预览加载中,请您耐心等待几秒...
1/8
2/8
3/8
4/8
5/8
6/8
7/8
8/8

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111366291A(43)申请公布日2020.07.03(21)申请号202010394873.0(51)Int.Cl.(22)申请日2020.05.12G01L19/00(2006.01)G06F30/20(2020.01)(66)本国优先权数据G06N3/00(2006.01)202010093813.52020.02.14CNG06N3/08(2006.01)(71)申请人迈拓仪表股份有限公司G06F113/14(2020.01)地址210000江苏省南京市江宁滨江经济G06F119/14(2020.01)开发区喜燕路5号申请人南京理工大学(72)发明人王永利陈振华孙卫国王远谷东先杨苗李璇孙琦月邹孝旺(74)专利代理机构连云港联创专利代理事务所(特殊普通合伙)32330代理人刘刚权利要求书2页说明书5页(54)发明名称基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法(57)摘要本发明公开了基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法,包括(1)建立管道网络的稳态或扩展初始数据校准优化模型,定义管道网络的所有物理参数;(2)通过熵的概念在单位管道网络区域中选取最具有代表性的节点;(3)通过人工神经网络训练预测压力监测值;(4)运用粒子群优化方法,将粒子使用在预定间隔内生成的管道粗糙度随机值初始化;(5)使用EPANET仿真器获得管道网络中的压力,比较模拟监测压力和实际监测压力,计算目标函数,最大程度地减少实际监测值和模拟监测值之间的差异。本发明提高了供水管道压力预测模型的准确性,对实现构建智能化供水体系有着重要的意义。CN111366291ACN111366291A权利要求书1/2页1.基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法,其特征是包括如下步骤:(1)建立管道网络的稳态或扩展初始数据校准优化模型,定义管道网络的所有物理参数;(2)通过熵的概念在单位管道网络区域中选取最具有代表性的节点;(3)通过人工神经网络训练预测压力监测值;(4)运用粒子群优化方法,将粒子使用在预定间隔内生成的管道粗糙度随机值初始化;(5)使用EPANET仿真器获得管道网络中的压力,比较模拟监测压力和实际监测压力,计算目标函数,若满足停止标准,则得出最佳压力预测值和粗糙度解决方案,否则重复步骤(4)和(5),直至满足标准。2.根据权利要求1所述的基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法,其特征在于所述步骤(1)的数据校准优化为根据实际情况修改网络中管道粗糙度参数,通过公式(1)最大程度地减小实际监测压力和模拟监测压力之间的差异:在公式(1)中,OF是最小化目标函数;N是网络中的节点数;Pmon是监测压力;Psim是模拟监测压力;Pmax是最大监测压力。3.根据权利要求1所述的基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法,其特征在于所述步骤(2)通过熵的概念在单位管道网络区域中选取最具有代表性的节点,通过选取信息量最大且冗余度最小的节点被用来求解多目标优化问题,具体方法为:定义离散随机向量X的分割,从而确定离散随机向量X的边际熵;随机向量X的每个分量Xi发生的概率:p(X=xi)=p(xi),所有分量的联合构成了特定事件,即为随机向量X的一个分割UX,它的熵为:在公式(2)中,n为随机向量的长度,类似的,可以计算出N个离散随机向量的联合熵:在公式(3)中,p(i1,...,iN)代表N个变量的联合概率;用随机向量X表示压力监测传感器的位置,其相关时间序列为n个记录,因此,多目标优化问题可以表示为:max(JH)=max{H(X1,X2,...,XN)}(4)min(ToTC)=min{ToTC(X1,X2,...,XN)}(5)在公式(4)和公式(5)中,JH表示联合熵,代表所选择的节点组合,ToTC表示总相关,代表冗余的最小化,估测N个变量之间共享的信息:通过公式(6)可以得到供水系统中信息量最大、冗余度最小的节点组,除终端节点外的2CN111366291A权利要求书2/2页每组的N个节点代表部署压力监测传感器的最佳位置,然后,将最优组的压力值即多目标优化问题的最优解作为神经网络的输入。4.根据权利要求1所述的基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法,其特征在于所述步骤(3)的人工神经网络由输入层、隐藏层和输出层组成的简单网络,所述输入层输入数据为已知节点分配系统中的压力分布,所述隐藏层由若干层构成,结合供水管道实际,在隐藏层中设置若干个神经元,所述输出层是根据已知节点中的压力进行评估从而输出网络中剩余未记录节点中的压力。5.根据权利要求4所述的基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法,其特