一种办公建筑供水网络的运行管理方法、设备及介质

摘要

本说明书实施例公开了一种办公建筑供水网络的运行管理方法、设备及介质，涉及供水网络管理技术领域，方法包括：获取办公建筑供水网络对应的实际供水系统的实时运行数据；根据实际供水系统的实时运行数据和预置的平行系统，确定实际供水系统的运行状态，其中，平行系统包括实际供水系统对应的人工模型；当实际供水系统的运行状态为异常运行状态时，通过实际供水系统的实时运行数据，使用预置的云模型库中的指定模型，对实际供水系统进行故障识别，生成实际供水系统的故障参数，其中，预置的云模型库中包括多个人工智能模型，故障参数包括故障类型、故障位置信息和故障运行数据，根据实际供水系统的故障参数，对实际供水系统进行管理。

说明书

技术领域

本说明书涉及供水网络管理技术领域，尤其涉及一种办公建筑供水网络的运行管理方法、设备及介质。

背景技术

随着办公建筑供水网络的日益庞大，整个管网维护难度也越来越大。供水管道采用埋地敷设的方式，掩埋底下的管网长期受到腐蚀和其他后天人工作业影响，极易受到腐蚀和破坏；此外，由于办公建筑供水网络与办公建筑内的生活密切相关，一旦供水网络发生故障将会对办公建筑内所属不同公司的职工造成不便。

一般来说，办公建筑通常为高层建筑，供水网络中一旦发生管道故障，通过人工进行摸查，不仅费时费力，而且缺乏相应的针对性，容易产生水资源浪费的问题。在故障发生后，由于故障位置等故障参数的未知性，通常采用关闭阀门的方式对供水网络进行管理，一旦关闭阀门，将在办公时间内对办公建筑内的用户造成不便。因此，现有技术中的供水网络管理方式，由于无法及时得到故障参数，导致无法对供水管网的运行进行有效管理。

发明内容

本说明书一个或多个实施例提供了一种办公建筑供水网络的运行管理方法、设备及介质，用于解决如下技术问题：现有技术中的供水网络管理方式，由于无法及时得到故障参数，导致无法对供水管网的运行进行有效管理。

本说明书一个或多个实施例采用下述技术方案：

本说明书一个或多个实施例提供一种办公建筑供水网络的运行管理方法，所述方法包括：获取办公建筑供水网络对应的实际供水系统的实时运行数据；根据所述实际供水系统的实时运行数据和预置的平行系统，确定所述实际供水系统的运行状态，其中，所述运行状态包括正常运行状态和异常运行状态，所述平行系统包括所述实际供水系统对应的人工模型；当所述实际供水系统的运行状态为异常运行状态时，通过所述实际供水系统的实时运行数据，使用预置的云模型库中的指定模型，对所述实际供水系统进行故障识别，生成所述实际供水系统的故障参数，其中，所述预置的云模型库中包括多个人工智能模型，所述故障参数包括故障类型、故障位置信息和故障运行数据；根据所述实际供水系统的故障参数，对所述实际供水系统进行管理。

进一步地，根据所述实际供水系统的实时运行数据和预置的平行系统，确定所述实际供水系统的运行状态之前，所述方法还包括：获取所述实际供水系统的管网数据，其中，所述管网数据包括管网空间分布参数；根据所述实际供水系统的管网空间分布参数，构建所述实际供水系统的平行系统。

进一步地，通过所述实际供水系统的实时运行数据，使用预置的云模型库中的指定模型，对所述实际供水系统进行故障识别之前，所述方法还包括：获取所述实际供水系统的历史运行数据以及所述实际供水系统的运行状态；构建多种故障识别模型；使用所述实际供水系统的历史运行数据以及所述实际供水系统的运行状态，对每种故障识别模型进行模型训练，将训练后的每种故障识别模型存放至故障识别模型集合中；构建多种参数预测模型；将所述实际供水系统的历史运行数据按照时间顺序进行排序，得到预测数据集；通过所述预测数据集中的历史运行数据，对每种参数预测模型进行训练，将训练后的参数预测模型存放至参数预测模型集合中；根据所述故障识别模型集合和所述参数预测模型集合，生成云模型库。

进一步地，通过所述实际供水系统的实时运行数据，使用预置的云模型库中的指定模型，对所述实际供水系统进行故障识别，生成所述实际供水系统的故障参数，具体包括：获取所述实际供水系统的实时运行数据的数据类型；在所述云模型库中确定出故障识别模型集合；根据所述实时运行数据的数据类型，在所述故障识别模型集合中确定出指定故障识别模型；将所述实时运行数据，输入至所述指定故障识别模型中，得到所述实际供水系统的故障类型、故障参数和故障运行数据，其中，所述故障类型包括管道渗漏、管道堵塞以及管网零件故障。

进一步地，根据所述实际供水系统的实时运行数据和预置的平行系统，确定所述实际供水系统的运行状态之后，所述方法还包括：当所述实际供水系统的运行状态为正常状态时，获取所述实际供水系统的实时运行数据的运行时刻；获取所述实际供水系统的历史运行数据，以及所述历史运行数据对应的历史运行时刻；根据所述实时运行数据的运行时刻和所述历史运行数据对应的历史运行时刻，确定出指定时间段内的运行数据集；基于所述指定时间段内的运行数据集和所述云模型库中的指定参数预测模型，得到所述实际供水系统的预测运行数据。

进一步地，根据实际供水系统的故障参数，对实际供水系统进行管理，具体包括：通过历史运行数据和历史运行状态，得到指定运行状态下对应的理论运行数据；计算所述故障参数中的故障运行数据和所述理论运行数据的运行数据差值；根据所述故障参数中的故障位置信息，通过预先设置的管道节点分布图，在所述办公建筑供水网络中确定出故障节点；根据所述故障节点在所述管道节点分布图中的位置信息，确定所述故障节点的权重参数；当所述故障节点的权重参数大于预设权重阈值，且所述运行数据差值大于预设运行数据差值阈值时，调整所述实际供水系统的供水策略。

进一步地，根据所述故障节点在所述管道节点分布图中的位置信息，确定所述故障节点的权重参数，具体包括：获取所述实际供水系统的管网空间分布参数，其中，所述管网空间分布参数包括管网的空间架构；根据所述管网空间分布参数中管网的空间架构和每个管道节点的位置信息，确定各个管道节点之间的连通关系；基于所述各个管道节点之间的连通关系，确定所述各个管道节点的重要度；根据所述各个管道节点的重要度，确定所述故障节点的权重参数。

进一步地，根据所述实际供水系统的实时运行数据和预置的平行系统，确定所述实际供水系统的运行状态之后，所述方法还包括：基于所述实际供水系统的实时运行数据和所述实际供水系统的运行状态，对所述预置的平行系统中的人工模型进行二次训练，以实现所述平行系统中的人工模型的滚动优化。

本说明书一个或多个实施例提供一种办公建筑供水网络的运行管理设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：获取办公建筑供水网络对应的实际供水系统的实时运行数据；根据所述实际供水系统的实时运行数据和预置的平行系统，确定所述实际供水系统的运行状态，其中，所述运行状态包括正常运行状态和异常运行状态，所述平行系统包括所述实际供水系统对应的人工模型；当所述实际供水系统的运行状态为异常运行状态时，通过所述实际供水系统的实时运行数据，使用预置的云模型库中的指定模型，对所述实际供水系统进行故障识别，生成所述实际供水系统的故障参数，其中，所述预置的云模型库中包括多个人工智能模型，所述故障参数包括故障类型、故障位置信息和故障运行数据；根据所述实际供水系统的故障参数，对所述实际供水系统进行管理。

本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：获取办公建筑供水网络对应的实际供水系统的实时运行数据；根据所述实际供水系统的实时运行数据和预置的平行系统，确定所述实际供水系统的运行状态，其中，所述运行状态包括正常运行状态和异常运行状态，所述平行系统包括所述实际供水系统对应的人工模型；当所述实际供水系统的运行状态为异常运行状态时，通过所述实际供水系统的实时运行数据，使用预置的云模型库中的指定模型，对所述实际供水系统进行故障识别，生成所述实际供水系统的故障参数，其中，所述预置的云模型库中包括多个人工智能模型，所述故障参数包括故障类型、故障位置信息和故障运行数据；根据所述实际供水系统的故障参数，对所述实际供水系统进行管理。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过上述技术方案，通过构建办公建筑供水网络对应的平行系统，使用实时运行数据对实际供水系统的运行状态的模拟，得到运行状态；通过实际系统与人工系统的相互连接，以虚实互动的方式，完成对未来的状况的借鉴和预测，人工引导实际，实际逼近人工，实现了对办公建筑供水网络的故障识别和参数预测，保证了及时发现供水网络的故障，根据故障参数可以对故障位置进行精准定位，并确定对应的维护方式，极大地减轻了人工查验的工作量，也提高了故障识别和参数预测的准确性。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本说明书实施例提供的一种办公建筑供水网络的运行管理方法的流程示意图；

图2为本说明书实施例提供的另一种办公建筑供水网络的运行管理方法的流程示意图；

图3为本说明书实施例提供的一种办公建筑供水网络的运行管理设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

随着办公建筑用水网络的日益庞大，整个管网维护难度也越来越大，例如：大量的供水管道采用了埋地敷设，掩埋底下的管网长期受到腐蚀和其他后天人工作业影响，极易受到腐蚀和破坏，而管道发生腐蚀渗漏或破损时，只依靠人工摸查不仅费时费力，而且缺乏相应的针对性。此外，对于管网长期运行所存在的潜在隐患也无法做到有效的评估，管网的维护也没有一定的预见性。由此可见，对于整个供水管网进行实时监测是非常有必要的。

此外，供水系统的运行管理存在一定的缺陷与不足：首先，无法预警供水网络未来发生的故障，造成资源的浪费；其次，供水系统无法根据不同功能分区进行合理控制。因此，需要建立一套更加科学合理的供水系统的运行管理方法，来更好的去监测整个供水系统平稳运行。

本说明书实施例提供一种办公建筑供水网络的运行管理方法，需要说明的是，本说明书实施例中的执行主体可以是服务器，也可以是任意一种具备数据处理能力的设备。图1为本说明书实施例提供的一种办公建筑供水网络的运行管理方法的流程示意图，如图1所示，主要包括如下步骤：

步骤S101，获取办公建筑供水网络对应的实际供水系统的实时运行数据。

在本说明书的一个实施例中，办公建筑供水网络对应实际供水系统，通过在办公建筑供水网络的关键位置处设置的数据采集组件，获取实际供水系统的实时运行数据，其中，实际供水系统的实时运行数据包括官网内各管道的管道壁压强、各管道内的温度、各管道内的水流流量以及各管道内的水流流速。需要说明的是，数据采集组件可以是多种传感器，通过不同的传感器采集对应的运行数据，可以在办公建筑供水网络中各个管道内设置多种传感器，也可以采用间隔设置的方式，例如，管道A和管道B相连，管道B和管道C相连，可以在管道B处设置数据采集组件，使用管道B处的采集数据作为三个管道的运行数据。

步骤S102，根据实际供水系统的实时运行数据和预置的平行系统，确定实际供水系统的运行状态。

需要说明的是，运行状态包括正常运行状态和异常运行状态，平行系统包括实际供水系统对应的人工模型。

根据该实际供水系统的实时运行数据和预置的平行系统，确定该实际供水系统的运行状态之前，方法还包括：获取该实际供水系统的管网数据，其中，该管网数据包括管网空间分布参数；根据该实际供水系统的管网空间分布参数，构建该实际供水系统的平行系统。

需要说明的是，平行系统是指由某一个自然的现实系统和对应的一个或多个虚拟或理想的人工系统所组成的共同系统，也就是说，平行系统包括实际系统和人工系统两部分。通过构造与实际系统对应的软件定义模型——人工系统，通过在线学习、离线计算、虚实互动，使得人工系统成为可试验的“社会实验室”，以计算实验的方式为实际系统运行可能的情况提供“借鉴”、“预估”和“引导”，从而为企业管理运作提供高效、可靠、适用的科学决策和指导。简单来讲，人工系统是对实际系统的软件化定义，不仅是对实际系统的数字化“仿真”，也是为实际系统运行提供可替代情况，从而实现对实际系统在线、动态、主动的控制与管理，为实际复杂系统管理运作提供高效、可靠、适用的科学决策和指导。通过实际系统与人工系统的相互连接，对二者之间的行为进行实时的动态对比与分析，以虚实互动的方式，完成对各自未来的状况的“借鉴”和“预估”，人工引导实际，实际逼近人工，达到有效解决方案的以及学习和培训的目的。

在本说明书的一个实施例中，获取实际供水系统的管网数据，管网数据包括管网空间分布参数，其中，管网空间分布参数可以包括空间架构、管道长度、架设高度、管道敷设方式、管道半径、管道间连接方式、零部件个数及连接方式。基于实际供水系统的管网数据中的管网空间分布参数，构建平行系统中实际供水系统对应的人工系统，需要说明的是，此处的人工系统可以是供水网络对应的人工模型。

在本说明书的一个实施例中，根据实际供水系统的实时运行数据和预置的平行系统，对实际供水系统进行运行情况进行模拟，基于平行系统的模拟运行结果确定出实际供水系统的运行状态。需要说明的是，此处实际供水系统的运行情况可以在前端进行展示，以便于管理用户可以及时发现实际供水系统的运行问题。此外，还可以通过平行系统中的人工系统对相关参数进行验证，输入待验证参数，查看实际供水系统在此验证参数下的运行情况，通过上述方式，可以对各类参数进行验证，得到最优参数之后保证实际供水系统的正常稳定运行。

根据该实际供水系统的实时运行数据和预置的平行系统，确定该实际供水系统的运行状态之后，该方法还包括：基于该实际供水系统的实时运行数据和该实际供水系统的运行状态，对该预置的平行系统中的人工模型进行二次训练，以实现该平行系统中的人工模型的滚动优化。

在本说明书的一个实施例中，通过实际供水系统的实时运行数据以及实际供水系统的运行状态，对平行系统中的人工模型进行模型优化，可以将实时运行数据输入至人工模型中，对人工模型进行训练，优化模型参数，实现人工模型的滚动优化。

步骤S103，当实际供水系统的运行状态为异常运行状态时，通过实际供水系统的实时运行数据，使用预置的云模型库中的指定模型，对实际供水系统进行故障识别，生成实际供水系统的故障参数。

需要说明的是，预置的云模型库中包括多个人工智能模型，故障参数包括故障类型、故障位置信息和故障运行数据。

通过该实际供水系统的实时运行数据，使用预置的云模型库中的指定模型，对该实际供水系统进行故障识别之前，该方法还包括：获取该实际供水系统的历史运行数据以及该实际供水系统的运行状态；构建多种故障识别模型；使用该实际供水系统的历史运行数据以及该实际供水系统的运行状态，对每种故障识别模型进行模型训练，将训练后的每种故障识别模型存放至故障识别模型集合中；构建多种参数预测模型；将该实际供水系统的历史运行数据按照时间顺序进行排序，得到预测数据集；通过该预测数据集中的历史运行数据，对每种参数预测模型进行训练，将训练后的参数预测模型存放至参数预测模型集合中；根据该故障识别模型集合和该参数预测模型集合，生成云模型库。

在本说明书的一个实施例中，获取实际供水系统的历史运行数据以及该实际供水系统的运行状态。使用不同的故障识别算法构建多种故障识别模型，并使用历史运行数据以及运行状态，对每种故障识别模型进行模型训练，将训练后的每种故障识别模型存放至故障识别模型集合中，当数据传输至故障诊断模型集合中时，根据输入数据的类型选择不同的模型进行计算，得到故障参数。

此外，使用不同的预测算法构建多种参数预测模型，并将实际供水系统的历史运行数据按照时间顺序进行排序，得到预测数据集。通过预测数据集中的历史运行数据以及专家知识训练好各个参数预测模型，对每种参数预测模型进行训练，将训练后的参数预测模型存放至参数预测模型集合中，当实时数据传递至智慧云模型时，评估后并选择合适的预测模型。根据故障识别模型集合和参数预测模型集合，生成云模型库。

通过该实际供水系统的实时运行数据，使用预置的云模型库中的指定模型，对该实际供水系统进行故障识别，生成该实际供水系统的故障参数，具体包括：获取该实际供水系统的实时运行数据的数据类型；在该云模型库中确定出故障识别模型集合；根据该实时运行数据的数据类型，在该故障识别模型集合中确定出指定故障识别模型；将该实时运行数据，输入至该指定故障识别模型中，得到该实际供水系统的故障类型、故障参数和故障运行数据，其中，该故障类型包括管道渗漏、管道堵塞以及管网零件故障。

在本说明书的一个实施例中，获取实际供水系统的实时运行数据的数据类型，根据实时运行数据的数据类型，在故障识别模型集合中确定出指定故障识别模型，将实时运行数据，输入至指定故障识别模型中，得到实际供水系统的故障类型、故障参数和故障运行数据。

根据该实际供水系统的实时运行数据和预置的平行系统，确定该实际供水系统的运行状态之后，该方法还包括：当该实际供水系统的运行状态为正常状态时，获取该实际供水系统的实时运行数据的运行时刻；获取该实际供水系统的历史运行数据，以及该历史运行数据对应的历史运行时刻；根据该实时运行数据的运行时刻和该历史运行数据对应的历史运行时刻，确定出指定时间段内的运行数据集；基于该指定时间段内的运行数据集和该云模型库中的指定参数预测模型，得到该实际供水系统的预测运行数据。

在本说明书的一个实施例中，当实际供水系统的运行状态为正常状态时，可以根据实际供水系统的当前实时运行数据，对实际供水系统在未来时刻的运行数据进行预测。获取获取该实际供水系统的历史运行数据，以及历史运行数据对应的历史运行时刻，根据该实时运行数据的运行时刻和历史运行数据对应的历史运行时刻，确定出指定时间段内的运行数据集。需要说明的是，对实际供水系统的运行数据进行预测，需要基于固定时间段内的数据，通过参数预测模型，得到预设运行数据，实现对实际供水系统的隐患预测。此外，根据运行数据集中的数据类型，在参数预测模型库中确定出与数据类型匹配的指定参数预测模型。使用指定时间段内的运行数据集和指定参数预测模型，得到实际供水系统的预测运行数据。

步骤S104，根据实际供水系统的故障参数，对实际供水系统进行管理。

具体地，通过历史运行数据和历史运行状态，得到指定运行状态下对应的理论运行数据；计算该故障参数中的故障运行数据和该理论运行数据的运行数据差值；根据该故障参数中的故障位置信息，通过预先设置的管道节点分布图，在该办公建筑供水网络中确定出故障节点；根据该故障节点在该管道节点分布图中的位置信息，确定该故障节点的权重参数；当该故障节点的权重参数大于预设权重阈值，且该运行数据差值大于预设运行数据差值阈值时，调整该实际供水系统的供水策略。

在本说明书的一个实施例中，通过历史运行数据和历史运行状态，得到指定运行状态下对应的理论运行数据。一般情况下，在对应的历史状态下，结合同历史状态下的历史运行数据可以得到该历史状态对应的理论运行数据，理论运行数据可以代表对应运行状态下的运行数据的标准水平，可以通过计算对应历史状态下的同一类所有历史运行数据的平均值。计算故障参数中的故障运行数据和理论运行数据的运行数据差值。之后，根据故障参数中的故障位置信息，通过预先设置的管道节点分布图，在办公建筑供水网络中确定出故障节点。需要说明的是，管道节点分布图中包括多个管道节点，以及各个管道节点之间的管道连接关系，还可以在管道节点分布图中设置管道内的水流流向，在通过预先设置的管道节点分布图，在办公建筑供水网络中确定出故障节点之后，获取故障节点在管道节点分布图中的位置信息，根据故障节点在该管道节点分布图中的位置信息，确定该故障节点的权重参数。需要说明的是，权重参数用于表示故障节点的重要性，例如故障节点为多个管道之间必经的节点，则说明此故障节点一旦发生故障，则对影响整个供水网络的正常运行。当故障节点的权重参数大于预设权重阈值，且运行数据差值大于该运行数据差值阈值时，调整该实际供水系统的供水策略。运行数据差值阈值可以根据故障参数中的故障类型进行设置。办公建筑内的供水网络发生故障时，根据故障运行数据和理论运行数据的差值，可以判断故障对此管道内运行的影响大小，通过故障节点的权重参数，可以判断该故障节点对整个供水网络的影响。此处的调整供水策略可以是关闭对应的供水阀门。若故障对此管道内运行的影响和对整个供水网络的影响较小，为了避免办公人员的正常工作，可以继续供水，将检修时间延缓至非工作时段。若故障的对此管道内运行的影响和对整个供水网络的影响较大，则可以及时关闭供水阀门，立刻进行检修工作。

根据该故障节点在该管道节点分布图中的位置信息，确定该故障节点的权重参数，具体包括：获取该实际供水系统的管网空间分布参数，其中，该官网空间分布参数包括管网的空间架构；根据该管网空间分布参数中管网的空间架构和每个管道节点的位置信息，确定各个管道节点之间的连通关系；基于该各个管道节点之间的连通关系，确定该各个管道节点的重要度；根据该各个管道节点的重要度，确定该故障节点的权重参数。

在本说明书的一个实施例中，获取实际供水系统内管网的空间架构，需要说明的是，管网的空间架构也可以称为空间结构。根据管网空间分布参数中管网的空间架构和每个管道节点的位置信息，确定各个管道节点之间的连通关系。需要说明的是，供水网络中各管道节点沿水流流向逐个连接，由于水流的有向性，针对一条路径，上下级节点之间只具有单向关系，也就是说，上级节点可直接影响下级节点。根据各个管道节点之间的连通关系，确定该各个管道节点的重要度，管道节点的功能重要度越大，说明当此管道节点发生故障后，整个供水网络中的连通数减少的越多，也就是对整个系统的供水能力减少的越多。

下面通过示例对管道节点的重要度的计算进行说明，假设在供水网络中存在20个管道节点，在计算节点A的重要度时，首先计算20个管道节点之间的第一供水连通总数，供水连通总数可以代表整个供水网络的供水能力，之后将节点A在20个管道节点中剔除，计算除节点A之外的19个节点的第二供水连通总数，计算第一供水连通总数和第二供水连通总数的差值，并将差值与第一供水连通总数的比值作为管道节点A的重要度。

在本说明书的一个实施例中，根据各个管道节点的重要度，确定故障节点的权重参数。此处可以将重要度作为故障节点的权重参数，也可以将各个管道节点重要度按照从小到大的顺序进行排序，根据排序结果，对每个管道节点设置权重参数。

通过上述技术方案，通过构建办公建筑供水网络对应的平行系统，使用实时运行数据对实际供水系统的运行状态的模拟，得到运行状态；通过实际系统与人工系统的相互连接，以虚实互动的方式，完成对未来的状况的借鉴和预测，人工引导实际，实际逼近人工，实现了对办公建筑供水网络的故障识别和参数预测，保证了及时发现供水网络的故障，根据故障参数可以对故障位置进行精准定位，并确定对应的维护方式，极大地减轻了人工查验的工作量，也提高了故障识别和参数预测的准确性。

本说明书实施例还提供另一种办公建筑供水网络的运行管理方法，如图2所示，首先根据办公建筑供水网络主要功能，将其分为管道模块、易损零件模块以及空调模块，并根据各模块的实际功能与位置分布，建立相对应的平行子系统。之后，构建云模型库，并根据功能不同分为管网仿真库、故障诊断库和参数预测库，利用历史数据对各种算法模型进行训练，为各个平行子系统提供算力，减少各个子系统的计算压力，提高运行效率。实现平行系统与实际模型的联动，实际模型为平行系统通过实际数据，修正模型，实现模型的滚动优化。平行系统完成实际模型的仿真，为实际系统提供预测、诊断结果，发出预警信号。

平行子系统是利用采集管网的参数建立管网系统的虚拟模型，根据办公建筑的主要功能，将其分为供水管道平行子系统、易损零件平行子系统以及空调平行子系统。此三个子系统需要真实系统提供管网参数进行构建。

管网参数包括：整个管网的空间分布参数、实际管网模型的运行历史数据以及实际管网模型的运行状态，其中管网的空间分布参数包括空间架构、管道长度、架设高度、管道敷设方式、管道半径、管道间连接方式、零部件个数及连接方式，实际管网模型的运行历史数据包括管道壁压强、温度、流量、流速，实际管网模型的运行状态包括正常、零件故障、渗漏、堵塞。根据以上参数，完成管道平行子系统、易损零件平行子系统、空调平行子系统三个模型的建立。

之后，在云端构建智慧云模型库，为办公建筑用水平行系统实现仿真、预警以及控制提供强大的算力，降低本地服务器的计算压力，加快响应速度。云模型库包括管网仿真库、故障诊断库以及参数预测库。其中，管网仿真库的主要功能是根据3D管网模型来仿真实际管网的运行状况。也就是说，根据人工设定的参数获取管网未来的运行状态。故障诊断库的主要功能是根据管网状况来诊断目前管网的故障情况。在故障诊断库中存放主流的故障诊断算法，利用历史数据对故障诊断模型进行训练，当数据传输至故障诊断库时，根据输入数据的类型选择不同的模型进行计算，得到故障类型。参数预测库的主要功能是根据管网的运行状况来预测管网未来的运行情况以及某些易损零件的残余使用时间。在参数预测库中存放主流的预测算法，采用管网的历史数据以及专家知识训练好各个预测模型，当实时数据传递至智慧云模型时，评估后并选择合适的预测模型。

平行系统的各个子系统搭建完成后，实现与实际管网模型的交互，两个系统并行运行，互为反馈，主要运行如下：

首先是日常监测运行方面，管道模块、易损零件模块、空调模块在实际运行的同时，将实时数据传输给平行系统的各个子模型，平行系统模拟运行各个模块的运行状况，计算各个模块运行状况的置信度，需要说明的是，此处各个模块运行状况的置信度用于确定各个平行子系统的模型准确性，以便于及时发现出现运行故障的模型。根据各个模块运行状况的置信度，确定下一步的调整策略，云端在线评估后将其反馈给实际管网模型的操控用户。操控用户做出判断后，改变或维持实际模型的运行状况，并将信号反馈回平行系统，实现平行系统子模型的滚动优化。

其次是仿真模拟方面，以一小时为时间节点，一小时内的所有的数据上传至智慧云模型库。利用一小时的数据，调用智慧云模型库中的算法，对这一小时内的数据进行分析处理，实现各个平行子系统的故障预警，状态预测等功能。此外，系统进行承压测试时，先利用管网仿真库进行各项参数的模拟运行，保证实际模型运行的可靠性。

本说明书实施例还提供一种办公建筑供水网络的运行管理设备，如图3所示，设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：

获取办公建筑供水网络对应的实际供水系统的实时运行数据；根据该实际供水系统的实时运行数据和预置的平行系统，确定该实际供水系统的运行状态，其中，该运行状态包括正常运行状态和异常运行状态，该平行系统包括该实际供水系统对应的人工模型；当该实际供水系统的运行状态为异常运行状态时，通过该实际供水系统的实时运行数据，使用预置的云模型库中的指定模型，对该实际供水系统进行故障识别，生成该实际供水系统的故障参数，其中，该预置的云模型库中包括多个人工智能模型，该故障参数包括故障类型、故障位置信息和故障运行数据；根据该实际供水系统的故障参数，对该实际供水系统进行管理。

本说明书实施例还提供一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：

获取办公建筑供水网络对应的实际供水系统的实时运行数据；根据该实际供水系统的实时运行数据和预置的平行系统，确定该实际供水系统的运行状态，其中，该运行状态包括正常运行状态和异常运行状态，该平行系统包括该实际供水系统对应的人工模型；当该实际供水系统的运行状态为异常运行状态时，通过该实际供水系统的实时运行数据，使用预置的云模型库中的指定模型，对该实际供水系统进行故障识别，生成该实际供水系统的故障参数，其中，该预置的云模型库中包括多个人工智能模型，该故障参数包括故障类型、故障位置信息和故障运行数据；根据该实际供水系统的故障参数，对该实际供水系统进行管理。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。