CN106354931A - 一种基于水泵特性曲线更新的泵站优化调度方法 - Google Patents

Abstract

本发明公开了一种基于水泵特性曲线更新的泵站运行优化调度方法，包括以下步骤：获取水泵事实运行的原始数据；对瞬时数据进行预处理，取得每一个阶段能代表运行工况，存入数据库；分析数据点的合理性；数据量达标后更新水泵特性曲线图；对水泵特性曲线图的特征量进行提取；基于数据分析绘制的水泵特性曲线对供水泵房泵组轴功率进行建模；量化实际情况中的各约束条件，并加入模型；通过智能算法寻优得到最节能的水泵机组运行方案。

Description

一种基于水泵特性曲线更新的泵站优化调度方法

技术领域

本发明涉及城市供水工程领域，尤其涉及一种基于水泵特性曲线更新的泵站优化调度方法。

背景技术

中国作为一个大国，其用水问题一直困扰着各个城市，并且由于近几年来，我国城市化进程的不断深入，城市的流动人口不断增加，城市的规模不断扩大，自然，企业的运作以及居民生活中的用水的需求量不停的增长。而在这巨大的用水量的背后，城市各个区域中的供水泵站需要每天不间断的运行，而在这运行过程中，水泵运行所消耗的功率占到了整个供水泵站运作所需功率的70％以上。

然后，由于技术人员长期依赖于以往的经验，对水泵的操作要求仅仅满足外部用水量是否达到，而不考虑各水泵是否经济运行，即使各供水泵站都采购变频水泵代替以往的工频水泵来达到节能减排的目标，但由于缺少合理的水泵运行调度方案使得泵站中的水泵没有充分发挥各自的功效，难以达到可观的节能减排规模。现阶段，各泵站也开始采用一些调度方案来使水厂更经济的运行，但目前泵站所依赖的调度方案都依靠水泵出厂时的特性曲线图作为优化调度的基础，并没有考虑水泵在长期的运行过程中，由于其自身的老化以及维修过程其自身运行能力的局限性导致的特性曲线的变化，使得现有的调度方案的使用没有可持续性，在长期的使用过程中，其可信程度会随着时间大大降低。

因此，本领域的技术人员致力于开发一种基于水泵特性曲线更新的优化调度方法，达到可观的节能减排规模。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是考虑水泵在长期的运行过程中，由于其自身的老化以及维修过程其自身运行能力的局限性导致的特性曲线的变化而产生的问题。

为实现上述目的，本发明提供了一种基于水泵特性曲线更新的泵站优化调度方法，包括以下步骤：

步骤1、获取水泵事实运行的原始数据；

步骤2、对瞬时数据进行预处理，取得每一个阶段能代表运行工况的数据点存入数据库；

步骤3、分析数据点的合理性；

步骤4、数据量达标后更新水泵特性曲线图；

步骤5、对水泵特性曲线图的特征量进行提取；

步骤6、基于数据分析绘制的水泵特性曲线对供水泵房泵组轴功率进行建模；

步骤7、量化实际情况中的约束条件加入模型；

步骤8、通过智能算法寻优得到最节能的水泵机组运行方案。

进一步地，步骤1中，所述原始数据包括在当前调度指令下每个水泵的运行频率以及开闭情况；水泵在近期的开闭周期以及运行时常。

进一步地，步骤2中，所述数据点是指根据历史类似调度指令下，特定型号和功率的水泵运行过程中合理的数据点。

进一步地，所述合理的数据点是指符合实际需求的，稳定的运行频率，流量输出和扬程输出。

进一步地，步骤3中，所述数据点的合理性是指对得到的数据组与该型号的水泵的出厂特性曲线图以及近期所绘制的特性曲线图进行比较，判断水泵是否在正常运行范围，若异常，需通过后续的短时间连续的采集，来判断该数据属于单点异常或者是水泵自身产生了故障。

进一步地，步骤4中，所述更新水泵特性曲线图的具体步骤为：

步骤4.1、根据总的数据量需求以及每日的数据更新量，推算水泵特性曲线的更新频率；

步骤4.2、对已采集的数据点的分布进行疏密度分析；

步骤4.3、选取较为可信的流量区间；

步骤4.4、基于采集的数据点对水泵特性曲线进行绘制。

进一步地，步骤5中，所述水泵特性曲线的特征量是水泵扬程与流量的平方之间的一次多项式以及水泵功率与流量间的二次多项式的各项因子的权重系数。

进一步地，步骤6中，所述建模是指建立所有水泵的运行轴功率求和的最小值模型。

进一步地，步骤7中，所述约束条件包括：

(1)供水泵站总管上的出水流量和调度指令中所给出的用水量相等；

(2)各运行中的水泵需要运行在其各自的高效区中；

(3)运行中的变频水泵不能低于运行频率，并且不能高于其额定功率；

(4)并联运行的水泵输出扬程必须保证相等。

进一步地，步骤8中，所述智能算法为考虑所述约束条件的改进遗传算法。

从图1中通过比较一般方法和使用基于水泵特性曲线更新后的泵站优化调度的方法得到的结果可以发现，再使用了水泵历史数据更新的水泵特性曲线作为寻优基础后，以及运用退火因子将约束考虑到模型中后，其收敛速度会更快，并且最终的结果更贴近外部所给出的调度指令的结果。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的供水水量调度优化成果对比图。

具体实施方式

如图1所示，下面结合附图具体说明本发明所述的一种基于曲线更新的泵站运行优化调度方案：

(1)从交互界面显示界面中，把由水泵机体上的流量传感器以及压力传感器的数据传入数据库，之后从中每10分钟提取一组流量和压力的数据(Q_i,H_i)。

(2)由于传感器以及数据传输过程中可能产生的误差，并且由于水泵机组在一定调度指令下一般都处于稳定工作的工况下，需要将所得的数据进行互相比较，来剔除可能出现的异常数据点。

(3)通过对数据进行合理性的判断来进一步核实水泵是否安全运行或者水泵是否处于故障状态，如果水泵的数据与它对应的特性曲线图有较大的偏差，偏出合理范围，则对该水泵进行连续的多次数据采集，从而在排出数据点异常的情况下，再次判断水泵是否正常，如果出现确实偏离正常工况的数据点，则需要通过交互界面反映给现场调度人员。

(4)由于在不一样的调度指令下，单个水泵的运行工况点的改变也会随着调度方案的不同有很大的不同，可能会出现多数工况点出现在较高负荷的运行范围内，这样会导致在绘制较低负荷运行区域部分，产生没有足够数据点导致的不可信。但考虑到水泵的运行的稳定性，再比较当前数据点与以往得到的特性曲线图的该部分没有较大差异的情况下，可以使用原有的部分来描述水泵在该部分的特性。

(5)再收集得到充分的数据点之后，需要对水泵特性进行重新的绘制，即需要通过算法寻优计算代表水泵特性的曲线的参数值，即：

$H_N=H_x-S_x{Q}_N^2$

$N_N=d_0+d_1{Q}_N+d_2{Q}_N^2$

公式中H_x,S_x,d₀,d₁,d₂是需要寻优的对象，由于各参数的取值有很大的差别，没法用一个区间去精确地囊括所有参数，所以这里采用实数编码遗传算法来对每个参数进行具体的寻优操作。这里采用的实数编码遗传算法的具体实现方法如下：

步骤一：各参数需要确定其寻优的区间，这里采用最小二乘法来对数据点进行曲线参数的一个初始值的确定，然后根据各个参数不同的数值基选取对应的区间，并根据所选取精度对不同的参数进行解码方式的确定。

步骤二：在开始算法前需要确定用于遗传算法的种群的规模，并且对该种群中的每个个体选取初始值，可以通过在各参数的区间内随机选取。

步骤三：选取对应的目标函数，这里选取通过参数所计算得到的值与数据点本身的实测值的差值总和作为目标函数，即：

$R_1=\underset{n=1}{\overset{N}{\Σ}}{(H_x-S_x{Q}_N^2-H_N)}^2$

$R_2=\underset{n=1}{\overset{N}{\Σ}}{(d_0+d_1{Q}_N+d_2{Q}_N^2-N_N)}^2$

式中的N代表所参与绘制的数据点的个数，(Q_N,H_N,N_N)是对应的数据点的实测流量值，扬程值和功率值。

步骤四：基于所选取的目标函数确定合适的适应度函数，由于在遗传算法中需要满足较差的函数值代表较劣的个体，这里却是函数值越小，个体越优。所以需要对现有的目标函数值取反来变为适应度函数，这里就需要每代中的最劣个体参与计算来对每个函数值取反，对应的转换函数即为：

eval(X_i)＝max(obj(X₁),obj(X₂),...,obj(X_m))-obj(X_i)

式中的m为种群的大小。

步骤五：在遗传算法中，对应的各算子的选定也是很重要的一环：

首先选择算子采用轮盘赌的形式。即根据各个个体不同的适应度值来分配不同的选中概率，其值越高，被选中的概率也对应越高；

其次是个体间的交叉算子，这里由于采用实数编码，需要对各参数自身的值进行拆分和组合，其公式如下：

X_i(t+1)＝αX_i(t)+(1-α)X_j(t)

X_j(t+1)＝αX_j(t)+(1-α)X_i(t)

这里的α为两个参数间互相的权重，对于每一对参与交叉的个体组，其值是随机的。

最后需要选取与实数编码对应的变异算子，此时就是在个体的原值上有一定的随机变化，由于变异算子代表的是算法的局部搜索能力，所以想通过在其原值的周围进行搜索，所以采用以下的变异算子：

$X=(t+1)=\left\{\begin{array}{ccc}X\left(t\right)+\mathrm{\Δ}(t,X_{\max }-X(t))& if& random(0,1)=0\\ X\left(t\right)+\mathrm{\Δ}(t,X(t)-X_{\min })& if& random(0,1)=1\end{array}\right.$

式中X_max，X_min代表对应的个体的变化范围，这里的t代表一个随机量，由于实际的寻优过程中，最优解的个数以及规模在群体中会随着迭代的深入渐渐占有优势，所以在迭代的后期，由于不希望最优解在变异过程中消失，所以使随机量t随着迭代的深入向零靠近，即：

Δ(t,y)＝y*(1-r^(1-t/T)b)

式中的y为一个区间内的随机数，b为系统参数，r为一个小于1的随机数，由于b的存在，r的随机性对整个数值的影响可以受到控制。

步骤六：不断重复步骤四和步骤五，直到达到最终设定的迭代次数，或者目标函数达到了所设定的最优误差值。

(6)基于数据分析绘制的水泵特性曲线对供水泵房泵组轴功率进行建模。

通过步骤五中寻优得到的能代表各水泵的曲线参数后，需要着眼于整个水厂的功耗，由于水厂大部分的能量消耗来自于水泵的运行，如果能对水泵群组的运行方案进行节能优化，就能大大的降低水厂的能耗。这里我们选取的目标是，当供水泵站在不同调度命令下，能够在外部约束都满足的条件下，得到耗能最小的最优方案。即选取水厂在特性条件下的轴功率总和的模型：

$J=\min \{\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_i(d_0{S}_i^3+d_{1i}{S}_i^2{Q}_i+d_{2i}{S}_i{Q}_i^2)+\underset{i=m+1}{\overset{m+n}{\Σ}}{\mathrm{\ω}}_i(d_{0i}+d_{1i}{Q}_i+d_{2i}{Q}_i^2)\}$

同时，因为水泵的扬程和流量满足如下关系：

$H_N=H_x-S_x{Q}_N^2$

所以最终模型为：

$\{\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_i(d_0{S}_i^3+d_{1i}{S}_i^2\sqrt{\frac{H_{ix}{S}_i^2-H_S}{S_{iX}}}+d_{2i}{S}_i\frac{H_{iX}{S}_i^2-H_S}{S_{iX}})+\underset{i=m+1}{\overset{m+n}{\Σ}}{\mathrm{\ω}}_i(d_{0i}+d_{1i}{\sqrt{\frac{H_{ix}{S}_i^2-H_S}{S_{iX}}}}_i+d_{2i}\frac{H_{iX}{S}_i^2-H_S}{S_{iX}})\}$

(7)量化实际情况中的各约束条件，加入模型。

为了能够在模型中优化得到的水泵组合方案能够投入实际中的应用，需要考虑在实际情况中的各种约束条件，提高结果的可行性。

约束一：泵站进出水平衡

在调度指令给出后，各水泵需调整运行工况从而达到预期的泵水量，即：

$Q_s=\underset{i=1}{\overset{n+m}{\Σ}}{\mathrm{\ω}}_i{Q}_i$

约束二：变频水泵的运行范围受限

为了保证水厂的安全运行，各水泵的运行都被严格限制其额定功率下，同时为了保证水厂的高效运转，各投入使用的水泵都不能低负荷运行，即其调速比需属于[S_min,1]的范围。

约束三：并行连接水泵的互相牵制

为了达到给定的供水流量，供水泵站一般采取并联结构连接水泵，这就要求各水泵都要协同运行，即各输出扬程都应相等从而不影响其它水泵的安全运行：

H_S＝H₁＝H₂＝...＝H_m+n

约束四：各水泵的节能高效运行

为了满足水厂的节能运行的目标，需要在保证水厂安全运行的前提下，减少运行水泵的无功功率的损失，即各水泵都要尽可能的在其高效区中运行，即：

Q_mini≤Q_i≤Q_maxi,i＝1,2,...,m+n

其中，工频水泵的高效区上下限一般可以在水泵运行手册中查到，而变频水泵在不同调速比下的高效区上下限可以由以下公式计算得出：

$Q_{\min i}=\left\{\begin{array}{cc}\sqrt{\frac{H_S}{H_{iA}}}{Q}_{iA}& H_S\&GreaterEqual;H_{iE}\\ \sqrt{\frac{H_{iX}{S}_{\min i}^2-H_S}{S_{iX}}}& H_S<H_{iE}\end{array}\right.,i=1,2,\mathrm{...},m$

$Q_{\max i}=\left\{\begin{array}{cc}\sqrt{\frac{H_{iX}-H_S}{S_{iX}}}& H_S\&GreaterEqual;H_{iB}\\ \sqrt{\frac{H_S}{H_{iB}}}{Q}_{iB}& H_S<H_{iB}\end{array}\right.,i=1,2,\mathrm{...},m$

(8)通过智能算法寻优得到最节能的水泵机组运行方案

通过步骤六和七，已经分别确定并量化了模型以及实际运行中的各种约束，所以为了得到具有可行性的运行方案，需要合并已有的模型及约束。这里采用罚函数法将约束放入模型中，即：

F＝J+σP

而步骤七中，水泵并联的约束可以直接将外部的调度指令H_S作为已经条件放入模型中，其他一些约束做如下处理：

流量偏差限制：将总的水泵流量输出与调度指令的偏差作为惩罚项：

$P_1={(\underset{i=1}{\overset{n+m}{\&Sigma;}}{\mathrm{\&omega;}}_i\sqrt{\frac{H_{iX}{S}_i^2-H_S}{S_{iX}}}-Q_S)}^2$

水泵高效运行：如果水泵在上下限之外，则将这些差值求和加入：

$P_2=\underset{i=1}{\overset{m+n}{\&Sigma;}}{\left({\mathrm{\&Delta;Q}}_i\right)}^2=\left\{\begin{array}{cc}\underset{i=1}{\overset{n+m}{\&Sigma;}}{(\sqrt{\frac{H_{iX}{S}_i^2-H_S}{S_{iX}}}-Q_{\min i})}^2& \sqrt{\frac{H_{iX}{S}_i^2-H_S}{S_{iX}}}<Q_{\min i}\\ 0& Q_{\min i}<\sqrt{\frac{H_{iX}{S}_i^2-H_S}{S_{iX}}}<Q_{\max i}\\ \underset{i=1}{\overset{n+m}{\&Sigma;}}{(\sqrt{\frac{H_{iX}{S}_i^2-H_S}{S_{iX}}}-Q_{\max i})}^2& \sqrt{\frac{H_{iX}{S}_i^2-H_S}{S_{iX}}}>Q_{\max i}\end{array}\right.$

这样就能得到新的模型：

$\begin{array}{c}F=J+\mathrm{\&sigma;}(P_1+P_2)\\ =\min \{\underset{i=m+1}{\overset{m}{\&Sigma;}}{\mathrm{\&omega;}}_i(d_{0i}{S}_i^3+d_{1i}{S}_i^2\sqrt{\frac{H_{ix}{S}_i^2-H_S}{S_{iX}}}+d_{2i}{S}_i\frac{H_{iX}{S}_i^2-H_S}{S_{iX}})\\ +\underset{i=m+1}{\overset{m+n}{\&Sigma;}}{\mathrm{\&omega;}}_i(d_{0i}+d_{1i}\sqrt{\frac{H_{ix}{S}_i^2-H_S}{S_{iX}}}+d_{2i}\frac{H_{iX}{S}_i^2-H_S}{S_{iX}})\}\\ +\mathrm{\&sigma;}\&lsqb;{(\underset{i=1}{\overset{m}{\&Sigma;}}{\mathrm{\&omega;}}_i\sqrt{\frac{H_{ix}{S}_i^2-H_S}{S_{iX}}}-Q_S)}^2+P_2\&rsqb;\end{array}$

由于惩罚项的数值大小与原有的模型输出可能不在一个数量级，并在模型的初期，并不希望惩罚项的介入损失一部分优良解，只希望其在迭代的末期加入进行对不可行的优良解进行剔除。所以这里采用会随着代数的增加而增长的退火因子作为惩罚因子：

$\mathrm{\&sigma;}=\mathrm{\&alpha;}\frac{1}{T},T=\mathrm{\&gamma;}T,\mathrm{\&gamma;}\&Element;\&lsqb;0,1\&rsqb;$

借助上述模型，之后就能利用遗传算法对水泵的开闭状态以及变频水泵的运行频率进行求解，这里需要将所要求解的值作为转换为染色体形式参与到算法的迭代中得到最终优化方案，即：

S₁S₂…S_mω₁ω₂…ω_n-m

根据以上步骤以及泵站中各水泵的历史运行数据,可以得到在不同的外部调度指令(Q_s,H_s)下，水泵泵站能够达到的预期效果：

并且从图1中通过比较一般方法和使用基于水泵特性曲线更新后的泵站优化调度的方法得到的结果可以发现，再使用了水泵历史数据更新的水泵特性曲线作为寻优基础后，以及运用退火因子将约束考虑到模型中后，其收敛速度会更快，并且最终的结果更贴近外部所给出的调度指令的结果。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于水泵特性曲线更新的泵站优化调度方法，其特征在于，包括以下步骤：

步骤1、获取水泵事实运行的原始数据；

步骤2、对瞬时数据进行预处理，取得每一个阶段能代表运行工况的数据点存入数据库；

步骤3、分析数据点的合理性；

步骤4、数据量达标后更新水泵特性曲线图；

步骤5、对水泵特性曲线图的特征量进行提取；

步骤6、基于数据分析绘制的水泵特性曲线对供水泵房泵组轴功率进行建模；

步骤7、量化实际情况中的约束条件加入模型；

步骤8、通过智能算法寻优得到最节能的水泵机组运行方案。

2.如权利要求1所述的基于水泵特性曲线更新的泵站优化调度方法，其特征在于，步骤1中，所述原始数据包括在当前调度指令下每个水泵的运行频率以及开闭情况；水泵在近期的开闭周期以及运行时常。

3.如权利要求1所述的基于水泵特性曲线更新的泵站优化调度方法，其特征在于，步骤2中，所述数据点是指根据历史类似调度指令下，特定型号和功率的水泵运行过程中合理的数据点。

4.如权利要求3所述的基于水泵特性曲线更新的泵站优化调度方法，其特征在于，所述合理的数据点是指符合实际需求的，稳定的运行频率，流量输出和扬程输出。

5.如权利要求1所述的基于水泵特性曲线更新的泵站优化调度方法，其特征在于，步骤3中，所述数据点的合理性是指对得到的数据组与该型号的水泵的出厂特性曲线图以及近期所绘制的特性曲线图进行比较，判断水泵是否在正常运行范围，若异常，需通过后续的短时间连续的采集，来判断该数据属于单点异常或者是水泵自身产生了故障。

6.如权利要求1所述的基于水泵特性曲线更新的泵站优化调度方法，其特征在于，步骤4中，所述更新水泵特性曲线图的具体步骤为：

步骤4.1、根据总的数据量需求以及每日的数据更新量，推算水泵特性曲线的更新频率；

步骤4.2、对已采集的数据点的分布进行疏密度分析；

步骤4.3、选取较为可信的流量区间；

步骤4.4、基于采集的数据点对水泵特性曲线进行绘制。

7.如权利要求1所述的基于水泵特性曲线更新的泵站优化调度方法，其特征在于，步骤5中，所述水泵特性曲线的特征量是水泵扬程与流量的平方之间的一次多项式以及水泵功率与流量间的二次多项式的各项因子的权重系数。

8.如权利要求1所述的基于水泵特性曲线更新的泵站优化调度方法，其特征在于，步骤6中，所述建模是指建立所有水泵的运行轴功率求和的最小值模型。

9.如权利要求1所述的基于水泵特性曲线更新的泵站优化调度方法，其特征在于，步骤7中，所述约束条件包括：

(1)供水泵站总管上的出水流量和调度指令中所给出的用水量相等；

(2)各运行中的水泵需要运行在其各自的高效区中；

(3)运行中的变频水泵不能低于运行频率，并且不能高于其额定功率；

(4)并联运行的水泵输出扬程必须保证相等。

10.如权利要求9所述的基于水泵特性曲线更新的泵站优化调度方法，其特征在于，步骤8中，所述智能算法为考虑所述约束条件的改进遗传算法。