考虑电能消耗成本的城市供水系统优化调度方法研究

潘仲良

(上海市供水调度监测中心,上海 200080)

0 引 言

在经济发展过程中,供水规模日益增大,供水复杂性也随之增大,如何保障供水系统的稳定、高效运行,成为供水管理部门亟待解决的问题[1-3]。目前,城镇在供水管理方面存在较大问题,如用电能耗大、浪费大等,给供水系统带来较大的运营成本,表明供水部门的经营与管理模式已不能满足经济与社会发展的需要。因此,通过对城市供水系统进行优化调度分析,能够有效减少用电费用,提升企业的用水质量,提高企业的经济效益。

在已有研究中,涉及供水系统优化方面的探讨存在一定的不足;涉及水源区域到水厂优化的内容不少,却较少涉及对多水厂到用户区的供水调度改进分析。对城市供水优化过程研究中,主要从微观模型的角度开展。如赵美玲等[4]为了实现有效调度供水管网,根据在线模型,构建相关调度系统,该系统包含多个功能模块,如调度控制模块。结果显示,构建系统的应用效果不错,能够有效降低供水电耗。

为此,本文从电能消耗成本优化的角度,探究供水系统调度优化问题,根据管网宏观模型,构建供水系统调度模型,改进以往的供水调度方法,以期能够提高城市供水的效率。

1 考虑电能消耗成本的城市供水系统优化调度方法

1.1 优化调度案例及优化方法分析

随着我国城镇化进程的加速和人民生活水平的不断提高,对城市供水系统提出越来越高的要求。目前,我国城市供水系统仍以人工经验为主,加之企业的管理能力相对滞后,以及城市供水系统的设计不够合理,导致供水时大量能源的浪费,给供水公司带来较大的成本消耗。供水管网优化调度的目标是在满足用户对供水压力、流量、水质要求的前提下,最大限度地降低企业的供水成本,对供水进行优化,使其具有最大的经济效益和社会效益[5-7]。

本文以上海市某区的供水系统为研究对象,数据来源为A、B两座水厂生产调度数据,数据所在时间为2021年9月。两座水厂联合起来,共同为该地区供水。其中,A水厂处于第一水厂的位置。从该地区的用水情况可以看出,用水量逐年增加。从A、B两座水厂供水区域看,前者供水的区域主要位于该区的中西部区域,后者供水的区域主要在该区的东部区域,两者均配备水泵站,管网不存在中途加压泵站。在A水厂中,接入原水,在虹吸滤池等作用下进行处理,借助二级泵房作用,流入管网。而B水厂的相关流程与A水厂略有不同,该水厂修建了气-水反冲洗滤池,来替代虹吸滤池,其余步骤与A水厂相同。

在管网测压点选择中,包含两种类型的测压点:①位于管网末端最不利控制点周围;②所在的位置为重要供水区域附近。前一种测压点位置的最小服务水头是20m,后一种测压点位置附近压力要求是24m,两种测压点的压力下限分别为0.20和0.24MPa。两水厂供水电能消耗系数情况见图1。

图1 供水电能消耗系数

由图1可知,A水厂的供水电能消耗系数为0.002 5;B水厂的供水电能消耗系数为0.002 8,略大于A水厂。A、B两座水厂的出水压力上下限见图2。

图2 水厂出水压力界限情况

由图2可知,A、B两座水厂的出水压力上下限存在差异。其中,A水厂出水压力上限为0.40MPa,比B水厂出水压力上限小0.20 MPa;A水厂和B水厂的压力下限分别为0.26和0.38MPa,前者比后者小0.12MPa。

为了实现城市供水系统优化,研究选择粒子群算法(Particle Swarm Optimization,PSO),由于该算法存在一些自身缺陷,需对其进行优化处理[8]。在优化流程中,首先对cmax、cmin等算法参数进行初始化处理,随机产生粒子初始速度v、初始x,将后者当成个体历史最优位置,并存放在i粒子历史最优位置pi中;选择初始位置中的最优者,把其当成群体历史最优位置,随后存放在群体历史最优位置pg中。对粒子的适应度函数值f进行计算,寻找f的最大值fmax、最小值fmin。然后进行w、c1、c2的更新。更新粒子,对其进行边界处理。当粒子初始速度v大于初始最大速度vmax,v取vmax;当v小于初始最小速度vmin,v取vmin。当x大于x的最大值xmax,x取xmax;当x小于x的最小值xmin,x取xmin。对f重新进行计算,对pi、pg进行更新,重新得到适应度函数均值favg、fmin。判断迭代运行情况,当停止迭代,进行结果的输出。反之,重新进行空间粒子的f,直到输出结果为止。选择Matlab软件,进行改进PSO算法参数初始化设置,该算法的群体个数为100,算法迭代数为100,改进PSO算法的最大w、最小w分别为0.9、0.6,改进PSO算法的cmax、cmin分别为2.8、1.4。

1.2 构建供水系统优化调度方法

根据上海市某区供水系统的实际情况,进行城市供水系统优化调度研究[9-11]。在城市供水系统中,受到不同水力关系的作用,管段内的供水易产生较大变化,从而影响供水管网的正常运行。为了避免复杂水力计算,缩短算法优化时间,在供水调度中,进行重要宏观变量的选取,将其作为决策变量,而剩余影响因素不在考虑范围内[12-14]。在此基础上,采用系统分析数学法,结合历史记录运行数据,获得对应的经验性数学表达式。值得注意的是,在城市供水管网宏观模型构建之前,管网系统应满足比例负荷。所研究的供水系统属于多水源供水管网系统,当城市管网用水量不变时,如何对各水厂供水进行调控,既要满足用水的需要,又要获取最大经济效益,是需要解决的问题。

在管网测压点位置自由压力中,影响其值的关键因素为水厂供水量。针对上述情况,构建水厂宏观模型和管网测压点宏观模型,相关数学表达式如下:

(1)

式中:Hi为水厂i出厂压力,MPa;Qi、Qj分别为水厂i、水厂j单位时间供水量,m3;QS为城市管网总水量;α为水力系数,取值范围[1.85,2.0],本研究中α值为2.0;C(i,j)为待定系数;D(j,i)为回归系数;n为管网的水厂数量,座;Np为管网中测压点个数;Hj为第j个测压点自由压力,MPa。

根据供水电能消耗费用,构建优化目标函数,自变量选取供水压力、供水量,得到供水费用函数。引入式(1)中的宏观模型,从而得到最终的目标函数F,其数学表达式如下:

(2)

式中:F为单位时间内供水电耗费用;Zt为供水厂出厂压力标高和清水池水位之间的差值,m;r为供水电耗系数,元;QS为在模型约束条件下小时段内各水厂供水量;Q(min)i、Q(max)i分别为Qi的最小值和最大值,且Q(min)i≤Qi≤Q(max)i;H(min)i、H(max)i分别为Hi的最小值和最大值,Hi的取值在H(min)i～H(max)i的范围内,i=1,2…,n;H(min)j、H(max)j分别为Hj的最小值和最大值,且H(min)j≤Hj≤H(max)j。

引入罚项,将其与F结合,得到无约束型罚函数。对其极值进行求解,等同于对原函数极值进行计算。通过改进PSO算法,获取最小F中的水厂间流量分配。在此基础上,即可得到水厂供水压力。根据相关约束条件,得到对应的罚项,将其与F结合,得到新的罚函数,其数学表达式下:

r×max[((Q(min)i-Qi),0)]2+r×max[((Hi-H(max)i),0)]2+

r×max[((H(min)i-Hi),0)]2+r×max[((Hj-H(max)j),0)]2+

r×max[((H(min)j-Hj),0)]2

(3)

式中:r为罚因子。

综上所述,城市供水系统优化调度模型构建流程见图3。完成模型构建后,进行优化调度应用分析。选择上海市某区的供水系统,在一个工作日中,其小时数为24h,将其分为6个时间段,分别为0:00-4:00(时段1)、4:00-7:00(时段2)、7:00-10:00(时段3)、10:00-15:00(时段4)、15:00-17:00(时段5)、17:00-0:00(时段6)。根据不同的时段,进行对应管网宏观模型的构建,并得到对应的优化调度模型。根据上海市某区供水系统的实际情况,通过该调度方法,对A水厂和B水厂的供水情况进行调度,分析不同时段的供水费用变化情况。

2 基于电能消耗成本的城市供水系统优化调度结果分析

为了验证构建的城市供水系统优化调度方法的效果,研究选择64位的Windows10操作系统,选择Matlab软件,根据2021年9月25日A、B两座水厂生产调度数据,进行供水系统优化调度方法的设计,分析不同时段、优化调度前后的两水厂供水流情况。具体结果见图4。

图4 两水厂的供水流量变化情况

由图4(a)可知,在时段1下,实测流量和优化流量分别为1 128.79和1 243.04m3/h,前者比后者小114.25 m3/h;在时段3下,优化流量为3 166.25m3/h,比实测流量大668.35m3/h;在时段4下,优化调度前的实测流量为2 272.30m3/h,比优化流量小813.50m3/h,后者为3 085.80m3/h;在时段6下,实测流量和优化流量分别为1 851.05和2 700.96m3/h,前者比后者小849.91m3/h。

由图4(b)可知,在时段1下,实测流量和优化流量均最小,对应流量值分别为1 515.83和1 401.57m3/h,后者比前者小;在时段3下,优化流量为4 982.91m3/h,实测流量为5 651.19m3/h,前者比后者小668.28m3/h;在时段5下,优化流量为4 218.59 m3/h,比实测流量小727.73m3/h,后者为4 946.32m3/h;在时段6下,优化流量为2 912.46m3/h,实测流量为3 762.38m3/h。

对研究构建的优化调度方案进行分析,研究优化前后A、B两座水厂供水压力变化情况,具体见图5。由图5可知,时段不同,对应的实测压力和优化压力不同;在时段3和时段5中,两水厂的供水压力出现高峰;在B水厂中,相较于实测压力,优化压力均有一定程度减小。

由图5(a)可知,对于A水厂而言,在时段2下,优化压力、实测压力分别为32.24、26.43m,前者比后者大5.81m;在时段3下,优化压力、实测压力均最大,其对应的值分别为35.99、37.02m,优化压力降低1.03m;在时段5下,优化压力、实测压力为36.71m,比优化压力大0.86m,后者为35.85m;在时段6下,优化压力为45.24m,而实测压力略高,其值为47.44m,前者比后者小2.20m。

由图5(b)可知,相较于图5(a),B水厂的供水压力更大;相同水厂下,优化压力与实测压力之间的差距较小。B水厂中,在时段3下,优化压力为54.27m,实测压力为56.05m;在时段4下,优化压力为42.27m,比实测压力小为2.28m,后者为44.55m;在时段6下,实测压力、优化压力分别为47.46、45.25m,前者比后者大2.21m。

分析优化调度前后供水费用情况,具体见图6。

图6 优化前后供水费用

由图6可知,总体上,经过优化调度后,不同时段的供水费用均有所降低;相较于其他时段,时段3的供水费用最高,其次为时段4,而时段1的供水费用最低。在时段1中,优化后供水费用为249.49元,比优化前少14.91元,优化前供水费用为264.40元;在时段3中,优化前后供水费用分别为1 242.00和1 156.49元,前者比后者多85.51元;在时段5中,优化前供水费用为992.05元,优化后供水费用为929.41元;在时段6中,优化后供水费用为720.60元,相较于优化前,减少44.89元。

在不同时段供水费对比中,优化调度前,时段3的供水费为1 242.00元,比时段2多580.72元,后者为661.28元;优化调度后,时段4的供水费为1 051.67元,比时段5多122.26元。根据不同时段优化调度前后供水费用变化情况可知,时段3平均节约供水费用最多。整体上,两座水厂平均节约供水费用率为5.80%。由此可见,研究方法能有效地对城市供水系统进行优化调度,节约了供水费用。

3 结 论

针对城市供水系统优化调度问题,本文以上海市某区的供水系统为例,在介绍A、B两座水厂相关情况的基础上,考虑电能消耗成本,建立目标函数,引入供水管网等宏观模型以及罚函数等方法,得到城市供水系统优化调度方法。结果显示,研究方法能够有效调度供水系统,减小供水压力,节约供水费用。在B水厂中,优化调度后,其供水压力有所减小。时段5下,优化流量减小727.73m3/h;时段6下,优化流量为2 912.46 m3/h,实测流量为3 762.38m3/h;在时段3中,供水费用节约85.51元,表明研究方法的应用效果较好。