CN114065606A - 分布式水源监测系统 - Google Patents

分布式水源监测系统 Download PDF

Info

Publication number
CN114065606A
CN114065606A CN202111198327.0A CN202111198327A CN114065606A CN 114065606 A CN114065606 A CN 114065606A CN 202111198327 A CN202111198327 A CN 202111198327A CN 114065606 A CN114065606 A CN 114065606A
Authority
CN
China
Prior art keywords
pipe network
network system
particle
water supply
node
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
CN202111198327.0A
Other languages
English (en)
Inventor
曹宇恒
谢辉
刘威
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.)
Jiangsu Yuzhi Basin Management Technology Research Institute Co ltd
Original Assignee
Jiangsu Yuzhi Basin Management Technology Research Institute Co ltd
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 Jiangsu Yuzhi Basin Management Technology Research Institute Co ltd filed Critical Jiangsu Yuzhi Basin Management Technology Research Institute Co ltd
Priority to CN202111198327.0A priority Critical patent/CN114065606A/zh
Publication of CN114065606A publication Critical patent/CN114065606A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Pipeline Systems (AREA)

Abstract

本发明公开了分布式水源监测系统，包括以下步骤：步骤一：构建管网系统模型，EPANET软件中构建管网系统系统模型，编辑管网系统各节点、管道初始属性，设定供水管网系统供水模式，用以描述供水管网系统的供水量周期性变化规律，完成模型导入，将可视化模型拓扑图导出为管网描述文件，作为二次开发程序输入文件；步骤二：EPANET水动力学仿真，基于步骤一导出的管网描述文件、EPANET toolkit编写二次开发程序，导出管网系统各管道长度，起始节点编号，以及流量、流速时间序列数据；步骤三：基于步骤二获取数据，构建管网系统最短扩散时间矩阵T；步骤四：基于步骤三获取的最短扩散时间矩阵T，利用基于多线程机制的并行粒子算法求解分布式水源监测点布局方案。

Description

分布式水源监测系统
技术领域
本发明涉及水源监测技术领域，尤其是分布式水源监测系统。
背景技术
随着社会经济的快速发展，水污染问题日益突出，迫切需要建立完善的分布式水质监测预警传感网络系统，来对管网水质进行实时的监测，以保障居民的饮用水安全。由于供水管网系统的组成节点数量巨大，而在线监测系统的部署和运维的预算十分有限。
因此，本发明提出了分布式水源监测系统，通过构建污染事件检测时间最短模型，以污染事件平均检测时间最短为目标，优化求解供水管网水质监测传感器网络优化布局方案。
发明内容
本发明的目的在于提供分布式水源监测系统，以解决上述背景技术所提出的问题。
为实现上述目的，本发明提供了如下技术方案：分布式水源监测系统，包括以下步骤：
步骤一：构建管网系统模型，EPANET软件中构建管网系统系统模型，编辑管网系统各节点、管道初始属性，设定供水管网系统供水模式，用以描述供水管网系统的供水量周期性变化规律，完成模型导入，将可视化模型拓扑图导出为管网描述文件，作为二次开发程序输入文件；
步骤二：EPANET水动力学仿真，基于步骤一导出的管网描述文件、EPANET toolkit编写二次开发程序，导出管网系统各管道长度，起始节点编号，以及流量、流速时间序列数据；
步骤三：基于步骤二获取数据，构建管网系统最短扩散时间矩阵T；
步骤四：基于步骤三获取的最短扩散时间矩阵T，利用基于多线程机制的并行粒子算法求解分布式水源监测点布局方案。
优选的，所述步骤三具体分为以下几步：
S3-1：根据步骤二获取数据，构建辅助矩阵P，用以描述平均状态下管网系统各管道内水流的流经时间，p(i，j)为P中元素，其计算公式为，
Figure BDA0003304031190000021
式中k表示单周期内管道e(i，j)水流从i节点流向节点j的模式数，
Figure BDA0003304031190000022
表示供水模式t下管道e(i，j)的流速；
S3-2：基于辅助矩阵P，计算任意两个节点之间的最短扩散时间，得出最短扩散时间矩阵T，其公式为
Figure BDA0003304031190000023
式中t(i，j)表示水流从节点i扩散到节点j所需的最短时间。
优选的，所述步骤四具体分为以下几步：
S4-1：初始化粒子群每个粒子的速度和位置；
S4-2：初始化粒子群个体最优位置和全局最优位置；
S4-3：更新粒子速度和位置，其更新过程计算公式如下：
粒子的当前位置：xi＝(xi1，xi2，...，xiD)
粒子的历史最优位置：pi＝(pi1，pi2，...，piD)
粒子的速度：vi＝(vi1，vi2，...，viD)
整个粒子群的最优位置：Gi＝(Gi1，Gi2，...，GiD)
Figure BDA0003304031190000031
Figure BDA0003304031190000032
式中，
Figure BDA0003304031190000033
是粒子i在第t次迭代过程中第j维的速度，
Figure BDA0003304031190000034
Figure BDA0003304031190000035
Figure BDA0003304031190000036
是粒子i在第t次迭代中第j维的位置，
Figure BDA0003304031190000037
Figure BDA0003304031190000038
w为惯性权重，随着演化推进从大到小逐渐调整，rand是一个服从0,1均匀分布的随机数，c1＝c2＝2；
S4-4：对新产生的粒子按一定概率进行变异操作；
S4-5：根据迭代条件和需求条件最终输出结果。
优选的，在步骤四引入惩罚因子Tp，Tp为污染物检测时间。
与现有的技术相比，本发明的有益效果是：
本发明通过构建污染事件检测时间最短模型，以污染事件平均检测时间最短为目标，优化求解供水管网水质监测传感器网络优化布局方案，有效降低了在线监测系统部署和运维的预算。
附图说明
图1为本发明的整体结构框图；
图2为本发明多线程粒子群算法计算流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-2，本发明提供了一种技术方案，分布式水源监测系统，包括以下步骤：
步骤一：构建管网系统模型，EPANET软件中构建管网系统系统模型，编辑管网系统各节点、管道初始属性，设定供水管网系统供水模式，用以描述供水管网系统的供水量周期性变化规律，完成模型导入，将可视化模型拓扑图导出为管网描述文件，作为二次开发程序输入文件；
步骤二：EPANET水动力学仿真，基于步骤一导出的管网描述文件、EPANET toolkit编写二次开发程序，导出管网系统各管道长度，起始节点编号，以及流量、流速时间序列数据；
步骤三：基于步骤二获取数据，构建管网系统最短扩散时间矩阵T；
步骤四：基于步骤三获取的最短扩散时间矩阵T，利用基于多线程机制的并行粒子算法求解分布式水源监测点布局方案。
进一步的，所述步骤三具体分为以下几步：
S3-1：根据步骤二获取数据，构建辅助矩阵P，用以描述平均状态下管网系统各管道内水流的流经时间，p(i，j)为P中元素，其计算公式为，
Figure BDA0003304031190000051
式中k表示单周期内管道e(i，j)水流从i节点流向节点j的模式数，
Figure BDA0003304031190000052
表示供水模式t下管道e(i，j)的流速；
S3-2：基于辅助矩阵P，计算任意两个节点之间的最短扩散时间，得出最短扩散时间矩阵T，其公式为
Figure BDA0003304031190000053
式中t(i，j)表示水流从节点i扩散到节点j所需的最短时间。
进一步的，所述步骤四具体分为以下几步：
S4-1：初始化粒子群每个粒子的速度和位置；
S4-2：初始化粒子群个体最优位置和全局最优位置；
S4-3：更新粒子速度和位置，其更新过程计算公式如下：
粒子的当前位置：xi＝(xi1，xi2，...，xiD)
粒子的历史最优位置：pi＝(pi1，pi2，...，piD)
粒子的速度：vi＝(vi1，vi2，...，viD)
整个粒子群的最优位置：Gi＝(Gi1，Gi2，...，GiD)
Figure BDA0003304031190000054
Figure BDA0003304031190000055
式中，
Figure BDA0003304031190000056
是粒子i在第t次迭代过程中第j维的速度，
Figure BDA0003304031190000057
Figure BDA0003304031190000061
Figure BDA0003304031190000062
是粒子i在第t次迭代中第j维的位置，
Figure BDA0003304031190000063
Figure BDA0003304031190000064
w为惯性权重，随着演化推进从大到小逐渐调整，rand是一个服从0,1均匀分布的随机数，c1＝c2＝2；
S4-4：对新产生的粒子按一定概率进行变异操作；
S4-5：根据迭代条件和需求条件最终输出结果。
进一步的，在步骤四引入惩罚因子Tp，Tp为污染物检测时间，即认为在相当长的时间之后，肯定能发现管网中发生污染事件。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.分布式水源监测系统，其特征在于，包括以下步骤：
步骤一：构建管网系统模型，EPANET软件中构建管网系统系统模型，编辑管网系统各节点、管道初始属性，设定供水管网系统供水模式，用以描述供水管网系统的供水量周期性变化规律，完成模型导入，将可视化模型拓扑图导出为管网描述文件，作为二次开发程序输入文件；
步骤二：EPANET水动力学仿真，基于步骤一导出的管网描述文件、EPANET toolkit编写二次开发程序，导出管网系统各管道长度，起始节点编号，以及流量、流速时间序列数据；
步骤三：基于步骤二获取数据，构建管网系统最短扩散时间矩阵T；
步骤四：基于步骤三获取的最短扩散时间矩阵T，利用基于多线程机制的并行粒子算法求解分布式水源监测点布局方案。
2.根据权利要求1所述的分布式水源监测系统，其特征在于，所述步骤三具体分为以下几步：
S3-1：根据步骤二获取数据，构建辅助矩阵P，用以描述平均状态下管网系统各管道内水流的流经时间，p(i，j)为P中元素，其计算公式为，
Figure FDA0003304031180000011
式中k表示单周期内管道e(i，j)水流从i节点流向节点j的模式数，u′ij表示供水模式t下管道e(i，j)的流速；
S3-2：基于辅助矩阵P，计算任意两个节点之间的最短扩散时间，得出最短扩散时间矩阵T，其公式为
Figure FDA0003304031180000021
式中t(i，j)表示水流从节点i扩散到节点j所需的最短时间。
3.根据权利要求2所述的分布式水源监测系统，其特征在于，所述步骤四具体分为以下几步：
S4-1：初始化粒子群每个粒子的速度和位置；
S4-2：初始化粒子群个体最优位置和全局最优位置；
S4-3：更新粒子速度和位置，其更新过程计算公式如下：
粒子的当前位置：xi＝(xi1，xi2，...，xiD)
粒子的历史最优位置：pi＝(pi1，pi2，...，piD)
粒子的速度：vi＝(vi1，vi2，...，viD)
整个粒子群的最优位置：Gi＝(Gi1，Gi2，...，GiD)
Figure FDA0003304031180000022
Figure FDA0003304031180000023
式中，
Figure FDA0003304031180000024
是粒子i在第t次迭代过程中第j维的速度，
Figure FDA0003304031180000025
Figure FDA0003304031180000026
Figure FDA0003304031180000027
是粒子i在第t次迭代中第j维的位置，
Figure FDA0003304031180000028
Figure FDA0003304031180000029
w为惯性权重，随着演化推进从大到小逐渐调整，rand是一个服从0，1均匀分布的随机数，c1＝c2＝2；
S4-4：对新产生的粒子按一定概率进行变异操作；
S4-5：根据迭代条件和需求条件最终输出结果。
4.根据权利要求1所述的分布式水源监测系统，其特征在于，在步骤四引入惩罚因子Tp，Tp为污染物检测时间。
CN202111198327.0A 2021-10-14 2021-10-14 分布式水源监测系统 Pending CN114065606A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111198327.0A CN114065606A (zh) 2021-10-14 2021-10-14 分布式水源监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111198327.0A CN114065606A (zh) 2021-10-14 2021-10-14 分布式水源监测系统

Publications (1)

Publication Number Publication Date
CN114065606A true CN114065606A (zh) 2022-02-18

Family

ID=80234538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111198327.0A Pending CN114065606A (zh) 2021-10-14 2021-10-14 分布式水源监测系统

Country Status (1)

Country Link
CN (1) CN114065606A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122519A (zh) * 2017-03-27 2017-09-01 华南理工大学 一种城市供水管网压力监测点的优化布置方法
CN111639838A (zh) * 2020-05-08 2020-09-08 中国地质大学（武汉） 一种适用于供水管网的水质监测点布局优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122519A (zh) * 2017-03-27 2017-09-01 华南理工大学 一种城市供水管网压力监测点的优化布置方法
CN111639838A (zh) * 2020-05-08 2020-09-08 中国地质大学（武汉） 一种适用于供水管网的水质监测点布局优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
沈一凡等: "供水管网水质监测传感器网络布局优化", 《自动化仪表》, vol. 38, no. 06, 19 June 2017 (2017-06-19), pages 51 - 55 *

Similar Documents

Publication Publication Date Title
Wright et al. Control of water distribution networks with dynamic DMA topology using strictly feasible sequential convex programming
Wu et al. Operation optimization of natural gas transmission pipelines based on stochastic optimization algorithms: a review
Lin et al. Optimal operation of a network of multi-purpose reservoir: A review
CN109711617A (zh) 一种基于blstm深度学习的中长期径流预测方法
CN102968529B (zh) 一种供水管网模型计算结果不确定性区间的量化方法
CN116882038B (zh) 一种基于bim技术的机电施工方法及系统
Shirajuddin et al. Optimization problems in water distribution systems using Non-dominated Sorting Genetic Algorithm II: An overview
Naderpour et al. Uncertainty management in time estimation of construction projects: A systematic literature review and new model development
Su et al. Visualization of voltage stability region of bulk power system
CN114065606A (zh) 分布式水源监测系统
Wu et al. Topological effects and performance optimization in transportation continuous network design
Ferdowsi et al. A survey of PSO contributions to water and environmental sciences
Ciolofan et al. Optimization of water reservoir operation to minimize the economic losses caused by pollution
Preis et al. Online hydraulic state prediction for water distribution systems
CN116384147A (zh) 基于最优化的时空尺度多层次水体毒害污染物溯源方法
Łangowski et al. Optimised robust placement of hard quality sensors for robust monitoring of quality in drinking water distribution systems
Alvisi et al. Crisp discharge forecasts and grey uncertainty bands using data-driven models
Wu et al. An Effective Machine Learning Scheme to Analyze and Predict the Concentration of Persistent Pollutants in the Great Lakes
Sarbu et al. Multi-objective optimization of water distribution networks: An overview
Chiou Robust stochastic design of signal-controlled road network under uncertain travel demands
CN114357874A (zh) 运用差分演化和分治算法优化大规模多源供水管网的方法
Wang et al. Annual hourly CFD simulation: New approach—An efficient scheduling algorithm for fast iteration convergence
Kapelan et al. Robust least cost design of water distribution systems using GAs
Duzinkiewicz et al. Drinking water distribution system modelling-an approach to skeletonization
Salmani et al. Multi-Purpose Optimal Reservoir Operation Using Many Objectives Particle Swarm Optimization Algorithm

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