在城市供水系统中,泵站是整个系统正常运转的枢纽,也是主要的耗能单元。目前我国大多数供水泵站仍采用人工经验的调度模式,不合理的运行方式不仅造成较大的能源浪费,可能还会导致管网漏水、爆管等问题。因此,为了降低泵站能源消耗,减少管网事故,泵站的优化调度研究是十分有必要的。本文围绕泵站优化运行的目标,以M市供水区域为研究对象,进行了城市用水量预测、供水管网水力模型分析和泵站优化调度研究。主要工作如下:1.建立基于BP神经网络的用水量预测模型,以过去24小时的用水量数据为输入变量,未来一小时的用水量为预测目标。此外,鉴于BP神经网络易陷入局部极值、初始权值和阈值随机性强等缺陷,充分利用人工电场算法(AEFA)全局搜索能力强的特点,引入AEFA算法优化BP神经网络的初始权值与阈值,构建AEFA-BP用水量预测模型。较之单一BP神经网络,AEFA-BP组合模型在大部分时段的预测误差控制在3%以内,预测精度得到提高。2.供水管网水力模型分为微观模型和宏观模型,通过分析两者的原理、适用条件及应用范围,可知宏观模型建模简便,运算速度快,更适用于供水系统的实时优化调度,故以泵站的供水压力为预测目标,建立基于BP神经网络的供水管网宏观模型。通过实例检验,全部时段下的预测误差都低于4%,模拟结果能为优化调度提供数据支持。3.泵站优化调度作为本文的研究目的,建立了以水泵机组能耗最小为目标函数,以单泵供水能力、泵站供水量和压力、变频泵调速比为约束条件的数学模型。针对大多数泵站优化调度研究仅考虑水泵的消耗功率,而忽略了变频器和电机损耗对优化结果的影响,进而建立计及变频器和电机损耗的泵站优化调度模型。根据城市的用水量及供水压力变化规律,把一个调度周期(通常为24小时)划分为6个时段。最后该数学模型使用寻优能力较强的AEFA算法求解,各时段得到的优化调度方案能够有效降低水泵机组能耗。