Method for training pump flow-head model, method for computing flow rate, training apparatus, electronic device, and storage medium

Abstract

The present disclosure provides a method for training a pump flow-head model, a method for computing a flow rate of branch pipe, a training apparatus, an electronic device, and a storage medium. The training method includes: establishing a regression model based on an initial pump flow-head curve; obtaining a test data set and a query data set, wherein the test data set includes an actual head value of a water pump, an actual flow rate value of main output pipe, a revolving speed of the water pump, and a water level of a reservoir, and the query data set includes an actual head value of the water pump and an actual pressure value of the main output pipe; and training the regression model based on the test data set and the query data set, to obtain a calibrated pump flow-head model. In this way, the trained calibrated model is adapted to a water pump in a water pumping system. The obtained calibrated model allows to estimate a flow rate of branch pipe corresponding to the water pump without installing a branch pipe flow meter.

Description

METHOD FOR TRAINING PUMP FLOW-HEAD MODEL, METHOD FOR COMPUTING FLOW RATE, TRAINING APPARATUS, ELECTRONIC DEVICE, AND STORAGE MEDIUMTECHNICAL FIELD

[0001] The present disclosure relates to the technical field of neural network model training, and particularly relates to a method for training a pump flow-head model, a method for computing a flow rate, a training apparatus, an electronic device, and a storage medium.BACKGROUND

[0002] In a waterworks, parallel water supply is used for a water pumping system, that is, the water pumping system includes a reservoir, a water main output pipe, a plurality of water pumps, and a plurality of pump branch pipes, each of the water pumps pumps water from the reservoir, an outlet of the each water pump is connected to one of the pump branch pipes, each of the pump branch pipes is connected to an inlet of the water main output pipe, and an outlet of the water main output pipe is configured to connect to a water distribution network. Actual water use amount changes throughout a day or with seasons, so that the waterworks generally optimizes pump group operation based on water supply characteristics of each water pump and the actual water use amount, and based on principles of low-carbon economy.

[0003] The water supply characteristics of the water pump mainly lie in its flow rate and head. When leaving its manufacture factory, the water pump is generally provided with a pump flow-head curve, in which, generally, the X-axis is the flow rate and the Y-axis is the head. However, as the service time increases, the water pump is gradually aging, and the actual flow rate and head of the water pump are gradually no longer identical to, or even greatly different from, the flow rate-head curve provided when leaving factory. Therefore, it is difficult to evaluate a flow rate of branch pipe corresponding to each water pump based on the flow rate-head curve when leaving factory. Further, it is also difficult to optimize the pump group  operation.

[0004] One solution in the related art is to install a flow meter on a branch pipe to measure an actual flow rate of branch pipe corresponding to each water pump. However, installing a flow meter in a pipeline can reduce a cross-sectional area of the pipeline, thereby resulting in flow loss and energy loss. Moreover, the flow meter also requires frequent maintenance, thereby resulting in high maintenance costs. Therefore, it is not an economical or efficient way to obtain an actual flow rate of each pump branch pipe and an actual total flow rate of an entire pump group by installing the flow meter.SUMMARY

[0005] In order to solve the above technical problems, embodiments of the present disclosure provide a method for training a pump flow-head model, a method for computing a flow rate of branch pipe, an apparatus for training a pump flow-head model, an electronic device, and a storage medium. The method for training a pump flow-head model can solve the above technical problems.

[0006] In a first aspect, the present disclosure provides a method for training a pump flow-head model, applied to a water pumping system, wherein the water pumping system includes a reservoir, a water main output pipe, a plurality of water pumps, and a plurality of pump branch pipes, each of the water pumps pumps water from the reservoir, an outlet of each water pump is connected to one of the pump branch pipes, each of the pump branch pipes is connected to an inlet of the water main output pipe, and an outlet of the water main output pipe is configured to connect to a water distribution network. The training method includes:

[0007] establishing a regression model based on an initial pump flow-head curve;

[0008] obtaining a test data set and a query data set, wherein the test data set includes an actual head value of the water pump, an actual flow rate value of main output pipe, a revolving speed of the water pump, and a water level of the reservoir, and the query data set includes an actual head value of the water pump and an actual pressure value of the main output pipe; and

[0009] training the regression model based on the test data set and the query data set, to obtain a calibrated pump flow-head model.

[0010] When the above training method is used, since the test data set and the query data set are acquired when the water pump is running in the water pumping system, the data is real data under the influence of hydraulic characteristics of the pump branch pipe (e.g., cross-sectional area and flow resistance of the pump branch pipe) , so that the trained calibrated model is adapted to the water pump in the water pumping system. Therefore, a flow rate of branch pipe can be computed through the obtained calibrated model when no flow meter is installed on the branch pipe. Based on the computed flow rate of the branch pipe, energy saving of the pump group can be optimized, and performance of the water pump can be evaluated.

[0011] In a possible embodiment, the training the regression model based on the test data set and the query data set, to obtain the calibrated pump flow-head model includes: initializing a weight of the regression model; establishing a plurality of rounds of training tasks, each round of the training tasks including at least one test data set and at least one corresponding query data set; and updating the weight of the regression model based on a training result of a current training task, and using the updated weight of the regression model for a next round of the training tasks.

[0012] In a possible embodiment, the updating the weight of the regression model based on the training result of the current training task includes: inputting the test data set and the query data set of the current training task into the regression model, to output a current training error; determining whether the current training error satisfies a convergence condition,

[0013] stopping, in response to the current training error satisfies the convergence condition, the updating of the weight of the regression model, and obtaining the calibrated pump flow-head model; and

[0014] updating, in response to the current training error failing to satisfy the convergence condition, an error space based on the current training error, and updating the weight of the regression model based on the updated error space, until a training error satisfies the convergence condition; wherein the error space is a set composed of training errors of previous  training tasks.

[0015] In a possible embodiment, the updating the weight of the regression model based on the updated error space includes: obtaining an updated error gradient based on the updated error space; and updating the weight of the regression model based on a current weight of the regression model and the updated error gradient.

[0016] In a possible embodiment, the inputting the test data set and the query data set of the current training task into the regression model, to output the current training error includes: obtaining a test result set by computation based on the test data set, the test result set including an estimated head value of the water pump and an estimated pressure value of the main output pipe; and obtaining the current training error by computation based on the test result set and the query data set.

[0017] In a possible embodiment, the test result set includes the estimated head value of the water pump and the estimated pressure value of the main output pipe, the query data set includes the actual head value of the water pump and the actual pressure value of the main output pipe; and the obtaining the current training error based on the test result set and the query data set includes: obtaining a first current error based on the estimated head value of the water pump and the actual head value of the water pump in the current training task; and obtaining a second current error based on the estimated pressure value of the main output pipe and the actual pressure value of the main output pipe in the current training task; wherein the current training error includes the first current error and the second current error.

[0018] In a possible embodiment, the obtaining the test data set and the query data set includes: obtaining a plurality of training data sets, the training data sets including the actual pressure value of the main output pipe, the actual flow rate value of the main output pipe, the water level of the reservoir, and the revolving speed of the water pump; obtaining the actual head value of the water pump by computation based on the actual pressure value of the main output pipe and the water level of the reservoir; and obtaining the test data set and the query data set based on the actual head value of the water pump and the training data sets.

[0019] In a second aspect, the present disclosure provides a method for computing a flow  rate of a pump branch pipe in a water pumping system, including:

[0020] acquiring a pressure value of a main output pipe in the water pumping system and a water level of a reservoir in the water pumping system;

[0021] obtaining an actual head value of the branch pipe based on the pressure value of the main output pipe and the water level of the reservoir; and

[0022] inputting the actual head value of the branch pipe into the above calibrated flow-head model, to obtain a computed value of the flow rate of the branch pipe.

[0023] With this method for computing a flow rate of a pump branch pipe, the flow rate value of the branch pipe can be accurately computed through the calibrated flow-head model simply by acquiring the pressure value of the main output pipe and the water level of the reservoir in the water pumping system without the need of installing a flow meter on the pump branch pipe, thereby solving the problem of difficulty in obtaining the flow rate of the branch pipe due to aging of a water pump.

[0024] In a third aspect, the present disclosure provides an apparatus for training a pump flow-head model, wherein the training apparatus is configured to obtain the above calibrated pump flow-head model by training. The apparatus includes:

[0025] a model generation module configured to establish a regression model based on an initial pump flow-head curve;

[0026] a data acquisition module configured to obtain a test data set and a query data set, wherein the test data set comprises an actual head value of a water pump, an actual flow rate value of main output pipe, a revolving speed of the water pump, and a water level of a reservoir, and the query data set comprises an actual head value of the water pump and an actual pressure value of the main output pipe; and

[0027] a model training module configured to train the regression model based on the test data set and the query data set, to obtain a calibrated pump flow-head model.

[0028] The calibrated pump flow-head model can be obtained through the training apparatus, and can be configured to compute a flow rate of a pump branch pipe connected to a water  pump in a water pumping system.

[0029] In a fourth aspect, the present disclosure provides an electronic device, including: at least one processor, and a memory communicatively connected to the at least one processor; wherein the memory stores instructions executable by the at least one processor, wherein the instructions are executed by the at least one processor, so that the at least one processor executes steps of the above method for training a pump flow-head model and / or the above method for computing a flow rate of a pump branch pipe in a water pumping system.

[0030] In a fifth aspect, the present disclosure provides a computer-readable storage medium, storing a computer program thereon, wherein the computer program, when executed by a processor, implements steps of the above method for training a pump flow-head regression model and / or the above method for computing a flow rate of branch pipe in a water pumping system.

[0031] To sum up, with the method for training a pump flow-head model provided in the present disclosure, a calibrated pump flow-head model can be obtained, and with the calibrated pump flow-head model, the flow rate of the branch pipe can be obtained by computation without installing a flow meter on the branch pipe.DESCRIPTION OF DRAWINGS

[0032] FIG. 1 is a flowchart of an example of a method for training a pump flow-head model provided in an embodiment of the present disclosure;

[0033] FIG. 2 is a flowchart of another example of a method for training a pump flow-head model provided in an embodiment of the present disclosure;

[0034] FIG. 3 is a flowchart of another example of a method for training a pump flow-head model provided in an embodiment of the present disclosure;

[0035] FIG. 4 is a flowchart of a method for computing a flow rate of a pump branch pipe in a water pumping system provided in an embodiment of the present disclosure; and

[0036] FIG. 5 is a schematic diagram of an apparatus for training a pump flow-head model  provided in an embodiment of the present disclosure.

[0037] List of reference numerals:

[0038] S100: establishing a regression model based on an initial pump flow-head curve;

[0039] S200: obtaining a test data set and a query data set, wherein the test data set includes an actual head value hi of a water pump, an actual flow rate value QΣ of main output pipe, a revolving speed fi of the water pump, and a water level l0 of a reservoir, and the query data set includes an actual head value hi of the water pump and an actual pressure value Pout of the main output pipe;

[0040] S300: training the regression model based on the test data set and the query data set, to obtain a calibrated pump flow-head model;

[0041] S301: initializing a weight of the regression model;

[0042] S302: establishing a plurality of rounds of training tasks, each round of the training tasks including at least one test data set and at least one corresponding query data set;

[0043] S303: updating the weight of the regression model based on a training result of a current training task, and using the updated weight of the regression model for a next round of the training tasks;

[0044] S3031: inputting the test data set and the query data set of the current training task into the regression model, to output a current training error;

[0045] S3032: determining whether the current training error satisfies a convergence condition,

[0046] S3033: stopping the updating of the weight of the regression model, and obtaining the calibrated pump flow-head model;

[0047] S3034: updating an error space based on the current training error, and updating the weight of the regression model based on the updated error space, until a training error satisfies the convergence condition;

[0048] S401: acquiring a pressure value of main output pipe and a water level of a reservoir  in a water pumping system;

[0049] S402: obtaining an actual head value of a branch pipe based on the pressure value of the main output pipe and the water level of the reservoir;

[0050] S403: inputting the actual head value of the branch pipe into the above calibrated flow-head model, to obtain a computed value of the flow rate of the branch pipe;

[0051] 501: Model generation module; 502: Data acquisition module; 503: Model training module.DETAILED DESCRIPTION OF EMBODIMENTS

[0052] In order to make objectives, technical solutions, and advantages of the present disclosure clearer, embodiments of the present disclosure will be further described in detail below with reference to the drawings.

[0053] In the description of the present disclosure, it should be understood that the directions or position relationships indicated by the terms, such as "center, " "above, " "below, " "in front of, " "behind, " "left, " "right, " "vertical, " "horizontal, " "top, " "bottom, " "inner, " and "outer, " are based on the directions or position relationships shown in the drawings, are only provided to facilitate describing the present disclosure and simplifying the description, rather than indicating or implying that the apparatus or element referred to must have a particular direction, or be constructed and operated in a particular direction, and therefore cannot be construed as limiting the present disclosure.

[0054] For a water pumping system with parallel water supply, that is, the water pumping system includes a reservoir, a water main output pipe, a plurality of water pumps, and a plurality of pump branch pipes, each of the water pumps pumps water from the reservoir, an outlet of each water pump is connected to one of the pump branch pipes, each of the pump branch pipes is connected to an inlet of the water main output pipe, and an outlet of the water main output pipe is configured to connect to a water distribution network. Actual flow rate and head values of an aged water pump are greatly different from initial flow rate and head values  of the water pump. In view of this, the present disclosure provides a method for training a pump flow-head model. With this training method, a calibrated pump flow-head model can be obtained. An actual pump flow rate can be accurately computed using this calibrated model.

[0055] Referring to FIG. 1, the method for training a pump flow-head model may include the following steps:

[0056] S100: establishing a regression model based on an initial pump flow-head curve;

[0057] S200: obtaining a test data set and a query data set, wherein the test data set includes an actual head value hi of a water pump, an actual flow rate value QΣ of main output pipe, a revolving speed fi of the water pump, and a water level l0 of a reservoir, and the query data set includes an actual head value hi of the water pump and an actual pressure value Pout of the main output pipe; and

[0058] S300: training the regression model based on the test data set and the query data set, to obtain a calibrated pump flow-head model.

[0059] When the above training method is used, since the test data set and the query data set are acquired when the water pump is running in the water pumping system, the data is real data under the influence of hydraulic characteristics of the pump branch pipe (e.g., cross-sectional area and flow resistance of the pump branch pipe) , so that the trained calibrated model is adapted to the water pump in the water pumping system. Therefore, a flow rate of the branch pipe can be computed through the obtained calibrated model when no flow meter is installed on the branch pipe. Based on the computed flow rate of the branch pipe, energy saving of the pump group can be optimized, and performance of the water pump can be evaluated.

[0060] The initial pump flow-head curve is actually a quadratic polynomial curve, so that a quadratic polynomial can be established based on the quadratic polynomial curve, a computation model can be established based on the quadratic polynomial for use as the regression model, and quadratic polynomial coefficients (aihead, bihead, cihead) can be understood as weights of the regression model. The process of training the regression model based on a training data set can be understood as a process of computing the quadratic polynomial  coefficients under the constraints of the training data set using an algorithm similar to Bayesian estimation algorithm, and the finally obtained quadratic model coefficients are weights of the calibrated model.

[0061] In a possible embodiment, the step S200 of obtaining the test data set and query data set may include:

[0062] obtaining a plurality of training data sets through a sensor assembly in the water pumping system, the training data sets including the actual pressure value Pout of the main output pipe, the actual flow rate value QΣ of the main output pipe, the water level l0 of the reservoir, and the revolving speed fi of the water pump;

[0063] obtaining the actual head value hi of the water pump by computation based on the actual pressure value Pout of the main output pipe and the water level l0 of the reservoir; and

[0064] obtaining the test data set and the query data set based on the actual head value hi of the water pump and the training data sets.

[0065] The sensor assembly may include a pressure sensor, a flow sensor, a water level monitor, and a revolving speed monitor. The pressure sensor may be installed on a water main output pipe, so that the actual pressure value Pout of the main output pipe can be obtained through the pressure sensor. The flow sensor may be installed on the water main output pipe, so that the actual flow rate value QΣ of the main output pipe can be obtained through the flow sensor. The water level monitor may be installed in the reservoir, so that the water level li of the reservoir can be obtained through the water level monitor. The revolving speed monitor may be installed on the water pump, so that the revolving speed fi of the water pump can be obtained through the revolving speed monitor. The revolving speed fi of the water pump refers to a revolving speed of one water pump, so that the trained calibrated flow-head model is also for one water pump, and to-be-calibrated flow-head models of other water pumps need to be trained separately. In an example, the actual pressure value Pout of the main output pipe, the actual flow rate value QΣ of the main output pipe, the water level l0 of the reservoir, and the revolving speed fi of the water pump corresponding to a same moment may be collected at intervals, e.g., at intervals of one minute, in other words, the actual pressure value Pout of the  main output pipe, the actual flow rate value QΣ of the main output pipe, the water level l0 of the reservoir, and the revolving speed fi of the water pump in each of the training data sets are obtained at the same moment.

[0066] Specifically, the actual pressure value Pout of the main output pipe and the water level l0 of the reservoir can be substituted into Formula I to obtain the actual head value hi of the water pump. Formula I is as follows:

[0067] It should be noted that since an inlet pressure and an outlet pressure of the water pump are equal, a pressure of a branch pipe corresponding to the water pump is Pout. Therefore, the actual head value hi of the water pump can be obtained through Formula I.

[0068] In a possible implementation, referring to FIG. 2, the step S300: training the regression model based on the test data set and the query data set, to obtain a calibrated pump flow-head model may include the following steps:

[0069] S301: initializing a weight of the regression model;

[0070] S302: establishing a plurality of rounds of training tasks, each round of the training tasks including at least one test data set and at least one corresponding query data set; and

[0071] S303: updating the weight of the regression model based on a training result of a current training task, and using the updated weight of the regression model for a next round of the training tasks.

[0072] In this way, every time the regression model is trained based on one round of the training tasks, the weight of the regression model can be updated based on a training result of this round of the training tasks, so that the next round of the training tasks can be performed using the regression model with a new weight. Such circulative iteration is performed, until a required weight is obtained, thereby obtaining the calibrated pump flow-head model. The number of rounds of the training tasks can be set based on actual requirements. By continuously performing the plurality of rounds of the training tasks, the weight can be continuously updated, until a training error satisfies a convergence condition. The test data set  and the query data set in each training task correspond to each other, that is, one test data set corresponds to one query data set.

[0073] The weight in the step S301 is the weight of the regression model set for the first time, which is executed in an initialization stage, and may also be referred to as an initial weight. In step S402, the plurality of rounds of the training tasks is established, and one round of the training tasks may be randomly selected for the regression model with the initial weight. Then, a weight for the next round of the training tasks may be updated based on the training result of the current training task. It can be understood that every time the weight is updated, the regression model with a new weight is trained using a new round of the training tasks.

[0074] In an embodiment, referring to FIG. 3, the updating the weight of the regression model for the next round of the training tasks based on the training result of the current training task specifically may include the following steps:

[0075] S3031: inputting the test data set and the query data set of the current training task into the regression model, to output a current training error;

[0076] S3032: determining whether the current training error satisfies a convergence condition,

[0077] executing step S3033, in response to the current training error satisfies the convergence condition, that is, stopping the updating of the weight of the regression model, and obtaining the calibrated pump flow-head model; and

[0078] executing step S3034, in response to the current training error failing to satisfy the convergence condition, that is, updating an error space based on the current training error, and updating the weight of the regression model based on the updated error space, until a training error satisfies the convergence condition.

[0079] The error space is a set composed of training errors of previous training tasks. It is understandable that every time one round of the training tasks is completed, a training result outputted from the regression model is a training error of this round of the training tasks. The obtained training errors are gathered together to form the error space. The error space is updated every time one round of the training tasks is completed, so that the weight of the  regression model can be updated based on each training error in the error space and the weight corresponding to each training error, to obtain the regression model with an updated weight. The next round of the training tasks can be performed using the regression model with the updated weight, to obtain a new training error, and continue to determine whether the new training error satisfies the convergence condition. In this way, the weight is continuously updated until a training error satisfies the convergence condition, so that a required weight can be obtained, thereby obtaining the calibrated pump flow-head model.

[0080] Specifically, in an example, the updating the weight of the regression model based on the updated error space includes: obtaining an updated error gradient based on the updated error space; and updating the weight of the regression model based on a current weight of the regression model and the updated error gradient. It is understandable that the training error obtained after each round of the training tasks is different, so that in the error space, there is a gradient between the training errors. Therefore, every time the error space is updated, the error gradient can be updated, and the updated error gradient is associated with the current weight of the regression model. Therefore, the weight of the regression model can be updated based on the current weight of the regression model and the updated error gradient, so that an appropriate weight can be finally obtained, and then a calibrated pump flow-head model with the appropriate weight can be obtained.

[0081] In an example, the step S3031: inputting the test data set and the query data set of the current training task into the regression model, to output a current training error includes: obtaining a test result set by computation based on the test data set, the test result set including an estimated head value of the water pump and an estimated pressure value of the main output pipe; and obtaining the current training error by computation based on the test result set and the query data set. It is understandable that the test result set can be understood as a result outputted from the regression model with the current weight. The query data set corresponds to the test result set. The query data set is used to verify the test result set. By comparing the test result set and the query data set, the current training error can be computed.

[0082] Specifically, the obtaining the current training error by computation based on the test result set and the query data set includes:

[0083] obtaining a first current error based on the estimated head value of the water pump and the actual head value of the water pump in the current training task; and

[0084] obtaining a second current error based on the estimated pressure value of the main output pipe and the actual pressure value of the main output pipe in the current training task;

[0085] wherein the current training error includes the first current error and the second current error.

[0086] Based on the above technical solutions, both the estimated head value of the water pump and the estimated pressure value of the main output pipe are test results outputted from the regression model during the training task. Therefore, under the joint constraints of the first current error and the second current error, the error of the regression model can be more accurately evaluated, thereby better updating the weight based on the error gradient.

[0087] Accordingly, the determining whether the current training error satisfies the convergence condition includes:

[0088] determining whether the first current error satisfies a first convergence condition and whether the second current error satisfies a second convergence condition; and

[0089] determining, in response to the first current error satisfying the first convergence condition and the second current error satisfying the second convergence condition, the current training error satisfies the convergence condition. Accordingly, if the first current error fails to satisfy the first convergence condition, or if the second current error fails to satisfy the second convergence condition, or if neither the first current error nor the second current error satisfies the corresponding convergence connection, the current training error fails to satisfy the convergence condition.

[0090] In a training process, the inputting the test data set into the regression model may include inputting the actual head value hi of the water pump and the revolving speed fi of the water pump into Formula II to obtain an estimated flow rate value of the branch pipe, and then inputting the estimated flow rate value of the branch pipe and the revolving speed fi of the water pump into Formula III, to obtain an estimated head value of the water pump after computation. Then, the actual head value hi of the water pump may be compared with  the estimated head value the water pump, to obtain the first current error.

[0091] Further, the inputting the test data set into the regression model may further include inputting the actual flow rate value QΣ of the main output pipe, the revolving speed fi of the water pump, and the water level l0 of the reservoir into Formula IV, to obtain an estimated pressure value of the main output pipe. Then, the actual pressure value Pout of the main output pipe may be compared with the estimated pressure value of the main output pipe, to obtain the second current error.

[0092] Formula II is as follows:

[0093] Formula III is as follows:

[0094] Formula IV is as follows:

[0095] In Formulas II, III, and IV,  and are current coefficients of the quadratic polynomial, and are also current weights of the regression model. In this way,  and are updated based on the first current error and the second current error with higher accuracy, thereby faster and more accurately obtaining a correct weight of the regression model.

[0096] In addition, in Formulas I-IV, ρ is the water density, g is the gravitational acceleration, N is a total number of pump branch pipes in the water pumping system, and i represents a serial number of a current pump branch pipe.

[0097] It should be noted that when the regression model is trained using the method for training a to-be-calibrated flow-head model provided in the present disclosure, the revolving speed of the water pump in the training data sets refers to one water pump. Therefore, the  trained calibrated flow-head model only matches one water pump, and only a flow rate of corresponding branch pipe can be obtained through one calibrated flow-head model. The to-be-calibrated flow-head models of other water pumps still need to be retrained. It is understandable that since the water pump model numbers, water pump manufacturers, and pump service time are different from one another, aging situations of the water pumps in the water pumping system are also different, so that weights of the calibrated pump flow-head models are different.

[0098] The calibrated flow-head model can be obtained using the method for training a to-be-calibrated flow-head model provided in the present disclosure. Therefore, the present disclosure further provides a method for computing a flow rate of branch pipe in a water pumping system, including:

[0099] S401: acquiring a pressure value of a main output pipe in the water pumping system and a water level of a reservoir in the water pumping system;

[0100] S402: obtaining an actual head value of a water pump based on the pressure value of the main output pipe and the water level of the reservoir; and

[0101] S403: inputting the actual head value of the water pump into the above calibrated flow-head model, to obtain a computed value of the flow rate of the branch pipe.

[0102] With this method for computing a flow rate of branch pipe, the flow rate value of the branch pipe can be accurately computed through the calibrated flow-head model simply by acquiring the pressure value of the main output pipe and the water level of the reservoir in the water pumping system without the need of installing a flow meter on the pump branch pipe, thereby solving the problem of difficulty in obtaining the flow rate of the branch pipe due to aging of a water pump. After a flow rate value of branch pipe in each pump branch pipe of the water pumping system is obtained, the water pumping system can be optimized based on the flow rate value of the branch pipe in each pump branch pipe.

[0103] The present disclosure further provides an apparatus for training a pump flow-head model. As shown in FIG. 5, the training apparatus is configured to implement the method for training a pump flow-head model. The apparatus includes:

[0104] a model generation module 501 configured to establish a regression model based on an initial pump flow-head curve;

[0105] a data acquisition module 502 configured to obtain a test data set and a query data set, wherein the test data set includes an actual head value of a water pump, an actual flow rate value of main output pipe, a revolving speed of the water pump, and a water level of a reservoir, and the query data set includes an actual head value of the water pump and an actual pressure value of the main output pipe; and

[0106] a model training module 503 configured to train the regression model based on the test data set and the query data set, to obtain a calibrated pump flow-head model.

[0107] The calibrated pump flow-head model can be obtained through the training apparatus, and can be configured to compute a flow rate of branch pipe connected to a water pump in a water pumping system.

[0108] In a possible embodiment, the model training module 503 includes an initialization unit, a task design unit and a training execution unit. The initialization unit is configured to initialize a weight of the regression model; the task design unit is configured to establish a plurality of rounds of training tasks, each round of the training tasks including at least one test data set and at least one corresponding query data set; and the training execution unit is configured to update the weight of the regression model based on a training result of a current training task, and use the updated weight of the regression model for a next round of the training tasks.

[0109] In a possible embodiment, the training execution unit is specifically configured to: determine whether the current training error satisfies a convergence condition; stop, in response to the current training error satisfies the convergence condition, the updating of the weight of the regression model, and obtain the calibrated pump flow-head model; and update, in response to the current training error failing to satisfy the convergence condition, an error space based on the current training error, and update the weight of the regression model based on the updated error space, until a training error satisfies the convergence condition; wherein the error space is a set composed of training errors of previous training tasks.

[0110] In an example, the training execution unit is configured to obtain an updated error gradient based on the updated error space; and is further configured to update the weight of the regression model based on a current weight of the regression model and the updated error gradient.

[0111] In an example, the training execution unit may be configured to obtain a test result set by computation based on the test data set, the test result set including an estimated head value of the water pump and an estimated pressure value of the main output pipe; and is further configured to obtain the current training error by computation based on the test result set and the query data set.

[0112] In an example, the training execution unit may be configured to obtain a first current error based on the estimated head value of the water pump and the actual head value of the water pump in the current training task. The training execution unit may be further configured to obtain a second current error based on the estimated pressure value of the main output pipe and the actual pressure value of the main output pipe in the current training task. The current training error includes the first current error and the second current error.

[0113] In an embodiment, the data acquisition module 502 may include a data collection unit and a preprocessing unit. The collection unit is configured to obtain a plurality of training data sets, the training data sets including the actual pressure value of the main output pipe, the actual flow rate value of the main output pipe, the water level of the reservoir, and the revolving speed of the water pump. The preprocessing unit is configured to obtain the actual head value of the water pump by computation based on the actual pressure value of the main output pipe and the water level of the reservoir. The preprocessing unit is further configured to obtain the test data set and the query data set based on the actual head value of the water pump and the training data sets.

[0114] The data collection unit may include a pressure sensor installed on a water main output pipe, a flow sensor installed on the water main output pipe, a water level monitor installed in the reservoir, and a revolving speed monitor installed on the water pump. The actual pressure value Pout of the main output pipe can be obtained through the pressure sensor, the actual flow rate value QΣ of the main output pipe can be obtained through the flow sensor,  the water level l0 of the reservoir can be obtained through the water level monitor, and the revolving speed fi of the water pump can be obtained through the revolving speed monitor.

[0115] In a fourth aspect, the present disclosure further provides an electronic device, including: at least one processor, and a memory communicatively connected to the at least one processor; wherein the memory stores instructions executable by the at least one processor, wherein the instructions are executed by the at least one processor, so that the at least one processor executes steps of the above method for training a pump flow-head model and / or the above method for computing a flow rate of branch pipe in a water pumping system.

[0116] In a fifth aspect, the present disclosure further provides a computer-readable storage medium, storing a computer program thereon, wherein the computer program, when executed by a processor, implements steps of the above method for training a pump flow-head model and / or the above method for computing a flow rate of branch pipe in a water pumping system.

[0117] In addition, corresponding description of the corresponding steps and units in the above method embodiments may be referred to for specific implementations of the steps in the program, which will not be repeated here. Those skilled in the art can clearly understand that, for convenience and simplicity of description, the description of corresponding processes in the above-mentioned method embodiments may be referred to for specific working processes of the above-described devices and modules, which will not be repeated here.

[0118] It should be noted that, depending on the implementation requirements, the components / steps described in the embodiments of the present disclosure may be split into more components / steps, or two or more components / steps or partial operations of the components / steps may be combined into novel components / steps to achieve the goal of the embodiments of the present disclosure.

[0119] The above method according to the embodiments of the present disclosure may be implemented in hardware or firmware, or be implemented as software or a computer code storable in a recording medium (such as a CD ROM, a RAM, a floppy disk, a hard disk, or a magneto-optical disk) , or be implemented as a computer code that is downloaded from a network, is originally stored in a remote recording medium or a non-transitory machine- readable medium, and will be stored in a local recording medium, such that the method described herein may be processed by such software stored on a recording medium using a general-purpose computer, a special-purpose processor, or programmable or dedicated hardware (such as an ASIC or FPGA) . It is understandable that a computer, a processor, a microprocessor controller, or programmable hardware includes a storage component (e.g., a RAM, a ROM, or a flash memory) that can store or receive software or a computer code. The method described herein is implemented when the software or the computer code is accessed and executed by the computer, the processor, or the hardware. Further, when a general-purpose computer accesses the code for implementing the method shown herein, the execution of the code converts the general-purpose computer to a special-purpose computer configured to execute the method shown herein.

[0120] As will be appreciated by those of ordinary skills in the art, the various example units and method steps described in combination with the embodiments disclosed herein can be implemented by electronic hardware, or a combination of computer software and electronic hardware. Whether these functions are executed by hardware or software depends on particular applications and design constraints of the technical solutions. Those skilled in the art may implement the described functions for each particular application using different methods, but such implementation should not be considered as falling beyond the scope of the embodiments of the present disclosure.

[0121] The above embodiments are only used to illustrate the embodiments of the present disclosure, and are not intended to limit the embodiments of the present disclosure. Those of ordinary skills in the relevant technical field may further make various alterations and modifications without departing from the spirit and scope of the embodiments of the present disclosure. Therefore, all equivalent technical solutions are also encompassed within the scope of the embodiments of the present disclosure, and the scope of patent protection of the embodiments of the present disclosure should be defined by the appended claims.

Claims

1.A method for training a pump flow-head model, applied to a water pumping system, wherein the water pumping system comprises a reservoir, a water main output pipe, a plurality of water pumps, and a plurality of pump branch pipes, each of the water pumps pumps water from the reservoir, an outlet of the each water pump is connected to one of the pump branch pipes, each of the pump branch pipes is connected to an inlet of the water main output pipe, and an outlet of the water main output pipe is configured to connect to a water distribution network, the training method comprising:establishing a regression model based on an initial pump flow-head curve (S100) ;obtaining a test data set and a query data set, wherein the test data set comprises an actual head value hi of the water pump, an actual flow rate value QΣ of the main output pipe, a revolving speed fi of the water pump, and a water level l0 of the reservoir, and the query data set comprises an actual head value hi of the water pump and an actual pressure value Pout of the main output pipe (S200) ; andtraining the regression model based on the test data set and the query data set, to obtain a calibrated pump flow-head model (S300) .2.The method for training a pump flow-head model according to claim 1, wherein the training the regression model based on the test data set and the query data set, to obtain the calibrated pump flow-head model comprises:initializing a weight of the regression model (S301) ;establishing a plurality of rounds of training tasks, each round of the training tasks comprising at least one test data set and at least one corresponding query data set (S302) ; andupdating the weight of the regression model based on a training result of a current training task, and using the updated weight of the regression model for a next round of the training tasks (S303) .3.The method for training a pump flow-head model according to claim 2, wherein the updating the weight of the regression model based on the training result of the current training  task (S303) comprises:inputting the test data set and the query data set of the current training task into the regression model, to output a current training error (S3031) ;determining whether the current training error satisfies a convergence condition (S3032) ,stopping, in response to the current training error satisfies the convergence condition, the updating of the weight of the regression model, and obtaining the calibrated pump flow-head model (S3033) ; andupdating, in response to the current training error failing to satisfy the convergence condition, an error space based on the current training error, and updating the weight of the regression model based on the updated error space, until a training error satisfies the convergence condition (S3034) ;wherein the error space is a set composed of training errors of previous training tasks.4.The method for training a pump flow-head model according to claim 3, wherein the updating the weight of the regression model based on the updated error space comprises:obtaining an updated error gradient based on the updated error space; andupdating the weight of the regression model based on a current weight of the regression model and the updated error gradient.5.The method for training a pump flow-head model according to claim 3, wherein the inputting the test data set and the query data set of the current training task into the regression model, to output the current training error comprises:obtaining a test result set by computation based on the test data set, the test result set comprising an estimated head value of the water pump and an estimated pressure value of the main output pipe; andobtaining the current training error by computation based on the test result set and the query data set.6.The method for training a pump flow-head model according to claim 5, wherein the  obtaining the current training error based on the test result set and the query data set comprises:obtaining a first current error based on the estimated head value of the water pump and the actual head value of the water pump in the current training task; andobtaining a second current error based on the estimated pressure value of the main output pipe and the actual pressure value of the main output pipe in the current training task;wherein the current training error comprises the first current error and the second current error.7.The method for training a pump flow-head model according to claim 1, wherein the obtaining the test data set and the query data set comprises:obtaining a plurality of training data sets, the training data sets comprising the actual pressure value of the main output pipe, the actual flow rate value of the main output pipe, the water level of the reservoir, and the revolving speed of the water pump;obtaining the actual head value of the water pump by computation based on the actual pressure value of the main output pipe and the water level of the reservoir; andobtaining the test data set and the query data set based on the actual head value of the water pump and the training data sets.8.A method for computing a flow rate of a pump branch pipe in a water pumping system, comprising:acquiring a pressure value of a main output pipe in the water pumping system and a water level of a reservoir in the water pumping system (S401) ;obtaining an actual head value of the branch pipe based on the pressure value of the main output pipe and the water level of the reservoir (S402) ; andinputting the actual head value of the branch pipe into the calibrated flow-head model according to any one of claims 1-7, to obtain a computed value of the flow rate of the branch pipe (S403) .9.An apparatus for training a pump flow-head model, wherein the apparatus is configured  to obtain the calibrated pump flow-head model according to any one of claims 1-7 by training, the apparatus comprising:a model generation module (501) configured to establish a regression model based on an initial pump flow-head curve;a data acquisition module (502) configured to obtain a test data set and a query data set, wherein the test data set comprises an actual head value of a water pump, an actual flow rate value of main output pipe, a revolving speed of the water pump, and a water level of a reservoir, and the query data set comprises an actual head value of the water pump and an actual pressure value of the main output pipe; anda model training module (503) configured to train the regression model based on the test data set and the query data set, to obtain a calibrated pump flow-head model.10.An electronic device, comprising: at least one processor, and a memory communicatively connected to the at least one processor; whereinthe memory stores instructions executable by the at least one processor, and the instructions are executed by the at least one processor, so that the at least one processor executes steps of the method for training a pump flow-head model according to any one of claims 1-7 and / or the method for computing a flow rate of branch pipe in a water pumping system according to claim 8.11.A computer-readable storage medium, storing a computer program thereon, wherein the computer program, when executed by a processor, implements steps of the method for training a pump flow-head model according to any one of claims 1-7 and / or the method for computing a flow rate of branch pipe in a water pumping system according to claim 8.

Images