上海城投（集团）有限公司科技创新计划项且(CTKY-DX-2020-012) 摘要 依托工业大数据技术、人工智能方法的精细化城市供水系统是未来上海城市 供水系统的发展方向。本项目以构建智能供水管网调度系统为目标，实现通过计 算机在线生成智能优化调度指令，并在在青东地区调度中进行示范应用。 本项目从提升数据质量入手，分别采用Smoothing Z-Score算法和TW-KNR 算法来对原始数据进行异常值识别和缺失值插补。并在此基础上基于灵敏度法和 投影法耦合的方法优化测压点布置以及采用DTW-Kmeans聚类算法优选压力控制 点来辅助调度方案生成。针对青东区城的常规调度，本项目基于深度学习模型构 建水厂、系站的压力预测模型，结合调度运行逻辑生成水厂调压，系站启闭以及 水库进水关水等指令。并采用训练数据集优选技术，筛选得分评价较高的数据作 为训练数据集优化调度模型预测效果。此外，为建立调度认证评估机制，本项目 构建评价模块和系统运行效果评价模块分别用于更新知识库以及对每日调度系 统的运行效果进行评价。对于异常工况，系统中集成管网异常突发事件侦测定位 模块利用孤立森林算法识别历史数据中高频组分异常值来侦测异常事件，并基于 机器学习算法和管网水力模型分析各测压点异常工况下压力变化数据与预测压 力变化数据的残差分布来进行异常事件定位。在项目执行期间形成的成果主要包 括：指定导则3部，论文3篇，申请发明专利2项，计算机软件著作权1项。在 技术指标方面，在6月15日至11月14日调度系统运行期间，调度方案采纳率 达96.29%；调度方案调控预期结果与实际对比平均偏差水厂为3.66%，泵站为 461%；调度方案实施对测压点造成的压力波动率为2.81%：同比去年能耗平均 下降3.05%：针对一次典型历史爆管事件案例分析，系统定位爆管点距离实际爆 管发生位置169.7m,均已达到项目技术指标的考核要求。 本研究结合实际案例，构建了水厂和增压泵站调度智能控制指令深度学习模 型，通过对历史运行数据中调度经验的学习，捕捉管网运行状态的变化规律，并 根据对未来状态的预判生成调度指令，与人工经验调度的对比验证了该智能实时 调度系统的优势及应用潜力，并通过引入在线水力模型等机制进一步提升深度学 习模型的泛化能力：同时通过构建智能调度方案的实时评价机制，从区域压力保 障及调度方案可靠程度等方面，进一步提升智能调度模型在实际应用中的安全性， 可靠性和方案采纳率。上海城投（集团）有限公司科技创新计划项目（CTKY-ZDXM-2020-012） I 摘 要 依托工业大数据技术、人工智能方法的精细化城市供水系统是未来上海城市 供水系统的发展方向。本项目以构建智能供水管网调度系统为目标，实现通过计 算机在线生成智能优化调度指令，并在在青东地区调度中进行示范应用。 本项目从提升数据质量入手，分别采用 Smoothing Z-Score 算法和 TW-KNNR 算法来对原始数据进行异常值识别和缺失值插补。并在此基础上基于灵敏度法和 投影法耦合的方法优化测压点布置以及采用 DTW-Kmeans 聚类算法优选压力控制 点来辅助调度方案生成。针对青东区域的常规调度，本项目基于深度学习模型构 建水厂、泵站的压力预测模型，结合调度运行逻辑生成水厂调压、泵站启闭以及 水库进水关水等指令。并采用训练数据集优选技术，筛选得分评价较高的数据作 为训练数据集优化调度模型预测效果。此外，为建立调度认证评估机制，本项目 构建评价模块和系统运行效果评价模块分别用于更新知识库以及对每日调度系 统的运行效果进行评价。对于异常工况，系统中集成管网异常突发事件侦测定位 模块利用孤立森林算法识别历史数据中高频组分异常值来侦测异常事件，并基于 机器学习算法和管网水力模型分析各测压点异常工况下压力变化数据与预测压 力变化数据的残差分布来进行异常事件定位。在项目执行期间形成的成果主要包 括：指定导则 3 部，论文 3 篇，申请发明专利 2 项，计算机软件著作权 1 项。在 技术指标方面，在 6 月 15 日至 11 月 14 日调度系统运行期间，调度方案采纳率 达 96.29%；调度方案调控预期结果与实际对比平均偏差水厂为 3.66%，泵站为 4.61% ；调度方案实施对测压点造成的压力波动率为 2.81%；同比去年能耗平均 下降 3.05%；针对一次典型历史爆管事件案例分析，系统定位爆管点距离实际爆 管发生位置 169.7m，均已达到项目技术指标的考核要求。 本研究结合实际案例，构建了水厂和增压泵站调度智能控制指令深度学习模 型，通过对历史运行数据中调度经验的学习，捕捉管网运行状态的变化规律，并 根据对未来状态的预判生成调度指令，与人工经验调度的对比验证了该智能实时 调度系统的优势及应用潜力，并通过引入在线水力模型等机制进一步提升深度学 习模型的泛化能力；同时通过构建智能调度方案的实时评价机制，从区域压力保 障及调度方案可靠程度等方面，进一步提升智能调度模型在实际应用中的安全性、 可靠性和方案采纳率。 同济大学智慧水务联合创新研发中心