上海域投（集团）有限公司科技创新计划项且(CTK-DXW-2020-012) 的因素分析，采用长短时记忆神经网络根据智能调度所需的时间步长进行用水量 预测。门控单元神经网络(GRU)是目前主流的适用于时间序列数据预测的深度 学习算法，对具有周期性规律的时问序列数据具有良好的预测精度。本研究拟将 GU与卷积神经网络等局部数据特征提取的网络结果相结合，进一步提升用水量 预测的精度。 用水量预测结果将作为输入用于供水管网智能调度模型的调度方案生成。 1.2.4.基于增量式知识库的供水管网智能调度 基于青东地区的日常供水调度，以经济性和效益性等作为优化目标，以供水 安全和供水保障作为约束条件，构建供水系统优化调度模型，生成优化调度指令。 构建专家决策模块，设计一种基于增量方案库的供水管网智能调度系统框架，支 撑供水系统优化调度模型的离线分析和在线修正。调度指令经调度成效评估模块 分析评价后将与评估结果共同存储于调度知识库，实现基于动态的增量式方案库 的供水管网智能调度。 本项研究内容的价值点在于提供一个可行的、通用的智能调度框架和方案， 为青东地区调度示范和后续的应用推广莫定基础。 1.2.5.突发事件快速诊断、区域定位及应急处置方案 针对爆管/停系等突发事件情况下的诊断和决策，本研究拟通过城市供水管 网数据的点、面结合分析，开展突发事件的协同报警研究。协同报警一方面对监 测点运行数据进行统计分析，对历史数据进行回归建模，分析当前时刻和未来时 刻管网中是否会出现潜在事故风险等安全故障，并给出风险点位置估计范围和可 能影响的区域及风险估计类型：另一方面，将基于数据特征提取的管网报警和水 厂入泵站的调度过程或其他重要变动进行点、面结合，对供水系统中可能会产生 人安全事故的风险节点进行分析，提高协同报警成效。 本项研究内容的价值点在于推动智能预报警系统建设，对运行异常情况进行 侦测和预报警，提升异常反应速度，提升管网运行安全性。 3 上海城投（集团）有限公司科技创新计划项目（CTKY-ZDXM-2020-012） 3 的因素分析，采用长短时记忆神经网络根据智能调度所需的时间步长进行用水量 预测。门控单元神经网络（GRU）是目前主流的适用于时间序列数据预测的深度 学习算法，对具有周期性规律的时间序列数据具有良好的预测精度。本研究拟将 GRU 与卷积神经网络等局部数据特征提取的网络结果相结合，进一步提升用水量 预测的精度。 用水量预测结果将作为输入用于供水管网智能调度模型的调度方案生成。 1.2.4. 基于增量式知识库的供水管网智能调度 基于青东地区的日常供水调度，以经济性和效益性等作为优化目标，以供水 安全和供水保障作为约束条件，构建供水系统优化调度模型，生成优化调度指令。 构建专家决策模块，设计一种基于增量方案库的供水管网智能调度系统框架，支 撑供水系统优化调度模型的离线分析和在线修正。调度指令经调度成效评估模块 分析评价后将与评估结果共同存储于调度知识库，实现基于动态的增量式方案库 的供水管网智能调度。 本项研究内容的价值点在于提供一个可行的、通用的智能调度框架和方案， 为青东地区调度示范和后续的应用推广奠定基础。 1.2.5. 突发事件快速诊断、区域定位及应急处置方案 针对爆管/停泵等突发事件情况下的诊断和决策，本研究拟通过城市供水管 网数据的点、面结合分析，开展突发事件的协同报警研究。协同报警一方面对监 测点运行数据进行统计分析，对历史数据进行回归建模，分析当前时刻和未来时 刻管网中是否会出现潜在事故风险等安全故障，并给出风险点位置估计范围和可 能影响的区域及风险估计类型；另一方面，将基于数据特征提取的管网报警和水 厂、泵站的调度过程或其他重要变动进行点、面结合，对供水系统中可能会产生 安全事故的风险节点进行分析，提高协同报警成效。 本项研究内容的价值点在于推动智能预报警系统建设，对运行异常情况进行 侦测和预报警，提升异常反应速度，提升管网运行安全性。 同济大学智慧水务联合创新研发中心