段和输送过程,进而可以进行个体化程度更高的泵站出水量测算。
S300:根据所述第一水资源类别和所述第一供水对象,确定第一净水设备和第一输送方式;
具体而言,所述第一净水设备指的是根据所述第一水资源类别和所述第一供水对象进行匹配,得到的适配性较强的净水设备,例如若是所述第一供水对象为居民用水,所述第一水资源类别为地下水,则此时需要在将水资源先输送至净化设备出,经过多层级过滤消毒,得到符合居民用水标准的水资源;所述第一输送方式指的是根据所述第一水资源类别处理流程匹配,得到的输送过程,例如若是所述第一供水对象为消防用水,所述第一水资源类型为地表水,可选的输送方式为经过初级过滤,即可输送至各个消防端口等待使用。依据不同的所述第一水资源类别结合不同所述第一供水对象,匹配出适用性较高的所述第一净水设备和所述第一输送方式,即存储了出水端到用水端的全部中间过程的水资源处理信息,为测算出个体化程度较高的泵站出水量提供了信息基础。
S400:根据所述第一净水设备,获得第一净化供水损耗估值;
S500:根据所述第一输送方式,获得第一输送供水损耗估值;
具体而言,所述第一净化供水损耗估值指的是水资源根据匹配到的所述第一净水设备内部工作流程以及材料信息的实际状况在净化过程中对水资源的损耗估值情况,不可单独依据历史数据中进入所述第一净水设备的前后差值的变化趋势判断,差值的变化趋势只是内部工作流程以及材料信息实时变化的外在表现形式,通过实时监测内部工作流程以及材料信息的实际状况可以准确预测水资源在所述第一净水设备中的损耗值;同理,可以根据所述第一输送方式的输送流程和输送管道的实际状况,预测水资源在所述第一净水设备中的损耗值,得到所述第一输送供水损耗估值。通过对出水端到用水端的全部中间过程的水资源处理损耗用水的评估,得到中间过程对于水资源的影响情况,将所述第一供水对象和泵站出水量关联起来,为进一步泵站出水量准确的测量提供了重要的信息基础。
S600:将所述第一净化供水损耗估值和所述第一输送供水损耗估值输入第一出水流量测算系数确定模型,获得第一泵站出水流量测算系数;
S700:依据所述第一泵站出水流量测算系数,计算得到第一泵站出水流量。
具体而言,所述第一泵站出水流量测算系数信息是将所述第一净化供水损耗估值信息和所述第一输送供水损耗估值信息输入所述第一出水流量测算系数确定模型智能化分析得到的中间过程对于输送水量的影响因子,所述第一出水流量测算系数确定模型是以神经网络模型为基础建立,具有神经网络模型的特性,其中,人工神经网络是在现代神经科学的基础上提出和发展起来的,旨在反映人脑结构及功能的一种抽象数学模型,神经网络是一种运算模型,由大量的节点(或称神经元)之间相互连接构成,每个节点代表一种特定的输出函数称为激励函数,每两个节点之间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆,网络的输出则依照网络的连接方式,是对一种逻辑策略的表达,基于神经网络模型建立的所述第一出水流量测算系数确定模型能够输出准确的所述第一泵站出水流量测算系数信息,进一步的,因为所述第一出水流量测算系数将泵站出水量和所述第一供水对象用水量结合了起来,而此时计算适用于所述第一供水对象的出水量是容易的,在此不做限定,从而具备了较强的分析计算能力,达到了准确而高效的技术效果。
进一步的,基于所述根据所述第一净化供水损耗估值和所述第一输送供水损耗估值,获得第一泵站出水流量测算系数,步骤S600包括:
S610:将所述第一净化供水损耗估值和所述第一输送供水损耗估值输入第一出水流量测算系数确定模型;
S620:所述第一出水流量测算系数确定模型由多组训练数据获得,所述多组数据包括:所述第一净化供水损耗历史数据、所述第一输送供水损耗历史数据和标识所述第一泵站出水流量测算系数的标识信息。
S630:获得第一输出结果,所述第一输出结果中包括所述第一泵站出水流量测算系数。
具体而言,所述第一出水流量测算系数确定模型为神经网络模型,所述神经网络模型即机器学习中的神经网络模型,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习***。其中,它能根据训练数据进行不断的自我训练学习,所述多组中的训练数据中的每一组训练数据均包括:所述第一净化供水损耗历史数据、所述第一输送供水损耗历史数据和标识所述第一泵站出水流量测算系数的标识信息。所述第一出水流量测算系数确定模型不断地自我的修正,当所述第一出水流量测算系数确定模型的输出信息达到预定的准确率/收敛状态时,则有监督学习过程结束。通过对所述第一出水流量测算系数确定模型进行数据训练,使得所述第一出水流量测算系数确定模型处理输入数据更加准确,进而使得输出的所述第一泵站出水流量测算系数信息也更加准确,达到了准确获得数据信息,提高评估结果智能化的技术效果。
进一步的,基于所述根据所述第一净水设备,获得第一净化供水损耗估值,步骤S400包括:
S410:根据所述第一净水设备,获得第一净水层级信息和第一净水时长信息;
S420:根据所述第一净水层级信息,获得第一材料信息;
S430:根据所述第一材料信息,确定第一吸水系数和第一体积信息;
S440:获得第一预设运算规则;
S450:依据所述第二预设运算规则,通过所述第一吸水系数、所述第一净水时长信息和所述第一体积信息,确定所述第一净化供水损耗估值。
具体而言,所述第一净水层级信息指的是指的是所述第一净水设备净化水资源过程的水资源过滤经过的不同过滤层的信息,举不设限制的一例:例如水依次经过棉垫、珊瑚球、活性炭、陶瓷滤片进行过滤。所述第一净水时长信息指的是从水资源开始进入所述第一净水设备开始时计时,可选的每开始一个层级和结束一个层级过滤时做一个时间标记,直到从所述第一净水设备出来时,计时结束,得到时间数据。进一步的,所述第一材料信息指的是根据所述第一净水层级信息得到各个层级对应的材料数据,例如材料的排布信息、材料类型信息等;所述第一吸水系数指的是根据所述第一材料信息的特征,得到其对于水的吸收和损耗能力,所述第一体积信息指的是所述第一材料占据的空间信息,所述第一体积信息越大,则吸水量可能越多。更进一步的,所述第一预设运算规则指的是在得到所述第一吸水系数、所述第一净水时长信息和所述第一体积信息之后,设置的联立这三项数据的公式,用来预测所述第一净化供水损耗估值。可选的实现方式为:将所述第一吸水系数标准化为单位时间单位体积的所述第一材料的吸水量,将所述第一吸水系数、所述第一净水时长信息和所述第一体积信息进行线性相乘,得到最后的结果即为所述第一净化供水损耗估值,且,所述第一净化供水损耗估值可周期性的实时更新,达到了个体化程度更高的实时性所述第一净化供水损耗估值评估结果的技术效果。
进一步的,基于所述根据所述第一输送方式,获得第一输送供水损耗估值,步骤S500包括:
S510:根据第一输送方式,获得第二材料信息和第一输送时长信息;
S520:根据所述第二材料信息,确定第二吸水系数和第一输送长度信息;
S530:获得第二预设运算规则;
S540:依据所述第二预设运算规则,通过所述第二吸水系数、所述第一输送时长信息和所述第一输送长度信息,确定所述第一输送供水损耗估值。
具体而言,所述第二材料信息指的是水资源通过所述第一输送方式使用的输送空间使用的材料,举例如不同类型的管道等;所述第一输送时长信息指的是在进入不同的输送材料开始时计时到流出该输送材料时计时结束,直到水资源送至所述第一供水对象时,计时结束,所有的时间集合,进一步的,所述第二吸水系数指的是根据所述第二材料信息的特征数据,得到其对于水的吸收和损耗能力;所述第一输送长度信息指的是输送管道的长度数据,不同类型管道对应的长度信息不同,其为和所述第一输送时长信息对应的信息集合。更进一步的,所述第二预设运算规则指的是在采集到所述第二吸水系数、所述第一输送时长信息和所述第一输送长度信息,设立将三者数据进行联立的公式,进而可以确认所述第一输送供水损耗估值。可选的实现方式为:将所述第二吸水系数标准化为单位时间单位长度所述第二材料的吸水量,将三者数据线性相乘,得到结果为所述第一输送供水损耗估值,且,所述第一输送供水损耗估值可周期性的实时更新,达到了个体化程度更高的实时性所述第一输送供水损耗估值评估结果的技术效果。
进一步的,基于所述根据所述第一材料信息,确定第一吸水系数,如图2所示,步骤S430包括:
S431:根据第一图像采集装置,获得所述第一材料表面图像信息;
S432:对所述第一材料表面图像信息进行卷积特征提取,获得第一特征信息,所述第一特征信息包括第一孔隙大小特征集合和第一孔隙形貌特征集合;
S433:将所述第一孔隙大小特征集合和第一孔隙形貌特征集合输入第一聚类模型,获得第一分区结果;
S434:将所述第一孔隙大小特征集合和第一孔隙形貌特征集合在所述第一分区结果中遍历,获得第一分区特征信息;
S435:根据所述第一分区特征信息,获得第一分区吸水系数;
S436:采集所有分区的吸水系数,组成吸水系数集合;
S437:将所述吸水系数集合作为所述第一吸水系数。
具体而言,所述第二吸水系数和所述第一吸水系数的确定方式相同,在此以所述第一吸水系数的确定为例:所述第一图像采集装置指的是监控水资源输送处理过程的设备,优选为微型高清智能摄像设备,所述第一材料表面图像信息指的是通过所述第一图像采集装置对所述第一材料表面图像的采集并存储组成的图像数据集合。进一步的,所述第一孔隙大小特征集合和所述第一孔隙形貌特征集合指的是对所述第一材料表面图像信息进行卷积特征提取得到特征信息,可选的实现方式为选用基于卷积神经网络训练的特征提取模型进行特征提取,卷积可以作为在机器学习中的特征提取器,从而使得提取到的特征信息具有集中性和代表性,进而获得所述第一材料表面图像的卷积特征,卷积神经网络是神经网络的一种,对于特征提取尤其是图像特征提取有着优异的识别功能。
进一步的,所述第一聚类模型是依据信息特征进行分类的智能化模型,所述第一分区结果指的是利用所述第一聚类模型对所述第一孔隙大小特征集合和所述第一孔隙形貌特征集合进行分类,将所述第一孔隙大小或者所述第一孔隙形貌相似的材料归为同一类别,而将同一类别对应占据的材料上的区域归类为一分区。所述第一分区结果可选的表征方式为:记为第一分区、第二分区、第三分区直到第N分区。第N分区表示将所述第一材料分区完毕。
更进一步的,将所述第一孔隙大小特征集合和所述第一孔隙形貌特征集合在所述第一分区结果进行比对,将符合所述第一分区结果的特征信息添加进去,得到所述第一分区特征信息,所述第一分区特征信息包括有所述第一分区对应的特征信息、所述第二分区对应的特征信息直到所述第N分区对应的特征信息。
更进一步,以所述第一分区吸水系数的确定举例,所述第二分区的吸水系数到所述第N的吸水系数的确定方式和所述第一分区吸水系数的确定相同:通过历史数据中经过所述第一材料过程中的多组吸水量信息,可选的使用:历史出水量-用水量-净水设备净化耗水量=吸水量,和时间节点信息,构建函数曲线,不同分区对应的时间节点和函数曲线是不同的,依据函数曲线的时间节点得到所述第一分区对应的函数曲线,并再使用相同方式采集多组水量信息和时间节点信息,得到所述第一分区对应的函数曲线,并依据函数曲线将所述第一材料和吸水量之间的数据关系,即为所述第一分区吸水系数。更进一步的,所述第一吸水系数指的是所述第一分区结果中的所有分区对应的吸水系数集合。通过将所述第一材料分区进行吸水性分析,得到个体化程度更高的吸水系数集合。
进一步的,基于所述依据所述第一泵站出水流量测算系数,计算得到第一泵站出水流量,步骤S700包括:
S710:根据所述第一供水对象,获得第一用水量;
S720:根据所述第一泵站智慧管理***,获得第一工作时长,所述第一工作时长和所述第一用水量具有一一对应的关系;
具体而言,以所述第一供水对象中多个供水对象中的一个为例,计算其泵站出水量,所述第一用水量指的是所述第一供水对象对应的用水量,优选为七天之间的最大日用水量,并可选的以七天为周期实时调整所述第一用水量;所述第一工作时长指的是从所述第一泵站智慧管理***中得到为所述第一供水对象提供所述第一用水量的过程中,在各个工作环节中消耗的时间总和。一个供水对象对应于一个工作时长,二者一一对应形成一组数值,可选的采用列表的形式进行存储。通过监控供水对象在设定周期内的用水量并实时更新,可以为调控测算出准确的泵站出水量提供信息基础。
S730:根据所述第一泵站出水流量测算系数,确定第一泵站出水流量测算公式:
Q:第一泵站出水流量;k:第一泵站出水流量测算系数;Q1:第一用水量;T:第一工作时长
S740:根据所述第一泵站出水流量测算公式,输入各项数据,计算所述第一泵站出水流量。
进一步的,如图3所示,所述方法步骤S800还包括:
S810:根据所述第二材料表面图像信息,获得第一破损信息;
S820:根据所述第一破损信息,获得第一破损程度信息;
S830:获得第一破损程度阈值;
S840:判断所述第一破损程度是否在所述第一破损程度阈值之内;
S850:对所述第一破损程度在所述第一破损程度阈值之内的所述第一破损信息进行标记,获得第一标记信息;
S860:根据所述第一标记信息,获得第一修正系数;
S870:根据所述第一修正系数修正所述第一泵站出水流量测算系数,获得第二泵站出水流量测算系数。
具体而言,所述第一破损信息指的是对所述第二材料表面图像信息进行评估之后,确定的所述第一输送方式中有破损的输送位置;所述第一破损程度信息指的是破损的输送位置破损的程度,可选的使用裂缝的长度和宽度、材料的磨损厚度进行表征;所述第一破损程度阈值指的是预设的所述第二材料可承受的最高破损程度,例如某裂缝的长度和宽度可承受的最高值。进一步的,将采集到的所有所述第一破损程度信息和所述第一破损程度阈值进行比较,对所述第一破损程度信息大于或者等于所述第一破损程度阈值的破损位置,即所述第一破损程度在所述第一破损程度阈值之内的破损位置进行标记,并可选的依据历史数据评估该破损位置对应的所述第一破损程度信息失水量,一同存储进所述第一标记信息。更进一步的,所述第一修正系数指的是根据所述第一标记信息中的破损位置对应的所述第一破损程度信息失水量得到所述第二材料该破损位置处对应的分区信息,修改该分区对应的分区吸水系数。更进一步的,得到新的出水流量测算系数,即为所述第二泵站出水流量测算系数。因为输送过程中的,输送管道不可避免会出现破损,则通过将破损因素带来的水资源损失情况使用所述第一标记信息表征,并将对应分区的吸水系数修正,得到适应性更强的所述第二泵站出水流量测算系数,进而可以测算出个体化程度较高的泵站出水流量。
综上所述,本申请实施例所提供的一种泵站出水流量智能测算方法及***具有如下技术效果:
1、由于采用了获得第一供水对象;根据所述第一泵站智慧服务***,获得第一水资源类别;根据所述第一水资源类别,确定第一净水设备和第一输送方式;根据所述第一净水设备,获得第一净化供水损耗估值;根据所述第一输送方式,获得第一输送供水损耗估值;将所述第一净化供水损耗估值和所述第一输送供水损耗估值输入第一出水流量测算系数确定模型,获得第一泵站出水流量测算系数;依据所述第一泵站出水流量测算系数,计算得到第一泵站出水流量的技术方案,达到了通过依据水资源类别,匹配输送方式和净水设备,再分别确定在净水过程中和输送过程中的依据泵站实际情况得到的耗水程度,依据这两步骤的耗水程度通过智能化模型分析确定出水量测算系数,最后依据供水对象用户量和用水时间结合出水量测算系数确定合理的实时的泵站出水量,个体化程度更高的泵站出水量的测算方式的技术效果。
2、通过将所述第一材料分区进行吸水性分析,得到个体化程度更高的吸水系数集合。
3、因为输送过程中的,输送管道不可避免会出现破损,则通过将破损因素带来的水资源损失情况使用所述第一标记信息表征,并将对应分区的吸水系数修正,得到适应性更强的所述第二泵站出水流量测算系数,进而可以测算出个体化程度较高的泵站出水流量。
实施例二
基于与前述实施例中一种泵站出水流量智能测算方法相同的发明构思,如图4所示,本申请实施例提供了一种泵站出水流量智能测算***,其中,所述***包括:
第一获得单元11,所述第一获得单元11用于获得第一供水对象;
第二获得单元12,所述第二获得单元12用于根据所述第一泵站智慧服务***,获得第一水资源类别;
第一确定单元13,所述第一确定单元13用于根据所述第一水资源类别和所述第一供水对象,确定第一净水设备和第一输送方式;
第三获得单元14,所述第三获得单元14用于根据所述第一净水设备,获得第一净化供水损耗估值;
第四获得单元15,所述第四获得单元15用于根据所述第一输送方式,获得第一输送供水损耗估值;
第五获得单元16,所述第五获得单元16用于将所述第一净化供水损耗估值和所述第一输送供水损耗估值输入第一出水流量测算系数确定模型,获得第一泵站出水流量测算系数;
第一计算单元17,所述第一计算单元17用于依据所述第一泵站出水流量测算系数,计算得到第一泵站出水流量。
进一步的,所述***包括:
第一输入单元,所述第一输入单元用于将所述第一净化供水损耗估值和所述第一输送供水损耗估值输入第一出水流量测算系数确定模型;
第一训练单元,所述第一训练单元用于所述第一出水流量测算系数确定模型由多组训练数据获得,所述多组数据包括:所述第一净化供水损耗历史数据、所述第一输送供水损耗历史数据和标识所述第一泵站出水流量测算系数的标识信息。
第一输出单元,所述第一输出单元用于获得第一输出结果,所述第一输出结果中包括所述第一泵站出水流量测算系数。
进一步的,所述***包括:
第六获得单元,所述第六获得单元用于根据所述第一净水设备,获得第一净水层级信息和第一净水时长信息;
第七获得单元,所述第七获得单元用于根据所述第一净水层级信息,获得第一材料信息;
第二确定单元,所述第一确定单元用于根据所述第一材料信息,确定第一吸水系数和第一体积信息;
第八获得单元,所述第八获得单元用于获得第一预设运算规则;
第三确定单元,所述第三确定单元用于依据所述第二预设运算规则,通过所述第一吸水系数、所述第一净水时长信息和所述第一体积信息,确定所述第一净化供水损耗估值。
进一步的,所述***包括:
第九获得单元,所述第九获得单元用于根据第一输送方式,获得第二材料信息和第一输送时长信息;
第四确定单元,所述第四确定单元用于根据所述第二材料信息,确定第二吸水系数和第一输送长度信息;
第十获得单元,所述第十获得单元用于获得第二预设运算规则;
第五确定单元,所述第五确定单元用于依据所述第二预设运算规则,通过所述第二吸水系数、所述第一输送时长信息和所述第一输送长度信息,确定所述第一输送供水损耗估值。
进一步的,所述***包括:
第十一获得单元,所述第十一获得单元用于根据第一图像采集装置,获得所述第一材料表面图像信息;
第十二获得单元,所述第十二获得单元用于对所述第一材料表面图像信息进行卷积特征提取,获得第一特征信息,所述第一特征信息包括第一孔隙大小特征集合和第一孔隙形貌特征集合;
第十三获得单元,所述第十三获得单元用于将所述第一孔隙大小特征集合和第一孔隙形貌特征集合输入第一聚类模型,获得第一分区结果;
第十四获得单元,所述第十四获得单元用于将所述第一孔隙大小特征集合和第一孔隙形貌特征集合在所述第一分区结果中遍历,获得第一分区特征信息;
第十五获得单元,所述第十五获得单元用于根据所述第一分区特征信息,获得第一分区吸水系数;
第一采集单元,所述第一采集单元用于采集所有分区的吸水系数,组成吸水系数集合;
第一设置单元,所述第一设置单元用于将所述吸水系数集合作为所述第一吸水系数。
进一步的,所述***包括:
第十六获得单元,所述第十六获得单元用于根据所述第一供水对象,获得第一用水量;
第十七获得单元,所述第十七获得单元用于根据所述第一泵站智慧管理***,获得第一工作时长,所述第一工作时长和所述第一用水量具有一一对应的关系;
第六确定单元,所述第六确定单元用于根据所述第一泵站出水流量测算系数,确定第一泵站出水流量测算公式:
Q:第一泵站出水流量;k:第一泵站出水流量测算系数;Q1:第一用水量;T:第一工作时长
第二计算单元,所述第二计算单元用于根据所述第一泵站出水流量测算公式,输入各项数据,计算所述第一泵站出水流量。
进一步的,所述***还包括:
第十八获得单元,所述第十八获得单元用于根据所述第二材料表面图像信息,获得第一破损信息;
第十九获得单元,所述第十九获得单元用于根据所述第一破损信息,获得第一破损程度信息;
第二十获得单元,所述第二十获得单元用于获得第一破损程度阈值;
第一判断单元,所述第一判断单元用于判断所述第一破损程度是否在所述第一破损程度阈值之内;
第二十一获得单元,所述第二十一获得单元用于对所述第一破损程度在所述第一破损程度阈值之内的所述第一破损信息进行标记,获得第一标记信息;
第二十二获得单元,所述第二十二获得单元用于根据所述第一标记信息,获得第一修正系数;
第二十三获得单元用于根据所述第一修正系数修正所述第一泵站出水流量测算系数,获得第二泵站出水流量测算系数。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备,
基于与前述实施例中一种泵站出水流量智能测算方法相同的发明构思,本申请实施例还提供了一种泵站出水流量智能测算***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得***以执行第一方面任一项所述的方法
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种泵站出水流量智能测算方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种泵站出水流量智能测算方法,其中,所述方法应用于一泵站智慧管理***,所述方法包括:获得第一供水对象;根据所述第一泵站智慧服务***,获得第一水资源类别;根据所述第一水资源类别和所述第一供水对象,确定第一净水设备和第一输送方式;根据所述第一净水设备,获得第一净化供水损耗估值;根据所述第一输送方式,获得第一输送供水损耗估值;将所述第一净化供水损耗估值和所述第一输送供水损耗估值输入第一出水流量测算系数确定模型,获得第一泵站出水流量测算系数;依据所述第一泵站出水流量测算系数,计算得到第一泵站出水流量。达到了通过依据水资源类别,匹配输送方式和净水设备,再分别确定在净水过程中和输送过程中的依据泵站实际情况得到的耗水程度,依据这两步骤的耗水程度通过智能化模型分析确定出水量测算系数,最后依据出水量测算系数确定合理的实时的泵站出水量,个体化程度更高的泵站出水量的测算方式的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种泵站出水流量智能测算方法,其中,所述方法应用于一泵站智慧管理***,所述方法包括:
获得第一供水对象;
根据所述第一泵站智慧服务***,获得第一水资源类别;
根据所述第一水资源类别和所述第一供水对象,确定第一净水设备和第一输送方式;
根据所述第一净水设备,获得第一净化供水损耗估值;
根据所述第一输送方式,获得第一输送供水损耗估值;
将所述第一净化供水损耗估值和所述第一输送供水损耗估值输入第一出水流量测算系数确定模型,获得第一泵站出水流量测算系数;
依据所述第一泵站出水流量测算系数,计算得到第一泵站出水流量。
2.如权利要求1所述的方法,其中,所述根据所述第一净化供水损耗估值和所述第一输送供水损耗估值,获得第一泵站出水流量测算系数,包括:
将所述第一净化供水损耗估值和所述第一输送供水损耗估值输入第一出水流量测算系数确定模型;
所述第一出水流量测算系数确定模型由多组训练数据获得,所述多组数据包括:所述第一净化供水损耗历史数据、所述第一输送供水损耗历史数据和标识所述第一泵站出水流量测算系数的标识信息。
获得第一输出结果,所述第一输出结果中包括所述第一泵站出水流量测算系数。
3.如权利要求1所述的方法,其中,所述根据所述第一净水设备,获得第一净化供水损耗估值,包括:
根据所述第一净水设备,获得第一净水层级信息和第一净水时长信息;
根据所述第一净水层级信息,获得第一材料信息;
根据所述第一材料信息,确定第一吸水系数和第一体积信息;
获得第一预设运算规则;
依据所述第二预设运算规则,通过所述第一吸水系数、所述第一净水时长信息和所述第一体积信息,确定所述第一净化供水损耗估值。
4.如权利要求1所述的方法,其中,所述根据所述第一输送方式,获得第一输送供水损耗估值,包括:
根据第一输送方式,获得第二材料信息和第一输送时长信息;
根据所述第二材料信息,确定第二吸水系数和第一输送长度信息;
获得第二预设运算规则;
依据所述第二预设运算规则,通过所述第二吸水系数、所述第一输送时长信息和所述第一输送长度信息,确定所述第一输送供水损耗估值。
5.如权利要求3所述的方法,其中,所述根据所述第一材料信息,确定第一吸水系数,包括:
根据第一图像采集装置,获得所述第一材料表面图像信息;
对所述第一材料表面图像信息进行卷积特征提取,获得第一特征信息,所述第一特征信息包括第一孔隙大小特征集合和第一孔隙形貌特征集合;
将所述第一孔隙大小特征集合和第一孔隙形貌特征集合输入第一聚类模型,获得第一分区结果;
将所述第一孔隙大小特征集合和第一孔隙形貌特征集合在所述第一分区结果中遍历,获得第一分区特征信息;
根据所述第一分区特征信息,获得第一分区吸水系数;
采集所有分区的吸水系数,组成吸水系数集合;
将所述吸水系数集合作为所述第一吸水系数。
7.如权利要求1所述的方法,其中,所述方法还包括:
根据所述第二材料表面图像信息,获得第一破损信息;
根据所述第一破损信息,获得第一破损程度信息;
获得第一破损程度阈值;
判断所述第一破损程度是否在所述第一破损程度阈值之内;
对所述第一破损程度在所述第一破损程度阈值之内的所述第一破损信息进行标记,获得第一标记信息;
根据所述第一标记信息,获得第一修正系数;
根据所述第一修正系数修正所述第一泵站出水流量测算系数,获得第二泵站出水流量测算系数。
8.一种泵站出水流量智能测算***,其中,所述***包括:
第一获得单元,所述第一获得单元用于获得第一供水对象;
第二获得单元,所述第二获得单元用于根据所述第一泵站智慧服务***,获得第一水资源类别;
第一确定单元,所述第一确定单元用于根据所述第一水资源类别和所述第一供水对象,确定第一净水设备和第一输送方式;
第三获得单元,所述第三获得单元用于根据所述第一净水设备,获得第一净化供水损耗估值;
第四获得单元,所述第四获得单元用于根据所述第一输送方式,获得第一输送供水损耗估值;
第五获得单元,所述第五获得单元用于将所述第一净化供水损耗估值和所述第一输送供水损耗估值输入第一出水流量测算系数确定模型,获得第一泵站出水流量测算系数;
第一计算单元,所述第一计算单元用于依据所述第一泵站出水流量测算系数,计算得到第一泵站出水流量。
9.一种泵站出水流量智能测算***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使***以执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111292159.1A CN113987948B (zh) | 2021-11-03 | 2021-11-03 | 一种泵站出水流量智能测算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111292159.1A CN113987948B (zh) | 2021-11-03 | 2021-11-03 | 一种泵站出水流量智能测算方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113987948A true CN113987948A (zh) | 2022-01-28 |
CN113987948B CN113987948B (zh) | 2022-11-04 |
Family
ID=79746041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111292159.1A Active CN113987948B (zh) | 2021-11-03 | 2021-11-03 | 一种泵站出水流量智能测算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113987948B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117130280A (zh) * | 2023-09-25 | 2023-11-28 | 南栖仙策(南京)高新技术有限公司 | 泵房控制方法、装置、电子设备及存储介质 |
CN117309106A (zh) * | 2023-10-08 | 2023-12-29 | 苏州东剑智能科技有限公司 | 一种水流量测量数据的智能纠偏方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1986981A (zh) * | 2005-12-21 | 2007-06-27 | 株式会社东芝 | 用于水分配及管道的信息分析*** |
US20070166169A1 (en) * | 2004-03-16 | 2007-07-19 | Abb Oy | Method and arrangement for controlling a pumping station |
US20080183336A1 (en) * | 2007-01-31 | 2008-07-31 | Halliburton Energy Services Inc. | Methods for managing flow control valves in process systems |
JP2010037803A (ja) * | 2008-08-05 | 2010-02-18 | Sayama Seisakusho:Kk | ポンプ直送給水システムおよびポンプ直送給水方法 |
CN102033969A (zh) * | 2009-09-29 | 2011-04-27 | Sgi工程有限公司 | 供水管网管理***及方法 |
CN102930480A (zh) * | 2012-11-19 | 2013-02-13 | 甘肃省电力公司电力科学研究院 | 水电厂能效综合评价***及能效综合评价方法 |
CN103374938A (zh) * | 2012-04-27 | 2013-10-30 | 株式会社日立制作所 | 供水运用控制装置 |
CN103899599A (zh) * | 2014-04-24 | 2014-07-02 | 徐州重型机械有限公司 | 一种即时流量匹配的控制方法、***及起重机 |
CN203930457U (zh) * | 2014-02-19 | 2014-11-05 | 中国能源建设集团广东省电力设计研究院 | 电厂用水全数字化监测***及自平衡水务*** |
CN104533806A (zh) * | 2014-11-04 | 2015-04-22 | 合肥工业大学 | 一种大功率光伏水泵***群控出水量最大化控制算法 |
CN106094903A (zh) * | 2016-08-26 | 2016-11-09 | 曼瑞德集团有限公司 | 一种净水机出水流量控制*** |
CN106503313A (zh) * | 2016-10-10 | 2017-03-15 | 济南大学 | 串并联梯级泵站输水***运行效率计算方法及*** |
CN109345044A (zh) * | 2018-11-27 | 2019-02-15 | 广东工业大学 | 一种基于可变长基因遗传算法的泵站优化调度方法 |
CN109657327A (zh) * | 2018-12-13 | 2019-04-19 | 扬州大学 | 泵装置出水流道综合性能的评价方法 |
-
2021
- 2021-11-03 CN CN202111292159.1A patent/CN113987948B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070166169A1 (en) * | 2004-03-16 | 2007-07-19 | Abb Oy | Method and arrangement for controlling a pumping station |
CN1986981A (zh) * | 2005-12-21 | 2007-06-27 | 株式会社东芝 | 用于水分配及管道的信息分析*** |
US20080183336A1 (en) * | 2007-01-31 | 2008-07-31 | Halliburton Energy Services Inc. | Methods for managing flow control valves in process systems |
JP2010037803A (ja) * | 2008-08-05 | 2010-02-18 | Sayama Seisakusho:Kk | ポンプ直送給水システムおよびポンプ直送給水方法 |
CN102033969A (zh) * | 2009-09-29 | 2011-04-27 | Sgi工程有限公司 | 供水管网管理***及方法 |
CN103374938A (zh) * | 2012-04-27 | 2013-10-30 | 株式会社日立制作所 | 供水运用控制装置 |
CN102930480A (zh) * | 2012-11-19 | 2013-02-13 | 甘肃省电力公司电力科学研究院 | 水电厂能效综合评价***及能效综合评价方法 |
CN203930457U (zh) * | 2014-02-19 | 2014-11-05 | 中国能源建设集团广东省电力设计研究院 | 电厂用水全数字化监测***及自平衡水务*** |
CN103899599A (zh) * | 2014-04-24 | 2014-07-02 | 徐州重型机械有限公司 | 一种即时流量匹配的控制方法、***及起重机 |
CN104533806A (zh) * | 2014-11-04 | 2015-04-22 | 合肥工业大学 | 一种大功率光伏水泵***群控出水量最大化控制算法 |
CN106094903A (zh) * | 2016-08-26 | 2016-11-09 | 曼瑞德集团有限公司 | 一种净水机出水流量控制*** |
CN106503313A (zh) * | 2016-10-10 | 2017-03-15 | 济南大学 | 串并联梯级泵站输水***运行效率计算方法及*** |
CN109345044A (zh) * | 2018-11-27 | 2019-02-15 | 广东工业大学 | 一种基于可变长基因遗传算法的泵站优化调度方法 |
CN109657327A (zh) * | 2018-12-13 | 2019-04-19 | 扬州大学 | 泵装置出水流道综合性能的评价方法 |
Non-Patent Citations (3)
Title |
---|
A A YUSOF等: "Slip flow coefficient analysis in water hydraulics gear pump for environmental friendly application", 《IOP CONFERENCE SERIES: MATERIALS SCIENCE AND ENGINEERING》 * |
杨文洲: "南水北调东线一期金湖泵站流量系数率定分析", 《江苏水利》 * |
王彤等: "T市供水泵站优化运行调度", 《水电能源科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117130280A (zh) * | 2023-09-25 | 2023-11-28 | 南栖仙策(南京)高新技术有限公司 | 泵房控制方法、装置、电子设备及存储介质 |
CN117130280B (zh) * | 2023-09-25 | 2024-03-15 | 南栖仙策(南京)高新技术有限公司 | 泵房控制方法、装置、电子设备及存储介质 |
CN117309106A (zh) * | 2023-10-08 | 2023-12-29 | 苏州东剑智能科技有限公司 | 一种水流量测量数据的智能纠偏方法 |
CN117309106B (zh) * | 2023-10-08 | 2024-04-02 | 苏州东剑智能科技有限公司 | 一种水流量测量数据的智能纠偏方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113987948B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113987948B (zh) | 一种泵站出水流量智能测算方法及*** | |
CN111695730B (zh) | 基于arima及rnn的立磨振动预测方法及装置 | |
CN111027730A (zh) | 一种基于阀门操作和在线用水计量的供水管网漏失高效定位方法 | |
CN102531121A (zh) | 水处理混凝剂最佳投量预测***及预测方法 | |
CN114061705A (zh) | 一种智能化水位监测分析预警方法及*** | |
CN104866922B (zh) | 一种用户离网的预测方法及装置 | |
CN112070284A (zh) | 用于件量预测的筛选方法、装置、设备和存储介质 | |
CN111932106B (zh) | 一种有效实用的云制造任务与服务资源匹配方法 | |
CN112348290A (zh) | 河流水质预测方法、装置、存储介质及设备 | |
CN112818495A (zh) | 一种新型管道压降测算算法参数的动态修正方法 | |
CN112884590A (zh) | 基于机器学习算法的电网企业融资决策方法 | |
CN112700162A (zh) | 轨道交通空调运行状态的评估方法及装置 | |
CN103646670A (zh) | 一种评估存储***性能的方法和设备 | |
CN116977144A (zh) | 一种地表径流污染负荷计算方法、装置、设备及存储介质 | |
JP6896391B2 (ja) | 取水計画装置、取水システム及び取水計画方法 | |
CN114339477B (zh) | 一种基于多表合一的数据采集管理方法及*** | |
CN110991616A (zh) | 一种基于删减型前馈小世界神经网络出水bod预测方法 | |
CN106372811A (zh) | 城市电网运行指标筛选方法与*** | |
CN111174824B (zh) | 一种酸雾排放的管控平台 | |
CN111859783B (zh) | 水压预测方法、***、存储介质、设备、城市供水*** | |
CN109858669A (zh) | 一种基于熵值法的欠费停复电投诉倾向预测方法 | |
CN111161121A (zh) | 确定河流水质对流域土地利用组成响应突变的方法及*** | |
CN115629715B (zh) | 一种提高闪存中块类型判断准确率的方法及*** | |
US20240086870A1 (en) | Method, internet of things (iot) system, and medium for disposing emergency gas supply of smart gas | |
CN113125321B (zh) | 一种过冷水流态冰凝结核检测及自动消除的在线监测*** |
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 | ||
CB02 | Change of applicant information |
Address after: 226000 West of Floor 3, Building 3 #, Chongchuan Science and Technology Innovation Park, No. 30, Zilang Road, Chongchuan District, Nantong, Jiangsu Applicant after: Jiangsu Silian Water Technology Co.,Ltd. Address before: 226000 West of Floor 3, Building 3 #, Chongchuan Science and Technology Innovation Park, No. 30, Zilang Road, Chongchuan District, Nantong, Jiangsu Applicant before: JIANGSU SILIAN AUTOMATION TECHNOLOGY CO.,LTD. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |