PSO?RBF神经网络在供水管网节能上的应用

来源:用户上传      作者:

　　摘  要： 目前供水管网系统中的水泵机组存在用水规模大、过压供水的情况，为解决供水管网系统电量消耗大的问题，提出一种基于正则化RBF神经网络和粒子群算法的水泵压力控制策略。首先，通过供水管网结构分析寻找各区域最不利出水点;然后，利用历史数据训练正则化RBF神经网络使其具备水力模型辨识能力，并通过粒子群算法对神经网络学习过程进行优化，提高学习效率;最后根据当前压力输入输出样本集进行水泵压力自校正控制，实现水泵压力的智能控制。经过验证，该系统可以实现在满足供水管网用水需求的前提下，降低水泵压力，消除过压供水，有效地节约能源。
　　关键词： 供水管网节能; 智能控制; RBF神经网络; 粒子群算法; 自校正控制; 节能减排
　　中图分类号： TN911.1?34; TP183                    文献标识码： A                   文章编号： 1004?373X（2020）01?0136?04
　　Application of PSO?RBF neural network in energy saving of water supply network
　　WANG Li1， SUN He2
　　Abstract： At present， large water consumption and overpressure water supply occur to the pump unit of the water supply network system. In order to deal with the large power consumption in the water supply network system， a control strategy for water pump pressure based on regularized RBF neural network and particle swarm optimization is proposed. Firstly， the most unfavorable water outlet in each region is found by analyzing the structure of water supply network. Then， the regularized RBF （Radial Basis Function） neural network is trained by the historical data to get the ability of hydraulic model identification， and the learning process of neural network is optimized by the particle swarm optimization to improve the learning efficiency. Finally， the self?correction control of pump pressure is realized according to the current pressure input and output sample set to achieve the intelligent control of pump pressure. It is verified that the system can reduce the pump pressure， eliminate overpressure water supply and realize energy saving effectively on the premise of meeting water demand of water supply network.
　　Keywords： energy saving of water supply network; intelligent control; RBF neural network; particle swarm optimization; self?correcting control; energy conservation and emission reduction
　　0  引  言
　　在民航机场能源保障系统中，机场供水管网系统为了保障机场庞大的用水量，每年都消耗着巨额的耗电费用[1]。水泵机组是供水泵站的高耗电设备，始终占据着泵站设备运行费用的绝大部分。由于供水系统建设设计上具有超前性，对最终用水规模预测较大，水泵存在超负荷运行，造成能源浪费。面对水泵机组耗能大的问题，学者研究了多种解决方案，如通过改造水泵机械结构的方式[2]对水泵进行节能改进;通过腐蚀面修补对供水管网进行维护等方法[3]，在一定程度上实现了能源的节约，但并没有解决过载运行造成的浪费。根据用户需求情况选择试探性降压控制，但供水管网系统规模较大，管路复杂，用户用水需求不受控，试探性调压控制难度较大。通过对供水线路进行优化控制，以添加控水阀门、增加或减少供水管道进行管道优化设计以实现节能[4]，但供水管道大多铺设在地下，管道改造不仅工程量大，还会产生大量的改造费用。很多学者采用供水模型分析，构造仿真水力模型，尝试基于模型分析求解优化调度模型，以调度控制进行节能[5]，但供水管网系统各输出节点相互影响，且管线中存在大量的阀门、接口等，故很难通过结构分析获得较为贴近实际的水力模型结构。现阶段，很多研究者开始探索将智能算法引入水力控制系统中，如通过将遗传算法和Hooke and Jeeves法相结合进行供水系统优化计算，取得了较好的结果。以遗传算法优化供水泵站调度方式，根据用户需求优化整合水泵机组的开启策略，以获得节能减排的效果。如今，引用智能化算法实现能源系统的节能减耗已经成为业内一项重要的研究课题。 　　本文首先对供水管网制定以保证最不利出水点用水需求为目标的控制策略，并引入基于粒子群算法和正则化RBF神经网络的水泵机组压力控制方法，在满足最不利出水点供水需求的前提下，智能化、动态地进行降压控制，节约水泵机组能耗，从而实现能耗的节约。
　　1  供水管网节能控制方案
　　供水生产中，一般通过供水压力来控制供水机组的生产运行，机泵的输入功率为：
　　[E=N?t=0.002 72QHtη] （1）
　　若机组运行时间为[t]，消耗的电能（单位：kW·h）为：
　　[N=ρgQHη×3  600×103=0.002  72QHη] （2）
　　式中：[N]为机泵的输入功率，单位为kW;[ρ]为水的密度，值为1.0×103 kg/m3;[g]为重力加速度，值为9.8 m/s2;[Q]为水泵流量，单位为m3/h;[H]为泵站静扬程，单位为m;[η]为泵站效率。
　　供水压力即水静扬程[H]。由式（2）可知，当减小/提高供水压力时，[H]减小/增大，供水单位电耗下降/上升，供水压力的变化对供水单位电耗的影响极其明显，如何有效控制水泵供水压力是节约能耗的关键问题。目前，变频调压水泵机组的控制方式主要有三种：水泵出口恒压控制方式、最不利出水点恒压控制方式、水泵出口变压控制方式[6]。最不利出水点控制是根据用户需求动态进行调压，耗能控制最有效。但供水管网规模较大，模型复杂，用户用水需求多变，因此不易实现。
　　为实现供水网络中最不利出水点的水压控制，引入智能化控制策略，以正则化RBF神经网络作为系统控制的水力模型辨识及控制策略算法，并通过粒子群算法对神经网络参数选择进行优化改进，提高神经网络的学习和计算效率，二者结合实现水泵水压的智能化控制。
　　2  水力模型辨识及控制决策算法
　　设计PSO?RBF神经网络自校正控制的供水管网水压控制系统，神经网络作为神经网络估计器（NNI）和神经网络控制器（NNC），[ec]为最不利出水点实际水压和需水水压的差值，[ei]为带扰动的水力模型与神经网络估计器之间的校正差值。
　　神经网络辨识器（NNI）的训练误差表示为[ei=yk+1-yk]，其中，[yk+1]为下一时刻预测输出数据，则辨识器的规则就是使误差[Ei]尽可能小，[Ei]表示为：[Ei=i=0neik+12，n=0，1，2，…，k]，NNI的控制目标为使输出[ym]与[y（k）]渐进匹配，即：
　　[limk→∞yk-ym≤ε，    ε>0]   （3）
　　式中[ε]为一个给定的小正数。神经网络控制器（NNC）的训练准则由[ec=Z-yk]来训练，训练准则如式（3）所示，控制系统中NNI和NNC采用PSO算法优化后的正则化RBF神经网络算法。
　　神经网络估计器（NNI）能够对大量历史数据的离线学习[7]，构建包含扰动的水力模型，根据干管管路对供水区域进行分类，采集各用户需水状态下各区域的最不利出水点输出值，形成包含所有分类的水利输入输出模型。经过训练后的NNI具备模型辨识功能[8]，可以对采集得到的数据进行辨识分类，模拟水力模型。神经网络控制器（NNC）同样需要经过历史数据进行离线学习，通过离线学习在各种类型情况下，调控控制参数，使水泵最快调节实现整个区域的最不利出水点达到目标值，其具体步骤如下：
　　1） 收集过去36个月内水泵出水压力和各区域最不利出水点压力，作为训练样本对NNI和NNC进行训练，通过PSO算法优化参数。
　　2） 选择用水相对稳定的一个季度，采集30天内供水管网系统各区域最不利出水点和水泵机组出水口压力值为原始样本，每隔10 min采集一次，并记录期间供水泵站所消耗电压。
　　3） 将原始样本数据输入供水压力控制系统，NNI对样本进行模式识别，确认整个区域中的最不利出水点位置。
　　4） NNC根据最不利出水点需求进行泵出口压力调控，最终实现在满足整个区域最不利出水点压力需求的情况下，泵的出水压力最小即耗能最低。
　　神经网络参数选定需要花费大量时间，本文引入粒子群算法用于RBF神經网络训练学习，优化其参数和结构，有效提高收敛速度及泛化性能。通过跟踪粒子当前的局部最优解和全局最优解来更新粒子的速度和位置，每个优化问题的解作为一个粒子，每个粒子都由其适应度函数决定解的优劣程度，通过迭代搜寻最优解[9]，流程图如图1所示。
　　粒子群算法进行RBF神经网络的优化如下：
　　1） 采集数据样本。
　　2） 初始化粒子群，选取粒子群个数[n]，最大迭代次数，设定学习因子、位置矢量、速度向量。
　　3） 对[n]个不同的[Pi]值，分别训练[n]个RBF神经网络参数和结构。根据最近邻聚类算法对输出数据进行聚类，得到RBF的聚类个数和隐含层中心向量，利用基函数宽度计算过程和最小二乘法进行RBF神经网络的训练，直至满足训练次数。
　　4） 评价各粒子适应度，根据RBF神经网络输出，计算适应度值，用[PBest]和[y?k]表示个体最优和全局最优，整个网络适应值评价函数为：[fitness=1N×k=1Nyk-y?k]，  [GBest]为最优解，[yk]为粒子适应值，[N]为空间维数。
　　5） 比较粒子适应值和个体极值[PBest]处适应值，取最优值为此粒子新个体极值[PBest];比较粒子适应值和全局极值[GBest]处的适应值，取最优值作为新的全局极值[GBest]。
　　6） 粒子根据式[viN（t+1）=ωviN（t）+c1r1[PiN（t）-]
　　[xiN（t）]+c2r2[PgN（t）-xgN（t）]]和式[xiN（t+1）=xiN（t）+][viNt+1]，更新粒子的位置和速度，产生新的种群。 　　7） 如果满足最大迭代次数或达到精度要求则结束，返回当前全局极值为最优权值，进行下一步，否则返回步骤3）。
　　8） 根据输出的最优径向基函数的权值和阈值训练神经网络。
　　3  控制策略系统仿真及结果分析
　　为验证算法的有效性，以某机场供水管网系统为例，采用美国水力特性模拟软件EPANETH绘制管路模拟图如图2所示。按照干管線路将供水管网分为A，B，C，D四个区域。根据经验，各区域最不利出水点一般在出水口距离泵供压口管径最长处或对供水需求较大的位置。通过对各区域内用水设备的调查，查阅《建筑给水排水设计规范》可获得用水设备的基本需水压力，并根据实际用户用水需求可获得各区域最不利出水点的位置。在各区域最不利出水点和水泵机组出水口位置安放压力传感器，实现对出水口压力的采集。根据经验，每年第二季度（4—6月份）用水量波动最小，采集2018年4月5日—5月5日各最不利出水点和泵出水压力集合如图3所示。
　　通过需水压力对比可知，整个供水管网在稳定状态下，整个区域最不利出水点在A区24节点处。经实地调查其所需最低压力为0.07 MPa。当供水泵站出压为0.45 MPa时，平均入户压力为0.42 MPa，各最不利配水点平均压力值为0.31 MPa，远远大于所需最低压力，即管网最不利点所需水压存在超压供水现象。B，C，D各区域的最不利出水点及需求水压经查表分别为28节点处0.15 MPa，13节点处0.2 MPa，10节点处0.25 MPa。
　　为验证粒子群算法对RBF神经网络的优化效果，分别将同样总数为100个数据样本集输入带粒子群优化算法的系统和不带粒子群优化算法的系统中进行对比，图4为两种算法的归一化均方误差随迭代次数的变化曲线，表1为两种算法的性能分析。
　　由图4，表1可知，当MSE目标值为0.001时，PS0?RBF算法经过6次迭代就可以满足要求，且运行时间最短，具有迭代次数少，收敛速度快的特点。
　　NNI和NNC经过离线学习后，将实时采集到的各监测点压力值集合输入控制系统中，然后NNI对集合中的数据进行模型辨识，确认全区域最不利出水点为节点24，并以此确定相应的水力模型，NNC根据辨识到的模型进行水泵压力调控，调控结果如图5，图6所示。调压后泵出水压力从0.45 MPa下降至0.37 MPa，节点24出水压力从0.15 MPa下降至0.1 MPa，其他各节点压力也随之下降，但均符合各节点用水需求。调压前水泵耗电量从424 （kW[?]h）/天，经过调压下降至352 （kW[?]h）/天。由此可见，该系统能够实现在满足各区域用水需求的前提下，有效降低水泵机组能源损耗，实现节能。
　　4  结  论
　　本文设计了一种基于粒子群优化算法和正则化RBF神经网络的供水管网智能控制系统，该系统实现了在满足供水管网系统用户需求的前提下，智能化地降低了水泵机组的供水压力，消除过压供水功率，从而实现能源的节约。通过粒子群算法优化正则化RBF神经网络的学习过程，提高了学习效率，也使神经网络的模型辨识效果得到了提高。
　　参考文献
　　[1] 徐先伯，白丹，吴祥飞，等.浅谈城市供水管网智能调配系统[J].给水排水，2017，53（5）：121?123.
　　[2] 宛如意，颜浩，吴彦辉.水泵机组节能优化及效果评价[J].中国给水排水，2017，33（9）：53?56.
　　[3] ZHANG Q， WU Z Y， ZHAO M， et al. Leakage zone identification in large?scale water distribution systems using multiclass support vector machines [J]. Journal of water resources panning and management， 2016， 142（11）： 04016042.
　　[4] 牟天蔚，蒋白懿，沈丹玉，等.供水管网实时分区及节流阀调度研究[J].水电能源科学，2018，36（5）：167?170.
　　[5] 朱士权，杨俊宝，朱家昌.曹庄泵站水泵机组节能措施研究[J].中国农村水利水电，2016（4）：120?122.
　　[6] 覃健侣.长距离输水管道中途增压设施设计探讨[J].给水排水，2013，49（3）：94?96.
　　[7] FATHI V， GHOLAM A M. An improvement in RBF learning algorithm based on PSO for real time applications [J]. Neurocomputing， 2013， 111： 169?76.
　　[8] HAN H G， LU W， HOU Y， et al. An adaptive?PSO?based self?organizing RBF neural network [J]. IEEE transactions on neural networks and learning systems， 2018， 29（1）： 104?117.
　　[9] 黄文锋.基于改进神经网络的挖掘算法设计[J].现代电子技术，2018，41（14）：143?146.
　　[10] JIA W， ZHAO D， SHEN T， et al. A new optimized GA?RBF neural network algorithm [J]. Computational intelligence and neuroscience， 2014， 2014： 1?6.
　　作者简介：王  力（1973—），男，博士，教授，主要研究方向为自动化方向、故障检测、控制系统设计等。
　　孙  贺（1990—），女，硕士研究生，主要研究方向为控制工程。
转载注明来源:https://www.xzbu.com/8/view-15122174.htm