水利泵站節能系統的設計與算法優化研究

王善慈

（江蘇省駱運水利工程管理處，江蘇 宿遷 223800）

在現代城鎮發展過程中，人們對水資源的調配需求增大，為滿足工農業的發展，國家耗費了大量的人力物力用于水資源的管理[1]，特別是在我國長三角平原，為排澇防旱，專家們在水系中建立了大量的水利泵站，用于調節水資源的分布、水量以及供水時間，實現水資源調蓄、農業灌溉和防洪排澇等功能[2]。盡管我國的水利泵站保有量巨大，但是因技術和管理方面的原因，泵站的運行效率低下，資源浪費的現象，消耗了大量的能源，泵站的水量和揚程不足，降低了水利泵站的工程效益[3]。為了更好地調配資源，實現水利泵站的節能運行，目前在學界研究出了眾多的數學理論計算模型和優化算法。劉洋等[4]人考慮了泵站運行的非線性，采用了模擬退火算法進行泵站經濟效率的全局最優求解；王彤等[5]人采用蟻群算法的原理，構建了水利泵站系統的最低耗能函數，求解泵站節能的最優化；劉亞明等[6]人采用人工視神經網絡法，對含沙水流條件下泵站的節能運行網絡輸入參數進行激烈分析，研究參數權重對目標函數的收斂特性的影響。

1 水利泵站節能運行的數學理論模型及數學推理

在水利泵站的配置時，其設置的數量及運行工藝參數往往是與城鎮和工業用水需求密切相關的。由于泵站的運行參數受到眾多因素的影響，因此在評價水利泵站的節能運行效果時，出現了眾多優化數學理論模型。這些數學理論模型的構建都是以節能運行函數為目標數學函數，按照一定的約束條件，對目標數學函數進行求解，以求得的極值為方案的最優解。一般而言，在節能運行目標數學函數上，可以用泵站的效率、泵站抽水量、泵站運行成本或者泵站運行用電量等作為目標輸出值進行數學函數的構建[7]。

如果以泵站的能耗作為目標函數值，一般考慮泵在抽取一定流量的水體時所耗費的電能或功率最小。因此可以構建最低泵站能耗目標函數如公式（1）所示，在實際工程中，一座泵站的能耗基本上都有主機組消耗完成，其消耗占比能夠達到90%～98%，而小型的輔助運行設備的耗能量對總體的耗能函數結果影響幾乎可以忽略不計，因此構建最低泵站能耗目標函數時可以不考慮小型輔助設備的能耗。

式中，Qi，min為單臺泵站抽水的最小水量；Qi，max為單臺泵站抽水的最大水量；QT為所有泵站的總抽水量；θi，min、θi，max分別為泵站葉片的最小角度最大角度；mmax為泵站最大開機臺數。

類似地，如果以泵站的運行成本作為目標函數值，則是將所有泵站的運行費用（如電費、折舊費等）作為目標輸出值進行數學函數的構建，如公式（7）所示。

式中，a、b、c、d 為恒定數；Hst為泵站的揚程；N 為泵站的有效功率；Nm為泵站的額定功率。

對于泵站節能運行效果，需要考察的運行參數眾多，從目標數學函數的建立過程可以發現泵站的數量、流量、揚程、葉片角度、效率等都是影響節能效果的因素[8]。本文采用Protégé 軟件對泵站的節能運行方案進行數學推理，推理基于Jena 平臺（推理機制如圖1 所示）進行目標函數的約束準則函數構建，用于推理機器求解推理對象，其中約束準則函數文本規則文件定義如下：

圖1 基于Jena 數學推理機制

泵站的節能運行方案數學推理流程如圖2 所示。

圖2 基于Jena 數學推理的泵站節能運行方案推理過程

2 基于BP 神經網絡法的泵站節能計算優化

BP 神經網絡算法在水利工程領域可以應用于防洪排澇管理、泵站節能優化管理和供水蓄水管理等方法的優化，為水利管理人員的決策提供依據。BP 神經網絡的基本原理如圖3 所示，其層次主要分為3 層，分別為輸入層、隱藏層（可以為多個層級，如圖3 中所示，有2 層隱藏層）和輸出層。輸出層中包含了大量的訓練樣本，將其與訓練集中的樣本進行學習訓練，即經過隱藏層的運算和傳遞，達到輸出層，輸出層參數結果與實際值進行對比，如果兩者出現誤差，則通過調整隱藏層的權函數值、閾值等，直到計算結果達到精度要求，即為期望的優化結果。

圖3 基于BP 神經網絡法的泵站節能計算模型

將圖1 中的輸入層參數假設為x=[x1，x2，……xm]，實際樣本值為y=[y1，y2，……yn]，各個隱藏層的權值函數如方程（9）、方程（10）所示。

3 基于BP 神經網絡法的泵站節能的應用實例

本文以江蘇宿遷市劉老澗抽水站為例，此泵站為黃淮海平原農業灌溉服務，泵站位于宿遷市中運河，是江水北調地五級站，通過泵站的運行工作，將淮河水抽排至中運河。泵站采用了4 臺套立式全調節流泵，型號為TL2200-40/3250，抽水額定流量為150m3/s，配備有2 臺發電機，發電機的運行功率分別為2200kWA、3200 Kwa，運行頻率分別為50Hz、30Hz，設計揚程為3.5m。

通過建立水利泵站運行節能運行的數學理論目標函數，在約束準則函數條件下，采用Jena 數學推理機器對水量泵站的運行方案進行求解，基于BP 神經網絡法對水利泵站的節能系統運行方案進行優化，優化計算過程如圖4 所示。

圖4 基于BP 神經網絡法的泵站節能優化過程

基于BP 神經網絡法的泵站功率預測結果與實際功率對比，結果表明，在同一揚程條件下，隨著泵機流量的減小，預測的實際呈現一定的波動，預測功率與功率值相近，相對誤差在±10%以內，隨著泵站揚程的不斷減小，泵站的預測功率也不斷減小。

圖5 為基于BP 神經網絡法的泵站功率預測迭代過程。從圖中可以看出，在迭代15000 次范圍內，隨著迭代次數的增加，迭代誤差迅速降低，在迭代0 次至迭代1000 次范圍內，誤差從1.8%迅速降低到0.4%，隨后誤差隨著迭代次數的進一步增加呈現出一定的波動，但整體上呈現不斷減小并趨于收斂的趨勢，在迭代次數大于5000 次以后，誤差平穩在0.01%左右，表明預測結果已基本穩定。

圖5 基于BP 神經網絡法的泵站功率預測迭代過程

經過對項目水利泵站系統的節能系統設計優化表明，當給定抽水額定流量為150m3/s，設計揚程為3.5m時，如果不進行節能設計優化，采用-3°的開機角度，需要開啟6 臺抽水泵站，才能達到額定流量和揚程的條件，運行功率為5316.162kWA，而采用節能優化后，采用-3°的開機角度，需要開啟2 臺抽水泵站，即可達到額定流量和揚程的條件，泵站消耗功率為4953.058kWA，能耗降低6.8%。

4 結論

以江蘇宿遷市中運河劉老澗抽水站為例，采用Jena數學推理機器和BP 神經網絡方法對水利泵站的節能系統運行方案進行優化，得到以下幾個結論：

4.1 采用Protégé 軟件對泵站的節能運行方案進行數學推理，推理基于Jena 平臺進行目標函數的約束準則函數構建，用于推理機器求解推理對象，目標數學函數考慮了泵站的數量、流量、揚程、葉片角度、效率等因素對節能效果的影響。

4.2 基于BP 神經網絡法對泵站功率預測，在迭代1000 次以內就可以達到收斂，預測功率結果與實際功率誤差控制在±10%以內。

4.3 經過對項目水利泵站系統的節能系統設計優化表明，當給定抽水額定流量為150m3/s，設計揚程為3.5m時，采用節能系統優化后可以降低能耗約6.8%。