CN111581797B - 一种泵站实时优化调度方法及系统 - Google Patents

一种泵站实时优化调度方法及系统 Download PDF

Info

Publication number
CN111581797B
CN111581797B CN202010355078.0A CN202010355078A CN111581797B CN 111581797 B CN111581797 B CN 111581797B CN 202010355078 A CN202010355078 A CN 202010355078A CN 111581797 B CN111581797 B CN 111581797B
Authority
CN
China
Prior art keywords
pump
equation
formula
time
delta
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.)
Active
Application number
CN202010355078.0A
Other languages
English (en)
Other versions
CN111581797A (zh
Inventor
张绿原
徐青
谈震
李志安
胡鸣东
李东风
舒依娜
刘敏
王东
董自立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Nari Water Conservancy And Hydropower Technology Co ltd
Original Assignee
Nanjing Nari Water Conservancy And Hydropower Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Nari Water Conservancy And Hydropower Technology Co ltd filed Critical Nanjing Nari Water Conservancy And Hydropower Technology Co ltd
Priority to CN202010355078.0A priority Critical patent/CN111581797B/zh
Publication of CN111581797A publication Critical patent/CN111581797A/zh
Application granted granted Critical
Publication of CN111581797B publication Critical patent/CN111581797B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Control Of Non-Positive-Displacement Pumps (AREA)

Abstract

本发明公开了一种泵站实时优化调度方法及系统，首先将泵组通用特性曲线转换为可插值的数据集，利用三维插值方法构建了泵组运行的数学模型，然后将优化时段离散处理，构建目标时段泵站运行的状态矩阵，最后将开机时长、开机台数、叶角限定在可行解集内，采用遗传算法求最优解。本发明方法支持优化时段的自由选取以及可行解集的自由定义，贴合工程运行调度的实际需求，该方法求解快速，结果合理，能够满足感潮泵站实时优化调度的需求。

Description

一种泵站实时优化调度方法及系统
技术领域
本发明属于泵站优化调度技术领域，具体涉及一种泵站实时优化调度方法及系统。
背景技术
感潮泵站是水泵扬程受潮汐变化影响明显的泵站。当前，沿海地区有数百座大中型感潮泵站，泵站运行过程中，消耗大量能源，且多数效率较低，因此，降低能源消耗提高泵站运行效率是泵站调度的重要方向，开展感潮泵站优化调度策略研究对泵站的科学调度具有重要的现实意义。
泵站的运行效率由水泵净扬程、叶角、开机台数的共同决定。水泵净扬程受上下游水位的影响，不能控制，所以根据净扬程的变化选择合适的叶角和开机台数是提高泵站运行效率的主要措施，而叶角和开机台数又可以随着净扬程的变化多次调整。因此，感潮泵站的优化调度就是要在潮位不断变化的情况下，以目标流量为约束，在目标时段内寻找泵站运行状态的调整次数，每个调整时段的起止时刻、开机台数、泵组叶角的最优组合，实现目标时段内泵站的运行效率最高。此外，要满足感潮泵站的实时优化调度，还要考虑优化调度方法求解的时效性。
泵组净扬程是出水池水位和泵站前池潮位的差值，出水池水位变化很小可取恒定值，因此净扬程的主要影响因素为潮位。目前行业内常见的感潮泵站优化调度方法提供的仅仅是某些典型潮位下的泵组优化调度的方案，这些方案是静态的报告性的，没有考虑潮位的时变差异，无法满足感潮泵站实时调度的需求。此外，这些方案多是以日为单位进行优化，没有考虑供水时段的多日连续性，不能实现目标时段内的优化调度的整体最优。
目前行业内常用感潮泵站实时优化调度的主要缺点为：
1)对泵组特性曲线的处理多采用曲线拟合方法，曲线拟合时采用高次方程，拟合过程需要人工干预处理，精度偏差大，对拟合人员的技术水平要求高；
2)算法计算的粒度不精细，对潮位的时变性考虑不足，在优化方法中将一日的潮位变化近似为有限的几个时段，优化计算时采用的是时段内潮位的平均值，该值与泵站实际运行时的实际潮位偏差大，可信度不高，优化运行的结果并非是全局最优；
3)优化方法架构设计时对于泵站运行时的约束条件考虑不足，当模型确定后，新的约束条件不能便捷的加入到模型中，导致模型的实用性差；
4)优化方法复杂，计算速度慢，根据工程实时调度运行的需求，优化方法的计算耗时应控制在2min以内，但是常规的方法求解速度慢，计算时长远远超过2min，时效性差，无法满足实时调度需求。
通过以上我们可以看出，行业内目前采用的感潮泵站优化方法存在着各种缺陷，影响了感潮泵站优化运行技术的工程应用。
此外，现阶段泵站优化调度系统逐渐和自动化在线监控结合，这就需要优化调度方法和系统能够实时对感潮泵站的运行提供在线的实时的优化调度方案，这也就要求优化调度方法的计算耗时要满足时效要求。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种泵站实时优化调度方法及系统，解决了现有泵站优化调度技术中泵组特性曲线需要人工拟合，算法计算粒度不精细、可信度低的技术问题。
为解决上述技术问题，本发明提供了一种泵站实时优化调度方法，包括以下过程：
对泵组通用特性曲线进行插值处理，得到泵组运行数学模型。
对潮位的预报结果进行离散化处理，得到潮位随时间变化的离散值序列。
确定以泵站能耗最小为目标函数的优化运行模型；
根据泵组运行数学模型以及潮位离散值序列，结合优化运行模型，计算得到泵站机组运行参数；
按照得到的运行参数调整泵站机组的运行状态即可实现泵站的实时优化调度。
进一步的，所述对泵组通用特性曲线进行插值处理，得到泵组运行数学模型，包括：
通用特性曲线包括表述水泵特征的“叶角～水泵扬程～流量(A～H～Q)”关系，以及“叶角～流量～效率(A～Q～η)”关系；
不同叶角A下，关系曲线流量～净扬程(Q～Hl)的采样数据集可表达为矩阵UAQHl，如公式(5)所示：
Figure GDA0003745905720000031
式中：i为采样点序号，取1，2，3……；Ai、Hi、Qi分别为泵组通用特性曲线A～H～Q上第i个采样点对应的叶角、水泵扬程、流量，单位分别为°，m，m3/s；S表示管路沿程阻力系数与局部阻力系数之和，单位为s2/m5；
不同叶角A下，关系曲线流量～效率(Q～η)的采样数据集可表达为矩阵UAQη，如公式(6)所示：
Figure GDA0003745905720000041
式中：j为采样点序号，取1，2，3……；Aj、Qj、ηj分别为泵组通用特性曲线A～Q～η上第j个采样点对应的叶角、流量、水泵效率，单位分别为°，m3/s，无量纲；
利用插值函数阐明“叶角A、净扬程Hl、流量Q”三个维度之间的关系，当叶角为Ax，净扬程为Hly时，泵组流量Qz的求解可写为公式(7)：
Qz＝F(Ax，Hly) (7)
其中，Ax为公式(7)的输入变量值，该值为自变量，表示叶角，x表示该自变量位于x轴，Ax介于Ai的最小值和最大值之间，即Ax∈[min(Ai)，max(Ai)]；Hly为公式(7)的输入变量值，该值为自变量，表示净扬程，y表示该自变量位于y轴，Hly介于Hl的最小值和最大值之间，即Hly∈[min(Hl)，max(Hl)]；Qz为公式(7)的输出变量值，该值为因变量，表示泵组流量，z表示该变量位于z轴，Qz介于Qi的最小值和最大值之间，即Qz∈[min(Qi)，max(Qi)]；
利用插值函数阐明“叶角A、流量Q、效率η”三个维度之间的关系，当叶角为Ax，流量为Qy时，泵组效率ηz的求解函数如公式(8)所示
ηz＝G(Ax，Qy) (8)
其中，Ax为公式(8)的输入变量值，该值为自变量，表示叶角，x表示该自变量位于x轴，Ax介于Ai的最小值和最大值之间，即Ax∈[min(Ai)，max(Ai)]；Qy为公式(8)的输入变量值，该值为自变量，表示流量，y表示该自变量位于y轴，Qy介于Qj的最小值和最大值之间，即Qy∈[min(Qj)，max(Qj)]；ηz为公式(8)的输出变量值，该值为因变量，表示泵组效率，z表示该变量位于z轴，ηz介于ηi的最小值和最大值之间，即ηz∈[min(ηi)，max(ηi)]。
进一步的，所述对潮位的预报结果进行离散化处理，得到潮位随时间变化的离散值序列，包括：
对潮位的预报结果，以时长△T采样时，可表示为1×B的矩阵UHd，如公式(9)所示。
UHd＝[Hd1Hd2…Hdb…](b＝1,2，……，B) (9)
式中：Hdb为第b个采样点的预报潮位，m；B为时段[Ts，Te]中包含的△T的总数量，B×△T＝Te-Ts。
进一步的，所述确定以泵站能耗最小为目标函数的优化运行模型，包括：
在泵站的实际运行中，第b个△T时段泵组净扬程如公式(11)所示：
Hlb＝Hub-Hdb (11)
其中，Hlb为第b个△T时段泵组净扬程，单位为m；Hub为第b个△T时段出水池水位值，单位为m；Hdb为第b个△T时段潮位值，也就是前池水位值，单位为m；
第b个△T时段泵组能耗如公式(12)所示：
Figure GDA0003745905720000051
式中：ρ为水的密度，kg/m3；g为重力加速度，单位为m/s2；Qb为第b个△T时段的泵组流量，单位为m3/s；Hlb为第b个△T时段泵组净扬程，单位为m；ηb为第b个△T时段泵组效率，单位为m；W△T为第b个△T时段单泵能耗，单位为kW·h；
根据公式(7)，公式(12)中的Qb可根据公式(13)计算：
Qb＝F(Ab，Hlb) (13)
根据公式(8)，公式(12)中的ηb可根据公式(14)计算：
ηb＝G(Ab，Qb) (14)
联合公式(11)、(12)、(13)、(14)，泵站在时段[Ts，Te]能耗最小的目标函数如式(15)所示：
Figure GDA0003745905720000061
式中：Nb为第b个△T时段泵站开机台数；
优化运行模型以公式(15)作为目标函数。
进一步的，根据运行数学模型以及潮位离散值序列，结合优化运行模型，计算得到泵站机组运行参数，包括：
采用穷举法求解优化运行模型，得到优化时段数量；
采用遗传算法求解优化运行模型，得到每个子时段最佳的机组运行参数。
相应的，本发明还提供了一种泵站实时优化调度系统，包括通用特性曲线处理模块、潮位结果处理模块、优化运行模型确定模块、运行参数求解模块和优化调度模块，其中：
通用特性曲线处理模块，用于对泵组通用特性曲线进行插值处理，得到泵组运行数学模型。
潮位结果处理模块，用于对潮位的预报结果进行离散化处理，得到潮位随时间变化的离散值序列。
优化运行模型确定模块，用于确定以泵站能耗最小为目标函数的优化运行模型；
运行参数求解模块，用于根据泵组运行数学模型以及潮位离散值序列，结合优化运行模型，计算得到泵站机组运行参数；
优化调度模块，用于按照得到的运行参数调整泵站机组的运行状态即可实现泵站的实时优化调度。
进一步的，通用特性曲线处理模块中，所述对泵组通用特性曲线进行插值处理，得到泵组运行数学模型，包括：
通用特性曲线包括表述水泵特征的“叶角～水泵扬程～流量(A～H～Q)”关系，以及“叶角～流量～效率(A～Q～η)”关系；
不同叶角A下，关系曲线流量～净扬程(Q～Hl)的采样数据集可表达为矩阵UAQHl，如公式(5)所示：
Figure GDA0003745905720000071
式中：i为采样点序号，取1，2，3……；Ai、Hi、Qi分别为泵组通用特性曲线A～H～Q上第i个采样点对应的叶角、水泵扬程、流量，单位分别为°，m，m3/s；S表示管路沿程阻力系数与局部阻力系数之和，单位为s2/m5；
不同叶角A下，关系曲线流量～效率(Q～η)的采样数据集可表达为矩阵UAQη，如公式(6)所示：
Figure GDA0003745905720000072
式中：j为采样点序号，取1，2，3……；Aj、Qj、ηj分别为泵组通用特性曲线A～Q～η上第j个采样点对应的叶角、流量、水泵效率，单位分别为°，m3/s，无量纲；
利用插值函数阐明“叶角A、净扬程Hl、流量Q”三个维度之间的关系，当叶角为Ax，净扬程为Hly时，泵组流量Qz的求解可写为公式(7)：
Qz＝F(Ax，Hly) (7)
其中，Ax为公式(7)的输入变量值，该值为自变量，表示叶角，x表示该自变量位于x轴，Ax介于Ai的最小值和最大值之间，即Ax∈[min(Ai)，max(Ai)]；Hly为公式(7)的输入变量值，该值为自变量，表示净扬程，y表示该自变量位于y轴，Hly介于Hl的最小值和最大值之间，即Hly∈[min(Hl)，max(Hl)]；Qz为公式(7)的输出变量值，该值为因变量，表示泵组流量，z表示该变量位于z轴，Qz介于Qi的最小值和最大值之间，即Qz∈[min(Qi)，max(Qi)]；
利用插值函数阐明“叶角A、流量Q、效率η”三个维度之间的关系，当叶角为Ax，流量为Qy时，泵组效率ηz的求解函数如公式(8)所示
ηz＝G(Ax，Qy) (8)
其中，Ax为公式(8)的输入变量值，该值为自变量，表示叶角，x表示该自变量位于x轴，Ax介于Ai的最小值和最大值之间，即Ax∈[min(Ai)，max(Ai)]；Qy为公式(8)的输入变量值，该值为自变量，表示流量，y表示该自变量位于y轴，Qy介于Qj的最小值和最大值之间，即Qy∈[min(Qj)，max(Qj)]；ηz为公式(8)的输出变量值，该值为因变量，表示泵组效率，z表示该变量位于z轴，ηz介于ηi的最小值和最大值之间，即ηz∈[min(ηi)，max(ηi)]。
进一步的，潮位结果处理模块中，所述对潮位的预报结果进行离散化处理，得到潮位随时间变化的离散值序列，包括：
对潮位的预报结果，以时长△T采样时，可表示为1×B的矩阵UHd，如公式(9)所示。
UHd＝[Hd1Hd2…Hdb…](b＝1,2，……，B) (9)
式中：Hdb为第b个采样点的预报潮位，m；B为时段[Ts，Te]中包含的△T的总数量，B×△T＝Te-Ts。
进一步的，优化运行模型确定模块中，所述确定以泵站能耗最小为目标函数的优化运行模型，包括：
在泵站的实际运行中，第b个△T时段泵组净扬程如公式(11)所示：
Hlb＝Hub-Hdb (11)
其中，Hlb为第b个△T时段泵组净扬程，单位为m；Hub为第b个△T时段出水池水位值，单位为m；Hdb为第b个△T时段潮位值，也就是前池水位值，单位为m；
第b个△T时段泵组能耗如公式(12)所示：
Figure GDA0003745905720000091
式中：ρ为水的密度，单位为kg/m3；g为重力加速度，单位为m/s2；Qb为第b个△T时段的泵组流量，单位为m3/s；Hlb为第b个△T时段泵组净扬程，单位为m；ηb为第b个△T时段泵组效率，单位为m；W△T为第b个△T时段单泵能耗，单位为kW·h；
根据公式(7)，公式(12)中的Qb可根据公式(13)计算：
Qb＝F(Ab，Hlb) (13)
根据公式(8)，公式(12)中的ηb可根据公式(14)计算：
ηb＝G(Ab，Qb) (14)
联合公式(11)、(12)、(13)、(14)，泵站在时段[Ts，Te]能耗最小的目标函数如式(15)所示：
Figure GDA0003745905720000101
式中：Nb为第b个△T时段泵站开机台数；
优化运行模型以公式(15)作为目标函数。
进一步的，运行参数求解模块中，所述根据运行数学模型以及潮位离散值序列，结合优化运行模型，计算得到泵站机组运行参数，包括：
采用穷举法求解优化运行模型，得到优化时段数量；
采用遗传算法求解优化运行模型，得到每个子时段最佳的机组运行参数。
与现有技术相比，本发明所达到的有益效果是：
1)本发明在泵组特性曲线的处理上采取了三维插值方法，取消了泵组特性曲线的拟合步骤，降低了工程应用的技术难度。
2)在优化算法设计上，将目标时段离散化，构建了状态矩阵，离散后的单元时长可以根据优化精度需要自由调整，在单元时长细粒度取值时，优化方法采用的潮位值与泵站实际运行时的实际潮位偏差小，可信度高，优化运行的结果是全局最优的。
3)优化方法设计时将可行解限定在固定的解集中，约束条件可以通过对固定解集的元素的限定得以实现，工程应用中可以根据实际条件自由添加约束条件。
4)采用了状态矩阵计算目标函数，计算速度快，鲁棒性好，满足实时优化调度的要求。
附图说明
图1为本发明方法的流程图；
图2为实施例中叶角～水泵扬程～流量(A～H～Q)关系图；
图3为实施例中叶角～流量～效率(A～Q～η)关系图；
图4为Qe为150m3/s时的计算结果；
图5为Qe为190m3/s时的计算结果；
图6为Qe为230m3/s时的计算结果。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的创新思路是：将泵组通用特性曲线转换为可插值的数据集，利用三维插值方法构建了泵组运行的数学模型；然后将优化时段离散处理，构建目标时段泵站运行的状态矩阵；最后将开机时长、开机台数、叶角限定在可行解集内，采用遗传算法求最优解，解决了约束条件考虑不足以及计算速度慢的问题。
本发明的一种泵站实时优化调度方法，参见图1所示，包括以下步骤：
步骤1，对调度指令及优化运行的结果进行符号定义，得到供水指令下泵站优化运行的状态矩阵表达式，为后续步骤计算提供统一的符号定义。
在供水模式下，感潮泵站接到的供水调度指令可写为向量Comand，如式(1)所示，该指令表示，在未来时段[Ts，Te]内，泵站应以平均流量Qe供水。
Comand＝[Ts,Te,Qe] (1)
式中：Ts为供水起始时刻，s(取时间戳单位：秒)；Te为供水终止时刻，s(取时间戳单位：秒)；Qe为供水时段[Ts，Te]的平均流量，m3/s。
因此，在固定的时段内，泵站的扬水任务是相对固定的，泵站的优化运行就是将这个固定时段划分为M个不同的子时段，并且在M个时段内寻找最优的开机台数、泵组叶角组合，使泵站在时段[Ts，Te]平均流量不小于Qe，并且全站的总能耗最小。时段[Ts，Te]泵站运行状态矩阵State如公式(2)所示：
Figure GDA0003745905720000121
式中：m为子时段序号，取1，2，3，……，M；Lsm为第m个子时段的起始时刻，单位s；Lem为第m个子时段的终止时刻，单位s；Nm为第m个子时段的开机台数，单位台；Am为第m个时段的机组叶角，单位°。
对于第m个子时段，泵站运行的状态向量可写为Statem，如公式(3)所示：
Statem＝[LsmLemNmAm] (3)
步骤2，对泵组通用特性曲线图的采样数据集，用三维插值函数进行处理，得到计算流量Q的插值函数F(·)，以及计算效率η的插值函数G(·)，插值函数F(·)和G(·)就是泵组运行的数学模型，为步骤4构建泵站优化运行的目标函数提供计算基础。
通用特性曲线是泵组优化运行建模的基础，现有的泵组特性曲线多以图形的方式表达，表述水泵特征的“叶角～水泵扬程～流量(A～H～Q)”关系，以及“叶角～流量～效率(A～Q～η)”关系。要实现在计算机中的应用，需要对图形进行数字化，即通过采样建立通用特性曲线的数据集合。
在实际运行中由于管路水头损失的存在，水泵扬程H与净扬程(即实际扬程)Hj并不相等，水泵扬程是净扬程与管路水头损失之和。采用扣损法将水泵扬程变换为净扬程，即在水泵性能曲线流量～水泵扬程(Q～H)上，减去相应流量的管路水头损失，可得到水泵流量与净扬程的对应关系。
水泵扬程H与净扬程Hl的变换关系如公式(4)所示：
Hl＝H-SQ2 (4)
式中，H表示水泵扬程，单位m；Hl表示净扬程，单位为m；Q表示泵站通用特性曲线中扬程H对应的流量，单位为m3/s；S表示管路沿程阻力系数与局部阻力系数之和，单位为s2/m5。
不同叶角A下，关系曲线流量～净扬程(Q～Hl)的采样数据集可表达为矩阵UAQHl，如公式(5)所示：
Figure GDA0003745905720000131
式中：i为采样点序号，取1，2，3……；Ai、Hi、Qi分别为泵组通用特性曲线A～H～Q上第i个采样点对应的叶角、水泵扬程、流量，单位分别为°，m，m3/s。
不同叶角A下，关系曲线流量～效率(Q～η)的采样数据集可表达为矩阵UAQη，如公式(6)所示：
Figure GDA0003745905720000132
式中：j为采样点序号，取1，2，3……；Aj、Qj、ηj分别为泵组通用特性曲线A～Q～η上第j个采样点对应的叶角、流量、水泵效率，单位分别为°，m3/s，无量纲。
UAQHl是泵组通用特性曲线A～Q～Hl上的已知点(其中水泵扬程根据公式(4)已转换为净扬程)，它阐明了“叶角A、流量Q、净扬程Hj”三者之间的对应关系，由于UAQHl中的“叶角A、流量Q、净扬程Hl”为采样点，当叶角A、净扬程Hl的实际值不在集合UAQHl中的时候，就需要根据插值函数求解流量Q。插值函数阐明的是“叶角A、净扬程Hl、流量Q”三个维度之间的关系，因此插值函数采用的是三维插值函数，三维插值函数可选用Matlab提供的TriScatteredInterp类或Python提供的interpolate.griddata包。当叶角为Ax，净扬程为Hjy时，泵组流量Qz的求解可写为公式(7)：
Qz＝F(Ax，Hly) (7)
其中，Ax为公式(7)的输入变量值，该值为自变量，表示叶角，x表示该自变量位于x轴，Ax介于Ai的最小值和最大值之间，即Ax∈[min(Ai)，max(Ai)]；Hjy为公式(7)的输入变量值，该值为自变量，表示净扬程，y表示该自变量位于y轴，Hly介于Hl的最小值和最大值之间，即Hly∈[min(Hl)，max(Hl)]；Qz为公式(7)的输出变量值，该值为因变量，表示泵组流量，z表示该变量位于z轴，Qz介于Qi的最小值和最大值之间，即Qz∈[min(Qi)，max(Qi)]。
UAQη是泵组通用特性曲线A～Q～η上的已知点，它阐明了“叶角A、流量Q、效率η”三者之间的对应关系，由于UAQη中的“叶角A、流量Q、效率η”为采样点，当叶角A、流量Q的值不在集合UAQη中的时候，就需要根据插值函数求解效率η。插值函数阐明的是“叶角A、流量Q、效率η”三个维度之间的关系，因此插值函数采用的是三维插值函数，三维插值函数可选用Matlab提供的TriScatteredInterp类或Python提供的interpolate.griddata包。当叶角为Ax，流量为Qy时，泵组效率ηz的求解函数如公式(8)所示
ηz＝G(Ax，Qy) (8)
其中，Ax为公式(8)的输入变量值，该值为自变量，表示叶角，x表示该自变量位于x轴，Ax介于Ai的最小值和最大值之间，即Ax∈[min(Ai)，max(Ai)]；Qy为公式(8)的输入变量值，该值为自变量，表示流量，y表示该自变量位于y轴，Qy介于Qj的最小值和最大值之间，即Qy∈[min(Qj)，max(Qj)]；ηz为公式(8)的输出变量值，该值为因变量，表示泵组效率，z表示该变量位于z轴，ηz介于ηi的最小值和最大值之间，即ηz∈[min(ηi)，max(ηi)]。
步骤3，对潮位的预报结果采用离散化处理，得到供水时段[Ts，Te]内，潮位变化的矩阵，为步骤4构建泵站优化运行的目标函数提供计算基础。
潮位是影响泵组效率的因素之一，对潮位的预报结果，以时长△T采样时，可表示为1×B的矩阵UHd，如公式(9)所示。
UHd＝[Hd1Hd2…Hdb…](b＝1,2，……，B) (9)
式中：Hdb为第b个△T时段的预报潮位，m；B为时段[Ts，Te]中包含的△T的总数量，B×△T＝Te-Ts。
步骤4，结合步骤2泵组运行的数学模型，步骤3潮位预报的离散化处理结果，建立以泵站能耗最小为目标函数的优化运行模型。
泵站优化运行的目标是在满足时段[Ts，Te]平均流量不小于Qe的情况下，全站的总能耗最小。对于第b个时段△T，潮位值变化很小，可近似等于采样值Hdb。在不考虑拦污栅水头损失的情况下，泵站前池水位可直接取潮位值Hd。出水池水位Hu变幅很小，取恒定值。因此，泵站的优化运行的目标转换为在潮位预测的基础上，求解B个时段的泵站的总能耗之和最小。
对于第b个△T时段，泵站运行的状态可写为公式(10)：
Stateb＝(Lsb,Leb,Nb,Ab) (10)
式中：Lsb为第b个子时段的起始时刻，s；Leb为第b个子时段的终止时刻，s；Nb为第b个时段的开机台数，台；Ab为第b个时段的机组叶角，°。
由于采样时长△T<<(Lem-Lsm)，因此，对于第b个△T时段，泵站运行状态Stateb∈Statem。
在泵站的实际运行中，第b个△T时段泵组净扬程如公式(11)所示：
Hlb＝Hub-Hdb (11)
其中，Hlb为第b个△T时段泵组净扬程，m；Hub为第b个△T时段出水池水位值，m；Hdb为第b个△T时段潮位值，也就是前池水位值，m。
第b个△T时段泵组能耗如公式(12)所示：
Figure GDA0003745905720000161
式中：ρ为水的密度，单位为kg/m3；g为重力加速度，单位为m/s2；Qb为第b个△T时段的泵组流量，单位为m3/s；Hlb为第b个△T时段泵组净扬程，单位为m；ηb为第b个△T时段泵组效率，单位为m；W△T为第b个△T时段单泵能耗，单位为kW·h。
根据公式(7)，公式(12)中的Qb可根据公式(13)计算：
Qb＝F(Ab，Hlb) (13)
根据公式(8)，公式(12)中的ηb可根据公式(14)计算：
ηb＝G(Ab，Qb) (14)
联合公式(11)、(12)、(13)、(14)，泵站在时段[Ts，Te]能耗最小的目标函数如式(15)所示：
Figure GDA0003745905720000171
式中：Wa表示泵站在时段[Ts，Te]的总能耗，单位为kW·h。Nb为第b个△T时段泵站开机台数；
步骤5，采用穷举法和遗传算法求解公式(15)，得到优化时段数量M，以及每个m子时段最佳的机组运行状态向量Statem。
(1)对M值的选取采用穷举法。
对连续的△T时段，机组的状态应保持一致，泵站在时段[Ts，Te]内子时段的数量M是有限的，在目标函数(15)求解时，M值的选取可采用穷举法。
(2)对每个m子时段最佳的机组运行状态向量Statem中各个变量Lsm、Lem、Nm、Am的求解采用遗传算法。
对于第m个子时段，其中包含Cm个△T时段，则起止时刻Lsm和Lem可分别用公式(16)和公式(17)表示：
Figure GDA0003745905720000172
Figure GDA0003745905720000173
式中：Cm为第m个子时段包含的△T时段个数。
因此，第m个子时段的优化变量为时段数量Cm、开机台数Nm、机组叶角Am。时段[Ts，Te]内包含的△T时段数量是已知的，当M穷举取值后，整个时段[Ts，Te]优化变量的总个数为3*M-1。
对于本目标函数的求解，时段数量Cm，开机台数Nm均为离散整数。受制于叶角调节机构的性能，叶角精确到小数点后1位即可。因此，机组叶角Am的可行解也为离散量。在某些叶角下，泵组处于振动区，在利用遗传算法计算时要考虑避开，因此，叶角Am的可行解集中要去掉处于振动区的叶角。
为方便处理，统一将可行解集转变为整数解的求解问题，然后通过变换函数来设置可行解集。以叶角Am的为例，可行解集可写为向量UA，如公式(18)：
UA＝[A1A2…Ap](p＝1,2,3…P) (18)
式中：Ap为叶角的可行解，°；P为可行解的总个数，无量纲。
在使用遗传算法求解时，叶角整数解取值范围为[1，P]，在目标函数求解时，将整数可行解通过变换函数(19)转为实际叶角。
Am(p)＝UA[p] (19)
式中，p表示遗传算法求解时叶角的整数可行解，无量纲；Am(p)表示遗传算法求解时叶角可行解p对应的实际叶角，°。
执行后得到优化时段数量M，以及每个m子时段的时段数量Cm、开机台数Nm、机组叶角Am。
步骤6，按照得到的时段数量M，以及每个m子时段的时段数量Cm、开机台数Nm、机组叶角Am调整泵站机组的运行状态即可实现泵站的实时优化调度。
当泵站实际调度运行时，将整个优化运行时段[Ts，Te]将划分为M个时段，对于第m个时段的起止时刻为[Lsm，Lem]，在时段[Lsm，Lem]开启Nm台泵组，将每台泵组的叶角调整为Am，当时刻Te结束后则实现了泵站的优化调度。
实施例
相应的，本发明还提供了一种泵站实时优化调度系统，包括通用特性曲线处理模块、潮位结果处理模块、优化运行模型确定模块、运行参数求解模块和优化调度模块，其中：
通用特性曲线处理模块，用于对泵组通用特性曲线进行插值处理，得到泵组运行数学模型。
潮位结果处理模块，用于对潮位的预报结果进行离散化处理，得到潮位随时间变化的离散值序列。
优化运行模型确定模块，用于确定以泵站能耗最小为目标函数的优化运行模型；
运行参数求解模块，用于根据泵组运行数学模型以及潮位离散值序列，结合优化运行模型，计算得到泵站机组运行参数；
优化调度模块，用于按照得到的运行参数调整泵站机组的运行状态即可实现泵站的实时优化调度。
进一步的，通用特性曲线处理模块，所述对泵组通用特性曲线进行插值处理，得到泵组运行数学模型，包括：
通用特性曲线包括表述水泵特征的“叶角～水泵扬程～流量(A～H～Q)”关系，以及“叶角～流量～效率(A～Q～η)”关系；
不同叶角A下，关系曲线流量～净扬程(Q～Hl)的采样数据集可表达为矩阵UAQHl，如公式(5)所示：
Figure GDA0003745905720000191
式中：i为采样点序号，取1，2，3……；Ai、Qi、Hi分别为泵组通用特性曲线A～H～Q上第i个采样点对应的叶角、水泵扬程、流量，单位分别为°，m，m3/s；
不同叶角A下，关系曲线流量～效率(Q～η)的采样数据集可表达为矩阵UAQη，如公式(6)所示：
Figure GDA0003745905720000201
式中：j为采样点序号，取1，2，3……；Aj、Qj、ηj分别为泵组通用特性曲线A～Q～η上第j个采样点对应的叶角、流量、水泵效率，单位分别为°，m3/s，无量纲；
利用插值函数阐明“叶角A、净扬程Hl、流量Q”三个维度之间的关系，当叶角为Ax，净扬程为Hly时，泵组流量Qz的求解可写为公式(7)：
Qz＝F(Ax，Hly) (7)
其中，Ax为公式(7)的输入变量值，该值为自变量，表示叶角，x表示该自变量位于x轴，Ax介于Ai的最小值和最大值之间，即Ax∈[min(Ai)，max(Ai)]；Hly为公式(7)的输入变量值，该值为自变量，表示净扬程，y表示该自变量位于y轴，Hly介于Hl的最小值和最大值之间，即Hly∈[min(Hl)，max(Hl)]；Qz为公式(7)的输出变量值，该值为因变量，表示泵组流量，z表示该变量位于z轴，Qz介于Qi的最小值和最大值之间，即Qz∈[min(Qi)，max(Qi)]；
利用插值函数阐明“叶角A、流量Q、效率η”三个维度之间的关系，当叶角为Ax，流量为Qy时，泵组效率ηz的求解函数如公式(8)所示
ηz＝G(Ax，Qy) (8)
其中，Ax为公式(8)的输入变量值，该值为自变量，表示叶角，x表示该自变量位于x轴，Ax介于Ai的最小值和最大值之间，即Ax∈[min(Ai)，max(Ai)]；Qy为公式(8)的输入变量值，该值为自变量，表示流量，y表示该自变量位于y轴，Qy介于Qj的最小值和最大值之间，即Qy∈[min(Qj)，max(Qj)]；ηz为公式(8)的输出变量值，该值为因变量，表示泵组效率，z表示该变量位于z轴，ηz介于ηi的最小值和最大值之间，即ηz∈[min(ηi)，max(ηi)]。
进一步的，潮位结果处理模块中，所述对潮位的预报结果进行离散化处理，得到潮位随时间变化的离散值序列，包括：
对潮位的预报结果，以时长△T采样时，可表示为1×B的矩阵UHd，如公式(9)所示。
UHd＝[Hd1Hd2…Hdb…](b＝1,2，……，B) (9)
式中：Hdb为第b个△T时段的预报潮位，m；B为时段[Ts，Te]中包含的△T的总数量，B×△T＝Te-Ts。
进一步的，优化运行模型确定模块中，所述确定以泵站能耗最小为目标函数的优化运行模型，包括：
在泵站的实际运行中，第b个△T时段泵组净扬程如公式(11)所示：
Hlb＝Hub-Hdb (11)
其中，Hlb为第b个△T时段泵组净扬程，m；Hub为第b个△T时段出水池水位值，m；Hdb为第b个△T时段潮位值，也就是前池水位值，m；
第b个△T时段泵组能耗如公式(12)所示：
Figure GDA0003745905720000211
式中：ρ为水的密度，单位为kg/m3；g为重力加速度，单位为m/s2；Qb为第b个△T时段的泵组流量，单位为m3/s；Hlb为第b个△T时段泵组净扬程，单位为m；ηb为第b个△T时段泵组效率，单位为m；W△T为第b个△T时段单泵能耗，单位为kW·h；
根据公式(7)，公式(12)中的Qb可根据公式(13)计算：
Qb＝F(Ab，Hlb) (13)
根据公式(8)，公式(12)中的ηb可根据公式(14)计算：
ηb＝G(Ab，Qb) (14)
联合公式(11)、(12)、(13)、(14)，泵站在时段[Ts，Te]能耗最小的目标函数如式(15)所示：
Figure GDA0003745905720000221
Nb为第b个△T时段泵站开机台数；
优化运行模型以公式(15)作为目标函数。
进一步的，运行参数求解模块中，所述根据运行数学模型以及潮位离散值序列，结合优化运行模型，计算得到泵站机组运行参数，包括：
采用穷举法求解优化运行模型，得到优化时段数量；
采用遗传算法求解优化运行模型，得到每个子时段最佳的机组运行参数。
感潮泵站消耗能源大、效率低，其调度运行受潮位影响大，行业内目前采用的感潮泵站优化方法存在曲线拟合技术复杂、算法计算的粒度不精细、对潮位的时变性考虑不足、无法得到全局最优解、约束条件考虑不足以及计算速度慢等问题，给感潮泵站实时优化调度带来了较大的不便。
本发明提出的实时优化策略，将泵组通用特性曲线转换为可插值的数据集，利用三维插值方法构建了泵组运行的数学模型，解决了曲线拟合技术复杂的问题；然后将优化时段离散处理，构建目标时段泵站运行的状态矩阵，解决了算法计算的粒度不精细、对潮位的时变性考虑不足、无法得到全局最优解的问题；最后将开机时长、开机台数、叶角限定在可行解集内，采用遗传算法求最优解，解决了约束条件考虑不足以及计算速度慢的问题。该方法支持优化时段的自由选取以及可行解集的自由定义，贴合工程运行调度的实际需求，该方法求解快速，结果合理，能够满足感潮泵站实时优化调度的需求。
实施例
以江苏某泵站为例，对泵组通用特性曲线采样后，通过三维插值得到可行域内的“叶角～净扬程～流量(A～Hj～Q)”关系，A、Hl、Q可以是其取值范围内的任意值，选取典型值绘示意图，如图2所示；通过三维插值得到可行域内的“叶角～流量～效率(A～Q～η)”关系，A、Q、η可以是其取值范围内的任意值，选取典型值绘示意图，如图3所示
对Qe为150m3/s，190m3/s，230m3/s三种流量调度指令下的子时段数量、开机时段、开机台数和叶角进行优化求解，求解时采用的参数如表1所示：
表1泵站优化计算的参数
Figure GDA0003745905720000231
优化求解测试使用的是Windows 64位笔记本电脑(CPU：Intel I5-2520M；内存：8G)，单个求解过程耗时不超过2min。工程应用时配置高性能服务器并采用并行计算后，求解速度可满足实时运算的需求。
三种流量调度指令下的求解结果见表2。
表2三种流量调度指令下的求解结果
Figure GDA0003745905720000241
三种流量调度指令下的机组运行状态如图4至图6所示，为方便在同一张图观察，流量Q缩小了10倍，效率η放大了10倍。
图4表示的是流量需求Qe＝150m3/s时，0分钟至1440分钟(即[00:00，24:00])泵站的优化运行计算结果。曲线N表示开机台数随时间的调整方法；曲线A表示每台机组的叶角随时间的调整方法；曲线Hj表示泵组的净扬程随着时间的变化；曲线Q/10表示单泵的流量在净扬程不断变化和机组状态不断调整的共同影响下随着时间的变化；曲线η*10表示单泵的机组效率在净扬程不断变化和机组状态不断调整的共同影响下随着时间的变化。
按照该结果，在0分钟至145分钟(即[00:00--02:25])，泵站应开启1台机，机组的叶角应调整为2.6°；在146分钟至512分钟(即[02:26--08:32])，泵站应开启4台机，机组的叶角应调整为-3.2°；在513分钟至894分钟(即[08:33--14:54])，泵站应开启6台机，机组的叶角应调整为2.2°；在895分钟至1440分钟(即[14:55--24:00])，泵站应开启4台机，机组的叶角应调整为1.8°。
图5表示的是流量需求Qe＝190m3/s时，0分钟至1440分钟(即[00:00，24:00])泵站的优化运行计算结果。曲线N表示开机台数随时间的调整方法；曲线A表示每台机组的叶角随时间的调整方法；曲线Hj表示泵组的净扬程随着时间的变化；曲线Q/10表示单泵的流量在净扬程不断变化和机组状态不断调整的共同影响下随着时间的变化；曲线η*10表示单泵的机组效率在净扬程不断变化和机组状态不断调整的共同影响下随着时间的变化。
按照该结果，在0分钟至1140分钟(即[00:00--19:20])，泵站应开启6台机，机组的叶角应调整为1.5°；在1141分钟至1440分钟(即[19:21--24:00])，泵站应开启2台机，机组的叶角应调整为0.6°。
图6表示的是流量需求Qe＝230m3/s时，0分钟至1440分钟(即[00:00，24:00])泵站的优化运行计算结果。曲线N表示开机台数随时间的调整方法；曲线A表示每台机组的叶角随时间的调整方法；曲线Hl表示泵组的净扬程随着时间的变化；曲线Q/10表示单泵的流量在净扬程不断变化和机组状态不断调整的共同影响下随着时间的变化；曲线η*10表示单泵的机组效率在净扬程不断变化和机组状态不断调整的共同影响下随着时间的变化。
按照该结果，在0分钟至578分钟(即[00:00--09:38])，泵站应开启5台机，机组的叶角应调整为1.0°；在579分钟至1440分钟(即[09:39--24:00])，泵站应开启7台机，机组的叶角应调整为2.7°。
由图4至图6可知，在叶角相同的情况下，单机流量Q与净扬程Hj呈反相关关系，这与理论是一致的。受净扬程Hl和效率η的共同影响，低扬程时段的开机台数不一定最多，最优的结果并不一定是状态调整次数最多的。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (4)

1.一种泵站实时优化调度方法，其特征是，包括以下过程：
对泵组通用特性曲线进行插值处理，得到泵组运行数学模型；
对潮位的预报结果进行离散化处理，得到潮位随时间变化的离散值序列；
确定以泵站能耗最小为目标函数的优化运行模型；
根据泵组运行数学模型以及潮位离散值序列，结合优化运行模型，计算得到泵站机组运行参数；
按照得到的运行参数调整泵站机组的运行状态即可实现泵站的实时优化调度；
所述对泵组通用特性曲线进行插值处理，得到泵组运行数学模型，包括：
通用特性曲线包括表述水泵特征的“叶角～水泵扬程～流量，即A～H～Q”关系，以及“叶角～流量～效率，即A～Q～η”关系；
不同叶角A下，关系曲线流量～净扬程，即Q～Hl的采样数据集表达为矩阵UAQHl，如公式(5)所示：
Figure FDA0003754359790000011
式中：i为采样点序号，取1，2，3……；Ai、Hi、Qi分别为泵组通用特性曲线A～H～Q上第i个采样点对应的叶角、水泵扬程、流量，单位分别为°，m，m3/s；S表示管路沿程阻力系数与局部阻力系数之和，单位为s2/m5；
不同叶角A下，关系曲线流量～效率，即Q～η的采样数据集可表达为矩阵UAQη，如公式(6)所示：
Figure FDA0003754359790000021
式中：j为采样点序号，取1，2，3……；Aj、Qj、ηj分别为泵组通用特性曲线A～Q～η上第j个采样点对应的叶角、流量、水泵效率，单位分别为°，m3/s，无量纲；
利用插值函数阐明“叶角A、净扬程Hl、流量Q”三个维度之间的关系，当叶角为Ax，净扬程为Hly时，泵组流量Qz的求解可写为公式(7)：
Qz＝F(Ax，Hly) (7)
其中，Ax为公式(7)的输入变量值，该值为自变量，表示叶角，x表示该自变量位于x轴，Ax介于Ai的最小值和最大值之间；Hly为公式(7)的输入变量值，该值为自变量，表示净扬程，y表示该自变量位于y轴，Hly介于Hl的最小值和最大值之间；Qz为公式(7)的输出变量值，该值为因变量，表示泵组流量，z表示该变量位于z轴，Qz介于Qi的最小值和最大值之间；
利用插值函数阐明“叶角A、流量Q、效率η”三个维度之间的关系，当叶角为Ax，流量为Qy时，泵组效率ηz的求解函数如公式(8)所示，
ηz＝G(Ax，Qy) (8)
其中，Ax为公式(8)的输入变量值，该值为自变量，表示叶角，x表示该自变量位于x轴，Ax介于Ai的最小值和最大值之间；Qy为公式(8)的输入变量值，该值为自变量，表示流量，y表示该自变量位于y轴，Qy介于Qj的最小值和最大值之间；ηz为公式(8)的输出变量值，该值为因变量，表示泵组效率，z表示该变量位于z轴，ηz介于ηi的最小值和最大值之间；
所述对潮位的预报结果进行离散化处理，得到潮位随时间变化的离散值序列，包括：
对潮位的预报结果，以时长△T采样时，可表示为1×B的矩阵UHd，如公式(9)所示；
UHd＝[Hd1Hd2…Hdb…]，b＝1，2，……，B (9)
式中：Hdb为第b个△T时段的预报潮位，单位为m；B为时段[Ts，Te]中包含的△T的总数量，B×△T＝Te-Ts；
所述确定以泵站能耗最小为目标函数的优化运行模型，包括：
在泵站的实际运行中，第b个△T时段泵组净扬程如公式(11)所示：
Hlb＝Hub-Hdb (11)
其中，Hlb为第b个△T时段泵组净扬程，单位为m；Hub为第b个△T时段出水池水位值，单位为m；Hdb为第b个△T时段潮位值，也就是前池水位值，单位为m；
第b个△T时段泵组能耗如公式(12)所示：
Figure FDA0003754359790000031
式中：ρ为水的密度，单位为kg/m3；g为重力加速度，单位为m/s2；Qb为第b个△T时段的泵组流量，单位为m3/s；Hlb为第b个△T时段泵组净扬程，单位为m；ηb为第b个△T时段泵组效率，单位为m；W△T为第b个△T时段单泵能耗，单位为kW·h；
根据公式(7)，公式(12)中的Qb可根据公式(13)计算：
Qb＝F(Ab，Hlb) (13)
根据公式(8)，公式(12)中的ηb可根据公式(14)计算：
ηb＝G(Ab，Qb) (14)
联合公式(11)、(12)、(13)、(14)，泵站在时段[Ts，Te]能耗最小的目标函数如式(15)所示：
Figure FDA0003754359790000041
式中：Nb为第b个△T时段泵站开机台数；
优化运行模型以公式(15)作为目标函数。
2.根据权利要求1所述的一种泵站实时优化调度方法，其特征是，根据运行数学模型以及潮位离散值序列，结合优化运行模型，计算得到泵站机组运行参数，包括：
采用穷举法求解优化运行模型，得到优化时段数量；
采用遗传算法求解优化运行模型，得到每个子时段最佳的机组运行参数。
3.一种泵站实时优化调度系统，其特征是，包括通用特性曲线处理模块、潮位结果处理模块、优化运行模型确定模块、运行参数求解模块和优化调度模块，其中：
通用特性曲线处理模块，用于对泵组通用特性曲线进行插值处理，得到泵组运行数学模型；
潮位结果处理模块，用于对潮位的预报结果进行离散化处理，得到潮位随时间变化的离散值序列；
优化运行模型确定模块，用于确定以泵站能耗最小为目标函数的优化运行模型；
运行参数求解模块，用于根据泵组运行数学模型以及潮位离散值序列，结合优化运行模型，计算得到泵站机组运行参数；
优化调度模块，用于按照得到的运行参数调整泵站机组的运行状态即可实现泵站的实时优化调度；
通用特性曲线处理模块，所述对泵组通用特性曲线进行插值处理，得到泵组运行数学模型，包括：
通用特性曲线包括表述水泵特征的“叶角～水泵扬程～流量，即A～H～Q”关系，以及“叶角～流量～效率，即A～Q～η”关系；
不同叶角A下，关系曲线流量～净扬程，即Q～Hl的采样数据集可表达为矩阵UAQHl，如公式(5)所示：
Figure FDA0003754359790000051
式中：i为采样点序号，取1，2，3……；Ai、Hi、Qi分别为泵组通用特性曲线A～H～Q上第i个采样点对应的叶角、水泵扬程、流量，单位分别为°，m，m3/s；S表示管路沿程阻力系数与局部阻力系数之和，单位为s2/m5；
不同叶角A下，关系曲线流量～效率,即Q～η的采样数据集可表达为矩阵UAQη，如公式(6)所示：
Figure FDA0003754359790000052
式中：j为采样点序号，取1，2，3……；Aj、Qj、ηj分别为泵组通用特性曲线A～Q～η上第j个采样点对应的叶角、流量、水泵效率，单位分别为°，m3/s，无量纲；
利用插值函数阐明“叶角A、净扬程Hl、流量Q”三个维度之间的关系，当叶角为Ax，净扬程为Hly时，泵组流量Qz的求解可写为公式(7)：
Qz＝F(Ax，Hly) (7)
其中，Ax为公式(7)的输入变量值，该值为自变量，表示叶角，x表示该自变量位于x轴，Ax介于Ai的最小值和最大值之间；Hly为公式(7)的输入变量值，该值为自变量，表示净扬程，y表示该自变量位于y轴，Hly介于Hl的最小值和最大值之间；Qz为公式(7)的输出变量值，该值为因变量，表示泵组流量，z表示该变量位于z轴，Qz介于Qi的最小值和最大值之间；
利用插值函数阐明“叶角A、流量Q、效率η”三个维度之间的关系，当叶角为Ax，流量为Qy时，泵组效率ηz的求解函数如公式(8)所示，
ηz＝G(Ax，Qy) (8)
其中，Ax为公式(8)的输入变量值，该值为自变量，表示叶角，x表示该自变量位于x轴，Ax介于Ai的最小值和最大值之间；Qy为公式(8)的输入变量值，该值为自变量，表示流量，y表示该自变量位于y轴，Qy介于Qj的最小值和最大值之间；ηz为公式(8)的输出变量值，该值为因变量，表示泵组效率，z表示该变量位于z轴，ηz介于ηi的最小值和最大值之间；
潮位结果处理模块中，所述对潮位的预报结果进行离散化处理，得到潮位随时间变化的离散值序列，包括：
对潮位的预报结果，以时长△T采样时，可表示为1×B的矩阵UHd，如公式(9)所示：
UHd＝[Hd1Hd2…Hdb…]b＝1,2，……，B (9)
式中：Hdb为第b个△T时段的预报潮位，m；B为时段[Ts，Te]中包含的△T 的总数量，B×△T＝Te-Ts；
优化运行模型确定模块中，所述确定以泵站能耗最小为目标函数的优化运行模型，包括：
在泵站的实际运行中，第b个△T时段泵组净扬程如公式(11)所示：
Hlb＝Hub-Hdb (11)
其中，Hlb为第b个△T时段泵组净扬程，单位为m；Hub为第b个△T时段出水池水位值，m；Hdb为第b个△T时段潮位值，也就是前池水位值，单位为m；
第b个△T时段泵组能耗如公式(12)所示：
Figure FDA0003754359790000071
式中：ρ为水的密度，kg/m3；g为重力加速度，单位为m/s2；Qb为第b个△T时段的泵组流量，单位为m3/s；Hlb为第b个△T时段泵组净扬程，单位为m；ηb为第b个△T时段泵组效率，单位为m；W△T为第b个△T时段单泵能耗，单位为kW·h；
根据公式(7)，公式(12)中的Qb可根据公式(13)计算：
Qb＝F(Ab，Hlb) (13)
根据公式(8)，公式(12)中的ηb可根据公式(14)计算：
ηb＝G(Ab，Qb) (14)
联合公式(11)、(12)、(13)、(14)，泵站在时段[Ts，Te]能耗最小的目标函数如式(15)所示：
Figure FDA0003754359790000072
式中：Nb为第b个△T时段泵站开机台数；
优化运行模型以公式(15)作为目标函数。
4.根据权利要求3所述的一种泵站实时优化调度系统，其特征是，运行参数求解模块中，所述根据运行数学模型以及潮位离散值序列，结合优化运行模型，计算得到泵站机组运行参数，包括：
采用穷举法求解优化运行模型，得到优化时段数量；
采用遗传算法求解优化运行模型，得到每个子时段最佳的机组运行参数。
CN202010355078.0A 2020-04-29 2020-04-29 一种泵站实时优化调度方法及系统 Active CN111581797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010355078.0A CN111581797B (zh) 2020-04-29 2020-04-29 一种泵站实时优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010355078.0A CN111581797B (zh) 2020-04-29 2020-04-29 一种泵站实时优化调度方法及系统

Publications (2)

Publication Number Publication Date
CN111581797A CN111581797A (zh) 2020-08-25
CN111581797B true CN111581797B (zh) 2022-08-26

Family

ID=72124561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010355078.0A Active CN111581797B (zh) 2020-04-29 2020-04-29 一种泵站实时优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN111581797B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345044A (zh) * 2018-11-27 2019-02-15 广东工业大学 一种基于可变长基因遗传算法的泵站优化调度方法
CN109492819A (zh) * 2018-11-19 2019-03-19 扬州大学 基于时间优化分区的感潮泵站系统变台数+变角日优化运行方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492819A (zh) * 2018-11-19 2019-03-19 扬州大学 基于时间优化分区的感潮泵站系统变台数+变角日优化运行方法
CN109345044A (zh) * 2018-11-27 2019-02-15 广东工业大学 一种基于可变长基因遗传算法的泵站优化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Research on optimal operation method of pumping station based on machine learning;zhang lvyuan等;《2017 IEEE Conference on Energy Internet and Energy System Integration》;20180104;第1-6页 *

Also Published As

Publication number Publication date
CN111581797A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN103023065B (zh) 一种基于相对误差熵值法的风电短期功率预测方法
CN106873372B (zh) 基于防洪调度数据自适应控制的水库防洪调度优化方法
CN111427750B (zh) 一种计算机平台的gpu功耗估计方法、系统及介质
CN113131523A (zh) 一种分品种电力供应预测方法及系统
CN111555281A (zh) 一种电力系统灵活性资源配置仿真方法及装置
CN109214709B (zh) 一种钢铁企业制氧系统优化分配的方法
Aghelinejad et al. Machine and production scheduling under electricity time varying prices
CN111581797B (zh) 一种泵站实时优化调度方法及系统
CN114049162B (zh) 模型训练方法、需求量预测方法、装置、设备和存储介质
CN115062904A (zh) 一种数字化供水管网调度方法及系统
CN105184474A (zh) 一种考虑不规则限制运行区的水电站厂内经济调度方法
CN111798060A (zh) 一种基于机组爬坡率估计的功率指令优化分配方法
CN103685541B (zh) IaaS云系统运行速率动态控制装置、系统及方法
CN109558981B (zh) 一种核电负荷的预测方法
CN114611821A (zh) 面向园区低碳运行的动态碳排放惩罚方法及系统
CN103870936A (zh) 一种可中断负荷代理的行为决策方法
CN106096760A (zh) 一种基于供能系统的供能控制方法及装置
Vollebregt Parallel software development techniques for shallow water models.
Shah et al. Integrated batch plant design: A polymer plant case study
CN111080468B (zh) 一种中长期电量越限的调整方法及系统
CN112750504B (zh) 存储器、基于原设备的氢网优化方法、装置和设备
CN114781682B (zh) 基于变库容法的水库调峰增加出力坝前水位变化预测方法
Luan Speed Prediction of Cutter Suction Dredger Mud Pump Based on Cuckoo Algorithm Optimized Support Vector Machine Algorithm
CN115378122B (zh) 基于卡尔曼滤波的电力系统频率与惯量实时监测方法及其系统
CN117092977B (zh) 工业数字孪生的数据空间构建方法、系统、设备及介质

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