CN113642803A - 一种考虑水量预测的供水泵组优化调度方法 - Google Patents

一种考虑水量预测的供水泵组优化调度方法 Download PDF

Info

Publication number
CN113642803A
CN113642803A CN202110976670.7A CN202110976670A CN113642803A CN 113642803 A CN113642803 A CN 113642803A CN 202110976670 A CN202110976670 A CN 202110976670A CN 113642803 A CN113642803 A CN 113642803A
Authority
CN
China
Prior art keywords
water
water supply
pump
scheduling
supply pump
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
CN202110976670.7A
Other languages
English (en)
Inventor
杜百岗
黄硕
郭钧
郭顺生
李益兵
彭兆
王磊
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110976670.7A priority Critical patent/CN113642803A/zh
Publication of CN113642803A publication Critical patent/CN113642803A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Control Of Positive-Displacement Pumps (AREA)

Abstract

本发明公开了一种考虑水量预测的供水泵组优化调度方法，属于水系统技术领域，该调度方法具体步骤如下：(1)工作人员收集时用水量数据及供水泵组基本参数；(2)基于历史时用水量数据利用Bi_LSTM模型进行水量预测；(3)建立关于最小能耗和最少启停次数的泵组优化调度数学模型；(4)通过NSGA‑II算法求解优化调度数学模型并生成调度方案；(5)工作人员基于最优的调度方案调节供水泵组的工作状态。本发明能够让水厂实现按需供水的目的，在满足供水量的前提下，对供水泵组进行调度从而实现最小能耗和最少启停次数的两个目标，从而能够降低供水能耗以及解决泵组切换频繁问题。

Description

一种考虑水量预测的供水泵组优化调度方法
技术领域
本发明涉及供水系统技术领域，尤其涉及一种考虑水量预测的供水泵组优化调度方法。
背景技术
水是不可或缺的物质资源，在人类生存和社会发展中发挥着不可替代的作用。随着人口和经济的增长，以及消费主义城市生活方式的蔓延，给世界范围内的水资源带来了越来越大的压力。
然而，因为生产技术的约束、管理条例的限制，我国城镇供水系统中存在着巨大的能源浪费，并且城镇供水的能耗占用社会发展所需能源的比例较大。为了提高城镇供水的经济效益从而达到贯彻节能减耗的方针，降低城镇供水电耗成为优化该产业结构的重要环节。
经检索，中国专利号CN111079989A和CN110443418A等都公开了混合神经网络模型用来预测用水量，这些预测模型为了准确预测水量结合了多种算法，但在实际应用中调节网络参数复杂。为此我们采用单一的时间预测预测模型Bi_LSTM用来预测用水量，该模型能够利用历史和未来信息来准确预测用水量。中国专利号 CN111325306A公开了一种基于混合算法的供水泵组调度方法，然而该方法基于现成的水量数据，未根据实际供水需求进行调节；且在调度过程仅有一个目标函数，未考虑泵组的启停次数。因此，我们考虑了最小能耗和最少泵组启停次数两个目标，利用经典的多目标优化算法NAGA-II求解泵组优化调度数学模型，从而能到最优的调度方案。
发明内容
本发明的目的是为了解决现有技术中水量预测模型搭建复杂，泵组优化调度的目标单一以及未将水量预测与泵组优化调度相结合等技术问题，而提出一种考虑水量预测的供水泵组优化调度方法，该方法能够使供水系统实现按需生产，从而在满足用水需求情况下降低能耗以及减少泵组的启停次数。
为了实现上述目的，本发明提出一种考虑水量预测的供水泵组优化调度方法，该方法具体步骤如下：
步骤(1)工作人员收集时用水量数据及供水泵组工作参数：
通过收集时用水量数据作为水量预测模型的输入数据；收集包括水泵型号，转速，流量，扬程，效率，轴功率等供水泵组基本参数，这些参数能够表示供水泵组工作时一些特性，为之后建立供水泵组优化调度的数学模型提供参考。
步骤(2)基于历史时用水量数据利用Bi_LSTM模型进行水量预测：
搭建用于水量预测的Bi_LSTM模型，将历史时用水量数据输入到模型中，通过训练模型调节预测模型的参数，从而得到优化后的 Bi_LSTM模型并预测未来的时用水量，进而作为供水泵组优化调度的基础。
步骤(3)建立关于最小能耗和最少启停次数的泵组优化调度数学模型：
基于前述的泵组工作参数及水量预测结果，确定供水泵组优化调度的为最小能耗和最少启停次数的两个目标函数，以及水泵工作过程的约束函数，这些约束函数确保供水泵组能够在满足要求的情况下正常运行。
步骤(4)通过NSGA-II算法求解数学模型并生成调度方案：
利用经典多目标优化的NSGA-II算法来求解上述建立的优化调度数学模型，求解结果在满足约束函数情况下，以最小能耗和最少启停次数为两个目标，最终为工作人员提供一系列调度方案。
步骤(5)工作人员基于最优的调度方案调节供水泵组的工作状态：
基于上述生成的一系列调度方案，工作人员选取最优的调度方案应用于实际水厂生产中，通过调节供水泵组的工作状态来达到降低能耗和减少启停次数的目的。
进一步地，步骤(1)所述收集时用水量数据具体步骤如下：
步骤一：工作人员选用电磁流量计安装到水厂供水管道中；
步骤二：通过电磁流量计实时记录供水管道的流速并传递到边缘侧系统；
步骤三：基于流速和水量转换公式将实时流量数据转换为时用水量数据；
步骤四：将转换得到的时用水量数据按时间顺序进行记录；
进一步地，步骤(2)中所述预测模型Bi_LSTM预测时用水量的具体步骤如下：
第一步：将收集的水量相关数据转换为监督学习的时间序列，确定模型的输入量及对应的目标值时用水量；该监督学习的时间序列如下：
Figure BDA0003227794250000041
M代表着时间预测模型Bi_LSTM；时间序列{xi,j|i＝1, 2,…,t；j＝1,2,…m}中为模型的输入量，从而得到目标值时用水量 {yt,yt+1,…,yt+p}。t代表时间序列中采样点的个数；p代表输出序列中预测的时用水量的个数。
第二步：将时间序列数据分别划分为训练集，验证集和测试集；
第三步：将各数据集归一化处理后作为模型的输入用于后续操作；为了对不同大小和单位的变量进行比较和加权，需要将这些数据归一化为0到1之间的值。这种方法可以提高预测效率，并防止在计算过程中单个数据发生溢出。所有收集到的历史数据都需要规范化，以便于后续的分析和处理。本研究采用最小-最大值归一法，其计算公式如下。
Figure BDA0003227794250000042
其中，xmax和xmin分别表示各数据集中的最大值和最小值，x和
Figure BDA0003227794250000043
分别为各数据集中原始值和归一化处理后的值。
第四步：设置Bi_LSTM模型的输入层，隐藏层和输出层； Bi_LSTM模型可以通过前向LSTM和后向LSTM学习时间序列中以前和将来的数据特征。其中单一LSTM模型通过其基本单元中的遗忘门、输入门和输出门对数据进行相应的处理。Bi_LSTM则含有两个 LSTM，分别使用两个隐藏层以相反的时间处理顺序数据。
第五步：利用训练集数据训练模型，利用验证集数据验证模型性能，调节预测模型的网络参数来提高预测精度；
第六步：利用测试集数据测试模型的预测效果，进而得到能够学习时用水量数据时序特征的Bi_LSTM模型；
进一步地，步骤(3)中所述目标函数定义如下：
在不同的时段，需要采用不同的水泵机组运行。设调度周期为 T小时，根据不同时段管网用水量变化情况，以一小时为时间间隔，N为二级泵房中水泵机组数量，M代表变频泵数量，T代表调度周期，t代表工作时刻，n为泵房中水泵编号，P代表泵的输出功率，R代表复相关系数。
Figure BDA0003227794250000051
Figure BDA0003227794250000052
式(3)描述了第一个优化目标水泵机组能耗的构成，总能耗 CE包含工频泵能耗和变频泵能耗，式(4)描述了第二个优化目标水泵机组启停次数的计算方法。
进一步地，步骤三中所述约束函数定义如下：
供水泵组在正常工作情况下，需要满足一定的约束条件。式 (5)、式(6)分别描述了二级泵房供水时应满足的用户需求，包括水量、水压两个主要方面；式(7)描述了变频调速比的约束条件；式(8)描述的是并联水泵机组的压力特性；式(9)为二级泵房的时供水量计算；式(10)和(11)描述了供水泵组协同式的流量约束。
Hmin≤H (5)
Qdt≤Qt≤Qmax (6)
Smin≤S(t,n)≤1 (7)
Hp＝H1＝H2＝...＝Hn (8)
Figure BDA0003227794250000061
Figure BDA0003227794250000062
Figure BDA0003227794250000063
H为水泵的扬程，Hmin代表水泵最小扬程；Qdt代表管网那个最低用水量需求，Qt代表泵站供水量，Qmax代表泵站最大供水能力； Smin代表水泵机最小变频调速比，S(t,n)代表第n个水泵机在工作时刻t时的变频调速比；Hp代表优化后的泵站水泵扬程，Hn代表泵站水泵扬程；Qp代表优化后的各水泵流量之和，Q(t,n)代表第n个水泵机在工作时刻t时的水泵流量；X代表额定转速下水泵的效率， a...an代表待定系数，
Figure BDA0003227794250000064
代表额定转速下水泵的流量；
Figure BDA0003227794250000065
代表额定转速下水泵的最大流量。
进一步地，步骤(4)所述NSGA-II算法求解数学模型具体步骤如下：
P1:设计基本参数种群大小N和最大进化代数GEN，g＝0,；
P2:初始化种群Pi,i＝0；
P3:对Pi进行快速非支配排序并计算拥挤距离；
P4:进行二元锦标赛选择，交叉和变异等遗传操作，从而得到子代种群Ri；
P5:合并种群Qi＝Pi+Ri，并对种群Qi进行非支配排序；
P6:选出前N个个体形成新的父代种群Pi+1；
P7:判断g是否达最大进化代数GEN，更新迭代步数g＝g+1,如果满足输出条件则输出最终解；否则回到P4；
进一步地，步骤(5)中所述调节供水泵组的具体步骤如下：
PP1：将对应调度方案进行调用以及反馈给工作人员进行查看；
PP2：判断调度方案中供水泵组与实际工作泵组的个数和型号区别；
PP3：开启调度方案中新增的水泵，关闭调度方案中减少的水泵，使输出流量与预测时用水量相匹配。
相比于现有技术，本发明的有益效果在于：
本发明利用单一的神经网络Bi_LSTM模型准确预测用水量，相比其他混合预测模型结构简单且能达到较高的预测精度；本发明对供水泵站优化调度能够实现在满足供水需求情况下实现最小能耗和最少启停次数的两个目标，利用NSGA-II算法求解建立的泵组优化调度模型，最终能为工作人员提供最优的调度方案，从而有利于供水企业绿色化和智能化发展。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为实施例1中采集的时用水量数据的箱型图；
图2为实施例1中供水泵组的分布情况；
图3为实施例1中LSTM网络结构单元；
图4为实施例1中Bi_LSTM的网络结构；
图5为实施例1中预测模型Bi_LSTM的针对训练集和验证集数据的训练过程；
图6为实施例1中训练好的预测模型Bi_LSTM对测试集数据每天的时用水量预测值和实际值对比图；
图7为实施例1中供水泵组优化调度的NSGA-II算法流程图；
图8为实施例1中基于人工经验调度方案和NSGA-II算法调度方案对应的能耗和启停次数；
图9为实施例1中基于人工经验调度方案和NSGA-II算法调度方案在一天各时刻的供水量与实际需水量的对比图；
图10为实施例1中基于人工经验调度方案和NSGA-II算法调度方案在一天各时刻的能耗的对比图；
图11为实施例1中基于NSGA-II算调度方案各泵启停情况；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参考附图，对本发明进一步详细说明。
实施例1
本实施例提供一种考虑水量预测的供水泵组优化调度方法，通过神经网络Bi_LSTM模型预测时用水量，利用NSGA-II算法在满足供水量等要求下实现最小能耗和最少启停次数的两个目标，从而降低供水泵组能耗和解决泵组切换频繁的问题。实施例具体实施步骤如下：
步骤一、工作人员收集时用水量数据及供水泵组基本参数：
城市时用水量会以一定的时间为变化周期呈现一定的变化规律。这些时用水量数据不仅有可预测的时序性特征，而且也具有波动性和随机性。实施例收集一年内每天的时用水量数据箱型图如图 1所示。
实施例中使用的泵的型号为KSB公司的RDL400-540B型和 RDL500-700A型轴向中开蜗壳式离心泵，泵组分布情况如图2所示，其中有四个工频水泵(分别用P1到P4表示)，一个变频水泵 (用P5表示)和一个泵用工频水泵(用P6表示)。这两种供水水泵的基本参数如表1所示。
表1水泵工作参数表
Figure BDA0003227794250000091
步骤二、基于历史时用水量数据利用Bi_LSTM模型进行水量预测：
实施例中采用Bi_LSTM模型去获取水量相关数据中的时序特征，该模型能够利用数据中过去信息和未来信息，对当下的时用水量进行预测。单一LSTM的网络结构单元如图3所示，对数据的计算公式如下。
ft＝σ(Wf·[ht-1,xt]+bf) (1)
c't＝tanh(Wc·[ht-1,xt]+bc) (2)
ct＝ft⊙ct-1+it⊙c't (3)
ot＝σ(Wo·[ht-1,xt]+bo) (4)
ht＝ot⊙tanh(ct) (5)
其中，ht-1、xt和ht分别表示前一个隐藏层的输出、当前输入和时间t时的隐藏状态；Wf、Wi、Wc、Wo表示权重矩阵；bf、bi、bc、 b0表示偏移量；ct-1、ct'和ct分别表示前一个单元状态、新的候选值和新的单元状态。σ(z)和tanh(z)用作激活函数，计算公式如下所示：
Figure BDA0003227794250000101
Figure BDA0003227794250000102
然而，传统的LSTM只能记忆时间序列数据的过去信息，而不能利用同一序列数据的未来信息。Bi_LSTM可以通过前向LSTM和后向 LSTM学习时间序列中以前和将来的数据特征。Bi_LSTM结构如图4 所示。两个LSTM使用两个隐藏层以相反的时间处理顺序数据。时间t时Bi_LSTM的隐态包括前向LSTM的和后向LSTM。Bi_LSTM主要计算过程如下：
Figure BDA0003227794250000111
Figure BDA0003227794250000112
Figure BDA0003227794250000113
本次设计所收集的时用水量数据共有8760(365*24)条，将其中8014(334*24)条数据作为训练集，将剩余的744(31*24)条数据作为测试集，即预测12月内每天每小时的用水量值。训练代数为 100代，Bi_LSTM网络层数为3层，分别为输入层，隐藏层和输出层，其中隐藏层节点数为16。训练过程的误差曲线如图5所示。利用训练好的Bi_LSTM模型针对测试集数据的时用水预测值与实际值的对比图如图6所示。
步骤三、建立关于最小能耗和最少启停次数的泵组优化调度数学模型：
当两级水厂泵房联合调度时，约束多、非单一目标、非线性；需要根据实施例中收集的泵组工作参数确定泵组优化调度问题中的目标函数和约束函数。
(1)目标函数
在不同的时段，需要采用不同的水泵机组运行。设调度周期为 T小时，根据不同时段管网用水量变化情况，以一小时为时间间隔，N为二级泵房中水泵机组数量，M代表变频泵数量，T代表调度周期，t代表工作时刻，n为泵房中水泵编号，P代表泵的输出功率，R代表复相关系数。
Figure BDA0003227794250000121
Figure BDA0003227794250000122
式(11)描述了第一个优化目标水泵机组能耗的构成，总能耗 CE包含工频泵能耗和变频泵能耗，式(12)描述了第二个优化目标水泵机组启停次数的计算方法。
(2)约束函数
供水泵组在正常工作情况下，需要满足一定的约束条件。式 (7)、式(8)分别描述了二级泵房供水时应满足的用户需求，包括水量、水压两个主要方面；式(9)描述了变频调速比S的约束条件；式 (10)描述的是并联水泵机组的压力特性；式(11)为二级泵房的时供水量计算；式(12)和(13)描述了供水泵组协同式的流量约束。
Hmin≤H (13)
Qdt≤Qt≤Qmax (14)
Smin≤S(t,n)≤1 (15)
Hp＝H1＝H2＝...＝Hn (16)
Figure BDA0003227794250000123
Figure BDA0003227794250000124
Figure BDA0003227794250000125
H为水泵的扬程，Hmin代表水泵最小扬程；Qdt代表管网那个最低用水量需求，Qt代表泵站供水量，Qmax代表泵站最大供水能力；Smin代表水泵机最小变频调速比，S(t,n)代表第n个水泵机在工作时刻t时的变频调速比；Hp代表优化后的泵站水泵扬程，Hn代表泵站水泵扬程；Qp代表优化后的各水泵流量之和，Q(t,n)代表第n个水泵机在工作时刻t时的水泵流量；X代表额定转速下水泵的效率， a...an代表待定系数，
Figure BDA0003227794250000131
代表额定转速下水泵的流量；
Figure BDA0003227794250000132
代表额定转速下水泵的最大流量。
步骤四、通过NSGA-II算法求解优化调度数学模型并生成调度方案：
为了确定实际生产过程中的控制方案，这里使用NSGA-II算法来对该问题求解。作为多目标优化算法，NSGA-II算法具有收敛速度快、计算复杂度相对较低等优点，并且对于低维多目标优化问题有较好的优化效果，NSGA-II求解泵组调度数学模型的流程图如图 7所示。
依据步骤三的数学模型，在matlab平台上进行编程求解。这里将NSGA-II算法的调度方案与传统基于人工经验的调度方案进行比对。在传统人工经验调度过程中，依靠经验对各机组进行控制，由于人工能力限制，控制过程中变频泵的频率为离散值，人工经验控制中变频比可用值可为0,0.6，0.7，0.8,0.9,1。这两种方案对泵组调度结果对应的能耗以及启停次数如图8所示。
将NSGA-II算法确定的一系列帕累托前沿解所构成的方案中选择图8中红色圆圈框选出的一个方案与基于人工经验的传统控制方案相比较。在这里主要比较两方案的供水量和能耗情况，具体情况如图9与图10所示。
在图9中，由NSGA-II算法提供的控制方案的供水量基本上与用户的需水量相一致，在供水量的差值上相差在5％以内，能够较好的满足用户的流量要求。但是基于人工经验的控制方案则存在部分时刻供水量过大的情况，如8时的供水量达到了10100m3，但是用户的需求只有9365m3，供应量超需求达7.8％。这种供水量超过用户需水量较多的情况在人工经验控制过程中出现较多，主要是因为人工经验控制时变频泵的频率只能在固定的值中选择。
相应的，过多的供水也导致了能耗的增加，具体情况体现在图 10中，两种方案的能耗变化趋势与供水量变化趋势基本一致。整个控制周期内，基于NSGA-II算法的控制方案能耗为3.4×104千瓦时，启停次数为15次；基于人工经验的控制方案能耗为3.612× 104千瓦时，启停次数为16次。能耗减少比率在5.87％。可以发现基于NSGA-II算法得到的调度方案相比传统的基于人工经验的调度方案在满足供水需求情况下有效地降低能耗和减少泵组启停次数。
步骤五、工作人员基于最优的调度方案调节供水泵组的工作状态：
基于上述生成的一系列调度方案，工作人员选取最优的调度方案应用于实际水厂生产中，从而调节供水泵组的工作状态。该方案的供水泵组在一天内每小时启停的台数和工变频泵的启停情况如图 11所示。

Claims (10)

1.一种考虑水量预测的供水泵组优化调度方法，其特征在于，该调度方法具体步骤如下：
步骤(1)工作人员收集时用水量数据及供水泵组工作参数：通过收集时用水量数据作为水量预测模型的输入数据；收集包括水泵型号，转速，流量，扬程，效率，轴功率等供水泵组基本参数，这些参数能够表示供水泵组工作时一些特性，为之后建立供水泵组优化调度的数学模型提供参考。
步骤(2)基于历史时用水量数据利用Bi_LSTM模型进行水量预测：搭建用于水量预测的Bi_LSTM模型，将历史时用水量数据输入到模型中，通过训练模型调节预测模型的参数，并得到优化后的Bi_LSTM模型并预测未来的时用水量，进而作为供水泵组优化调度的基础。
步骤(3)建立关于最小能耗和最少启停次数的泵组优化调度数学模型：基于前述的泵组工作参数及水量预测结果，确定供水泵组优化调度的为最小能耗和最少启停次数的两个目标函数，以及水泵工作过程的约束函数，这些约束函数确保供水泵组能够在满足要求的情况下正常运行。
步骤(4)通过NSGA-II算法求解优化数学模型并生成调度方案：利用经典多目标优化的NSGA-II算法来求解上述建立的优化调度数学模型，求解结果在满足约束函数情况下，以最小能耗和最少启停次数为两个目标，最终为工作人员提供一系列调度方案。
步骤(5)工作人员基于最优的调度方案调节供水泵组的工作状态：基于上述生成的一系列调度方案，工作人员选取最优的调度方案应用于实际水厂生产中，从而调节供水泵组的工作状态。
2.根据权利要求1所述的一种考虑水量预测的供水泵组优化调度方法，其特征在于，步骤(1)中所述收集时用水量数据具体步骤如下：
步骤一：工作人员选用电磁流量计安装到水厂供水管道中；
步骤二：通过电磁流量计实时记录供水管道的流速并传递到边缘侧系统；
步骤三：基于流速和水量转换公式将实时流量数据转换为时用水量数据；
步骤四：将转换得到的时用水量数据按时间顺序进行记录。
3.根据权利要求1所述的一种考虑水量预测的供水泵组优化调度方法，其特征在于，步骤(2)中所述的预测模型Bi_LSTM是一种双向长短期记忆神经网络，由前向LSTM和后向LSTM组成，能学习到时用水量数据中过去和未来信息。该模型的预测时用水量的具体步骤如下：
第一步：将收集的历史时用水量数据整理为时间序列数据；
第二步：将时间序列数据分别划分为训练集，验证集和测试集；
第三步：将各数据集归一化处理后作为模型的输入用于后续操作；
第四步：设置Bi_LSTM模型的输入层，隐藏层和输出层；
第五步：利用训练集数据训练模型，利用验证集数据验证模型性能，调节预测模型的网络参数来提高预测精度；
第六步：利用测试集数据测试模型的预测效果，进而得到能够历史时用水量数据时序特征的Bi_LSTM模型。
4.根据权利要求1所述的一种考虑水量预测的供水泵组优化调度方法，其特征在于，步骤(3)中所述目标函数定义如下：
根据不同时段供水管网用水量变化情况，以一小时为时间间隔，需要采用不同的供水泵组的运行方案。优化调度供水泵组需要在满足供水需求情况下实现最小能耗和最少启停次数的两个目标。式(1)描述了第一个优化目标水泵机组能耗的构成，总能耗CE包含工频泵能耗和变频泵能耗。式(2)描述了第二个优化目标水泵机组启停次数的计算方法。
Figure FDA0003227794240000031
Figure FDA0003227794240000032
其中调度周期为T小时，N为二级泵房中水泵机组数量，M代表变频泵数量，T代表调度周期，t代表工作时刻，n为泵房中水泵编号，P代表泵的输出功率，R代表复相关系数。
5.根据权利要求1所述的一种考虑水量预测的供水泵组优化调度方法，其特征在于，步骤(3)中所述约束函数定义如下：
供水泵组在正常工作情况下，需要满足一定的约束条件。式(3)、式(4)分别描述了二级泵房供水时应满足的用户需求，包括水量、水压两个主要方面；式(5)描述了变频调速比的约束条件；式(6)描述的是并联水泵机组的压力特性；式(7)为二级泵房的时供水量计算；式(8)和(9)描述了供水泵组协同式的流量约束。
Hmin≤H (3)
Qdt≤Qt≤Qmax (4)
Smin≤S(t,n)≤1 (5)
Hp＝H1＝H2＝...＝Hn (6)
Figure FDA0003227794240000041
Figure FDA0003227794240000042
Figure FDA0003227794240000043
H为水泵的扬程，Hmin代表水泵最小扬程；Qdt代表管网那个最低用水量需求，Qt代表泵站供水量，Qmax代表泵站最大供水能力；Smin代表水泵机最小变频调速比，S(t,n)代表第n个水泵机在工作时刻t时的变频调速比；Hp代表优化后的泵站水泵扬程，Hn代表泵站水泵扬程；Qp代表优化后的各水泵流量之和，Q(t,n)代表第n个水泵机在工作时刻t时的水泵流量；X代表额定转速下水泵的效率，a...an代表待定系数，
Figure FDA0003227794240000044
代表额定转速下水泵的流量；
Figure FDA0003227794240000045
代表额定转速下水泵的最大流量。
6.根据权利要求1所述的一种考虑水量预测的供水泵组优化调度方法，其特征在于，步骤(4)中所述NSGA-II算法是一种多目标优化算法，该算法求解数学模型具体步骤如下：
P1：设计基本参数种群大小N和最大进化代数GEN，g＝0,i＝0；
P2：初始化种群Pi；
P3：对Pi进行快速非支配排序并计算拥挤距离；
P4：进行二元锦标赛选择，交叉和变异等遗传操作，从而得到子代种群Ri；
P5:合并种群Qi＝Pi+Ri，并对种群Qi进行非支配排序；
P6：选出前N个个体形成新的父代种群Pi+1；
P7：判断g是否达最大进化代数GEN，更新迭代步数g＝g+1,如果满足输出条件则输出最终解；否则回到P4。
7.根据权利要求1所述的一种考虑水量预测的供水泵组优化调度方法，其特征在于，步骤(5)中所述调节供水泵组的具体步骤如下：
PP1：将对应调度方案进行调用以及反馈给工作人员进行查看；
PP2：判断调度方案中供水泵组与实际工作泵组的个数和型号区别；
PP3：开启调度方案中新增的水泵，关闭调度方案中减少的水泵，使输出流量与预测时用水量相匹配。
8.根据权利要求2所述的方法，其特征在于，流速和水量转换公式为通过供水管网的流速乘以管网横截面积，再乘以一个小时；即可得到时用水量数据。
9.根据权利要求6所述的方法，非支配解是NSGA-II算法对于最小能耗和最少启停次数两个目标函数求解数学模型中的结果，非支配解有一个或多个，其他解不能在两个目标上均优于非支配解。其中最终解是指求解数学模型时NSGA-II算法得到的非支配解，也是泵组优化调度的一系列调度方案。
10.根据权利要求7所述的方法，对应调度方案即最优的调度方案，是根据实际需求进一步确定的供水泵组的开启情况方案。
CN202110976670.7A 2021-08-24 2021-08-24 一种考虑水量预测的供水泵组优化调度方法 Pending CN113642803A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110976670.7A CN113642803A (zh) 2021-08-24 2021-08-24 一种考虑水量预测的供水泵组优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110976670.7A CN113642803A (zh) 2021-08-24 2021-08-24 一种考虑水量预测的供水泵组优化调度方法

Publications (1)

Publication Number Publication Date
CN113642803A true CN113642803A (zh) 2021-11-12

Family

ID=78423749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110976670.7A Pending CN113642803A (zh) 2021-08-24 2021-08-24 一种考虑水量预测的供水泵组优化调度方法

Country Status (1)

Country Link
CN (1) CN113642803A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114525497A (zh) * 2022-02-16 2022-05-24 东北大学 一种基于lstm和nsga-ⅱ对pecvd镀膜工艺的多参数优化方法
CN114688010A (zh) * 2022-05-10 2022-07-01 山东锋士信息技术有限公司 一种水泵节能降耗控制方法
CN116466591A (zh) * 2023-06-13 2023-07-21 埃睿迪信息技术（北京）有限公司 用于供水系统的供水策略的确定方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114525497A (zh) * 2022-02-16 2022-05-24 东北大学 一种基于lstm和nsga-ⅱ对pecvd镀膜工艺的多参数优化方法
CN114688010A (zh) * 2022-05-10 2022-07-01 山东锋士信息技术有限公司 一种水泵节能降耗控制方法
CN114688010B (zh) * 2022-05-10 2024-04-19 山东锋士信息技术有限公司 一种水泵节能降耗控制方法
CN116466591A (zh) * 2023-06-13 2023-07-21 埃睿迪信息技术（北京）有限公司 用于供水系统的供水策略的确定方法及装置
CN116466591B (zh) * 2023-06-13 2023-08-29 埃睿迪信息技术（北京）有限公司 用于供水系统的供水策略的确定方法及装置

Similar Documents

Publication Publication Date Title
CN113642803A (zh) 一种考虑水量预测的供水泵组优化调度方法
CN107909220A (zh) 一种电采暖负荷预测方法
WO2023070293A1 (zh) 一种工业副产煤气系统长期调度方法
CN110363362A (zh) 一种计及柔性负荷的多目标日前经济调度模型与方法
CN104077651B (zh) 电网检修计划优化方法
CN112184479B (zh) 一种水库群调度规则型式和参数对气候变化的适应性研究方法
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
CN114021783A (zh) 一种考虑社会类碳排放因素和短期效益的两阶段月度机组组合和检修计划优化方法
Yang et al. A Selection Hyper‐Heuristic Algorithm for Multiobjective Dynamic Economic and Environmental Load Dispatch
CN114648165A (zh) 一种基于多智能体博弈的多热源供热系统优化调度方法
CN111724064A (zh) 一种基于改进免疫算法的含储能配电网规划方法
CN115115193A (zh) 一种工业园区低碳分析及优化规划方法
CN113158547B (zh) 计及经济性和可靠性的区域综合能源系统优化配置方法
CN113298407B (zh) 一种工业园区电-气综合能源系统优化调度模型建立方法
CN117595231A (zh) 一种智能电网配网管理系统及其方法
CN110380407B (zh) 一种考虑农业电排灌负荷的配电网运行优化方法
CN112288130A (zh) 一种基于两阶段多目标优化的新能源消纳计算方法
CN115511218A (zh) 基于多任务学习与深度学习的间歇型电器负荷预测方法
Fang et al. Energy scheduling and decision learning of combined cooling, heating and power microgrid based on deep deterministic policy gradient
CN111932401A (zh) 一种基于区块链的多方信任的业务交互方法
CN110735682A (zh) 一种基于多目标优化算法的分布式余压发电系统及调控方法
Kim Online Learning of Interconnected Neural Networks for Optimal Control of an HVAC System
Ren et al. A Home Energy Management System Optimization Model Based on DNN and RL Adapting to Users’ Uncertain Behaviors
Đức et al. Efficient optimization of pump scheduling for reduction of energy costs and Greenhouse gas emissions
Chu et al. A method for evaluating the controllable potential of distributed resources in virtual power plants based on cloud edge collaborative architecture

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