1.一种基于物理信息神经网络的水厂泵组调度方法，其特征在于，包括以下步骤：步骤1.确定水厂泵组总能耗最小化的优化目标函数和约束条件；

步骤2.建立流体力学和水泵特性的物理方程，用于构建物理信息神经网络；

步骤3.利用历史运行数据和物理信息神经网络构建水厂泵组调度环境模型，所述水厂泵组调度环境模型最终预测的输出结果满足步骤1的优化目标函数和约束条件；

步骤4.利用霜冰优化算法训练水厂泵组调度环境模型中的物理信息神经网络；

步骤5.将训练得到的水厂泵组调度环境模型调度策略部署到实际系统中，得到能耗最小的水厂泵组调度方案。

2.根据权利要求1所述的一种基于物理信息神经网络的水厂泵组调度方法，其特征在于，在步骤1中，包括：步骤11.建立水厂浑水泵组期望能耗最小化问题，蓄水池液位、总管压强差、水泵切换次数和变频泵频率在物理约束范围内时建立目标函数，表达式如下：，

展开为：

，

式中， 为在水泵切换次数合理的情况下取水泵站电能的消耗总和， 为在水泵切换次数合理的情况下供水泵站电能的消耗总和， 为在未考虑水泵切换次数的情况下取水泵站电能的消耗总和， 为在未考虑水泵切换次数的情况下供水泵站电能的消耗总和， 是在t‑1时刻选取的最优取水泵站水泵组合序号， 是在t‑1时刻选取的最优供水泵站水泵组合序号， 是在t时刻满足总抽水流量的取水泵站水泵组合序号，是在t时刻满足总抽水流量的取水泵站水泵组合序号， 、 分别是代价函数表达式一和代价函数表达式二，表示水泵从一种组合切换成任意另一种组合的切换代价，为水流温度， 是第 个泵的流速，是非线性项的次数，是与泵特性系数， 表示对系统中所有的泵流速运用了非线性函数，同时对每个泵的特性参数进行加权求和，用于修正和调整原始的能耗成本函数；

步骤12.约束条件如下：

，

，

，

，

，

式中， 为t时刻蓄水池液面高度，  和 为蓄水池安全范围的最低和最高液位， pt为t时刻水厂泵组总管压强，pt‑1 为t ‑1时刻水厂浑水泵组总管压强， 为安全范围内的最高总管压强差，vt为表示截止到t时刻水泵组在一天内的切换次数， 为水泵组在一天内安全范围内的最高切换次数，为变频泵运行时的频率，其中 为变频泵调节的最小频率， 变频泵调节的最大频率； 是泵组的启停次数， 和 分别是保持泵组性能的情况下最小和最大的启停次数。

3.根据权利要求1所述的一种基于物理信息神经网络的水厂泵组调度方法，其特征在于，在步骤2中，建立流体力学物理微分方程：Navier‑Stokes方程中连续性方程： ，动量微分方程： ，

流体力学能量方程： ，

是水泵中水流密度，t是随机时刻，是水流的速度向量，是水的应力张量，是重力加速度向量， 是流体的比热容，T是流体的温度， 是热传导系数，为梯度运算符， 表示水流速度场的梯度，即水流速度在不同方向上的变化率。

4.根据权利要求1所述的一种基于物理信息神经网络的水厂泵组调度方法，其特征在于，在步骤2中，建立水泵特性方程：，

式中， 表示水泵的扬程，即水泵提供的压力， 是水泵的流量，即单位时间内通过水泵的液体体积， 是水泵的转速，即水泵转子每分钟旋转的圈数；非线性项的系数一 、系数二 、系数三 、系数四 、系数五 由实际水泵性能测试数据进行拟合得到，通过最小二乘法拟合方程，定义实测数据与拟合方程的残差平方和为拟合目标函数，表达式如下：，

式中，M是所取数据点的数量， 、 、 分别为第i个数据点对应的扬程、流量和转速。

5.根据权利要求1所述的一种基于物理信息神经网络的水厂泵组调度方法，其特征在于，在步骤3中，包括：步骤31.在物理信息神经网络中，神经网络模型采用深度神经网络结构，设定输入层包含水位 和流量需求 ，输出层包含泵的工作状态 和节能策略 ，中间隐藏层包含多个隐藏层和神经元，采用激活函数F进行特征提取；

输入层的输入表达式为：

，

隐藏层的输出表达式为：

，

式中， 为第 个隐藏层权重，为第 个隐藏层偏置，F为激活函数；

输出层的表达式为：

，

其中， 为输出层权重， 为输出层偏置；

激活函数选择tanh激活函数：

，

其中，表示上一层的输入，通过激活函数得到当前层的输出；

将输出层的结果分为两部分，分别表示泵的工作状 和节能策略  ：，

表示泵的数量,每个泵都有一个对应的工作状态,  表示节能策略的数量，即系统中有多少种可选的节能策略，每个节能策略均有一个对应的输出；表示的是第 个泵的工作状态，采用二元变量表示，0 表示停止，1 表示运行， 表示第 个节能策略的输出；

步骤32.结合数据拟合项、物理方程拟合项和约束条件，建立物理信息神经网络的损失函数，数据拟合项表示物理信息神经网络中深度神经网络模型的输出与实际测量值之间的差异，物理方程拟合项通过比较物理信息神经网络中深度神经网络模型的输出与实际物理方程输出之间的差异来构建，物理方程拟合项包括连续性方程、动量方程、能量方程和水泵特性方程，约束条件损失函数通过建立约束条件违反程度的平方，并乘以对应的惩罚系数来实现；

其中，数据拟合项 为：

，

式中， 是样本数量， 是深度神经网络模型的输出，是实际运行值；

连续性方程拟合项 为：

，

式中， 是样本数量， 是深度神经网络模型的输出；

动量方程拟合项 为：

，

式中， 为压力梯度，描述由于压力差引起的动量变化， 为物理信息神经网络模型中深度神经网络模型输出  的拉普拉斯算子，μ为水的动力黏度；

能量方程拟合项为：

，

式中， 表示在 时刻处的温度， 表示在 时刻处的温度， 为时间间隔，为水密度， 为水比热容， 表示在 时刻处温度场在空间上的二阶导数,  表示热源,  和 是待拟合系数一和待拟合系数二，用于调整时间间隔 对拉普拉斯算子和热源项 的影响；

水泵特性曲线拟合项 为：

，

式中， 表示通过水泵特性方程计算得到的深度神经网络模型输出， 为水位 ，为流量需求，为深度神经网络模型输出值，是实际泵的工作状态；

约束条件损失函数 为：

，

式中， 、 、 、 、 分别表示步骤1所建立的相关约束条件，将约束条件的违反程度的平方作为损失函数的一部分，并乘以对应的惩罚系数一 、惩罚系数二、惩罚系数三 、惩罚系数四 、惩罚系数五 ；

max函数表示如果约束条件被满足即 ，则惩罚项为零；如果约束条件违反即，则惩罚项为违反程度的平方乘以惩罚系数；

得到物理信息神经网络的总损失函数 为：，

式中， 为超参数一、 为超参数二、 为超参数三、 为超参数四、 为超参数五。

6.根据权利要求1所述的一种基于物理信息神经网络的水厂泵组调度方法，其特征在于，在步骤4中，包括：步骤41.随机生成一组初始神经网络参数的表达式，所述神经网络参数包括权重、偏置；

假设神经网络有L层,  表示第 层第 个神经元到第 +1层第 个神经元的权重，表示第 +1层第 个神经元的偏置，则初始化过程表示为：∼ , ∼ ，

式中， 表示初始化权重和偏置满足高斯分布；物理信息神经网络模型初始化的参数满足物理约束条件；

步骤42.评估每个个体的适应度值，表达式如下：数据残差项 为：

，

式中， 和 分别是第 个样本数据点的模型预测值和真实值， 是样本数据点的数量；

物理残差项 为：

，

式中， 为偏微分方程或常微分方程的残差， 是物理约束项的数量；

约束条件残差项 为：

，

式中， 是第i个约束条件的实际值， 是物理信息神经网络模型中深度神经网络的预测值， 是约束条件的数量；

得到神经网络适应度 为：

，

式中，、和 分别是随机系数一、随机系数二和随机系数三；

步骤43.选择神经网络适应度高的作为父代集A，对选定的父代进行两两交叉操作，从而生成新的个体，，

，

式中，为交叉操作时的调节系数，范围在0到1之间,  和 分别是父代集合 中的两个适应度高的父代；

步骤44.根据权重和偏置的历史变化范围，确定合适的标准差表示随机性，调整权重和偏置得出变异后的参数，，

式中， 表示权重， 表示权重的变化量，为介于0和1之间的小数， 表示偏置的变化量；

步骤45.在物理信息神经网络模型中,计算预测值与真实值的残差，表示神经网络预测的能耗值，表示真实的能耗值，则适应度值的表达式为： 。

7.根据权利要求6所述的一种基于物理信息神经网络的水厂泵组调度方法，其特征在于，在步骤5中，输入参数为泵组的运行状态、管网压力、电量、液位、流量。

8.一种计算机系统，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1‑7任一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1‑7任一项所述方法的步骤。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1‑7任一项所述方法的步骤。