CN116702451A - 排水泵站优化调度方法及装置 - Google Patents
排水泵站优化调度方法及装置 Download PDFInfo
- Publication number
- CN116702451A CN116702451A CN202310604490.5A CN202310604490A CN116702451A CN 116702451 A CN116702451 A CN 116702451A CN 202310604490 A CN202310604490 A CN 202310604490A CN 116702451 A CN116702451 A CN 116702451A
- Authority
- CN
- China
- Prior art keywords
- stage
- pump station
- data
- rainfall
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012937 correction Methods 0.000 claims abstract description 44
- 238000005265 energy consumption Methods 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 22
- 230000008901 benefit Effects 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 40
- 238000005457 optimization Methods 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 18
- 238000007599 discharging Methods 0.000 claims description 11
- 230000008595 infiltration Effects 0.000 claims description 11
- 238000001764 infiltration Methods 0.000 claims description 11
- 238000005086 pumping Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供排水泵站优化调度方法及装置，能够充分优化泵站调度方案，可有效降低能耗，最大化泵站运行效益，使泵站保持高效运行。排水泵站优化调度方法包括：步骤1、收集资料；步骤2、根据收集的历史实测降雨资料和历史预报降雨资料，构建预报降雨校正模块，对预报降雨数据进行校正；步骤3、构建SWMM模型，包括水文模块和水动力模块；步骤4、根据步骤1收集的资料，构建最优调度模型；步骤5：当面临强降雨事件时，首先根据降雨校正处理后的预报降雨数据，通过SWMM模型模拟获得泵站来流过程，确定优化调度模型各状态阶段的泵站来流量，进而对优化调度模型进行求解，输出单位排放流量最小的能耗的调度方案，最大化泵站运行效益。
Description
技术领域
本发明属于防洪排涝控制技术领域，具体涉及排水泵站优化调度方法及装置。
背景技术
为应对日益频繁的极端气候影响，不少城市都建设了较为完善的防洪排涝设施，其中排水泵站在地势低洼，积水无法通过重力作用自流排出区域发挥着重要作用。然而，随城市化进程发展，防洪排涝系统日益复杂，排水泵站能耗日益增加，目前依靠经验进行泵站调度的方式难以满足科学调度的需求，亟需优化泵站调度方法，充分发挥泵站的排洪排涝功能，提高泵站运行效益、降低能耗。
发明内容
为了解决上述技术问题，本发明提供了排水泵站优化调度方法及装置，能够充分优化泵站调度方案，可有效降低能耗，最大化泵站运行效益，使泵站保持高效运行。
<方法>
本发明提供的排水泵站优化调度方法，包括以下步骤：
步骤1：收集资料；
步骤2：根据收集的历史实测降雨资料和历史预报降雨资料，构建预报降雨校正模块，对预报降雨数据进行校正；
步骤2.1，将历史实测降雨和预测降雨资料按季度信息进行整理；
步骤2.2，根据不同季度信息，分季度构建降雨校正公式：
式中，R为校正后时段降雨量；为预报时段降雨量；a、b、c、d为实验确定的待定常数；
步骤3：根据步骤1收集的资料与步骤2校正的预报降雨数据，构建SWMM模型，包括水文模块和水动力模块；
步骤4：根据步骤1收集的资料，构建最优调度模型；
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；为表示由面临阶段i的至最末阶段n，抽取单位水量所消耗的最小能耗值；Si+1表示第i+1阶段从状态可行域中选定某一确定状态变量值时，第i+1阶段至最末阶段n的累计排放流量；/>表示第i+1阶段至最末阶段n，抽取单位水量的最小能耗值；{Qi}第i阶段泵站所能提供的决策流量组合；Qi在第i阶段下，当选定i+1阶段决策方案时，所对应的决策流量；ηsti为在i阶段决策流量Qi对应的泵站效率；hst为泵站扬程；ρ为水的密度；g为重力加速度；/>为逆序求解初值条件，设置为0；
步骤5：当面临强降雨事件时，首先根据经步骤2降雨校正处理的预报降雨数据，通过SWMM模型模拟获得泵站来流过程，确定优化调度模型各状态阶段的泵站来流量，进而对优化调度模型进行求解，输出单位排放流量最小的能耗的调度方案，最大化泵站运行效益。
优选地，本发明提供的排水泵站优化调度方法，在步骤3中，进行SWMM模型自动率定及验证，包括以下子步骤：
步骤3.1，确定需率定SWMM模型参数及其取值范围，包括汇水区面积、汇水区坡度、不透水区占比、地表下渗能力、管道糙率；
步骤3.2，根据步骤1中的历史降雨资料、管道流量监测资料和泵站流量监测资料，设定率定场次数；
步骤3.3，确定优化目标函数，以SWMM模型模拟流量过程与管道实测流量过程间的吻合程度为优化目标；
步骤3.4，使用PySWMM载入SWMM模型，将步骤3.1中所确定参数进行矩阵化处理，通过引入网格搜索算法进行参数组合；自动遍历所有参数组合，运行SWMM模型，并在每轮程序运行完毕时，计算步骤3.3所确定的优化目标函数，当优化目标函数超过设定阈值时，储存当前参数组合；若均小于阈值时，根据实际情况调整步骤3.1中的参数取值范围或降低步骤3.3中的优化目标函数的阈值，而后重新进行步骤3.4；
步骤3.5，以步骤3.4中存储的参数组合为SWMM初始条件，选取设定率定场次数的额外历史降雨事件进行模型验证，优选出最佳的模型参数，完成SWMM模型率定。
优选地，本发明提供的排水泵站优化调度方法，步骤4包括如下子步骤：
步骤4.1，进行调度问题序列化，分别确定阶段变量、状态变量和决策变量；
阶段变量根据调整时间进行离散，根据泵站排放模式变换间隔进行确定；
状态变量选取为第i阶段至最末阶段n的累计流量Si作为状态变量：
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；Qi为第i阶段的泵站排放流量；n为累计阶段数量；
步骤4.2，确定所建优化模型系统方程；
Si+0＝Si-Qi，
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；Si+1表示第i+1阶段从状态可行域中选定某一确定状态变量值时，第i+1阶段至最末阶段n的累计排放流量；Qi为第i阶段的泵站排放流量；
步骤4.3，确定模型指标函数和最优目标函数，为在满足防洪排涝要求条件下，充分降低泵站能耗；
指标函数为：
最优目标函数为：
步骤4.4，确定决策约束条件为：
Qmin,i≤Qi≤Qmax,i，
式中，Qi为在i阶段泵站的排放流量；Qmin,i和Qmax,i分别表示在i阶段泵站的所允许的最小排放流量和最大排放流量；
步骤4.5，确定状态约束条件为：
式中，Qmax,k为泵站在k阶段最大排放流量；为累计需排流量；/>为k阶段的来流流量；Qk为k阶段排水泵站的排水流量；
步骤4.6，构建最优调度模型：
步骤4.7，进行优化调度模型求解。
优选地，本发明提供的排水泵站优化调度方法，在步骤1中，收集的资料包括：研究区基础资料，包括地形资料、土地利用资料、土壤下渗能力、管网资料、排水布设泵站信息、历史实测降雨资料、历史预报降雨资料、管道流量监测资料及其泵站流量监测资料；和各排水泵站基础信息，包括机组数量、泵站单机组扬程、泵站各机组的效率特性曲线；在步骤2中，分期为按季度划分；a、b、c、d根据目标区域具体的历史实测降雨资料与预报降雨资料采用最小二乘法确定。
<装置>
进一步，本发明还提供了一种自动实现上述<方法>的排水泵站优化调度装置，包括：
资料获取部，收集资料；
校正部，根据收集的历史实测降雨资料和历史预报降雨资料，构建预报降雨校正模块，对预报降雨数据进行校正；首先，将历史实测降雨和预测降雨资料按季度信息进行整理；然后，根据不同季度信息，分季度构建降雨校正公式：
式中，R为校正后时段降雨量；为预报时段降雨量；a、b、c、d为实验确定的待定常数；
SWMM模型构建部，根据资料获取部收集的资料与校正部校正的预报降雨数据，构建SWMM模型，包括水文模块和水动力模块；
最优调度模型构建部，根据资料获取部收集的资料，构建最优调度模型；
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；为表示由面临阶段i的至最末阶段n，抽取单位水量所消耗的最小能耗值；Si+1表示第i+1阶段从状态可行域中选定某一确定状态变量值时，第i+1阶段至最末阶段n的累计排放流量；/>表示第i+1阶段至最末阶段n，抽取单位水量的最小能耗值；{Qi}第i阶段泵站所能提供的决策流量组合；Qi在第i阶段下，当选定i+1阶段决策方案时，所对应的决策流量；ηsti为在i阶段决策流量Qi对应的泵站效率；Hst为泵站扬程；ρ为水的密度；g为重力加速度；/>为逆序求解初值条件，设置为0；
调度方案确定部，当面临强降雨事件时，首先根据经校正部校正处理的预报降雨数据，通过SWMM模型模拟获得泵站来流过程，确定优化调度模型各状态阶段的泵站来流量，进而对优化调度模型进行求解，输出单位排放流量最小的能耗的调度方案，最大化泵站运行效益；
控制部，与资料获取部、校正部、SWMM模型构建部、最优调度模型构建部、调度方案确定部均通信相连，控制它们的运行。
优选地，本发明提供的排水泵站优化调度装置，还可以包括：调度部，与控制部通信相连，根据调度方案确定部输出的调度方案，动态调控不同型号水泵的开启台数、水泵叶片角度、水泵运行转速。
优选地，本发明提供的排水泵站优化调度装置，还可以包括：输入显示部，与资料获取部、校正部、SWMM模型构建部、最优调度模型构建部、调度方案确定部、调度部以及控制部均通信相连，用于让用户输入操作指令，并根据操作指令对相应部的数据和文件以文字、表格、或图形方式进行显示。
优选地，本发明提供的排水泵站优化调度装置中，SWMM模型构建部按照如下步骤3.1～3.5进行SWMM模型自动率定及验证：
步骤3.1，确定需率定SWMM模型参数及其取值范围，包括汇水区面积、汇水区坡度、不透水区占比、地表下渗能力、管道糙率；
步骤3.2，根据步骤1中的历史降雨资料、管道流量监测资料和泵站流量监测资料，设定率定场次数；
步骤3.3，确定优化目标函数，以SWMM模型模拟流量过程与管道实测流量过程间的吻合程度为优化目标；
步骤3.4，使用PySWMM载入SWMM模型，将步骤3.1中所确定参数进行矩阵化处理，通过引入网格搜索算法进行参数组合；自动遍历所有参数组合，运行SWMM模型，并在每轮程序运行完毕时，计算步骤3.3所确定的优化目标函数，当优化目标函数超过设定阈值时，储存当前参数组合；若均小于阈值时，根据实际情况调整步骤3.1中的参数取值范围或降低步骤3.3中的优化目标函数的阈值，而后重新进行步骤3.4；
步骤3.5，以步骤3.4中存储的参数组合为SWMM初始条件，选取设定率定场次数的额外历史降雨事件进行模型验证，优选出最佳的模型参数，完成SWMM模型率定。
优选地，本发明提供的排水泵站优化调度装置，在最优调度模型构建部中，阶段变量根据调整时间进行离散，根据泵站排放模式变换间隔进行确定；
状态变量选取为第i阶段至最末阶段n的累计流量Si作为状态变量：
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；Qi为第i阶段的泵站排放流量；n为累计阶段数量；
优化模型系统方程为：
Si+0＝Si-Qi，
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；Si+1表示第i+1阶段从状态可行域中选定某一确定状态变量值时，第i+1阶段至最末阶段n的累计排放流量；Qi为第i阶段的泵站排放流量；
指标函数为：
最优目标函数为：
决策约束条件为：
Qmin,i≤Qi≤Qmax,i，
式中，Qi为在i阶段泵站的排放流量；Qmin,i和Qmax,i分别表示在i阶段泵站的所允许的最小排放流量和最大排放流量；
状态约束条件为：
式中，Qmax,k为泵站在k阶段最大排放流量；为累计需排流量；/>为k阶段的来流流量；Qk为k阶段排水泵站的排水流量；
构建最优调度模型：
进行优化调度模型求解。
优选地，本发明提供的排水泵站优化调度装置，在资料获取部中，收集的资料包括：研究区基础资料，包括地形资料、土地利用资料、土壤下渗能力、管网资料、排水布设泵站信息、历史实测降雨资料、历史预报降雨资料、管道流量监测资料及其泵站流量监测资料；和各排水泵站基础信息，包括机组数量、泵站单机组扬程、泵站各机组的效率特性曲线；在校正部中，分期为按季度划分；a、b、c、d根据目标区域具体的历史实测降雨资料与预报降雨资料采用最小二乘法确定。
发明的作用与效果
本发明根据历史实测降雨数据和预报数据构建预报降雨校正模块，对预报降雨数据进行校正，在进行优化调度时，校正预报降雨数据，进而驱动SWMM模型获得更加准确的得到来流预测结果，将该预测结果作为泵站来流量，对优化调度模型进行求解，得到找到满足防洪排涝等需求、且单位排放流量最小(能耗最小)的调度方案，使泵站保持高效运行，最大化泵站运行效益。本发明不仅提高了数据的准确度，而且将排水泵站优化调度问题化繁为简，极大的降低了优化调度方案计算复杂度，并综合考虑了泵站排水调度与泵站能耗，有利于科学合理地进行泵站调度。
附图说明
图1为本发明实施例涉及的排水泵站优化调度方法的流程图；
图2为本发明实施例涉及的求解过程图。
具体实施方式
以下结合附图对本发明涉及的排水泵站优化调度方法及装置进行详细地说明。
<实施例一>
如图1所示，本实施例所提供的排水泵站优化调度方法包括以下步骤：
步骤1：收集研究区基础资料，包括地形资料、土地利用资料、土壤下渗能力、管网资料、排水布设泵站信息、历史降雨资料、管道流量监测资料及其泵站流量监测资料；收集各排水泵站基础信息，包括机组数量、泵站单机组扬程、泵站各机组的效率特性曲线。
步骤2：根据步骤1收集历史实测降雨资料与历史预报降雨资料，构建预报降雨校正模板。因预报降雨常以大尺度信息发布，其预报信息与局部集水区域实测信息存在差异，且随着预报时长的增加，其自身可靠性将降低，为此，需对集水区预报降雨资料进行必要的校正工作，具体步骤如下：
步骤2.1，将步骤1所收集的实测降雨资料和预测降雨资料按季度信息进行整理；
步骤2.2，根据不同季度信息，分季度构建降雨校正公式，本发明基于GRAPES_MESO预报降雨模式，推荐降雨校正经验公式为：
式中，R为校正后时段降雨量；为预报时段降雨量；a、b、c、d为待定参数。同时，为保证排水工作的安全性，校正后时段降雨量需严格大于或等于预报时段降雨量。
本实施例中，根据试验区域历史监测资料，构建其各季度降雨公式，比较不同降雨量条件下预报降雨校正前后与实测值的差异，选取平均绝对误差，均方根误差综合验证降雨校正公式对降雨量的校正效果，结果如表1所示。
表1预报降雨校正经验公式性能评价
根据表1可知，本发明方法在预报降雨强度分别在≤10mm、10～30mm和≥30mm的情况下，校正后较校正前平均绝对误差和均方根误差的降低分别为0.34和0.45、2.42和2.66、以及0.23和0.03。这表明本发明中提出的预报降雨校正公式对不同强度的预报降雨均有一定的校正效果。尤其是对于预报降雨量为10～30mm的事件，校正效果最佳。为保证泵站的安全运行，限制校正后时段降雨量需严格大于或等于预报时段降雨量。
步骤3：构建SWMM模型，并进行自动率定。进行SWMM模型自动率定具体步骤如下：
步骤3.1，确定需率定SWMM模型参数及其取值范围，包括但不限于汇水区面积、汇水区坡度、不透水区占比、地表下渗能力、管道糙率；
步骤3.2，根据步骤1中的历史降雨资料、管道流量监测资料和泵站流量监测资料，其率定场次大于等于2场；
步骤3.3，确定优化目标函数，本实施例以SWMM模型模拟流量过程与管道实测流量过程间的吻合程度为优化目标，具体优化目标函数利用NSE值来表征，NSE值通过下式计算：
式中，Qi为i时刻的实测流量值；为n个时刻的实测流量平均值；/>为第i时刻的预测流量值。
步骤3.4，使用PySWMM载入SWMM模型，将步骤5.1中所确定参数进行矩阵化处理，通过引入网格搜索算法进行参数组合。自动遍历所有参数组合，运行SWMM模型，并在每轮程序运行完毕时，计算步骤5.3所确定的优化目标函数，当优化目标函数超过设定阈值时，储存当前参数组合。若均小于阈值时，根据实际情况调整步骤5.1中的参数取值范围或降低步骤5.3中的优化目标函数的阈值，而后重新进行步骤5.4。若仍难以满足要求，即说明所建雨洪模型与实际情况不符，需返回步骤4重新构建模型。
步骤3.5，以步骤5.4中存储的参数组合为SWMM初始条件，选取至少2场额外历史降雨事件进行模型验证，优选出最佳的模型参数，完成SWMM模型率定。
步骤4：构建最优调度模型；
步骤4.1，进行调度问题序列化，分别确定阶段变量、状态变量和决策变量，具体如下：
阶段变量根据调整时间进行离散，根据泵站排放模式变换间隔进行确定，本实施例中，阶段变量设置为1h；
状态变量选取为第i阶段至最末阶段n的累计流量Si作为状态变量，可表示为：
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；Qi为第i阶段的泵站排放流量；n为累计阶段数量。
决策变量可以直接选取水泵转速或水泵叶片角度αi，也可以选取水泵不同的流量Qi作为决策变量，对于全调节轴流泵的叶片角度变化的离散步长可取0.1°。
步骤4.2，确定所建优化模型系统方程，方程采用逆序求解方式，故根据求解目标，系统方程表示为：
Si+0＝Si-Qi，
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；Si+1表示第i+1阶段从状态可行域中选定某一确定状态变量值时，第i+1阶段至最末阶段n的累计排放流量；Qi为第i阶段的泵站排放流量。
步骤4.3，确定模型指标函数和最优目标函数，为在满足防洪排涝要求条件下，充分降低泵站能耗，本实施例提出的优化调度方法以整个泵站提取单位水量所消耗的平均电能最少的目标函数。
指标函数定义为每阶段泵站排水所消耗的能量，具体可表示为：
为在满足防洪排涝要求条件下，充分降低泵站能耗，本发明提出的优化调度方法最优目标函数具体表达式为：
式中，Ei为i阶段泵站排水所消耗的能量；Hst为泵站扬程；ρ为水的密度，取为103kg/m3；g为重力加速度，取为9.81m/s2；Qi为第i阶段的流量；ηsti为在i阶段采取决策流量Qi时对应的泵站效率；为泵站提取单位水量的平均能耗。
步骤4.4，确定决策约束条件，根据水泵结构特点和机组特性，水泵叶片角度有一定限制，因而对机组的流量就有一定的限制，决策变量应满足以下约束：
Qmin,i≤Qi≤Qmax,i，
式中，Qi为在i阶段泵站的排放流量；Qmin,i和Qmax,i分别表示在i阶段泵站的所允许的最小排放流量和最大排放流量。
步骤4.5，确定状态约束条件，为避免在决策过程中对无效状态进行可行性检验，对状态的可行域应先行确定。决策约束确定为在i阶段的状态变量大于第i至n阶段所有机组的最大流量之和，且不得使其前第1至i阶段的所有机组以最大流量开机时仍不能满足总流量要求确定，具体可表示为：
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；Qmax,4为泵站在k阶段最大排放流量；为累计需排流量；/>为k阶段的来流流量；Qk为k阶段排水泵站的排水流量。
步骤4.6，构建最优调度模型为：
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；为表示由面临阶段i的至最末阶段n，抽取单位水量所消耗的最小能耗值；Si+1表示第i+1阶段从状态可行域中选定某一确定状态变量值时，第i+1阶段至最末阶段n的累计排放流量；/>表示第i+1阶段至最末阶段n，抽取单位水量的最小能耗值；{Qi}第i阶段泵站所能提供的决策流量组合；Qi在第i阶段下，当选定i+1阶段决策方案时，所对应的决策流量；ηsti为在i阶段决策流量Qi对应的泵站效率；Hst为泵站扬程；ρ为水的密度，取为103kg/m3；g为重力加速度，取为9.81m/s2；/>为逆序求解初值条件，设置为0。
步骤4.7，进行优化调度模型求解，具体步骤如下：
步骤4.7.1，进行决策变量的离散化，对于水泵调速或叶片调角可连续进行的机组，所能提供的决策流量总和{Qi}为连续区域；为了提高解算速度，根据水泵调速或叶片调角确定离散间距，将连续的决策变量离散化。
步骤4.7.2，进行状态的区间离散化，当将决策变量的离散化为一系列决策点后，如果状态变量也是离散为一系列离散点，则在第i阶段，因Si+1也是一系列离散点，故当给一个状态点Si而来根据递推方程寻求满足状态方程Si＝Si+1+Qi中的最优组合时，满足该组合的数据可能没有，这可能导致求解中断或其中的最优组合因不能落在任何一状态点上而被遗漏，导致无法获得最优决策方案。因此，在实际求解时，将Si离散为一系列连续的状态区间，使决策的实施、目标的寻优都在状态区间内进行。
步骤4.7.3，具体求解过程，模型根据递推方程，按逆序递推进行阶段择优。在第i阶段，将Si按可行域划分为m个状态小区间，在其中的第j区间{Si,j}，对满足∈{Si,j}的各种组合进行优化比较，其目标函数值最优值记为/>相应的最优状态值和决策值记为/>和/>且将/>用以参与i-1阶段的择优。
阶段择优完毕后，进行反演追踪最优策略的过程。首先比较最小者即为全局最优目标函数值，并得到其所对应的/>和/>再由/>确定并得到其所对应的/>和根据该步骤循环反演，直到最后一阶段，确定所有的阶段的最优决策方案。
步骤5：泵站优化调度模型实际应用过程，当面临强降雨事件时，首先根据预报降雨数据，经过降雨校正模块校正处理，进而通过SWMM模型模拟获得泵站来流过程，确定优化调度模型各状态阶段的泵站来流量，进而进行优化调度求解，输出单位排放流量最小的能耗的调度方案，最大化泵站运行效益。
<实施例二>
本实施例二提供能够自动实现上述本发明方法的排水泵站优化调度装置，该装置包括资料获取部、校正部、SWMM模型构建部、最优调度模型构建部、调度方案确定部、调度部、输入显示部以及控制部。
资料获取部执行上文步骤1所描述的内容，搜集资料(根据用户导入的资料提取或者让用户输入)：研究区基础资料，包括地形资料、土地利用资料、土壤下渗能力、管网资料、排水布设泵站信息、历史实测降雨资料、历史预报降雨资料、管道流量监测资料及其泵站流量监测资料；各排水泵站基础信息，包括机组数量、泵站单机组扬程、泵站各机组的效率特性曲线。
校正部执行上文步骤2所描述的内容，根据收集的历史实测降雨资料和历史预报降雨资料，构建预报降雨校正模块，对预报降雨数据进行校正；首先，将历史实测降雨和预测降雨资料按季度信息进行整理；然后，根据不同季度信息，分季度构建降雨校正公式：
式中，R为校正后时段降雨量；为预报时段降雨量；a、b、c、d为实验确定的待定常数。
SWMM模型构建部执行上文步骤3所描述的内容，根据资料获取部收集的资料与校正部校正的预报降雨数据，构建SWMM模型，包括水文模块和水动力模块。
最优调度模型构建部执行上文步骤4所描述的内容，根据资料获取部收集的资料，构建最优调度模型；
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；为表示由面临阶段i的至最末阶段n，抽取单位水量所消耗的最小能耗值；Si+1表示第i+1阶段从状态可行域中选定某一确定状态变量值时，第i+1阶段至最末阶段n的累计排放流量；/>表示第i+1阶段至最末阶段n，抽取单位水量的最小能耗值；{Qi}第i阶段泵站所能提供的决策流量组合；Qi在第i阶段下，当选定i+1阶段决策方案时，所对应的决策流量；ηsti为在i阶段决策流量Qi对应的泵站效率；Hst为泵站扬程；ρ为水的密度；g为重力加速度；/>为逆序求解初值条件，设置为0。
调度方案确定部执行上文步骤5所描述的内容，当面临强降雨事件时，首先根据经校正部校正处理的预报降雨数据，通过SWMM模型模拟获得泵站来流过程，确定优化调度模型各状态阶段的泵站来流量，进而对优化调度模型进行求解，输出单位排放流量最小的能耗的调度方案，最大化泵站运行效益。
调度部根据调度方案确定部输出的调度方案，动态调控不同型号水泵的开启台数、水泵叶片角度、水泵运行转速。
输入显示部用于让用户输入操作指令，并根据操作指令对相应部的数据以文字、表格、或图形方式进行显示。
控制部与资料获取部、校正部、SWMM模型构建部、最优调度模型构建部、调度方案确定部、调度部、输入显示部均通信相连，控制它们的运行。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的排水泵站优化调度方法及装置并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。
Claims (10)
1.排水泵站优化调度方法，其特征在于，包括以下步骤：
步骤1：收集资料；
步骤2：根据收集的历史实测降雨资料和历史预报降雨资料，构建预报降雨校正模块，对预报降雨数据进行校正；
步骤2.1，将历史实测降雨和预测降雨资料按预定分期进行整理；
步骤2.2，根据各分期资料，分别构建降雨校正公式：
式中，R为校正后时段降雨量；为预报时段降雨量；a、b、c、d为实验确定的待定常数；
步骤3：根据步骤1收集的资料与步骤2校正的预报降雨数据，构建SWMM模型，包括水文模块和水动力模块；
步骤4：根据步骤1收集的资料，构建最优调度模型；
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；为表示由面临阶段i的至最末阶段n，抽取单位水量所消耗的最小能耗值；Si+1表示第i+1阶段从状态可行域中选定某一确定状态变量值时，第i+1阶段至最末阶段n的累计排放流量；/>表示第i+1阶段至最末阶段n，抽取单位水量的最小能耗值；{Qi}第i阶段泵站所能提供的决策流量组合；Qi在第i阶段下，当选定i+1阶段决策方案时，所对应的决策流量；ηsti为在i阶段决策流量Qi对应的泵站效率；Hst为泵站扬程；ρ为水的密度；g为重力加速度；/>为逆序求解初值条件，设置为0；
步骤5：当面临强降雨事件时，首先根据经步骤2降雨校正处理的预报降雨数据，通过SWMM模型模拟获得泵站来流过程，确定优化调度模型各状态阶段的泵站来流量，进而对优化调度模型进行求解，输出单位排放流量最小的能耗的调度方案，最大化泵站运行效益。
2.根据权利要求1所述的排水泵站优化调度方法，其特征在于：
其中，在步骤3中，进行SWMM模型自动率定及验证，包括以下子步骤：
步骤3.1，确定需率定SWMM模型参数及其取值范围，包括汇水区面积、汇水区坡度、不透水区占比、地表下渗能力、管道糙率；
步骤3.2，根据步骤1中的历史降雨资料、管道流量监测资料和泵站流量监测资料，设定率定场次数；
步骤3.3，确定优化目标函数，以SWMM模型模拟流量过程与管道实测流量过程间的吻合程度为优化目标；
步骤3.4，使用PySWMM载入SWMM模型，将步骤3.1中所确定参数进行矩阵化处理，通过引入网格搜索算法进行参数组合；自动遍历所有参数组合，运行SWMM模型，并在每轮程序运行完毕时，计算步骤3.3所确定的优化目标函数，当优化目标函数超过设定阈值时，储存当前参数组合；若均小于阈值时，根据实际情况调整步骤3.1中的参数取值范围或降低步骤3.3中的优化目标函数的阈值，而后重新进行步骤3.4；
步骤3.5，以步骤3.4中存储的参数组合为SWMM初始条件，选取设定率定场次数的额外历史降雨事件进行模型验证，优选出最佳的模型参数，完成SWMM模型率定。
3.根据权利要求1所述的排水泵站优化调度方法，其特征在于：
其中，步骤4包括如下子步骤：
步骤4.1，进行调度问题序列化，分别确定阶段变量、状态变量和决策变量；
阶段变量根据调整时间进行离散，根据泵站排放模式变换间隔进行确定；
状态变量选取为第i阶段至最末阶段n的累计流量Si作为状态变量：
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；Qi为第i阶段的泵站排放流量；n为累计阶段数量；
步骤4.2，确定所建优化模型系统方程；
Si+0＝Si-Qi，
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；Si+1表示第i+1阶段从状态可行域中选定某一确定状态变量值时，第i+1阶段至最末阶段n的累计排放流量；Qi为第i阶段的泵站排放流量；
步骤4.3，确定模型指标函数和最优目标函数，为在满足防洪排涝要求条件下，充分降低泵站能耗；
指标函数为：
最优目标函数为：
步骤4.4，确定决策约束条件为：
Qmin,i≤Qi≤Qmax,i，
式中，Qi为在i阶段泵站的排放流量；Qmin,i和Qmax,i分别表示在i阶段泵站的所允许的最小排放流量和最大排放流量；
步骤4.5，确定状态约束条件为：
式中，Qmax,k为泵站在k阶段最大排放流量；为累计需排流量；/>为k阶段的来流流量；Qk为k阶段排水泵站的排水流量；
步骤4.6，构建最优调度模型：
步骤4.7，进行优化调度模型求解。
4.根据权利要求3所述的排水泵站优化调度方法，其特征在于：
其中，在步骤1中，收集的资料包括：研究区基础资料，包括地形资料、土地利用资料、土壤下渗能力、管网资料、排水布设泵站信息、历史实测降雨资料、历史预报降雨资料、管道流量监测资料及其泵站流量监测资料；和各排水泵站基础信息，包括机组数量、泵站单机组扬程、泵站各机组的效率特性曲线；
在步骤2中，分期为按季度划分；a、b、c、d根据目标区域具体的历史实测降雨资料与预报降雨资料采用最小二乘法确定。
5.排水泵站优化调度装置，其特征在于，包括：
资料获取部，收集资料；
校正部，根据收集的历史实测降雨资料和历史预报降雨资料，构建预报降雨校正模块，对预报降雨数据进行校正；首先，将历史实测降雨和预测降雨资料按季度信息进行整理；然后，根据不同季度信息，分季度构建降雨校正公式：
式中，R为校正后时段降雨量；为预报时段降雨量；a、b、c、d为实验确定的待定常数；
SWMM模型构建部，根据资料获取部收集的资料与校正部校正的预报降雨数据，构建SWMM模型，包括水文模块和水动力模块；
最优调度模型构建部，根据资料获取部收集的资料，构建最优调度模型；
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；为表示由面临阶段i的至最末阶段n，抽取单位水量所消耗的最小能耗值；Si+1表示第i+1阶段从状态可行域中选定某一确定状态变量值时，第i+1阶段至最末阶段n的累计排放流量；/>表示第i+1阶段至最末阶段n，抽取单位水量的最小能耗值；{Qi}第i阶段泵站所能提供的决策流量组合；Qi在第i阶段下，当选定i+1阶段决策方案时，所对应的决策流量；ηsti为在i阶段决策流量Qi对应的泵站效率；H2t为泵站扬程；ρ为水的密度；g为重力加速度；/>为逆序求解初值条件，设置为0；
调度方案确定部，当面临强降雨事件时，首先根据经校正部校正处理的预报降雨数据，通过SWMM模型模拟获得泵站来流过程，确定优化调度模型各状态阶段的泵站来流量，进而对优化调度模型进行求解，输出单位排放流量最小的能耗的调度方案，最大化泵站运行效益；
控制部，与资料获取部、校正部、SWMM模型构建部、最优调度模型构建部、调度方案确定部均通信相连，控制它们的运行。
6.根据权利要求5所述的排水泵站优化调度装置，其特征在于，还包括：
调度部，与控制部通信相连，根据调度方案确定部输出的调度方案，动态调控不同型号水泵的开启台数、水泵叶片角度、水泵运行转速。
7.根据权利要求6所述的排水泵站优化调度装置，其特征在于，还包括：
输入显示部，与资料获取部、校正部、SWMM模型构建部、最优调度模型构建部、调度方案确定部、调度部以及控制部均通信相连，用于让用户输入操作指令，并根据操作指令对相应部的数据和文件以文字、表格、或图形方式进行显示。
8.根据权利要求5所述的排水泵站优化调度装置，其特征在于：
其中，SWMM模型构建部按照如下步骤3.1～3.5进行SWMM模型自动率定及验证：
步骤3.1，确定需率定SWMM模型参数及其取值范围，包括汇水区面积、汇水区坡度、不透水区占比、地表下渗能力、管道糙率；
步骤3.2，根据步骤1中的历史降雨资料、管道流量监测资料和泵站流量监测资料，设定率定场次数；
步骤3.3，确定优化目标函数，以SWMM模型模拟流量过程与管道实测流量过程间的吻合程度为优化目标；
步骤3.4，使用PySWMM载入SWMM模型，将步骤3.1中所确定参数进行矩阵化处理，通过引入网格搜索算法进行参数组合；自动遍历所有参数组合，运行SWMM模型，并在每轮程序运行完毕时，计算步骤3.3所确定的优化目标函数，当优化目标函数超过设定阈值时，储存当前参数组合；若均小于阈值时，根据实际情况调整步骤3.1中的参数取值范围或降低步骤3.3中的优化目标函数的阈值，而后重新进行步骤3.4；
步骤3.5，以步骤3.4中存储的参数组合为SWMM初始条件，选取设定率定场次数的额外历史降雨事件进行模型验证，优选出最佳的模型参数，完成SWMM模型率定。
9.根据权利要求5所述的排水泵站优化调度装置，其特征在于：
其中，在最优调度模型构建部中，阶段变量根据调整时间进行离散，根据泵站排放模式变换间隔进行确定；
状态变量选取为第i阶段至最末阶段n的累计流量Si作为状态变量：
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；Qi为第i阶段的泵站排放流量；n为累计阶段数量；
优化模型系统方程为：
Si+1＝Si-Qi，
式中，Si表示第i阶段从状态可行域中选定某一确定状态变量值时，第i阶段至最末阶段n的累计排放流量；Si+1表示第i+1阶段从状态可行域中选定某一确定状态变量值时，第i+1阶段至最末阶段n的累计排放流量；Qi为第i阶段的泵站排放流量；
指标函数为：
最优目标函数为：
决策约束条件为：
Qmin,i≤Qi≤Qmax,i，
式中，Qi为在i阶段泵站的排放流量；Qmin,i和Qmax,i分别表示在i阶段泵站的所允许的最小排放流量和最大排放流量；
状态约束条件为：
式中，Qmax,k为泵站在k阶段最大排放流量；为累计需排流量；/>为k阶段的来流流量；Qk为k阶段排水泵站的排水流量；
构建最优调度模型：
进行优化调度模型求解。
10.根据权利要求5所述的排水泵站优化调度装置，其特征在于：
其中，在资料获取部中，收集的资料包括：研究区基础资料，包括地形资料、土地利用资料、土壤下渗能力、管网资料、排水布设泵站信息、历史实测降雨资料、历史预报降雨资料、管道流量监测资料及其泵站流量监测资料；和各排水泵站基础信息，包括机组数量、泵站单机组扬程、泵站各机组的效率特性曲线；
在校正部中，分期为按季度划分；a、b、c、d根据目标区域具体的历史实测降雨资料与预报降雨资料采用最小二乘法确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310604490.5A CN116702451A (zh) | 2023-05-23 | 2023-05-23 | 排水泵站优化调度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310604490.5A CN116702451A (zh) | 2023-05-23 | 2023-05-23 | 排水泵站优化调度方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116702451A true CN116702451A (zh) | 2023-09-05 |
Family
ID=87823136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310604490.5A Pending CN116702451A (zh) | 2023-05-23 | 2023-05-23 | 排水泵站优化调度方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116702451A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217503A (zh) * | 2023-11-09 | 2023-12-12 | 山东华宝隆轻工机械有限公司 | 一种基于大数据的智慧泵站泵群远程智能调度管理系统 |
-
2023
- 2023-05-23 CN CN202310604490.5A patent/CN116702451A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217503A (zh) * | 2023-11-09 | 2023-12-12 | 山东华宝隆轻工机械有限公司 | 一种基于大数据的智慧泵站泵群远程智能调度管理系统 |
| CN117217503B (zh) * | 2023-11-09 | 2024-02-06 | 山东华宝隆轻工机械有限公司 | 一种基于大数据的智慧泵站泵群远程智能调度管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103853106B (zh) | 一种建筑能源供应设备的能耗预测参数优化方法 | |
| CN102855524A (zh) | 多年调节水库年末消落水位预测方法及系统 | |
| Lisicki et al. | Optimal design and operation of Archimedes screw turbines using Bayesian optimization | |
| CN104376384B (zh) | 一种基于电力大数据分析的台风日最大日负荷预测系统 | |
| CN112241607B (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
| CN105719028B (zh) | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 | |
| CN116702451A (zh) | 排水泵站优化调度方法及装置 | |
| CN102880810A (zh) | 基于时间序列和神经网络法的风电功率预测方法 | |
| CN109284873A (zh) | 一种基于swmm模型进行泵组优化调度和预警处置的智慧排水泵站 | |
| CN104809532A (zh) | 一种光伏系统发电量的预测方法 | |
| CN107742170A (zh) | 一种雨水管网系统水力设计参数优化方法 | |
| CN112413831A (zh) | 一种中央空调节能控制系统及方法 | |
| CN113112060A (zh) | 基于流量软测量的提升泵站调度方法、装置和计算机设备 | |
| CN114925874A (zh) | 一种基于bert神经网络模型的碳排量预判方法及装置 | |
| CN106762453A (zh) | 具有发电量预测及跟踪控制的风力发电智能网及控制方法 | |
| CN106200381A (zh) | 一种根据处理水量分阶段控制水厂运行的方法 | |
| CN117291095A (zh) | 一种虚拟电厂与配电网协同互动方法、装置、设备及介质 | |
| CN115189416A (zh) | 基于日前电价分级预测模型的发电系统控制方法及系统 | |
| CN113790516B (zh) | 中央空调制冷站全局优化节能控制方法、系统和电子设备 | |
| CN108233357A (zh) | 基于非参数概率预测及风险期望的风电日前消纳优化方法 | |
| CN108110756A (zh) | 考虑不确定性因素的工业园区配电网规划方法 | |
| CN115564139A (zh) | 基于能值评估的能源系统运行状态优化方法及装置 | |
| CN115130923A (zh) | 一种交流微电网智能能量管理方法及系统 | |
| CN116258227A (zh) | 一种水电站优化调度的方法及系统 | |
| 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 |
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 |