CN116523269B - 一种基于模型预测控制的河网动态智能调控方法 - Google Patents

一种基于模型预测控制的河网动态智能调控方法 Download PDF

Info

Publication number
CN116523269B
CN116523269B CN202310798541.2A CN202310798541A CN116523269B CN 116523269 B CN116523269 B CN 116523269B CN 202310798541 A CN202310798541 A CN 202310798541A CN 116523269 B CN116523269 B CN 116523269B
Authority
CN
China
Prior art keywords
river network
flow
gate
model
water
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
CN202310798541.2A
Other languages
English (en)
Other versions
CN116523269A (zh
Inventor
梁永帅
廖卫红
蒋云钟
雷晓辉
王超
李海辰
焦安甲
杨永森
霍雨
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.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202310798541.2A priority Critical patent/CN116523269B/zh
Publication of CN116523269A publication Critical patent/CN116523269A/zh
Application granted granted Critical
Publication of CN116523269B publication Critical patent/CN116523269B/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
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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]
    • 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

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

Abstract

本发明涉及水资源管理技术领域的一种基于模型预测控制的河网动态智能调控方法，该方法通过构建城市河网调控MPC，根据目标区域河网水位、流量和雨量监测数据，利用河网边界预测模型计算预测时域内河网边界水位、流量和降雨过程作为系统边界，以河网水位和流速调控目标为系统参考，以当前时刻河网水位和流速为当前系统状态，驱动水文水动力耦合系统模型，采用多目标优化算法求解最优的河网闸泵控制量，从而实现对河网闸泵的动态自动控制，调控精度高、实时性好。

Description

一种基于模型预测控制的河网动态智能调控方法
技术领域
本发明涉及水资源管理技术领域，尤其涉及一种基于模型预测控制的河网动态智能调控方法。
背景技术
河网是城市水系景观的重要组成部分，同时也是城市防洪排涝的主要通道，如何对河网水资源进行调控对于城市防洪排涝显得非常重要。传统的城市河网调控主要是依赖对比情景预案库和人工经验的方法，但是由于气候变化及城市建设不断改变着城市水文循环过程，导致上游来水、降雨、人工经验等存在着较多的不确定性，因此传统调控方法的精度和效率都难以满足城市河网专业化、精细化、科学化的管理需求。
发明内容
本发明所要解决的技术问题是提供一种能够对河网闸泵进行自动控制并且调控准确度好、效率高的基于模型预测控制的河网动态智能调控方法。
本发明解决上述技术问题所采用的技术方案为：一种基于模型预测控制的河网动态智能调控方法，包括，
S1，收集河网数据，包括河网水位、流量、降雨历史监测数据；
S2，将描述城市地表产流和汇流过程的水文模型与描述城市河网内水流演进过程的水动力模型通过断面节点水量交换的过程进行耦合构建水文水动力耦合模型；
S3，根据收集的河网水位、流量、降雨历史监测数据，采用河网边界预测模型计算预测时域内城市河网水文水动力耦合模型的边界，即计算预测时域内的预测河网边界水位、流量、降雨；
S4，构建城市河网调控MPC，其中河网水文水动力耦合模型为系统模型，当前时刻河网水位和流速为当前系统状态，由河网边界预测模型计算得到的预测时域内的河网边界水位、流量和降雨为系统边界，河网水文水动力耦合模型模拟的预测时域内断面水位、流速为系统输出，河网水位和流速调控目标为系统参考，河网闸门和泵站在预测时域内的开度和启闭为系统未来控制量；
S5，以系统边界、当前系统状态和系统未来控制量驱动系统模型，计算得到系统输出，以系统输出与系统参考的差值最小为优化目标，基于多目标优化算法求解最优的系统未来控制量，从而实现河网动态智能调控。
进一步的，所述S2中的水文水动力耦合模型基于SWMM构建，具体构建过程如下：
S21，调用SWMM中的Horton模型计算陆面下渗过程，如下式：
其中表示入渗能力，t表示时间，表示稳定入渗能力，即时的入 渗能力，表示初始入渗能力，即时的入渗能力，表示衰减系数；
S22，调用SWMM中的非线性水库法模型，通过联立曼宁方程和连续方程求解，计算城市地表径流，如下式：
曼宁方程：
连续方程：
其中q是单位面积上的径流速度，Q是地表径流流量，A是子集水区表面积，n是表面 粗糙系数，W是子集水区特征宽度，S是子集水区平均坡度，d和ds分别是子集水区地表水深 和洼地蓄水深，V是子集水区总需水量，i是降雨强度，e'是表面蒸发率，f是下渗率，即入渗 能力；
S23，调用SWMM中的水动力模块，通过采用动力波对圣维南方程组完全求解的方式计算河网汇流，如下式：
连续方程：
动量方程：
其中是距离，t是时间，A'是流动截面面积，Q'是河网断面流量，H是河道的水头， Sf是摩擦比降，g是重力加速度；
S24，采用SWMM提供的闸门模型计算闸门过流量，具体包括淹没出流或非淹没出流的计算方式，其中，
淹没出流：
非淹没出流：
其中是Q''闸门过流流量，Cd是排放系数，A0是闸门开放的面积，g是重力加速度，He 是闸门的有效水头，是闸门开度，Yfull是闸门全开高度，H1是闸前水头，Zo是闸低标高；
S25，采用SWMM提供的定速水泵模型获取泵站流量，其中泵站流量为泵站设计流量；
S26，采用断面节点水量交换的方式对地表径流与河网水流进行耦合，如下式：
其中是t时刻第i'个河网断面的流量，是第t-1时刻第i'个河网 断面的流量，是t时刻第i'个河网断面对应的地表径流。
进一步的，所述S3中河网边界预测模型基于长短期记忆网络即LSTM构建，包括如下步骤：
计算遗忘门：
计算当前cell状态，包括三个阶段：
第一阶段，计算当前cell候选状态：
第二阶段，计算输入门：
第三阶段，计算cell状态：
计算输出门：
其中，
在上述方程中，、、分别代表t时刻的遗忘门、输入门和输出门的数据，、分别是t时刻和t-1时刻的单元状态，是t-1时刻的单元输出，表示t时 刻的输入，即历史河网水位、流量、降雨的监测数据，W和b分别代表权重矩阵和偏置向量， tanh和σ是分别代表tanh函数和sigmoid函数。
进一步的，所述S5中以系统输出与系统参考的差值最小为优化目标中所构建的目标函数为：
其中，和 分别为水文水动力耦合模型模拟的第个河网 断面预测时域内的流速与水深的最大值；和分为第个河网断面流速 和水位的调控目标；L表示河网断面数量；
约束条件：
其中，为第j个闸门的开度约束，0.0表示闸门关闭，1.0表示闸门全开，J表 示闸门个数；为第k个泵站的启闭约束，0表示泵站关闭，1表示泵站打开，K为泵站个 数；为第k个泵站的泵站运行时长约束，其中T0小于等于预测时域的时长。
进一步的，所述S5中的多目标优化算法具体采用NSGA2算法，采用NSGA2算法求解最优系统未来控制量包括如下步骤：
S51，确定闸泵控制时间步长，其中时间步长不能超过预测时域，设闸泵控制量的代数为G，其中G的取值范围为1至M之间的自然数，M为设定代数的值，在预测时域内对闸泵控制量进行随机初始化，生成第一代闸泵控制量；
S52，对第一代闸泵控制量进行非支配排序，再进行选择、交叉和变异操作生成第二代闸泵控制量；
S53，将第G代闸泵控制量与第G+1代闸泵控制量进行合并，对合并后的闸泵控制量进行非支配排序，再进行拥挤度计算生成新的闸泵控制量，对新的闸泵控制量进行选择、交叉和变异操作生成第G+2代闸泵控制量，其中G的初始值为1；
S54，将第G+2代闸泵控制量输入河网水文水动力耦合模型，计算得到预测时域内河网断面的水位、流速，判断计算出的预测时域内河网断面的水位、流速是否满足调控目标，若是，则输出对应的闸泵控制量，并结束，若否，则进入S55；
S55，判断当前代数是否小于设定代数M，若是，则执行G++并返回执行S53；若否，则执行M=2M，即将设定代数调整为2M，再执行G++并返回执行S53。
与现有技术相比，本发明的优点在于：本发明通过构建城市河网调控MPC，根据目标区域河网水位、流量和雨量监测数据，利用河网边界预测模型计算预测时域内河网边界水位、流量和降雨过程作为系统边界，以河网水位和流速调控目标为系统参考，以当前时刻河网水位和流速为当前系统状态，驱动水文水动力耦合系统模型，采用多目标优化算法求解最优的河网闸泵控制量，从而实现对河网闸泵的动态自动控制，调控精度高、实时性好。
附图说明
图1为构建的河网调控MPC示意图。
图2为采用NSGA2算法求解最优系统未来控制量的流程图。
图3为昆山市研究区域概况示意图。
图4为河网调控MPC校验结果示意图之一。
图5为河网调控MPC校验结果示意图之二。
图6为研究河道采用河网调控MPC进行闸泵控制的示意图。
图7为研究河道调控结果示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。以下结合附图实施例对本发明作进一步详细描述，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，旨在用于解释本发明，而不能理解为对本发明的限制。
在本申请的描述中，需要说明的是，对于方位词，如有术语“中心”、“横向”、“纵向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示方位和位置关系为基于附图所示的方位或位置关系，仅是为了便于叙述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定方位构造和操作，不能理解为限制本申请的具体保护范围。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一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
本申请涉及的一种基于模型预测控制的河网动态智能调控方法，包括如下步骤：
S1，收集河网数据，其中收集的河网数据包括，构建河网水系所需的河网拓扑关系、断面数据、下垫面、闸门和泵站数据，闸门和泵站数据包括设计参数及分布位置，实测降雨数据、对应实测降雨数据的实测河网水位、流量数据等；
S2，将描述城市地表产流和汇流过程的水文模型与描述城市河网内水流演进过程的水动力模型通过断面节点水量交换的过程进行耦合构建水文水动力耦合模型；
S3，根据收集的河网水位、流量、降雨历史监测数据，采用河网边界预测模型计算预测时域内城市河网水文水动力耦合模型的边界，即计算预测时域内的预测河网边界水位、流量、降雨，其中预测时域即预见期；
S4，构建城市河网调控MPC，MPC是Model Predictive Control的简写，又称为模型预测控制，其中河网水文水动力耦合模型为系统模型，当前时刻河网水位和流速为当前系统状态，由河网边界预测模型计算得到的预测时域内的河网水位、流量和降雨为系统边界，河网水文水动力耦合模型模拟的预测时域内断面水位、流速为系统输出，河网水位和流速调控目标为系统参考，河网闸门和泵站在预测时域内的开度和启闭为系统未来控制量，构建的城市河网调控MPC如图1所示；
S5，以系统边界、当前系统状态和系统未来控制量驱动系统模型，计算得到系统输出，以系统输出与系统参考的差值最小为优化目标，基于多目标优化算法求解最优的系统未来控制量，从而实现河网动态智能调控。
在本实施例中，上述S2中的水文水动力耦合模型基于SWMM构建，SWMM是一种现有的模型，其包括了水文模块和水动力模块，其中水文模块包括进行地表径流计算的非线性水库模型、进行陆面下渗计算的Horton模型等等，水动力模块包括对河渠断面进行模拟的基于圣维南方程组的一维水动力模型、闸门模型、泵站模型等等，本实施例中的水文水动力耦合模型即通过调用SWMM的水文模型和水动力模型进行构建，需要说明的是，由于相关模块的具体计算求解过程属于现有技术，本实施例中仅列出其模型构建原理，不对详细求解过程进行列示，具体构建过程如下所列步骤：
S21，调用SWMM中的Horton模型计算陆面下渗过程，如下式：
其中表示入渗能力，t表示时间，表示稳定入渗能力，即时的入 渗能力，表示初始入渗能力，即时的入渗能力，表示衰减系数；
S22，调用SWMM中的非线性水库法模型，通过联立曼宁方程和连续方程求解，计算城市地表径流，如下式：
曼宁方程：
连续方程：
其中q是单位面积上的径流速度，Q是地表径流流量，A是子集水区表面积，n是表面 粗糙系数，W是子集水区特征宽度，S是子集水区平均坡度，d和ds分别是子集水区地表水深 和洼地蓄水深，V是子集水区总需水量，i是降雨强度，e'是表面蒸发率，f是下渗率，即入渗 能力；
S23，调用SWMM中的水动力模块，通过采用动力波对圣维南方程组完全求解的方式计算河网汇流，如下式：
连续方程：
动量方程：
其中是距离，t是时间，A'是流动截面面积，Q'是河网断面流量，H是河道的水头， Sf是摩擦比降，g是重力加速度；
S24，采用SWMM提供的闸门模型计算闸门过流量，具体包括淹没出流或非淹没出流的计算方式，其中，
淹没出流：
非淹没出流：
其中是Q''闸门过流流量，Cd是排放系数，A0是闸门开放的面积，g是重力加速度，He 是闸门的有效水头，是闸门开度，Yfull是闸门全开高度，H1是闸前水头，Zo是闸低标高；
S25，采用SWMM提供的定速水泵模型获取泵站流量，其中泵站流量为泵站设计流量；
S26，采用断面节点水量交换的方式对地表径流与河网水流进行耦合，如下式：
其中是t时刻第i'个河网断面的流量，是第t-1时刻第i'个河网 断面的流量，是t时刻第i'个河网断面对应的地表径流，河网断面流量和地表径流 由步骤S21至S25得到，不在此详述。
在本实施例中，上述S3中河网边界预测模型基于长短期记忆网络即LSTM构建，包括如下步骤：
计算遗忘门，遗忘门控制前一个cell状态的信息量，遗忘门的范围是 (0.0, 1.0)， 0.0表示遗忘所有以前信息，1.0表示保留所有以前的信息，如下式：
计算当前cell状态，包括三个阶段：
第一阶段，计算当前cell候选状态：
第二阶段，计算输入门，输入门与遗忘门工作原理类似，控制当前cell的输入 信息量，如下式：
第三阶段，计算cell状态：
计算输出门，输出门用以控制当前cell状态的输出信息量：
其中，
在上述方程中，、、分别代表t时刻的遗忘门、输入门和输出门的数据，、分别是t时刻和t-1时刻的单元状态，是t-1时刻的单元输出，其作为隐藏 状态传递给下一层，表示t时刻的输入，即历史河网水位、流量、降雨的监测数据，W和b分 别代表权重矩阵和偏置向量，tanh和σ是分别代表tanh函数和sigmoid函数。
需要说明的是，长短期记忆网络LSTM属于是一种已知模型，上文仅列出其计算原理，详细计算过程不进行列示。同时需要进一步说明的是，由于水文水动力耦合模型无法预测河网边界，因此采用长短期记忆网络LSTM进行河网边界预测，然后水文水动力耦合模型再以长短期记忆网络LSTM计算出的河网边界作为系统边界来计算河网内部断面的水位和流速，相关的计算可直接通过调用SWMM实现，本发明并未对其计算原理进行改进，因此不在此进行详述。
在本实施例中，上述S5中以系统输出与系统参考的差值最小为优化目标中所构建的目标函数为：
其中，和 分别为水文水动力耦合模型模拟的第个河网 断面预测时域内的流速与水深的最大值；和分为第个河网断面流速 和水位的调控目标；L表示河网断面数量；
约束条件：
其中，为第j个闸门的开度约束，0.0表示闸门关闭，1.0表示闸门全开，J表 示闸门个数；为第k个泵站的启闭约束，0表示泵站关闭，1表示泵站打开，K为泵站个 数；为第k个泵站的泵站运行时长约束，其中T0小于等于预测时域的时长，在实际操 作过程中，T0可以根据泵站设计抽调流量、河道水量等数据并结合经验进行具体取值，一般 泵站运行时长约束可以设置为1h。需要说明的时，对闸门而言，可以随开随关并可以进行开 度调解，因此无需设置时长约束。
换言之，通过在约束条件下选择不同的闸门开度及和泵站的启闭条件，然后通过构建的水文水动力耦合模型，结合前文所述的系统当前状态等数据，计算得到预测时域内的河网断面水位和流速，然后和系统参考即设定的目标水位和流速进行对比，选择其中差值最小所对应的闸门开度和泵站启闭情况作为预测时域内的闸泵控制量，从而实现闸泵的自动控制。
在本实施例中，上述S5中基于多目标优化算法求解最优系统未来控制量具体采用NSGA2算法实现，如图2流程图所示，包括如下步骤：
S51，确定闸泵控制时间步长，其中时间步长不能超过预测时域，设闸泵控制量的代数为G，其中G的取值范围为1至M之间的自然数，M为设定代数的值，在预测时域内对闸泵控制量进行随机初始化，生成第一代闸泵控制量；
S52，对第一代闸泵控制量进行非支配排序，再进行选择、交叉和变异操作生成第二代闸泵控制量；
S53，将第G代闸泵控制量与第G+1代闸泵控制量进行合并，对合并后的闸泵控制量进行非支配排序，再进行拥挤度计算生成新的闸泵控制量，对新的闸泵控制量进行选择、交叉和变异操作生成第G+2代闸泵控制量，其中G的初始值为1；
S54，将第G+2代闸泵控制量输入河网水文水动力耦合模型，计算得到预测时域内河网断面的水位、流速，判断计算出的预测时域内河网断面的水位、流速是否满足调控目标，若是，则输出对应的闸泵控制量，并结束，若否，则进入S55；
S55，判断当前代数是否小于设定代数M，若是，则执行G++并返回执行S53；若否，则执行M=2M，即将设定代数调整为2M，再执行G++并返回执行S53。
需要说明的是，本领域技术人员在知晓采用NSGA2算法求解最优闸泵控制量时，应当知晓非支配排序、选择、交叉、变异及拥挤度计算的具体操作方法，不在此详述。
下面以苏州昆山市某区域为例对本发明方法进行进一步描述。该区域面积2.46km2，河道总长7.71km，包含27个河道断面，7个排水口，4个闸门，3个泵站，如图3所示。基于SWMM构建的水文水动力耦合模型参数设置如下表。
表1 水文水动力耦合模型参数取值范围
参数类型 单位 取值范围
不透水曼宁系数（N-Imperv） — 0.02～0.04
透水曼宁系数（N-Perv） — 0.13～0.19
不透水区洼地蓄水深度（S-Imperv） mm 1.35～2.18
透水区洼地蓄水深度（S-Perv） mm 4.36～5.41
最大下渗率（MaxRate） mm/h 51.20～63.54
最小下渗率（MinRate） mm/h 5.24～7.05
衰减系数（Decay） — 4.56～5.27
干燥时间（DryTime） d 7
糙率系数(Roughness) — 0.01～0.02
扩散系数 ㎡/s 10
本实施例中城市河网水文水动力耦合模型参数校验采用20220630场次降雨，降雨量69mm，降雨历时1440min。通过该场次降雨模拟，选择2个断面进行水位模拟，其平均纳什效率为0.85，洪峰模拟水位与实测水位误差在1.5%以内，模型模拟效果较好，可用于河网调控计算与分析。模拟水位过程与实测过程对比如图4和图5所示。
本实施例考虑晴天情景，即无雨期对城市河网水位和流速调控，确定城市河网水文水动力耦合模型的边界为7个排水口处的水位过程。确定预测时域为6h，利用河网边界预测模型计算预测时域的排水口水位过程。在晴天调控情景，根据监测，7个排水口处水位稳定在2.8m，因此本实施例中预测时域内城市河网水文水动力耦合模型的边界取定水位2.8m。
在构建的城市河网调控MPC中，城市河网水文水动力耦合模型为系统模型；当前计算时刻27个河道断面水位和流速为当前系统状态，流速和流量可以相互转换，因此也可以采用断面水位和流量作为当前系统状态；晴天调控情景下，调控目标为河道平均流速不低于0.05m/s和平均水深不低于1.2m，以此作为系统参考；预测时域内河网4个闸门的开度和3个泵站的启闭为系统未来控制量。通过构建的目标函数和约束条件，其中泵站运行时长约束取值1h，采用NSGA2算法求解预测时域内闸门开度和泵站启闭，其中设定代数M的值取20000，本实施例中闸泵控制的时间步长为0.5h，当然，可以根据精度等需求调整为10min、1h等，在一天模拟期内滚动优化求解4次。通过求解，可得一天内闸门和泵站的开度如图6所示，河道平均流速和平均水深如图7所示，河道平均流速和平均水深分别为0.078m/s和1.533m，满足调控目标。而且泵站总运行时长为4h，较全天运行减少20小时，可以大大节约泵站成本。
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。

Claims (2)

1.一种基于模型预测控制的河网动态智能调控方法，其特征在于：
包括，
S1，收集河网数据，包括河网水位、流量、降雨历史监测数据；
S2，将描述城市地表产流和汇流过程的水文模型与描述城市河网内水流演进过程的水动力模型通过断面节点水量交换的过程进行耦合构建水文水动力耦合模型；
S3，根据收集的河网水位、流量、降雨历史监测数据，采用河网边界预测模型计算预测时域内城市河网水文水动力耦合模型的边界，即计算预测时域内的预测河网边界水位、流量、降雨；
S4，构建城市河网调控模型预测控制系统，其中河网水文水动力耦合模型为系统模型，当前时刻河网水位和流速为当前系统状态，由河网边界预测模型计算得到的预测时域内的河网边界水位、流量和降雨为系统边界，河网水文水动力耦合模型模拟的预测时域内断面水位、流速为系统输出，河网水位和流速调控目标为系统参考，河网闸门和泵站在预测时域内的开度和启闭为系统未来控制量；
S5，以系统边界、当前系统状态和系统未来控制量驱动系统模型，计算得到系统输出，以系统输出与系统参考的差值最小为优化目标，基于多目标优化算法求解最优的系统未来控制量，从而实现河网动态智能调控；
所述S2中的水文水动力耦合模型基于SWMM构建，具体构建过程如下：
S21，调用SWMM中的Horton模型计算陆面下渗过程，如下式：
，其中/>表示入渗能力，t表示时间，/>表示稳定入渗能力，即/>时的入渗能力，/>表示初始入渗能力，即/>时的入渗能力，表示衰减系数；
S22，调用SWMM中的非线性水库法模型，通过联立曼宁方程和连续方程求解，计算城市地表径流，如下式：
曼宁方程：，连续方程：，其中q是单位面积上的径流速度，Q是地表径流流量，A是子集水区表面积，n是表面粗糙系数，W是子集水区特征宽度，S是子集水区平均坡度，d和ds分别是子集水区地表水深和洼地蓄水深，V是子集水区总需水量，i是降雨强度，e'是表面蒸发率，f是下渗率，即入渗能力/>；
S23，调用SWMM中的水动力模块，通过采用动力波对圣维南方程组完全求解的方式计算河网汇流，如下式：
连续方程：，动量方程：，其中是距离，t是时间，A'是流动截面 面积，Q'是河网断面流量，H是河道的水头，Sf是摩擦比降，g是重力加速度；
S24，采用SWMM提供的闸门模型计算闸门过流量，具体包括淹没出流或非淹没出流的计算方式，其中，
淹没出流：，非淹没出流：， 其中Q''是闸门过流流量，Cd是排放系数，A0是闸门开放的面积，g是重力加速度，He是闸门的 有效水头，是闸门开度，Yfull是闸门全开高度，H1是闸前水头，Zo是闸低标高；
S25，采用SWMM提供的定速水泵模型获取泵站流量，其中泵站流量为泵站设计流量；
S26，采用断面节点水量交换的方式对地表径流与河网水流进行耦合，如下式：
，其中/>是t时刻第i'个河网断面的流量，是第t-1时刻第i'个河网断面的流量，/>是t时刻第i'个河网断面对应的地表径流；
所述S3中河网边界预测模型基于长短期记忆网络即LSTM构建，包括如下步骤：
计算遗忘门：/>，计算当前cell状态，包括三个阶段：第一阶段，计算当前cell候选状态/>：/>，第二阶段，计算输入门/>：/>，第三阶段，计算cell状态/>：，计算输出门/>：/>，其中，，在上述方程中，/>、/>、/>分别代表t时刻的遗忘门、输入门和输出门的数据，/>、/>分别是t时刻和t-1时刻的单元状态，/>是t-1时刻的单元输出，/>表示t时刻的输入，即历史河网水位、流量、降雨的监测数据，W和b分别代表权重矩阵和偏置向量，tanh和σ是分别代表tanh函数和sigmoid函数；
所述S5中的多目标优化算法具体采用NSGA2算法，采用NSGA2算法求解最优系统未来控制量包括如下步骤：
S51，确定闸泵控制时间步长，其中时间步长不能超过预测时域，设闸泵控制量的代数为G，其中G的取值范围为1至M之间的自然数，M为设定代数的值，在预测时域内对闸泵控制量进行随机初始化，生成第一代闸泵控制量；
S52，对第一代闸泵控制量进行非支配排序，再进行选择、交叉和变异操作生成第二代闸泵控制量；
S53，将第G代闸泵控制量与第G+1代闸泵控制量进行合并，对合并后的闸泵控制量进行非支配排序，再进行拥挤度计算生成新的闸泵控制量，对新的闸泵控制量进行选择、交叉和变异操作生成第G+2代闸泵控制量，其中G的初始值为1；
S54，将第G+2代闸泵控制量输入河网水文水动力耦合模型，计算得到预测时域内河网断面的水位、流速，判断计算出的预测时域内河网断面的水位、流速是否满足调控目标，若是，则输出对应的闸泵控制量，并结束，若否，则进入S55；
S55，判断当前代数是否小于设定代数M，若是，则执行G++并返回执行S53；若否，则执行M=2M，即将设定代数调整为2M，再执行G++并返回执行S53。
2.根据权利要求1所述的基于模型预测控制的河网动态智能调控方法，其特征在于：
所述S5中以系统输出与系统参考的差值最小为优化目标中所构建的目标函数为：
其中，和 分别为水文水动力耦合模型模拟的第个河网断面预 测时域内的流速与水深的最大值；和分别为第个河网断面流速和水 位的调控目标；L表示河网断面数量；
约束条件：
，，/>，其中，为第j个闸门的开度约束，0.0表示闸门关闭，1.0表示闸门全开，J表示闸门个数；为第k个泵站的启闭约束，0表示泵站关闭，1表示泵站打开，K为泵站个数；/>为第k个泵站的泵站运行时长约束，其中T0小于等于预测时域的时长。
CN202310798541.2A 2023-07-03 2023-07-03 一种基于模型预测控制的河网动态智能调控方法 Active CN116523269B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310798541.2A CN116523269B (zh) 2023-07-03 2023-07-03 一种基于模型预测控制的河网动态智能调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310798541.2A CN116523269B (zh) 2023-07-03 2023-07-03 一种基于模型预测控制的河网动态智能调控方法

Publications (2)

Publication Number Publication Date
CN116523269A CN116523269A (zh) 2023-08-01
CN116523269B true CN116523269B (zh) 2023-09-15

Family

ID=87403260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310798541.2A Active CN116523269B (zh) 2023-07-03 2023-07-03 一种基于模型预测控制的河网动态智能调控方法

Country Status (1)

Country Link
CN (1) CN116523269B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116719252B (zh) * 2023-08-08 2023-11-07 广东省广业装备科学技术研究院有限公司 一种一体化泵闸设备的控制方法
CN117130280B (zh) * 2023-09-25 2024-03-15 南栖仙策(南京)高新技术有限公司 泵房控制方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06332503A (ja) * 1993-05-25 1994-12-02 Mitsubishi Heavy Ind Ltd 運転制御装置
CN109190263A (zh) * 2018-09-10 2019-01-11 柳创新 基于全流域降雨径流及水动力模型预测降水流量的方法
CN109190261A (zh) * 2018-09-07 2019-01-11 中国水利水电科学研究院 一种一维河网概化与高性能一二维耦合的洪水分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AR109623A1 (es) * 2018-02-16 2019-01-09 Pescarmona Enrique Menotti Proceso y sistema de análisis y gestión hidrológica para cuencas

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06332503A (ja) * 1993-05-25 1994-12-02 Mitsubishi Heavy Ind Ltd 運転制御装置
CN109190261A (zh) * 2018-09-07 2019-01-11 中国水利水电科学研究院 一种一维河网概化与高性能一二维耦合的洪水分析方法
CN109190263A (zh) * 2018-09-10 2019-01-11 柳创新 基于全流域降雨径流及水动力模型预测降水流量的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SWMM原理解析与应用展望;梅超;刘家宏;王浩;李泽锦;夏霖;王英;;水利水电技术(第05期);全文 *
洪涝仿真模型中河网洪水的计算研究;张念强;李娜;韩松;徐卫红;丁志雄;王杉;;水利水电技术(第04期);全文 *

Also Published As

Publication number Publication date
CN116523269A (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN116523269B (zh) 一种基于模型预测控制的河网动态智能调控方法
US11295214B2 (en) Analysis system and hydrology management for basin rivers
CN1312629C (zh) 城市排水系统不确定水力学模型建模方法
CN112989538B (zh) 城市排水系统的控制方法和控制装置
CN102183972B (zh) 一种城市排水系统蓄水池水位的控制方法
CN111967666B (zh) 一种江河湖水系综合协同调度系统及其调度方法
CN109190261A (zh) 一种一维河网概化与高性能一二维耦合的洪水分析方法
CN110210109B (zh) 一种河网中堰闸工程反向水流的数值模拟方法及系统
CN114417631B (zh) 一种基于观测数据的灌区输配水系统建模方法
Breckpot et al. Flood control of the Demer by using Model Predictive Control
CN110232479A (zh) 一种城市水库防洪补偿优化调度方法
Nikolai et al. A system of models to study long-term operation of hydropower plants in the Angara cascade
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
CN117332908B (zh) 一种耦合集合预报的梯级水库多目标优化调度方法及系统
CN116703134B (zh) 大型跨流域调水水库的多目标调度方法及系统
Karnatapu et al. Multi-objective reservoir operating strategies by genetic algorithm and nonlinear programming (GA–NLP) hybrid approach
Jafari et al. Investigation of rainfall forecast system characteristics in real-time optimal operation of urban drainage systems
CN109948220B (zh) 闸坝多目标泄流估算方法及系统
CN111985129A (zh) 一种城市暴雨内涝精细化模拟方法
CN116933685A (zh) 一种河道型水库调控方法、装置、电子设备及存储介质
CN115564238A (zh) 一种基于水动力机制的小水库洪水预报调洪分析方法
Jirka et al. Thermal structure of cooling ponds
CN112163382B (zh) 一种平原圩区河网水动力模拟方法
CN111079066B (zh) 一种水库群发电生态两目标竞争关系分析方法
León et al. A new coupled optimization-hydraulic routing model for real-time operation of regulated river systems

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