CN117910780A - 一种基于多目标粒子群算法的供水优化调度方法 - Google Patents

一种基于多目标粒子群算法的供水优化调度方法 Download PDF

Info

Publication number
CN117910780A
CN117910780A CN202410302116.4A CN202410302116A CN117910780A CN 117910780 A CN117910780 A CN 117910780A CN 202410302116 A CN202410302116 A CN 202410302116A CN 117910780 A CN117910780 A CN 117910780A
Authority
CN
China
Prior art keywords
water supply
water
regulated
scheduling
point
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.)
Granted
Application number
CN202410302116.4A
Other languages
English (en)
Other versions
CN117910780B (zh
Inventor
王延毅
陈倩倩
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.)
Shandong Huali Water Supply Equipment Co ltd
Original Assignee
Shandong Huali Water Supply Equipment Co ltd
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 Shandong Huali Water Supply Equipment Co ltd filed Critical Shandong Huali Water Supply Equipment Co ltd
Priority to CN202410302116.4A priority Critical patent/CN117910780B/zh
Publication of CN117910780A publication Critical patent/CN117910780A/zh
Application granted granted Critical
Publication of CN117910780B publication Critical patent/CN117910780B/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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

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

Abstract

本申请涉及供水优化调度技术领域，尤其涉及一种基于多目标粒子群算法的供水优化调度方法，方法包括：获取供水区域内的供水网；响应于一个需水点的用水需求量发生变更，在供水网中确定与需水点相关联的待调节供水点和待调节需水点，并采集当前时刻的供水调度矩阵；基于供水调度矩阵计算每条待调节供水管道的控制参数；基于供水调度矩阵、控制参数以及变更后每个待调节需水点的用水需求量构建多目标优化问题；利用多目标粒子群算法求解多目标优化问题以获取供水调度目标矩阵，并基于供水调度目标矩阵调节每条待调节供水管道的控制参数。本申请的技术方案能够在降低供水设备损耗的同时，实现供水的合理调度。

Description

一种基于多目标粒子群算法的供水优化调度方法
技术领域
本申请一般地涉及供水优化调度技术领域，尤其涉及一种基于多目标粒子群算法的供水优化调度方法。
背景技术
随着城市规模的不断扩大，城市内居民用水、工业用水的需求量飞速增长，随之而来地是对城市范围内供水网的供水要求越来越高。
目前，公开号为CN112926164A的专利申请文件公开了一种多水源供水管网系统输配格局优化方法，方法包括：筛选多水源供水管网系统中可安装阀门的管道位置作为阀门关键位置；构建输配格局优化模型，设置所述输配格局优化模型的决策变量、目标函数及约束条件，决策变量包括阀门关键位置及阀门的开度，目标函数的目标为最小化多水源供水管网系统的漏损量百分比、压力均衡性、水龄情况、节点最大水龄、阀门个数，同时最大化多水源供水管网系统可靠性及弱势水源水量增幅百分比，约束条件包括节点的质量守恒、管段的能量守恒及最小节点压力约束；选择适合求解高维多目标优化问题的优化算法对所述输配格局优化模型进行求解得到优化解；分析所述优化解之间的关系，得到多水源供水管网系统输配格局优化方案。
然而，上述方法获取的输配格局优化方案忽略了阀门、水泵等供水设备的状态变化，容易导致多水源供水管网系统中的供水设备受到损害，且没有考虑供水过程中供水设备的能源消耗，进而导致供水成本增加，无法实现供水的合理调度。
发明内容
为了解决现有技术中的上述技术问题，本申请提供了一种基于多目标粒子群算法的供水优化调度方法，能够在降低供水设备损耗的同时，实现供水的合理调度。
本申请提供了一种基于多目标粒子群算法的供水优化调度方法，所述供水优化调度方法包括：获取供水区域内的供水网，所述供水网包括供水点、需水点以及供水点和需水点之间的供水管道，且沿所述供水管道设有阀门和水泵；响应于一个需水点的用水需求量发生变更，在所述供水网中确定与所述需水点相关联的待调节供水点和待调节需水点，并采集当前时刻的供水调度矩阵，所述供水调度矩阵包括任意一个待调节供水点到任意一个待调节需水点之间的供水量；基于所述供水调度矩阵计算每条待调节供水管道的控制参数，所述待调节供水管道为所述待调节供水点和所述待调节需水点之间的供水管道，所述控制参数包括供水管道上的阀门开度、水泵扬程和水泵转速；基于所述供水调度矩阵、所述控制参数以及变更后每个待调节需水点的用水需求量构建多目标优化问题，所述多目标优化问题包括目标函数和约束条件，所述目标函数以供水量发生变化的待调节供水管道数量最小，以及每条待调节供水管道上阀门和水泵的磨损程度最小为优化目标；利用多目标粒子群算法求解所述多目标优化问题以获取供水调度目标矩阵，并基于所述供水调度目标矩阵调节每条待调节供水管道的控制参数，所述供水调度目标矩阵包括任意一个待调节供水点到任意一个待调节需水点之间的目标供水量。
在一些实施例中，所述响应于一个需水点的用水需求量发生变更，在所述供水网中确定与所述需水点相关联的待调节供水点和待调节需水点包括：以用水需求量发生变更的需水点为起始点，利用广度优先搜索算法在所述供水网中进行搜索，并对搜索到的节点进行标记，所述节点包括供水点和需水点；不断在所述供水网中进行搜索，直至搜索到的节点均为标记后的节点或搜索不到节点时，停止搜索，得到待调节供水点和待调节需水点。
在一些实施例中，基于所述供水调度矩阵计算每条待调节供水管道的控制参数包括：对于任意一条待调节供水管道，依据所述供水调度矩阵确定所述待调节供水管道的供水量；将所述供水量输入所述待调节供水管道对应的控制参数模型，得到所述待调节供水管道的控制参数；其中，所述控制参数模型为全连接神经网络，所述控制参数模型包括输入层、隐藏层和输出层；所输入层包括一个神经元，用于接收所述待调节供水管道的供水量；所述隐藏层用于对所述供水量进行维度变换，得到D行1列的表征向量，其中D为预设值；所述输出层中神经元的数量等于所述预设值，用于将所述表征向量回归为所述待调节供水管道的控制参数，所述控制参数的尺寸为D行1列。
在一些实施例中，所述待调节供水管道的控制参数模型的训练方法包括：在任意历史时刻，采集所述待调节供水管道的供水量和控制参数，得到一组控制样本；将所述控制样本中的供水量输入所述控制参数模型，得到输出结果；计算所述输出结果和所述控制样本中控制参数之间的均方差损失函数值；基于所述均方差损失函数对所述控制参数模型进行反向传播，完成一次的训练；迭代地训练所述控制参数模型，直至所述均方差损失函数值小于预设损失值时停止，完成所述控制参数模型的训练。
在一些实施例中，基于所述供水调度矩阵、所述控制参数以及变更后每个待调节需水点的用水需求量构建多目标优化问题包括：初始化供水调度寻优矩阵，所述供水调度寻优矩阵包括优化调度后任意一个待调节供水点到任意一个待调节需水点的寻优供水量；基于所述供水调度寻优矩阵计算每条待调节供水管道的寻优控制参数；基于所述供水调度寻优矩阵、所述供水调度矩阵，以及每条待调节供水管道的控制参数和寻优控制参数计算目标函数；基于每个待调节供水点的最大供水量以及变更后每个待调节需水点的用水需求量获取约束条件；将所述目标函数和所述约束条件作为多目标优化问题。
在一些实施例中，所述目标函数满足关系式：
，其中，/>和/>分别为供水调度矩阵和供水调度寻优矩阵，/>为符号函数，/>表示利用符号函数对矩阵/>中的每个数值进行处理，/>为计算/>的L1范数，/>为所有待调节供水管道的数量，/>和/>分别为第/>条待调节供水管道的控制参数和寻优控制参数，为计算/>的L2范数，/>为第/>条待调节供水管道在历史时间段内的供水量方差，/>为所有待调节供水管道的供水量方差之和，/>为所述目标函数的数值；所述约束条件包括第一约束条件和第二约束条件，所述第一约束条件满足关系式：
，其中，/>表示待调节需水点的数量，/>表示第m个待调节供水点到第n个待调节需水点的寻优供水量，/>为第m个待调节供水点的最大供水量；所述第二约束条件满足关系式：
，/>表示待调节供水点的数量，/>为变更后第n个待调节需水点的用水需求量。
在一些实施例中，所述利用多目标粒子群算法求解所述多目标优化问题以获取供水调度目标矩阵包括：随机初始化设定个数的粒子，并利用多目标粒子群算法对所述多目标优化问题进行求解，以不断更新所述供水调度寻优矩阵；将所述目标函数取最小值时的供水调度寻优矩阵作为供水调度目标矩阵。
在一些实施例中，基于所述供水调度目标矩阵调节每条待调节供水管道的控制参数包括：对于任意一条待调节供水管道，查询所述供水调度目标矩阵以确定所述待调节供水管道的目标供水量；基于所述目标供水量计算所述待调节供水管道的目标控制参数，并将所述待调节供水管道的控制参数调节至所述目标控制参数。
本申请的技术方案具有以下有益技术效果：
本申请实施例提供的上述一种基于多目标粒子群算法的供水优化调度方法，当任意一个需水点的用水需求量发生变更时，获取与该需水点相关联的待调节供水点和待调节需水点，并实时采集待调节供水点和待调节需水点之间每条待调节供水管道的实际供水量以构建供水调度矩阵；无需采集所有供水管道的实际供水量，降低后续供水合理调度时的计算量，保证供水调度的实时性。
进一步地，以供水量发生变化的待调节供水管道数量最小，且每条待调节供水管道上阀门和水泵的磨损程度最小为优化目标，以每个待调节供水点向所有待调节需水点提供的总水量不超过最大供水量，且每个待调节需水点接收到的总水量等于变更后的用水需求量作为约束条件，将供水优化调度问题转换为一个多目标优化问题；利用多目标粒子群算法求解所述多目标优化问题以获取供水调度目标矩阵，供水调度目标矩阵包括任意一个待调节供水点到任意一个待调节需水点之间的目标供水量，进而依据目标供水量调节待调节供水点和待调节需水点之间每条待调节供水管道的控制参数，降低供水设备损耗的同时，实现了供水的合理调度。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是根据本申请实施例的一种基于多目标粒子群算法的供水优化调度方法的流程图；
图2是根据本申请实施例的供水网的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应当理解，当本申请使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请提供了一种基于多目标粒子群算法的供水优化调度方法。请参见图1所示，是根据本申请实施例的一种基于多目标粒子群算法的供水优化调度方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
S11，获取供水区域内的供水网，所述供水网包括供水点、需水点以及供水点和需水点之间的供水管道，且沿所述供水管道设有阀门和水泵。
在一个实施例中，所述供水区域可以为一个城市、一个工厂或一个村庄，本申请不做限制。获取供水区域的供水网，该供水网包括至少一个用于提供水源的供水点和多个对水有需求的需水点，且在供水点和需水点之间设有用于输送水资源的供水管道。沿着每条供水管道均设有阀门和水泵，其中，阀门可以通过调节阀门开度控制供水管道内的水流量，水泵可以通过调节水泵转速和水泵扬程控制供水管道内的水压，在阀门和水泵的共同作用下，可将一个需水点所需要的水量从供水点供给到该需水点。
需要说明的是，在供水网中，一个供水点可以为一个或多个需水点进行供水，而一个需水点所需要的水量也可以由一个或多个供水点提供，供水网可视为一个图结构。请参见图2，是根据本申请实施例的供水网的示意图；该供水网共包含4个供水点和4个需水点，且需水点2所需要的水量可以由供水点A、供水点B和供水点C提供，供水点B可以为需水点1和需水点2进行供水。
S12，响应于一个需水点的用水需求量发生变更，在所述供水网中确定与所述需水点相关联的待调节供水点和待调节需水点，并采集当前时刻的供水调度矩阵，所述供水调度矩阵包括任意一个待调节供水点到任意一个待调节需水点之间的供水量。
在一个实施例中，当一个需水点的用水需求量的变化量大于变化量阈值时，表示该需水点的用水需求量发生变更。当供水网中任意一个需水点的用水需求量发生变更时，表示此时供水网中的供水调度方案无法满足变更后的需求，需要对供水网中的供水调度方案进行优化。
具体地，所述响应于一个需水点的用水需求量发生变更，在所述供水网中确定与所述需水点相关联的待调节供水点和待调节需水点包括：以用水需求量发生变更的需水点为起始点，利用广度优先搜索算法在所述供水网中进行搜索，并对搜索到的节点进行标记，所述节点包括供水点和需水点；不断在所述供水网中进行搜索，直至搜索到的节点均为标记后的节点或搜索不到节点时，停止搜索，得到待调节供水点和待调节需水点。
可以理解地，待调节供水点和待调节需水点与用水需求量发生变更的需水点之间存在直接或间接的关联；当需水点的用水需求量发生变更后，为了实现供水优化调度，需要对待调节供水点和待调节需水点之间的供水量进行调节。
示例性地，请参见图2，当需水点2的用水需求量发生变更时，以需水点2为起始点在供水网中执行广度优先搜索算法，第一次搜索可以搜索到供水点A和供水点B，并对供水点A和供水点B进行标记；然后，分别以供水点A和供水点B为起点进行搜索，得到需水点1和需水点3并完成需水点1和需水点3进行标记；以需水点1为起点进行搜索时，搜索不到节点，故需水点1停止搜索，而以需水点3为起点进行搜索时，可搜索到供水点C；以供水点C为起点进行搜索时，同样搜索不到节点，故供水点C停止搜索；至此结束供水网中的广度优先搜索的过程，共得到3个待调节供水点和3个待调节需水点；其中，待调节供水点包括供水点A、供水点B和供水点C，待调节需水点包括需水点1、需水点2和需水点3。
在一个实施例中，确定待调节供水点和待调节需水点后，实时采集任意待调节供水点和任意待调节需水点之间供水管道的供水量，以构建当前时刻的供水调度矩阵；所述供水调度矩阵为M行N列的矩阵，其中，M表示待调节供水点的数量，N表示待调节需水点的数量，第m行第n列的数值表示第m个待调节供水点到第n个待调节需水点的供水量。
如此，确定了需要进行调节的待调节供水点和待调节需水点，以及当前时刻的供水调度矩阵，用于反映当前时刻任意待调节供水点和任意待调节需水点之间的供水量。
S13，基于所述供水调度矩阵计算每条待调节供水管道的控制参数，所述待调节供水管道为所述待调节供水点和所述待调节需水点之间的供水管道，所述控制参数包括供水管道上的阀门开度、水泵扬程和水泵转速。
在一个实施例中，依据供水调度矩阵能够得到任意待调节供水点和任意待调节需水点之间的供水量，为了将所需的供水量从待调节供水点供给到待调节需水点，需要借助待调节供水点和待调节需水点之间的待调节供水管道。通过设置待调节供水管道上阀门的阀门开度，以及水泵的水泵扬程和水泵转速，可将所需的供水量从待调节供水点供给到待调节需水点。
具体地，基于所述供水调度矩阵计算每条待调节供水管道的控制参数包括：对于任意一条待调节供水管道，依据所述供水调度矩阵确定所述待调节供水管道的供水量；将所述供水量输入所述待调节供水管道对应的控制参数模型，得到所述待调节供水管道的控制参数；其中，所述控制参数模型为全连接神经网络，所述控制参数模型包括输入层、隐藏层和输出层；所输入层包括一个神经元，用于接收所述待调节供水管道的供水量；所述隐藏层用于对所述供水量进行维度变换，得到D行1列的表征向量，其中D为预设值；所述输出层中神经元的数量等于所述预设值，用于将所述表征向量回归为所述待调节供水管道的控制参数，所述控制参数的尺寸为D行1列。
其中，所述预设值与待调节供水管道上阀门和水泵的数量有关，一个阀门对应一个阀门开度，一个水泵对应一个水泵扬程和水泵转速。比如，如果一个待调节供水管道设有1个阀门和3个水泵，则该待调节供水管道对应的控制参数模型中，预设值D的取值为1+3×2=7，也即是说，该待调节供水管道的控制参数为7行1列，共包含7个数值。
在一个实施例中，由于每条待调节供水管道的长度和经过地形不同，为了能够准确获取每条待调节供水管道上的控制参数，一条待调节供水管道对应一个参数控制模型。以任意一条待调节供水管道为例，所述待调节供水管道的控制参数模型的训练方法包括：在任意历史时刻，采集所述待调节供水管道的供水量和控制参数，得到一组控制样本；将所述控制样本中的供水量输入所述控制参数模型，得到输出结果；计算所述输出结果和所述控制样本中控制参数之间的均方差损失函数值；基于所述均方差损失函数对所述控制参数模型进行反向传播，完成一次的训练；迭代地训练所述控制参数模型，直至所述均方差损失函数值小于预设损失值时停止，完成所述控制参数模型的训练。其中，所述预设损失值的取值为0.001。
如此，对于任意一条待调节供水管道，当获取待调节供水管道的供水量之后，即可借助该待调节供水管道对应的控制参数模型获取该待调节供水管道的控制参数，控制参数包括待调节供水管道上所有阀门的阀门开度，以及所有水泵的水泵扬程和水泵转速。
S14，基于所述供水调度矩阵、所述控制参数以及变更后每个待调节需水点的用水需求量构建多目标优化问题，所述多目标优化问题包括目标函数和约束条件，所述目标函数以供水量发生变化的待调节供水管道数量最小，以及每条待调节供水管道上阀门和水泵的磨损程度最小为优化目标。
在一个实施例中，当前时刻的供水调度矩阵反映待调节供水点和待调节需水点之间真实的供水调度情况，而由于需水点的用水需求量发生变更，当前时刻的供水调度矩阵已经无法满供水需求，因此，需要构建多目标优化问题，以更新当前时刻的供水调度矩阵。
具体地，基于所述供水调度矩阵、所述控制参数以及变更后每个待调节需水点的用水需求量构建多目标优化问题包括：初始化供水调度寻优矩阵，所述供水调度寻优矩阵包括优化调度后任意一个待调节供水点到任意一个待调节需水点的寻优供水量；基于所述供水调度寻优矩阵计算每条待调节供水管道的寻优控制参数；基于所述供水调度寻优矩阵、所述供水调度矩阵，以及每条待调节供水管道的控制参数和寻优控制参数计算目标函数，所述目标函数满足关系式：
，其中，/>和/>分别为供水调度矩阵和供水调度寻优矩阵，/>为符号函数，/>表示利用符号函数对矩阵/>中的每个数值进行处理，/>为计算/>的L1范数，/>为所有待调节供水管道的数量，/>和/>分别为第/>条待调节供水管道的控制参数和寻优控制参数，为计算/>的L2范数，/>为第/>条待调节供水管道在历史时间段内的供水量方差，/>为所有待调节供水管道的供水量方差之和，/>为所述目标函数的数值；基于每个待调节供水点的最大供水量以及变更后每个待调节需水点的用水需求量获取约束条件，所述约束条件包括第一约束条件和第二约束条件，所述第一约束条件满足关系式：
，其中，/>表示待调节需水点的数量，/>表示第m个待调节供水点到第n个待调节需水点的寻优供水量，/>为第m个待调节供水点的最大供水量；所述第二约束条件满足关系式：
，/>表示待调节供水点的数量，/>为变更后第n个待调节需水点的用水需求量；将所述目标函数和所述约束条件作为多目标优化问题。
其中，在目标函数中，中的数值为0、1或 -1，当第m个待调节供水点到第n个待调节需水点的寻优供水量与供水调度矩阵中的供水量不同时，/>中的数值为1或 -1，当第m个待调节供水点到第n个待调节需水点的寻优供水量与供水调度矩阵中的供水量相同时，/>中的数值为0，因此，/>能够表征供水量发生变化的待调节供水管道的数量，换句话说，/>能够表征需要改变控制参数的待调节供水管道的数量。
表示第/>条待调节供水管道控制参数的变化幅度，变化幅度越大，表示第/>条待调节供水管道上的阀门和水泵的磨损程度越大；/>表示第/>条待调节供水管道在历史时间段内的归一化供水量方差，所述历史时间段可以为过去一个月；可以理解地，归一化供水量方差越大，表示在历史时间段内第/>条待调节供水管道上阀门和水泵的磨损程度越高，为避免磨损程度高的供水设备（阀门和水泵）再次受到严重磨损，应更关注归一化供水量方差较大的待调节供水管道；因此，/>能够表征每条待调节供水管道上阀门和水泵的磨损程度。
因此，目标函数的取值同时反映了供水量发生变化的待调节供水管道数量，以及每条待调节供水管道上阀门和水泵的磨损程度，目标函数以供水量发生变化的待调节供水管道数量最小，以及每条待调节供水管道上阀门和水泵的磨损程度最小为优化目标。
其中，在约束条件中，第一约束条件用于约束每个待调节供水点向所有待调节需水点提供的总水量不超过最大供水量；第二约束条件用于约束每个待调节需水点接收到的总水量等于变更后的用水需求量。
如此，将供水优化调度问题转换为一个多目标优化问题，且多目标优化问题中的目标函数，同时反映了供水量发生变化的待调节供水管道数量，以及每条待调节供水管道上阀门和水泵的磨损程度两个目标。
S15，利用多目标粒子群算法求解所述多目标优化问题以获取供水调度目标矩阵，并基于所述供水调度目标矩阵调节每条待调节供水管道的控制参数，所述供水调度目标矩阵包括任意一个待调节供水点到任意一个待调节需水点之间的目标供水量。
在一个实施例中，所述利用多目标粒子群算法求解所述多目标优化问题以获取供水调度目标矩阵包括：随机初始化设定个数的粒子，并利用多目标粒子群算法对所述多目标优化问题进行求解，以不断更新所述供水调度寻优矩阵；将所述目标函数取最小值时的供水调度寻优矩阵作为供水调度目标矩阵。
其中，设定个数的取值可为100，多目标粒子群算法是一种寻优算法，为本领域技术人员的公知技术，在此不再赘述。可以理解地，供水调度目标矩阵能够在满足第一约束条件和第二约束条件的基础上，使得供水量发生变化的待调节供水管道数量最小，且每条待调节供水管道上阀门和水泵的磨损程度最小。
在一个实施例中，基于所述供水调度目标矩阵调节每条待调节供水管道的控制参数包括：对于任意一条待调节供水管道，查询所述供水调度目标矩阵以确定所述待调节供水管道的目标供水量；基于所述目标供水量计算所述待调节供水管道的目标控制参数，并将所述待调节供水管道的控制参数调节至所述目标控制参数。
可以理解地，“基于所述目标供水量计算所述待调节供水管道的目标控制参数”的过程与步骤S13中“基于所述供水调度矩阵计算每条待调节供水管道的控制参数”的过程相同，在此不再赘述。
如此，在满足变更后每个待调节需水点的用水需求量的前提下，以供水量发生变化的待调节供水管道数量最小，阀门和水泵的磨损程度最小为目标，实现供水优化调度。
本申请实施例提供的上述一种基于多目标粒子群算法的供水优化调度方法，当任意一个需水点的用水需求量发生变更时，获取与该需水点相关联的待调节供水点和待调节需水点，并实时采集待调节供水点和待调节需水点之间每条待调节供水管道的实际供水量以构建供水调度矩阵；进一步地，以供水量发生变化的待调节供水管道数量最小，且每条待调节供水管道上阀门和水泵的磨损程度最小为优化目标，以每个待调节供水点向所有待调节需水点提供的总水量不超过最大供水量，且每个待调节需水点接收到的总水量等于变更后的用水需求量作为约束条件，将供水优化调度问题转换为一个多目标优化问题；利用多目标粒子群算法求解所述多目标优化问题以获取供水调度目标矩阵，供水调度目标矩阵包括任意一个待调节供水点到任意一个待调节需水点之间的目标供水量，进而依据目标供水量调节待调节供水点和待调节需水点之间每条待调节供水管道的控制参数，降低供水设备损耗的同时，实现了供水的合理调度。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

Claims (8)

1.一种基于多目标粒子群算法的供水优化调度方法，其特征在于，所述供水优化调度方法包括：
获取供水区域内的供水网，所述供水网包括供水点、需水点以及供水点和需水点之间的供水管道，且沿所述供水管道设有阀门和水泵；
响应于一个需水点的用水需求量发生变更，在所述供水网中确定与所述需水点相关联的待调节供水点和待调节需水点，并采集当前时刻的供水调度矩阵，所述供水调度矩阵包括任意一个待调节供水点到任意一个待调节需水点之间的供水量；
基于所述供水调度矩阵计算每条待调节供水管道的控制参数，所述待调节供水管道为所述待调节供水点和所述待调节需水点之间的供水管道，所述控制参数包括供水管道上的阀门开度、水泵扬程和水泵转速；
基于所述供水调度矩阵、所述控制参数以及变更后每个待调节需水点的用水需求量构建多目标优化问题，所述多目标优化问题包括目标函数和约束条件，所述目标函数以供水量发生变化的待调节供水管道数量最小，以及每条待调节供水管道上阀门和水泵的磨损程度最小为优化目标；
利用多目标粒子群算法求解所述多目标优化问题以获取供水调度目标矩阵，并基于所述供水调度目标矩阵调节每条待调节供水管道的控制参数，所述供水调度目标矩阵包括任意一个待调节供水点到任意一个待调节需水点之间的目标供水量。
2.如权利要求1所述的一种基于多目标粒子群算法的供水优化调度方法，其特征在于，所述响应于一个需水点的用水需求量发生变更，在所述供水网中确定与所述需水点相关联的待调节供水点和待调节需水点包括：
以用水需求量发生变更的需水点为起始点，利用广度优先搜索算法在所述供水网中进行搜索，并对搜索到的节点进行标记，所述节点包括供水点和需水点；
不断在所述供水网中进行搜索，直至搜索到的节点均为标记后的节点或搜索不到节点时，停止搜索，得到待调节供水点和待调节需水点。
3.如权利要求1所述的一种基于多目标粒子群算法的供水优化调度方法，其特征在于，基于所述供水调度矩阵计算每条待调节供水管道的控制参数包括：
对于任意一条待调节供水管道，依据所述供水调度矩阵确定所述待调节供水管道的供水量；
将所述供水量输入所述待调节供水管道对应的控制参数模型，得到所述待调节供水管道的控制参数；
其中，所述控制参数模型为全连接神经网络，所述控制参数模型包括输入层、隐藏层和输出层；
所输入层包括一个神经元，用于接收所述待调节供水管道的供水量；
所述隐藏层用于对所述供水量进行维度变换，得到D行1列的表征向量，其中D为预设值；
所述输出层中神经元的数量等于所述预设值，用于将所述表征向量回归为所述待调节供水管道的控制参数，所述控制参数的尺寸为D行1列。
4.如权利要求3所述的一种基于多目标粒子群算法的供水优化调度方法，其特征在于，所述待调节供水管道的控制参数模型的训练方法包括：
在任意历史时刻，采集所述待调节供水管道的供水量和控制参数，得到一组控制样本；
将所述控制样本中的供水量输入所述控制参数模型，得到输出结果；
计算所述输出结果和所述控制样本中控制参数之间的均方差损失函数值；
基于所述均方差损失函数对所述控制参数模型进行反向传播，完成一次的训练；
迭代地训练所述控制参数模型，直至所述均方差损失函数值小于预设损失值时停止，完成所述控制参数模型的训练。
5.如权利要求1所述的一种基于多目标粒子群算法的供水优化调度方法，其特征在于，基于所述供水调度矩阵、所述控制参数以及变更后每个待调节需水点的用水需求量构建多目标优化问题包括：
初始化供水调度寻优矩阵，所述供水调度寻优矩阵包括优化调度后任意一个待调节供水点到任意一个待调节需水点的寻优供水量；
基于所述供水调度寻优矩阵计算每条待调节供水管道的寻优控制参数；
基于所述供水调度寻优矩阵、所述供水调度矩阵，以及每条待调节供水管道的控制参数和寻优控制参数计算目标函数；
基于每个待调节供水点的最大供水量以及变更后每个待调节需水点的用水需求量获取约束条件；
将所述目标函数和所述约束条件作为多目标优化问题。
6.如权利要求5所述的一种基于多目标粒子群算法的供水优化调度方法，其特征在于，所述目标函数满足关系式：
，其中，/>和/>分别为供水调度矩阵和供水调度寻优矩阵，/>为符号函数，/>表示利用符号函数对矩阵/>中的每个数值进行处理，/>为计算/>的L1范数，/>为所有待调节供水管道的数量，/>和/>分别为第/>条待调节供水管道的控制参数和寻优控制参数，为计算/>的L2范数，/>为第/>条待调节供水管道在历史时间段内的供水量方差，/>为所有待调节供水管道的供水量方差之和，/>为所述目标函数的数值；
所述约束条件包括第一约束条件和第二约束条件，所述第一约束条件满足关系式：
，其中，/>表示待调节需水点的数量，/>表示第m个待调节供水点到第n个待调节需水点的寻优供水量，/>为第m个待调节供水点的最大供水量；
所述第二约束条件满足关系式：
，/>表示待调节供水点的数量，/>为变更后第n个待调节需水点的用水需求量。
7.如权利要求6所述的一种基于多目标粒子群算法的供水优化调度方法，其特征在于，所述利用多目标粒子群算法求解所述多目标优化问题以获取供水调度目标矩阵包括：
随机初始化设定个数的粒子，并利用多目标粒子群算法对所述多目标优化问题进行求解，以不断更新所述供水调度寻优矩阵；
将所述目标函数取最小值时的供水调度寻优矩阵作为供水调度目标矩阵。
8.如权利要求1所述的一种基于多目标粒子群算法的供水优化调度方法，其特征在于，基于所述供水调度目标矩阵调节每条待调节供水管道的控制参数包括：
对于任意一条待调节供水管道，查询所述供水调度目标矩阵以确定所述待调节供水管道的目标供水量；
基于所述目标供水量计算所述待调节供水管道的目标控制参数，并将所述待调节供水管道的控制参数调节至所述目标控制参数。
CN202410302116.4A 2024-03-18 2024-03-18 一种基于多目标粒子群算法的供水优化调度方法 Active CN117910780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410302116.4A CN117910780B (zh) 2024-03-18 2024-03-18 一种基于多目标粒子群算法的供水优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410302116.4A CN117910780B (zh) 2024-03-18 2024-03-18 一种基于多目标粒子群算法的供水优化调度方法

Publications (2)

Publication Number Publication Date
CN117910780A true CN117910780A (zh) 2024-04-19
CN117910780B CN117910780B (zh) 2024-06-11

Family

ID=90692743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410302116.4A Active CN117910780B (zh) 2024-03-18 2024-03-18 一种基于多目标粒子群算法的供水优化调度方法

Country Status (1)

Country Link
CN (1) CN117910780B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118569620A (zh) * 2024-08-05 2024-08-30 山东华立供水设备有限公司 一种面向供水系统的产耗平衡调度方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050051955A (ko) * 2003-11-28 2005-06-02 주식회사 비츠로시스 신경망을 이용한 물수요 예측 방법
JP2009209523A (ja) * 2008-02-29 2009-09-17 Toshiba Corp 配水圧力最適制御装置
CN103839190A (zh) * 2014-02-19 2014-06-04 清华大学深圳研究生院 基于压力监测的管网节点流量计量与调度方法
CN105297827A (zh) * 2015-10-16 2016-02-03 贵州省水利水电勘测设计研究院 一种考虑多用户需水和多水源供水的水资源配置方法
RU2608020C1 (ru) * 2015-09-22 2017-01-11 ООО "Ассоциация инженеров и учёных по водоснабжению и водоотведению" Способ оптимизации системы водоснабжения
CN107122519A (zh) * 2017-03-27 2017-09-01 华南理工大学 一种城市供水管网压力监测点的优化布置方法
CN107944603A (zh) * 2017-11-09 2018-04-20 中山大学 基于用水总量控制的水资源优化配置报童方法
KR101988040B1 (ko) * 2018-07-20 2019-06-10 (주)해인엔지니어링 건축사 사무소 급수 관로 관리 방법, 이를 수행하기 위한 기록매체
CN111027730A (zh) * 2019-11-19 2020-04-17 浙江大学 一种基于阀门操作和在线用水计量的供水管网漏失高效定位方法
CN111507503A (zh) * 2020-02-28 2020-08-07 中国城市规划设计研究院 供水管网参数确定方法及装置
WO2020192944A1 (de) * 2019-03-28 2020-10-01 Siemens Aktiengesellschaft Verfahren und vorrichtung zum steuern eines wasserversorgungsnetzes
CN113341097A (zh) * 2021-07-05 2021-09-03 江苏云居检测技术有限公司 一种基于大数据的水质安全监测预警系统及方法
WO2023060648A1 (zh) * 2021-10-12 2023-04-20 上海城市水资源开发利用国家工程中心有限公司 一种基于减压阀的供水管网压力管理系统性能测试装置及方法
CN117391395A (zh) * 2023-11-24 2024-01-12 广州奥姆特机电设备制造有限公司 一种供水系统的自动调节方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050051955A (ko) * 2003-11-28 2005-06-02 주식회사 비츠로시스 신경망을 이용한 물수요 예측 방법
JP2009209523A (ja) * 2008-02-29 2009-09-17 Toshiba Corp 配水圧力最適制御装置
CN103839190A (zh) * 2014-02-19 2014-06-04 清华大学深圳研究生院 基于压力监测的管网节点流量计量与调度方法
RU2608020C1 (ru) * 2015-09-22 2017-01-11 ООО "Ассоциация инженеров и учёных по водоснабжению и водоотведению" Способ оптимизации системы водоснабжения
CN105297827A (zh) * 2015-10-16 2016-02-03 贵州省水利水电勘测设计研究院 一种考虑多用户需水和多水源供水的水资源配置方法
CN107122519A (zh) * 2017-03-27 2017-09-01 华南理工大学 一种城市供水管网压力监测点的优化布置方法
CN107944603A (zh) * 2017-11-09 2018-04-20 中山大学 基于用水总量控制的水资源优化配置报童方法
KR101988040B1 (ko) * 2018-07-20 2019-06-10 (주)해인엔지니어링 건축사 사무소 급수 관로 관리 방법, 이를 수행하기 위한 기록매체
WO2020192944A1 (de) * 2019-03-28 2020-10-01 Siemens Aktiengesellschaft Verfahren und vorrichtung zum steuern eines wasserversorgungsnetzes
CN111027730A (zh) * 2019-11-19 2020-04-17 浙江大学 一种基于阀门操作和在线用水计量的供水管网漏失高效定位方法
CN111507503A (zh) * 2020-02-28 2020-08-07 中国城市规划设计研究院 供水管网参数确定方法及装置
CN113341097A (zh) * 2021-07-05 2021-09-03 江苏云居检测技术有限公司 一种基于大数据的水质安全监测预警系统及方法
WO2023060648A1 (zh) * 2021-10-12 2023-04-20 上海城市水资源开发利用国家工程中心有限公司 一种基于减压阀的供水管网压力管理系统性能测试装置及方法
CN117391395A (zh) * 2023-11-24 2024-01-12 广州奥姆特机电设备制造有限公司 一种供水系统的自动调节方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈攀: "基于粒子群算法优化的城市供水量预测模型研究", 软件导刊, vol. 18, no. 7, 15 July 2019 (2019-07-15), pages 19 - 23 *
魏戈: "基于粒子群遗传混合优化算法的给水管网优化设计的研究", CNKI 优秀硕士学生为论文全文库, 15 April 2011 (2011-04-15), pages 37 - 57 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118569620A (zh) * 2024-08-05 2024-08-30 山东华立供水设备有限公司 一种面向供水系统的产耗平衡调度方法及系统

Also Published As

Publication number Publication date
CN117910780B (zh) 2024-06-11

Similar Documents

Publication Publication Date Title
CN117910780B (zh) 一种基于多目标粒子群算法的供水优化调度方法
Chen et al. Applying a real‐coded multi‐population genetic algorithm to multi‐reservoir operation
CN112241607A (zh) 一种基于仿真并考虑气候变化的水资源规划方法
CN113128113A (zh) 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法
CN112415924A (zh) 一种空调系统节能优化方法及系统
CN113959071B (zh) 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法
CN108376294A (zh) 一种供能反馈与气象因素的热负荷预测方法
CN112907150A (zh) 一种基于遗传算法的生产排程方法
Kofinas et al. Daily multivariate forecasting of water demand in a touristic island with the use of artificial neural network and adaptive neuro-fuzzy inference system
CN108717584B (zh) 一种供水管网多目标分区方法
CN114757104A (zh) 一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法
CN115730228A (zh) 基于bp神经网络的中央空调能耗分析方法
CN117968143B (zh) 一种供热系统的节能优化方法及系统
Rahbar et al. Artificial neural network for outlining and predicting environmental sustainable parameters
Kuo et al. Continuous genetic algorithm-based fuzzy neural network for learning fuzzy IF–THEN rules
CN114879618A (zh) 知识驱动的车间智能排产方法
Zheng et al. Digital twin modeling for district heating network based on hydraulic resistance identification and heat load prediction
Ehtearm et al. Predicting hydropower production using deep learning CNN-ANN hybridized with gaussian process regression and salp algorithm
KR100540009B1 (ko) 신경망을 이용한 물수요 예측 방법
CN114091767A (zh) 数据驱动的综合能源系统鲁棒随机规划的方法及系统
CN117847730A (zh) 一种基于智能优化算法的新风机组主动节能优化控制方法
Wu et al. SSDP model with inflow clustering for hydropower system operation
CN116485582A (zh) 一种基于深度学习的供热优化调控方法及装置
CN115344974A (zh) 一种基于层次聚类方法的分布式区域供热系统能源站选址规划方法
Sagynganova et al. Comprehensive methods to obtain and process information flows in centralized heat supply 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