本發(fā)明涉及智能供水，且更為具體地，涉及智慧型供水控制方法和系統(tǒng)。

背景技術(shù)：

1、隨著城市化進程的加快，城市供水系統(tǒng)面臨著日益嚴(yán)峻的挑戰(zhàn)。一方面，城市人口密度增加導(dǎo)致了對水資源需求的增長；另一方面，氣候變化等外部因素也給城市供水系統(tǒng)的穩(wěn)定性帶來了不確定性。為了應(yīng)對這些挑戰(zhàn)，傳統(tǒng)的供水系統(tǒng)管理方式已經(jīng)不能滿足現(xiàn)代城市的需求，需要引入更加智能化的技術(shù)手段來提高供水效率和服務(wù)質(zhì)量。

2、傳統(tǒng)的城市供水系統(tǒng)主要依賴人工監(jiān)控和手動調(diào)節(jié)，這種方式不僅耗費大量人力物力資源，而且由于信息反饋滯后，往往不能及時響應(yīng)水網(wǎng)中的突發(fā)情況。此外，在面對季節(jié)性用水高峰或極端天氣事件時，傳統(tǒng)供水系統(tǒng)缺乏足夠的靈活性來進行動態(tài)調(diào)整。

3、因此，開發(fā)一種新型智能供水控制方法顯得尤為重要，使得供水系統(tǒng)能夠根據(jù)環(huán)境參數(shù)實現(xiàn)自動化供水，并提升供水穩(wěn)定性，減少供水事故率。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題，提出了本技術(shù)，以提供一種智慧型供水控制方法和系統(tǒng)，能夠根據(jù)環(huán)境參數(shù)實現(xiàn)自動化供水，并提升供水穩(wěn)定性，減少供水事故率。

2、第一方面，本發(fā)明提供了一種智慧型供水控制方法，包括：收集城市供水系統(tǒng)在當(dāng)前時間的環(huán)境參數(shù)，包括所述城市供水系統(tǒng)的溫度、濕度、供水水壓；根據(jù)預(yù)設(shè)的模糊控制模型，對所述城市供水系統(tǒng)在所述當(dāng)前時間的環(huán)境參數(shù)進行計算，得到在所述當(dāng)前時間的供水調(diào)節(jié)量；將所述城市供水系統(tǒng)在所述當(dāng)前時間的環(huán)境參數(shù)以及供水調(diào)節(jié)量輸入預(yù)設(shè)的lstm神經(jīng)網(wǎng)絡(luò)，所述lstm神經(jīng)網(wǎng)絡(luò)具有多層神經(jīng)元結(jié)構(gòu)，并基于所述城市供水系統(tǒng)在歷史時間的環(huán)境參數(shù)、供水調(diào)節(jié)量以及通過水泵的目標(biāo)供水策略進行訓(xùn)練，其中，對于lstm神經(jīng)網(wǎng)絡(luò)中關(guān)聯(lián)相鄰兩層神經(jīng)元的任一權(quán)重w：且其中w(n)、w(n+1)、w(n-1)分別為權(quán)重w在第n次、第n+1次、第n-1次訓(xùn)練后的值，ρ為預(yù)設(shè)的學(xué)習(xí)率，e(n)為所述lstm神經(jīng)網(wǎng)絡(luò)對應(yīng)的誤差函數(shù)在第n次訓(xùn)練后的值，為偏微分符號，α為預(yù)設(shè)的動量項系數(shù)，l(n)為所述lstm神經(jīng)網(wǎng)絡(luò)第n次訓(xùn)練后的損失函數(shù)的值，β為預(yù)設(shè)的平滑系數(shù)；通過所述lstm神經(jīng)網(wǎng)絡(luò)輸出所述城市供水系統(tǒng)在所述當(dāng)前時間t所述水泵的供水策略，包括所述水泵的流量和揚程；根據(jù)所述水泵的供水策略，控制所述水泵的閥門開度使所述水泵供水以在所述城市供水系統(tǒng)進行供水。

3、可選地，前述的智慧型供水控制方法，在所述根據(jù)預(yù)設(shè)的模糊控制模型，對所述城市供水系統(tǒng)在所述當(dāng)前時間的環(huán)境參數(shù)進行計算之前，還包括：在所述模糊控制模型中，設(shè)置所述城市供水系統(tǒng)的供水水壓的最小值pmin和最大值pmax，以確定所述城市供水系統(tǒng)的供水水壓的模糊論域；計算所述城市供水系統(tǒng)的供水水壓的最小值pmin和最大值pmax的均值pmid；為所述城市供水系統(tǒng)的供水水壓設(shè)置隸屬度函數(shù)

4、其中，p為表示所述城市供水系統(tǒng)的供水水壓的變量。

5、可選地，前述的智慧型供水控制方法，在所述根據(jù)預(yù)設(shè)的模糊控制模型，對所述城市供水系統(tǒng)在所述當(dāng)前時間的環(huán)境參數(shù)進行計算之前，還包括：檢測所述城市供水系統(tǒng)所處的地理位置以確定所述城市供水系統(tǒng)所處地域；查詢所述城市供水系統(tǒng)所處地域的歷史最高濕度hhmax和歷史最低濕度hhmin；取所述城市供水系統(tǒng)在當(dāng)前時間的濕度的最小值取所述城市供水系統(tǒng)在當(dāng)前時間的濕度的最大值以確定在所述當(dāng)前時間所述城市供水系統(tǒng)的濕度的模糊論域，其中，pbmin為預(yù)設(shè)的最小基礎(chǔ)濕度值，hbmax為預(yù)設(shè)的最大基礎(chǔ)濕度值，δh為預(yù)設(shè)的濕度調(diào)整幅度。

6、可選地，前述的智慧型供水控制方法，還包括：檢測所述城市供水系統(tǒng)所處地域在所述當(dāng)前時間的天氣情況；根據(jù)所述城市供水系統(tǒng)所處地域在所述當(dāng)前時間的天氣情況設(shè)置天氣影響因子γwea；根據(jù)所述天氣影響因子對所述城市供水系統(tǒng)在當(dāng)前時間的濕度的最小值和最大值進行調(diào)整，所述城市供水系統(tǒng)在當(dāng)前時間的濕度的最小值所述城市供水系統(tǒng)在當(dāng)前時間的濕度的最大值

7、可選地，前述的智慧型供水控制方法，在所述根據(jù)預(yù)設(shè)的模糊控制模型，對所述城市供水系統(tǒng)在所述當(dāng)前時間的環(huán)境參數(shù)進行計算之前，還包括：在預(yù)設(shè)的文件中記錄所述模糊控制模型中的多個模糊規(guī)則，所述文件用于在使用所述模糊控制模型進行計算時查詢所需的模糊規(guī)則；根據(jù)預(yù)先記錄的所述多個模糊規(guī)則的使用次數(shù)，對所述多個模糊計算規(guī)則進行排序；按照所述多個模糊計算規(guī)則的排序，調(diào)整所述文件中所述多個模糊規(guī)則的位置。

8、可選地，前述的智慧型供水控制方法，在所述將所述城市供水系統(tǒng)在所述當(dāng)前時間的環(huán)境參數(shù)以及供水調(diào)節(jié)量輸入預(yù)設(shè)的lstm神經(jīng)網(wǎng)絡(luò)之前，還包括：對所述lstm神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練時，為所述lstm神經(jīng)網(wǎng)絡(luò)設(shè)置非平衡損失l1＝we(y1-y2)2，其中y1為所述lstm神經(jīng)網(wǎng)絡(luò)訓(xùn)練時輸出的供水策略，y2為所述lstm神經(jīng)網(wǎng)絡(luò)訓(xùn)練時應(yīng)輸出的目標(biāo)供水策略，we表示所述lstm神經(jīng)網(wǎng)絡(luò)輸出的供水策略與應(yīng)輸出的目標(biāo)供水策略間的差距對供水事故發(fā)生率的影響水平；為所述lstm神經(jīng)網(wǎng)絡(luò)設(shè)置正則化損失其中，τ為預(yù)設(shè)的正則化系數(shù)，z為所述lstm神經(jīng)網(wǎng)絡(luò)中的權(quán)重總數(shù)，wi為其中的第i個權(quán)重；為所述lstm神經(jīng)網(wǎng)絡(luò)設(shè)置損失函數(shù)l＝l1+l2；計算所述lstm神經(jīng)網(wǎng)絡(luò)第n次訓(xùn)練后的損失函數(shù)l(n)的值。

9、可選地，前述的智慧型供水控制方法，在所述將所述城市供水系統(tǒng)在所述當(dāng)前時間的環(huán)境參數(shù)以及供水調(diào)節(jié)量輸入預(yù)設(shè)的lstm神經(jīng)網(wǎng)絡(luò)之前，還包括：對所述lstm神經(jīng)網(wǎng)絡(luò)進行第n次訓(xùn)練時，計算當(dāng)前統(tǒng)計周期并對其值取整，其中t為正整數(shù)；比較所述當(dāng)前統(tǒng)計周期r與已記錄的歷史統(tǒng)計周期rh的大?。辉谒霎?dāng)前統(tǒng)計周期r大于所述歷史統(tǒng)計周期rh時，比較所述lstm神經(jīng)網(wǎng)絡(luò)第n次訓(xùn)練后的損失函數(shù)l(n)的值與預(yù)記錄的歷史損失函數(shù)lh的值的大小；在所述lstm神經(jīng)網(wǎng)絡(luò)第n次訓(xùn)練后的損失函數(shù)l(n)的值小于所述歷史損失函數(shù)lh的值時，將所述學(xué)習(xí)率ρ調(diào)小；使用所述當(dāng)前統(tǒng)計周期r更新所述歷史統(tǒng)計周期rh，使用所述lstm神經(jīng)網(wǎng)絡(luò)第n次訓(xùn)練后的損失函數(shù)l(n)的值更新所述歷史損失函數(shù)lh。

10、可選地，前述的智慧型供水控制方法，所述將所述學(xué)習(xí)率ρ調(diào)小，包括：計算目標(biāo)學(xué)習(xí)率ρtar＝ρ0d1+r，其中d取值在0至1之間；判斷目標(biāo)學(xué)習(xí)率ρtar的值是否低于預(yù)設(shè)的最小學(xué)習(xí)率的值；在判斷結(jié)果為否時，按照所述目標(biāo)學(xué)習(xí)率ρtar的值更新所述學(xué)習(xí)率ρ的值；在判斷結(jié)果為是時，按照所述最小學(xué)習(xí)率更新所述學(xué)習(xí)率ρ的值。

11、第二方面，本發(fā)明提供了一種智慧型供水控制系統(tǒng)，包括：環(huán)境參數(shù)收集模塊，收集城市供水系統(tǒng)在當(dāng)前時間的環(huán)境參數(shù)，包括所述城市供水系統(tǒng)的溫度、濕度、供水水壓；供水量計算模塊，根據(jù)預(yù)設(shè)的模糊控制模型，對所述城市供水系統(tǒng)在所述當(dāng)前時間的環(huán)境參數(shù)進行計算，得到在所述當(dāng)前時間的供水調(diào)節(jié)量；供水策略計算模塊，將所述城市供水系統(tǒng)在所述當(dāng)前時間的環(huán)境參數(shù)以及供水調(diào)節(jié)量輸入預(yù)設(shè)的lstm神經(jīng)網(wǎng)絡(luò)，所述lstm神經(jīng)網(wǎng)絡(luò)具有多層神經(jīng)元結(jié)構(gòu)，并基于所述城市供水系統(tǒng)在歷史時間的環(huán)境參數(shù)、供水調(diào)節(jié)量以及通過水泵的目標(biāo)供水策略進行訓(xùn)練，其中，對于lstm神經(jīng)網(wǎng)絡(luò)中關(guān)聯(lián)相鄰兩層神經(jīng)元的任一權(quán)重w：且其中w(n)、w(n+1)、w(n-1)分別為權(quán)重w在第n次、第n+1次、第n-1次訓(xùn)練后的值，ρ為預(yù)設(shè)的學(xué)習(xí)率，e(n)為所述lstm神經(jīng)網(wǎng)絡(luò)對應(yīng)的誤差函數(shù)在第n次訓(xùn)練后的值，為偏微分符號，α為預(yù)設(shè)的動量項系數(shù)，l(n)為所述lstm神經(jīng)網(wǎng)絡(luò)第n次訓(xùn)練后的損失函數(shù)的值，β為預(yù)設(shè)的平滑系數(shù)；通過所述lstm神經(jīng)網(wǎng)絡(luò)輸出所述城市供水系統(tǒng)在所述當(dāng)前時間t所述水泵的供水策略，包括所述水泵的流量和揚程；供水模塊，根據(jù)所述水泵的供水策略，控制所述水泵的閥門開度使所述水泵供水以在所述城市供水系統(tǒng)進行供水。

12、本發(fā)明上述一個或多個技術(shù)方案，至少具有如下一種或多種有益效果：

13、根據(jù)本發(fā)明的技術(shù)方案，通過采用預(yù)設(shè)的模糊控制模型和lstm神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了自動化供水控制，減少了人工干預(yù)的需求，降低了操作人員的工作負擔(dān)。通過對城市供水系統(tǒng)環(huán)境參數(shù)的實時監(jiān)測和分析，能夠及時調(diào)整供水策略，確保供水過程中供水穩(wěn)定性處于理想狀態(tài)。整體過程中，通過模糊控制方式提升計算效率，通過lstm神經(jīng)網(wǎng)絡(luò)提升計算精準(zhǔn)性，所以本發(fā)明的技術(shù)方案實現(xiàn)供水控制時可以兼顧效率和準(zhǔn)確性。