Giriş: Su Ağı Tasarımının Yükseliş Kompleksi
Modern şehirler, su kaynaklarını dengeleme maliyetleri, çevresel etki ve hizmet güvenilirliği konusunda verimli bir şekilde yönetmek için eşsiz baskıyla karşı karşıyadır. Akıllı su ağları - gerçek zamanlı sensörleri, otomatik kontrol valflerini ve gelişmiş analitikleri - daha dayanıklı ve sürdürülebilir su altyapısına doğru bir yol açmak için bir yol açmak için, bu tür ağları tasarlamak tek yönlü bir görev değildir.
Çok fazla tonlu optimizasyona sahip olmak için, su hizmetleri, on yıl önce imkansız olan gerçek zamanlı optimizasyon için fırsatlar yaratabilir ve kanıt tabanlı tasarımları kabul edebilir, gaz emisyonlarını azaltır ve çok-objective ağlarının teknik temelleri ile ilgilidir, özellikle de akıllı su ağları için ilgili, o zaman algoritmalarının hacminin ve bugün imkansız olan faydaları ve zorlukları yaratan bu makale dene sahiptir.
Multi-Objective Optimizasyon Nedir? Teknik Bir Vakıf
Çok-objective optimizasyon (MOO) genellikle bir tek objektif işlevi içeren sorunlarla ilgili bir dizi matematiksel optimizasyondur.Aynı zamanda en iyi çözümün var olduğu (sağlıklı bir problem), MOO sorunları genellikle en iyi şekilde tanımlanmamış çözümlere sahip olup olmadığınız anlamına gelir.)
Formally, multi-objective optimizasyon sorunu olarak ifade edilebilir:
[FONT=0)Minieeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeee
Hedefler genellikle çatışmaya karşı (örneğin, su kalitesine) karşı olan her türlü çözümün bir kez en aza indirilmesidir.For Goals are often conflicting (e.g., cost vs. su kalitesi), tek bir çözüm, MOO yöntemlerinin Pareto optimal yöntemlerine göre sınıflandırılmasını sağlar[Döneticileri değiştirmiş)[Döneticileri değiştirmiş bir şekilde ayarlandığında, doğruyutucun belirlenmesine izin verir.
Akıllı Su Ağlarında Uygulama: Teoriden Uygulama
Akıllı su ağları yoğun bir enstrümantasyon katmanına güveniyor: baskı transdüserleri, akış metre, su kalitesi sensörleri ve tüketici noktalarında akıllı metreler. Bu veriler su akışını, basınç dağılımını ve kirletici taşımayı sağlayan hidrolik modellere güvenir. optimizasyon sorunu daha sonra bu modelleri maliyet işlevleri ve performans ölçümleri ile birleştirir.
Tipik bir uygulama, sensörlerin yerleştirilmesinin (FLT:1) ve su dağıtım sistemindeki sensörlerin belirlenmesi ve sürdürülmesinin pahalı olması, bu nedenle çok sayıda sensörin farklı performans seviyelerini elde etmek için gerekli olduğunu gösteren bir Pareto önyükleme özelliği oluşturmak.Bu iki çatışmanın daha fazla sensör genellikle algılamayı artırmak ve maliyetle daha küçük algılamayı sağlamak için bir karar vericidir.
Bir başka önemli kullanım durumu ise şöyledir:0)pump scheduling[Dönetici: 1) Su dağıtım sistemlerindeki su dağıtım sistemlerindeki basınçları azaltın. Düşük elektrik tarifeleri ile uyum sağlamak için pompa işlemlerinin hızlanmasıyla, enerji maliyetlerini azaltılabilir.
Gerçek Zamanlı Veri ve Tahmin edici Modellerle Bütünleşme
Akıllı su ağlarında çok sayıda optimizasyonun gerçek gücü ortaya çıktığında, aracaat tahminleri ve sensör okumaları her saat pompa zamanlamasını ayarlayan bir ufkturma haline getirebilir.Bu dinamik yaklaşım, koşulları değiştirmek için adapte olabilir (örneğin, bir tatil sırasında talepte bulunan) ve yakın optimize edici bir performans için kullanılan bir optimizasyona yol açabilir.
Anahtar Hedefler Akıllı Su Ağı Optimizasyonunda Düşündü
Belirli hedefler proje ve pay sahibi öncelikler tarafından farklılık gösterirken, aşağıdakiler, akıllı su ağları için çok-objective optimizasyon arasında en yaygın olarak ele alınacaktır:
- [FONT:0]Küresel ve operasyonel maliyet minimizasyon) - Boru yedek maliyetleri, pompa enerji faturaları, kimyasal tedavi masrafları ve bakım. Lifecycle maliyet analizi genellikle uzun vadeli harcamalar yakalamak için kullanılır.
- [FONT=0)Su basıncı bakımı[[DÜT 1: 1) - Ensuring basınçlar güvenli ve güvenilir bir aralık içinde kalır (örneğin, 20-80 psi) boru patlamalarını önlemek için, sızıntıyı ve müşteri memnuniyetsizliğine neden olabilir. Low baskı, boruyu hızlandırırken, yüksek basınç azalır.
- [FONT:0)Su kalitesi güvencesi[[Dönetici:0)[Dönetici:0) - Su Kalitesi Endeksi (WQI) veya özel sprogate parametreleri gibi endeksler tarafından ölçülmelidir.
- [FONT:0)Enerji tüketimi azaltımı[[[DÜT:1) - pompalar ve tedavi tesisleri büyük elektrik kullanıcılarıdır. Enerji hedefleri günde toplam kWh veya karbon ayak izi eşdeğer olarak ifade edilebilir.
- [FONT:0)Environmental etkisi[Dönetici: 1) Bu, daha düşük sera gazı emisyonlarını (enerji kullanımı), su kaybının sızıntı yoluyla azaltılması ve kimyasal deşarjı azaltımı içerir. Bazı çalışmalar da yeni altyapı malzemelerinin somut enerjisini de dikkate alır.
- [FONT:0) Sistem direnci ve güvenilirlik[[Dönetici: 1)[Dönetici:0)Sistem direnci ve güvenilirlik[Dönetici: 1), ağın anormal koşullarda hizmet vermeye devam edebilir (örneğin, boru molaları, yangın akışları veya kuraklık).
Bu hedefler genellikle birbirine bağlı. Örneğin, kloru artırmak için su kalitesini artırmak, ek pompalama veya kimyasal enjeksiyon gerektirir, hem enerji hem de kimyasal maliyetler artmaktadır. Multi-objective optimizasyon bu etkileşimleri sistematik olarak araştırır ve ticaret-offları ölçebilir.
Multi-Objective Optimizasyon için Yöntemler ve Teknikler
Su ağlarında çok sayıda algoritmanın çok-objective optimizasyon problemlerini çözmek için çok sayıda algoritma geliştirildi.En belirgin aileler şunlardır:
Evrimsel Algoritmalar (EAs)
Genetik algoritmaları (GAs) ve çok değişkenli varyantlar, esneklikleri ve doğrusal olmayan objektif alanları ele alma yeteneği nedeniyle en yaygın olarak kullanılır.(GÖRT:0)Non-dominated Sorting Genetic Algorithm II (NSGA-II)[DÜye Olmayan Bir Şekilde Belirlenmesi Gereken Bir Üst Seviyeye Görenme Yöntemine Göre Bir Bakışta Bir Üst Düzeyde Bir Üst Düzeyde Bir Üst Düzeyde Bir Şekilde Değerlendirme/Sürdürülebilirlik)
Parçacık Swarm Optimizasyonu (PSO)
Kuşlar veya balıkların sosyal davranışları tarafından ilham alın, PSO, Pareto optimal çözümlerin dış bir arşivini kullanarak bunu genişletir ve çeşitliliği sağlamak için her pozisyona uygun olarak konumlandırır ve sürekli optimizasyon problemleri için etkili olur. Multi-objective PSO (MOPSO) baskı valflerini azaltır.
Hybrid and Surrogate-Based Methods
Su ağ simülasyonları hesaplamak pahalı olabilir - özellikle karmaşık hidrolik veya su kalitesi modellerini ele alırken - araştırmalar genellikle www.FLT:0) Sigortarogate modelleri) (e.g., yanıt yüzey modelleri, Gaussian süreçleri, veya sinir ağları) yaklaşık objektif işlevlerin yanı sıra, bir olasılıksal simülasyonlar üzerinde eğitilmiştir ve sonra birçok adayı ucuz bir şekilde keşfetmek için optimize edilir. Multi-objective Bayesian optimizasyon (MOBO).
Pareto-Based Yöntemler vs. Scalarization
Pareto bazlı yöntemler (NSGA-II gibi) doğrudan bir dizi non-dominated çözüm bulur. Aksine, ölçeklendirme yöntemleri, Pareto cephesini birleştirerek birden çok optimizasyonu tek bir hedef haline getirir ve tüm bir amacı kısıtlı bölgelere göre kaçırabilir.
Uygulamada Multi-Objective Optimizasyonunun Faydaları ve Zorlukları
Akıllı su ağlarında çok-objective optimizasyonun benimsenmesi, somut faydalar sunar:
- [FONT=0]Bilgili karar verme[[Dönetici:0)[Döneticiler)[Döneticileri değiştirip, öncelikleriyle uyumlu çözümler seçebilirler (örneğin, su kalitesini korurken maliyetleri azaltır).
- [0] Geliştirilmiş sistem verimliliği[[DÜT:1] - Optimize edilen tasarımlar enerji tüketimini% 15 ila 25 azaltabilir, daha düşük kimyasal kullanım ve sızıntı oranları azaltır.
- [FONT:0)Enhanced esneklik[Dönetici: 1 ) - Birden fazla kriter dikkate alındığında, elde edilen ağlar genellikle talep artışları, boru başarısızlıkları veya iklim değişkenliği gibi belirsizliğe daha dayanıklıdır.
- [FONT:0]Stakeholder iletişimi[Dönetici: 1) Pareto cephesi, düzenleyiciler, yönetim kurulu üyeleri ve halk için farklı tasarım seçeneklerinin etkilerini iletişim kurmanın şeffaf bir yolu sunar.
Ancak, zorluklar kalır:
- [FONT:0)C ⁇ masrafları[[Dönetici: 1 ) - Yüzlerce veya binlerce hidrolik simülasyonu çalıştırın, özellikle büyük ağlar için zaman alıcı olabilir. Surrogate modelleme ve paralel hesaplama yardımı için, ancak problem ölçeği hala sınırlı bir faktördür.
- [FONT:0]Data Quality kalitesi ve belirsizlik[[Dönetici:0)[Dönetici: Optimizasyon sonuçları sadece giriş verileri kadar iyidir. Inaccurate talep tahminleri, kaba boru kabalığı tahminleri veya gürültülü sensör okumaları suboptimal veya infeasible tasarımları yol açabilir.
- [FONT:0) Model karmaşıklığı[Dönetici:0)[Dönetici:0)[Dönetici:0))[Dönemli bir formülasyonda, gerçek dünya uygulanabilirliğini azaltılabilir.
- [FONT=0]Implementation challenges[[Dönetici:0)[Dönetmelik engelleri[[Dönetici:0) -- Birçok su hizmeti, çok-objective optimizasyonu uygulamak için ev içi uzmanlık veya yazılım araçlarına sahip değildir. Eğitim ve bilgi transferi akademik araştırma ve operasyonel uygulama arasındaki boşlukları köprülemek için gereklidir.
Future: Machine Learning, Real-Time Optimizasyon ve Dijital Twins
Alan hızla gelişmektedir. Birkaç umut verici yol, akıllı su ağları için bir sonraki nesil çok-objective optimizasyonunu şekillendirmektedir.
Machine Learning ile entegrasyon
Makine öğrenimi (ML) hem dışsal modellemeyi hem de optimizasyonun kendisini güçlendirebilir. Derin takviye öğrenme (DRL) ajanları gerçek zamanlı olarak pompa işlemleri kontrol etmek için eğitilmiştir.[Döneticileri ticarette birden fazla hedeften muaf tutma politikaları.Bu arada, regresyon modelleri, Pareto cephede farklı noktalara ait bir dizi politikayı öğrenebilir, mevcut önceliklere dayanan bir dönüşüme dayalı olarak zenginleştirilebilir.
Gerçek Zamanlı Optimizasyon ve Dijital Twins
Dijital ikizler - gerçek zamanlı olarak güncelleme yapan fiziksel su ağlarının gerçek zamanlı kopyaları - dinamik multi-objective optimizasyon için ideal bir platform açın. Bu döngü, her 5-15 dakika içinde, sistemin hidrolik modeline yanıt vermesine izin verir, hızlı bir multi-objective optimize eder ve operasyonel ayarlamaları önerir (örneğin, bir basınç azaltıcı veya yükseltici pompa açar). Bu döngü, her 5-15 dakikayı çalıştırabilir ve sistemden herhangi bir şekilde otomatik olarak şarj edilebilir.
Robust ve Stochastic Multi-Objective Optimizasyon
Gelecek çalışma, optimizasyon çerçevesine doğrudan belirsizlik katacaktır.Dönetici hedefleri yerine, hedefler beklenen değerler veya ölçümler (örneğin, yüzde 95 baskı ihlalleri) en aza indirmek için tasarlanmıştır. Multi-objective problems under belirsizlik altındaki problemler hesaplamalı olarak talep edilir, ancak daha gerçekçi. Yöntemler.
Açık kaynak Araçları ve Collaborative Platforms
[FONT:0] [FONT:0] [FONT:2] [Python multi-objective optimizasyon) ve [DÜSÜSÜSÜSÜSÜSÜSÜSÜSÜye Olmayanlar İçin Gerekli Belgeler ve Yöntemler[Üye Olmayanlar İçin Tıklayınız.
Sonuç: Pragmatik bir Yol İleri
Çok-objective optimizasyonu gümüş bir mermi değildir, ancak hesaplama yöntemlerinde ilerlemeye devam edecek olan akıllı su ağları ve güvenilir. Ticaretle ilgili olarak, açık ve doğrulanabilir bir şekilde, güçlendirici mühendisler ve karar vericiler, su sistemindeki doğal çatışmaları gezinmek için önemlidir.