CN110555239A - 一种基于排水管网模型的河涌水闸优化调度方法 - Google Patents
一种基于排水管网模型的河涌水闸优化调度方法 Download PDFInfo
- Publication number
- CN110555239A CN110555239A CN201910727147.3A CN201910727147A CN110555239A CN 110555239 A CN110555239 A CN 110555239A CN 201910727147 A CN201910727147 A CN 201910727147A CN 110555239 A CN110555239 A CN 110555239A
- Authority
- CN
- China
- Prior art keywords
- sluice
- swmm
- scheduling
- matlab
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明涉及河涌水闸的优化调度技术领域,具体涉及一种基于排水管网模型的河涌水闸优化调度方法,包括:S1、建立河涌流域排水管网模型,并进行暴雨模拟;S2、确定河涌流域排水管网模型中可调控水闸的数量D以及排水管道的管径;S3、搭建MATLAB和SWMM的动态链接库,以便MATLAB与SWMM进行交互;S4、基于自适应惯性权重的均值粒子群优化算法对河涌水闸调度进行优化,得到控制水闸开合深度调度的最优解以及该情况下的总溢流量。本发明方法具有原理简单、易于实现和收敛速度快的特点,调度方案满足代表性,可比性以及可行性要求,能根据实际的降雨情况对水闸开合提出优化调度方案,且优化调度后能取得一定的效果,缓解城市内涝问题。
Description
技术领域
本发明涉及河涌水闸的优化调度技术领域,具体涉及一种基于排水管网模型的河涌水闸优化调度方法。
背景技术
水闸是指修建在河道、渠道或是湖、海口的,利用闸门控制流量和调节水位的低水头水工建筑物,既是一种挡水构筑物,又是一种泄水构筑物,在防洪、排涝、挡潮等方面应用广泛。在城市暴雨强度逐渐加剧的今天,城市内涝问题日益严峻。管网改建和排水方案优化是解决城市暴雨内涝问题的两种主要途径,但由于管网改建难度大、投资高、工期长,故对水闸等排水设施的排水方案优化成为主要减缓内涝问题的快捷而有效的途径。
随着城市经济和信息技术的飞跃发展,对于排水设施调度的现代化、信息化的步伐也日益加快,而虽然河涌水闸作为城市防涝主要承担设施之一,但人们对它的调度方案还停留在凭经验调度上,调度方案比较粗糙,不能充分发挥水闸排涝能力。如何寻求科学合理的优化河涌水闸调度方案从而更有效地防止内涝发生,成为当前防洪排涝研究的重要问题。
对于每一场暴雨,运用一种算法灵活地提出每一种水闸调度方案,有利于利用计算机进行实时优化调度,可减少城市溢流和河涌负载,以保证人们出行安全、交通通畅等。同时,若能合理的调度水闸,不仅能减少闸门开启时间,减少设施的磨损,延长水闸寿命,且对于截污闸,还能有效地减少合流污水进入河道,减少河道的污染。具体来说,优化河涌水闸调度方案,其主要目的有:(1)实现水闸调度的自动化和信息化,根据不同的暴雨有针对性地提出排水方案,更有效地减少溢流;(2)精细化排水方案,减少闸阀开启的时间,延长水闸寿命,减少合流污水汇入河道。
河涌水闸的优化调度主要解决下列两个方面的问题:(1)确定水闸的开启水位;(2)确定水闸的关闭水位。针对不同情况的暴雨和不同时段溢流程度的确定,进行了水闸的优化调度研究,现有对于河涌水闸调度提出的方案存在多凭经验方案粗糙、同一方案不能灵活应对不同的暴雨情况的问题,需要提出新的河涌水闸的优化调度方法。
发明内容
针对现有水闸调度方案的缺点和不足,本发明提供一种基于排水管网模型的河涌水闸优化调度方法,结合自适应惯性权重的均值粒子群优化算法来研究河涌水闸的优化调度。
本发明采用如下技术方案实现:
一种基于排水管网模型的河涌水闸优化调度方法,包括以下步骤:
S1、建立河涌流域排水管网模型,并进行暴雨模拟;
S2、确定河涌流域排水管网模型中可调控水闸的数量D以及排水管道的管径;
S3、搭建MATLAB和SWMM的动态链接库,以便MATLAB与SWMM进行交互;
S4、基于自适应惯性权重的均值粒子群优化算法对河涌水闸调度进行优化,得到控制水闸开合深度调度的最优解以及该情况下的总溢流量。
进一步地,MATLAB与SWMM交互主要包括:
A、MATLAB向SWMM传递排水管网模型模拟运行所需要的参数;
B、MATLAB从SWMM获得排水管网模型模拟运行的结果。
优选地,MATLAB与SWMM交互,包括以下步骤:
①、在MATLAB中输入所需要调用的河涌流域排水管网模型的INP文件的文件路径,通过SWMM官方提供的动态链接库,对排水管网模型进行初始化;
②、在MATLAB中将排水管网运行模拟需要的参数传递给SWMM,并启动SWMM进行模型模拟运行,SWMM输出模型运行结果,并写入到运行结果报告RPT文件中保存;
③、在MATLAB中执行对模型有关参数进行读取或修改的子函数,通过动态链接库或者以文本文件读取形式,完成参数的读取或修改,并判断是否需要进行再次模拟运行,若需要,则返回步骤②,若不需要则进入步骤④;
④、结束子函数,将需要的参数或者变量数值返回到主函数中。
进一步地,SWMM、MATLAB、自适应惯性权重的均值粒子群优化算法三者协调过程包括:自适应惯性权重的均值粒子群优化算法提供闸前控制水深,通过MATLAB调用SWMM动态链接库,将控制水深输入到排水管网模型中,进行基本参数的调整,SWMM进行模拟运行得到排水节点的溢流量作为结果输出;MATLAB通过代码读取SWMM模拟运行结果,反馈到自适应惯性权重的均值粒子群优化算法中,然后算法根据适应度函数计算粒子对应的溢流总量,并对粒子进行筛选和调整进行下一步操作,重复上述过程。
进一步地,自适应惯性权重的均值粒子群优化算法包括:
S41、将粒子群初始化,初始化种群数目N、最大迭代次数M,随机生成每一个粒子的初始速度v和位置;
S42、根据适应度函数计算出粒子当前的适应值,来判断每一个粒子当前位置的好坏,将个体历史最佳位置pbest和全局历史最佳位置gbest分别与当前的个体和全局适应值进行比较,取较优者;
S43、计算每个粒子的适应度值并将它们降序排列,将排好序的适应度值按种群数目的一半分成两部分,分别求平均值和
S44、将每个粒子的适应度值fx(i)分别与和比较,从而将粒子分成三个等级,采用对应的自适应惯性权重生成策略,更新粒子的速度和位置;
S45、根据步骤S44中更新的速度和位置,重新计算每个粒子新位置的适应度值,将其与原来的个体极值pbest和全局极值gbest比较,取较优者;
S46、判断是否满足算法迭代的终止条件,若满足终止条件则直接执行步骤S47,否则返回步骤S42进行下一次迭代计算;
S47、输出全局极值gbest及其目标值,算法结束。
优选地,粒子群初始化过程包括:
S411、根据排水管道的实际管径,确定随机数的范围,且根据控制水闸总数D,随机生成D个随机数作为控制水闸开启水深的控制值,这D个随机数组成数组Xi;
S412、根据生成的控制水闸开启水深的控制值,再随机生成D个分别对应小于各个水闸控制开启水深控制值的控制水闸关闭水深控制值,这D个随机数组成数组Zi;
S413、数组Xi和Zi应当满足以下约束条件:
Xi≥Zi(i=1、2、3…、D);
若不满足约束条件则返回步骤S21中重新随机生成数组Xi、Zi,直到满足约束条件为止;
S414、以S411和S412生成的Xi和Zi共同作为一个粒子的位置,再随机生成一个数值作为该粒子的速度v。
优选地,适应度函数为:
其中,D为控制的水闸总数,T为模型降雨的总时长,xit为各个排水节点在和t时间节点上的溢流量,fx(i)为第i个粒子的溢流总量。
进一步地,xit由MATLAB将粒子的参数输入排水管网模型,排水管网模型模拟运行后得到。
进一步地,粒子的速度通过粒子位置的线性组合进行修正,修正主要体现在惯性权重ω的变化上,根据粒子在排列中大小的区别,ω出现三种情况,分别为0.9、0.2、[0.2-0.9]之间的一个随机数。
优选地,MATLAB通过loadlibrary函数对SWMM官方提供的swmm5.dll实现动态链接库的构建。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明结合自适应惯性权重的均值粒子群优化算法,具有原理简单、受异常值干扰小、收敛效果好等优点。
2、本发明的河涌水闸的优化调度方法,适合小规模数值粒子,具有全面性和实用性,极大、有效、快速、准确地实现了河涌水闸的优化调度。
3、本发明方法具有原理简单、易于实现和收敛速度快的特点,调度方案满足代表性,可比性以及可行性要求,能根据实际的降雨情况对水闸开合提出优化调度方案,且优化调度后能取得一定的效果,缓解城市内涝问题。
附图说明
图1为本发明一个实施例中河涌水闸的优化调度方法的步骤流程图;
图2为自适应惯性权重的均值粒子群优化算法流程图;
图3为本发明一个实施例中基于SWMM的猎德涌流域排水管网模型图;
图4为本发明一个实施例中J21节点优化调度前后溢流量对比。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
一种基于排水管网模型的河涌水闸优化调度方法,根据已有模型和数据,建立模型和算法软件之间的动态链接,确定水闸总数和优化调度的目标函数,通过运用粒子群优化算法,根据需要设定粒子数和最大迭代次数,以控制各个水闸开合的水深进行迭代计算,在每次迭代中选出个体最优值,在个体最优值中选出全局最优值作为函数的最优解。当计算满足迭代终止条件时,输出最优解以及优化调度后的结果。
需要说明的是,本发明用到SWMM、MATLAB、自适应惯性权重的均值粒子群优化算法,下面对三者及其协调工作流程进行简要描述:
①SWMM是建模软件,在SWMM里建立排水管网模型,负责根据流域的各项参数和降雨数据计算降雨过程中流域的管网数据变化。
②MATLAB是一个数学建模软件,自适应惯性权重的均值粒子群优化算法通过代码编程,在MATLAB里实现运行计算。
③大致的协调过程是:自适应惯性权重的均值粒子群优化算法提供闸前控制水深,通过MATLAB调用SWMM动态链接库,将控制水深输入到排水管网模型中,进行基本参数的调整,SWMM进行模拟运行得到排水节点的溢流量作为结果输出;MATLAB通过代码读取SWMM模拟运行结果,反馈到自适应惯性权重的均值粒子群优化算法中,然后算法根据适应度函数计算粒子对应的溢流总量,并对粒子进行筛选和调整进行下一步操作,重复上述过程。
因为水闸的启闭控制主要是根据水闸前管内水深来控制的,而且在实际的城市管道检查井中一般都会在检查井中布设液位计来测量液位,所以本实施例将水闸前水深作为已知的约束条件。
一种基于排水管网模型的河涌水闸优化调度方法,如图1所示,包括以下步骤:
S1、建立河涌流域排水管网模型,并进行暴雨模拟;
SWMM(Storm Water Management Model,暴雨雨洪管理模型)具有通用性、灵活性、高效性和高拟合度的特点,其广泛应用于国内外城市排水系统管网的模拟和评估。基于SWMM建立的排水系统管网系统模型主要包括有子汇水区、管线、节点、水闸。
S2、确定河涌流域排水管网模型中可调控水闸的数量D以及排水管道的管径;
S3、搭建MATLAB和SWMM的动态链接库,以便MATLAB与SWMM进行交互。
本实施例中,MATLAB与SWMM交互主要包括:
A、MATLAB向SWMM传递排水管网模型模拟运行所需要的参数,例如:控制水闸开启和关闭的水深信息。
B、MATLAB从SWMM获得排水管网模型模拟运行的结果,例如:各排水节点的溢流量。
具体地,MATLAB通过loadlibrary函数对SWMM官方提供的swmm5.dll文件进行数据库读取,实现动态链接库的构建。
在MATLAB中调用、修改和导出排水管网模型参数以及有关变量的运行结果的过程,包括以下步骤:
①、在MATLAB中输入所需要调用的河涌流域排水管网模型的INP文件的文件路径,通过SWMM官方提供的动态链接库,对排水管网模型进行初始化。INP文件中包含了模型建立时所需要的全部管网数据以及相关参数。
②、在MATLAB中将排水管网运行模拟需要的参数传递给SWMM,并启动SWMM进行模型模拟运行,SWMM输出模型运行结果,并写入到运行结果报告RPT文件中保存。
③、在MATLAB中执行对模型有关参数进行读取或修改的子函数,通过动态链接库或者以文本文件读取形式,完成参数的读取或修改,并判断是否需要进行再次模拟运行。若需要,则返回步骤②,若不需要则进入步骤④。
④、结束子函数,将需要的参数或者变量数值返回到主函数中。
S4、基于自适应惯性权重的均值粒子群优化算法对河涌水闸调度进行优化,得到控制水闸开合深度调度的最优解以及该情况下的总溢流量。
自适应惯性权重的均值粒子群优化算法,如图2所示,包括:
S41、将粒子群初始化。初始化种群数目N、最大迭代次数M,随机生成每一个粒子的初始速度v和位置。
本实施例中,粒子群初始化过程包括:
S411、根据排水管道的实际管径,确定随机数的范围,且根据控制水闸总数D,随机生成D个随机数作为控制水闸开启水深的控制值,这D个随机数组成数组Xi;
S412、根据生成的控制水闸开启水深的控制值,再随机生成D个分别对应小于各个水闸控制开启水深控制值的控制水闸关闭水深控制值,这D个随机数组成数组Zi;
S413、数组Xi和Zi应当满足以下约束条件:
Xi≥Zi(i=1、2、3…、D);
若不满足约束条件则返回步骤S21中重新随机生成数组Xi、Zi,直到满足约束条件为止。
S414、以S411和S412生成的Xi和Zi共同作为一个粒子的位置,再随机生成一个数值作为该粒子的速度v。
S42、根据适应度函数计算出粒子当前的适应值,来判断每一个粒子当前位置的好坏。将个体历史最佳位置(pbest)和全局历史最佳位置(gbest)分别与当前的个体和全局适应值进行比较,取较优者。
本实施例中,以各个节点溢流总量最少作为适应度函数,适应度函数具体公式如下:
其中,D为控制的水闸总数,T为模型降雨的总时长,xit为各个排水节点在和t时间节点上的溢流量,fx(i)为第i个粒子的溢流总量。
需要说明的是,xit由MATLAB将粒子的参数输入排水管网模型,排水管网模型模拟运行后得到。
S43、计算每个粒子的适应度值并将它们降序排列,将排好序的适应度值按种群数目的一半分成两部分,分别求平均值和
S44、将每个粒子的适应度值fx(i)分别与和比较,从而将粒子分成三个等级,采用对应的自适应惯性权重生成策略,更新粒子的速度和位置。
本步骤中,粒子的速度会通过粒子位置的线性组合进行修正,修正主要体现在惯性权重ω的变化上。根据粒子在排列中大小的区别,ω有可能会出现三种情况,分别可能为0.9、0.2、[0.2-0.9]之间的一个随机数。
具体包括:
S441、根据S42中得出第k次迭代中第i次的粒子对应的适应值fx(i),与和比较的不同情况,分别得出k+1次迭代中各粒子分别对应的惯性权重ω值。
情况一:若粒子适应值小于说明该粒子是群体中比较优秀的粒子,它所在的位置已经离全局最优位置很近了。根据惯性因子ω的取值规则,此时取较小的ω值有利于算法收敛,ω取值为0.2,有利于粒子向全局最优解聚拢;
情况二:若粒子适应值大于说明该粒子为群体中较差的粒子,此时ω取较大的值,利于该粒子进行全局搜索,惯性因子ω取0.9,能有效避免算法得到局部最优解;
情况三:若粒子适应值fx(i)优于但次于处于这个范围的粒子被归属为群体中的一般粒子。对于这些粒子采用随机惯性权重策略,使惯性因子ω在[0.4,0.6]随机取值。采用在一定范围内随机生成策略,使参数不再取固定值,而是根据粒子本身的情况随机选择,能够改善求解的精度和求解速度,提高算法全局优化能力;
S442、根据粒子群优化算法速度更新公式和位置更新公式,对粒子速度和粒子位置进行更新:
xi(k+1)=xi(k)+vi(k+1)
其中:vi为第i个粒子的粒子速度,ω为惯性权重因子,c1和c2为学习因子,一般取c1=c2=2,r1和r2为0到1之间均匀分布的随机数。
S45、根据步骤S44中更新的速度和位置,重新计算每个粒子新位置的适应度值,将其与原来的个体极值pbest和全局极值gbest比较,取较优者。
S46、判断是否满足算法迭代的终止条件。若满足终止条件则直接执行步骤S47,否则返回步骤S42进行下一次迭代计算。
S47、输出全局极值gbest及其目标值,算法结束。
本实施例中,算法最终输出控制水闸开合深度调度的最优解以及该情况下的总溢流量。
下面以广州猎德涌流域水闸优化调度为例进行举例说明。
步骤一、建立基于SWMM的猎德涌流域排水管网模型,并进行暴雨模拟。
如图3所示,通过SWMM对猎德涌流域进行概化,划分为59个子汇水区,共有74个节点、7个水闸、75条管线,建立河涌流域排水系统模型,并通过某一天的实测降雨数据,对流域管道排水进行模拟。
步骤二、确定河涌流域中可调控水闸的数量D以及排水管道的管径。
步骤三、搭建MATLAB和SWMM的动态链接库,对其中所需要的模型参数和模拟运行结果进行调用、修改;
本步骤中,MATLAB通过loadlibrary函数对SWMM官方提供的swmm5.dll文件进行数据库读取,实现动态链接库的构建。
步骤四、自适应惯性权重的均值粒子群优化算法初始化并设置算法迭代的终止条件。
本步骤中,通过确定管径来控制随机数的生成范围,生成具有D个随机数的数组Xi和数组Zi,分别作为控制水闸开启和关闭的控制水深,其中Xi和Zi满足以下约束条件:
Xi≥Zi(i=1、2、3…、D);
确定粒子群算法迭代的终止条件为迭代次数达到M次则输出结果,每次迭代包括N个粒子;
步骤五、确定以猎德涌流域各个节点总溢流量最少为目标函数进行迭代计算;
本步骤中,目标函数如下:
步骤六、选出单次迭代计算中的个体最优值与全局最优值进行比较,并更新所有粒子速度和位置,进行重复计算;
本步骤中,粒子的速度会通过粒子位置的线性组合进行修正,修正主要体现在惯性权重ω的变化上。根据粒子在排列中大小的区别,ω有可能会出现三种情况,分别可能为0.9、0.2、[0.2-0.9]之间的一个随机数。
步骤七、循环直到达到完成M次迭代计算;
步骤八、输出计算下控制水闸开合深度调度的最优解以及该情况下的总溢流量;
本实例设置与获得的结果数据具体如下:
结合本实施例实际情况,设置M为50,N为50,运行后得到水闸始终全开和水闸进行调度后的节点总溢流量,其中表1为优化调度前后总溢流量对比:
表1猎德涌某一天降雨水闸优化调度前后总溢流量对比
从表1可知,通过水闸的优化调度,流域总溢流量减少显著,其中以变化最为明显的J21节点(在图3中对其进行了标示)为例,得到的节点优化调度前后溢流量对比如图4所示。
经过优化调度后水闸的开启控制深度和关闭控制深度如表2所示:
表2优化调度水闸开启和关闭控制深度
水闸编号 | R1 | R2 | R3 | R4 | R5 | R6 | R7 |
开启水深/m | 3 | 2.1 | 1.8 | 2.8 | 3 | 1.2 | 3 |
关闭水深/m | 1.9 | 0.9 | 1.7 | 2.4 | 3 | 1.0 | 3 |
上述实例为本发明较佳的实施方式,但本发明的实施方式并不受上述实例的限制,其他任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,含在本发明的保护范围之内。
Claims (10)
1.一种基于排水管网模型的河涌水闸优化调度方法,其特征在于,包括以下步骤:
S1、建立河涌流域排水管网模型,并进行暴雨模拟;
S2、确定河涌流域排水管网模型中可调控水闸的数量D以及排水管道的管径;
S3、搭建MATLAB和SWMM的动态链接库,以便MATLAB与SWMM进行交互;
S4、基于自适应惯性权重的均值粒子群优化算法对河涌水闸调度进行优化,得到控制水闸开合深度调度的最优解以及该情况下的总溢流量。
2.根据权利要求1所述的河涌水闸优化调度方法,其特征在于,MATLAB与SWMM交互主要包括:
A、MATLAB向SWMM传递排水管网模型模拟运行所需要的参数;
B、MATLAB从SWMM获得排水管网模型模拟运行的结果。
3.根据权利要求1所述的河涌水闸优化调度方法,其特征在于,MATLAB与SWMM交互,包括以下步骤:
①、在MATLAB中输入所需要调用的河涌流域排水管网模型的INP文件的文件路径,通过SWMM官方提供的动态链接库,对排水管网模型进行初始化;
②、在MATLAB中将排水管网运行模拟需要的参数传递给SWMM,并启动SWMM进行模型模拟运行,SWMM输出模型运行结果,并写入到运行结果报告RPT文件中保存;
③、在MATLAB中执行对模型有关参数进行读取或修改的子函数,通过动态链接库或者以文本文件读取形式,完成参数的读取或修改,并判断是否需要进行再次模拟运行,若需要,则返回步骤②,若不需要则进入步骤④;
④、结束子函数,将需要的参数或者变量数值返回到主函数中。
4.根据权利要求1所述的河涌水闸优化调度方法,其特征在于,SWMM、MATLAB、自适应惯性权重的均值粒子群优化算法三者协调过程包括:自适应惯性权重的均值粒子群优化算法提供闸前控制水深,通过MATLAB调用SWMM动态链接库,将控制水深输入到排水管网模型中,进行基本参数的调整,SWMM进行模拟运行得到排水节点的溢流量作为结果输出;MATLAB通过代码读取SWMM模拟运行结果,反馈到自适应惯性权重的均值粒子群优化算法中,然后算法根据适应度函数计算粒子对应的溢流总量,并对粒子进行筛选和调整进行下一步操作,重复上述过程。
5.根据权利要求1所述的河涌水闸优化调度方法,其特征在于,自适应惯性权重的均值粒子群优化算法包括:
S41、将粒子群初始化,初始化种群数目N、最大迭代次数M,随机生成每一个粒子的初始速度v和位置;
S42、根据适应度函数计算出粒子当前的适应值,来判断每一个粒子当前位置的好坏,将个体历史最佳位置pbest和全局历史最佳位置gbest分别与当前的个体和全局适应值进行比较,取较优者;
S43、计算每个粒子的适应度值并将它们降序排列,将排好序的适应度值按种群数目的一半分成两部分,分别求平均值和
S44、将每个粒子的适应度值fx(i)分别与和比较,从而将粒子分成三个等级,采用对应的自适应惯性权重生成策略,更新粒子的速度和位置;
S45、根据步骤S44中更新的速度和位置,重新计算每个粒子新位置的适应度值,将其与原来的个体极值pbest和全局极值gbest比较,取较优者;
S46、判断是否满足算法迭代的终止条件,若满足终止条件则直接执行步骤S47,否则返回步骤S42进行下一次迭代计算;
S47、输出全局极值gbest及其目标值,算法结束。
6.根据权利要求5所述的河涌水闸优化调度方法,其特征在于,粒子群初始化过程包括:
S411、根据排水管道的实际管径,确定随机数的范围,且根据控制水闸总数D,随机生成D个随机数作为控制水闸开启水深的控制值,这D个随机数组成数组Xi;
S412、根据生成的控制水闸开启水深的控制值,再随机生成D个分别对应小于各个水闸控制开启水深控制值的控制水闸关闭水深控制值,这D个随机数组成数组Zi;
S413、数组Xi和Zi应当满足以下约束条件:
Xi≥Zi(i=1、2、3…、D);
若不满足约束条件则返回步骤S21中重新随机生成数组Xi、Zi,直到满足约束条件为止;
S414、以S411和S412生成的Xi和Zi共同作为一个粒子的位置,再随机生成一个数值作为该粒子的速度v。
7.根据权利要求5所述的河涌水闸优化调度方法,其特征在于,适应度函数为:
其中,D为控制的水闸总数,T为模型降雨的总时长,xit为各个排水节点在和t时间节点上的溢流量,fx(i)为第i个粒子的溢流总量。
8.根据权利要求5所述的河涌水闸优化调度方法,其特征在于,xit由MATLAB将粒子的参数输入排水管网模型,排水管网模型模拟运行后得到。
9.根据权利要求5所述的河涌水闸优化调度方法,其特征在于,粒子的速度通过粒子位置的线性组合进行修正,修正主要体现在惯性权重ω的变化上,根据粒子在排列中大小的区别,ω出现三种情况,分别为0.9、0.2、[0.2-0.9]之间的一个随机数。
10.根据权利要求1所述的河涌水闸优化调度方法,其特征在于,MATLAB通过loadlibrary函数对SWMM官方提供的swmm5.dll实现动态链接库的构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910727147.3A CN110555239B (zh) | 2019-08-07 | 2019-08-07 | 一种基于排水管网模型的河涌水闸优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910727147.3A CN110555239B (zh) | 2019-08-07 | 2019-08-07 | 一种基于排水管网模型的河涌水闸优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555239A true CN110555239A (zh) | 2019-12-10 |
CN110555239B CN110555239B (zh) | 2023-04-28 |
Family
ID=68737054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910727147.3A Active CN110555239B (zh) | 2019-08-07 | 2019-08-07 | 一种基于排水管网模型的河涌水闸优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555239B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111501952A (zh) * | 2020-04-24 | 2020-08-07 | 北京北排智慧水务有限公司 | 一种新型管道空间调蓄装置及其使用方法 |
CN111626004A (zh) * | 2020-05-20 | 2020-09-04 | 福建省水利水电勘测设计研究院 | 一种水闸运行调度模拟方法 |
CN112112240A (zh) * | 2020-07-30 | 2020-12-22 | 同济大学 | 一种城市河网防涝优化调度方法 |
CN112597670A (zh) * | 2021-03-05 | 2021-04-02 | 武汉理工大学 | 一种暴雨洪水管理模型软件的数据输入方法及装置 |
CN112989538A (zh) * | 2021-03-30 | 2021-06-18 | 清华大学 | 城市排水系统的控制方法和控制装置 |
CN113190944A (zh) * | 2021-04-30 | 2021-07-30 | 西安理工大学 | 基于swmm和matlab的城市雨水排水系统自动优化方法 |
CN113190945A (zh) * | 2021-05-13 | 2021-07-30 | 西安理工大学 | 基于在线代理模型辅助进化算法的城市排水管网优化方法 |
CN116993027A (zh) * | 2023-09-27 | 2023-11-03 | 中国水利水电科学研究院 | 一种改进的水工程联合调度优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122519A (zh) * | 2017-03-27 | 2017-09-01 | 华南理工大学 | 一种城市供水管网压力监测点的优化布置方法 |
CN107742170A (zh) * | 2017-10-25 | 2018-02-27 | 天津大学 | 一种雨水管网系统水力设计参数优化方法 |
CN109284873A (zh) * | 2018-10-15 | 2019-01-29 | 上海凯泉泵业(集团)有限公司 | 一种基于swmm模型进行泵组优化调度和预警处置的智慧排水泵站 |
-
2019
- 2019-08-07 CN CN201910727147.3A patent/CN110555239B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122519A (zh) * | 2017-03-27 | 2017-09-01 | 华南理工大学 | 一种城市供水管网压力监测点的优化布置方法 |
CN107742170A (zh) * | 2017-10-25 | 2018-02-27 | 天津大学 | 一种雨水管网系统水力设计参数优化方法 |
CN109284873A (zh) * | 2018-10-15 | 2019-01-29 | 上海凯泉泵业(集团)有限公司 | 一种基于swmm模型进行泵组优化调度和预警处置的智慧排水泵站 |
Non-Patent Citations (1)
Title |
---|
李芊: "基于SWMM的城市雨水管网可靠性分析以及多目标改建优化研究", 《中国优秀硕士学位论文全文数据库(工程科技II辑)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111501952A (zh) * | 2020-04-24 | 2020-08-07 | 北京北排智慧水务有限公司 | 一种新型管道空间调蓄装置及其使用方法 |
CN111626004A (zh) * | 2020-05-20 | 2020-09-04 | 福建省水利水电勘测设计研究院 | 一种水闸运行调度模拟方法 |
CN111626004B (zh) * | 2020-05-20 | 2022-06-28 | 福建省水利水电勘测设计研究院有限公司 | 一种水闸运行调度模拟方法 |
CN112112240A (zh) * | 2020-07-30 | 2020-12-22 | 同济大学 | 一种城市河网防涝优化调度方法 |
CN112597670A (zh) * | 2021-03-05 | 2021-04-02 | 武汉理工大学 | 一种暴雨洪水管理模型软件的数据输入方法及装置 |
CN112989538A (zh) * | 2021-03-30 | 2021-06-18 | 清华大学 | 城市排水系统的控制方法和控制装置 |
CN113190944A (zh) * | 2021-04-30 | 2021-07-30 | 西安理工大学 | 基于swmm和matlab的城市雨水排水系统自动优化方法 |
CN113190944B (zh) * | 2021-04-30 | 2022-04-22 | 西安理工大学 | 基于swmm和matlab的城市雨水排水系统自动优化方法 |
CN113190945A (zh) * | 2021-05-13 | 2021-07-30 | 西安理工大学 | 基于在线代理模型辅助进化算法的城市排水管网优化方法 |
CN113190945B (zh) * | 2021-05-13 | 2022-04-12 | 西安理工大学 | 基于在线代理模型辅助进化算法的城市排水管网优化方法 |
CN116993027A (zh) * | 2023-09-27 | 2023-11-03 | 中国水利水电科学研究院 | 一种改进的水工程联合调度优化方法 |
CN116993027B (zh) * | 2023-09-27 | 2023-12-26 | 中国水利水电科学研究院 | 一种改进的水工程联合调度优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110555239B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555239B (zh) | 一种基于排水管网模型的河涌水闸优化调度方法 | |
Jeong et al. | Rainfall‐runoff models using artificial neural networks for ensemble streamflow prediction | |
CN110984062B (zh) | 一种流域干支流大规模水库群模拟调度方法 | |
Bae et al. | Monthly dam inflow forecasts using weather forecasting information and neuro-fuzzy technique | |
Hakimi-Asiabar et al. | Deriving operating policies for multi-objective reservoir systems: application of self-learning genetic algorithm | |
CN112989538B (zh) | 城市排水系统的控制方法和控制装置 | |
CN103902783B (zh) | 一种基于广义逆向学习差分算法的排水管网优化方法 | |
Chen et al. | Applying a real‐coded multi‐population genetic algorithm to multi‐reservoir operation | |
CN108109076B (zh) | 一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法 | |
CN110299008B (zh) | 一种基于强化学习的交通流多步预测方法 | |
CN1760912A (zh) | 城市排水系统不确定水力学模型建模方法 | |
CN111046574B (zh) | 一种平原湖区湖河闸泵系统防洪排涝演算方法 | |
CN114358664B (zh) | 变化环境与洪旱急转条件下洪水调度与水资源保障方法 | |
Chuntian | Fuzzy optimal model for the flood control system of the upper and middle reaches of the Yangtze River | |
CN111080483A (zh) | 基于图划分的供水管网dma自动分区方法 | |
CN110866367B (zh) | 复杂河网水流条件下常规突发水污染团的实时追踪方法 | |
CN113590676B (zh) | 基于梯级联合等效防洪库容的流域防洪调度方法及系统 | |
CN111967666A (zh) | 一种江河湖水系综合协同调度系统及其调度方法 | |
CN112112240A (zh) | 一种城市河网防涝优化调度方法 | |
Mandal et al. | Reservoir operations under changing climate conditions: hydropower-production perspective | |
Huang et al. | Genetic Algorithms for Optimization of Resource Allocation in Large Scale Construction Project Management. | |
CN113050430A (zh) | 一种基于鲁棒强化学习的排水系统控制方法 | |
Ranjbar et al. | Framework for a digital twin of the Canal of Calais | |
CN115907429A (zh) | 基于pso算法的合流制溢流优化控制方法及装置 | |
Safavi et al. | Conjunctive use of surface and ground water using fuzzy neural network and genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |