滨海水厂供水泵站优化调度分析与应用

赵全利， 李春桐， 尹学锐， 郑胜达， 李 伟， 李俊江

(1.天津水务集团滨海水务有限公司，天津300346；2.天津三博水科技有限公司，天津300100)

供水管网系统中的需水量随时都在发生变化，用水高峰时段管网压力普遍降低，而在夜间用水低峰时段管网压力普遍增高。因此，为降低漏损、节能降耗，需针对不同时段的供水需求科学地调节管网中的泵站出厂压力与流量，在满足用户正常用水的前提下最大限度降低能耗。目前泵站的调度运行主要依靠经验，组合方式单一，调节范围有限，难以保证水泵在所有时段内高效运行，易造成能源浪费，影响供水安全。因此，开发泵站优化调度系统以指导泵站优化调度迫在眉睫。

泵站优化调度以泵站出口流量和压力为基础，结合智能算法，以能耗最低为目标函数，在满足供水流量与压力的前提下，优化搭配泵站内部定速泵的开停与调速泵的调速比，使水泵始终保持在高效段运行。因此，调度方案的制定与选择直接受水量预测与宏观模型精度影响。

1 用水量预测模型

1.1 水量预测概述

用水量预测是二级泵站优化调度的基础[1]。用水量预测的准确度直接影响泵站调度方案的可行性。水量预测方法一般有时间序列法、回归分析法(解释性预测)两类。时间序列法根据历史水量数据及其变化规律对未来时段的水量进行预测，不考虑天气和节假日等因素对水量的影响，预测方法包括灰色模型预测、自回归移动平均法等。回归分析法考虑天气、节假日和人工经济对用水量的影响，将这些因素纳入预测模型。

在大港油田供水范围内，很多影响水量的因素不可测且精度无法保障，代入预测模型较复杂，因此采用GM(1,1)模型对用水量进行预测。

1.2 预测方法介绍

GM(1,1)即灰色预测模型[2]，它的核心思想是对原始数据序列作累加生成得到近似的指数规律对其进行建模，进而得到数据的规律表达式。灰色预测模型通过鉴别系统因素，对其进行关联分析，同时对原始数据序列进行生成处理来寻找系统数据的规律，生成规律性较强的数据序列，对其进行微分方程建模来预测系统未来的发展趋势。

研究中，对已知历史水量数据序列X(0)，经过一次累加生成新的水量数据序列X(1)，获得X(1)的生成均值序列Z(1)。建立灰微分方程及其对应的对应的白化微分方程，通过建立GM(1，1)模型依次得到预测值。

1.3 实际应用

首先对大港油田供水系统的日供水量进行规律分析，观察用户用水量的周期性和规律性。对2020年8月15—17日的时用水量进行规律分析，如图1所示。可以看出用水周期性明显，用水情况符合城镇居民用水规律。

图1 用水量分析Fig.1 Analysis of water consumption

选用灰色预测模型，根据过去1个星期的用水量数据对未来1 d的24 h水量进行预测，结果如图2所示。24 h的供水量预测误差在0.55%～9.16%，均小于10%，平均误差为3.52%。模型的预测精度较高，可用于指导水厂供水泵站优化调度。

2 宏观模型

2.1 宏观模型概述

供水系统优化调度方案的制定不仅需要准确的水量预测模型来支撑，还需要建立一个反映供水管网系统运行工况的数学模型，目前应用最广的是微观模型和宏观模型。微观模型需要收集详细的管网资料建立拓扑结构，导入用户用水量建立微观水力模型，通过调整系统参数，使模型工况的计算值与实测值保持在误差范围内，用于指导系统优化运行。微观模型十分复杂，建模难度大，因此基于统计学原理并根据管网系统的运行调度数据建立宏观模型，能克服微观模型数据量大、计算时间长等缺点，并得到与实际运行工况相符的压力数据[3-4]。

水厂泵站流量、压力和压力监测点压力值之间存在如式(1)所示的直接关系：

(1)

式中HMi——压力计i的压力预测值，m；

Ai、Bi、Cij、Dij——常系数；

Qj——泵站j的出厂流量，m3/h；

HWj——压力计j迭代后生产的压力值，m。

图2 实测水量与预测水量对比Fig.2 Comparison of measured and predicted water consumption

2.2 供水系统概况

大港油田供水系统有滨海水厂1座，平均供水量为2.5×104m3/d，其供水管网系统如图3所示。

图3 大港油田供水系统示意Fig.3 Water supply system of Dagang oilfield

建立宏观模型是为了预测未来周期内泵站出口压力，以此作为约束条件指导泵站优化调度方案。收集大港油田供水系统1个星期的水厂出厂流量、压力以及压力监测点的数据，以水厂出厂流量和压力监测数值为输入变量、水厂出厂压力为输出变量，利用BP神经网络建立供水系统宏观模型，模拟调度周期内的泵站出口压力，结果如图4所示。

图4 泵站出口压力预测示意Fig.4 Prediction of effluent pressure of pump station

可以看出，宏观模型模拟所得到的泵站出口压力较为准确，误差均在5%以内，可应用于泵站优化调度方案的制定。

3 泵站优化调度模型

3.1 数学模型的建立

3.1.1 优化调度数学模型

泵站优化调度是在保障供水压力与流量的条件下，最大限度降低泵站能耗。优化调度数学模型见式(2)：

(2)

式中m——定速泵的数量；

n——调速泵的数量；

wi和wj——定速泵与调速泵的开停情况，1表示水泵开启，0表示水泵关闭；

2.4 不同b值下鉴别肺部结节良恶性的ROC曲线分析 将不同b值下ADC 3组鉴别肺部结节良恶性的情况作ROC曲线，ROC曲线显示同特异性情况下b值为400 s/mm2时的敏感度最高，见图1。b值为400 s/mm2时ROC曲线下面积最大，不同b值间ADC阈值及敏感度相比较，差异均有统计学意义(P<0.05)，见表4。

Ni和Nj——定速泵和调速泵的功率，kW。

定速泵轴功率：

(3)

式中b0、b1、b2——拟合系数；

Q——某一转速下的水泵流量，m3/h；

QN——额定转速下的水泵流量，m3/h。

调速泵轴功率：

N=b0S3+b1S2Q+b2SQ2

(4)

代入式(1)得到：

(5)

① 泵站出口压力约束

由于泵组是多水泵并联运行，在1个泵站内每台开启水泵的供水压力等于泵站出口压力，也等于供水管网系统的目标压力，即：

Hp=H1=H2=H3=…=Hn

(6)

② 总流量约束

泵站中开启水泵的总流量之和等于供水管网系统中的目标流量，即：

(7)

③ 调速泵调速比约束

调速泵的调速比不可大于1，调速比下降到一定程度会影响水泵的正常出水，因此下限一般设为0.75，即：

Sjmin≤Sj≤1

(8)

④ 开启水泵流量约束

Qjmin≤Qi≤Qmax

(9)

所建立的模型属于约束混合离散变量非线性规划求解问题，采用遗传算法在复杂空间进行全局优化搜索，得出最优解，即当前工况下最节能的水泵运行组合。在该工况下，水泵均运行于高效段内，总能耗最低且能够满足泵站供水要求。

3.2 优化模型的计算

滨海水厂供水泵站各水泵的基本情况如表1所示。

表1 泵站水泵参数Tab.1 Pump parameters of the pump station

系统可以根据泵站实时出口压力和出口流量给出最优化的水泵调度组合方式，同时具备超压报警、水泵非高效段运行报警以及泵站运行工况预测等功能，为泵站工作人员提供水泵调度指导方案。

以8月19号的预测水量与宏观模型模拟出泵站出口压力进行优化调度方案的制订，目标流量压力数据如图5所示。

每小时频繁启停会对水泵造成损坏，由图1分析可得日供水量呈现规律性：1：00—6：00用水量较低，水厂供水量较小；7：00—13：00用水量上升，属于用水量高峰期；14：00—17：00用水量减少，进入下一个用水低峰期；18：00—21：00用水量攀升，进入用水晚高峰；22：00—24：00，进入居民休息时段，用水量减少，为晚低峰期用水。因此将24 h分为5个时段，每个时段的流量、压力如表2所示。

图5 调度周期泵站出口流量和压力的变化Fig.5 Changes of effluent flow and pressure of the pump station during a dispatching cycle

表2 调度时段内的泵站出口流量与压力Tab.2 Outlet flow pressure of the pump station during dispatching period

以泵站能耗最低为目标函数、泵站出口流量和压力为约束条件、水泵开停与变速泵调速比为决策变量，利用遗传算法对调度模型进行求解，得出泵站运行结果见表3。

表3 水泵优化组合情况Tab.3 Optimal combination of water pumps

经计算得到，泵站在1个调度周期内的总能耗为1 287.37 kW·h，较实际运行方案节能4.6%，达到了泵站优化调度的目的。

4 结论

选用灰色模型对用水量进行预测，平均误差为3.52%。以泵站出口流量与压力监测点压力为输入、泵站出口压力为输出，利用BP神经网络建立大港油田供水系统宏观模型模拟泵站出口压力，计算平均误差为2.07%，达到指导泵站优化调度精度。以水量预测和宏观模型为调度基础对滨海水厂二级泵站进行直接调度，总能耗较实际运行方案下降4.6%，达到了节能降耗、优化运行的目的。