CN112149358A - 一种供水管网水力模型校核的麻雀搜索算法 - Google Patents

一种供水管网水力模型校核的麻雀搜索算法 Download PDF

Info

Publication number
CN112149358A
CN112149358A CN202011070139.5A CN202011070139A CN112149358A CN 112149358 A CN112149358 A CN 112149358A CN 202011070139 A CN202011070139 A CN 202011070139A CN 112149358 A CN112149358 A CN 112149358A
Authority
CN
China
Prior art keywords
water supply
algorithm
sparrow
objective function
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.)
Pending
Application number
CN202011070139.5A
Other languages
English (en)
Inventor
彭森
刘天韧
吴卿
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202011070139.5A priority Critical patent/CN112149358A/zh
Publication of CN112149358A publication Critical patent/CN112149358A/zh
Pending legal-status Critical Current

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Pipeline Systems (AREA)

Abstract

本发明公开了一种供水管网水力模型校核的麻雀搜索算法。此算法用于对供水管网的管段粗糙系数以及时间模式进行自动校核，首先由根据供水管网模型设定解空间的维度以及设计目标函数，然后算法在边界范围内生成初始解，再根据算法模拟的搜索‑觅食‑警报模型计算目标函数的值，最后取得最优解。本发明通过相关实验验证了方法的有效性。

Description

一种供水管网水力模型校核的麻雀搜索算法
技术领域
本发明涉及城市供水管网水力模型自动校核的方法。
背景技术
随着城市化不断推进，城市的规模也在不断增加，随之而来的是更大的城市用水量，水厂的运营管理和调度方案将对城市用水状况产生更大的影响。通过建立城市供水管网水力模型，可以较为准确的反应城市用水状况，并且通过更改模型进行管网优化调度的模拟，从而有助于城市的建设和发展。管网水力模型的参数，如粗糙系数、需水量、压力和时间模式等，都在一定程度上影响着模型的精度，为了尽可能增大模型的精度，需要设置能与实际情况相符的参数。通过优化算法进行水力模型自动校核，可以通过调整目标函数，将模拟值与实测值进行匹配，从而构建更加贴近真实情况的管网水力模型。
目前多用遗传算法进行模型校核，但该算法提出较早，并且有着早熟和容易陷入局部最优的缺点。本发明使用了以仿生学为基础的麻雀搜索算法进行模型自动校核，提高了校核效率。
发明内容
本发明的目的是针对现有方法的限制，本发明主要是通过使用麻雀搜索算法进行水力模型的校核。
为实现以上目的，本发明采用麻雀搜索算法进行供水管网水力模型的自动校核，包括如下方面：
1.设计模型：根据实际管网情况设计和绘制管网模型，其中拓扑结构和管长管径以及水库水头应与实际相符。
2.校核方法：使用优化算法对管网模型中自变量进行校核，具体为：
(1)确定校核的自变量，在静态供水管网模型中一般调节管段粗糙系数，在动态供水管网模型中一般还需要调节用水模式。
(2)设计目标函数X，一般使用模型运行后产生的水力参数作为目标函数的自变量，如压力、流量、流速等。目的是通过调整输入自变量，使目标函数X最小，从而使模拟值与实际值的误差尽量小。
3.确定优化算法：本发明使用麻雀搜索算法(SSA)作为优化算法，此算法以仿生模拟麻雀种群觅食-警报-移动的行为为基础，调节种群数量、迭代次数、种群比例等内部参数，通过迭代计算在解空间的边界条件内寻找最优解。
4.运行校核算法：按照麻雀搜索算法内部原理和逻辑进行计算和迭代，计算目标函数的值，在达到迭代条件后将生成自变量的最优解以及目标函数的值。
本发明的有益效果：本发明以麻雀搜索算法为基础进行供水管网水力模型校核，有着较高收敛速度和精度，提高了校核效率，为水力模型校核提供了新的选择。
附图说明
图1为本发明校核管网模型的流程图；
图2为本发明麻雀搜索算法的流程图；
图3为本发明目标函数收敛曲线；
图4为本发明粗糙系数校核值与实际值对比。
具体实施方式
为了使本领域技术人员更好地理解本发明的技术方案，下面结合附图对本发明进行详细描述，本部分的描述仅是示范性和解释性，不应对本发明的保护范围有任何的限制作用。
如图1和图2所示，供水管网麻雀搜索算法自动校核过程，包括以下步骤：
步骤1：根据实际供水管网的管径分布情况，设计供水管网水力模型，使管长管径以及水库水头与实际情况相符。
步骤2：使用静态模型作为目标模型，选取管段的粗糙系数作为优化参数，将所有的管段按管长分为D组，即维数dim，每组使用相同的粗糙系数。
步骤3：根据管网的实际情况和经验公式，在算法中对不同管径的管段的粗糙系数设置边界条件：上界ub与下界1b。
步骤4：根据实际供水管网中压力和流量监测点的分布和数量，设计目标函数X，选择压力与流量误差平方和的最小值作为目标函数。
步骤5：设置算法中麻雀种群的数量SearchAgents_no，最大迭代次数Max_iteration，发现者在种群中所占的比例P_percent以及预警的阈值。
步骤6：运行算法，生成初始种群，生成初始麻雀的位置并计算初始目标函数值。
步骤7：判断是否出现了捕食者，如果出现了捕食者，种群则需要去其他地方觅食；如果没有出现捕食者，麻雀位置将随机移动，并去除超出边界的变量。计算新的目标函数值。
步骤8：除了发现者以外的觅食者中，一部分麻雀能量较低，处于饥饿状态，将围绕周围最好的发现者进行觅食，可能争夺发现者的食物，使自己变成发现者。计算新的目标函数值。
步骤9：某些麻雀意识到外界的危险时，处于外围的麻雀将向中间靠拢，处于中心的麻雀则随机靠近别的个体。计算新的目标函数值。
步骤10：个体位置更新完成后，本次迭代结束并进行下一次迭代，直到达到预设的迭代次数为止，输出最优解。
其中步骤2中：dim为变量个数，与管段管径的数值分布相关；
步骤3中：上界为up，下界lb，根据经验取值一般在80-150之间；
步骤4中：
目标函数设计为：
Figure BSA0000221131270000031
式中：Hi和
Figure BSA0000221131270000032
分别代表第i个压力监测点的模拟值和实测值，单位为m；
qj和
Figure BSA0000221131270000033
分别代表第j个流量监测点的模拟值和实测值，单位为L/s；
M，N是压力监测点和流量监测点的集合；
r1，r2是节点压力和管段流量在目标函数中的权重，0＜r1＜1，0＜r2＜1。
步骤4中：麻雀种群的数量为SearchAgents_no；最大迭代次数为Max_iteration，发现者在种群中所占的比例P_percent，0＜P_percent＜1，预警的阈值为为0到1的常数。
本发明使用的算例中使用的供水管网模型共有节点21个，管段25个，将管段按管径分为三组，即自变量为三维解空间。算法运行完成后目标函数变化如图3所示，可以看到其具有快速收敛的特性，并且在实例模型中校核误差精度达到了10-10的级别。
校核完成后的最优解与实际管段以及初始的粗糙系数对比如图4所示，可以看到差距基本保持在0.1以内，校核结果误差在0.1％以内，所以本算法对供水管网校核效果很好。

Claims (6)

1.一种基于麻雀搜索算法的供水管网模型自动校核方法，其特征在于，该方法包括以下步骤：
步骤1：根据实际管网情况设计和绘制管网模型，其中拓扑结构和管长管径以及水库水头应与实际相符。
步骤2：选择需要优化的参数，根据实际供水管网的管径分布情况，生成有特定维度解空间，在算法中对需要优化的参数设置边界条件。
步骤2：以节点压力和管段流量作为目标函数的元素，根据实际供水管网中压力和流量监测点的分布和数量，设计目标函数X，选择压力与流量模拟值与实测值误差平方和的最小值作为目标函数。
步骤3：设置算法中麻雀种群的数量SearchAgents_no，最大迭代次数Max_iteration，发现者在种群中所占的比例P_percent以及预警的阈值。
步骤4：运行算法，生成初始种群，生成初始麻雀的位置并计算初始目标函数值。
步骤5：判断是否出现了捕食者，如果出现了捕食者，种群则需要去其他地方觅食；如果没有出现捕食者，麻雀位置将随机移动。
步骤6：除了发现者以外的觅食者中，能量较低的麻雀将围绕周围最好的发现者进行觅食，可能争夺发现者的食物，使自己变成发现者。
步骤7：某些麻雀意识到外界的危险时，处于外围的麻雀将向中间靠拢，处于中心的麻雀则随机靠近别的个体。
步骤8：完成本次迭代并进行下一次迭代，直到达到预设的迭代次数为止，输出最优解。
2.根据权利要求1所述的基于麻雀搜索算法的供水管网模型自动校核方法，其特征在于，设计和绘制的供水管网模型是以EPANET2为基础的静态水力模型。
3.根据权利要求1所述的基于麻雀搜索算法的供水管网模型自动校核方法，其特征在于，选择管段的粗糙系数作为优化参数，解空间的维度为按管段管径大小所分组的数量，解空间的元素为不同管径管段的粗糙系数。
4.根据权利要求1所述的基于麻雀搜索算法的供水管网模型自动校核方法，其特征在于，解的边界条件为设置上下界，上界ub和下界1b分别为150和80。
5.根据权利要求1所述的基于麻雀搜索算法的供水管网模型自动校核方法，其特征在于，以同时使用节点压力和管段流量的平方之和作为目标函数X，目标函数如下：
Figure FSA0000221131260000011
式中：Hi和
Figure FSA0000221131260000021
分别代表第i个压力监测点的模拟值和实测值，单位为m；
qj和
Figure FSA0000221131260000022
分别代表第j个流量监测点的模拟值和实测值，单位为L/s；
M，N是压力监测点和流量监测点的集合；
r1，r2是节点压力和管段流量在目标函数中的权重，0＜r1＜1，0＜r2＜1。
6.根据权利要求1所述的基于麻雀搜索算法的供水管网模型自动校核方法，其特征在于，设置算法中麻雀种群的数量SearchAgents_no为100，发现者在种群中所占的比例P_percent为0.2，预警阈值为0.8。
CN202011070139.5A 2020-10-09 2020-10-09 一种供水管网水力模型校核的麻雀搜索算法 Pending CN112149358A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011070139.5A CN112149358A (zh) 2020-10-09 2020-10-09 一种供水管网水力模型校核的麻雀搜索算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011070139.5A CN112149358A (zh) 2020-10-09 2020-10-09 一种供水管网水力模型校核的麻雀搜索算法

Publications (1)

Publication Number Publication Date
CN112149358A true CN112149358A (zh) 2020-12-29

Family

ID=73952495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011070139.5A Pending CN112149358A (zh) 2020-10-09 2020-10-09 一种供水管网水力模型校核的麻雀搜索算法

Country Status (1)

Country Link
CN (1) CN112149358A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902174A (zh) * 2021-09-16 2022-01-07 燕山大学 一种阻塞流水车间调度问题的改进麻雀搜索优化方法
CN117217098A (zh) * 2023-11-08 2023-12-12 北京科技大学 基于数字孪生和深度学习的钢管力学性能预测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130132049A1 (en) * 2011-11-22 2013-05-23 Saudi Arabian Oil Company Coupled pipe network - reservoir modeling for multi-branch oil wells
CN104866899A (zh) * 2015-06-17 2015-08-26 山东省环境保护科学研究设计院 一种基于城市供水管网水力模型校核的漏失检测方法
CN108665068A (zh) * 2017-03-27 2018-10-16 中国科学院沈阳计算技术研究所有限公司 供水管网水力模型自动校核问题的改进遗传算法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130132049A1 (en) * 2011-11-22 2013-05-23 Saudi Arabian Oil Company Coupled pipe network - reservoir modeling for multi-branch oil wells
CN104866899A (zh) * 2015-06-17 2015-08-26 山东省环境保护科学研究设计院 一种基于城市供水管网水力模型校核的漏失检测方法
CN108665068A (zh) * 2017-03-27 2018-10-16 中国科学院沈阳计算技术研究所有限公司 供水管网水力模型自动校核问题的改进遗传算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIANKAI XUE ET AL.: "A novel swarm intelligence optimization approach: sparrow search algorithm", 《SYSTEMS SCIENCE & CONTROL ENGINEERING》 *
叶佳琪: "供水管网水力水质的模拟研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902174A (zh) * 2021-09-16 2022-01-07 燕山大学 一种阻塞流水车间调度问题的改进麻雀搜索优化方法
CN113902174B (zh) * 2021-09-16 2024-04-26 燕山大学 一种阻塞流水车间调度问题的改进麻雀搜索优化方法
CN117217098A (zh) * 2023-11-08 2023-12-12 北京科技大学 基于数字孪生和深度学习的钢管力学性能预测方法及装置
CN117217098B (zh) * 2023-11-08 2024-02-23 北京科技大学 基于数字孪生和深度学习的钢管力学性能预测方法及装置

Similar Documents

Publication Publication Date Title
CN112149358A (zh) 一种供水管网水力模型校核的麻雀搜索算法
CN106157173B (zh) 基于scada数据和实时模型的城市供水管网爆管在线定位方法
CN106875033B (zh) 一种基于动态自适应的风电集群功率预测方法
CN111125969A (zh) 一种跨水库流域河道径流演算方法和系统
CN106779148B (zh) 一种多模型多特征融合的高速铁路沿线风速预测方法
CN106779151A (zh) 一种高速铁路沿线风速多点多层耦合预测方法
CN104376214A (zh) 基于数据驱动的脉动风速模拟方法
CN108615097A (zh) 一种风速预测方法、系统、设备及计算机可读存储介质
CN103258235A (zh) 一种基于改进人工鱼群算法的供水管网改扩建优化方法
CN103778482A (zh) 基于多尺度分析的水产养殖溶解氧短期预测方法
RU2762983C1 (ru) Способ и система мониторинга качества внутреннего воздуха и управления вентиляцией для поезда
CN111897240B (zh) 一种基于核动力系统运行的仿真方法及系统
CN113361761A (zh) 一种基于误差修正的短期风电功率集成预测方法及系统
CN114322199A (zh) 基于数字孪生的通风系统自主优化运行调控平台及方法
CN111366291B (zh) 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法
CN112884238A (zh) 光伏发电功率预测方法及装置
CN112503400A (zh) 一种供水管网测压点多目标优化布置方法
Bo et al. Hybrid PSO-BP neural network approach for wind power forecasting
CN116454863A (zh) 一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法
CN109886488B (zh) 考虑风速时滞性的分散式风电场分层混合短期预测方法
CN111914488B (zh) 一种基于对抗神经网络的有资料地区水文参数率定方法
CN109214572A (zh) 一种基于epso-bp对商业建筑灯饰能耗预测方法
CN113177673A (zh) 一种空调冷负荷预测优化方法、系统及设备
CN113937808A (zh) 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法
CN114818320A (zh) 一种巨型河网水动力数学模型率定方法、系统及存储介质

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201229