1.基于机器学习技术的排水泵站优化调度方法，其特征在于，具体按照以下步骤实施：步骤1，根据研究区域的地形资料、排水管网布设CAD图和泵站前池建设图、泵站水泵数量、水泵启停水位信息完成SWMM模型搭建，并对SWMM模型完成参数率定，计算目前泵站调度方案下的水力参数；

步骤2，根据各个泵站的水泵数量及运行方式设置泵站的启停规则；

步骤3，采用PYTHON语言编写排水泵站调度粒子群优化算法程序，根据步骤2中设定的启停规则，构建排水泵站调度粒子群优化算法目标函数以及约束条件；

步骤3的具体过程为：

步骤3.1，构建排水泵站调度粒子群优化算法目标函数以及约束条件

假设有P个排水泵站，其排水流量由控制闸门调节，运行的水泵共有M台，每台水泵设定有开机水位和关机水位，则控制水泵有2M个变量，降雨时，可通过电动或手动实时控制闸门，降雨事件可划分为D个决策时间区间，故排水泵站的控制变量为P×D，变量总数为2M+P×D；

在极端暴雨条件下，城市存在多个溢流区，为减少洪涝灾害，减少核心区域的溢流，同时减少受泵站排水影响的其他非核心区域的溢流，则以泵站的水泵开关次数和泵站前池最大、泵站前池最小水位为约束条件，在目标函数中，约束被视为惩罚项，则目标函数的如下：约束条件为：

0≤Fn

Hp,min≤hp

0≤Sm≤Sh          (6)

GP＝Iv          (7)

溢流量、泵站前池水位及泵开关次数限制条件：

式(1)‑(8)中，w为线性权重，用于平衡核心区域溢流Fk,k＝1，…K与非核心区域溢流Fn,n＝1，…N之间的关系；C为目标函数中的惩罚项，约束对象主要包括溢流量、泵站前池水位和水泵操作规则；Fn,allow表示非核心区域允许的最大溢流量，非核心区域指被允许在一定范围内泛滥，以确保洪水能够迅速消除；hp表示泵站前池水位；Hp,max为水位的最大值；Hp,min为水位的最小值；am和bm为决策变量，分别表示第m个水泵开泵和关泵时的前池水位；Δh表示水位的增量；t为泵站调度区间T内的时间间隔；Sm为水泵开关次数；Sh为每小时水泵开关的限制次数，设为6次；GP为开闸门操作；IV为整数变量，取值范围为0、5、10、15、…100％；α1,α2,α3分别表示惩罚因子；

步骤3.2，构建基本粒子群算法函数框架，设置粒子群算法参数，包括种群规模，最大迭代次数，粒子位置及速度的上下阈值，并初始化初代粒子的速度和位置；

在一次迭代中，粒子的速度和位置更新如下：

式(9)和式(10)中，ω(l)是迭代l时的惯性权重；c1和c2是个体学习因子和全体学习因d子；r1和r2是(0,1)中的随机数；pbesti (l)是第i个粒子在第l次迭代时第d维的个体最优d d d解；gbest(l)是第d维所有粒子在第l次迭代时的全局最优解；xi (l)和Vi (l)分别表示第l次迭代第i个粒子在第d维中的位置和速度，可以在[Vmin,Vmax]的有限范围内更改粒子在每个维度上的速度，以更好地探索搜索空间；

步骤4，采用PYTHON或C++语言编写SWMM源代码动态链接库及参数调用程序，SWMM源代码动态链接库为DLL文件，实现SWMM模型输入文件的自动导入及计算结果的自动导出；

步骤5，将SWMM模型的输入与输出结果作为机器学习模型的训练数据进行训练，机器学习模型采用了径向基函数网络、克里金模型和人工神经网络共3种模型，机器学习模型用于替代SWMM模型快速预测近似的水力特性参数结果；

步骤6，将步骤5训练好的人工神经网络、克里金模型和径向基函数网络动态嵌入粒子群算法中，构建基于机器学习模型辅助的粒子群算法，结合步骤5得到的人工神经网络、克里金模型和径向基函数网络预测的结果，采用基于模型误差和最大期望改进填充准则，选择出最有潜力的粒子，再用SWMM模型对最有潜力的粒子进行计算；

步骤7，通过步骤4中的动态链接库反复调用步骤1中SWMM模型的输入、输出文件，结合步骤6的机器学习模型辅助加速计算粒子适应度值，在达到设定的迭代次数后最终得出城市排水泵站优化调度方案。

2.根据权利要求1所述的基于机器学习技术的排水泵站优化调度方法，其特征在于，步骤1中，水力参数包括：节点溢流量、管道流量、泵站前池水深、泵站开关状态。

3.根据权利要求1所述的基于机器学习技术的排水泵站优化调度方法，其特征在于，步骤2中，启停规则为：阶梯式启动水泵与阶梯式关闭水泵，即每个水泵均设定有开机水位及关机水位，当水位增长达到各开机水位时，逐一打开水泵，当水位下降到各关机水位时，逐一关闭水泵。

4.根据权利要求1所述的基于机器学习技术的排水泵站优化调度方法，其特征在于，步骤4的具体过程为：步骤4.1，根据SWMM源代码，基于C++语言开发环境编写SWMM动态链接库，SWMM动态链接库包含SWMM参数接口文件，SWMM参数包括节点溢流量、管道流量、泵站前池水深、泵站开关状态；

步骤4.2，采用PYTHON语言编写调用程序，以调用步骤4.1中的SWMM动态链接库，将步骤

2中的启停规则、泵站数量、水泵数量、水泵启停水位作为输入数据输入至步骤1搭建的SWMM模型，得到节点溢流量、管道流量、泵站前池水深、泵站开关状态，并将节点溢流量、管道流量、泵站前池水深、泵站开关状态调出到步骤3得到的排水泵站调度粒子群优化算法中。

5.根据权利要求1所述的基于机器学习技术的排水泵站优化调度方法，其特征在于，步骤6的具体过程为：步骤6.1，通过适应度函数对初始种群的所有粒子进行评估，通过粒子的位置与适应度值建立初始动态数据库，根据粒子群位置在每一代都会更新的PSO算法的特点，利用粒子的位置确定一个自适应空间动态用来建立并更新人工神经网络、克里金模型和径向基函数网络；

确定的自适应空间如下：

maxspaced＝min{maxd+ζ(maxd‑mind),maxallow}    (11)minspaced＝max{mind‑ζ(maxd‑mind),minallow}    (12)式(11)和式(12)中，maxd和mind代表当前种群的粒子在d维空间上的最大和最小坐标；

maxallow和minallow代表d维搜索空间中的最大和最小允许值；ζ是(0,1)区间内的放大系数；

步骤6.2，结合模型误差和最大期望改进填充准则管理和更新步骤5训练好的人工神经网络、克里金模型和径向基函数网络，基于模型误差的EI填充准则为：Infill＝(we)Err×(1‑we)EI(x)      (14)式(13)和式(14)中， 是机器学习模型的预测值；ymin是经过多代评估后的最小可行采样值；响应被视为随机变量Y(x)的实现，服从方差为 的高斯分布，即表示服从方差为 的高斯分布；Φ和φ分别表示标准正态分布的

累积分布函数和概率密度函数；Infill为机器学习模型的混合填充准则值；Err为人工神经网络、克里金模型和径向基函数网络的误差，用以表示此时模型计算准确度；we为平衡模型计算误差与EI值的权重；

步骤6.3，根据步骤6.2得到的人工神经网络、克里金模型和径向基函数网络填充方案，选择人工神经网络、克里金模型和径向基函数网络中满足模型精度要求且EI值较高的机器学习模型进行填充，具体为：Selected_Infill＝Min(InfillANN,InfillKriging,InfillRBFN)    (15)式(15)中，Seleceted_Infill为本次人工神经网络、克里金模型和径向基函数网络经过比较后的填充点，InfillANN、InfillKriging、InfillRBFN分别表示人工神经网络、克里金模型和径向基函数网络三种机器学习模型的填充值；

步骤6.4，根据步骤6.3得到的经过比较后的填充点作为最有潜力的粒子，利用在步骤1搭建的SWMM模型计算最有潜力粒子的适应度值，再采用步骤3得到排水泵站调度粒子群优化算法进行优化，并且根据步骤5训练机器学习模型。