本發(fā)明涉及一種供水管網(wǎng)漏損控制方法，尤其是涉及一種基于聚類(lèi)粒子群算法的供水管網(wǎng)滲漏優(yōu)化控制方法，屬于工程優(yōu)化領(lǐng)域。
背景技術(shù)：
：在供水管網(wǎng)中存在以下幾種因素對(duì)漏損量有所影響：管網(wǎng)壓力、鋪設(shè)管道所在土壤的性質(zhì)、供水管道的基礎(chǔ)設(shè)施條件和運(yùn)行參數(shù)等等。目前，減少漏損量的幾種主流方法有：直接檢測(cè)管道損壞及修復(fù)、管道更換和壓力管理。自來(lái)水公司通常會(huì)交叉使用這些方法。一般來(lái)講管道重新更換成本非常大，可以考慮作為一項(xiàng)長(zhǎng)期的投資措施。在系統(tǒng)運(yùn)營(yíng)過(guò)程中的壓力管理是在子系統(tǒng)區(qū)域?qū)用嫔献钣行У臏p少用水漏損量的方法，同時(shí)也可以通過(guò)減少壓力波動(dòng)而控制水管爆破率。供水管網(wǎng)的漏損控制是一類(lèi)典型的工程優(yōu)化問(wèn)題，因此，研究有效的群體優(yōu)化算法以及控制策略，對(duì)于減少漏損量至關(guān)重要。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種控制精度高、可靠性高的基于聚類(lèi)粒子群算法的供水管網(wǎng)滲漏優(yōu)化控制方法。本發(fā)明的目的可以通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)：一種基于聚類(lèi)粒子群算法的供水管網(wǎng)滲漏優(yōu)化控制方法，包括以下步驟：1)設(shè)置供水管網(wǎng)系統(tǒng)減壓閥安裝位置，建立管網(wǎng)滲漏最小化優(yōu)化模型，采用粒子群算法進(jìn)行全局搜索；2)對(duì)經(jīng)步驟1)后的當(dāng)前粒子群體進(jìn)行聚類(lèi)分析，獲得數(shù)個(gè)粒子子群；3)在每個(gè)粒子子群中采用局部搜索算法進(jìn)行局部搜索，獲得一個(gè)局部最優(yōu)解；4)比較所有局部最優(yōu)解，獲得一全局最優(yōu)解，根據(jù)該全局最優(yōu)解優(yōu)化控制供水管網(wǎng)系統(tǒng)的減壓閥設(shè)置。所述粒子群算法中，各粒子代表所有減壓閥的pset值，pset表示減壓閥的閥門(mén)開(kāi)度，所述pset值每小時(shí)變化一次。所述管網(wǎng)滲漏最小化優(yōu)化模型具體為：其中，f為適應(yīng)度函數(shù)，leaks為供水管網(wǎng)系統(tǒng)在在給定時(shí)段所發(fā)生的總漏損量，h為仿真時(shí)長(zhǎng)，單位為小時(shí)，δt為采樣周期，n＝60/δt，m為管道數(shù)量，管道k連接兩節(jié)點(diǎn)，表示給定時(shí)段tij內(nèi)節(jié)點(diǎn)之間管道k的漏損率。所述如下：其中，pk為管道k所連接的兩個(gè)節(jié)點(diǎn)的平均壓力值，lk是管道k的長(zhǎng)度，αk為漏損參數(shù)，βk為管道參數(shù)，為t時(shí)間內(nèi)管道k的平均漏損率。在步驟1)的全局搜索進(jìn)行前，將粒子的最近鄰粒子定義為粒子“鄰居”，在步驟3)的局部搜索進(jìn)行前，將粒子所在粒子子群的最優(yōu)位置定義為粒子“鄰居”。所述步驟2)中，采用的聚類(lèi)算法包括k-means聚類(lèi)算法、fsc聚類(lèi)算法或?qū)哟尉垲?lèi)算法。所述步驟3)中，采用的局部搜索算法包括爬山局部搜索算法、禁忌搜索算法或帶局部搜索因子的群體智能優(yōu)化算法。所述供水管網(wǎng)系統(tǒng)由多個(gè)分區(qū)計(jì)量區(qū)域組成，所述步驟1)中，設(shè)置供水管網(wǎng)系統(tǒng)減壓閥安裝位置采用以下三個(gè)策略中的一個(gè)：a、在每一個(gè)分區(qū)計(jì)量區(qū)域入口處安裝一個(gè)減壓閥；b、將各分區(qū)計(jì)量區(qū)域中所有管道按流量值q進(jìn)行大小排序，并且前后兩個(gè)作差，得出delta(q)序列值，在delta(q)大于設(shè)定值對(duì)應(yīng)的分區(qū)計(jì)量區(qū)域入口處安裝減壓閥；c、在策略b的基礎(chǔ)上，判斷安裝有減壓閥的管道處是否有分支，若是，則在分支管道在安裝減壓閥。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：1、本發(fā)明將群體智能算法與聚類(lèi)算法相結(jié)合，在進(jìn)行群體智能搜索的基礎(chǔ)上對(duì)群體進(jìn)行聚類(lèi)分析，在每一類(lèi)中并行執(zhí)行局部搜索，有效提高了搜索精度。2、重新定義粒子的“鄰居”，增加算法的全局搜索性能。根據(jù)具體的群體智能算法選擇合適的鄰居粒子，增加隨機(jī)性。例如，粒子群算法應(yīng)選擇子群最優(yōu)粒子為粒子“鄰居”；遺傳算法按照適應(yīng)度值越高，概率越大的規(guī)則選擇父母雙方個(gè)體，即“鄰居”；差分進(jìn)化算法的“鄰居”可按照隨機(jī)選擇的策略等。3、帶局部搜索因子的群體智能優(yōu)化算法保持了全局搜索的性能，使子群避免陷入非期待的局部最優(yōu)值；同時(shí)對(duì)粒子“鄰居”進(jìn)行局部搜索使其得到二次優(yōu)化，使子群不會(huì)輕易飛出其所覆蓋的局部其區(qū)域。4、建立供水管網(wǎng)滲漏最小化優(yōu)化問(wèn)題模型，并針對(duì)減壓閥的安裝位置提出三種控制策略，其中delta-q&branch-based控制策略可更好地定位dma內(nèi)的子區(qū)域，相同prv數(shù)量的前提下，運(yùn)用該策略定位prv安裝位置，可更有效地減小管網(wǎng)滲漏。附圖說(shuō)明圖1為本發(fā)明的流程示意圖；圖2為本發(fā)明采用的聚類(lèi)粒子群算法的流程示意圖；圖3為本發(fā)明粒子編碼構(gòu)成示意圖；圖4為本發(fā)明實(shí)施例采用的局部搜索示意圖；圖5為dma-based閥門(mén)安裝示意圖；圖6為delta-q-based定位方法流程圖；圖7為delta-q&branch-based定位方法流程圖。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。本實(shí)施例以本發(fā)明技術(shù)方案為前提進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過(guò)程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。如圖1-圖2所示，本實(shí)施例提供一種基于聚類(lèi)粒子群算法的供水管網(wǎng)滲漏優(yōu)化控制方法，包括以下步驟：1)設(shè)置供水管網(wǎng)系統(tǒng)減壓閥安裝位置，建立管網(wǎng)滲漏最小化優(yōu)化模型，采用粒子群算法進(jìn)行全局搜索；2)對(duì)經(jīng)步驟1)后的當(dāng)前粒子群體進(jìn)行聚類(lèi)分析，獲得數(shù)個(gè)粒子子群；3)在每個(gè)粒子子群中采用局部搜索算法進(jìn)行局部搜索，獲得一個(gè)局部最優(yōu)解；4)比較所有局部最優(yōu)解，獲得一全局最優(yōu)解，根據(jù)該全局最優(yōu)解優(yōu)化控制供水管網(wǎng)系統(tǒng)的減壓閥設(shè)置，輸出的全局最優(yōu)解為所有減壓閥在每小時(shí)的開(kāi)度值。該方法針對(duì)供水管網(wǎng)系統(tǒng)建立漏損優(yōu)化控制模型，使用提出的算法框架，優(yōu)化控制閥門(mén)(減壓閥prv)開(kāi)度(pset)，控制管網(wǎng)內(nèi)水壓，以減小管網(wǎng)總滲漏量。所述粒子群算法中，各粒子(即控制變量x)代表所有減壓閥的開(kāi)度值pset，pset每小時(shí)變化一次。采用群體智能優(yōu)化算法對(duì)滲漏最小化優(yōu)化模型進(jìn)行優(yōu)化求解，需要對(duì)粒子構(gòu)成進(jìn)行編碼，本實(shí)施例中的粒子編碼如圖3所示，其中v代表安裝閥門(mén)的個(gè)數(shù)，xij表示閥門(mén)i在第j小時(shí)內(nèi)的開(kāi)度值。管網(wǎng)滲漏最小化優(yōu)化模型的具體建立方法如下：供水系統(tǒng)的滲漏損率一般與管道材料、年齡、鋪設(shè)位置的土壤性質(zhì)以及管道內(nèi)水壓等條件密切相關(guān)。在假設(shè)滲漏是沿著管道均勻分布的情況下，管道滲漏損率如下所示：其中，pk是管道k所連接的兩個(gè)節(jié)點(diǎn)的平均壓力值，以模擬管道k的平均壓力，單位[m]；lk是管道k的長(zhǎng)度，單位[m]；αk是漏損參數(shù)，取決于漏損類(lèi)型，一般取值在0.5～2.5；βk是管道參數(shù)，與管道退化程度、直徑、材料等相關(guān)，單位[m2-α/sec].；為t時(shí)間內(nèi)管道k的平均漏損率，單位[m3/sec]。管網(wǎng)滲漏通常是由水網(wǎng)管道、連接點(diǎn)以及配件的不斷退化引起的。而管道退化(管道參數(shù)直接相關(guān))通常具有比較穩(wěn)定的退化過(guò)程，使用年限、直徑以及材料等因素是影響滲漏損率的基本因素。大量的統(tǒng)計(jì)結(jié)果表明，使用年限對(duì)此方面的影響最大。而對(duì)于漏損參數(shù)，最初是根據(jù)漏損面積來(lái)描述的，即漏損參數(shù)可以看成漏損程度的一個(gè)標(biāo)志，例如具有固定大小泄露面積的破裂孔洞，漏損參數(shù)取0.5；而對(duì)于大面積的滲漏，漏損參數(shù)一般取1.5。一般情況下，管網(wǎng)滲漏的漏損參數(shù)在0.5～1.5之間，具體取值應(yīng)根據(jù)管網(wǎng)具體情況而定。由單位時(shí)間內(nèi)單個(gè)管道的漏損率，可得到整個(gè)管網(wǎng)在給定時(shí)段所發(fā)生的總漏損量：其中，h為仿真時(shí)長(zhǎng)，單位/小時(shí)；δt為采樣周期；n＝60/δt；m為管道數(shù)量。假設(shè)管道k連接兩節(jié)點(diǎn)，則表示給定時(shí)段tij內(nèi)節(jié)點(diǎn)之間管道k的漏損率。因此管網(wǎng)滲漏最小化優(yōu)化模型如下：在步驟1)的全局搜索進(jìn)行前，將粒子的最近鄰粒子定義為粒子“鄰居”，在步驟3)的局部搜索進(jìn)行前，將粒子所在粒子子群的最優(yōu)位置定義為粒子“鄰居”，使粒子在搜索過(guò)程中向其附近粒子學(xué)習(xí)，粒子會(huì)受其附近局部最優(yōu)值的影響、按照優(yōu)化函數(shù)地形趨勢(shì)出現(xiàn)聚集現(xiàn)象。步驟2)中采用的聚類(lèi)算法可以為k-means聚類(lèi)算法、fsc聚類(lèi)算法或?qū)哟尉垲?lèi)算法。其中，k-means是一種實(shí)現(xiàn)簡(jiǎn)單、易于理解且效率很高的經(jīng)典聚類(lèi)算法。運(yùn)用k-means可以實(shí)現(xiàn)粒子群體的聚類(lèi)并劃分子群。但聚類(lèi)前通常無(wú)法給出合適的k值。因此，當(dāng)問(wèn)題地形特征明顯，群體聚集效應(yīng)已知的前提下，可使用k-means聚類(lèi)算法，否則，可選擇fsc聚類(lèi)算法。fsc聚類(lèi)算法對(duì)聚集后的粒子群體進(jìn)行子群劃分，可自動(dòng)確定子群數(shù)目，避免人為設(shè)定k值對(duì)結(jié)果造成的影響。步驟3)中采用的局部搜索算法可以為爬山局部搜索算法、禁忌搜索算法或帶局部搜索因子的群體智能優(yōu)化算法。本實(shí)施例中采用爬山局部搜索算法進(jìn)行局部搜索，對(duì)定義為對(duì)“鄰居”粒子的粒子子群最優(yōu)位置x進(jìn)行優(yōu)化，即判斷x+σ和x-σ哪個(gè)解更優(yōu)，用其代替x。為了避免算法陷入非期望的局部最優(yōu)值，該局部搜索過(guò)程只進(jìn)行有限的幾次，不會(huì)使粒子一直找到“峰頂”或“谷底”才停止搜索。如圖4所示，“鄰居”粒子只被優(yōu)化到位置a，而不會(huì)一直優(yōu)化到“谷底”位置b。設(shè)置供水管網(wǎng)系統(tǒng)減壓閥安裝位置中，本發(fā)明針對(duì)供水管網(wǎng)系統(tǒng)提出三種控制策略，其中，dma(districtmeteredarea)指分區(qū)計(jì)量區(qū)域，dma可看作是管網(wǎng)的子區(qū)域，整個(gè)供水管網(wǎng)由數(shù)個(gè)dma組成。1.dma-basedlocation：prv閥門(mén)的數(shù)量和其在管網(wǎng)中位置的選擇一定程度上會(huì)影響壓力管理的效果，需按照一定的規(guī)則選取。由于管網(wǎng)是由多個(gè)dma組成的，每一個(gè)dma相對(duì)獨(dú)立，且有自己的入口。如果在每一個(gè)dma入口處安裝一個(gè)prv閥，如圖5所示，即可控制每個(gè)dma的輸入壓力。稱(chēng)此種控制策略為dma-based控制策略。2.delta-q-basedlocation:delta-q-based是一種通過(guò)流量來(lái)判斷dma內(nèi)子區(qū)域起始位置并進(jìn)行控制的方法；因?yàn)楣艿纼?nèi)流量q的大小在一定程度上代表了該管道在整個(gè)管網(wǎng)中的水力重要性。將dma中所有管道按流量值q進(jìn)行大小排序，并且前后兩個(gè)作差，得出delta(q)序列值，delta(q)較大時(shí)，通常是從主管道分支出現(xiàn)子區(qū)域的位置；在此子區(qū)域入口處安裝prv閥門(mén)，可相對(duì)有效地控制壓力水平。delta-q-based定位方法流程如圖6所示。3.delta-q&branch-basedlocatio:將delta-q-based定位方法進(jìn)行改進(jìn)：在通過(guò)delta(q)定位分支管道后，考慮網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，查看出現(xiàn)分支的位置是否有另一條支路(branch)，如p2；若有，則同時(shí)定位該管道；在被定位的所有管道上安裝閥門(mén)。將這種控制策略稱(chēng)為delta-q&branch-based控制策略，其定位方法流程如圖7所示。采用bblawn競(jìng)賽網(wǎng)絡(luò)c-town系統(tǒng)為研究對(duì)象，分別使用粒子群算法和本發(fā)明提出的方法進(jìn)行20次實(shí)驗(yàn)，統(tǒng)計(jì)20次實(shí)驗(yàn)中優(yōu)化得到的總滲漏量最大值、最小值、均值和方差，結(jié)果表1-表3所示。由表1-表3可知，本發(fā)明方法具有較佳性能。表1dma-based控制策略滲漏優(yōu)化結(jié)果algorithmmean(l)stdmax(l)min(l)pso559039.0256815531clspso556547.5956405497表2delta-q-based控制策略滲漏優(yōu)化結(jié)果algorithmmean(l)stdmax(l)min(l)pso498065.251014766clspso489235.749174867表3delta-q&branch-based控制策略滲漏優(yōu)化結(jié)果algorithmmean(l)stdmax(l)min(l)pso473365.948424591clspso467550.648214413以上詳細(xì)描述了本發(fā)明的較佳具體實(shí)施例。應(yīng)當(dāng)理解，本領(lǐng)域的普通技術(shù)人員無(wú)需創(chuàng)造性勞動(dòng)就可以根據(jù)本發(fā)明的構(gòu)思作出諸多修改和變化。因此，凡本
技術(shù)領(lǐng)域：
中技術(shù)人員依本發(fā)明的構(gòu)思在現(xiàn)有技術(shù)的基礎(chǔ)上通過(guò)邏輯分析、推理或者有限的實(shí)驗(yàn)可以得到的技術(shù)方案，皆應(yīng)在由權(quán)利要求書(shū)所確定的保護(hù)范圍內(nèi)。當(dāng)前第1頁(yè)12