CN116611674B - 一种建筑供给水智能调度运行方法 - Google Patents
一种建筑供给水智能调度运行方法 Download PDFInfo
- Publication number
- CN116611674B CN116611674B CN202310890743.XA CN202310890743A CN116611674B CN 116611674 B CN116611674 B CN 116611674B CN 202310890743 A CN202310890743 A CN 202310890743A CN 116611674 B CN116611674 B CN 116611674B
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- value
- water supply
- obtaining
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000008400 supply water Substances 0.000 title claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 213
- 230000035772 mutation Effects 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 47
- 238000012937 correction Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000011017 operating method Methods 0.000 claims 1
- 238000005192 partition Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种建筑供给水智能调度运行方法。首先采集建筑高层用户供水压力历史数据序列和其下层用户供水流量历史数据序列,根据供水压力历史数据序列和供水流量历史数据序列的负相关性和供水流量历史数据序列受噪声影响程度较小,由此获取变化趋势突变程度;进一步分析供水压力历史数据序列的噪声影响程度,获取数据预测可信度,由此自适应历史数据的范围,现有技术中可通过指数平滑等时序数据去噪方法实现去噪处理。最后将去噪后的供水压力数据传输至分析平台,建筑供给水智能调度运行。本方案通过优化历史范围的选取,提高预测值的准确性,改善了因为历史范围选取不当导致的去噪效果差。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种建筑供给水智能调度运行方法。
背景技术
建筑供给水智能调度运行是指通过物联网、人工智能等技术手段对建筑供给水***进行实时监测、调度和优化,以提高供水***的效率、安全性和可靠性,保障用户正常用水。但由于建筑高层与低层之间存在一定的高度差,高层供水需克服更大的重力,故供水调度需要采用增压泵组、智能调节器等技术手段来提高水压,保证高层用水的正常供应。如果供水***的压力不能满足高层建筑的需求,则会出现水压不稳导致高层供水不足的问题,影响用户正常生活和工作。因此需要采集建筑内各用户的供水压力数据进行分析和处理,进而根据预先设定的供水策略和控制算法,通过控制中心对供水***进行智能控制和调度。
然而由于传感器本身具有一定的测量误差和精度限制,以及传输时受到电磁干扰、阻抗失配等因素的影响,会导致采集的数据存在一定的噪声,影响后续供给水智能调度的准确性。现有技术中可通过指数平滑等时序数据去噪方法,这些数据去噪方法均需要基于历史数据对当前值进行预测和平滑处理。若历史数据范围选择不当,在选择的数据范围内受噪声影响较大,且变化趋势复杂多变时,会导致获取的预测值不准确,从而令去噪效果较差,进一步影响建筑供水调度的控制效率。
发明内容
为了解决上述历史范围选取不佳导致指数平滑算法去噪效果差,影响供水的准确调度问题,本发明目的在于提供一种建筑供给水智能调度运行方法,所采用的技术方案具体如下:
一种建筑供给水智能调度运行方法,所述方法包括以下步骤:
获取每个用户在预设初始历史数据范围中的历史时序数据;获取高层建筑中目标用户的历史时序数据中的供水压力数据序列,获取所述目标用户的参考用户的历史时序数据中的供水流量数据序列;所述参考用户为所述目标用户的所有下层用户;
根据所述供水流量数据序列的整体数据值变化趋势和局部数据值变化趋势获得变化趋势突变程度;
获取所述供水流量数据序列的第一差分序列;获取所述供水压力数据序列的第二差分序列;根据数据值将所述第一差分序列中的数据进行分组,获得第一数据组,所述第一数据组在所述第二差分序列中对应时间点的数据为第二数据组;根据所述供水流量数据序列和所述供水压力数据序列中相同时刻位置下的数据变化趋势差异,筛选出异常时间点;根据所述第二数据组中的数据波动程度、所述第一数据组中的数据波动程度、所述第一数据组中的异常时间点数量特征和所述变化趋势突变程度,获得数据预测可信度;
根据所述数据预测可信度调整所述初始历史数据范围,获得参考历史数据范围;根据所述参考历史数据范围中的历史时序数据对所述目标用户的供水压力时序数据进行去噪,获得增强供水压力数据;
将所述增强供水压力数据传输至分析平台,执行所述目标用户的建筑供给水的智能调度。
进一步地,所述局部数据值变化趋势的获取方法,具体包括:
根据所述供水流量数据序列中的数据值变化特征确定分割点,根据所述分割点将所述供水流量数据序列分割,获取序列段;
若所述序列段的时长小于预设长度阈值,则局部波动值为预设第一数值;若所述序列段的时长大于等于所述长度阈值,则调整所述序列段内数据值方差的值域,获得局部波动值,序列段内数据值方差的值域调整后的最小值大于等于所述预设第一数值;
以所述序列段内数据极差与对应序列段长度的比值作为局部变化幅度;
将局部波动值相乘局部变化幅度,获得局部变化特征值;将局部变化特征值求平均,获得局部数据值变化趋势。
进一步地,所述分割点获取方法,具体包括:
以所述供水流量数据序列中极值点和所述序列段的端点作为分割点。
进一步地,所述整体数据值变化趋势的获取方法,具体包括:
计算所述序列段段内均值,获取均值集合;根据所述均值集合进行直线拟合,获得直线斜率绝对值;
若所述序列段的数量为1,则所述整体数据值变化趋势为预设第二数值;若所述序列段的数量大于1,则将所述直线斜率绝对值的值域进行调整,获得所述整体数据值变化趋势,所述直线斜率绝对值的值域调整后的最小值大于等于所述第二数值。
进一步地,所述变化趋势突变程度的获取方法,具体包括:
将所述供水流量数据序列的所述局部数据值变化趋势和所述整体数据值变化趋势相乘,获取所述变化趋势突变程度。
进一步地,所述第一数据组的获取方法,具体包括:
将第一差分序列数据值相同的分为一组数据,获得数据分组,获取数组内均值作为数组的标准数据值,按照顺序遍历出只有一个数据的数组将其并入语气标准数据值的差值绝对值最小的数据组,重复此过程,直至数据分组中没有只有一个数据的数组,获取第一数据组。
进一步地,所述异常时间点的获取方法包括:
若所述第一差分序列和所述第二差分序列之间相同时刻位置对应元素的符号相同,则认定对应时刻位置为所述异常时间点。
进一步地,所述数据预测可信度的获取方法包括:
计算所述第一数据组的数据方差,获取所述第一数据组的数据波动程度;
计算所述第二数据组的数据方差,获取所述第二数据组的数据波动程度;
若第二数据组中异常时间点数量为0,则异常时间点数量特征为预设第三数值;若第二数据组中异常时间点数量大于0,计算异常时间点的的占比,以所述占比与所述第三数值的和值作为异常时间点数量特征;
将第一数据组的数据波动程度反比例归一化,获得调整权重;根据所述调整权重调整第二数据组的数据波动程度,获取每个第二数据组噪声存在可能性;
计算噪声存在可能性与异常时间点数量特征乘积值,获得每个第二数据组的初始噪声影响程度;将所有所述第二数据组的所述初始噪声影响程度累加后并归一化,获取所述供水压力数据序列的噪声影响程度;
通过所述噪声影响程度校正变化趋势突变程度,获得校正值,根据校正值获得所述数据预测可信度,所述校正值与所述数据预测可信度呈负相关关系。
进一步地,所述参考历史数据范围的获取方法包括:
根据当前时刻对应的初始历史数据范围中历史时序数据,获得所述目标用户在当前时刻的所述数据预测可信度;获得所述目标用户在所述当前时刻的前一时刻下的所述数据预测可信度;
若所述当前时刻下的数据预测可信度与所述前一时刻下的数据预测可信度的差值大于预设判断阈值,则按照预设调整步长增大所述初始历史数据范围;若所述前一时刻下的数据预测可信度与所述当前时刻下的数据预测可信度的差值大于预设判断阈值,则按照预设调整步长减小所述初始历史数据范围;否则所述初始历史数据范围不变;获得所述参考历史数据范围。
进一步地,所述增强供水压力数据,具体包括:
利用自适应选取历史数据范围的指数平滑算法将所述目标用户的供水压力时序数据进行去噪,获得增强供水压力数据。
本发明具有如下有益效果:
在本发明实施例中,根据供水流量数据序列的整体数据值变化趋势和局部数据值变化趋势获得变化趋势突变程度,使用供水流量数据序列来反映供水压力数据序列,能够降低变化趋势突变程度受噪声影响程度,提高预测预测数据稳定性。根据供水流量数据序列和供水压力数据序列中相同时刻位置下的数据变化趋势差异,筛选出异常时间点,能够准确反映供水压力数据序列中一定存在噪声点的数量特征。数据预测可信度能够获得历史时序数据的可信度,根据数据预测可信度调整所述初始历史数据范围,获得参考历史数据范围,能够获得准确、数据变化趋势平滑的历史时序数据,避免历史数据范围选取不当导致的去噪效果差以及历史数据范围过大导致的预测数据滞后性和波动性。进而通过参考历史数据范围中的历史时序数据对目标用户的供水压力时序数据进行去噪,保证增强供水压力数据的准确性。最终将增强供水压力数据传输至分析平台,有助于目标用户的建筑供给水的智能调度,改善用户的用水体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种建筑供给水智能调度运行方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种建筑供给水智能调度运行方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
在本发明实施例中,实施场景为建筑供给水的智能调度,需要采集建筑内各个用户的供水压力数据序列进行分析和处理,进而根据预先设定的供水策略和控制算法,通过控制中心对供水***进行智能控制和调度。然而由于传感器本身具有一定的测量误差和精度限制,以及传输时受到电磁干扰、阻抗失配等因素的影响,会导致采集历史数据存在一定的噪声,影响后续供给水智能调度的准确性。为了解决上述历史范围选取不佳导致去噪效果差,因此本发明采用了基于数据预测可信度自适应调整初始历史数据范围的方法。
一种建筑供给水智能调度运行方法实施例:
下面结合附图具体的说明本发明所提供的一种建筑供给水智能调度运行方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种建筑供给水智能调度运行方法流程图,该方法包括以下步骤:
步骤S1,获取每个用户在预设初始历史数据范围中的历史时序数据;获取高层建筑中目标用户的历史时序数据中的供水压力数据序列,获取目标用户的参考用户的历史时序数据中的供水流量数据序列;参考用户为目标用户的所有下层用户。
因为多层建筑物中通常采用垂直布置的供水管网结构,当低层用户的用水量增大时,高层用户的供水压力会减少,故高层供水压力数据序列和底层供水流量数据序列之间存在负相关性。供水压力数据序列中的实际数据变化趋势受噪声的影响,造成预测数据准确性较低。而时序数据中的噪声点通常是出现位置随机、数量较少、持续时间短暂,各下层用户的供水流量历史时序数据中的噪声是相互独立的,故通过多个时序数据加和获取的供水流量数据序列中噪声会被平滑掉,从而使得数据变化趋势受噪声影响较小。因为供水压力数据序列和供水流量数据序列的负相关性和供水流量数据序列受噪声影响较小,所以需要同时获取高层建筑中目标用户的历史时序数据中的供水压力数据序列和目标用户的参考用户的历史时序数据中的供水流量数据序列,其中参考用户为目标用户的所有下层用户。通过供水流量数据中的信息作为供水压力数据的参考信息,在后续步骤中实现对初始历史数据范围的调整。
本发明一个实施例中,选取的初始历史数据范围T=30,单位为小时。需要说明的是,具体初始历史数据范围因T的设定,实施者可根据实际情况自行设定。
需要说明的是,本发明一个实施例中考虑到数据处理的简便性,将所有参考用户的初始供水流量数据序列相同时序位置的元素累加所形成的一个序列作为目标用户的参考用户的供水流量数据序列。
步骤S2,根据供水流量数据序列的整体数据值变化趋势和局部数据值变化趋势获得变化趋势突变程度。
使用供水流量数据序列B突变程度反映供水压力数据序列A突变程度,因为多层建筑物中通常采用垂直布置的供水管网结构,当低层用户的用水量增大时,高层用户的供水压力会减少,故供水压力数据序列A和供水流量数据序列B之间存在负相关性。供水压力数据序列A中的实际数据变化趋势受噪声的影响,造成预测数据准确性较低。而时序数据中的噪声点通常是出现位置随机、数量较少、持续时间短暂,各下层用户的供水流量历史时序数据中的噪声是相互独立的,故通过多个时序数据加和获取的供水流量数据序列B中噪声会被平滑掉,从而使得数据变化趋势受噪声影响较小,因此可通过供水流量数据序列B的数据变化趋势特征的突变程度反映供水压力数据序列A受噪声影响程度较小时的实际数据变化趋势特征的突变程度。为了分析供水流量数据序列的突变程度,从整体变化和局部趋势变化共同分析,能够准确分析供水流量数据序列的变化特征,获得突变程度。
优选地,在本发明一个实施例中局部数据值变化趋势获取方法包括:
根据供水流量数据序列中的数据值变化特征确定分割点,根据分割点将供水流量数据序列分割,获取序列段;
若序列段的时长小于预设长度阈值,则局部波动值为预设第一数值;若序列段的时长大于等于长度阈值,则调整序列段内数据值方差的值域,获得局部波动值,序列段内数据值方差的值域调整后的最小值大于等于预设第一数值;
以序列段内数据极差与对应序列段长度的比值作为局部变化幅度;
将局部波动值相乘局部变化幅度,获得局部变化特征值;将局部变化特征值求平均,获得局部数据值变化趋势。
本发明一个实施例中局部数据值变化趋势公式包括:
其中,为局部数据值变化趋势,/>表示供水流量数据序列B分割的序列段的数量,表示局部波动值,/>与/>表示供流量数据序列B分割的第/>个序列段内数据极大值和极小值,/>表示供水流量数据序列B分割的第/>个序列段的时长,/>表示供水流量数据序列B分割的第/>个序列段内相邻数据差值绝对值方差,/>为以自然常数e为底的指数函数,/>为指数函数的第一调整值,防止指数函数过早趋于0,本方案令指数函数的/>为0.05,令预设长度阈值为3,令预设第一数值为1,实施者可自行设置。
在局部波动值公式中,序列段内数据值方差体现了序列段内各数据点的变化趋势差异,当序列段的时长小于3时,序列段过短,求取序列段方差无意义,设定局部波动值/>为为1;当序列段的时长大于等于3,设定局部波动值/>为/>,局部波动值域/>区间为[1,2),区别于求取数列段方差无意义的情况,可以体现序列段内各数据点的变化趋势差异。在局部数据值变化趋势公式中,采用公式/>来表示局部变化幅度,表示序列段时间内数据幅度变化极差,以局部波动值/>为局部变化幅度/>的调整值获得序列段内的变化特征,表示序列段内的变化特征,由此用/>获取供水流量数据序列B的局部数据值变化趋势/>,基于供水压力数据序列A和供水流量数据序列B之间存在负相关性,局部数据值变化趋势/>也可反映供水压力数据序列A的局部数据变化特征。
优选地,在本发明一个实施例分割点获取方法包括:
以供水流量数据序列中极值点和序列段的端点作为分割点。
需要说明的是,在本发明其他实施例中,还可选择数据变化最大的点作为分隔点,在此不做限定。
优选地,在本发明一个实施例整体数据值变化趋势获取方法包括:
计算序列段段内均值,获取均值集合;根据均值集合进行直线拟合,获得直线斜率绝对值;
若序列段的数量为1,则整体数据值变化趋势为预设第二数值;若序列段的数量大于1,则将直线斜率绝对值的值域进行调整,获得整体数据值变化趋势,直线斜率绝对值的值域调整后的最小值大于等于第二数值。本发明一个实施例中整体数据值变化趋势公式包括:
其中,为整体数据值变化趋势,/>表示供水流量数据序列B分割的序列段的数量,表示供水流量数据序列B整个序列段段内均值集合进行直线拟合的直线斜率绝对值,为以自然常数e为底的指数函数,u为指数函数的第一调整值,防止指数函数过早趋于0,本方案令u为0.05,令预设第二数值为1,实施者可自行设置。
在整体数据值变化趋势公式中,表示供水流量数据序列整体变化趋势有无明显的上升或者下降的特征。当序列段的数量/>时,序列段没有被分割,则令整体数据值变化趋势/>为预设第二数值1,当序列段的数量/>时,令整体数据值变化趋势/>为,值域区间为[1,2)。整体数据值变化趋势/>大于等于预设第二数值1,区别于序列段没有分割的情况,可以表示供水流量数据序列整体随时间的变化趋势。基于供水压力数据序列A和供水流量数据序列B之间存在负相关性,整体数据值变化趋势/>也可反映供水压力数据序列A的整体数据变化特征。
优选地,在本发明一个实施例中,变化趋势突变程度的获取方法的获取方法包括:
将供水流量数据序列的局部数据值变化趋势和整体数据值变化趋势相乘,获取变化趋势突变程度。本发明一个实施例中变化趋势突变程度公式包括:
其中,为变化趋势突变程度,/>为局部数据值变化趋势,/>为整体数据值变化趋势。
在变化趋势突变程度公式中,令整体数据值变化趋势对局部数据值变化趋势/>进行校正,获取变化趋势突变程度/>,变化趋势突变程度/>可以体现供水流量数据序列B变化趋势的突变程度,变化趋势突变程度影响数据预测可信度。基于供水压力数据序列A和供水流量数据序列B之间存在负相关性,因此变化趋势突变程度/>可以表示A的实际数据变化趋势特征的突变程度。变化趋势突变程度/>越大,数据预测越不准确。
步骤S3,获取供水流量数据序列的第一差分序列;获取供水压力数据序列的第二差分序列;根据数据值将第一差分序列中的数据进行分组,获得第一数据组,第一数据组在第二差分序列中对应时间点的数据为第二数据组;根据供水流量数据序列和供水压力数据序列中相同时刻位置下的数据变化趋势差异,筛选出异常时间点;根据第二数据组中的数据波动程度、第一数据组中的数据波动程度、第一数据组中的异常时间点数量特征和变化趋势突变程度,获得数据预测可信度。
获取供水流量数据序列的第一差分序列;获取供水压力数据序列的第二差分序列。第一数据组可以体现供水流量数据序列的变化趋势差异,第二数据组为第一数据组在第二差分系列中的对应数据组,因此在后续计算过程中可将两个数据组共同分析,进而确定噪声影响程度,获得预测可信度。基于供水流量数据序列和供水压力数据序列的负相关性,通过分析第一数据组和第二数据组的波动程度可以反映水压力数据序列噪声存在可能性。
优选地,在本发明一个实施例中,第一数据组的获取方法包括:
将第一差分序列数据值相同的分为一组数据,获得数据分组,获取数组内均值作为数组的标准数据值,按照顺序遍历出只有一个数据的数组将其并入语气标准数据值的差值绝对值最小的数据组,重复此过程,直至数据分组中没有只有一个数据的数组,获取第一数据组。
在本发明一个实施例中,按照时间顺序依次计算供水流量数据序列B中前一个数据减去后一个数据的差值,获得第一差分序列,表示各数据的变化趋势。第一差分序列/>数据值相同的分为一组数据,完成数据分组,规定数组内的数据均值为数组的标准数据值,按照顺序遍历出一个只有一个数据的数组,将其并入与数组的标准数据值的差值绝对值最小的数组内,完成新的数据分组,进而重复此过程,直至数据分组中没有只有一个数据的数组,获取第一数据组。
异常时间点反映了一个时刻下数据受到噪声影响的情况,通过异常时间点的数量特征可以分析供水压力数据序列中一定存在噪声点的数量特征。因为供水流量数据序列和供水压力数据序列存在负相关关系,因此若某一时刻受到了噪声的影响,则会改变数据的相关性,因此可根据供水流量数据序列和所述供水压力数据序列中相同时刻位置下的数据变化趋势差异,筛选出异常时间点。
优选地,在本发明一个实施例中,异常时间点的获取方法包括:
若第一差分序列和第二差分序列之间相同时刻位置对应元素的符号相同,说明此时数据相关关系发生了改变,则认定对应时刻位置为异常时间点。
在本发明一个实施例中,与获取第一差分序列同理获取第二差分序列,基于供水压力数据序列A和供水流量数据序列B之间存在负相关性,可知两者变化趋势相同是正常情况,两者变化趋势相同是异常情况。按照时间顺序依次分析第一差分序列/>和第二差分序列/>,相同时刻位置对应元素的对应数据同为正或同为负,标记为1,对应时刻位置为异常时间点。
获取数据预测可信度可以反映了预测数据的可信度,通过当前时刻和其前一时刻数据进行可信度分析,根据可信度变化自适应调整历史数据范围。噪声和数据变化趋势的突变都会影响数据预测可信度,通过噪声影响程度和变化趋势突变程度获取数据预测可信度。
优选地,在本发明一个实施例中,数据预测可信度的获取方法包括:
计算第一数据组的数据方差,获取第一数据组的数据波动程度;
计算第二数据组的数据方差,获取第二数据组的数据波动程度;
若第二数据组中异常时间点数量为0,则异常时间点数量特征为预设第三数值;若第二数据组中异常时间点数量大于0,计算异常时间点的的占比,以占比与第三数值的和值作为异常时间点数量特征;
将第一数据组的数据波动程度反比例归一化,获得调整权重;根据调整权重调整第二数据组的数据波动程度,获取每个第二数据组的噪声存在可能性;
计算噪声存在可能性与异常时间点数量特征乘积值,获得每个第二数据组的初始噪声影响程度;将所有第二数据组的初始噪声影响程度累加后并归一化,获取供水压力数据序列的噪声影响程度;
通过噪声影响程度校正变化趋势突变程度,获得校正值,根据校正值获得数据预测可信度,校正值与数据预测可信度呈负相关关系。本发明一个实施例中数据预测可信度公式包括:
其中,表示数据预测可信度,/>表示噪声影响程度,/>表示趋势突变程度,/>表示第一数据组的中第/>组中的数据波动程度,/>表示第一数据组的中第/>组中的数据波动程度对应在第二数据组中的数据波动程度,/>表示第一数据组第/>个数组中异常时间点的数量,/>表示第一数据组第/>个数组中数据的数量,/>为归一化至[0,1]区间内。/>为以自然常数e为底的指数函数,/>为指数函数的第二调整值,防止指数函数过早趋于0,本方案令/>为0.1,令预设第三数值为1,实施者可自行设置。
在数据预测可信度公式中,当第一数据组第个数组中不存在异常时间点时,异常时间点数量特征为预设第三数值1;当一定存在异常时间点,异常时间点数量特征为/>,异常时间点数量特征值域大于不存在异常时间点的情况,异常时间点数量特征体现了供水压力数据序列A一定存在噪声的数量特征。基于供水压力数据序列A和供水流量数据序列B之间存在负相关性,供水流量数据序列B受噪声影响较小,故受噪声影响程度小的供水压力数据序列A变化趋势应该与供水流量数据序列B变化趋势相似。/>体现这组数据受到的噪声影响程度和本身变化趋势差异程度,差异/>越大,说明/>受数据本身变化趋势差异的影响,其值偏大,需要较小的调整值,当差异/>越小,说明/>只受噪声影响,其值越准确,令调整值趋于1,因此以/>为/>的调整;计算噪声存在可能性与异常时间点数量特征的乘积表示该数组中数据对应在第二数据组中数据存在噪声的可能性。由此累加后并归一化,获取供水压力数据序列的噪声影响程度。当前场景中建筑高层用户供水压力数据不仅受到噪声的影响,还会受到低层用户用水造成数据变化趋势突变的影响。噪声影响程度/>和趋势突变程度/>影响预测数据的准确性,从而导致去噪效果较差。故以/>为/>的校正系数,获得校正值。对/>加1为防止校正系数为0,获取供水压力数据序列A数据预测的可信度。
步骤S4,根据数据预测可信度调整初始历史数据范围,获得参考历史数据范围;根据参考历史数据范围中的历史时序数据对目标用户的供水压力时序数据进行去噪,获得增强供水压力数据。
数据变化趋势平稳的历史时序数据可以获取更为准确的预测数据,保障去噪效果。可通过扩大历史数据的范围,提高指数平滑算法的鲁棒性和稳定性。但过大的历史数据范围也会导致平滑值的滞后性和波动性增加。因此本方案先根据下层用户的总供水流量历史数据的变化趋势特征,获取高层用户供水压力历史数据的实际变化趋势的突变程度,再分析高层用户供水压力历史数据内的噪声影响程度,获取高层用户供水压力历史数据的可信度,由此自适应选取历史数据的范围,当历史数据可信度降低时,增加历史数据的范围,从而提高算法的鲁棒性和稳定性,保障预测数据的准确性,当历史数据可信度增加时,减少历史数据的范围,防止预测数据滞后。将获取高质量的增强供水压力数据传输至分析平台,提高目标用户的建筑供给水的智能调度的准确性。
优选地,在本发明一个实施例中,参考历史数据范围的获取方法包括:
根据当前时刻对应的初始历史数据范围中历史时序数据,获得目标用户在当前时刻的数据预测可信度;获得目标用户在当前时刻的前一时刻下的数据预测可信度;
若当前时刻下的数据预测可信度与前一时刻下的数据预测可信度的差值大于预设判断阈值,则按照预设调整步长增大初始历史数据范围;若前一时刻下的数据预测可信度与当前时刻下的数据预测可信度的差值大于预设判断阈值,则按照预设调整步长减小初始历史数据范围;否则初始历史数据范围不变;获得参考历史数据范围。
在本发明一个实施例中,选取的初始历史数据的范围T=30,设定一个区间[],令/>,再设步长为5,阈值为0.1,单位为小时,获取该建筑高层用户供水压力数据当前时刻的数据预测可信度/>,再计算前一时刻选取的当前时刻的前一时刻下的数据预测可信度/>,若/>时,令该时刻所需的参考历史数据范围T=T+5,若时,令该时刻所需参考历史数据范围T=T-5,否则令该时刻所需参考历史数据范围T=T,获得参考历史数据范围。在本发明一个实施例中,具体初始历史数据范围、历史数据范围区间、调整步长和判断阈值实施者可根据实际需求自行设定。
由此自适应选取历史数据的范围,为后续去噪处理提供准确、数据变化趋势平稳的参考历史数据范围。
优选地,在本发明一个实施例中,增强供水压力数据的获取方法包括:
利用自适应选取历史数据范围的指数平滑算法将目标用户的供水压力时序数据进行去噪,获得增强供水压力数据。
步骤S5:将增强供水压力数据传输至分析平台,执行目标用户的建筑供给水的智能调度。
将去噪后的增强供水压力数据传输至分析平台,提高目标用户的建筑供给水的智能调度的高效性。然后采用数据挖掘、机器学习等技术进行数据分析和建模,发现异常情况、识别规律和趋势,为后续的优化调度提供支持。进而基于数据分析结果,采用优化算法和控制策略,对供给水***进行智能化调度和控制,保障建筑高层用户供水压力的稳定,由此实现建筑供给水智能调度运行。
综上所述,本发明实施例提供了一种建筑供给水智能调度运行方法,首先采集建筑高层用户供水压力历史数据序列和其下层用户供水流量历史数据序列,根据供水压力历史数据序列和供水流量历史数据序列的负相关性和供水流量历史数据序列受噪声影响程度较小,由此获取变化趋势突变程度;进一步分析供水压力历史数据序列的噪声影响程度,获取数据预测可信度,由此自适应历史数据的范围,利用算法实现去噪处理。最后将去噪后的供水压力数据传输至分析平台,建筑供给水智能调度运行。本方案通过优化历史范围的选取,提高预测值的准确性,改善了因为历史范围选取不当导致的去噪效果差。
一种建筑供给水数据增强方法实施例:
由于传感器本身具有一定的测量误差和精度限制,以及传输时受到电磁干扰、阻抗失配等因素的影响,会导致采集的数据存在一定的噪声。现有技术中可通过指数平滑等时序数据去噪方法,这些数据去噪方法均需要基于历史数据对当前值进行预测和平滑处理。若历史数据范围选择不当,在选择的数据范围内受噪声影响较大,且变化趋势复杂多变时,会导致获取的预测值不准确,从而令去噪效果较差。
现有技术对建筑供给水数据的噪声滤除效果不理想,为了解决此技术问题,本实施例提供一种建筑供给水数据增强方法,包括:
步骤S1,获取每个用户在预设初始历史数据范围中的历史时序数据;获取高层建筑中目标用户的历史时序数据中的供水压力数据序列,获取目标用户的参考用户的历史时序数据中的供水流量数据序列;参考用户为目标用户的所有下层用户。
步骤S2,根据供水流量数据序列的整体数据值变化趋势和局部数据值变化趋势获得变化趋势突变程度。
步骤S3,获取供水流量数据序列的第一差分序列;获取供水压力数据序列的第二差分序列;根据数据值将第一差分序列中的数据进行分组,获得第一数据组,第一数据组在第二差分序列中对应时间点的数据为第二数据组;根据供水流量数据序列和供水压力数据序列中相同时刻位置下的数据变化趋势差异,筛选出异常时间点;根据第二数据组中的数据波动程度、第一数据组中的数据波动程度、第一数据组中的异常时间点数量特征和变化趋势突变程度,获得数据预测可信度。
步骤S4,根据数据预测可信度调整初始历史数据范围,获得参考历史数据范围;根据参考历史数据范围中的历史时序数据对目标用户的供水压力时序数据进行去噪,获得增强供水压力数据。
由于步骤S1到S4的具体实现过程在上述一种建筑供给水智能调度中已给出详细说明,不再赘述。
综上所述,首先采集建筑高层用户供水压力历史数据序列和其下层用户供水流量历史数据序列,根据供水压力历史数据序列和供水流量历史数据序列的负相关性和供水流量历史数据序列受噪声影响程度较小,由此获取变化趋势突变程度;进一步分析供水压力历史数据序列的噪声影响程度,获取数据预测可信度,由此自适应历史数据的范围,现有技术中可通过指数平滑等时序数据去噪方法实现去噪处理,获取去噪后的供水压力数据。本方案通过优化历史范围的选取,提高预测值的准确性,改善了因为历史范围选取不当导致的去噪效果差的问题。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (9)
1.一种建筑供给水智能调度运行方法,其特征在于,所述方法包括以下步骤:
获取每个用户在预设初始历史数据范围中的历史时序数据;获取高层建筑中目标用户的历史时序数据中的供水压力数据序列,获取所述目标用户的参考用户的历史时序数据中的供水流量数据序列;所述参考用户为所述目标用户的所有下层用户;
根据所述供水流量数据序列的整体数据值变化趋势和局部数据值变化趋势获得变化趋势突变程度;
获取所述供水流量数据序列的第一差分序列;获取所述供水压力数据序列的第二差分序列;根据数据值将所述第一差分序列中的数据进行分组,获得第一数据组,所述第一数据组在所述第二差分序列中对应时间点的数据为第二数据组;根据所述供水流量数据序列和所述供水压力数据序列中相同时刻位置下的数据变化趋势差异,筛选出异常时间点;根据所述第二数据组中的数据波动程度、所述第一数据组中的数据波动程度、所述第一数据组中的异常时间点数量特征和所述变化趋势突变程度,获得数据预测可信度;
根据所述数据预测可信度调整所述初始历史数据范围,获得参考历史数据范围;根据所述参考历史数据范围中的历史时序数据对所述目标用户的供水压力时序数据进行去噪,获得增强供水压力数据;
将所述增强供水压力数据传输至分析平台,执行所述目标用户的建筑供给水的智能调度;
计算所述第一数据组的数据方差,获取所述第一数据组的数据波动程度;
计算所述第二数据组的数据方差,获取所述第二数据组的数据波动程度;
若第二数据组中异常时间点数量为0,则异常时间点数量特征为预设第三数值;若第二数据组中异常时间点数量大于0,计算异常时间点的的占比,以所述占比与所述第三数值的和值作为异常时间点数量特征;
将第一数据组的数据波动程度反比例归一化,获得调整权重;根据所述调整权重调整第二数据组的数据波动程度,获取每个第二数据组噪声存在可能性;
计算噪声存在可能性与异常时间点数量特征乘积值,获得每个第二数据组的初始噪声影响程度;将所有所述第二数据组的所述初始噪声影响程度累加后并归一化,获取所述供水压力数据序列的噪声影响程度;
通过所述噪声影响程度校正变化趋势突变程度,获得校正值,根据校正值获得所述数据预测可信度,所述校正值与所述数据预测可信度呈负相关关系。
2.根据权利要求1所述的一种建筑供给水智能调度运行方法,其特征在于,获得所述局部数据值变化趋势的获取方法,具体包括:
根据所述供水流量数据序列中的数据值变化特征确定分割点,根据所述分割点将所述供水流量数据序列分割,获取序列段;
若所述序列段的时长小于预设长度阈值,则局部波动值为预设第一数值;若所述序列段的时长大于等于所述长度阈值,则调整所述序列段内数据值方差的值域,获得局部波动值,序列段内数据值方差的值域调整后的最小值大于等于所述预设第一数值;
以所述序列段内数据极差与对应序列段长度的比值作为局部变化幅度;
将局部波动值相乘局部变化幅度,获得局部变化特征值;将局部变化特征值求平均,获得局部数据值变化趋势。
3.根据权利要求2所述的一种建筑供给水智能调度运行方法,其特征在于,所述分割点获取方法,具体包括:
以所述供水流量数据序列中极值点和所述序列段的端点作为分割点。
4.根据权利要求2所述的一种建筑供给水智能调度运行方法,其特征在于,所述整体数据值变化趋势的获取方法,具体包括:
计算所述序列段段内均值,获取均值集合;根据所述均值集合进行直线拟合,获得直线斜率绝对值;
若所述序列段的数量为1,则所述整体数据值变化趋势为预设第二数值;若所述序列段的数量大于1,则将所述直线斜率绝对值的值域进行调整,获得所述整体数据值变化趋势,所述直线斜率绝对值的值域调整后的最小值大于等于所述第二数值。
5.根据权利要求1所述的一种建筑供给水智能调度运行方法,其特征在于,所述变化趋势突变程度的获取方法,具体包括:
将所述供水流量数据序列的所述局部数据值变化趋势和所述整体数据值变化趋势相乘,获取所述变化趋势突变程度。
6.根据权利要求1所述的一种建筑供给水智能调度运行方法,其特征在于,所述第一数据组的获取方法,具体包括:
将第一差分序列数据值相同的分为一组数据,获得数据分组,获取数组内均值作为数组的标准数据值,按照顺序遍历出只有一个数据的数组将其并入语气标准数据值的差值绝对值最小的数据组,重复此过程,直至数据分组中没有只有一个数据的数组,获取第一数据组。
7.根据权利要求1所述的一种建筑供给水智能调度运行方法,其特征在于,所述异常时间点的获取方法包括:
若所述第一差分序列和所述第二差分序列之间相同时刻位置对应元素的符号相同,则认定对应时刻位置为所述异常时间点。
8.根据权利要求1所述的一种建筑供给水智能调度运行方法,其特征在于,所述参考历史数据范围的获取方法包括:
根据当前时刻对应的初始历史数据范围中历史时序数据,获得所述目标用户在当前时刻的所述数据预测可信度;获得所述目标用户在所述当前时刻的前一时刻下的所述数据预测可信度;
若所述当前时刻下的数据预测可信度与所述前一时刻下的数据预测可信度的差值大于预设判断阈值,则按照预设调整步长增大所述初始历史数据范围;若所述前一时刻下的数据预测可信度与所述当前时刻下的数据预测可信度的差值大于预设判断阈值,则按照预设调整步长减小所述初始历史数据范围;否则所述初始历史数据范围不变;获得所述参考历史数据范围。
9.根据权利要求1所述的一种建筑供给水智能调度运行方法,其特征在于,获得所述增强供水压力数据,具体包括:
利用自适应选取历史数据范围的指数平滑算法将所述目标用户的供水压力时序数据进行去噪,获得增强供水压力数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310890743.XA CN116611674B (zh) | 2023-07-20 | 2023-07-20 | 一种建筑供给水智能调度运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310890743.XA CN116611674B (zh) | 2023-07-20 | 2023-07-20 | 一种建筑供给水智能调度运行方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116611674A CN116611674A (zh) | 2023-08-18 |
CN116611674B true CN116611674B (zh) | 2023-09-22 |
Family
ID=87678713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310890743.XA Active CN116611674B (zh) | 2023-07-20 | 2023-07-20 | 一种建筑供给水智能调度运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611674B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117434906B (zh) * | 2023-12-18 | 2024-02-20 | 山东长兴塑料助剂股份有限公司 | 一种助滤剂粉末自动控速添加方法及*** |
CN117421538B (zh) * | 2023-12-18 | 2024-03-15 | 中铁建工集团第二建设有限公司 | 一种细节防水数据调控优化方法 |
CN117435873B (zh) * | 2023-12-21 | 2024-03-08 | 山东中都机器有限公司 | 一种基于智能喷雾降尘的数据管理方法 |
CN117493787B (zh) * | 2024-01-02 | 2024-03-15 | 山东力威液压技术有限公司 | 基于压力流量关联分析的液压阀运行数据异常预警方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104153424A (zh) * | 2014-06-10 | 2014-11-19 | 青岛沈源水务科技有限公司 | 一种基于模型的二次供水设备控制方法及其控制*** |
CN112508374A (zh) * | 2020-11-27 | 2021-03-16 | 熊猫智慧水务有限公司 | 一种基于用水曲线的调峰控制方法及装置 |
CN112594553A (zh) * | 2020-12-07 | 2021-04-02 | 熊猫智慧水务有限公司 | 一种基于压力目标曲线的管网压力调控方法 |
CN113240314A (zh) * | 2021-05-28 | 2021-08-10 | 浙江机电职业技术学院 | 二次供水错峰调度*** |
CN113465019A (zh) * | 2021-07-07 | 2021-10-01 | 北京市公用事业科学研究所 | 一种供热管网异常失水监测***和监测方法 |
CN113849943A (zh) * | 2021-09-15 | 2021-12-28 | 淄博市水务集团有限责任公司 | 一种耦合压力先验信息的供水管网节点需水量校核方法 |
WO2022036397A1 (en) * | 2020-08-19 | 2022-02-24 | Caroma Industries Limited | A building facility water management method and system |
CN115204502A (zh) * | 2022-07-21 | 2022-10-18 | 合肥工业大学 | 压力预测模型的训练和预测方法、***、设备及存储介质 |
CN115249081A (zh) * | 2021-04-27 | 2022-10-28 | 腾讯科技(深圳)有限公司 | 一种对象类型的预测方法、装置、计算机设备和存储介质 |
CN115330224A (zh) * | 2022-08-19 | 2022-11-11 | 合肥供水集团有限公司 | 一种优化辅泵控制降低泵房能耗的方法 |
CN115829120A (zh) * | 2022-11-29 | 2023-03-21 | 中国环境科学研究院 | 基于机器学习方法的水质预测预警*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3177585A1 (en) * | 2021-04-16 | 2022-10-16 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for digital product network systems and biology-based value chain networks |
-
2023
- 2023-07-20 CN CN202310890743.XA patent/CN116611674B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104153424A (zh) * | 2014-06-10 | 2014-11-19 | 青岛沈源水务科技有限公司 | 一种基于模型的二次供水设备控制方法及其控制*** |
WO2022036397A1 (en) * | 2020-08-19 | 2022-02-24 | Caroma Industries Limited | A building facility water management method and system |
CN112508374A (zh) * | 2020-11-27 | 2021-03-16 | 熊猫智慧水务有限公司 | 一种基于用水曲线的调峰控制方法及装置 |
CN112594553A (zh) * | 2020-12-07 | 2021-04-02 | 熊猫智慧水务有限公司 | 一种基于压力目标曲线的管网压力调控方法 |
CN115249081A (zh) * | 2021-04-27 | 2022-10-28 | 腾讯科技(深圳)有限公司 | 一种对象类型的预测方法、装置、计算机设备和存储介质 |
CN113240314A (zh) * | 2021-05-28 | 2021-08-10 | 浙江机电职业技术学院 | 二次供水错峰调度*** |
CN113465019A (zh) * | 2021-07-07 | 2021-10-01 | 北京市公用事业科学研究所 | 一种供热管网异常失水监测***和监测方法 |
CN113849943A (zh) * | 2021-09-15 | 2021-12-28 | 淄博市水务集团有限责任公司 | 一种耦合压力先验信息的供水管网节点需水量校核方法 |
CN115204502A (zh) * | 2022-07-21 | 2022-10-18 | 合肥工业大学 | 压力预测模型的训练和预测方法、***、设备及存储介质 |
CN115330224A (zh) * | 2022-08-19 | 2022-11-11 | 合肥供水集团有限公司 | 一种优化辅泵控制降低泵房能耗的方法 |
CN115829120A (zh) * | 2022-11-29 | 2023-03-21 | 中国环境科学研究院 | 基于机器学习方法的水质预测预警*** |
Non-Patent Citations (4)
Title |
---|
The Pressure Control on Non-negative Pressure Water Supply Based on the Fuzzy PID Control;Wang Ding-lei;《2009 International Joint Conference on Artificial Intelligence》;全文 * |
一种基于始末距离的时间序列符号聚合近似表示方法;季海娟;《计算机科学》;第45卷(第6期);全文 * |
基于自相关函数的非平稳时序数据的辨识改进;黄雄波;《微型机与应用》;第35卷(第13期);全文 * |
高层建筑火灾的火场供水调度控制方法研究;王蕾;《今日消防》;第8卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116611674A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116611674B (zh) | 一种建筑供给水智能调度运行方法 | |
CN111143169B (zh) | 异常参数检测方法及装置、电子设备、存储介质 | |
CN116073436B (zh) | 一种光伏新能源电力***容量优化控制方法 | |
CN110769453B (zh) | 非稳定网络环境下的多模态监测数据动态压缩控制方法 | |
CN115962551B (zh) | 用于楼宇自动控制的智能空调控制***和方法 | |
CN111931354A (zh) | 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法 | |
CN115829167B (zh) | 一种物流信息平台数据智能管理方法及*** | |
WO2023029680A1 (zh) | 一种确定磁盘可使用时长的方法及装置 | |
CN117314016A (zh) | 基于bim技术的水利工程在线监控方法 | |
CN116827350A (zh) | 基于云边协同的灵活用工平台智能监管方法及*** | |
CN117764290B (zh) | 一种水利工程施工用bim模型数据管理方法 | |
CN117454201B (zh) | 一种智慧电网异常运行状态检测方法及*** | |
CN107862866B (zh) | 基于平均偏移量平移的数据噪音点检测方法 | |
CN117587403A (zh) | 基于化学转化的铝合金模板表面处理方法及*** | |
CN116843146A (zh) | 供水配泵方法、装置、设备及存储介质 | |
CN114493059B (zh) | 一种基于机器学习的人员管控方法及*** | |
CN116204805A (zh) | 一种微压氧舱及数据管理*** | |
CN115859808A (zh) | 一种泵组工作预测方法、装置、电子设备及存储介质 | |
CN112712396A (zh) | 一种基于服务群落演替预测模型的服务互联网控制方法 | |
CN114880067A (zh) | 一种基于容器负载预测的容器调度策略 | |
CN117331705B (zh) | 一种基于大数据的数据预测分析方法及*** | |
CN118332475A (zh) | 一种涂料生产全流程智能监督管理方法与*** | |
CN116070150B (zh) | 基于呼吸机运行参数的异常监测方法 | |
CN118346346A (zh) | 一种无线风水自动喷洒降尘***的智能调控方法 | |
CN117648312A (zh) | 一种适用于qg-svm算法模型的超参自动调整法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |