Многоцелевая оптимизация в развитии умных сетей водоснабжения

Введение: растущая сложность проектирования водных сетей

Современные города сталкиваются с беспрецедентным давлением для эффективного управления водными ресурсами при балансировке затрат, воздействия на окружающую среду и надежности обслуживания. Умные водные сети - системы, которые интегрируют датчики реального времени, автоматические управляющие клапаны и передовую аналитику - предлагают путь к более устойчивой и устойчивой водной инфраструктуре. Однако проектирование таких сетей не является одной объективной задачей. Инженеры должны одновременно удовлетворять критериям производительности, которые часто тянутся в противоположных направлениях. Например, снижение потребления энергии может конфликтовать с поддержанием высокого давления воды во время пикового спроса, а минимизация капитальных затрат может ограничить возможность установки высококачественных датчиков, необходимых для точного мониторинга. Это где многоцелевая оптимизация . Это обеспечивает структурированную основу для изучения компромиссов и выявления решений, которые наилучшим образом отвечают нескольким, часто противоречивым целям.

Используя многообъективную оптимизацию, водохозяйственные службы могут выйти за рамки принятия решений и принять основанные на фактических данных проекты, которые повышают эффективность системы, уменьшают выбросы парниковых газов и повышают качество воды. Этот подход особенно актуален для интеллектуальных водных сетей, где огромный объем данных от датчиков и приводов создает возможности для оптимизации в реальном времени, что было невозможно десять лет назад. Эта статья подробно рассматривается - осторожно, без гиперболы - в технических основах многообъективной оптимизации, ее применение в интеллектуальных водных сетях, ключевые вовлеченные цели, используемые алгоритмы, а также преимущества и проблемы, с которыми сталкиваются практикующие сегодня.

Что такое многоцелевая оптимизация?

Многообъективная оптимизация (MOO) является отраслью математической оптимизации, которая занимается проблемами, связанными с более чем одной целевой функцией, которая должна быть минимизирована или максимизирована одновременно. В отличие от однообъективной оптимизации, где часто существует уникальное оптимальное решение (при условии четко определенной проблемы), задачи MOO обычно имеют набор компромиссных решений. Они известны как Парето оптимальные или не доминируемые решения. Решение Парето оптимально, если ни одна цель не может быть улучшена без ухудшения по крайней мере одной другой цели. Сбор всех таких решений формирует фронт Парето, который лица, принимающие решения, могут проверить, чтобы выбрать лучший компромисс для своих конкретных обстоятельств.

Формально задача многообъективной оптимизации может быть выражена как:

Минимизировать (или максимизировать) F(x) = (f1(x), f2(x), ..., fm(x)) при условии x ∈ X, где X является возможным набором переменных решения.

Поскольку цели часто противоречивы (например, стоимость против качества воды), ни одно решение не сводит к минимуму все цели сразу. Вместо этого цель состоит в том, чтобы найти разнообразный набор оптимальных решений Парето, которые приближаются к истинному фронту Парето. Это позволяет заинтересованным сторонам понять диапазон возможных компромиссов производительности, прежде чем взять на себя обязательство по конкретному дизайну или операционной стратегии. Методы MOO можно классифицировать по методам a priori (где предпочтения указаны до оптимизации, например, взвешенная сумма), a posteriori методы (где создается набор решений Парето, а затем выбирает лицо, принимающее решение) и интерактивные методы (где предпочтения развиваются во время поиска). В дизайне водных сетей методы апостериори особенно популярны, потому что они обеспечивают всеобъемлющую картину пространства проектирования.

Применение в умных водных сетях: от теории к практике

Умные сети водоснабжения полагаются на плотный слой приборов: датчики давления, расходомеры, датчики качества воды и интеллектуальные счетчики в точках потребления. Эти данные поступают в гидравлические модели, которые имитируют поток воды, распределение давления и транспорт загрязняющих веществ. Проблема оптимизации затем объединяет эти модели с функциями затрат и показателями производительности. Выход представляет собой набор конструктивных или эксплуатационных параметров, таких как диаметры труб, графики насосов, настройки клапанов или точки впрыска хлора, которые направлены на выполнение нескольких целей.

Типичным применением является оптимальное размещение датчиков в системе распределения воды. Датчики дорого устанавливаются и обслуживаются, поэтому утилиты хотят минимизировать их количество, при этом сохраняя возможность быстро и точно обнаруживать события загрязнения. Здесь задача состоит в том, чтобы минимизировать стоимость датчика (количество датчиков) и максимизировать вероятность обнаружения или минимизировать время обнаружения. Эти два конфликта, поскольку больше датчиков обычно улучшают обнаружение, но увеличивают стоимость. Многообъективная оптимизация может генерировать фронт Парето, показывающий, сколько датчиков необходимо для достижения различных уровней производительности обнаружения. Принимающий решение может затем выбрать, например, решение, которое обеспечивает 95% вероятность обнаружения с наименьшим количеством датчиков.

Другим важным вариантом использования является планирование насосов в системах распределения воды. Насосы потребляют большую часть электроэнергии коммунальной службы. За счет планирования операций насосов в соответствии с низкими тарифными периодами электроэнергии затраты на электроэнергию могут быть снижены. Однако это может отрицательно повлиять на давление воды или увеличить риск возраста воды (и, следовательно, ухудшения качества) в резервуарах для хранения. Оптимизация должна минимизировать затраты на энергию, поддерживать давление выше порога и поддерживать возраст воды в приемлемых пределах. Многообъективные подходы могут выявить компромисс между экономией энергии и качеством воды, позволяя операторам принимать обоснованные решения.

Интеграция данных в реальном времени и прогнозных моделей

Истинная сила многообъективной оптимизации в интеллектуальных водных сетях возникает, когда она сочетается с ассимиляцией данных в реальном времени и прогнозными моделями . Например, утилита может объединять прогнозы погоды, прогнозы спроса и показания датчиков в горизонт оптимизации, который корректирует графики насосов каждый час. Этот динамический подход может адаптироваться к изменяющимся условиям (например, внезапное падение спроса во время отпуска) и поддерживать почти оптимальную производительность. Исследования показали, что такая адаптивная оптимизация может снизить потребление энергии на 10-20% при сохранении качества воды. Вычислительная задача нетривиальна, но достижения в эвристических алгоритмах и параллельных вычислениях делают ее возможной даже для больших сетей.

Основные задачи, которые рассматриваются в оптимизации умной сети водоснабжения

Хотя конкретные цели варьируются в зависимости от приоритетов проекта и заинтересованных сторон, следующие наиболее часто рассматриваются в многоцелевой оптимизации для интеллектуальных сетей водоснабжения:

  • Минимизация капитальных и эксплуатационных расходов — Включая затраты на замену труб, счета за электроэнергию насоса, расходы на химическую обработку и техническое обслуживание. Анализ стоимости жизненного цикла часто используется для учета долгосрочных расходов.
  • Поддержание давления воды — Обеспечение того, чтобы давление оставалось в безопасном и надежном диапазоне (например, 20–80 пси) для предотвращения разрывов труб, утечки и неудовлетворенности клиентов. Низкое давление может вызвать вторжение загрязнения, в то время как высокое давление ускоряет старение труб.
  • Обеспечение качества воды — Поддержание остатков дезинфицирующих средств (например, хлора), минимизация возраста воды (для предотвращения бактериального роста) и снижение риска возникновения загрязнений. Качество воды часто измеряется такими показателями, как Индекс качества воды (WQI) или конкретные суррогатные параметры.
  • Сокращение потребления энергии — Насосы и очистные сооружения являются основными потребителями электроэнергии. Энергетические цели могут быть выражены в виде общей кВтч в день или эквивалента углеродного следа.
  • Смягчение воздействия на окружающую среду — Это включает в себя снижение выбросов парниковых газов (от использования энергии), сокращение потерь воды в результате утечки и минимизацию химического разряда. Некоторые исследования также рассматривают воплощенную энергию новых материалов инфраструктуры.
  • Системная устойчивость и надежность — Обеспечение того, чтобы сеть могла продолжать предоставлять услуги в ненормальных условиях (например, разрывы труб, пожароопасные потоки или засуха).

Эти цели часто взаимозависимы. Например, улучшение качества воды за счет повышения остаточного содержания хлора может потребовать дополнительной перекачки или химической инъекции, увеличивая как энергетические, так и химические затраты. Многоцелевая оптимизация систематически исследует эти взаимодействия и количественно определяет компромиссы.

Методы и методы многоцелевой оптимизации

Для решения многообъективных задач оптимизации в водных сетях разработан широкий спектр алгоритмов. Наиболее заметными семействами являются:

Эволюционные алгоритмы (EAs)

Генетические алгоритмы (GA) и их многообъективные варианты наиболее широко используются благодаря их гибкости и способности обрабатывать нелинейные, прерывистые объективные пространства. Недоминируемый сортирующий генетический алгоритм II (NSGA-II) является классическим примером. Он использует быструю не доминируемую процедуру сортировки, механизм скученности для поддержания разнообразия и элитарную стратегию для сохранения хороших решений. NSGA-II был применен ко многим проблемам сети водоснабжения, включая размер труб, планирование насоса и размещение датчиков. Другим популярным вариантом является Многообъективный эволюционный алгоритм на основе разложения (MOEA/D) , который разлагает многообъективную проблему в набор скалярных подзадач и решает их параллельно. MOEA/D особенно эффективен, когда цели могут быть осмысленно агрегированы.

Оптимизация теплоты частиц (PSO)

Вдохновленный социальным поведением птиц или рыб, PSO использует рой частиц, которые перемещаются через пространство поиска, каждый из которых корректирует свое положение на основе своего самого известного положения и глобального лучшего роя. Многообъективная PSO (MOPSO) расширяет это, поддерживая внешний архив оптимальных решений Парето и используя методы для обеспечения разнообразия. MOPSO имеет тенденцию быстро сходиться и эффективна для непрерывных задач оптимизации, таких как калибровка параметров гидравлической модели или регулирование клапанов снижения давления.

Гибридные и суррогатные методы

Поскольку моделирование водных сетей может быть дорогостоящим с точки зрения вычислений, особенно при работе со сложными гидравлическими моделями или моделями качества воды, исследователи часто используют суррогатные модели (например, модели поверхности отклика, гауссовые процессы или нейронные сети) для приближения объективных функций. Суррогат обучается нескольким дорогостоящим симуляциям и затем используется в оптимизаторе для дешевого изучения многих возможных решений. Многообъективная байесовская оптимизация (MOBO) является примером, который уравновешивает разведку и эксплуатацию при построении вероятностного суррогата. Этот подход особенно полезен, когда каждое моделирование занимает минуты или часы, например, в переходном анализе или детальном моделировании качества воды.

Парето-ориентированные методы против скаляризации

Методы на основе Парето (например, NSGA-II) непосредственно находят набор не доминирующих решений. Напротив, методы скаляризации преобразуют многообъективную задачу в единую цель, комбинируя цели с весами (например, взвешенная сумма) или ограничивая все, кроме одной цели (метод с ограничением эпсилон). Хотя скаляризация проще, она обычно требует выполнения нескольких оптимизаций с различными весами для приближения к фронту Парето и может пропустить решения в невыпуклых областях. Таким образом, методы на основе апостериори Парето предпочтительны, когда форма кривой компромисса неизвестна.

Преимущества и проблемы многоцелевой оптимизации на практике

Принятие многоцелевой оптимизации в интеллектуальных сетях водоснабжения дает ощутимые преимущества:

  • Информированное принятие решений — Менеджеры по коммунальным услугам могут визуализировать компромиссы и выбирать решения, которые соответствуют их приоритетам (например, снижение затрат при сохранении качества воды).
  • Улучшенная эффективность системы — оптимизированные конструкции могут снизить потребление энергии на 15-25%, снизить использование химических веществ и снизить скорость утечки.
  • Повышение устойчивости — При рассмотрении нескольких критериев полученные сети часто более устойчивы к неопределенности, такой как всплески спроса, отказы труб или изменчивость климата.
  • Обмен заинтересованными сторонами — Фронт Парето обеспечивает прозрачный способ передачи информации о последствиях различных вариантов дизайна регулирующим органам, членам совета директоров и общественности.

Однако проблемы сохраняются:

  • Расходы на вычислительные работы — Запуск сотен или тысяч гидравлических симуляций может занять много времени, особенно для больших сетей. Суррогатное моделирование и параллельные вычисления помогают, но масштаб проблемы по-прежнему является ограничивающим фактором.
  • Качество данных и неопределенность — Результаты оптимизации так же хороши, как и входные данные. Неточные прогнозы спроса, оценки шероховатости труб или шумные показания датчиков могут привести к неоптимальным или неосуществимым конструкциям. Квантификация неопределенности и надежная оптимизация являются активными областями исследований.
  • Сложность модели — Захват всех соответствующих целей и ограничений (например, возраст воды, требования к огневому потоку, соответствие нормативным требованиям) в разрешимой формулировке затруднен.
  • Препятствия на пути внедрения — Многие водохозяйственные предприятия не имеют собственного опыта или программных средств для применения многоцелевой оптимизации. Тренинг и передача знаний необходимы для преодоления разрыва между академическими исследованиями и оперативной практикой.

Будущие направления: машинное обучение, оптимизация в реальном времени и цифровые близнецы

Область стремительно развивается. Несколько перспективных направлений формируют следующее поколение многообъективной оптимизации для умных водных сетей.

Интеграция с машинным обучением

Машинное обучение (ML) может улучшить как суррогатное моделирование, так и саму оптимизацию. Агенты глубокого обучения усилению (DRL) были обучены управлять операциями насоса в режиме реального времени, косвенно изучая политику, которая отменяет несколько целей. Между тем, модели регрессии могут прогнозировать качество воды или давление в неконтролируемых местах, обогащая данные, подаваемые в оптимизатор. Растущая область - это многообъективное обучение усилению , где агент изучает набор политик, соответствующих различным точкам на фронте Парето, что позволяет адаптивное переключение на основе текущих приоритетов.

Оптимизация в реальном времени и цифровые двойники

Цифровые двойники — виртуальные копии физических водных сетей, которые обновляются в режиме реального времени — обеспечивают идеальную платформу для динамической многообъективной оптимизации. По мере поступления данных датчика цифровой двойник калибрует свою гидравлическую модель, запускает быстрый многообъективный оптимизатор и рекомендует операционные корректировки (например, открытие клапана, снижающего давление, или включение бустерного насоса). Этот цикл может работать каждые 5-15 минут, позволяя системе реагировать на внезапные изменения, такие как разрывы труб или неожиданный спрос. Вычислительное узкое место решается с помощью GPU-ускоренного моделирования и специализированных оптимизационных решателей.

Надежная и стохастическая многообъективная оптимизация

Будущая работа будет все больше включать неопределенность непосредственно в рамки оптимизации. Вместо детерминированных целей, цели могут быть ожидаемыми значениями или квантильными (например, минимизировать 95-й процентиль нарушений давления). Многообъективные проблемы под неопределенностью являются вычислительно требовательными, но более реалистичными. Такие методы, как эволюционная многообъективная надежная оптимизация и , основанные на сценическом программировании , адаптируются к водным сетям.

Инструменты с открытым исходным кодом и платформы для совместной работы

Доступность инструментов с открытым исходным кодом, таких как pymoo библиотека EPANET для гидравлического моделирования, снизила барьер для входа.Water Research Foundation Американская ассоциация водных работ]]]]][FLT

Оригинальное название: A Pragmatic Path Forward

Многоцелевая оптимизация не является серебряной пулей, но она является незаменимым инструментом для разработки интеллектуальных водных сетей, которые являются эффективными, устойчивыми и надежными. Делая компромиссы явными и поддающимися количественной оценке, она дает возможность инженерам и лицам, принимающим решения, ориентироваться в присущих конфликтах в проектировании водных систем. Область будет продолжать извлекать выгоду из достижений в вычислительных методах, сенсорных технологиях и аналитике данных. Для коммунальных предприятий, желающих принять эти методы, практической отправной точкой является формулирование простой двух- или трех-объективной проблемы (например, стоимость против качества воды) и постепенно включать дополнительные критерии по мере роста опыта. Путь от исследований к практике является сложным, но потенциальные выгоды - более чистая вода, более низкие счета за электроэнергию и более устойчивые города - делают его путешествием, которое стоит взять.