广东粤港供水有限公司广东深圳518021
摘要：管网漏失更是一项涉及环境可持续发展、饮水安全和影响居民健康的潜在问题[1-3]。供水管网的压力管理对实现按需供水、减少漏损和降低能耗具有重要的意义，对管网压力的控制可以有效的避免局部管网中不必要的高压力出现，减少爆管事故的发生，实现压力控制需研究与分析减压控制策略，通过控制策略配合减压阀硬件等实现管网减压。研究供水管网减压控制的多种策略并将其应用于实际案例中，从应用效果来看，区域漏失率可在现有基础上至少降低4%-5%，表明采用减压控制可有效的降低管网压力过高区域的真实漏损，降低产销差，采用减压控制是对供水管网局部压力过高区域漏失控制的有效手段。
关键词：供水管网；减压控制策略；减压阀；管网漏失控制
1.供水管网减压控制策略研究
供水管网减压控制示意图如下图1，在压力过高的DMA区域安装减压阀，假定入口流量为Q，阀前压力为P1，通过减压后阀后压为P2，确定小区最不利点压力为P3，而实际压力为Ps，则减压阀压力控制目标为：通过调节阀后压P2，使得Ps→P3。今假定减压阀至最不利点的压力损失为f（Q），则其数学模型可表示为：
由于f（Q）关系复杂，对于同一入口流量Q，在不同的用水条件下，f值也是不同的，即f=f（Q，t），因而该模型是不便直接求解的。考虑到针对实际问题，可采集一系列离散点（Qi，dPi），只要样本数据足够，通过数理统计方法就可确定合理的P2值。由于压力控制时，为保证最不利点实际压力不低于P3，即Ps≥P3，则从满足供水安全上考虑，实际dPi取值应为max（dPi，t）（或给予较大的置信度）。
从时间上看，下一时刻管网参数均未知，因而减压阀的压力控制属于预测控制，因此需事先给出入口流量Q，于是确定减压阀压力控制策略需解决如下问题：
①得到dP与Q的统计关系（dP~Q曲线）；
②预测阀入口流量Q（Q~t曲线）；
③给出阀后压策略值P2（P2~t曲线）。
注：减压阀控制形式不同，需解决的问题亦不同，如采用压力-时间控制方式，则只需解决问题③。
1.1dP~Q曲线的确定
若采集到实际运行压力、流量数据，该问题可转化为一个离散动态优化问题，以下将分别采用置信上限曲线拟合及人工神经网络仿真预测2种方法来探讨解决此问题。
方法一：曲线置信上限拟合，当样本数据足够时，对于不同的入口流量Q，离散点dPi的分布应呈统计学规律，因而可先采用最小二乘拟合求得离散点的最佳趋势线，然后对于给定的置信水平α，可求得置信度为1-α的置信区间曲线，然后再取置信上限曲线，那么落在该条曲线以下的概率为1-α/2。
在没有减压阀实际工作的数据情况下，取P3=20m，拟定P2=28~38m，Q=3~20L/s，根据公式P=Pi+L•rand（）随机产生不同Qs流量下的压力样本数据P2s、P3s，取离散点数据（Qi，dPi）。对于离散点压力按所对应的流量大小（从小到大）进行排序，得新的点（Qi’，dPi’），采用最小二乘法进行拟合得曲线L1，并求出置信度为95%（可变）的置信区间，取置信上限，得曲线L2，则点落在曲线L2以下的概率为97.5%。
如上图2所示，得到曲线L2后，采用内插法（或利用L1及其偏移量）即可求得不同Q下的dP值，从而可求得P2。
方法二：人工神经网络仿真预测，对于同一入口流量Q，实际统计中dP的取值不一，而控制策略中是取其上限。而随着数据量的积累，该概率上限会发生动态变化，考虑到神经网络的自适应学习特点，采用人工神经网络仿真该dP~Q上限曲线，那么通过学习好了的网络，即可预测不同Q下的dP值。选择合适的步长，对（Qi，dPi）系列进行离散化，对于离散点压力按所对应的流量大小（从小到大）进行排序，求得同一Q下dPi的97.5%（可变）概率上限，然后采用人工神经网络仿真一系列Q对应的dP概率上限，得曲线dP~Q。
得到训练好的网络（dP~Q曲线）后，采用预测的Q（见水量预测部分），通过网络学习可得不同Q下的dP值，从而可求得P2。
1.2Q~t曲线的确定
主要采用ARMA时间序列模型和小波神经网络模型来进行区域入口的时用水流量预测。
在CP市两个独立区域（DMA区域01和DMA区域02）的入口装有流量计，采集区域2016.5.1~6.18共49天的24小时流量数据来预测第50天的时用水量。经多阶数模拟计算，ARMA模型预测时，区域一采用ARMA（2，25），区域二采用ARMA（3，25）。其ARMA模型预测结果如图4所示，小波神经网络预测结果如图5所示，其误差比较结果如表1所示。
从预测结果可看出，分区入口流量预测采用ARMA模型和WaveNN模型预测效果均较好，时用水量预测平均误差在5%左右。
1.3减压阀P2~t曲线的确定
对于压力-流量控制的减压阀，在上两步dP~Q与Q~t曲线确定的情况下，通过模型计算或插值即可求得P2~t曲线。为了便于理清思路及方便编程计算，以下以dP~Q曲线的人工神经网络算法设计减压阀策略程序流程图如图6所示，仿真结果如图7所示。
1.4采用压力-时间控制（P~t）
由于Q为时间序列（Q~t），若P与Q的变化同步，则P2的变化将也呈现周期性，因而可直接采用时间序列模型预测下一时刻的P2值。该控制方式较依赖于原始数据，建议仅用于压力-流量控制策略中初始P2的确定。
在缺少实际减压阀运行数据情况下，以下暂采用DMA区域01中的0139号测压点20天的压力实测数据来推算DMA区域01入口安装减压阀时P2点策略值。
经计算得该时间序列模型判定系数R2=0.88，其预测值与实际值相比，平均绝对误差为1.06m，百分比误差为3.17%，整体效果较好，但部分点预测压力误差超过3m，因而还有待用安阀后实际数据来模拟。
2供水管网减压控制应用实例
2.1实例基本情况
笔者以某一独立的DMA区域01经降压潜力测试后在区域入口安装减压阀站，区域基本情况如下图9和表2：
2.2区域压力控制方案
通过入口阀门调节，粗略调整最不利点压力控制约20米范围，瞬时流量降低20m3/h，因夜间为压力最低，用水量最小的时段，则每日最少可节约480m³/d，管网漏失最低减少了34%。本区域压力控制方案首先采用最不利点（P3）两阶段压力控制，再通过优化采用最不利点多阶段压力控制。基于变化面积出流（FAVAD）理论，管网中压力的变化直接与管网漏失相关：L1/L0=（P41/P40）N1（N1取值0.5~1），根据该区域供水基本情况，估算该区域基于最不利点的两段式控制效果见表3。
表3DMA区域01基于最不利点的两段式控制效果（估算）
Tab.3ControleffecttwostagesbasedontheworstadversepointinDMAarea01（estimated）
根据区域建筑物和用户特点，设定两阶段最不利点压力控制策略为：0：00~06：30压力控制值为10m，6：30~24：00压力控制值为20m。
通过对入口阀门的调节，粗略调整入口阀门，使最不利点压力控制在10~20米范围内。如图10所示。
2.3减压阀选型
该DMA区域01过阀最大流量包括最高时最大用水量和消防用水量，最高时最大用水量365m3/h=101.4l/s，消防流量=15L/s，总和为116.4L/s，最小压力：减压阀处最小压力0.35MPa，最不利点白天设定压力为0.20MPa，夜间设定压力0.10MPa，其DMA区域技术分析如下表4。
表4DMA区域01减压阀技术分析
Tab.4TechnicalanalysisofthepressurereducingvalveinDMAarea01
2.4DMA区域01控制策略实施及效果
通过实测与分析，DMA区域01夜间入口流量Q与最不利点压力P3之间的关系，如图12所示。确定该分区管网漏损量与压力调整的关系后，开展DMA的压力控制工作，通过分析DMA区域01压力流量监测数据，制定出压力控制策略，分析制控前后的该区域压力变化如图12所示。
由图15及图16分析可知，控制区域入口压力，凌晨（1：00-6：00）流量降低了7.2m3/h，富余压力降低了0.10MPa，按该区可接受最低自由水头进行计算，该区漏失率可在现有基础上至少降低4%-5%。
DMA区域01在2016年5月至7月的漏损量情况如表6所示：
表5DMA区域01产销差率统计情况表
Tab.6TheproductionratestatisticaltableofDMAarea01
分析可知：在逐步采取供水管网改造降低漏失的措施后，DMA区域01漏损水量依然较高，漏失率超过30%，说明该片区域漏失与供水管网平均压力直接相关，采用智能压力管理方式能最大限度地降低DMA区域01的漏失率。
3结论
1）可通过ARMA模型、WaveNN模型和人工神经网络等方法研究减压阀策略，并针对减压阀的不同控制方式（如压力-时间、压力-流量和流量-时间）可采用不同的方法就行减压阀策略研究，研究效果跟实际相差不大。
2）DMA区域漏失程度与区域内管网平均压力直接相关，采用减压阀压力控制已成为有效解决管网中局部高压力出现及爆管事故的一种重要手段，采用合理的减压阀控制策略，可在一定程度上降低管网漏失率，减少爆管事故的发生。
参考文献：
1]供水管网的泄漏及压力管理[J].中国给水排水，2006，9.
[2]LambertA．Whatdoweknowaboutpressure：leakagerelationshipsindistributionsystems[J]．JournalofWaterResourcesPlanningandManagement，2010，156（4）：152—161．
[4]马悦，于浩.供水管网水力建模与漏失控制[J].供水技术，2014，2.
基金项目编号：深圳市技术创新计划科技应用示范项目（SF20170084）；