一种基于深度学习的城市供水系统闸泵群优化调度方法技术方案

本发明专利技术公开了一种基于深度学习的城市供水系统闸泵群优化调度方法。本发明专利技术包括以下步骤：1.构建城市供水系统多目标闸泵群优化调度模型，模型由目标函数和约束条件构成；2.构建城市供水系统水质水量耦合仿真模型，该数值模型可通过联立求解管网连续性方程、能量方程和水头损失方程后得到；3.通过步骤二所构建的仿真模型；4.对步骤三中多种数据进行缩放、反转等处理，并按照固定时间步长进行取值；5.将步骤四处理后的数据代入超图卷积神经网络模型进行迭代训练；步骤六：采用Borg算法对步骤二所建供水系统闸泵群多目标优化调度模型进行求解，得到最佳供水系统闸泵优化调度结果。本发明专利技术显著地缩短了模型求解时间，简化计算过程。程。程。

【技术实现步骤摘要】
一种基于深度学习的城市供水系统闸泵群优化调度方法


[0001]本专利技术涉及超图卷积神经网络、应急防灾领域的计算机仿真技术，具体涉及一种基于深度学习的城市供水系统闸泵群优化调度方法。

技术介绍

[0002]城市供水系统是世界范围内的一个庞大的基础设施，从社会、工业和环境的各个方面来看，它对当代人类的生存至关重要。城市供水系统闸泵群优化调度是进行供水系统调度的基础技术手段，也是提高供水效率的重要非工程措施之一，对保障人民群众用水安全具有一定的现实意义。
[0003]目前，在进行城市供水系统闸泵群优化调度计算时，决策变量的选取会对计算结果产生很大的影响，目前决策变量的选取常常依据研究者的个人经验，有很大的主观性。且现有多目标供水系统闸泵群优化调度模型计算要迭代上千次对偏微分方程的求解，存在计算量大，耗时久的缺点。

技术实现思路

[0004]针对现有城市供水系统闸泵群优化调度模型存在的计算效率低、模型调试时间较长、决策变量选取偏离现实的问题，本专利技术提出了一种基于深度学习的城市供水系统闸泵群优化调度方法，将超图卷积神经网络与供水系统优化调度模型结合，实现闸泵群优化调度。
[0005]本专利技术的一种基于深度学习的城市供水系统闸泵群优化调度方法，该方法包括以下步骤：
[0006]步骤一、构建城市供水系统多目标闸泵群优化调度模型，优化模型的目的是确定最优的闸门和泵站操作，因此该模型的决策变量为闸门设计流量和泵站过流能力。模型由目标函数和约束条件构成。
[0007](1)目标函数
[0008]该模型以泵站运行能耗最低、供水社会效益、水质污染指数为目标函数。
[0009]①
泵运行能耗以水泵电费表示
[0010]目标函数表达式：
[0011][0012]其中：W
t
为t时刻水泵电费之和，w
t
为t时刻单位电费，N
p
为泵总数，E
jt
为t时刻水泵j的能耗率，X
jt
为t时刻水泵j的转速比。
[0013]②
供水社会效益以水量供需差表示
[0014]目标函数表达式：
[0015][0016]其中：F2(x)为社会效益值，β
j
为缺水权重系数，X
ij
为水厂需水量。
[0017]③
水质污染指数以供水系统中BOD5、NH3
‑
N、二甲基异莰醇等污染物浓度表示
[0018]目标函数表达式：
[0019][0020]其中：C
i
为供水系统水质浓度，mg/L；S
i
为该水质指标的标准值，mg/L；为该水质指标的标准值，mg/L；
[0021](2)约束条件
[0022]①
水源供水能力约束
[0023][0024]其中：为水源i的最小供水量；为水源i的最大供水量。
[0025]②
水厂时段净水能力约束：
[0026]p
j,t
，，P
j,t
ꢀꢀꢀ
(5)
[0027]其中：p
j，t
为j水厂t时刻供水量；P
j，t
为j水厂t时刻净水量。
[0028]③
泵站过流能力约束：
[0029]0≤Q
p
(t)≤Q
p，max
ꢀꢀꢀ
(6)
[0030][0031]其中：Q
p
(t)为第p个泵站t时刻抽排流量，m3/s；Q
p，max
为p个泵站最大设计流量，m3/s；D
p
(t)为泵站在t时刻入流量，m3/s；D
pb
为泵站抽排能力，m3/s；Z
p
(t
‑
1)为泵站在t时段初的前池水位，m；Z
yp
为泵站预排水位，m。
[0032]④
闸门设计流量约束：
[0033]0≤Q
n
(t)≤Q
n，max
ꢀꢀꢀ
(8)
[0034]其中：Q
n
(t)为第n个闸门在t时刻的过流量，m3/s；Q
n，max
为第n个闸门的设计流量，m3/s。
[0035]步骤二：构建城市供水系统水质水量耦合仿真模型，实现对供水系统实际水力状态的仿真模拟。该模型考虑不同闸门开度和泵站转速比、运行数量下对水质、水量供需差、泵能耗的影响，并利用供水系统实测运行数据完成构建，该数值模型可通过联立求解管网连续性方程、能量方程和水头损失方程后得到。
[0036]步骤三、通过步骤二所构建的城市供水系统水质水量耦合仿真模型，模拟多种闸门、泵站工况下的供水系统运行情况，构建水质水量预测模型，实现不同水力条件下水量、水质、泵能耗变化预测。
[0037]步骤四、对步骤三中多种基于闸门、泵站工况下的供水系统运行情况数据和各监测点水量、水质、泵运行监测数据进行缩放、反转等处理，并按照固定时间步长进行取值。
[0038]步骤五、将步骤四处理后的数据代入超图卷积神经网络模型进行迭代训练，揭示水动力条件和闸泵群调度规则变化与供水系统节点处水质、水量、泵运行能耗之间复杂的
非线性映射关系。
[0039]步骤六：采用Borg算法对步骤二所建供水系统闸泵群多目标优化调度模型进行求解，得到最佳供水系统闸泵优化调度结果。
[0040]其中步骤六所述求解过程如下：
[0041]①
将供水系统水质、泵运行能耗值、供水社会效益进行归一化处理，设定供水节点污染指数、泵运行能耗、水处理成本、水量供需差为目标函数的对应解X＝(n1，n2，
…
，n
i
，α，D
x
，ω
f
)
T
，采用ε
‑
支配法对解集进行排序，其中ε表示解集最小分辨率，影响解集求解精度和进化速度。
[0042]②
利用Borg算法生成初始种群，并建立外部解集档案Archive，用于保存当前最优的非支配解。
[0043]③
在此求解过程中，遗传算子共有六种，分别为模拟二进制交叉算子+多项式变异、差分进化算子+多项式变异、均匀变异算子、以父代为中心的交叉算子+多项式变异、峰正态交叉算子+多项式变异、单纯形交叉算子+多项式变异。每次选择一种算子进行遗传操作，算子选择规则为：通过建立反馈机制，选择可以产生更高质量子代的算子。
[0044]④
分别从档案和种群中随即均匀选取1个、k
‑
1个父代个体，随后含有k个父代个体的算子将生成一个子代个体，将此子代个体作为决策变量传入供水系统闸泵群多目标优化调度模型中。
[0045]⑤
结合步骤五中所构建的超图卷积神经网络模型，可快速计算出当前子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的城市供水系统闸泵群优化调度方法，其特征是，所述方法按照以下步骤进行：步骤一、构建城市供水系统多目标闸泵群优化调度模型，确定最优的闸门和泵站操作，该模型的决策变量为闸门设计流量和泵站过流能力；所述模型由目标函数和约束条件构成；(1)目标函数该模型以泵站运行能耗最低、供水社会效益、水质污染指数为目标函数；
①
泵运行能耗以水泵电费表示目标函数表达式：其中：W
t
为t时刻水泵电费之和，w
t
为t时刻单位电费，N
p
为泵总数，E
jt
为t时刻水泵j的能耗率，X
jt
为t时刻水泵j的转速比；
②
供水社会效益以水量供需差表示目标函数表达式：其中：F2(x)为社会效益值，β
j
为缺水权重系数，X
ij
为水厂需水量；
③
水质污染指数以供水系统中BOD5、NH3
‑
N、二甲基异莰醇等污染物浓度表示目标函数表达式：其中：C
i
为供水系统水质浓度，mg/L；S
i
为该水质指标的标准值，mg/L；为该水质指标的标准值，mg/L；(2)约束条件
①
水源供水能力约束其中：为水源i的最小供水量；为水源i的最大供水量；
②
水厂时段净水能力约束：p
j，t”P
j，t
ꢀꢀꢀꢀꢀꢀ
(5)其中：p
j,t
为j水厂t时刻供水量；P
j,t
为j水厂t时刻净水量；
③
泵站过流能力约束：0≤Q
p
(t)≤Q
p,max
ꢀꢀꢀꢀꢀꢀ
(6)
其中：Q
p
(t)为第p个泵站t时刻抽排流量，m3/s；Q
p,max
为p个泵站最大设计流量，m3/s；D
p
(t)为泵站在t时刻入流量，m3/s；D
pb
为泵站抽排能力，m3/s；Z
p
(t
‑
1)为泵站在t时段初的前池水位，m；Z
yp
为泵站预排水位，m；
④
闸门设计流量约束：0≤Q
n
(t)≤Q
n，max
ꢀꢀꢀꢀꢀ
(8)其中：Q
n
(t)为第n个闸门在...

【专利技术属性】
技术研发人员：苑希民，刘奔，何立新，田福昌，曹鲁赣，
申请(专利权)人：天津大学，
类型：发明
国别省市：