CN115062904A - 一种数字化供水管网调度方法及系统 - Google Patents

Abstract

本发明提供一种数字化供水管网调度方法，具体步骤为：采集某供水区域内的历史用水数据以及环境数据，获得采集数据；通过采集数据构建用水量预测模型，通过用水量预测模型对用水量进行预测；构建供水经济成本模型以及运行约束条件；以日供水经济成本最低为优化目标，以水泵的输出功率与工作时长作为决策变量，以运行约束条件为约束，随机生成初始种群，通过自适应权重的多目标粒子群算法寻找优化目标的最优解；根据计算的最优解决策变量参数对供水厂的设备参数进行调节。本申请在用电低谷的低电价时段通过水泵将水抽送到储水池中进行存储，在用水高峰时段通过储水池向居民进行供水，有利于节约供水成本，降低供水管网的运行压力。

Description

一种数字化供水管网调度方法及系统

技术领域

本发明涉及供水技术领域，特别是一种数字化供水管网调度方法及系统。

背景技术

现代城市大楼中通常有上百户共同居住，由于都市规划将同质性高的大楼集中在特定区域，因此大楼中的居民生活起居习惯类似，而且用水习惯也十分相近，导致大楼用水集中在某些特定时段，在用水高峰时段，供水管网的运行压力较大，针对存在的问题，越来越多的城市高楼在屋顶等高处建立起辅助供水系统，保证居民的日常供水以及管网的平稳运行。

现有城市的用电高峰与用水高峰往往出现重叠现象，因此，在用电低谷的低电价时段通过第二水泵将水抽送到储水池中进行存储，在用水高峰时段通过储水池向居民进行供水，有利于节约供水成本，降低供水管网的压力。

发明内容

本发明的目的就是提供一种数字化供水管网调度方法。

本发明的目的是通过这样的技术方案实现的，某供水区域的供水管网包括直接供水系统、辅助供水系统，所述直接供水系统包括与供水厂出水端连接的第一水泵、第一管网，所述辅助供水系统包括第二水泵、第二管网、储水池，所述第二水泵的进水端与所述与供水厂出水端连接，所述储水池安装在所述供水区域的高处，所述第二管网的进水端与所述储水池的出水端连接，所述第一管网、第二管网的出水端均连接到用水终端，所述数字化供水管网调度方法的具体步骤如下：

1)数据采集：采集某供水区域内的历史用水数据以及环境数据，获得采集数据；

2)用水量预测：通过采集数据构建用水量预测模型，通过用水量预测模型对供水区域内对居民当日逐小时的用水量进行预测；

3)构建成本模型：构建供水区域的供水经济成本模型以及运行约束条件，所述供水经济成本模型包括第一水泵与第二水泵的运行成本模型；

4)寻找模型最优解：以日供水经济成本最低为优化目标，以第一水泵和第二水泵的输出功率与工作时长作为决策变量，以运行约束条件为约束，随机生成初始种群，通过自适应权重的多目标粒子群算法寻找优化目标的最优解；

5)供水管网调度：根据计算的最优解决策变量参数对供水厂的设备参数进行调节，进行供水区域内供水管网的实时调度。

进一步，步骤1)中所述采集数据包括某供水区域内居民近一年每日逐小时的用水量、用水的泵送高度，以及天气温度数据、工作日/节假日数据。

进一步，步骤4)中构建供水经济成本模型的具体步骤为：

4-1)构建第一水泵的运行成本模型

式中，

为第i个时段内的第一水泵运行的时长，

为第i个时段内第一水泵的功率，ε_i为第i个时段的电价，α₁为第一水泵的折旧成本系数，α₁与第一水泵的运行时长有关；

构建第二水泵的运行成本模型

式中,

为第i个时段内的第二水泵运行的时长，

为第i个时段内第二水泵的功率，ε₁为第i个时段的电价，α₂为第二水泵的折旧成本系数，α₂与第二水泵的运行时长有关；

所述供水经济成本模型包括第一水泵与第二水泵的运行成本模型：

4-2)构建供水系统的运行约束条件：

将供水区域内居民的预测用水量根据泵送高度从低到高进行排列：

Y_i＝{V_i ¹,V_i ²,...,V_i ^k,...,V_i ⁿ}

式中，Y_i为供水区域内预测的居民总用水量，n为供水区域内供水的总户数，V_i ^k为第k户居民的预测用水量；

则构建供水系统的运行约束条件为：

式中，S_i为第i个时段内蓄水池的供水量，S_i′为第i个时段结束时蓄水池的存水量，S_i-1′为第i-1个时段结束时蓄水池的存水量，h_s为蓄水池所需的泵送高度，g为重力加速度，ρ为水的密度，h_j为供水区域内第j个用户所需的泵送高度，S_min、S_max分别为蓄水池存水量的上下限，

分别为第一水泵与第二水泵允许输出的最大功率。

进一步，步骤4)中通过自适应权重的多目标粒子群算法寻找优化目标的最优解的具体步骤为：

4-1)定义一天中24个小时第一水泵和第二水泵的输出功率与工作时长作为决策变量x：

式中，

为第一水泵24小时的输出功率，

为第二水泵24小时的输出功率，

为第一水泵24小时的工作时长，

为第二水泵24小时的工作时长，定义每一个决策变量为多目标粒子群算法的一个输入粒子；

4-2)设置初始时第一水泵和第二水泵的输出功率参数，多目标粒子群算法的最大迭代次数I_max，给定惯性权重初值，学习因子c₁、c₂，粒子最大运行速度V_max，以供水系统的约束条件为限制条件，随机生成初始种群，种群规模为N；

4-3)通过目标函数计算初始种群中每个粒子的适应度值，在种群中找到适应度的最佳值，并记录个体最优适应度值和全局最优适应度值；

4-4)计算当前迭代的惯性权重：

式中，ω_max和ω_min分别表示最大和最小惯性权重，f_i为粒子对应的适应度函数值，f_ave和f_min分别为当前粒子的平均值适应度和最小值适应度；

4-5)更新粒子速度v_i(k+1)及位置x_i(k+1)：

v(k+1)＝ωv(k)+c₁r₁(p_i(k)-x(k))+c₂r₂(p_g(k)-x(k))

x(k+1)＝x(k)+v(k+1),i＝1,2,...,n

式中，v(k)为第k个粒子的速度，x(k)为第k个粒子的位置，p_g(k)为全局最优解，p_i(k)为个体最优解；r₁、r₂为区间[0,1]上的随机数,v(k+1)为第k+1个粒子的速度，x(k+1)为第k+1个粒子的位置；

4-6)由粒子的新位置计算新的适应度值，根据粒子新的适应度更新粒子的适应度值和种群的最优适应度值；

4-7)若当前迭代次数小于最大迭代次数I_max，则转到步骤4-4)继续循环，若当前迭代次数大于等于最大迭代次数I_max则停止循环，输出结果，作为最优解的决策变量。

本发明的另一个目的就是提供一种数字化供水管网调度系统。

本发明的目的是通过这样的技术方案实现的，包括：

数据采集模块：用于采集某供水区域内的历史用水数据以及环境数据，获得采集数据；

用水量预测模块：用于通过采集数据构建用水量预测模型，通过用水量预测模型对待调度对当日逐小时的用水量进行预测；

构建成本模型模块：用于构建供水区域的供水经济成本模型以及运行约束条件，所述供水经济成本模型包括第一水泵与第二水泵的运行成本模型；

寻找模型最优解模块：用于以日供水经济成本最低为优化目标，以第一水泵和第二水泵的输出功率与工作时长作为决策变量，以运行约束条件为约束，随机生成初始种群，通过自适应权重的多目标粒子群算法寻找优化目标的最优解；

供水管网调度模块：用于根据计算的最优解决策变量参数对供水厂的设备参数进行调节，进行供水区域内供水管网的实时调度。

由于采用了上述技术方案，本发明具有如下的优点：

1、本申请在用电低谷的低电价时段通过第二水泵将水抽送到储水池中进行存储，在用水高峰时段通过储水池向居民进行供水，有利于节约供水成本，降低供水管网的运行压力。

2、本申请通过构建第一水泵与第二水泵的成本运行模型，以第一水泵与第二水泵的成本运行最低为优化目标，通过自适应权重的多目标粒子群算法进行最优解的寻找，降低了供水成本，减小了电网高峰的运行压力。

3、本申请在第一水泵与第二水泵的成本模型中充分考虑了水泵长时间的磨损、折旧成本，成本模型构建更为准确。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明的方法流程图。

图2为本发明的自适应权重的多目标粒子群算法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例1：

一种数字化供水管网调度方法，某供水区域的供水管网包括直接供水系统、辅助供水系统，所述直接供水系统包括与供水厂出水端连接的第一水泵、第一管网，所述辅助供水系统包括第二水泵、第二管网、储水池，所述第二水泵的进水端与所述与第一管网连接，所述储水池安装在所述供水区域的高处，所述第二管网的进水端与所述储水池的出水端连接，所述第一管网、第二管网的出水端均连接到用水终端，所述数字化供水管网调度方法的具体步骤如下：

1)数据采集：采集某供水区域内的历史用水数据以及环境数据，获得采集数据。

在本发明实例中，所述采集数据包括某供水区域内居民近一年每日逐小时的用水量、用水的泵送高度，以及天气温度数据、工作日/节假日数据。

2)用水量预测：通过采集数据构建用水量预测模型，通过用水量预测模型对供水区域内对居民当日逐小时的用水量进行预测。

在本发明实例中，所述用水量预测模型采用神经网络进行拟合，本申请不做限定。

3)构建成本模型：构建供水区域的供水经济成本模型以及运行约束条件，所述供水经济成本模型包括第一水泵与第二水泵的运行成本模型；具体步骤为：

4-1)构建第一水泵的运行成本模型

式中，

为第i个时段内的第一水泵运行的时长，

为第i个时段内第一水泵的功率，ε_i为第i个时段的电价，α₁为第一水泵的折旧成本系数，α₁与第一水泵的运行时长有关；

构建第二水泵的运行成本模型

式中,

为第i个时段内的第二水泵运行的时长，

为第i个时段内第二水泵的功率，ε₁为第i个时段的电价，α₂为第二水泵的折旧成本系数，α₂与第二水泵的运行时长有关；

所述供水经济成本模型包括第一水泵与第二水泵的运行成本模型：

4-2)构建供水系统的运行约束条件：

将供水区域内居民的预测用水量根据泵送高度从低到高进行排列：

Y_i＝{V_i ¹,V_i ²,...,V_i ^k,...,V_i ⁿ}

式中，Y_i为供水区域内预测的居民总用水量，n为供水区域内供水的总户数，V_i ^k为第k户居民的预测用水量；

则构建供水系统的运行约束条件为：

式中，S_i为第i个时段内蓄水池的供水量，S_i′为第i个时段结束时蓄水池的存水量，S_i-1′为第i-1个时段结束时蓄水池的存水量，h_s为蓄水池所需的泵送高度，g为重力加速度，ρ为水的密度，h_j为供水区域内第j个用户所需的泵送高度，S_min、S_max分别为蓄水池存水量的上下限，

分别为第一水泵与第二水泵允许输出的最大功率。

在本发明实例中，ε_i为第i个时段的电价，由用电高峰-平峰-低谷不同时间段决定。

4)寻找模型最优解：以日供水经济成本最低为优化目标，以第一水泵和第二水泵的输出功率与工作时长作为决策变量，以运行约束条件为约束，随机生成初始种群，通过自适应权重的多目标粒子群算法寻找优化目标的最优解，具体步骤为：

4-1)定义一天中24个小时第一水泵和第二水泵的输出功率与工作时长作为决策变量x：

式中，

为第一水泵24小时的输出功率，

为第二水泵24小时的输出功率，

为第一水泵24小时的工作时长，

为第二水泵24小时的工作时长，定义每一个决策变量为多目标粒子群算法的一个输入粒子；

4-2)设置初始时第一水泵和第二水泵的输出功率参数，多目标粒子群算法的最大迭代次数I_max，给定惯性权重初值，学习因子c₁、c₂，粒子最大运行速度V_max，以供水系统的约束条件为限制条件，随机生成初始种群，种群规模为N；

4-3)通过目标函数计算初始种群中每个粒子的适应度值，在种群中找到适应度的最佳值，并记录个体最优适应度值和全局最优适应度值；

4-4)计算当前迭代的惯性权重：

式中，ω_max和ω_min分别表示最大和最小惯性权重，f_i为粒子对应的适应度函数值，f_ave和f_min分别为当前粒子的平均值适应度和最小值适应度；

4-5)更新粒子速度v_i(k+1)及位置x_i(k+1)：

v(k+1)＝ωv(k)+c₁r₁(p_i(k)-x(k))+c₂r₂(p_g(k)-x(k))

x(k+1)＝x(k)+v(k+1),i＝1,2,...,n

式中，v(k)为第k个粒子的速度，x(k)为第k个粒子的位置，p_g(k)为全局最优解，p_i(k)为个体最优解；r₁、r₂为区间[0,1]上的随机数,v(k+1)为第k+1个粒子的速度，x(k+1)为第k+1个粒子的位置；

4-6)由粒子的新位置计算新的适应度值，根据粒子新的适应度更新粒子的适应度值和种群的最优适应度值；

4-7)若当前迭代次数小于最大迭代次数I_max，则转到步骤4-4)继续循环，若当前迭代次数大于等于最大迭代次数I_max则停止循环，输出结果，作为最优解的决策变量。

5)供水管网调度：根据计算的最优解决策变量参数对供水厂的设备参数进行调节，进行供水区域内供水管网的实时调度。

实施例2：

一种数字化供水管网调度系统，包括：

数据采集模块：用于采集某供水区域内的历史用水数据以及环境数据，获得采集数据；

用水量预测模块：用于通过采集数据构建用水量预测模型，通过用水量预测模型对待调度对当日逐小时的用水量进行预测；

构建成本模型模块：用于构建供水区域的供水经济成本模型以及运行约束条件，所述供水经济成本模型包括第一水泵与第二水泵的运行成本模型；

寻找模型最优解模块：用于以日供水经济成本最低为优化目标，以第一水泵和第二水泵的输出功率与工作时长作为决策变量，以运行约束条件为约束，随机生成初始种群，通过自适应权重的多目标粒子群算法寻找优化目标的最优解；

供水管网调度模块：用于根据计算的最优解决策变量参数对供水厂的设备参数进行调节，进行供水区域内供水管网的实时调度。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (5)

1.一种数字化供水管网调度方法，某供水区域的供水管网包括直接供水系统、辅助供水系统，所述直接供水系统包括与供水厂出水端连接的第一水泵、第一管网，所述辅助供水系统包括第二水泵、第二管网、储水池，所述第二水泵的进水端与所述与第一管网连接，所述储水池安装在所述供水区域的高处，所述第二管网的进水端与所述储水池的出水端连接，所述第一管网、第二管网的出水端均连接到用水终端，其特征在于，数字化供水管网调度方法的具体步骤如下：

1)数据采集：采集某供水区域内的历史用水数据以及环境数据，获得采集数据；

2)用水量预测：通过采集数据构建用水量预测模型，通过用水量预测模型对供水区域内对居民当日逐小时的用水量进行预测；

3)构建成本模型：构建供水区域的供水经济成本模型以及运行约束条件，所述供水经济成本模型包括第一水泵与第二水泵的运行成本模型；

4)寻找模型最优解：以日供水经济成本最低为优化目标，以第一水泵和第二水泵的输出功率与工作时长作为决策变量，以运行约束条件为约束，随机生成初始种群，通过自适应权重的多目标粒子群算法寻找优化目标的最优解；

5)供水管网调度：根据计算的最优解决策变量参数对供水厂的设备参数进行调节，进行供水区域内供水管网的实时调度。

2.如权利要求1所述的一种数字化供水管网调度方法，其特征在于，步骤1)中所述采集数据包括某供水区域内居民近一年每日逐小时的用水量、用水的泵送高度，以及天气温度数据、工作日/节假日数据。

3.如权利要求1所述的一种数字化供水管网调度方法，其特征在于，步骤4)中构建供水经济成本模型的具体步骤为：

4-1)构建第一水泵的运行成本模型

式中，

为第i个时段内的第一水泵运行的时长，

为第i个时段内第一水泵的功率，ε_i为第i个时段的电价，α₁为第一水泵的折旧成本系数，α₁与第一水泵的运行时长有关；

构建第二水泵的运行成本模型

式中,

为第i个时段内的第二水泵运行的时长，

为第i个时段内第二水泵的功率，ε₁为第i个时段的电价，α₂为第二水泵的折旧成本系数，α₂与第二水泵的运行时长有关；

所述供水经济成本模型包括第一水泵与第二水泵的运行成本模型：

4-2)构建供水系统的运行约束条件：

将供水区域内居民的预测用水量根据泵送高度从低到高进行排列：

Y_i＝{V_i ¹,V_i ²,...,V_i ^k,...,V_i ⁿ}

式中，Y_i为供水区域内预测的居民总用水量，n为供水区域内供水的总户数，V_i ^k为第k户居民的预测用水量；

则构建供水系统的运行约束条件为：

式中，S_i为第i个时段内蓄水池的供水量，S_i′为第i个时段结束时蓄水池的存水量，S_i-1′为第i-1个时段结束时蓄水池的存水量，h_s为蓄水池所需的泵送高度，g为重力加速度，ρ为水的密度，h_j为供水区域内第j个用户所需的泵送高度，S_min、S_max分别为蓄水池存水量的上下限，

分别为第一水泵与第二水泵允许输出的最大功率。

4.如权利要求1所述的一种数字化供水管网调度方法，其特征在于，步骤4)中通过自适应权重的多目标粒子群算法寻找优化目标的最优解的具体步骤为：

4-1)定义一天中24个小时第一水泵和第二水泵的输出功率与工作时长作为决策变量x：

式中，

为第一水泵24小时的输出功率，

为第二水泵24小时的输出功率，

为第一水泵24小时的工作时长，

为第二水泵24小时的工作时长，定义每一个决策变量为多目标粒子群算法的一个输入粒子；

4-2)设置初始时第一水泵和第二水泵的输出功率参数，多目标粒子群算法的最大迭代次数I_max，给定惯性权重初值，学习因子c₁、c₂，粒子最大运行速度V_max，以供水系统的约束条件为限制条件，随机生成初始种群，种群规模为N；

4-3)通过目标函数计算初始种群中每个粒子的适应度值，在种群中找到适应度的最佳值，并记录个体最优适应度值和全局最优适应度值；

4-4)计算当前迭代的惯性权重：

式中，ω_max和ω_min分别表示最大和最小惯性权重，f_i为粒子对应的适应度函数值，f_ave和f_min分别为当前粒子的平均值适应度和最小值适应度；

4-5)更新粒子速度v_i(k+1)及位置x_i(k+1)：

v(k+1)＝ωv(k)+c₁r₁(p_i(k)-x(k))+c₂r₂(p_g(k)-x(k))

x(k+1)＝x(k)+v(k+1),i＝1,2,...,n

式中，v(k)为第k个粒子的速度，x(k)为第k个粒子的位置，p_g(k)为全局最优解，p_i(k)为个体最优解；r₁、r₂为区间[0,1]上的随机数,v(k+1)为第k+1个粒子的速度，x(k+1)为第k+1个粒子的位置；

4-6)由粒子的新位置计算新的适应度值，根据粒子新的适应度更新粒子的适应度值和种群的最优适应度值；

4-7)若当前迭代次数小于最大迭代次数I_max，则转到步骤4-4)继续循环，若当前迭代次数大于等于最大迭代次数I_max则停止循环，输出结果，作为最优解的决策变量。

5.一种数字化供水管网调度系统，应用于权利要求1-4任一项所述的数字化供水管网调度方法，其特征在于，包括：

数据采集模块：用于采集某供水区域内的历史用水数据以及环境数据，获得采集数据；

用水量预测模块：用于通过采集数据构建用水量预测模型，通过用水量预测模型对待调度对当日逐小时的用水量进行预测；

构建成本模型模块：用于构建供水区域的供水经济成本模型以及运行约束条件，所述供水经济成本模型包括第一水泵与第二水泵的运行成本模型；

寻找模型最优解模块：用于以日供水经济成本最低为优化目标，以第一水泵和第二水泵的输出功率与工作时长作为决策变量，以运行约束条件为约束，随机生成初始种群，通过自适应权重的多目标粒子群算法寻找优化目标的最优解；

供水管网调度模块：用于根据计算的最优解决策变量参数对供水厂的设备参数进行调节，进行供水区域内供水管网的实时调度。

Images