基于C语言的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型的方法

摘要

一种基于C语言的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型，包括如下步骤：确定模型范围：确定精细化建模范围和粗略建模范围；在线机理模型构建；概念模型构建；在线机理模型与概念模型耦合；模型参数校正；降雨过程建立；排水系统水量、水质模拟；排水系统仿真控制；数据模型辅助应用：构建神经网络模型，通过接收特征数据建立降雨与径流、管网流量与深度的关系，关系建立后用于径流及管网深度的预测；模拟结果分析展示。该模型融合C语言的在线机理模型SWMM模型、概念模型及数据模型的丰富功能，实现城市排水系统水量、水质的快速模拟、高效仿真控制和自动策略优化。

说明书

技术领域

本发明涉及城市排水系统实时控制领域，特别涉及一种基于C语言的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型的方法。

背景技术

随着快速的城市化进程以及气候变化引起的极端降雨事件频率和幅度的增加，城市排水系统系统的负荷加重，从而增加内涝和合流制管网溢流的风险。城市排水系统的实时控制是提升排水系统运行性能的可靠手段。实时控制是依据在线监测的重要过程变量数据，利用在线模型动态调整控制策略，通过控制设备对排水设施及污水处理厂运行进行实时干预。

在城市排水系统模拟中，在线机理模型EPA-SWMM模型最为常见且应用广泛，是一类面向过程的模型。SWMM模型主要使用圣维南方程，模拟管道中水流质量和能量的守恒关系，因此能精确描述城市排水管网及附属设施中的水力过程，但其计算的复杂性导致了较长的模拟运算时间，无法满足实时控制的要求。

概念模型是一类面向控制的模型，其物理系统由高度简化的“概念”表示，依赖于更简单和更少的关系，其总体复杂性降低从而显著减少了计算时间。但由于概念模型只关注主导过程，其概化程度会影响模型模拟的精确性。其中，基于马斯京根方法的概念模型是将管道、河道或汇水区出流量，通过一种管道蓄水体积与管道流入和流出量之间的假设线性关系描述，是一种广泛应用于模拟和控制的模型，其方法简单且在预测方面具有适用性。

数据模型是现实世界数据特征的抽象，用于描述一组数据的概念和定义。数据模型是数据库中数据的存储方式。数据模型中的神经网络模型是一种模拟人脑的神经网络以期能够实现类人工智能的机器学习技术。经过多年研究表明，相较于传统模型，对于降雨-径流模拟及预测，神经网络不止训练速度更快，模拟预测准确性也更高。在水质监测及预测中，由于水质需要结合气味、外观、氯浓度等因素综合考虑，各种因素相互影响且随时间存在衰变，传统模型很难进行精确模拟及预测，神经网络因其结果准确性及稳定度而具有优势。

基于上述模型各自的优、缺点，综合在线机理模型、概念模型与数据模型于同一仿真系统中构建混合模型，是一种优势互补的先进技术，在保证一定精度的前提下，能大幅提高运算速度，实现高效、全局、多目标的排水系统优化控制。

发明内容

本发明的目的在于克服现有技术的不足，而提供一种基于C语言的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型的方法，使用该方法构建的混合模型融合C语言的在线机理模型SWMM模型、概念模型及数据模型的丰富功能，实现城市排水系统水量、水质的快速模拟、高效仿真控制和自动策略优化。

如上构思，本发明的技术方案是：一种基于C语言的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型的方法，其特征在于：包括如下步骤：

1)确定模型范围：确定精细化建模范围和粗略建模范围；

2)在线机理模型构建：对于精细化建模范围，于在线机理模型中建立一个可运行的文件，该文件包含排水系统仿真中拟使用的部分机理模型的各项输入参数，文件建立完成后，在仿真控制混合模型中生成在线机理模型模块，并导入该输入文件；

3)概念模型构建：对于粗略建模范围，将排水系统其余部分进行概化，保留关键节点、管道和设施，进行合并、简化或删除，在混合模型仿真平台中生成相应的概念模型模块；

4)在线机理模型与概念模型耦合：在混合模型仿真平台上全面连接在线机理模型模块的入流/出流与概念模型模块的出流/入流相对应的关系节点或管道，以传导各关系节点、管道的水量、水位和水质信息；

5)模型参数校正：包括在线机理模型的参数校正和概念模型的参数校正；

6)降雨过程建立；

7)排水系统水量、水质模拟；

8)排水系统仿真控制；

9)数据模型辅助应用：构建神经网络模型，通过接收特征数据建立降雨与径流、管网流量与深度的关系，关系建立后用于径流及管网深度的预测；

10)模拟结果分析展示。

进一步，所述步骤3)概念模型构建包括汇水区模块、污水处理厂模块、调蓄池模块、泵站模块和节点模块，汇水区模块选用马斯京根线性方法或非线性水库法得到降雨-径流关系，设置汇水区面积、初始损失、渗透损失、径流系数、污染物种类及浓度，污水处理厂模块包含污水处理厂设计容积，调蓄池模块包含调蓄池最大深度和深度-面积曲线，两者通常与泵站模块相连，泵站模块包含泵的最大功率以及泵的启闭液位，节点模块用于连接各个设施及管道。

进一步，所述步骤5)在线机理模型的参数校正通过调节汇水区、管道、调蓄池和泵站相关参数，得到与监测数据吻合的校正参数；概念模型的参数校正通过获取汇水区、管道、调蓄池和泵站的基本信息在混合仿真平台中实现马斯京根参数(子段数N、传输时长K和权重系数X)自动寻优功能，得到模型评估结果最佳的参数。

进一步，所述步骤6)降雨过程建立包括调用外部降雨文件或典型雨型数据库、自定义公式生成降雨和手动输入降雨数据。

进一步，所述步骤7)包括求解在线机理模型的圣维南动力学方程、求解概念模型的马斯京根槽蓄和水量平衡方程演算流量、通过污染物累积模型、污染物冲刷模型并求解污染物传输转化方程。

进一步，所述步骤8)排水系统仿真控制选择基于规则的仿真控制模块，其根据规则控制法或模糊逻辑法的控制规则，选择受控设施和相应监测点，自动生成监测信息(监测时间、水质、水位和流量等)和控制指令的响应关系，在模拟控制时利用实时监测值和响应关系得到受控设施的控制值，利用PID控制方法控制设施平稳达到控制值。

进一步，所述步骤8)排水系统仿真控制选择优化策略仿真控制模块，其根据优化算法(遗传算法、线性规划、非线性规划)的控制规则，选择受控设施和监测点，生成监测时间、水质、水位和流量信息，选择优化算法并设置算法参数，根据监测信息并结合系统控制目标，在仿真过程中通过优化算法实时计算出受控设施最优控制值，利用PID控制方法控制设施平稳达到控制值。

进一步，步骤10)模拟结果分析展示包括记录和调用各节点及管段的数据、计算通用性指标、自定义计算、生成时间-流量等常用数据图表。

进一步，所述步骤8)基于规则的仿真控制模块的具体功能包括：选择受控设施，建立“if-then-else”形式的控制规则，基于监测点的运行时间、深度、水头、入流、出流、积水、水质、工作状态(开度、工作流量)信息，实现对堰、闸门、孔口、阀门、截流井、泵站可控设施的控制。

进一步，所述步骤8)优化策略仿真控制模块的具体功能包括：选择受控设施；输入控制变量、系统约束方程和目标函数通过对不同控制目标进行权重分配再加和，构成多重目标函数、选择C语言编写的不同优化算法(遗传算法、线性规划、非线性规划)、基于监测信息和控制目标权重自动实施策略优化控制；优化算法的参数包括变量个数、目标函数个数、边界条件个数以及不同优化算法的独有参数。

本发明具有如下的优点和积极效果：

1、本发明结合了在线机理模型的所有功能，并辅以数据模型进行快速预测，实现了三者在同一仿真平台上的耦合。在设施连接关系简单的区域构建概念模型，在设施连接关系复杂，概念模型无法准确模拟的区域，构建SWMM模型进行精细化模拟，对于非线性、多变量、高不确定性的排水系统构建数据模型辅助预测。因此，该混合模型具备快速计算、精确模拟和高效预测的特性。

2、本发明基于C语言的多种优化算法，根据不同的控制目标选择合适的优化方法，自动实现最优控制规则的计算，并将优化控制策略实时反馈给在线机理模型/概念模型。同时，根据数据模型的预测结果可以节省优化算法的计算时间，从而实现快速、高效的水量水质模拟、实时仿真控制和策略优化。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中需使用的附图进行简单介绍，下面描述中的附图仅是为了说明，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他附图。

图1是本发明实施例的流程图；

图2是城市排水系统仿真控制混合系统示意图；

图3是模型参数校正模块示意图；

图4是策略优化控制模块示意图；

图5是选定控制目标和方法下的策略优化与无策略模拟结果对比图。

具体实施方式

请参照图1、图2，本发明提供一种基于C语言的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型的方法，包括如下步骤：

1、确定模型范围：确定精细化建模范围和粗略建模范围；

2、在线机理模型构建：对于精细化建模范围，于在线机理模型中建立一个可运行的文件，该文件包含排水系统仿真中拟使用的部分机理模型的各项输入参数，文件建立完成后，在仿真控制混合模型中生成在线机理模型模块，并导入该输入文件；

2、构建概念模型模块：对于粗略建模范围，将排水系统其余部分进行概化，保留关键节点、管道和设施，进行合并、简化或删除，在混合模型仿真平台中生成相应的概念模型模块；

概念模型构建构建包括汇水区模块、污水处理厂模块、调蓄池模块、泵站模块和节点模块，汇水区模块选用马斯京根线性方法或非线性水库法得到降雨-径流关系，设置汇水区面积、初始损失、渗透损失、径流系数、污染物种类及浓度，污水处理厂模块包含污水处理厂设计容积，调蓄池模块包含调蓄池最大深度和深度-面积曲线，两者通常与泵站模块相连，泵站模块包含泵的最大功率以及泵的启闭液位，节点模块用于连接各个设施及管道；

4、在线机理模型与概念模型耦合：在混合模型仿真平台上全面连接在线机理模型模块的入流/出流与概念模型模块的出流/入流相对应的关系节点或管道，以传导各关系节点、管道的水量、水位和水质信息；

5、构建模型参数校正模块：包括在线机理模型的参数校正和概念模型的参数校正；在线机理模型的参数采用手动校正通过调节汇水区、管道、调蓄池和泵站相关参数，得到与监测数据吻合的校正参数；概念模型的参数采用自动校正通过获取汇水区、管道、调蓄池和泵站的基本信息在混合仿真平台中实现马斯京根参数(子段数N、传输时长K和权重系数X)自动寻优功能，得到模型评估结果最佳的参数；

6、降雨过程建立：包括调用外部降雨文件或典型雨型数据库、自定义公式生成降雨和手动输入降雨数据；

7、排水系统水量、水质模拟：包括求解在线机理模型的圣维南动力学方程、求解概念模型的马斯京根槽蓄和水量平衡方程演算流量，模拟水量的传输过程、通过污染物累积模型、污染物冲刷模型并求解污染物传输转化方程；

8、构建排水系统仿真控制模块：可选择基于规则的仿真控制模块或优化策略仿真控制模块；

基于规则的仿真控制模块，根据规则控制法或模糊逻辑法的控制规则，选择受控设施和相应监测点，自动生成监测信息(监测时间、水质、水位和流量等)和控制指令的响应关系，在模拟控制时利用实时监测值和响应关系得到受控设施的控制值，利用PI D控制方法控制设施平稳达到控制值。其具体功能包括：选择受控设施，建立“if-then-else”形式的控制规则，基于监测点的运行时间、深度、水头、入流、出流、积水、水质、工作状态(开度、工作流量)信息，实现对堰、闸门、孔口、阀门、截流井、泵站等可控设施的控制；

选择优化策略仿真控制模块，根据优化算法(遗传算法、线性规划、非线性规划)的控制规则，选择受控设施和监测点，生成监测时间、水质、水位和流量信息，选择优化算法并设置算法参数，根据监测信息并结合系统控制目标，在仿真过程中通过优化算法实时计算出受控设施最优控制值，利用PID控制方法控制设施平稳达到控制值，

其具体功能包括：选择受控设施、输入控制变量、系统约束方程和目标函数、通过对不同控制目标进行权重分配再加和，构成多重目标函数、选择C语言编写的不同优化算法(遗传算法、线性规划、非线性规划)、基于监测信息和控制目标权重自动实施策略优化控制；优化算法的参数包括变量个数、目标函数个数、边界条件个数以及不同优化算法的独有参数；

9、构建数据模型模块：包含神经网络的功能，能精准预测进水水质，及时排查管网运行状态；在已知未来雨型情况下，精准预测内涝、溢流量及位置；在无监测重要节点进行预测，判断相应管道状态及各重要排水设施流量、深度。其预测结果可反馈给优化算法，实现高效、快速的优化策略调整。

10、构建模拟结果分析展示模块：包括自定义时间步长下的水量、水质模拟；基于规则的实时仿真控制；选定控制目标和方法下的策略优化仿真；各节点的数据记录和调用；通用性指标的计算；自定义公式计算；常用数据图表生成。

下面通过具体实例对本发明进行具体描述，实施过程包括：

1、在线机理模型模块构建：在本实施例中，根据区域重要程度、数据详细程度等将建模区域划分为机理模型建模区和概念模型建模区。在机理模型建模区，将本区域的截流井、孔口、调蓄池、泵、堰、污水处理厂等设施及连接管道等数据进行处理，建立可运行的SWMM模型。在仿真控制混合模型中生成在线机理模型模块，导入已建的外部SWMM模型文件。

2、概念模型模块构建：在本实施例中，对概念模型建模区部分进行适度概化，保留关键节点和管道，对汇水区和管道进行合理的合并、简化并在仿真控制混合模型系统中生成相应的汇水区、管道和节点模块。

3、在线机理模型与概念模型耦合：在本实施例中，根据排水系统设施间的逻辑关系，在仿真控制混合模型平台中建立概念模型各模块之间、概念模型模块与在线机理模型模块之间的连接关系，形成完整的排水系统模型。在SWMM模型文件中输入机理模型与概念模型相连接的节点和管道信息，以完成混合模型在实时仿真控制中的水量、水质等信息传递。

4、参照图3，模型参数校正：在本实施例中，使用实地监测数据，通过模型参数校正模块进行在线机理模型和概念模型的参数校正。其中，在线机理模型的参数校正通过调整管道粗糙度、孔口排放系数、泵功率曲线及启闭液位等参数，使模型能够真实准确地反应实际运行情况。

概念模型参数校正通过输入各个概化汇水区的面积、概化管道的进出水关系等信息，利用仿真控制混合模型的参数寻优功能，得到各个汇水区和管道最佳的马斯京根参数K、X、N。

5、降雨过程建立：在本实施例中，在降雨模块中调用当地的降雨数据文件。

6、参照图4，排水系统优化策略仿真控制：在本实施例中，使用策略优化控制模块，建立系统的边界条件(如污水处理厂的最大处理能力)，选择系统的控制目标(如溢流量最低、污水厂处理量最大、调蓄池水量平衡、设施进水稳定)，并对各控制目标进行权重分配(如分别为1、1、0.2、0.2)，构成多目标函数，并选择一种优化算法(如非线性规划)设置算法参数，构成一套完整的策略优化方案。

根据优化算法的控制规则，选择受控设施(如调蓄池)和监测点(如调蓄池前池)，生成监测时间、水质、水位和流量等信息。根据监测信息与系统控制目标，在仿真过程中通过优化算法实时计算出受控设施的最优控制值，传递至在线机理模型或概念模型，实现策略优化控制。

7、神经网络数据模型辅助应用：将大量训练样本的数据(如管道流速、入流量、出流量等)加到神经网络输入端，同时将相应的期望输出(如管道深度)与神经网络输出(如管道深度)相比较，得到误差信号，以此控制权值连接强度的调整，经多次训练后收敛到一个确定的权值。训练结束的模型可用于预测新的输出(如管道深度)。将其预测结果反馈到优化算法中，实施高效的优化策略动态调整。

8、参照图5，模拟结果分析展示：在本实施例中，使用结果展示模块，将模拟时间步长设为5分钟，展示选定控制目标和方法下的策略优化模拟，生成相应的数据图表。

应当理解的是，这里所讨论的实施方案及实例只是为了说明，对本领域技术人员来说，可以加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。