CN115907429A - 基于pso算法的合流制溢流优化控制方法及装置 - Google Patents

Abstract

本申请涉及一种基于PSO算法的合流制溢流优化控制方法及装置，其中，方法包括：基于目标区域的基础数据，构建初始城市雨洪模型，并进行率定与验证，生成最终城市雨洪模型；将最终城市雨洪模型接入实时预报数据，并部署在预设在线系统中，构建合流制溢流控制的优化调度模型；基于预设PSO算法将优化调度模型与最终城市雨洪模型进行耦合和迭代计算，以得到合流制排水系统中的最优调度策略，并在Python环境中执行最优调度策略的城市雨洪模拟，得到所指定合流制溢流口的溢流量最优控制结果。由此，解决了相关技术中集中于工程建设方面，且对排水系统的泵站及调蓄池调度仍主要依赖于人为经验，资金成本和人工成本较高，在合流制溢流控制中所起的作用非常有限等技术问题。

Description

基于PSO算法的合流制溢流优化控制方法及装置

技术领域

本申请涉及污水处理技术领域，特别涉及一种基于PSO算法的合流制溢流优化控制方法及装置。

背景技术

我国在快速城镇化发展过程中形成了多种排水系统，由于不同地区的自然条件以及其他因素的影响，传统的合流制排水体制仍被广泛应用。合流制排水系统存在着雨天溢流污染问题，溢流污水中含有的各种病原微生物以及氮、磷等元素，对城市水体产生严重的威胁，如何有效控制合流制溢流污染问题，改善城市水环境质量，对我国城市化建设具有重要意义。

相关技术中，合流制溢流污染控制技术主要集中在：

1)对初期雨水进行调蓄处理并配套相应的管理措施，加强污染源头的治理与控制；

2)通过截流改造，提高截流倍数和增加截流量，从而有效减少溢流次数。

然而，相关技术均集中在工程建设方面，所需资金较多，且对排水系统的泵站及调蓄池调度仍主要依赖于人为经验，其在合流制溢流控制中所起的作用非常有限，亟需改进。

发明内容

本申请提供一种基于PSO算法的合流制溢流优化控制方法及装置，以解决相关技术中集中于工程建设方面，且对排水系统的泵站及调蓄池调度仍主要依赖于人为经验，资金成本和人工成本较高，在合流制溢流控制中所起的作用非常有限等技术问题。

本申请第一方面实施例提供一种基于PSO算法的合流制溢流优化控制方法，包括以下步骤：基于目标区域的基础数据，构建初始城市雨洪模型；基于历史监测数据，对所述初始城市雨洪模型进行率定与验证，生成最终城市雨洪模型；将所述最终城市雨洪模型接入实时预报数据，并部署在预设在线系统中，针对存在合流制排口溢流的模拟时段作为待优化基准方案，构建合流制溢流控制的优化调度模型；以及在Python环境中，基于预设PSO(Particle Swarm Optimization，粒子群优化算法)算法将所述优化调度模型与所述最终城市雨洪模型进行耦合和迭代计算，以得到合流制排水系统中的最优调度策略，并在所述Python环境中执行所述最优调度策略的城市雨洪模拟，得到所指定合流制溢流口的溢流量最优控制结果。

可选地，在本申请的一个实施例中，所述基础数据包括排水管网数据、调度对象数据和地形及下垫面数据中的至少一项。

可选地，在本申请的一个实施例中，所述基于历史监测数据，对所述初始城市雨洪模型进行率定与验证，生成最终城市雨洪模型，包括：采集用于率定及验证的所述历史监测数据，其中，所述历史监测数据包括安装监测设备处的管道流量数据、排口流量数据以及管道流量数据和排口流量数据所对应的实测降雨数据中的一项或多项；随机抽取所述历史监测数据的其中部分降雨事件以用作模型率定，通过修正模型参数达到模型模拟结果与实测数据的吻合程度达到预设条件；在所述历史监测数据的剩余事件中随机抽取至少一场事件以作为模型验证，用率定好的城市雨洪模型执行模拟，并将其结果与所述实测数据比对，并进行误差评价。

可选地，在本申请的一个实施例中，所述优化调度模型的优化目标为最小化模拟时段内需要削减及控制的合流制排口的溢流总量，并且决策变量为所述基准方案中供调度的泵站和蓄水池的控制闸及智能分流井，以及约束条件为每个优化调度对象控制能力的上下限。

可选地，在本申请的一个实施例中，所述在Python环境中，基于预设PSO算法将所述优化调度模型与所述最终城市雨洪模型进行耦合和迭代计算，以得到合流制排水系统中的最优调度策略，并在所述Python环境中执行所述最优调度策略的城市雨洪模拟，得到所指定合流制溢流口的溢流量最优控制结果，包括：在所述Python环境中，确定所述预设PSO算法的每项参数，其中，所述每项参数包括粒子群规模、最大迭代次数、惯性权重、个体记忆参数及集体记忆参数；在所述Python环境中，读取所述最终城市雨洪模型，索引各个调度对象的调度曲线文件，随机生成指定粒子群规模的调度方案，并在设定的约束条件范围内随机生成调度对象策略，写入并覆盖所述各个调度对象相应的调度曲线文件中；在所述Python环境中，驱动所述最终城市雨洪模型，对所述各个调度方案采用更新后的调度曲线文件重新执行水文水动力模拟；根据所述各个调度方案的模拟结果，获取模拟后的合流制排口溢流量结果，计算所述优化目标的函数值，判断是否达到优化目标或最大迭代步数，其中，若未满足，则由所述预设PSO算法更新调度对象的调度策略，继续新一轮的迭代优化；若达到所述优化目标或最大迭代步数，则停止优化计算，并返回当前对应最优目标值的最优调度策略，且写入所述调度曲线文件中；在所述Python环境中，执行所述最优调度策略的城市雨洪模拟，得到当前模拟方案下的指定合流制溢流口的溢流量最优控制结果。

本申请第二方面实施例提供一种基于PSO算法的合流制溢流优化控制装置，包括：第一构建模块，用于基于目标区域的基础数据，构建初始城市雨洪模型；生成模块，用于基于历史监测数据，对所述初始城市雨洪模型进行率定与验证，生成最终城市雨洪模型；第二构建模块，用于将所述最终城市雨洪模型接入实时预报数据，并部署在预设在线系统中，针对存在合流制排口溢流的模拟时段作为待优化基准方案，构建合流制溢流控制的优化调度模型；以及优化模块，用于在Python环境中，基于预设PSO算法将所述优化调度模型与所述最终城市雨洪模型进行耦合和迭代计算，以得到合流制排水系统中的最优调度策略，并在所述Python环境中执行所述最优调度策略的城市雨洪模拟，得到所指定合流制溢流口的溢流量最优控制结果。

可选地，在本申请的一个实施例中，所述基础数据包括排水管网数据、调度对象数据和地形及下垫面数据中的至少一项。

可选地，在本申请的一个实施例中，所述生成模块包括：采集单元，用于采集用于率定及验证的所述历史监测数据，其中，所述历史监测数据包括安装监测设备处的管道流量数据、排口流量数据以及管道流量数据和排口流量数据所对应的实测降雨数据中的一项或多项；修正单元，用于随机抽取所述历史监测数据的其中部分降雨事件以用作模型率定，通过修正模型参数达到模型模拟结果与实测数据的吻合程度达到预设条件；评价单元，用于在所述历史监测数据的剩余事件中随机抽取至少一场事件以作为模型验证，用率定好的城市雨洪模型执行模拟，并将其结果与所述实测数据比对，并进行误差评价。

可选地，在本申请的一个实施例中，所述优化调度模型的优化目标为最小化模拟时段内需要削减及控制的合流制排口的溢流总量，并且决策变量为所述基准方案中供调度的泵站和蓄水池的控制闸及智能分流井，以及约束条件为每个优化调度对象控制能力的上下限。

可选地，在本申请的一个实施例中，所述优化模块包括：确定单元，用于在所述Python环境中，确定所述预设PSO算法的每项参数，其中，所述每项参数包括粒子群规模、最大迭代次数、惯性权重、个体记忆参数及集体记忆参数；生成单元，用于在所述Python环境中，读取所述最终城市雨洪模型，索引各个调度对象的调度曲线文件，随机生成指定粒子群规模的调度方案，并在设定的约束条件范围内随机生成调度对象策略，写入并覆盖所述各个调度对象相应的调度曲线文件中；驱动单元，用于在所述Python环境中，驱动所述最终城市雨洪模型，对所述各个调度方案采用更新后的调度曲线文件重新执行水文水动力模拟；计算单元，用于根据所述各个调度方案的模拟结果，获取模拟后的合流制排口溢流量结果，计算所述优化目标的函数值，判断是否达到优化目标或最大迭代步数，其中，若未满足，则由所述预设PSO算法更新调度对象的调度策略，继续新一轮的迭代优化；写入单元，用于若达到所述优化目标或最大迭代步数，则停止优化计算，并返回当前对应最优目标值的最优调度策略，且写入所述调度曲线文件中；执行单元，用于在所述Python环境中，执行所述最优调度策略的城市雨洪模拟，得到当前模拟方案下的指定合流制溢流口的溢流量最优控制结果。

本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的基于PSO算法的合流制溢流优化控制方法。

本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的基于PSO算法的合流制溢流优化控制方法。

本申请实施例可以构建城市雨洪模型，率定及验证城市雨洪模型，构建溢流控制的优化调度模型，及执行基于PSO算法的调度寻优，在排水系统管理与运行领域中引入数值模拟及优化算法相结合的技术，聚焦城市排水合流制溢流削减与控制这一目标，利用在线数值模型客观、动态且持续的反映城市级别的排水系统其真实而复杂的运行情况，充分利用排水系统中的调蓄池、泵站及智能分流井等各类调度对象，采用先进的优化算法在限定的约束条件下对数值模型中各优化调度对象进行充分的迭代寻优，从而最大限度的挖掘和发挥系统的调蓄空间，最终指导现实场景下的合流制溢流污染控制，更为科学且经济，充分发挥了城市中合流制管网自身的调蓄能力，实现了合流制溢流的削减与控制。由此，解决了相关技术中集中于工程建设方面，且对排水系统的泵站及调蓄池调度仍主要依赖于人为经验，资金成本和人工成本较高，在合流制溢流控制中所起的作用非常有限等技术问题。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请实施例提供的一种基于PSO算法的合流制溢流优化控制方法的流程图；

图2为根据本申请一个实施例的基于PSO算法的合流制溢流优化控制方法的流程图；

图3为根据本申请一个实施例的基于PSO算法的合流制溢流优化控制方法的初始城市雨洪模型示意图；

图4为根据本申请一个实施例的基于PSO算法的合流制溢流优化控制方法的最终城市雨洪模型的模拟结果对比示意图；

图5为根据本申请一个实施例的执行基于PSO算法的调度寻优的方法的流程图；

图6为根据本申请一个实施例的基于PSO算法的合流制溢流优化控制方法的优化结果示意图；

图7为根据本申请实施例提供的一种基于PSO算法的合流制溢流优化控制装置的结构示意图；

图8为根据本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的基于PSO算法的合流制溢流优化控制方法及装置。针对上述背景技术中心提到的相关技术中集中于工程建设方面，且对排水系统的泵站及调蓄池调度仍主要依赖于人为经验，资金成本和人工成本较高，在合流制溢流控制中所起的作用非常有限等技术问题，本申请提供了一种基于PSO算法的合流制溢流优化控制方法，在该方法中，可以构建城市雨洪模型，率定及验证城市雨洪模型，构建溢流控制的优化调度模型，及执行基于PSO算法的调度寻优，在排水系统管理与运行领域中引入数值模拟及优化算法相结合的技术，聚焦城市排水合流制溢流削减与控制这一目标，利用在线数值模型客观、动态且持续的反映城市级别的排水系统其真实而复杂的运行情况，充分利用排水系统中的调蓄池、泵站及智能分流井等各类调度对象，采用先进的优化算法在限定的约束条件下对数值模型中各优化调度对象进行充分的迭代寻优，从而最大限度的挖掘和发挥系统的调蓄空间，最终指导现实场景下的合流制溢流污染控制，更为科学且经济，充分发挥了城市中合流制管网自身的调蓄能力，实现了合流制溢流的削减与控制。由此，解决了相关技术中集中于工程建设方面，且对排水系统的泵站及调蓄池调度仍主要依赖于人为经验，资金成本和人工成本较高，在合流制溢流控制中所起的作用非常有限等技术问题。

具体而言，图1为本申请实施例所提供的一种基于PSO算法的合流制溢流优化控制方法的流程示意图。

如图1所示，该基于PSO算法的合流制溢流优化控制方法包括以下步骤：

在步骤S101中，基于目标区域的基础数据，构建初始城市雨洪模型。

在实际执行过程中，本申请实施例可以基于目标区域的基础数据构建初始城市雨洪模型，以便于后续构建最终城市雨洪模型，在排水系统管理与运行领域中引入数值模拟及优化算法相结合的技术，聚焦城市排水合流制溢流削减与控制这一目标，利用在线数值模型客观、动态且持续的反映城市级别的排水系统其真实而复杂的运行情况，从而最大限度的挖掘和发挥系统的调蓄空间，最终指导现实场景下的合流制溢流污染控制，更为科学且经济，充分发挥了城市中合流制管网自身的调蓄能力，实现合流制溢流的削减与控制。

可选地，在本申请的一个实施例中，基础数据包括排水管网数据、调度对象数据和地形及下垫面数据中的至少一项。

在一些实施例中，基础数据可以包括排水管网数据、调度对象数据和地形及下垫面数据，从而使得本申请实施例可以基于目标区域的排水管网数据、调度对象数据和地形及下垫面数据，构建初始城市雨洪模型。

在步骤S102中，基于历史监测数据，对初始城市雨洪模型进行率定与验证，生成最终城市雨洪模型。

作为一种可能实现的方式，本申请实施例可以基于历史监测数据，对构建的初始城市雨洪模型进行率定与验证，生成已率定和验证的最终城市雨洪模型。

可选地，在本申请的一个实施例中，基于历史监测数据，对初始城市雨洪模型进行率定与验证，生成最终城市雨洪模型，包括：采集用于率定及验证的历史监测数据，其中，历史监测数据包括安装监测设备处的管道流量数据、排口流量数据以及管道流量数据和排口流量数据所对应的实测降雨数据中的一项或多项；随机抽取历史监测数据的其中部分降雨事件以用作模型率定，通过修正模型参数达到模型模拟结果与实测数据的吻合程度达到预设条件；在历史监测数据的剩余事件中随机抽取至少一场事件以作为模型验证，用率定好的城市雨洪模型执行模拟，并将其结果与实测数据比对，并进行误差评价。

在实际执行过程中，本申请实施例对初始城市雨洪模型进行率定与验证的过程可以包括：本申请实施例可以收集用于率定及验证的历史监测数据，其中，历史监测数据可以包括安装监测设备处的管道流量数据、排口流量数据以及管道流量数据和排口流量数据所对应的实测降雨数据；

进一步地，本申请实施例可以随机抽取其中部分降雨事件用作模型率定，通过修正模型参数达到模型模拟结果与实测数据的高度吻合，即吻合程度达到预设条件，如当管段与排口的总水量偏差不大于20％，峰现时间偏差不大于1h，峰值流量偏差不大于25％时，表明城市雨洪模型经率定达到了模拟精度标准；

再在剩余事件中随机抽取至少一场事件作为模型验证，本申请实施例可以用率定好的城市雨洪模型，并将其结果与实测数据比对，并进行误差评价，当管段与排口的总水量偏差不大于20％，峰现时间偏差不大于1h，峰值流量偏差不大于25％，表明城市雨洪模型达到模拟精度标准，生成最终城市雨洪模型。

在步骤S103中，将最终城市雨洪模型接入实时预报数据，并部署在预设在线系统中，针对存在合流制排口溢流的模拟时段作为待优化基准方案，构建合流制溢流控制的优化调度模型。

作为一种可能实现的方式，本申请实施例可以将已率定与验证生成的最终城市雨洪模型接入实时预报数据，并部署于目标在线系统中，针对存在合流制排口溢流的模拟时段作为待优化基准方案，构建合流制溢流控制的优化调度模型，利用在线数值模型客观、动态且持续的反映城市级别的排水系统其真实而复杂的运行情况。

可选地，在本申请的一个实施例中，优化调度模型的优化目标为最小化模拟时段内需要削减及控制的合流制排口的溢流总量，并且决策变量为基准方案中供调度的泵站和蓄水池的控制闸及智能分流井，以及约束条件为每个优化调度对象控制能力的上下限。

在一些实施例中，优化目标可以为最小化模拟时段内需要削减及控制的合流制排口的溢流总量；决策变量可以为基准方案中供调度的泵站和蓄水池的控制闸及智能分流井；约束条件可以为每个优化调度对象控制能力的上下限。

举例而言，以一场存在合流制溢流的方案作为待优化的基准方案，构建排水系统优化调度模型，本申请实施例可以选择该模型中的共计14处合流制溢流口作为需要削减和控制的排口对象，确定优化目标为最小化模拟方案总时段内这些排口的溢流总量，公式为：

其中，Q_ij为第i个排口，j时段内的模拟溢流量(m³/s)；m为指定排口总数；n为时段内的时间步长总数；Δt为控制时间间隔。

假设在本申请实施例中，排扣总数为14，时间步长为5min，模拟总时长为2h，步长总数为24，时间间隔为1h。

选择模型中的六处关键点位的智能分流井作为优化调度对象，决策对象为各个分流井在模拟方案总时段内逐小时的排河阀门开启度，约束条件为这六处智能分流井阀门的开启上下限，均为[0,100]。

在步骤S104中，在Python环境中，基于预设PSO算法将优化调度模型与最终城市雨洪模型进行耦合和迭代计算，以得到合流制排水系统中的最优调度策略，并在Python环境中执行最优调度策略的城市雨洪模拟，得到所指定合流制溢流口的溢流量最优控制结果。

在实际执行过程中，本申请实施例可以在Python环境中基于PSO算法将优化调度模型与城市雨洪模型进行耦合和迭代计算以得到合流制排水系统中的最优调度策略，并在Python环境中执行最优调度策略的城市雨洪模拟，得到所指定合流制溢流口的溢流量最优控制结果，基于PSO算法在排水系统管理与运行领域中引入数值模拟及优化算法相结合的技术，聚焦城市排水合流制溢流削减与控制这一目标，利用在线数值模型客观、动态且持续的反映城市级别的排水系统其真实而复杂的运行情况，充分利用排水系统中的调蓄池、泵站及智能分流井等各类调度对象，采用先进的优化算法在限定的约束条件下对数值模型中各优化调度对象进行充分的迭代寻优，从而最大限度的挖掘和发挥系统的调蓄空间，最终指导现实场景下的合流制溢流污染控制。

可选地，在本申请的一个实施例中，在Python环境中，基于预设PSO算法将优化调度模型与最终城市雨洪模型进行耦合和迭代计算，以得到合流制排水系统中的最优调度策略，并在Python环境中执行最优调度策略的城市雨洪模拟，得到所指定合流制溢流口的溢流量最优控制结果，包括：在Python环境中，确定预设PSO算法的每项参数，其中，每项参数包括粒子群规模、最大迭代次数、惯性权重、个体记忆参数及集体记忆参数；在Python环境中，读取最终城市雨洪模型，索引各个调度对象的调度曲线文件，随机生成指定粒子群规模的调度方案，并在设定的约束条件范围内随机生成调度对象策略，写入并覆盖各个调度对象相应的调度曲线文件中；在Python环境中，驱动最终城市雨洪模型，对各个调度方案采用更新后的调度曲线文件重新执行水文水动力模拟；根据各个调度方案的模拟结果，获取模拟后的合流制排口溢流量结果，计算优化目标的函数值，判断是否达到优化目标或最大迭代步数，其中，若未满足，则由预设PSO算法更新调度对象的调度策略，继续新一轮的迭代优化；若达到优化目标或最大迭代步数，则停止优化计算，并返回当前对应最优目标值的最优调度策略，且写入调度曲线文件中；在Python环境中，执行最优调度策略的城市雨洪模拟，得到当前模拟方案下的指定合流制溢流口的溢流量最优控制结果。

作为一种可能实现的方式，本申请实施例可以在Python环境中确定PSO算法的每项参数，其中，参数可以包括粒子群规模、最大迭代次数、惯性权重、个体记忆参数和集体记忆参数；

进一步地，本申请实施例可以在Python环境中读取已完成率定及验证生成的最终城市雨洪模型，索引各个调度对象的调度曲线文件，随机生成指定粒子群规模的调度方案，并在设定的约束条件范围内随机生成调度对象策略，写入并覆盖各个调度对象相应的调度曲线文件中；

在Python环境中驱动城市雨洪模型，对各个调度方案采用更新后的调度曲线文件重新执行水文水动力模拟；

本申请实施例可以根据各个调度方案的模拟结果，获取模拟后的合流制排口溢流量结果，计算优化目标函数值，判断是否达到优化目标或最大迭代步数；当未满足时，则由PSO算法更新调度对象的调度策略，返回重新索引各个调度对象的调度曲线文件，随机生成指定粒子群规模的调度方案，并在设定的约束条件范围内随机生成调度对象策略，写入并覆盖各个调度对象相应的调度曲线文件中，继续新一轮的迭代优化；

当达到优化目标或最大迭代步数，本申请实施例可以停止优化计算，并返回当前对应最优目标值的最优调度策略，并写入调度曲线文件中；

在Python环境中执行最优调度策略的城市雨洪模拟，得到当前模拟方案下的指定合流制溢流口的溢流量最优控制结果。

综上，本申请实施例可以基于PSO算法，在排水系统管理与运行领域中引入数值模拟及优化算法相结合的技术，聚焦城市排水合流制溢流削减与控制这一目标，利用在线数值模型客观、动态且持续的反映城市级别的排水系统其真实而复杂的运行情况，充分利用排水系统中的调蓄池、泵站及智能分流井等各类调度对象，采用先进的优化算法在限定的约束条件下对数值模型中各优化调度对象进行充分的迭代寻优，从而最大限度的挖掘和发挥系统的调蓄空间，最终指导现实场景下的合流制溢流污染控制，更为科学且经济可行，可以充分发挥了城市中合流制管网自身的调蓄能力，实现合流制溢流的削减与控制。

结合图2至图6所示，以一个实施例对本申请实施例的基于PSO算法的合流制溢流优化控制方法的工作原理进行详细阐述。

如图2所示，依托某城市的基础数据及监测数据，采用本申请实施例实现对合流制管网系统中的智能分流井优化调度从而最小化排口溢流总量，本申请实施例可以包括以下步骤：

步骤S201：基于目标区域的基础数据构建初始城市雨洪模型。本申请实施例可以收集该研究区域内的排水管网数据：包含节点(人孔直径、地面标高、内底标高和空间坐标等)、管段(起点埋深、终点埋深、管径、管长和管材等)、排口(地面标高和底标高等)，获取了13处智能分流井各自的位置、尺寸及当前规则，同时收集研究区域地形及下垫面数据，包含土壤类型分布、土地利用分布和地理数字高程信息等，采用MIKE+软件构建如图3所示的初始城市雨洪模型。

步骤S202：基于历史监测数据，对初始城市雨洪模型进行率定与验证，生成最终城市雨洪模型。

本申请实施例可以收集三场实测降雨场次下的管道流量、排口流量的监测数据，随机挑选其中两场用于对城市雨洪模型进行率定，对管道粗糙系数、地表曼宁值、坡面汇流流速、初损后损及土壤下渗系数等参数进行调整，直至管道流量、排口流量的模型模拟结果与监测数据差异满足精度标准，即总水量偏差不大于20％，峰现时间偏差不大于1h，峰值流量偏差不大于25％；

再以剩余场次降雨验证率定好的模型，当模型模拟结果与监测数据差异同样满足上述精度标准时，模型可以使用，如图4所示，否则返回重新率定该城市雨洪模型，直至率定及验证场次下均达到模拟精度要求，生成最终城市雨洪模型。

步骤S203：将最终城市雨洪模型接入实时预报数据，并部署于目标在线系统中，针对存在合流制排口溢流的模拟时段作为待优化基准方案，构建合流制溢流控制的优化调度模型。

本申请实施例可以将模型接入滚动的预报数据，部署于目标在线系统中，实现模型的滚动在线模拟，从而真实、滚动且持续的反映目标区域的排水系统运行情况，以一场存在合流制溢流的方案作为待优化的基准方案，构建排水系统优化调度模型，选择该模型中的共计14处合流制溢流口作为需要削减和控制的排口对象，确定优化目标为最小化模拟方案总时段内这些排口的溢流总量，公式为：

其中，Q_ij为第i个排口，j时段内的模拟溢流量(m³/s)；m为指定排口总数，在实施例中可取14；n为时段内的时间步长总数，在实施例中可取时间步长为5min，模拟总时长为2h，步长总数为24；Δt为控制时间间隔，在实施例中可取时间间隔为1h。

选择模型中的六处关键点位的智能分流井作为优化调度对象，决策对象为各个分流井在模拟方案总时段内逐小时的排河阀门开启度，约束条件为这六处智能分流井阀门的开启上下限，均为[0,100]。

步骤S204：在Python环境中基于PSO算法将优化调度模型与最终城市雨洪模型进行耦合和迭代计算以得到合流制排水系统中的最优调度策略，并在Python环境中执行最优调度策略的城市雨洪模拟，得到所指定合流制溢流口的溢流量最优控制结果。

本申请实施例可以在Python环境中确定PSO算法的参数，在实施例中粒子群规模为200，最大迭代次数为100，惯性权重为0.8，个体记忆为0.5，集体记忆为0.5；

定位最终城市雨洪模型，索引该模型中六处智能分流井的阀门开启度时间序列文件，随机生成对应粒子群规模的调度方案，并在设定的约束条件范围内随机生成各个阀门的开启度策略，并写入各自对应的调度曲线文件中；

本申请实施例可以在Python环境中驱动最终城市雨洪模型，对200个调度方案采用更新后的阀门开启度时间序列执行水文水动力模拟；

本申请实施例可以根据各个调度方案的模拟结果，获取模拟后的合流制排口溢流量结果，计算优化目标函数值，判断是否达到优化目标或最大迭代步数；当未满足时，则由PSO算法更新调度对象的调度策略，返回重新执行随机生成对应粒子群规模的调度方案，并在设定的约束条件范围内随机生成各个阀门的开启度策略，并写入各自对应的调度曲线文件中，继续新一轮的迭代优化；

当达到优化目标或最大迭代步数100步，停止优化计算，本申请实施例可以返回当前对应最优目标值的最优调度策略，并写入这六个智能分流井各自的调度曲线文件中；

本申请实施例可以在Python环境中执行最优调度策略的城市雨洪模拟，得到当前模拟方案下的指定溢流口的溢流量最优控制结果，如图5所示，图5为基于PSO算法的调度寻优的流程图。

如图6所示，图6为采用本申请实施例的优化控制方法的优化结果，采用本申请实施例的优化算法相较于基准方案，合流制排口的溢流总量削减了20.7％。

根据本申请实施例提出的基于PSO算法的合流制溢流优化控制方法，可以构建城市雨洪模型，率定及验证城市雨洪模型，构建溢流控制的优化调度模型，及执行基于PSO算法

的调度寻优，在排水系统管理与运行领域中引入数值模拟及优化算法相结合的技术，聚焦5城市排水合流制溢流削减与控制这一目标，利用在线数值模型客观、动态且持续的反映城

市级别的排水系统其真实而复杂的运行情况，充分利用排水系统中的调蓄池、泵站及智能分流井等各类调度对象，采用先进的优化算法在限定的约束条件下对数值模型中各优化调度对象进行充分的迭代寻优，从而最大限度的挖掘和发挥系统的调蓄空间，最终指导现实

场景下的合流制溢流污染控制，更为科学且经济，充分发挥了城市中合流制管网自身的调0蓄能力，实现了合流制溢流的削减与控制。由此，解决了相关技术中集中于工程建设方面，

且对排水系统的泵站及调蓄池调度仍主要依赖于人为经验，资金成本和人工成本较高，在合流制溢流控制中所起的作用非常有限等技术问题。

其次参照附图描述根据本申请实施例提出的基于PSO算法的合流制溢流优化控制装置。5图7是本申请实施例的基于PSO算法的合流制溢流优化控制装置的方框示意图。

如图7所示，该基于PSO算法的合流制溢流优化控制装置10包括：第一构建模块100、生成模块200、第二构建模块300和优化模块400。

具体地，第一构建模块100，用于基于目标区域的基础数据，构建初始城市雨洪模型。

生成模块200，用于基于历史监测数据，对初始城市雨洪模型进行率定与验证，生成最0终城市雨洪模型。

第二构建模块300，用于将最终城市雨洪模型接入实时预报数据，并部署在预设在线系统中，针对存在合流制排口溢流的模拟时段作为待优化基准方案，构建合流制溢流控制的优化调度模型。

优化模块400，用于在Python环境中，基于预设PSO算法将优化调度模型与最终城市5雨洪模型进行耦合和迭代计算，以得到合流制排水系统中的最优调度策略，并在Python环

境中执行最优调度策略的城市雨洪模拟，得到所指定合流制溢流口的溢流量最优控制结果。

可选地，在本申请的一个实施例中，基础数据包括排水管网数据、调度对象数据和地形及下垫面数据中的至少一项。

可选地，在本申请的一个实施例中，生成模块200包括：采集单元、修正单元和评价0单元。

其中，采集单元，用于采集用于率定及验证的历史监测数据，其中，历史监测数据包括安装监测设备处的管道流量数据、排口流量数据以及管道流量数据和排口流量数据所对应的实测降雨数据中的一项或多项。

修正单元，用于随机抽取历史监测数据的其中部分降雨事件以用作模型率定，通过修正模型参数达到模型模拟结果与实测数据的吻合程度达到预设条件。

评价单元，用于在历史监测数据的剩余事件中随机抽取至少一场事件以作为模型验证，用率定好的城市雨洪模型执行模拟，并将其结果与实测数据比对，并进行误差评价。

可选地，在本申请的一个实施例中，优化调度模型的优化目标为最小化模拟时段内需要削减及控制的合流制排口的溢流总量，并且决策变量为基准方案中供调度的泵站和蓄水池的控制闸及智能分流井，以及约束条件为每个优化调度对象控制能力的上下限。

可选地，在本申请的一个实施例中，优化模块400包括：确定单元、生成单元、驱动单元、计算单元、写入单元和执行单元。

其中，确定单元，用于在Python环境中，确定预设PSO算法的每项参数，其中，每项参数包括粒子群规模、最大迭代次数、惯性权重、个体记忆参数及集体记忆参数。

生成单元，用于在Python环境中，读取最终城市雨洪模型，索引各个调度对象的调度曲线文件，随机生成指定粒子群规模的调度方案，并在设定的约束条件范围内随机生成调度对象策略，写入并覆盖各个调度对象相应的调度曲线文件中。

驱动单元，用于在Python环境中，驱动最终城市雨洪模型，对各个调度方案采用更新后的调度曲线文件重新执行水文水动力模拟。

计算单元，用于根据各个调度方案的模拟结果，获取模拟后的合流制排口溢流量结果，计算优化目标的函数值，判断是否达到优化目标或最大迭代步数，其中，若未满足，则由预设PSO算法更新调度对象的调度策略，继续新一轮的迭代优化。

写入单元，用于若达到优化目标或最大迭代步数，则停止优化计算，并返回当前对应最优目标值的最优调度策略，且写入调度曲线文件中。

执行单元，用于在Python环境中，执行最优调度策略的城市雨洪模拟，得到当前模拟方案下的指定合流制溢流口的溢流量最优控制结果。

需要说明的是，前述对基于PSO算法的合流制溢流优化控制方法实施例的解释说明也适用于该实施例的基于PSO算法的合流制溢流优化控制装置，此处不再赘述。

根据本申请实施例提出的基于PSO算法的合流制溢流优化控制装置，可以构建城市雨洪模型，率定及验证城市雨洪模型，构建溢流控制的优化调度模型，及执行基于PSO算法的调度寻优，在排水系统管理与运行领域中引入数值模拟及优化算法相结合的技术，聚焦城市排水合流制溢流削减与控制这一目标，利用在线数值模型客观、动态且持续的反映城市级别的排水系统其真实而复杂的运行情况，充分利用排水系统中的调蓄池、泵站及智能分流井等各类调度对象，采用先进的优化算法在限定的约束条件下对数值模型中各优化调度对象进行充分的迭代寻优，从而最大限度的挖掘和发挥系统的调蓄空间，最终指导现实场景下的合流制溢流污染控制，更为科学且经济，充分发挥了城市中合流制管网自身的调蓄能力，实现了合流制溢流的削减与控制。由此，解决了相关技术中集中于工程建设方面，且对排水系统的泵站及调蓄池调度仍主要依赖于人为经验，资金成本和人工成本较高，在合流制溢流控制中所起的作用非常有限等技术问题。

图8为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：

存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机程序。

处理器802执行程序时实现上述实施例中提供的基于PSO算法的合流制溢流优化控制方法。

进一步地，电子设备还包括：

通信接口803，用于存储器801和处理器802之间的通信。

存储器801，用于存放可在处理器802上运行的计算机程序。

存储器801可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

如果存储器801、处理器802和通信接口803独立实现，则通信接口803、存储器801和处理器802可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选地，在具体实现上，如果存储器801、处理器802及通信接口803，集成在一块芯片上实现，则存储器801、处理器802及通信接口803可以通过内部接口完成相互间的通信。

处理器802可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。

本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的基于PSO算法的合流制溢流优化控制方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于PSO算法的合流制溢流优化控制方法，其特征在于，包括以下步骤：

基于目标区域的基础数据，构建初始城市雨洪模型；

基于历史监测数据，对所述初始城市雨洪模型进行率定与验证，生成最终城市雨洪模型；

将所述最终城市雨洪模型接入实时预报数据，并部署在预设在线系统中，针对存在合流制排口溢流的模拟时段作为待优化基准方案，构建合流制溢流控制的优化调度模型；以及

在Python环境中，基于预设PSO算法将所述优化调度模型与所述最终城市雨洪模型进行耦合和迭代计算，以得到合流制排水系统中的最优调度策略，并在所述Python环境中执行所述最优调度策略的城市雨洪模拟，得到所指定合流制溢流口的溢流量最优控制结果。

2.根据权利要求1所述的方法，其特征在于，所述基础数据包括排水管网数据、调度对象数据和地形及下垫面数据中的至少一项。

3.根据权利要求1所述的方法，其特征在于，所述基于历史监测数据，对所述初始城市雨洪模型进行率定与验证，生成最终城市雨洪模型，包括：

采集用于率定及验证的所述历史监测数据，其中，所述历史监测数据包括安装监测设备处的管道流量数据、排口流量数据以及管道流量数据和排口流量数据所对应的实测降雨数据中的一项或多项；

随机抽取所述历史监测数据的其中部分降雨事件以用作模型率定，通过修正模型参数达到模型模拟结果与实测数据的吻合程度达到预设条件；

在所述历史监测数据的剩余事件中随机抽取至少一场事件以作为模型验证，用率定好的城市雨洪模型执行模拟，并将其结果与所述实测数据比对，并进行误差评价。

4.根据权利要求1所述的方法，其特征在于，所述优化调度模型的优化目标为最小化模拟时段内需要削减及控制的合流制排口的溢流总量，并且决策变量为所述基准方案中供调度的泵站和蓄水池的控制闸及智能分流井，以及约束条件为每个优化调度对象控制能力的上下限。

5.根据权利要求4所述的方法，其特征在于，所述在Python环境中，基于预设PSO算法将所述优化调度模型与所述最终城市雨洪模型进行耦合和迭代计算，以得到合流制排水系统中的最优调度策略，并在所述Python环境中执行所述最优调度策略的城市雨洪模拟，得到所指定合流制溢流口的溢流量最优控制结果，包括：

在所述Python环境中，确定所述预设PSO算法的每项参数，其中，所述每项参数包括粒子群规模、最大迭代次数、惯性权重、个体记忆参数及集体记忆参数；

在所述Python环境中，读取所述最终城市雨洪模型，索引各个调度对象的调度曲线文件，随机生成指定粒子群规模的调度方案，并在设定的约束条件范围内随机生成调度对象策略，写入并覆盖所述各个调度对象相应的调度曲线文件中；

在所述Python环境中，驱动所述最终城市雨洪模型，对所述各个调度方案采用更新后的调度曲线文件重新执行水文水动力模拟；

根据所述各个调度方案的模拟结果，获取模拟后的合流制排口溢流量结果，计算所述优化目标的函数值，判断是否达到优化目标或最大迭代步数，其中，若未满足，则由所述预设PSO算法更新调度对象的调度策略，继续新一轮的迭代优化；

若达到所述优化目标或最大迭代步数，则停止优化计算，并返回当前对应最优目标值的最优调度策略，且写入所述调度曲线文件中；

在所述Python环境中，执行所述最优调度策略的城市雨洪模拟，得到当前模拟方案下的指定合流制溢流口的溢流量最优控制结果。

6.一种基于PSO算法的合流制溢流优化控制装置，其特征在于，包括：

第一构建模块，用于基于目标区域的基础数据，构建初始城市雨洪模型；

生成模块，用于基于历史监测数据，对所述初始城市雨洪模型进行率定与验证，生成最终城市雨洪模型；

第二构建模块，用于将所述最终城市雨洪模型接入实时预报数据，并部署在预设在线系统中，针对存在合流制排口溢流的模拟时段作为待优化基准方案，构建合流制溢流控制的优化调度模型；以及

优化模块，用于在Python环境中，基于预设PSO算法将所述优化调度模型与所述最终城市雨洪模型进行耦合和迭代计算，以得到合流制排水系统中的最优调度策略，并在所述Python环境中执行所述最优调度策略的城市雨洪模拟，得到所指定合流制溢流口的溢流量最优控制结果。

7.根据权利要求6所述的装置，其特征在于，所述生成模块包括：

采集单元，用于采集用于率定及验证的所述历史监测数据，其中，所述历史监测数据包括安装监测设备处的管道流量数据、排口流量数据以及管道流量数据和排口流量数据所对应的实测降雨数据中的一项或多项；

修正单元，用于随机抽取所述历史监测数据的其中部分降雨事件以用作模型率定，通过修正模型参数达到模型模拟结果与实测数据的吻合程度达到预设条件；

评价单元，用于在所述历史监测数据的剩余事件中随机抽取至少一场事件以作为模型验证，用率定好的城市雨洪模型执行模拟，并将其结果与所述实测数据比对，并进行误差评价。

8.根据权利要求6所述的装置，其特征在于，所述优化模块包括：

确定单元，用于在所述Python环境中，确定所述预设PSO算法的每项参数，其中，所述每项参数包括粒子群规模、最大迭代次数、惯性权重、个体记忆参数及集体记忆参数；

生成单元，用于在所述Python环境中，读取所述最终城市雨洪模型，索引各个调度对象的调度曲线文件，随机生成指定粒子群规模的调度方案，并在设定的约束条件范围内随机生成调度对象策略，写入并覆盖所述各个调度对象相应的调度曲线文件中；

驱动单元，用于在所述Python环境中，驱动所述最终城市雨洪模型，对所述各个调度方案采用更新后的调度曲线文件重新执行水文水动力模拟；

计算单元，用于根据所述各个调度方的模拟结果，获取模拟后的合流制排口溢流量结果，计算所述优化目标的函数值，判断是否达到优化目标或最大迭代步数，其中，若未满足，则由所述预设PSO算法更新调度对象的调度策略，继续新一轮的迭代优化；

写入单元，用于若达到所述优化目标或最大迭代步数，则停止优化计算，并返回当前对应最优目标值的最优调度策略，且写入所述调度曲线文件中；

执行单元，用于在所述Python环境中，执行所述最优调度策略的城市雨洪模拟，得到当前模拟方案下的指定合流制溢流口的溢流量最优控制结果。

9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的基于PSO算法的合流制溢流优化控制方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的基于PSO算法的合流制溢流优化控制方法。

Images