一种建筑供给水智能调度运行方法与流程

本技术涉及数据处理，具体涉及一种建筑供给水智能调度运行方法。

背景技术：

1、建筑供给水智能调度运行是指通过物联网、人工智能等技术手段对建筑供给水系统进行实时监测、调度和优化，以提高供水系统的效率、安全性和可靠性，保障用户正常用水。但由于建筑高层与低层之间存在一定的高度差，高层供水需克服更大的重力，故供水调度需要采用增压泵组、智能调节器等技术手段来提高水压，保证高层用水的正常供应。如果供水系统的压力不能满足高层建筑的需求，则会出现水压不稳导致高层供水不足的问题，影响用户正常生活和工作。因此需要采集建筑内各用户的供水压力数据进行分析和处理，进而根据预先设定的供水策略和控制算法，通过控制中心对供水系统进行智能控制和调度。

2、然而由于传感器本身具有一定的测量误差和精度限制，以及传输时受到电磁干扰、阻抗失配等因素的影响，会导致采集的数据存在一定的噪声，影响后续供给水智能调度的准确性。现有技术中可通过指数平滑等时序数据去噪方法，这些数据去噪方法均需要基于历史数据对当前值进行预测和平滑处理。若历史数据范围选择不当，在选择的数据范围内受噪声影响较大，且变化趋势复杂多变时，会导致获取的预测值不准确，从而令去噪效果较差，进一步影响建筑供水调度的控制效率。

技术实现思路

1、为了解决上述历史范围选取不佳导致指数平滑算法去噪效果差，影响供水的准确调度问题，本发明目的在于提供一种建筑供给水智能调度运行方法，所采用的技术方案具体如下：

2、一种建筑供给水智能调度运行方法，所述方法包括以下步骤：

3、获取每个用户在预设初始历史数据范围中的历史时序数据；获取高层建筑中目标用户的历史时序数据中的供水压力数据序列，获取所述目标用户的参考用户的历史时序数据中的供水流量数据序列；所述参考用户为所述目标用户的所有下层用户；

4、根据所述供水流量数据序列的整体数据值变化趋势和局部数据值变化趋势获得变化趋势突变程度；

5、获取所述供水流量数据序列的第一差分序列；获取所述供水压力数据序列的第二差分序列；根据数据值将所述第一差分序列中的数据进行分组，获得第一数据组，所述第一数据组在所述第二差分序列中对应时间点的数据为第二数据组；根据所述供水流量数据序列和所述供水压力数据序列中相同时刻位置下的数据变化趋势差异，筛选出异常时间点；根据所述第二数据组中的数据波动程度、所述第一数据组中的数据波动程度、所述第一数据组中的异常时间点数量特征和所述变化趋势突变程度，获得数据预测可信度；

6、根据所述数据预测可信度调整所述初始历史数据范围，获得参考历史数据范围；根据所述参考历史数据范围中的历史时序数据对所述目标用户的供水压力时序数据进行去噪，获得增强供水压力数据；

7、将所述增强供水压力数据传输至分析平台，执行所述目标用户的建筑供给水的智能调度。

8、进一步地，所述局部数据值变化趋势的获取方法，具体包括：

9、根据所述供水流量数据序列中的数据值变化特征确定分割点，根据所述分割点将所述供水流量数据序列分割，获取序列段；

10、若所述序列段的时长小于预设长度阈值，则局部波动值为预设第一数值；若所述序列段的时长大于等于所述长度阈值，则调整所述序列段内数据值方差的值域，获得局部波动值，序列段内数据值方差的值域调整后的最小值大于等于所述预设第一数值；

11、以所述序列段内数据极差与对应序列段长度的比值作为局部变化幅度；

12、将局部波动值相乘局部变化幅度，获得局部变化特征值；将局部变化特征值求平均，获得局部数据值变化趋势。

13、进一步地，所述分割点获取方法，具体包括：

14、以所述供水流量数据序列中极值点和所述序列段的端点作为分割点。

15、进一步地，所述整体数据值变化趋势的获取方法，具体包括：

16、计算所述序列段段内均值，获取均值集合；根据所述均值集合进行直线拟合，获得直线斜率绝对值；

17、若所述序列段的数量为1，则所述整体数据值变化趋势为预设第二数值；若所述序列段的数量大于1，则将所述直线斜率绝对值的值域进行调整，获得所述整体数据值变化趋势，所述直线斜率绝对值的值域调整后的最小值大于等于所述第二数值。

18、进一步地，所述变化趋势突变程度的获取方法，具体包括：

19、将所述供水流量数据序列的所述局部数据值变化趋势和所述整体数据值变化趋势相乘，获取所述变化趋势突变程度。

20、进一步地，所述第一数据组的获取方法，具体包括：

21、将第一差分序列数据值相同的分为一组数据，获得数据分组，获取数组内均值作为数组的标准数据值，按照顺序遍历出只有一个数据的数组将其并入语气标准数据值的差值绝对值最小的数据组，重复此过程，直至数据分组中没有只有一个数据的数组，获取第一数据组。

22、进一步地，所述异常时间点的获取方法包括：

23、若所述第一差分序列和所述第二差分序列之间相同时刻位置对应元素的符号相同，则认定对应时刻位置为所述异常时间点。

24、进一步地，所述数据预测可信度的获取方法包括：

25、计算所述第一数据组的数据方差，获取所述第一数据组的数据波动程度；

26、计算所述第二数据组的数据方差，获取所述第二数据组的数据波动程度；

27、若第二数据组中异常时间点数量为0，则异常时间点数量特征为预设第三数值；若第二数据组中异常时间点数量大于0，计算异常时间点的的占比，以所述占比与所述第三数值的和值作为异常时间点数量特征；

28、将第一数据组的数据波动程度反比例归一化，获得调整权重；根据所述调整权重调整第二数据组的数据波动程度，获取每个第二数据组噪声存在可能性；

29、计算噪声存在可能性与异常时间点数量特征乘积值，获得每个第二数据组的初始噪声影响程度；将所有所述第二数据组的所述初始噪声影响程度累加后并归一化，获取所述供水压力数据序列的噪声影响程度；

30、通过所述噪声影响程度校正变化趋势突变程度，获得矫正值，根据校正值获得所述数据预测可信度，所述校正值与所述数据预测可信度呈负相关关系。

31、进一步地，所述参考历史数据范围的获取方法包括：

32、根据当前时刻对应的初始历史数据范围中历史时序数据，获得所述目标用户在当前时刻的所述数据预测可信度；获得所述目标用户在所述当前时刻的前一时刻下的所述数据预测可信度；

33、若所述当前时刻下的数据预测可信度与所述前一时刻下的数据预测可信度的差值大于预设判断阈值，则按照预设调整步长增大所述初始历史数据范围；若所述前一时刻下的数据预测可信度与所述当前时刻下的数据预测可信度的差值大于预设判断阈值，则按照预设调整步长减小所述初始历史数据范围；否则所述初始历史数据范围不变；获得所述参考历史数据范围。

34、进一步地，所述增强供水压力数据，具体包括：

35、利用自适应选取历史数据范围的指数平滑算法将所述目标用户的供水压力时序数据进行去噪，获得增强供水压力数据。

36、本发明具有如下有益效果：

37、在本发明实施例中，根据供水流量数据序列的整体数据值变化趋势和局部数据值变化趋势获得变化趋势突变程度，使用供水流量数据序列来反映供水压力数据序列，能够降低变化趋势突变程度受噪声影响程度，提高预测预测数据稳定性。根据供水流量数据序列和供水压力数据序列中相同时刻位置下的数据变化趋势差异，筛选出异常时间点，能够准确反映供水压力数据序列中一定存在噪声点的数量特征。数据预测可信度能够获得历史时序数据的可信度，根据数据预测可信度调整所述初始历史数据范围，获得参考历史数据范围，能够获得准确、数据变化趋势平滑的历史时序数据,避免历史数据范围选取不当导致的去噪效果差以及历史数据范围过大导致的预测数据滞后性和波动性。进而通过参考历史数据范围中的历史时序数据对目标用户的供水压力时序数据进行去噪，保证增强供水压力数据的准确性。最终将增强供水压力数据传输至分析平台，有助于目标用户的建筑供给水的智能调度，改善用户的用水体验。