一种基于模型预测控制的智能排水分级实时控制方法与流程

1.本发明涉及排水分级控制技术领域，具体来说，涉及一种基于模型预测控制的智能排水分级实时控制方法。


背景技术：

2.2018年我国的城市排水管网长度达到68.3万公里，污水厂近4000座，在雨季面对水环境和水安全双重压力下，如何提升城镇排水系统的可靠性、弹性与可持续性，对保障城镇水系统安全日益重要。城市排水系统具有动态性、多目标性和不确定性特征，从面向流域治理的角度，在进一步削减合流制溢流污染、最大程度发挥排水系统“源头
‑
过程
‑
末端”能力等多目标协同下，系统的运行控制日益复杂且控制难度日益增大。
3.目前城市排水行业应用的调度控制分为基于经验规则的调度控制，基于目标反馈的调度控制，均属于事后补偿控制和被动控制模式，没有实现早期预测控制和分级策略控制，无法对城市排水系统进行cso预防性控制、城市内涝预防性控制和污水厂
‑
调蓄设施的全局优化运行调控，即使有基于物理模型的实时计算应用，但由于没有优化物理模型和优化控制算法，也没有建立调度策略，导致实际生产应用中耗时很长，无法实际指导生产运行。
4.针对相关技术中的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.针对相关技术中的问题，本发明提出一种基于模型预测控制的智能排水分级实时控制方法，
6.通过采用排水物理模型和数据分析深度学习模型相结合的方法，通过模型优化实现两者的高效运行，并通过寻优算法解决排水系统分级控制策略的自动生成和最优实时控制指令的预测下达，实现排水系统的全自动化实时控制
7.以克服现有相关技术所存在的上述技术问题。
8.本发明的技术方案是这样实现的：
9.一种基于模型预测控制的智能排水分级实时控制方法，包括以下步骤：
10.步骤s1，预先进行搭建水力模型，进行校准模型和进行水力模型分段线性化，包括筛选核心区域进行模拟，进行分段线性化的方式将复杂的水力模型进行概化；
11.步骤s2，进行搭建气象运行数据深度学习模型，建立历史气象数据和排水系统运行数据相关性模型，并标定控制策略；
12.步骤s3，标定控制指令组寻优算法，包括针对每个执行机构的每个控制时间步长，在控制范围的持续时间内对每个执行机构的设置；
13.步骤s4，进行最优控制指令组下达，执行机构接受来自寻优算法的下达最优控制指令，执行机构仅执行当前时刻的下一个控制时间步长的指令；
14.步骤s5，进行物理模型实时更新和过程模型更新，包括将模拟步长的每一步运算
结果都传递给过程模型，作为过程模型的热启动文件。
15.进一步的，所述气象数据降雨量水文数据，所述排水系统运行数据包括内涝事件、积水事件、溢流事件、水质事件和污水厂的运行数据。
16.进一步的，所述控制策略，包括：旱天和小雨的控制策略为保证污水厂进水量恒定，最大化处理效率；大雨的控制策略为优先溢流水质较好的水体；暴雨的控制策略为优先溢流水质较好的水体。
17.进一步的，所述标定控制策略，还包括以下步骤；
18.标定目标函数，进行评估控制规则的有效性并确定预测时间范围内排水系统的最优控制指令组；
19.进行寻优算法生成操作指令组，包括：更新的过程模型代入指令组和预测降雨数据进行运算，由寻优算法根据计算结果评选出当前控制策略下的最优控制指令组。
20.进一步的，所述寻优算法，表示为：
21.min(z)＝∑a(b
·
d(u,x))
22.其中，偏差权重a是标量，表示一种类型的偏差在整个排水系统偏差中所占的权重比例，，个体偏差系数b表示计算值和目标数值的偏差所占的权重，整体偏差系数d表示个体偏差的绝对平均值所占的权重，控制指令组u表示每一个时间步长下控制指令，系统状态x表示每一个时间步长下控制点的模拟结果。
23.进一步的，所述过程模型更新，包括进行读取热启动文件进行预测运算，作为寻优算法推寻最优控制指令组的判断依据。
24.本发明的有益效果：
25.本发明基于模型预测控制的智能排水分级实时控制方法，通过预先进行搭建水力模型，进行校准模型和进行水力模型分段线性化，进行搭建气象运行数据深度学习模型，建立历史气象数据和排水系统运行数据相关性模型，并标定控制策略，标定控制指令组寻优算法，进行最优控制指令组下达，执行机构接受来自寻优算法的下达最优控制指令，执行机构仅执行当前时刻的下一个控制时间步长的指令，进行物理模型实时更新和过程模型更新，实现水力模型分段线性化，保证准确性的前提下提高了模型预测的运行效率和计算速度，采用热启动文件的方式对过程模型进行更新，实现了模型的实时更新、连续准确计算，基于线性化的控制策略和寻优算法耦合方式，使实时控制系统既能保证水力模型模拟的精确度，又能通过历史数据深度学习细化排水系统控制策略，还能在控制时间步长下找到最优控制指令组，进而实现排水系统实时控制。
附图说明
26.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
27.图1是根据本发明实施例的一种基于模型预测控制的智能排水分级实时控制方法的流程示意图；
28.图2是根据本发明实施例的一种基于模型预测控制的智能排水分级实时控制方法
的场景示意图。
具体实施方式
29.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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所获得的所有其他实施例，都属于本发明保护的范围。
30.根据本发明的实施例，提供了一种基于模型预测控制的智能排水分级实时控制方法。
31.如图1所示，根据本发明实施例的基于模型预测控制的智能排水分级实时控制方法，其实时控制技术(real time control，简称rtc)根据实时监测数据动态调整控制策略，对排水管网附属设施及污水处理厂进行干预，以最大程度挖潜和发挥排水设施的调蓄和处理能力，为排水系统运行提供了智能化的解决方案。
32.其中，对于上述rtc来说，其实时控制(rtc)是智慧排水的高级阶段，通常认为排水系统的实时控制为：在排水系统运行过程中，在线监测重要的过程变量(雨量、液位、流量、水质等)，依据监测数据、在线模型动态调整控制策略，通过控制设备(阀门、水泵等执行器)对排水设施及污水处理厂运行进行实时干预，实现厂
‑
网、厂
‑
网
‑
河最优能力匹配，进而提高整个排水系统运行效率的优化控制方式。
33.此外，具体的，包括以下步骤：
34.如图2所示，进行搭建水力模型，并校准模型；
35.进行水力模型分段线性化，包括选择核心区域进行模拟，并对于水力模型较为复杂的区域，在保证模型可靠性的前提下，可以通过分段线性化的方式将复杂的水力模型进行概化，在模拟计算中使用分段线性方程组计算部分模型。这样既保证了水力模型作为物理模型和过程模型运算时的精确度，又大大提升了运算效率，保证了实时控制的正常运行。
36.进行搭建气象运行数据深度学习模型，建立历史气象数据和排水系统运行数据相关性模型，通过数据深度学习和分析模型系统自动定义控制策略；气象数据包括降雨量等水文数据，排水系统运行数据包括内涝事件、积水事件、溢流事件、水质事件和污水厂的运行数据。
37.其中，具体的，控制策略：实时控制策略是基于深度学习模型的控制策略，一般包括排水系统运行的四个场景：旱天、小雨、大雨和暴雨。旱天和小雨的控制策略为“厂网无溢流，保证污水厂进水量恒定，最大化处理效率”，大雨的控制策略为“管网少溢流，污水厂无溢流，优先溢流水质较好的水体”，暴雨的控制策略为“管网和污水厂均可溢流，优先溢流水质较好的水体”，综合管理不同气象条件下的排水系统。每一套控制策略对应不同的控制指令组寻优算法。
38.目标函数：目标函数表达式用于评估控制规则的有效性并确定预测时间范围内排水系统的最优控制指令组。不同控制策略关注的运行指标不同，例如旱天和小雨关注“污水厂平稳运行”，大雨和暴雨关注溢流量、溢流次数、溢流时间、溢流水质和蓄水设施的目标水深等。在每一次的预测计算中，寻优算法生成操作指令组，更新的过程模型代入指令组和预测降雨数据进行运算，最终由寻优算法根据计算结果评选出当前控制策略下的最优控制指
令组；为了保证实时控制的时效性，寻优算法不会无止境的计算，系统规定遗传算法的代数，不会进行超出规定代数的演算，或者当控制指令组在最后一代之前被提前找到，寻优算法也将停止演算，保证实时控制能够被最有效地执行。
39.其中，寻优算法，表示为：min(z)＝∑a(b
·
d(u,x))，其中，偏差权重a是标量，表示一种类型的偏差在整个排水系统偏差中所占的权重比例，所有的偏差权重之和应为1；个体偏差系数b是一维向量，表示计算值和目标数值的偏差所占的权重；整体偏差系数d是一维向量，表示个体偏差的绝对平均值所占的权重；控制指令组u是二维向量，表示每一个时间步长下控制指令；系统状态x是二维向量，表示每一个时间步长下控制点的模拟结果。
40.另外，标定控制指令组寻优算法：根据目标函数，系统可采用优化器算法执行机构包括排水系统需要实时操作的设备设施，如阀门、泵机、可调堰等；针对每个执行机构的每个控制时间步长，在控制范围的持续时间内(系统最上游受到控制指令影响的时间)对每个执行机构的设置。单个设置可以是一个数字，例如泵机的启闭(0/1)，或者阀门开启的百分比(0
‑
100％)，根据控制精度量化阀门开度为有限的数值，有效提升了实时控制的运算效率。
41.另外，进行最优控制指令组下达：寻优算法计算结束后，执行机构接受来自寻优算法的下达最优控制指令，执行机构仅执行当前时刻的下一个控制时间步长的指令，而不是所有预测指令，因为通常只有前几步控制指令会对预测结果产生重大影响，避免由于预测后部分结果不准确而导致的排水系统无法正常运行。
42.另外，进行物理模型实时更新：物理模型是排水系统的现实映射，它代入下达至执行机构的最优控制指令和排水系统scada数据进行计算，确保物理模型在线更新，并将模拟步长的每一步运算结果都传递给过程模型，作为过程模型的热启动文件。
43.另外，进行过程模型更新：在每个排水系统物理模型计算的时间步长中，至少有一个过程模型进行读取热启动文件进行预测运算，作为寻优算法推寻最优控制指令组的判断依据。
44.综上所述，借助于本发明的上述技术方案，通过预先进行搭建水力模型，进行校准模型和进行水力模型分段线性化，进行搭建气象运行数据深度学习模型，建立历史气象数据和排水系统运行数据相关性模型，并标定控制策略，标定控制指令组寻优算法，进行最优控制指令组下达，执行机构接受来自寻优算法的下达最优控制指令，执行机构仅执行当前时刻的下一个控制时间步长的指令，进行物理模型实时更新和过程模型更新，实现水力模型分段线性化，保证准确性的前提下提高了模型预测的运行效率和计算速度，采用热启动文件的方式对过程模型进行更新，实现了模型的实时更新、连续准确计算，基于线性化的控制策略和寻优算法耦合方式，使实时控制系统既能保证水力模型模拟的精确度，又能通过历史数据深度学习细化排水系统控制策略，还能在控制时间步长下找到最优控制指令组，进而实现排水系统实时控制。
45.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。