趙平偉，藍(lán) 楊，馮偲慜，王景成,*

(1.上海城投水務(wù)<集團(tuán)>有限公司，上海 200002；2.上海交通大學(xué)電子信息與電氣工程學(xué)院，上海 200240)

供水系統(tǒng)在城市建設(shè)中具有舉足輕重的地位，是國(guó)家基礎(chǔ)建設(shè)、城市公用事業(yè)的重要組成部分，通常由原水、輸水管道、水廠及泵站、供水管網(wǎng)組成，從水源取得的原水經(jīng)過輸水管道至水廠進(jìn)行加工處理轉(zhuǎn)化為清水，經(jīng)過水泵機(jī)組加壓后由供水管網(wǎng)配送至用戶?！渡虾Ｊ泄┧?guī)劃(2019—2035年)》中明確指出，要全面提升四大環(huán)節(jié)(水源、水廠、管網(wǎng)和二次供水)的水量水質(zhì)監(jiān)管和安全保障水平，要建設(shè)更為綠色生態(tài)、安全韌性、更加具有世界影響力的社會(huì)主義現(xiàn)代化國(guó)際大都市[1-2]。供水系統(tǒng)對(duì)水資源的合理調(diào)配以及高效管理至關(guān)重要，它決定著城市供水管網(wǎng)的健康和正常運(yùn)行。供水系統(tǒng)的科學(xué)性決策過程中，需要考慮的因素眾多，如未來一段時(shí)間(長(zhǎng)期、中期和短期)城市居民的用水規(guī)律變化，天氣氣候條件的變化，管網(wǎng)水壓安全、水質(zhì)條件等。通過建立高精度的城市用戶需水量預(yù)測(cè)模型以及供水管網(wǎng)水壓預(yù)測(cè)模型，從用戶用水需求出發(fā)，利用計(jì)算機(jī)科學(xué)的先進(jìn)技術(shù)從數(shù)據(jù)中挖掘價(jià)值信息，歸納抽取更加合理、高效、安全穩(wěn)定的調(diào)度決策邏輯，最終構(gòu)建城市用水需求預(yù)測(cè)到水量調(diào)度的數(shù)據(jù)驅(qū)動(dòng)邏輯框架，有助于提高城市水務(wù)企業(yè)的業(yè)務(wù)能力、決策水平、信息治理技術(shù)和科學(xué)決策調(diào)度水平，推動(dòng)城市供水的智能化建設(shè)與發(fā)展[3-5]。

供水調(diào)度是城市調(diào)配水量的直接手段，通過控制水廠和泵站的水泵機(jī)組，將清水池中的清水加壓后對(duì)外供應(yīng)，然而現(xiàn)階段的供水調(diào)度決策中，仍存在以下問題。

(1)大部分水廠、泵站的調(diào)度員以人工判斷等經(jīng)驗(yàn)式的調(diào)度為主，對(duì)未來時(shí)刻的用戶需水量和管網(wǎng)水壓缺少較為充分的考慮。同時(shí)對(duì)歷史數(shù)據(jù)信息的利用不夠全面，通常關(guān)注當(dāng)前的數(shù)據(jù)值，依賴籠統(tǒng)的居民用水的規(guī)律概念，沒有具體的調(diào)度方法指導(dǎo)，經(jīng)驗(yàn)?zāi)Ｊ较鄬?duì)固化。

(2)調(diào)度員在調(diào)度過程中，主要關(guān)注供水區(qū)域中某些管網(wǎng)的壓力情況，沒有綜合整體的供水管網(wǎng)狀態(tài)評(píng)估方法。由于不同的調(diào)度員有不同的調(diào)度習(xí)慣，同一情況下，對(duì)未來何時(shí)發(fā)出調(diào)度指令，發(fā)出何種調(diào)度指令都存在較大差異，主觀因素影響大，難以對(duì)調(diào)度進(jìn)行統(tǒng)一管理和評(píng)估，缺乏合理性。

需水量、水壓預(yù)測(cè)與供水調(diào)度是關(guān)系到整個(gè)供水系統(tǒng)是否安全、合理與高效運(yùn)行的關(guān)鍵技術(shù)。供水管網(wǎng)的水量和水壓變化是用戶用水需求的直接體現(xiàn)。將需水量和水壓預(yù)測(cè)模型的預(yù)測(cè)結(jié)果與調(diào)度策略相互結(jié)合，充分考慮水廠和泵站的運(yùn)行條件、管網(wǎng)安全條件等客觀因素，總結(jié)供水區(qū)域的管網(wǎng)運(yùn)行過程中測(cè)壓點(diǎn)的壓力變化規(guī)律，設(shè)計(jì)測(cè)壓點(diǎn)壓力動(dòng)態(tài)閾值來實(shí)時(shí)地評(píng)估管網(wǎng)運(yùn)行狀態(tài)，形成綜合全面統(tǒng)一的調(diào)度觸發(fā)的判斷機(jī)制，優(yōu)化調(diào)度觸發(fā)邏輯。因此，本文根據(jù)供水區(qū)域管網(wǎng)整體的運(yùn)行狀態(tài)，充分考慮用戶的用水規(guī)律，引入需水量、管網(wǎng)壓力的預(yù)測(cè)值以及節(jié)假日影響，設(shè)計(jì)服務(wù)于調(diào)度方案觸發(fā)的測(cè)壓點(diǎn)壓力動(dòng)態(tài)閾值，通過研究歷史數(shù)據(jù)中的節(jié)假日、溫度、天氣等外部因素對(duì)于需水量影響，分析總結(jié)變化趨勢(shì)并擬合出糾偏公式，進(jìn)一步提高需水量的預(yù)測(cè)精度，在實(shí)際應(yīng)用過程中提供客觀精準(zhǔn)的調(diào)度評(píng)判依據(jù)，提出了綜合全面的供水管網(wǎng)運(yùn)行狀態(tài)的評(píng)估方法。

1 需水量預(yù)測(cè)模型設(shè)計(jì)

1.1 模型輸入變量

需水量預(yù)測(cè)模型的輸入變量包括數(shù)值特征和類別特征，數(shù)值特征包括日最高溫度(Tmax)、日最低溫度(Tmin)(溫度單位均為℃)，以及溫度補(bǔ)償特征Tcpt?？紤]到天氣種類對(duì)需水量有不可忽略的影響，額外選取了天氣類型特征包括晴天、陰天、雨天等轉(zhuǎn)為獨(dú)熱(One-Hot)編碼形式，形成17維的0、1特征序列(V0～16)，將3維數(shù)值特征序列與17維序列特征拼接起來，最終形成20維的輸入變量，如式(1)。

xinput=[Tcpt,Tmax,Tmin,V0,V1, …,V16]

(1)

其中：xinput——輸入變量；

Tcpt——溫度補(bǔ)償特征，℃；

Tmax——日最高溫度，℃；

Tmin——日最低溫度，℃；

V0～16——天氣類型特征。

圖1 兩層Stacking流程Fig.1 Two Layers Stacking Process

Stacking是一種模型融合堆疊技術(shù)，Stacking過程如圖1所示，其目的是讓預(yù)測(cè)模型獲得盡可能高的泛化性能。Stacking通過K折交叉驗(yàn)證的方式將數(shù)據(jù)集進(jìn)行劃分得到k個(gè)數(shù)據(jù)量相同的數(shù)據(jù)集來訓(xùn)練得到k個(gè)基礎(chǔ)模型。這種方法將一份數(shù)據(jù)集分割為k份，每份數(shù)據(jù)集作為獨(dú)立訓(xùn)練集訓(xùn)練基礎(chǔ)模型，此種方式的優(yōu)勢(shì)在于可以在樣本數(shù)據(jù)量有限的情況下充分利用所有數(shù)據(jù)，獲取較高精度的模型。試驗(yàn)結(jié)果客觀代表所有數(shù)據(jù)分布，將k個(gè)基礎(chǔ)模型在驗(yàn)證集上的輸出進(jìn)行拼接作為元模型的訓(xùn)練集完成對(duì)元模型的訓(xùn)練，元模型訓(xùn)練完成之后，則Stacking模型堆疊過程完成。模型預(yù)測(cè)時(shí)，將一個(gè)樣本實(shí)例輸入基礎(chǔ)模型中，得到基礎(chǔ)模型的預(yù)測(cè)輸出，然后將所有基礎(chǔ)模型的輸出進(jìn)行拼接輸入至下一層模型中進(jìn)行訓(xùn)練，依此類推，由最后一層元模型輸出最終預(yù)測(cè)。結(jié)合K折交叉驗(yàn)證和模型堆疊Stacking技術(shù)，可以提高模型的預(yù)測(cè)性能和泛化性能[6-7]。

1.2 節(jié)假日糾偏模型

從國(guó)家法定節(jié)假日對(duì)于需水量的影響折線圖中可以分析出節(jié)假日期間的需水量變化模式，節(jié)假日開始前，先是需水量的下降期，緊接著是需水量跌到該節(jié)假日期間的波谷，隨后需水量開始上升，直到假期結(jié)束。不同節(jié)假日的區(qū)別在于需水量的下降、上升期長(zhǎng)度的不同以及出現(xiàn)波谷的時(shí)間不同。對(duì)于較長(zhǎng)的節(jié)假日如春節(jié)、國(guó)慶節(jié)，其需水量下降期和上升期較長(zhǎng)，假期需水量波谷和假期前后的需水量穩(wěn)定值差異較大，而對(duì)于短假期需水量的波谷出現(xiàn)在節(jié)假日當(dāng)天，即節(jié)假日前1 d和節(jié)假日當(dāng)天作為需水量的下降期，節(jié)假日后1 d至正常工作日是需水量的上升期。因此，根據(jù)實(shí)際情況，結(jié)合歷史數(shù)據(jù)信息，表1將多個(gè)重要的國(guó)家法定節(jié)假日合理劃分為需水量的下降期，需水量的波谷(即需水量由逐漸下降轉(zhuǎn)為逐漸上升)，以及需水量的上升期。表1中，THoliday表示某個(gè)節(jié)假日當(dāng)天的日期，THoliday+n表示節(jié)假日后的第nd，THoliday-n表示節(jié)假日前的第nd，SF代指春節(jié)，ND代指國(guó)慶節(jié)，TSD代指清明節(jié)，DBF代指端午節(jié)，NYD代指元旦節(jié)，LD代指勞動(dòng)節(jié)，MAF代指中秋節(jié)。

表1 國(guó)家法定節(jié)假日區(qū)間劃分Tab.1 Interval Divisions of National Statutory Holidays

(2)

N——所使用歷史節(jié)假日數(shù)據(jù)的年數(shù)，年；

Lfall——下降區(qū)間的區(qū)間長(zhǎng)度，d；

(3)

Lrise——上升區(qū)間的區(qū)間長(zhǎng)度，d；

(4)

Wt-1——第t-1 d的需水量的真實(shí)值，m3/d；

Wt-1-dt——基于歷史信息計(jì)算的第td的需水量的經(jīng)驗(yàn)糾偏值，m3/d；

1.3 需水量預(yù)測(cè)模型整體框架

需水量預(yù)測(cè)模型的整體結(jié)構(gòu)如圖2所示，兩層Stacking第一層中所有基礎(chǔ)模型均經(jīng)過5折交叉驗(yàn)證進(jìn)行訓(xùn)練，同種模型需要獨(dú)立地訓(xùn)練5次，最終每種基礎(chǔ)模型得到5組不同的模型參數(shù)，并對(duì)測(cè)試集產(chǎn)生預(yù)測(cè)輸出，將第一層基礎(chǔ)模型的預(yù)測(cè)輸出進(jìn)行拼接形成[4×1]的輸入序列輸入元模型，輸出預(yù)測(cè)結(jié)果。國(guó)家法定假日期間，節(jié)假日因素對(duì)城市用戶的用水需求影響較大，節(jié)假日糾偏模型將對(duì)節(jié)假日期間的需水量預(yù)測(cè)進(jìn)行糾偏，而非節(jié)假日的情況下，節(jié)假日糾偏模型對(duì)需水量的預(yù)測(cè)值不做干預(yù)，最終得到需水量預(yù)測(cè)結(jié)果。

圖2 需水量預(yù)測(cè)模型框架Fig.2 Framework of Water Demand Forecast Model

1.4 需水量預(yù)測(cè)結(jié)果分析

本文提出的需水量預(yù)測(cè)模型主要針對(duì)上海市某城區(qū)的用戶需水量進(jìn)行預(yù)測(cè)，截至投稿為止，已穩(wěn)定在線運(yùn)行已經(jīng)超過一年，本節(jié)中選取2019年12月1日—2020年12月1日的需水量預(yù)測(cè)結(jié)果與真實(shí)值對(duì)比如圖3所示，與其他方法對(duì)比結(jié)果如圖4所示。圖4中GM、SVM、BP、Hybrid_model分別指灰色模型、支持向量機(jī)、反向傳播多層神經(jīng)網(wǎng)絡(luò)、本文提出的混合模型。其中，2020年春節(jié)期間(1月底—2月初)、國(guó)慶中秋期間(10月初)，該供水區(qū)域用戶用水需求有很明顯的下降期和回升期，但是模型的預(yù)測(cè)值仍然能夠保證較高的精度[春節(jié)期間平均絕對(duì)百分比誤差(MAPE)為1.9%，國(guó)慶節(jié)期間MAPE為3.45%]；縱觀一整年的預(yù)測(cè)結(jié)果，驗(yàn)證了該需水量預(yù)測(cè)模型能有效跟蹤預(yù)測(cè)該供水區(qū)域的需水量(2019年11月28日—2020年12月1日的MAPE為2.60%)。

圖3 預(yù)測(cè)結(jié)果與真實(shí)值對(duì)比Fig.3 Comparison of Predicted Results and Pratical Values

圖4 所提方法與其他方法精度對(duì)比Fig.4 Comparison of Accuracies between Proposed Method and Other Methods

2 管網(wǎng)水壓預(yù)測(cè)模型設(shè)計(jì)

2.1 模型輸入變量

城市管網(wǎng)的壓力預(yù)測(cè)給出未來一段時(shí)間壓力的變化，反映了用戶的用水需求變化趨勢(shì)，為后續(xù)供水系統(tǒng)的調(diào)度提供指導(dǎo)[8-9]。綜合考慮多方面的影響因素，壓力預(yù)測(cè)模型預(yù)測(cè)某個(gè)測(cè)壓點(diǎn)未來時(shí)間段的壓力，設(shè)計(jì)輸入變量包括鄰近水廠、泵站的出站壓力、水泵的開停信號(hào)，以及該測(cè)壓點(diǎn)的流量、壓力。本發(fā)明所指的分鐘級(jí)別的壓力預(yù)測(cè)，以5 min為一拍，預(yù)測(cè)未來25 min的壓力值，即預(yù)測(cè)壓力輸出為1×5的數(shù)據(jù)序列，選取輸入的數(shù)據(jù)長(zhǎng)度為60，將這些變量進(jìn)行拼接形成輸入變量，得到每一時(shí)刻的輸入數(shù)據(jù)為24×60的數(shù)據(jù)矩陣，如圖5所示。

圖5 模型輸入數(shù)據(jù)流Fig.5 Input Data Flow of the Model

2.2 壓力預(yù)測(cè)模型網(wǎng)絡(luò)設(shè)計(jì)

壓力預(yù)測(cè)模型基于序列到序列(sequence to sequence，seq2seq)的編解碼(Encoder-Decoder)網(wǎng)絡(luò)結(jié)構(gòu)，也是一種條件語(yǔ)言模型，它直接對(duì)P(y|x)進(jìn)行建模，在生成y的過程中，始終是以x為條件。首先由一個(gè)門控循環(huán)單元(GRU)模型作為編碼器讀取輸入數(shù)據(jù)，對(duì)輸入數(shù)據(jù)進(jìn)行處理，從而轉(zhuǎn)化為一個(gè)編碼向量，再使用另一個(gè)GRU模型作為解碼器，從GRU編碼器得到的編碼向量表示里解碼得到輸出序列[10-11]。對(duì)于某一時(shí)刻t，預(yù)測(cè)某個(gè)管網(wǎng)測(cè)壓點(diǎn)未來25 min的壓力序列，第一步通過編碼(Encoder)模型將前60 min的歷史數(shù)據(jù)進(jìn)行編碼，對(duì)歷史數(shù)據(jù)進(jìn)行信息抽取，生成編碼向量；第二步通過解碼(Decoder)模型采用貪心法對(duì)編碼向量進(jìn)行解碼，Decoder的第一個(gè)隱狀態(tài)初始化為Encoder的編碼向量，生成未來第一拍壓力預(yù)測(cè)值(未來5 min)，之后以第一拍預(yù)測(cè)值為輸入，結(jié)合更新后的第二拍隱狀態(tài)，預(yù)測(cè)第二拍的測(cè)點(diǎn)壓力，以此類推最終滾動(dòng)更新Decoder輸入和隱狀態(tài)5次，得到未來25 min的管網(wǎng)壓力預(yù)測(cè)序列值。如圖6所示，x表示輸入數(shù)據(jù)，h表示Encoder的隱向量，h′表示Decoder的隱向量，y表示Decoder預(yù)測(cè)輸出，C表示經(jīng)過Encoder網(wǎng)絡(luò)壓縮的特征向量。

圖6 Encoder-Decoder 網(wǎng)絡(luò)編解碼結(jié)構(gòu)Fig.6 Encoder-Decoder Network Structure

預(yù)測(cè)網(wǎng)絡(luò)基于歷史60 min的多維數(shù)據(jù)序列，預(yù)測(cè)未來25 min的壓力序列，將編碼時(shí)輸入序列的全部信息壓縮到一個(gè)向量中表示，序列長(zhǎng)度越長(zhǎng)則丟失的信息就越嚴(yán)重，而且seq2seq模型的輸出序列中，常常會(huì)損失部分輸入序列的信息，這是因?yàn)樵诮獯a的過程中，當(dāng)前壓力的預(yù)測(cè)值與對(duì)應(yīng)歷史數(shù)據(jù)的序列信息在編解碼過程中丟失了，導(dǎo)致模型對(duì)一些重要序列信息的學(xué)習(xí)效果不佳。因此，對(duì)于測(cè)壓點(diǎn)壓力序列的預(yù)測(cè)任務(wù)，為了讓預(yù)測(cè)模型更好地捕捉和學(xué)習(xí)到多維數(shù)據(jù)信息的內(nèi)在關(guān)聯(lián)模式，引入了Attention機(jī)制，增強(qiáng)模型的預(yù)測(cè)能力。水壓預(yù)測(cè)模型整體框架如圖7所示，hR、hL分別表示雙向LSTM的向右(right)通路、向左(left)通路，a表示對(duì)子節(jié)點(diǎn)歷史序列中的輸出。

圖7 供水管網(wǎng)壓力預(yù)測(cè)模型框架Fig.7 Framework of Pressure Prediction Model for Water Supply Network

2.3 壓力預(yù)測(cè)結(jié)果分析

以上海市某城區(qū)為例，其中有6種等級(jí)的供水管道，分別為DN500、DN600、DN700、DN800、DN1000和DN1200管徑，2020年12月1日—12月6日某DN500管徑的壓力測(cè)點(diǎn)預(yù)測(cè)序列的第1個(gè)和第5個(gè)預(yù)測(cè)值，精度分析如表2～表3所示。

表2 某DN500水管壓力預(yù)測(cè)誤差 (第一拍)Tab.2 Pressure Prediction Errors of a DN500 Water Pipe(First Step)

表3 某DN500水管壓力預(yù)測(cè)誤差 (第五拍)Tab.3 Pressure Prediction Errors of a DN500 Water Pipe(Fifth Step)

3 測(cè)壓點(diǎn)壓力動(dòng)態(tài)閾值設(shè)計(jì)

3.1 壓力動(dòng)態(tài)閾值計(jì)算方法

供水管網(wǎng)中每一個(gè)測(cè)點(diǎn)的流量和壓力都有其穩(wěn)定的運(yùn)行范圍，以壓力值序列為例，壓力值分布滿足正態(tài)分布，動(dòng)態(tài)閾值可以根據(jù)正態(tài)分布中的sigma原則、2sigma原則和3sigma原則確定。結(jié)合歷史用水量統(tǒng)計(jì)數(shù)據(jù)和調(diào)度經(jīng)驗(yàn)以及天氣溫度糾偏，采取3sigma原則，完成初步設(shè)定，對(duì)于某個(gè)值的閾值下限Vl和閾值上限Vu，δ為歷史水量數(shù)據(jù)標(biāo)準(zhǔn)差，天氣糾偏因子為a氣象(根據(jù)統(tǒng)計(jì)分析獲取具體參數(shù)值)，近期南市總出水量糾偏因子b水量(根據(jù)統(tǒng)計(jì)分析獲取具體參數(shù)值)，對(duì)于節(jié)假日、周末而言，用戶的用水與工作日相比，其用水高峰期的出現(xiàn)時(shí)間較為滯后，用水峰值相對(duì)較低，節(jié)假日、周末糾偏因子c節(jié)假日(根據(jù)統(tǒng)計(jì)分析獲取具體參數(shù)值)，閾值計(jì)算的一般數(shù)學(xué)形式如式(5)～式(6)。

Vl=(μ-3δ)×a氣象×b水量×c節(jié)假日

(5)

Vu=(μ+3δ)×a氣象×b水量×c節(jié)假日

(6)

其中：Vl——閾值下限；

Vu——閾值上限；

μ——?dú)v史水量數(shù)據(jù)均值,m3；

δ——?dú)v史水量數(shù)據(jù)標(biāo)準(zhǔn)差；

a氣象——天氣糾偏因子；

b水量——水量糾偏因子；

c節(jié)假日——節(jié)假日、周末糾偏因子。

氣象因子a氣象的計(jì)算如式(7)。

a氣象=1+1/100(1+e-0.34(Ta-25))

(7)

其中：Ta——當(dāng)日的平均溫度，℃。

需水量因子b水量的計(jì)算如式(8)。

b水量=1+1/100(1+e-0.15(w-25))

(8)

其中：w——當(dāng)日的需水量預(yù)測(cè)值，m3/d。

節(jié)假日因子c節(jié)假日的計(jì)算如式(9)。

(9)

其中：t——當(dāng)日處于假期第td；

L——假期長(zhǎng)度，d。

測(cè)壓點(diǎn)動(dòng)態(tài)閾值確定后，根據(jù)動(dòng)態(tài)閾值對(duì)供水管網(wǎng)的整體狀態(tài)進(jìn)行評(píng)估，根據(jù)評(píng)估的類別進(jìn)行判斷是否生成調(diào)度方案。如圖8所示，具體的評(píng)估流程如下。

(1)獲取每個(gè)測(cè)壓點(diǎn)的歷史數(shù)據(jù)，與未來的壓力預(yù)測(cè)序列進(jìn)行拼接得到待評(píng)估數(shù)據(jù)矩陣。

表5 壓力波動(dòng)不合格率評(píng)估Tab.5 Evaluation of Unqualified Rate of Pressure Fluctuation

(3)通過式(10)確定調(diào)度下限值θ，統(tǒng)計(jì)管網(wǎng)中的測(cè)壓點(diǎn)評(píng)估為“過高”或者“過低”的數(shù)量并與該下限值進(jìn)行比較。

(10)

(4)若狀態(tài)序列中的某一狀態(tài)超過下限值θ，則發(fā)出對(duì)應(yīng)的調(diào)度方案，否則返回步驟1，重新對(duì)管網(wǎng)狀態(tài)進(jìn)行評(píng)估。

3.2 基于動(dòng)態(tài)閾值觸發(fā)的調(diào)度方案效果評(píng)估

調(diào)度偏差率：調(diào)度方案生成后，利用管網(wǎng)壓力宏觀模型計(jì)算調(diào)度方案執(zhí)行后的測(cè)壓點(diǎn)預(yù)期壓力值，將其與實(shí)際壓力值進(jìn)行比較，評(píng)估的指標(biāo)采用相對(duì)誤差，用以描述預(yù)期壓力和實(shí)際壓力的偏離程度。選取調(diào)度模型上線運(yùn)行后，2020年10月1日—12月31日的純測(cè)壓點(diǎn)P1～P7的壓力數(shù)據(jù)來評(píng)估該段時(shí)間的調(diào)度偏差，結(jié)果分析如表4所示，該段時(shí)間一共發(fā)出了1 161條調(diào)度指令，平均相對(duì)誤差為2.29%，壓力調(diào)控的偏差率低，滿足精準(zhǔn)調(diào)控要求。

表4 調(diào)度偏差率評(píng)估Tab.4 Scheduling Deviation Rates Evaluation

壓力波動(dòng)不合格率(表5)：在供水管網(wǎng)系統(tǒng)的日常運(yùn)行中，管網(wǎng)水壓若發(fā)生較大的波動(dòng)是不安全的，管網(wǎng)水壓波動(dòng)的幅度越大，供水管網(wǎng)性能越差，嚴(yán)重時(shí)會(huì)造成安全事故。因此，有必要對(duì)管網(wǎng)水壓波動(dòng)情況進(jìn)行評(píng)估。若當(dāng)前時(shí)刻壓力值相鄰時(shí)間間隔的壓力值的絕對(duì)差值大于5 kPa，則當(dāng)前時(shí)刻的壓力被定義為不合格。如表5所示，選取2020年7月—12月31日5個(gè)月的數(shù)據(jù)，統(tǒng)計(jì)測(cè)壓點(diǎn)的不合格率變化，其中7月—9月為人工調(diào)度的評(píng)估結(jié)果，而10月—12月為本文提出的調(diào)度模型的調(diào)度評(píng)估結(jié)果。可以很明顯地看出，相比于人工調(diào)度，本文提出的調(diào)度模型的調(diào)度方案對(duì)管網(wǎng)的壓力平穩(wěn)性有明顯提升作用。

圖8 測(cè)壓點(diǎn)動(dòng)態(tài)閾值流程圖Fig.8 Flow Chart of Dynamic Threshold of Pressure Measuring Points

4 總結(jié)

本文首先建立了需水量預(yù)測(cè)模型和管網(wǎng)壓力預(yù)測(cè)模型，對(duì)供水區(qū)域的需水量和管網(wǎng)的水壓實(shí)現(xiàn)了準(zhǔn)確的預(yù)測(cè)。通過參考供水區(qū)域的需水量預(yù)測(cè)值，水廠調(diào)度員可以按需控制提升泵站的進(jìn)水量，在保證用戶的用水需求的同時(shí)，減少清水的資源浪費(fèi)。另外，需水量反映了用戶的用水需求，根據(jù)預(yù)測(cè)需水量的大小來調(diào)整未來1 d的泵組調(diào)度，對(duì)于調(diào)控管網(wǎng)的運(yùn)行壓力有重要指導(dǎo)意義。準(zhǔn)確的水壓預(yù)測(cè)可以有效地反映當(dāng)前管網(wǎng)的運(yùn)行狀態(tài)以及未來的管網(wǎng)壓力變化趨勢(shì)，把壓力變化趨勢(shì)作為調(diào)度觸發(fā)的必要條件之一，對(duì)于提高調(diào)度方案觸發(fā)的準(zhǔn)確性和調(diào)度方案的合理性具有重要意義。最后，針對(duì)解決以往調(diào)度判斷簡(jiǎn)單化、模式化的問題，提出了基于水量預(yù)測(cè)、水壓預(yù)測(cè)、節(jié)假日以及管網(wǎng)整體運(yùn)行狀態(tài)的測(cè)壓點(diǎn)動(dòng)態(tài)閾值，優(yōu)化了調(diào)度觸發(fā)機(jī)制。