技术特征：
1.一种基于深度神经网络的供水泵站水泵工作频率的决策方法，包括如下步骤：步骤s1，根据供水管网系统监测数据的种类，确定基于供水泵站频率相关数据的深度神经网络输入特征，搭建深度神经网络pumpfrenet；步骤s2，获取所述深度神经网络输入特征对应的历史监测数据，以及历史数据发生同时刻的历史水泵频率，处理并生成数据集，训练深度神经网络pumpfrenet；步骤s3，实时采集供水管网系统对应于深度神经网络pumpfrenet输入特征的监测数据，将所述检测数据输入至训练完成的深度神经网络中进行预测；步骤s4，输出水泵站各台泵实时水泵工作频率决策结果。2.如权利要求1所述的一种基于深度神经网络的供水泵站水泵工作频率的决策方法，其特征在于，所述步骤s1进一步包括如下步骤：步骤s11，根据供水系统监测数据的种类，确定基于供水泵站频率的深度神经网络输入特征；所述基于供水泵站频率的深度神经网络输入特征包括水厂出水流量、水厂出水压力、水厂清水池液位；步骤s12，搭建深度神经网络pumpfrenet，所述深度神经网络pumpfrenet由输入层、卷积层、密连接层和输出层组成。3.如权利要求1所述的一种基于深度神经网络的供水泵站水泵工作频率的决策方法，其特征在于，所述步骤s2进一步包括如下步骤:步骤s21，获取所述深度神经网络输入特征对应的历史监测数据，以及历史数据发生同时刻的历史水泵频率；步骤s22，对输入特征的历史数据以及历史水泵频率进行数据预处理；步骤s23，使用预处理后的数据集训练深度神经网络pumpfrenet，所述数据集包括训练集和测试集。4.如权利要求3所述的一种基于深度神经网络的供水泵站水泵工作频率的决策方法，其特征在于，所述步骤s22进一步包括如下步骤：步骤s221：将监测点m记录的数据表示为如下向量形式：d
m
＝[d
m1
,d
m2
,...,d
mn
]'其中，d
mi
为监测点m按时间顺序排列的第i个监测值，将所有监测点的监测值表示为如下矩阵形式：步骤s222：历史监测数据预处理，将历史时刻泵m的运行频率以如下向量表示：k
m
＝[k
m1
,k
m2
,
…
,k
mn
]'其中，k
mi
为泵m按时间顺序的第i个时刻的运行频率，将所有泵的运行频率表示为如下m
×
n维矩阵：其中，k
mn
：泵m在n时刻的运行频率。
步骤s223：按照泵的类型以及布置位置进行分组，所述泵的类型包括变频和工频。5.如权利要求3所述的一种基于深度神经网络的供水泵站水泵工作频率的决策方法，其特征在于，所述步骤s23进一步包括如下步骤：步骤s231，使用训练集进行pumpfrenet模型拟合，使用测试集评估pumpfrenet模型泛化能力；步骤s232，通过均方误差函数对训练效果进行评估：其中，为pumpfrenet模型的期望输出，x为模型的实际输出；步骤s233，采用adam算法作为优化函数，根据各训练迭代中的损失值更新pumpfrenet模型参数，按照损失大小决定迭代次数，直到达到足够次数或者损失小于设置的目标值。6.如权利要求1所述的一种基于深度神经网络的供水泵站水泵工作频率的决策方法，其特征在于，所述步骤s3进一步包括如下步骤：步骤s31，于供水管网系统中收集所选用深度学习模型所需特征的实时监测数据；步骤s32，对收集到的实时监测数据历史值进行预处理，预处理过程同步骤s22；步骤s33，使用预处理后的数据生成数据集，输入训练好的深度神经网络pumpfrenet模型中进行泵站中水泵工作频率的决策。7.如权利要求6所述的一种基于深度神经网络的供水泵站水泵工作频率的决策方法，其特征在于，所述步骤s4为将步骤s33得到的各台水泵频率对应至各台开启的水泵。
技术总结
本发明公开了一种基于深度神经网络的供水泵站水泵工作频率的决策方法，包括如下步骤：步骤S1，根据供水管网系统监测数据的种类，确定基于供水泵站频率相关数据的深度神经网络输入特征，搭建深度神经网络PumpFreNet；步骤S2，获取所述深度神经网络输入特征对应的历史监测数据，以及历史数据发生同时刻的历史水泵频率，处理并生成数据集，训练深度神经网络PumpFreNet；步骤S3，实时采集供水管网系统对应于深度神经网络PumpFreNet输入特征的监测数据，将其输入到训练好的深度神经网络中进行预测；步骤S4，输出水泵站各台泵实时水泵工作频率决策结果，本发明可以准确确定供水泵站水泵在一定供水量和压力要求条件下的开泵频率。泵在一定供水量和压力要求条件下的开泵频率。泵在一定供水量和压力要求条件下的开泵频率。
技术研发人员：赵平伟 信昆仑
受保护的技术使用者：同济大学
技术研发日：2022.01.18
技术公布日：2022/4/29