[发明专利]一种基于多目标粒子群算法的城市供水优化调度方法

权利要求书

1.一种基于多目标粒子群算法的城市供水优化调度方法，其特征在于，具体步骤如下：

S1:采集供水区域内用户的用水数据、天气数据，供水泵站的运行数据；

S2:对步骤S1中的采集数据进行预处理，并进行分类；

S3:采集待优化调度日的天气数据，并将其匹配到步骤S2中划分的数据集中，预测待优化日的用户用水量数据；

S4:根据步骤S3预测的用户用水量数据，采用多目标粒子群算法MOPSO对供水管网的供水方案进行选择。

S5:通过步骤S4获得的供水方案，调控供水泵站的设备参数。

2.如权利要求1所述的一种多目标基于粒子群算法的城市供水优化调度方法，其特征在于，步骤S1中用户的用水数据包括供水管网的供水量以及蓄水池水位的变化量：

式中，y_k表示当前时间段内该区域内的用户实时用水量，Q为流往该区域内管道的瞬时流量，H(t₂),H(t₁)分别表示当前计算周期内水池内的液位值，S为蓄水池的底面积；

步骤S1中天气数据包括温度、节假日/工作日数据；

步骤S1中供水泵站的运行数据包括供水泵站的水泵数量、额定功率，以及不同水泵组合时的供水效率：

式中，η为水泵的供水效率，ρg为9.8*1000介质水，Q为瞬时流量，H为扬程，P为输入功率(W)。

3.如权利要求1所述的一种基于多目标粒子群算法的城市供水优化调度方法，其特征在于，步骤S2中对采集数据进行预处理方法包括但不限于数据平滑、数据插值、数据替换；

步骤S2中分类的具体步骤为：根据节假日/工作日数据将用户用水量数据划分为两个数据集，并根据供水区域内的每天的温度极值将两个数据集的数据划分为若干数据子集，并计算单个数据子集中，每个时段的用水均值。

4.如权利要求1所述的一种基于多目标粒子群算法的城市供水优化调度方法，其特征在于，步骤S3中预测待优化日的用户用水量数据的具体方法为：

通过天气预报数据获取待优化调度日的温度数据，并根据节假日/工作日和温度数据将划分到步骤S2中划分的数据子集中，并以该数据子集的每个时段的用水均值为预测的待优化调度日用户用水量数据。

5.如权利要求1所述的一种基于多目标粒子群算法的城市供水优化调度方法，其特征在于，步骤S4中采用多目标粒子群算法MOPSO对供水管网的供水方案进行选择的具体方法为：

S4-1:构建供水泵站运行和蓄水池的约束条件：

H_iminH_i(t)H_imax

P(t)P_imax

式中，H_i(t)为t时刻供水区域内第i个蓄水池的蓄水高度，H_imin、H_imax分别为第i个蓄水池的允许的最大蓄水高度和最小蓄水高度，P(t)为t时刻供水泵站的瞬时输出功率，P_imax为供水泵站允许输出的最大功率。

S4-2:以不同时段不同的水泵组合为为决策变量，随机生成初始种群：

x＝[Q₁,Q₂,...,Q_j,...,Q_m]

式中，m为一天中供水泵站的调控次数，Q_j为第j次调控候的水泵运行组合；

S4-3:初始化多目标粒子群算法MOPSO的参数，以输出功率和启停次数未目标函数，采用多目标粒子群算法MOPSO寻找目标函数的最优解。

6.如权利要求1所述的一种基于多目标粒子群算法的城市供水优化调度方法，其特征在于，步骤S4-3中采用多目标粒子群算法MOPSO寻找目标函数的最优解的具体步骤为：

S4-3-1：初始化种群中每个粒子的速度、位置、外部档案，以及最大迭代次数I_max、惯性权重初值，学习因子c₁、c₂；

S4-3-2：通过目标函数计算初始种群中每个粒子的适应度值，确定粒子的初始的个体最优解pbest和全局最优解gbest，个体最优解pbest为种群的当前位置，全局最优解gbest从外部档案中进行选择；

S4-3-3：更新粒子速度v_i(t+1)及位置x_i(t+1)：

式中，v_i(t)为第i个粒子t时刻的速度，x_i(t)为第i个粒子t时刻的位置，gbest_i为全局最优解，pbest_i为个体最优解，r₁、r₂为随机数，c₁、c₂为预设的学习率；

S4-3-4：由粒子的新位置计算新的适应度值，并与前一次迭代的pbest_i进行比较，调整个体最优解pbest_i，并新外部存储集确定当前的全局最优gbest_i；

S4-3-5：判断当前迭代次数是否大于最大迭代次数I_max，若是，则输出外部档案中的所有最优解；若否，则转到步骤S4-3-3继续循环。