CN116596280B - 一种污水处理厂水泵组的协同调度方法 - Google Patents
一种污水处理厂水泵组的协同调度方法 Download PDFInfo
- Publication number
- CN116596280B CN116596280B CN202310867946.7A CN202310867946A CN116596280B CN 116596280 B CN116596280 B CN 116596280B CN 202310867946 A CN202310867946 A CN 202310867946A CN 116596280 B CN116596280 B CN 116596280B
- Authority
- CN
- China
- Prior art keywords
- water pump
- distribution
- sewage treatment
- energy consumption
- treatment capacity
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 283
- 239000010865 sewage Substances 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 55
- 210000000349 chromosome Anatomy 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 134
- 238000005265 energy consumption Methods 0.000 claims description 72
- 230000035772 mutation Effects 0.000 claims description 11
- 230000006978 adaptation Effects 0.000 claims description 5
- 230000002860 competitive effect Effects 0.000 claims description 2
- 238000004378 air conditioning Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 89
- 238000012545 processing Methods 0.000 description 49
- 238000003860 storage Methods 0.000 description 32
- 230000008569 process Effects 0.000 description 19
- 238000004065 wastewater treatment Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本说明书实施例公开了一种污水处理厂水泵组的协同调度方法,涉及协同调度领域。该方法包括:获取待处理的污水处理作业信息及水泵相关信息;基于所述污水处理作业信息及所述水泵相关信息确定约束条件;在所述约束条件下确定预分配方案;确定目标函数和适应度函数;将所述预分配方案作为遗传算法中的染色体,并基于所述目标函数、所述适应度函数以及所述约束条件对所述预分配方案进行协同调度优化,得到目标调度方案。通过该方法所得到的目标调度方案对污水处理厂的水泵组进行协同调度,可以提高污水处理厂处理污水的效率与性能,降低水泵的故障发生率,并在保证水泵发生故障可能性较小的情况下,减少了水泵的空闲时间和开关频数。
Description
技术领域
本发明涉及协同调度领域,特别涉及一种污水处理厂水泵组的协同调度方法。
背景技术
水泵作为污水处理厂的重要设备之一,其控制策略的好坏直接关系到了污水处理效率的高低。处理污水的任务可以使用多个水泵进行同时处理,因此,在污水处理厂中,通常会配置多个水泵组成水泵组,以满足不同处理单元的需求。但是,水泵组内水泵的类型、规格或功率等可能有所不同,故在闲置水泵较多,而处理任务较轻的情况下,选用不同的水泵来进行污水处理作业可能会具有不同的处理效率和能源消耗。
基于此,有必要研究一种科学合理的协同调度方法来对污水处理作业进行控制,以提高污水处理效率,降低能源消耗。
发明内容
本说明书实施例提供一种污水处理厂水泵组的协同调度方法,该包括:获取待处理的污水处理作业信息及水泵相关信息,其中,所述污水处理作业信息包括作业数量以及每一个污水处理作业所对应的待处理污水量和作业限定时间,所述水泵相关信息包括可用水泵数量、每一个可用水泵在单位时间内的最大污水处理量以及每一个可用水泵在最大污水处理量下单位时间所对应的能耗;基于所述污水处理作业信息及所述水泵相关信息确定约束条件;在所述约束条件下确定预分配方案,其中,所述预分配方案包括每一个污水处理作业所对应的至少一台预分配水泵以及每一台所述预分配水泵所对应的分配运行时间和单位时间内的分配处理量;确定目标函数和适应度函数,所述目标函数用于使所有所述污水处理作业对应的耗费度之和最小化,所述适应度函数基于所述目标函数及预分配水泵的分配运行时间和历史运行时间得到;将所述预分配方案作为遗传算法中的染色体,并基于所述目标函数、所述适应度函数以及所述约束条件对所述预分配方案进行协同调度优化,得到目标调度方案。
在一些实施例中,所述约束条件至少包括:每一台预分配水泵在单位时间内的分配处理量小于或等于其在单位时间内的最大污水处理量;以及每一台所述预分配水泵所对应的分配运行时间小于或等于对应的污水处理作业的作业限定时间。
在一些实施例中,所述在所述约束条件下确定预分配方案包括:从可用水泵中确定至少一台预分配水泵,并确定每一台预分配水泵所对应的分配运行时间及在单位时间内的分配处理量,以使得所有所述预分配水泵所对应的分配运行时间与单位时间内的分配处理量的乘积之和大于或等于对应的污水处理作业的待处理污水量。
在一些实施例中,所述污水处理作业对应的耗费度基于如下方式计算得到:计算所有所述预分配水泵对应的资源占比,所述资源占比用于表征所有所述预分配水泵的平均分配运行时间;计算所有所述预分配水泵对应的运行能耗;将所述资源占比与所述运行能耗的乘积作为所述污水处理作业对应的耗费度。
在一些实施例中,所述计算所述预分配水泵对应的运行能耗,包括:基于每一台预分配水泵所对应的分配运行时间、单位时间内的分配处理量、单位时间内的最大污水处理量以及在最大污水处理量下所对应的能耗,计算每一台预分配水泵所对应的单泵能耗;将所有所述预分配水泵所对应的单泵能耗相加,得到所有所述预分配水泵对应的运行能耗。
在一些实施例中,所述预分配水泵中的至少一台多阶水泵包括两个运行阶段,所述基于每一台预分配水泵所对应的分配运行时间、单位时间内的分配处理量、单位时间内的最大污水处理量以及在最大污水处理量下所对应的能耗,计算每一台预分配水泵所对应的单泵能耗,包括:基于所述多阶水泵在最大污水处理量下所对应的能耗以及所述多阶水泵在第一阶段的第一分配运行时间,得到第一能耗;基于所述多阶水泵在单位时间内的分配处理量与单位时间内的最大污水处理量的第一比值、在最大污水处理量下所对应的能耗以及所述多阶水泵在第二阶段的第二分配运行时间,得到第二能耗;将所述第一能耗与所述第二能耗相加,得到所述多阶水泵所对应的单泵能耗。
在一些实施例中,所述适应度函数基于如下方式计算得到:计算所述预分配水泵的分配运行时间和历史运行时间的第二比值;基于所有所述预分配水泵所对应的第二比值的加和与所述目标函数的第三比值,得到所述适应度函数。
在一些实施例中,所述基于所述目标函数、所述适应度函数以及所述约束条件对所述预分配方案进行协同调度优化,得到目标调度方案,包括:初始化种群数量;基于所述适应度函数计算每个染色体的适应度;基于所述适应度的大小对当前种群中的染色体进行选择;对被选中的染色体进行交叉,产生新的染色体组合;在所述约束条件下进行迭代,直到迭代次数达到第一阈值或所述目标函数达到第二阈值时停止迭代,得到最优染色体;基于所述最优染色体所对应的分配结果,得到所述目标调度方案。
在一些实施例中,所述进行选择的操作包括轮盘赌算法或竞标赛选择算法;所述交叉方式包括单点交叉、多点交叉、均匀交叉中的任意一种。
在一些实施例中,所述基于所述目标函数、所述适应度函数以及所述约束条件对所述预分配方案进行协同调度优化,得到目标调度方案,还包括:通过变异算子进行随机变异,产生新的染色体。
本说明书实施例所提供的污水处理厂水泵组的协同调度方法可能带来的有益效果至少包括:(1)通过根据预分配方案中各个预分配水泵所对应的运行能耗及分配运行时间来计算预分配方案所对应的耗费度,并通过该耗费度来构建目标函数,可以更好地反映预分配方案的合理性;(2)通过前述目标函数及预分配水泵的分配运行时间和历史运行时间来构建适应度函数,可以在后续优化过程中同时考虑能耗、处理效率以及故障可能性等多方面的因素,从而使得优化后所得到目标调度方案具有更低的能耗、更低的故障发生率以及更高的处理效率;(3)通过基于交叉、变异等遗传算法来对水泵组的协同调度方案进行迭代优化,获取较为理想的目标调度方案,并采用该目标调度方案来进行污水处理,可以提高污水处理厂处理污水的效率与性能,同时在保证水泵发生故障可能性较小的情况下,减少了水泵的空闲时间和开关频数。
附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说,通过查阅以下内容和附图将变得显而易见,或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书的一些实施例所示的污水处理厂水泵组的协同调度系统的示例性应用场景示意图;
图2是根据本说明书的一些实施例所示的污水处理厂水泵组的协同调度系统的示例性模块图;
图3是根据本说明书一些实施例所示的污水处理厂水泵组的协同调度方法的示例性流程图;
图4是根据本说明书一些实施例所示的污水处理厂水泵组的协同调度方法的示例性子步骤流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面结合附图对本说明书实施例提供的污水处理厂水泵组的协同调度方法和系统进行详细说明。
图1是根据本说明书一些实施例所示的污水处理厂水泵组的协同调度系统的示例性应用场景示意图。
参照图1,在一些实施例中,污水处理厂水泵组的协同调度系统的应用场景100可以包括任务管理单元110、存储设备120、处理设备130、终端设备140以及网络150。应用场景100中的各个部件可以以多种方式相连接。例如,任务管理单元110可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。又例如,存储设备120可以与处理设备130直接连接或通过网络150连接。又例如,终端设备140可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。
任务管理单元110可以用于对污水处理任务以及水泵(或水泵组)的工作状态进行管理。例如,任务管理单元110可以获取待处理的污水处理作业数量,每个作业所对应的待处理污水量以及污水处理作业完成的限定时间(例如需要在2个小时内完成);同时,任务管理单元110还可以用于确定当前可用的水泵数量,每一个可用水泵在单位时间内的最大污水处理量以及每一个可用水泵在最大污水处理量下单位时间所对应的能耗。在一些实施例中,前述待处理的污水处理作业可以由相关管理人员输入或根据待处理的污水量自动生成。在一些实施例中,任务管理单元110可以具有独立的电源,其可以通过有线或无线(例如蓝牙、WiFi等)的方式将获取的污水处理作业信息及水泵相关信息发送给应用场景100中的其他部件(例如,存储设备120、处理设备130、终端设备140)。
在一些实施例中,任务管理单元110可以通过网络150将其获取的污水处理作业信息及水泵相关信息发送至存储设备120、处理设备130、终端设备140等。在一些实施例中,可以通过处理设备130对任务管理单元110所获取的污水处理作业信息及水泵相关信息进行处理。例如,处理设备130可以基于该污水处理作业信息及水泵相关信息确定约束条件、目标函数和适应度函数,并基于该约束条件、目标函数和适应度函数对预分配方案进行协同调度优化,得到目标调度方案。在一些实施例中,该约束条件、目标函数、适应度函数、预分配方案和/或目标调度方案可以发送至存储设备120进行记录,或者发送至终端设备140以反馈给用户(例如调度管理人员)。
网络150可以促进信息和/或数据的交换。网络150可以包括能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中,应用场景100的至少一个组件(例如,任务管理单元110、存储设备120、处理设备130、终端设备140)可以通过网络150与应用场景100中至少一个其他组件交换信息和/或数据。例如,处理设备130可以通过网络150从任务管理单元110和/或存储设备120获得污水处理作业信息及水泵相关信息。又例如,处理设备130可以通过网络150从终端设备140获得用户操作指令,示例性的操作指令可以包括但不限于查阅污水处理作业信息及水泵相关信息,读取基于该污水处理作业信息及水泵相关信息确定的约束条件、目标函数、适应度函数、预分配方案和/或目标调度方案等。
在一些实施例中,网络150可以为任意形式的有线或无线网络,或其任意组合。仅作为示例,网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或其任意组合。在一些实施例中,网络150可以包括至少一个网络接入点,应用场景100的至少一个组件可以通过接入点连接到网络150以交换数据和/或信息。
存储设备120可以储存数据、指令和/或任何其他信息。在一些实施例中,存储设备120可以存储从任务管理单元110、处理设备130和/或终端设备140获得的数据。例如,存储设备120可以存储任务管理单元110获取的污水处理作业信息及水泵相关信息;又例如,存储设备120可以存储处理设备130计算得到的约束条件、目标函数、适应度函数、预分配方案和/或目标调度方案。在一些实施例中,存储设备120可以存储处理设备130用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备120可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,存储设备120可以在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备120可以连接到网络150以与应用场景100中的至少一个其他组件(例如,任务管理单元110、处理设备130、终端设备140)通信。应用场景100中的至少一个组件可以通过网络150访问存储设备120中存储的数据、指令或其他信息。在一些实施例中,存储设备120可以与应用场景100中的一个或以上组件(例如,任务管理单元110、终端设备140)直接连接或通信。在一些实施例中,存储设备120可以是任务管理单元110和/或处理设备130的一部分。
处理设备130可以处理从任务管理单元110、存储设备120、终端设备140和/或应用场景100的其他组件获得数据和/或信息。在一些实施例中,处理设备130可以从任务管理单元110、存储设备120或终端设备140中任意一个或多个获得污水处理作业信息及水泵相关信息,通过对该污水处理作业信息及水泵相关信息进行处理以确定约束条件、目标函数和适应度函数,并基于该约束条件、目标函数和适应度函数对预分配方案进行协同调度优化,得到目标调度方案。在一些实施例中,处理设备130可以从存储设备120获取预先存储的计算机指令,并执行该计算机指令以实现本说明书所描述的污水处理厂水泵组的协同调度方法。
在一些实施例中,处理设备130可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备130可以是本地或远程的。例如,处理设备130可以通过网络150从任务管理单元110、存储设备120和/或终端设备140访问信息和/或数据。又例如,处理设备130可以直接连接到任务管理单元110、存储设备120和/或终端设备140以访问信息和/或数据。在一些实施例中,处理设备130可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
终端设备140可以接收、发送和/或显示数据。所述接收的数据可以包括任务管理单元110获取的数据、存储设备120存储的数据、处理设备130处理得到的约束条件、目标函数、适应度函数、预分配方案和/或目标调度方案等。所述发送的数据可以包括用户(例如调度管理人员)的输入数据和指令等。例如,终端设备140可以将用户输入的操作指令通过网络150发送给任务管理单元110,以控制任务管理单元110进行相应的任务管理(例如任务分配、任务调度等)。又例如,终端设备140可以将用户输入的数据处理指令通过网络150发送给处理设备130。
在一些实施例中,终端设备140可以包括移动设备141、平板计算机142、膝上型计算机143等或其任意组合。例如,移动设备141可以包括移动电话、个人数字助理(PDA)、专用移动终端等或其任意组合。在一些实施例中,终端设备140可以包括输入设备(如键盘、触摸屏)、输出设备(如显示器、扬声器)等。在一些实施例中,处理设备130可以是终端设备140的一部分。
应当注意的是,上述有关应用场景100的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对应用场景100进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,任务管理单元110的可以包括更多或更少的功能组件。又例如,在一些实施例中,任务管理单元110、存储设备120、处理设备130和/或终端设备140可以集成于一体。
图2是根据本说明书一些实施例所示的污水处理厂水泵组的协同调度系统的模块示意图。在一些实施例中,图2所示的污水处理厂水泵组的协同调度系统200可以以软件和/或硬件的方式应用到图1所示的应用场景100,例如,可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140,以用于对任务管理单元110所获取的污水处理作业信息及水泵相关信息进行处理,并基于该污水处理作业信息及水泵相关信息确定约束条件、目标函数和适应度函数,然后基于该约束条件、目标函数和适应度函数对预分配方案进行协同调度优化,得到目标调度方案。
参照图2,在一些实施例中,污水处理厂水泵组的协同调度系统200可以包括获取模块210、约束条件确定模块220、预分配方案确定模块230、函数确定模块240以及调度方案优化模块250。
获取模块210可以用于获取待处理的污水处理作业信息及水泵相关信息,其中,所述污水处理作业信息包括作业数量以及每一个污水处理作业所对应的待处理污水量和作业限定时间,所述水泵相关信息包括可用水泵数量、每一个可用水泵在单位时间内的最大污水处理量以及每一个可用水泵在最大污水处理量下单位时间所对应的能耗。
约束条件确定模块220可以用于基于所述污水处理作业信息及所述水泵相关信息确定约束条件。
预分配方案确定模块230可以用于在所述约束条件下确定预分配方案,其中,所述预分配方案包括每一个污水处理作业所对应的至少一台预分配水泵以及每一台所述预分配水泵所对应的分配运行时间和单位时间内的分配处理量。
函数确定模块240可以用于确定目标函数和适应度函数,所述目标函数用于使所有所述污水处理作业对应的耗费度之和最小化,所述适应度函数基于所述目标函数及预分配水泵的分配运行时间和历史运行时间得到。
调度方案优化模块250可以用于将所述预分配方案作为遗传算法中的染色体,并基于所述目标函数、所述适应度函数以及所述约束条件对所述预分配方案进行协同调度优化,得到目标调度方案。
关于上述各个模块的更多细节可以参照本说明书的其他位置(例如图3~图4部分及其相关描述),此处不再赘述。
应当理解,图2所示的污水处理厂水泵组的协同调度系统200及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,上述关于污水处理厂水泵组的协同调度系统200的描述仅出于说明性目的而提供,并不旨在限制本说明书的范围。可以理解,对于本领域的技术人员来说,可以根据本说明书的描述,在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,图2中所述的获取模块210、约束条件确定模块220、预分配方案确定模块230、函数确定模块240以及调度方案优化模块250可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。再例如,函数确定模块240可以包括目标函数确定模块和适应度函数确定模块。诸如此类的变形,均在本说明书的保护范围之内。在一些实施例中,前述各个模块可以是处理设备130和/或终端设备140的一部分。
图3是根据本说明书一些实施例所示的污水处理厂水泵组的协同调度方法的示例性流程图。在一些实施例中,污水处理厂水泵组的协同调度方法的示例性流程图300可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。在一些实施例中,图3所示的污水处理厂水泵组的协同调度方法的示例性流程图300中的一个或多个操作可以通过图1所示的处理设备130和/或终端设备140实现。例如,污水处理厂水泵组的协同调度方法可以以指令的形式存储在存储设备120中,并由处理设备130和/或终端设备140调用和/或执行。下文以处理设备130为例描述方法的执行过程。
参照图3,在一些实施例中,污水处理厂水泵组的协同调度方法可以包括:
步骤310,获取待处理的污水处理作业信息及水泵相关信息。在一些实施例中,步骤310可以由获取模块210执行。
在一些实施例中,获取模块210可以从任务管理单元110和/或存储设备120处获取待处理的污水处理作业信息及水泵相关信息。在一些实施例中,该污水处理作业信息可以包括作业数量以及每一个污水处理作业所对应的待处理污水量和作业限定时间,水泵相关信息包括可用水泵数量、每一个可用水泵在单位时间内的最大污水处理量以及每一个可用水泵在最大污水处理量下单位时间所对应的能耗。
示例性地,在一些实施例中,获取模块210可以通过任务管理单元110获取污水处理作业数量(Z)以及每个污水处理作业所对应的需求数据,该需求数据包括待处理污水量Q和作业限定时间(例如需要在2个小时内完成)。同时,获取模块210还可以通过任务管理单元110获取当前可用水泵数量(此处记为N)以及不同可用水泵所对应的数据,包括每一个可用水泵在单位时间内可处理的最大污水处理量Y,单位时间内所对应的能耗W(在最大污水处理量下所对应的能耗)。
步骤320,基于所述污水处理作业信息及所述水泵相关信息确定约束条件。在一些实施例中,步骤320可以由约束条件确定模块220执行。
协同调度一般是指多个任务进行协同和调度,以最大化系统的效率和性能。而在本说明书实施例中,协同调度的优化对象是水泵组的调度策略。具体来说,就是通过合理的水泵组协同调度,使得污水处理系统的处理效率最大化,能耗最小化,同时降低设备的损耗和维护成本,从而实现污水处理系统的高效稳定运行。
可以理解,在优化调度策略的同时需要满足一定的约束条件,例如,对于某一个污水处理作业而言,可以将污水分配到不同的水泵中进行处理,并且在保证水泵高效处理污水的同时降低能耗。
具体而言,在一些实施例中,根据上述步骤获取了Z个系统中待处理的污水处理作业后,可以基于系统接收到污水处理作业的时间先后,将Z个作业分别记为{ ,/> ,…/>},其中/>表示第i个待处理的污水处理作业。同时,还可以对水泵进行编号,将水泵编号为1,2,3…N。 则对于待处理的污水处理作业/>而言,其所对应的待处理的污水量为/>,当前可用水泵数量为N个,水泵单位时间内所对应的最大污水处理量为Y,最大污水处理量工作状态下单位时间的能耗为W。
则对于待处理作业,需要在N个水泵中选择n个水泵进行处理,其中n/>,并满足。其中/>为第i个预分配的水泵对应的分配运行时间,/>为第i个预分配的水泵所对应的分配处理量,其中,/>满足/>,/>满足/>,/>为第i个预分配的水泵所对应的单位时间内的最大污水处理量。
具体而言,在本说明书实施例中,前述约束条件至少需要包括每一台预分配水泵在单位时间内的分配处理量小于或等于其在单位时间内的最大污水处理量,以及每一台预分配水泵所对应的分配运行时间小于或等于对应的污水处理作业的作业限定时间,并且所有预分配水泵所对应的分配运行时间与单位时间内的分配处理量的乘积之和大于或等于对应的污水处理作业的待处理污水量。
在一些实施例中,前述约束条件可以表示如下:
,
其中,J为约束条件;表示第j个预分配水泵对应的分配运行时间;/>表示第j个预分配水泵对应的分配处理量;/>为第j个预分配水泵所对应的单位时间内的最大污水处理量;/>表示第i个待处理污水处理作业中分配的水泵数量;/>为所有可用水泵数量;/>表示第i个待处理污水处理作业的所对应的待处理污水量;/>表示污水处理作业所对应的作业限定时间。
步骤330,在所述约束条件下确定预分配方案。在一些实施例中,步骤330可以由预分配方案确定模块230执行。
在本说明书中,预分配方案可以指待优化的初步调度策略,其可以基于前述约束条件生成,但是,在处理效率和能耗方面可能会不太理想,因此,需要通过后续步骤进行优化。需要说明的是,在本说明书的一些实施例中,后续优化过程中所得到的中间调度策略(即在确定目标调度方案前得到的一个或多个需要进一步优化的调度策略)也可以视为预分配方案。
在一些实施例中,预分配方案确定模块230可以从N个可用水泵中确定至少一台预分配水泵来对待处理的污水处理作业进行处理,并确定每一台预分配水泵所对应的分配运行时间及在单位时间内的分配处理量,以使得所有预分配水泵所对应的分配运行时间与单位时间内的分配处理量的乘积之和大于或等于对应的污水处理作业的待处理污水量。
步骤340,确定目标函数和适应度函数。在一些实施例中,步骤340可以由函数确定模块240执行。
在本说明书中,目标函数可以用于使所有污水处理作业对应的耗费度之和最小化,具体而言,即在后续过程中朝着使该目标函数尽可能小的方向对调度策略进行优化。其可以表示如下:
,
其中,为目标函数;J为约束条件;/>表示第i个待处理污水处理作业/>所对应的耗费度。
在一些实施例中,前述耗费度可以基于污水处理作业所对应的运行能耗和资源占比计算得到,其中,该资源占比可以理解为该污水处理作业所对应的所有预分配水泵的平均分配运行时间。
具体地,在一些实施例中,该耗费度的计算过程可以表示如下:
,
其中,n为该待处理污水处理作业所对应的预分配水泵的个数(在待处理污水量一定的情况下,n值越小,A值通常越大);表示第i台预分配水泵对应的分配运行时间;A表示该种分配情况下,该作业对水泵组的资源占比,A值越大,则说明该种分配下,水泵运行的时间越长,作业所需要的水泵数量越多;/>反映了不同水泵在该种分配情况下所对应的运行能耗,其中/>表示第i台预分配水泵对应的分配处理量,/>表示第i台预分配水泵对应的最大污水处理量,/>表示第i台预分配水泵在最大污水处理量情况下单位时间所对应的能耗。HF则表示在该种分配下,待处理污水处理作业所对应的耗费度。耗费度HF越大,则说明在该分配下,水泵组完成该污水处理作业的能耗越大,时间越长,对后续作业的影响越大。
具体而言,在一些实施例中,函数确定模块240在用于确定目标函数的过程中,可以具体用于计算所有预分配水泵对应的资源占比,同时,计算所有预分配水泵对应的运行能耗,然后将该资源占比与运行能耗的乘积作为污水处理作业对应的耗费度。其中,在计算所有预分配水泵对应的运行能耗时,函数确定模块240可以具体用于基于每一台预分配水泵所对应的分配运行时间、单位时间内的分配处理量、单位时间内的最大污水处理量以及在最大污水处理量下所对应的能耗,计算每一台预分配水泵所对应的单泵能耗,然后将所有预分配水泵所对应的单泵能耗相加,得到所有预分配水泵对应的运行能耗。
需要注意的是,当污水处理任务量较小时,水泵组仅需部分水泵即可完成工作,因此,此时只需选择耗费度最小所对应的水泵组合即可。而当污水处理任务量较大,所有水泵均需参与到污水处理任务中时,则可能会出现相对更为复杂的情况。
根据先验知识可知,当在未运行的可用水泵中分配一部分水泵来处理作业后,在对后续的待处理作业/>的分配过程中,由于水泵存在不同的规格(例如污水处理能力不同,即能耗与最大污水处理量可能不同),因此,对于待处理作业/>而言,待分配的水泵个数与分配的水泵均会受到待处理作业/>已分配的水泵的影响。
此处假设预分配后待处理作业,/>,/>已经占据了所有的可用水泵,即所有水泵均在进行工作,则对于待处理作业/>而言,其所分配到的水泵受到作业/>,/>,/>所对应的预分配水泵的分配运行时间的影响。
具体而言,在对待处理作业,/>,/>进行水泵分配时,由于可用水泵是未运行状态,可以同时进行运行,而在对待处理作业/>进行分配并计算耗费度时,水泵需要先处理完待处理作业/>,/>,/>后,再对待处理作业/>进行处理,因此,在计算待处理作业/>所分配的水泵其对应的耗费度时,直接使用上述步骤进行计算可能会由于不同水泵的运行时间不一致而出现一定的偏差。若等水泵都运行停止之后再进行计算分配,则毫无疑问会大大降低污水处理效率。
为了提高污水处理系统的处理效率,在本说明书的一些实施例中,对待处理作业进行分配时可以优先选择已完成其他处理工作的水泵进行处理,此处假设待处理作业/>分配了m台水泵进行处理,则水泵处理作业/>时,按照水泵开始处理作业/>的时间进行排序,即若分配m台水泵处理作业/>,则m台水泵分别对应预设运行时间/>,/>…/>的m个水泵。其中,假设/>时间段内仅有一台水泵在处理作业/>,/>时存在两台水泵在处理作业/>,以此类推,则处理作业/>时可以存在两个阶段,第一阶段分配水泵数量较小,水泵在作业限定时间内无法完成,此时为了提高效率,水泵应在限定的最大处理量下进行工作,而第二阶段下,空闲水泵较多,分配水泵的数量较多,水泵可以在作业限定时间下完成作业,则可对水泵的处理量进行微调,以防水泵一直处于满负荷状态而出现故障的现象。在一些实施例中,第一阶段和第二阶段的判定条件可以表示为/>且,其中u为当前处理作业/>的水泵数量,水泵数量达到u前为第一阶段,达到u后为第二阶段。对于第二阶段水泵所对应的分配处理量为调节后的/>(/></>)。则待处理作业/>所对应的耗费度/>可以表示如下:
,
其中,表示了待处理作业/>的耗费度;/>表示处理作业/>所分配的第i台水泵在第一阶段的分配运行时间,/>表示处理作业/>所分配的第i台水泵在第二阶段的分配运行时间;/>表示第i台水泵在最大污水处理量下单位时间对应的能耗;/>表示所有分配的水泵的总体能耗;/>可以参照上述步骤中A的相关计算公式进行计算。
具体而言,即在预分配水泵中的至少一台多阶水泵包括两个运行阶段时,函数确定模块240可以具体用于基于多阶水泵在最大污水处理量下所对应的能耗以及该多阶水泵在第一阶段的第一分配运行时间,得到第一能耗;然后,基于该多阶水泵在单位时间内的分配处理量与单位时间内的最大污水处理量的第一比值()、在最大污水处理量下所对应的能耗以及该多阶水泵在第二阶段的第二分配运行时间,得到第二能耗;最后,将计算得到的第一能耗与第二能耗相加,得到每一个多阶水泵所对应的单泵能耗。其中,需要说明的是,在本说明书中,多阶水泵可以理解为具有两个或两个以上以不同模式工作的运行阶段的水泵。
进一步地,函数确定模块240还可以用于确定适应度函数。可以理解,适应度函数是为了计算染色体(本说明书中具体指水泵组的协同调度方案)的适应度所确定的函数,其可以在遗传算法中用于选取一些较优的染色体作为父代染色体进行优化。在本说明书中,该适应度函数可以用于计算预分配方案所对应的适应度。
在一些实施例中,该适应度函数可以基于前述目标函数及预分配水泵的分配运行时间和历史运行时间得到。具体地,该适应度函数可以表示如下:
,
其中,为前述目标函数值;/>表示当前预分配方案中第i台预分配水泵对应的分配运行时间;/>表示第i台预分配水泵的历史运行时间,其值越小,分配运行时间和历史运行时间的第二比值/>越大,说明水泵的历史运行时间越小,当前分配运行时间越大,在此种状况下发生故障的概率越小。
具体而言,函数确定模块240在用于确定适应度函数的过程中,可以具体用于计算预分配水泵的分配运行时间和历史运行时间的第二比值,然后基于所有预分配水泵所对应的第二比值的加和/>与目标函数的第三比值/>,得到所述适应度函数。
需要说明的是,在本说明书实施例中,通过前述目标函数及预分配水泵的分配运行时间和历史运行时间来确定适应度函数,可以使得后续遗传过程中历史运行时间较小的水泵在当前处理中运行时间较长,这类染色体生存概率更大,即可以基于水泵的健康状态来完成后续优化,使最终得到的优化结果中水泵出现磨损伤害的概率更小,同时效率更高(运行时间越长,水泵的磨损可能性越大,发生故障的可能性越大),能耗更低。
步骤350,将所述预分配方案作为遗传算法中的染色体,并基于所述目标函数、所述适应度函数以及所述约束条件对所述预分配方案进行协同调度优化,得到目标调度方案。在一些实施例中,步骤350可以由调度方案优化模块250执行。
在通过前述步骤完成目标函数、约束条件以及适应度函数的构件之后,可以将前述预分配方案作为遗传算法中的染色体,模拟自然界中的遗传、变异和适应过程,并基于前述目标函数、适应度函数以及约束条件不断优化分配和调度方案,以提高污水处理的效率和性能。
图4是根据本说明书一些实施例所示的污水处理厂水泵组的协同调度方法的示例性子步骤流程图。参照图4,在一些实施例中,步骤350可以包括如下子步骤:
子步骤351,初始化种群数量。
在一些实施例中,可以将种群数量设定为100,即存在100个染色体。需要说明的是,在本说明书中,初始化种群数量的过程可以理解为生成指定数量的预分配方案的过程,此处将种群数量设定为100,可以理解为生成100个预分配方案,并将每一个预分配方案作为一个染色体。
还需要说明的是,前述种群数量仅为示例性说明,在一些其他实施例中,该种群数量可以设定为其他值,例如20、30、50、80、120等。
子步骤352,基于所述适应度函数计算每个染色体的适应度。
在子步骤352中,调度方案优化模块250可以用于基于前述适应度函数计算每一个染色体所对应的适应度,以评估其所对应的预分配方案的适应度或可行度。
子步骤353,基于所述适应度的大小对当前种群中的染色体进行选择。
在一些实施例中,可以对子步骤352中计算得到的适应度进行归一化处理,然后将适应度大于等于预设阈值0.75的染色体作为优秀染色体,并用于后续分析。此处需要说明的是,在一些其他的实施例中,该预设阈值可以设定为除0.75以外的其他值,例如0.7、0.8等。
在一些实施例中,子步骤353中所使用的选择操作可以包括轮盘赌算法、竞标赛选择算法等。由于轮盘赌算法、竞标赛选择算法等选择方式均可视为公知技术,因此,本说明书中不再进行赘述。
子步骤354,对被选中的染色体进行交叉,产生新的染色体组合。
在通过子步骤353选出优秀染色体之后,可以对选出的优秀染色体进行交叉,从而产生新的染色体组合。对于新产生的染色体,可以通过前述适应度函数计算其对应的适应度。
在一些实施例中,子步骤354中所使用的交叉方式可以包括单点交叉、多点交叉、均匀交叉中的任意一种。
子步骤355,所述约束条件下进行迭代,直到迭代次数达到第一阈值或所述目标函数达到第二阈值时停止迭代,得到最优染色体。
在本说明书实施例中,可以重复前述子步骤352~子步骤354进行迭代,直到迭代次数达到第一阈值或目标函数达到第二阈值时停止迭代,得到最优染色体。其中,第一阈值可以设定为200次,第二阈值可以设定为0.8。具体而言,即可以对各个染色体所对应的目标函数值进行归一化处理,当经过归一化处理后所得到的结果小于0.8时,则表示其对应的预分配方案具有较小的耗费度。需要说明,在一些其他的实施例中,该第二阈值可以设定为更小的值。例如,在一些实施例中,该第二阈值可以设定为0.5、0.6、0.7或其他数值。
子步骤356,基于所述最优染色体所对应的分配结果,得到所述目标调度方案。
在一些实施例中,通过前述步骤得到最优染色体后,可以将该最优染色体所对应的调度分配方案作为目标调度方案,并基于该目标调度方案对待处理的污水处理任务进行处理,从而提高水泵组污水处理的效率与性能,同时降低水泵的能耗。
可选地,在一些实施例中,还可以通过变异算子进行随机变异,产生新的染色体。可以理解,变异算子的作用是保证种群中存在多样性,避免早熟现象,因此,在本说明书实施例中,通过变异算子进行随机变异产生新的染色体,并将一定比例的优秀个体传递到下一代,可以使得迭代过程中的优化效果更加理想。
综上所述,本说明书实施例可能带来的有益效果包括但不限于:(1)在本说明书一些实施例所提供的污水处理厂水泵组的协同调度方法中,通过根据预分配方案中各个预分配水泵所对应的运行能耗及分配运行时间来计算预分配方案所对应的耗费度,并通过该耗费度来构建目标函数,可以更好地反映预分配方案的合理性;(2)在本说明书一些实施例所提供的污水处理厂水泵组的协同调度方法中,通过前述目标函数及预分配水泵的分配运行时间和历史运行时间来构建适应度函数,可以在后续优化过程中同时考虑能耗、处理效率以及故障可能性等多方面的因素,从而使得优化后所得到目标调度方案具有更低的能耗、更低的故障发生率以及更高的处理效率;(3)在本说明书一些实施例所提供的污水处理厂水泵组的协同调度方法中,通过基于交叉、变异等遗传算法来对水泵组的协同调度方案进行迭代优化,获取较为理想的目标调度方案,并采用该目标调度方案来进行污水处理,可以提高污水处理厂处理污水的效率与性能,同时在保证水泵发生故障可能性较小的情况下,减少了水泵的空闲时间和开关频数。
Claims (7)
1.一种污水处理厂水泵组的协同调度方法,其特征在于,包括:
获取待处理的污水处理作业信息及水泵相关信息,其中,所述污水处理作业信息包括作业数量以及每一个污水处理作业所对应的待处理污水量和作业限定时间,所述水泵相关信息包括可用水泵数量、每一个可用水泵在单位时间内的最大污水处理量以及每一个可用水泵在最大污水处理量下单位时间所对应的能耗;
基于所述污水处理作业信息及所述水泵相关信息确定约束条件;
在所述约束条件下确定预分配方案,其中,所述预分配方案包括每一个污水处理作业所对应的至少一台预分配水泵以及每一台所述预分配水泵所对应的分配运行时间和单位时间内的分配处理量;
确定目标函数和适应度函数,所述目标函数用于使所有所述污水处理作业对应的耗费度之和最小化,所述适应度函数基于所述目标函数及预分配水泵的分配运行时间和历史运行时间得到;
将所述预分配方案作为遗传算法中的染色体,并基于所述目标函数、所述适应度函数以及所述约束条件对所述预分配方案进行协同调度优化,得到目标调度方案;
所述在所述约束条件下确定预分配方案包括:
从可用水泵中确定至少一台预分配水泵,并确定每一台预分配水泵所对应的分配运行时间及在单位时间内的分配处理量,以使得所有所述预分配水泵所对应的分配运行时间与单位时间内的分配处理量的乘积之和大于或等于对应的污水处理作业的待处理污水量;
所述适应度函数基于如下方式计算得到:
计算所述预分配水泵的分配运行时间和历史运行时间的第二比值;
基于所有所述预分配水泵所对应的第二比值的加和与所述目标函数的第三比值,得到所述适应度函数;
所述适应度函数表示为:,
其中,f(x)为前述目标函数值;表示当前预分配方案中第i台预分配水泵对应的分配运行时间;/>表示第i台预分配水泵的历史运行时间;
所述污水处理作业对应的耗费度基于如下方式计算得到:
计算所有所述预分配水泵对应的资源占比,所述资源占比用于表征所有所述预分配水泵的平均分配运行时间;
计算所有所述预分配水泵对应的运行能耗;
将所述资源占比与所述运行能耗的乘积作为所述污水处理作业对应的耗费度;
所述耗费度表示为:,
其中,n为该待处理污水处理作业所对应的预分配水泵的个数;表示第i台预分配水泵对应的分配运行时间;A表示该种分配情况下,该作业对水泵组的资源占比;/>反映了不同水泵在该种分配情况下所对应的运行能耗,其中/>表示第i台预分配水泵对应的分配处理量,/>表示第i台预分配水泵对应的最大污水处理量,/>表示第i台预分配水泵在最大污水处理量情况下单位时间所对应的能耗。
2.如权利要求1所述的污水处理厂水泵组的协同调度方法,其特征在于,所述约束条件至少包括:
每一台预分配水泵在单位时间内的分配处理量小于或等于其在单位时间内的最大污水处理量;以及:
每一台所述预分配水泵所对应的分配运行时间小于或等于对应的污水处理作业的作业限定时间。
3.如权利要求1所述的污水处理厂水泵组的协同调度方法,其特征在于,所述计算所述预分配水泵对应的运行能耗,包括:
基于每一台预分配水泵所对应的分配运行时间、单位时间内的分配处理量、单位时间内的最大污水处理量以及在最大污水处理量下所对应的能耗,计算每一台预分配水泵所对应的单泵能耗;
将所有所述预分配水泵所对应的单泵能耗相加,得到所有所述预分配水泵对应的运行能耗。
4.如权利要求3所述的污水处理厂水泵组的协同调度方法,其特征在于,所述预分配水泵中的至少一台多阶水泵包括两个运行阶段,所述基于每一台预分配水泵所对应的分配运行时间、单位时间内的分配处理量、单位时间内的最大污水处理量以及在最大污水处理量下所对应的能耗,计算每一台预分配水泵所对应的单泵能耗,包括:
基于所述多阶水泵在最大污水处理量下所对应的能耗以及所述多阶水泵在第一阶段的第一分配运行时间,得到第一能耗;
基于所述多阶水泵在单位时间内的分配处理量与单位时间内的最大污水处理量的第一比值、在最大污水处理量下所对应的能耗以及所述多阶水泵在第二阶段的第二分配运行时间,得到第二能耗;
将所述第一能耗与所述第二能耗相加,得到所述多阶水泵所对应的单泵能耗。
5.如权利要求1所述的污水处理厂水泵组的协同调度方法,其特征在于,所述基于所述目标函数、所述适应度函数以及所述约束条件对所述预分配方案进行协同调度优化,得到目标调度方案,包括:
初始化种群数量;
基于所述适应度函数计算每个染色体的适应度;
基于所述适应度的大小对当前种群中的染色体进行选择;
对被选中的染色体进行交叉,产生新的染色体组合;
在所述约束条件下进行迭代,直到迭代次数达到第一阈值或所述目标函数达到第二阈值时停止迭代,得到最优染色体;
基于所述最优染色体所对应的分配结果,得到所述目标调度方案。
6.如权利要求5所述的污水处理厂水泵组的协同调度方法,其特征在于,所述进行选择的操作包括轮盘赌算法或竞标赛选择算法;所述交叉方式包括单点交叉、多点交叉、均匀交叉中的任意一种。
7.如权利要求5所述的污水处理厂水泵组的协同调度方法,其特征在于,所述基于所述目标函数、所述适应度函数以及所述约束条件对所述预分配方案进行协同调度优化,得到目标调度方案,还包括:通过变异算子进行随机变异,产生新的染色体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310867946.7A CN116596280B (zh) | 2023-07-17 | 2023-07-17 | 一种污水处理厂水泵组的协同调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310867946.7A CN116596280B (zh) | 2023-07-17 | 2023-07-17 | 一种污水处理厂水泵组的协同调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116596280A CN116596280A (zh) | 2023-08-15 |
CN116596280B true CN116596280B (zh) | 2023-10-03 |
Family
ID=87604827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310867946.7A Active CN116596280B (zh) | 2023-07-17 | 2023-07-17 | 一种污水处理厂水泵组的协同调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596280B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160088030A (ko) * | 2015-01-15 | 2016-07-25 | 한국농어촌공사 | 다중수원 지능적 배분공급 스케줄링 방법 |
WO2016197849A1 (zh) * | 2015-06-09 | 2016-12-15 | 邻元科技(北京)有限公司 | 控制方法、冷机系统、冷机控制器、冷却塔系统、冷却塔控制器、水泵系统和水泵控制器 |
JP2017167874A (ja) * | 2016-03-17 | 2017-09-21 | 株式会社日立製作所 | 下水道設備運転支援装置、そのシステムおよび方法 |
CN108446789A (zh) * | 2018-02-09 | 2018-08-24 | 中国水利水电科学研究院 | 一种面向梯级泵站群日优化调度的智能优化方法 |
CN109345044A (zh) * | 2018-11-27 | 2019-02-15 | 广东工业大学 | 一种基于可变长基因遗传算法的泵站优化调度方法 |
CN109345010A (zh) * | 2018-09-18 | 2019-02-15 | 中国水利水电科学研究院 | 一种梯级泵站的多目标优化调度方法 |
CN111709134A (zh) * | 2020-06-12 | 2020-09-25 | 河海大学 | 一种基于闸泵站群控制的多水源跨流域调度方法及装置 |
CN111915088A (zh) * | 2020-08-07 | 2020-11-10 | 青岛洪锦智慧能源技术有限公司 | 一种降低污水处理厂泵组能耗的优化控制方法 |
CN113156817A (zh) * | 2021-03-18 | 2021-07-23 | 上海威派格智慧水务股份有限公司 | 一种泵站智能配泵方法 |
CN113392506A (zh) * | 2021-05-21 | 2021-09-14 | 苏州市排水有限公司 | 一种基于流量的区域污水泵站联合调度的优化配置方法 |
CN114371614A (zh) * | 2021-12-20 | 2022-04-19 | 上海西派埃智能化系统有限公司 | 一种基于遗传算法的泵站泵组运行确定方法及系统 |
CN114491893A (zh) * | 2022-02-18 | 2022-05-13 | 深圳天澄科工水系统工程有限公司 | 基于组合水泵特性曲线进行污水提升优化调度方法 |
CN115345400A (zh) * | 2021-05-14 | 2022-11-15 | 北京尚水信息技术股份有限公司 | 用遗传算法和神经网络对污水泵站群进行调度方法 |
CN115689198A (zh) * | 2022-10-31 | 2023-02-03 | 河海大学 | 一种平原圩区排涝泵站的优化调度方法 |
CN115860192A (zh) * | 2022-11-18 | 2023-03-28 | 中国电建集团华东勘测设计研究院有限公司 | 基于模糊神经网络和遗传算法的供水管网优化调度方法 |
CN116070857A (zh) * | 2023-02-01 | 2023-05-05 | 武汉理工大学 | 一种基于遗传算法的水厂二级泵房调度方法及装置 |
CN116109102A (zh) * | 2023-02-13 | 2023-05-12 | 电科云(北京)科技有限公司 | 基于遗传算法的资源调配方法及系统 |
-
2023
- 2023-07-17 CN CN202310867946.7A patent/CN116596280B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160088030A (ko) * | 2015-01-15 | 2016-07-25 | 한국농어촌공사 | 다중수원 지능적 배분공급 스케줄링 방법 |
WO2016197849A1 (zh) * | 2015-06-09 | 2016-12-15 | 邻元科技(北京)有限公司 | 控制方法、冷机系统、冷机控制器、冷却塔系统、冷却塔控制器、水泵系统和水泵控制器 |
JP2017167874A (ja) * | 2016-03-17 | 2017-09-21 | 株式会社日立製作所 | 下水道設備運転支援装置、そのシステムおよび方法 |
CN108446789A (zh) * | 2018-02-09 | 2018-08-24 | 中国水利水电科学研究院 | 一种面向梯级泵站群日优化调度的智能优化方法 |
CN109345010A (zh) * | 2018-09-18 | 2019-02-15 | 中国水利水电科学研究院 | 一种梯级泵站的多目标优化调度方法 |
CN109345044A (zh) * | 2018-11-27 | 2019-02-15 | 广东工业大学 | 一种基于可变长基因遗传算法的泵站优化调度方法 |
CN111709134A (zh) * | 2020-06-12 | 2020-09-25 | 河海大学 | 一种基于闸泵站群控制的多水源跨流域调度方法及装置 |
CN111915088A (zh) * | 2020-08-07 | 2020-11-10 | 青岛洪锦智慧能源技术有限公司 | 一种降低污水处理厂泵组能耗的优化控制方法 |
CN113156817A (zh) * | 2021-03-18 | 2021-07-23 | 上海威派格智慧水务股份有限公司 | 一种泵站智能配泵方法 |
CN115345400A (zh) * | 2021-05-14 | 2022-11-15 | 北京尚水信息技术股份有限公司 | 用遗传算法和神经网络对污水泵站群进行调度方法 |
CN113392506A (zh) * | 2021-05-21 | 2021-09-14 | 苏州市排水有限公司 | 一种基于流量的区域污水泵站联合调度的优化配置方法 |
CN114371614A (zh) * | 2021-12-20 | 2022-04-19 | 上海西派埃智能化系统有限公司 | 一种基于遗传算法的泵站泵组运行确定方法及系统 |
CN114491893A (zh) * | 2022-02-18 | 2022-05-13 | 深圳天澄科工水系统工程有限公司 | 基于组合水泵特性曲线进行污水提升优化调度方法 |
CN115689198A (zh) * | 2022-10-31 | 2023-02-03 | 河海大学 | 一种平原圩区排涝泵站的优化调度方法 |
CN115860192A (zh) * | 2022-11-18 | 2023-03-28 | 中国电建集团华东勘测设计研究院有限公司 | 基于模糊神经网络和遗传算法的供水管网优化调度方法 |
CN116070857A (zh) * | 2023-02-01 | 2023-05-05 | 武汉理工大学 | 一种基于遗传算法的水厂二级泵房调度方法及装置 |
CN116109102A (zh) * | 2023-02-13 | 2023-05-12 | 电科云(北京)科技有限公司 | 基于遗传算法的资源调配方法及系统 |
Non-Patent Citations (3)
Title |
---|
Dan Niu 等.Optimizing Pump Scheduling for Water Supply through Improved Multiple Population Genetic Algorithm.《2018 24th International Conference on Automation and Computing》.2018,第6页. * |
基于遗传算法的水厂二级泵房智能调度系统;童立君;江智军;黄国庆;;电气传动自动化(第01期);第53-57页 * |
基于遗传算法的污水输送泵站优化调度;龚志鹏 等;《系统仿真技术》;第3卷(第1期);第36-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116596280A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hosseinioun et al. | A new energy-aware tasks scheduling approach in fog computing using hybrid meta-heuristic algorithm | |
Wang | Multi-objective optimization based on decomposition for flexible job shop scheduling under time-of-use electricity prices | |
Velik et al. | Grid-price-dependent energy management in microgrids using a modified simulated annealing triple-optimizer | |
Simaria et al. | A genetic algorithm based approach to the mixed-model assembly line balancing problem of type II | |
CN102780759B (zh) | 基于调度目标空间的云计算资源调度方法 | |
Sun et al. | Hybrid genetic algorithm with variable neighborhood search for flexible job shop scheduling problem in a machining system | |
Hamzadayi et al. | A genetic algorithm based approach for simultaneously balancing and sequencing of mixed-model U-lines with parallel workstations and zoning constraints | |
Sebt et al. | Hybridization of genetic algorithm and fully informed particle swarm for solving the multi-mode resource-constrained project scheduling problem | |
Sonnenschein et al. | Decentralized control of units in smart grids for the support of renewable energy supply | |
US11392095B2 (en) | Building control system with central plant model generation | |
Abdulal et al. | Reliability-aware genetic scheduling algorithm in grid environment | |
CN114757699B (zh) | 电力调峰辅助服务市场分级出清方法、装置、设备及介质 | |
Chiu et al. | Multiobjective demand response for internet data centers | |
CN116596280B (zh) | 一种污水处理厂水泵组的协同调度方法 | |
CN117555305B (zh) | 一种基于nsgaii的多目标可变子批柔性车间作业调度方法 | |
CN114742425A (zh) | 绿色数据中心多资源协同规划方法、计算设备及存储介质 | |
Akbari-Dibavar et al. | Energy-efficient dispatch of multiple-chiller systems using hybrid exchange market and genetic algorithm | |
Pu et al. | Incentive mechanism and resource allocation for collaborative task offloading in energy-efficient mobile edge computing | |
WO2019227273A1 (en) | Hierarchical concept based neural network model for data center power usage effectiveness prediction | |
CN111124619B (zh) | 一种面向二次调度的容器调度方法 | |
Xue et al. | Enterprise information system structure optimization based on time property with improved immune genetic algorithm and binary tree | |
Sivianes et al. | Blockchain for energy trading in energy communities using stochastic and distributed model predictive control | |
Kim | Adaptive data center management algorithm based on the cooperative game approach | |
WO2014033893A1 (ja) | 電力融通グループ作成方法、および電力融通グループ作成装置 | |
CN111242803A (zh) | 基于多种群遗传算法的风机排布方法及装置 |
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 |