首页 > 专利 > 杭州电子科技大学 > 一种基于BRB系统的供水管网建模方法专利详情

一种基于BRB系统的供水管网建模方法   0    0

有效专利 查看PDF
专利申请流程有哪些步骤?
专利申请流程图
申请
申请号:指国家知识产权局受理一件专利申请时给予该专利申请的一个标示号码。唯一性原则。
申请日:提出专利申请之日。
2013-10-12
申请公布
申请公布指发明专利申请经初步审查合格后,自申请日(或优先权日)起18个月期满时的公布或根据申请人的请求提前进行的公布。
申请公布号:专利申请过程中,在尚未取得专利授权之前,国家专利局《专利公报》公开专利时的编号。
申请公布日:申请公开的日期,即在专利公报上予以公开的日期。
2014-02-26
授权
授权指对发明专利申请经实质审查没有发现驳回理由,授予发明专利权;或对实用新型或外观设计专利申请经初步审查没有发现驳回理由,授予实用新型专利权或外观设计专利权。
2016-06-01
预估到期
发明专利权的期限为二十年,实用新型专利权期限为十年,外观设计专利权期限为十五年,均自申请日起计算。专利届满后法律终止保护。
2033-10-12
基本信息
有效性 有效专利 专利类型 发明专利
申请号 CN201310477641.1 申请日 2013-10-12
公开/公告号 CN103530818B 公开/公告日 2016-06-01
授权日 2016-06-01 预估到期日 2033-10-12
申请年 2013年 公开/公告年 2016年
缴费截止日
分类号 G06Q50/06 主分类号 G06Q50/06
是否联合申请 独立申请 文献类型号 B
独权数量 1 从权数量 1
权利要求数量 2 非专利引证数量 1
引用专利数量 2 被引证专利数量 0
非专利引证 1、陈晨 等.一种基于置信规则的模糊推理算法.《电子科技》.2013,第26卷(第4期),第82-85页.;
引用专利 CN102243672A、CN103294847A 被引证专利
专利权维持 7 专利申请国编码 CN
专利事件 许可 事务标签 公开、实质审查、授权、实施许可
申请人信息
申请人 第一申请人
专利权人 杭州电子科技大学 当前专利权人 杭州电子科技大学
发明人 徐哲、杨洁、孔亚广、何必仕、薛安克 第一发明人 徐哲
地址 浙江省杭州市下沙高教园区2号大街 邮编 310018
申请人数量 1 发明人数量 5
申请人所在省 浙江省 申请人所在市 浙江省杭州市
代理人信息
代理机构
专利代理机构是经省专利管理局审核,国家知识产权局批准设立,可以接受委托人的委托,在委托权限范围内以委托人的名义办理专利申请或其他专利事务的服务机构。
杭州君度专利代理事务所 代理人
专利代理师是代理他人进行专利申请和办理其他专利事务,取得一定资格的人。
杜军
摘要
本发明公开了一种基于BRB系统的供水管网建模方法。本发明首先收集管网运行的历史数据,其次确定供水管网模型的输入变量和输出变量,然后建立基于BRB的供水管网模型,最后建立基于BRB的供水管网MIMO模型。本发明可以很好的描述供水管网系统工况,用于供水管网的实时优化调度时,可与供水管网的神经网络模型相媲美。而且,通过分析由管网历史运行数据训练得到的规则库,可以进一步挖掘供水管网的未知特性。
  • 摘要附图
    一种基于BRB系统的供水管网建模方法
  • 说明书附图:图1
    一种基于BRB系统的供水管网建模方法
  • 说明书附图:图2
    一种基于BRB系统的供水管网建模方法
法律状态
序号 法律状态公告日 法律状态 法律状态信息
1 2020-12-18 专利实施许可合同备案的生效 IPC(主分类): G06Q 50/06 合同备案号: X2020330000109 专利申请号: 201310477641.1 申请日: 2013.10.12 让与人: 杭州电子科技大学 受让人: 杭州中自沣泰环境技术有限公司 发明名称: 一种基于BRB系统的供水管网建模方法 申请公布日: 2014.01.22 授权公告日: 2016.06.01 许可种类: 普通许可 备案日期: 2020.11.29
2 2016-06-01 授权
3 2014-02-26 实质审查的生效 IPC(主分类): G06Q 50/06 专利申请号: 201310477641.1 申请日: 2013.10.12
4 2014-01-22 公开
权利要求
权利要求书是申请文件最核心的部分,是申请人向国家申请保护他的发明创造及划定保护范围的文件。
1.一种基于BRB系统的供水管网建模方法,其特征在于该方法包括以下步骤:
步骤
1.收集管网运行的历史数据,具体是:
从供水管网的SCADA系统和数据库系统中获取管网运行的历史数据,所述的历史数据包括水厂出厂压力、水厂供水量、管网中增压泵站压力、管网中增压泵站流量,管道上可控阀门的开启程度、压力监测点的压力、流量监测点的流量、蓄水池水位和用户用水量;
步骤
2.确定供水管网模型的输入变量和输出变量,具体是:
(2-1)从实际获得的管网运行的历史数据出发,选取供水管网模型输入输出变量,输入变量包括:水厂出厂压力、水厂供水量、管网中增压泵站压力、管网中增压泵站流量,管道上可控阀门的开启程度;输出变量包括:压力监测点的压力、流量监测点的流量和蓄水池水位;
(2-2)根据选取的输入变量和输出变量,对管网运行的历史数据进行筛选,得到仅含输入变量和输出变量的历史数据,作为样本数据;同时,将样本数据分成两部分,前一部分作为训练数据集,后一部分作为检验数据集;
步骤
3.建立基于BRB的供水管网模型,具体是:
基于BRB系统的模型为MISO模型,供水管网为MIMO模型;因此,基于BRB的供水管网MIMO模型为多个基于BRB的供水管网MISO模型的合成;基于BRB的供水管网MISO模型的建立步骤如下:
(3-1)确定规则库中输入向量和输出向量;
规则库中输入向量即为步骤2中选择的输入变量构成的向量,规则库中输出向量为步骤2中选择的输出变量的某一个;设输入向量U=(Ui,i=1,...,T),其中T为输入向量的分量个数,即输入变量的个数;设输出变量为O(U),其为输入向量U的函数;
(3-2)建立初始规则库;
BRB系统中规则库中的规则为:
Rk:
规则的权重:θk(k=1,...,L),输入变量权重:δ1,k,δ2,k,...,δT,k;
其中,L为规则的总数, 为第k条规则中第i输入变量的参考值,D=(D1,
D2,...,DN)为推理输出向量,βnk(n=1,...,N)为推理输出Dn的信任度;如果 则称第k条规则是完整的;如果 则第k条规则被完全忽略;θk(k=1,...,L)为第k规则在规则库中的相对权重,δi,k(i=1,...,T,k=1,...,L)为第k规则中第i输入变量权重;
规则库中可变参数为P=(βnk,θk,δi,k;n=1,...,N;k=1,...,L;i=1,...,T);为建立初始化规则库,随机初始βnk,而θk,δi,k初始设定为1;
(3-3)训练规则库;
初始规则库通过学习训练数据集中的输入数据集和输出数据集的映射关系,自动调整可变参数P=(βnk,θk,δi,k;n=1,...,N;k=1,...,L;i=1,...,T),最终获得描述输入向量U=(Ui,i=1,...,T)和输出变量O(U)关系的规则库;
规则库中的推理过程如下:
Step1:将输入向量U=(Ui,i=1,...,T)转换成信任分布:
S(Ui)={(Ai,j,αi,j),j=1,...,Ji};
其中Ji为参考值的个数,αi,j为输入Ui与参考值Ai,j的相似度;αi,j计算如下:
如果Ai,j≤Ui≤Ai,j+1,则 αi,j+1=1-αi,j且对于j’=1,...,Ji,j’≠j,j+
1,有αi,j’=0;
Step2:计算第k规则被激活的权重wk:
Step3:计算输出变量O(U):
先计算输出变量的信任分布O(U)={(Dn,βn(U)),n=1,...,N},其中
βD(U)表示未知推理结果D的信任度,且满足
如果信任规则是完整的,即有 βD(U)=0,则最终的输出为L条规
则的综合,表为O(U)={(Dn,βn(U)),n=1,...,N},数值输出为
如果信任规则不完整,即有βD(U)>0,则最终的数值输出具有上下界O(U)∈[Omin(U),Omax(U)],其中
至此,给定一个输入U=(Ui,i=1,...,T)到规则库就有一个输出O(U);对于信任规则是完整情形,规则库的训练就是求解如下优化问题,其中H为训练样本个数, 为训练样本实际输出;
对于信任规则不完整情形,规则库的训练就是求解如下优化问题:
(3-4)检验规则库;
利用检验数据对(3-1)(3-2)(3-3)建立的规则库进行检验,以评价模型的精度;精度的标准用 来衡量;若ε(P)不符合建模精度要求,重复(3-1)(3-2)(3-
3)重新建模;
至此,基于BRB的供水管网MISO模型已建立;
步骤
4.建立基于BRB的供水管网MIMO模型
基于BRB的供水管网MIMO模型为多个基于BRB的供水管网MISO模型的合成;所以,根据输出变量的个数,为每个输出变量重复MISO模型的建模过程。

2.根据权利要求1所述的一种基于BRB系统的供水管网建模方法,其特征在于:所述的供水管网模型输入还包括用户用水量及系统输入噪声。
说明书

技术领域

[0001] 本发明属于城市供水领域,具体是一种基于BRB(Belief-Rule-Base)系统的供水管网建模方法。

背景技术

[0002] 城市供水管网系统是一个拓扑结构复杂、规模庞大、用水变化随机性强、大量参数不确定、运行控制多目标的网络结构。建立与管网系统特征相吻合的工况模型是实现供水管网优化运行的先决条件,建立能够同时处理管网参数不确定性、定量和定性信息的供水管网模型是分析和评估管网安全性及可靠性的前提。国内外学者在供水管网建模方面进行了大量研究,最具代表性的管网模型为仿真模型和神经网络模型。这些模型采用确定的方法来描述管网系统的行为,对于不确定性信息输入无能为力。所以,急需建立既能描述供水管网系统工况,又能处理管网系统不确定性信息的供水管网模型。
[0003] 基于BRB系统的建模,以Dempster-Shafer证据理论,决策理论和模糊集合理论为基础,能同时处理定量信息和定性信息,确定性信息和不确定性信息。基于BRB系统的供水管网模型,可以很好的描述供水管网系统工况,可用于供水管网的实时优化调度和预测控制。且该模型允许不确定信息的输入,如不确定参数,外部干扰等,而模型输出为量化的区间,可用于评估和分析供水管网系统的安全性和可靠性。

发明内容

[0004] 本发明针对现有技术的不足,提供了一种基于BRB(Belief-Rule-Base)系统的供水管网建模方法。
[0005] 本发明方法具体如下:
[0006] 1.收集管网运行的历史数据
[0007] 从供水管网的SCADA系统和数据库系统中获取管网运行的历史数据。供水管网运行的历史数据一般包括:水厂出厂压力,水厂供水量,管网中增压泵站压力和流量,管道上可控阀门的开启程度,压力监测点的压力,流量监测点的流量,蓄水池水位,用户用水量等。
[0008] 2.确定供水管网模型的输入变量和输出变量
[0009] (1)从实际获得的管网运行的历史数据出发,选取供水管网模型输入输出变量。
[0010] 输入变量一般包括:水厂出厂压力,水厂供水量,管网中增压泵站压力和流量,管道上可控阀门的开启程度等。另外,可将可测扰动(用户用水量)及不可测扰动(系统输入噪声),也作为系统的输入变量。
[0011] 输出变量包括:压力监测点的压力,流量监测点的流量,蓄水池水位。
[0012] (2)根据选取的输入输出变量,对管网运行的历史数据进行筛选,得到仅含输入输出变量的历史数据,作为样本数据。同时,将样本数据分成两部分,前一部分作为训练数据集,后一部分作为检验数据集。
[0013] 3.建立基于BRB的供水管网模型
[0014] 基于BRB(Belief-Rule-Base)系统的模型为MISO模型,供水管网为MIMO模型。因此,基于BRB的供水管网MIMO模型为多个基于BRB的供水管网MISO模型的合成。基于BRB的供水管网MISO模型的建立步骤如下:
[0015] (1)确定规则库中输入向量和输出向量:
[0016] 规则库中输入向量即为(2)中选择的输入变量构成的向量,规则库中输出向量为(2)中选择的输出变量的某一个。设输入向量U=(Ui,i=1,...,T),其中T为输入向量的分量个数,即输入变量的个数;设输出变量为O(U),其为输入向量U的函数。
[0017] (2)建立初始规则库:
[0018] BRB系统中规则库中的规则为:
[0019]
[0020]
[0021] 规则的权重:θk(k=1,...,L),输入变量权重:δ1,k,δ2,k,...,δT,k;
[0022] 其中,L为规则的总数, 为第k条规则中第i输入变量的参考值(参考值为训练数据集中输入变量的一些典型数值,如参考值为3个时,可选最大值,平均值,最小值),D=(D1,D2,...,DN)为推理输出向量,βnk(n=1,...,N)为推理输出Dn的信任度。如果则称第k条规则是完整的,如果 则第k条规则被完全忽略。θk(k=1,...,L)为第k规则在规则库中的相对权重,δi,k(i=1,...,T,k=1,...,L)为第k规则中第i输入变量权重。
[0023] 规则库中可变参数为P=(βnk,θk,δi,k;n=1,...,N;k=1,...,L;i=1,...,T)。为建立初始化规则库,随机初始βnk,而θk,δi,k初始设定为1。
[0024] (3)训练规则库:
[0025] 初始规则库通过学习训练数据集中的输入数据集和输出数据集的映射关系,自动调整可变参数P=(βnk,θk,δi,k;n=1,...,N;k=1,...,L;i=1,...,T),最终获得描述输入向量U=(Ui,i=1,...,T)和输出变量O(U)关系的规则库。
[0026] 规则库中的推理过程如下:
[0027] Step1:将输入向量U=(Ui,i=1,...,T)转换成信任分布:
[0028] S(Ui)={(Ai,j,αi,j),j=1,...,Ji};
[0029] 其中Ji为参考值的个数,αi,j为输入Ui与参考值Ai,j的相似度。αi,j计算如下:
[0030] 如果Ai,j≤Ui≤Ai,j+1,则 αi,j+1=1-αi,j,且对于j’=1,...,Ji,j’≠j,j+1,有αi,j’=0;
[0031] Step2:计算第k规则被激活的权重wk:
[0032]
[0033] Step3:计算输出变量O(U):
[0034] 先计算输出变量的信任分布O(U)={(Dn,βn(U)),n=1,...,N},其中[0035]
[0036]
[0037]
[0038] βD(U)表示未知推理结果D的信任度,且满足
[0039] 如果信任规则是完整的,即有 βD(U)=0,则最终的输出为L条规则的综合,表为O(U)={(Dn,βn(U)),n=1,...,N},数值输出为
[0040] 如果信任规则不完整,即有βD(U)>0,则最终的数值输出具有上下界O(U)∈[Omin(U),Omax(U)],其中
[0041]
[0042]
[0043] 至此,给定一个输入U=(Ui,i=1,...,T)到规则库就有一个输出O(U)。对于信任规则是完整情形,规则库的训练就是求解如下优化问题,其中H为训练样本个数, 为训练样本实际输出
[0044]
[0045]
[0046] 对于信任规则不完整情形,规则库的训练就是求解如下优化问题
[0047]
[0048]
[0049] (4)检验规则库:
[0050] 利用检验数据对(1)(2)(3)建立的规则库进行检验,以评价模型的精度。精度的标准用 来衡量。若ε(P)不符合建模精度要求,重复(1)(2)(3)重新建模。
[0051] 至此,基于BRB的供水管网MISO模型已建立。
[0052] 4.建立基于BRB的供水管网MIMO模型
[0053] 基于BRB的供水管网MIMO模型为多个基于BRB的供水管网MISO模型的合成。所以,根据输出变量的个数,为每个输出变量重复MISO模型的建模过程。
[0054] 本发明的有益效果:基于BRB系统的供水管网模型,可以很好的描述供水管网系统工况,用于供水管网的实时优化调度时,可与供水管网的神经网络模型相媲美。而且,通过分析由管网历史运行数据训练得到的规则库,可以进一步挖掘供水管网的未知特性,这是神经网络模型不具备的特点。另外,基于BRB系统的供水管网模型允许不确定信息的输入,如不确定参数,外部干扰等,此时模型输出为量化的区间。这有利于评估和分析供水管网系统的安全性和可靠性。如当用户需水量随机波动时,模型能预测出监测点的压力变化范围,此时工作人员或智能优化调度系统可据此采取合理的调度措施。

实施方案

[0057] 为使本发明实现的技术手段与创作特征易于明白,下面结合附图和实施例,对本发明的实施方式作进一步详述。
[0058] 本实施例考虑一个单水源供水管网如图2,建立基于BRB的水厂出厂压力,出厂流量与压力监测点55,90,170压力的关系模型。
[0059] 1.收集管网运行的历史数据
[0060] 从供水管网的SCADA系统和数据库系统中获取管网运行的历史数据。供水管网运行的历史数据包括:水厂出厂压力,水厂供水量,压力监测点55,90,170的压力,监测点55,90,170用户用水量。同时,将历史数据分成两部分,前一部分作为训练数据集,后一部分作为检验数据集。
[0061] 2.确定供水管网模型输入变量和输出变量
[0062] 因为,基于BRB的供水管网MIMO模型为多个基于BRB的供水管网MISO模型的合成。所以,这里,先建立水厂出厂压力,出厂流量与监测点55压力的关系模型。同时,将监测点55用户用水量作为可测量扰动输入变量。所以输入输出分别如下:
[0063] 输入变量:U=(Ui,i=1,2,3),其中U1,U2,U3分别为水厂出厂压力,出厂流量和监测点55用户用水量。输出变量:P55,为监测点55压力。
[0064] 3.建立基于BRB的供水管网模型
[0065] (1)确定规则库中输入向量和输出变量
[0066] 规则库中输入向量为U=(Ui,i=1,2,3),输出变量为P55。本实施例的输入和输出均采用3个参考值,分别取各个变量的最小值,平均值和最大值,这些参考值由管网运行的历史数据计算得到。故有
[0067] 出厂压力U1:
[0068] 出厂流量U2:
[0069] 监测点55用户用水量U3:
[0070] 监测点55压力P55:D={sp55,mp55,lp55};
[0071] 且满足 Ai={Ai,j;j=1,...,3},D={D1,D2,D3}。其中,sp,mp,lp分别为出厂压力最小值,平均值和最大值,sf,mf,lf分别为出厂流量最小值,平均值和最大值,sd,md,ld分别为监测点55用户用水量最小值,平均值和最大值,sp55,mp55,lp55分别为监测点55压力最小值,平均值和最大值。
[0072] (2)建立初始规则库
[0073] 输入向量和输出变量的参考点的选择是为了建立规则库,输入参考点有27个组合,故规则库有27条规则。
[0074] 其中第k规则形式如下:
[0075]
[0076]
[0077] 规则库中可变参数为P=(βnk,θk,δi,k;n=1,...,N;k=1,...,L;i=1,...,T),其中N=3,L=27,T=3。为建立初始化规则库,随机初始βnk,而θk,δik初始设定为1。
[0078] (3)训练规则库
[0079] 初始规则库通过学习训练数据集中的输入数据集和输出数据集映射关系,调整可变参数P=(βnk,θk,δi,k;n=1,2,3;k=1,...,27;i=1,2,3),最终获得描述输入向量U=(Ui,i=1,2,3)和输出变量p55关系的规则库,参见图1。具体步骤如下:
[0080] Step1:将输入向量转换成信任分布:
[0081] 基于输入向量参考点Ai={Ai,j;j=1,...,3},将输入向量U={Ui,i=1,2,3},转换成如下的输入向量的信任分布
[0082] S(Ui)={(Ai,j,αi,j),j=1,2,3};
[0083] 其中αi,j为输入Ui与参考值Ai,j的相似度。αi,j计算如下:
[0084] 当Ai,j≤Ui≤Ai,j+1,则
[0085] 当j’=1,...,Ji,j’≠j,j+1,有αi,j’=0;
[0086] Step2:计算第k规则被激活的权重wk:
[0087]
[0088] Step3:综合K条规则,推理得到监测点55压力的信任分布:
[0089] 本实施例采用IDS Multicriteria Assessor(多属性决策分析软件)来计算输出变量的信任分布。可得到:
[0090] p55(U)={(Dn,βn(U)),n=1,2,3}
[0091] Step4:由监测点55压力分布计算得到检测的压力p55:
[0092] p55=U1β1+U2β2+U3β3
[0093] Step5:采用MATLAB求解如下优化问题,其中H为训练样本个数, 为训练样本中监测点55压力:
[0094]
[0095]
[0096] 其中P=(βnk,θk,δi,k;n=1,2,3;k=1,...,27;i=1,2,3)。
[0097] Step6:检验规则库
[0098] 利用检验数据对建立的规则库进行检验,以评价模型的精度。精度的标准用来衡量。
[0099] 4.建立基于BRB的水厂出厂压力,出厂流量与压力监测点55,90,170压力的关系模型
[0100] 按照建立基于BRB的水厂出厂压力,出厂流量与压力监测点55压力的关系模型方法步骤,分别建立水厂出厂压力,出厂流量与压力监测点90和170压力的关系模型。然后将3个模型合并成1个模型。
[0101] 上述实施例和说明书中描述的只是本发明的原理,本发明的保护范围不受上述实施例的限制,在不脱离本发明精神和范围前提下本发明还有各种变化和改进。比如:本领域技术人员可以采用EPANET搭建供水管网微观模型,由该模型模拟产生用于训练规则库的数据,而用于系统建模;又如:可采用不同的学习算法来训练规则库,可在线学习也可离线学习等。这些变化和改进都落入本发明要求保护的范围内。

附图说明

[0055] 图1规则库训练过程示意图;
[0056] 图2实施例供水管网拓扑示意图。
版权所有:盲专网 ©2023 zlpt.xyz  蜀ICP备2023003576号