一种SHMFF泵送系统并联水泵节能控制方法

一种shmff泵送系统并联水泵节能控制方法
技术领域
1.本发明涉及泵送系统控制技术领域，具体来说是一种shmff泵送系统并联水泵节能控制方法。

背景技术：

2.稳态强磁场实验装置(shmff)是我国建设的十一五重大科技基础设施，已于2017年9月27日圆满完成验收工作，磁体技术和综合性能处于国际领先地位。泵送系统对于国家大型实验装置的运行至关重要，shmff建设的磁体中有五台水冷磁体，磁体励磁过程中产生几十兆瓦的热量，需要使用去离子水进行冷却。
3.为了满足不同磁体的供水需求，泵送系统具有较宽的流量变化范围，需要多台水泵并联运行，其中多台水泵还涉及mc100-300的离心水泵和multiteca-125离心水泵两种类型。由于磁体结构的特殊性，在磁体水冷系统设计时，很难精确计算其局部阻力损失，并联泵组设计裕量过小导致水泵运行超出其最佳效率点(best efficient point,bep)，出现急速增加的噪音和振动，并引起电机过载，不仅耗能严重而且水泵故障率提高，影响磁体实验的正常进行。严重时，还会使磁体线圈冷却不足而损坏。
4.现有的并联泵组节能控制方法都是通过出厂样本数据或者实验室搭建的测试平台测试出来的额定工况下的运行数据来拟合性能曲线和建模计算，适用于工程设计或生产厂实验。但对于长期使用后的设备来说，由于机械磨损、电化学腐蚀和使用频率不同等原因，水泵的性能对比出厂时发生了不同程度的衰减，导致实际运行数据与出厂数据已产生较大的偏离。而且在实际使用中，限于实际的管网布局，无法对水泵在额定工况下进行性能测试，也就无法建立精确的数学模型。
5.因此，基于现有的泵组水力及结构设计很难改变的现状，如何通过运行调度和控制策略的优化来提升泵组运行中的可靠性及节能效果成为亟需解决的技术问题。

技术实现要素：

6.本发明的目的是为了解决现有技术中难以实现泵组协同节能控制的缺陷，提供一种shmff泵送系统并联水泵节能控制方法来解决上述问题。
7.为了实现上述目的，本发明的技术方案如下：
8.一种shmff泵送系统并联水泵节能控制方法，包括以下步骤：
9.并联水泵组运行参数的获取：获取shmff泵送系统中mc100-300的离心水泵和multiteca-125离心水泵的运行数据，并进行预处理；
10.bp神经网络的构建：针对mc100-300的离心水泵构建bp神经网络a、针对multiteca-125离心水泵构建bp神经网络b；
11.bp神经网络的训练：利用mc100-300离心水泵、multiteca-125离心水泵的实测数据分别对bp神经网络a、bp神经网络b进行训练；
12.bp神经网络a和bp神经网络b的优化：利用遗传算法分别对bp神经网络a和bp神经
网络b的权值、阈值进行优化，得到优化后的神经网络ga-bp a和神经网络ga-bp b；
13.最优流量分配方案的生成：使用粒子法连接神经网络ga-bp a和神经网络ga-bp b，在给定需求下，为每一个水泵组合搜索出最优流量分配方案；
14.并联水泵的节能控制：将最优流量分配方案，即单泵扬程和搜索到的最优流量分配输入到相应水泵型号所对应的神经网络ga-bp a或神经网络ga-bp b中，计算出不同的泵组并联后的总功率，选择总功率最低的作为最优的并联运行方案，以此对并联水泵进行节能控制。
15.所述并联水泵组运行参数的获取包括以下步骤：
16.通过mc100-300离心水泵组进出口的压力表、流量计、泵轴上的扭矩转速传感器分别测量出单泵及多泵变频运行时，工作点的扬程、流量及轴功率值，记为数据集a；
17.通过multiteca-125离心水泵组进出口的压力表、流量计、泵轴上的扭矩转速传感器分别测量出单泵及多泵变频运行时，工作点的扬程、流量及轴功率值，记为数据集b；
18.将以上测得的扬程、流量和轴功率数据进行归一化预处理，数据归一化公式如下：
19.xk＝(x
k-x
min
)/(x
max-x
min
)，
20.其中，xk为扬程、流量或轴功率值，x
min
为相应数据集的最小值，x
max
为相应数据集的最大值。
21.所述bp神经网络的构建包括以下步骤：
22.为mc100-300离心水泵建立bp神经网络a；
23.设定bp神经网络a包括输入层、隐藏层和输出层；其中，输入层的节点为2个，分别为单泵的扬程和流量，输出层的节点为1个，其为单泵的轴功率值，隐含层个数按照2n+1的公式计算得出，其中n是输入节点的个数；
24.设定隐藏层采用正切s型传递函数，隐藏层神经元的输入为所有输入的加权之和，即
25.xj＝∑iw
ij
xi，
26.隐藏层神经元的输出x
′j采用s函数激发xj，得
[0027][0028]
则
[0029][0030]
其中，xj为隐藏层神经元的输入，w
ij
为输入层与隐含层连接权值，x
′j为隐藏层神经元的输出；
[0031]
设定输出层采用线性传递函数，输出层神经元yk的输出为：
[0032][0033]
其中，网络第k个输出与相应理想输出的误差为ek,第p个样本的误差性能指标函数为n为网络输出层的个数；
[0034]
为multiteca-125离心水泵建立bp神经网络b。
[0035]
所述bp神经网络的训练包括以下步骤：
[0036]
使用获得的数据集a，其中2/3的数据用来训练神经网络a，另外1/3的数据作为bp神经网络a的验证集；
[0037]
使用获得的数据集b，其中2/3的数据用来训练神经网络b，另外1/3的数据作为bp神经网络b的验证集；
[0038]
设定训练函数采用levenberg-marquardt算法，网络学习函数采用带动量项的bp学习规则。
[0039]
所述bp神经网络a和bp神经网络b的优化包括以下步骤：
[0040]
使用遗传算法通过选择、交叉、变异操作的多次迭代，减小适应度函数值，从而不断地优化bp神经网络a的权值和阈值，直到满足允许的均方误差为止：
[0041]
种初始化：个体编码方法为实数编码，个体编码长度为18+7＝25；
[0042]
适应度函数计算：根据每组水泵训练数据训练bp神经网络后预测系统的轴功率输出，把预测输出和期望输出之间的误差绝对值作为个体适度度q，期望输出即为实际测得的轴功率值，其计算公式如下：
[0043][0044]
式中，n为网络输出节点数，yk为bp神经网络第k个节点的期望输出，ok为第k个节点的预测输出，δ为系数，abs是求绝对值；
[0045]
选择操作：采用赌法，基于适应度比例的选择策略，每个个体i的选择概率pi为
[0046][0047]
式中，qi和qj为个体的适应度值，δ为系数，s为种个体数目；
[0048]
交叉操作：采用实数交叉法，第m个染体am和第n个染体an在j位的交叉操作方法如下：
[0049]amj
＝a
mj
(1-b)+a
njb[0050]anj
＝a
nj
(1-b)+a
mjb[0051]
式中，a
mj
指染体am的第j位，a
nj
指染体an的第j位，b是[0,1]间的随机数；
[0052]
变异操作：选举第i个个体的第j个基因a
ij
进行变异，变异算法如下：
[0053][0054]
式中，a
max
为基因a
ij
的上界，a
min
为基因a
ij
的下届，h(g)＝r2(1-g/g
max
)2，r2为一个随机数，g为当前迭代次数，g
max
为最大进化次数，r为[0,1]间的随机数；
[0055]
更新权值和阈值：经过遗传算法多次迭代后，得到适应度函数最低的最优个体，赋值给bp神经网络的权值和阈值，优化后得到神经网络ga-bp a；
[0056]
按照以上方法和步骤，使用遗传算法优化bp神经网络b的权值和阈值，优化后得到
神经网络ga-bp b。
[0057]
所述最优流量分配方案的生成包括以下步骤：
[0058]
在给定的供水需求下，使用粒子法连接神经网络ga-bp a和神经网络ga-bp a、神经网络ga-bp a和神经网络ga-bp b、神经网络ga-bp b和神经网络ga-bp b；
[0059]
使用单泵扬程和流量(h，q)向量组作为粒子，粒子的适应度函数f如下：
[0060][0061]
其中，l是水泵台数，l≤m+n,m为水泵a的总台数，n为水泵b的总台数，n
shaft
为单泵的轴功率值；
[0062]
将粒子的个数设为水泵的运行台数，不同的粒子间扬程相同，流量总和为需求流量；
[0063]
将水泵组合分别设为若干台mc100-300的离心水泵之间并联、若干台multiteca-125离心水泵之间并联，若干台mc100-300的离心水泵与若干台multiteca-125离心水泵之间并联，其并联运行台数均低于shnff泵送系统总台数；
[0064]
利用粒子速度和位置的更新，为每一个水泵组合搜索最优的流量分配，使得该组合下的适应度函数最低，生成最优流量分配方案。
[0065]
有益效果
[0066]
本发明的一种shmff泵送系统并联水泵节能控制方法，与现有技术相比利用实际使用中测试到的有限数据集，实现了不同性能并联变频水泵组节能控制优化，可贴合设备的实际运行情况并计算，最大程度发挥变频泵组的节能效应。
[0067]
本发明所述方法无需数学建模，基于pso-ga的bp神经网络，依据设备实际运行时的性能数据，预测并选择出泵组最佳的节能运行方案；该方法更加贴合设备实际的情况，并且能够根据设备的运行变化实时更新，以求得到更加真实准确的预测结果，从而为并联泵组制定出切实有效的运行方案。
附图说明
[0068]
图1为本发明的方法顺序图；
[0069]
图2为本发明所涉及的bp神经网络拓朴结构图；
[0070]
图3为本发明所涉及的优化后的神经网络ga-bp拓朴结构图；
[0071]
图4为本发明所涉及的pso算法的函数寻优算法流程图；
[0072]
图5为本发明所涉及的bp神经网络训练时的均方误差变化图；
[0073]
图6为本发明所涉及的ga-bp神经网络中遗传算法优化权值阈值过程中的适应度变化图。
具体实施方式
[0074]
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
[0075]
如图1所示，本发明所述的一种shmff泵送系统并联水泵节能控制方法，包括以下
步骤：
[0076]
第一步，并联水泵组运行参数的获取：获取shmff泵送系统中mc100-300的离心水泵和multiteca-125离心水泵的运行数据，并进行预处理。
[0077]
(1)通过mc100-300离心水泵组进出口的压力表、流量计、泵轴上的扭矩转速传感器分别测量出单泵及多泵变频运行时，工作点的扬程、流量及轴功率值，记为数据集a。
[0078]
(2)通过multiteca-125离心水泵组进出口的压力表、流量计、泵轴上的扭矩转速传感器分别测量出单泵及多泵变频运行时，工作点的扬程、流量及轴功率值，记为数据集b。
[0079]
(3)将以上测得的扬程、流量和轴功率数据进行归一化预处理，数据归一化公式如下：
[0080]
xk＝(x
k-x
min
)/(x
max-x
min
)，
[0081]
其中，xk为扬程、流量或轴功率值，x
min
为相应数据集的最小值，x
max
为相应数据集的最大值。
[0082]
第二步，bp神经网络的构建：针对mc100-300的离心水泵构建bp神经网络a、针对multiteca-125离心水泵构建bp神经网络b。
[0083]
由于shmff泵送系统中多台水泵，其分有两种型号，即mc100-300和multiteca-125。由于这两种型号的离心水泵所对应的多台水泵，则需要对两种型号的离心水泵分别按同样的方法建立其bp神经网络。
[0084]
在实际应用中，分别测量出单台水泵在不同频率下单独运行、两台并联运行、三台并联运行、四台并联运行时工作点的扬程、流量和轴功率参数，要注意选择测量的数据集能覆盖尽可能大的工作区域，可以发现，通过设备出厂样本数据拟合出的不同频率下的h-q性能曲线中，实际测量的工作点已经与出厂数据拟合出的曲线有了一定的偏差，尤其在一些非设计工况下。所以，即便拟合的性能曲线是准确的，也无法描述实际的工作点参数。而bp神经网络却可以很好地解决这个问题。
[0085]
bp神经网络的构建的具体步骤如下：
[0086]
(1)为mc100-300离心水泵建立bp神经网络a。
[0087]
a1)如图2所示，设定bp神经网络a包括输入层、隐藏层和输出层；其中，输入层的节点为2个，分别为单泵的扬程和流量，输出层的节点为1个，其为单泵的轴功率值，隐含层个数按照2n+1的公式计算得出，其中n是输入节点的个数。
[0088]
a2)设定隐藏层采用正切s型传递函数，隐藏层神经元的输入为所有输入的加权之和，即
[0089]
xj＝∑iw
ij
xi，
[0090]
隐藏层神经元的输出x
′j采用s函数激发xj，得
[0091][0092]
则
[0093][0094]
其中，xj为隐藏层神经元的输入，w
ij
为输入层与隐含层连接权值，x
′j为隐藏层神经元的输出。
[0095]
a3)设定输出层采用线性传递函数，输出层神经元yk的输出为：
[0096][0097]
其中，网络第k个输出与相应理想输出的误差为ek,第p个样本的误差性能指标函数为n为网络输出层的个数。
[0098]
(2)按上述同样方法，为multiteca-125离心水泵建立bp神经网络b。
[0099]
第三步，bp神经网络的训练：利用mc100-300离心水泵、multiteca-125离心水泵的实测数据分别对bp神经网络a、bp神经网络b进行训练。
[0100]
(1)使用获得的数据集a，其中2/3的数据用来训练神经网络a，另外1/3的数据作为bp神经网络a的验证集。
[0101]
(2)使用获得的数据集b，其中2/3的数据用来训练神经网络b，另外1/3的数据作为bp神经网络b的验证集。
[0102]
(3)设定训练函数采用levenberg-marquardt算法，网络学习函数采用带动量项的bp学习规则。
[0103]
第四步，bp神经网络a和bp神经网络b的优化：利用遗传算法分别对bp神经网络a和bp神经网络b的权值、阈值进行优化，得到优化后的神经网络ga-bp a和神经网络ga-bp b。
[0104]
由于bp神经网络是一种对局部进行搜索的优化方法，权值以及阈值大都是通过沿局部优化的方向逐渐进行修改的，这就使得bp神经网络经常会陷入局部最优解的境地。加上在bp神经网络中一点的改变就会造成全局不同的结果，以不同的权值训练网络，其结果往往是收敛于不同局部的最小值，使得每次训练的结果和时间都大有不同。而遗传算法具有良好的全局搜索能力，可以快速的将解空间中的全体搜索出来，而不会陷入局部最优解的快速下降陷阱，所以本发明使用遗传算法去优化bp神经网络的权值和阈值。
[0105]
其具体步骤如下：
[0106]
(1)使用遗传算法通过选择、交叉、变异操作的多次迭代，减小适应度函数值，从而不断地优化bp神经网络a的权值和阈值，直到满足允许的均方误差为止：
[0107]
b1)种初始化：个体编码方法为实数编码，个体编码长度为18+7＝25；
[0108]
b2)适应度函数计算：根据每组水泵训练数据训练bp神经网络后预测系统的轴功率输出，把预测输出和期望输出之间的误差绝对值作为个体适度度q，期望输出即为实际测得的轴功率值，其计算公式如下：
[0109][0110]
式中，n为网络输出节点数，yk为bp神经网络第k个节点的期望输出，ok为第k个节点的预测输出，δ为系数，abs是求绝对值；
[0111]
b3)选择操作：采用赌法，基于适应度比例的选择策略，每个个体i的选择概率pi为
[0112][0113]
式中，qi和qj为个体的适应度值，δ为系数，s为种个体数目；
[0114]
b4)交叉操作：采用实数交叉法，第m个染体am和第n个染体an在j位的交叉操作方法如下：
[0115]amj
＝a
mj
(1-b)+a
njb[0116]anj
＝a
nj
(1-b)+a
mjb[0117]
式中，a
mj
指染体am的第j位，a
nj
指染体an的第j位，b是[0,1]间的随机数；
[0118]
b5)变异操作：选举第i个个体的第j个基因a
ij
进行变异，变异算法如下：
[0119][0120]
式中，a
max
为基因a
ij
的上界，a
min
为基因a
ij
的下届，h(g)＝r2(1-g/g
max
)2，r2为一个随机数，g为当前迭代次数，g
max
为最大进化次数，r为[0,1]间的随机数；
[0121]
b6)更新权值和阈值：经过遗传算法多次迭代后，得到适应度函数最低的最优个体，赋值给bp神经网络的权值和阈值，优化后得到神经网络ga-bp a。
[0122]
(2)按照以上方法和步骤，使用遗传算法优化bp神经网络b的权值和阈值，优化后得到神经网络ga-bp b。
[0123]
第五步，最优流量分配方案的生成：使用粒子法连接神经网络ga-bp a和神经网络ga-bp b，在给定需求下，为每一个水泵组合搜索出最优流量分配方案。
[0124]
(1)在给定的供水需求下，使用粒子法连接神经网络ga-bp a和神经网络ga-bp a(若干个mc100-300的离心水泵的组合)、神经网络ga-bp a和神经网络ga-bp b(若干台multiteca-125离心水泵组合)、神经网络ga-bp b和神经网络ga-bp b(多台mc100-300的离心水泵与多台multiteca-125离心水的组合)，
[0125]
使用单泵扬程和流量(h，q)向量组作为粒子，粒子的适应度函数f如下：
[0126][0127]
其中，l是水泵台数，l≤m+n,m为水泵a的总台数，n为水泵b的总台数，n
shaft
为单泵的轴功率值。
[0128]
(2)将粒子的个数设为水泵的运行台数，不同的粒子间扬程相同，流量总和为需求流量。
[0129]
(3)将水泵组合分别设为若干台mc100-300的离心水泵之间并联、若干台multiteca-125离心水泵之间并联，若干台mc100-300的离心水泵与若干台multiteca-125离心水泵之间并联，其并联运行台数均低于shnff泵送系统总台数。
[0130]
(4)利用粒子速度和位置的更新，为每一个水泵组合搜索最优的流量分配，使得该组合下的适应度函数最低，生成最优流量分配方案。
[0131]
第六步，并联水泵的节能控制：将最优流量分配方案，即单泵扬程和搜索到的最优流量分配输入到相应水泵型号所对应的神经网络ga-bp a或神经网络ga-bp b中，计算出不
同的泵组并联后的总功率，选择总功率最低的作为最优的并联运行方案，以此对并联水泵进行节能控制。
[0132]
如图5所示，其描述了bp神经网络训练时的均方误差变化，可见均方误差在第六轮迭代后就已经比较理想了。如图6所示，其描述了ga-bp神经网络中遗传算法优化权值阈值过程中的适应度变化，可见二十轮迭代后就已经比较理想了。
[0133]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

技术特征：

1.一种shmff泵送系统并联水泵节能控制方法，其特征在于，包括以下步骤：11)并联水泵组运行参数的获取：获取shmff泵送系统中mc100-300的离心水泵和multiteca-125离心水泵的运行数据，并进行预处理；12)bp神经网络的构建：针对mc100-300的离心水泵构建bp神经网络a、针对multiteca-125离心水泵构建bp神经网络b；13)bp神经网络的训练：利用mc100-300离心水泵、multiteca-125离心水泵的实测数据分别对bp神经网络a、bp神经网络b进行训练；14)bp神经网络a和bp神经网络b的优化：利用遗传算法分别对bp神经网络a和bp神经网络b的权值、阈值进行优化，得到优化后的神经网络ga-bp a和神经网络ga-bp b；15)最优流量分配方案的生成：使用粒子法连接神经网络ga-bp a和神经网络ga-bp b，在给定需求下，为每一个水泵组合搜索出最优流量分配方案；16)并联水泵的节能控制：将最优流量分配方案，即单泵扬程和搜索到的最优流量分配输入到相应水泵型号所对应的神经网络ga-bp a或神经网络ga-bp b中，计算出不同的泵组并联后的总功率，选择总功率最低的作为最优的并联运行方案，以此对并联水泵进行节能控制。2.根据权利要求1所述的一种shmff泵送系统并联水泵节能控制方法，其特征在于，所述并联水泵组运行参数的获取包括以下步骤：21)通过mc100-300离心水泵组进出口的压力表、流量计、泵轴上的扭矩转速传感器分别测量出单泵及多泵变频运行时，工作点的扬程、流量及轴功率值，记为数据集a；22)通过multiteca-125离心水泵组进出口的压力表、流量计、泵轴上的扭矩转速传感器分别测量出单泵及多泵变频运行时，工作点的扬程、流量及轴功率值，记为数据集b；23)将以上测得的扬程、流量和轴功率数据进行归一化预处理，数据归一化公式如下：x
k
＝(x
k-x
min
)/(x
max-x
min
)，其中，x
k
为扬程、流量或轴功率值，x
min
为相应数据集的最小值，x
max
为相应数据集的最大值。3.根据权利要求1所述的一种shmff泵送系统并联水泵节能控制方法，其特征在于，所述bp神经网络的构建包括以下步骤：31)为mc100-300离心水泵建立bp神经网络a；311)设定bp神经网络a包括输入层、隐藏层和输出层；其中，输入层的节点为2个，分别为单泵的扬程和流量，输出层的节点为1个，其为单泵的轴功率值，隐含层个数按照2n+1的公式计算得出，其中n是输入节点的个数；312)设定隐藏层采用正切s型传递函数，隐藏层神经元的输入为所有输入的加权之和，即x
j
＝∑
i
w
ij
x
i
，隐藏层神经元的输出x
′
j
采用s函数激发x
j
，得则
其中，x
j
为隐藏层神经元的输入，w
ij
为输入层与隐含层连接权值，x
′
j
为隐藏层神经元的输出；313)设定输出层采用线性传递函数，输出层神经元y
k
的输出为：其中，网络第k个输出与相应理想输出的误差为e
k
,第p个样本的误差性能指标函数为n为网络输出层的个数；32)为multiteca-125离心水泵建立bp神经网络b。4.根据权利要求1所述的一种shmff泵送系统并联水泵节能控制方法，其特征在于，所述bp神经网络的训练包括以下步骤：41)使用获得的数据集a，其中2/3的数据用来训练神经网络a，另外1/3的数据作为bp神经网络a的验证集；42)使用获得的数据集b，其中2/3的数据用来训练神经网络b，另外1/3的数据作为bp神经网络b的验证集；43)设定训练函数采用levenberg-marquardt算法，网络学习函数采用带动量项的bp学习规则。5.根据权利要求1所述的一种shmff泵送系统并联水泵节能控制方法，其特征在于，所述bp神经网络a和bp神经网络b的优化包括以下步骤：51)使用遗传算法通过选择、交叉、变异操作的多次迭代，减小适应度函数值，从而不断地优化bp神经网络a的权值和阈值，直到满足允许的均方误差为止：511)种初始化：个体编码方法为实数编码，个体编码长度为18+7＝25；512)适应度函数计算：根据每组水泵训练数据训练bp神经网络后预测系统的轴功率输出，把预测输出和期望输出之间的误差绝对值作为个体适度度q，期望输出即为实际测得的轴功率值，其计算公式如下：式中，n为网络输出节点数，y
k
为bp神经网络第k个节点的期望输出，o
k
为第k个节点的预测输出，δ为系数，abs是求绝对值；513)选择操作：采用赌法，基于适应度比例的选择策略，每个个体i的选择概率p
i
为式中，q
i
和q
j
为个体的适应度值，δ为系数，s为种个体数目；514)交叉操作：采用实数交叉法，第m个染体a
m
和第n个染体a
n
在j位的交叉操作方
法如下：a
mj
＝a
mj
(1-b)+a
nj
ba
nj
＝a
nj
(1-b)+a
mj
b式中，a
mj
指染体a
m
的第j位，a
nj
指染体a
n
的第j位，b是[0,1]间的随机数；515)变异操作：选举第i个个体的第j个基因a
ij
进行变异，变异算法如下：式中，a
max
为基因a
ij
的上界，a
min
为基因a
ij
的下届，h(g)＝r2(1-g/g
max
)2，r2为一个随机数，g为当前迭代次数，g
max
为最大进化次数，r为[0,1]间的随机数；516)更新权值和阈值：经过遗传算法多次迭代后，得到适应度函数最低的最优个体，赋值给bp神经网络的权值和阈值，优化后得到神经网络ga-bp a；52)按照以上方法和步骤，使用遗传算法优化bp神经网络b的权值和阈值，优化后得到神经网络ga-bp b。6.根据权利要求1所述的一种shmff泵送系统并联水泵节能控制方法，其特征在于，所述最优流量分配方案的生成包括以下步骤：61)在给定的供水需求下，使用粒子法连接神经网络ga-bp a和神经网络ga-bp a、神经网络ga-bp a和神经网络ga-bp b、神经网络ga-bp b和神经网络ga-bp b；使用单泵扬程和流量(h，q)向量组作为粒子，粒子的适应度函数f如下：其中，l是水泵台数，l≤m+n,m为水泵a的总台数，n为水泵b的总台数，n
shaft
为单泵的轴功率值；62)将粒子的个数设为水泵的运行台数，不同的粒子间扬程相同，流量总和为需求流量；63)将水泵组合分别设为若干台mc100-300的离心水泵之间并联、若干台multiteca-125离心水泵之间并联，若干台mc100-300的离心水泵与若干台multiteca-125离心水泵之间并联，其并联运行台数均低于shnff泵送系统总台数；64)利用粒子速度和位置的更新，为每一个水泵组合搜索最优的流量分配，使得该组合下的适应度函数最低，生成最优流量分配方案。

技术总结

本发明涉及一种SHMFF泵送系统并联水泵节能控制方法，与现有技术相比解决了难以实现泵组协同节能控制的缺陷。本发明包括以下步骤：并联水泵组运行参数的获取；BP神经网络的构建；BP神经网络的训练；BP神经网络A和BP神经网络B的优化；最优流量分配方案的生成；并联水泵的节能控制。本发明利用实际使用中测试到的有限数据集，实现了不同性能并联变频水泵组节能控制优化，可贴合设备的实际运行情况并计算，最大程度发挥变频泵组的节能效应。最大程度发挥变频泵组的节能效应。最大程度发挥变频泵组的节能效应。