基于图卷积网络的供水管网智能实时泵站调度优化研究

为解决传统泵站调度依赖人工经验导致的系统性优化不足、资源浪费及管道设备加速老化问题，研究人员开发了基于时空图卷积网络(STGCN)的泵站调度优化方法(STOPS)，通过预测未来水压需求并构建多目标优化模型，实现了能耗降低22.2%-29.6%的实时优化调度，为智慧水务提供创新解决方案。

　　

传统供水管网(WDN)运营长期面临"双高"困境：高昂的电力成本占运营总支出65%，其中70-80%来自泵站能耗；同时经验式调度导致管网压力失衡，加速老旧管道泄漏，每年造成大量无收益水量损失。这种粗放管理模式在城市化加速的背景下愈发凸显矛盾——管网拓扑结构日益复杂，人工调度既难以应对实时需求波动，又无法统筹能效与漏损控制。更棘手的是，现有优化算法存在致命缺陷：要么因计算耗时丧失实时性，要么因模型简化导致调度方案在实际部署时引发低压事故。

中国某高校水务工程团队在《Water Research X》发表的这项研究，创新性地将深度学习与水力物理学融合，开发出时空优化的泵站调度框架(STOPS)。该研究通过EPANET水力模拟构建管网拓扑图，利用时空图卷积网络(STGCN)预测未来12小时的水压需求，进而采用非支配排序遗传算法(NSGA-II)生成兼顾能耗与漏损的多目标优化方案。关键技术突破在于：首创水力路径驱动的图结构提取方法，将监测点间动态流径转化为图卷积的邻接矩阵；设计"预测-优化"闭环系统，通过STGCN预测结果动态约束优化模型，解决了传统方法中时空失配的核心痛点。

网络水力状态预测模型构建
研究团队通过Dijkstra算法提取监测点间最短流径，构建指数加权的无向图邻接矩阵(式1)。STGCN采用"时空-时空"双层卷积块结构，在12步历史序列输入下，头损预测的加权平均绝对百分比误差(WMAPE)降至18.41%，较LSTM模型降低7.76%。特别值得注意的是，位于水力边界区的M16监测点因双向流态变化导致预测误差偏高，验证了拓扑动态性对预测精度的影响。

多目标优化模型设计
创新性地将预测头损转化为水源最小供水压约束(式8)，结合NSGA-II算法同步优化泵速变量与启停状态。在最大需水量日场景中，该方法较基线方案降低总成本22.2%，且通过前置压力调节有效避免了历史数据依赖策略在07:00出现的临界低压风险(图6)。

液压模型动态选择机制
建立包含216种工况的EPANET模型库，通过STGCN预测流量自动匹配最优水力模型。结果显示预测总流量的平均绝对误差(MAE)仅357.59 m³/h，显著低于1160.6 m³/h的时序波动基准值(式16)，证实压力数据反演流量的可行性。

这项研究为智慧水务提供了范式转换的创新方案：时空耦合的预测框架将调度响应窗口从滞后1小时压缩至实时级，而基于水力路径的约束重构则使优化方案落地可行性提升43%。Sen Peng团队指出，未来可通过引入注意力机制强化关键节点的动态响应，同时将泵组切换频率等工程因素纳入目标函数，进一步提升方案的工程适用性。该成果对推动供水系统数字化改造具有重要实践意义，特别是在中国城镇老旧管网占比超30%的背景下，为同时解决"能耗双控"与"漏损治理"两大行业难题提供了关键技术路径。