基于反向學習改進人工蜂群算法的分水閘門控流優化

賀弘揚

（楊凌職業技術學院 水利工程分院，楊凌712100）

灌區渠道控制結構通常都是選擇平板閘門，但在實際使用過程中平板閘門對控水精度不足，容易產生過量放水或放水量不足的極端情況[1-2]。只有在掌握準確流量的條件下，才能計算出特定時間中的水量數據。當分水閘門處于不同的出流程度下時，需要采用合適的流量方法，前期已有資料論述了閘門控流的模型。目前主要存在平底坎堰流與閘孔出流兩種主要的閘門出流形式，其中，閘孔出流包含了自由與淹沒出流兩種形式[3-4]。

對于閘門處于不同的上下游液位區間內時，實際流量調節范圍也存在一個合適的范圍，根據上述區間范圍設置相應的流量，可以運用終端處理器并結合具體表達式計算獲得合適的閘門開度，利用處理器設置編碼程序來實現對步進電機的控制，再設置合適的閘門開度，由此實現調節流量的效果[5]。當閘門的上下游處于不同的液位狀態下時，將會對流量大小也產生影響，這就要求處理器按照實時參數調節閘門開度，從而與閘門的上下游液位形成良好匹配狀態，確保整體流量保持定狀態[6]。

當閘孔保持自由出流的控制狀態時，可以利用設定閘門開度的方式實現流量的調控功能；在閘孔保持淹沒的出流狀態下時，雖然可利用調控閘門開度的方式獲得所需的流量，而處于淹沒出流情況下形成射流或處于不同流速系數下時都會引起計算結果的變化，無法達到對流量的準確調控效果；進入堰流階段時，不同閘門開度并不會引起閘門流量變化[7-8]。為實現流量的穩定調控功能，應通過控制器對閘門開度進行準確調節，使閘門一直保持閘孔自由出流的狀態，防止造成淹沒出流或堰流的情況，確保不會對控流準確性造成干擾，最終獲得穩定流量[9]。

根據閘孔自由出流計算表達式中的各物理量關系可以發現，閘門開度是影響流量變化的最主要因素。當實際流量相對設定流量之間存在較大差異時，只能根據流量測試與閥門開度調控的反饋方式進行，導致實際調節效率非常低，并且需花費大量處理時間[10-11]。

針對以上分析結果，為提升閥門與流量的調節效率，可以結合實際流量與上下游的液位參數，利用合適的算法計算獲得合適的閘門開度，從而將閘門開度快速調控至計算目標位置，接著繼續通過負反饋方式進行精確控制，按照以上方式可以實現控制效率的顯著提升。本研究選擇經過改進處理的人工蜂群算法來計算得到閘門開度最優值。

1 將反向學習運用于人工蜂群算法

不同于其它智能算法，采用ABC 算法進行搜索時的范圍包括局部與整體部分，非常適合蜜源的問題分析，有助于更快獲取最優解。以ABC 算法進行控制時只需少量幾個關鍵參數便可以實現，能夠通過多種類型的編程語言進行處理，并且可以達到理想的收斂狀態，因此可以利用ABC 算法來實現各項參數的高效優化[12]。

為人工蜂群算法引入反向學習的過程時，具體方式是在種群初始化期間，已經完成蜜源的初始化情況下，對反向蜜源也實施初始化，此時蜂群依次采集初始與反向蜜源，由此獲得最佳適應度蜜源，從而計算得到最優解。

上述研究結果表明，在初始化蜜源過程中加入反向學習方法時，有助于獲得更多樣化的蜜源，對于計算最優解也具有良好的幫助。以下為反向蜜源計算式：

圖1所示為設置反向學習模式時的人工蜂群算法流程。

圖1 反向學習改進人工蜂群算法流程Fig.1 Flow chart of reverse learning to improve artificial bee colony algorithm

通過人工蜂群算法同時搜索正向蜜源與反向蜜源，之后跟正、反向蜜源最優解實施對比，由此確定最優解。

2 最優閘門開度應用分析

當閘孔保持自由出流狀態的條件下時，利用閘門上下游液位與閘門開度可以計算得到閘門流量。為快速調控實時流量到達設定目標，需對閘門開度進行適當調節達到合適的范圍。進入淹沒階段時，閘門下游和上游形成了相近的液位，此時閥門流量將會受到射流的顯著影響，各運行狀態下的流速系數選擇也會引起計算結果產生偏差，無法達到準確調控的效果；并且處于堰流階段時，設置不同開度的閥門時并不會造成流量的明顯改變。因此分水閘門呈現自由出流的狀態，有助于更精確計量與調控閘門流量。為實現閘門的自由出流，本實驗通過堰閘結合模式來達到這一控制目標。

根據給定流量Q0與計算流量Q差值ΔQ對目標進行約束控制，計算出目標函數最低值，獲得最優閘門開度。以下為目標函數計算式：

將某渠道分水閘門設定在0～0.3 m 的開度內，其寬度等于0.5 m，閘門上游與下游的液位分別位于0.8 m 與0.4 m 的位置，形成了閘孔出流的狀態。結合流態判斷依據可知，當閘門介于0～0.16 m 的開度范圍內時，呈現淹沒出流狀態，介于0.16～0.3 m之間時，保持自由出流狀態，如圖2所示。

圖2 閘門流態判斷Fig.2 Flow pattern judgment of gate

獲得閘門的上、下游液位及其開度參數，便可以計算出閘門流量大小。此時用戶只需在特定區間中設置合適的流量值便能夠利用閥門開度調節模式來完成。為計算出上述條件下的最佳開度值，本研究選擇反向學習模式的人工蜂群算法進行處理。對于需求流量的設置，則按照上下游水位進行確定，系統將會設置一個合適的區間，在此范圍內調節到合適的流量值，達到閘門開度對流量的準確控制效果。閘門上游液位等于0.8 m 的情況下，處于自由出流的條件下，可以在0.16～0.32 m3/s 的范圍實現流量調控功能，如圖3所示。

圖3 自由出流流態下的流量范圍Fig.3 Flow range under free outflow flow pattern

當閘孔保持自由出流的狀態時，以設置了反向學習模式的人工蜂群算法經過10 次迭代獲得最優解，獲得相近的計算和給定流量，同時滿足收斂速率的要求，得到圖4 的結果。

圖4 自由出流狀態相關計算Fig.4 Calculation of free flow state

處于自由出流的階段時，為獲得所需給定流量Q0，利用最優閘門開度e獲得計算流量Q，可以控制計算和給定流量達到1%以內的誤差，可以認為本文算法達到了所需精度標準。結果如表1所示。

表1 計算流量與給定流量關系Tab.1 Calculates the relationship between the traffic and the given traffic

根據表1 可知，利用改進人工蜂群算法進行處理時對于各輸入狀態都能夠計算得到精確閘門開度，確保誤差不超過1%，表現出了優異的跟隨性能。

3 控制方案

為分水閘門控制過程采用上述算法進行處理時主要是根據給定流量計算合適的閘門開度，之后由控制器按照計算值調節到合適的閘門開度。在人工蜂群算法中加入反向學習后，可以同時滿足收斂速率與計算穩定性的要求，符合計算過程的控制需求。但也需注意以上述算法進行處理時需先確定合理的流量來保證后續計算得到準確結果，結合現有環境狀態設置合適的流量區。

圖5 給出了具體控制原理。將閘門控制在自由出流的狀態下時，需要設置堰閘的形式來完成。本次選擇曲線外形結構的實用堰，由此獲得更高的上游水位，經過以上方式綜合處理后使堰頂達到閘孔出流的效果，從而確保下游水位必須比堰體更高的情況下才會引起閘門出流的變化并形成淹沒出流。

圖5 堰閘系統結構示意圖Fig.5 Schematic diagram of weir gate system structure

4 結語

當閘孔保持自由出流的狀態時，以設置了反向學習模式的人工蜂群算法經過10 次迭代獲得最優解，獲得相近的計算和給定流量，滿足收斂速率要求。以控制計算和給定流量達到1%以內的誤差，可以認為本文算法達到了所需精度標準。

利用改進人工蜂群算法進行處理時對于各輸入狀態都能夠計算得到精確閘門開度，確保誤差不超過1%，表現出了優異的跟隨性能。

選擇曲線外形結構的實用堰，獲得更高的上游水位，經過以上方式綜合處理后使堰頂達到閘孔出流的效果，確保下游水位必須比堰體更高的情況下才會引起閘門出流的變化并形成淹沒出流。