基于物聯(lián)網(wǎng)的農(nóng)村水資源管理與配水系統(tǒng)構建及應用

程 勇 ,鄭 瑋

(1.塔里木河流域管理局,新疆 庫爾勒 841000;2.新疆水利水電勘測設計研究有限責任公司,烏魯木齊 830000)

1 概 述

在水資源保護的整個過程中,水資源的供應、分配和處理是一個多層次的、動態(tài)的水資源市場。農(nóng)村水資源管理是規(guī)劃、改善和維持所有用水的水資源機制,包括機構、公用事業(yè)、激勵措施和水質信息系統(tǒng)[1]。農(nóng)村水資源管理可以使有效灌溉得到發(fā)展,以改善農(nóng)業(yè),提高農(nóng)村家庭用水效率,減少水資源浪費[2]。

物聯(lián)網(wǎng)理念提供了通過傳感器技術在多個工作環(huán)境中互連物品的思路。它允許人們使用持續(xù)的通信技術,訪問、控制和處理社區(qū)中各種信息系統(tǒng)下運行對象的活動和數(shù)據(jù)[3]。配水系統(tǒng)監(jiān)測來自無線傳感器節(jié)點網(wǎng)絡的數(shù)據(jù),持續(xù)監(jiān)測水力、聲學和水質參數(shù)。水保護物聯(lián)網(wǎng)旨在通過開發(fā)可持續(xù)資源利用的新專業(yè)知識和新方法來提供集成和監(jiān)測[4]。農(nóng)村用水和雨水的物聯(lián)網(wǎng)技術以及管理水污染物技術對人類和環(huán)境有著重要的影響。將物聯(lián)網(wǎng)技術與用于廢物和雨水控制、水質測量、處理和跨網(wǎng)絡生態(tài)系統(tǒng)環(huán)境管理的傳感器一起應用,可對水資源管理起到積極作用[5]。

本文基于物聯(lián)網(wǎng)的水資源管理和分配監(jiān)測系統(tǒng)提供一種新的方案,以適應供水、分配和物聯(lián)網(wǎng)質量控制要求。該系統(tǒng)由水流傳感器、pH傳感器和水壓閥等傳感器組成。本研究以需求預測為基礎,以歷史用水數(shù)據(jù)為依據(jù),由當?shù)刈冸娬矩撠煿┧?。因?關于供水建筑的預測客戶用水需求的建議方法是基于用水的歷史證據(jù)。通過仿真結果,提出分析農(nóng)村季節(jié)水分分解和預測農(nóng)村需水量的方法。

2 基于物聯(lián)網(wǎng)的水資源管理與分配監(jiān)測系統(tǒng)

水資源管理包括監(jiān)測、建模、勘探、評估、設計干預措施和政策、績效監(jiān)測、維護等。傳感器和物聯(lián)網(wǎng)等監(jiān)測技術可以實現(xiàn)水質監(jiān)測,即智能水質監(jiān)測。內部監(jiān)控系統(tǒng)可以實時進行,以控制飲用水供應過程。飲用水系統(tǒng)需要實時監(jiān)測,以確保水質標準,防止意外事件發(fā)生,如水處理過程的故障和原水的污染。水質系統(tǒng)在線監(jiān)測的最終目的是實時收集、分發(fā)和分析評估數(shù)據(jù)。水質評價采用物理、化學和生物方法,常用的參數(shù)包括pH值、電導率、溶解氧、濁度、熱、總有機含量、總懸浮固體以及氮、磷等營養(yǎng)物質的水毒性量。傳感器通常感知環(huán)境觸發(fā)因素,將其處理后轉換為用于數(shù)據(jù)平臺的信號。

分配監(jiān)測系統(tǒng)(DMS)描述了從源頭到共同使用點的供水服務。該系統(tǒng)由多種傳感器組成,如水流傳感器、pH傳感器、水壓閥和流量計、超聲波傳感器。首先預測客戶的用水需求,為智能農(nóng)村地區(qū)開發(fā)物聯(lián)網(wǎng)供水架構。采用季節(jié)性自回歸綜合移動平均(SARIMA)時間序列模型和回歸分析,每天進行3個月的需水量預測。它采用水力工程結構,以最小的損失進行適當?shù)墓┧?有助于開發(fā)智能配水系統(tǒng)。在此基礎上,建立水力分配系統(tǒng),以滿足用水需求。采用帶有基于網(wǎng)絡水流傳感器值的水控制閥進行調節(jié),以確保公平和足夠的水輸送至每個連接點。

SARIMA算法的最終目標是對基于全局時間模式的季節(jié)方法的數(shù)據(jù)進行數(shù)學分析,即時間序列分析。這是為了評估數(shù)據(jù)模式、季節(jié)性和移動平均,并分析算法輸出的依賴性誤差。然后對數(shù)據(jù)進行轉換,使數(shù)據(jù)序列穩(wěn)定化并穩(wěn)定方差。模型選擇的是連續(xù)階段方法,利用自相關函數(shù)(PACF和ACF)形成最佳模型函數(shù)。在所有可行的模型中測試參數(shù),選擇最適合模型。

在時間序列分析中,數(shù)據(jù)通常根據(jù)誤差、趨勢周期和季節(jié)模式進行定義,公式如下:

Wn=E(Tn,Fn,Sn)

(1)

式中:Wn為數(shù)據(jù)分解;E為函數(shù)趨勢周期;Tn為時間序列;Fn為誤差函數(shù);Sn為季節(jié)分量。

通過計算所有組分的總和,可以得出分解的加法形式,公式如下:

Wn=Tn+Fn+Sn

(2)

式(2)為已經(jīng)計算了總分解模型的加法。當季節(jié)性函數(shù)保持穩(wěn)定的趨勢,即功能成分沒有突然減少或增加時,這種分解是有效的。這里的取水量是一個季節(jié)性函數(shù),取決于季節(jié)性消耗率不同的消耗量。因此,自然的分解如下:

Wn=Tn·Fn·Sn

(3)

由式(3)可得季節(jié)分解消耗量的乘積。這就成為一個加法模型,取序列的對數(shù),通過式(4)中的乘積得到相加比:

logWn=logTn·logFn·logSn

(4)

式(4)考慮了整體數(shù)據(jù)分解的對數(shù)。通過減少自發(fā)波動來平滑數(shù)據(jù),以達到模式循環(huán)。最簡單的方法是平滑系列的移動平均數(shù)(MA),MA的表達式如下:

定義MA的第一階,其中L、i、s為整數(shù);s為時間序列;N為奇數(shù);i為觀測值,可以用來測量奇數(shù)的觀測值。

測量6個月觀測值的MA見式(6):

由式(6)可計算得到觀測7天數(shù)據(jù)的分解。其中,W1-W7為7天觀測數(shù)據(jù)的數(shù)據(jù)分解;S2.5為第二天的觀察;S3.5為第三天的觀察。平均7天的數(shù)據(jù)收集是用于評估接下來7天的模式及其在分解過程中的使用情況。

3個月的每日需水量預測見式(7):

(7)

殘差或預測誤差的預測模型見式(8):

Wn=Fn+D

(8)

式中:D為預測模型。

在實踐中,迪基-富勒檢驗通常用于檢驗時間序列是否存在單位根。第一步是式(9)中的回歸模型:

Wn=θWn-1+a1Wn-1+a2Wn-2+...+aqWn-q

(9)

式中:θ為4.59,表示W(wǎng)n平穩(wěn)。

因此,Wn被稱為Wn-Wn-1微分序列。該模型使用SARIMA進行預測,公式如下:

SARIMA=(q,c,p)(Q,C,P)T

(10)

式中:T為0;Q為自回歸階數(shù)(AR);C為J個差分數(shù)據(jù)的調用度;P為移動平均模型(MA)。

ARIMA(1,1,1)(1,1,1)模型表示如下:

(1-θ1A)(1-θ1A12)(1-A)(1-A12)Wn=(1-φ1A)(1-φ1A12)Fn

(11)

由式(11)推導出SARIMA一般模型。A為延遲因子;θ1為自回歸的;φ1為移動平均線。該項目旨在定期預測未來3個月的用水量。

線性回歸是一種數(shù)學模型,用于推導兩個變量的相互作用,并確定一個變量對另一個變量的影響。這里的用水量是受當年的日期/月份變化影響的一個變量?；貧w公式是變量X、Y之間的關聯(lián)。關聯(lián)的算法用直線表示如下:

X=B+AY

(12)

式(12)為需水量預測。B為截距;A為圖形X的斜率。如果這條線是一條與變量X、Y相交的直線,并且得到的直線相當平滑,則路徑很小,因此得到的直線小于直線的行程。斜率的計算公式為:

由式(13)可求出直線的斜率。假設Y軸是一個單獨的向量,稱為日期,假設需水量預測模型的使用率為X。在這個數(shù)據(jù)集中,沒有假設X是Y的乘積。為了評估回歸軸,使用以下方法:

式(15)為需求預測模型的誤差函數(shù)。將正、負誤差抵消,誤差為∑Fj=0,以確定哪一點更符合需求預測曲線。在誤差估計中,使用以下代數(shù)表達式來評估預測模型的有效性。公式如下:

Fn=Rn-En

(16)

式中:Rn為當前狀態(tài);Fn為市場預測;En為預測模型的有效性。

流量傳感器通過互聯(lián)網(wǎng)控制器將數(shù)據(jù)傳輸至云端。數(shù)據(jù)可以實時跟蹤,并且可以開啟或關閉壓力下的水流控制閥。流速可通過水流傳感器計算。水流壓力由以下因素決定:

式中:P為水流壓力;當Q為輸出側時,ρ為長度;水密度為1(常數(shù));B為管道的支撐面積(常數(shù))。

本文提出了DMS分析水質,以確保農(nóng)村地區(qū)的水分配,實現(xiàn)更低的平均絕對百分比誤差(MAPE)和均方根誤差(RMSE),提高效率,增強預測能力,提高整體性能以及水的成本效益比。

3 結果和討論

DMS是基于MAPE和RMSE、效率、預測、綜合性能、成本效益比等參數(shù)對農(nóng)村水質進行評價,以保證農(nóng)村地區(qū)的水分配。

3.1 MAPE和RMSE

通過MAPE和RMSE的值,比較了DMS與現(xiàn)有模型(FFNN模型、RRV模型、LSTM模型和DPSIR模型)計算的估計精度,各模型的MAPE值見圖1?？梢钥闯?設備數(shù)量為10時,DMS的MAPE值達到最大,大于其他幾個模型的MAPE值;隨著設備數(shù)量的增加,DMS的MAPE值逐漸減小。在設備數(shù)量為50時,DMS的MAPE值小于其他幾個模型的MAPE值。

圖1 DMS與其他幾種模型的MAPE值

DMS與其他幾種模型的RMSE值見圖2?？梢钥闯?隨著設備數(shù)量的增加,DMS的RMSE值逐漸減小。當設備數(shù)量為10時,DMS的RMSE值最大,但此時DMS的RMSE值仍小于其他現(xiàn)有模型。根據(jù)比對MAPE和RMSE的值可知,DMS的模型優(yōu)于其他模型。

圖2 DMS與其他幾種模型的RMSE值

3.2 效率比和可靠性比

研究發(fā)現(xiàn),無法提供足夠的設施導致供水管理不善,是農(nóng)村地區(qū)缺水的最重要原因之一。水供應鏈管理中的物聯(lián)網(wǎng),將有助于解決供水管理不善的問題。通過連接傳感器,實時收集周圍環(huán)境的信息并進行通信,開發(fā)了基于物聯(lián)網(wǎng)的水質監(jiān)測系統(tǒng),使用不同的傳感器測量水參數(shù)。圖3和圖4顯示了效率比和可靠性比?？梢钥闯?隨著設備數(shù)量的增加,DMS的效率比和可靠性比均增加,并且DMS的效率比和可靠性比始終高于其他幾種模型。仿真結果驗證了該設計在較低的計算費用和較短的時間內,改善了設備性能。

圖3 DMS與其他幾種模型的效率比

圖4 DMS與其他幾種模型的可靠性比

3.3 綜合性能比

泵速和頻率記錄通過GSM自動傳遞給項目操作員。當?shù)捅盟突蛟谝欢螘r間內沒有泵送記錄時,記錄非功能性。數(shù)據(jù)通過網(wǎng)絡接口分發(fā)給服務提供商、市政當局和監(jiān)管機構。用水用戶可以用手機從附近的水亭購買,收集數(shù)據(jù)。數(shù)據(jù)可以使用SIM卡通過無線或GSM傳輸,并在硬件和云計算之間傳播。然后將數(shù)據(jù)整合到在線檔案和研究儀表板中。圖5顯示了DMS和其他幾種模型的綜合性能比?？梢钥闯?與其他模型相比,DMS在改善農(nóng)村水資源分配方面具有更強的綜合性能。

圖5 DMS與其他幾種模型的綜合性能比

3.4 預測比率

本文提出一種用于控制小區(qū)用水的智能物聯(lián)網(wǎng)設備。結合超聲波傳感器持續(xù)跟蹤水箱的水位,并通過Wi-Fi將數(shù)據(jù)發(fā)送到服務器。每天和每周的家庭平均用水需求,可以使用物聯(lián)網(wǎng)方法的數(shù)據(jù)來估計用水量。對每個客戶的用水量進行估計,誤差報告為實際使用量與預測使用量之間的差異,并隨著天數(shù)的增加而減少。本文還提出一種跟蹤水箱漏水的算法。網(wǎng)絡界面使用戶可以查看用水情況,監(jiān)控用水情況,并識別任何水的損失和泄漏。DMS和其他幾種模型的預測比率見圖6?？梢钥闯?DMS的預測比率明顯優(yōu)于其他幾種模型。

圖6 DMS與其他幾種模型的預測比率

3.5 成本效益比

對于環(huán)境應用,傳感器網(wǎng)絡的新進展很重要。物聯(lián)網(wǎng)需要在不同設備之間共享和收集連接,農(nóng)村人口需要確保獲得凈化飲用水。水質維護是一種具有成本效益的系統(tǒng),旨在使用物聯(lián)網(wǎng)技術跟蹤飲用水質量。該裝置包含多個傳感器,用于計算不同的參數(shù),如pH值、水濁度、水箱水溫、環(huán)境溫度和濕度。DMS和其他幾種模型的成本效益比見圖7?？梢钥闯?DMS的成本效益比明顯優(yōu)于其他幾種模型。

圖7 DMS與其他幾種模型的成本效益比

4 結 語

本文對基于物聯(lián)網(wǎng)的農(nóng)村水資源管理與配水系統(tǒng)進行了分析和評價,采用SARIMA時間序列模型和回歸分析進行了用水需求預測,并仿真模擬了該模型在實時環(huán)境中的適用性。結論如下:

1)系統(tǒng)由水流傳感器、pH傳感器、水壓閥和流量計以及超聲波傳感器組成,供水系統(tǒng)解決了村里對生活用水的需求,并最大限度地減少水資源的浪費。

2)隨著設備數(shù)量的增加,DMS的MAPE值和RMSE值逐漸減小。設備數(shù)量為100時,MAPE值和RMSE值僅為20.96%和14.68%,遠小于其他現(xiàn)有模型,表明DMS擁有更高的精確度。

3)與其他現(xiàn)有模型相比,DMS能夠提高效率(96.52%),增加可靠性(94.62%),增強預測(95.29%),提高綜合性能(96.68%)和增加成本效益比(96.23%)。