基于模糊神经网络和遗传算法的供水管网优化调度方法与流程

1.本发明涉及一种基于模糊神经网络和遗传算法的供水管网优化调度方法。适用于供水管网优化调度的技术领域。


背景技术：

2.随着国民经济的不断发展，人民生活水平不断提高，城市规模不断扩大，城市人口大量增加，随着人们对高品质用水的需求也越来越高，因此对供水系统的要求也越来越高。由于城市供水管网系统具有拓扑关系复杂，运行工况多变等特点，现在随着用户用水量的需求在不断提高，给水管网系统的规模在不断扩大，若仍然依靠人工经验的管理方式难以满足现代化供水管理要求。
3.目前，各供水企业较为关注的几个重点问题就是供水厂站中送水泵站运行能耗、供水厂站制水成本以及供水管网系统可靠性等问题，对于一线大城市而言，供水规模大，管网拓扑系统拓复杂，其中对能耗的需求较高，每吨水的供水能耗约为0.2～0.3度，根据统计，2020年全国总的用水量将近6000亿吨，那么一年的供水能耗将超过了1200亿度，供水企业成了各城市中最主要的用电单位；对于供水企业本身来说，水厂的能耗也是影响企业生产成本的重要因素之一，能耗成本约占生产成本的35％～40％以上。例如一个设计规模为104m3/d的二级泵站，假定水泵机组的总效率为80％，若泵站扬程每提高1m，那么泵站的年消耗的电能就要多达30万kwh，若每1kwh电费按0.85元计，折合人民币近25.5万元。因此，更加合理的供水对于供水企业减少能耗成本具有重大意义。


技术实现要素：

4.本发明要解决的技术问题是：针对上述存在的问题，提供一种基于模糊神经网络和遗传算法的供水管网优化调度方法。
5.本发明所采用的技术方案是：一种基于模糊神经网络和遗传算法的供水管网优化调度方法，其特征在于：
6.s1、随机产生多个初始个体，构成初始种群，其中个体的染色体编码包含该供水管网内各水厂供水泵站的供水流量和压力参数；
7.s2、将个体中各水厂供水泵站的供水流量和压力参数输入经训练的神经网络模型，预测供水管网中各测点的流量和压力值；
8.所述神经网络模型的训练数据集包含大量供水管网内各水厂供水泵站的供水流量和压力参数，以及与供水泵站流量和压力参数对应的供水管网内各测点的流量和压力实测值；
9.s3、基于个体中各水厂供水泵站的供水流量和压力参数，以及预测得到的各测点流量和压力值计算该个体的适应度函数值；
10.s4、基于种群中各个体的适应度函数值进行遗传算法中的选择种群、种群交叉、种群变异以及参数优化，构成新一代的种群；
11.s5、重复步骤步骤s2～s4，直至遗传代数达到设定代数，得到经遗传算法优化的各水厂供水泵站的供水流量和压力参数。
12.所述各水厂供水泵站的供水流量和压力参数和各测点的流量和压力值的约束条件包括：供水泵站日供水能力约束、供水泵站提升扬程约束、测点压力约束、水量供需平衡约束。
13.所述基于个体中各水厂供水泵站的供水流量和压力参数，以及预测得到的各测点流量和压力值计算该个体的适应度函数值，包括：
14.基于个体中各水厂供水泵站的供水流量和压力参数计算能耗目标函数值f1，基于预测得到的各测点流量和压力值计算管网可靠性目标函数值f2，基于个体的能耗目标函数值及相应的管网可靠性目标函数计算该个体的适应度函数值。
15.所述能耗目标函数值f1，包括：
[0016][0017]
式中：ρ
‑‑
表示水的密度，kg/m3；
[0018]g‑‑
表示重力加速度，g/s2；
[0019]qij
—表示j泵站在i时段内的流量(m3/h)；
[0020]hij
—表示j泵站在i时间内的扬程(m)，基于供水泵站的供水流量和压
[0021]
力参数计算得到；
[0022]
m—表示厂站向管网供水的时间段数(一般为24小时)；
[0023]
n—表示供水系统中泵站总数量。
[0024]
所述管网可靠性目标函数值f2，包括：
[0025][0026]
式中：qi—节点流量，m3/s；
[0027]hi
—节点i实测水压，kpa；
[0028]
—节点i的最低要求水压，kpa；
[0029]
n—表示供水系统中节点数量。
[0030]
所述基于个体的能耗目标函数值及相应的管网可靠性目标函数计算该个体的适应度函数值，包括：
[0031][0032]
其中，f为适应度函数；c为常数；f为目标函数，f＝αf1+βf2，0≤β≤1，
[0033]
一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述基于模糊神经网络和遗传算法的供水管网优化调度方法的步骤。
[0034]
一种计算机设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述基于模糊神经网络和遗传算法的供水管网优化调度方法的步骤。
[0035]
本发明的有益效果是：本发明利用遗传算法进行供水管网调度寻优，以供水管网中各水厂供水泵站的供水流量和压力参数作为遗传算法中个体的染色体编码，并将个体中各供水泵站的供水流量和压力参数输入经大量实际数据训练的神经网络模型得到供水管网中各测点与个体中各供水泵站的供水流量和压力参数对应的流量和压力值，利用供水泵站的供水流量和压力参数、测点的流量和压力值计算个体的适应度函数值，经过多次遗传迭代得到供水管网调度优化方案。
[0036]
本发明通过神经网络模型获取各供水泵站的供水流量和压力参数与各测点之间的内在联系，从而可基于遗传算法个体中的参数预测各测点的参数值，进而利用各测点的参数值计算个体的适应度函数值，以进行参数寻优。
附图说明
[0037]
图1为实施例的流程图。
[0038]
图2为实施例的管网系统图。
具体实施方式
[0039]
如图1所示，本实施例为一种基于模糊神经网络和遗传算法的供水管网优化调度方法，具体包括以下步骤：
[0040]
s1、随机产生多个初始个体，构成初始种群，其中个体的染色体编码包含该供水管网内各水厂供水泵站的供水流量和压力参数，为供水泵站供水流量和压力参数的的二进制编码。
[0041]
s2、将个体中各水厂供水泵站的供水流量和压力参数输入经训练的神经网络模型，预测得到供水管网中该个体对应时间段内各测点的流量和压力值。
[0042]
本实施例中神经网络模型的训练数据集内包含大量供水管网的实际数据，包括各水厂供水泵站的供水流量和压力参数，以及供水管网内各测点与供水泵站流量和压力参数对应的流量和压力实测值。
[0043]
s3、基于个体中各水厂供水泵站的供水流量和压力参数，以及预测得到的各测点流量和压力值计算该个体的适应度函数值。
[0044]
基于个体中各水厂供水泵站的供水流量和压力参数计算能耗目标函数值f1，基于预测得到的各测点流量和压力值计算管网可靠性目标函数值f2，基于个体的能耗目标函数值及相应的管网可靠性目标函数计算该个体的适应度函数值。
[0045]
供水管网系统中的二级泵房将水提升至配水管网且能满足最不利点供水要求，这过程能消耗的电能作为管网一级优化调度的能耗目标函数f1；
[0046][0047]
式中：ρ
‑‑
表示水的密度，kg/m3；
[0048]g‑‑
表示重力加速度，g/s2；
[0049]qij
—表示j泵站在i时段内的供水量(m3/h)；
[0050]hij
—表示j泵站在i时间内的扬程(m)；
[0051]
m—表示厂站向管网供水的时间段数(一般为24小时)；
[0052]
n—表示供水系统中泵站总数量；
[0053]
本实施例将供水管网正常运行时各个节点运行时的实测水压p1与其最低要求水压p0的差值称之为节点富余水头，将节点的富余水头的加权平均值，平均值越低表示管网系统可靠性越高，即管网系统的可靠性作为管网可靠性目标函数f2，那么
[0054][0055]
式中：qi—节点流量，m3/s；
[0056]hi
—节点i实测水压，kpa；
[0057]
—节点i的最低要求水压，kpa；
[0058]
n—表示供水系统中节点数量。
[0059]
本实施例中基于个体的能耗目标函数值及相应的管网可靠性目标函数计算该个体的适应度函数值，包括：
[0060][0061]
其中，f为适应度函数；c为常数；f为目标函数，f＝αf1+βf2，0≤β≤1，
[0062]
s4、基于种群中各个体的适应度函数值进行遗传算法中的选择、交叉、变异，构成新一代的种群。
[0063]
遗传算法中的选择种群，对适应度f的个体赋予其选择概率pi，则
[0064][0065]
将适应最大的一代遗传给下一代种群。
[0066]
s5、重复步骤步骤s2～s4，直至遗传代数达到设定代数，得到经遗传算法优化的各水厂供水泵站的供水流量和压力参数。
[0067]
本实施例中各水厂供水泵站的供水流量和压力参数和各测点的流量和压力值均具有约束条件，包括：供水泵站日供水能力约束、供水泵站提升扬程约束、测点压力约束、水量供需平衡约束。
[0068]
(a)供水泵站日供水能力的约束条件：
[0069][0070]
式中：q
ij
表示j泵站在i时段供水量(m3/d)
[0071]qmaxj
为第j个泵站日最大供水量(m3/d)
[0072]
j＝1、2、3、4
………
n。
[0073]
(b)供水泵站提升扬程约束条件：
[0074]hmini，j
≤h
i，j
≤h
maxi，j
[0075]
式中：h
mini，j
、h
maxi，j
分别表示泵站j在i供水时段内提升扬程的设计最小值和设计
最大值。
[0076]
(c)压力监测点压力约束条件：
[0077]hjimin
≤h
ji
≤h
jimax
[0078]
式中：
[0079]hj、imin
—表示第j水压监测点在i时段内的最低水压，m；
[0080]hj、imax
—表示第j水压监测点在i时段管段最高可承受水压，m。
[0081]
(d)水量供需平衡约束条件：
[0082][0083]
式中：qi—表示管网在i时段内的需水量(m3/h)。
[0084]
图2为实施例的管网系统图，对该管网系统进行供水管网优化调度时的约束条件包括：
[0085]
表1.两个水厂供水量区间值(单位：m3/h)
[0086][0087]
表2.各水厂送水泵站的扬程(单位：mpa)
[0088][0089]
表3.供水管网系统中监测点压力上下值(单位：mpa)
[0090][0091]
经本实施例优化后的调度方案如下表：
[0092]
表4.优化调度方案与经验调度方案
[0093]
[0094]
本实施例还提供一种存储介质，其上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本例中基于模糊神经网络和遗传算法的供水管网优化调度方法的步骤。
[0095]
本实施例还提供一种计算机设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本例中基于模糊神经网络和遗传算法的供水管网优化调度方法的步骤。