基于BP神经网络的城市排水系统节能算法优化研究

陈雪敏，焦雪松，曹 浩

（ 安徽科技学院 信息与网络工程学院，安徽 凤阳 233100）

随着生产力的发展，人们生活水平有了显著提升。 信息化以及工业化正引领我们迈向新时代，“城市问题” 也愈加突出。 城市排污是当今研究的热点，有关城市污水管网的排水调度问题仍有待研究。 一座城市泵站系统所耗电量几乎占据占据城市基础用电的总用电量的约15% ～20%[1]，运营成本较高。 所以，优化泵站节能运行具有重要意义。随着国家十三五规划智慧城市的提出，城市节能排水、信息化管理成为了国内外学者的关注重点。 我们通过调研全国各城市（ 如浙江海宁市、安徽蚌埠市、上海闵行区等） 的排水系统及查阅排水系统的相关文献，发现我国当前城市的排水系统存在人为主观意念比较强、经验主义比较浓厚、排水系统的基础材料不完整等问题，信息化管理较弱。 本文通过大数据分析并结合排水领域相关理论知识及大城市排水系统的实际经验，提出一种基于BP神经网络技术的节能调度算法，期望能为当前排水系统提供更好的节能算法[2]。

1 BP神经网络

由于互联网的高速发展，信息数据呈现指数型的增长，大数据现已成为了像电力、水利等一样的城市基础设施。 大数据分析为泵站调度领域提供一种更加先进的分析方法，从大数据角度出发，基于BP神经网络算法对泵站数据及历史运行数据进行挖掘，模拟泵站调度，可得到一种更加节能精确的泵站调度算法。

BP神经网络作为最常用的神经网络模型之一，它是在多层前馈神经网络上计算的一种算法（ 见图1）。 该算法是一种计算偏导数的有效方法，算法由一个输入层、一个输出层及若干个隐藏层构成。 每一个输入对应于训练元素的一个属性，输入模式从输入层经隐藏层单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态[3]。

图1 多层前馈神经网络

2 基于BP神经网络的泵站节能调度算法

2.1 问题提出

通常，城市的排水系统由管网及污水处理厂两部分组成。 检查井、管道和泵站构建了管网系统。泵站利用管道将检查井连接，各管道通过检查井相连。 当前的排水系统普遍使用离心泵，因此研究泵站节能也就是在离心泵工况的基础上建立节能控制优化目标。

我们对水泵参数作如表1 的约定，设单个泵站下一单位时间内的入流量为inport。

表1 水泵参数列表

这里有h1＜hsl＜hoh＜hao＜hw＜he＜hh。

我们需要求解的问题是：

①若hc≥hoh，则求出对当前更好的开泵水位hup；

②若hc≥hsl，则求出对当前更好的关泵水位hdown，使得最终水泵的耗能最小。

这里规定hao≥hup≥hc≥hst≥hdown。

2.2 算法目标

基于BP神经网络的泵站节能调度算法的最基本目标是在保证泵站群安全的基础上，实现泵站群的最优节能及单个泵站的节能效果相比之前节能效果更加明显。 在理想情况下，水泵只有恒处于最佳水位运行时泵站方达到最佳节能效果[4-6]。 而水泵在实际工作中很难能一直处于最佳工作水位，同时，影响水泵节能的因素还有很多，比如，不同的运行环境，相同水泵节能效果可能不同，相同的水泵在相似的环境下其效果也可能存在较大差异。 想要更加有效地发挥泵站节能性，可以通过调整泵站流量，使泵站保持在最佳工作水位附近，以实现泵站的节能。

在此可将问题分解为两部分：

（1）若hc上升到hoh，根据当前情况计算出更好的开泵水位hup后启动泵， 泵站将根据该水位执行直到水位下降到关泵水位hsl，然后进入问题（2）；

（2） 若当前水位降低到关泵水位时，先不用关闭泵，而是先计算出当前更好的停泵水位hdown， 水泵继续运行，直到水位降低至hdown时关闭水泵。

若要使泵站的水泵耗能最小，就需要根据不同情形求解出不同的hup及hdown， 而不同情况hup及hdown又会导致每次的开泵和关泵的排水量不同，所耗时间也不同，原有开泵水位hoh，关泵水位hst仅用作参考水位。这样我们就需要一个指标来衡量不同的hup（或hdown） 的优劣。

2.3 算法设计

2.3.1 衡量hup优劣的指标

记当前时间为t，hc第1 次≥hoh，tup为hc上升至hup的时间，Tup为hc降低至hsl，Vup为Tup时间内所排出的水量，hmax为水泵所能达到的最大水位高度。我们的目标是尽可能耗最少的电量派最多的水，同时保证泵站的安全， 使得最高水位线尽可能地低。 对于水泵总耗能Eup，有：

式（1） 中，α为单位时间内水泵的耗能系数函数，规定单位时间为1 min， 其可通过水泵的流量功率曲线（Q-N曲线）[8]拟合得出；β 表示开关泵的瞬间额定损耗。

对于泵的总能耗和总排水量的限制，综合考虑最大限度地提高单位立方米的排水能耗。我们将风险值作为衡量最大水位高度的目标， 最高水位越高，泵站将越危险， 反之则更安全。 为了简化模型，设下一个Tup时间内泵站的风险值仅与下次泵站可达的最大水位有关，可以直接定义Risk（hmax）。由此可以定义这样的效益函数：

这样我们的目标便是最大化这个效益函数。

那么， 如何给出一个合理的效益函数Risk（hmax）。根据历史流量输入数据，通过计算机模拟，可以计算出最大水位高度hmax下泵站溢流的近似概率p（hmax）。p（hmax） 越大，泵站的危险性越大，危险性（H ＜hmax） 值越大。因此，我们可以定义：

2.3.2 衡量hdown优劣的指标

记Tdown表示从当hc第一次降低至hst开始直至水位降低到hdown为止，Tdown时间内所排出去的水量记为Vdown，功耗为Edown。不同的关泵水位对应不同的单位立方耗能， 在这里目标是找出更合理的hdown。这个时候的水位较低，衡量水泵在不同hdown的效益则只需考虑Edown/Vdown。这里取：

实际上，我们追求的目标并不是把单位容积排水能耗降到最低，而是希望在单位容积排水能耗满足一定的条件时，尽可能较多的排放。当然，如果在此期间每立方米排水的能耗大于第一阶段中的能耗，我们将毫不犹豫地令hdown=hst，并求出第一阶段中提出的单位立方排水能耗的上限作为衡量标准。当水位刚好达到hup时，泵站开启可能会发生单位立方排水能耗，在接下来的时间里内入流量为零即没有污水流入泵站，泵一直工作直到关泵水位达到hst。 在这种特殊情况下， 单位立方排水能耗为E/Vlimit。E/Vlimit可人为设定，可设置为只开启一台泵的情况下每分钟10 个单位的入流量从开泵水位运行到关泵水位的能耗。这样效益目标函数可以定义为：

2.3.3 计算方法

由于涉及到一系列调度策略， 最优的hup、hdown没办法得到数学的解，所以，只能依靠计算机程序的方式得出（数值解） 近似解。 神经网络是有监督、非线性的大数据分类技术，它可以直接从要进行测试的数据样本中进行学习，也可以使用已经训练好的神经网络进行测试的数据样本中进行学习且其所需时间非常短。 这种方式非常符合城市日常排水泵站调度的实时需求，大大提高了调度效率，学习的精度和速度。 常用的人工网络模型有ART网络、hofield 网络、kohonen 网络及BP神经网络模型。在本文中采用3 层BP神经网络模型来实现该算法，并将模型用于优化泵站开关泵水位线。 表2 为具体算法结构。

将泵站的历史运行数据作为数据集，并把它分成part1 与part2，并对这两部分分别处理：

（1）对part1 数据集进行处理

①随机抽取10 000 个时间点，作为水泵达到开泵水位线的时间点；

②运用网格搜索的方法在开泵水位与警戒水位之间找到最合适的开泵水位线h′oh，使得part1 的能耗比最小。

表2 BP神经网络算法结构

（2）对part2 数据集进行处理

①求解出水泵在关泵水位hst下的出流量Qout；

②找到所有比这个出流量更小的入流量时间点，随机选出10 000 个时间点；

③通过网格搜索方式，在关泵水位与下限水位之间找到最合适的关泵水位与下限水位h′st，使得在该部分数据分析中能耗最低。

（3）当水位高于开泵水位h′oh就用part1 数据集所对应的神经网络去训练。

（4）当水位低于关泵水位h′st就用part2 数据集所对应的神经网络去训练。

（5）将（3）、（4）预测的值作为神经网络在应用得到part1、part2 的数据集的label。

3 测试评估

本节将浙江省海宁市袁花、黄湾、利众、长山河与龙联泵站五个泵站所组成的泵站群作为探究对象。 输入当前时间及入流量， 将2015 年12 月31日—2016 年1 月31 日，共32 d 运行数据作为训练样本，模型训练， 并根据测试结果进行分析探究。在此以袁华泵站为例（见图2—3）。

图2 原调度方案运行数据

图3 优化调度方案运行数据

图2—3 中，上半部曲线表示集水池水位的变化，下半部分表示水泵的开关情形，0 表示没有泵开启，即泵站处于关闭状态；1 表示泵站开启一台泵，2表示泵站有两台泵正在运行。 图2 原有调度方案相比图3 优化后的调度中，泵站较为平稳且处于更高效的水位运行。 泵站群在优化调度方案下和原调度方案下的能耗对比分析（ 见表3），通过对比两个不同方案下单位立方耗能数据可知，优化方案下的联合调度能耗小于海宁市原有调度方案的能耗，节能约2.87%，进而证实该优化调度方案对泵群的最优节能，并对单个泵站的节能效果也很显著。

表3 泵群整体能耗对比表

4 结 语

BP神经网络调度算法在满足安全的前提下，实现了对泵站群及单个泵站的最优节能化处理。 本文通过对泵站的研究，总结出节能优化算法以及节能调度技术。 运用实际数据在优化算法的基础上进行泵站群的原调度方案运行，结合对比法将结果进行研究，验证了本算法的安全性、可行性以及实用性。 模拟算法虽在泵站群的调度调试中效果显著，但仍需考虑排水系统中所存在的不确定性以及可变性，并且目前还存在着收敛时间较长的现象。对于今后类似的研究， 还需将互联网与水务相结合，并不断调试及优化调度算法。