CN106959608A - 一种基于聚类粒子群算法的供水管网渗漏优化控制方法 - Google Patents

Abstract

本发明涉及一种基于聚类粒子群算法的供水管网渗漏优化控制方法，包括以下步骤：1)设置供水管网系统减压阀安装位置，建立管网渗漏最小化优化模型，采用粒子群算法进行全局搜索；2)对经步骤1)后的当前粒子群体进行聚类分析，获得数个粒子子群；3)在每个粒子子群中采用局部搜索算法进行局部搜索，获得一个局部最优解；4)比较所有局部最优解，获得一全局最优解，根据该全局最优解优化控制供水管网系统的减压阀开度。与现有技术相比，本发明具有控制精度高、可靠性高等优点。

Description

一种基于聚类粒子群算法的供水管网渗漏优化控制方法

技术领域

本发明涉及一种供水管网漏损控制方法，尤其是涉及一种基于聚类粒子群算法的供水管网渗漏优化控制方法，属于工程优化领域。

背景技术

在供水管网中存在以下几种因素对漏损量有所影响：管网压力、铺设管道所在土壤的性质、供水管道的基础设施条件和运行参数等等。目前，减少漏损量的几种主流方法有：直接检测管道损坏及修复、管道更换和压力管理。自来水公司通常会交叉使用这些方法。一般来讲管道重新更换成本非常大，可以考虑作为一项长期的投资措施。在系统运营过程中的压力管理是在子系统区域层面上最有效的减少用水漏损量的方法，同时也可以通过减少压力波动而控制水管爆破率。供水管网的漏损控制是一类典型的工程优化问题，因此，研究有效的群体优化算法以及控制策略，对于减少漏损量至关重要。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种控制精度高、可靠性高的基于聚类粒子群算法的供水管网渗漏优化控制方法。

本发明的目的可以通过以下技术方案来实现：

一种基于聚类粒子群算法的供水管网渗漏优化控制方法，包括以下步骤：

1)设置供水管网系统减压阀安装位置，建立管网渗漏最小化优化模型，采用粒子群算法进行全局搜索；

2)对经步骤1)后的当前粒子群体进行聚类分析，获得数个粒子子群；

3)在每个粒子子群中采用局部搜索算法进行局部搜索，获得一个局部最优解；

4)比较所有局部最优解，获得一全局最优解，根据该全局最优解优化控制供水管网系统的减压阀设置。

所述粒子群算法中，各粒子代表所有减压阀的P_set值，P_set表示减压阀的阀门开度，所述P_set值每小时变化一次。

所述管网渗漏最小化优化模型具体为：

其中，F为适应度函数，Leaks为供水管网系统在在给定时段所发生的总漏损量，h为仿真时长，单位为小时，Δt为采样周期，n＝60/Δt，m为管道数量，管道k连接两节点，表示给定时段t_ij内节点之间管道k的漏损率。

所述如下：

其中，P_k为管道k所连接的两个节点的平均压力值，l_k是管道k的长度，α_k为漏损参数，β_k为管道参数，为t时间内管道k的平均漏损率。

在步骤1)的全局搜索进行前，将粒子的最近邻粒子定义为粒子“邻居”，在步骤3)的局部搜索进行前，将粒子所在粒子子群的最优位置定义为粒子“邻居”。

所述步骤2)中，采用的聚类算法包括K-means聚类算法、FSC聚类算法或层次聚类算法。

所述步骤3)中，采用的局部搜索算法包括爬山局部搜索算法、禁忌搜索算法或带局部搜索因子的群体智能优化算法。

所述供水管网系统由多个分区计量区域组成，所述步骤1)中，设置供水管网系统减压阀安装位置采用以下三个策略中的一个：

A、在每一个分区计量区域入口处安装一个减压阀；

B、将各分区计量区域中所有管道按流量值Q进行大小排序，并且前后两个作差，得出delta(Q)序列值，在delta(Q)大于设定值对应的分区计量区域入口处安装减压阀；

C、在策略B的基础上，判断安装有减压阀的管道处是否有分支，若是，则在分支管道在安装减压阀。

与现有技术相比，本发明具有以下优点：

1、本发明将群体智能算法与聚类算法相结合，在进行群体智能搜索的基础上对群体进行聚类分析，在每一类中并行执行局部搜索，有效提高了搜索精度。

2、重新定义粒子的“邻居”，增加算法的全局搜索性能。根据具体的群体智能算法选择合适的邻居粒子，增加随机性。例如，粒子群算法应选择子群最优粒子为粒子“邻居”；遗传算法按照适应度值越高，概率越大的规则选择父母双方个体，即“邻居”；差分进化算法的“邻居”可按照随机选择的策略等。

3、带局部搜索因子的群体智能优化算法保持了全局搜索的性能，使子群避免陷入非期待的局部最优值；同时对粒子“邻居”进行局部搜索使其得到二次优化，使子群不会轻易飞出其所覆盖的局部其区域。

4、建立供水管网渗漏最小化优化问题模型，并针对减压阀的安装位置提出三种控制策略，其中Delta-Q&Branch-based控制策略可更好地定位DMA内的子区域，相同PRV数量的前提下，运用该策略定位PRV安装位置，可更有效地减小管网渗漏。

附图说明

图1为本发明的流程示意图；

图2为本发明采用的聚类粒子群算法的流程示意图；

图3为本发明粒子编码构成示意图；

图4为本发明实施例采用的局部搜索示意图；

图5为DMA-based阀门安装示意图；

图6为Delta-Q-based定位方法流程图；

图7为Delta-Q&Branch-based定位方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1-图2所示，本实施例提供一种基于聚类粒子群算法的供水管网渗漏优化控制方法，包括以下步骤：1)设置供水管网系统减压阀安装位置，建立管网渗漏最小化优化模型，采用粒子群算法进行全局搜索；2)对经步骤1)后的当前粒子群体进行聚类分析，获得数个粒子子群；3)在每个粒子子群中采用局部搜索算法进行局部搜索，获得一个局部最优解；4)比较所有局部最优解，获得一全局最优解，根据该全局最优解优化控制供水管网系统的减压阀设置，输出的全局最优解为所有减压阀在每小时的开度值。该方法针对供水管网系统建立漏损优化控制模型，使用提出的算法框架，优化控制阀门(减压阀PRV)开度(P_set)，控制管网内水压，以减小管网总渗漏量。

所述粒子群算法中，各粒子(即控制变量x)代表所有减压阀的开度值P_set，P_set每小时变化一次。采用群体智能优化算法对渗漏最小化优化模型进行优化求解，需要对粒子构成进行编码，本实施例中的粒子编码如图3所示，其中v代表安装阀门的个数，x_ij表示阀门i在第j小时内的开度值。

管网渗漏最小化优化模型的具体建立方法如下：

供水系统的渗漏损率一般与管道材料、年龄、铺设位置的土壤性质以及管道内水压等条件密切相关。在假设渗漏是沿着管道均匀分布的情况下，管道渗漏损率如下所示：

其中，P_k是管道k所连接的两个节点的平均压力值，以模拟管道k的平均压力，单位[m]；l_k是管道k的长度，单位[m]；α_k是漏损参数，取决于漏损类型，一般取值在0.5～2.5；β_k是管道参数，与管道退化程度、直径、材料等相关，单位[m^2-α/sec].；为t时间内管道k的平均漏损率，单位[m³/sec]。

管网渗漏通常是由水网管道、连接点以及配件的不断退化引起的。而管道退化(管道参数直接相关)通常具有比较稳定的退化过程，使用年限、直径以及材料等因素是影响渗漏损率的基本因素。大量的统计结果表明，使用年限对此方面的影响最大。而对于漏损参数，最初是根据漏损面积来描述的，即漏损参数可以看成漏损程度的一个标志，例如具有固定大小泄露面积的破裂孔洞，漏损参数取0.5；而对于大面积的渗漏，漏损参数一般取1.5。一般情况下，管网渗漏的漏损参数在0.5～1.5之间，具体取值应根据管网具体情况而定。

由单位时间内单个管道的漏损率，可得到整个管网在给定时段所发生的总漏损量：

其中，h为仿真时长，单位/小时；Δt为采样周期；n＝60/Δt；m为管道数量。假设管道k连接两节点，则表示给定时段t_ij内节点之间管道k的漏损率。

因此管网渗漏最小化优化模型如下：

在步骤1)的全局搜索进行前，将粒子的最近邻粒子定义为粒子“邻居”，在步骤3)的局部搜索进行前，将粒子所在粒子子群的最优位置定义为粒子“邻居”，使粒子在搜索过程中向其附近粒子学习，粒子会受其附近局部最优值的影响、按照优化函数地形趋势出现聚集现象。

步骤2)中采用的聚类算法可以为K-means聚类算法、FSC聚类算法或层次聚类算法。其中，K-means是一种实现简单、易于理解且效率很高的经典聚类算法。运用K-means可以实现粒子群体的聚类并划分子群。但聚类前通常无法给出合适的K值。因此，当问题地形特征明显，群体聚集效应已知的前提下，可使用K-means聚类算法，否则，可选择FSC聚类算法。FSC聚类算法对聚集后的粒子群体进行子群划分，可自动确定子群数目，避免人为设定K值对结果造成的影响。

步骤3)中采用的局部搜索算法可以为爬山局部搜索算法、禁忌搜索算法或带局部搜索因子的群体智能优化算法。本实施例中采用爬山局部搜索算法进行局部搜索，对定义为对“邻居”粒子的粒子子群最优位置X进行优化，即判断X+σ和X-σ哪个解更优，用其代替X。为了避免算法陷入非期望的局部最优值，该局部搜索过程只进行有限的几次，不会使粒子一直找到“峰顶”或“谷底”才停止搜索。如图4所示，“邻居”粒子只被优化到位置A，而不会一直优化到“谷底”位置B。

设置供水管网系统减压阀安装位置中，本发明针对供水管网系统提出三种控制策略，其中，DMA(District Metered Area)指分区计量区域，DMA可看作是管网的子区域，整个供水管网由数个DMA组成。

1.DMA-based Location：PRV阀门的数量和其在管网中位置的选择一定程度上会影响压力管理的效果，需按照一定的规则选取。由于管网是由多个DMA组成的，每一个DMA相对独立，且有自己的入口。如果在每一个DMA入口处安装一个PRV阀，如图5所示，即可控制每个DMA的输入压力。称此种控制策略为DMA-based控制策略。

2.Delta-Q-based Location:Delta-Q-based是一种通过流量来判断DMA内子区域起始位置并进行控制的方法；因为管道内流量Q的大小在一定程度上代表了该管道在整个管网中的水力重要性。将DMA中所有管道按流量值Q进行大小排序，并且前后两个作差，得出delta(Q)序列值，delta(Q)较大时，通常是从主管道分支出现子区域的位置；在此子区域入口处安装PRV阀门，可相对有效地控制压力水平。Delta-Q-based定位方法流程如图6所示。

3.Delta-Q&Branch-based Locatio:将Delta-Q-based定位方法进行改进：在通过Delta(Q)定位分支管道后，考虑网络拓扑结构，查看出现分支的位置是否有另一条支路(branch)，如P2；若有，则同时定位该管道；在被定位的所有管道上安装阀门。将这种控制策略称为Delta-Q&Branch-based控制策略，其定位方法流程如图7所示。

采用BBLAWN竞赛网络C-Town系统为研究对象，分别使用粒子群算法和本发明提出的方法进行20次实验，统计20次实验中优化得到的总渗漏量最大值、最小值、均值和方差，结果表1-表3所示。由表1-表3可知，本发明方法具有较佳性能。

表1 DMA-based控制策略渗漏优化结果

Algorithm	Mean(L)	Std	Max(L)	Min(L)
					PSO	5590	39.02	5681	5531
CLSPSO	5565	47.59	5640	5497

表2 Delta-Q-based控制策略渗漏优化结果

Algorithm	Mean(L)	Std	Max(L)	Min(L)
					PSO	4980	65.2	5101	4766
CLSPSO	4892	35.7	4917	4867

表3 Delta-Q&Branch-based控制策略渗漏优化结果

Algorithm	Mean(L)	Std	Max(L)	Min(L)
					PSO	4733	65.9	4842	4591
CLSPSO	4675	50.6	4821	4413

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员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 (8)

1.一种基于聚类粒子群算法的供水管网渗漏优化控制方法，其特征在于，包括以下步骤：

1)设置供水管网系统减压阀安装位置，建立管网渗漏最小化优化模型，采用粒子群算法进行全局搜索；

2)对经步骤1)后的当前粒子群体进行聚类分析，获得数个粒子子群；

3)在每个粒子子群中采用局部搜索算法进行局部搜索，获得一个局部最优解；

4)比较所有局部最优解，获得一全局最优解，根据该全局最优解优化控制供水管网系统的减压阀开度。

2.根据权利要求1所述的基于聚类粒子群算法的供水管网渗漏优化控制方法，其特征在于，所述粒子群算法中，各粒子代表所有减压阀的P_set值，P_set表示减压阀的阀门开度，所述P_set值每小时变化一次。

3.根据权利要求1所述的基于聚类粒子群算法的供水管网渗漏优化控制方法，其特征在于，所述管网渗漏最小化优化模型具体为：

$F=\min Leaks=\underset{P_{set}}{min}\underset{i=1}{\overset{h}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}\underset{k=1}{\overset{m}{\Σ}}{d}_k^{leak}\left(t_{ij}\right)*\mathrm{\Δ}t$

其中，F为适应度函数，Leaks为供水管网系统在在给定时段所发生的总漏损量，h为仿真时长，单位为小时，Δt为采样周期，n＝60/Δt，m为管道数量，管道k连接两节点，表示给定时段t_ij内节点之间管道k的漏损率。

4.根据权利要求3所述的基于聚类粒子群算法的供水管网渗漏优化控制方法，其特征在于，所述如下：

$d_k^{leak}\left(t\right)=\left\{\begin{array}{cc}{\mathrm{\β}}_k{l}_k{\left(P_k\right)}^{{\mathrm{\α}}_k}\left(t\right)& if{P}_k>0\\ 0& if{P}_k\≤0\end{array}\right.$

其中，P_k为管道k所连接的两个节点的平均压力值，l_k是管道k的长度，α_k为漏损参数，β_k为管道参数，为t时间内管道k的平均漏损率。

5.根据权利要求1所述的基于聚类粒子群算法的供水管网渗漏优化控制方法，其特征在于，在步骤1)的全局搜索进行前，将粒子的最近邻粒子定义为粒子“邻居”，在步骤3)的局部搜索进行前，将粒子所在粒子子群的最优位置定义为粒子“邻居”。

6.根据权利要求1所述的基于聚类粒子群算法的供水管网渗漏优化控制方法，其特征在于，所述步骤2)中，采用的聚类算法包括K-means聚类算法、FSC聚类算法或层次聚类算法。

7.根据权利要求1所述的基于聚类粒子群算法的供水管网渗漏优化控制方法，其特征在于，所述步骤3)中，采用的局部搜索算法包括爬山局部搜索算法、禁忌搜索算法或带局部搜索因子的群体智能优化算法。

8.根据权利要求1所述的基于聚类粒子群算法的供水管网渗漏优化控制方法，其特征在于，所述供水管网系统由多个分区计量区域组成，所述步骤1)中，设置供水管网系统减压阀安装位置采用以下三个策略中的一个：

A、在每一个分区计量区域入口处安装一个减压阀；

B、将各分区计量区域中所有管道按流量值Q进行大小排序，并且前后两个作差，得出delta(Q)序列值，在delta(Q)大于设定值对应的分区计量区域入口处安装减压阀；

C、在策略B的基础上，判断安装有减压阀的管道处是否有分支，若是，则在分支管道在安装减压阀。