一种智慧水务无负压供水系统的制作方法

本发明涉及智能控制，具体为一种智慧水务无负压供水系统。

背景技术：

1、建设环境友好型和资源节约型社会，降低供水泵站能耗是实现这一目标的重要途径之一。二次供水作为将市政水源输送到用户端的关键环节，其能耗优化尤为重要。高位水箱供水尽管具有高可靠性，但初期建设成本较高且封闭性较差。气压罐供水的初期成本较低，但供水安全性较差，节能效果不佳。变频调速恒压供水虽然节能效果显著，但需要持续运行。

2、现有技术通过无负压供水系统解决了传统二次供水存在的诸多问题。无负压供水系统直接利用市政管网的水压，通过增压设备将水输送到用户端，而不需要在初始阶段从零开始加压。不仅减少了能耗，还避免了传统二次供水方式的二次污染，进一步优化了供水质量和系统稳定性。文献公开号为cn114658062b的中国专利，提出了一种用于智慧水务的无负压供水系统，通过机械驱动和调节输送路线提高维护操作的实用性，同时不影响正常供水。然而，其机械驱动方式可能导致维护成本较高，机械部件的磨损和故障率也会影响系统的长期稳定性。文献公开号为cn114809195b的中国专利，介绍了一种无负压供水设备远程监控系统及方法，能够通过远程监控和预警模块解决稳流补偿器的水质污染问题，避免二次污染，并优化水质。但其主要依赖于远程监控，可能在数据传输过程中存在延迟或误差，影响实时性和准确性。此外，仅依靠远程监控可能不足以全面应对复杂的水质变化和突发情况。文献公开号为cn114197587b的中国专利，介绍了一种无负压供水设备，通过自动调节压力和有效消毒，提高供水系统的稳定性和水质安全性。但是该系统高度依赖自动控制系统，在应对极端情况和突发事件时可能缺乏足够的灵活性和鲁棒性。

3、目前无负压供水系统虽然解决了一些传统二次供水的问题，但仍存在控制不灵活的问题。为此，提出一种智慧水务无负压供水系统。

技术实现思路

1、本发明的目的在于提供一种智慧水务无负压供水系统，通过数据采集模块收集和处理建筑用水数据集；利用建筑用水量预测模块中svr-dnn预测模型进行用水流量预测；借助mdp模型构建模块定义适合无负压供水系统的状态空间、动作空间和奖励函数框架；优化模块在mdp模型基础上，利用ddpg-att模型根据用水量预测值动态调整水泵的运行频率；控制结果生成模块使用训练好的模型，根据实时数据得出最优决策，实现对系统运行状态的实时监控和策略调整，确保系统确保在不同用水需求情况下系统高效灵活运行。

2、为实现上述目的，本发明提供如下技术方案：

3、一种智慧水务无负压供水系统，包括：

4、数据采集模块，用于获取建筑用水数据集，并对所述建筑用水数据集进行数据清洗、缺失值处理和特征提取，将所述建筑用水数据集划分成训练集和测试集；

5、建筑用水量预测模块，用于预测未来建筑用水量，使用所述训练集离线训练svr-dnn预测模型，调整所述svr-dnn预测模型参数，将所述测试集输入优化后的所述svr-dnn预测模型，生成所述未来建筑用水量；

6、mdp模型构建模块，用于构建所述mdp模型，将所述未来建筑用水量输入至状态空间，设计所述状态空间、动作空间和奖励函数，描述所述无负压供水系统的学习过程；

7、优化模块，用于训练和测试ddpg-att模型，基于所述mdp模型，设计所述ddpg-att模型，经过多次迭代和训练，调整所述ddpg-att模型参数，得到优化后的ddpg-att模型；

8、控制结果生成模块，使用所述ddpg-att模型，根据当前无负压供水系统状态和用水需求，生成控制策略。

9、进一步，所述数据采集模块包括：

10、收集数据单元，用于收集各个时刻的所述建筑用水数据集；

11、数据处理单元，用于对所述建筑用水数据集进行预处理；

12、使用均值填补法处理所述缺失值，均值计算公式为：

13、

14、其中，n是样本数，xi是第i个样本的特征值，用计算得到的所述均值m替换缺失值。

15、进一步，使用三倍标准差法检测并处理异常值，标准差s公式为：

16、

17、根据所述三倍标准差法，异常值的阈值设定为均值与三倍标准

18、差的加和，检查特征值是否超出所述阈值范围，如果超出阈值则用均值替换。

19、进一步，将所有数据进行归一化到[0,1]范围内，归一化公式为：

20、

21、其中，xnorm为归一化后的值，x是原始数据，min(x)和max(x)分别是特征x的最小值和最大值；

22、进一步，将处理后的数据按照80％和20％随机划分成所述训练集和所述测试集。

23、进一步，所述建筑用水量预测模块包括：

24、模型结构确定单元，用于确定所述svr-dnn预测模型的网络结构，包括输入层、隐藏层、输出层和神经元数量；

25、函数选择单元，用于选择rbf核为核函数，选择relu为激活函数，选择均方误差为损失函数；

26、训练调整单元，用于对所述svr-dnn预测模型进行训练，调整所述svr-dnn预测模型参数，评估所述svr-dnn预测模型的性能；

27、预测应用单元，使用训练好的所述svr-dnn预测模型对所述无负压供水系统进行预测，输出所述未来建筑用水量。

28、进一步，所述训练调整单元包括：

29、使用svr模型预测所述未来建筑用水量：

30、

31、其中，表示svr预测值，ψsvr表示svr预测模型，ot表示t时刻的户数，k表示厨房数量，b表示卫生间数量，pricet表示t时刻的水价，pt是t时刻供水压力，tt表示t时刻的温度，ht表示t时刻的湿度，dt表示t时刻是否为节假日；

32、求解svr优化问题，优化目标为：

33、

34、约束条件为：

35、

36、其中，决策函数为f(xi)＝wxi+b，f(xi)是第i个预测值，w是权重向量，b是偏置向量，xi表示第i个样本，c是正则化参数，ξi和是松弛因子，mi表示第i个标签值，εsvr表示f(xi)和mi之间的最大偏差，i是样本号，n是样本总数；

37、把所述svr预测值作为输入，训练svr-dnn预测模型，预测在t+1时刻的用水流量为：

38、

39、其中，ψsvr-dnn是用水流量预测模型，是在t+1时刻所述未来建筑用水量，把划分为峰值流量、普通流量和低谷流量；

40、带有l2正则化的svr-dnn的成本函数为：

41、

42、其中，m′i是svr-dnn的预测值，λ是正则项的权重，m是神经网络中权重的数量，ωj是第j个权重，j是权重号；

43、使用mse均方误差评估svr-dnn预测模型预测效果，表示为：

44、

45、其中，lmse是误差值，zi是真实值，pi是预测值。

46、进一步，所述mdp模型构建模块包括：

47、状态空间定义单元，用于描述所述供水系统在不同时间点的状态信息；

48、动作空间定义单元，用于确定在所述状态空间下采取的控制动作；

49、奖励函数单元，用于评估所述动作的效果，根据节能效果和供水稳定性给予奖励和惩罚；

50、转移函数单元，用于描述系统从一个状态转移到另一个状态的概率，环境根据所述动作和所述状态空间的反馈情况，决定下一个状态；

51、折扣因子单元，用于在长期优化过程中平衡当前奖励与未来奖励的相对重要性。

52、进一步，所述状态空间包括：

53、

54、其中，st是t时刻状态空间，f1,t是t时刻水泵1运行频率，f2,t是t时刻水泵2运行频率，f3,t是t时刻水泵3运行频率，gt是t时刻真实用水流量。

55、进一步，所述动作空间包括：

56、at＝{f1,t,f2,t,f3,t}；

57、其中，at是t时刻动作空间。

58、进一步，所述动作空间遵守的规则为：

59、当所述无负压供水系统不能满足最不利点需求时，提高水泵运行频率，直到供水达到设定值；

60、当建筑用水量增加时，提高所述水泵运行频率，计算fn并判断fn＞ftarget是否成立，若成立，则切换为工频模式，增加一台水泵运行，否则继续以当前数量的水泵运行；

61、当所述建筑用水量减少时，降低所述水泵运行频率，计算fn并判断fn＜ftarget是否成立，若成立，则减少一台水泵运行，由所述工频模式切换为变频模式，否则继续以当前数量的水泵运行；

62、其中，fn是所述无负压供水系统有n台水泵时的总频率，ftarget是计算得出的目标频率。

63、进一步，所述奖励函数包括：

64、

65、其中，rt为t时刻奖励函数，为t时刻能耗奖励，为t时刻供水稳定奖励，为系统压力奖励值，a、b、c为权衡因子；

66、所述供水稳定性奖励表示为：

67、

68、其中，为t时刻三台水泵的供水稳定性奖励，为t时刻第i台水泵的供水稳定性奖励；

69、所述表示为：

70、

71、其中，fi,t是时刻t第i台水泵的运行频率，fi,t-1是t-1时刻第i台水泵的运行频率，阈值δfth为允许的最大频率变化值；

72、所述系统压力奖励值表示为：

73、

74、其中，pt为t时刻供水压力，pttarget为t时刻目标压力值，根据峰值流量、普通流量和低谷流量设定不同的值，δpth是允许的最大偏差值。

75、进一步，所述优化模块包括：

76、初始化所述ddpg-att智能体，包括actor-att网络μ(s|θμ)和critic网络q(s,a|θq)，两个网络的参数分别用θμ和θq表示，同时也初始化他们的目标网络μ(s|θμ')和q(s,a|θq')，网络参数用θμ'和θq'表示；

77、将预测的下一时刻建筑用水流量扩展到原来的状态中，智能体观察到状态st；

78、将状态st通过所述actor-att网络处理，使用softmax激活函数计算每个状态分量的权重，将所述权重和状态st相乘得到新的加权状态向量，再经过两个全连接层处理；

79、使用relu激活函数和sigmoid激活函数得到当前动作at；

80、以t为控制间隔，将所述动作输入环境，所述ddpg-att智能体观察下一个状态st+1并获得奖励rt，所述ddpg-att智能体将经验样本{st,at,rt,st+1}存储到经验池，当经验池积累到足够容量后，随机抽取一个小批量转移样本进行训练与学习，其中i为样本号；

81、计算目标q值yi：

82、yi＝ri+γq′(st+1,μ′(st+1∣θμ′)∣θq′)；

83、其中，γ为折扣因子；

84、利用梯度下降法最小化critic网络评估值与目标值之间的差异，更新所述critic网络参数，损失函数l为：

85、

86、所述actor网络根据所述critic网络计算的评估值，通过策略梯度方法更新网络参数，策略梯度为：

87、

88、所述ddpg-att模型使用软更新的方法更新目标网络：

89、

90、其中，τ为软更新系数。

91、进一步，控制结果生成模块，使用所述ddpg-att模型，根据当前无负压供水系统状态和用水需求，生成控制策略。

92、进一步，所述控制结果生成模块包括：

93、保存训练好的所述svr-dnn预测模型和所述ddpg-att模型，预处理实时数据后，将所述实时数据输入到所述svr-dnn预测模型中，输出所述未来建筑用水量，并输入到所述ddpg-att模型中，生成控制策略。

94、与现有技术相比，本发明的有益效果为：

95、1、传统方法仅依赖简单的统计模型，难以捕捉复杂的用水规律。svr-dnn预测模型结合了svr的回归能力和dnn的非线性特性，利用建筑用水数据集训练，使用svr预测的结果作为dnn的输入，能够预测下一时刻的用水量，使无负压供水系统可以在实际需求变化前调整供水策略，从而提高控制灵活性。

96、2、传统控制方法基于固定规则或简单反馈，难以动态适应复杂环境。mdp模型综合考虑无负压供水系统的运行特点、用户需求变化以及环境条件变化，通过定义状态空间、动作空间和奖励函数，形成智能化决策框架实现全局优化。智能体根据mdp模型能够根据环境变化动态和及时响应建筑用水需求，从而提高控制灵活性。

97、3、传统方法在应对实时需求变化时反应不及时。ddpg-att模型在svr-dnn预测模型和mdp模型基础上，结合深度强化学习和注意力机制，通过实时监测和调整水泵的工作状态，自适应调整控制策略，动态调整水泵运行频率，快速响应用水量的变化。此外，为了最大化奖励函数，系统会减少供水波动，从而提高控制灵活性。