具体技术细节
[0007] 本发明的目的在于提供一种数据‑机理双重驱动的泵站实时调控方法，从而解决现有技术中存在的前述问题。
[0008] 为了实现上述目的，本发明采用的技术方案如下：
[0009] 一种数据‑机理双重驱动的泵站实时调控方法，包括如下步骤，
[0010] S1、关键影响因子确定：
[0011] 结合泵站现地调度实际情况和泵站实时优化调控理论研究，归纳泵站水情数据与调控策略的对应关系，确定决定泵站开机台数的关键影响因子；
[0012] S2、机理驱动模型的构建及求解：
[0013] 基于决定泵站开机台数的关键影响因子和泵站实时调控运行的约束条件，确定泵站实时调控全部可行域；通过设定目标函数、决策变量、约束条件和求解算法构建泵站实时调控机理驱动模型，将泵站实时调控全部可行域输入到泵站实时调控机理驱动模型中，获取泵站在全部可行域下的开机台数分布情况，作为机理驱动模型解；
[0014] S3、数据驱动模型的构建及求解：
[0015] 基于泵站历史运行水情数据和调控决策，确定泵站实时调控局部可行域；基于决策树分类算法构建泵站实时调控数据驱动模型，将泵站实时调控局部可行域输入到泵站实时调控数据驱动模型中，获取泵站在局部可行域下的开机台数分布情况，作为数据驱动模型解；
[0016] S4、数据‑机理双重驱动模型的构建及求解：
[0017] 基于机理驱动模型解和数据驱动模型解构建融合数据集，基于融合数据集训练并验证基于决策树构建的数据‑机理双重驱动模型，获取最终调控决策结果。
[0018] 优选的，步骤S1具体包括如下内容，
[0019] S101、查阅泵站优化运行相关文献，确定泵站优化运行常用的目标函数，根据目标函数计算公式，确定初选影响因子；
[0020] S102、结合现地需求，考虑影响现地调控决策的水情、工情信息；
[0021] S103、结合文献调研和现地需求，确定决定泵站开机台数的关键影响因子包括泵站过流流量和泵站扬程。
[0022] 优选的，步骤S2中确定泵站实时调控全部可行域具体包括如下内容，[0023] S201、查询泵站设计参数，包括决定泵站开机台数的关键影响因子的最小值和最大值；
[0024] S201、将关键因子按照合理步长进行离散，生成解空间；
[0025] S201、根据泵站实时调控运行的约束条件，剔除不满足开机条件的工况，获取泵站实时调控全部可行域。
[0026] 优选的，所述泵站实时调控运行的约束条件包括水泵机组流量约束、水泵机组扬程约束、泵站运行站下/站上水位约束、机组运行台数约束、水泵流量‑扬程特性曲线约束。
[0027] 优选的，泵站实时调控机理驱动模型的目标函数为工况下泵站运行效率最高；泵站实时调控机理驱动模型的决策变量为泵站开机台数；泵站实时调控机理驱动模型的求解算法为粒子群优化算法。
[0028] 优选的，步骤S3中确定泵站实时调控局部可行域具体包括如下内容，[0029] S3011、收集泵站运行年度以来的水情数据和泵站运行年度以来的调控决策数据；所有数据均为同一时段调度结果；
[0030] S3012、分析泵站历史运行数据分布特征，根据运行数据流量、扬程最小值/最大值，按照一定比例浮动，得到局部流量、扬程可运行区间，并根据运行约束条件剔除不满足开机条件的工况，确定泵站实时调控局部可行域；
[0031] S3013、分析泵站历史运行数据分布特征，确定样本量多少及分布是否均衡。优选的，步骤S3中泵站实时调控数据驱动模型构建及求解具体包括如下内容，
[0032] S3021、将预处理后的泵站历史调控数据按照一定比例划分为训练集和验证集；
[0033] S3022、基于决策树分类算法构建泵站实时调控数据驱动模型；
[0034] S3023、基于训练集和验证集对泵站实时调控数据驱动模型进行训练和验证，并基于评价指标对模型的性能进行评价；
[0035] S3024、将泵站实时调控局部可行域输入到训练好的泵站实时调控数据驱动模型中，获取泵站实时调控局部可行域下的开机台数分布情况，作为数据驱动模型解。
[0036] 优选的，步骤S4中构建融合数据集具体包括如下内容，
[0037] S4011、将机理驱动模型解和数据驱动模型解串联，构成融合数据集；
[0038] S4012、对融合数据集进行归一化处理；
[0039] S4013、将归一化处理后的融合数据集划分为训练集和验证集。
[0040] 优选的，步骤S4中获取最终调控决策结果具体包括如下内容，
[0041] S4021、采用决策树构建数据‑机理双重驱动模型，将训练集输入到数据‑机理双重驱动模型中进行训练，并将验证集输入到训练好的数据‑机理双重驱动模型中，输出模型结果；
[0042] S4022、对模型结果进行反归一化处理，获取最终调控决策结果。
[0043] 优选的，步骤S4022之后还包括，
[0044] S4023、评估数据‑机理双重驱动模型的可靠性，并将模型全部可行域作为输入，计算得到模型全域调控决策结果。
[0045] 本发明的有益效果是：1、本发明方法结合了机理驱动模型求解结果和历史运行调度决策，在追求泵站高效运行同时，生成更符合现地调控需求的调度决策。可在一定程度上规避因机理驱动模型追求泵站高效运行导致的机组的频繁启停问题，延缓了设备的老化，减轻了现地调控人员工作压力。2、本发明方法考虑到实际运行工况较为集中，且历史样本不足的问题，根据历史运行区间划分了局部可行域，并利用数据驱动的方法求解局部可行域的解，将基于数据驱动模型的局部解和基于机理驱动模型的全域解进行融合，综合全域的特性和局部特征，增强了数据的综合性和洞察力。3、本发明方法针对数据驱动模型和机理驱动模型融合问题，在数据集层面进行不同尺度的数据融合，形成机理‑数据双重驱动的融合数据集。该方法适用于具有多个类似性能的模型进行集成时使用，极大提高了调控决策的可靠性以及可解释性，可以得到更全面、更优化的调控方案。
法律保护范围
涉及权利要求数量10：其中独权1项，从权-1项
1.一种数据‑机理双重驱动的泵站实时调控方法，其特征在于：包括如下步骤，S1、关键影响因子确定：
结合泵站现地调度实际情况和泵站实时优化调控理论研究，归纳泵站水情数据与调控策略的对应关系，确定决定泵站开机台数的关键影响因子；
S2、机理驱动模型的构建及求解：
基于决定泵站开机台数的关键影响因子和泵站实时调控运行的约束条件，确定泵站实时调控全部可行域；通过设定目标函数、决策变量、约束条件和求解算法构建泵站实时调控机理驱动模型，将泵站实时调控全部可行域输入到泵站实时调控机理驱动模型中，获取泵站在全部可行域下的开机台数分布情况，作为机理驱动模型解；
S3、数据驱动模型的构建及求解：
基于泵站历史运行水情数据和调控决策，确定泵站实时调控局部可行域；基于决策树分类算法构建泵站实时调控数据驱动模型，将泵站实时调控局部可行域输入到泵站实时调控数据驱动模型中，获取泵站在局部可行域下的开机台数分布情况，作为数据驱动模型解；
S4、数据‑机理双重驱动模型的构建及求解：
基于机理驱动模型解和数据驱动模型解构建融合数据集，基于融合数据集训练并验证基于决策树构建的数据‑机理双重驱动模型，获取最终调控决策结果。
2.根据权利要求1所述的数据‑机理双重驱动的泵站实时调控方法，其特征在于：步骤S1具体包括如下内容，
S101、查阅泵站优化运行相关文献，确定泵站优化运行常用的目标函数，根据目标函数计算公式，确定初选影响因子；
S102、结合现地需求，考虑影响现地调控决策的水情、工情信息；
S103、结合文献调研和现地需求，确定决定泵站开机台数的关键影响因子包括泵站过流流量和泵站扬程。
3.根据权利要求1所述的数据‑机理双重驱动的泵站实时调控方法，其特征在于：步骤S2中确定泵站实时调控全部可行域具体包括如下内容，
S201、查询泵站设计参数，包括决定泵站开机台数的关键影响因子的最小值和最大值；
S201、将关键因子按照合理步长进行离散，生成解空间；
S201、根据泵站实时调控运行的约束条件，剔除不满足开机条件的工况，获取泵站实时调控全部可行域。
4.根据权利要求3所述的数据‑机理双重驱动的泵站实时调控方法，其特征在于：所述泵站实时调控运行的约束条件包括水泵机组流量约束、水泵机组扬程约束、泵站运行站下/站上水位约束、机组运行台数约束、水泵流量‑扬程特性曲线约束。
5.根据权利要求1所述的数据‑机理双重驱动的泵站实时调控方法，其特征在于：泵站实时调控机理驱动模型的目标函数为工况下泵站运行效率最高；泵站实时调控机理驱动模型的决策变量为泵站开机台数；泵站实时调控机理驱动模型的求解算法为粒子群优化算法。
6.根据权利要求1所述的数据‑机理双重驱动的泵站实时调控方法，其特征在于：步骤S3中确定泵站实时调控局部可行域具体包括如下内容，
S3011、收集泵站运行年度以来的水情数据和泵站运行年度以来的调控决策数据；所有数据均为同一时段调度结果；
S3012、分析泵站历史运行数据分布特征，根据运行数据流量、扬程最小值/最大值，按照一定比例浮动，得到局部流量、扬程可运行区间，并根据运行约束条件剔除不满足开机条件的工况，确定泵站实时调控局部可行域；
S3013、分析泵站历史运行数据分布特征，确定样本量多少及分布是否均衡。
7.根据权利要求1所述的数据‑机理双重驱动的泵站实时调控方法，其特征在于：步骤S3中泵站实时调控数据驱动模型构建及求解具体包括如下内容，
S3021、将预处理后的泵站历史调控数据按照一定比例划分为训练集和验证集；
S3022、基于决策树分类算法构建泵站实时调控数据驱动模型；
S3023、基于训练集和验证集对泵站实时调控数据驱动模型进行训练和验证，并基于评价指标对模型的性能进行评价；
S3024、将泵站实时调控局部可行域输入到训练好的泵站实时调控数据驱动模型中，获取泵站实时调控局部可行域下的开机台数分布情况，作为数据驱动模型解。
8.根据权利要求1所述的数据‑机理双重驱动的泵站实时调控方法，其特征在于：步骤S4中构建融合数据集具体包括如下内容，
S4011、将机理驱动模型解和数据驱动模型解串联，构成融合数据集；
S4012、对融合数据集进行归一化处理；
S4013、将归一化处理后的融合数据集划分为训练集和验证集。
9.根据权利要求1所述的数据‑机理双重驱动的泵站实时调控方法，其特征在于：步骤S4中获取最终调控决策结果具体包括如下内容，
S4021、采用决策树构建数据‑机理双重驱动模型，将训练集输入到数据‑机理双重驱动模型中进行训练，并将验证集输入到训练好的数据‑机理双重驱动模型中，输出模型结果；
S4022、对模型结果进行反归一化处理，获取最终调控决策结果。
10.根据权利要求9所述的数据‑机理双重驱动的泵站实时调控方法，其特征在于：步骤S4022之后还包括，
S4023、评估数据‑机理双重驱动模型的可靠性，并将模型全部可行域作为输入，计算得到模型全域调控决策结果。
