随着人口的持续增长和城市化建设的深入,我国城市供水系统规模日趋庞大,系统结构愈加复杂,进而导致城市供水能耗高、管网漏损率高以及水质风险高等问题的出现,这给传统的供水系统调度模式造成了很大的挑战。在此背景下,科学协调供水系统的水量和压力以实现优化调度,既是保证系统稳定运行的重要环节,也是提高供水部门经济和社会效益的必然要求。本论文以合肥市供水系统为研究对象,旨在从水量预测和压力调控两个层面开展城市供水系统的优化研究。精准的水量预测是供水系统优化调度的先决条件,本研究将前沿的长短时记忆(LSTM)循环神经网络技术应用到城市用水量预测,并阐释了该预测方法的运行机制与特征,同时与传统的移动平均整合自回归(ARIMA)、支持向量回归(SVR)和随机森林(RF)模型进行了多工况的比较。压力调控是供水系统优化调度的关键环节,在水量预测的基础上,本论文深入挖掘了合肥供水系统的压力数据和水泵组合历史工况,并确定了该系统节能降耗的工程措施,同时提出了压力调控方案。论文研究的具体结论如下:(1)研究表明LSTM模型能够很好地捕捉数据本身在时间尺度上的内在关联机制,因此很适合用于城市用水量的预测,其针对短历时(如1小时和15分钟)用水量以及局部计量分区(DMA)用水量预测的效果尤其突出。根据合肥市用水量预测结果,LSTM模型可以提供比ARIMA,SVR和RF模型更准确的短历时用水量预测,而且LSTM模型在预测多个连续时间段的城市用水量和不确定度较高的DMA用水量时优势更为突出。此外,LSTM模型在预测过程中不需要加入外部变量(如温度和降雨),这也是其在实际应用中的一大优点,因为收集时间精度较高的外部变量往往耗时长、成本高。本研究所建立的LSTM模型已在合肥供水系统实际应用近6个月,运行稳定,经第三方评估日预测精度平均误差约2.2%,满足工程实际应用的精度需求;所建立的15分钟和1小时LSTM用水量预测模型为合肥市全域实时水模型的构建和漏损监控提供了技术储备。(2)基于用水量和压力运行数据,本研究对合肥市供水系统中压力调度方案进行了系统的剖析,发现该供水系统存在压力时空调度不合理的问题,即局部区域在夜间供水压力过高。为解决该问题,本研究提出了合肥供水系统夜间压力调控的具体技术方案,目前已经逐步开展实施应用,并取得了良好的节能效果。基于合肥供水企业的需求,本论文对合肥供水系统的泵站运行效率进行了现场测试与能耗分析,研究发现各水泵效率基本处在合理区间内,但仍具有一定的提升空间。为实现泵站内水泵的优化组合,本研究开发了水泵优化调度模块,针对任何给定的压力和流量需求,均能确定相对应的最优水泵组合和频率设置方案,为合肥供水系统泵站的优化调度提供了技术支撑。