CN118735753A - 一种智慧城市自启动排水方法及系统 - Google Patents

Abstract

本发明属于智慧城市领域，提供一种智慧城市自启动排水方法及系统，通过获取城市的历史水文数据；将历史水文数据进行图表示；将所述图表示的历史水文数据组织成时间序列数据；使用所述时间序列数据训练第一模型，所述第一模型包括输入层、隐藏层、输出层；所述输入层输入节点属性特征和边属性特征，所述隐藏层包括图卷积层和循环神经网络层，所述输出层输出未来时刻各节点的水量；获取所述城市的当前水文数据，根据当前水文数据及所述第一模型预测各节点的水量，根据各节点的水量调整排水参数。上述方案可以提高城市排水的效率减少内涝。

Description

一种智慧城市自启动排水方法及系统

技术领域

本发明属于智慧城市领域，具体而言涉及一种智慧城市自启动排水方法及系统。

背景技术

在现代城市中，排水系统是城市基础设施的重要组成部分，负责管理和处理城市降雨和废水。然而，由于城市化进程加快，城市排水系统面临着越来越大的压力。尤其是在降雨频繁的季节，排水系统的负荷急剧增加，导致城市内涝和排水不畅的问题日益突出。这不仅影响城市居民的生活质量，还可能造成经济损失和环境污染。

传统的城市排水系统通常依赖于预设的运行策略和人工干预，这种方法在面对复杂多变的气象条件时，往往反应不够及时，难以及时有效地调节排水参数，从而应对突发的降雨情况。为了提高排水系统的响应能力和效率，智慧城市理念应运而生，借助物联网（IoT）、大数据分析和人工智能技术，对城市排水系统进行智能化改造。

发明内容

为了解决现有技术中的问题，本发明提供一种智慧城市自启动排水方法，所述方法包括如下步骤：获取所述城市的历史水文数据，所述历史水文数据包括排水管网的拓扑结构、环境数据、排水参数；所述拓扑结构至少包括节点和管道之间的连接关系；所述环境数据至少包括降雨量；所述排水参数至少包括排水泵的开闭状态、排水泵的排水速度；将历史水文数据进行图表示，所述图包括节点和边；所述节点代表排水管网的各个交汇点或设备，所述节点属性包括降雨量、排水泵的开闭状态、排水泵的排水速度；所述边代表管道，所述边属性包括：长度、直径、流向、流量；将所述图表示的历史水文数据组织成时间序列数据；使用所述时间序列数据训练第一模型，所述第一模型包括输入层、隐藏层、输出层；所述输入层输入节点属性特征和边属性特征，所述隐藏层包括图卷积层和循环神经网络层，所述输出层输出未来时刻各节点的水量；获取所述城市的当前水文数据，根据当前水文数据及所述第一模型预测各节点的水量，根据各节点的水量调整排水参数。

本发明另一方面还提供一种智慧城市自启动排水系统，所述系统包括如下模块：

获取模模块，用于获取所述城市的历史水文数据，所述历史水文数据包括排水管网的拓扑结构、环境数据、排水参数；所述拓扑结构至少包括节点和管道之间的连接关系；所述环境数据至少包括降雨量；所述排水参数至少包括排水泵的开闭状态、排水泵的排水速度；

处理数据模块，用于将历史水文数据进行图表示，所述图包括节点和边；所述节点代表排水管网的各个交汇点或设备，所述节点属性包括降雨量、排水泵的开闭状态、排水泵的排水速度；所述边代表管道，所述边属性包括：长度、直径、流向、流量；将所述图表示的历史水文数据组织成时间序列数据；

训练模块，用于使用所述时间序列数据训练第一模型，所述第一模型包括输入层、隐藏层、输出层；所述输入层输入节点属性特征和边属性特征，所述隐藏层包括图卷积层和循环神经网络层，所述输出层输出未来时刻各节点的水量；

调节模块，用于获取所述城市的当前水文数据，根据当前水文数据及所述第一模型预测各节点的水量，根据各节点的水量调整排水参数。

本发明通过上述技术方案，可以产生如下有益效果：

通过使用图神经网络和时间序列分析技术，能够准确预测未来一段时间内各节点的水量变化。模型能够充分利用排水管网的拓扑结构和历史水文数据，捕捉节点之间的空间关系和时间维度上的动态变化，从而提高预测精度。实时获取当前水文数据并快速进行预测和调节，显著提高了排水系统的响应速度，避免内涝和排水不畅问题。

基于预测结果，本实施例能够动态调整排水参数，包括排水泵的开闭状态和排水速度等。通过实时监控和预测分析，自动优化排水泵和闸门的运行策略，确保排水系统在不同天气和流量条件下的高效运行。这样不仅减少了人工干预的需求，还提高了排水系统的自动化水平和整体效率。

采用图卷积层和门控循环单元的组合，可以充分利用图结构数据的空间关系和时间序列数据的动态变化。GRU在处理长时间依赖问题方面具有优势，同时计算效率较高，适合处理大规模的时间序列数据。这种设计提高了模型的鲁棒性和适应性，能够有效应对复杂多变的城市排水环境。

通过物联网技术和智能传感器网络，实时获取城市各个关键位置的水文数据，包括降雨量、水位、流量和排水泵状态等。结合训练好的神经网络模型，能够实现智能化的排水管理，及时预测和调节排水参数，防止内涝和排水不畅。智能化排水管理不仅提升了城市排水系统的运行效率，还为智慧城市建设提供了技术支持。

通过智能化的预测和调节方法，本实施例能够有效降低排水系统的运行成本和维护难度。减少了不必要的能源消耗和设备磨损，延长了排水设备的使用寿命。同时，智能化管理减少了人工干预和维护的频率，提高了城市排水系统的可靠性和经济性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明方法的流程图。

具体实施方式

下面，结合附图以及具体实施方式，对发明做出优选的描述。

本实施例通过如下步骤解决上述问题:

在一个实施例中，参考图1，本发明提供一种智慧城市自启动排水方法。

本实施例首先获取所述城市的历史水文数据，所述历史水文数据包括排水管网的拓扑结构、环境数据、排水参数；所述拓扑结构至少包括节点和管道之间的连接关系；所述环境数据至少包括降雨量；所述排水参数至少包括排水泵的开闭状态、排水泵的排水速度。

历史水文数据是指与城市排水系统相关的历史记录和测量数据。这些数据通常包括以下几个方面：

排水管网的拓扑结构：描述排水系统的物理布局和连接关系。

环境数据：包括影响排水系统运行的气象和水文信息，如降雨量。

排水参数：描述排水设备的运行状态和性能参数。

排水管网的拓扑结构是指城市排水系统中各节点和管道之间的连接关系和布置方式。具体包括：

节点：排水管网中的交汇点、分支点或特定设备位置（如排水泵站、阀门）。

管道：连接各节点的管道，用于排水的流通。管道属性包括长度、直径、材质等。

环境数据是指与城市排水系统运行相关的外部自然环境信息。具体包括：

降雨量：某一时间段内的降水量，通常以毫米（mm）为单位表示，是排水系统设计和运行的重要参数。

其他环境数据：如温度、湿度、风速等，这些因素也可能对排水系统产生影响，本实施例主要使用降雨量，也可以使用上述的其它环境数据以提高模型的准确性。

排水参数是指描述排水系统中各类设备（如排水泵）运行状态和性能的具体指标。具体包括：

排水泵的开闭状态：表示排水泵当前是开启还是关闭的状态。

排水泵的排水速度：表示排水泵的工作效率，通常以流量单位（如立方米每小时，m³/h）表示。

从城市排水管理部门或相关数据库中获取历史记录。这些记录应包括排水系统的运行数据、环境数据和排水设备参数。

排水管网中的各个交汇点，如排水泵站、污水处理厂入口、雨水井等。连接这些节点的所有排水管道，记录每条管道的长度、直径、材质以及与哪些节点相连。

在不同时间段（如小时、日、月）的降雨量数据。降雨量数据可以从气象部门或环境监测站获取。

记录排水泵在不同时间点是开启还是关闭状态。这有助于分析排水系统在不同天气和流量条件下的响应。记录排水泵在不同时间段的排水速度（流量）。这些数据有助于评估排水泵的性能和系统的排水能力。

通过这些详细的历史水文数据，可以全面了解城市排水系统的运行情况，为后续的神经网络模型训练和实时预测提供坚实的数据基础。

进一步地，将历史水文数据进行图表示，所述图包括节点和边；所述节点代表排水管网的各个交汇点或设备，所述节点属性包括降雨量、排水泵的开闭状态、排水泵的排水速度；所述边代表管道，所述边属性包括：长度、直径、流向、流量。

将城市排水管网的历史水文数据转化为图结构，以便利用图神经网络进行水量预测。具体过程包括确定图的节点和边，并为每个节点和边分配适当的属性。具体步骤包括：

定义节点和边，根据排水管网的拓扑结构，确定所有节点及其连接关系。每个节点表示一个交汇点或设备，每条边表示一段管道。

分配节点属性，为每个节点分配其降雨量、排水泵的开闭状态和排水泵的排水速度等属性。确保这些属性数据覆盖所需的时间段。

分配边属性，为每条边分配其长度、直径、流向和流量等属性。边属性数据应能够反映管道的物理特性和水流情况。

生成图结构，将节点和边及其属性组织成图结构。可以使用图数据结构（如邻接矩阵或邻接列表）来表示整个排水管网。

简化示例性地：

某水文环境包括如下节点和边：

节点：Node1、Node2、Node3

边：Edge1（连接Node1和Node2）、Edge2（连接Node2和Node3）

组成成图表示为：

节点：

Node1:{降雨量:15mm,排水泵的开闭状态:1,排水泵的排水速度:100m³/h}

Node2:{降雨量:20mm,排水泵的开闭状态:0,排水泵的排水速度:0m³/h}

Node3:{降雨量:25mm,排水泵的开闭状态:1,排水泵的排水速度:150m³/h}

边：

Edge1:{长度:500m,直径:0.5m,流向:Node1→Node2,流量:50m³/s}

Edge2:{长度:1000m,直径:0.7m,流向:Node2→Node3,流量:70m³/s}

为了方便训练，进一步将所述图表示的历史水文数据组织成时间序列数据。

组织图表示的历史水文数据成时间序列数据，是利用时间序列数据对排水管网的变化进行动态分析和预测的关键步骤。该过程包括将静态的图结构数据按时间维度展开，形成连续的时间序列数据，为后续神经网络的训练和预测提供基础。具体步骤包括：

确定时间步长，即每次数据记录的时间间隔。步长可以是分钟、小时、天等，具体取决于数据采集频率和预测需求。

收集并整理时间序列数据，从传感器网络和历史记录中，按确定的时间步长收集每个节点和边的属性数据。

数据整理，将每个时间步的数据整理成时间序列形式，确保每个时间点的数据都包含所有节点和边的属性。

构建时间序列图，对每个节点的属性，如降雨量、排水泵的开闭状态、排水泵的排水速度等，构建时间序列。对每条边的属性，如长度、直径、流向、流量等，构建时间序列。

构建输入输出对，将一定数量的时间步的数据作为输入序列，构成模型的输入。例如，选择过去𝑘个时间步的数据作为输入。将接下来的时间步数据作为输出序列，构成模型的预测目标。例如，预测未来一个或多个时间步的节点和边的属性变化。

数据组织与存储，将时间序列数据格式化为适合图神经网络训练的数据结构。常用的格式有邻接矩阵或邻接列表，结合时间序列数据形成三维张量。

简化地示例：

时间序列数据组织

时间步𝑡1：

Node1:{R:10mm,S:1,P:100m³/h}

Node2:{R:8mm,S:0,P:0m³/h}

Edge1:{L:500m,D:0.5m,F:1,Q:50m³/s}

Edge2:{L:1000m,D:0.7m,F:1,Q:70m³/s}

时间步𝑡2：

Node1:{R:12mm,S:1,P:120m³/h}

Node2:{R:10mm,S:0,P:0m³/h}

Edge1:{L:500m,D:0.5m,F:1,Q:55m³/s}

Edge2:{L:1000m,D:0.7m,F:1,Q:75m³/s}

……

通过以上步骤，历史水文数据被成功组织成时间序列数据，准备输入到神经网络模型进行训练和预测。这种组织方式既保留了排水管网的拓扑结构信息，又能捕捉时间维度上的动态变化，为高效、准确的水量预测提供了坚实的数据基础。

获取数据之后，使用所述时间序列数据训练第一模型，所述第一模型包括输入层、隐藏层、输出层；所述输入层输入节点属性特征和边属性特征，所述隐藏层包括图卷积层和循环神经网络层，所述输出层输出未来时刻各节点的水量。

本实施例的模型架构为：

输入层

节点属性特征：包括降雨量、排水泵的开闭状态、排水泵的排水速度等。

边属性特征：包括管道长度、直径、流向、流量等。

隐藏层

图卷积层：用于从图结构数据中提取节点和边的特征。图卷积层能够通过邻居节点的信息更新每个节点的特征表示，从而捕捉图的空间关系。

循环神经网络层：用于处理时间序列数据，捕捉时间维度上的动态变化。本实施例优选使用门控循环单元（GRU）。

图卷积层（GraphConvolutionalLayer）和门控循环单元（GRU）相结合，可以充分利用图结构数据的空间关系和时间序列数据的动态变化，从而提高预测精度和系统鲁棒性。GRU能够有效地处理长时间依赖问题，同时计算效率较高，适合处理本实施这种规模的时间序列数据。

输出层

输出未来时刻各节点的水量：通过预测未来一段时间内每个节点的水量，帮助调节排水参数，优化排水系统的运行。

在进行模型训练时，将预处理后的时间序列数据划分为训练集、验证集和测试集。确保训练集包含足够的历史数据，用于模型训练；验证集用于超参数调整和模型选择；测试集用于最终评估模型性能。

选择合适的损失函数，例如均方误差（MSE），用于衡量预测值与真实值之间的差距。使用Adam或其他优化算法，迭代更新模型参数，最小化损失函数。

在训练集上进行多次迭代，每次迭代包括前向传播、计算损失、反向传播和参数更新。在验证集上评估模型性能，防止过拟合。

调整学习率、隐藏层节点数、图卷积层和循环神经网络层的层数等超参数，找到最佳模型配置。采用正则化技术（如L2正则化、Dropout）防止过拟合，提高模型的泛化能力。在验证集上的损失不再下降时，提前停止训练，避免过拟合。

在测试集上评估模型的最终性能，确保模型在未见过的数据上也能表现良好。

第一模型的一个具体网络结构示例：

1.输入层

输入数据：节点属性特征（降雨量、排水泵的开闭状态、排水泵的排水速度）和边属性特征（管道长度、直径、流向、流量）。

输入形状：假设输入数据的形状为（批量大小，时间步数，节点数，特征数）。

2.图卷积层

第一图卷积层：

输入：节点属性特征和边属性特征。

操作：将节点的特征与其邻居节点的特征进行卷积操作，更新每个节点的特征表示。

激活函数：ReLU

输出形状：与输入形状相同，但特征维度可能变化。

第二图卷积层（可选）：

输入：第一图卷积层的输出。

操作：进一步聚合邻居节点的信息，细化节点特征表示。

激活函数：ReLU

输出形状：与第一图卷积层的输出形状相同，但特征维度可能进一步变化。

3.门控循环单元

GRU层：

输入：经过图卷积层处理后的节点特征时间序列。

操作：处理时间序列数据，捕捉时间维度上的动态变化。

输出：每个时间步的节点特征表示，以及最终时间步的隐状态。

输出形状：批量大小，时间步数，节点数，隐状态维度。

4.输出层

线性变换层：

输入：GRU层的输出，即每个时间步的节点特征表示。

操作：将GRU层输出的特征进行线性变换，生成未来时刻各节点的水量预测值。

输出形状：批量大小，时间步数，节点数，输出特征维度（即预测的水量）。

最后，获取所述城市的当前水文数据，根据当前水文数据及所述第一模型预测各节点的水量，根据各节点的水量调整排水参数。具体地：

部署在城市各个关键位置的传感器，包括雨量传感器、水位传感器、流量传感器和排水泵状态传感器等。通过物联网（IoT）平台或数据采集系统，实时收集传感器数据。

将当前水文数据作为模型的输入，输入包括节点属性特征（如降雨量、排水泵的开闭状态、排水泵的排水速度）和边属性特征（如管道长度、直径、流向、流量）。

使用训练好的第一模型，通过前向传播计算各节点的未来水量。将当前数据与前一段时间的历史数据组合成时间序列，输入到模型中进行预测。模型输出未来一段时间内每个节点的水量预测值。

对模型输出的水量预测结果进行分析，识别可能的风险区域和需要干预的节点。

节点水量超限：识别水量超过安全阈值的节点，标记为高风险区域。

水量变化趋势：分析水量变化趋势，提前预判潜在的排水需求。

进一步，根据预测的水量数据进行排水参数调整策略：

开闭状态调整：根据预测的水量变化，决定排水泵的开启或关闭。对于高风险区域，提前开启排水泵进行排水。

排水速度调整：动态调整排水泵的排水速度，确保排水效率与需求匹配。

开闭状态调整：根据水量预测结果，调整管网中闸门的开闭状态，优化水流路径，防止某些区域积水。

提前排空：在预测到降雨前，提前适度排空部分排水管道和蓄水设施，为即将到来的降雨留出空间。

部署应急排水设备：在高风险区域部署应急排水泵和移动排水车，以应对突发积水情况。

另一方面，本发明还提供一种智慧城市自启动排水系统，包括：

获取模模块，用于获取所述城市的历史水文数据，所述历史水文数据包括排水管网的拓扑结构、环境数据、排水参数；所述拓扑结构至少包括节点和管道之间的连接关系；所述环境数据至少包括降雨量；所述排水参数至少包括排水泵的开闭状态、排水泵的排水速度；

处理数据模块，用于将历史水文数据进行图表示，所述图包括节点和边；所述节点代表排水管网的各个交汇点或设备，所述节点属性包括降雨量、排水泵的开闭状态、排水泵的排水速度；所述边代表管道，所述边属性包括：长度、直径、流向、流量；将所述图表示的历史水文数据组织成时间序列数据；

训练模块，用于使用所述时间序列数据训练第一模型，所述第一模型包括输入层、隐藏层、输出层；所述输入层输入节点属性特征和边属性特征，所述隐藏层包括图卷积层和循环神经网络层，所述输出层输出未来时刻各节点的水量；

调节模块，用于获取所述城市的当前水文数据，根据当前水文数据及所述第一模型预测各节点的水量，根据各节点的水量调整排水参数。

进一步地，上述所述的一种智慧城市自启动排水系统具体的实现方法均与一种智慧城市自启动排水方法相同，一种智慧城市自启动排水方法中的全部进一步的技术方案均完全引入一种智慧城市自启动排水系统中。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

本发明未特别明确的部分模块结构，以现有技术记载的内容为准。本发明在前述背景技术部分以及具体实施例部分提及的现有技术可作为本发明的一部分，用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。

Claims (10)

1.一种智慧城市自启动排水方法，其特征在于所述方法包括如下步骤：

获取所述城市的历史水文数据，所述历史水文数据包括排水管网的拓扑结构、环境数据、排水参数；所述拓扑结构至少包括节点和管道之间的连接关系；所述环境数据至少包括降雨量；所述排水参数至少包括排水泵的开闭状态、排水泵的排水速度；

将历史水文数据进行图表示，所述图包括节点和边；

所述节点代表排水管网的各个交汇点或设备，所述节点属性包括降雨量、排水泵的开闭状态、排水泵的排水速度；

所述边代表管道，所述边属性包括：长度、直径、流向、流量；

将所述图表示的历史水文数据组织成时间序列数据；

使用所述时间序列数据训练第一模型，所述第一模型包括输入层、隐藏层、输出层；所述输入层输入节点属性特征和边属性特征，所述隐藏层包括图卷积层和循环神经网络层，所述输出层输出未来时刻各节点的水量；

获取所述城市的当前水文数据，根据当前水文数据及所述第一模型预测各节点的水量，根据各节点的水量调整排水参数。

2.根据权利要求1所述的一种智慧城市自启动排水方法，其特征在于将所述图表示的历史水文数据组织成时间序列数据包括：将图表示数据格式化为邻接矩阵或邻接列表，再结合时间序列数据形成三维张量。

3.根据权利要求1所述的一种智慧城市自启动排水方法，其特征在于所述循环神经网络层具体为门控循环单元。

4.根据权利要求1所述的一种智慧城市自启动排水方法，其特征在于所述根据当前水文数据及所述第一模型预测各节点的水量包括：将当前数据与前一段时间的历史数据组合成时间序列，输入到所述第一模型中进行预测，所述第一模型输出未来一段时间内每个节点的水量预测值。

5.根据权利要求1所述的一种智慧城市自启动排水方法，其特征在于所述根据各节点的水量调整排水参数包括：

开闭状态调整：根据预测的水量变化，决定排水泵的开启或关闭，对于高风险区域，提前开启排水泵进行排水；

排水速度调整：动态调整排水泵的排水速度，确保排水效率与需求匹配；

开闭状态调整：根据水量预测结果，调整管网中闸门的开闭状态，优化水流路径，防止某些区域积水；

提前排空：在预测到降雨前，提前排空部分排水管道和蓄水设施，为即将到来的降雨留出空间；

部署应急排水设备：在高风险区域部署应急排水泵和移动排水车，以应对突发积水情况。

6.一种智慧城市自启动排水系统，其特征在于所述系统包括如下模块：

获取模块，用于获取所述城市的历史水文数据，所述历史水文数据包括排水管网的拓扑结构、环境数据、排水参数；所述拓扑结构至少包括节点和管道之间的连接关系；所述环境数据至少包括降雨量；所述排水参数至少包括排水泵的开闭状态、排水泵的排水速度；

处理数据模块，用于将历史水文数据进行图表示，所述图包括节点和边；所述节点代表排水管网的各个交汇点或设备，所述节点属性包括降雨量、排水泵的开闭状态、排水泵的排水速度；所述边代表管道，所述边属性包括：长度、直径、流向、流量；将所述图表示的历史水文数据组织成时间序列数据；

训练模块，用于使用所述时间序列数据训练第一模型，所述第一模型包括输入层、隐藏层、输出层；所述输入层输入节点属性特征和边属性特征，所述隐藏层包括图卷积层和循环神经网络层，所述输出层输出未来时刻各节点的水量；

调节模块，用于获取所述城市的当前水文数据，根据当前水文数据及所述第一模型预测各节点的水量，根据各节点的水量调整排水参数。

7.根据权利要求6所述的一种智慧城市自启动排水系统，其特征在于将所述图表示的历史水文数据组织成时间序列数据包括：将图表示数据格式化为邻接矩阵或邻接列表，再结合时间序列数据形成三维张量。

8.根据权利要求6所述的一种智慧城市自启动排水系统，其特征在于所述循环神经网络层具体为门控循环单元。

9.根据权利要求6所述的一种智慧城市自启动排水系统，其特征在于所述根据当前水文数据及所述第一模型预测各节点的水量包括：将当前数据与前一段时间的历史数据组合成时间序列，输入到所述第一模型中进行预测，所述第一模型输出未来一段时间内每个节点的水量预测值。

10.根据权利要求6所述的一种智慧城市自启动排水系统，其特征在于所述根据各节点的水量调整排水参数包括：

开闭状态调整：根据预测的水量变化，决定排水泵的开启或关闭，对于高风险区域，提前开启排水泵进行排水；

排水速度调整：动态调整排水泵的排水速度，确保排水效率与需求匹配；

开闭状态调整：根据水量预测结果，调整管网中闸门的开闭状态，优化水流路径，防止某些区域积水；

提前排空：在预测到降雨前，提前排空部分排水管道和蓄水设施，为即将到来的降雨留出空间；

部署应急排水设备：在高风险区域部署应急排水泵和移动排水车，以应对突发积水情况。