基于分层鲁棒优化的城市排水系统协同控制与优化运行技术研究

Increasing investments into environmental protection has facilitated the construction of rather complete urban drainage system in China. In the future, urban water environment management is facing a prospect of shifting its focus from the scale expansion of infrastructures to their robust and efficient operation. Optimizing the performances of urban drainage systems to minimize the risks of urban flooding and overflowing and to reduce the emissions of pollution load is the core measure in order to further improve the urban water environment quality in China. Therefore, the primary goal of this study is to answer the question of how to optimize urban drainage system performances. Given that urban drainage system features multiple control objectives, multi-time scales and large uncertainty, our study focuses on techniques of cooperative control and optimal operation of urban drainage systems, whose core elements are the control theory of system optimization, evaluation of emission reduction potential, high accuracy prediction of multi-source system inflows as well as hierarchical robust optimal control. This study provides new methods and tools to optimize China's urban drainage system operations in rainy season and improve their efficiencies, serving as technical supports for the delicacy management of sewerage infrastructures and the improvement of intelligent management.

不断提高的环境保护投入使我国城市已经建成了较为完备的城市排水系统。未来，城市的水环境治理重点必将从设施建设规模扩张向设施安全稳定高效运行转变。如何优化调控排水系统性能，以降低溢流内涝风险、减少水环境污染负荷的排放，将成为我国进一步改善城市水环境质量的核心任务。本研究以解决此问题为根本目标，针对城市排水系统多控制目标、多时间尺度、高不确定性的特点，开展以系统优化控制理论减排潜力评估、系统多源来水高精度预测及系统分层鲁棒优化控制为核心的城市排水系统协同控制与优化运行技术研究，为我国城市排水系统的雨季优化运行与效能提升提供新方法与新工具，为我国涉水基础设施的精细化管理与智能化水平提高提供技术支撑与保障。

协调排水管网的输送调蓄能力与污水处理厂的处理能力，充分挖掘系统的污染物减排潜力，是城市排水系统优化运行与效能提升的核心，但由于系统机理的复杂性和决策的非线性，目前城市排水系统的优化运行控制方法仍难以同时兼顾控制效果和计算效率。而人工智能技术的快速发展给这一问题带来了新的解决思路。但目前以强化学习为代表的人工智能技术在复杂城市排水系统控制领域的应用仍面临系统性框架缺失、“系统状态-控制动作-策略收益”响应机制复杂、控制动作空间高维等难点。.鉴于此，本研究综合运用数值模拟、神经网络、强化学习等技术手段，开展了基于强化学习的城市排水系统优化运行控制策略研究，搭建了基于强化学习的系统实时控制方法框架，提出了“系统层-管网层”分层实时优化算法，开发了面向系统实时控制的多智能体强化学习算法，构建了环境交互模型并设置了时空分异奖励函数，解决了目前城市排水系统实时控制所面临的控制效果和计算效率无法兼顾的难题。.运用所建立的方法和技术，以苏州市福星片区为例，开展了排水系统实时控制策略研究。260场实际降雨条件下，对于案例区域系统，强化学习控制策略相较于现状的静态规则控制策略在大雨、暴雨情景下，漫溢风险削减率达9.0%，在小于1mm降雨并且近旱天情景下，能耗削减率达4.9%，同时每5分钟的控制时间步长上计算时间仅为0.1秒。1场实际降雨条件下的现场监测验证结果表明，对于案例区域的排水系统，强化学习控制策略相较于静态规则控制策略能够削减94.9%的漫溢风险，并提高8.3%的液位达标率，同时每5分钟的控制时间步长上计算时间仅为1.8秒。由此可见，强化学习控制策略能够兼顾计算效率和控制效果，相较于静态规则控制策略，两者计算时间均接近秒级，但控制效果有所提升，相较于模型预测控制，两者控制效果较为接近，但计算时间从不可行的20分钟缩短至秒级。上述结果验证了本研究构建的强化学习控制策略的实用性和有效性。