CN111915088B - 一种降低泵组能耗的优化控制方法 - Google Patents

Abstract

本发明公开了一种降低泵组能耗的优化控制方法，涉及泵组能耗优化技术领域。首先，获取待优化泵组历史数据并存储在数据库中，其次，对每个泵的转速进行编码，再次，初始化种群，对泵组内各泵转速进行随机配置组合，然后，将初始化后的种群作为适应度函数的输入，结合各种约束条件，计算适应度函数值，并对种群中各种泵速组合效果进行评价，最后，判断是否满足迭代条件。若不满足则进行各种遗传操作，从而产生新的种群，重复S4所述步骤，若满足则将迭代过程得到的所有最小能耗值进行排序，得到全局最小能耗以及相应的泵速配置，作为最终的调度方案。通过实际应用本发明所提供的方法，证明方法能有效降低泵组能耗。

Description

一种降低泵组能耗的优化控制方法

技术领域

本发明涉及泵组能耗优化技术领域，具体涉及一种降低泵组能耗的优化控制方法。

背景技术

污水处理厂中污水汇流室的泵组的能耗占用了污水处理工艺中的大部分电能。随着城市规模的扩大，污水处理压力也随之增大，不可避免地会消耗更多的电能。其中，在现有传统污水处理厂中，污水汇流室的泵组能耗管理往往不是很智能，只能简单的控制开启。长时间以既定转速运转，不仅仅消耗了不必要的电能，也往往会对泵造成损伤。

因此如果能对泵组能耗进行优化控制，降低泵组能耗，则可在一定程度上降低污水处理工艺的能耗水平，降低成本，提高污水处理效率。

发明内容

本发明的目的在于提供一种降低泵组能耗的优化控制方法及装置，实现对泵组能耗的有效降低。

为解决上述的技术问题，本发明采用以下技术方案：一种降低泵组能耗的优化控制方法，其特征在于包括如下步骤：

S1、获取待优化泵组历史数据：

S1-1、获取上个时段泵组中各泵的泵速PS，泵组总流量Q，污水汇流室液位CL，泵组的总能耗E；

S1-2、使用数据获取模块按照时间间隔T将S1-1步骤中获取的数据收集汇总；

S1-3、数据存储模块将数据以时间戳为主键存储在数据库中；

S2、对每个泵的转速进行编码；

S3、初始化种群，对泵组内各泵泵速PS进行随机配置组合；

S4、将初始化后的种群作为适应度函数的输入，结合约束条件，计算适应度函数值，并对种群中泵速组合效果进行评价；

S5、判断是否满足迭代条件；若不满足则进行遗传操作，产生新的种群，重复S4所述步骤，若满足则将迭代过程得到的所有最小能耗值进行排序，得到全局最小能耗以及相应的泵速配置，作为最终的调度方案。

更进一步的技术方案是所述步骤S2中对每个泵的转速进行编码，采用的是0、40～80、100共42个数据进行；当只进行泵组启停控制，则采用0、100进行编码，由配置输出标志位进行判断控制。

更进一步的技术方案是所述步骤S4中约束条件包括液位控制范围和流量控制范围：

CL_lb≤CL_t＝CL_ub

其中，CL_lb和CL_ub分别是水位的下限和上限，和/>是第i泵配置的流量的下限和上限。

更进一步的技术方案是所述步骤S4中适应度函数值具体计算过程为：

S4-1、将种群中每个个体参数代入预测模型中，得到当前时刻能耗值和污水流量；

S4-2、判断液位和流量是否满足约束条件，不满足约束条件的种群个体配置适应度值为0；

S4-3、若满足约束，则计算得到该个体配置的能耗值和与上次泵配置的差异率；

S4-4、将个体能耗值和配置差异率采用权重逻辑进行计算，从而得到个体适应度值。

更进一步的技术方案是所述步骤S4-1中预测模型建立方法如下：

S4-1-1、从数据库中读取全部时刻各泵的泵速PS，污水汇流室液位CL、泵组总流量Q及泵组的总能耗E；

S4-1-2、将读取到的数据作为支持向量回归算法的输入进行学习训练，算法回归模型为：

E_t＝f(E_t-T,PS_1,t,PS_2,t,…,PS_n,t,PS_1,t-T,PS_2,t-T,…,PS_n,t-T,CL_t,CL_t-T)

Q_t＝g(Q_t-T,PS_1,t,PS_2,t,…,PS_n,t,PS_1,t-T,PS_2,t-T,…,PS_n,t-T,CL_t,CL_t-T)

其中，E_t为t时前一个时间间隔泵组总能耗，Q_t为t时前一个时间间隔泵组总流量，E_t-T为t-T时前一个时间间隔泵组总能耗，Q_t-T为t-T时前一个时间间隔泵组总流量，PS_1,t为t时刻编号为1的泵的转速，PS_1,t-T为t-T时刻编号为1的泵的转速，PS_2,t为t时刻编号为2的泵的转速，PS_2,t-T为t-T时刻编号为2的泵的转速，PS_n,t为t时刻编号为n的泵的转速，PS_n,t-T为t-T时刻编号为n的泵的转速，CL_t为t时刻污水汇流室水位，CL_t-T为t-T时刻污水汇流室水位，T为时间间隔，具体为3min，n为泵组中泵的个数；

S4-1-3、利用利用均方根误差RMSE和平均相对误差MRE来评价预测模型的性能；

S4-1-4、将满足评价条件的流量模型和能耗模型文件分别保存在本地。

更进一步的技术方案是所述步骤S5遗传操作包含以下步骤：

S5-1、选择：采用轮盘赌选择法，筛选得到指定的配置数量；其中轮盘赌选择法步骤如下：

1、计算出群体中每个个体的适应度f(1,2,…,M)，M为群体大小；

2、计算出每个个体被遗传到下一代群体中的概率；

3、计算出每个个体的累积概率；

其中，q_i称为个体x_i的积累概率；

4、在[0，1]区间内产生一个均匀分布的伪随机数r；

5、若r＜q[1]，则选择个体1，否则，选择个体k，使得：q[k-1]＜r≤q[k]成立；

6、重复第4～5步共M次；

S5-2、交叉：采用两个配置的相同位置进行数值交换的方式，所有配置依次进行配置数次两两配对交叉或者配置数/2次两两配对交叉，根据交叉率得到交叉的次数，每次交叉随机得到交叉的位置；

S5-3、变异：按照变异率得到需要变异的配置数，随机得到需要变异数量的配置，然后针对每条配置方案随机得到的变异位置，进行位置交换；由配置输出标志位控制与变异位置相乘的随机数值，启停配置则乘1，启停加转速配置则乘以随机数。

更进一步的技术方案是所述方法数学模型为：

E_π[i],t＝f_π[i](w_π[i_],t)

Q_π[i],t＝g_π[i](w_π[i],t)

CL_Ib≤CL_t＝CL_ub

I＝{1,2,…,5^N-1}

x_i＝{0,1}

w∈[0.4,0.8]

其中，t是时间戳，s_i用于选择泵配置，如果采用泵配置π[i]，则s_i＝1，否则s_i＝0，π[i]为第i泵配置，w_π[i],t为第i泵速矢量，f_π[i](.)是第i泵配置的能耗模型，g_π[i](.)是第i泵配置的流量模型，E_π[i],t为泵组在第i泵配置下的能耗，Q_π[i],t是泵组在第i泵配置下t时刻前一个时间间隔的流量，和/>是第i泵配置的最小和最大能量消耗，/>和/>是第i泵配置的流量的下限和上限，A是汇流室的底部面积CL_t为t时刻污水汇流室水位，CL_t-T为t-T时刻污水汇流室水位，q_t q_t为进水流量，CL_lb和CL_ub分别是水位的下限和上限，w被限制在泵额定转速的40％-80％。

与现有技术相比，本发明的有益效果是：本申请提出了一种降低泵组能耗的优化控制方法，主要使用遗传算法对泵组能耗进行优化。与传统的优化方法相比较，遗传算法以生物进化为原型，具有很好的收敛性，在计算大规模优化问题时，计算时间少，鲁棒性高。且遗传算法使用灵活多变，采用不同的算法结构和适应度函数可解决各种优化问题，利用遗传算法全局寻优的特性寻找使污水处理厂泵组能耗降低的最佳控制配置，通过对泵组各种配置组合的筛选和比较，找出使泵组能耗最低的配置组合，并对泵组运行状况进行控制。同传统PID控制或其他控制方法相比，本身请提出的优化控制方法节能效率更为明显，且控制配置能够满足泵组正常运行下的液位和流量约束。

附图说明

图1为本发明流程示意图。

图2为遗传算法优化过程原理图。

图3为优化前后污水处理厂泵组能耗对比。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明的主要目标是通过遗传算法对污水处理厂泵组控制配置的优化，来降低泵组的能耗，从而减少实际运行成本。首先，获取待优化泵组历史数据并将数据存储在数据库中；其次，对每个泵的转速进行编码；接着，初始化种群，对泵组内各泵转速进行随机配置组合；然后，将初始化后的种群作为适应度函数的输入，结合各种约束条件，计算适应度函数值，并对种群中各种泵速组合效果进行评价；最后，判断是否满足迭代条件。若不满足则进行各种遗传操作，从而产生新的种群，重复S4所述步骤，若满足则将迭代过程得到的所有最小能耗值进行排序，得到全局最小能耗以及相应的泵速配置，作为最终的调度方案。

具体步骤如下(如图1所示)：

首先获取上个时段泵组中各泵的泵速PS，泵组总流量Q，污水汇流室液位CL，泵组的总能耗E，使用数据获取模块按照时间间隔T＝3min将S1-1步骤中获取的数据收集汇总，数据存储模块将数据以时间戳为主键存储在数据库中。

其次，在对每个泵的转速进行编码时，采用的是(0,40～80、100)的42个数据，可根据要求提高编码精度。若只是进行泵组启停控制，则采用(0,100)编码，由配置输出标志位进行判断控制。本发明采用十进制编码方式，从而减少了解码操作。

接着，初始化种群，对泵组内各泵转速进行随机配置组合，假设泵组有n台泵，则泵组一共有2ⁿ种组合；

然后，根据液位控制和流量控制两个约束条件进行适应度值的计算，具体求解过程为：

1)将种群中每个个体参数带入预测模型中，得到当前时刻能耗值和污水流量；

2)判断液位和流量是否满足对应的约束范围，不满足约束的种群个体配置适应度值为0；

3)若满足约束，则计算得到该个体配置的能耗值和与上次泵配置的差异率；

4)将个体能耗值和配置差异率采用一定的权重逻辑进行计算，从而得到个体适应度值。其中，能耗值和污水流量的计算需要先分别建立二者的预测模型，具体步骤如下：

1)从数据库中读取全部时刻各泵的泵速PS，污水汇流室液位CL、泵组总流量Q及泵组的总能耗E。

2)将读取到的数据作为支持向量回归算法的输入进行学习训练，算法回归模型为：

E_t＝f(E_t-T,PS_1,t,PS_2,t,…,PS_n,t,PS_1,t-T,PS_2,t-T,…,PS_n,t-T,CL_t,CL_t-T)

Q_t＝g(Q_t-T,PS_1,t,PS_2,t,…,PS_n,t,PS_1,t-T,PS_2,t-T,…,PS_n,t-T,CL_t,CL_t-T)

其中，E_t为t时前一个时间间隔泵组总能耗，Q_t为t时前一个时间间隔泵组总流量，E_t-T为t-T时前一个时间间隔泵组总能耗，Q_t-T为t-T时前一个时间间隔泵组总流量，PS_1,t为t时刻编号为1的泵的转速，PS_1,t-T为t-T时刻编号为1的泵的转速，PS_2,t为t时刻编号为2的泵的转速，PS_2,t-T为t-T时刻编号为2的泵的转速，PS_n,t为t时刻编号为n的泵的转速，PS_n,t-T为t-T时刻编号为n的泵的转速，CL_t为t时刻污水汇流室水位，CL_t-T为t-T时刻污水汇流室水位，T为时间间隔，具体为3min，n为泵组中泵的个数。

3)利用利用均方根误差RMSE和平均相对误差MRE来评价预测模型的性能；

其中，和/>表示t时刻模型预测值，y_i(t)和y(t)表示t时刻实际值；

4)将满足评价条件的流量模型和能耗模型文件分别保存在本地。

最后，判断是否满足迭代条件。若不满足则进行各种遗传操作，具体操作流程如下：

1)选择：采用轮盘赌选择法，筛选得到指定的配置数量。其中轮盘赌选择法步骤如下：

a)计算出群体中每个个体的适应度f(1,2,…,M)，M为群体大小；

b)计算出每个个体被遗传到下一代群体中的概率；

c)计算出每个个体的累积概率；

其中，q_i称为个体x_i的积累概率；

d)在[0，1]区间内产生一个均匀分布的伪随机数r；

e)若r＜q[1]，则选择个体1，否则，选择个体k，使得：q[k-1]＜r≤q[k]成立；

f)重复第4～5步共M次；

2)交叉：采用两个配置的相同位置进行数值交换的方式，所有配置依次进行配置数次两两配对交叉(或者配置数/2次两两配对交叉)。根据交叉率得到交叉的次数，每次交叉随机得到交叉的位置。

3)变异：按照变异率得到需要变异的配置数，随机得到需要变异数量的配置，然后针对每条配置方案随机得到的变异位置，进行位置交换。由配置输出标志位控制与变异位置相乘的随机数值，启停配置则乘1，启停加转速配置则乘以随机数。

图2给出了遗传算法优化的具体流程。在本案例中，污水处理厂泵组一共有6台泵设备，每台设备有42种变频情况，除去启(1)停(0)，每台设备有40种泵速情况。根据所述步骤和具体约束所建立的数学模型如下：

E_π[i],t＝f_π[i](w_π[i_],t)

Q_π[i],t＝g_π[_i](w_π[i],t)

CL_Ib≤CL_t＝CL_ub

I＝{1,2,…,5^N-1}

x_i＝{0,1}

w∈[0.4,0.8]

其中，t是时间戳，s_i用于选择泵配置，如果采用泵配置π[i]，则s_i＝1，否则s_i＝0，π[i]为第i泵配置，w_π[i],t为第i泵速矢量，f_π[i](.)是第i泵配置的能耗模型，g_π[i](.)是第i泵配置的流量模型，E_π[i],t为泵组在第i泵配置下的能耗，Q_π[i],t是泵组在第i泵配置下t时刻前一个时间间隔的流量，和/>是第i泵配置的最小和最大能量消耗，/>和/>是第i泵配置的流量的下限和上限，A是汇流室的底部面积CL_t为t时刻污水汇流室水位，CL_t-T为t-T时刻污水汇流室水位，q_t为进水流量，CL_lb和CL_ub分别是水位的下限和上限，w被限制在泵额定转速的40％-80％。

图3给出了按照本实施过程得到的泵组能源优化前后对比，图中纵坐标表示能耗，单位是kW/h，横坐标表示泵组调度次数。从图中可以看出，污水处理厂泵组设备在经过遗传算法优化后，所用能耗较低了约18％，大大节省了泵组在实际运行过程中的运行成本。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (4)

1.一种降低泵组能耗的优化控制方法，其特征在于包括如下步骤：

S1、获取待优化泵组历史数据：

S1-1、获取上个时段泵组中各泵的泵速PS，泵组总流量Q，污水汇流室液位CL，泵组的总能耗E；

S1-2、使用数据获取模块按照时间间隔T将S1-1步骤中获取的数据收集汇总；

S1-3、数据存储模块将数据以时间戳为主键存储在数据库中；

S2、对每个泵的转速进行编码；

S3、初始化种群，对泵组内各泵泵速PS进行随机配置组合；

S4、将初始化后的种群作为适应度函数的输入，结合约束条件，计算适应度函数值，并对种群中泵速组合效果进行评价；

S5、判断是否满足迭代条件；若不满足则进行遗传操作，产生新的种群，重复S4所述步骤，若满足则将迭代过程得到的所有最小能耗值进行排序，得到全局最小能耗以及相应的泵速配置，作为最终的调度方案；

所述步骤S2中对每个泵的转速进行编码，采用的是0、40～80、100共42个数据进行；当只进行泵组启停控制，则采用0、100进行编码，由配置输出标志位进行判断控制；所述步骤S4中约束条件包括液位控制范围和流量控制范围：

CL_lb≤CL_t＝CL_ub

其中，CL_lb和CL_ub分别是水位的下限和上限，和/>是第i泵配置的流量的下限和上限；所述方法数学模型为：

E_π[i],t＝f_π[i](w_π[i],t)

Q_π[i],t＝g_π[i](w_π[i],t)

CL_lb≤CL_t＝CL_ub

I＝{1,2,…,5^N-1}

x_i＝{0,1}

w∈[0.4,0.8]

其中，t是时间戳，x_i用于选择泵配置，如果采用泵配置π[i]，则x_i＝1，否则x_i＝0，π[i]为第i泵配置，w_π[i],t为第i泵速矢量，f_π[i](.)是第i泵配置的能耗模型，g_π[i](.)是第i泵配置的流量模型，E_π[i],t为泵组在第i泵配置下的能耗，Q_π[i],t是泵组在第i泵配置下t时刻前一个时间间隔的流量，和/>是第i泵配置的最小和最大能量消耗，/>和/>是第i泵配置的流量的下限和上限，A是汇流室的底部面积，CL_t为t时刻污水汇流室水位，CL_t-T为t-T时刻污水汇流室水位，q_t为进水流量，CL_lb和CL_ub分别是水位的下限和上限，w被限制在泵额定转速的40％-80％。

2.根据权利要求1所述的一种降低泵组能耗的优化控制方法，其特征在于：所述步骤S4中适应度函数值具体计算过程为：

S4-1、将种群中每个个体参数代入预测模型中，得到当前时刻能耗值和污水流量；

S4-2、判断液位和流量是否满足约束条件，不满足约束条件的种群个体配置适应度值为0；

S4-3、若满足约束，则计算得到该个体配置的能耗值和与上次泵配置的差异率；

S4-4、将个体能耗值和配置差异率采用权重逻辑进行计算，从而得到个体适应度值。

3.根据权利要求2所述的一种降低泵组能耗的优化控制方法，其特征在于：所述步骤S4-1中预测模型建立方法如下：

S4-1-1、从数据库中读取全部时刻各泵的泵速PS，污水汇流室液位CL、泵组总流量Q及泵组的总能耗E；

S4-1-2、将读取到的数据作为支持向量回归算法的输入进行学习训练，算法回归模型为：

E_t＝f(E_t-T,PS_1,t,PS_2,t,…,PS_n,t,PS_1,t-T,PS_2,t-T,…,PS_n,t-T,CL_t,CL_t-T)

Q_t＝g(Q_t-T,PS_1,t,PS_2,t,…,PS_n,t,PS_1,t-T,PS_2,t-T,…,PS_n,t-T,CL_t,CL_t-T)

其中，E_t为t时前一个时间间隔泵组总能耗，Q_t为t时前一个时间间隔泵组总流量，E_t-T为t-T时前一个时间间隔泵组总能耗，Q_t-T为t-T时前一个时间间隔泵组总流量，PS_1,t为t时刻编号为1的泵的转速，PS_1,t-T为t-T时刻编号为1的泵的转速，PS_2,t为t时刻编号为2的泵的转速，PS_2,t-T为t-T时刻编号为2的泵的转速，PS_n,t为t时刻编号为n的泵的转速，PS_n,t-T为t-T时刻编号为n的泵的转速，CL_t为t时刻污水汇流室水位，CL_t-T为t-T时刻污水汇流室水位，T为时间间隔，具体为3min，n为泵组中泵的个数；

S4-1-3、利用均方根误差RMSE和平均相对误差MRE来评价预测模型的性能；

S4-1-4、将满足评价条件的流量模型和能耗模型文件分别保存在本地。

4.根据权利要求1所述的一种降低泵组能耗的优化控制方法，其特征在于：所述步骤S5遗传操作包含以下步骤：

S5-1、选择：采用轮盘赌选择法，筛选得到指定的配置数量；其中轮盘赌选择法步骤如下：

(1)、计算出群体中每个个体的适应度f(1,2,…,M)，M为群体大小；

(2)、计算出每个个体被遗传到下一代群体中的概率；

(3)、计算出每个个体的累积概率；

其中，q_i称为个体x_i的积累概率；

(4)、在[0，1]区间内产生一个均匀分布的伪随机数r；

(5)、若r＜q[1]，则选择个体1，否则，选择个体k，使得：q[k-1]＜r≤q[k]成立；

(6)、重复第4～5步共M次；

S5-2、交叉：采用两个配置的相同位置进行数值交换的方式，所有配置依次进行配置数次两两配对交叉或者配置数/2次两两配对交叉，根据交叉率得到交叉的次数，每次交叉随机得到交叉的位置；

S5-3、变异：按照变异率得到需要变异的配置数，随机得到需要变异数量的配置，然后针对每条配置方案随机得到的变异位置，进行位置交换；由配置输出标志位控制与变异位置相乘的随机数值，启停配置则乘1，启停加转速配置则乘以随机数。