本發(fā)明涉及排水管網(wǎng)調(diào)度的領(lǐng)域。

背景技術(shù)：

本發(fā)明方法涉及到改進(jìn)粒子群算法設(shè)計(jì)，從排水管網(wǎng)中建立相應(yīng)模型，應(yīng)用改進(jìn)粒子群算法選擇當(dāng)前環(huán)境下最佳的排水路線的方法及過程。

與本發(fā)明最相近的方法魏洪宇等人《基于改進(jìn)粒子群算法的城市給水管網(wǎng)優(yōu)化設(shè)計(jì)》針對(duì)給水管網(wǎng)的設(shè)計(jì)，提出了一種基于改進(jìn)粒子群算法的給水管網(wǎng)優(yōu)化設(shè)計(jì)方法。

技術(shù)實(shí)現(xiàn)要素：

目前市政排水管網(wǎng)的調(diào)度都是通過人工參與計(jì)算的方式來得出最優(yōu)的排水路線，這樣的方式在效率和準(zhǔn)確性上會(huì)很大的缺陷。這種方法存在的最大問題是人工手動(dòng)參與計(jì)算，因?yàn)槿斯な謩?dòng)參與計(jì)算在數(shù)據(jù)量龐大的情況下極易出現(xiàn)差錯(cuò)，同時(shí)手工計(jì)算的誤差也會(huì)很大，誤差的不斷累積最終結(jié)果也會(huì)出現(xiàn)差錯(cuò)，這樣就很難得出最優(yōu)的排水線路。針對(duì)這個(gè)問題，本發(fā)明針對(duì)排水管網(wǎng)的排水管道最優(yōu)路徑選擇的問題，首先從排水管網(wǎng)已建成的情況下，根據(jù)已有管網(wǎng)的分布、實(shí)時(shí)積水狀況和泵站排水效能等參數(shù)，動(dòng)態(tài)地構(gòu)建管網(wǎng)運(yùn)行模型。根據(jù)雨量及分布情況，預(yù)先設(shè)計(jì)合適的排水策略，然后在排水管網(wǎng)模型的基礎(chǔ)上，結(jié)合gis系統(tǒng)提供的坐標(biāo)位置等信息和排水管網(wǎng)scada提供的管道水情況的實(shí)時(shí)數(shù)據(jù)，略去水力特征，僅考慮節(jié)點(diǎn)和管道之間的關(guān)聯(lián)關(guān)系，將圖簡(jiǎn)化為一個(gè)加權(quán)的有向圖，再根據(jù)構(gòu)建管道時(shí)的影響參數(shù)計(jì)算出從一個(gè)頂點(diǎn)到另一個(gè)頂點(diǎn)的耗費(fèi)值，作為圖中元素之間邊的權(quán)，以此構(gòu)造出的加權(quán)有向圖來表示排水管網(wǎng)的耗能模型，再采用改進(jìn)的粒子群算法求取最節(jié)能的排水路徑，該算法在常規(guī)粒子群算法的基礎(chǔ)上，增加懲罰函數(shù)，針對(duì)常規(guī)粒子群算法早熟以及多樣性丟失問題，采用當(dāng)前種群與其它種群交換一定量的粒子的方法，來解決早熟和多樣性丟失問題，并完善了算法終止策略，一方面設(shè)定最大的迭代次數(shù)為算法的終止進(jìn)程，一方面根據(jù)群體的收斂情況為終止進(jìn)程，設(shè)置優(yōu)化目標(biāo)以及目標(biāo)解的結(jié)構(gòu)，獲得快速的求解，得出當(dāng)前情景下的最優(yōu)結(jié)果，解決了已有管網(wǎng)的最優(yōu)排水調(diào)度問題。

附圖說明

圖1求解最優(yōu)排水路線的方法流程圖。

具體實(shí)施方式

具體實(shí)施方式如圖1所示，建立管網(wǎng)模型：首先根據(jù)雨量及分布情況，預(yù)先選定區(qū)域排水方向，然后在選定的區(qū)域上，通過地理信息系統(tǒng)(gis)導(dǎo)出的后綴為shp,shx,dbf文件將地理位置坐標(biāo)信息讀取出來繪畫出簡(jiǎn)單模型，然后建立對(duì)應(yīng)的無向圖模型，同時(shí)結(jié)合從實(shí)際系統(tǒng)中去掉一些比較次要的設(shè)施，把排水管網(wǎng)中的某些局部簡(jiǎn)化后，保持其功能，且各元素之間的關(guān)系不變，用宏觀等效的原則，略去其構(gòu)造水力特征，僅僅考慮節(jié)點(diǎn)和管段之間的關(guān)聯(lián)關(guān)系，構(gòu)建出管網(wǎng)圖模型。簡(jiǎn)化后的管網(wǎng)圖可表示為一個(gè)加權(quán)的有向圖模型，可用g(v,e)表示，其中v為管道節(jié)點(diǎn)集合，即v＝{v1,v2,…,vn}，e為邊集合，即e＝{e1,e2,…,em}，wij為存在的邊eij的權(quán)值(即管道的輸送水的耗費(fèi))，p(i,k)為點(diǎn)i到k的一條路徑(k∈v)。從理論上分析，管網(wǎng)的最優(yōu)拓?fù)浣Y(jié)構(gòu)應(yīng)該是樹狀結(jié)構(gòu)，那么管網(wǎng)的圖模型的最后優(yōu)化結(jié)果也應(yīng)該是樹狀結(jié)構(gòu)。若管道的起始點(diǎn)和終點(diǎn)給定，給定n個(gè)管點(diǎn)及兩兩管點(diǎn)之間管段的花費(fèi)，求一條經(jīng)過各個(gè)管點(diǎn)且僅一次的總耗費(fèi)。則管網(wǎng)圖優(yōu)化即為找到一棵有向樹，使得對(duì)v中的各節(jié)點(diǎn)i，p(i,t)滿足圖g中從i到t的權(quán)值最小。該有向樹t即管網(wǎng)優(yōu)化調(diào)度方案。對(duì)于管網(wǎng)圖的優(yōu)化，只需估算管網(wǎng)的總耗費(fèi)，可以采用的目標(biāo)函數(shù)如式(1)所示：

式(1)中：

wl為樹狀管網(wǎng)總耗費(fèi)；li,j為第i管點(diǎn)到第j管點(diǎn)之間的是否連通；v為管網(wǎng)連接圖的邊的集合。

針對(duì)上述的耗費(fèi)，是由排水管網(wǎng)管道中多個(gè)參數(shù)的互相關(guān)聯(lián)約束計(jì)算出的花費(fèi)，具體約束參數(shù)有管道流速，管道坡度，管道充滿度，管長(zhǎng)等。具體約束參數(shù)說明如下：

(1)管道坡度&管道流速：我國室外給排水設(shè)計(jì)規(guī)范規(guī)定各種管徑的最小設(shè)計(jì)坡度。由于管道的坡度影響管道的流速，如果坡度不同，流速也不同，當(dāng)需要增大流速時(shí)，就要通過增設(shè)泵機(jī)等外設(shè)在當(dāng)前坡度下來增加速度，每當(dāng)使用外圍設(shè)備時(shí)，耗費(fèi)也會(huì)相應(yīng)的增加，所以這也是參與計(jì)算影響的參數(shù)之一。對(duì)于流速又受后面泵站的處理速度約束。流速有最小最大限制即：

vmin≤v≤vmax

(2)管道長(zhǎng)度：不同的節(jié)點(diǎn)之間的管道長(zhǎng)度從實(shí)際工程中也是不同的。管道的長(zhǎng)度對(duì)于使用外設(shè)來提升管道流速時(shí)的耗費(fèi)也是關(guān)鍵因素之一，不同的管道坡度引起管道不同流速，管道的不同流速要達(dá)到約束條件的最小值時(shí)，在單位管道長(zhǎng)度的耗費(fèi)就不同，所以管道的長(zhǎng)度也是計(jì)算此管道耗費(fèi)的關(guān)鍵參數(shù)。

(3)管道充滿度：管道充滿度和管道流速以及根據(jù)管道的其他參數(shù)可以計(jì)算出管道的流量，由于節(jié)點(diǎn)泵站的蓄水池有一定的限制大小，所以管道充滿度在這多個(gè)參數(shù)中互相約束。此參數(shù)也是計(jì)算管道耗費(fèi)的影響參數(shù)之一。

改進(jìn)粒子群算法設(shè)計(jì)：將粒子群中的每個(gè)微粒視為簡(jiǎn)化后管網(wǎng)無向圖模型連接圖的一個(gè)隨機(jī)生成，為了辨別這個(gè)隨機(jī)生成樹，采用二進(jìn)制編碼方式。對(duì)管網(wǎng)簡(jiǎn)化后生成的模型圖g(v，e)中的所有待選邊進(jìn)行二進(jìn)制編碼，即取值為0或1，則用長(zhǎng)度為m(邊的個(gè)數(shù))的二進(jìn)制字符串即可表示圖g的子圖。當(dāng)字符串上某位上的字符值為1時(shí)，表示它所對(duì)應(yīng)的邊是構(gòu)成子圖的邊，當(dāng)字符值為0時(shí)，表示它所對(duì)應(yīng)的邊不是構(gòu)成子圖的邊。這個(gè)m位的二進(jìn)制串稱為管網(wǎng)布局優(yōu)化問題的一個(gè)解。由于樹狀管網(wǎng)有n-1條邊且具有連通性，若生成的樹有小于或大于n-1個(gè)字符值為1的個(gè)體必定不是樹狀管網(wǎng)。因此，為了避免在進(jìn)化過程中產(chǎn)生不可行方案，必須控制所產(chǎn)生的每個(gè)個(gè)體只有n-1個(gè)字符值為1，使其滿足可行解的必要條件。然后才能檢驗(yàn)其連通性，判斷是否為生成樹。改進(jìn)粒子群算法求解排水管網(wǎng)最優(yōu)排水路線的算法如下：

step1：初始化微粒群。即給定群體規(guī)模m，給群體中的每個(gè)微粒賦一個(gè)隨機(jī)的序列，設(shè)定粒子群算法參數(shù)ω、c1、c2的初值，隨機(jī)取每個(gè)粒子的位置向量p和速度v，并將每個(gè)微粒的最好位置的適應(yīng)值設(shè)置為∞，其中初始化p＝1-2*rand()；v＝1-2*rand()-p/2；其中rand()是隨機(jī)函數(shù)；

step2：按照式(1)分別評(píng)價(jià)每個(gè)粒子的適應(yīng)度；

step3：懲罰不符合約束條件的微粒，重置此微粒的適應(yīng)度為0。由于c1，c2參數(shù)的隨機(jī)性，一定會(huì)出現(xiàn)產(chǎn)生的新位置不符合已建成管網(wǎng)管道設(shè)計(jì)時(shí)的約束條件，因此我們對(duì)不符合約束條件的新位置設(shè)置其懲罰適應(yīng)度為0，以保證微粒群體向最優(yōu)位置不斷定向飛行；

step4：對(duì)每個(gè)微粒按公式(2)獲得更新速度v和位置x，并對(duì)各粒子的新速度進(jìn)行限幅處理：

vid(t+1)＝ω×vid(t)+(δ-xid(t))×β+c2×φ2×(pgd-xid(t))

tri＝xi(t)+vi(t+1)(2)

式(2)中xid是個(gè)體i的位串位置d的當(dāng)前狀態(tài)；t是當(dāng)前的時(shí)間步；vid(t)代表個(gè)體做一個(gè)選擇的傾向；pgd是領(lǐng)域的最好狀態(tài)；δ表示對(duì)于每一個(gè)粒子i，隨機(jī)選取兩個(gè)不同于i且三者不相同的粒子，這隨機(jī)選取的兩粒子之間的差異用δ來表示；β是[0,1]上的隨機(jī)數(shù)；ω為慣性權(quán)值；c2為隨機(jī)因素，目的為了增加微粒位置多樣性；tri表示粒子i的下一次位置；φ2為限幅的隨機(jī)數(shù)，取值在[0,1]范圍上。

step5：如果種群滿足交換條件，進(jìn)行粒子交換操作(按適應(yīng)度排序，隨機(jī)選擇種群交換粒子)；

step6：當(dāng)重新初始化條件滿足時(shí)，根據(jù)適應(yīng)度在定義域上重新初始化一定數(shù)量的較種群；

step7：更新各種群最佳粒子位置，即將每個(gè)微粒的適應(yīng)度與其經(jīng)歷過的最好位置pbest的適應(yīng)度進(jìn)行比較，如果優(yōu)于pbest的適應(yīng)度，則將該粒子的位置作為當(dāng)前的最好位置pbest；對(duì)每個(gè)微粒，將其適應(yīng)值與群體所經(jīng)歷過的最好位置gbest的適應(yīng)度值進(jìn)行比較，如果優(yōu)于gbest的適應(yīng)度，將其粒子位置作為群體最優(yōu)位置，并重新設(shè)置gbest的索引號(hào)；

step8：如未達(dá)到終止條件，則返回step2，直到滿足終止條件為止。其中一方面指定的最大迭代次數(shù)作為微粒群算法的終止進(jìn)程；另一方面，根據(jù)進(jìn)化過程中群體的收斂情況終止進(jìn)程，若在進(jìn)化過程中群體平均適應(yīng)度持續(xù)50代保持不變，可以認(rèn)為微粒群算法收斂，即可跳出循環(huán)，終止進(jìn)化過程，縮短算法運(yùn)行時(shí)間，提高效率。

step9：輸出結(jié)果值。

上述實(shí)施例為本發(fā)明較佳的實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡(jiǎn)化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。