[go: up one dir, main page]

CN116843146A - 供水配泵方法、装置、设备及存储介质 - Google Patents

供水配泵方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116843146A
CN116843146A CN202310836224.5A CN202310836224A CN116843146A CN 116843146 A CN116843146 A CN 116843146A CN 202310836224 A CN202310836224 A CN 202310836224A CN 116843146 A CN116843146 A CN 116843146A
Authority
CN
China
Prior art keywords
water pump
period
data
candidate
working condition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310836224.5A
Other languages
English (en)
Inventor
沈寅杰
蔡艳伟
何东
彭越
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Supcon Information Industry Co Ltd
Original Assignee
Zhejiang Supcon Information Industry Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Supcon Information Industry Co Ltd filed Critical Zhejiang Supcon Information Industry Co Ltd
Priority to CN202310836224.5A priority Critical patent/CN116843146A/zh
Publication of CN116843146A publication Critical patent/CN116843146A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Positive-Displacement Pumps (AREA)

Abstract

本申请提供了一种供水配泵方法、装置、设备及存储介质，其中，该方法包括：通过预设时间内的历史供水量数据预测得到下一预设周期内各个时段的预测供水量数据，基于预测供水量数据和历史工况分析数据从所有的水泵组合中筛选出多个候选水泵组合，然后基于各个候选水泵组合的历史工况数据确定各个时段的待选水泵组合，最后根据各时段的待选水泵组合确定下一预设周期内的配泵方案。本申请基于数据驱动避免了特性曲线拟合等复杂计算，并且确定出的配泵方案是基于水泵组合的历史运行数据，更适应于实际工况和实际作业需求。

Description

供水配泵方法、装置、设备及存储介质
技术领域
本申请涉及水泵智能控制技术领域，具体而言，涉及一种供水配泵方法、装置、设备及存储介质。
背景技术
供水厂二级泵房用于将水厂清水池中的水输送到给水管网以供应用户使用，由于管网需水量波动较大，需要在供水厂二级泵房设置流量大小不同多台水泵，选择水泵的不同组合，来适应供水量最高时至最低时用水量的变化。
目前的配泵方式包括人工配泵和智能配泵，其中，智能配泵是通过拟合水泵特性曲线，得到流量与扬程、流量与功率、流量与效率的数学关系式，获得单台水泵的特性曲线为基础建立进行配泵，利用启发式算法寻优，逐时得出下一时段的配泵方案。
但是，目前的智能配泵方式不能还原多台水泵组合联合工作的真实的工况场景，难以适应实际工况，并且还存在计算复杂、工作量大的问题。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种供水配泵方法、装置、设备及存储介质，以解决现有技术中智能配泵方法难以还原真实工况、更新或校准时计算复杂度高的问题。
为实现上述目的，本申请采用的技术方案如下：
第一方面，本申请提供了一种供水配泵方法，所述方法包括：
获取预设时间内的历史供水量数据，并基于预先建立的供水量预测模型，对所述历史供水量数据进行预测，得到下一预设周期内每个时段的预测供水量数据；
根据各时段的预测供水量数据以及历史工况分析数据，确定各时段的多个候选水泵组合，所述历史工况分析数据用于指示对历史时段内多个水泵组合的实际工况数据的统计分析结果；
基于各时段的各个候选水泵组合的历史工况数据，从所述多个候选水泵组合中筛选，得到各时段的待选水泵组合；
根据各时段的待选水泵组合确定下一预设周期内的配泵方案。
可选的，所述历史工况分析数据包括：历史工况分析流量数据；
所述根据各时段的预测供水量数据以及历史工况分析数据，确定各时段的多个候选水泵组合，包括：
确定各个水泵组合的历史工况分析流量数据和预测供水量数据的差值；
按照差值的绝对值对各所述水泵组合进行从小到大的排序，将排名前n的水泵组合作为所述时段内的候选水泵组合。
可选的，所述候选水泵组合的历史工况数据包括多个工况点的工况数据，每个工况点表征候选水泵组合的一种工况；
所述基于各时段的各个候选水泵组合的历史工况数据，从所述多个候选水泵组合中筛选，得到各时段的待选水泵组合，包括：
基于各所述候选水泵组合的历史工况数据，确定各所述候选水泵组合的多个待选工况点；
确定各所述候选水泵组合的各个待选工况点的指标得分，并基于所述指标得分从候选水泵组合的待选工况点中确定代表工况点，将所述代表工况点的指标得分作为所述候选水泵组合的指标得分；
基于各所述候选水泵组合的指标得分，从所述多个候选水泵组合中筛选，得到各时段的待选水泵组合。
可选的，所述基于各所述候选水泵组合的历史工况数据，确定各所述候选水泵组合的多个待选工况点，包括：
确定候选水泵组合的多个工况点以及各个工况点的工况数据；
根据各个工况点的工况数据、预设的压力偏差阈值以及预设的流量偏差阈值，从候选水泵组合的工况点中确定多个待选工况点。
可选的，所述根据各时段的待选水泵组合确定下一预设周期内的配泵方案，包括：
确定并记录所述下一预设周期中当前时段的目标待选水泵组合；
将所述当前时段的下一时段内与所述目标待选水泵组合路径距离最小的待选水泵组合作为所述下一时段的目标待选水泵组合，所述路径距离表征从一种水泵组合到另一种水泵组合的启停次数；
将所述下一时段作为新的当前时段，并重新执行确定并记录当前时段的目标待选水泵组合的步骤，直至所述下一预设周期中所有时段均具有目标待选水泵组合，根据所述下一预设周期内各时段的目标待选水泵组合确定所述下一预设周期内的配泵方案。
可选的，所述根据所述下一预设周期内各时段的目标待选水泵组合确定所述下一预设周期内的配泵方案，包括：
若各时段符合最短路径距离的目标待选水泵组合的数量有多个，则对所有时段的所有目标待选水泵组合进行组合处理，得到多个待选配泵方案；
根据各待选配泵方案中各目标待选水泵组合指标得分的累计值，从所述多个待选配泵方案中筛选出所述下一预设周期内的配泵方案。
可选的，所述供水量预测模型的建立过程包括：
对样本供水量数据进行预处理，得到时间序列数据，所述时间序列数据包括预设时间内各个时段的供水量；
对所述时间序列数据进行重构划分，得到训练数据集、验证数据集以及测试数据集；
将所述训练数据集输入初始供水量预测模型，得到训练后的供水量预测模型；
基于所述验证数据集以及所述测试数据集对所述训练后的供水量预测模型进行迭代修正，得到所述供水量预测模型。
第二方面，本申请提供了一种供水配泵装置，所述装置包括：
预测模块，用于获取预设时间内的历史供水量数据，并基于预先建立的供水量预测模型对所述历史供水量数据进行预测，得到下一预设周期内每个时段的预测供水量数据；
确定模块，用于根据各时段的预测供水量数据以及历史工况分析数据，确定各时段的多个候选水泵组合，所述历史工况分析数据用于指示对历史时段内多个水泵组合的实际工况数据的统计分析结果；
筛选模块，用于基于各时段的各个候选水泵组合的历史工况数据，从所述多个候选水泵组合中筛选，得到各时段的待选水泵组合；
方案确定模块，用于根据各时段的待选水泵组合确定下一预设周期内的配泵方案。
可选的，所述历史工况分析数据包括：历史工况分析流量数据；
所述确定模块还用于：
确定各个水泵组合的历史工况分析流量数据和预测供水量数据的差值；
按照差值的绝对值对各所述水泵组合进行从小到大的排序，将排名前n的水泵组合作为所述时段内的候选水泵组合。
可选的，所述候选水泵组合的历史工况数据包括多个工况点的工况数据，每个工况点表征候选水泵组合的一种工况；
可选的，所述筛选模块还用于：
基于各所述候选水泵组合的历史工况数据，确定各所述候选水泵组合的多个待选工况点；
确定各所述候选水泵组合的各个待选工况点的指标得分，并基于所述指标得分从候选水泵组合的待选工况点中确定代表工况点，将所述代表工况点的指标得分作为所述候选水泵组合的指标得分；
基于各所述候选水泵组合的指标得分，从所述多个候选水泵组合中筛选，得到各时段的待选水泵组合。
所述筛选模块还用于：
确定候选水泵组合的多个工况点以及各个工况点的工况数据；
根据各个工况点的工况数据、预设的压力偏差阈值以及预设的流量偏差阈值，从候选水泵组合的工况点中确定多个待选工况点。
可选的，所述方案确定模块还用于：
确定并记录所述下一预设周期中当前时段的目标待选水泵组合；
将所述当前时段的下一时段内与所述目标待选水泵组合路径距离最小的待选水泵组合作为所述下一时段的目标待选水泵组合，所述路径距离表征从一种水泵组合到另一种水泵组合的启停次数；
将所述下一时段作为新的当前时段，并重新执行确定并记录当前时段的目标待选水泵组合的步骤，直至所述下一预设周期中所有时段均具有目标待选水泵组合，根据所述下一预设周期内各时段的目标待选水泵组合确定所述下一预设周期内的配泵方案。
可选的，所述方案确定模块还用于：
若各时段符合最短路径距离的目标待选水泵组合的数量有多个，则对所有时段的所有目标待选水泵组合进行组合处理，得到多个待选配泵方案；
根据各待选配泵方案中各目标待选水泵组合指标得分的累计值，从所述多个待选配泵方案中筛选出所述下一预设周期内的配泵方案。
可选的，所述供水量预测模型的建立过程包括：
对样本供水量数据进行预处理，得到时间序列数据，所述时间序列数据包括预设时间内各个时段的供水量；
对所述时间序列数据进行重构划分，得到训练数据集、验证数据集以及测试数据集；
将所述训练数据集输入初始供水量预测模型，得到训练后的供水量预测模型；
基于所述验证数据集以及所述测试数据集对所述训练后的供水量预测模型进行迭代修正，得到所述供水量预测模型。
第三方面，本申请提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述供水配泵方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述供水配泵方法的步骤。
本申请的有益效果是：根据预测供水量数据对水泵组合进行筛选，可以减小水泵组合的实际供水量与预测供水量的偏差，根据历史工况数据进行筛选，可以选择出更适应于实际工况场景的水泵组合，将历史工况数据作为筛选水泵组合的影响因素之一，当水泵设备出现磨损和设备老化时，可以从水泵组合的历史工况数据及时反映出来，而不必基于水泵数据重新进行水泵特性曲线的建立，避免重新建立配泵模型的复杂计算，实现快速筛选健康状况最优、工作效率最优的水泵组合。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例提供的一种应用场景示意图；
图2示出了本申请实施例提供的一种供水配泵方法的流程图；
图3示出了本申请实施例提供的一种确定候选水泵组合的流程图；
图4示出了本申请实施例提供的一种确定待选水泵组合的流程图；
图5示出了本申请实施例提供的一种确定指标得分的流程图；
图6示出了本申请实施例提供的一种确定配泵方案的流程图；
图7示出了本申请实施例提供的又一种确定配泵方案的流程图；
图8示出了本申请实施例提供的训练供水量预测模型的流程图；
图9示出了本申请实施例提供的一种获取最短路径的流程图；
图10示出了本申请实施例提供的一种供水配泵装置的结构示意图；
图11示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
传统的人工配泵方式多依赖于管理人员的配泵经验，不仅人工耗费大，存在滞后性，且水泵组合难以处于高效工作区，近年来智能配泵的方法逐渐被提出并应用于配泵管理中。
目前利用水泵特性曲线拟合构建数学模型的智能配泵方法中，一般通过拟合水泵特性曲线，得到流量与扬程、流量与功率、流量与效率的数学关系式，获得单台水泵的特性曲线为基础建立进行配泵模型，利用启发式算法寻优，逐时得出下一时段的配泵方案。
但是多台水泵联合工作会发生流量的折减，直接利用单台水泵特性曲线进行加减组合不合理，基于单台水泵的特性曲线建立的配泵模型难以还原多台水泵组合联合工作的真实的工况场景，可能偏离目标工况。
作为一种解决方式，也可以以多台水泵的特性曲线为基础建立配泵模型，以还原多台水泵组合联合工作的工况场景。
但是，管网需水量演化时或是当管网管路扩充、改建或水泵磨损导致的水泵效率下降时，均可能增加配泵模型的误差，使配泵模型精度变差甚至不可用，需要定期进行水泵特性曲线的重新获取及配泵模型的校准和更新，但进行校准和更新需要大量的数据支持，且需要重新进行模型的训练，因此又会存在计算复杂、工作量大的问题。
此外，基于现有技术的配泵模型进行配泵时，也没有考虑到水泵组合的健康状况，存在频繁选取同一组水泵的情况，因此可能导致个别水泵频繁使用，影响设备的使用寿命。
因此，如何在配泵时既能适应实际的工况场景，又能够避免配泵模型更新和校准时计算复杂和工作量大的情况就成为了亟待解决的问题。
基于上述问题，本申请提出一种供水配泵方法，基于历史数据中水泵组合的工况数据和工况分析数据从多种水泵组合中筛选出适合于当前供水量和工况场景的配泵方案，对配泵方案中的水泵启停次数进行优化，并将水泵的健康状况也作为配泵的考虑因素，从而得到适应于实际工况、效率最优且健康状况更优的配泵方案。
为便于理解，接下来首先对本申请进行智能配泵时用到的历史工况数据和历史工况分析数据进行说明。
历史工况数据可以是各个水泵的历史小时运行数据，包含日期、时间、星期几、是否为节假日、各台变频水泵平均小时频率、开泵组合序列、水泵调度状态、开泵台数、总管压力、总流量、水泵组合效率等数据列。
变频水泵平均小时频率的计算可以如下式(1)所示：
其中，表示平均小时频率，Pr表示水泵平均小时功率，W表示水泵小时耗电量，f表示工频。
水泵调度状态是指本小时内水泵是否有启停变化，有则为调度时段。若为调度时段，该水泵的调度状态值为1，否则为0，其中若当前时段存在任意一个调度状态为1的水泵，则可以认为当前时段的调度状态为1，本时段水泵的开泵台数等于各个水泵调度状态之和。
如表1所示，是本申请给出的一种历史工况数据示例表。
表1历史工况数据示例
历史工况分析数据可以是对历史工况数据进行分组统计分析得到的结果，即用统计数据代表一种水泵组合的参数分布范围。
示例性的，可以利用多个工况点数据的统计分析结果表示该水泵组合的性能参数范围，例如统计分析小时供水总量分布、压力分布及小时平均工作效率分布。
如表2所示，是本申请给出的一种历史工况分析数据的示例。
表2历史工况分析数据示例
表2内的数据表明分组内水泵组合的压力分布、流量分布及工作效率指标分布情况，利用统计值大致估计各种水泵组合的参数范围，每行代表一种水泵组合的指标变化范围。
如图1所示，是本申请给出的一种供水配泵的应用场景，本申请的方法可以应用在供水厂二级泵房供水配泵的场景中，参照图1，供水厂二级泵房中设置了流量大小不同的多台水泵，在不同的时段需要根据用户用水量的不同选择不同的水泵组合，以使得水泵组合能够处于高效工作区，提高水泵的工作效率。电子设备可以与控制设备连接，控制设备分别与各台水泵通信连接，以控制各台水泵的工作状态，电子设备根据以往的供水量数据预测下一周期内各个时段的供水量数据，并根据供水量数据进行供水配泵，确定下一周期的配泵方案，并在下一周期开始时通过控制设备按照配泵方案配置对应的水泵组合。
接下来结合图2，对本申请的供水配泵方法作进一步说明，该方法的执行主体可以是图1中的电子设备，如图2所示，该方法包括：
S201：获取预设时间内的历史供水量数据，并基于预先建立的供水量预测模型对历史供水量数据进行预测，得到下一预设周期内每个时段的预测供水量数据。
可选的，预设时间内的历史供水量数据可以是供水区域的历史小时供水量，即供水区域前一预设时间段内每小时的用水数据。
可选的，预测供水量数据可以是供水区域下一预设周期内每个时段可能需要的供水量或供水量的范围。
作为一种可能的实施方式，预设时间内的历史供水量数据可以为各个时段的供水量平均值，将其输入供水量预测模型之后，模型就可以预测得到下一预设周期内各个时段的预测供水量数据，该数据可以表征该时段的供水量平均值。用户也可以将各个时段的供水量总值作为该时段的供水量数据，从而通过供水量预测模型得到下一预设周期内各个时段的预测供水量总值，即供水量数据可以表征该时段的供水量平均值或总值，本申请在此不做限制。
供水量预测模型可以是基于深度学习框架的长短期记忆神经网络(Long Short-Term Memory，LSTM)构建的模型，该模型以历史供水量数据作为输入，可以预测得到下一预设周期内每个时段的预测供水量数据。
示例性的，假设需要得到明天的配泵方案，就可以将过去一周内供水区域各个时段的历史供水量数据输入供水量预测模型，模型就可以基于过去一周内各个时段的供水量数据进行预测，得到明天各个时段的预测供水量数据。
值得说明的是，输入模型的历史供水量数据的起止时间可以由本领域人员自行确定，预设周期内的时间段划分可以是按照24小时制，也可以基于其他的划分标准，本申请在此不做限制。
S202：根据各时段的预测供水量数据以及历史工况分析数据，确定各时段的多个候选水泵组合，历史工况分析数据用于指示对历史时段内多个水泵组合的实际工况数据的统计分析结果。
可选的，历史工况分析数据可以是对过去一个时段内各个水泵组合的工况数据的统计分析结果。
其中，历史工况分析数据可以包括：小时供水总量统计结果、压力统计结果及小时平均工作效率统计结果等。值得注意的是，本申请只是给出了一种可能的示例，历史工况分析数据也可以包括其他工况数据的统计结果，历史工况分析数据的具体内容本申请在此不做限制。
本申请中根据各时段的预测供水量数据以及历史工况分析数据，可以首先确定实际供水量和各时段的预测供水量数据大致接近的多个候选水泵组合，减小最终的实际供水量和预测供水量的偏差。
S203：基于各时段的各个候选水泵组合的历史工况数据，从多个候选水泵组合中筛选，得到各时段的待选水泵组合。
可选的，历史工况数据可以包括：水泵组合的平均小时频率、水泵组合调度状态、水泵组合工作效率、总管压力、供水量、水泵组合健康状况以及数据采集时间等。将水泵组合的健康状况也作为筛选待选水泵组合的考虑因素，可以选取健康状况更优的水泵组合，从而提高水泵组合的工作效率。
值得说明的是，上述历史工况数据只是本申请给出的一种示例，实际执行时，技术人员也可以将其他的工况数据作为筛选待选水泵组合的考虑因素，例如将水泵组合的小时功耗，本申请在此不做限制。
本申请实施例中，对于每一个时段，都可以根据预测供水量数据先确定该时段可能的多个候选水泵组合，然后再根据各个候选水泵组合的工况数据做进一步的筛选，得到各个时段的多个待选水泵组合。这样不仅可以减小最终的实际供水量与预测供水量的偏差，还可以考虑到水泵组合的实际工况，使得最终确定的配泵方案能够更适配于实际的工况场景。
S204：根据各时段的待选水泵组合确定下一预设周期内的配泵方案。
可选的，下一预设周期内的配泵方案可以指示下一预设周期内各个时段的水泵组合，其中每个时段的水泵组合只包括一种。参照图1，控制设备可以根据配泵方案控制各个水泵的开启或停止，以使得水泵能够按照各个时段的水泵组合指示的调度状态进行工作。
值得说明的是，每个时段的待选水泵组合可以包括多个，确定下一预设周期内的配泵方案时，电子设备可以计算各个时段的水泵组合到下一时段的各个水泵组合的启停次数，并将总启停次数最少的配泵方案作为最终的配泵方案，以减少水泵频繁启停造成的不利影响，延长水泵的使用寿命。
本申请实施例中，首先通过预设时间内的历史供水量数据预测得到下一预设周期内各个时段的预测供水量数据，然后基于预测供水量数据和历史工况分析数据从所有的水泵组合中筛选出多个候选水泵组合，然后基于各个候选水泵组合的历史工况数据确定各个时段的待选水泵组合，最后根据各时段的待选水泵组合确定下一预设周期内的配泵方案。通过预测供水量数据对水泵组合进行筛选，可以减小水泵组合的实际供水量与预测供水量的偏差，将水泵组合的历史工况数据作为筛选的条件，可以选择出更适应于实际工况场景的水泵组合，将历史工况数据作为筛选水泵组合的影响因素之一，当水泵设备出现磨损和设备老化时，可以从水泵组合的历史工况数据及时反映出来，而不必基于水泵数据重新进行水泵特性曲线的建立，避免重新建立配泵模型的复杂计算，实现快速筛选健康状况最优、工作效率最优的水泵组合。
可选的，历史工况数据中可以包括历史工况分析流量数据，历史工况分析流量数据用于表征一个时段中水泵组合的供水量范围。
以下是对上述根据各时段的预测供水量数据以及历史工况分析数据，确定各时段的多个候选水泵组合的步骤说明，如图3所示，上述S202步骤包括：
S301：确定各个水泵组合的历史工况分析流量数据和预测供水量数据的差值。
可选的，针对每个时段的预测供水量数据可以在历史工况分析数据中进行查找，确定该时段的历史工况分析流量数据与预测供水量数据的差值。
值得说明的是，由于历史工况分析流量数据表征的是一个供水量范围，因此可以将预测供水量数据与历史工况分析流量数据的中位数进行比较，确定各个水泵组合的历史工况分析流量数据的中位数和预测供水量数据的差值。
S302：按照差值的绝对值对各水泵组合进行从小到大的排序，将排名前n的水泵组合作为时段内的候选水泵组合。
可选的，确定各个水泵组合的历史工况分析流量数据与预测供水量数据的差值之后，本申请中可以将各个水泵组合按照其对应的差值的绝对值按照从小到大的顺序进行排序，并将排序结果的前n个水泵组合作为该时段内的候选水泵组合。
其中，n可以是设置的阈值，表示最大候选水泵组合，n的值可以是小于水泵组合总数的任意正整数。
需要注意的是，差值的绝对值越小，则可以说明预测供水量数据与该历史工况分析流量数据越接近，因此可以将差值的绝对值最小的前n个水泵组合作为候选水泵组合。
可选的，确定候选水泵组合之后，本申请还可以先基于各个候选水泵组合的历史工况数据，确定候选水泵组合中是否包含故障水泵，先对候选水泵组合进行筛选，将包含故障水泵的候选水泵组合排除，最终确定每个时段的候选水泵组合。
本申请实施例中，通过预测供水量数据对水泵组合进行筛选，可以减少水泵组合的实际供水量和供水区域的需水量的偏差，实现水泵组合的效率最优。
确定候选水泵组合之后，可以进一步的从各个时段的候选水泵组合中确定待选水泵组合，接下来对上述基于各时段的各个候选水泵组合的历史工况数据，从多个候选水泵组合中筛选，得到各时段的待选水泵组合的步骤进行说明，如图4所示，上述S203步骤包括：
S401：基于各候选水泵组合的历史工况数据，确定各候选水泵组合的多个待选工况点。
可选的，候选水泵组合的历史工况数据中可以包括多个工况点，每个工况点可以表征候选水泵组合的一种工况。
其中，每个工况点的工况数据可以包括多项，例如流量、压力、效率、水泵健康状况等。
本申请中可以基于候选水泵组合的历史工况数据，确定候选水泵组合的多个待选工况点，并确定各个待选工况点的工况数据。
S402：确定各候选水泵组合的各个待选工况点的指标得分，并基于指标得分从候选水泵组合的待选工况点中确定代表工况点，将代表工况点的指标得分作为候选水泵组合的指标得分。
可选的，候选水泵组合的待选工况点的工况数据可以包括多项指标，例如流量、压力、效率、水泵健康状况等，针对每一个指标可以分别设置不同的权重，权重的具体数值可以根据当前管理层面的需求制定。
本申请实施例中，可以对候选水泵组合每个工况点的工况数据中的各项指标分别计算指标得分，并根据各项指标的权重以及各项指标的得分计算得到候选水泵组合的待选工况点的指标得分。
示例性的，假设目前的管理需求是尽量保证水泵设备的长期安全运行，那么就可以为水泵组合的健康状况赋予较大的权重，这样最终的配泵方案中就可以每次都确定到健康状况更优的水泵组合。
作为另一种可能的实施方式，当实际作业需求为电费最少时，可以将水泵组合的小时耗电量作为一个单项指标，并为其赋予较大的权重。应当理解，指标得分中的单项指标可以根据实际作业需求灵活确定，本申请在此不做限制。
可选的，在确定各个待选工况点的指标得分之后，本申请可以基于各个待选工况点的指标得分从候选水泵组合的待选工况点中确定代表工况点，将代表工况点的指标得分作为候选水泵组合的指标得分。
可选的，代表工况点可以是指标得分最高的待选工况点，代表工况点的指标得分可以作为候选水泵组合的指标得分。
S403：基于各候选水泵组合的指标得分，从多个候选水泵组合中筛选，得到各时段的待选水泵组合。
本申请中可以对各个时段的候选水泵组合的指标得分进行筛选，将指标得分最高、或指标得分位于前m％的候选水泵组合作为对应时段的待选水泵组合。
示例性的，可以将各个时段的候选水泵组合按照指标得分进行排序，并将处于前m％的候选水泵组合作为该时段的待选水泵组合，其中，n可以是0-100内的任意数值。
本申请实施例中，基于历史工况数据对候选水泵组合的各个工况分别计算指标得分，将指标得分最高的工况作为该水泵组合的代表工况，并将代表工况的指标得分作为候选水泵组合的指标得分，然后基于指标得分从候选水泵组合中确定出待选水泵组合，可以保留指标得分最优的工况场景，并基于最优的工况场景确定待选水泵组合。
相比于现有技术，本申请不需要根据历史工况数据进行配泵模型建立的复杂计算过程，当水泵设备出现磨损时，只需要对历史工况数据进行更新即可，而不必收集大量的历史工况数据重新进行配泵模型的校准，因此减少了计算的复杂度以及工作量。
此外，本申请将历史工况数据作为筛选待选水泵组合的依据之一，可以在进行配泵优化时满足水泵组合压力与用户设定偏差最小原则、流量与预测管网需水量偏差最小原则、效率最优原则、水泵组合健康状况最优原则，从而确定出健康状况更优、效率更优以及更贴近于实际工况的水泵组合。
可选的，历史工况数据包括如下至少一种：压力、流量、水泵效率、水泵组合健康状况。
其中，压力可以是配泵水厂的总管压力；流量可以是在出厂水压下配泵水厂向供水区域提供的水量；水泵效率可以是水泵组合每小时的工作效率；水泵组合健康状况可以基于水泵的使用时长、水泵的工作效率以及水泵的日启停总次数确定。
如图5所示，上述基于各候选水泵组合的历史工况数据，确定各候选水泵组合的多个待选工况点的步骤包括：
S501：确定候选水泵组合的多个工况点以及各个工况点的工况数据。
应当理解，候选水泵组合在一个时段内包含很多个工况点，如果对每个工况点的工况数据都进行上述S402-S403步骤的处理，会产生很大的计算量，基于此，本申请中可以从候选水泵组合的所有工况点中确定多个工况点，并获取这些工况点的工况数据。
其中，工况点的确定可以由电子设备随机确定，或是在该时段内取几个时刻对应的工况点，本申请在此不做限制。
S502：根据各个工况点的工况数据、预设的压力偏差阈值以及预设的流量偏差阈值，从候选水泵组合的工况点中确定多个待选工况点。
可选的，对于每一个候选水泵组合的各个工况点，本申请中可以基于预设的压力偏差阈值以及预设的流量偏差阈值对工况点的工况数据中的压力和流量进行筛选，将压力大于压力偏差阈值的工况数据和流量大于流量偏差阈值对应的工况点排除，得到候选水泵组合多个待选工况点。
待选工况点的工况数据中，压力小于或等于压力偏差阈值，流量小于或等于流量偏差阈值。
其中，压力偏差阈值和流量偏差阈值可以根据实际项目需要进行调节。
值得说明的是，上述S501-S502步骤是对一个候选水泵组合确定待选工况点的步骤说明，对于每一个候选水泵组合都确定待选工况点之后，可以计算各个待选工况点的指标得分，并基于待选工况点的指标得分确定候选水泵组合的指标得分。
确定各候选水泵组合的指标得分之后，可以将各个时段中指标得分最高的前m％个候选水泵组合作为该时段的待选水泵组合，然后根据各时段的待选水泵组合确定下一预设周期内的配泵方案，如图6所示，上述S204步骤包括：
S601：确定并记录下一预设周期中当前时段的目标待选水泵组合。
值得说明的是，可以将下一预设周期第一个时段的任一待选水泵组合作为该时段的目标待选水泵组合，从第一个时段的水泵组合开始记录，并依次确定各个时段的目标待选水泵组合。
S602：将当前时段的下一时段内与目标待选水泵组合路径距离最小的待选水泵组合作为下一时段的目标待选水泵组合，路径距离表征从一种水泵组合到另一种水泵组合的启停次数。
可选的，待选水泵组合可以看作节点，各个待选水泵组合之间的路径距离可以是从一个待选水泵组合到另一个待选水泵组合的水泵启停次数。
本申请中可以计算下一时段的各个待选水泵组合与当前时段的目标待选水泵组合的启停次数，并将启停次数最少的待选水泵组合作为下一时段的目标待选水泵组合。
值得说明的是，若下一时段中存在多个与当前时段的目标待选水泵组合距离相同的待选水泵组合，则可以将这些水泵组合都作为下一时段的目标待选水泵组合，在后续进行路径优化时，再从多个目标待选水泵组合中确定出下一时段唯一的一个目标待选水泵组合。
S603：将下一时段作为新的当前时段，并重新执行确定并记录当前时段的目标待选水泵组合的步骤，直至下一预设周期中所有时段均具有目标待选水泵组合，根据下一预设周期内各时段的目标待选水泵组合确定下一预设周期内的配泵方案。
可选的，可以依次计算当前时段的目标待选水泵组合和下一时段的各个待选水泵组合的距离，以确定各个时段的目标待选水泵组合，并将这些目标待选水泵组合按照确定的顺序组合为下一预设周期内的配泵方案。
本申请实施例中，可以将每个时段里的每个待选水泵组合看作一个节点，计算相邻时段任意的两个待选水泵组合的距离，该距离表示从一个组合到另一个组合的水泵启停次数，从而找到从开始时段到结束时段路径最短的路线，优化配泵方案中各个水泵的启停次数，不仅可以延长水泵设备的使用寿命，还能够减少配泵管理的工作量。
值得说明的是，本申请中可以在第一个时段确定多个目标待选水泵组合，因此也可能会得到多个配泵方案，此外，若一个时段内存在多个目标待选水泵组合，最终也会得到多个配泵方案，此时可以对配泵方案再进行路径优化，得到最终可执行的一个配泵方案。
以下是对上述根据下一预设周期内各时段的目标待选水泵组合确定下一预设周期内的配泵方案的步骤说明，如图7所示，上述S603步骤包括：
S701：若各时段符合最短路径距离的目标待选水泵组合的数量有多个，则对所有时段的所有目标待选水泵组合进行组合处理，得到多个待选配泵方案。
当存在一个时段的目标待选水泵组合的数量为多个时，本申请中可以将各时段的目标待选水泵组合按照确定路径的顺序组合为多个待选配泵方案。
值得说明的是，对目标待选水泵组合进行组合处理这一步骤可以由电子设备在基于最短路径算法确定最短路径距离时自动执行。
S702：根据各待选配泵方案中各目标待选水泵组合指标得分的累计值，从多个待选配泵方案中筛选出下一预设周期内的配泵方案。
可选的，本申请中可以对各个待选配泵方案中各个目标待选水泵组合的指标得分求和，并将得到的指标得分的累计值作为待选配泵方案的方案得分，然后将方案得分最高的待选配泵方案作为下一预设周期内的配泵方案。
作为另一种可能的实施方式，本申请中还可以对各个待选配泵方案根据其包括的目标待选水泵组合的历史工况数据进行筛选，确定出更加符合项目需要的配泵方案。
例如假设实际作业需求为确定出工作效率更优的配泵方案，则可以根据各个待选目标水泵组合的历史工况数据中的工作效率，确定出工作效率最优的一个待选配泵方案作为下一预设周期内的配泵方案。
假设实际作业需求为确定出管理更简单的配泵方案，则可以根据各个待选目标水泵组合的历史工况数据，确定各个待选配泵方案的启停次数，并将总启停次数最少的待选配泵方案作为下一预设周期内的配泵方案。
作为另一种可能的实施方式，也可以将各个待选配泵方案以及各个待选配泵方案的方案得分都输出给用户，由用户根据实际作业需求确定最终的配泵方案。
以下是对上述S201步骤基于供水量预测模型预测下一预设周期的供水量之前，建立供水量预测模型的步骤说明，如图8所示，建立供水量预测模型的步骤包括：
S801：对样本供水量数据进行预处理，得到时间序列数据，时间序列数据包括预设时间内各个时段的供水量。
可选的，对样本供水量数据进行预处理，可以是对样本供水量数据去除异常值，并进行空缺值填充。根据日供水量数据的周期性，空缺值填充可以按照前(后)一天的同一时段或上(下)一周对应天的同一时段的数据进行填充，以得到时间和供水量数值一一对应的时间序列数据。
S802：对时间序列数据进行重构划分，得到训练数据集、验证数据集以及测试数据集。
本申请中可以对时间序列数据进行划分，得到训练数据集、验证数据集以及测试数据集。其中，训练数据集可以用于训练模型，模型可以根据输入的测试数据集进行预测，得到预测结果，并将预测结果和验证数据集进行比对，以根据比对结果进行模型参数的调整。
S803：将训练数据集输入初始供水量预测模型进行训练，得到训练后的供水量预测模型。
示例性的，可以将一月份的供水量数据作为训练数据，将二月份的供水量数据作为测试数据，将三月份的供水量数据作为验证数据，将一月份的供水量数据输入初始供水量预测模型之后，得到训练后的供水量预测模型。
S804：基于验证数据集以及测试数据集对训练后的供水量预测模型进行迭代修正，得到供水量预测模型。
可选的，可以将测试数据集作为训练后的供水量预测模型的输入，得到模型输出的预测结果，并将预测结果和验证数据集进行比对，确定模型的精度反馈，并根据精度反馈进行调参，直至得到精度合格的供水量预测模型。
本申请中，可以将上述S202-S204步骤封装在配泵调度模型中，调度模型中可以存储预设时间内的历史工况数据以及历史工况分析数据，调度模型可以基于历史工况数据、历史工况分析数据以及供水量预测模型预测的预测供水量数据进行水泵组合的筛选，并在确定待选水泵组合之后进行线路优化，确定各个时段的目标待选水泵组合，以最终确定配泵方案。
以下结合一种具体实施方式对本申请的供水配泵方法做进一步说明，本申请的供水配泵方法可以应用于智能配泵日优化调度模型中，智能配泵日优化调度模型包括模型的目标函数及约束条件。
其中，目标函数的表达式可以如下式(2)所示：
Pathoptimal＝argmax{FComposite(path)} (2)
其中：FComposite(path)＝FevalIndicator(path)+FdispatchTimes(path)。
Pathoptimal代表使FComposite(path)评分最大化的日配泵方案；
FComposite(path)代表线路path的综合评分；
FevalIndicator(path)代表线路path的评价指标评分；
FdispatchTimes(path)代表线路path的线路优化评分；
首先基于预测供水量数据进行水泵组合的筛选，得到多个候选水泵组合，并从候选水泵组合中基于历史工况数据确定各个候选水泵组合的多个工况场景的指标得分，并确定各个候选水泵组合的指标得分，根据指标得分筛选得到多个待选水泵组合，然后组合各个时段的待选水泵组合，得到多组日配泵方案，path代表其中任意一种日配泵方案，由Xoptimal_1、Xoptimal_1......Xoptimal_24长度为24的有序序列组成，每个时段的水泵组合经过评分初步选定及线路优化最终确定。
具体的，其中线路path的评价指标评分FevalIndicator(path)，以下简称EvalScore(path)计算可以如下式(3)所示：
其中i∈Scenorios，即水泵组合的历史工况数据。
本申请中可以设置流量、压力、效率、水泵健康状况四个评价指标，j代表4个评价指标中的任意一个，以评价工况i在不同评价指标的表现，并为不同指标设置可调节的权重Wj。
SRj(i)代表运行工况i在指标j下排名确定的得分。例如：设置SRj＝[5，4，3，2，1]，分别代表在评价指标j下处于排名前20％、40％、60％、80％、100％的工况场景得分，对应排名前20％的工况场景i得分SRj(i)为5。不同评价指标的SRj设置可以根据需求确定。
获得每条线路的指标评分EvalScore(path)后，获取path在各线路中Rank(Path)，并利用下述公式(4)计算FevalIndicator(path)。
FevalIndicator(path)＝cof*(numNpath-Rank(Path)+C) (4)
其中，Cof、C可以根据经验进行设置，例如设置cof＝1.1、C＝5。
其中，Rank(Path)为配泵方案(path)的指标评分EvalScore(path)的排名，numNpath为线路条数。
FdispatchTimes(path)即对应上述S601-S603步骤中的进行配泵方案选择，在实际执行时，电子设备可以将每个时段里的每个备选水泵组合看作一个节点，计算相邻时段任意的两个水泵组合的距离，该距离表示从一个组合到另一个组合的水泵启停次数，找到从开始时段到结束时段路径最短的路线。若路径有多条，则计算路线上所有水泵组合对应的工况的总评分，所求评分最高的路径即为所求最优配泵方案。寻找启停次数最少的配泵方案可转化为动态规划算法最短路径问题进行求解。其中，获取最短路径的流程图可以如图9所示。
FdispatchTimes(path)的计算可以如下式(5)所示。
FdispatchTimes(path)＝SDpath (5)
一般线路优化的起点有多个，因此优化的线路有多条，给予不同总启停次数的线路不同的评分，以评价该线路的在启停次数上的表现。此处SDpath代表线路优化后，根据当前path在进行在所有线路中的得分。
例如：设置SD＝[5，3，1，0]，排名前三分别得5、3、1分，后续排名得path给予惩罚，计分为0。
以下是对智能配泵日优化调度模型的约束条件的说明。
日配泵方案(path)由24小时的水泵组合有序集合组成，每小时的水泵组合的选取须满足设备运行状态、上级调度要求及管网需求等方面的要求，本申请中的约束条件可以以数学形式给出，如下所述：
设X为S＝{X1，X2，...，XN}中某一时段满足约束条件的任一水泵优化组合，S代表水泵组合数据库中所有水泵组合。
约束条件包括：X不能包含故障(或维护中)的设备；需要符合水泵组合X的扬程约束；需要符合水泵组合的流量约束。
本申请中可以先基于工况数据排除包含故障水泵的水泵组合，然后基于流量约束以及扬程约束对水泵组合的各个工况点的流量和压力进行约束，得到水泵组合的待选工况点，然后基于待选工况点的工况数据以及上述式(3)中的评价指标评分，确定水泵组合的指标得分。
其中，水泵优化组合工况的扬程HX(t)应满足下式(6)：
Hdispatch(t)-ε1≤HX(t)≤Hdispatch(t)+ε1 (6)
Hdispatch(t)为上级调度规定的自来水厂出水总管压力(m)，作为已知量。ε1-为设定的压力阈值，可进行设置。
水泵优化组合工况的流量QX(t)应满足下式(7)：
其中，ε2为设定的流量阈值系数，可进行设置。为特定出厂水压力HX(t)下，水厂须向城市管网提供的水量，为本时段的供水量预测值。
本申请中基于目标函数和约束条件计算各个配泵方案的线路综合评分FComposite(path)之后，可以进行路线path排序，将具有最高综合评分的线路Pathoptimal确定为目标配泵方案，并将其输出供用户决策。
基于同一发明构思，本申请实施例中还提供了与供水配泵方法对应的供水配泵装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述供水配泵方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图10所示，为本申请实施例提供的一种供水配泵装置的示意图，所述装置包括：预测模块1001、确定模块1002、筛选模块1003以及方案确定模块1004，其中：
预测模块1001，用于获取预设时间内的历史供水量数据，并基于预先建立的供水量预测模型对历史供水量数据进行预测，得到下一预设周期内每个时段的预测供水量数据；
确定模块1002，用于根据各时段的预测供水量数据以及历史工况分析数据，确定各时段的多个候选水泵组合，历史工况分析数据用于指示对历史时段内多个水泵组合的实际工况数据的统计分析结果；
筛选模块1003，用于基于各时段的各个候选水泵组合的历史工况数据，从多个候选水泵组合中筛选，得到各时段的待选水泵组合；
方案确定模块1004，用于根据各时段的待选水泵组合确定下一预设周期内的配泵方案。
可选的，历史工况分析数据包括：历史工况分析流量数据；
确定模块1002还用于：
确定各个水泵组合的历史工况分析流量数据和预测供水量数据的差值；
按照差值的绝对值对各水泵组合进行从小到大的排序，将排名前n的水泵组合作为时段内的候选水泵组合。
可选的，候选水泵组合的历史工况数据包括多个工况点的工况数据，每个工况点表征候选水泵组合的一种工况；
可选的，筛选模块1003还用于：
基于各候选水泵组合的历史工况数据，确定各候选水泵组合的多个待选工况点；
确定各候选水泵组合的各个待选工况点的指标得分，并基于指标得分从候选水泵组合的待选工况点中确定代表工况点，将代表工况点的指标得分作为候选水泵组合的指标得分；
基于各候选水泵组合的指标得分，从多个候选水泵组合中筛选，得到各时段的待选水泵组合。
筛选模块1003还用于：
确定候选水泵组合的多个工况点以及各个工况点的工况数据；
根据各个工况点的工况数据、预设的压力偏差阈值以及预设的流量偏差阈值，从候选水泵组合的工况点中确定多个待选工况点。
可选的，方案确定模块1004还用于：
确定并记录下一预设周期中当前时段的目标待选水泵组合；
将当前时段的下一时段内与目标待选水泵组合路径距离最小的待选水泵组合作为下一时段的目标待选水泵组合，路径距离表征从一种水泵组合到另一种水泵组合的启停次数；
将下一时段作为新的当前时段，并重新执行确定并记录当前时段的目标待选水泵组合的步骤，直至下一预设周期中所有时段均具有目标待选水泵组合，根据下一预设周期内各时段的目标待选水泵组合确定下一预设周期内的配泵方案。
可选的，方案确定模块1004还用于：
若各时段符合最短路径距离的目标待选水泵组合的数量有多个，则对所有时段的所有目标待选水泵组合进行组合处理，得到多个待选配泵方案；
根据各待选配泵方案中各目标待选水泵组合指标得分的累计值，从多个待选配泵方案中筛选出下一预设周期内的配泵方案。
可选的，所述供水配泵装置还包括训练模块，用于：
对样本供水量数据进行预处理，得到时间序列数据，时间序列数据包括预设时间内各个时段的供水量；
对时间序列数据进行重构划分，得到训练数据集、验证数据集以及测试数据集；
将训练数据集输入初始供水量预测模型，得到训练后的供水量预测模型；
基于验证数据集以及测试数据集对训练后的供水量预测模型进行迭代修正，得到供水量预测模型。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
本申请实施例通过预测供水量数据对水泵组合进行筛选，可以减小水泵组合的实际供水量与预测供水量的偏差，将水泵组合的历史工况数据作为筛选的条件，可以选择出更适应于实际工况场景的水泵组合，将历史工况数据作为筛选水泵组合的影响因素之一，当水泵设备出现磨损和设备老化时，可以从水泵组合的历史工况数据及时反映出来，而不必基于水泵数据重新进行水泵特性曲线的建立，避免重新建立配泵模型的复杂计算，实现快速筛选健康状况最优、工作效率最优的水泵组合。
本申请实施例还提供了一种电子设备，如图11所示，为本申请实施例提供的电子设备结构示意图，包括：处理器1101、存储器1102和总线。所述存储器1102存储有所述处理器1101可执行的机器可读指令(比如，图10中的装置中预测模块1001、确定模块1002、筛选模块1003以及方案确定模块1004对应的执行指令等)，当计算机设备运行时，所述处理器1101与所述存储器1102之间通过总线通信，所述机器可读指令被所述处理器1101执行时执行上述供水配泵方法的处理。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述供水配泵方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (10)

1.一种供水配泵方法，其特征在于，包括：
获取预设时间内的历史供水量数据，并基于预先建立的供水量预测模型，对所述历史供水量数据进行预测，得到下一预设周期内每个时段的预测供水量数据；
根据各时段的预测供水量数据以及历史工况分析数据，确定各时段的多个候选水泵组合，所述历史工况分析数据用于指示对历史时段内多个水泵组合的实际工况数据的统计分析结果；
基于各时段的各个候选水泵组合的历史工况数据，从所述多个候选水泵组合中筛选，得到各时段的待选水泵组合；
根据各时段的待选水泵组合确定下一预设周期内的配泵方案。
2.根据权利要求1所述的方法，其特征在于，所述历史工况分析数据包括：历史工况分析流量数据；
所述根据各时段的预测供水量数据以及历史工况分析数据，确定各时段的多个候选水泵组合，包括：
确定各个水泵组合的历史工况分析流量数据和预测供水量数据的差值；
按照差值的绝对值对各所述水泵组合进行从小到大的排序，将排名前n的水泵组合作为所述时段内的候选水泵组合。
3.根据权利要求1所述的方法，其特征在于，所述候选水泵组合的历史工况数据包括多个工况点的工况数据，每个工况点表征候选水泵组合的一种工况；
所述基于各时段的各个候选水泵组合的历史工况数据，从所述多个候选水泵组合中筛选，得到各时段的待选水泵组合，包括：
基于各所述候选水泵组合的历史工况数据，确定各所述候选水泵组合的多个待选工况点；
确定各所述候选水泵组合的各个待选工况点的指标得分，并基于所述指标得分从候选水泵组合的待选工况点中确定代表工况点，将所述代表工况点的指标得分作为所述候选水泵组合的指标得分；
基于各所述候选水泵组合的指标得分，从所述多个候选水泵组合中筛选，得到各时段的待选水泵组合。
4.根据权利要求3所述的方法，其特征在于，所述基于各所述候选水泵组合的历史工况数据，确定各所述候选水泵组合的多个待选工况点，包括：
确定候选水泵组合的多个工况点以及各个工况点的工况数据；
根据各个工况点的工况数据、预设的压力偏差阈值以及预设的流量偏差阈值，从候选水泵组合的工况点中确定多个待选工况点。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据各时段的待选水泵组合确定下一预设周期内的配泵方案，包括：
确定并记录所述下一预设周期中当前时段的目标待选水泵组合；
将所述当前时段的下一时段内与所述目标待选水泵组合路径距离最小的待选水泵组合作为所述下一时段的目标待选水泵组合，所述路径距离表征从一种水泵组合到另一种水泵组合的启停次数；
将所述下一时段作为新的当前时段，并重新执行确定并记录当前时段的目标待选水泵组合的步骤，直至所述下一预设周期中所有时段均具有目标待选水泵组合，根据所述下一预设周期内各时段的目标待选水泵组合确定所述下一预设周期内的配泵方案。
6.根据权利要求5所述的方法，其特征在于，所述根据所述下一预设周期内各时段的目标待选水泵组合确定所述下一预设周期内的配泵方案，包括：
若各时段符合最短路径距离的目标待选水泵组合的数量有多个，则对所有时段的所有目标待选水泵组合进行组合处理，得到多个待选配泵方案；
根据各待选配泵方案中各目标待选水泵组合指标得分的累计值，从所述多个待选配泵方案中筛选出所述下一预设周期内的配泵方案。
7.根据权利要求1所述的方法，其特征在于，所述供水量预测模型的建立过程包括：
对样本供水量数据进行预处理，得到时间序列数据，所述时间序列数据包括预设时间内各个时段的供水量；
对所述时间序列数据进行重构划分，得到训练数据集、验证数据集以及测试数据集；
将所述训练数据集输入初始供水量预测模型，得到训练后的供水量预测模型；
基于所述验证数据集以及所述测试数据集对所述训练后的供水量预测模型进行迭代修正，得到所述供水量预测模型。
8.一种供水配泵装置，其特征在于，包括：
预测模块，用于获取预设时间内的历史供水量数据，并基于预先建立的供水量预测模型对所述历史供水量数据进行预测，得到下一预设周期内每个时段的预测供水量数据；
确定模块，用于根据各时段的预测供水量数据以及历史工况分析数据，确定各时段的多个候选水泵组合，所述历史工况分析数据用于指示对历史时段内多个水泵组合的实际工况数据的统计分析结果；
筛选模块，用于基于各时段的各个候选水泵组合的历史工况数据，从所述多个候选水泵组合中筛选，得到各时段的待选水泵组合；
方案确定模块，用于根据各时段的待选水泵组合确定下一预设周期内的配泵方案。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行时执行如权利要求1至7任一所述的供水配泵方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的供水配泵方法的步骤。
CN202310836224.5A 2023-07-10 2023-07-10 供水配泵方法、装置、设备及存储介质 Pending CN116843146A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310836224.5A CN116843146A (zh) 2023-07-10 2023-07-10 供水配泵方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310836224.5A CN116843146A (zh) 2023-07-10 2023-07-10 供水配泵方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116843146A true CN116843146A (zh) 2023-10-03

Family

ID=88164901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310836224.5A Pending CN116843146A (zh) 2023-07-10 2023-07-10 供水配泵方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116843146A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117514733A (zh) * 2023-11-17 2024-02-06 嵊州市铭动电子科技有限公司 一种水泵控制方法、装置、设备及存储介质
CN118350835A (zh) * 2024-06-17 2024-07-16 中美埃梯梯泵业集团有限公司 农饮水处理方法及设备
CN119047796A (zh) * 2024-10-31 2024-11-29 南源智慧水务有限公司 一种村庄供水站节能控制方法、装置及电子设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117514733A (zh) * 2023-11-17 2024-02-06 嵊州市铭动电子科技有限公司 一种水泵控制方法、装置、设备及存储介质
CN117514733B (zh) * 2023-11-17 2025-06-24 嵊州市铭动电子科技有限公司 一种水泵控制方法、装置、设备及存储介质
CN118350835A (zh) * 2024-06-17 2024-07-16 中美埃梯梯泵业集团有限公司 农饮水处理方法及设备
CN119047796A (zh) * 2024-10-31 2024-11-29 南源智慧水务有限公司 一种村庄供水站节能控制方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN116843146A (zh) 供水配泵方法、装置、设备及存储介质
CN110472779B (zh) 一种基于时间卷积网络的电力系统短期负荷预测方法
CN110332605B (zh) 基于bp神经网络的热网能耗指标分析预警方法
CN109376924A (zh) 一种物资需求预测的方法、装置、设备及可读存储介质
CN118627858B (zh) 一种供水系统的多水源协同调度系统
CN116861189A (zh) 基于大语言模型构建设备故障诊断维修知识库的方法
CN107292455A (zh) 用电量预测方法、装置、可读存储介质和计算机设备
CN111931354A (zh) 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法
CN116070876B (zh) 一种基于瓶颈设备能力的排产优化方法、设备及介质
JP2018185678A (ja) 運用計画立案装置、運用制御システム、および、運用計画立案方法
CN120562801A (zh) 一种基于lstm与多目标优化的智慧水务调度方法
CN118158092A (zh) 一种算力网络调度方法、装置及电子设备
US20150142872A1 (en) Method of operating a server apparatus for delivering website content, server apparatus and device in communication with server apparatus
CN119831293A (zh) 一种奶制品生产流水线智能分配系统及方法
CN111242347A (zh) 基于历史权重更新的桥梁管养辅助决策系统
CN117495177B (zh) 综合运行经济性与电网安全性的储能电站运行评测方法
CN116316635B (zh) 基于量测信息的电力协同控制方法及系统
CN119834316A (zh) 一种模块化储能方舱的运行控制方法及系统
CN116011698B (zh) 机组组合确定方法、装置、计算机设备和存储介质
CN118532312A (zh) 基于数据驱动的供水二级泵房智能配泵实时更新方法
CN111144682A (zh) 一种配电网运行效率主要影响因素挖掘方法
CN105260948B (zh) 一种城市供水系统日计划调度决策方法
CN115865714A (zh) 用网需求预测及网络调度方法
CN114819282A (zh) 基于个性化共识的应急任务规划方案评估方法和系统
CN114764741A (zh) 一种风力发电机运行风功率预测的方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination