一种供水高峰期判定方法与流程

本发明涉及二次供水，尤其涉及一种供水高峰期判定方法。

背景技术：

1、随着我国推动绿色发展理念的进程，对用水的要求也从“保障基础用水”转变为“加强取用水精细化管理，推进水资源高质量发展”。由于城市规划的不断扩大，许多供水管网没有进行优化或重新修整，导致城市大部分供水需求无法依靠一次供水达到需求，因此，为了达到供水需求，现有技术中通常采用二次供水方式替换一次供水方式。

2、所谓的二次供水，相比于一次供水来说，是指将自来水经过中间的二次供水系统处理后，再供应给用户端使用。在二次供水系统中通过二次水箱加压设备辅助提供足够的压力。因此，如何保障二次供水的稳定性和如何对二次加压设备进行节能降耗成为实现高质量发展的基础。

3、在居民小区中，用水根据楼层高度分为市政管网直供区和二次水箱加压设备供水区。确定二次水箱加压设备的高峰期可以使水箱进水阀门在高峰期尽可能关闭，利用水箱存水向加压供水区供水，以缓解市政直供区来水压力不足的问题，保障二次供水的稳定性。此外，确定准确的高峰期可以合理划分高峰期水箱出口压力和非高峰期水箱出口压力，减少的压力不但降低了能耗，也能在保障居民用水的同时有效降低管网漏损。通过管网高峰期和历史数据，还可以有效确定水量是否存在异常情况，及时判断二次供水区域是否存在爆管情况，减少异常供水时间并减少浪费，提高供水稳定性的同时降低损耗。

4、除了小区二次水箱加压设备外，市政管网过长时，沿途的泄压可能会导致供水压力不足，因此需要二次水箱加压设备即管网加压泵站进行加压，以保障供水。对于管网加压泵站来说，及早确定准确的高峰期可以合理确定不同用水时段的水泵扬程，避免统一扬程导致的能耗浪费问题。

5、传统的高峰期判定的方法主要采用以下四种：

6、(1)历史数据分析法：通过对历史数据进行计算和分析，得出一个或多个固定参考值，将其作为所有日期的高峰期的划分标准。历史数据分析法没有考虑到不同日期、天气状况下的高峰期阈值会有不同。

7、(2)预测与拟合法：通过对历史数据进行分析和预测，使用最小二乘法拟合预测数据得到一条三次曲线，并通过一阶导数和二阶导数判断高峰点，以整天数据均值作为未来一天高峰期的划分标准。预测与拟合法可能在许多数据下无法用三次曲线拟合其趋势，利用三次曲线拟合某二次水箱加压设备的某天出水流量数据，如图1所示，纵坐标为出水流量数据，横坐标为数据对应的序号。图1中，origin data表示实际的出水流量数据，polyfitdata表示拟合数据，可以看出拟合效果很差，无法辨别正确的高峰期。

8、(3)波峰波谷差值法：针对二次供水系统，将一天的数据提取为固定的三个峰值，使用该天波峰和波谷之间的差值百分比作为该天高峰期的划分标准。波峰波谷差值法可能不存在固定的三个峰值，按照三个峰值进行估算可能会得到过多或过少的高峰期。

9、(4)小时变化系数法：针对二次供水系统，确定一个阈值，利用该天小时变化系数作为该天高峰期的划分标准。小时变化系数法使用确定的阈值判定不同二次供水系统或者不同日期的同一二次供水系统的高峰期，判定结果会有偏差。

10、传统的四种判定方法中高峰期的划分标准具有局限性，适应性太小。而且，通常情况下，高峰期的判定是基于小时级数据进行计算的，然而，大多数高峰期并不以小时级数据为基础，而使用最小二乘法拟合出的数据无法准确代表真实数据，划分结果颗粒度太粗，则无法指导精细化调控。如果选择以分钟数据进行计算，划分颗粒度太细，可能会导致划分出过多的高峰期，有可能引起非高峰期异常数据增长，或短期数据升高就形成一个高峰期，从而影响对高峰期的准确判断。

技术实现思路

1、为了解决以上技术问题，本发明提供了一种供水高峰期判定方法。

2、本发明所解决的技术问题可以采用以下技术方案实现：

3、一种供水高峰期判定方法，包括：

4、步骤s1，获取二次供水系统的流量数据，所述流量数据包括按照第一级粒度范围划分的粗颗粒度数据和按照第二级粒度范围对所述粗颗粒度数据对应划分得到的细颗粒度数据；

5、步骤s2，对所述粗颗粒度数据进行处理，得到分段拟合曲线；

6、步骤s3，根据所述分段拟合曲线确定高峰期位置、高峰期个数和低谷期个数；

7、步骤s4，将所述粗颗粒度数据作为数据样本、所述高峰期个数和所述低谷期个数的加和作为质心进行聚类，得到聚类类别和对应的聚类边界，并根据包含所述高峰期位置的聚类类别对应的聚类边界得到一聚类边界集合；

8、步骤s5，根据所述聚类边界集合中的聚类边界确定所述粗颗粒度数据对应的第一流量阈值，并确定满足所述第一流量阈值的粗颗粒度高峰期；

9、步骤s6，根据所述粗颗粒度高峰期的边界点获取对应的所述细颗粒度数据，确定所述细颗粒度数据满足一第二流量阈值的细颗粒度高峰期；所述第二流量阈值根据所述第一流量阈值、第一级粒度范围和所述第二级粒度范围确定。

10、优选地，所述流量数据为所述二次供水系统的历史流量数据；

11、所述步骤s1包括：

12、步骤s11a，获取所述二次供水系统的历史流量数据；

13、步骤s12a，对所述历史流量数据进行预处理，得到粗颗粒度历史流量数据和细颗粒度历史流量数据；其中，所述流量数据中的所述粗颗粒度数据为所述粗颗粒度历史流量数据，所述细颗粒度数据为所述细颗粒度历史流量数据。

14、优选地，所述流量数据为所述二次供水系统的预测流量数据；

15、所述步骤s1包括：

16、步骤s11b，获取所述二次供水系统的原始历史数据；

17、步骤s12b，根据所述原始历史数据构建一粗颗粒度流量预测模型和一细颗粒度流量预测模型；

18、步骤s13b，基于所述粗颗粒度流量预测模型输出一粗颗粒度预测数据，基于所述细颗粒度流量预测模型输出一细颗粒度预测数据；其中，所述流量数据中的所述粗颗粒度数据为所述粗颗粒度预测数据，所述细颗粒度数据为所述细颗粒度预测数据。

19、优选地，预置一模型库，所述模型库中的模型至少包括所述粗颗粒度流量预测模型和所述细颗粒度流量预测模型，所述模型库中的模型采用相同的模型构建流程，所述模型构建流程包括如下步骤：

20、步骤s121b，对所述原始历史数据进行预处理，得到预处理数据；

21、步骤s122b，从所述预处理数据中获取粗粒度整合数据、细粒度整合数据和各类影响因素数据；

22、步骤s123b，对所述粗粒度整合数据、所述细粒度整合数据和所述影响因素数据进行相关性分析，根据分析结果提取与对应粒度整合数据具有相关性的影响因素数据作为外生变量数据，将所述外生变量数据与对应粒度整合数据作为训练样本；

23、步骤s124b，对所述训练样本按比例划分成训练集和验证集，根据所述训练集对所述模型库中所有模型进行训练，并用所述验证集进行模型验证，得到对应粒度下的优化模型；

24、步骤s125b，采用遗传算法对优化模型的参数进行优化，得到所述粗颗粒度流量预测模型和所述细颗粒度流量预测模型。

25、优选地，所述步骤s123b中还包括：

26、分析得到对应粒度整合数据对于影响因素数据的滞后性数据，并将所述滞后性数据与所述训练样本中的所述外生变量数据与对应粒度整合数据重新整合并归一化，将归一化数据作为新的训练样本。

27、优选地，所述步骤s2包括：

28、步骤s21，使用最小二乘法对所述粗颗粒度数据进行多项式拟合，确定拟合损失最小的最高次幂；

29、步骤s22，根据所述最高次幂拟合得到所述分段拟合曲线。

30、优选地，所述步骤s3包括：

31、步骤s31，根据所述分段拟合曲线的一阶导数曲线，得到ti时刻的第一一阶导数值、ti+1时刻的第二一阶导数值；以及根据所述分段拟合曲线的二阶导数曲线，得到ti时刻的第一二阶导数值、ti+1时刻的第二二阶导数值；所述ti时刻和ti+1时刻的间隔为第一时间单位；

32、步骤s32，根据所述第一一阶导数值、所述第二一阶导数值、所述第一二阶导数值和所述第二二阶导数值确定所述高峰期位置、高峰期个数和低谷期个数。

33、优选地，所述步骤s4还包括：

34、步骤s41，针对所述聚类边界集合中每个聚类边界，将以每个所述聚类边界对应时间戳为中心的第一时间单位内的每个时间点代入所述分段拟合曲线的二阶导数曲线中，得到计算结果；

35、步骤s42，在所述计算结果中同时存在正值和负值且所述聚类边界满足一预设流量阈值时，保留所述聚类边界；否则将所述聚类边界从所述聚类边界集合中剔除，进而得到新的所述聚类边界集合。

36、优选地，所述步骤s5中，所述粗颗粒度数据对应的第一流量阈值为所述聚类边界集合中所有所述聚类边界的均值。

37、优选地，所述步骤s6包括：

38、步骤s61，根据所述粗颗粒度高峰期的开始边界点附近至少一个所述第一级粒度范围获取对应的所述细颗粒度数据，得到第一数据集合；

39、步骤s62，从所述第一数据集合中最后一条细颗粒度数据开始遍历，将所述细颗粒度数据与所述第二流量阈值进行比较，在连续三次判断所述细颗粒度数据小于所述第二流量阈值时，更新所述开始边界点，否则继续遍历；

40、步骤s63，根据所述粗颗粒度高峰期的结束边界点附近至少一个所述第一级粒度范围获取对应的所述细颗粒度数据，得到第二数据集合；

41、步骤s64，从所述第二数据集合中第一条细颗粒度数据开始遍历，将所述细颗粒度数据与所述第二流量阈值进行比较，在连续三次判断所述细颗粒度数据小于所述第二流量阈值时，更新所述结束边界点，否则继续遍历；

42、步骤s65，根据更新的所述开始边界点和所述结束边界点得到所述细颗粒度高峰期。

43、本发明技术方案的优点或有益效果在于：

44、本发明利用粗细颗粒度数据相结合的办法，以粗颗粒度数据划分大概范围，且合并小高峰期，以细颗粒度确定高峰期准确边界。与传统方法相比，本发明不限制高峰期的个数，并通过数据本身自适应进行调整，提高了高峰期判定的准确性和灵活性。