1.本发明涉及净水厂调度技术领域，尤其涉及一种净水厂智能生产调度方法及系统。
背景技术：2.净水厂在取水-制水-供水过程中，为应对净水厂生产的均衡性与管网用水的不均衡性之间的矛盾，设置清水池并通过对其液位调节实现净水厂合理调度、节能降耗、保证水质等。但在实际操作过程中，主要采用随送水量变化调整生产节奏的策略，由于出厂水量难预测、进厂水量调节存在较大的时滞等问题，造成清水池液位难以保持稳定，对现场工作人员操作提出较高要求，同时给水厂稳定运行造成一定风险。
3.现有净水厂进水调节主要为人工调度，即净水厂工作人员以清水池液位作为反馈信号，若清水池液位高于设定的范围，则减少进厂水量；若清水池液位低于设定的范围，则增大进厂水量；若清水池液位处于设定的范围，则保持当前进厂水量。现有的人工调度方式存在以下技术问题：
4.1)人工经验依赖强：进厂水量的合理调节，可以保证清水池液位维持在安全范围内，并使得制水、供水稳定，但在实际调节过程中，主要依赖运行人员的人工经验，由于经验参差不齐且难以量化，往往难以取得理想的调度效果，并给调度带来一定风险。
5.2)传统自控未考虑全厂闭环运行：水厂传统自控主要依据清水池液位高低对进厂水量进行调节，属于单闭环运行，未与净水厂制水工艺参数、出厂水量等相关数据结合，使得控制难以满足净水厂生产稳定要求。
6.3)进厂水量调节滞后：水厂生产过程主要分为取水-制水-供水三大过程，其中制水工艺各环节为保证处理效果达标，要求原水在经过构筑物时要有一定的水力停留时间，导致原水从进水到出水过程存在较大的时滞性，而进厂水量的调节一般根据生产末端数据进行实时调节，使得调节出现较大的滞后，导致制水全流程工艺负荷较大且存在水质超标风险。
7.4)清水池液位波动大：进厂水量与出厂水量未建立动态平衡关系，导致清水池液位出现较大波动，而清水池液位过低使得水泵汽蚀大且存在停产的风险，影响送水泵房的安全稳定运行。
技术实现要素：8.针对现有技术中存在的问题，本发明提供一种净水厂智能生产调度方法，包括：
9.步骤s1，获取一净水厂的多个第一历史出厂水量及各所述第一历史出厂水量对应的出厂水量影响因素；
10.步骤s2，将各所述第一历史出厂水量及对应的所述出厂水量影响因素输入预先训练得到的一时间序列预测模型得到所述净水厂在一未来时段中的多个未来时刻的预测出厂水量；
11.步骤s3，根据各所述预测出厂水量分别处理得到对应的未来进厂水量的水力停留时间，并根据各所述未来进厂水量、各所述预测出厂水量对应的所述未来时刻和所述水力停留时间处理得到所述净水厂在所述未来时段的进厂水量排程，以根据所述进厂水量排程进行所述净水厂的智能生产调度。
12.优选的，所述出厂水量影响因素包括用水时段，则执行所述步骤s1之前，还包括一用水时段划分过程，包括：
13.步骤a1，获取所述净水厂的多个第二历史出厂水量、各所述第二历史出厂水量对应的采集时间以及气温并加入一历史数据集；
14.步骤a2，根据所述气温将所述历史数据集划分为四个季节数据集，进而根据所述采集时间将每个所述季节数据集按照是否工作日划分为两个子数据集；
15.步骤a3，分别根据各所述子数据集中的各所述第二历史出厂水量处理得到各所述子数据集对应的平均日用水变化曲线；
16.步骤a4，分别根据各所述平均日用水变化曲线分析得到各所述子数据集对应的用水时段，所述用水时段包括用水早高峰时段、用水晚高峰时段和用水非高峰时段；
17.则所述步骤s1中，获取各所述第一历史出厂水量的历史采集时间，并根据所述历史采集时间确定对应的所述第一历史出厂水量对应的所述用水时段，以作为所述出厂水量影响因素。
18.优选的，所述步骤a4包括：
19.步骤a41a，于所述平均日用水变化曲线中选取0点至12点时段的各所述第二历史出厂水量，并分别根据相邻采集时间的各所述第二历史出厂水量处理得到对应的多个平均日用水变化率；
20.步骤a42a，将各所述平均日用水变化率按照倒序排列形成一变化数据集；
21.步骤a43a，按照排列顺序依次于所述变化数据集中选取相邻两个所述平均日用水变化率，并判断两所述平均日用水变化率之间的差值是否大于一预设值：
22.若是，则转向步骤a45a；
23.若否，则转向步骤a44a；
24.步骤a44a，判断两所述平均日用水变化率中排列顺序靠前的所述平均日用水变化率对应的所述采集时间是否较靠前：
25.若是，则转向步骤a45a；
26.若否，将两所述平均日用水变化率中排列顺序靠后的所述平均日用水变化率对应的所述采集时间作为所述用水早高峰时段的开始时刻，随后转向步骤a46a；
27.步骤a45a，将两所述平均日用水变化率中排列顺序靠前的所述平均日用水变化率对应的所述采集时间作为所述用水早高峰时段的开始时刻；
28.步骤a46a，提取所述变化数据集中在连续一预设时间段内均为负值的各所述平均日用水变化率，并将排序最靠前的所述平均日用水变化率对应的所述采集时间作为所述用水早高峰时段的结束时刻。
29.优选的，所述步骤a4包括：
30.步骤a41b，于所述平均日供水变化曲线中选取12点至0点时段的各所述第二历史出厂水量中的最大值和最小值；
31.步骤a42b，根据所述最大值和所述最小值处理得到一阈值，并提取出大于所述阈值的各所述第二历史出厂水量加入一出水数据集；
32.步骤a43b，将所述出水数据集中各所述第二历史出厂水量对应的最靠前的所述采集时间作为所述用水晚高峰时段的开始时刻，将各所述第二历史出厂水量对应的最靠后的所述采集时间作为所述用水晚高峰时段的结束时刻。
33.优选的，所述预测模型采用集成学习框架进行多模型训练，并采用投票回归算法根据权重将各模型的预测效果进行融合得到。
34.优选的，所述步骤s3包括：
35.步骤s31，分别根据各所述预测出厂水量和预先配置的一损失系数和一清水池液位变化系数处理得到对应的未来进厂水量；
36.步骤s32，分别根据各所述未来进厂水量处理得到对应的制水工艺过程中的所述水力停留时间；
37.步骤s33，将各所述预测出厂水量对应的所述未来时刻减去所述水力停留时间得到对应的未来排程时刻，并根据各所述未来排程时刻及其对应的所述未来进厂水量生成所述进厂水量排程。
38.优选的，执行所述步骤s3之后，还包括一排程修正过程，包括：
39.步骤b1，在根据所述进厂水量排程进行所述净水厂的智能生产调度的过程中，持续监测当前时刻的所述净水厂的实时出厂水量以及所述净水厂的一清水池的实时液位；
40.步骤b2，判断所述实时液位是否处于一理想波动范围内：
41.若是，则返回所述步骤b1；
42.若否，则根据所述实时出厂水量和所述实时液位更新所述当前时刻之后的下一个所述未来时刻的所述进厂水量排程，随后返回所述步骤b1。
43.本发明还提供一种净水厂智能生产调度系统，应用于上述的净水厂智能生产调度方法，所述净水厂智能生产调度系统包括：
44.数据获取模块，用于获取一净水厂的多个第一历史出厂水量及各所述第一历史出厂水量对应的出厂水量影响因素；
45.出水预测模块，连接所述数据获取模块，用于将各所述第一历史出厂水量及对应的所述出厂水量影响因素输入预先训练得到的一时间序列预测模型得到所述净水厂在一未来时段中的多个未来时刻的预测出厂水量；
46.进水排程模块，连接所述进水预测模块，用于根据各所述预测出厂水量分别处理得到对应的未来进厂水量的水力停留时间，并根据各所述未来进厂水量、各所述预测出厂水量对应的所述未来时刻和所述水力停留时间处理得到所述净水厂在所述未来时段的进厂水量排程，以根据所述进厂水量排程进行所述净水厂的智能生产调度。
47.优选的，所述进水排程模块包括：
48.第一处理单元，用于分别根据各所述预测出厂水量和预先配置的一损失系数和一清水池液位变化系数处理得到对应的未来进厂水量；
49.第二处理单元，连接所述第一处理单元，用于分别根据各所述未来进厂水量处理得到对应的制水工艺过程中的所述水力停留时间；
50.第三处理单元，连接所述第二处理单元，用于将各所述预测出厂水量对应的所述
未来时刻减去所述水力停留时间得到对应的未来排程时刻，并根据各所述未来排程时刻及其对应的所述未来进厂水量生成所述进厂水量排程。
51.优选的，还包括一排程修正模块，连接所述进水排程模块，所述排程修正模块包括：
52.采集单元，用于在根据所述进厂水量排程进行所述净水厂的智能生产调度的过程中，持续监测当前时刻的所述净水厂的实时出厂水量以及所述净水厂的一清水池的实时液位；
53.判断单元，连接所述采集单元，用于在判断所述实时液位不处于一理想波动范围内时，根据所述实时出厂水量和所述实时液位更新所述当前时刻之后的下一个所述未来时刻的所述进厂水量排程。
54.上述技术方案具有如下优点或有益效果：
55.1)自动化、智能化精细控制：采用水平衡分析原理，建立水量计算数学模型，并与自控硬件设备相结合，实现进厂水量自动化、智能化精细控制，降低调度人员经验的依赖度。
56.2)水厂闭环运行调节：将净水厂全域范围内的生产活动紧密联系，通过净水厂制水工艺参数、清水池液位、出厂水量等相关数据的综合分析，实现对进厂水量的动态、精确调节，确保净水厂制水、供水过程的稳定。
57.3)调节预排程、科学指导净水厂生产：通过结合历史同期与当前出厂水量进行数据分析，得出净水厂供水区域用水规律，即判断用水高、低峰期以及对应的供水量，以此建立未来全天进厂水量的预排程方案，使得运行人员提前掌握进厂水量的调节计划，具备科学指导意义。
58.4)维护水厂生产稳定：实时跟踪出厂水量、清水池液位、制水工艺参数等关键数据，通过数学分析模型，计算并更新进厂水量预排程方案，使得清水池能够维持高液位平稳状态，进而使得水厂各生产环节维持在动态平衡状态，为水厂制水、供水过程保驾护航。
附图说明
59.图1为本发明的较佳的实施例中，一种净水厂智能生产调度方法的流程示意图；
60.图2为本发明的较佳的实施例中，用水时段划分过程的流程示意图；
61.图3为本发明的较佳的实施例中，用水早高峰时段的划分过程的流程示意图；
62.图4为本发明的较佳的实施例中，用水晚高峰时段的划分过程的流程示意图；
63.图5为本发明的较佳的实施例中，步骤s3的子流程示意图；
64.图6为本发明的较佳的实施例中，排程修正过程的流程示意图；
65.图7为本发明的较佳的实施例中，一种净水厂智能生产调度系统的结构示意图。
具体实施方式
66.下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式，只要符合本发明的主旨，则其他实施方式也可以属于本发明的范畴。
67.本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种净水厂智能生产调度方法，如图1所示，包括：
68.步骤s1，获取一净水厂的多个第一历史出厂水量及各第一历史出厂水量对应的出厂水量影响因素；
69.步骤s2，将各第一历史出厂水量及对应的出厂水量影响因素输入预先训练得到的一时间序列预测模型得到净水厂在一未来时段中的多个未来时刻的预测出厂水量；
70.步骤s3，根据各预测出厂水量分别处理得到对应的未来进厂水量的水力停留时间，并根据各未来进厂水量、各预测出厂水量对应的未来时刻和水力停留时间处理得到净水厂在未来时段的进厂水量排程，以根据进厂水量排程进行净水厂的智能生产调度。
71.具体地，本实施例中，上述未来时段优选为未来一整天，对应的多个第一历史出厂水量优选为至少前七天的数据量。在需要预测的未来时段的时长需要根据需求调整时，其对应的多个第一历史出厂水量的数据量需同步调整，以保证对应的预测出厂水量的预测准确性。上述出厂水量影响因素包括但不限于用水时段、天气数据、工作日以及节假日等，其中天气数据包括但不限于采集时间对应的温度及湿度。
72.针对用水时段，可以通过预先进行用水时段划分，进而根据采集时间是否落入对应的用水时段获取各第一历史出厂水量对应的出厂水量影响因素。
73.具体地，出厂水量影响因素包括用水时段，则执行步骤s1之前，还包括一用水时段划分过程，如图2所示，包括：
74.步骤a1，获取净水厂的多个第二历史出厂水量、各第二历史出厂水量对应的采集时间以及气温并加入一历史数据集；
75.步骤a2，根据气温将历史数据集划分为四个季节数据集，进而根据采集时间将每个季节数据集按照是否工作日划分为两个子数据集；
76.步骤a3，分别根据各子数据集中的各第二历史出厂水量处理得到各子数据集对应的平均日用水变化曲线；
77.步骤a4，分别根据各平均日用水变化曲线分析得到各子数据集对应的用水时段，用水时段包括用水早高峰时段、用水晚高峰时段和用水非高峰时段；
78.则步骤s1中，获取各第一历史出厂水量的历史采集时间，并根据历史采集时间确定对应的第一历史出厂水量对应的用水时段，以作为出厂水量影响因素。
79.具体地，本实施例中，上述历史数据集的数据规模要求至少一年以上，采集频率为5min-15min。在进行历史数据集的划分之前，优选还包括针对历史数据集中存在缺失、异常、冗余等情况的第二历史出厂水量进行数据预处理操作。其中，缺失数据采用线性插值法进行补缺，异常数据采用箱型图法进行判定并删除，冗余数据识别与删除。
80.线性插值法：
[0081][0082]
上式中，(x0,y0)、(x1,y1)为已知的第二历史出厂水量，(x,y)为要进行插补的第二历史出厂水量。
[0083]
箱型图法：
[0084]
上限值＝q3+1.5*iqr
[0085]
下限值＝q
1-1.5*iqr
[0086]
上式中，q3为上四分位数，q1为下四分位数，iqr为四分位差即iqr＝q
3-q1。大于上
限值或者小于下限值，则划分为异常值。
[0087]
在进行上述预处理操作后，将历史数据集依据季节划分为春、夏、秋、冬四组季节数据集，并依据工作日、非工作日对各组季节数据集进行二次划分得到八个子数据集。
[0088]
其中，季节数据集的划分标准为：春季为日平均气温或滑动平均气温大于等于10℃且小于22℃，夏季为日平均气温或滑动平均气温大于等于22℃，秋季为日平均气温或滑动平均气温小于22℃且大于等于10℃，冬季为日平均气温或滑动平均小于10℃。
[0089]
随后对划分得到的子数据集进行时间切片、聚类，得到各子数据集的平均日用水变化曲线。具体地，以子数据集的数据周期为2021.01.01
‑‑
00:00至2021.12.31
‑‑
23：50为例，具体如下：
[0090]
时间用水量m3/h2021.01.01 00:0020002021.01.01 00:102400
…………
2021.12.31 23:4018002021.12.31 23:501900
[0091]
优选的，首先设置时间列为索引，然后以天为单位对子数据集进行时间切片，得到如下各切片：
[0092]
切片1如下：
[0093]
时间q1用水量m3/h2021.01.01 00:0020002021.01.01 00:102400
…………
2021.01.01 23:4018352021.01.01 23:501946
[0094]
切片2如下：
[0095]
时间q2用水量m3/h2021.01.02 00:0020122021.01.02 00:102437
…………
2021.01.02 23:4018392021.01.02 23:501945
[0096]
依次类推，切片n如下：
[0097]
时间qn用水量m3/h2021.12.31 00:0017782021.12.31 00:102452
…………
2021.12.31 23:4015642021.12.31 23:501785
[0098]
随后依次进行列合并，即是将切片后的用水量向右拼接形成，如下表所示：
[0099]
时间q1用水量m3/hq2用水量m3/h
……
qn用水量m3/h00:0020002012
……
177800:1024002437
……
2452
…………………………
23:4018351839
……
156423:5019461945
……
1785
[0100]
通过对各子数据集中的上表中各行聚类，得到每行对应的时间的聚类中心，将各聚类中心对应的用水量为纵坐标，以对应的时间为横坐标，即可绘制得到各子数据集对应的平均日用水变化曲线。
[0101]
进而分析平均日供水变化曲线，得到各子数据集的用水早高峰时段、用水晚高峰时段，优选首先对平均日用水变化曲线进行平滑处理，然后分别进行用水早高峰和用水晚高峰时段判断。
[0102]
本发明的较佳的实施例中，针对用水早高峰时段，如图3所示，步骤a4包括：
[0103]
步骤a41a，于平均日用水变化曲线中选取0点至12点时段的各第二历史出厂水量，并分别根据相邻采集时间的各第二历史出厂水量处理得到对应的多个平均日用水变化率；
[0104]
步骤a42a，将各平均日用水变化率按照倒序排列形成一变化数据集；
[0105]
步骤a43a，按照排列顺序依次于变化数据集中选取相邻两个平均日用水变化率，并判断两平均日用水变化率之间的差值是否大于一预设值：
[0106]
若是，则转向步骤a45a；
[0107]
若否，则转向步骤a44a；
[0108]
步骤a44a，判断两平均日用水变化率中排列顺序靠前的平均日用水变化率对应的采集时间是否较靠前：
[0109]
若是，则转向步骤a45a；
[0110]
若否，将两平均日用水变化率中排列顺序靠后的平均日用水变化率对应的采集时间作为用水早高峰时段的开始时刻，随后转向步骤a46a；
[0111]
步骤a45a，将两平均日用水变化率中排列顺序靠前的平均日用水变化率对应的采集时间作为用水早高峰时段的开始时刻；
[0112]
步骤a46a，提取变化数据集中在连续一预设时间段内均为负值的各平均日用水变化率，并将排序最靠前的平均日用水变化率对应的采集时间作为用水早高峰时段的结束时刻。
[0113]
具体地，本实施例中，以两个第二历史出厂水量对应的相邻采集时间分别为t时刻和t+1时刻为例，则步骤a41a中，采用如下公式计算得到对应的平均日用水变化率：
[0114][0115]
其中，r(t+1)为平均日用水变化率，q(t+1)为t+1时刻的第二历史出厂水量，q(t)为t时刻的第二历史出厂水量。
[0116]
本发明的较佳的实施例中，针对用水晚高峰时段，如图4所示，步骤a4包括：
[0117]
步骤a41b，于平均日供水变化曲线中选取12点至0点时段的各第二历史出厂水量
中的最大值和最小值；
[0118]
步骤a42b，根据最大值和最小值处理得到一阈值，并提取出大于阈值的各第二历史出厂水量加入一出水数据集；
[0119]
步骤a43b，将出水数据集中各第二历史出厂水量对应的最靠前的采集时间作为用水晚高峰时段的开始时刻，将各第二历史出厂水量对应的最靠后的采集时间作为用水晚高峰时段的结束时刻。
[0120]
具体地，本实施例中，步骤a42b中，采用如下公式计算得到阈值：
[0121]
阈值＝最小值+(最大值-最小值)*a，其中，0《a《1。
[0122]
本发明的较佳的实施例中，预测模型采用集成学习框架进行多模型训练，并采用投票回归算法根据权重将各模型的预测效果进行融合得到。
[0123]
具体地，本实施例中，优选以各第二历史出厂水量及其对应的出厂水量影响因素为特征建立时间序列数据集，并进行数据预处理，随后将时间序列数据集划分为训练集、测试集，并搭建集成学习框架，进而在集成学习框架下对各第二历史出厂水量及其对应的出厂水量影响因素进行训练测试，并对训练得到的预测模型进行相关评估，在评估完成满足准确率标准时输出，以供后续预测使用。
[0124]
其中，集成学习框架的多模型包括但不限于梯度提升回归器、随机森林回归器以及线性回归器，通过投票回归器对各模型的预测效果进行融合作为本技术方案的预测模型。本实施例中，采用集成学习框架的方法的目标是结合使用给定学习算法构建的多个基本估计器的预测，以提高单个估计器的泛化性、鲁棒性。
[0125]
本发明的较佳的实施例中，如图5所示，步骤s3包括：
[0126]
步骤s31，分别根据各预测出厂水量和预先配置的一损失系数和一清水池液位变化系数处理得到对应的未来进厂水量；
[0127]
步骤s32，分别根据各未来进厂水量处理得到对应的制水工艺过程中的水力停留时间；
[0128]
步骤s33，将各预测出厂水量对应的未来时刻减去水力停留时间得到对应的未来排程时刻，并根据各未来排程时刻及其对应的未来进厂水量生成进厂水量排程。
[0129]
具体地，本实施例中，步骤s31根据水平衡原理处理得到对应的未来进厂水量。其中，水平衡也称水量平衡，是指在一个确定的用水系统内，输入水量之和等于输出水量与水量损耗之和。水厂生产水平衡根据实际用水需求，通过对进厂水量的适当调节，以维持在进厂水流量、清水池液位、出厂水流量上建立一定的动态平衡关系，水平衡的表达式如下：
[0130]q未来进厂水量
＝q
预测出厂水量
+q
系统损失
+δq
清水池调节
＝(1+k1+k2)q
预测出厂水量
[0131]
其中，k1为损失系数，取值为0-1之间，k2为清水池液位变化系数，该清水池液位变化系数可以通过实验标定。
[0132]
优选的，在进行预测模型训练时，优选选取对应的清水池的实时液位在预设的理想波动范围内的各第二历史出厂水量，作为训练样本，以保证清水池的液位的平稳。
[0133]
步骤s32中，采用比例计算得到水力停留时间，水力停留时间等于反应器有效容积与进水流量之比，比例计算公如下所示：
[0134]
[0135]
其中，hrt
进水
表示水力停留时间，hrt
设计
、q
设计
均为水厂净水构筑物设计参数。
[0136]
上述进厂水量排程包括未来时段包含的多个未来时刻，以及该未来时刻对应的未来进厂水量，基于此，在进行智能生产调度时，只需在未来时刻将净水厂调整为对应的未来进厂水量即可。
[0137]
本发明的较佳的实施例中，执行步骤s3之后，还包括一排程修正过程，如图6所示，包括：
[0138]
步骤b1，在根据进厂水量排程进行净水厂的智能生产调度的过程中，持续监测当前时刻的净水厂的实时出厂水量以及净水厂的一清水池的实时液位；
[0139]
步骤b2，判断实时液位是否处于一理想波动范围内：
[0140]
若是，则返回步骤b1；
[0141]
若否，则根据实时出厂水量和实时液位更新当前时刻之后的下一个未来时刻的进厂水量排程，随后返回步骤b1。
[0142]
具体地，本实施例中，根据如下公式更新当前时刻之后的下一个未来时刻的进厂水量排程：
[0143]q进厂水量
＝(1+k1+k3)q
实时出厂水量
[0144]
其中，
[0145]
其中，q
进厂水量
为更新后的下一个未来时刻的未来进厂水量，s为清水池的水池底面积，q
实时出厂水量
表示实时出厂水量，h
x
表示清水池的实时液位，h
max
表示理想波动范围的上限值，h
min
表示理想波动范围的下限值。
[0146]
可以理解的，上述排程修正过程中，若监测到实时液位处于理想波动范围内，则继续采用生成的进厂水量排程，若在作为未来时刻的a时刻之后，b时刻之前监测到实时液位不在理想波动范围内，则修正b时刻的未来进厂水量，若b时刻之后，c时刻之间监测到实时液位恢复到理想波动范围内，则c时刻仍采用生成的进厂水量排程对应的未来进厂水量，以此类推。
[0147]
本发明还提供一种净水厂智能生产调度系统，应用于上述的净水厂智能生产调度方法，如图7所示，净水厂智能生产调度系统包括：
[0148]
数据获取模块1，用于获取一净水厂的多个第一历史出厂水量及各第一历史出厂水量对应的出厂水量影响因素；
[0149]
出水预测模块2，连接数据获取模块1，用于将各第一历史出厂水量及对应的出厂水量影响因素输入预先训练得到的一时间序列预测模型得到净水厂在一未来时段中的多个未来时刻的预测出厂水量；
[0150]
进水排程模块3，连接进水预测模块2，用于根据各预测出厂水量分别处理得到对应的未来进厂水量的水力停留时间，并根据各未来进厂水量、各预测出厂水量对应的未来时刻和水力停留时间处理得到净水厂在未来时段的进厂水量排程，以根据进厂水量排程进行净水厂的智能生产调度。
[0151]
本发明的较佳的实施例中，进水排程模块3包括：
[0152]
第一处理单元31，用于分别根据各预测出厂水量和预先配置的一损失系数和一清水池液位变化系数处理得到对应的未来进厂水量；
[0153]
第二处理单元32，连接第一处理单元31，用于分别根据各未来进厂水量处理得到对应的制水工艺过程中的水力停留时间；
[0154]
第三处理单元33，连接第二处理单元32，用于将各预测出厂水量对应的未来时刻减去水力停留时间得到对应的未来排程时刻，并根据各未来排程时刻及其对应的未来进厂水量生成进厂水量排程。
[0155]
本发明的较佳的实施例中，还包括一排程修正模块4，连接进水排程模块3，排程修正模块4包括：
[0156]
采集单元41，用于在根据进厂水量排程进行净水厂的智能生产调度的过程中，持续监测当前时刻的净水厂的实时出厂水量以及净水厂的一清水池的实时液位；
[0157]
判断单元42，连接采集单元41，用于在判断实时液位不处于一理想波动范围内时，根据实时出厂水量和实时液位更新当前时刻之后的下一个未来时刻的进厂水量排程。
[0158]
本发明还提供一种净水厂智能生产调度系统，应用上述的净水厂智能生产调度方法，如图7所示，净水厂智能生产调度系统包括：
[0159]
时段划分模块1，用于将净水厂的一供水区域的用水划分为高峰时段和非高峰时段；
[0160]
供水预测模块2，连接时段划分模块1，用于采集供水区域当前时刻及其之前的序列供水影响数据，标记出高峰时段和非高峰时段，并将序列供水影响数据输入预先训练得到的一预测模型得到供水区域在当前时刻之后的未来时段的预测供水量；
[0161]
进水排程模块3，连接供水预测模块2，用于根据预测供水量处理得到对应的进厂水量的水力停留时间，并根据预测供水量的预测时刻和水力停留时间处理得到进厂水量排程，以根据进厂水量排程进行净水厂的智能生产调度。
[0162]
本发明的较佳的实施例中，进水排程模块3包括：
[0163]
第一处理单元31，用于根据预测供水量处理得到对应的进厂水量数值；
[0164]
第二处理单元32，连接第一处理单元31，用于根据进厂水量数值处理得到水力停留时间；
[0165]
第三处理单元33，连接第二处理单元32，用于将预测供水量对应的预测时刻减去水力停留时间，得到进厂水量排程。
[0166]
本发明的较佳的实施例中，还包括一排程修正模块4，连接进水排程模块3，用于实时采集净水厂的出厂水量、进厂水量以及清水池液位，并在清水池液位不处于一理想波动范围内时，根据进厂水量和出厂水量更新进厂水量排程。
[0167]
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
技术特征：1.一种净水厂智能生产调度方法，其特征在于，包括：步骤s1，获取一净水厂的多个第一历史出厂水量及各所述第一历史出厂水量对应的出厂水量影响因素；步骤s2，将各所述第一历史出厂水量及对应的所述出厂水量影响因素输入预先训练得到的一时间序列预测模型得到所述净水厂在一未来时段中的多个未来时刻的预测出厂水量；步骤s3，根据各所述预测出厂水量分别处理得到对应的未来进厂水量的水力停留时间，并根据各所述未来进厂水量、各所述预测出厂水量对应的所述未来时刻和所述水力停留时间处理得到所述净水厂在所述未来时段的进厂水量排程，以根据所述进厂水量排程进行所述净水厂的智能生产调度。2.根据权利要求1所述的净水厂智能生产调度方法，其特征在于，所述出厂水量影响因素包括用水时段，则执行所述步骤s1之前，还包括一用水时段划分过程，包括：步骤a1，获取所述净水厂的多个第二历史出厂水量、各所述第二历史出厂水量对应的采集时间以及气温并加入一历史数据集；步骤a2，根据所述气温将所述历史数据集划分为四个季节数据集，进而根据所述采集时间将每个所述季节数据集按照是否工作日划分为两个子数据集；步骤a3，分别根据各所述子数据集中的各所述第二历史出厂水量处理得到各所述子数据集对应的平均日用水变化曲线；步骤a4，分别根据各所述平均日用水变化曲线分析得到各所述子数据集对应的用水时段，所述用水时段包括用水早高峰时段、用水晚高峰时段和用水非高峰时段；则所述步骤s1中，获取各所述第一历史出厂水量的历史采集时间，并根据所述历史采集时间确定对应的所述第一历史出厂水量对应的所述用水时段，以作为所述出厂水量影响因素。3.根据权利要求2所述的净水厂智能生产调度方法，其特征在于，所述步骤a4包括：步骤a41a，于所述平均日用水变化曲线中选取0点至12点时段的各所述第二历史出厂水量，并分别根据相邻采集时间的各所述第二历史出厂水量处理得到对应的多个平均日用水变化率；步骤a42a，将各所述平均日用水变化率按照倒序排列形成一变化数据集；步骤a43a，按照排列顺序依次于所述变化数据集中选取相邻两个所述平均日用水变化率，并判断两所述平均日用水变化率之间的差值是否大于一预设值：若是，则转向步骤a45a；若否，则转向步骤a44a；步骤a44a，判断两所述平均日用水变化率中排列顺序靠前的所述平均日用水变化率对应的所述采集时间是否较靠前：若是，则转向步骤a45a；若否，将两所述平均日用水变化率中排列顺序靠后的所述平均日用水变化率对应的所述采集时间作为所述用水早高峰时段的开始时刻，随后转向步骤a46a；步骤a45a，将两所述平均日用水变化率中排列顺序靠前的所述平均日用水变化率对应的所述采集时间作为所述用水早高峰时段的开始时刻；
步骤a46a，提取所述变化数据集中在连续一预设时间段内均为负值的各所述平均日用水变化率，并将排序最靠前的所述平均日用水变化率对应的所述采集时间作为所述用水早高峰时段的结束时刻。4.根据权利要求2所述的净水厂智能生产调度方法，其特征在于，所述步骤a4包括：步骤a41b，于所述平均日供水变化曲线中选取12点至0点时段的各所述第二历史出厂水量中的最大值和最小值；步骤a42b，根据所述最大值和所述最小值处理得到一阈值，并提取出大于所述阈值的各所述第二历史出厂水量加入一出水数据集；步骤a43b，将所述出水数据集中各所述第二历史出厂水量对应的最靠前的所述采集时间作为所述用水晚高峰时段的开始时刻，将各所述第二历史出厂水量对应的最靠后的所述采集时间作为所述用水晚高峰时段的结束时刻。5.根据权利要求1所述的净水厂智能生产调度方法，其特征在于，所述预测模型采用集成学习框架进行多模型训练，并采用投票回归算法根据权重将各模型的预测效果进行融合得到。6.根据权利要求1所述的净水厂智能生产调度方法，其特征在于，所述步骤s3包括：步骤s31，分别根据各所述预测出厂水量和预先配置的一损失系数和一清水池液位变化系数处理得到对应的未来进厂水量；步骤s32，分别根据各所述未来进厂水量处理得到对应的制水工艺过程中的所述水力停留时间；步骤s33，将各所述预测出厂水量对应的所述未来时刻减去所述水力停留时间得到对应的未来排程时刻，并根据各所述未来排程时刻及其对应的所述未来进厂水量生成所述进厂水量排程。7.根据权利要求1所述的净水厂智能生产调度方法，其特征在于，执行所述步骤s3之后，还包括一排程修正过程，包括：步骤b1，在根据所述进厂水量排程进行所述净水厂的智能生产调度的过程中，持续监测当前时刻的所述净水厂的实时出厂水量以及所述净水厂的一清水池的实时液位；步骤b2，判断所述实时液位是否处于一理想波动范围内：若是，则返回所述步骤b1；若否，则根据所述实时出厂水量和所述实时液位更新所述当前时刻之后的下一个所述未来时刻的所述进厂水量排程，随后返回所述步骤b1。8.一种净水厂智能生产调度系统，其特征在于，应用于如权利要求1-8中任意一项所述的净水厂智能生产调度方法，所述净水厂智能生产调度系统包括：数据获取模块，用于获取一净水厂的多个第一历史出厂水量及各所述第一历史出厂水量对应的出厂水量影响因素；出水预测模块，连接所述数据获取模块，用于将各所述第一历史出厂水量及对应的所述出厂水量影响因素输入预先训练得到的一时间序列预测模型得到所述净水厂在一未来时段中的多个未来时刻的预测出厂水量；进水排程模块，连接所述进水预测模块，用于根据各所述预测出厂水量分别处理得到对应的未来进厂水量的水力停留时间，并根据各所述未来进厂水量、各所述预测出厂水量
对应的所述未来时刻和所述水力停留时间处理得到所述净水厂在所述未来时段的进厂水量排程，以根据所述进厂水量排程进行所述净水厂的智能生产调度。9.根据权利要求8所述的净水厂智能生产调度系统，其特征在于，所述进水排程模块包括：第一处理单元，用于分别根据各所述预测出厂水量和预先配置的一损失系数和一清水池液位变化系数处理得到对应的未来进厂水量；第二处理单元，连接所述第一处理单元，用于分别根据各所述未来进厂水量处理得到对应的制水工艺过程中的所述水力停留时间；第三处理单元，连接所述第二处理单元，用于将各所述预测出厂水量对应的所述未来时刻减去所述水力停留时间得到对应的未来排程时刻，并根据各所述未来排程时刻及其对应的所述未来进厂水量生成所述进厂水量排程。10.根据权利要求8所述的净水厂智能生产调度系统，其特征在于，还包括一排程修正模块，连接所述进水排程模块，所述排程修正模块包括：采集单元，用于在根据所述进厂水量排程进行所述净水厂的智能生产调度的过程中，持续监测当前时刻的所述净水厂的实时出厂水量以及所述净水厂的一清水池的实时液位；判断单元，连接所述采集单元，用于在判断所述实时液位不处于一理想波动范围内时，根据所述实时出厂水量和所述实时液位更新所述当前时刻之后的下一个所述未来时刻的所述进厂水量排程。
技术总结本发明提供一种净水厂智能生产调度方法及系统，涉及净水厂管理技术领域，包括：获取净水厂的多个第一历史出厂水量及对应的出厂水量影响因素；将各第一历史出厂水量及对应的出厂水量影响因素输入预先训练得到的时间序列预测模型得到净水厂在未来时段中的多个未来时刻的预测出厂水量；根据各预测出厂水量分别处理得到对应的未来进厂水量的水力停留时间，并根据各未来进厂水量、各预测出厂水量对应的未来时刻和水力停留时间处理得到净水厂在未来时段的进厂水量排程，以进行净水厂的智能生产调度。有益效果是实现自动化、智能化精细控制；实现对进厂水量的动态、精确调节；使得运行人员提前掌握进厂水量的调节计划，具备科学指导意义。导意义。导意义。
技术研发人员：张凯 成露 杨小华 谢林林
受保护的技术使用者：南通派菲克水务技术有限公司
技术研发日：2022.06.16
技术公布日：2022/11/1
