一种基于情景不确定性的供水管网多目标优化调控方法技术

一种基于情景不确定性的供水管网多目标优化调控方法，属于供水管网智能调控领域。首先，构建多目标优化数学模型。其次，采用拉丁超立方采样技术LHS对多目标优化数学模型中的不确定性参数进行量化。再次，对多目标优化数学模型进行优化求解。最后，去除总解集中的重复解，采用蒙特卡罗采样技术对不确定性参数进行随机抽样，采取改进的非支配排序准则进行个体排序，逐个输出总解集中排序层级最高的个体，提取出决策方案。本发明专利技术在RNSGA‑II算法的基础上提出几项新的改进措施，保证统计量评估准确性，显著提升算法求解的分布性和收敛性，且基于决策方案集，可为管理人员提供可视化的多目标优化制衡结果，辅助科学且安全可靠的决策支持，推动供水管网的智能调控管理。

A multi-objective optimal control method of water supply network based on scenario uncertainty

【技术实现步骤摘要】
一种基于情景不确定性的供水管网多目标优化调控方法
本专利技术属于供水管网智能调控领域，涉及到面向安全可靠的供水管网多目标调控解决方案的优化求解，尤其涉及一种基于情景不确定性的供水管网调控的多目标优化求解。
技术介绍
作为城市的发展命脉，供水管网的安全运行是水务企业服务社会的首要任务。近年来气候变化、人口增长、城市化进程等城市环境日趋复杂，使得供水管理面临诸多考验，如管线老化、管网改造频繁、用水情况复杂等，这些不确定性情景直接威胁着用水安全。故当下在供水管网调控时，不仅需考虑目前供水服务要求和企业经营需求，还要求在不确定性情景下发挥符合预期的效益。由于涉及到不确定性因素的随机过程，基于情景不确定性的供水管网调控多目标优化问题，是一项复杂课题。传统的优化算法，如NSGA-II，MOEA/D，Borg等，多见于确定型优化问题的求解，应用在随机型优化问题时，存在明显的计算耗时长的难题。新型的RNSGA-II算法，提出历史鲁棒性继承机制，可有效解决算法耗时低效问题，但该算法仍存在收敛速度慢、优化耗时长、解集多样性差、求解不稳定等情况。故提高求解算法的高效稳定性，对于提供供水管网安全有效的调控方案，具有重要意义。
技术实现思路
本专利技术所要解决的技术问题是针对目前求解随机型多目标优化问题的算法缺陷，提供一种基于情景不确定性的供水管网调控的多目标优化调控方法。本专利技术可显著提高优化求解的高效稳定性，最大程度上确保了决策方案的多样性和收敛性，辅助供水管网的智能调控管理。为实现上述目的，本专利技术采用的技术方案如下：一种基于情景不确定性的供水管网调控的多目标优化调控方法，按以下步骤实现供水管网调控的多目标优化的过程：第一步，构建基于情景不确定性的供水管网调控的多目标优化数学模型。针对考虑不确定性情景下的供水管网多目标优化调控问题，选取目标函数、约束条件、决策变量和不确定性参数，构建基于情景不确定性的多目标优化数学模型。在供水管网调控领域，涉及诸多优化问题，如管网设计、管网改扩建、管网调度、阀门管理、传感器布设。所述的目标函数为供水管网调控问题所寻求的多方面效益指标最优，如调控问题涉及的费用最低、系统可靠性指标最优、系统鲁棒性指标最佳、系统水压或水质量化指标最佳；所述的约束条件为调控问题所需在水量、水压、水质三方面满足的用户供水要求，其中涉及的通常基于管网水力模型进行水力模拟后进行判断；所述的决策变量为供水管网调控问题中待决策的控制变量；所述的不确定性参数包括节点需水量、管线摩阻系数、背景漏损量。故该基于情景不确定性的随机型多目标优化数学模型如下所示。minfk(x,ξ)k＝1,2,...,s(1)s.t.hg(x,ξ)≤0g＝1,2,...,r(2)s.t.Hi,u-Hi,d-ΔHi＝0(4)公式(1)中，fk(x,ξ)为第k项目标函数的通用表达式，其中x为决策变量，ξ为不确定性参数，s为目标函数的个数；公式(2)中hg(x,ξ)为第g项约束条件函数通用表达式，r为约束函数的个数。在供水管网调控问题中，一般基于稳态水力计算方程，对节点水头与管线流量进行求解，如公式(3)、公式(4)所示。公式(3)为节点流量方程，式中Qd,j为第j个节点已知流量，Qm为来自与该节点相连的第m个管线的流量，Nj为与第j节点相连的管线数目；公式(4)为管段压降方程，Hi,u为第i个管线上游节点水头，Hi,d为第i个管段下游节点水头，ΔHi为第i个管段压降。若涉及到管网案例具有水力管网模型，可直接调用EPANET水力计算引擎(公式(3)和公式(4)隐含在该水力引擎中)。第二步，不确定性参数量化。本专利技术采用拉丁超立方采样技术(LatinHypercubeSampling,LHS)对第一步中的不确定性参数进行量化。受不确定性参数波动影响，目标函数和约束条件函数的计算过程复杂，本专利技术基于随机采样方式，依次在不确定性情景下对目标函数和约束条件函数进行评价，取其总体数理统计量为计算函数值。具体而言，将不确定性参数视为随机变量，假定其服从一定的概率分布。由于LHS可以在较小的采样数目下，确保抽样精度，故选用LHS对不确定性参数进行随机抽样。抽样形成大量不确定性情景后，依次在不确定性情景下进行水力计算，计算并记录目标函数值和约束条件函数值，取其总体数理统计量为最终的目标函数值和约束条件函数值，如公式(5)、公式(6)所示。式中，TNS为不确定性情景总采样数目，Uk,Ug分别为第k个目标函数值的统计量，第g个约束条件函数值的统计量。第三步，对基于情景不确定性的多目标优化数学模型进行优化求解。针对基于情景不确定性供水管网调控的多目标优化数学模型，本专利技术在RNSGA-II算法基础上，提出了区间均匀采样技术、改进的非支配排序准则、近似Pareto解集更新策略等改进技术，构成MNSGA-II算法，并选用MNSGA-II算法进行优化求解。该步骤体现了本专利技术的技术核心。其中本专利技术采用的RNSGA-II算法为前人在传统NSGA-II算法的基础上进行改进所得。所述的MNSGA-II算法流程如下：3.1初始化。进化代数T为0，种群个体数目为popsize，最大迭代代数Tmax，近似Pareto前沿Pa初始化为空集；3.1.1种群初始化。依次对初始种群P0内个体S的各项属性进行赋值。a)决策变量x。该属性用于存储个体S所代表的决策方案的数字编码；结合调控问题中决策变量x取值范围，生成随机数；b)存活代数Age。该属性表示为个体S从初始化到当前代数的存留代数，初始化为1；c)目标函数统计量Uk(f)。该属性表示为不确定性情景下个体S的当代目标函数评估值，初始化为0；d)约束条件函数统计量Ug(h)。该属性表示为不确定性情景下个体S的当代约束条件函数评估值，初始化为0；e)目标函数记录集合Setf。该属性用于记录不确定性情景下个体S的目标函数值集合，便于后代个体的目标函数统计量Uk计算，初始化为空集；f)约束条件函数记录集合Seth。该属性用于记录不确定性情景下个体S的约束条件函数值集合，便于后代个体的约束条件函数统计量Ug计算，初始化为空集；g)情景集Samples。视供水管网调控问题中不确定性参数为随机变量，依据其概率分布，采用LHS技术随机抽样，形成数目为TNS的不确定性情景总集，然后按任意一维随机采样值从小到大的次序，将该情景集中情景次序进行变换，最后赋值给Samples。3.1.2初代种群P0评价。对种群内个体逐个评价。首先基于变量转换规则，将个体S决策变量转换成决策方案，输入到水力管网模型中；然后采取区间均匀采样方法，从情景集Samples，抽取数目为NS的不确定性情景集；最后逐次在不确定性情景下进行水力计算，计算目标函数，判断是否违反约束条件，并将其记录到Setf，Seth中。重复上述过程NS次，完成单个个体评价。重复上述个体评价过程popsize次，完成本文档来自技高网...

【技术保护点】
1.一种基于情景不确定性的供水管网多目标优化调控方法，其特征在于，包括以下步骤：/n第一步，构建基于情景不确定性的供水管网调控的多目标优化数学模型；/n针对考虑不确定性情景下的供水管网多目标优化调控问题，选取目标函数、约束条件、决策变量和不确定性参数，构建基于情景不确定性的多目标优化数学模型；所述基于情景不确定性的随机型多目标优化数学模型如下所示；/nmin f

【技术特征摘要】
1.一种基于情景不确定性的供水管网多目标优化调控方法，其特征在于，包括以下步骤：
第一步，构建基于情景不确定性的供水管网调控的多目标优化数学模型；
针对考虑不确定性情景下的供水管网多目标优化调控问题，选取目标函数、约束条件、决策变量和不确定性参数，构建基于情景不确定性的多目标优化数学模型；所述基于情景不确定性的随机型多目标优化数学模型如下所示；
minfk(x,ξ)k＝1,2,...,s(1)
s.t.hg(x,ξ)≤0g＝1,2,...,r(2)



s.t.Hi,u-Hi,d-ΔHi＝0(4)
公式(1)中，fk(x,ξ)为第k项目标函数的通用表达式，其中x为决策变量，ξ为不确定性参数，s为目标函数的个数；公式(2)中hg(x,ξ)为第g项约束条件函数通用表达式，r为约束函数的个数；
在供水管网调控问题中，一般基于稳态水力计算方程，对节点水头与管线流量进行求解，如公式(3)、公式(4)所示；公式(3)为节点流量方程，式中Qd,j为第j个节点已知流量，Qm为来自与该节点相连的第m个管线的流量，Nj为与第j节点相连的管线数目；公式(4)为管段压降方程，Hi,u为第i个管线上游节点水头，Hi,d为第i个管段下游节点水头，ΔHi为第i个管段压降；若涉及到管网案例具有水力管网模型，可直接调用EPANET水力计算引擎；
第二步，不确定性参数量化；
采用拉丁超立方采样技术LHS对第一步中的不确定性参数进行量化；受不确定性参数波动影响，目标函数和约束条件函数的计算过程复杂，基于随机采样方式，依次在不确定性情景下对目标函数和约束条件函数进行评价，取其总体数理统计量为计算函数值；
具体而言，将不确定性参数视为随机变量，假定其服从概率分布，选用LHS对不确定性参数进行随机抽样；抽样形成大量不确定性情景后，依次在不确定性情景下进行水力计算，计算并记录目标函数值和约束条件函数值，取其总体数理统计量为最终的目标函数值和约束条件函数值，如公式(5)、公式(6)所示；






式中，TNS为不确定性情景总采样数目，Uk,Ug分别为第k个目标函数值的统计量，第g个约束条件函数值的统计量；
第三步，对基于情景不确定性的多目标优化数学模型进行优化求解；
针对基于情景不确定性供水管网调控的多目标优化数学模型，在RNSGA-II算法基础上进行改进构成MNSGA-II算法，改进包括区间均匀采样技术、改进的非支配排序准则、近似Pareto解集更新策略，采用MNSGA-II算法进行优化求解；所述的MNSGA-II算法流程如下：
3.1初始化；
进化代数T为0，种群个体数目为popsize，最大迭代代数Tmax，近似Pareto前沿Pa初始化为空集；
3.1.1种群初始化；依次对初始种群P0内个体S的各项属性进行赋值；
a)决策变量x；该属性用于存储个体S所代表的决策方案的数字编码；结合调控问题中决策变量x取值范围，生成随机数；
b)存活代数Age；该属性表示为个体S从初始化到当前代数的存留代数，初始化为1；
c)目标函数统计量Uk(f)；该属性表示为不确定性情景下个体S的当代目标函数评估值，初始化为0；
d)约束条件函数统计量Ug(h)；该属性表示为不确定性情景下个体S的当代约束条件函数评估值，初始化为0；
e)目标函数记录集合Setf；该属性用于记录不确定性情景下个体S的目标函数值集合，便于后代个体的目标函数统计量Uk计算，初始化为空集；
f)约束条件函数记录集合Seth；该属性用于记录不确定性情景下个体S的约束条件函数值集合，便于后代个体的约束条件函数统计量Ug计算，初始化为空集；
g)情景集Samples；视供水管网调控问题中不确定性参数为随机变量，依据其概率分布，采用LHS技术随机抽样，形成数目为TNS的不确定性情景总集，然后按任意一维随机采样值从小到大的次序，将该情景集中情景次序进行变换，最后赋值给Samples；
3.1.2初代种群P0评价；对种群内个体逐个评价；首先基于变量转换规则，将个体S决策变量转换成决策方案，输入到水力管网模型中；然后采取区间均匀采样方法，从情景集Samples，抽取数目为NS的不确定性情景集；最后逐次在不确定性情景下进行水力计算，计算目标函数，判断是否违反约束条件，并将其记录到Setf，Seth中；重复上述过程NS次，完成单个个体评价；重复上述个体评价过程popsize次，完成种群评价；
3.1.3种群非支配排序；采用NSGA-II算法中快速的非支配排序方法，确定种群P0内各个体排位次序；
3.2产生下一代种群PT+1
3.2.1不确定性情景总集更新；视供水管网调控问题中不确定性参数为随机变量，依据其概率分布，采用L...

【专利技术属性】
技术研发人员：刘海星，张朝，裴圣伟，蒋境，彭勇，张弛，周惠成，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21