一种基于ABC-PSO混合算法的供水泵组调度方法与流程

本发明涉及一种基于人工蜂群算法(abc，artificialbeecolonyalgorithm)和粒子群算法(pso，particleswarmoptimization)的abc-pso混合算法的供水泵组优化调度方法，属于自动化控制和通信信息技术领域。

背景技术：

城市规模越来越大，人口在城市聚集，生活用水占比城市用水也逐步增加，如今居民生活用水总量大、人均消耗高、节水潜力大，在这种情况下，如何在已有的供水设施条件下实现园区节水目标，尤为重要。本方法以城市园区实时供水优化调度为研究对象、以节水为目标，由于供水系统中各级泵站之间存在密切联系，而单一泵站多台机组共同工作，工况复杂，因此并联泵组应作为供水调度系统中的一个重要优化对象。

现有的用水调度一般以降低供水成本为目标，忽略了节水的应用，在节水方面缺乏研究；另一方面，供水调度仅仅基于历史调度规则，偏于保守造成一定程度上的供水浪费。

目前智能算法广泛应用于工程实践领域，例如人工蜂群算法(abc)这种新型的群智能算法，参数少、容易实现、搜索能力强，但是也存在搜索精度降低等缺点。而粒子群算法(pso)局部搜索能力强，却因种群多样性降低导致陷入局部最优。

技术实现要素：

由于整个供水调度系统呈现一种多维度、非线性的状态，所以求解算法采取双种群进化策略，结合abc的探索能力和pso算法的求解能力，得到abc-pso混合算法进行求解，使用河北工程大学的校园用水数据对本发明所提的abc-pso混合算法的有效性进行了仿真验证，在保证求解效率的同时，依旧可以达到所需的解集精度。

本发明采用下述的技术方案：

利用用水数据、供水管网运行信息以及泵组工况特质，在给定供水流量和供水扬程的情况下，建立调度模型。根据泵组中个体的性能和实际运行状态，为各水泵分配合理的供水任务，均衡管网中的压力，在满足用水舒适度的同时，降低供水流量，并且减少管网中的漏损。

附图说明

图1是abc-pso混合算法流程图；以及

图2是优化调度后供水量图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

一、建立供水泵组优化调度模型的数学模型：

(1)目标函数：

某泵站由n台定速泵与m台调速泵并联，以最少供水为目标函数:

f＝∑ωdqnd+∑sbqnb

式中qnd——定速泵d的额定供水流量；

qnb——变速泵b的额定供水流量；

ωd——定速泵d的控制决策变量，有两个状态，1表示开启，0表示关闭；

sb——变速泵b的转速比，为[0.7,1]的连续变量。

其中，定速泵的控制决策变量ωd和变速泵的转速比sb分别由解向量的一个坐标值表示。

(2)约束函数：

①供水约束，各水泵供水流量之和不小于该时段内各设备用水流量与漏损流量之和：

式中qe，t——在t时间段内水泵e的供水流量；

——在t时间段内用水设备k的平均用水流量；

qαβ,t——在t时间段内节点α、β间的管网漏损流量。

②流量约束，各水泵的供水流量在供水能力的允许范围内：

qmin,e≤qe≤qmax,e

式中qmin,e——水泵e的最小供水流量；

qmax,e——水泵e的最大供水流量；

qe——水泵e的供水流量。

③节点压力在允许范围内：

hmin,α≤hα≤hmax,α

式中hα——节点α处的压力；

hmin,α——节点α处的最小压力；

hmax,α——节点α处的最大压力。

二、abc-pso混合算法求解

1人工蜂群算法

abc包含三个部分：采蜜蜂、观察蜂与侦查蜂，采蜜蜂和观察蜂负责开采，侦查蜂负责探索。若求解问题的维数是d，则每个解xi是一个d维向量：xi＝(xi1，xi2，…，xid)。首先随机产生与采蜜蜂数量相同的初始解，初始解也称之为蜜源，采蜜蜂在蜜源附近搜索产生新解，搜索过程为：

x'ij＝xij+φ(xij-xkj)

式中xij为解xi的第j维坐标，x'ij为搜索到的新解x'i的第j维坐标，k和j随机选择，且k≠j，φ随机取值于[-1,1]，控制着初始解xi附近新解的位置。

当搜索解优于最优解时，将其替换；反之，保持原最优解。完成搜索过程后，观察蜂根据概率选择一个新的蜜源位置，并检查新位置的花蜜量，如果优于原位置，则用新蜜源代替原位置，反之保留原蜜源。选择某个蜜源的概率：

式中fiti是解xi的适应度函数值，适应度函数为目标函数的倒数，最小的目标函数值对应的蜜源适应值越大，被选中的概率也越大。

如果经过limit次的循环搜索后没有改进，此位置被放弃，采蜜蜂转化为侦查蜂，随机搜索新的蜜源，公式如下：

xij＝xmin,ij+rand(0,1)(xmax,ij-xmin,ij)

式中xij是新蜜源解xi的第j维坐标，xmax,ij、xmin,ij为坐标的上下界。

2粒子群算法

pso将空间中的解视为不断运动的粒子，所有粒子具有位置(d维向量xi＝(xi1，xi2，…，xid)表示所求问题的一个解)和速度(vi＝(vi1，vi2，…，vid)表示解变化趋向)，该粒子根据与迄今为止搜索到的当前粒子最优的目标函数极值(个体目标函数极值)pbest和所有粒子历史最优的目标函数极值(群体目标函数极值)gbest的差距调整自己的速度与位置，继而趋向最优解。其中粒子的速度与位置更新公式如下：

vij(g+1)＝wvij(g)+c1r1d(g)(pbest(g)-xij(g))+c2r2d(g)(gbest(g)-xij(g))

xij(g+1)＝xij(g)+vij(g+1)

式中：x是粒子的位置；v是粒子的速度；w是惯性权重因子，其大小决定了粒子对当前速度保持了多少；c1、c2是学习因子，可以调节粒子趋向pbest、gbest的步长；r1d与r2d为产生于(0,1)的随机数；i与j代表第i个粒子解的第j维坐标；g是迭代步数。

3abc-pso混合算法

在供水调度模型中，随机产生的并联泵组运行方案的可行解xi视为一个初始种群，abc-pso将种群随机地分成两组，其中一组按照pso进化；另一组按照abc进化，为了解决pso中个体由于错误信息陷入局部最优与abc收敛速度缓慢的问题，在进化过程中加入了信息交流机制，即满足一定的条件使搜索信息在两个种群中传递，其具体机制：abc在探索新解的过程中，从pso算法进化而来的种群中随机选择。

如图1所示，abc-pso混合算法的步骤为：

step1:初始化种群，设置种群规模m，最大迭代步数max，限定单次循环采蜜蜂搜索次数limit，学习因子c1和c2，惯性权重因子w；

step2：按照abc中的种群数量和pso的粒子数将种群分为两个种群，种群1中的个体按照abc进化，种群2中的个体按照pso进化；

step3：设置迭代步数g＝0；

step4：迭代步数每增加50次进行一次信息交流，此时abc种群中的新解从pso种群中的新粒子中随机选择；

step5：计算种群1中新解的适应值，计算概率pi，根据pi选择蜜源，如果新解的适应值优于最优解，则用新解替换最优解，否则不变，记为xb；

step6：更新种群2中的pbest、gbest，调整粒子的速度与位置，计算新粒子适应值，如果种群2最优解优于xb，则用其替换xb，否则不变；

step7：记录整个群体中的最佳个体xb，更新迭代步数g＝g+1，如果满足输出条件则输出最终解；否则回到step4。

本申请的混合算法中参数设置：种群规模为200；abc部分中蜜源的数量为50，种群数量为100，解的维数d为5，单次循环采蜜蜂搜索次数limit为50；pso部分中粒子数取100，惯性权重因子w取0.9到0.4线性衰减，学习因子c1和c2为2。输出条件：迭代步数达到500，或者连续输出50次解不再更新，满足任一条件结束运行输出解集。

根据下表泵组配置，其供水规模4000m³/d，满足最高日用水量1437m³，最高时平均流量29.45l/s的用水条件。采用abc-pso混合算法求解不同时间段内的最优运行方案以及供水量如表一所示，以一天为周期，根据所需用水量调节泵组运行方式，两台调速泵始终开启；一号定速泵在所需流量高于17m3/h为开启状态；二号定速泵在所需流量高于50m3/h开启；三号定速泵所需流量高于60m3/h开启。在不同的流量条件下，最高可以达到27％的节水效果。

表一优化运行方案

相比于优化之前的泵组运行，优化后的并联泵组更少出现水泵运行的启停，调速泵的加入可以避免定速泵运行时转速低于额定转速所带来的能量损耗和管网压力波动。考虑到供水的时间连续性，在一天的供水周期内，优化调度的供水量如图2所示。需要说明的是，随着用水流量的增加，节水效果随之降低，当流量超过90m3/h时，调度结果等于原用水量，不再发生变化，说明降低流量的算法已经没有节水的进一步空间，但高用水量时间只占比1％，对最总结果影响甚小，最终供水量可以节约到原用水量的88.5％。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。