CN112596386A - 基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型 - Google Patents
基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型 Download PDFInfo
- Publication number
- CN112596386A CN112596386A CN202011463043.5A CN202011463043A CN112596386A CN 112596386 A CN112596386 A CN 112596386A CN 202011463043 A CN202011463043 A CN 202011463043A CN 112596386 A CN112596386 A CN 112596386A
- Authority
- CN
- China
- Prior art keywords
- model
- drainage system
- matlab
- control
- module
- 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
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 88
- 230000007246 mechanism Effects 0.000 title claims abstract description 64
- 238000013499 data model Methods 0.000 title claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 238000012544 monitoring process Methods 0.000 claims description 35
- 238000012937 correction Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 239000010865 sewage Substances 0.000 claims description 16
- 239000003344 environmental pollutant Substances 0.000 claims description 12
- 231100000719 pollutant Toxicity 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 210000001503 joint Anatomy 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000009991 scouring Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000001105 regulatory effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型,包括如下步骤:确定精细化建模范围和粗略建模范围、构建在线机理模型、构建概念模型、在线机理模型与概念模型耦合、模型参数校正、通讯指令关系建立、降雨过程建立、排水系统水量和水质模拟、排水系统仿真控制、数据模型辅助应用和模拟结果分析展示。使用该方法构建的混合模型是一种通用性的城市排水系统仿真控制混合模型,其融合在线机理模型SWMM模型、概念模型及数据模型,可实现城市排水系统水量、水质的快速模拟、高效仿真控制和自动策略优化。
Description
技术领域
本发明涉及城市排水系统实时控制领域,特别涉及一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型。
背景技术
随着快速的城市化进程以及气候变化引起的极端降雨事件频率和幅度的增加,城市排水系统系统的负荷加重,从而增加内涝和合流制管网溢流的风险。城市排水系统的实时控制是提升排水系统运行性能的可靠手段。实时控制是依据在线监测的重要过程变量数据,利用在线模型动态调整控制策略,通过控制设备对排水设施及污水处理厂运行进行实时干预。
在城市排水系统模拟中,在线机理模型EPA-SWMM模型最为常见且应用广泛,是一类面向过程的模型。SWMM模型主要使用圣维南方程,模拟管道中水流质量和能量的守恒关系,因此能精确描述城市排水管网及附属设施中的水力过程,但其计算的复杂性导致了较长的模拟运算时间,无法满足实时控制的要求。
概念模型是一类面向控制的模型,其物理系统由高度简化的“概念”表示,依赖于更简单和更少的关系,其总体复杂性降低从而显著减少了计算时间。但由于概念模型只关注主导过程,其概化程度会影响模型模拟的精确性。其中,基于马斯京根方法的概念模型是将管道、河道或汇水区出流量,通过一种管道蓄水体积与管道流入和流出量之间的假设线性关系描述,是一种广泛应用于模拟和控制的模型,其方法简单且在预测方面具有适用性。
数据模型是现实世界数据特征的抽象,用于描述一组数据的概念和定义。数据模型是数据库中数据的存储方式。数据模型中的神经网络模型是一种模拟人脑的神经网络以期能够实现类人工智能的机器学习技术。经过多年研究表明,相较于传统模型,对于降雨-径流模拟及预测,神经网络不止训练速度更快,模拟预测准确性也更高。在水质监测及预测中,由于水质需要结合气味、外观、氯浓度等因素综合考虑,各种因素相互影响且随时间存在衰变,传统模型很难进行精确模拟及预测,神经网络因其结果准确性及稳定度而具有优势。
基于上述模型各自的优、缺点,综合在线机理模型、概念模型与数据模型于同一仿真系统中构建混合模型,是一种优势互补的先进技术,在保证一定精度的前提下,能大幅提高运算速度,实现高效、全局、多目标的排水系统优化控制。
然而目前市场上常见的排水系统模拟仿真软件或模拟仿真平台只能实现上述三种模型的一种,尚无法实现三种模型的混合建模。
在仿真模拟控制领域,众多商用仿真平台可视化程度高,并且兼容多种编程语言。以Matlab为代表的仿真平台,可以兼容众多编程语言(m语言、R语言、python等等),同时其具备丰富完善的优化算法、神经网络算法等可以用于优化调度控制和深度学习的扩展模块,在对排水系统进行机理模型、概化模型建模的同时可以对排水系统进行优化和实现数据模型的搭建。
发明内容
本发明的目的在于提供一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型,使用该方法构建的混合模型是一种通用性的城市排水系统仿真控制混合模型,其融合在线机理模型SWMM模型、概念模型及数据模型,可实现城市排水系统水量、水质的快速模拟、高效仿真控制和自动策略优化。
如上构思,本发明的技术方案是:一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型,其特征在于:包括如下步骤:
1)确定模型范围:确定精细化建模范围和粗略建模范围;
2)在线机理模型构建:对于精细化建模范围,于在线机理模型中建立一个可运行的inp文件,该文件包含排水系统仿真中拟使用的部分机理模型的各项输入参数,文件建立完成后,在Matlab平台中生成在线机理模型模块,并调用外部文件;
3)概念模型构建:对于粗略建模范围,将排水系统其余部分进行概化,保留关键节点、管道和设施,进行合并、简化或删除,在Matlab平台上生成相应的概念模型模块;
4)在线机理模型与概念模型耦合:建立排水系统设施间逻辑关系,连接在线机理模型模块与概念模型模块,通过对关联节点或管道输入、输出参数信息的对接,传导各关系节点、管道的水量、水位和水质信息;
5)模型参数校正:包括在线机理模型的参数校正和概念模型的参数校正;
6)通讯指令关系建立:上传各设施的状态参数、下达中央控制器/局部控制器的指令、模拟无线信号、模拟外部指令接入;
7)降雨过程建立:调用外部降雨文件或典型雨型数据库;
8)排水系统水量、水质模拟;
9)排水系统仿真控制;
10)数据模型辅助应用:首先构建神经网络模型,建立降雨、上游管网流速、流量与下游管网流量的关系,关系建立后用于径流及管网深度的预测;
11)模拟结果分析展示。
进一步,所述步骤3)概念模型构建模拟包括汇水区模块、管道模块、污水处理厂模块、内含泵站的调蓄池模块和节点模块,汇水区模块设置汇水区面积、初始损失、渗透损失、径流系数、污染物种类及浓度参数,管道模块模拟水流在管道中的传输过程,同样遵循马斯京根方法,包含相关参数的设置,污水处理厂模块模拟污水厂处理工艺以及污水厂附属调蓄、排空相关设施,调蓄池模块包含调蓄池体积、附属泵站的最大功率以及泵的启闭液位模拟,节点模块用于连接各个设施及管道,负责水量、水质平衡计算。
进一步,所述步骤5)模型参数校正中在线机理模型参数的校正采用手动校正模块,通过调节汇水区、管道、调蓄池、泵站相关参数,得到与监测数据吻合的校正参数,概念模型参数的校正采用自动校正模块,通过获取汇水区、管道、调蓄池、泵站信息,在Matlab平台编写寻优程序得到马斯京根参数(子段数N、传输时长K和权重系数X)的最佳值。
进一步,所述步骤8)包括求解在线机理模型的圣维南动力学方程、求解概念模型的马斯京根槽蓄和水量平衡方程演算流量,模拟水量的传输过程、通过污染物累积模型、污染物冲刷模型并求解污染物传输转化方程。
进一步,所述步骤9)排水系统仿真控制选择基于规则的仿真控制模块,其根据规则控制法或模糊逻辑法的控制规则,选择受控设施和相应监测点,自动生成监测时间、水质、水位和流量信息和控制指令的响应关系,在模拟控制时利用实时监测值和响应关系得到设施控制值,利用PID控制方法控制设施平稳达到控制值。
进一步,所述步骤9)排水系统仿真控制选择优化策略仿真控制模块,其根据优化算法(遗传算法、线性规划、非线性规划)的控制规则,选择受控设施和监测点,生成监测时间、水质、水位和流量信息,选择优化算法并设置算法参数,根据监测信息并结合系统控制目标,在仿真过程中通过优化算法实时计算出受控设施的最优控制值,利用PID控制方法控制设施平稳达到控制值。
进一步,所述步骤11)模拟结果分析展示包括记录和调用各节点及管段的数据、计算通用性指标、自定义计算、生成常用数据图表。
进一步,所述步骤9)中基于规则的仿真控制模块具体功能包括:选择受控设施,建立“if-then-else”形式的控制规则,基于监测点的运行时间、深度、水头、入流、出流、积水、水质、工作状态(开度、工作流量)信息,实现对堰、闸门、孔口、阀门、截流井、泵站等可控设施的控制。
进一步,所述步骤9)中优化策略仿真控制模块具体功能包括:选择受控设施,建立系统边界条件和控制目标,通过对不同控制目标进行权重分配再加权,构成多重目标函数,调用Matlab算法库的不同的优化算法(遗传算法、线性规划、非线性规划),基于监测信息和控制目标权重自动实施策略优化控制,优化算法的参数设置包括变量个数、目标函数个数、边界条件个数以及不同优化算法的独有参数。
本发明具有如下的优点和积极效果:
1、本发明集成了在线机理模型和概念模型,并辅以数据模型进行快速预测,实现了三者在Matlab平台上的耦合。在设施连接关系简单的区域构建概念模型,在设施连接关系复杂,概念模型无法准确模拟的区域,构建SWMM模型进行精细化模拟,对于非线性、多变量、高不确定性的排水系统构建数据模型辅助预测。因此,该混合模型具备快速计算、精确模拟和高效预测的特性。
2、本发明集成Matlab多种优化算法,根据不同的控制目标选择合适的优化方法,自动实现最优控制规则的计算,并将优化控制策略实时反馈给在线机理模型/概念模型。同时,根据数据模型的预测结果可以节省优化算法的计算时间,从而实现快速、高效的水量水质模拟、实时仿真控制和策略优化。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中需使用的附图进行简单介绍,下面描述中的附图仅是为了说明,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他附图。
图1是本发明的具体实施例流程图;
图2是基于Matlab平台的城市排水系统仿真控制混合模型示意图;
图3是模型参数校正模块示意图;
图4是策略优化控制模块示意图;
图5是选定控制目标和方法下的策略优化与无策略模拟结果对比图。
具体实施方式
请参照图1、图2,本发明提供一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型,包括如下步骤:
1、确定模型范围:确定精细化建模范围和粗略建模范围;
2、在线机理模型模块构建:对于精细化建模范围,于在线机理模型中建立一个可运行的inp文件,该文件包含排水系统仿真中拟使用的部分机理模型的各项输入参数,文件建立完成后,在Matlab平台中生成在线机理模型模块,并调用外部文件;
3、构建概念模型模块:对于粗略建模范围,将排水系统其余部分进行概化,保留关键节点、管道和设施,进行合并、简化或删除,在Matlab平台上生成相应的概念模型模块;
概念模型构建模拟包括汇水区模块、管道模块、污水处理厂模块、内含泵站的调蓄池模块和节点模块,汇水区模块用NCME_SUBCATCH函数,设置汇水区面积、初始损失、渗透损失、径流系数、污染物种类及浓度参数,由于汇水区模块在实际应用中能概括多个子汇水区及相应的管道,其存在的流量传输遵循马斯京根流量演算法。管道模块用NCME_PIPE函数,模拟水流在管道中的传输过程,同样遵循马斯京根方法,包含相关参数的设置,污水处理厂模块用NCME_WWTP函数,模拟污水厂处理工艺以及污水厂附属调蓄、排空相关设施,调蓄池模块用NCME_TANK函数,包含调蓄池体积、附属泵站的最大功率以及泵的启闭液位模拟,节点模块用NCME_NODE函数,用于连接各个设施及管道,负责水量、水质平衡计算;
4、在线机理模型与概念模型耦合:建立排水系统设施间逻辑关系,连接在线机理模型模块与概念模型模块,通过对关联节点或管道输入、输出参数信息的对接,传导各关系节点、管道的水量、水位和水质信息;
5、构建模型参数校正模块:包括在线机理模型参数的手动校正模块和概念模型参数的自动校正模块,在线机理模型参数的手动校正模块通过调节汇水区、管道、调蓄池、泵站相关参数,得到与监测数据吻合的校正参数,概念模型参数的自动校正模块采用自动校正模块,通过获取汇水区、管道、调蓄池、泵站信息,在Matlab平台编写寻优程序得到马斯京根参数(子段数N、传输时长K和权重系数X)的最佳值;
6、建立通讯指令关系:上传各设施的状态参数、下达中央控制器/局部控制器的指令、模拟无线信号、模拟外部指令接入;
7、建立降雨过程:调用外部降雨文件或典型雨型数据库;
8、构建排水系统水量、水质模拟模块:包括求解在线机理模型的圣维南动力学方程、求解概念模型的马斯京根槽蓄和水量平衡方程演算流量,模拟水量的传输过程、通过污染物累积模型、污染物冲刷模型并求解污染物传输转化方程,模拟水质变化。
9、构建排水系统仿真控制模块,可选择基于规则的仿真控制模块或优化策略仿真控制模块;
基于规则的仿真控制模块,根据规则控制法或模糊逻辑法的控制规则,选择受控设施和相应监测点,自动生成监测时间、水质、水位和流量信息和控制指令的响应关系,在模拟控制时利用实时监测值和响应关系得到设施控制值,利用PID控制方法控制设施平稳达到控制值。其具体功能包括:选择受控设施,建立“if-then-else”形式的控制规则,基于监测点的运行时间、深度、水头、入流、出流、积水、水质、工作状态(开度、工作流量等)信息,实现对堰、闸门、孔口、阀门、截流井、泵站等可控设施的控制。
优化策略仿真控制模块,根据优化算法(遗传算法、线性规划、非线性规划)的控制规则,选择受控设施和监测点,生成监测时间、水质、水位和流量信息,选择优化算法并设置算法参数,根据监测信息并结合系统控制目标,在仿真过程中通过优化算法实时计算出受控设施的最优控制值,利用PID控制方法控制设施平稳达到控制值。
其具体功能包括:选择受控设施,建立系统边界条件和控制目标,通过对不同控制目标进行权重分配再加权,构成多重目标函数。调用Matlab算法库的不同的优化算法(遗传算法、线性规划、非线性规划等),基于监测信息和控制目标权重自动实施策略优化控制。优化算法的参数设置包括变量个数、目标函数个数、边界条件个数以及不同优化算法的独有参数。
10、构建数据模型模块:调用Matlab中神经网络模型功能、赋予特征数据,建立降雨与径流的关系、管网流量与深度的关系,关系建立后,用于径流及管网深度的预测,能精确预测进水水质,及时排查管网运行状态;在已知未来雨型情况下,精准预测内涝、溢流量及位置;在无监测重要节点进行预测,判断相应管道状态及各重要排水设施流量、深度。其预测结果可反馈给优化算法,实现高效、快速的优化策略调整;
11、构建模拟结果分析展示模块:包括自定义时间步长下的水量、水质模拟;基于规则的实时仿真控制;选定控制目标和方法下的策略优化仿真;各节点的数据记录和调用;通用性指标的计算;自定义公式计算;常用数据图表生成。
下面通过具体实例对本发明进行具体描述,实施过程包括:
1、在线机理模型模块构建:在本实施例中,根据区域重要程度、数据详细程度等将建模区域划分为机理模型建模区和概念模型建模区。在机理模型建模区,将本区域的截流井、孔口、调蓄池、泵、堰、污水处理厂等设施及连接管道等数据进行处理,建立SWMM模型,在Matlab平台生成在线机理模型模块,调用已建成的外部SWMM模型文件。
2、概念模型模块构建:在本实施例中,对概念模型建模区的部分进行适度概化,保留关键节点和管道,对汇水区和管道进行合理的合并、简化并在Matlab平台生成相应的汇水区、管道和节点模块。
3、在线机理模型与概念模型耦合:在本实施例中,根据排水系统设施间的逻辑关系,在概念模型各模块之间、概念模型模块与在线机理模型模块之间建立连接关系,构成完整的排水系统模型。在线机理模块中应输入其入流/出流与概念模型模块的出流/入流相对应的关系节点或管道,指明进出流方向(如:概念模型C1管道出流进入机理模型J1节点,即C1→J1),以完成混合模型在实时仿真控制中的水量、水质等信息传递。
4、参照图3,模型参数校正:在本实施例中,使用实地监测数据,通过模型参数校正模块进行在线机理模型和概念模型的参数校正。其中,在线机理模型的参数校正通过调整管道粗糙度、孔口排放系数、泵功率曲线及启闭液位等参数,使模型能够真实准确地反应实际运行情况。
概念模型参数校正通过输入各个概化汇水区的面积、概化管道的进出水关系等信息,在Matlab编写参数寻优程序,将一定取值范围内不同的马斯京根参数K、X、N分别分配给各个汇水区和管道,与监测数据对比自动寻找最优参数。
5、通讯指令关系建立:在本实施例中,监测设备所记录的各设施运行数据上传至中央控制器和局部控制器;中央控制器和局部控制器将运行指令下达至各受控设施。
6、降雨过程建立:在本实施例中,在降雨模块中调用当地的降雨数据文件。
7、参照图4,排水系统优化策略仿真控制:在本实施例中,使用策略优化控制模块,建立系统的边界条件(如污水处理厂的最大处理能力),选择系统的控制目标(如溢流量最低、污水厂处理量最大、调蓄池水量平衡、设施进水稳定),并对各控制目标进行权重分配(如分别为1、1、0.2、0.2),构成多目标函数,并选择一种优化算法(如非线性规划)设置算法参数,构成一套完整的策略优化方案。
根据优化算法的控制规则,选择受控设施(如调蓄池)和监测点(如调蓄池前池),生成监测时间、水质、水位和流量等信息。根据监测信息与系统控制目标,在仿真过程中通过优化算法实时计算出受控设施的最优控制值,传递至在线机理模型或概念模型,实现策略优化控制。
8、神经网络数据模型辅助应用:构建神经网络数据模型,将大量训练样本的数据(如管道流速、入流量、出流量等)加到神经网络输入端,同时将相应的期望输出(如管道深度)与神经网络输出(如管道深度)相比较,得到误差信号,以此控制权值连接强度的调整,经多次训练后收敛到一个确定的权值。训练结束的模型可用于预测新的输出(如管道深度)。将其预测结果反馈到优化算法中,实施高效的优化策略动态调整。
10、参照图5,模拟结果分析展示:在本实施例中,使用结果展示模块,将模拟时间步长设为5分钟,展示选定控制目标和方法下的策略优化模拟,生成相应的数据图表。
应当理解的是,这里所讨论的实施方案及实例只是为了说明,对本领域技术人员来说,可以加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型,其特征在于:包括如下步骤:
1)确定模型范围:确定精细化建模范围和粗略建模范围;
2)在线机理模型构建:对于精细化建模范围,于在线机理模型中建立一个可运行的inp文件,该文件包含排水系统仿真中拟使用的部分机理模型的各项输入参数,文件建立完成后,在Matlab平台中生成在线机理模型模块,并调用外部文件;
3)概念模型构建:对于粗略建模范围,将排水系统其余部分进行概化,保留关键节点、管道和设施,进行合并、简化或删除,在Matlab平台上生成相应的概念模型模块;
4)在线机理模型与概念模型耦合:建立排水系统设施间逻辑关系,连接在线机理模型模块与概念模型模块,通过对关联节点或管道输入、输出参数信息的对接,传导各关系节点、管道的水量、水位和水质信息;
5)模型参数校正:包括在线机理模型的参数校正和概念模型的参数校正;
6)通讯指令关系建立:上传各设施的状态参数、下达中央控制器/局部控制器的指令、模拟无线信号、模拟外部指令接入;
7)降雨过程建立:调用外部降雨文件或典型雨型数据库;
8)排水系统水量、水质模拟;
9)排水系统仿真控制;
10)数据模型辅助应用:首先构建神经网络模型,建立降雨、上游管网流速、流量与下游管网流量的关系,关系建立后用于径流及管网深度的预测;
11)模拟结果分析展示。
2.根据权利要求1所述的一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型,其特征在于:所述步骤3)概念模型构建模拟包括汇水区模块、管道模块、污水处理厂模块、内含泵站的调蓄池模块和节点模块,汇水区模块设置汇水区面积、初始损失、渗透损失、径流系数、污染物种类及浓度参数,管道模块模拟水流在管道中的传输过程,同样遵循马斯京根方法,包含相关参数的设置,污水处理厂模块模拟污水厂处理工艺以及污水厂附属调蓄、排空相关设施,调蓄池模块包含调蓄池体积、附属泵站的最大功率以及泵的启闭液位模拟,节点模块用于连接各个设施及管道,负责水量、水质平衡计算。
3.根据权利要求1所述的一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型,其特征在于:所述步骤5)模型参数校正中在线机理模型参数的校正采用手动校正模块,通过调节汇水区、管道、调蓄池、泵站相关参数,得到与监测数据吻合的校正参数,概念模型参数的校正采用自动校正模块,通过获取汇水区、管道、调蓄池、泵站信息,在Matlab平台编写寻优程序得到马斯京根参数(子段数N、传输时长K和权重系数X)的最佳值。
4.根据权利要求1所述的一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型,其特征在于:所述步骤8)包括求解在线机理模型的圣维南动力学方程、求解概念模型的马斯京根槽蓄和水量平衡方程演算流量,模拟水量的传输过程、通过污染物累积模型、污染物冲刷模型并求解污染物传输转化方程。
5.根据权利要求1所述的一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型,其特征在于:所述步骤9)排水系统仿真控制选择基于规则的仿真控制模块是根据规则控制法或模糊逻辑法的控制规则,选择受控设施和相应监测点,自动生成监测时间、水质、水位和流量信息和控制指令的响应关系,在模拟控制时利用实时监测值和响应关系得到设施控制值,利用PID控制方法控制设施平稳达到控制值。
6.根据权利要求1所述的一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型,其特征在于:所述步骤9)排水系统仿真控制选择优化策略仿真控制模块是根据优化算法(遗传算法、线性规划、非线性规划)的控制规则,选择受控设施和监测点,生成监测时间、水质、水位和流量信息,选择优化算法并设置算法参数,根据监测信息并结合系统控制目标,在仿真过程中通过优化算法实时计算出受控设施的最优控制值,利用PID控制方法控制设施平稳达到控制值。
7.根据权利要求1所述的一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型,其特征在于:所述步骤11)模拟结果分析展示包括记录和调用各节点及管段的数据、计算通用性指标、自定义计算、生成常用数据图表。
8.根据权利要求5所述的一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型,其特征在于:所述步骤9)中基于规则的仿真控制模块具体功能包括:选择受控设施,建立“if-then-else”形式的控制规则,基于监测点的运行时间、深度、水头、入流、出流、积水、水质、工作状态(开度、工作流量)信息,实现对堰、闸门、孔口、阀门、截流井、泵站等可控设施的控制。
9.根据权利要求6所述的一种基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型,其特征在于:所述步骤9)中优化策略仿真控制模块具体功能包括:选择受控设施,建立系统边界条件和控制目标,通过对不同控制目标进行权重分配再加权,构成多重目标函数,调用Matlab算法库的不同的优化算法(遗传算法、线性规划、非线性规划),基于监测信息和控制目标权重自动实施策略优化控制,优化算法的参数设置包括变量个数、目标函数个数、边界条件个数以及不同优化算法的独有参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011463043.5A CN112596386A (zh) | 2020-12-14 | 2020-12-14 | 基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011463043.5A CN112596386A (zh) | 2020-12-14 | 2020-12-14 | 基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112596386A true CN112596386A (zh) | 2021-04-02 |
Family
ID=75192612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011463043.5A Pending CN112596386A (zh) | 2020-12-14 | 2020-12-14 | 基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112596386A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406940A (zh) * | 2021-07-28 | 2021-09-17 | 金盛 | 一种基于模型预测控制的智能排水分级实时控制方法 |
CN113513783A (zh) * | 2021-08-09 | 2021-10-19 | 哈尔滨天达控制股份有限公司 | 一种换热站在线监控系统及换热站控制方法 |
CN113722913A (zh) * | 2021-08-31 | 2021-11-30 | 广州市市政工程设计研究总院有限公司 | 排水系统的仿真与调度方法、系统、装置及存储介质 |
CN113792367A (zh) * | 2021-09-07 | 2021-12-14 | 清华大学 | 基于PySWMM的排水系统多来源入流入渗和出渗量动态估算方法 |
-
2020
- 2020-12-14 CN CN202011463043.5A patent/CN112596386A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406940A (zh) * | 2021-07-28 | 2021-09-17 | 金盛 | 一种基于模型预测控制的智能排水分级实时控制方法 |
CN113406940B (zh) * | 2021-07-28 | 2024-05-17 | 金盛 | 一种基于模型预测控制的智能排水分级实时控制方法 |
CN113513783A (zh) * | 2021-08-09 | 2021-10-19 | 哈尔滨天达控制股份有限公司 | 一种换热站在线监控系统及换热站控制方法 |
CN113722913A (zh) * | 2021-08-31 | 2021-11-30 | 广州市市政工程设计研究总院有限公司 | 排水系统的仿真与调度方法、系统、装置及存储介质 |
CN113792367A (zh) * | 2021-09-07 | 2021-12-14 | 清华大学 | 基于PySWMM的排水系统多来源入流入渗和出渗量动态估算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112596386A (zh) | 基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型 | |
CN112799310A (zh) | 基于c语言的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型的方法 | |
CN110984062B (zh) | 一种流域干支流大规模水库群模拟调度方法 | |
CN1312629C (zh) | 城市排水系统不确定水力学模型建模方法 | |
García et al. | Modeling and real-time control of urban drainage systems: A review | |
CN108916986A (zh) | 信息物理融合的二级管网变流量水力平衡调控方法及系统 | |
CN102411308B (zh) | 基于递归神经网络模型的溶解氧的自适应控制方法 | |
CN111880431A (zh) | 一种综合性的城市排水系统联合调度实时仿真控制方法及所用系统 | |
CN113050430B (zh) | 一种基于鲁棒强化学习的排水系统控制方法 | |
CN105956690A (zh) | 一种供水预测方法及系统 | |
Stevovic et al. | Sustainable model of hydro power development—Drina river case study | |
CN112068420A (zh) | 一种排水系统实时控制方法与装置 | |
Baume et al. | SIC: a 1D hydrodynamic model for river and irrigation canal modeling and regulation | |
Xiong et al. | Analog simulation of urban construction land supply and demand in Chang-Zhu-Tan Urban Agglomeration based on land intensive use | |
CN109948863A (zh) | 基于长短期记忆模型lstm的排水管网窨井液位预测方法 | |
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 | |
Xu et al. | Zone scheduling optimization of pumps in water distribution networks with deep reinforcement learning and knowledge-assisted learning | |
CN106200381B (zh) | 一种根据处理水量分阶段控制水厂运行的方法 | |
CN115456422B (zh) | 一种基于计算水动力学的灌区配水计划动态预演修正方法 | |
CN112113146A (zh) | 供水管网管道粗糙系数和节点需水量同步自适应校核方法 | |
CN114417631A (zh) | 一种基于观测数据的灌区输配水系统建模方法 | |
CN117348400A (zh) | 一种水网多通道并联联动控制系统 | |
Horváth | Model predictive control of resonance sensitive irrigation canals | |
CN117389142A (zh) | 污水处理厂生化反应池预测推演与安全实时控制方法 | |
Preis et al. | Online hydraulic state prediction for water distribution systems |
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 |