CN111832873B - 一种旧城区给水管道的管径确定方法及系统 - Google Patents

一种旧城区给水管道的管径确定方法及系统 Download PDF

Info

Publication number
CN111832873B
CN111832873B CN202010025149.0A CN202010025149A CN111832873B CN 111832873 B CN111832873 B CN 111832873B CN 202010025149 A CN202010025149 A CN 202010025149A CN 111832873 B CN111832873 B CN 111832873B
Authority
CN
China
Prior art keywords
water supply
individuals
cost
supply pipeline
pipe
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
CN202010025149.0A
Other languages
English (en)
Other versions
CN111832873A (zh
Inventor
林英姿
刘根
刘览
李昂
林涣
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.)
Jilin Jianzhu University
Original Assignee
Jilin Jianzhu University
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 Jilin Jianzhu University filed Critical Jilin Jianzhu University
Priority to CN202010025149.0A priority Critical patent/CN111832873B/zh
Priority to ZA2020/04201A priority patent/ZA202004201B/en
Publication of CN111832873A publication Critical patent/CN111832873A/zh
Application granted granted Critical
Publication of CN111832873B publication Critical patent/CN111832873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种旧城区给水管道的管径确定方法及系统。方法包括获取给水管道中所有管段数据；根据所述管段数据，确定所述给水管道的水流量、临界流速和水流压力；根据管段的管径，确定管道成本；管道成本为给水管道的造价年折算值、折旧大修费用和运行管理费之和；以管道成本最小为目标，以每个管段的管径为决策变量，以水流量、临界流速和水流压力为约束条件，构建给水管道管径模型；采用自适应遗传‑交叉进化算法对给水管道管径模型进行求解，得到给水管道中每个管段的最优管径。本发明所提供得一种旧城区给水管道的管径确定方法及系统，解决现有技术中旧城区给水管道的改扩建方案确定准确低的问题。

Description

一种旧城区给水管道的管径确定方法及系统
技术领域
本发明涉及给水管道优化领域，特别是涉及一种旧城区给水管道的管径确定方法及系统。
背景技术
作为城市重要基础设施的城市给水管道系统是城市的生命线，随着近几十年城市化进程的加快和国民经济的飞跃进步，且管网运行到一定年限后，管网老龄化导致的外壁腐化、内壁生垢及漏损等问题，以及城市人口的迅速增加，旧城区的拆迁改建扩建，这些都使得旧有管网不能保证现有城市日益增长的需水量及影响到给水管道的安全性和可靠性。给水管道改扩建优化的实质就是在现状管网的基础上，以城市未来中长期需水量预测为前提，基于预测用水量和城市发展规划，在不损害原有的管网基础上，以尽可能低的经济费用，改扩建城市给水管道，以满足城市居民对水量、水质、水压的要求。即旧城区给水管道改扩建是以旧有管网为基础，在此基础上进行改扩建，为了满足优化的要求，需考虑的设计变量及参数以及约束条件，难以建立优化模型，不能准确的确定旧城区给水管道的改扩建方案。
发明内容
本发明的目的是提供一种旧城区给水管道的管径确定方法及系统，解决现有技术中旧城区给水管道的改扩建方案确定准确低的问题。
为实现上述目的，本发明提供了如下方案：
一种旧城区给水管道的管径确定方法，所述给水管道包括多个管段，所述旧城区给水管道的管径确定方法包括：
获取所述给水管道中所有管段数据；所述管段数据包括所述管段的标号、位置、长度、管径和单位长度的造价表；
根据所述管段数据，确定所述给水管道的水流量、临界流速和水流压力；根据所述管段的管径，确定管道成本；所述管道成本为所述给水管道的造价年折算值、折旧大修费用和运行管理费之和；
以所述管道成本最小为目标，以每个管段的管径为决策变量，以水流量、临界流速和水流压力为约束条件，构建给水管道管径模型；
采用自适应遗传-交叉进化算法对所述给水管道管径模型进行求解，得到所述给水管道中每个管段的最优管径。
可选的，所述根据所述管段的管径，确定管道成本，具体包括：
利用公式
Figure BDA0002362187190000021
计算所述给水管道的造价年折算值；
利用公式
Figure BDA0002362187190000022
计算所述给水管道的折旧大修费用；
利用公式
Figure BDA0002362187190000023
计算所述给水管道的运行管理费；
利用公式W＝C1+C2+M1确定管道成本；
其中，C1为给水管道的造价年折算值，C2为给水管道的折旧大修费用，M1为给水管道的运行管理费，W为管道成本，(A/P,e,t)为资金回收系数，
Figure BDA0002362187190000024
e为基准收益率；t为投资偿还期，P为投资现值，A为年经营成本，Di为第i个管段的管径，li为第i个管段的长度，a(1)、a(2)、a(3)、和a(4)均为管段造价回归系数，γn为n阶段供电期间供水能量的变化系数，En为n期用电时电费，Tn为n期用电时间；Ns为泵站个数，Qn，m为第m个泵站机组在第n供电期的流量，ηn，m为在i供电时期第j个泵站的供电效率。
可选的，所述给水管道管径模型为：
Figure BDA0002362187190000025
F为给水管道管径模型，W为管道成本，μ为惩罚因子，Vi为第i个管段的流速，Vimax为第i个管段最大流速，Vimin第i个管段最小流速，Himin为第i个管段两端节点最小水压，Hi为第i个管段各节点水。
可选的，所述采用自适应遗传-交叉进化算法对所述给水管道管径模型进行求解，得到所述给水管道中每个管段的最优管径，具体包括：
获取初始种群；所述初始种群的个体为所述给水管道管径模型的解；
确定初始种群的适应度值；
判断所述适应度值是否大于设定值，得到第一判断结果；
若所述第一判断结果表示所述适应度值大于设定值，则将所述初始种群确定为所述给水管道管径模型的最优解；所述最优解为所述给水管道中每个管段的最优管径；
若所述第一判断结果表示所述适应度值不大于设定值，则对所述初始种群中每个个体的适应度值进行排序，得到排序后的适应度值序列；
对所述排序后的适应度值序列进行分组，得到第一组个体和第二组个体；所述第一组个体和所述第二组个体的个数相同，且所述第一组个体中每个个体的适应度值均大于所述第二组个体中个体的适应度值；
采用遗传算法对所述第一组个体进行交叉操作，得到交叉后的个体；
采用差分进化算法对第二组个体进行差分变异操作，得到差分变异后的个体；
根据所述交叉后的个体和所述差分变异后的个体，对所述初始种群进行更新，返回确定初始种群的适应度值步骤；更新后的初始种群包括所述交叉后的个体和所述差分变异后的个体。
本发明还提供一种旧城区给水管道的管径确定系统，所述给水管道包括多个管段，所述旧城区给水管道的管径确定系统包括：
管段数据获取模块，用于获取所述给水管道中所有管段数据；所述管段数据包括所述管段的标号、位置、长度、管径和单位长度的造价表；
约束条件确定模块，用于根据所述管段数据，确定所述给水管道的水流量、临界流速和水流压力；
管道成本确定模块，用于根据所述管段的管径，确定管道成本；所述管道成本为所述给水管道的造价年折算值、折旧大修费用和运行管理费之和；
给水管道管径模型构建模块，用于以所述管道成本最小为目标，以每个管段的管径为决策变量，以水流量、临界流速和水流压力为约束条件，构建给水管道管径模型；
最优管径确定模块，用于采用自适应遗传-交叉进化算法对所述给水管道管径模型进行求解，得到所述给水管道中每个管段的最优管径。
可选的，所述管道成本确定模块具体包括：
水管道的造价年折算值确定单元，用于利用公式
Figure BDA0002362187190000041
计算所述给水管道的造价年折算值；
给水管道的折旧大修费用确定单元，用于利用公式
Figure BDA0002362187190000042
计算所述给水管道的折旧大修费用；
给水管道的运行管理费确定单元，用于利用公式
Figure BDA0002362187190000043
计算所述给水管道的运行管理费；
管道成本确定单元，用于利用公式W＝C1+C2+M1确定管道成本；
其中，C1为给水管道的造价年折算值，C2为给水管道的折旧大修费用，M1为给水管道的运行管理费，W为管道成本，(A/P,e,t)为资金回收系数，
Figure BDA0002362187190000044
e为基准收益率；t为投资偿还期，P为投资现值，A为年经营成本，Di为第i个管段的管径，li为第i个管段的长度，a(1)、a(2)、a(3)、和a(4)均为管段造价回归系数，γn为n阶段供电期间供水能量的变化系数，En为n期用电时电费，Tn为n期用电时间；Ns为泵站个数，Qn，m为第m个泵站机组在第n供电期的流量，ηn，m为在i供电时期第j个泵站的供电效率。
可选的，所述给水管道管径模型为：
Figure BDA0002362187190000045
F为给水管道管径模型，W为管道成本，μ为惩罚因子，Vi为第i个管段的流速，Vimax为第i个管段最大流速，Vimin第i个管段最小流速，Himin为第i个管段两端节点最小水压，Hi为第i个管段各节点水。
可选的，最优管径确定模块具体包括：
初始种群获取单元，用于获取初始种群；所述初始种群的个体为所述给水管道管径模型的解；
初始种群的适应度值确定单元，用于确定初始种群的适应度值；
第一判断单元，用于判断所述适应度值是否大于设定值，得到第一判断结果；
最优解确定单元，用于若所述第一判断结果表示所述适应度值大于设定值，则将所述初始种群确定为所述给水管道管径模型的最优解；所述最优解为所述给水管道中每个管段的最优管径；
排序单元，用于若所述第一判断结果表示所述适应度值不大于设定值，则对所述初始种群中每个个体的适应度值进行排序，得到排序后的适应度值序列；
分组单元，用于对所述排序后的适应度值序列进行分组，得到第一组个体和第二组个体；所述第一组个体和所述第二组个体的个数相同，且所述第一组个体中每个个体的适应度值均大于所述第二组个体中个体的适应度值；
交叉后个体确定单元，用于采用遗传算法对所述第一组个体进行交叉操作，得到交叉后的个体；
差分变异后的个体确定单元，用于采用差分进化算法对第二组个体进行差分变异操作，得到差分变异后的个体；
更新单元，用于根据所述交叉后的个体和所述差分变异后的个体，对所述初始种群进行更新，返回确定初始种群的适应度值步骤；更新后的初始种群包括所述交叉后的个体和所述差分变异后的个体。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种旧城区给水管道的管径确定方法及系统，建立约束条件和目标函数的给水管道改扩建模型，并通过自适应遗传-交叉进化算法快速准确的确定在目标函数值最小且满足约束条件时的最优给水管道中所有管段的管径，根据管道的管径确定旧城区给水管道改扩建方案，进而提高了确定旧城区给水管道的改扩建方案的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种旧城区给水管道的管径确定方法流程示意图；
图2为本发明所提供的一种旧城区给水管道的管径确定方法结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种旧城区给水管道的管径确定方法及系统，解决现有技术中旧城区给水管道的改扩建方案确定准确低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
遗传算法(GA)就是利用遗传定理进行计算机编程计算的一种智能算法，遗传算法中群体(Population)中每个个体(individual)为需要解决问题的每个可行解并且个体是由大量编码(code)的染色体组成的。最初，种群是经过随机产生的，将随机产生的种群中个体代入设计的目标评价函数，得出个体适应度值并设定遗传算子，随后进行染色体的选择(selection)、交叉(crossover)、变异(mutation)过程，再生成新的优良个体，即获得更好的近似解。因为遗传算法是基于优胜劣汰原则，所以进化的个体适应度都是朝着最优靠近，既是遗传算法的进化是朝着问题可行解的最优解靠近，最终求解出全局最优解。
差分进化算法(DE)是基于遗传算法基础上提出的，即也是根据物竞天择、适者生存的原理进行设计的算法。差分进化算法是对优化问题进行矢量编码，然后在优化过程中随机生成种群个体，通过两两个体进行向量差生成差分矢量，随后进行变异交叉操作生成新的个体，最后由适应度值的优劣选择父代与子代较优的个体，使算法向最优解的方向搜索。
遗传算法全局搜索能力较弱和易陷入早熟等问题主要是由种群的多样性不足造成的。在遗传算法中群体的多样性是由遗传变异操作来控制的，而差分算法的多样性也是由变异操作来控制的，两种算法的变异方式是不同的，通过在算法变异操作中使用两种算法的变异操作使多样性得到提升。在算法中，选择交叉操作过程采用遗传算法操作。
遗传算法全局搜索能力较弱和易陷入早熟等问题主要是由种群的多样性不足造成的。在遗传算法中群体的多样性是由遗传变异操作来控制的，而差分算法的多样性也是由变异操作来控制的。
图1为本发明所提供的一种旧城区给水管道的管径确定方法流程示意图，如图1所示，本发明所提供的一种旧城区给水管道的管径确定方法，所述给水管道包括多个管段，所述管径确定方法包括：
S101，获取所述给水管道中所有管段数据；所述管段数据包括所述管段的标号、位置、长度、管径和单位长度的造价表。其中，管段的标号与其他数据一一对应，根据管段的标号可以清楚的知道该标号管段的位置、长度、管径和单位长度的造价表。
S102，根据所述管段数据，确定所述给水管道的水流量、临界流速和水流压力。
S103，根据所述管段的管径，确定管道成本；所述管道成本为所述给水管道的造价年折算值、折旧大修费用和运行管理费之和。
S104，以所述管道成本最小为目标，以每个管段的管径为决策变量，以水流量、临界流速和水流压力为约束条件，构建给水管道管径模型。
S105，采用自适应遗传-交叉进化算法对所述给水管道管径模型进行求解，得到所述给水管道中每个管段的最优管径。
S103具体包括：
利用公式
Figure BDA0002362187190000081
计算所述给水管道的造价年折算值。
利用公式
Figure BDA0002362187190000082
计算所述给水管道的折旧大修费用。
利用公式
Figure BDA0002362187190000083
计算所述给水管道的运行管理费。
利用公式W＝C1+C2+M1确定管道成本。
其中，C1为给水管道的造价年折算值，C2为给水管道的折旧大修费用，M1为给水管道的运行管理费，W为管道成本，(A/P,e,t)为资金回收系数，
Figure BDA0002362187190000084
e为基准收益率；t为投资偿还期，P为投资现值，A为年经营成本，Di为第i个管段的管径，li为第i个管段的长度，a(1)、a(2)、a(3)、和a(4)均为管段造价回归系数，γn为n阶段供电期间供水能量的变化系数，En为n期用电时电费，Tn为n期用电时间；Ns为泵站个数，Qn，m为第m个泵站机组在第n供电期的流量，ηn，m为在i供电时期第j个泵站的供电效率。
作为另一实施例，所述给水管道的造价年折算值具体包括：
利用公式C(D)＝a(1)+a(2)D+a(3)D2+a(4)D3计算单位长度的管段的造价。其中，C(D)为单位长度的管段的造价，a(1)、a(2)、a(3)、和a(4)均为管段造价回归系数。
通过最小二乘法意义上的曲线拟合确定a(1)、a(2)、a(3)、和a(4)的系数值。
利用公式
Figure BDA0002362187190000085
确定管道的造价。
根据是否考虑时间效应，划分管道的造价年折算值为：静态公式，动态公式。静态公式为：
Figure BDA0002362187190000091
资金的时间效应会影响到投资偿还期，因此假设投资为一次性且管道残值为零，则动态公式用于表示管道的造价年折算值：
Figure BDA0002362187190000092
一般情况下，管道的造价年折算值为动态变化的。
所述给水管道管径模型为：
Figure BDA0002362187190000093
F为给水管道管径模型，W为管道成本，μ为惩罚因子，Vi为第i个管段的流速，Vimax为第i个管段最大流速，Vimin第i个管段最小流速，Himin为第i个管段两端节点最小水压，Hi为第i个管段各节点水。
作为另一实施例，所述给水管道管径模型在在matlab平台上，调用EPANET-Toolkit中水力计算子程序更新约束条件。
其中，在自适应遗传-交叉进化算法中种群规模对优化结果好坏、搜索效率快慢都有一定的影响。种群的规模过大将会导致搜索效率较慢，容易出现重叠解，浪费时间及资源。反之种群规模过小时容易出现搜索空间过窄，收敛搜索速度较快但是容易陷入局部最优解。种群规模是根据实际工程具体分析，根据具体工程设定不同的种群规模进行对比分析。
遗传算法通过选择交叉变异操作进行最优解的求解，选择操作是根据一定的选择概率选择父代进行遗传到下一代中去，所选择的个体经历交叉变异操作以产生更高适应度的子代。当适应度更高时，种群更可能被遗传到下一代，基于此群体中优良个体被选择的机率更大。基于此反复循环往最优适应度值的群体发展。因此，不同的选择操作会对算法优化结果产生影响。在本发明中，运用适应度比例法进行选择操作：
适应度比例法(也称轮盘赌法)是最采用的选择操作方法。基本思想为：选择进入下一代的个体的概率是与该个体的适应度成正比的，假设群体的规模为N时，公式表示为：
Figure BDA0002362187190000101
其中，fi为第i个体的适应度值，pst为个体适应度与群体适应度总值之比。
得到选择的是适应度高的个体。
在本发明给水管网改扩建模型应用自适应遗传-交叉进化算法时采用的实数编码，交叉操作是模拟二进制编码进行的交叉操作。使用单点交叉，模拟二进制交叉公式如下：
Figure BDA0002362187190000102
Figure BDA0002362187190000103
βj＝(2·uj)(1/(mu+1))→ifuj≤0.5。
βj＝(1/(2·(1-uj)))(1/(mu+1))→ifuj＞0.5。
其中，mu为交叉算子参数，x1,j，x2,j均为选择操作过后的个体，uj为[0，1]之间的随机数。
通过模拟二进制交叉，两两个体的基因进行交叉重组以产生新的个体，增加种群多样性。
当交叉操作使群体的适应度值向优良的方向进化，当交叉操作不能使个体适应度到达最优时，群体将陷入局部最优，出现收敛早熟的现象。这是因为交叉操作增加种群多样性是有极限的，是由个体优良基因缺少造成的。这时需要通过变异操作增加种群多样性、进化出更加优良的个体避免早熟现象，向最优值进化。使用编码方式为实数编码，因此变异操作采用实值变异[116](也即多项式变异)：
xx3,j＝x3,j+δj。
δj＝(2·rj)(1/(mum+1))-1→rj＜0.5。
δj＝1-(2·(1-rj))(1/(mum+1))→rj≥0.5。
其中，mum为变异算数参数，rj为迭代代数，x3,j为交叉过后的子代。
通过上述公式进行实数编码的多项式变异操作使个体向适应度最优值进化。
差分算法是通过差分变异进行变异操作，既是种群随机选择两个不同个体进行相差得出差向量，再对差向量加权后与另外的个体进行向量运算生成新个体：
Vi(j+1)＝Xr1(j)+F×(Xr1(j)-Xr3(j))。
suanzi＝e(1-Gm/(Gm+1-G))。
F＝F0·2suanzi。
其中r1,r2,r3为[1，N]区间上互不相同的的随机整数，Gm为最大迭代次数，G为当前迭代次数，F0为变异率；
差分算法和遗传算法的最大区别在于变异方法不同，因此群体个体通过遗传和差分方式进行变异，使种群多样性增加及使个体适应度向最优方向求解，F0在(0,1.2]取值。
当算法的适应度值满足一定的误差精度时，则该算法搜索停止输出最优解或者当迭代到设定的最大迭代次数时搜索终止。
作为另一实施例，S105具体包括：
获取初始种群。所述初始种群的个体为所述给水管道管径模型的解。
确定初始种群的适应度值。
判断所述适应度值是否大于设定值，得到第一判断结果。
若所述第一判断结果表示所述适应度值大于设定值，则将所述初始种群确定为所述给水管道管径模型的最优解；所述最优解为所述给水管道中每个管段的最优管径。
若所述第一判断结果表示所述适应度值不大于设定值，则对所述初始种群中每个个体的适应度值进行排序，得到排序后的适应度值序列。
对所述排序后的适应度值序列进行分组，得到第一组个体和第二组个体；所述第一组个体和所述第二组个体的个数相同，且所述第一组个体中每个个体的适应度值均大于所述第二组个体中个体的适应度值。
采用遗传算法对所述第一组个体进行交叉操作，得到交叉后的个体。
采用差分进化算法对第二组个体进行差分变异操作，得到差分变异后的个体。
根据所述交叉后的个体和所述差分变异后的个体，对所述初始种群进行更新，返回确定初始种群的适应度值步骤；更新后的初始种群包括所述交叉后的个体和所述差分变异后的个体。
其中，采用遗传算法对所述第一组个体进行交叉操作，得到交叉后的个体具体过程为：
利用公式
Figure BDA0002362187190000121
βj＝(2·uj)(1/(mu+1))→ifuj≤0.5和βj＝(1/(2·(1-uj)))(1/(mu+1))→ifuj＞0.5进行模拟二进制交叉操作。
再利用模拟二进制的多项式变异公式xx3,j＝x3,j+δj、δj＝(2·rj)(1/(mum+1))-1→rj＜0.5和δj＝1-(2·(1-rj))(1/(mum+1))→rj≥0.5确定变异产生新优良子代。
采用差分进化算法对第二组个体进行差分变异操作，得到差分变异后的个体的过程如下：
通过公式(Vi(j+1)＝Xr1(j)+F×(Xr1(j)-Xr3(j))、suanzi＝e(1-Gm/(Gm+1-G))和F＝F0·2suanzi进行变异产生新优良子代。
本发明还提供了一种旧城区给水管道的管径确定系统，图2为本发明所提供的一种旧城区给水管道的管径确定系统结构示意图，如图2所示，所述系统包括：管段数据获取模块201、约束条件确定模块202、管道成本确定模块203、给水管道管径模型构建模块204和最优管径确定模块205。
管段数据获取模块201用于获取所述给水管道中所有管段数据；所述管段数据包括所述管段的标号、位置、长度、管径和单位长度的造价表。
约束条件确定模块202用于根据所述管段数据，确定所述给水管道的水流量、临界流速和水流压力。
管道成本确定模块203用于根据所述管段的管径，确定管道成本；所述管道成本为所述给水管道的造价年折算值、折旧大修费用和运行管理费之和。
给水管道管径模型构建模块204用于以所述管道成本最小为目标，以每个管段的管径为决策变量，以水流量、临界流速和水流压力为约束条件，构建给水管道管径模型。
最优管径确定模块205用于采用自适应遗传-交叉进化算法对所述给水管道管径模型进行求解，得到所述给水管道中每个管段的最优管径。
所述管道成本确定模块203具体包括：水管道的造价年折算值确定单元、给水管道的折旧大修费用确定单元、给水管道的运行管理费确定单元和管道成本确定单元。
水管道的造价年折算值确定单元用于利用公式
Figure BDA0002362187190000131
计算所述给水管道的造价年折算值。
给水管道的折旧大修费用确定单元用于利用公式
Figure BDA0002362187190000132
计算所述给水管道的折旧大修费用。
给水管道的运行管理费确定单元用于利用公式
Figure BDA0002362187190000133
计算所述给水管道的运行管理费。
管道成本确定单元用于利用公式W＝C1+C2+M1确定管道成本。
其中，C1为给水管道的造价年折算值，C2为给水管道的折旧大修费用，M1为给水管道的运行管理费，W为管道成本，(A/P,e,t)为资金回收系数，
Figure BDA0002362187190000134
e为基准收益率；t为投资偿还期，P为投资现值，A为年经营成本，Di为第i个管段的管径，li为第i个管段的长度，a(1)、a(2)、a(3)和a(4)均为管段造价回归系数，γn为n阶段供电期间供水能量的变化系数，En为n期用电时电费，Tn为n期用电时间；Ns为泵站个数，Qn，m为第m个泵站机组在第n供电期的流量，ηn，m为在i供电时期第j个泵站的供电效率。
所述给水管道管径模型为：
Figure BDA0002362187190000141
F为给水管道管径模型，W为管道成本，μ为惩罚因子，Vi为第i个管段的流速，Vimax为第i个管段最大流速，Vimin第i个管段最小流速，Himin为第i个管段两端节点最小水压，Hi为第i个管段各节点水。
最优管径确定模块205具体包括：初始种群获取单元、初始种群的适应度值确定单元、第一判断单元、最优解确定单元、排序单元、分组单元、交叉后个体确定单元、差分变异后的个体确定单元和更新单元。
初始种群获取单元用于获取初始种群；所述初始种群的个体为所述给水管道管径模型的解。
初始种群的适应度值确定单元用于确定初始种群的适应度值。
第一判断单元用于判断所述适应度值是否大于设定值，得到第一判断结果。
最优解确定单元用于若所述第一判断结果表示所述适应度值大于设定值，则将所述初始种群确定为所述给水管道管径模型的最优解；所述最优解为所述给水管道中每个管段的最优管径。
排序单元用于若所述第一判断结果表示所述适应度值不大于设定值，则对所述初始种群中每个个体的适应度值进行排序，得到排序后的适应度值序列。
分组单元用于对所述排序后的适应度值序列进行分组，得到第一组个体和第二组个体；所述第一组个体和所述第二组个体的个数相同，且所述第一组个体中每个个体的适应度值均大于所述第二组个体中个体的适应度值。
交叉后个体确定单元用于采用遗传算法对所述第一组个体进行交叉操作，得到交叉后的个体。
差分变异后的个体确定单元用于采用差分进化算法对第二组个体进行差分变异操作，得到差分变异后的个体。
更新单元用于根据所述交叉后的个体和所述差分变异后的个体，对所述初始种群进行更新，返回确定初始种群的适应度值步骤；更新后的初始种群包括所述交叉后的个体和所述差分变异后的个体。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种旧城区给水管道的管径确定方法，所述给水管道包括多个管段，其特征在于，所述旧城区给水管道的管径确定方法包括：
获取所述给水管道中所有管段数据；所述管段数据包括所述管段的标号、位置、长度、管径和单位长度的造价表；
根据所述管段数据，确定所述给水管道的水流量、临界流速和水流压力；
根据所述管段的管径，确定管道成本；所述管道成本为所述给水管道的造价年折算值、折旧大修费用和运行管理费之和；
以所述管道成本最小为目标，以每个管段的管径为决策变量，以水流量、临界流速和水流压力为约束条件，构建给水管道管径模型；
采用自适应遗传-交叉进化算法对所述给水管道管径模型进行求解，得到所述给水管道中每个管段的最优管径；
具体包括：
获取初始种群；所述初始种群的个体为所述给水管道管径模型的解；
确定初始种群的适应度值；
判断所述适应度值是否大于设定值，得到第一判断结果；
若所述第一判断结果表示所述适应度值大于设定值，则将所述初始种群确定为所述给水管道管径模型的最优解；所述最优解为所述给水管道中每个管段的最优管径；
若所述第一判断结果表示所述适应度值不大于设定值，则对所述初始种群中每个个体的适应度值进行排序，得到排序后的适应度值序列；
对所述排序后的适应度值序列进行分组，得到第一组个体和第二组个体；所述第一组个体和所述第二组个体的个数相同，且所述第一组个体中每个个体的适应度值均大于所述第二组个体中个体的适应度值；
采用遗传算法对所述第一组个体进行交叉操作，得到交叉后的个体；
采用差分进化算法对第二组个体进行差分变异操作，得到差分变异后的个体；
根据所述交叉后的个体和所述差分变异后的个体，对所述初始种群进行更新，返回确定初始种群的适应度值步骤；更新后的初始种群包括所述交叉后的个体和所述差分变异后的个体；
其中，采用遗传算法对所述第一组个体进行交叉操作，得到交叉后的个体具体过程为：
利用公式
Figure FDA0003567848610000021
βj＝(2·uj)(1/(mu+1))→ifuj≤0.5和βj＝(1/(2·(1-uj)))(1/(mu+1))→ifuj＞0.5进行模拟二进制交叉操作；式中：x为第一组个体中的个体，x1,j和x2,j均为第一组个体中选择操作过后的个体，uj为[0，1]之间的随机数，mu为交叉算子参数；
再利用模拟二进制的多项式变异公式xx3,j＝x3,j+δj、δj＝(2·rj)(1/(mum+1))-1→rj＜0.5和δj＝1-(2·(1-rj))(1/(mum+1))→rj≥0.5确定变异产生新优良子代；式中：rj为遗传变异迭代次数为j时[0,1]之间的随机数，mum为遗传变异算数参数，x3,j为交叉操作之后的子代；
所述采用差分进化算法对第二组个体进行差分变异操作，得到差分变异后的个体的过程为：
通过公式Vi(G+1)＝Xr1(G)+F×(Xr1(G)-Xr3(G))、suanzi＝e(1-Gm/(Gm+1-G))和F＝F0·2suanzi进行变异产生新优良子代，式中：r1和r3为[1，N]区间上互不相同的随机整数，N为当前迭代种群数量，Gm为最大迭代次数，e为以自然常数e为底的指数函数，G为当前迭代次数，F0为变异率，Vi为差分变异后形成的新个体，F为差分产生的新个体，suanzi为算子，自定义的中间变量，Xr1(G)代表当前迭代种群中的第r1个个体，Xr3(G)代表当前迭代种群中的第r3个个体。
2.根据权利要求1所述的一种旧城区给水管道的管径确定方法，其特征在于，所述根据所述管段的管径，确定管道成本，具体包括：
利用公式
Figure FDA0003567848610000022
计算所述给水管道的造价年折算值；
利用公式
Figure FDA0003567848610000023
计算所述给水管道的折旧大修费用；
利用公式
Figure FDA0003567848610000031
计算所述给水管道的运行管理费；
利用公式W＝C1+C2+M1确定管道成本；
其中，C1为给水管道的造价年折算值，C2为给水管道的折旧大修费用，M1为给水管道的运行管理费，W为管道成本，(A/P,e,t)为资金回收系数，
Figure FDA0003567848610000032
e为基准收益率；t为投资偿还期，P为投资现值，A为年经营成本，Di为第i个管段的管径，li为第i个管段的长度，a(1)、a(2)、a(3)、和a(4)均为管段造价回归系数，γn为n阶段供电期间供水能量的变化系数，En为n期用电时电费，Tn为n期用电时间；Ns为泵站个数，Qn，m为第m个泵站机组在第n供电期的流量，ηn，m为在i供电时期第j个泵站的供电效率；Zk为从管网起点到控制点的某一路线的管道集合；hn,m,k为n供电时期第m个送水泵站到控制点的第k个管段，hc为控制点的服务水头。
3.根据权利要求2所述的一种旧城区给水管道的管径确定方法，其特征在于，所述给水管道管径模型为：
F＝W+10λ(1-ε)·{∑[max{0,Vi-Vimax}]2+∑[max{0,Vimin-Vi}]2+∑[max{0,Himin-Hi}]2}；
F为给水管道管径模型，W为管道成本，μ为惩罚因子，Vi为第i个管段的流速，Vimax为第i个管段最大流速，Vimin第i个管段最小流速，Himin为第i个管段两端节点最小水压，Hi为第i个管段各节点水，λ为给水管道管径模型参数。
4.一种旧城区给水管道的管径确定系统，所述给水管道包括多个管段，其特征在于，所述旧城区给水管道的管径确定系统包括：
管段数据获取模块，用于获取所述给水管道中所有管段数据；所述管段数据包括所述管段的标号、位置、长度、管径和单位长度的造价表；
约束条件确定模块，用于根据所述管段数据，确定所述给水管道的水流量、临界流速和水流压力；
管道成本确定模块，用于根据所述管段的管径，确定管道成本；所述管道成本为所述给水管道的造价年折算值、折旧大修费用和运行管理费之和；
给水管道管径模型构建模块，用于以所述管道成本最小为目标，以每个管段的管径为决策变量，以水流量、临界流速和水流压力为约束条件，构建给水管道管径模型；
最优管径确定模块，用于采用自适应遗传-交叉进化算法对所述给水管道管径模型进行求解，得到所述给水管道中每个管段的最优管径；
所述最优管径确定模块具体包括：
初始种群获取单元，用于获取初始种群；所述初始种群的个体为所述给水管道管径模型的解；
初始种群的适应度值确定单元，用于确定初始种群的适应度值；
第一判断单元，用于判断所述适应度值是否大于设定值，得到第一判断结果；
最优解确定单元，用于若所述第一判断结果表示所述适应度值大于设定值，则将所述初始种群确定为所述给水管道管径模型的最优解；所述最优解为所述给水管道中每个管段的最优管径；
排序单元，用于若所述第一判断结果表示所述适应度值不大于设定值，则对所述初始种群中每个个体的适应度值进行排序，得到排序后的适应度值序列；
分组单元，用于对所述排序后的适应度值序列进行分组，得到第一组个体和第二组个体；所述第一组个体和所述第二组个体的个数相同，且所述第一组个体中每个个体的适应度值均大于所述第二组个体中个体的适应度值；
交叉后个体确定单元，用于采用遗传算法对所述第一组个体进行交叉操作，得到交叉后的个体；
差分变异后的个体确定单元，用于采用差分进化算法对第二组个体进行差分变异操作，得到差分变异后的个体；
更新单元，用于根据所述交叉后的个体和所述差分变异后的个体，对所述初始种群进行更新，返回确定初始种群的适应度值步骤；更新后的初始种群包括所述交叉后的个体和所述差分变异后的个体；
其中，所述交叉后个体确定单元具体为利用公式
Figure FDA0003567848610000051
βj＝(2·uj)(1/(mu+1))→ifuj≤0.5和βj＝(1/(2·(1-uj)))(1/(mu+1))→ifuj＞0.5进行模拟二进制交叉操作；式中：x为第一组个体中的个体，x1,j和x2,j均为第一组个体中选择操作过后的个体，uj为[0，1]之间的随机数，mu为交叉算子参数；
再利用模拟二进制的多项式变异公式xx3,j＝x3,j+δj、δj＝(2·rj)(1/(mum+1))-1→rj＜0.5和δj＝1-(2·(1-rj))(1/(mum+1))→rj≥0.5确定变异产生新优良子代；式中：rj为遗传变异迭代次数为j时[0,1]之间的随机数，mum为遗传变异算数参数，x3,j为交叉操作之后的子代；
所述差分变异后的个体确定单元具体为通过公式Vi(G+1)＝Xr1(G)+F×(Xr1(G)-Xr3(G))、suanzi＝e(1-Gm/(Gm+1-G))和F＝F0·2suanzi进行变异产生新优良子代，式中：r1和r3为[1，N]区间上互不相同的随机整数，N为当前迭代种群数量，Gm为最大迭代次数，e为以自然常数e为底的指数函数，G为当前迭代次数，F0为变异率，Vi为差分变异后形成的新个体，F为差分产生的新个体，suanzi为算子，自定义的中间变量，Xr1(G)代表当前迭代种群中的第r1个个体，Xr3(G)代表当前迭代种群中的第r3个个体。
5.根据权利要求4所述的一种旧城区给水管道的管径确定系统，其特征在于，所述管道成本确定模块具体包括：
水管道的造价年折算值确定单元，用于利用公式
Figure FDA0003567848610000052
计算所述给水管道的造价年折算值；
给水管道的折旧大修费用确定单元，用于利用公式
Figure FDA0003567848610000053
计算所述给水管道的折旧大修费用；
给水管道的运行管理费确定单元，用于利用公式
Figure FDA0003567848610000054
计算所述给水管道的运行管理费；
管道成本确定单元，用于利用公式W＝C1+C2+M1确定管道成本；
其中，C1为给水管道的造价年折算值，C2为给水管道的折旧大修费用，M1为给水管道的运行管理费，W为管道成本，(A/P,e,t)为资金回收系数，
Figure FDA0003567848610000061
e为基准收益率；t为投资偿还期，P为投资现值，A为年经营成本，Di为第i个管段的管径，li为第i个管段的长度，a(1)、a(2)、a(3)、和a(4)均为管段造价回归系数，γn为n阶段供电期间供水能量的变化系数，En为n期用电时电费，Tn为n期用电时间；Ns为泵站个数，Qn，m为第m个泵站机组在第n供电期的流量，ηn，m为在i供电时期第j个泵站的供电效率；Zk为从管网起点到控制点的某一路线的管道集合；hn,m,k为n供电时期第m个送水泵站到控制点的第k个管段，hc为控制点的服务水头。
6.根据权利要求5所述的一种旧城区给水管道的管径确定系统，其特征在于，所述给水管道管径模型为：
F＝W+10λ(1-ε)·{∑[max{0,Vi-Vimax}]2+∑[max{0,Vimin-Vi}]2+∑[max{0,Himin-Hi}]2}；
F为给水管道管径模型，W为管道成本，μ为惩罚因子，Vi为第i个管段的流速，Vimax为第i个管段最大流速，Vimin第i个管段最小流速，Himin为第i个管段两端节点最小水压，Hi为第i个管段各节点水，λ为给水管道管径模型参数。
CN202010025149.0A 2020-01-10 2020-01-10 一种旧城区给水管道的管径确定方法及系统 Active CN111832873B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010025149.0A CN111832873B (zh) 2020-01-10 2020-01-10 一种旧城区给水管道的管径确定方法及系统
ZA2020/04201A ZA202004201B (en) 2020-01-10 2020-07-09 Diameter determining method and system for old urban water supply pipeline

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010025149.0A CN111832873B (zh) 2020-01-10 2020-01-10 一种旧城区给水管道的管径确定方法及系统

Publications (2)

Publication Number Publication Date
CN111832873A CN111832873A (zh) 2020-10-27
CN111832873B true CN111832873B (zh) 2022-05-06

Family

ID=72913880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010025149.0A Active CN111832873B (zh) 2020-01-10 2020-01-10 一种旧城区给水管道的管径确定方法及系统

Country Status (2)

Country Link
CN (1) CN111832873B (zh)
ZA (1) ZA202004201B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560362B (zh) * 2020-12-15 2022-11-01 同济大学 一种老旧小区供水管道老化诊断方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108470444B (zh) * 2018-03-21 2019-03-08 特斯联（北京）科技有限公司 一种基于遗传算法优化的城市区域交通大数据分析系统与方法
US10234552B1 (en) * 2018-06-27 2019-03-19 University Of South Florida Precise infrastructure mapping using full-waveform inversion of ground penetrating radar signals

Also Published As

Publication number Publication date
CN111832873A (zh) 2020-10-27
ZA202004201B (en) 2021-06-30

Similar Documents

Publication Publication Date Title
Van Zyl et al. Operational optimization of water distribution systems using a hybrid genetic algorithm
Shepherd et al. A genetic algorithm based approach to optimal toll level and location problems
CN113887787B (zh) 一种基于长短时记忆网络和nsga-ii算法的洪水预报模型参数多目标优化方法
CN107292502B (zh) 一种配电网可靠性评估方法
CN109711617A (zh) 一种基于blstm深度学习的中长期径流预测方法
CN107516150A (zh) 一种短期风电功率的预测方法、装置及系统
CN113190945B (zh) 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
CN112015719A (zh) 基于正则化和自适应遗传算法的水文预测模型的构建方法
CN110619442A (zh) 一种基于强化学习的车辆泊位预测方法
CN102521391A (zh) 交通路径搜索系统及方法
CN114548680B (zh) 城市暴雨洪水管理模型参数自动率定方法及系统
CN108805346A (zh) 一种基于多隐层极限学习机的热连轧轧制力预报方法
CN111832873B (zh) 一种旧城区给水管道的管径确定方法及系统
CN108665068A (zh) 供水管网水力模型自动校核问题的改进遗传算法
CN117994986B (zh) 一种基于智能优化算法的交通车流量预测优化方法
CN114580762A (zh) 一种基于XGBoost的水文预报误差校正方法
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
CN111311026A (zh) 一种顾及数据特征、模型和校正的径流非线性预测方法
CN118040678A (zh) 一种短期海上风电功率组合预测方法
Riyahi et al. Probabilistic warm solutions-based multi-objective optimization algorithm, application in optimal design of water distribution networks
CN117293894A (zh) 一种梯级水电-光伏互补规划方法
CN111859807A (zh) 汽轮机初压寻优方法、装置、设备及存储介质
CN111310974A (zh) 一种基于ga-elm的短期需水预测方法
Gong et al. An improved ant colony optimization algorithm based on fractional order memory for traveling salesman problems
CN111105025A (zh) 基于数据驱动启发式优化的城市高压配电网阻塞管理方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Lin Yingzi

Inventor after: Liu Gen

Inventor after: Liu Lan

Inventor after: Li Ang

Inventor after: Lin Huan

Inventor after: Yang Hong

Inventor after: Liu Haichen

Inventor before: Lin Yingzi

Inventor before: Liu Gen

Inventor before: Liu Lan

Inventor before: Li Ang

Inventor before: Lin Huan