CN111915088B - 一种降低泵组能耗的优化控制方法 - Google Patents
一种降低泵组能耗的优化控制方法 Download PDFInfo
- Publication number
- CN111915088B CN111915088B CN202010786750.1A CN202010786750A CN111915088B CN 111915088 B CN111915088 B CN 111915088B CN 202010786750 A CN202010786750 A CN 202010786750A CN 111915088 B CN111915088 B CN 111915088B
- Authority
- CN
- China
- Prior art keywords
- pump
- energy consumption
- configuration
- pump set
- population
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 4
- 238000012804 iterative process Methods 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 239000010865 sewage Substances 0.000 claims description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 239000007788 liquid Substances 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010353 genetic engineering Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/04—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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Positive-Displacement Pumps (AREA)
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
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:
CLlb≤CLt=CLub
其中,CLlb和CLub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:
Et=f(Et-T,PS1,t,PS2,t,…,PSn,t,PS1,t-T,PS2,t-T,…,PSn,t-T,CLt,CLt-T)
Qt=g(Qt-T,PS1,t,PS2,t,…,PSn,t,PS1,t-T,PS2,t-T,…,PSn,t-T,CLt,CLt-T)
其中,Et为t时前一个时间间隔泵组总能耗,Qt为t时前一个时间间隔泵组总流量,Et-T为t-T时前一个时间间隔泵组总能耗,Qt-T为t-T时前一个时间间隔泵组总流量,PS1,t为t时刻编号为1的泵的转速,PS1,t-T为t-T时刻编号为1的泵的转速,PS2,t为t时刻编号为2的泵的转速,PS2,t-T为t-T时刻编号为2的泵的转速,PSn,t为t时刻编号为n的泵的转速,PSn,t-T为t-T时刻编号为n的泵的转速,CLt为t时刻污水汇流室水位,CLt-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,qi称为个体xi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:
Eπ[i],t=fπ[i](wπ[i],t)
Qπ[i],t=gπ[i](wπ[i],t)
CLIb≤CLt=CLub
I={1,2,…,5N-1}
xi={0,1}
w∈[0.4,0.8]
其中,t是时间戳,si用于选择泵配置,如果采用泵配置π[i],则si=1,否则si=0,π[i]为第i泵配置,wπ[i],t为第i泵速矢量,fπ[i](.)是第i泵配置的能耗模型,gπ[i](.)是第i泵配置的流量模型,Eπ[i],t为泵组在第i泵配置下的能耗,Qπ[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CLt为t时刻污水汇流室水位,CLt-T为t-T时刻污水汇流室水位,qt qt为进水流量,CLlb和CLub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:
Et=f(Et-T,PS1,t,PS2,t,…,PSn,t,PS1,t-T,PS2,t-T,…,PSn,t-T,CLt,CLt-T)
Qt=g(Qt-T,PS1,t,PS2,t,…,PSn,t,PS1,t-T,PS2,t-T,…,PSn,t-T,CLt,CLt-T)
其中,Et为t时前一个时间间隔泵组总能耗,Qt为t时前一个时间间隔泵组总流量,Et-T为t-T时前一个时间间隔泵组总能耗,Qt-T为t-T时前一个时间间隔泵组总流量,PS1,t为t时刻编号为1的泵的转速,PS1,t-T为t-T时刻编号为1的泵的转速,PS2,t为t时刻编号为2的泵的转速,PS2,t-T为t-T时刻编号为2的泵的转速,PSn,t为t时刻编号为n的泵的转速,PSn,t-T为t-T时刻编号为n的泵的转速,CLt为t时刻污水汇流室水位,CLt-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,yi(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,qi称为个体xi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:
Eπ[i],t=fπ[i](wπ[i],t)
Qπ[i],t=gπ[i](wπ[i],t)
CLIb≤CLt=CLub
I={1,2,…,5N-1}
xi={0,1}
w∈[0.4,0.8]
其中,t是时间戳,si用于选择泵配置,如果采用泵配置π[i],则si=1,否则si=0,π[i]为第i泵配置,wπ[i],t为第i泵速矢量,fπ[i](.)是第i泵配置的能耗模型,gπ[i](.)是第i泵配置的流量模型,Eπ[i],t为泵组在第i泵配置下的能耗,Qπ[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CLt为t时刻污水汇流室水位,CLt-T为t-T时刻污水汇流室水位,qt为进水流量,CLlb和CLub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:
CLlb≤CLt=CLub
其中,CLlb和CLub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:
Eπ[i],t=fπ[i](wπ[i],t)
Qπ[i],t=gπ[i](wπ[i],t)
CLlb≤CLt=CLub
I={1,2,…,5N-1}
xi={0,1}
w∈[0.4,0.8]
其中,t是时间戳,xi用于选择泵配置,如果采用泵配置π[i],则xi=1,否则xi=0,π[i]为第i泵配置,wπ[i],t为第i泵速矢量,fπ[i](.)是第i泵配置的能耗模型,gπ[i](.)是第i泵配置的流量模型,Eπ[i],t为泵组在第i泵配置下的能耗,Qπ[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,CLt为t时刻污水汇流室水位,CLt-T为t-T时刻污水汇流室水位,qt为进水流量,CLlb和CLub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:
Et=f(Et-T,PS1,t,PS2,t,…,PSn,t,PS1,t-T,PS2,t-T,…,PSn,t-T,CLt,CLt-T)
Qt=g(Qt-T,PS1,t,PS2,t,…,PSn,t,PS1,t-T,PS2,t-T,…,PSn,t-T,CLt,CLt-T)
其中,Et为t时前一个时间间隔泵组总能耗,Qt为t时前一个时间间隔泵组总流量,Et-T为t-T时前一个时间间隔泵组总能耗,Qt-T为t-T时前一个时间间隔泵组总流量,PS1,t为t时刻编号为1的泵的转速,PS1,t-T为t-T时刻编号为1的泵的转速,PS2,t为t时刻编号为2的泵的转速,PS2,t-T为t-T时刻编号为2的泵的转速,PSn,t为t时刻编号为n的泵的转速,PSn,t-T为t-T时刻编号为n的泵的转速,CLt为t时刻污水汇流室水位,CLt-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,qi称为个体xi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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010786750.1A CN111915088B (zh) | 2020-08-07 | 2020-08-07 | 一种降低泵组能耗的优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010786750.1A CN111915088B (zh) | 2020-08-07 | 2020-08-07 | 一种降低泵组能耗的优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915088A CN111915088A (zh) | 2020-11-10 |
CN111915088B true CN111915088B (zh) | 2024-05-28 |
Family
ID=73287709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010786750.1A Active CN111915088B (zh) | 2020-08-07 | 2020-08-07 | 一种降低泵组能耗的优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915088B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596280B (zh) * | 2023-07-17 | 2023-10-03 | 青岛国源中创电气自动化工程有限公司 | 一种污水处理厂水泵组的协同调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2796724A1 (de) * | 2013-04-24 | 2014-10-29 | Wilo Se | Optimierter Betrieb einer drehzahlgeregelten Pumpe in einer Abwasser-Pumpstation |
EP2944821A1 (de) * | 2014-05-13 | 2015-11-18 | Wilo Se | Verfahren zur energieoptimierten drehzahlregelung eines pumpenaggregates |
CN109636051A (zh) * | 2018-12-19 | 2019-04-16 | 中建八局第三建设有限公司 | 基于ga的一次泵变流量系统运行参数优化方法 |
CN110500291A (zh) * | 2019-08-28 | 2019-11-26 | 中国计量大学 | 一种基于遗传算法的多泵并联控制方法 |
CN111027782A (zh) * | 2019-12-25 | 2020-04-17 | 安徽建筑大学 | 基于无中心遗传算法的建筑二次供水优化调度方法及装置 |
-
2020
- 2020-08-07 CN CN202010786750.1A patent/CN111915088B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2796724A1 (de) * | 2013-04-24 | 2014-10-29 | Wilo Se | Optimierter Betrieb einer drehzahlgeregelten Pumpe in einer Abwasser-Pumpstation |
EP2944821A1 (de) * | 2014-05-13 | 2015-11-18 | Wilo Se | Verfahren zur energieoptimierten drehzahlregelung eines pumpenaggregates |
CN109636051A (zh) * | 2018-12-19 | 2019-04-16 | 中建八局第三建设有限公司 | 基于ga的一次泵变流量系统运行参数优化方法 |
CN110500291A (zh) * | 2019-08-28 | 2019-11-26 | 中国计量大学 | 一种基于遗传算法的多泵并联控制方法 |
CN111027782A (zh) * | 2019-12-25 | 2020-04-17 | 安徽建筑大学 | 基于无中心遗传算法的建筑二次供水优化调度方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于遗传算法的污水输送泵站优化调度;龚志鹏 等;系统仿真技术;第3卷(第1期);第36页-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111915088A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jung et al. | Prediction of building energy consumption using an improved real coded genetic algorithm based least squares support vector machine approach | |
Feng et al. | Optimizing electrical power production of hydropower system by uniform progressive optimality algorithm based on two-stage search mechanism and uniform design | |
CN106874542B (zh) | 一种液力透平叶轮多工况多目标优化设计方法 | |
Feng et al. | Optimization of large-scale hydropower system peak operation with hybrid dynamic programming and domain knowledge | |
Tung et al. | Application of the genetic algorithm for optimizing operation rules of the liyutan reservoir in taiwan 1 | |
CN102780235B (zh) | 一种基于遗传算法的抽水蓄能电站调度方法 | |
CN103580061A (zh) | 微电网运行方法 | |
CN107910883A (zh) | 基于抽水蓄能电站修正时序负荷曲线的随机生产模拟方法 | |
CN109472423A (zh) | 一种考虑风电并网条件下火电机组深度调峰的机组组合方法 | |
CN111915088B (zh) | 一种降低泵组能耗的优化控制方法 | |
CN116070857A (zh) | 一种基于遗传算法的水厂二级泵房调度方法及装置 | |
CN107330251A (zh) | 一种基于云遗传算法的风功率预测方法 | |
CN110909911A (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
Liu et al. | Two-stage optimal economic scheduling for commercial building multi-energy system through internet of things | |
CN110739726A (zh) | 一种考虑海上风电接入的多类型电源容量长期规划方法 | |
CN114021965A (zh) | 一种梯级水电站群多目标多模式智能切换的优化调度方法 | |
CN114371614A (zh) | 一种基于遗传算法的泵站泵组运行确定方法及系统 | |
CN115860205A (zh) | 考虑跨季节调度的两阶段分布鲁棒氢储设备优化配置方法 | |
CN110707754B (zh) | 微电网中水风光电源容量配置的优化方法 | |
CN112699615B (zh) | 一种跨时空能源综合配置优化方法、装置及存储介质 | |
Chen et al. | Improved progressive optimality algorithm and its application to determination of optimal release trajectory of long-term power generation operation of cascade reservoirs | |
CN113363976A (zh) | 一种基于场景图的风光水互补发电系统中期优化调度方法 | |
CN116702611A (zh) | 一种基于遗传算法的泵组优化方法 | |
CN115618723B (zh) | 一种考虑燃煤机组及加油站退出的制氢网络运行方法 | |
CN111476477A (zh) | 基于发电效益目标的梯级水电站中长期优化调度方法 |
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 |