一种基于用水模式约束和扩展卡尔曼滤波的供水管网节点需水量估计方法技术

一种基于用水模式约束和扩展卡尔曼滤波的供水管网节点需水量估计方法，属于市政工程管网信息技术领域。利用扩展卡尔曼滤波算法(EKF)估计节点需水量，引入节点用水模式曲线约束不同时刻节点需水量估计值。采用加权最小二乘法校核静态模型节点需水量，得到模型节点用水量的初值；根据前序时刻的节点用水量估计值及当前时刻节点压力和管道流量实际监测值，采用EKF方法估计当前时刻的节点用水量；以用户模式曲线的置信区间约束EKF算法计算过程，根据上述过程构建了改进的扩展卡尔曼滤波算法(L

【技术实现步骤摘要】
一种基于用水模式约束和扩展卡尔曼滤波的供水管网节点需水量估计方法


[0001]本专利技术涉及一种面向供水管网水力模型构建和应用中的需求，基于用水模式约束和扩展卡尔曼滤波算法估计管网中节点需水量的方法。属于市政工程管网信息


技术介绍

[0002]供水管网是城市重要的基础设施，为城市各处源源不断的输送水源。因此科学有效的供水管网管理有着十分重要的意义。水力模型被广泛应用于供水管网的智能管理中。利用管网运行的基础数据得到模型输入，模拟管网的运行状态。水力模型可以分为静态水力模型、延时水力模型和在线水力模型。其中在线
[0003]水力模型和延时水力模型校核增加了监测数据更新机制，能够模拟连续时间下的管网运行状态，在实际中具有更高的应用价值。
[0004]水力模型模拟结果的准确性受到模型参数的影响，一般来讲，模型中待校核的主要参数为管道摩阻系数及节点需水量。为了提高模型的准确性，需要进行参数校核。在待校核的参数中，摩阻系数通常在较长的一段时间内保持相对稳定，而节点需水量则是动态时变的重要参数。因此模型节点水量的估计是在线水力模型校核的重要任务。
[0005]在实际管网中，由于监测点数量很少，模型中的未知的待校核参数远多于监测点数量，因此参数校核属于欠定问题，容易产生异参同效现象，参数校核结果未必反映管网真实状态参数。此外，在延时模型的中，节点需水量在时间维度上具有特定的模式特征，遵循特定的时变曲线。如居民类用户由于通勤时间的影响会出现明显的早晚用水高峰。大多数研究仅基于用户类型进行参数分组，来减少节点需水量估计过程中未知数的个数，同时考虑同类节点用水模式之间的相关性。
[0006]数据同化算法被应用于节点需水量的估计，通过耦合管网模型计算结果和监测数据序列解决了节点需水量估计中的欠定问题，建立了相邻两个时刻的节点需水量的关系，但在监测条件有限的情况下计算结果的的精度仍有待提升。目前并无研究在节点需水量的估计中考虑用户节点的24小时时间变化的需求模式。

技术实现思路

[0007]本专利技术针对以上问题，提出一种基于扩展卡尔曼滤波算法(EKF)，结合用水模式约束和实时监测数据的节点需水量估计方法。该方法采用加权最小二乘法校核静态模型节点需水量，得到模型节点用水量的初值；根据前一时刻的节点用水量估计值及当前时刻的监测数据，采用EKF方法估计当前时刻的节点用水量；以用户模式曲线的置信区间约束EKF算法计算过程，根据上述过程构建了改进的扩展卡尔曼滤波方法(I
‑
EKF)。
[0008]本方法的技术方案如下：
[0009]一种基于用水模式约束和扩展卡尔曼滤波的供水管网节点需水量估计方法，该方法包括如下步骤：
[0010](1)用户模式曲线及其置信区间的获取
[0011]管网中不同类用户的在时间上的用水规律有不同的特征，如餐饮类用户在用餐时间出现显著用水高峰，居民类用户则在早晚通勤时间出现显著用水高峰，通过用户用水模式曲线表征各类用户的用水规律。根据在线远传水表记录的各类用户(居民类、餐饮类等)的历史用水数据，通过加权平均的方式拟合各类用户平均用户用水模式曲线。将用户类型相同的节点分为一组，同一组节点共用同一类的平均用户模式曲线。
[0012]同组节点的用水规律虽然规律相似，近似遵循同一平均用户用水模式，但实际上各节点的用水规律是不完全相同的。因此，给各类用户模式曲线引入95％的置信区间，以表示各个分组内每个节点的用水规律是在平均用户模式曲线附近上下波动的。
[0013]在本研究中，为确定置信区间，假设每个节点的需水量服从正态分布N＝(μ
Q
,σ
Q2
)，数值分布在(μ
Q
‑
2σ
Q
,μ
Q
+2σ
Q
)中的概率约为95％，其中σ
Q
＝3％。各类用户的时变曲线系数记为K
μ
，置信区间记为[K
lower
,K
upper
]，K
lower
为置信区间下界，K
upper
为置信区间上界。
[0014](2)节点的分组聚合
[0015]参照步骤(1)的分组方法，根据用户类型对管网中的节点进行分组，从而减少后续计算中的未知参数个数。各分组节点采用与其类型相对应的用户模式曲线。
[0016](3)采用加权最小二乘法(WLS)校核首个时间步长下的节点需水量
[0017]采用加权最小二乘法，以节点需水量作为优化变量，以监测点处的模拟值与监测值之间的误差最小化为优化目标，目标函数表达式为：
[0018]式中：Q
p
为所有节点需水量的计算值，所有节点分别各自对应不同的需水量；minf(Q
p
)代表目标函数，NH为压力监测点数量，Nq为流量监测点的数量，为第i个压力监测节点处的压力监测值，为第j个流量监测管道处的流量监测值；为i个压力监测节点处的压力模拟值，为流量监测管道处的流量模拟值。和分别是由现有技术软件输入Q
p
进行运行得到的；
[0019]考虑到监测数据包括压力和流量两类，两类数据数量级存在差异，影响结果的精度。为了平衡两种监测数据，引入权重因子，压力监测点权重因子为管道流量权重因子为具体的计算方法为具体的计算方法为
[0020]根据目标函数迭代求解，由公式(1)求得的Q
p
作为确定在后续延时节点水量估计中首个时间步长的节点需水量，校核结果记为Q0。
[0021](4)使用扩展卡尔曼滤波算法(EKF)进行延时节点水量估计得到24h节点需水量的近似平均值
[0022]该步骤需要用到步骤(3)得到Q0，以及每个时刻的监测节点处压力监测值和监测管道处的流量监测值，采用扩展卡尔曼滤波算法(EKF)估计所有节点24h的节点需水量。并
计算各个节点24h需水量的近似平均值Q
b
。
[0023]式中：Q
n
为由EKF计算出的各个节点n时刻的节点需水量。
[0024]上述EKF算法为现有技术，具体计算流程可参考文献Kang D,Lansey K.Real
‑
time demand estimation and confidence limit analysis for water distribution systems[J].Journal of Hydraulic Engineering,2009,135(10):825
‑
837.
[0025](5)在扩展卡尔曼滤波算法中添加用户模式曲线系数约束(I
‑
EKF)
[0026]为提高EKF方法的结果精度，在EKF中添加用户模式曲线系数约束来改进原算法，改进后的算法称为I
‑
EKF方法。该方法需要用到步骤(1)中的用户模式曲线置信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用水模式约束和扩展卡尔曼滤波的供水管网节点需水量估计方法，其特征在于，包括如下步骤：(1)用户模式曲线及其置信区间的获取管网中不同类用户的在时间上的用水规律有不同的特征，通过用户用水模式曲线表征各类用户的用水规律，根据在线远传水表记录的各类用户的历史用水数据，通过加权平均的方式拟合各类用户平均用户用水模式曲线；将用户类型相同的节点分为一组，同一组节点共用同一类的平均用户模式曲线；同组节点的用水规律虽然规律相似，近似遵循同一平均用户用水模式，但实际上各节点的用水规律是不完全相同的，因此，给各类用户模式曲线引入95％的置信区间，以表示各个分组内每个节点的用水规律是在平均用户模式曲线附近上下波动的；为确定置信区间，假设每个节点的需水量服从正态分布N＝(μ
Q
,σ
Q2
)，数值分布在(μ
Q
‑
2σ
Q
,μ
Q
+2σ
Q
)中的概率约为95％，其中σ
Q
＝3％。各类用户的时变曲线系数记为K
μ
，置信区间记为[K
lower
,K
upper
]，K
lower
为置信区间下界，K
upper
为置信区间上界；(2)节点的分组聚合参照步骤(1)的分组方法，根据用户类型对管网中的节点进行分组，从而减少后续计算中的未知参数个数。各分组节点采用与其类型相对应的用户模式曲线。(3)采用加权最小二乘法(WLS)校核首个时间步长下的节点需水量采用加权最小二乘法，以节点需水量作为优化变量，以监测点处的模拟值与监测值之间的误差最小化为优化目标，目标函数表达式为：式中：Q
p
为所有节点需水量的计算值，所有节点分别各自对应不同的需水量；minf(Q
p
)代表目标函数，NH为压力监测点数量，Nq为流量监测点的数量，为第i个压力监测节点处的压力监测值，为第j个流量监测管道处的流量监测值；为i个压力监测节点处的压力模拟值，为流量监测管道处的流量模拟值；考虑到监测数据包括压力和流量两类，两类数据数量级存在差异，影响结果的精度。为了平衡两种监测数据，引入权重因子，压力监测点权重因子为管道流量权重因子为具体的计算方法为具体的计算方法为根据目标函数迭代求解，由公式(1)求得的Q
p
作为确定在后续延时节点水量估计中首个时间步长的节点需水量，校核结果记为Q0；(4)使用扩展卡尔曼滤波算法(EKF)进行延时节点水量估计得到24h节点需水量的近似平均值该步骤需要用到步骤(3)得到Q0，以及每个时刻的监测节点处压力监测值和监测管道处的流量监测值，采用扩展卡尔曼滤波算法(EKF)估计所有节点24h的节点需水量。并计算各
个节点24h需水量的近似平均值Q
b
；式中：Q
n
为由EKF计算出的各个节点n时刻的节点需水量；(5)在扩展卡尔曼滤波算法中添加用户模式曲线系数约束(I...

【专利技术属性】
技术研发人员：吴珊，吴雨晨，侯本伟，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：