一种基于人工智能的供水泵站协同优化调度系统及方法

技术领域

本发明涉及智能水务技术领域，尤其涉及一种基于人工智能的供水泵站协同优化调度系统及方法。

背景技术

自来水生产工艺复杂，水厂智能节点众多，长期以来产生了大量的历史数据，目前大部分供水泵站仍然是采用本地服务器处理相关数据，所以公司不得不配备更多的服务器来满足未来的数据分析需要，生产中的一些关键环节，包括：水池液位提升环节和净水环节中的化学药剂投放量判断步骤仍然需要有经验的管理人员介入，这使得自来水生产受到很大的人为因素影响。

基于人工智能的智慧水务是通过新一代人工智能信息技术与水务技术的深度融合，可以充分发掘数据价值和逻辑关系，实现水务业务系统的控制智能化、数据资源化、管理精确化、决策智慧化，保障水务设施安全运行，使水务业务运营更高效、管理更科学和服务更优质。

发明内容

(一)、解决的技术问题

基于人工智能的云计算具有较高的计算服务性，可以提供大量的低成本计算和存储资源，并且易于部署，对于生产过程中产生的海量数据彰显出强大的计算能力；采用云计算技术还可以实现数据共享，有利于管理者调配整体资源，实现供水泵站的智能化管理，能够有效解决上述出现的传统供水泵站的不足。

(二)、技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于人工智能的供水泵站协同优化调度系统及方法，包括如下步骤：

云服务区从包括在水厂运行的各PLC单元以及其他具有数据采集和通信功能的水厂智能节点设备采集水务基本数据。

进一步的，云计算数据中心通过数据采集模块获取水厂智能节点采集到的数据和水厂现有服务器采集的一些生产关键数据。

进一步的，通过数据预处理，筛选出历史水温、出厂压力、空气湿度、气温变化率和实际供水量校核准确的过去3年历史数据样本集；

进一步的，对自来水厂历史偏移量(水厂工艺用水、特殊时间需水增量)数据进行数据分析，构建供调度员选取的偏移量专家库；

进一步的，对筛选出的数据样本集进行数据滤波处理，计算公式如下：

式中，

进一步的，将过去24小时的水温、出厂压力、空气湿度、气温变化率和实际供水量作为模型输入，以未来24小时供水需求量为模型输出，采用Elman神经网络算法，根据过去3年历史数据样本集，训练得到供水需求量预测模型；

进一步的，将过去24小时的水温、出厂压力、空气湿度、气温变化率和实际供水量数据输入到供水需求量预测模型中，得到未来24小时的供水需求量预测模型输出，并与从偏移量专家库中选取符合实际情况的偏移量相加，预测出较为准确的供水泵站未来24小时的供水需求量q

进一步的，对历史供水量进行数据分析，得到供水量呈季节变化和昼夜变化的规律，再根据实际工程经验和预测出的供水泵站未来24小时的供水需求量；

进一步的，在确保清水池液位处于安全液位范围(最低安全液位为0.95米，最高安全液位为2.95米)的情况下，尽可能保证每个时段内的取水需求量稳定，规划出取水泵站未来24小时的取水需求量q

式中，

进一步的，根据取水、供水泵站中的变频泵频率与总提升水量、总耗电量和总压力的线性关系模型，在取水需求量、供水需求量和管网压力约束下，构建优化取水、供水泵站运行电费和启停次数的目标函数F；计算公式如下：

式中，式中，J

进一步的，将未来24小时的取水、供水泵站协同优化目标函数F按照时间序列分解为k个规模较小、相互独立、与原问题形式相同的子函数F

进一步的，根据实际工程经验以及历史数据分析，将不满足取水需求量、供水需求量和管网压力约束的泵组组合剔除，将变频泵未运行在高效区间的泵组组合权重降低；

进一步的，根据递归的思想求解各个子函数F

进一步的，以运行电费最小为第一优先级，启停次数最小为第二优先级，对所有解进排序，即可得到未来24小时取水、供水泵站优化调度方案的变频泵、工频泵搭配组合及变频泵频率；

进一步的，使用消耗预测模块辅助决策净水阶段药剂投加量，具体为：

操作员输入包括原水PH值、浊度、水温、藻密度、原水量、耗氧量共6个参数或自动读取调度系统中的相关数据，同时根据实际业务需求将数据参数传输到云端，云服务端根据传入的参数，利用神经网络和深度学习算法根据历史数据计算出最佳矾投加量；

进一步的，操作员输入或自定调取选择的参数为原水嗅味、水中余臭氧标准、尾气破坏前余臭氧浓共3个参数，最后得到余臭氧和主臭氧的最佳投加量；

进一步的，操作员输入或自动调取选择的参数为原水耗氧量、原水氨氮、原水水温、出厂水余氯控制标准共3个参数，最后得到氯的最佳投加量；

进一步的，使用排泥优化模块预测总排泥水量、排泥用电量、产水比和排泥单耗，具体为：

操作员输入原水量、外排回用水量、原水浊度三个参数；将输入的数据传至云端进行查询由排泥优化配置模块配置好的数据，查询完毕后将数据返回到客户端；

进一步的，返回客户端的数据包括原水量、外排回用水量、穿孔排泥周期、虹吸排泥周期、总排泥水量、排泥用电、产水比、排泥单耗，操作员根据以上数据进行决策；

排泥优化模块回显数据与配置模块排泥优化部分各数据之间的关系如下：

排泥周期：根据原水量和原水浊度仪的具体数据和配置模块配置数据推算得到；

排泥次数＝排泥周期/24；

排泥水量＝单词排泥水量*排泥次数；

电耗＝排泥水量*平均单位电耗；

产水比＝(原水量-排泥水量-外排回用水量)/原水量*100。

进一步的，理解供水泵站的需求、目标及操作流程，认真考虑使用场景和问题解决方案，并基于云计算的SaaS服务模式进行开发和运行现代化的供水泵站管理软件；

进一步的，对每个功能模块进行单元测试和集成测试，确保软件已经完整达到设计要求时，在云端部署泵站软件；同时，供水泵站管理软件也需提供与移动客户端相匹配的APP，以便在手机等移动终端上查看和控制泵站参数、接收设备故障报警和维护保养计划；

进一步的，通过移动端的APP提供增强的用户交互功能，如语音控制和手势操作，方便水站管理工作人员快捷地管理泵站设备。

(三)有益效果

本发明的优点在于：利用云计算强大计算能力迅速准确的在原水水质变化的条件下，得到相应生产环节的调节操作建议，充分发挥清水池的调蓄功能，通过采用滚动优化思想，每个整点规划未来24小时的取水、供水泵站运行电费最小、启停次数最小的优化调度方案，但仅执行未来1小时的优化调度方案，由此在保证供水安全的同时，有效降低取水、供水泵站运行电费成本，减少了生产过程中对人的依赖，保证了水厂工艺运行的科学性和经济性。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本发明，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为供水泵站协同优化调度系统流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“步骤一”、“步骤二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

步骤一、水厂智能节点包括在水厂运行的各PLC单元以及其他具有数据采集和通信功能的设备，云服务区从这些智能节点采集水务基本数据。

步骤二、云计算数据中心用于采集、存储和处理水务基础数据；包括数据采集模块、数据存储模块和数据安全模块；数据采集和存储模块将水厂智能节点采集到的数据和水厂现有服务器采集的一些生产关键数据进行存储，数据安全模块用将采集的数据通过云计算中心进行处理。

步骤三、云计算数据中心根据采集到的水厂数据预测供水泵站未来24小时的供水需求量q

301、通过数据预处理，筛选出历史水温、出厂压力、空气湿度、气温变化率和实际供水量校核准确的过去3年历史数据样本集；

302、对自来水厂历史偏移量，包括：水厂工艺用水、特殊时间需水增量，数据进行数据分析，构建供调度员选取的偏移量专家库；

303、对筛选出的数据样本集进行数据滤波处理，计算公式如下：

式中，

304、将过去24小时的水温、出厂压力、空气湿度、气温变化率和实际供水量作为模型输入，以未来24小时供水需求量为模型输出，采用Elman神经网络算法，根据步骤1中得到的过去3年历史数据样本集，训练得到供水需求量预测模型；

305、将过去24小时的水温、出厂压力、空气湿度、气温变化率和实际供水量数据输入到供水需求量预测模型中，得到未来24小时的供水需求量预测模型输出，并与从偏移量专家库中选取符合实际情况的偏移量相加，即可预测出较为准确的供水泵站未来24小时的供水需求量q

步骤四、使用泵房预测模块辅助决策最佳提升液位；该模块的参数包括提升水量、提升前最低液位和提升前最高液位，将以上三个参数和预先配置好的提升泵搭配方案传输到云端，在云服务端，根据自来水公司技术人员提供的数学公式函数，计算出流量-电耗、液位-电耗的对比值，得出相应曲线和最佳提升液位；

401、对历史供水量进行数据分析，得到供水量呈季节变化和昼夜变化的规律，再根据实际工程经验和预测出供水泵站未来24小时的供水需求量；

402、在确保清水池液位处于安全液位范围(最低安全液位为0.95米，最高安全液位为2.95米)的情况下，尽可能保证每个时段内的取水需求量稳定，规划出取水泵站未来24小时的取水需求量q

步骤五、构建优化取水、供水泵站的运行电费和启停次数的目标函数，并利用分治算法求解取水、供水泵站未来24小时的优化调度方案以减少多次启停水泵造成的电量损耗，具体步骤如下：

501、根据取水、供水泵站中的变频泵频率与总提升水量、总耗电量和总压力的线性关系模型，在取水需求量、供水需求量和管网压力约束下，构建优化取水、供水泵站运行电费和启停次数的目标函数F；

502、将未来24小时的取水、供水泵站协同优化目标函数F按照时间序列分解为k个规模较小、相互独立、与原问题形式相同的子函数F

503根据递归的思想求解各个子函数F

504、以运行电费最小为第一优先级，启停次数最小为第二优先级，对所有解进行排序，即可得到未来24小时取水、供水泵站优化调度方案的变频泵、工频泵搭配组合及变频泵频率；

505、采用滚动优化思想，每个整点都会规划未来24小时的取水、供水泵站优化调度方案，但仅执行未来1小时的优化调度方案。

步骤六、使用消耗预测模块辅助决策净水阶段药剂投加量；该模块主要对矾、臭氧、次氯酸钠的投加量进行了预测；具体步骤如下：

601、矾投加量的预测，操作员输入包括原水PH值、浊度、水温、藻密度、原水量、耗氧量共6个参数或自动读取调度系统中的相关数据，同时根据实际业务需求将数据参数传输到云端，云服务端根据传入的参数，利用神经网络和深度学习算法根据历史数据计算出最佳矾投加量；

602、所述臭氧投加量的预测，操作员输入或自定调取选择的参数为原水嗅味、水中余臭氧标准、尾气破坏前余臭氧浓共3个参数，最后得到余臭氧和主臭氧的最佳投加量；

603、氯投加量的预测，操作员可手动输入或自动调取选择的参数为原水耗氧量、原水氨氮、原水水温、出厂水余氯控制标准共3个参数，最后得到氯的最佳投加量。

步骤七、使用排泥优化模块来提高水泵设备的运行效率并进行供水泵站设备的维护保养工作；具体步骤如下：

701、操作员输入原水量、外排回用水量、原水浊度三个参数；将输入的数据传至云端进行查询由排泥优化配置模块配置好的数据，查询完毕后将数据返回到客户端；

702、返回客户端的数据包括原水量、外排回用水量、穿孔排泥周期、虹吸排泥周期、总排泥水量、排泥用电、产水比和排泥单耗，操作员根据以上数据预测总排泥水量、排泥用电量、产水比和排泥单耗并进行决策；

703、排泥优化模块回显数据与配置模块排泥优化部分各数据之间的关系如下：

排泥周期：根据原水量和原水浊度仪的具体数据和配置模块配置数据推算得到；

排泥次数＝排泥周期/24；

排泥水量＝单词排泥水量*排泥次数；

电耗＝排泥水量*平均单位电耗；

产水比＝(原水量-排泥水量-外排回用水量)/原水量*100；

704、设置定时清理周期，对泵站的进水口和出水口的滤网进行清洗；同时，水泵的轮在一定时间后会粘附泥沙，影响泵站的运行效率，也需要定期清洗或更换。

步骤八、采用现代化专业管理软件，使得运营人员也可以随时通过移动终端维护和管理泵站，降低设备的维护难度，具体为：

801、理解供水泵站的需求、目标及操作流程，认真考虑使用场景和问题解决方案，并基于云计算的SaaS服务模式进行开发和运行现代化的供水泵站管理软件；

802、同对每个功能模块进行单元测试和集成测试，确保软件已经完整达到设计要求时，在云端部署泵站软件；同时，供水泵站管理软件也需提供与移动客户端相匹配的APP，以便在手机等移动终端上查看和控制泵站参数、接收设备故障报警和维护保养计划；

803、通过移动端的APP提供增强的用户交互功能，如语音控制和手势操作，方便水站管理工作人员快捷地管理泵站设备。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改等同替换、改进等，均应包含在本发明的保护范围之内。