CN113919663B - 工业园区水网的水资源配置方法、装置、介质和电子设备 - Google Patents

工业园区水网的水资源配置方法、装置、介质和电子设备 Download PDF

Info

Publication number
CN113919663B
CN113919663B CN202111110652.7A CN202111110652A CN113919663B CN 113919663 B CN113919663 B CN 113919663B CN 202111110652 A CN202111110652 A CN 202111110652A CN 113919663 B CN113919663 B CN 113919663B
Authority
CN
China
Prior art keywords
water
network
industrial park
cost
target
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
Application number
CN202111110652.7A
Other languages
English (en)
Other versions
CN113919663A (zh
Inventor
蓝卓玲
谭倩
蔡宴朋
张湘洁
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202111110652.7A priority Critical patent/CN113919663B/zh
Publication of CN113919663A publication Critical patent/CN113919663A/zh
Application granted granted Critical
Publication of CN113919663B publication Critical patent/CN113919663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/04—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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)

Abstract

本发明涉及一种工业园区水网的水资源优化配置方法、装置、存储介质以及电子设备，该方法包括：获取若干个园区用水企业需求的水质、该水质对应的水量、排出的污水水质以及该污水水质对应的水量；以园区用水企业之间的水量交互为输入变量，以工业园区水网的稳健性和用水成本作为目标函数，以园区用水企业需求的水质、水质对应的水量、排出的污水水质以及污水水质对应的水量为约束条件，以水资源优化配置结果为输出，建立工业园区水网的水资源配置模型；获取目标稳健性值和目标用水成本；根据目标稳健性值和目标用水成本、NSGA‑II多目标遗传方法和水资源配置模型，获得水资源优化配置结果，对所述工业园区水网进行水资源配置，提高了水网抗干扰能力。

Description

工业园区水网的水资源配置方法、装置、介质和电子设备
技术领域
本发明涉及水资源优化配置技术领域，特别是涉及一种工业园区水网的水资源配置方法、装置、存储介质以及电子设备。
背景技术
工业园区企业间的水资源循环再生，可形成互惠共生的配水水网。然而，工业园区水网对自然和人为因素造成的扰动非常敏感，当配水网络受到干扰时，极易导致配水网络的大规模连锁反应和二次故障。
目前的工业园区水网的水资源配置主要采用夹点技术和数学规划法。其中，夹点技术法具有简洁易行、直观明确的优点，但不能处理生态园区中常见的多目标优化的大规模问题。数学规划法适用于解决大型复杂的供水网络，但是需要较高的数据质量且求解过程复杂。上述两种水资源配置方法均存在水网络抗干扰能力弱的问题。
发明内容
基于此，本发明的目的在于，提供一种工业园区水网的水资源优化配置方法、装置、以及电子设备，其具有提高水网抗干扰能力的优点。
根据本申请实施例的第一方面，提供一种工业园区水网的水资源优化配置方法，包括如下步骤：
获取若干个所述工园区用水企业需求的水质、该水质对应的水量、排出的污水水质以及该污水水质对应的水量；
以所述园区用水企业之间的水量交互为决策变量，以所述工业园区水网的稳健性和用水成本为目标函数，以所述园区用水企业需求的水质、所述水质对应的水量、排出的污水水质以及所述污水水质对应的水量为约束条件，建立工业园区水网的水资源配置模型；
获取稳健性和用水成本的目标值；根据所述目标值、NSGA-II多目标遗传方法和所述水资源配置模型，获得水资源优化配置结果；所述配置结果用于指示实现所述目标值对应的园区用水企业之间的水量交互；
根据所述配置结果，对所述工业园区水网进行水资源配置。
根据本申请实施例的第二方面，提供一种工业园区水网的水资源优化配置装置，包括：
水质水量获取模块，用于获取若干个所述工园区用水企业需求的水质、该水质对应的水量、排出的污水水质以及该污水水质对应的水量；
模型建立模块，用于以所述园区用水企业之间的水量交互为决策变量，以所述工业园区水网的稳健性和用水成本为目标函数，以所述园区用水企业需求的水质、所述水质对应的水量、排出的污水水质以及所述污水水质对应的水量为约束条件，建立工业园区水网的水资源配置模型；
配置结果获得模块，用于获取稳健性和用水成本的目标值；根据所述目标值、NSGA-II多目标遗传方法和所述水资源配置模型，获得水资源优化配置结果；所述配置结果用于指示实现所述目标值对应的园区用水企业之间的水量交互；
水资源配置模块，用于根据所述配置结果，对所述工业园区水网进行水资源配置。
根据本申请实施例的第三方面，提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如上述任意一项所述的工业园区水网的水资源优化配置方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的工业园区水网的水资源优化配置方法。
通过获取若干个所述工园区用水企业需求的水质、该水质对应的水量、排出的污水水质以及该污水水质对应的水量；以所述园区用水企业之间的水量交互为决策变量，以所述工业园区水网的稳健性和用水成本为目标函数，以所述工业园区水网内园区用水企业需求的水质、所述水质对应的水量、排出的污水水质以及所述污水水质对应的水量为约束条件，建立工业园区水网的水资源配置模型；获取稳健性和用水成本的目标值；根据所述目标值、NSGA-II多目标遗传方法和所述水资源配置模型，获得水资源优化配置结果；所述配置结果用于指示实现所述目标值对应的园区用水企业之间的水量交互；根据所述配置结果，对所述工业园区水网进行水资源配置。本发明考虑了水网的稳健性及水网总成本目标，提高了水网抗干扰能力、节约了用水成本。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明工业园区水网的水资源优化配置方法的流程示意图；
图2为本发明工业园区水网的水资源优化配置方法中S30的流程示意图；
图3为本发明工业园区水网的水资源优化配置装置的结构框图；
图4为本发明工业园区水网的水资源优化配置装置配置结果获得模块43的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，本发明实施例提供一种工业园区水网的水资源优化配置方法，所述工业园区水网包括自来水厂、园区内园区用水企业以及污水处理厂，所述自来水厂将清水输送给所述园区内园区用水企业，所述园区内园区用水企业消耗所述清水，生产循环水提供给其他企业，并将污水排放给所述污水处理厂，所述污水处理厂对所述污水进行处理；所述水资源优化配置方法包括：
S10.获取所述园区用水企业需求的水质、该水质对应的水量、排出的污水水质以及该污水水质对应的水量。
水质是水体质量的简称，它标志着水体的物理(如色度、浊度、臭味等)、化学(无机物和有机物的含量)和生物(细菌、微生物、浮游生物、底栖生物)的特性及其组成的状况。水质为评价水体质量的状况，规定了一系列水质参数和水质标准。如生活饮用水、工业用水和渔业用水等水质标准。在本申请实施例中，可根据相应企业的环境影响报告表获取工业园区水网内园区用水企业需求的水质、该水质对应的水量、排出的污水水质以及该污水水质对应的水量。具体地，园区用水企业需求的水质为满足园区用水企业生产、生活用水标准的水质，园区用水企业排出的污水水质指企业使用过程中排出的废水水质，工业园区水网内园区用水企业需求的水量一部分来自自来水厂的清水，一部分来自其他企业的循环水，所述循环水为其他企业排放的污水水质满足企业自身的需求的水质对应的水量。企业排放的污水一部分提供给其他企业，一部分直接排放给所述污水处理厂，所述污水处理厂对所述污水进行处理。其中，所述环境影响报告表是环境影响评价结果的表格表现形式，是环境影响制度的组成部分。由建设单位就拟建项目的环境影响向环境保护主管部门提交。主要适用于小型建设项目、国家规定的限额以下的技术改造项目、省级环境保护部门确认的对环境影响较小的大中型项目和限额以上技术改造项目。
S20.以所述园区用水企业之间的水量交互为决策变量，以所述工业园区水网的稳健性和用水成本为目标函数，以所述园区用水企业需求的水质、所述水质对应的水量、排出的污水水质以及所述污水水质对应的水量为约束条件，建立工业园区水网的水资源配置模型。
在工业园区水网中，园区用水企业可为其他企业输运循环水，例如冷却水、低质水等；且在生产过程中，企业也需要消耗水。因此对于每一个企业，接受的进水可分为两种：来自自来水厂的清水及其他企业的循环水；园区用水企业的出水也可分为两种：排放到污水处理厂的污水及输运给其他企业的循环水。在本申请实施例中，所述园区用水企业之间的水量交互即企业输运给其他企业的循环水的水量。
稳健性是用于衡量工业园区水网的抗干扰能力，用水成本指工业园区水网内企业之间的循环水交互的使用成本；一般地，水网内进行循环水交互的企业数量越多，水网的稳健性越好，水网的抗干扰能力越强，同时成本越高；反之，水网的稳健性差，水网的抗干扰能力弱，成本低。
S30.获取稳健性和用水成本的目标值；根据所述目标值、NSGA-II多目标遗传方法和所述水资源配置模型，获得水资源优化配置结果；所述配置结果用于指示实现所述目标值对应的园区用水企业之间的水量交互。
NSGA-II(Non dominated sorting genetic algorithm-II)多目标遗传方法是带精英策略的非支配排序的遗传算法，是目前最流行的多目标遗传算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点，成为其他多目标优化算法性能的基准。在本申请实施例中，通过所述NSGA-II多目标遗传方法求解所述水资源配置模型，根据稳健性和用水成本的目标值，获得水资源优化配置结果，根据所述水资源优化配置结果能够为工业园区水网的设计提供科学依据和理论指导。
S40.根据所述配置结果，对所述工业园区水网进行水资源配置。
在本申请实施例中，在获得水资源优化配置结果之后，即工业园区水网内园区用水企业之间的水量交互确定之后，可以对所述工业园区水网进行水资源配置，从而获得高稳健的水网络。
应用本发明实施例，通过获取若干个所述工园区用水企业需求的水质、该水质对应的水量、排出的污水水质以及该污水水质对应的水量；以所述园区用水企业之间的水量交互为决策变量，以所述工业园区水网的稳健性和用水成本为目标函数，以所述工业园区水网内园区用水企业需求的水质、所述水质对应的水量、排出的污水水质以及所述污水水质对应的水量为约束条件，建立工业园区水网的水资源配置模型；获取稳健性和用水成本的目标值；根据所述目标值、NSGA-II多目标遗传方法和所述水资源配置模型，获得水资源优化配置结果；所述配置结果用于指示实现所述目标值对应的园区用水企业之间的水量交互；根据所述配置结果，对所述工业园区水网进行水资源配置。本发明考虑了水网的稳健性及水网总成本目标，提高了水网抗干扰能力、节约了用水成本。
在一个可选的实施例中，所述工业园区水网的水资源配置模型的目标函数为：
min F＝Wr×|Rtarget-Rmodel|+wc×cost×10-7
wc＝1-wr
其中，Rtarget为常数，Rmodel是所述工业园区水网的稳健性目标函数，cost是所述工业园区水网的用水成本目标函数，Wr是稳健性目标权重，Wc是用水成本目标权重，minF表示所述稳健性目标函数和所述用水成本目标函数在不同目标权重下的和最小；
所述稳健性目标函数的计算公式为：
tij表示所述工业园区水网内企业i向企业j供应的水量，TSTp是所述工业园区水网的总系统吞吐量，ASC是所述工业园区水网的优势度，DC是所述工业园区水网的发展容量，N是所述工业园区水网内企业的总数量；
所述用水成本目标函数计算公式为：
CJi表示所述工业园区水网内企业i的提供单位水量的成本。
在本申请实施例中，将所述园区用水企业之间的水量交互用矩阵T表示，所述矩阵T大小为N*N，其中，所述矩阵T中的元素tij表示所述工业园区水网内企业i向企业j供应的水量。TSTp是所述工业园区水网的总系统吞吐量，表示园区用水企业之间水量交互的总量。ASC是所述工业园区水网的优势度，高优势的水网在各个企业之间具有严格约束的水量输运路径。DC是所述工业园区水网的发展容量，表示可以进一步开发的水网内企业之间的水量交互。
在一个可选的实施例中，所述约束条件包括水质约束、水量约束和水容量约束，所述水质约束的表达式为：
if Qi＜Qj，xij＝0
Qi是所述工业园区水网内企业i排出的污水水质，Qj是所述工业园区水网内企业J需求的水质，xij表示所述企业i向所述企业J供应的水量占所述企业i向所述工业园区水网内所有企业供应的水量的比例；
所述水量约束的表达式为：
Si是所述企业i供应的总水量，Dj是所述企业j需求的总水量；
所述水容量约束的表达式为：
if i＝j，xij＝0。
在本申请实施例中，水质约束条件表明企业提供的循环水水质要高于其他企业需水的水质，水量约束条件表明每个企业供应的水量要满足其他企业的需求水量，水容量约束条件表明供水企业的出水不能超过其供水能力，所有企业的水都不能自我回用，只能外供于其他企业或输送到污水处理厂。
在一个可选的实施例中，请参阅图2，所述步骤S30，包括S1～S8，具体如下：
S1.对种群Pt进行随机初始化，得到种群P0；其中，所述种群为所述水资源优化配置结果组成的集合；
S2.初始化所述NSGA-II多目标遗传方法的参数，所述参数包括所述稳健性目标权重和所述用水成本目标权重；
S3.对所述种群P0进行非支配排序，初始化每个个体的排序值，求取不同所述稳健性目标权重、所述用水成本目标权重下的园区内园区用水企业的水量交互；
S4.通过二进制锦标赛法从所述种群Pt中选择个体，并进行交叉和变异操作，产生新一代种群Qt，并计算新种群的适应值；其中，所述适应值为稳健性和用水成本的大小；
S5.通过合并Pt和Qt产生出组合种群Rt；
S6.对Rt进行非支配排序，并通过排挤和精英保留策略选出N个个体，组成新一代种群Pt+1；
S7.如果满足所述约束条件，则输出帕累托最优解集；如不满足所述约束条件，则跳转至步骤S2-S4；
S8.根据所述所述目标稳健性值和目标用水成本，从所述帕累托最优解集选取对应的帕累托最优解，获得水资源优化配置结果。
帕累托求解多目标问题的主要思想：首先对不同目标函数的权重进行明确，然后找到在不同权重下各为最优解的一组解(成为帕累托解集)，最后根据决策者偏好或应用场景选择最优解。
在本申请实施例中，先确定稳健性目标权重和用水成本目标权重，再通过所述NSGA-II多目标遗传方法求解稳健性Rmodel值和用水成本cost值。具体地，将所述稳健性目标权重和用水成本目标权重在0到1中取不同的值，得到不同目标权重下的帕累托最优解。然后对Rmodel和cost的结果进行分析，比如水网稳健性最小，用水成本最大时，Wr＝0；水网稳健性最大，用水成本最小时，Wr＝1；能同时平衡水网稳健性和用水成本目标时的权重，Wr＝0.5，从而得到不同情景下的水网。
在一个可选的实施例中，所述步骤S40，包括S41～S8，具体如下：
S41.根据所述配置结果，对所述自来水厂的清水供应量、所述园区用水企业的清水用量、循环水用量以及污水处理厂污水处理量进行水资源配置。
在一个可选的实施例中，通过计算各情景下水网络的结构指标和流量指标，对不同情景下的水网进行分析。具体地，所述结构指标包括关联密度LD、生产者与消费者数量之比PR、消费者消耗单位生产者的平均数量Ps、泛化度G以及循环度λmax。所述流浪指标包括总系统吞吐量TSTp、总循环系统吞吐量TSTc、芬恩循环指数FCI、优势度ASC、发展容量DC、冗余量TSO以及稳健性。
在本申请实施例中，工业园区水网中企业的数量由N表示，定义一个食物网矩阵F，所述食物网矩阵F的大小为N*N。若工业园区水网中两个企业之间具有水量交互，则所述食物网矩阵F中的元素Fij为1，否则为0。企业之间的关联数L等于所述食物网矩阵F中的非0元素之和，所述关联密度LD表示每个企业的平均关联数量，量化了水网的结构密度，计算公式为：LD＝L/N。bproducers为生产者数量，表示[F]矩阵中的非0行数之和，在工业园区水网中代表着水资源供应者，计算公式为：
nconsumers为消费者数量，表示[F]矩阵中的非0列数之和，在工业园区水网中代表着水资源消耗者，计算公式为：
PR为生产者与消费者数量之比，量化了生产者与消费者的数量平衡，若PR的值较低，则认为生产者不能满足消费者需求，计算公式为：
nproducers-consumers表示消耗单位生产者的消费者数量，计算公式为：
Ps表示消费者消耗单位生产者的平均数量，当Ps接近1时网络中的消费者完全依赖于单一物种，当生产者发生变化时网络极易受到影响，即水网的抗干扰能力低，计算公式为：
所述泛化度G表示消费者消费生产者的平均数量，G值越高表明消费者与网络的关联度高，当某一生产者数量减少时，对网络消费者影响较小，计算公式为：
所述循环度λmax表征了网络中循环路径的强度，为相邻矩阵A(即所述食物网矩阵F的转置矩阵)的最大实数特征值，具有循环途径的网络其循环度大于或等于1，循环度等于0时表明所有企业用水皆为清水，计算公式为：
|A-λmaxI|＝0。
所述总循环系统吞吐量TSTc，即为在水网中通过循环流动的总水量，计算公式为：
所述芬恩循环指数FCI是指水网内循环水量与水网总水量的比值，当FCI＝0时，表示水网内没有水循环，所有企业都使用清水，计算公式为：
所述冗余量TSO可作为在水网受到干扰时可以使用的水量储备，计算公式为：TSO＝DC-ASC。
考虑不同情景下的水网，将Wr＝0时，只考虑了成本最小的的情景视为传统水网优化情景B1；将Wr＝0.5时，水网结果综合考虑了成本和稳健性目标(B2)，这表明可以在看似相反的成本和稳健性目标之间取得平衡；将Wr＝1时，考虑高稳健性水网(B3)。
假设通过求解得到各个指标的取值，分析如下：
a、假设传统水网优化情景(B1)的连接密度为LD＝1.92，代表着每个企业平均有1.92的交换，而B2＝2.62，B3＝3.31，意味着传统水网优化情景(B1)的连接密度较低，水交互程度低，对清水源的依赖较高。
b、假设B2的G＝4.78，表明B2中一个企业平均从4.78个企业取水，意味着当水网受到扰动时(某个企业倒闭或某部分水网发生泄漏而失效)，B2中的企业水源有更多的选择，而传统水网的泛化度较低(G＝2.76)。
c、循环度λmax和芬恩循环指数FCl从生态学视角量化了水网循环程度。B3(λmax＝3.46)的循环度高于B1(λmax＝1.92)，表明B3水网具有更高的复杂性，对清水源具有较低的依赖。B1、B3的芬恩循环指数分别为0.02及0.05，表面传统水网络中仅有2％的总水量用于循环。具有较高的循环度λmax和芬恩循环指数FCl水网，能较低的依赖清水源的供给。高循环度是基于高生态系统稳健性而不更高循环度目标获得，表明生态系统的高稳健性部分是通过FCI和λmax量化的复杂循环途径实现的。
相应于上述方法实施例，请参阅图3，本发明实施例提供一种工业园区水网的水资源优化配置装置4，包括：
水质水量获取模块41，用于获取所述工业园区水网内园区用水企业需求的水质、该水质对应的水量、排出的污水水质以及该污水水质对应的水量；
模型建立模块42，用于以所述园区用水企业之间的水量交互为决策变量，以所述工业园区水网的稳健性和用水成本为目标函数，以所述工业园区水网内园区用水企业需求的水质、所述水质对应的水量、排出的污水水质以及所述污水水质对应的水量为约束条件，建立工业园区水网的水资源配置模型；
配置结果获得模块43，用于获取稳健性和用水成本的目标值；根据所述目标值、NSGA-II多目标遗传方法和所述水资源配置模型，获得水资源优化配置结果；所述配置结果用于指示实现所述目标值对应的园区用水企业之间的水量交互；
水资源配置模块44，用于根据所述配置结果，对所述工业园区水网进行水资源配置。
可选的，请参阅图4，所述配置结果获得模块43，包括：
种群初始化单元431，用于对种群Pt进行随机初始化，得到种群P0；其中，所述种群为所述水资源优化配置结果组成的集合；
参数初始化单元432，用于初始化所述NSGA-II多目标遗传方法的参数，所述参数包括所述稳健性目标权重和所述用水成本目标权重；
水量交互计算单元433，用于对所述种群P0进行非支配排序，初始化每个个体的排序值，计算不同所述稳健性目标权重、所述用水成本目标权重下的园区内园区用水企业的水量交互；
适应值计算单元434，用于通过二进制锦标赛法从所述种群Pt中选择个体，并进行交叉和变异操作，产生新一代种群Qt，并计算新种群的适应值；其中，所述适应值为稳健性和用水成本的大小；
种群合并单元435，用于通过合并Pt和Qt产生出组合种群Rt；
非支配排序单元436，用于对Rt进行非支配排序，并通过排挤和精英保留策略选出N个个体，组成新一代种群Pt+1；
解集输出单元437，用于如果满足所述约束条件，则输出帕累托最优解集；如不满足所述约束条件，则跳转至步骤S2-S4；
配置结果获得单元438，用于根据所述目标稳健性值和目标用水成本，从所述帕累托最优解集选取对应的帕累托最优解，获得水资源优化配置结果。
应用本发明实施例，通过获取若干个所述工园区用水企业需求的水质、该水质对应的水量、排出的污水水质以及该污水水质对应的水量；以所述园区用水企业之间的水量交互为决策变量，以所述工业园区水网的稳健性和用水成本为目标函数，以所述工业园区水网内园区用水企业需求的水质、所述水质对应的水量、排出的污水水质以及所述污水水质对应的水量为约束条件，建立工业园区水网的水资源配置模型；获取稳健性和用水成本的目标值；根据所述目标值、NSGA-II多目标遗传方法和所述水资源配置模型，获得水资源优化配置结果；所述配置结果用于指示实现所述目标值对应的园区用水企业之间的水量交互。根据所述配置结果，对所述工业园区水网进行水资源配置。本发明考虑了水网的稳健性及水网总成本目标，提高了水网抗干扰能力、节约了用水成本。
本申请还提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述实施例的方法步骤。
本申请还提供一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述实施例的方法步骤。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，则本发明也意图包含这些改动和变形。

Claims (7)

1.一种工业园区水网的水资源优化配置方法，所述工业园区水网包括若干个园区用水企业；其特征在于，所述方法包括：
获取若干个所述园区用水企业需求的水质、该水质对应的水量、排出的污水水质以及该污水水质对应的水量；
以所述园区用水企业之间的水量交互为输入变量，以所述工业园区水网的稳健性和用水成本作为目标函数，以所述园区用水企业需求的水质、所述水质对应的水量、排出的污水水质以及所述污水水质对应的水量为约束条件，以水资源优化配置结果为输出，建立工业园区水网的水资源配置模型；其中，所述工业园区水网的水资源配置模型的目标函数为：
minF＝wr×|Rtarget-Rmodel|+wc×cost×10-7
wc＝1-wr
其中，Rtarget为常数，Rmodel是所述工业园区水网的稳健性目标函数，cost是所述工业园区水网的用水成本目标函数，wr是稳健性目标权重，wc是用水成本目标权重，minF表示所述稳健性目标函数和所述用水成本目标函数在不同目标权重下的和最小；
所述稳健性目标函数的计算公式为：
tij表示所述工业园区水网内企业i向企业j供应的水量，TSTp是所述工业园区水网的总系统吞吐量，ASC是所述工业园区水网的优势度，DC是所述工业园区水网的发展容量，N是所述工业园区水网内企业的总数量；
所述用水成本目标函数计算公式为：
CJi表示所述工业园区水网内企业i的提供单位水量的成本；
获取目标稳健性值和目标用水成本；根据所述目标稳健性值和目标用水成本、NSGA-II多目标遗传方法和所述水资源配置模型，获得水资源优化配置结果；所述配置结果用于指示实现所述目标稳健性值和目标用水成本对应的园区用水企业之间的水量交互；其中，包括步骤S1：对种群Pt进行随机初始化，得到种群P0；其中，所述种群为所述水资源优化配置结果组成的集合；
步骤S2：初始化所述NSGA-II多目标遗传方法的参数，所述参数包括所述稳健性目标权重和所述用水成本目标权重；
步骤S3：对所述种群P0进行非支配排序，初始化每个个体的排序值，求取不同所述稳健性目标权重、所述用水成本目标权重下的园区用水企业的水量交互；
步骤S4：通过二进制锦标赛法从所述种群Pt中选择个体，并进行交叉和变异操作，产生新一代种群Qt，并计算新种群的适应值；其中，所述适应值为稳健性和用水成本的大小；
步骤S5：通过合并Pt和Qt产生出组合种群Rt；
步骤S6：对Rt进行非支配排序，并通过排挤和精英保留策略选出N个个体，组成新一代种群Pt+1；
步骤S7：如果满足所述约束条件，则输出帕累托最优解集；如不满足所述约束条件，则跳转至步骤S2-S4；
步骤S8：根据所述目标稳健性值和目标用水成本，从所述帕累托最优解集选取对应的帕累托最优解，获得水资源优化配置结果；
根据所述配置结果，对所述工业园区水网进行水资源配置。
2.根据权利要求1所述的工业园区水网的水资源优化配置方法，其特征在于，所述约束条件包括水质约束、水量约束和水容量约束，所述水质约束的表达式为：
if Qi＜Qj，xij＝0
Qi是所述工业园区水网内企业i排出的污水水质，Qj是所述工业园区水网内企业j需求的水质，xij表示所述企业i向所述企业j供应的水量占所述企业i向所述工业园区水网内所有企业供应的水量的比例；
所述水量约束的表达式为：
Si是所述企业i供应的总水量，Dj是所述企业j需求的总水量；
所述水容量约束的表达式为：
if i＝j，xij＝0。
3.根据权利要求1所述的工业园区水网的水资源优化配置方法，其特征在于，所述工业园区水网还包括自来水厂以及污水处理厂，所述自来水厂将清水输送给所述园区用水企业，所述园区用水企业消耗所述清水，生产循环水提供给其他企业，并将污水排放给所述污水处理厂，所述污水处理厂对所述污水进行处理。
4.根据权利要求3所述的工业园区水网的水资源优化配置方法，其特征在于，所述根据所述配置结果，对所述工业园区水网进行水资源配置的步骤，包括：
根据所述配置结果，对所述自来水厂的清水供应量、所述园区用水企业的清水用量、循环水用量以及污水处理厂污水处理量进行水资源配置。
5.一种工业园区水网的水资源优化配置装置，其特征在于，包括：
水质水量获取模块，用于获取若干个所述园区用水企业需求的水质、该水质对应的水量、排出的污水水质以及该污水水质对应的水量；
模型建立模块，用于以所述园区用水企业之间的水量交互为输入变量，以所述工业园区水网的稳健性和用水成本作为目标函数，以所述园区用水企业需求的水质、所述水质对应的水量、排出的污水水质以及所述污水水质对应的水量为约束条件，以水资源优化配置结果为输出，建立工业园区水网的水资源配置模型；其中，所述工业园区水网的水资源配置模型的目标函数为：
min F＝wr×|Rtarget-Rmodel|+wc×cost×10-7
wc＝1-wr
其中，Rtarget为常数，Rmodel是所述工业园区水网的稳健性目标函数，cost是所述工业园区水网的用水成本目标函数，wr是稳健性目标权重，wc是用水成本目标权重，minF表示所述稳健性目标函数和所述用水成本目标函数在不同目标权重下的和最小；
所述稳健性目标函数的计算公式为：
tij表示所述工业园区水网内企业i向企业j供应的水量，TSTp是所述工业园区水网的总系统吞吐量，ASC是所述工业园区水网的优势度，DC是所述工业园区水网的发展容量，N是所述工业园区水网内企业的总数量；
所述用水成本目标函数计算公式为：
CJi表示所述工业园区水网内企业i的提供单位水量的成本；
配置结果获得模块，用于获取目标稳健性值和目标用水成本；根据所述目标稳健性值和目标用水成本、NSGA-II多目标遗传方法和所述水资源配置模型，获得水资源优化配置结果；所述配置结果用于指示实现所述目标稳健性值和目标用水成本对应的园区用水企业之间的水量交互；其中，所述配置结果获得模块，包括：种群初始化单元，用于对种群Pt进行随机初始化，得到种群P0；其中，所述种群为所述水资源优化配置结果组成的集合；
参数初始化单元，用于初始化所述NSGA-II多目标遗传方法的参数，所述参数包括所述稳健性目标权重和所述用水成本目标权重；
水量交互计算单元，用于对所述种群P0进行非支配排序，初始化每个个体的排序值，计算不同所述稳健性目标权重、所述用水成本目标权重下的园区用水企业的水量交互；
适应值计算单元，用于通过二进制锦标赛法从所述种群Pt中选择个体，并进行交叉和变异操作，产生新一代种群Qt，并计算新种群的适应值；其中，所述适应值为稳健性和用水成本的大小；
种群合并单元，用于通过合并Pt和Qt产生出组合种群Rt；
非支配排序单元，用于对Rt进行非支配排序，并通过排挤和精英保留策略选出N个个体，组成新一代种群Pt+1；
解集输出单元，用于如果满足所述约束条件，则输出帕累托最优解集；如不满足所述约束条件，则跳转至步骤S2-S4；
配置结果获得单元，用于根据所述目标稳健性值和目标用水成本，从所述帕累托最优解集选取对应的帕累托最优解，获得水资源优化配置结果；
水资源配置模块，用于根据所述配置结果，对所述工业园区水网进行水资源配置。
6.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1至4中任意一项所述的工业园区水网的水资源优化配置方法。
7.一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的工业园区水网的水资源优化配置方法。
CN202111110652.7A 2021-09-23 2021-09-23 工业园区水网的水资源配置方法、装置、介质和电子设备 Active CN113919663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111110652.7A CN113919663B (zh) 2021-09-23 2021-09-23 工业园区水网的水资源配置方法、装置、介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111110652.7A CN113919663B (zh) 2021-09-23 2021-09-23 工业园区水网的水资源配置方法、装置、介质和电子设备

Publications (2)

Publication Number Publication Date
CN113919663A CN113919663A (zh) 2022-01-11
CN113919663B true CN113919663B (zh) 2024-05-03

Family

ID=79235630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111110652.7A Active CN113919663B (zh) 2021-09-23 2021-09-23 工业园区水网的水资源配置方法、装置、介质和电子设备

Country Status (1)

Country Link
CN (1) CN113919663B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073925A (zh) * 2010-12-15 2011-05-25 南京大学 一种基于水质水量约束的工业企业空间增长模拟实现方法
CN104598995A (zh) * 2015-01-27 2015-05-06 四川大学 基于水权的区域水资源分配二层决策优化方法
WO2015184609A1 (zh) * 2014-06-05 2015-12-10 华为技术有限公司 资源优化的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073925A (zh) * 2010-12-15 2011-05-25 南京大学 一种基于水质水量约束的工业企业空间增长模拟实现方法
WO2015184609A1 (zh) * 2014-06-05 2015-12-10 华为技术有限公司 资源优化的方法和装置
CN104598995A (zh) * 2015-01-27 2015-05-06 四川大学 基于水权的区域水资源分配二层决策优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王俭 ; 刘琳琳 ; 李建平 ; 都健.考虑预处理的工业园区水网络综合.化工学报.66(12),全文. *

Also Published As

Publication number Publication date
CN113919663A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
Babazadeh et al. An enhanced NSGA-II algorithm for fuzzy bi-objective assembly line balancing problems
Gen et al. Network models and optimization: Multiobjective genetic algorithm approach
Seyedhosseini et al. A novel hybrid algorithm based on a harmony search and artificial bee colony for solving a portfolio optimization problem using a mean-semi variance approach
Blum et al. Search bias in ant colony optimization: On the role of competition-balanced systems
Jalali Varnamkhasti et al. A genetic algorithm with fuzzy crossover operator and probability
CN112001506B (zh) 一种装备自主保障的供应链成本优化方法
Guo et al. Data-driven prediction and control of wastewater treatment process through the combination of convolutional neural network and recurrent neural network
Yu et al. Multi-objective scheduling in hybrid flow shop: Evolutionary algorithms using multi-decoding framework
Dave et al. Bio-inspired design for resilient water distribution networks
Aggarwal et al. On sensor selection in linked information networks
Chen et al. Multi-objective evolutionary multi-tasking algorithm using cross-dimensional and prediction-based knowledge transfer
Zhou et al. Multilevel factorial fractional programming for sustainable water resources management
Soukaina et al. A hybrid genetic algorithm for solving 0/1 knapsack problem
Hesamfar et al. Simulation-based multi-objective optimization framework for sustainable management of coastal aquifers in semi-arid regions
CN113919663B (zh) 工业园区水网的水资源配置方法、装置、介质和电子设备
Yang et al. Cultural‐Based Genetic Tabu Algorithm for Multiobjective Job Shop Scheduling
CN114298423A (zh) Aps动态生产计划排程算法
Yang et al. Research on the application of GA improved neural network in the prediction of financial crisis
Chen et al. A portfolio selection model using genetic relation algorithm and genetic network programming
Przewoźniczek et al. The transformation of the k-Shortest Steiner trees search problem into binary dynamic problem for effective evolutionary methods application
Juárez-Smith et al. Integrating local search within neat-GP
Ruthmair On solving constrained tree problems and an adaptive layers framework
Gwak et al. Novel dynamic diversity controlling EAs for coevolving optimal negotiation strategies
Yao et al. A novel tournament selection based on multilayer cultural characteristics in gene-culture coevolutionary multitasking
Peng et al. A hybrid particle swarm optimizer for curriculum sequencing problem

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