水泵系统的运行特性在线辨识及优化调控方法及调控系统与流程

本发明属于水力机械智能化运维技术领域，具体涉及一种水泵系统的运行特性在线辨识及优化调控方法及调控系统。

背景技术：

近年来，随着工业数字化、网络化、智能化进程的不断发展，工业系统实现智能运维面临的挑战越来越大。

水泵作为工业领域广泛应用的部件，其总用电量约占全国用电量的20％以上。多台泵机组(以下称为“水泵系统”)是管网系统内的重要设备，由于两者性能之间可能存在不匹配的问题，这也导致了管网系统的水力失调。因此，对水泵系统特性和智能化运维研究显得尤为重要。

目前水泵系统的特性模型主要由两种方式获取。模型试验是获得水泵特性模型的最主要方式，水泵厂家提供的水泵理论特性曲也是通过这种方式获得的。但模型泵的运行工况与实际运行工况不尽相同，成批生产中可能存在着制造误差，实验的介质温度一般恒定在25℃左右，而实际管网内的实际介质温度却会随着天气的变化而间断地变化，同时水泵运行一段时间后会产生振动、空化等问题，这些都会导致特性模型的不同。

第二种方式是基于模型泵水力设计的cfd计算。这种方法的前提是必须已知泵的水力设计参数，这加大了第三方使用这种方法的难度，同时数值模拟的精度也得不到保证。

此外，基于历史运行数据辨识水泵系统的特性类似于模型试验，但模型试验中只存在一台泵，而在实际热网运行中，经常出现“二用一备”的方案，这也为辨识水泵系统、以及调节水泵系统增加了难度。

因此，基于上述技术问题需要设计一种新的水泵系统的运行特性在线辨识及优化调控方法及调控系统。

技术实现要素：

本发明的目的是提供一种水泵系统的运行特性在线辨识及优化调控方法及调控系统。

为了解决上述技术问题，本发明提供了一种水泵系统的运行特性在线辨识及优化调控方法，包括：

步骤s100，采集水泵系统的基本信息；

步骤s200，采集水泵系统的实时数据；

步骤s300，根据基本信息和实时数据构建水泵系统的特性模型并实时更新；以及

步骤s400，根据水泵系统的特性模型对水泵系统进行调控。

进一步的，所述水泵系统的基本信息包括：水泵系统的进口管径、出口管径、进出口压力两测点的差高、水泵的铭牌信息、水泵系统的连接方式、理论特性曲线；

所述水泵系统的连接方式为串联和/或并联；

所述理论特性曲线为横坐标为流量、纵坐标为扬程或者频率的曲线。

进一步的，所述步骤s200，采集水泵系统的实时数据的方法包括：

清洗水泵系统实时数据和根据水泵系统实时数据获取相应单台水泵的流量、扬程；

所述水泵系统的实时数据包括：水泵系统的流量、水泵系统的进口压力、水泵系统的出口压力、水泵系统内各台电机的频率、水泵系统内各台电机的功率。

进一步的，所述清洗水泵系统实时数据的方法包括：所述水泵系统实时数据借助工业互联网信息采集系统进行实时采集，并采用移动中位数法进行数据清洗；

所述工业互联网信息采集系统包括适于获取系统流量qtotal(t)的流量计，适于获取系统进口压力pin(t)、出口压力pout(t)的压力机，以及适于获得电机频率fi(t)、功率pi(t)的电子测量仪器；其中，i为水泵系统内水泵的编号，t为采样对应的时刻；

所述的流量计和压力计设在离水泵系统进口5d1、出口5d2的位置，其中d1、d2分别是水泵系统的进口管径、出口管径；

在清洗前，设置移动窗口的大小以及阈值，而后计算当前窗口的中位值，如果当前值与中位值偏差大于阈值，则剔除该值；

所述根据水泵系统实时数据获取相应单台水泵的流量、扬程的方法包括：

将水泵系统的流量、压差变换成对应单台水泵的流量、扬程，则变换公式为：

式中：式(1)为并联泵组单台水泵流量变换公式，式(2)为串联泵组单台水泵流量变换公式，qi(t)为编号为i的水泵在t时刻的流量，qtotal(t)为水泵系统在t时刻的总流量，fi(t)为编号为i的水泵在t时刻的频率，non(t)为水泵系统在t时刻开启水泵的台数，h(t)为水泵系统在t时刻的扬程，pout(t)为水泵系统在t时刻的出口压力，pin(t)为水泵系统在t时刻的进口压力，d1为水泵系统的进口管径，d2为水泵系统的出口管径，δh为泵系统的出口压力测点与进口压力测点的高度差，ρ为水泵系统的介质密度，g为重力加速度。

进一步的，所述步骤s300，根据基本信息和实时数据构建水泵系统的特性模型并实时更新的方法包括：

根据水泵系统的基本信息、清洗后的水泵系统实时数据和相应单台水泵的流量、扬程构建水泵系统的特性模型并实时更新，即

将清洗后的所述水泵系统实时数据构成训练集，当满足数据模型的准则，则通过循环神经网络算法构建特性模型，该特性模型的输入变量是流量、频率，输出变量是扬程、功率；否则通过启发式算法更新流量-扬程、流量-功率理论模型系数。

进一步的，所述数据模型的准则包括：

构成所述训练集的训练数据数量大于10k；

构成所述训练集的训练数据的工况范围系数δ大于60％；

所述工况范围系数δ为：

式中：qmax、qmin分别代表实测流量的最大值、最小值，qth代表泵的额定流量。

进一步的，所述的通过启发式算法更新流量-扬程、流量-功率理论模型系数，并进行滚动更新的方法包括：

步骤s301，获取步骤s200内构建的清洗后水泵系统训练集；

步骤s302，获取步骤s100内的理论特性曲线；

所述理论特性曲线包括流量q-扬程h曲线、流量q-功率p曲线，表达式为：

式中：ai1、ai2、ai3代表编号为i的水泵流量-扬程理论系数，fi为编号为i水泵的实际频率，fd为额定频率；

式中：bi1、bi2、bi3、bi4代表编号为i的水泵流量-功率理论系数，pi为编号为i的水泵功率；

步骤s303，利用启发式算法更新步骤s302内的理论特性曲线系数：

步骤s3031，启发式算法初始化，根据特性模型需求，设置启发式算法各个优化参数的取值范围；

步骤s3032，输入步骤s302获取的理论特性曲线系数，包括ai1、ai2、ai3、bi1、bi2、bi3、bi4；

步骤s3033，根据步骤s3032输入的中心位置随机初始化，系数记为ai1、ai2、ai3、bi1、bi2、bi3、bi4；

步骤s3034，适应度计算：分别计算出种群内的扬程适应度h(g)、功率适应度p(g)，并记录下h(g)、p(g)；

所述适应度计算采用的适应度函数为：

式中：h(t)、h’(t)分别是t时刻的实测扬程、计算扬程，pi(t)、pi’(t)分别是t时刻的第i台水泵的实测功率、计算功率，t1～ttrain则代表的是训练集的时间范围；

步骤s3035，判断启发式算法是否满足终止准则，当满足终止准则时，启发式算法停止迭代，获取当前时刻的解，记为agbi1、agbi2、agbi3、bgbi1、bgbi2、bgbi3、bgbi4；如果不满足，则继续执行步骤s3036；

所述终止准则包括：

步骤s3034计算的minh(g)≤0.001、minp(g)≤0.001；和/或

当前重启次数大于优化重启的最大次数r；

步骤s3036，判断启发式算法是否满足重启准则，当满足重启准则时，启发式算法重启，输入当前的最优解，即apbi1、apbi2、apbi3、bpbi1、bpbi2、bpbi3、bpbi4，执行步骤s3033，不满足重启准则，则执行步骤s3037；

所述满足重启准则为满足当前的最优适应度值与之前代数的最优适应度值偏差不小于0.001；

步骤s3037，种群根据适应度计算结果进行进化，生成新一代的种群，执行步骤s3034；

进行所述滚动更新的方法包括：

步骤s3038，获取当前t时刻的pi(t)、qi(t)、fi(t)；

步骤s3039，判断更新准则，如果满足更新准则，则输入步骤s3035计算的agbi1、agbi2、agbi3、bgbi1、bgbi2、bgbi3、bgbi4，然后执行步骤s3033；如果不满足更新准则，则重复步骤s3038；

更新准则系数大于5％即满足所述更新准则；否则不满足所述更新准则；

所述更新准则系数为：

δh＝(h′(t)-h(t))/h(t)；

进一步的，所述通过循环精神网络算法构建特性模型的方法包括：

步骤s3041，获取步骤s200内构建的清洗后水泵系统训练集；

步骤s3042，初始化参数w、v、u；w、v、u分别代表上一时刻输出值权重、当前时刻输入值权重、当前时刻输出值权重；

步骤s3043，计算输出值：

spi(t)＝g(v*f(u*qi(t)+u*fi(t)+w*spi(t-1))；

式中：sh(t)代表t时刻的扬程输出值，spi(t)代表t时刻第i台水泵的功率值，g()函数代表softmax函数，f()函数代表tanh函数，n为开启水泵数；

步骤s3044，判断循环精神网络算法收敛准则，如果循环精神网络算法满足收敛准则，则停止更新，如果循环精神网络算法不满足收敛准则，则继续执行步骤s3045；

收敛系数小于等于0.001即满足所述收敛准则，否则不满足所述收敛准则；

所述收敛系数计算公式为：

步骤s3045，进行神经网络的反向传导，更新w、v、u，执行步骤s3043。

进一步的，所述步骤s400，根据水泵系统的特性模型对水泵系统进行调控的方法包括：

获取管网系统所需的流量qneed、hneed，优化变量为水泵系统的泵开启数量n、单台泵的流量qi、单台水泵的频率fi，建立优化调控的目标函数为：

式中：zh、zf、zq分别代表扬程惩罚、频率惩罚、流量偏离惩罚；

所述优化变量的输入范围为：

0≤n≤ng；

式中：ng为水泵机组的水泵总台数；

所述的扬程惩罚为：

式中：hi代表编号i的水泵能提供的扬程；

所述频率惩罚为：

所述流量偏离惩罚为：

式中：fi、qi为编号为i的水泵频率、流量，qd、fd为泵铭牌的额定流量、额定频率；

根据扬程惩罚、频率惩罚、流量偏离惩罚对水泵系统进行调控。

另一方面，本发明还提供了一种水泵系统的运行特性在线辨识及优化调控系统，包括：

基本信息采集模块，采集水泵系统的基本信息；

实时数据采集模块，采集水泵系统实时数据；

构建模块，根据基本信息和实时数据构建水泵系统的特性模型并实时更新；以及

调控模块，根据水泵系统的特性模型对水泵系统进行调控。

本发明的有益效果是：

1、利用了厂家提供的理论特性曲线，在数据量很少的情况下，也能够生成水泵系统模型；

2、引入了改进的启发式算法，能够从局部最优解中快速跳出，从而逼近全局最优解。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的原理框图；

图2是一般泵组的连接结构示意图；

图3是厂家提供的水泵理论特性曲线示意图；

图4是本发明清洗原理示意图；

图5是本发明获取水泵系统特性曲线流程示意图；

图6是本发明通过启发式算法获取特性模型并滚动更新示意图；

图7是本发明通过循环神经网络获取特性模型并滚动更新示意图；

图8是本发明的水泵系统的运行特性在线辨识及优化调控系统的原理示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

图1是本发明的原理框图；

图2是一般泵组的连接结构示意图；

图3是厂家提供的水泵理论特性曲线示意图；

图4是本发明清洗原理示意图；

图5是本发明获取水泵系统特性曲线流程示意图；

图6是本发明通过启发式算法获取特性模型并滚动更新示意图；

图7是本发明通过循环神经网络获取特性模型并滚动更新示意图。

本实施例提供了一种水泵系统的运行特性在线辨识及优化调控方法，如图1所示，包括：步骤s100，采集水泵系统的基本信息；步骤s200，采集水泵系统实时数据；步骤s300，根据基本信息和实时数据构建水泵系统的特性模型并实时更新；以及步骤s400，根据水泵系统的特性模型对水泵系统进行调控；具体的，步骤s100中，所述水泵系统的基本信息包括水泵系统的进口管径、出口管径、进出口压力两测点的差高、水泵的铭牌信息、水泵系统的连接方式、水泵厂家提供的理论特性曲线(所述进口管径记为d1，出口管径记为d2，两测点的标高差记为δh；泵铭牌的额定流量定为qd，泵厂家的理论特性则是额定频率下对应的一组流量、扬程、功率数据，额定频率记为fd，其余数据记为qth、hth、pth)；如图2所示，所述水泵系统的连接方式为串联和/或并联；如图3所示，所述理论特性曲线是指横坐标为流量、纵坐标为扬程或者频率的曲线。

在本实施例中，所述步骤s200，采集水泵系统的实时数据的方法包括：清洗水泵系统实时数据和根据水泵系统实时数据获取相应单台水泵的流量、扬程；所述水泵系统的实时数据包括水泵系统的流量、水泵系统的进口压力、水泵系统的出口压力、水泵系统内各台电机的频率、水泵系统内各台电机的功率。

所述清洗水泵系统实时数据的方法包括：所述水泵系统实时数据借助工业互联网信息采集系统进行实时采集，并采用移动中位数法进行数据清洗，以删去奇异点；所述工业互联网信息采集系统包括适于获取系统流量qtotal(t)的流量计，适于获取系统进口压力pin(t)、出口压力pout(t)的压力机，以及适于获得电机频率fi(t)、功率pi(t)的电子测量仪器；其中，i为水泵系统内水泵的编号，t为采样对应的时刻；所述的流量计和压力计设在离水泵系统进口5d1、出口5d2的位置，其中d1、d2分别是水泵系统的进口管径、出口管径。

如图4所示，所述水泵系统实时数据采用移动中位数法进行数据清洗，即在清洗前，设置移动窗口的大小以及阈值，而后计算当前窗口的中位值，如果当前值与中位值偏差大于阈值，则剔除该值；所述根据水泵系统实时数据获取相应单台水泵的流量、扬程的方法包括：

将水泵系统的流量、压差变换成对应单台水泵的流量、扬程，则变换公式为：

式中：式(1)为并联泵组单台水泵流量变换公式，式(2)为串联泵组单台水泵流量变换公式，qi(t)为编号为i的水泵在t时刻的流量，qtotal(t)为水泵系统在t时刻的总流量，fi(t)为编号为i的水泵在t时刻的频率，non(t)为水泵系统在t时刻开启水泵的台数，pout(t)为水泵系统在t时刻的出口压力，pin(t)为水泵系统在t时刻的进口压力，d1为水泵系统的进口管径，d2为水泵系统的出口管径，δh为泵系统的出口压力测点与进口压力测点的高度差，ρ为水泵系统的介质密度，g为重力加速度。

在本实施例中，所述步骤s300，根据基本信息和实时数据构建水泵系统的特性模型并实时更新的方法包括：根据水泵系统的基本信息、清洗后的水泵系统实时数据和相应单台水泵的流量、扬程构建水泵系统的特性模型并实时更新，即将清洗后的所述水泵系统实时数据构成训练集，如图5所示，当满足数据模型的准则，则通过运行数据根据循环神经网络算法构建特性模型(获得神经网络)，该特性模型的输入变量是流量、频率，输出变量是扬程、功率；否则通过理论特性运行数据根据启发式算法更新流量-扬程、流量-功率理论模型系数；其中，所述数据模型的准则包括：构成所述训练集的训练数据数量大于10k；构成所述训练集的训练数据的工况范围系数δ大于60％；

所述工况范围系数δ为：

式中：qmax、qmin分别代表实测流量的最大值、最小值，qth代表泵的额定流量。

在本实施例中，所述的通过启发式算法更新流量-扬程、流量-功率理论模型系数，并进行滚动更新，如图6所示，具体步骤如下：步骤s301，获取步骤s200内构建的清洗后水泵系统训练集；步骤s302，获取步骤s100内的理论特性曲线；所述理论特性曲线包括流量q-扬程h曲线、流量q-功率p曲线，表达式为：

式中：ai1、ai2、ai3代表编号为i的水泵流量-扬程理论系数，fi为编号为i水泵的实际频率，fd为额定频率；

式中：bi1、bi2、bi3、bi4代表编号为i的水泵流量-功率理论系数，pi为编号为i的水泵功率；

步骤s303，利用改进的启发式算法更新步骤s302内的理论特性曲线系数，包括：

步骤s3031，启发式算法初始化，根据特性模型需求，设置启发式算法各个优化参数的取值范围；

步骤s3032，输入步骤s302获取的理论特性曲线系数，包括ai1、ai2、ai3、bi1、bi2、bi3、bi4(即理论模型系数，即图5中的模型系数)；

步骤s3033，根据步骤s3032输入的中心位置随机初始化，系数记为ai1、ai2、ai3、bi1、bi2、bi3、bi4；

步骤s3034，适应度计算：分别计算出种群内的扬程适应度h(g)、功率适应度p(g)，并记录下h(g)、p(g)；

所述适应度计算采用的适应度函数为：

式中：h(t)、h’(t)分别是t时刻的实测扬程、计算扬程，pi(t)、pi’(t)分别是t时刻的第i台水泵的实测功率、计算功率，t1～ttrain则代表的是训练集的时间范围。

步骤s3035，判断启发式算法是否满足终止准则，当满足终止准则时，启发式算法停止迭代，获取当前时刻的解，记为agbi1、agbi2、agbi3、bgbi1、bgbi2、bgbi3、bgbi4；如果不满足，则继续执行步骤s3036；

所述的终止准则，需满足以下两点的其中一点，即代表满足终止准则

步骤s3034计算的minh(g)≤0.001、minp(g)≤0.001；当前重启次数大于优化重启的最大次数r；

步骤s3036，判断启发式算法是否满足重启准则，当满足重启准则时，启发式算法重启，输入当前的最优解，即apbi1、apbi2、apbi3、bpbi1、bpbi2、bpbi3、bpbi4，执行步骤s3033，不满足重启准则，则执行步骤s3037；

所述满足重启准则为满足当前的最优适应度值与之前代数的最优适应度值偏差不小于0.001；

步骤s3037，种群根据适应度计算结果进行进化，生成新一代的种群，执行步骤s3034；

进行所述滚动更新，步骤如下：

步骤s3038，获取当前t时刻的pi(t)、qi(t)、fi(t)；

步骤s3039，判断更新准则，如果满足更新准则，则输入步骤s3035计算的agbi1、agbi2、agbi3、bgbi1、bgbi2、bgbi3、bgbi4，然后执行步骤s3033；如果不满足更新准则，则重复步骤s3038；

更新准则系数大于5％即满足所述更新准则；否则不满足所述更新准则；

所述更新准则系数为：

δh＝(h′(t)-h(t))/h(t)；

步骤s300中，所述通过循环精神网络算法构建特性模型，如图7所示，具体步骤如下：

步骤s3041，获取步骤s200内构建的清洗后水泵系统训练集；

步骤s3042，初始化参数w、v、u；w、v、u分别代表上一时刻输出值权重、当前时刻输入值权重、当前时刻输出值权重，建议使用逼近于0的值。

步骤s3043，计算输出值，公式如下：

spi(t)＝g(v*f(u*qi(t)+u*fi(t)+w*spi(t-1))；

式中：sh(t)代表t时刻的扬程输出值，spi(t)代表t时刻第i台水泵的功率值，g()函数代表softmax函数，f()函数代表tanh函数，n为开启水泵数；

步骤s3044，判断循环精神网络算法收敛准则，如果循环精神网络算法满足收敛准则，则停止更新，如果循环精神网络算法不满足收敛准则，则继续执行步骤s3045；

收敛系数小于等于0.001即满足所述收敛准则，否则不满足所述收敛准则；

所述收敛系数计算公式为：

步骤s3045，进行神经网络的反向传导，更新w、v、u，执行步骤s3043。

所述步骤s400，根据水泵系统的特性模型对水泵系统进行调控的方法包括：获取管网系统所需的流量qneed、hneed，优化变量为水泵系统的泵开启数量n、单台泵的流量qi、单台水泵的频率fi，建立优化调控的目标函数为：

式中：zh、zf、zq分别代表扬程惩罚、频率惩罚、流量偏离惩罚；

所述优化变量的输入范围是：

0≤n≤ng；

式中：ng为水泵机组的水泵总台数；

所述的扬程惩罚为：

式中：hi代表编号i的水泵能提供的扬程；

所述频率惩罚为：

所述流量偏离惩罚为：

式中：fi、qi为编号为i的水泵频率、流量，qd、fd为泵铭牌的额定流量、额定频率；

根据扬程惩罚、频率惩罚、流量偏离惩罚对水泵系统进行调控。

实施例2

图8是本发明的水泵系统的运行特性在线辨识及优化调控系统的原理示意图。

如图8所示，在实施例1的基础上，本实施例2提供了一种水泵系统的运行特性在线辨识及优化调控系统，包括：

基本信息采集模块，采集水泵系统的基本信息；

实时数据采集模块，采集水泵系统实时数据；

构建模块，根据基本信息和实时数据构建水泵系统的特性模型并实时更新；以及调控模块，根据水泵系统的特性模型对水泵系统进行调控，实现了水泵系统的优化调控。

综上所述本发明利用了厂家提供的理论特性曲线，在数据量很少的情况下，也能够生成水泵系统模型；引入了改进的启发式算法，能够从局部最优解中快速跳出，从而逼近全局最优解。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。