一种基于数字孪生与模型预测控制的管网动态水力平衡调控方法与流程

摘要: 本发明涉及智慧管网运行控制,特别涉及一种基于数字孪生与模型预测控制的管网动态水力平衡调控方法。背景技术:1、近年来,随着城市化进程的加快,供水、供热等管网系统的...
一种基于数字孪生与模型预测控制的管网动态水力平衡调控方法与流程

本发明涉及智慧管网运行控制,特别涉及一种基于数字孪生与模型预测控制的管网动态水力平衡调控方法。

背景技术:

1、近年来,随着城市化进程的加快,供水、供热等管网系统的规模日益庞大,其运行的安全性与节能性成为了智慧城市建设的关键。管网系统是一个高度非线性、强耦合的时变系统。传统的管网水力平衡调控主要依赖于人工经验或简单的定压差/定流量控制策略,这种粗放的调控方式无法适应用户侧负荷的时空动态变化,不仅容易导致管网末端不利节点出现压力不足的失衡现象,还会造成泵站等设备的无效能耗显著增加。

2、现有的基于纯物理机理的水力学模型在实际应用中面临诸多瓶颈:一方面,由于管网长期运行带来的管道老化、内壁结垢等未建模动态特征,纯机理模型往往会随着时间的推移出现严重的预测失配;另一方面,复杂的非线性偏微分方程求解耗时极长,难以满足在线滚动优化控制对计算实时性的要求。此外,现有技术通常缺乏对管网全域状态的精准感知,且未能有效结合气象扰动和历史用能规律对未来流量需求进行精准预判,导致控制系统存在滞后性。

3、因此,亟需一种能够融合数据驱动与物理机理、实现状态精准估计与快速预测、并能在全局能耗最小化与局部高精度跟踪之间取得平衡的管网动态水力平衡调控方案。

技术实现思路

1、本发明提供了一种基于数字孪生与模型预测控制的管网动态水力平衡调控方法,通过构建物理-数据双驱动的降阶数字孪生模型并结合分层模型预测控制,在保障管网全域水力平衡及控制实时性的同时,实现系统综合运行能耗的全局最小化。

2、本发明提供了一种基于数字孪生与模型预测控制的管网动态水力平衡调控方法,应用于包含水泵、阀门以及设置有物联网传感器的感知节点、无感节点和用户终端节点的管网中,所述方法包括:

3、s1、获取所述管网的物理拓扑数据以构建图网络,将基于所述水泵的当前运行参数和所述阀门的当前开度计算得到的基础状态基准值,输入图神经网络得到管网的动态补偿参数,以根据所述动态补偿参数构建管网降阶数字孪生模型;

4、s2、将所述感知节点采集的实时监测数据输入状态估计器,结合所述管网降阶数字孪生模型进行反演计算,输出当前时刻的全网状态估计向量和管网预测状态,并根据所述管网预测状态和实时监测数据的偏差更新所述管网降阶数字孪生模型;

5、s3、获取所述管网所处区域的当前气象参数和所述用户终端节点的历史用能数据,输入预先训练的时空序列网络,得到未来设定预测步长内所述用户终端节点的流量需求矩阵;

6、s4、基于所述全网状态估计向量和流量需求矩阵,调用更新后的管网降阶数字孪生模型进行状态演化计算,求解以所述水泵的总能耗最小为目标的全局优化问题,计算得到所述水泵的最优频率序列和所述阀门的压力参考值;

7、s5、根据所述压力参考值、动态补偿参数求解以控制增量极小化为目标的局部优化问题,得到所述阀门的最优开度序列,并提取所述最优频率序列和最优开度序列对应当前时刻的首步控制指令下发至所述水泵和阀门执行。

8、进一步地,所述s1具体包括:

9、提取所述管网的地理信息系统数据,将所述物理拓扑数据映射为由节点集合与边集合构成的有向图;其中,对于所述有向图中的任一节点构建包含节点高程和基础需水量的节点特征向量;对于所述有向图中的任一边构建包含管长、管径以及设计粗糙度系数的边特征向量;

10、读取各所述水泵的当前运行频率和各所述阀门的当前开度作为水力学边界条件,结合各节点的初始需水量对稳态水力学方程进行降阶迭代求解,提取计算收敛后各节点的初始压力估算值和各管道的初始流量估算值,构成基础状态基准值;

11、将所述基础状态基准值拼接至对应的所述节点特征向量和所述边特征向量中,并输入作为图神经网络的图注意力网络,通过注意力聚合机制输出管网的动态补偿参数;其中,所述动态补偿参数包括各管道的阻力系数修正值、各节点的压力残差补偿值以及各管道的流量残差补偿值;

12、将所述阻力系数修正值叠加至所述稳态水力学方程的管道初始阻力系数中得到更新后的虚拟阻力系数,并将所述压力残差补偿值和所述流量残差补偿值作为状态修正项叠加至所述基础状态基准值上,完成管网降阶数字孪生模型的构建。

13、进一步地,s2具体包括:

14、读取所述管网中感知节点处的实际压力值和实际流量值作为实时监测数据,将所述实时监测数据进行预处理后作为状态估计器的观测量输入;

15、利用无迹卡尔曼滤波器作为状态估计器,建立所述管网的非线性状态空间模型,通过无迹变换确定一组sigma点集,并将所述sigma点集代入所述管网降阶数字孪生模型中进行非线性传播,计算得到当前时刻的一步预测状态及其协方差矩阵;

16、利用卡尔曼增益矩阵以及所述实时监测数据对一步预测状态进行状态更新校正,输出当前时刻的全网状态估计向量;

17、将观测向量的先验预测值作为所述管网预测状态输出,计算所述管网预测状态与所述实时监测数据之间的相对偏差均值,并在所述相对偏差均值超过预设阈值时,沿着物理连通图的拓扑路径反向传播误差信号,在线微调局部管道的虚拟阻力系数,并覆写至所述管网降阶数字孪生模型中完成更新。

18、进一步地,建立所述管网的非线性状态空间模型,具体包括:

19、定义系统状态向量x为全网包含感知节点与无感节点的所有节点的压力和流量,定义观测向量为实时监测数据,建立状态预测方程和观测方程:

20、

21、

22、式中,为当前时刻的一步预测状态,为上一时刻的状态估计值,为当前的水泵频率和阀门开度的控制输入,为管网降阶数字孪生模型的前向传播映射函数,为过程噪声;为观测向量的先验预测值,h为观测矩阵,为观测噪声;

23、所述全网状态估计向量的计算公式为:

24、

25、式中,为当前时刻的全网状态估计向量,为后验状态估计值,为卡尔曼增益矩阵,为当前时刻的观测向量;

26、所述相对偏差均值的计算公式为:

27、

28、式中,m为感知节点的总数量,为第m个感知节点采集的实际观测数据,为第m个感知节点的先验预测状态。

29、进一步地,所述s3具体包括:

30、提取预测特征数据并进行异常值剔除与归一化预处理;其中,所述预测特征数据包括当前气象参数、历史用能数据以及时间特征;

31、构建一维卷积与长短期记忆网络相融合的所述时空序列网络,并利用所述预测特征数据离线训练所述时空序列网络;

32、在线实时拼接当前气象参数、当前时间特征以及近期滑动窗口内的历史用能数据形成在线推理特征向量,输入预先训练好的所述时空序列网络进行前向传播计算;

33、由所述时空序列网络输出各所述用户终端节点的流量需求轨迹,并在空间维度上进行组合拼装,得到流量需求矩阵。

34、进一步地,所述s4具体包括:

35、接收全网状态估计向量作为当前时间步的初始水力状态基准,并接收流量需求矩阵作为未来设定预测步长内外部负荷变化的扰动边界条件;

36、以所述初始水力状态基准为状态起点,结合所述流量需求矩阵中的需求预测值,在更新后的管网降阶数字孪生模型中进行前向传播计算,模拟计算出所述管网内各个水泵、阀门及节点在未来各预测时刻的压力演变值和流量演变轨迹;

37、构建以管网综合运行总能耗最小及维持节点水压保障为目标的全局优化目标函数;

38、结合多维约束集合对所述全局优化目标函数进行迭代寻优,求解出全局最优控制量,并从所述全局最优控制量中提取分配给各个水泵的最优频率序列,以及下发给干管阀门的压力参考值。

39、进一步地,所述构建以管网综合运行总能耗最小及维持节点水压保障为目标的全局优化目标函数,其公式为:

40、

41、式中,为全局优化目标函数,为未来设定预测步长,k为未来预测控制周期的步数索引,pumps为管网中所有水泵的集合,nodes为全网节点集合,为第i个水泵在第k步的具体能耗函数,为通过更新后的管网降阶数字孪生模型演化推演出的第j个节点在第k步的预测压力值,为水力平衡所要求维持的最不利节点的最低保障压力阈值,为设定的能耗项权重系数,为压力越限惩罚项权重系数。

42、进一步地,所述s5具体包括:

43、接收各阀门的压力参考值作为局部跟踪的目标轨迹,并利用所述动态补偿参数对各个阀门局部的额定流量-压降物理特性曲线进行自适应修正,建立局部非线性预测控制模型;

44、构建以控制增量极小化和轨迹跟踪误差最小化为目标的局部优化代价函数;

45、设定设备物理动作约束条件,在所述设备物理动作约束条件下对所述局部优化代价函数进行滚动寻优求解,计算得到控制增量序列,并将当前周期的初始开度与所述控制增量序列进行累加运算,得到阀门的最优开度序列;

46、抛弃预测序列中后续时刻的冗余控制量,从所述最优频率序列和最优开度序列中分别提取对应当前时刻的首步频率控制指令和首步开度控制指令构成首步控制指令,下发至底层控制器进行物理执行。

47、进一步地,所述构建以控制增量极小化和轨迹跟踪误差最小化为目标的局部优化代价函数,其计算公式为:

48、

49、式中,为局部优化代价函数,为局部控制的预测步长,为基于局部非线性预测控制模型计算出的第k步阀门出口压力预测值,为第k步对应的压力参考值,为第k步的控制增量,q为半正定误差权重矩阵,r为正定控制增量惩罚权重矩阵。

50、本发明还提供了一种基于数字孪生与模型预测控制的管网动态水力平衡调控装置,应用于包含水泵、阀门以及设置有物联网传感器的感知节点、无感节点和用户终端节点的管网中,基于如上所述的基于数字孪生与模型预测控制的管网动态水力平衡调控方法,所述装置包括:

51、构建模块,用于获取所述管网的物理拓扑数据以构建图网络,将基于所述水泵的当前运行参数和所述阀门的当前开度计算得到的基础状态基准值,输入图神经网络得到管网的动态补偿参数,以根据所述动态补偿参数构建管网降阶数字孪生模型;

52、更新模块,用于将所述感知节点采集的实时监测数据输入状态估计器,结合所述管网降阶数字孪生模型进行反演计算,输出当前时刻的全网状态估计向量和管网预测状态,并根据所述管网预测状态和实时监测数据的偏差更新所述管网降阶数字孪生模型;

53、预测模块,用于获取所述管网所处区域的当前气象参数和所述用户终端节点的历史用能数据,输入预先训练的时空序列网络,得到未来设定预测步长内所述用户终端节点的流量需求矩阵;

54、计算模块,用于基于所述全网状态估计向量和流量需求矩阵,调用更新后的管网降阶数字孪生模型进行状态演化计算,求解以所述水泵的总能耗最小为目标的全局优化问题,计算得到所述水泵的最优频率序列和所述阀门的压力参考值;

55、执行模块,用于根据所述压力参考值、动态补偿参数求解以控制增量极小化为目标的局部优化问题,得到所述阀门的最优开度序列,并提取所述最优频率序列和最优开度序列对应当前时刻的首步控制指令下发至所述水泵和阀门执行。

56、本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。

57、本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。

58、本发明的有益效果为:

59、本发明通过融合图神经网络与机理模型构建管网降阶数字孪生模型,将复杂的管网水力推演转化为网络前向传播过程,在保障流体力学守恒约束的同时提升计算速度,解决传统机理模型计算庞杂且易因管网老化导致模型失配的技术问题;同时,结合无迹卡尔曼滤波器构建覆盖全网的虚拟传感器网络,实现对管网全域水力状态的高精度反演与闭环自适应微调,并利用时空序列网络精准捕捉气象与历史工况下的负荷演变规律以生成流量需求矩阵;最终基于分层分布式的模型预测控制架构,在上层实现以水泵整体能耗最小化为目标的全局动态寻优,在下层实现调节阀门局部非线性预测控制与轨迹精准跟踪,从而在保障管网末端不利节点水力平衡的安全底线前提下,实现全网综合运行能耗的极小化及控制指令的平滑执行。