王力 孫賀

摘 ?要： 目前供水管網(wǎng)系統(tǒng)中的水泵機組存在用水規(guī)模大、過壓供水的情況，為解決供水管網(wǎng)系統(tǒng)電量消耗大的問題，提出一種基于正則化RBF神經網(wǎng)絡和粒子群算法的水泵壓力控制策略。首先，通過供水管網(wǎng)結構分析尋找各區(qū)域最不利出水點;然后，利用歷史數(shù)據(jù)訓練正則化RBF神經網(wǎng)絡使其具備水力模型辨識能力，并通過粒子群算法對神經網(wǎng)絡學習過程進行優(yōu)化，提高學習效率;最后根據(jù)當前壓力輸入輸出樣本集進行水泵壓力自校正控制，實現(xiàn)水泵壓力的智能控制。經過驗證，該系統(tǒng)可以實現(xiàn)在滿足供水管網(wǎng)用水需求的前提下，降低水泵壓力，消除過壓供水，有效地節(jié)約能源。

關鍵詞： 供水管網(wǎng)節(jié)能; 智能控制; RBF神經網(wǎng)絡; 粒子群算法; 自校正控制; 節(jié)能減排

中圖分類號： TN911.1?34; TP183 ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? 文章編號： 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

在民航機場能源保障系統(tǒng)中，機場供水管網(wǎng)系統(tǒng)為了保障機場龐大的用水量，每年都消耗著巨額的耗電費用[1]。水泵機組是供水泵站的高耗電設備，始終占據(jù)著泵站設備運行費用的絕大部分。由于供水系統(tǒng)建設設計上具有超前性，對最終用水規(guī)模預測較大，水泵存在超負荷運行，造成能源浪費。面對水泵機組耗能大的問題，學者研究了多種解決方案，如通過改造水泵機械結構的方式[2]對水泵進行節(jié)能改進;通過腐蝕面修補對供水管網(wǎng)進行維護等方法[3]，在一定程度上實現(xiàn)了能源的節(jié)約，但并沒有解決過載運行造成的浪費。根據(jù)用戶需求情況選擇試探性降壓控制，但供水管網(wǎng)系統(tǒng)規(guī)模較大，管路復雜，用戶用水需求不受控，試探性調壓控制難度較大。通過對供水線路進行優(yōu)化控制，以添加控水閥門、增加或減少供水管道進行管道優(yōu)化設計以實現(xiàn)節(jié)能[4]，但供水管道大多鋪設在地下，管道改造不僅工程量大，還會產生大量的改造費用。很多學者采用供水模型分析，構造仿真水力模型，嘗試基于模型分析求解優(yōu)化調度模型，以調度控制進行節(jié)能[5]，但供水管網(wǎng)系統(tǒng)各輸出節(jié)點相互影響，且管線中存在大量的閥門、接口等，故很難通過結構分析獲得較為貼近實際的水力模型結構。現(xiàn)階段，很多研究者開始探索將智能算法引入水力控制系統(tǒng)中，如通過將遺傳算法和Hooke and Jeeves法相結合進行供水系統(tǒng)優(yōu)化計算，取得了較好的結果。以遺傳算法優(yōu)化供水泵站調度方式，根據(jù)用戶需求優(yōu)化整合水泵機組的開啟策略，以獲得節(jié)能減排的效果。如今，引用智能化算法實現(xiàn)能源系統(tǒng)的節(jié)能減耗已經成為業(yè)內一項重要的研究課題。

本文首先對供水管網(wǎng)制定以保證最不利出水點用水需求為目標的控制策略，并引入基于粒子群算法和正則化RBF神經網(wǎng)絡的水泵機組壓力控制方法，在滿足最不利出水點供水需求的前提下，智能化、動態(tài)地進行降壓控制，節(jié)約水泵機組能耗，從而實現(xiàn)能耗的節(jié)約。

1 ?供水管網(wǎng)節(jié)能控制方案

供水生產中，一般通過供水壓力來控制供水機組的生產運行，機泵的輸入功率為：

[E=N?t=0.002 72QHtη] （1）

若機組運行時間為[t]，消耗的電能（單位：kW·h）為：

[N=ρgQHη×3 ?600×103=0.002 ?72QHη] （2）

式中：[N]為機泵的輸入功率，單位為kW;[ρ]為水的密度，值為1.0×103 kg/m3;[g]為重力加速度，值為9.8 m/s2;[Q]為水泵流量，單位為m3/h;[H]為泵站靜揚程，單位為m;[η]為泵站效率。

供水壓力即水靜揚程[H]。由式（2）可知，當減小/提高供水壓力時，[H]減小/增大，供水單位電耗下降/上升，供水壓力的變化對供水單位電耗的影響極其明顯，如何有效控制水泵供水壓力是節(jié)約能耗的關鍵問題。目前，變頻調壓水泵機組的控制方式主要有三種：水泵出口恒壓控制方式、最不利出水點恒壓控制方式、水泵出口變壓控制方式[6]。最不利出水點控制是根據(jù)用戶需求動態(tài)進行調壓，耗能控制最有效。但供水管網(wǎng)規(guī)模較大，模型復雜，用戶用水需求多變，因此不易實現(xiàn)。

為實現(xiàn)供水網(wǎng)絡中最不利出水點的水壓控制，引入智能化控制策略，以正則化RBF神經網(wǎng)絡作為系統(tǒng)控制的水力模型辨識及控制策略算法，并通過粒子群算法對神經網(wǎng)絡參數(shù)選擇進行優(yōu)化改進，提高神經網(wǎng)絡的學習和計算效率，二者結合實現(xiàn)水泵水壓的智能化控制。

2 ?水力模型辨識及控制決策算法

設計PSO?RBF神經網(wǎng)絡自校正控制的供水管網(wǎng)水壓控制系統(tǒng)，神經網(wǎng)絡作為神經網(wǎng)絡估計器（NNI）和神經網(wǎng)絡控制器（NNC），[ec]為最不利出水點實際水壓和需水水壓的差值，[ei]為帶擾動的水力模型與神經網(wǎng)絡估計器之間的校正差值。

神經網(wǎng)絡辨識器（NNI）的訓練誤差表示為[ei=yk+1-yk]，其中，[yk+1]為下一時刻預測輸出數(shù)據(jù)，則辨識器的規(guī)則就是使誤差[Ei]盡可能小，[Ei]表示為：[Ei=i=0neik+12，n=0，1，2，…，k]，NNI的控制目標為使輸出[ym]與[y（k）]漸進匹配，即：

[limk→∞yk-ym≤ε， ? ?ε>0] ? （3）

式中[ε]為一個給定的小正數(shù)。神經網(wǎng)絡控制器（NNC）的訓練準則由[ec=Z-yk]來訓練，訓練準則如式（3）所示，控制系統(tǒng)中NNI和NNC采用PSO算法優(yōu)化后的正則化RBF神經網(wǎng)絡算法。

神經網(wǎng)絡估計器（NNI）能夠對大量歷史數(shù)據(jù)的離線學習[7]，構建包含擾動的水力模型，根據(jù)干管管路對供水區(qū)域進行分類，采集各用戶需水狀態(tài)下各區(qū)域的最不利出水點輸出值，形成包含所有分類的水利輸入輸出模型。經過訓練后的NNI具備模型辨識功能[8]，可以對采集得到的數(shù)據(jù)進行辨識分類，模擬水力模型。神經網(wǎng)絡控制器（NNC）同樣需要經過歷史數(shù)據(jù)進行離線學習，通過離線學習在各種類型情況下，調控控制參數(shù)，使水泵最快調節(jié)實現(xiàn)整個區(qū)域的最不利出水點達到目標值，其具體步驟如下：

1） 收集過去36個月內水泵出水壓力和各區(qū)域最不利出水點壓力，作為訓練樣本對NNI和NNC進行訓練，通過PSO算法優(yōu)化參數(shù)。

2） 選擇用水相對穩(wěn)定的一個季度，采集30天內供水管網(wǎng)系統(tǒng)各區(qū)域最不利出水點和水泵機組出水口壓力值為原始樣本，每隔10 min采集一次，并記錄期間供水泵站所消耗電壓。

3） 將原始樣本數(shù)據(jù)輸入供水壓力控制系統(tǒng)，NNI對樣本進行模式識別，確認整個區(qū)域中的最不利出水點位置。

4） NNC根據(jù)最不利出水點需求進行泵出口壓力調控，最終實現(xiàn)在滿足整個區(qū)域最不利出水點壓力需求的情況下，泵的出水壓力最小即耗能最低。

神經網(wǎng)絡參數(shù)選定需要花費大量時間，本文引入粒子群算法用于RBF神經網(wǎng)絡訓練學習，優(yōu)化其參數(shù)和結構，有效提高收斂速度及泛化性能。通過跟蹤粒子當前的局部最優(yōu)解和全局最優(yōu)解來更新粒子的速度和位置，每個優(yōu)化問題的解作為一個粒子，每個粒子都由其適應度函數(shù)決定解的優(yōu)劣程度，通過迭代搜尋最優(yōu)解[9]，流程圖如圖1所示。

粒子群算法進行RBF神經網(wǎng)絡的優(yōu)化如下：

1） 采集數(shù)據(jù)樣本。

2） 初始化粒子群，選取粒子群個數(shù)[n]，最大迭代次數(shù)，設定學習因子、位置矢量、速度向量。

3） 對[n]個不同的[Pi]值，分別訓練[n]個RBF神經網(wǎng)絡參數(shù)和結構。根據(jù)最近鄰聚類算法對輸出數(shù)據(jù)進行聚類，得到RBF的聚類個數(shù)和隱含層中心向量，利用基函數(shù)寬度計算過程和最小二乘法進行RBF神經網(wǎng)絡的訓練，直至滿足訓練次數(shù)。

4） 評價各粒子適應度，根據(jù)RBF神經網(wǎng)絡輸出，計算適應度值，用[PBest]和[y?k]表示個體最優(yōu)和全局最優(yōu)，整個網(wǎng)絡適應值評價函數(shù)為：[fitness=1N×k=1Nyk-y?k]， ?[GBest]為最優(yōu)解，[yk]為粒子適應值，[N]為空間維數(shù)。

5） 比較粒子適應值和個體極值[PBest]處適應值，取最優(yōu)值為此粒子新個體極值[PBest];比較粒子適應值和全局極值[GBest]處的適應值，取最優(yōu)值作為新的全局極值[GBest]。

6） 粒子根據(jù)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，產生新的種群。

7） 如果滿足最大迭代次數(shù)或達到精度要求則結束，返回當前全局極值為最優(yōu)權值，進行下一步，否則返回步驟3）。

8） 根據(jù)輸出的最優(yōu)徑向基函數(shù)的權值和閾值訓練神經網(wǎng)絡。

3 ?控制策略系統(tǒng)仿真及結果分析

為驗證算法的有效性，以某機場供水管網(wǎng)系統(tǒng)為例，采用美國水力特性模擬軟件EPANETH繪制管路模擬圖如圖2所示。按照干管線路將供水管網(wǎng)分為A，B，C，D四個區(qū)域。根據(jù)經驗，各區(qū)域最不利出水點一般在出水口距離泵供壓口管徑最長處或對供水需求較大的位置。通過對各區(qū)域內用水設備的調查，查閱《建筑給水排水設計規(guī)范》可獲得用水設備的基本需水壓力，并根據(jù)實際用戶用水需求可獲得各區(qū)域最不利出水點的位置。在各區(qū)域最不利出水點和水泵機組出水口位置安放壓力傳感器，實現(xiàn)對出水口壓力的采集。根據(jù)經驗，每年第二季度（4—6月份）用水量波動最小，采集2018年4月5日—5月5日各最不利出水點和泵出水壓力集合如圖3所示。

通過需水壓力對比可知，整個供水管網(wǎng)在穩(wěn)定狀態(tài)下，整個區(qū)域最不利出水點在A區(qū)24節(jié)點處。經實地調查其所需最低壓力為0.07 MPa。當供水泵站出壓為0.45 MPa時，平均入戶壓力為0.42 MPa，各最不利配水點平均壓力值為0.31 MPa，遠遠大于所需最低壓力，即管網(wǎng)最不利點所需水壓存在超壓供水現(xiàn)象。B，C，D各區(qū)域的最不利出水點及需求水壓經查表分別為28節(jié)點處0.15 MPa，13節(jié)點處0.2 MPa，10節(jié)點處0.25 MPa。

為驗證粒子群算法對RBF神經網(wǎng)絡的優(yōu)化效果，分別將同樣總數(shù)為100個數(shù)據(jù)樣本集輸入帶粒子群優(yōu)化算法的系統(tǒng)和不帶粒子群優(yōu)化算法的系統(tǒng)中進行對比，圖4為兩種算法的歸一化均方誤差隨迭代次數(shù)的變化曲線，表1為兩種算法的性能分析。

由圖4，表1可知，當MSE目標值為0.001時，PS0?RBF算法經過6次迭代就可以滿足要求，且運行時間最短，具有迭代次數(shù)少，收斂速度快的特點。

NNI和NNC經過離線學習后，將實時采集到的各監(jiān)測點壓力值集合輸入控制系統(tǒng)中，然后NNI對集合中的數(shù)據(jù)進行模型辨識，確認全區(qū)域最不利出水點為節(jié)點24，并以此確定相應的水力模型，NNC根據(jù)辨識到的模型進行水泵壓力調控，調控結果如圖5，圖6所示。調壓后泵出水壓力從0.45 MPa下降至0.37 MPa，節(jié)點24出水壓力從0.15 MPa下降至0.1 MPa，其他各節(jié)點壓力也隨之下降，但均符合各節(jié)點用水需求。調壓前水泵耗電量從424 （kW[?]h）/天，經過調壓下降至352 （kW[?]h）/天。由此可見，該系統(tǒng)能夠實現(xiàn)在滿足各區(qū)域用水需求的前提下，有效降低水泵機組能源損耗，實現(xiàn)節(jié)能。

4 ?結 ?論

本文設計了一種基于粒子群優(yōu)化算法和正則化RBF神經網(wǎng)絡的供水管網(wǎng)智能控制系統(tǒng)，該系統(tǒng)實現(xiàn)了在滿足供水管網(wǎng)系統(tǒng)用戶需求的前提下，智能化地降低了水泵機組的供水壓力，消除過壓供水功率，從而實現(xiàn)能源的節(jié)約。通過粒子群算法優(yōu)化正則化RBF神經網(wǎng)絡的學習過程，提高了學習效率，也使神經網(wǎng)絡的模型辨識效果得到了提高。

參考文獻

[1] 徐先伯，白丹，吳祥飛，等.淺談城市供水管網(wǎng)智能調配系統(tǒng)[J].給水排水，2017，53（5）：121?123.

[2] 宛如意，顏浩，吳彥輝.水泵機組節(jié)能優(yōu)化及效果評價[J].中國給水排水，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，蔣白懿，沈丹玉，等.供水管網(wǎng)實時分區(qū)及節(jié)流閥調度研究[J].水電能源科學，2018，36（5）：167?170.

[5] 朱士權，楊俊寶，朱家昌.曹莊泵站水泵機組節(jié)能措施研究[J].中國農村水利水電，2016（4）：120?122.

[6] 覃健侶.長距離輸水管道中途增壓設施設計探討[J].給水排水，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] 黃文鋒.基于改進神經網(wǎng)絡的挖掘算法設計[J].現(xiàn)代電子技術，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.

作者簡介：王 ?力（1973—），男，博士，教授，主要研究方向為自動化方向、故障檢測、控制系統(tǒng)設計等。

孫 ?賀（1990—），女，碩士研究生，主要研究方向為控制工程。