基于混合模型的自来水厂进水量优化调度方法技术

技术编号:42884246 阅读:15 留言:0更新日期:2024-09-30 15:06
本发明专利技术提供一种基于混合模型的自来水厂进水量优化调度方法,S1:提取自来水厂设计数据和自来水厂历史监测数据;S2:基于S1中提取的数据建自来水厂水动力模型;S3:同步调节S1中的进水量和供水量,生成多份数据样本;S4:基于S3中生成的数据样本运行自来水厂水动力模型,生成清水池液位,形成进水量、供水量和清水池液位数据样本;S5:基于S4中生成的数据样本,训练数据样本并预测进水量;S6,基于S5中预测的进水量进行优化处理,输出优化后的预测进水量;本申请以优化调度和降低生产成本为目标,在满足供水量需求基础上,实现自来水厂的各工艺段的平稳运行和清水高液位运行,清水池保持高液位运行,降低水泵吸程,减少电能的消耗,提高经济效益。

【技术实现步骤摘要】

本申请涉及自来水厂进水量优化调度,具体涉及一种基于混合模型的自来水厂进水量优化调度方法


技术介绍

1、自来水厂进水量控制是确保供水系统稳定运行的关键环节,但进水量调度是一个综合考虑多种因素的复杂过程,需要依据水源地水量水质、供水需求、水厂处理能力等综合分析和判断;随着科技的不断进步,自来水厂在进水量控制方面采用了更加先进的技术和方法,如:通过应用自动化控制系统,实现对进水量的实时监测和精准控制,通过建立进水量数据库,对历史数据进行收集、分析和挖掘,掌握进水量的变化规律,为进水量控制提供决策支持,尽管自来水厂在进水量控制方面取得了一定的进展,但还缺少完善的进水量预测模型,目前进水量的调度大多依靠调度人员根据供水需求、清水池液位、管道压力和用水计划等凭经验进行调度。

2、目前在进水量的预测研究中,主要采用如下方法:基于大数据和机器学习的bp神经网络和向量机方法,基于时间序列分析,基于考虑多因素影响和灰色理论等方法建立自来水厂进水量预测模型,研究者们通过构建各种数学模型和算法,尝试从海量数据中挖掘出供水量的变化规律,以提高预测的准确性和可靠性,但大本文档来自技高网...

【技术保护点】

1.一种基于混合模型的自来水厂进水量优化调度方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的一种基于混合模型的自来水厂进水量优化调度方法,其特征在于,所述提取的自来水厂设计数据包括工艺流程、各建筑物的尺寸、各管段的尺寸、各水泵参数。

3.根据权利要求1所述的一种基于混合模型的自来水厂进水量优化调度方法,其特征在于,对S1中提取的历史监测数据进行预处理,S2中基于设计数据和预处理后的历史监测数据构建自来水厂水动力模型。

4.根据权利要求1所述的一种基于混合模型的自来水厂进水量优化调度方法,其特征在于,所述S2中采用SWMM构建自来水厂水动力模型...

【技术特征摘要】

1.一种基于混合模型的自来水厂进水量优化调度方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的一种基于混合模型的自来水厂进水量优化调度方法,其特征在于,所述提取的自来水厂设计数据包括工艺流程、各建筑物的尺寸、各管段的尺寸、各水泵参数。

3.根据权利要求1所述的一种基于混合模型的自来水厂进水量优化调度方法,其特征在于,对s1中提取的历史监测数据进行预处理,s2中基于设计数据和预处理后的历史监测数据构建自来水厂水动力模型。

4.根据权利要求1所述的一种基于混合模型的自来水厂进水量优化调度方法,其特征在于,所述s2中采用swmm构建自来水厂水动力模型。

5.根据权利要求1所述的一种基于混合模型的自来水厂进水量优化调度方法,其特征在于,所述s2与s3之间还包括s21,自来水厂水动力模型构建后对于不确定性参数进行校核,模型校核后利用s1中进水量和供水量数据进行模拟,生成清水池液位,将历史监测的清水池液位与模拟的清水池液位数据进行分析,判断自来水厂水动力模型是否符合标准,是则...

【专利技术属性】
技术研发人员:陈汪洋张孝洪傅舟跃柳景青张卫平于俊锋蔡雨杰
申请(专利权)人:天津智云水务科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1