CN114792071A - 基于机器学习技术的排水泵站优化调度方法 - Google Patents

基于机器学习技术的排水泵站优化调度方法 Download PDF

Info

Publication number
CN114792071A
CN114792071A CN202210541825.9A CN202210541825A CN114792071A CN 114792071 A CN114792071 A CN 114792071A CN 202210541825 A CN202210541825 A CN 202210541825A CN 114792071 A CN114792071 A CN 114792071A
Authority
CN
China
Prior art keywords
model
pump station
pump
water
swmm
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.)
Granted
Application number
CN202210541825.9A
Other languages
English (en)
Other versions
CN114792071B (zh
Inventor
李轩
侯精明
李文钰
王添
李欣怡
郭敏鹏
杜颖恩
李智星
陈光照
周聂
李丙尧
李东来
吕嘉豪
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.)
Xian University of Technology
Original Assignee
Xian 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202210541825.9A priority Critical patent/CN114792071B/zh
Publication of CN114792071A publication Critical patent/CN114792071A/zh
Application granted granted Critical
Publication of CN114792071B publication Critical patent/CN114792071B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于机器学习技术的排水泵站优化调度方法，以SWMM模型作为粒子群算法中的个体粒子，计算不同方案的仿真结果。在优化迭代过程中，将人工神经网络、克里金模型和径向基函数网络三种机器学习模型动态嵌入，并采用基于模型误差的最大期望改进填充准则来选择可能的最优粒子，从而避免了所有粒子的评价和加速收敛，大大减少算法的精确评估次数，实现高效、准确的城市排水泵站优化调度，同时，将水泵开关的数量和泵站前池的水位限制在允许的范围内，确保泵站的合理、安全运行。

Description

基于机器学习技术的排水泵站优化调度方法
技术领域
本发明属于排水泵站优化调度技术领域，涉及基于机器学习技术的排水泵站优化调度方法。
背景技术
气候变化和快速城市化不可避免地增加了暴雨期间的洪水风险。城市排水泵站作为城市雨水排水系统的重要组成部分，能够有效地收集和及时排放洪水。通过泵站的合理运行，可以在不改变泵站容量的前提下，降低管网内的排水压力和溢流，显著降低运行成本。
近年来，结合数值模型，利用进化算法寻找泵站最优操作规则已逐渐成为泵站优化调度的主流方法。然而，这些优化算法会导致稳定性差、计算效率低的问题。特别是基于水文或水动力模型模拟的复杂排水系统评估一次可能需要几分钟到几个小时，然后再使用进化算法进行优化的成本将变得非常高。对于即将到来的暴雨事件，从接收到预报降雨信息到制定合理的操作规则，再发送给操作者操作，都需要足够的响应时间。
基于机器学习技术以及数据驱动方法的启示，将机器学习模型嵌入到优化算法的迭代过程中，在优化迭代过程中，根据优化算法的特点不断更新样本点，进而更新重构机器学习模型。然后利用已有的样本信息辅助优化算法的搜索过程，从而大大减少算法的精确评估次数。该系统在不影响数值模型计算精度的前提下大大提高了计算效率，能够在接收到新的短时降雨数据后，在最短的时间内找到最优的操作规则，帮助管理人员做出决策。
发明内容
本发明的目的是提供基于机器学习技术的排水泵站优化调度方法，解决现有技术中存在的泵站优化调度结果不稳定和计算时间成本过大的问题，从而使城市排水泵站在洪水和淹没管理中具有更高的效率和灵活性。
本发明所采用的技术方案是，基于机器学习技术的排水泵站优化调度方法，具体按照以下步骤实施：
步骤1，根据研究区域的地形资料、排水管网布设CAD图和泵站前池建设图、泵站水泵数量、水泵启停水位信息完成SWMM模型搭建，并对SWMM模型完成参数率定，计算目前泵站调度方案下的水力参数；
步骤2，根据各个泵站的水泵数量及运行方式设置泵站的启停规则；
步骤3，采用PYTHON语言编写排水泵站调度粒子群优化(PSO)算法程序，根据步骤2中设定的启停规则，构建排水泵站调度粒子群优化算法目标函数以及约束条件；
步骤4，采用PYTHON或C++语言编写SWMM源代码动态链接库及参数调用程序，SWMM源代码动态链接库为DLL文件，实现SWMM模型输入文件的自动导入及计算结果的自动导出；
步骤5，将SWMM模型的输入与输出结果作为机器学习模型的训练数据进行训练，机器学习模型采用了径向基函数网络(RBFN)、Kriging模型和人工神经网络(ANN)共3种，机器学习模型用于替代SWMM模型快速预测近似的水力特性参数结果；
步骤6，将步骤5训练好的人工神经网络、克里金模型和径向基函数网络动态嵌入粒子群算法中，构建基于机器学习模型辅助的粒子群算法，结合步骤5得到的人工神经网络、克里金模型和径向基函数网络预测的结果，采用基于模型误差的最大期望改进填充准则，选择出最有潜力的粒子，再用SWMM模型对最有潜力的粒子进行计算；
步骤7，通过步骤4中的动态链接库反复调用步骤1中SWMM模型的输入、输出文件，结合步骤6的机器学习模型辅助加速计算粒子适应度值，在达到设定的迭代次数后最终得出城市排水泵站优化调度方案。
本发明的特征还在于，
步骤1中，水力参数包括：节点溢流量、管道流量、泵站前池水深、泵站开关状态。
步骤2中，启停规则为：阶梯式启动水泵与阶梯式关闭水泵，即每个水泵均设定有开机水位及关机水位，当水位增长达到各开机水位时，逐一打开水泵，当水位下降到各关机水位时，逐一关闭水泵。
步骤3的具体过程为：
步骤3.1，构建排水泵站调度粒子群优化算法目标函数以及约束条件；
假设有P个排水泵站，其排水流量由控制闸门调节，运行的水泵共有M台，每台水泵设定有开机水位和关机水位，则控制水泵有2M个变量，降雨时，可通过电动或手动实时控制闸门，降雨事件可划分为D个决策时间区间，故排水泵站的控制变量为P×D，变量总数为2M+P×D；
在极端暴雨条件下，城市存在多个溢流区，为减少洪涝灾害，减少核心区域(Fk,k＝1，…k)的溢流，同时减少受泵站排水影响的其他非核心区域(Fn,n＝1，…n)的溢流，则以泵站的水泵开关次数和泵站前池最大、泵站前池最小水位为约束条件，在目标函数中，约束被视为惩罚项，则目标函数的如下：
Figure BDA0003650463750000033
约束条件为：
0≤Fn<Fn,allow (2)
Hp,min≤hp<Hp,max (3)
Figure BDA0003650463750000031
Figure BDA0003650463750000032
0≤Sm≤Sh (6)
GP＝Iv (7)
溢流量、泵站前池水位及泵开关次数限制条件：
Figure BDA0003650463750000041
式(1)-(8)中，w为线性权重，用于平衡核心区域溢流(Fk)与非核心区域溢流(Fn)之间的关系；C为目标函数中的惩罚项，约束对象主要包括溢流量、泵站前池水位和水泵操作规则；Fn,allow表示非核心区域允许的最大溢流量，非核心区域指被允许在一定范围内泛滥，以确保洪水能够迅速消除；hp表示泵站前池水位；Hp,max为水位的最大值；Hp,min为水位的最小值；am和bm为决策变量，分别表示第m个水泵开泵和关泵时的前池水位；Δh表示水位的增量；t为泵站调度区间T内的时间间隔；Sm为水泵开关次数；Sh为每小时水泵开关的限制次数，设为6次；GP为开闸门操作；Iv为整数变量，取值范围为0、5、10、15、…100％；α1,α2,α3分别表示惩罚因子；
步骤3.2，构建基本粒子群算法函数框架，设置粒子群算法参数，包括种群规模，最大迭代次数，粒子位置及速度的上下阈值，并初始化初代粒子的速度和位置；
在一次迭代中，粒子的速度和位置更新如下：
Figure BDA0003650463750000042
Figure BDA0003650463750000043
式(9)和式(10)中，ω(l)是迭代l时的惯性权重；c1和c2是个体学习因子和全体学习因子；r1和r2是(0,1)中的随机数；pbesti d(l)是第i个粒子在第l次迭代时第d维的个体最优解；gbestd(l)是第d维所有粒子在第l次迭代时的全局最优解；xi d(l)和Vi d(l)分别表示第l次迭代第i个粒子在第d维中的位置和速度，可以在[Vmin,Vmax]的有限范围内更改粒子在每个维度上的速度，以更好地探索搜索空间。
步骤4的具体过程为：
步骤4.1，根据SWMM源代码，基于C++语言开发环境编写SWMM动态链接库，SWMM动态链接库包含SWMM参数接口文件，SWMM参数包括节点溢流量、管道流量、泵站前池水深、泵站开关状态；
步骤4.2，采用PYTHON语言编写调用程序，以调用步骤4.1中的SWMM动态链接库，将步骤2中的启停规则、泵站数量、水泵数量、水泵启停水位作为输入数据输入至步骤1搭建的SWMM模型，得到节点溢流量、管道流量、泵站前池水深、泵站开关状态，并将节点溢流量、管道流量、泵站前池水深、泵站开关状态调出到步骤3得到的排水泵站调度粒子群优化算法中。
步骤6的具体过程为：
步骤6.1，通过适应度函数对初始种群的所有粒子进行评估，通过粒子的位置与适应度值建立初始动态数据库，根据粒子群位置在每一代都会更新的PSO算法的特点，利用粒子的位置确定一个自适应空间动态用来建立并更新人工神经网络、克里金模型和径向基函数网络；
确定的自适应空间如下：
maxspaced＝min{maxd+ζ(maxd-mind),maxallow} (11)
minspaced＝max{mind-ζ(maxd-mind),minallow} (12)
式(11)和式(12)中，maxd和mind代表当前种群的粒子在d维空间上的最大和最小坐标；maxallow和minallow代表d维搜索空间中的最大和最小允许值；ζ是(0,1)区间内的放大系数；
步骤6.2，结合模型误差和最大期望(EI)改进填充准则管理和更新步骤5训练好的人工神经网络、克里金模型和径向基函数网络，基于模型误差的EI填充准则为：
Figure BDA0003650463750000051
Infill＝(we)Err×(1-we)EI(x) (14)
式(13)和式(14)中，
Figure BDA0003650463750000052
是机器学习模型的预测值；ymin是经过多代评估后的最小可行采样值；响应被视为随机变量Y(x)的实现，服从方差为
Figure BDA0003650463750000053
的高斯分布，即
Figure BDA0003650463750000061
Figure BDA0003650463750000062
表示服从方差为
Figure BDA0003650463750000063
的高斯分布；Φ和φ分别表示标准正态分布的累积分布函数和概率密度函数；Infill为机器学习模型的混合填充准则值；Err为人工神经网络、克里金模型和径向基函数网络的误差，用以表示此时模型计算准确度；we为平衡模型计算误差与EI值的权重；
步骤6.3，根据步骤6.2得到的人工神经网络、克里金模型和径向基函数网络填充方案，选择人工神经网络、克里金模型和径向基函数网络中满足模型精度要求且EI值较高的机器学习模型进行填充，具体为：
Selected_Infill＝Min(InfillANN,InfillKriging,InfillRBFN) (15)
式(15)中，Seleceted_Infill为本次人工神经网络、克里金模型和径向基函数网络经过比较后的填充点，InfillANN、InfillKriging、InfillRBFN分别表示人工神经网络、克里金模型和径向基函数网络三种机器学习模型的填充值；
步骤6.4，根据步骤6.3得到的经过比较后的填充点作为最有潜力的粒子，利用在步骤1搭建的SWMM模型计算最有潜力粒子的适应度值，再采用步骤3得到排水泵站调度粒子群优化算法进行优化，并且根据步骤5训练机器学习模型。
本发明的有益效果是，本发明基于机器学习技术的排水泵站优化调度方法，通过SWMM模型的模拟结果获得洪水和淹没情况，并与粒子群优化算法相结合，设计泵站短期调度规则，同时，为了克服PSO算法的计算效率低，满足响应时间要求，将径向基函数网络、Kriging模型和人工神经网络相结合的多机器学习模型耦合到优化搜索过程中，避免了每代对所有粒子进行评价，从而加速算法收敛，极大的提高了泵站优化调度效率，同时通过计算最有潜力的粒子不断更新迭代机器学习模型，提高模型预测精度。
附图说明
图1是本发明基于机器学习技术的排水泵站优化调度方法的流程图；
图2是本发明基于机器学习技术的排水泵站优化调度方法的SWMM模型；
图3是本发明基于机器学习技术的排水泵站优化调度方法的泵站调度规则示意图；
图4是本发明基于机器学习技术的排水泵站优化调度方法的实施例优化结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供一种基于机器学习技术的排水泵站优化调度方法，如图1所示，具体按照以下步骤实施：
步骤1，如图2所示，根据研究区域的地形资料、排水管网布设CAD图和泵站前池建设图、泵站水泵数量、水泵启停水位信息完成SWMM模型搭建，并对SWMM模型完成参数率定，计算目前泵站调度方案下的水力参数，水力参数包括：节点溢流量、管道流量、泵站前池水深、泵站开关状态；
步骤2，如图3所示，根据各个泵站的水泵数量及运行方式设置泵站的启停规则，具体的启停规则为：阶梯式启动水泵与阶梯式关闭水泵，即每个水泵均设定有开机水位及关机水位，当水位增长达到各开机水位时，逐一打开水泵，当水位下降到各关机水位时，逐一关闭水泵；从而在水位下降的过程中减少了同时运行的水泵的数量；
步骤3，采用PYTHON语言编写排水泵站调度粒子群优化(PSO)算法程序，根据步骤2中设定的启停规则，构建排水泵站调度粒子群优化算法目标函数以及约束条件；
具体过程为：
步骤3.1，构建排水泵站调度粒子群优化算法目标函数以及约束条件
假设有P个排水泵站，其排水流量由控制闸门调节(闸门的作用是控制水的流入，保证泵站的安全运行和方便维护)，运行的水泵共有M台，在降雨发生之前，水泵的控制程序预先编写并存储在PLC(可编程逻辑控制器)中，运行过程中不会发生变化，每台水泵有2个设定水位，即开机水位和关机水位，则控制水泵有2M个变量，降雨时，可通过电动或手动实时控制闸门，降雨事件可划分为D个决策时间区间，故排水泵站的控制变量为P×D，变量总数为2M+P×D；
在极端暴雨条件下，城市往往存在多个溢流区，为减少洪涝灾害，需要推导出排水泵站组合的运行规律，主要目的是减少核心区域(Fk,k＝1，…k)的溢流，同时尽量减少受泵站排水影响的其他非核心区域(Fn,n＝1，…n)的溢流，为了满足这两个目标，采用线性加权法将多目标优化问题转化为单目标优化问题，以泵站的水泵开关次数和泵站前池最大、泵站前池最小水位为约束条件，在目标函数中，约束被视为惩罚项，则目标函数的如下：
Figure BDA0003650463750000081
约束条件为：
0≤Fn<Fn,allow (2)
Hp,min≤hp<Hp,max (3)
Figure BDA0003650463750000082
Figure BDA0003650463750000083
0≤Sm≤Sh (6)
GP＝Iv (7)
溢流量、泵站前池水位及泵开关次数限制条件：
Figure BDA0003650463750000084
式(1)-(8)中，w为线性权重，用于平衡核心区域溢流(Fk)与非核心区域溢流(Fn)之间的关系；C为目标函数中的惩罚项，约束对象主要包括溢流量、泵站前池水位和水泵操作规则；Fn,allow表示非核心区域允许的最大溢流量，非核心区域指被允许在一定范围内泛滥，以确保洪水能够迅速消除；hp表示泵站前池水位；Hp,max为水位的最大值；Hp,min为水位的最小值；am和bm为决策变量，分别表示第m个水泵开泵和关泵时的前池水位；Δh表示水位的增量；t为泵站调度区间T内的时间间隔；Sm为水泵开关次数；Sh为每小时水泵开关的限制次数，设为6次；GP为开闸门操作；IV为整数变量，取值范围为0、5、10、15、…100％；α1,α2,α3分别表示惩罚因子；
步骤3.2，构建基本粒子群算法函数框架，设置粒子群算法参数，包括种群规模，最大迭代次数，粒子位置及速度的上下阈值，并初始化初代粒子的速度和位置；
在一次迭代中，粒子的速度和位置更新如下：
Figure BDA0003650463750000091
Figure BDA0003650463750000092
式(9)和式(10)中，ω(l)是迭代l时的惯性权重；c1和c2是个体学习因子和全体学习因子；r1和r2是(0,1)中的随机数；pbesti d(l)是第i个粒子在第l次迭代时第d维的个体最优解；gbestd(l)是第d维所有粒子在第l次迭代时的全局最优解；xi d(l)和Vi d(l)分别表示第l次迭代第i个粒子在第d维中的位置和速度，可以在[Vmin,Vmax]的有限范围内更改粒子在每个维度上的速度，以更好地探索搜索空间；
步骤4，采用PYTHON或C++语言编写SWMM源代码动态链接库及参数调用程序，SWMM源代码动态链接库为DLL文件，实现SWMM模型输入文件的自动导入及计算结果的自动导出；
具体过程为：
步骤4.1，根据SWMM源代码，基于C++语言开发环境编写SWMM动态链接库，SWMM动态链接库包含SWMM参数接口文件，可供其他程序和软件调用，SWMM参数包括节点溢流量、管道流量、泵站前池水深、泵站开关状态；
步骤4.2，采用PYTHON语言编写调用程序，以调用步骤4.1中的SWMM动态链接库，将步骤2中的启停规则、泵站数量、水泵数量、水泵启停水位作为输入数据输入至步骤1搭建的SWMM模型，得到节点溢流量、管道流量、泵站前池水深、泵站开关状态，并将节点溢流量、管道流量、泵站前池水深、泵站开关状态调出到步骤3得到的排水泵站调度粒子群优化算法中；
步骤5，将SWMM模型的输入(启停规则、泵站数量、水泵数量)与SWMM模型的输出结果(节点溢流量、管道流量、泵站前池水深、泵站开关状态)作为机器学习模型的训练数据进行训练，采用了径向基函数网络(RBFN)、Kriging模型和人工神经网络(ANN)共3种，机器学习模型用于替代SWMM模型快速预测近似的水力特性参数结果；
步骤6，将步骤5训练好的人工神经网络、克里金模型和径向基函数网络动态嵌入粒子群算法中，构建基于机器学习模型辅助的粒子群算法，结合步骤5得到的人工神经网络、克里金模型和径向基函数网络预测的结果，采用基于模型误差和最大期望改进填充准则，选择出最有潜力的粒子，再用SWMM模型对最有潜力的粒子进行计算；
具体过程为：
步骤6.1，通过适应度函数对初始种群的所有粒子进行评估，通过粒子的位置与适应度值建立初始动态数据库，根据粒子群位置在每一代都会更新的PSO算法的特点，利用粒子的位置确定一个自适应空间动态用来建立并更新人工神经网络、克里金模型和径向基函数网络；
确定的自适应空间如下：
maxspaced＝min{maxd+ζ(maxd-mind),maxallow} (11)
minspaced＝max{mind-ζ(maxd-mind),minallow} (12)
式(11)和式(12)中，maxd和mind代表当前种群的粒子在d维空间上的最大和最小坐标；maxallow和minallow代表d维搜索空间中的最大和最小允许值；ζ是(0,1)区间内的放大系数；
步骤6.2，结合模型误差和最大期望(EI)改进填充准则管理和更新步骤5训练好的人工神经网络、克里金模型和径向基函数网络，基于模型误差的EI填充准则为：
Figure BDA0003650463750000101
Infill＝(we)Err×(1-we)EI(x) (14)
式(13)和式(14)中，
Figure BDA0003650463750000111
是机器学习模型的预测值；ymin是经过多代评估后的最小可行采样值；响应被视为随机变量Y(x)的实现，服从方差为
Figure BDA0003650463750000112
的高斯分布，即
Figure BDA0003650463750000113
Figure BDA0003650463750000114
表示服从方差为
Figure BDA0003650463750000115
的高斯分布；Φ和φ分别表示标准正态分布的累积分布函数和概率密度函数；Infill为机器学习模型的混合填充准则值；Err为人工神经网络、克里金模型和径向基函数网络的误差，用以表示此时模型计算准确度；we为平衡模型计算误差与EI值的权重；
步骤6.3，根据步骤6.2得到的人工神经网络、克里金模型和径向基函数网络填充方案，选择人工神经网络、克里金模型和径向基函数网络中满足模型精度要求且EI值较高的机器学习模型进行填充，具体为：
Selected_Infill＝Min(InfillANN,InfillKriging,InfillRBFN) (15)
式(15)中，Seleceted_Infill为本次人工神经网络、克里金模型和径向基函数网络经过比较后的填充点，InfillANN、InfillKriging、InfillRBFN分别表示人工神经网络、克里金模型和径向基函数网络三种机器学习模型的填充值；
步骤6.4，根据步骤6.3得到的经过比较后的填充点作为最有潜力的粒子，利用在步骤1搭建的SWMM模型计算最有潜力粒子的适应度值，再采用步骤3得到排水泵站调度粒子群优化算法进行优化，并且根据步骤5训练机器学习模型；
步骤7，通过步骤4中的动态链接库反复调用步骤1中SWMM模型的输入、输出文件，结合步骤6的机器学习模型辅助加速计算粒子适应度值，在达到设定的迭代次数后最终得出城市排水泵站优化调度方案，如图4所示。
本发明方法可以解决水闸和水泵调度运行的优化组合问题，所得到的最优运行结果在响应时间和减轻洪涝效果上能够满足了操作者的实际期望，从而指导操作人员进行城市排水泵站调度运行。
本发明以SWMM模型作为粒子群算法中的个体粒子，计算不同方案的仿真结果。在优化迭代过程中，将人工神经网络、克里金模型和径向基函数网络三种机器学习模型动态嵌入，并采用基于最大期望改进准则和最小值预测准则的混合填充准则来选择可能的最优粒子，从而避免了所有粒子的评价和加速收敛，大大减少算法的精确评估次数。实现高效、准确的城市排水泵站优化调度，在不改变泵站容量的前提下，本发明在减轻洪涝方面表现出了良好的效果，同时，将水泵开关的数量和泵站前池的水位限制在允许的范围内，确保泵站的合理、安全运行。本发明所提的方法仅需120次评价即可获得最优解，为泵站操作人员提供了足够的响应时间，是一种实用、高效的减少城市洪水的方法。

Claims (6)

1.基于机器学习技术的排水泵站优化调度方法，其特征在于，具体按照以下步骤实施：
步骤1，根据研究区域的地形资料、排水管网布设CAD图和泵站前池建设图、泵站水泵数量、水泵启停水位信息完成SWMM模型搭建，并对SWMM模型完成参数率定，计算目前泵站调度方案下的水力参数；
步骤2，根据各个泵站的水泵数量及运行方式设置泵站的启停规则；
步骤3，采用PYTHON语言编写排水泵站调度粒子群优化算法程序，根据步骤2中设定的启停规则，构建排水泵站调度粒子群优化算法目标函数以及约束条件；
步骤4，采用PYTHON或C++语言编写SWMM源代码动态链接库及参数调用程序，SWMM源代码动态链接库为DLL文件，实现SWMM模型输入文件的自动导入及计算结果的自动导出；
步骤5，将SWMM模型的输入与输出结果作为机器学习模型的训练数据进行训练，机器学习模型采用了径向基函数网络、Kriging模型和人工神经网络共3种模型，机器学习模型用于替代SWMM模型快速预测近似的水力特性参数结果；
步骤6，将步骤5训练好的人工神经网络、克里金模型和径向基函数网络动态嵌入粒子群算法中，构建基于机器学习模型辅助的粒子群算法，结合步骤5得到的人工神经网络、克里金模型和径向基函数网络预测的结果，采用基于模型误差和最大期望改进填充准则，选择出最有潜力的粒子，再用SWMM模型对最有潜力的粒子进行计算；
步骤7，通过步骤4中的动态链接库反复调用步骤1中SWMM模型的输入、输出文件，结合步骤6的机器学习模型辅助加速计算粒子适应度值，在达到设定的迭代次数后最终得出城市排水泵站优化调度方案。
2.根据权利要求1所述的基于机器学习技术的排水泵站优化调度方法，其特征在于，步骤1中，水力参数包括：节点溢流量、管道流量、泵站前池水深、泵站开关状态。
3.根据权利要求1所述的基于机器学习技术的排水泵站优化调度方法，其特征在于，步骤2中，启停规则为：阶梯式启动水泵与阶梯式关闭水泵，即每个水泵均设定有开机水位及关机水位，当水位增长达到各开机水位时，逐一打开水泵，当水位下降到各关机水位时，逐一关闭水泵。
4.根据权利要求1所述的基于机器学习技术的排水泵站优化调度方法，其特征在于，步骤3的具体过程为：
步骤3.1，构建排水泵站调度粒子群优化算法目标函数以及约束条件
假设有P个排水泵站，其排水流量由控制闸门调节，运行的水泵共有M台，每台水泵设定有开机水位和关机水位，则控制水泵有2M个变量，降雨时，可通过电动或手动实时控制闸门，降雨事件可划分为D个决策时间区间，故排水泵站的控制变量为P×D，变量总数为2M+P×D；
在极端暴雨条件下，城市存在多个溢流区，为减少洪涝灾害，减少核心区域(Fk,k＝1，…k)的溢流，同时减少受泵站排水影响的其他非核心区域(Fn,n＝1，…n)的溢流，则以泵站的水泵开关次数和泵站前池最大、泵站前池最小水位为约束条件，在目标函数中，约束被视为惩罚项，则目标函数的如下：
Figure FDA0003650463740000021
约束条件为：
0≤Fn<Fn,allow (2)
Hp,min≤hp<Hp,max (3)
Figure FDA0003650463740000022
Figure FDA0003650463740000023
0≤Sm≤Sh (6)
GP＝Iv (7)
溢流量、泵站前池水位及泵开关次数限制条件：
Figure FDA0003650463740000031
式(1)-(8)中，w为线性权重，用于平衡核心区域溢流(Fk)与非核心区域溢流(Fn)之间的关系；C为目标函数中的惩罚项，约束对象主要包括溢流量、泵站前池水位和水泵操作规则；Fn,allow表示非核心区域允许的最大溢流量，非核心区域指被允许在一定范围内泛滥，以确保洪水能够迅速消除；hp表示泵站前池水位；Hp,max为水位的最大值；Hp,min为水位的最小值；am和bm为决策变量，分别表示第m个水泵开泵和关泵时的前池水位；Δh表示水位的增量；t为泵站调度区间T内的时间间隔；Sm为水泵开关次数；Sh为每小时水泵开关的限制次数，设为6次；GP为开闸门操作；IV为整数变量，取值范围为0、5、10、15、…100％；α1,α2,α3分别表示惩罚因子；
步骤3.2，构建基本粒子群算法函数框架，设置粒子群算法参数，包括种群规模，最大迭代次数，粒子位置及速度的上下阈值，并初始化初代粒子的速度和位置；
在一次迭代中，粒子的速度和位置更新如下：
Figure FDA0003650463740000032
Figure FDA0003650463740000033
式(9)和式(10)中，ω(l)是迭代l时的惯性权重；c1和c2是个体学习因子和全体学习因子；r1和r2是(0,1)中的随机数；pbesti d(l)是第i个粒子在第l次迭代时第d维的个体最优解；gbestd(l)是第d维所有粒子在第l次迭代时的全局最优解；xi d(l)和Vi d(l)分别表示第l次迭代第i个粒子在第d维中的位置和速度，可以在[Vmin,Vmax]的有限范围内更改粒子在每个维度上的速度，以更好地探索搜索空间。
5.根据权利要求1所述的基于机器学习技术的排水泵站优化调度方法，其特征在于，步骤4的具体过程为：
步骤4.1，根据SWMM源代码，基于C++语言开发环境编写SWMM动态链接库，SWMM动态链接库包含SWMM参数接口文件，SWMM参数包括节点溢流量、管道流量、泵站前池水深、泵站开关状态；
步骤4.2，采用PYTHON语言编写调用程序，以调用步骤4.1中的SWMM动态链接库，将步骤2中的启停规则、泵站数量、水泵数量、水泵启停水位作为输入数据输入至步骤1搭建的SWMM模型，得到节点溢流量、管道流量、泵站前池水深、泵站开关状态，并将节点溢流量、管道流量、泵站前池水深、泵站开关状态调出到步骤3得到的排水泵站调度粒子群优化算法中。
6.根据权利要求1所述的基于机器学习技术的排水泵站优化调度方法，其特征在于，步骤6的具体过程为：
步骤6.1，通过适应度函数对初始种群的所有粒子进行评估，通过粒子的位置与适应度值建立初始动态数据库，根据粒子群位置在每一代都会更新的PSO算法的特点，利用粒子的位置确定一个自适应空间动态用来建立并更新人工神经网络、克里金模型和径向基函数网络；
确定的自适应空间如下：
max spaced＝min{maxd+ζ(maxd-mind),max allow} (11)
min spaced＝max{mind-ζ(maxd-mind),min allow} (12)
式(11)和式(12)中，maxd和mind代表当前种群的粒子在d维空间上的最大和最小坐标；maxallow和minallow代表d维搜索空间中的最大和最小允许值；ζ是(0,1)区间内的放大系数；
步骤6.2，结合模型误差和最大期望改进填充准则管理和更新步骤5训练好的人工神经网络、克里金模型和径向基函数网络，基于模型误差的EI填充准则为：
Figure FDA0003650463740000041
Infill＝(we)Err×(1-we)EI(x) (14)
式(13)和式(14)中，
Figure FDA0003650463740000042
是机器学习模型的预测值；ymin是经过多代评估后的最小可行采样值；响应被视为随机变量Y(x)的实现，服从方差为
Figure FDA0003650463740000051
的高斯分布，即
Figure FDA0003650463740000052
Figure FDA0003650463740000053
表示服从方差为
Figure FDA0003650463740000054
的高斯分布；Φ和φ分别表示标准正态分布的累积分布函数和概率密度函数；Infill为机器学习模型的混合填充准则值；Err为人工神经网络、克里金模型和径向基函数网络的误差，用以表示此时模型计算准确度；we为平衡模型计算误差与EI值的权重；
步骤6.3，根据步骤6.2得到的人工神经网络、克里金模型和径向基函数网络填充方案，选择人工神经网络、克里金模型和径向基函数网络中满足模型精度要求且EI值较高的机器学习模型进行填充，具体为：
Selected_Infill＝Min(InfillANN,InfillKriging,InfillRBFN) (15)
式(15)中，Seleceted_Infill为本次人工神经网络、克里金模型和径向基函数网络经过比较后的填充点，InfillANN、InfillKriging、InfillRBFN分别表示人工神经网络、克里金模型和径向基函数网络三种机器学习模型的填充值；
步骤6.4，根据步骤6.3得到的经过比较后的填充点作为最有潜力的粒子，利用在步骤1搭建的SWMM模型计算最有潜力粒子的适应度值，再采用步骤3得到排水泵站调度粒子群优化算法进行优化，并且根据步骤5训练机器学习模型。
CN202210541825.9A 2022-05-18 2022-05-18 基于机器学习技术的排水泵站优化调度方法 Active CN114792071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210541825.9A CN114792071B (zh) 2022-05-18 2022-05-18 基于机器学习技术的排水泵站优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210541825.9A CN114792071B (zh) 2022-05-18 2022-05-18 基于机器学习技术的排水泵站优化调度方法

Publications (2)

Publication Number Publication Date
CN114792071A true CN114792071A (zh) 2022-07-26
CN114792071B CN114792071B (zh) 2023-08-25

Family

ID=82462982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210541825.9A Active CN114792071B (zh) 2022-05-18 2022-05-18 基于机器学习技术的排水泵站优化调度方法

Country Status (1)

Country Link
CN (1) CN114792071B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115907429A (zh) * 2022-12-28 2023-04-04 清华大学 基于pso算法的合流制溢流优化控制方法及装置
CN116562537A (zh) * 2023-03-22 2023-08-08 珠江水利委员会珠江水利科学研究院 一种闸泵群防洪排涝实时优化调度方法、系统和存储介质
CN116579268A (zh) * 2023-07-11 2023-08-11 昆明理工大学 一种级联泵站非稳态流动过程的多目标优化调度方法
CN117313556A (zh) * 2023-11-29 2023-12-29 浙江和达科技股份有限公司 一种基于机器学习的水泵扬程曲线校核方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN109086531A (zh) * 2018-08-07 2018-12-25 中南大学 基于神经网络的天线设计方法
CN110405343A (zh) * 2019-08-15 2019-11-05 山东大学 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法
US20200078847A1 (en) * 2017-09-11 2020-03-12 Komatsu Industries Corporation Press system and method of controlling the same
CN113190945A (zh) * 2021-05-13 2021-07-30 西安理工大学 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
GB202116859D0 (en) * 2021-06-29 2022-01-05 Univ Jiangsu Intelligent parallel pumping system and optimal regulating method thereof

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
US20200078847A1 (en) * 2017-09-11 2020-03-12 Komatsu Industries Corporation Press system and method of controlling the same
CN109086531A (zh) * 2018-08-07 2018-12-25 中南大学 基于神经网络的天线设计方法
CN110405343A (zh) * 2019-08-15 2019-11-05 山东大学 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法
CN113190945A (zh) * 2021-05-13 2021-07-30 西安理工大学 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
GB202116859D0 (en) * 2021-06-29 2022-01-05 Univ Jiangsu Intelligent parallel pumping system and optimal regulating method thereof

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁兴;刘梅清;刘志勇;吴远为;燕浩;: "基于混合粒子群算法的梯级泵站优化调度", no. 04 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115907429A (zh) * 2022-12-28 2023-04-04 清华大学 基于pso算法的合流制溢流优化控制方法及装置
CN115907429B (zh) * 2022-12-28 2023-08-25 清华大学 基于pso算法的合流制溢流优化控制方法及装置
CN116562537A (zh) * 2023-03-22 2023-08-08 珠江水利委员会珠江水利科学研究院 一种闸泵群防洪排涝实时优化调度方法、系统和存储介质
CN116562537B (zh) * 2023-03-22 2023-10-31 珠江水利委员会珠江水利科学研究院 一种闸泵群防洪排涝实时优化调度方法、系统和存储介质
CN116579268A (zh) * 2023-07-11 2023-08-11 昆明理工大学 一种级联泵站非稳态流动过程的多目标优化调度方法
CN116579268B (zh) * 2023-07-11 2023-09-05 昆明理工大学 一种级联泵站非稳态流动过程的多目标优化调度方法
CN117313556A (zh) * 2023-11-29 2023-12-29 浙江和达科技股份有限公司 一种基于机器学习的水泵扬程曲线校核方法及装置
CN117313556B (zh) * 2023-11-29 2024-02-23 浙江和达科技股份有限公司 一种基于机器学习的水泵扬程曲线校核方法及装置

Also Published As

Publication number Publication date
CN114792071B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN114792071B (zh) 基于机器学习技术的排水泵站优化调度方法
Rao et al. Development of a real-time, near-optimal control process for water-distribution networks
CN1312629C (zh) 城市排水系统不确定水力学模型建模方法
CN108109076B (zh) 一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法
CN110299008B (zh) 一种基于强化学习的交通流多步预测方法
CN102183972A (zh) 一种城市排水系统蓄水池水位的控制方法
CN112241607B (zh) 一种基于仿真并考虑气候变化的水资源规划方法
CN114117956B (zh) 梯级水库汛期运行水位协同浮动的运用方法
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
CN116050628A (zh) 一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法
CN111737853A (zh) 一种基于swmm模型的低影响开发多目标区间优化配置方法
CN116011656A (zh) 一种基于模型预测控制的泵闸群防洪调度方法及系统
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
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
CN116011731A (zh) 基于机器学习算法与雨洪数值模型的厂网河联合调度方法
Safavi et al. Conjunctive use of surface and ground water using fuzzy neural network and genetic algorithm
CN112699606A (zh) 一种海绵城市布局优化多目标决策方法
CN116335259A (zh) 一种排水泵站以及调度方法、装置、设备和系统
CN116011733B (zh) 一种多尺度协同控制的梯级水电站群智能调度方法及系统
CN117235912A (zh) 一种基于智能算法考虑叶片角度约束的水泵调节方法
CN115496128A (zh) 一种基于雨强-雨型特征参数联合分布的城市内涝风险预报方法
CN116187208A (zh) 基于约束强化学习的流域水量水质联合调度方法
CN115912367A (zh) 一种基于深度强化学习的电力系统运行方式智能生成方法
CN113283183A (zh) 基于dpso-anfis的弃渣坝变形预测方法
CN113139692A (zh) 基于dpso-anfis的弃渣坝变形预测方法

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
CB03 Change of inventor or designer information

Inventor after: Li Xuan

Inventor after: Chen Guangzhao

Inventor after: Zhou Nie

Inventor after: Li Bingyao

Inventor after: Li Donglai

Inventor after: Lv Jiahao

Inventor after: Hou Jingming

Inventor after: Li Wenyu

Inventor after: Ma Hongli

Inventor after: Wang Tian

Inventor after: Li Xinyi

Inventor after: Guo Minpeng

Inventor after: Du Yingen

Inventor after: Li Zhixing

Inventor before: Li Xuan

Inventor before: Zhou Nie

Inventor before: Li Bingyao

Inventor before: Li Donglai

Inventor before: Lv Jiahao

Inventor before: Hou Jingming

Inventor before: Li Wenyu

Inventor before: Wang Tian

Inventor before: Li Xinyi

Inventor before: Guo Minpeng

Inventor before: Du Yingen

Inventor before: Li Zhixing

Inventor before: Chen Guangzhao

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant