濱海水廠供水泵站優化調度分析與應用

趙全利， 李春桐， 尹學銳， 鄭勝達， 李 偉， 李俊江

(1.天津水務集團濱海水務有限公司，天津300346；2.天津三博水科技有限公司，天津300100)

供水管網系統中的需水量隨時都在發生變化，用水高峰時段管網壓力普遍降低，而在夜間用水低峰時段管網壓力普遍增高。因此，為降低漏損、節能降耗，需針對不同時段的供水需求科學地調節管網中的泵站出廠壓力與流量，在滿足用戶正常用水的前提下最大限度降低能耗。目前泵站的調度運行主要依靠經驗，組合方式單一，調節范圍有限，難以保證水泵在所有時段內高效運行，易造成能源浪費，影響供水安全。因此，開發泵站優化調度系統以指導泵站優化調度迫在眉睫。

泵站優化調度以泵站出口流量和壓力為基礎，結合智能算法，以能耗最低為目標函數，在滿足供水流量與壓力的前提下，優化搭配泵站內部定速泵的開停與調速泵的調速比，使水泵始終保持在高效段運行。因此，調度方案的制定與選擇直接受水量預測與宏觀模型精度影響。

1 用水量預測模型

1.1 水量預測概述

用水量預測是二級泵站優化調度的基礎[1]。用水量預測的準確度直接影響泵站調度方案的可行性。水量預測方法一般有時間序列法、回歸分析法(解釋性預測)兩類。時間序列法根據歷史水量數據及其變化規律對未來時段的水量進行預測，不考慮天氣和節假日等因素對水量的影響，預測方法包括灰色模型預測、自回歸移動平均法等。回歸分析法考慮天氣、節假日和人工經濟對用水量的影響，將這些因素納入預測模型。

在大港油田供水范圍內，很多影響水量的因素不可測且精度無法保障，代入預測模型較復雜，因此采用GM(1,1)模型對用水量進行預測。

1.2 預測方法介紹

GM(1,1)即灰色預測模型[2]，它的核心思想是對原始數據序列作累加生成得到近似的指數規律對其進行建模，進而得到數據的規律表達式。灰色預測模型通過鑒別系統因素，對其進行關聯分析，同時對原始數據序列進行生成處理來尋找系統數據的規律，生成規律性較強的數據序列，對其進行微分方程建模來預測系統未來的發展趨勢。

研究中，對已知歷史水量數據序列X(0)，經過一次累加生成新的水量數據序列X(1)，獲得X(1)的生成均值序列Z(1)。建立灰微分方程及其對應的對應的白化微分方程，通過建立GM(1，1)模型依次得到預測值。

1.3 實際應用

首先對大港油田供水系統的日供水量進行規律分析，觀察用戶用水量的周期性和規律性。對2020年8月15—17日的時用水量進行規律分析，如圖1所示。可以看出用水周期性明顯，用水情況符合城鎮居民用水規律。

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

選用灰色預測模型，根據過去1個星期的用水量數據對未來1 d的24 h水量進行預測，結果如圖2所示。24 h的供水量預測誤差在0.55%～9.16%，均小于10%，平均誤差為3.52%。模型的預測精度較高，可用于指導水廠供水泵站優化調度。

2 宏觀模型

2.1 宏觀模型概述

供水系統優化調度方案的制定不僅需要準確的水量預測模型來支撐，還需要建立一個反映供水管網系統運行工況的數學模型，目前應用最廣的是微觀模型和宏觀模型。微觀模型需要收集詳細的管網資料建立拓撲結構，導入用戶用水量建立微觀水力模型，通過調整系統參數，使模型工況的計算值與實測值保持在誤差范圍內，用于指導系統優化運行。微觀模型十分復雜，建模難度大，因此基于統計學原理并根據管網系統的運行調度數據建立宏觀模型，能克服微觀模型數據量大、計算時間長等缺點，并得到與實際運行工況相符的壓力數據[3-4]。

水廠泵站流量、壓力和壓力監測點壓力值之間存在如式(1)所示的直接關系：

(1)

式中HMi——壓力計i的壓力預測值，m；

Ai、Bi、Cij、Dij——常系數；

Qj——泵站j的出廠流量，m3/h；

HWj——壓力計j迭代后生產的壓力值，m。

圖2 實測水量與預測水量對比Fig.2 Comparison of measured and predicted water consumption

2.2 供水系統概況

大港油田供水系統有濱海水廠1座，平均供水量為2.5×104m3/d，其供水管網系統如圖3所示。

圖3 大港油田供水系統示意Fig.3 Water supply system of Dagang oilfield

建立宏觀模型是為了預測未來周期內泵站出口壓力，以此作為約束條件指導泵站優化調度方案。收集大港油田供水系統1個星期的水廠出廠流量、壓力以及壓力監測點的數據，以水廠出廠流量和壓力監測數值為輸入變量、水廠出廠壓力為輸出變量，利用BP神經網絡建立供水系統宏觀模型，模擬調度周期內的泵站出口壓力，結果如圖4所示。

圖4 泵站出口壓力預測示意Fig.4 Prediction of effluent pressure of pump station

可以看出，宏觀模型模擬所得到的泵站出口壓力較為準確，誤差均在5%以內，可應用于泵站優化調度方案的制定。

3 泵站優化調度模型

3.1 數學模型的建立

3.1.1 優化調度數學模型

泵站優化調度是在保障供水壓力與流量的條件下，最大限度降低泵站能耗。優化調度數學模型見式(2)：

(2)

式中m——定速泵的數量；

n——調速泵的數量；

wi和wj——定速泵與調速泵的開停情況，1表示水泵開啟，0表示水泵關閉；

2.4 不同b值下鑒別肺部結節良惡性的ROC曲線分析 將不同b值下ADC 3組鑒別肺部結節良惡性的情況作ROC曲線，ROC曲線顯示同特異性情況下b值為400 s/mm2時的敏感度最高，見圖1。b值為400 s/mm2時ROC曲線下面積最大，不同b值間ADC閾值及敏感度相比較，差異均有統計學意義(P<0.05)，見表4。

Ni和Nj——定速泵和調速泵的功率，kW。

定速泵軸功率：

(3)

式中b0、b1、b2——擬合系數；

Q——某一轉速下的水泵流量，m3/h；

QN——額定轉速下的水泵流量，m3/h。

調速泵軸功率：

N=b0S3+b1S2Q+b2SQ2

(4)

代入式(1)得到：

(5)

① 泵站出口壓力約束

由于泵組是多水泵并聯運行，在1個泵站內每臺開啟水泵的供水壓力等于泵站出口壓力，也等于供水管網系統的目標壓力，即：

Hp=H1=H2=H3=…=Hn

(6)

② 總流量約束

泵站中開啟水泵的總流量之和等于供水管網系統中的目標流量，即：

(7)

③ 調速泵調速比約束

調速泵的調速比不可大于1，調速比下降到一定程度會影響水泵的正常出水，因此下限一般設為0.75，即：

Sjmin≤Sj≤1

(8)

④ 開啟水泵流量約束

Qjmin≤Qi≤Qmax

(9)

所建立的模型屬于約束混合離散變量非線性規劃求解問題，采用遺傳算法在復雜空間進行全局優化搜索，得出最優解，即當前工況下最節能的水泵運行組合。在該工況下，水泵均運行于高效段內，總能耗最低且能夠滿足泵站供水要求。

3.2 優化模型的計算

濱海水廠供水泵站各水泵的基本情況如表1所示。

表1 泵站水泵參數Tab.1 Pump parameters of the pump station

系統可以根據泵站實時出口壓力和出口流量給出最優化的水泵調度組合方式，同時具備超壓報警、水泵非高效段運行報警以及泵站運行工況預測等功能，為泵站工作人員提供水泵調度指導方案。

以8月19號的預測水量與宏觀模型模擬出泵站出口壓力進行優化調度方案的制訂，目標流量壓力數據如圖5所示。

每小時頻繁啟停會對水泵造成損壞，由圖1分析可得日供水量呈現規律性：1：00—6：00用水量較低，水廠供水量較小；7：00—13：00用水量上升，屬于用水量高峰期；14：00—17：00用水量減少，進入下一個用水低峰期；18：00—21：00用水量攀升，進入用水晚高峰；22：00—24：00，進入居民休息時段，用水量減少，為晚低峰期用水。因此將24 h分為5個時段，每個時段的流量、壓力如表2所示。

圖5 調度周期泵站出口流量和壓力的變化Fig.5 Changes of effluent flow and pressure of the pump station during a dispatching cycle

表2 調度時段內的泵站出口流量與壓力Tab.2 Outlet flow pressure of the pump station during dispatching period

以泵站能耗最低為目標函數、泵站出口流量和壓力為約束條件、水泵開停與變速泵調速比為決策變量，利用遺傳算法對調度模型進行求解，得出泵站運行結果見表3。

表3 水泵優化組合情況Tab.3 Optimal combination of water pumps

經計算得到，泵站在1個調度周期內的總能耗為1 287.37 kW·h，較實際運行方案節能4.6%，達到了泵站優化調度的目的。

4 結論

選用灰色模型對用水量進行預測，平均誤差為3.52%。以泵站出口流量與壓力監測點壓力為輸入、泵站出口壓力為輸出，利用BP神經網絡建立大港油田供水系統宏觀模型模擬泵站出口壓力，計算平均誤差為2.07%，達到指導泵站優化調度精度。以水量預測和宏觀模型為調度基礎對濱海水廠二級泵站進行直接調度，總能耗較實際運行方案下降4.6%，達到了節能降耗、優化運行的目的。