用于城市污水处理的泵站集群智能化预测方法及系统
技术领域
本发明涉及远程监测领域，特别涉及一种用于城市污水处理的泵站集群智能化预测方法及系统。
背景技术
城市中分布着大量用于污水提升的泵站，泵站的存在，才能够将城市中生活污水、工业污水等输送到污水处理厂进行净化处理。污水泵站是污水系统的重要组成部分，水流连续，水流较小等特点在城市污水处理系统中具有广泛的应用。
CN205942426U公开了一种污水管网泵站污水调度系统，包括调节池泵站单元和控制系统；控制系统包括泵站现场远程集控装置、无线数据采集处理装置和远程监控或调度中心。调节池泵站单元包括一级调节池和二级调节池，一级调节池的输出端连接于二级调节池的输入端，二级调节池的输出端连接于污水处理厂的输入端。
目前城市中污水提升泵站仍然以独立模式运行，泵站主要以独立的个体分布在城市中，各个泵站通过独立的模式进行工作，对泵站的系统的优化仅仅停留在单个泵站联网监控方面，由于泵站之间是串联或并联在一起，传统的监控系统不具备协同处理多个泵站之间的调度能力，泵站之间是以接力的形式完成污水输送的，若因极端天气或相邻泵站工作不协调问题，容易导致中继泵站内液位呈突然升高趋势，最终导致部分泵站工作过载，无法及时抽取内部污水而呈现“井喷”状态。
发明内容
长期的实践发现，由于城市中污水提升泵站独立运行，传统的方法和系统仅仅针对单个泵站进行优化和监控，然而泵站之间是串联或并联在一起，泵站之间是以接力的形式完成污水输送的，传统的监控系统不具备协同处理多个泵站之间的调度能力，缺少预测能力，若因极端天气或相邻泵站工作不协调问题，容易导致中继泵站内液位呈突然升高趋势，最终导致部分泵站工作过载，无法及时抽取内部污水而呈现“井喷”状态的问题。
有鉴于此，本发明旨在提出用于城市污水处理的泵站集群智能化预测方法，以解决目前城市污水处理泵站集群化存在多台泵站之间协同处理能力不足、缺乏智能化预测的问题，该用于城市污水处理的泵站集群智能化预测方法包括：
步骤S1，获取相邻多个泵站的空间数据和时间数据、额外影响数据，其中，所述空间数据包括相邻泵站液位数据、相邻泵站流量数据、泵站容量；所述时间数据包括历史液位数据、历史流量数据；所述额外影响数据包括天气状态数据；
步骤S2，将获取的空间数据输入多层卷积神经网络，输出结果数据
其中，
步骤S3，将获取的时间数据输入循环神经网络模型，输出t时间点预测泵站液位数据
X＝{X1，X2，X3，...，Xt-1}；
t时间点循环神经网络模型中隐层输出的状态ht为
ht＝σh(wxhXt+whhht-1+bh)；
其中，σh为激活函数，wxh为输入层于隐藏层之间的权重参数，whh为隐藏层与隐藏层之间的权重参数，ht-1为上一时刻的状态，bh为偏置；所述循环神经网络模型中基本单元为LSTM网络单元；
步骤S4，将所述额外影响数据输入能够提取的特征张量大小设置成与输入的样本张量相同的两层全连接层，输出张量
步骤S5，将步骤S2、步骤S3、步骤S4的输出数据计算得到预测泵站液位结果数据
其中，we、wr、wl为能够经过模型训练中的得到权重矩阵，·为矩阵乘法；再将
步骤S6，将
其中，N为张量Xt的元素个数，xi为泵站i的液位观测值，
步骤S7，当预测误差小于预定值后，根据
优选地，步骤S2中，多层卷积神经网络为深度学习模型。
优选地，步骤S3中，所述循环神经网络模型输出结果yt为
yt＝σy(whoht+bo)；
其中，σy为输出层激活函数，who为隐藏层于输出层的权重参数，bo表示输出层的偏置。
优选地，步骤S3中，基本单元为LSTM网络单元的循环神经网络模型输入参数包括泵站前t-1时刻的历史液位数据，输出t时刻的泵站液位数据。
优选地，步骤S6中，能够根据预测误差E值大小，反馈调整we、wr、wl参数，预测误差E值小于预定值后，停止调整we、wr、wl参数，即完成模型的训练。
本发明实施例的一方面为了更好地执行上述方法，本发明还提供了用于执行用于城市污水处理的泵站集群智能化预测方法的一种系统，所述系统包括所述用于城市污水处理的泵站集群智能化预测方法的计算处理单元、多个泵站、传感器组件、PLC控制单元；
所述传感器组件，用于获取多个泵站运行状态数据和污水数据，包括相邻泵站液位数据、相邻泵站流量数据、历史液位数据、历史流量数据以及额外影响数据；
所述计算处理单元，与所述传感器组件网络连接，接受处理所述传感器组件产生的多源信息数据，采用用于城市污水处理的泵站集群智能化预测方法计算处理数据，产生驱动并调整多个泵站运行功率的触发信号至所述PLC控制单元；
所述PLC控制单元，用于接受所述计算处理单元产生的触发信号，产生调整多个泵站运行功率的具体执行信号至泵站的驱动电机。
优选地，所述系统还包括云管理平台，所述云管理平台，用于存储所述传感器组件采集的多个泵站运行状态数据和污水数据，用于存储并显示泵站分布位置数据、泵站状态数据，记录泵站集群的运行状态，并用于执行泵站视频调阅、泵站远程开关机、泵站参数变更操作；
所述云管理平台包括所述计算处理单元，计算处理所述传感器组件获取的时间数据、空间数据和额外影响数据。
优选地，所述系统还包括视频监控系统，用于获取泵站周边环境的视频数据，所述视频监控系统与所述云管理平台视联网连接。
优选地，所述泵站包括污水提升泵站，所述污水提升泵站包括控制柜、污水存储罐、水泵和所述传感器组件，所述控制柜与所述水泵、所述传感器组件电连接，所述污水存储罐与所述水泵连接，所述传感器组件与所述污水存储罐固定连接。
根据本发明实施例的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的方法。
根据本发明实施例的用于城市污水处理的泵站集群智能化预测方法，通过获取相邻多个泵站的空间数据和时间数据、额外影响数据，将空间数据输入多层卷积神经网络，将时间数据输入循环神经网络模型，将额外影响数据分别输入两层全连接层得到相应的输出结果后，将三组数据进行加权计算预测泵站液位结果数据，并将观测泵站液位的实际数据进行对比计算反馈，进一步地调整权重，从而使得该方法更为高效准确地预测泵站液位结果数据输出，进而触发相应泵站的驱动电机工作效率，为了更好地执行该方法，本发明实施例还提供了一种系统，该方法和系统能够预测在未来一段时间内泵站液位变化规律，智能化协同调度集群的城市污水处理泵站，效率高，智能化程度高，不至于出现部分泵站工作过载，无法及时抽取内部污水而导致的呈现“井喷”状态的问题。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的一种实施方式的用于城市污水处理的泵站集群智能化预测方法流程图；
图2为本发明一种实施方式的卷积神经网络过程图；
图3为本发明一种实施方式的ResNet网络单元结构；
图4为本发明一种实施方式的循环神经网络模型；
图5为本发明一种实施方式的LSTM单元结构图；
图6为本发明一种实施方式的时间空间数据融合的预测模型；
图7为本发明一种实施方式的执行方法的系统的框架图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了解决背景技术部分所指的解决目前城市污水处理过程中仅针对单个泵站进行优化和监控，然而泵站之间是串联或并联在一起，泵站之间是以接力的形式完成污水输送的，且系统不具备协同处理多个泵站之间的调度能力，缺少预测能力，若因极端天气或相邻泵站工作不协调问题，容易导致中继泵站内液位呈突然升高趋势，最终导致部分泵站工作过载，无法及时抽取内部污水而呈现“井喷”状态的问题。如图1-6所示，本发明提供一种用于城市污水处理的泵站集群智能化预测方法，如图1所示，本发明的一种实施方式的用于城市污水处理的泵站集群智能化预测方法流程图，所述一种用于城市污水处理的泵站集群智能化预测方法包括：
步骤S1，获取相邻多个泵站的空间数据和时间数据、额外影响数据，其中，所述空间数据包括相邻泵站液位数据、相邻泵站流量数据、泵站容量；所述时间数据包括历史液位数据、历史流量数据；所述额外影响数据包括天气状态数据；
步骤S2，将获取的空间数据输入多层卷积神经网络，输出结果数据
其中，
步骤S3，将获取的时间数据输入循环神经网络模型，输出t时间点预测泵站液位数据
X＝{X1，X2，X3，...，Xt-1}；
t时间点循环神经网络模型中隐层输出的状态ht为
ht＝σh(wxhXt+whhht-1+bh)；
其中，σh为激活函数，wxh为输入层于隐藏层之间的权重参数，whh为隐藏层与隐藏层之间的权重参数，ht-1为上一时刻的状态，bh为偏置；所述循环神经网络模型中基本单元为LSTM网络单元；
步骤S4，将所述额外影响数据输入能够提取的特征张量大小设置成与输入的样本张量相同的两层全连接层，输出张量
步骤S5，将步骤S2、步骤S3、步骤S4的输出数据计算得到预测泵站液位结果数据
其中，we、wr、wl为能够经过模型训练中的得到权重矩阵，·为矩阵乘法；再将
步骤S6，将
其中，N为张量Xt的元素个数，xi为泵站i的液位观测值，
步骤S7，当预测误差小于预定值后，根据
本发明实施例提供的用于城市污水处理的泵站集群智能化预测方法，通过获取相邻多个泵站的空间数据和时间数据、额外影响数据，将空间数据输入多层卷积神经网络，将时间数据输入循环神经网络模型，将额外影响数据分别输入两层全连接层得到相应的输出结果后，将三组数据进行加权计算预测泵站液位结果数据，并将观测泵站液位的实际数据进行对比计算反馈，进一步地调整权重，从而使得该方法更为高效准确地预测泵站液位结果数据输出，进而触发相应泵站的驱动电机工作效率，该方法能够预测在未来一段时间内泵站液位变化规律，智能化协同调度集群的城市污水处理泵站，效率高，智能化程度高，不至于出现部分泵站工作过载，无法及时抽取内部污水而导致的呈现“井喷”状态的问题。
由于城市范围非常大，导致提取城市泵站的污水相关特征需要经过几十层，甚至上百层的卷积才能得到高语义的特征，然而卷积神经网络随着层数增加，网络会出现退化现象，本发明更有优选的情况下，采用微软亚洲研究院提出的深度残差网络ResNet提取城市栅格的空间特征。
为了利用卷积神经网络(Convolutional Neural Networks，CNN)可以将原本低语义的空间信息转化为高语义的特征，如图2-3所示，在本发明更为优选的情况下，步骤S2中，多层卷积神经网络为深度学习模型，更为优选的情况下，如图3所示，ResNet网络单元结构。
在本发明优选的情况下，在时间维度上可利用当前泵站在过去一段时间的历史液位数据预测泵站的液位，采用擅长处理时间维度数据的循环神经网络(Recurrent NeuralNetwork，RNN)进行预测，该模型的输出由前一时刻的状态和当前特征输入共同决定，模型结构如图4所示，为了更好地处理时间序列数据，在本发明优选的情况下，步骤S3中，所述循环神经网络模型输出结果yt为
yt＝σy(whoht+bo)；
其中，σy为输出层激活函数，who为隐藏层于输出层的权重参数，bo表示输出层的偏置。
由于传统的RNN模型记忆能力有限，为从长期的液位历史数据中发现变化规律，本发明提供了一种能够实现长期记忆的长短期记忆模型(Long ShortTerm Memory，LSTM)。其基本单元如图5所示，主要包含输入门it，遗忘门ft和输出门ot，其中输入门和输出门用于控制信息流的输入和输出，遗忘门用于控制前一时刻的状态，通过这三种门操作实现长期的记忆。
LSTM结构中的参数如下列公式所示，
其中ct表示t时刻的细胞状态，ht表示隐藏层的输出，bf、bi、bo、bc为偏置，wxf、whf、wcf、wxi、whi、wci、wxo、who、wco、wxc、whc为权重系数。
再将图5所示的LSTM基本单元替换图4中RNN的基本单元A，即得到了LSTM网络。将泵站前t-1时刻的历史液位数据输入到LSTM模型中，即可预测t时刻泵站的液位。
为了更好地根据泵站前t-1时刻的历史液位数据计算得到目前的泵站液位数据，在本发明优选的情况下，步骤S3中，基本单元为LSTM网络单元的循环神经网络模型输入参数包括泵站前t-1时刻的历史液位数据，输出t时刻的泵站液位数据。
为了根据实际观测泵站液位数据更好地调整和训练模型，使得模型更准确地预测泵站相应的液位变化，在本发明优选的情况下，步骤S6中，能够根据预测误差E值大小，反馈调整we、wr、wl参数，预测误差E值小于预定值后，停止调整we、wr、wl参数，即完成模型的训练。
在步骤S6中，如图6所示，分别中步骤S2、步骤S3、步骤S4计算的输出结果进行计算处理。例如，在本发明更为优选的情况下，
在本发明步骤S4中，对额外影响因素计算，例如天气状态，数据通过两层全连接层之后输出张量
在本发明步骤S2中，将空间数据的预测首先将相邻泵站的相关数据输入到一个卷积层Conv1中，在该层下方连接着S个残差单元，最后通过Conv2得到该模型的数据
在本发明步骤S3中时间数据预测，取当前泵站的历史液位数据输入到LSTM模型中，得到输出结果
本发明实施方式中还提供了一种用于执行用于城市污水处理的泵站集群智能化预测方法的系统，所述系统包括上述的用于城市污水处理的泵站集群智能化预测方法的计算处理单元、多个泵站、传感器组件、PLC控制单元；
所述传感器组件，用于获取多个泵站运行状态数据和污水数据，包括相邻泵站液位数据、相邻泵站流量数据、历史液位数据、历史流量数据以及额外影响数据；
所述计算处理单元，与所述传感器组件网络连接，接受处理所述传感器组件产生的多源信息数据，采用用于城市污水处理的泵站集群智能化预测方法计算处理数据，产生驱动并调整多个泵站运行功率的触发信号至所述PLC控制单元；
所述PLC控制单元，用于接受所述计算处理单元产生的触发信号，产生调整多个泵站运行功率的具体执行信号至泵站的驱动电机。
本发明实施例提供的执行用于城市污水处理的泵站集群智能化预测方法的系统，通过获取相邻多个泵站的空间数据和时间数据、额外影响数据，将空间数据输入多层卷积神经网络，将时间数据输入循环神经网络模型，将额外影响数据分别输入两层全连接层得到相应的输出结果后，将三组数据进行加权计算预测泵站液位结果数据，并将观测泵站液位的实际数据进行对比计算反馈，进一步地调整权重，从而使得该方法更为高效准确地预测泵站液位结果数据输出，进而触发相应泵站的驱动电机工作效率，该系统能够预测在未来一段时间内泵站液位变化规律，智能化协同调度集群的城市污水处理泵站，效率高，智能化程度高，不至于出现部分泵站工作过载。
在本发明优选的情况下，如图7所示，本发明优选情况下，所述系统还包括云管理平台，所述云管理平台，用于存储所述传感器组件采集的多个泵站运行状态数据和污水数据，用于存储并显示泵站分布位置数据、泵站状态数据，记录泵站集群的运行状态，并用于执行泵站视频调阅、泵站远程开关机、泵站参数变更操作；
为了更好地处理计算所述传感器组件所采集到的多源数据，本发明优选情况下，所述云管理平台包括所述计算处理单元，计算处理所述传感器组件获取的时间数据、空间数据和额外影响数据，更为优选的情况下，所述空间数据包括相邻泵站液位数据、相邻泵站流量数据、泵站容量；所述时间数据包括历史液位数据、历史流量数据；所述额外影响数据包括天气状态数据。
为了更好地获取泵站周边环境数据，发明优选情况下，所述系统还包括视频监控系统，用于获取泵站周边环境的视频数据，所述视频监控系统与所述云管理平台视联网连接。
为了使得所述传感器组件获取实时数据，本发明优选情况下，所述泵站包括污水提升泵站，所述污水提升泵站包括控制柜、污水存储罐、水泵和所述传感器组件，所述控制柜与所述水泵、所述传感器组件电连接，所述污水存储罐与所述水泵连接，所述传感器组件与所述污水存储罐固定连接。
本发明实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述方法。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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，例如多个单元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接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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全部或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(可为个人计算机、移动终端、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
