一种基于深度学习的城市供水系统闸泵群优化调度方法

技术领域

本发明涉及超图卷积神经网络、应急防灾领域的计算机仿真技术，具体涉及一种基于深度学习的城市供水系统闸泵群优化调度方法。

背景技术

城市供水系统是世界范围内的一个庞大的基础设施，从社会、工业和环境的各个方面来看，它对当代人类的生存至关重要。城市供水系统闸泵群优化调度是进行供水系统调度的基础技术手段，也是提高供水效率的重要非工程措施之一，对保障人民群众用水安全具有一定的现实意义。

目前，在进行城市供水系统闸泵群优化调度计算时，决策变量的选取会对计算结果产生很大的影响，目前决策变量的选取常常依据研究者的个人经验，有很大的主观性。且现有多目标供水系统闸泵群优化调度模型计算要迭代上千次对偏微分方程的求解，存在计算量大，耗时久的缺点。

发明内容

针对现有城市供水系统闸泵群优化调度模型存在的计算效率低、模型调试时间较长、决策变量选取偏离现实的问题，本发明提出了一种基于深度学习的城市供水系统闸泵群优化调度方法，将超图卷积神经网络与供水系统优化调度模型结合，实现闸泵群优化调度。

本发明的一种基于深度学习的城市供水系统闸泵群优化调度方法，该方法包括以下步骤：

步骤一、构建城市供水系统多目标闸泵群优化调度模型，优化模型的目的是确定最优的闸门和泵站操作，因此该模型的决策变量为闸门设计流量和泵站过流能力。模型由目标函数和约束条件构成。

(1)目标函数

该模型以泵站运行能耗最低、供水社会效益、水质污染指数为目标函数。

①泵运行能耗以水泵电费表示

目标函数表达式：

其中：W

②供水社会效益以水量供需差表示

目标函数表达式：

其中：F

③水质污染指数以供水系统中BOD5、NH3-N、二甲基异莰醇等污染物浓度表示

目标函数表达式：

其中：C

(2)约束条件

①水源供水能力约束

其中：

②水厂时段净水能力约束：

p

其中：p

③泵站过流能力约束：

0≤Q

其中：Q

④闸门设计流量约束：

0≤Q

其中：Q

步骤二：构建城市供水系统水质水量耦合仿真模型，实现对供水系统实际水力状态的仿真模拟。该模型考虑不同闸门开度和泵站转速比、运行数量下对水质、水量供需差、泵能耗的影响，并利用供水系统实测运行数据完成构建，该数值模型可通过联立求解管网连续性方程、能量方程和水头损失方程后得到。

步骤三、通过步骤二所构建的城市供水系统水质水量耦合仿真模型，模拟多种闸门、泵站工况下的供水系统运行情况，构建水质水量预测模型，实现不同水力条件下水量、水质、泵能耗变化预测。

步骤四、对步骤三中多种基于闸门、泵站工况下的供水系统运行情况数据和各监测点水量、水质、泵运行监测数据进行缩放、反转等处理，并按照固定时间步长进行取值。

步骤五、将步骤四处理后的数据代入超图卷积神经网络模型进行迭代训练，揭示水动力条件和闸泵群调度规则变化与供水系统节点处水质、水量、泵运行能耗之间复杂的非线性映射关系。

步骤六：采用Borg算法对步骤二所建供水系统闸泵群多目标优化调度模型进行求解，得到最佳供水系统闸泵优化调度结果。

其中步骤六所述求解过程如下：

①将供水系统水质、泵运行能耗值、供水社会效益进行归一化处理，设定供水节点污染指数、泵运行能耗、水处理成本、水量供需差为目标函数的对应解X＝(n

②利用Borg算法生成初始种群，并建立外部解集档案Archive，用于保存当前最优的非支配解。

③在此求解过程中，遗传算子共有六种，分别为模拟二进制交叉算子+多项式变异、差分进化算子+多项式变异、均匀变异算子、以父代为中心的交叉算子+多项式变异、峰正态交叉算子+多项式变异、单纯形交叉算子+多项式变异。每次选择一种算子进行遗传操作，算子选择规则为：通过建立反馈机制，选择可以产生更高质量子代的算子。

④分别从档案和种群中随即均匀选取1个、k-1个父代个体，随后含有k个父代个体的算子将生成一个子代个体，将此子代个体作为决策变量传入供水系统闸泵群多目标优化调度模型中。

⑤结合步骤五中所构建的超图卷积神经网络模型，可快速计算出当前子代个体所对应步骤一中的三个目标函数值。

⑥检验目标函数值是否满足相应的约束条件，若不满足，则重新调整进化策略，对解集进行调整，进而改变三个目标函数的的数值，如此循环计算，直到求解出满足要求的解集。

与现有技术相比，本发明结合了超图卷积神经网络与供水系统优化调度模型，不仅揭示了水动力条件和闸泵群调度规则变化与供水系统节点处水质、水量、泵运行能耗之间复杂的非线性映射关系，为决策变量的选取提供参考；而且有效解决了城市供水系统多目标优化调度模型求解复杂的问题，与常规求解方法相比显著地缩短了模型求解时间，简化计算过程。本发明可应用于部分多目标城市供水系统闸泵群优化调度问题。

附图说明

图1为本发明的一种基于深度学习的城市供水系统闸泵群优化调度方法整体流程图。

具体实施方式

以下结合附图，对本发明的技术方案进行详细说明。

超图卷积神经网络模型是深度学习近年来发展出的模型，将训练的超图卷积神经网络模型用于求解多目标城市供水系统闸泵群优化调度模型，可大大提高计算效率。Borg算法凭借其良好的搜索能力，在求解多目标优化问题中得到了广泛应用。

如图1所示，为本发明的一种基于超图卷积神经网络的供水系统多目标闸泵群优化调度方法整体流程图。该流程具体包括以下的步骤：

步骤一、构建城市供水系统多目标闸泵群优化调度模型，优化模型的目的是确定最优的闸门和泵站操作，因此该模型的决策变量为闸门设计流量和泵站过流能力。模型由目标函数和约束条件构成。

(1)目标函数

该模型以泵站运行能耗最低、供水社会效益、水质污染指数为目标函数。

①泵运行能耗以水泵电费表示

目标函数表达式：

其中：W

②供水社会效益以水量供需差表示

目标函数表达式：

其中：F

③水质污染指数以供水系统中BOD5、NH3-N、二甲基异莰醇等污染物浓度表示

目标函数表达式：

其中：C

(2)约束条件

①水源供水能力约束

其中：

②水厂时段净水能力约束：

p

其中：p

③泵站过流能力约束：

0≤Q

其中：Q

④闸门设计流量约束：

0≤Q

其中：Q

步骤二：构建城市供水系统水质水量耦合仿真模型，实现对供水系统实际水力状态的仿真模拟。该模型考虑不同闸门开度和泵站转速比、运行数量下对水质、水量供需差、泵能耗的影响，并利用供水系统实测运行数据完成构建，该数值模型可通过联立求解管网连续性方程、能量方程和水头损失方程后得到。

步骤三、通过步骤二所构建的城市供水系统水质水量耦合仿真模型，模拟多种闸门、泵站工况下的供水系统运行情况，构建水质水量预测模型，实现不同水力条件下水量、水质、泵能耗变化预测。

步骤四、对步骤三中多种基于闸门、泵站工况下的供水系统运行情况数据和各监测点水量、水质、泵运行监测数据进行缩放、反转等处理，并按照固定时间步长进行取值。

步骤五、将步骤四处理后的数据代入超图卷积神经网络模型进行迭代训练，揭示水动力条件和闸泵群调度规则变化与供水系统节点处水质、水量、泵运行能耗之间复杂的非线性映射关系。

步骤六：采用Borg算法对步骤二所建供水系统闸泵群多目标优化调度模型进行求解，得到最佳供水系统闸泵优化调度结果。

其中步骤六所述求解过程如下：

①将供水系统水质、泵运行能耗值、供水社会效益进行归一化处理，设定供水节点污染指数、泵运行能耗、水处理成本、水量供需差为目标函数的对应解X＝(n

②利用Borg算法生成初始种群，并建立外部解集档案Archive，用于保存当前最优的非支配解。

③在此求解过程中，遗传算子共有六种，分别为模拟二进制交叉算子+多项式变异、差分进化算子+多项式变异、均匀变异算子、以父代为中心的交叉算子+多项式变异、峰正态交叉算子+多项式变异、单纯形交叉算子+多项式变异。每次选择一种算子进行遗传操作，算子选择规则为：通过建立反馈机制，选择可以产生更高质量子代的算子。

④分别从档案和种群中随即均匀选取1个、k-1个父代个体，随后含有k个父代个体的算子将生成一个子代个体，将此子代个体作为决策变量传入供水系统闸泵群多目标优化调度模型中。

⑤结合步骤五中所构建的超图卷积神经网络模型，可快速计算出当前子代个体所对应步骤一中的三个目标函数值。

⑥检验目标函数值是否满足相应的约束条件，若不满足，则重新调整进化策略，对解集进行调整，进而改变三个目标函数的的数值，如此循环计算，直到求解出满足要求的解集。