2023年城市供水优化调度系统的设计与实现.docx

天道酬勤 城市供水优化调度系统的设计与实现 杨位伟 于忠清 【摘  要】传统意义上的城市供水调度系统是以人工经验决策、传统的通讯方式发布指令，SCADA数据难以系统全面地反映水力状态，人工经验可继承性差，指令发布难以追溯统计，存在供水调度不精准、能源浪费问题。为此，论文设计了一个城市供水优化调度方案，以人工智能AILab算法库为核心，通过搭建水司调度中心大数据网络平台、构建城市供水优化调度模型框架以及对泵设备的能源优化，从而实现城市供水调度系统的高效、智能以及节能目标。 【Abstract】In the traditional sense， urban water supply dispatching system uses manual experience to make decisions and traditional communication methods to issue instructions. SCADA data is difficult to systematically and comprehensively reflect the hydraulic state. The inheritance of manual experience is poor， and instruction release is difficult to trace and statistics. There are existing problems of inaccurate water supply dispatching and energy waste. To this end， this paper designs an urban water supply optimal dispatching scheme， which takes the artificial intelligence AILab algorithm library as the core， through constructing the dispatching center big data network platform in water supply company， constructing the urban water supply optimal dispatching model framework and optimizing the energy of the pump equipment， so as to achieve the goal of high efficiency， intelligence and energy-saving of the urban water supply dispatching system. 【关键词】AILab算法庫;大数据平台;调度模型框架;节能 【Keywords】AILab algorithm library; big data platform; dispatching model framework; energy-saving 【中图分类号】TU991;TP18                               【文献标志码】A                                   【文章编号】1673-1069〔2023〕11-0194-03 1 引言 近年来，随着我国经济的快速开展，我国城市化水平不断提高，城市供水能耗的问题越来越面临更大的挑战。在国家节能减排政策的号召下，积极推动城市供水工业化和信息化的融合，提高城市供水效劳能效，利用人工智能技术解决城市供水调度优化已成为核心技术[1]。传统的城市供水调度系统，是通过简单的数据采集与监视控制系统〔SCADA〕进行数据的采集，通过人工经验决策以及传统的通讯方式进行指令发布。由于人工经验可继承性差，指令发布难以追溯、统计、分析，因此，造成能源过于消耗、资源浪费问题。针对以上问题，本文提出了构建实时的、多变量的、非线性的近最优城市供水优化调度模型，以到达城市供水优化调度以及节约能源的目的。 2 城市供水系统流程 随着城市化的进程不断推进，城市供水系统经过不断的完善，供水管网规模日益庞大。城市供水系统主要由四局部组成：水源确定、取水工程、净水工程、输水工程。 水源确定：在我国大多数的城市供水是以地下水作为主要的水源，对水量、水质满足国家饮用标准。 取水工程：为了提高取水的效率，取水头放置在水源直流段，取水头部以菱形取水，有效进水面积最大，并且可以有效地减少泥沙的进入。取水泵房以靠近水源为准那么，并综合考虑当地的地理因素，提高资源利用率。 净水工程：净水工艺包括混合、絮凝、预沉池、滤池、添加混凝剂、添加消毒剂、废水处理等。使用混凝剂使水中胶体提高凝聚效率，经过絮凝使凝聚性的颗粒具有良好的沉降性，并在预沉池中投加助凝剂〔PAM〕和混凝剂〔PAC〕，在沉淀池除去悬浮物，使出水到达水质要求，之后在滤池中过滤，添加消毒剂进入清水池，同时，排出废水进行处理，如图1所示。 输水工程：主要包括送水泵房以及输水管网系统，将水输送给用户。 3 城市供水优化调度系统架构 随着城市化水平的不断提高，智慧城市供水的概念越来越得到广泛的关注，智慧供水所承载的信息化应用涵盖了人们生活的方方面面，与人们的生活息息相关。城市供水优化调度促进了供水产业结构优化和升级，降低经营本钱，促进了移动互联网产业的开展，通过简便的移动设备也可以实现对供水管网系统的实时在线监测。智能化的供水大数据建设有助于提升城市信息化水平，促进现代效劳业根底平台的建设，实现节能减排，综合提高城市的整体效劳能力。通过对水司调度中心大数据平台网络结构的建设，对城市供水优化调度系统模型的建立以及城市供水优化调度系统泵设备的能源优化，以此为先导搭建城市供水优化调度系统架构，建设智慧城市供水系统。 3.1 水司调度中心大数据平台网络结构 城市供水系统是大型复杂网络，供水网络结构的搭建是以对水泵、阀门等控制部件进行精准的实时监控并根据反响自适应调整，使总运行本钱最小化[2]。水司调度中心通过监测城市供水管网测点的压力、加压泵站的工作状态以及直供水泵的工作状态等辅助管理管网管道、阀门等设备。水司调度中心大数据平台是基于数据驱动的决策方法，对原始设备数据进行采集并上传给效劳器[3]。图2为水司调度中心大数据平台，其首先是对供水厂前端设备的数据进行采集，并预留出其他设备接入网络的接口，将采集的数据通过数字数据网络〔DDN〕传输到调度中心大数据平台，最后将实时通信效劳器、接口效劳器、预警效劳器、地理信息系统〔GIS〕效劳器、SCADA操作员站、Web发布效劳器、智能终端〔PDA〕、数字光处理〔DLP〕效劳器、Web远程客户端等连接到大数据平台。 实时通信效劳器负责快速采集现场设备的实时数据，与SCADA平台进行数据交互并存储到数据库中。接口效劳器负责提供多种的接口方式，搭建连接其他效劳器接口通道，并可以将数据传输给其他的数据平台。预警效劳器采用多类别的检测方式，当发生故障时以最快的速度响应，将数据存入数据库。GIS效劳平台更直观地显示各测点位置分布以及以不同的颜色表示警戒状态。Web发布平台将收集到的实时数据以及反响信息向广域网或局域网进行发布以供用户查阅。智能终端PDA存储各测点的实时数据，实现更高效、实时的智能化管理。通过各平台子系统之间的信息采集、信息共享以及信息的反响机制，使整个水司调度中心大数据平台更好地完成信息的实时交互，提高水司运行监管工作效率，提升整体的信息化管理水平。 3.2 城市供水优化调度系统模型的建立 城市供水优化调度系统〔WOS〕在能源优化系统〔EOS〕的根底上以AILab算法库为核心开发。WOS系统由数据预处理、供水量预测、供水建模、水厂优化控制、泵站优化控制以及WOS大数据平台六个模块构成。最正确调度的建立必须基于实时、真实和可靠的在线监视数据，然后讨论数据是否具有可扩展性，建立全面、深入、系统的在线数据监控系统是进行最正确方案的前提[4]。 数据预处理模块是以人工智能算法库AILab为核心，采用AILab中的多种算法，对实时数据进行智能化的数据清洗、数据分析以及特征提取。 用水量预测是城市供水优化调度的第一步，用水量预测分为短期预测〔日、时〕以及长期预测〔季度、月度〕。用水量预测分析采用的算法是以AILab算法库为根底，通过单个或多个算法的组合对数据分析，实现对用水量的短期预测以及长期预测。城市单每日的供水量是巨大的，供水管网的水力模型更加复杂，相应地，水力模型算法的计算量就越大，通常使用最优算法来获得最优解[5]，智能AILab算法库为此提供了更优的解决方案。 供水建模是城市供水优化调度系统的核心模块，供水管网是一个多变量的、非线性的、时滞性的复杂性系统。WOS采用模型预测控制〔MPC〕技术，将机器学习算法的输入变量分为控制变量、可控变量以及不可控变量，通过人工智能算法库AILab提供的优化机器学习算法进行大量的训练学习，能够精准地输出每一个可控变量与控制变量的预测值。其中，时滞性是供水管网建模的一个难题，利用数据驱动的MPC技术解决了管网水压长距离传递带来的时间延迟预测问题。将控制变量与可控变量的假设干周期的延迟采用AILab算法进行预处理，可以精确计算出每一个变量的时滞周期。此外，泵站用水量的预测还需要将整个供水管网的多个参数参加进来，共同进行建模学习，以增加泵站的应变响应能力，使用户端的水压能够总是处于平安运行状态。 传统的水厂泵站控制采用PID算法完成，但由于管网供水的复杂度不断提升，PID算法已不能满足泵站人工智能控制的目标。将管网供水的用水量预测、泵站能耗的最小化等因素参加水厂泵站的优化控制系统中，同时，参加泵站能耗预测，使整个模型更加完整。由于泵站是通过变频驱动〔VFD〕控制的，此外，加上转速的组合，可以筛选出多种组合的泵站的能源最小化方案，再通过采用AILab人工智能算法库对每一阶段的能源最小化方案寻最優解。 WOS大数据平台是对数据的综合管理平台，提供对数据的采集、数据的分析、数据的存储以及任务调度管理。通过WOS大数据平台，能够对实时数据更直观地观测变化趋势，并且根据数据的分析以及预测量参数，发布更为精准的用水量调度信息等。 3.3 城市供水优化调度系统泵设备的能源优化 泵站优化系统分为泵的能源优化系统〔EPM〕与泵的健康管理系统两局部，并相互独立运行。将采集的数据通过使用AILab算法库中的组合优化算法进行分析处理后，经过智慧节能终端传输给主控PC机，主控PC机收到传输的信息后根据信息中包括的参数信息，将不同的调度指令通过PLC控制器对不同的变频器发出指令。 在主控PC机中运行三种不同的软件模式，并根据不同的输入、输出信息进行模式的切换，包括数据信息预处理训练学习模式、原有系统能源消耗检测模式以及优化运行模式。原有系统能源消耗检测模式是在能源优化系统启用之前的一段时间内，监控原有系统的总能耗。通过在原有泵组系统的每一个电机之前安装一个智能电表，将该智能电表通过LoRa无线通讯模块传送到控制室的能源管理系统中，主控PC机保存能源数据库并随时可以进行分析与比照。 4 结语 伴随着社会经济的不断开展，城市供水需求量以及能源消耗不断增加，能够精准地对城市供水调度进行优化，是高效推进城市化供水系统建设以及减少能源消耗的重要举措。本文通过在城市供水调度系统中搭建WOS框架并嵌入设备的智能节能系统，以此来实现近最优的供水调度体系。智慧城市的概念越来越受到广泛的关注，智慧城市供水大数据建设借助先进的网络技术，同时，站在新的层次和高起点之上，并采用国内外更为先进的计算机硬件系统和大数据信息网络的软件开发理念，不断对其更新升级，保证其先进性。智慧城市的建设随着经济的不断开展、科技的进步必将进入一个崭新的阶段，城市供水系统未来的开展道路是数字化及智能