CN117333054A - 供水管网测点压力预测方法、装置、设备及介质 - Google Patents
供水管网测点压力预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117333054A CN117333054A CN202311270701.2A CN202311270701A CN117333054A CN 117333054 A CN117333054 A CN 117333054A CN 202311270701 A CN202311270701 A CN 202311270701A CN 117333054 A CN117333054 A CN 117333054A
- Authority
- CN
- China
- Prior art keywords
- pipe network
- water supply
- data
- pressure
- network state
- 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 214
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010586 diagram Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 description 15
- 230000007613 environmental effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D3/00—Arrangements for supervising or controlling working operations
- F17D3/01—Arrangements for supervising or controlling working operations for controlling, signalling, or supervising the conveyance of a product
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mechanical Engineering (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种供水管网测点压力预测方法、装置、设备及介质。所述方法包括:获取供水管网的当前管网状态数据和影响供水管网测点压力的参数,其中,所述当前管网状态数据包括所述待测供水管网的当前测点压力;将所述当前管网状态数据和所述影响供水管网测点压力的参数输入至预先训练完成的管网状态预测模型中,得到所述待测供水管网的下一管网状态数据;基于所述下一管网状态数据,确定所述待测供水管网的下一测点压力。本发明实施例的技术方案,实现了较为便捷的对供水管网的压力进行预测,提升了供水管网测点压力预测的普遍性和广泛适用性。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种供水管网测点压力预测方法、装置、设备及介质。
背景技术
管网压力是制约自来水***有效供水的重要指标,也是影响管网健康,维保与使用寿命的核心因素,同时它也是水务企业的重要成本项目。因此,构建管网压力仿真***,对各种控制方案进行前瞻性预测与评价,将有力支撑水务企业的数字化,智慧化与节约化。因此,管网压力预测变得至关重要。目前,管网压力预测通常采用人工手段进行预测,需要依赖相关经验,不具有普遍性和广泛适用性。
发明内容
本发明提供了一种供水管网测点压力预测方法、装置、设备及介质,以实现较为便捷的对供水管网的压力进行预测,提升了供水管网测点压力预测的普遍性和广泛适用性。
根据本发明的一方面,提供了一种供水管网测点压力预测方法,该方法包括:
获取供水管网的当前管网状态数据和影响供水管网测点压力的参数,其中,所述当前管网状态数据包括所述待测供水管网的当前测点压力;
将所述当前管网状态数据和所述影响供水管网测点压力的参数输入至预先训练完成的管网状态预测模型中,得到所述待测供水管网的下一管网状态数据;
基于所述下一管网状态数据,确定所述待测供水管网的下一测点压力。
可选地,所述方法还包括:获取多个样本数据和与各所述样本数据对应的期望数据,其中,所述样本数据包括所述供水管网在某一历史时刻的管网状态数据以及影响供水管网测点压力的参数,所述期望数据为所述供水管网在所述某一历史时刻的下一时刻的管网状态数据;将各所述样本数据输入至预先构建的初始管网状态预测模型中,得到所述初始管网状态预测模型针对各所述样本数据的实际输出结果;根据各所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整,以得到所述训练完成的管网状态预测模型。
可选地,所述根据各所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整,包括:确定所述初始管网状态预测模型针对各所述样本数据的实际输出结果的第一数据分布;确定所述初始管网状态预测模型针对各所述样本数据的期望数据的第二数据分布;基于所述第一数据分布和所述第二数据分布,对所述初始管网状态预测模型的网络参数进行调整。
可选地,所述根据各所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整,包括:针对每个样本数据,根据所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整。
可选地,所述方法还包括:获取预先构建的管网供水决策流图和预先构建的管网供水计算图;基于所述预先构建的管网供水决策流图和所述预先构建的管网供水计算图,构建所述初始管网状态预测模型。
可选地,所述方法还包括:确定管网供水决策流图中各节点之间的关联关系,基于所述关联关系构建管网供水计算图。
可选地,所述预先构建的管网供水决策流图包括至少一个环境状态节点和至少一个决策智能体节点,所述环境状态节点包括当前环境状态子节点、环境状态转移子节点和下一环境状态子节点。
根据本发明的另一方面,提供了一种供水管网测点压力预测装置。该装置包括:
当前管网状态获取模块,用于获取供水管网的当前管网状态数据和影响供水管网测点压力的参数,其中,所述当前管网状态数据包括所述待测供水管网的当前测点压力;
下一管网状态得到模块,用于将所述当前管网状态数据和所述影响供水管网测点压力的参数输入至预先训练完成的管网状态预测模型中,得到所述待测供水管网的下一管网状态数据;
下一管网压力确定模块,用于基于所述下一管网状态数据,确定所述待测供水管网的下一测点压力。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的供水管网测点压力预测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的供水管网测点压力预测方法。
本发明实施例的技术方案,通过获取供水管网的当前管网状态数据和影响供水管网测点压力的参数,其中,所述当前管网状态数据包括所述待测供水管网的当前测点压力;将所述当前管网状态数据和所述影响供水管网测点压力的参数输入至预先训练完成的管网状态预测模型中,得到所述待测供水管网的下一管网状态数据;基于所述下一管网状态数据,确定所述待测供水管网的下一测点压力。本发明实施例的技术方案,实现了较为便捷的对供水管网的压力进行预测,提升了供水管网测点压力预测的普遍性和广泛适用性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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他的附图。
图1为本发明实施例一提供的一种供水管网测点压力预测方法的流程示意图;
图2为本发明实施例一提供的一种供水管网测点压力预测方法的管网供水决策流图;
图3为本发明实施例二提供的一种供水管网测点压力预测装置的结构示意图;
图4为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
实施例一
图1为本发明实施例一提供的一种供水管网测点压力预测方法的流程示意图,本实施例可适用于对供水管网的压力进行预测的情况,该方法可以由供水管网测点压力预测装置来执行,该供水管网测点压力预测装置可以采用硬件和/或软件的形式实现,该供水管网测点压力预测装置可配置于诸如计算机或者服务器等的电子设备中。
如图1所示,本实施例的方法包括:
S110、获取供水管网的当前管网状态数据和影响供水管网测点压力的参数,其中,所述当前管网状态数据包括所述待测供水管网的当前测点压力。
其中,当前管网状态数据可以理解为供水管网在当前时刻的状态数据。待测供水管网可以理解为需要进行压力预测的供水管网。当前管网状态数据可以包括当前测点压力。当前测点压力可以理解为供水管网测点在当前时刻的压力值。影响供水管网测点压力的参数可以理解为对供水管网测点压力存在影响的数据。可选地,影响供水管网测点压力的参数可以包括但不限于用户用水习惯数据、管网结构,材质以及机电***性能。在本发明实施例中,影响供水管网测点压力的参数可以根据实际情况设置,在此不做具体限定。
在本发明实施例中,获取所述待测供水管网的当前测点压力,具体可以为,基于采集装置(如压力传感器)采集待测供水管网在当前时刻下的测点压力,即得到当前测点压力。
S120、将所述当前管网状态数据和所述影响供水管网测点压力的参数输入至预先训练完成的管网状态预测模型中,得到所述待测供水管网的下一管网状态数据。
其中,下一管网状态数据可以理解为待测供水管网在当前时刻的下一时刻的状态数据。管网状态预测模块可以理解为用于基于当前管网状态数据和影响供水管网测点压力的参数得到待测供水管网的下一管网状态数据。
具体的,在得到当前管网状态数据和影响供水管网测点压力的参数后,可以将所述当前管网状态数据和影响供水管网测点压力的参数输入至所述预先训练完成的管网状态预测模型中,得到所述管网状态预测模型的输出结果,即待测供水管网的下一管网状态数据。
在本发明实施例中,所述方法还包括:获取多个样本数据和与各所述样本数据对应的期望数据。其中,所述样本数据可以包括所述供水管网在某一历史时刻的管网状态数据以及影响供水管网测点压力的参数。所述期望数据可以为所述供水管网在所述某一历史时刻的下一时刻的管网状态数据。在得到样本数据和与所述样本数据对应的期望数据后,可以将各所述样本数据输入至预先构建的初始管网状态预测模型中,得到所述初始管网状态预测模型针对各所述样本数据的实际输出结果。进而可以根据各所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整,以得到所述训练完成的管网状态预测模型。其中,初始管网状态预测模型可以理解为预先构建的用于对管网压力进行测试的初始网络模型。在本发明实施例中,对所述初始管网状态预测模型的训练可以采用回归训练方式。
在上述实施例的基础上,所述方法还包括:获取训练集,其中,所述训练集包括大量的历史状态轨迹数据。在本发明实施例中,每条历史状态轨迹数据可以为一段包含有起始状态和终止状态的连续时段内一系列状态组成的序列。在本发明实施例中,基于决策流图所构建的管网状态预测模型,即管网环境模型,可以包括用水预测模块、智能决策模块和状态转移模块。
在本发明实施例中,训练模型的方式,具体可以为,针对每条历史状态轨迹数据,可以从该轨迹数据的起始状态开始进行训练。即,可以将该轨迹中起始时刻的管网状态输入至管网环境模型中,得到该轨迹中所述起始时刻的下一时刻的管网预测状态。进而可以基于该轨迹中所述起始时刻的下一时刻的管网预测状态和历史真实管网状态,对管网环境模型参数进行优化处理;基于此,进一步可以将该轨迹中所述起始时刻的下一时刻的管网预测状态输入管网环境模型,得到该轨迹中在所述起始时刻的下一时刻的下一时刻的管网预测状态。从而可以该轨迹中在所述起始时刻的下一时刻的下一时刻的管网预测状态和历史真实管网状态,优化管网环境模型参数。即,每次将预测得到的管网预测状态作为输入继续预测后续的状态。通过不断推演直至预测得到终止状态结束。长度为N的轨迹,从起始状态开始将进行N-1次预测到达终止状态。从而实现了使用训练集中所有的轨迹完成一次模型的训练,即为一次迭代(One Epoch)。
可以理解的是,在实际应用中,一个训练过程通常需要进行多次的迭代才能从数据中学习到更多的信息并使模型收敛到一个更好的状态,因此,可通过不断的训练直到模型的损失不再下降,以得到训练完成的管网环境模型。
在模型训练完成之后,可以将当前时刻的状态数据输入管网环境模型中,从而可得到下一时刻的状态数据,以此方式,可以推演出一段时间之后的状态数据。
在本发明实施例中,所述方法还包括:获取预先构建的管网供水决策流图和预先构建的管网供水计算图;基于所述预先构建的管网供水决策流图和所述预先构建的管网供水计算图,构建所述初始管网状态预测模型。
其中,管网供水决策流图可以是基于管网供水业务特征构建的决策图。管网供水决策流图可以用于表征每个时间点不同业务参数特征之间的决策关系。在本发明实施例中,管网供水决策流图中数据流的输入与输出不能形成循环,也就是说,管网供水决策流图的结构符合有向无环图的结构。管网供水决策流图包括多个业务节点。在本发明实施例中,管网供水决策流图中的每个业务节点可以代表用于计算该节点参数所使用的决策过程,各业务节点之间的连线代表了数据流向。
在本发明实施例中,该管网供水决策流图中节点可以包括:天气及节假日节点、当前用水量节点、当前操作因素节点、当前测点压力节点、非操作因素节点、下一用水量节点、下一操作因素节点、下一测点压力节点、用水量预测节点、智能决策节点以及状态转移节点。
其中,天气及节假日节点可以包括日期信息、与所述日期信息对应的当日最高温度值、与所述日期信息对应的当日最低温度值、与所述日期信息对应的当日降水量,所述日期信息是属于节假日中的至少一个数据。当前用水量节点可以为管网在当前时刻的总用水量以及区域用水量等与用水量相关的数据;或者,可以为管网在当前时段的总用水量及区域用水量等与用水量相关的数据。其中,当前时段可以为位于当前时刻和在所述当前时刻之前预设时长的时刻之间的时段。其中,预设时长可根据实际需求设置,在此不做具体限定,例如,1天、7天或30天等。
其中,当前操作因素节点可以包括在当期时刻或当前时段中因管网调度人员的操作而导致立即引起管网变化的数据,如,管网中泵站出口压力、泵站出口流量、管网阀门启用情况等。当前测点压力节点可以包括当前时刻下或当前时段中管网中各个测点的压力数据。非操作因素可以包括包含管网结构以及材质等数据。下一用水量节点可以包括管网在下一时刻的总用水量以及区域用水量等与用水量相关的数据。下一操作因素节点可以包括在下一时刻中因管网调度人员的操作而导致立即引起管网变化的数据,如,管网中泵站出口压力、泵站出口流量、管网阀门启用情况等。下一测点压力节点可以包括下一时刻下管网中各个测点的压力数据。
其中,用水预测节点可以用于根据当前用水量节点包括的数据以及天气及节假日节点包含的数据来预测下一时刻的管网用水量,即预测下一用水量节点所包含的数据。其中,当前用水量节点包括的数据可以为在当前时刻下的用水量数据;或者,可以为在当前时刻段中的用水量数据。智能决策节点可以用于模拟管网调度人员的操作直接导致的操作因素节点的状态变化。具体的,可以根据当前用水量节点包括的数据和当前测点压力节点包括的数据、当前操作因素节点包括的数据以及下一用水量节点包括的数据来推测下一操作因素节点中的数据。状态转移节点可以用于基于当前用水量节点包括的数据和当前测点压力节点包括的数据、当前操作因素节点包括的数据、非操作因素节点包括的数据、下一用水量节点包括的数据和下一操作因素节点包括的数据,预测下一测点压力节点包括的数据,即预测下一时刻下管网的测点压力信息。
需要说明的是,在本发明实施例中,用水预测节点以及智能决策节点可根据实际需求配置,在未配置有用水预测节点以及智能决策节点的情况下,相应节点所包括的数据可以通过其他方式获取(如,人工检测或专家预测等)。也就是说,如果存在精确的未来用水量信息,即下一用水量节点包括的数据,则可以不启用用水量预测模块,可使用精确的未来用水量数据即可;如果存在精确的未来操作因素的信息(例如已知未来一段时间内的泵房和阀门的调度指令),即下一操作因素节点包括的数据,则可以不启用智能决策模块,可使用精准的未来操作信息即可。
其中,管网供水计算图可以包括管网供水决策流图中各节点之间的关联关系。得到管网供水计算图的方式可以为,确定管网供水决策流图中各节点之间的关联关系,基于所述关联关系构建管网供水计算图。具体的,基于管网供水决策流图中的每个业务节点所绑定的业务特征以及各业务节点之间的数据流向信息,构建管网供水计算图(参见图2中管网供水决策流图中各节点之间的关联关系)。在本发明实施例中,基于管网供水决策流图中的每个业务节点所绑定的业务特征以及各业务节点之间的数据流向信息,构建管网供水计算图,可以包括:可以基于目标决策流图中的每个业务节点所绑定的业务特征和各业务节点之间的数据流向信息,将目标决策流图转换为可直接用于环境建模中的计算图,即管网供水计算图。
作为本发明实施例中的一种可选的实施例,所述根据各所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整,可以包括:针对每个样本数据,根据所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整。
作为本发明实施例中的一种可选的实施例,所述根据各所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整,可以包括:确定所述初始管网状态预测模型针对各所述样本数据的实际输出结果的第一数据分布;确定所述初始管网状态预测模型针对各所述样本数据的期望数据的第二数据分布;在得到第一数据分布和第二数据分布后,可以基于所述第一数据分布和所述第二数据分布,对所述初始管网状态预测模型的网络参数进行调整。
其中,第一数据分布可以理解为初始管网状态预测模型针对各所述样本数据的实际输出结果的数据分布。第二数据分布可以理解为初始管网状态预测模型针对各所述样本数据的期望数据的数据分布。
在本发明实施例中,基于所述第一数据分布和所述第二数据分布,对所述初始管网状态预测模型的网络参数进行调整,可以从整体数据预测情况调整模型的网络参数,以提升管网状态预测模型的预测能力。
S130、基于所述下一管网状态数据,确定所述待测供水管网的下一测点压力。
其中,下一测点压力可以理解为待测供水管网测点在当前时刻的下一时刻的压力值。在本发明实施例中,在得到下一管网状态数据后,可以对下一管网状态数据进行解析处理,从而可以得到待测供水管网的下一测点压力。
本发明实施例的技术方案,通过获取供水管网的当前管网状态数据和和影响供水管网测点压力的参数,其中,所述当前管网状态数据包括所述待测供水管网的当前测点压力;将所述当前管网状态数据和影响供水管网测点压力的参数输入至预先训练完成的管网状态预测模型中,得到所述待测供水管网的下一管网状态数据;基于所述下一管网状态数据,确定所述待测供水管网的下一测点压力。本发明实施例的技术方案,实现了较为便捷的对供水管网的压力进行预测,提升了供水管网测点压力预测的普遍性和广泛适用性。
实施例二
图3为本发明实施例二提供的一种供水管网测点压力预测装置的结构示意图。如图3所示,该装置包括:当前管网状态获取模块210、下一管网状态得到模块220和下一管网压力预测模块230。
其中,当前管网状态获取模块210,用于获取供水管网的当前管网状态数据和影响供水管网测点压力的参数,其中,所述当前管网状态数据包括所述待测供水管网的当前测点压力;下一管网状态得到模块220,用于将所述当前管网状态数据和所述影响供水管网测点压力的参数输入至预先训练完成的管网状态预测模型中,得到所述待测供水管网的下一管网状态数据;下一管网压力确定模块230,用于基于所述下一管网状态数据,确定所述待测供水管网的下一测点压力。
本发明实施例的技术方案,通过获取供水管网的当前管网状态数据和影响供水管网测点压力的参数,其中,所述当前管网状态数据包括所述待测供水管网的当前测点压力;将所述当前管网状态数据和所述影响供水管网测点压力的参数输入至预先训练完成的管网状态预测模型中,得到所述待测供水管网的下一管网状态数据;基于所述下一管网状态数据,确定所述待测供水管网的下一测点压力。本发明实施例的技术方案,实现了较为便捷的对供水管网的压力进行预测,提升了供水管网测点压力预测的普遍性和广泛适用性。
可选地,该装置还包括模型训练模块;其中,型训练模块,用于:
获取多个样本数据和与各所述样本数据对应的期望数据,其中,所述样本数据包括所述供水管网在某一历史时刻的管网状态数据以及影响供水管网测点压力的参数,所述期望数据为所述供水管网在所述某一历史时刻的下一时刻的管网状态数据;
将各所述样本数据输入至预先构建的初始管网状态预测模型中,得到所述初始管网状态预测模型针对各所述样本数据的实际输出结果;
根据各所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整,以得到所述训练完成的管网状态预测模型。
可选地,模型训练模块包括第一参数调整单元,其中,第一参数调整单元,用于:
确定所述初始管网状态预测模型针对各所述样本数据的实际输出结果的第一数据分布;
确定所述初始管网状态预测模型针对各所述样本数据的期望数据的第二数据分布;
基于所述第一数据分布和所述第二数据分布,对所述初始管网状态预测模型的网络参数进行调整。
可选地,模型训练模块包括第二参数调整单元,其中,第二参数调整单元,用于:
针对每个样本数据,根据所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整。
可选地,该装置还包括初始模型构建模块;初始模型构建模块,用于:
获取预先构建的管网供水决策流图和预先构建的管网供水计算图;
基于所述预先构建的管网供水决策流图和所述预先构建的管网供水计算图,构建所述初始管网状态预测模型。
可选地,该装置还包括管网供水计算图构建模块,管网供水计算图构建模块,用于:
确定管网供水决策流图中各节点之间的关联关系,基于所述关联关系构建管网供水计算图。
可选地,所述预先构建的管网供水决策流图包括至少一个环境状态节点和至少一个决策智能体节点,所述环境状态节点包括当前环境状态子节点、环境状态转移子节点和下一环境状态子节点。
本发明实施例所提供的供水管网测点压力预测装置可执行本发明任意实施例所提供的供水管网测点压力预测方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述供水管网测点压力预测装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例三
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如供水管网测点压力预测方法。
在一些实施例中,供水管网测点压力预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的供水管网测点压力预测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行供水管网测点压力预测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种供水管网测点压力预测方法,其特征在于,包括:
获取供水管网的当前管网状态数据和影响供水管网测点压力的参数,其中,所述当前管网状态数据包括所述待测供水管网的当前测点压力;
将所述当前管网状态数据和所述影响供水管网测点压力的参数输入至预先训练完成的管网状态预测模型中,得到所述待测供水管网的下一管网状态数据;
基于所述下一管网状态数据,确定所述待测供水管网的下一测点压力。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多个样本数据和与各所述样本数据对应的期望数据,其中,所述样本数据包括所述供水管网在某一历史时刻的管网状态数据以及影响供水管网测点压力的参数,所述期望数据为所述供水管网在所述某一历史时刻的下一时刻的管网状态数据;
将各所述样本数据输入至预先构建的初始管网状态预测模型中,得到所述初始管网状态预测模型针对各所述样本数据的实际输出结果;
根据各所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整,以得到所述训练完成的管网状态预测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据各所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整,包括:
确定所述初始管网状态预测模型针对各所述样本数据的实际输出结果的第一数据分布;
确定所述初始管网状态预测模型针对各所述样本数据的期望数据的第二数据分布;
基于所述第一数据分布和所述第二数据分布,对所述初始管网状态预测模型的网络参数进行调整。
4.根据权利要求2所述的方法,其特征在于,所述根据各所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整,包括:
针对每个样本数据,根据所述样本数据的期望数据和实际输出结果对所述初始管网状态预测模型的网络参数进行调整。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取预先构建的管网供水决策流图和预先构建的管网供水计算图;
基于所述预先构建的管网供水决策流图和所述预先构建的管网供水计算图,构建所述初始管网状态预测模型。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
确定管网供水决策流图中各节点之间的关联关系,基于所述关联关系构建管网供水计算图。
7.根据权利要求5所述的方法,其特征在于,所述预先构建的管网供水决策流图中节点可以包括天气及节假日节点、当前用水量节点、当前操作因素节点、当前测点压力节点、非操作因素节点、下一用水量节点、下一操作因素节点、下一测点压力节点、用水量预测节点、智能决策节点以及状态转移节点。
8.一种供水管网测点压力预测装置,其特征在于,包括:
当前管网状态获取模块,用于获取供水管网的当前管网状态数据和影响供水管网测点压力的参数,其中,所述当前管网状态数据包括所述待测供水管网的当前测点压力;
下一管网状态得到模块,用于将所述当前管网状态数据和所述影响供水管网测点压力的参数输入至预先训练完成的管网状态预测模型中,得到所述待测供水管网的下一管网状态数据;
下一管网压力确定模块,用于基于所述下一管网状态数据,确定所述待测供水管网的下一测点压力。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的供水管网测点压力预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的供水管网测点压力预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311270701.2A CN117333054A (zh) | 2023-09-27 | 2023-09-27 | 供水管网测点压力预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311270701.2A CN117333054A (zh) | 2023-09-27 | 2023-09-27 | 供水管网测点压力预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117333054A true CN117333054A (zh) | 2024-01-02 |
Family
ID=89278491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311270701.2A Pending CN117333054A (zh) | 2023-09-27 | 2023-09-27 | 供水管网测点压力预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333054A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268468A1 (en) * | 2012-04-09 | 2013-10-10 | 24/7 Customer, Inc. | Method and apparatus for intent modeling and prediction |
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 |
CN110673485A (zh) * | 2019-10-21 | 2020-01-10 | 京东城市(南京)科技有限公司 | 用于燃烧控制的模型训练方法、装置、电子设备以及介质 |
CN115654381A (zh) * | 2022-10-24 | 2023-01-31 | 电子科技大学 | 一种基于图神经网络的供水管道漏损检测方法 |
CN116090605A (zh) * | 2022-12-07 | 2023-05-09 | 南栖仙策(南京)科技有限公司 | 一种管网预警方法、装置、电子设备及存储介质 |
-
2023
- 2023-09-27 CN CN202311270701.2A patent/CN117333054A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268468A1 (en) * | 2012-04-09 | 2013-10-10 | 24/7 Customer, Inc. | Method and apparatus for intent modeling and prediction |
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 |
CN110673485A (zh) * | 2019-10-21 | 2020-01-10 | 京东城市(南京)科技有限公司 | 用于燃烧控制的模型训练方法、装置、电子设备以及介质 |
CN115654381A (zh) * | 2022-10-24 | 2023-01-31 | 电子科技大学 | 一种基于图神经网络的供水管道漏损检测方法 |
CN116090605A (zh) * | 2022-12-07 | 2023-05-09 | 南栖仙策(南京)科技有限公司 | 一种管网预警方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106250306A (zh) | 一种适用于企业级运维自动化平台的性能预测方法 | |
CN108038040A (zh) | 计算机集群性能指标检测方法、电子设备及存储介质 | |
CN110502431B (zh) | ***服务评测方法、装置及电子设备 | |
CN104407688A (zh) | 基于树回归的虚拟化云平台能耗测量方法及*** | |
CN110333991B (zh) | 云平台任务最大资源使用率预测方法 | |
CN113868953B (zh) | 工业***中多机组运行优化方法、装置、***及存储介质 | |
CN116307215A (zh) | 一种电力***的负荷预测方法、装置、设备及存储介质 | |
CN114721345A (zh) | 基于强化学习的工业控制方法、装置、***和电子设备 | |
CN114462688A (zh) | 一种基于lstm模型和动态阈值确定算法的爆管检测方法 | |
CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
CN117333054A (zh) | 供水管网测点压力预测方法、装置、设备及介质 | |
CN115759751A (zh) | 一种企业风险预测方法、装置、存储介质、电子设备及产品 | |
CN116484554A (zh) | 一种配电网的拓扑辨识方法、装置、设备及介质 | |
CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
CN113360486B (zh) | 数据预测方法、装置、电子设备和介质 | |
Zhang et al. | Forecast of International Tourist Arrivals Based on ARIMA Model | |
CN117934135A (zh) | 一种网点运营管理方法、装置、电子设备及存储介质 | |
CN112115036A (zh) | 集群容量预测方法及装置 | |
CN116911466A (zh) | 园区建设程度的确定方法、装置、设备及介质 | |
CN113851226A (zh) | 传染病疫情预测方法、装置及电子设备 | |
CN115238811A (zh) | 异常检测模型的训练方法、装置、设备及存储介质 | |
CN118261302A (zh) | 碳减排方案的生成方法、设备及存储介质 | |
CN117670501A (zh) | 一种业务预警方法、装置、电子设备和存储介质 | |
CN115983445A (zh) | Pue预测方法、pue预测模型的训练方法、装置及设备 | |
CN115456168A (zh) | 强化学习模型的训练方法、能耗确定方法和装置 |
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 |