基于深度学习的供水管网实时智能调度研究

针对供水管网实时调度控制问题,以上海市某区域为研究案例,利用深度学习算法,基于管网运行历史数据,构建了供水管网实时智能调度模型。通过分别构建以出厂压力、增压泵站出站压力、泵站水库液位为输出目标值的深度神经网络模型,实现了该区域水厂出厂压力、增压泵启闭等智能调度指令的生成。与人工调度相比,智能调度指令可实现对非高峰时段管网冗余压力的有效降低,以及根据运行状态及时预判供水高峰的出现时间,减少由于人工调度经验不同导致的调度方案差异。未来通过拓展深度学习样本及完善智能指令评价机制,可进一步提升智能调度模型的实际应用效果。

基于图深度学习的供水管网短期需水量预测研究

供水系统短期需水量预测是供水管网优化调度的基础,预测的准确性对供水调度有重要影响。图神经网络是一种新型神经网络架构,通过学习对象的拓扑特征优化学习效果。利用供水管网的拓扑特征搭建了图波网络(Graph Wavenet)模型,用于学习供水管网各监测点的空间拓扑关系及其需水量时间序列关系,实现了更准确的供水管网短期需水量预测。使用真实管网历史数据训练Graph Wave Net模型,未来5 min预测的最小百分比误差达到1.28%,平均百分比误差达到1.34%。实验成功地将给水管网拓扑结构用于优化深度学习模型效果,使用图卷积网络模型有效提升了供水管网短期需水量预测精度。并对图神经网络在供水管网领域的应用前景进行了简要探讨。

低影响开发设施径流控制效果模拟评价实证研究

以青岛市李沧区海绵城市试点区内某排水分区为研究对象,基于MIKE URBAN构建降雨径流模型,并与二维地表漫流模型耦合,进行低影响开发(LID)设施径流控制效果模拟评价的实证研究。采用6场实测降雨数据对模型参数进行率定和验证,纳什效率系数(NSE)均大于0.65,保证了模型的准确性。在重现期为1年、5年和10年的设计降雨情景下模拟分析LID设施的径流控制效果和内涝控制效果。结果表明,当设计降雨重现期为1年时,LID设施对雨水径流总量和峰值的控制效果显著,可达到海绵城市建设目标,但随着降雨强度的增加,LID设施的控制比例降低,这印证了城市内涝控制需要灰绿耦合、系统解决。