资源协调优化

资源协调优化（精选十篇）

资源协调优化篇1

近年来,抗洪抢险、抗击SARS和抗击南方雨雪冰冻灾害、平息拉萨“3·14”打、砸、抢、烧严重暴力事件以及汶川大地震抢险救灾,都是军队应对非常规突然事件的典型事例,这些实践凸显了军队应对非常规突发事件能力建设的重大现实意义和战略需求。

未来我军应对非常规突然事件,既可能在陆地实施,也可能在空中或海上实施;既可能在一地实施,也可能同时在多地实施。中国幅员辽阔,边境线、海岸线长,地形、气候条件复杂,发生自然灾害频仍,现实和潜在的“热点”地区多,军队应对非常规突然事件的范围将十分广阔。我军现行的保障模式自成体系、概略粗放,纵横保障靠协调、协商,效率较低,浪费较大,与应对非常规突发事件、完成多样化军事任务的一体联动保障要求还有一定差距,需要探索新型的资源保障体系与资源协调优化模式。

军队应对非常规突发事件中应急资源的优化配置等方面的管理,还存在诸多问题有待解决。首先,中国过去的非常规突发事件管理体制,造成资源不能适时的、合理的储备,应急资源得不到科学的优化配置。非常规突发事件应急资源的管理工作一直处于分散无序的状态,没有从统一、整体的角度来充分考虑多种灾害而配备应急资源。其次,应急救灾资源的管理低效,缺少对资源配置绩效的评价和管理标准。资源流动凝滞,大多是事后紧急筹集、调动救灾资源的传统做法,使各种已有资源不能实现有效整合,资源只能简单相加而无法产生系统作用。如何应用科学的方法对非常规突发事件下的应急资源进行优化管理,成为军队应对非常规突发事件一个迫切需要解决的问题。

一、国内外研究发展趋势

国际上已经有不少应对非常规突发事件资源管理方面的研究:一类主要研究应对非常规突发事件资源的布局及调配、管理能力的培训、人员疏散的技术与模型等,如紧急服务设施(尤其是医疗方面)的选址问题,成本约束下的交通事故紧急响应模型及总体规划研究,以及满足一些应对非常规突发事件覆盖需求的通讯网络基站选址与频道分配问题;另一类则主要研究应对非常规突发事件管理体系和应对非常规突发事件机制。国内的学者也在应对非常规突发事件管理方面有了很多的研究成果,如建筑防灾中的人群管理和应急管理,出现紧急事态时的高层建筑人员疏散模型研究,并在理论研究的基础上有了一些计算机仿真的研究与分析,除了这些专业性应急管理研究之外,一些学者还从应急管理者对突发事件构成的一对博弈关系的角度出发进行了探讨,从资源布局与调度方面进行过一些研究与设计,也有学者在应急机制的建设等方面提出了一些原则并研究了有效性等问题。

目前国内外有关应对非常规突发事件资源配置调度的研究基本上都是针对单种资源的优化,如应急车辆的派遣问题和再定位问题(Vehicle Relocation)。Brotcorne和Gendreau分别应用动态模型研究了应急资源定位问题;Cem Saydam将期望覆盖和超立方体相结合研究了再定位问题。另外,应急资源的调度问题也可用超立方体排队模型来处理,该模型通过计算服务系统中应急资源处于忙碌的稳态概率来评估服务设施的绩效。

其他应对非常规突发事件资源配置研究方面,国内的研究有:刘春林等研究了连续消耗系统和一次性消耗系统中应急资源配置的运输时间最小化问题;在决策者偏好满足模糊性的条件下,应用模糊数学规划研究了多出救点的选择问题。车颖涛等讨论了时间约束下资源调度涉及到的车辆调度问题,在最早完成车辆调度并且所用成本最小的思想下,建立了时间约束下的优化模型,并在匈牙利算法的基础上给出了车辆调度优化模型的求解算法,分析了算法的复杂性。国外的研究有Fiorucci等通过建立动态模型研究了当火灾发生前和已经发生后资源的配置和调度问题;Fiedrich通过建立动态规划模型,研究了对不同应急任务同时进行资源配置的问题。

二、资源保障体系设计

军队参与应对非常规突发事件资源保障体系需要考虑以下四部分内容,一是应急资源的布局与配置;二是资源需求预测分析;三是应急资源的调度和补偿;四是资源保障体系能够有效运行并保持高度稳健性的不可或缺的辅助支持,包括软硬件支撑、组织机构以及相关技术服务等。

1. 资源布局与配置。

资源布局主要是为了非常规事件发生后能及时有效地提供所需资源而进行的资源存储。资源布局问题包括应急资源的选址和配置两个部分,布局的目标是将应急资源的地址合理规划,在每一个地址上配置适量的资源,在应急管理中使得资源的供应量达到最大或者最优。

应急设施的选址决策对应急资源管理至关重要,因为设施设置在合理位置,不仅可降低成本,而且还能保证应急救援的时效性,从而最大可能地减少人员伤亡和财产损失。应急设施的选址决策是一项系统工程,要考虑政策、法律、技术、安全、经济和社会等方面的因素。同时设施选址也要考虑目标区域的风险分析结果,只有这样才能根据优先排序进行应急设施选址。

2. 资源需求预测分析。

收集、整理与非常规突发事件相关的信息,总结归纳隐藏在信息背后的核心要素,分析非常规突发事件的类型、破坏程度、影响范围以及可能带来的连锁反应,进而确定军队应对非常规突发事件所需资源的种类和数量,制定初次资源保障方案和后续资源供应方案并向有关组织机构下达供应任务保障需求。

3. 资源协调调度。

资源协调调度是应急资源保障系统的重要内容,其主要工作就是收集并分析已有应急资源的布局、可获得性、快速可达性等信息,根据军队应对非常规突发事件的实际需求来调配这些资源。在协调阶段负责制定供应方案,负责组建应急物流系统;在调度阶段负责供应与需求信息的汇总,制定并不断修正配送方案,下达配送任务。资源的合理配置与调度包括两方面内容:一是灾害发生之前应急准备阶段,资源的合理配置问题;二是在灾害发生中和发生后,即应急响应和恢复阶段资源的合理调度问题。

4. 资源补偿。

资源补充对应于非常规突发事件应急管理的恢复阶段,此时的资源保障工作主要是善后工作,包括未消耗的资源处理、储备资源的补充、临时保障系统的撤销以及保障系统的评价与改进等工作,并进入下一个资源保障流程的储备期。

三、资源协调优化模型构建

1. 随机规划模型。

由于非常规突发事件发生时间和类型、破坏程度、影响范围以及可能带来的连锁反应难于预测,资源需求量是随机的,运输系统比较脆弱,道路的运输能力和供应量也是不可预测的。随机规划模型将首先估计所需应急资源的最少量,确定可能的资源配送策略,相关不确定参数逐步明确之后及时对预案阶段确定的资源配送方案进行调整。

2. 多目标规划模型。

根据资源配送过程所需时间、道路运输能力、资源储备和资源需求量等条件,以资源需求满足程度最高、追求运输成本最小、运送时间最短为目标,建立资源调度规划模型。

3. 网络流方法模型。

应急资源调度的两个主要方面是资源配送与运输工具分配,一般而言,资源的配送过程可以用网络流模型描述,运输工具分配则可以采用整数流模型描述。值得注意的是,资源需求和供给会随时变化,每固定一段时间,要更新关于需求、供应及车辆可用性的信息。

结束语

本文立足于军队遂行多样化非作战军事任务的时代要求,深入研究军队应对非常规突发事件对资源保障体系的新要求,科学设计并统筹建设军队应对非常规突发事件资源保障体系,优化军队应对非常规突发事件的资源,合理处理军队应对非常规突发事件资源保障与地方资源保障体系的关系。本文分析了军队应对非常规突发事件资源保障体系的构建应包含的内容,列出了常用的几种资源协调优化模型。本文的研究为军队应对非常规突发事件资源保障体系构建提供了一定的理论支撑。

参考文献

[1]田峰,付晓萍.试论建筑防灾中的人群管理和应急管理[J].上海大学学报,2004,(12):16-19.

[2]ZHAO Shuhong,CHEN An,RONG Xiaoxia,Dynamic Game Network with Bayesian Rule and Application in Emergency Manage ment,Chinese Journal of Management Science,Special Issue,Proceedings of20th Global Project Management Conference,Oct.15-17,2006:137-141.

[3]鲁洋.公共危机管理中的博弈分析及对策研究[D].长沙:国防科学技术大学研究生院硕士论文,2003:2.

[4]何建敏,刘春林,曹杰,方磊.应急管理与应急系统——选址、调度与算法[M].北京:科学出版社,2005.

[5]丁建秋.危机管理与中国社会应急机制建设初探[D].成都:四川大学研究生院硕士论文,2004:4.

[6]赵红,等.关于中国突发事件应急管理运行机制有效性的探讨[J].当代财经,2003,(特刊):11-14.

[7]刘茂.应急救援概论[M].北京:化工出版社,2004:5.

资源协调优化篇2

走出一条经济、资源、环境协调发展之路--十一五期间浙江经济资源环境系统优化研究

实现经济资源环境系统的优化,必须把科技先导型经济作为资源经济向知识经济转变的`过渡形态,突出产业结构调整的三个重点,正确处理外贸、外资战略与产业结构升级战略的关系,把资源环境负荷态势作为系统优化的调控杠杆,发挥绿色GDP的导向作用,着力完善科学决策体制和程序.

作者：浙江省科协课题组作者单位：刊名：浙江经济英文刊名：ZHEJIANG ECONOMY年，卷(期)：“”(22)分类号：关键词：

优化小学 班主任沟通协调能力探析篇3

【关键词】小学班主任沟通协调优化

【中图分类号】G424.1 【文献标识码】A 【文章编号】1671-1270（2016）02-0119-01

一、存在一些不足和问题

作为小学教育教学的重要环节和岗位，小学班主任沟通协调能力状况直接关系着小学教育教学的效果，关系到孩子们健康成长。但是，目前，小学班主任在沟通与协调能力还存在一些不足和问题。

（一）责任意识不强

部分班主任对班级管理工作持消极态度，不主动去沟通协调，把问题解决在萌芽或始发状态，致使学校教育管理工作十分被动，对正常的教学秩序造成了不必要的影响。

（二）沟通协调能力不强

近年来，受市场经济因素和工作生活中的各种压力影响，不少小学班主任缺乏自我发展意识，自我要求标准不高，对自身的职业没有更高的追求，身为班主任，也是对班级工作不管不问，对班级出现的各种情况和问题不去沟通和协调。尽管有的班主任也想把班级工作搞好，但是专业技能水平低，缺乏对班级常见问题及偶发事件的应对技巧，无法准确地、不失时机地把握教育的主动权。也有的班主任不善于沟通协调，动不动就批评学生甚至把家长叫到学校大加指责，不但伤害了小学生的自尊和自信，也使许多家长倍感无奈和尴尬。

（三）工作积极性不高

政策支持缺失和生活压力过大等客观原因也在一定程度上影响了小学班主任沟通协调能力提高的积极性和主动性。由于政策支持缺失、工作生活压力过大，尤其在职称评定、岗位聘任、绩效工资和人事制度改革等对班主任带来巨大的压力，使众多班主任老师心理负担沉重，加之政策保障不足，待遇过低等问题，班主任教师的工作积极性不高，职业倦怠随之而生，更无心对业务技能、沟通协调艺术潜心研究。

二、可以从以下几方面进行优化

（一）强化班主任责任意识，增强其工作的积极性、主动性和针对性

目前，不少班主任受社会心理因素影响，沟通协调的意识不强，习惯于从师道尊严的传统出发，讲究教师权威，不能平等地与学生平等沟通，沟通经常发生障碍。这就需要，一是班主任平等地真心关爱学生，充分理解和尊重学生。既要看到他们作为“10后”叛逆、追求平等、自我中心过重，有自己的思考方式的特点，也要积极主动对学生信息进行调查和掌握，深入到他们的生活中去，在具体的情境里了解和理解他们。常常设身处地地思考问题，与他们换位思考，体验和感受他们的生活与情感，从而全面地掌握和理解他们的情况。

（二）讲究与学生的沟通方法

在与学生进行沟通交流时，班主任要注意从心理上拉近与学生的关系，在彼此间建立起民主、和谐，乃至温暖友善的关系，认真倾听孩子们的声音与话语，在进行深入了解、理解和沟通的基础上，顺势纠正其在情感、观念、行为等方面的偏差，帮助他们面对或正视这些问题，并使其排除或改正一些阻碍他自我了解或阻碍他从事积极行为的不良情绪或做法。

三、优化教育教学的具体技巧

（一）善于发挥权威的作用

对目前的孩子们光靠传统的师道尊严是很难赢得学生的尊重和佩服的。在班级一些偶发事件上，班主任教师必须巧用智慧，利用自身的权威性让学生发自内心的欢迎和佩服。

（二）要特别慈爱

现代教学界重视同理心，在教育教学中提倡教师能和学生换位思考，特别具有慈爱之心，对那些淘气捣蛋的学生采取宽容的态度比训斥更能感化他们，并切实发挥效益。

（三）特别能有耐心

耐心作为沟通协调中的重要条件，是班主任必备一项素质。在班级内的一些事情和情况，除了积极关注学生、接受和信任学生，并相信他们能对自己的行为负责之外，班主任还要特别有耐心，耐心地倾听、观察和等待，让孩子们在班主任的爱心和理解之中充满自信地健康成长。

（四）要特别爱岗敬业

爱岗敬业是基本的职业道德和要求，而班主任尤其需要如此。对班主任特别爱岗敬业，对孩子们的特别慈爱与宽容，对孩子们的真诚教导与帮助，都会被孩子们看着眼里记在心上的，孩子们也一定会爱戴这样的班主任，自然会发自内心地信任这样的班主任。

（五）宽严相济

对班上的偶发事件，班主任有时需要宽严相济，必要时应严格对待，让其知道慈爱的班主任也生气了，从而感觉事态的严重性，并承担相应的责任。只有这样才能让学生感受到班主任的人格魅力和关怀，赢得学生的认同，达到教育目的。

四、善于和家长沟通协调

（一）全面把握班上学生的家庭情况。

人的成长和家庭情况关系密切，班主任也要注意对学生家庭成员的文化层次、工作情况、对孩子的期望以及父母的“三观”了解，从而增强与家长沟通协调的有效性。

（二）讲究与家长沟通协调的方式方法

和家长进行沟通协调大都是出于了解情况或解决问题而进行的。在和家长进行沟通协调时，一定要充分考虑所需沟通协调的事项或话题。同时，还要注意两方面：

1. 尊重家长。班上学生的家庭背景和情况肯定是不同的，班主任不能以差异性或歧视性态度来对待。尤其在碰到处理学生问题涉及双方家长时，绝对不能带着世俗的有色眼光，而应平等相待；

2. 要以理解和宽容之心相待。班主任和家长是平等的，不存在上下级或教育与被教育的关系，在和家长进行沟通协调时，尤其是在和犯了错误的学生家长进行沟通协调时，班主任不能把所有的错误归结到家长身上，挫伤孩子与家长的自尊心，要理解宽容，要知道谁希望不愉快的事情发生呢？

因此，班主任要以商量、征询的口吻与家长沟通，向家长解释，主动协调，一道想出解决问题的途径和办法。

干道信号协调控制优化方法篇4

城市交通系统是1个具有随机性、模糊性和不确定性的复杂系统,其数学模型的建立非常困难,有时甚至无法用现有的数学方法来描述,经典控制方法很难取得满意的控制效果。然而智能控制的出现为解决这类控制难题提供了一些新的思路,它是1种具有学习、抽样、推理、决策等功能,并能根据环境的变化做出适当反应的控制技术,其中模糊神经网络是1种结合了模糊逻辑推理的结构性知识表达能力与神经网络的自学习能力的新技术。一般来讲,模糊神经网络主要是指利用神经网络结构来实现模糊逻辑推理,从而使传统神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的物理含义。而基于某些控制规则的模糊控制,具有较强的实时性、鲁棒性和独立性,设计简单实用,便于结合人的思维与经验,为城市交叉口干道信号协调控制提供了1条切实可行的途径[1]。

针对以上存在的问题,文献[4]采用模糊控制方法对干道上各交叉口的绿信比和相位差进行优化;文献[5]提出了单交叉口两级模糊控制的方法;文献[6]利用大系统的分解-协调思想、模糊理论和神经网络技术来进行城市交通干线的实时协调控制;文献[7]提出基于多智能体控制思路和模糊推理的实时控制方法;文献[8]综合考虑多个干道信号协调控制影响因素,利用模糊推理的方法对控制方案进行优化;文献[9]则利用模糊控制的思想对单交叉口的车辆运行状况进行仿真分析。然而,上述方法都未能就影响干道信号协调控制效果的基本要素即相位差进行全面分析,导致算法实际运行效果与仿真分析结果间有着一定的差距。

本文采用智能控制算法中的模糊控制方法和BP神经网络对城市干道交通信号进行协调控制[2,3],系统的实时性和控制精度都得到了保证,给出具体的交通信号优化控制方案,最后使用微观交通仿真软件Vissim进行了仿真。

1 问题描述

设一干道协调控制系统由4个交叉口组成,其中各个交叉口的相位设置如图1所示,东西向道路为承担较重交通负担的主干线,南北向道路为支路,大量的应用实践表明,当相邻2交叉口之间的距离超过800 m时,协调控制反而不如各自单独控制,因此本文假设干道上相邻2交叉口间的距离均小于800 m。

交通干线上各交叉口信号控制的基本考虑是:在车辆稀疏的情况下,信号周期应尽量短,以免无通行权相位的车辆等待时间过长而造成较大延误和排队,但信号周期不能太短,以免某一相位的绿灯时间过小,导致车辆来不及通过路口而影响交通安全,同时也给行人和非机动车一些过街时间。而在交通流较大的情况下,应加大信号周期,以减少相位转换的损失时间,提高路口通过率。但是信号周期也不能太长,否则会导致由于某一相位的绿灯时间太长而使驾驶员心理上难以忍受。

2 单交叉口信号配时设计

信号交叉口模糊控制的输入量是由输出量决定的,如果当前红灯方向的排队车辆数越多,该方向就应获得越长的绿灯通行时间。反之则反。但每个相位的绿灯时间一般不能少于10 s,否则车辆将来不及通过交叉口而影响交通安全。同样,考虑到司机和行人的心理承受能力,每相位的绿灯时间也不能过长,一般不超过50 s。信号配时设计步骤设计如下:

步骤1 选取反映交叉口交通拥挤状况的当前绿灯方向通过车辆数M和当前红灯方向的排队车辆数N作为模糊控制器的输入变量;当前相位延长时间t作为输出变量。

步骤2 分别设定各个相位最小绿灯时间为10 m,最大绿灯时间为50 m。

步骤3 设当前绿灯方向通过车辆数论域为M= {0, 1.25, 2.5, 3.75, 5, 6.25, 7.5, 8.75, 10}。取5个语言变量值:M1(很少)、M2(较少)、M3(中等)、M4(较多)、M5(很多)。论域上各元素隶属于这5个模糊子集的隶属度值如表1所列。

表1中,当前绿灯方向通过车辆数由论域成员所对应的序号表示。

步骤4 设当前红灯方向的排队车辆数论域为N = {0, 2.5, 5, 7.5, 10, 12.5, 15, 17.5, 20}。取5个语言变量值:N1(很少), N2(较少), N3(中等), N4(较多), N5(很多),论域上各元素隶属于这5个模糊子集的隶属度值如表2所列。

表2中,当前红灯方向排队车辆数由论域成员所对应的序号表示。

步骤5 当前绿灯延长时间论域为t = {0, 5, 10, 15, 20, 25, 30, 35, 40}。取5个语言变量值:t1(很长), t2(较长), t3(中等), t4(较短), t5(很短),论域上各元素隶属于这5个模糊子集的隶属度值如表3所列。

步骤6 针对输入语言变量基本论域中全部元素的所有组合,可以通过计算机离线计算出相应的输出语言变量元素,生成模糊控制规则表,如表4所列。

步骤7 通过模糊判决中的加权平均法将上述模糊推理得到的模糊集合映射为输出量的普通集合。

3 基于Sugeno模糊模型的相位差优化设计

模糊控制利用专家经验建立模糊集、隶属函数和模糊推理规则等实现非线性、不确定复杂系统的控制,具备处理模糊语言信息的能力,可模拟人类智慧进行判断和决策,特别适用于不确定性的复杂系统,在现代交通控制领域中有着重要的地位。

模糊控制中的Sugeno模糊模型能将模糊判决过程结合到模糊推理中,使模糊规则的后项结论为精确值,具有较高的计算效率,能保证控制器输出的平滑性,适用于实时性要求高的系统。对于实时性要求较高的干道协调控制系统,使用Sugeno模糊模型能起到较好的效果。

决定干道交通绿波宽度最主要的因素在于交叉口之间的相位差,绿波带的形成与否完全取决于各交叉口之间相位差的选取及其相互配合,而影响相位差的主要因素是相邻交叉口之间的距离和车辆运行速度,因此可以从相邻交叉口间距和车辆运行速度2个方面对相邻交叉口间的相位差进行控制。

3.1 相邻交叉口间车辆运行速度

建立相位差优化模型时,对相位差影响最大的因素是相邻交叉口间的车流行驶速度。车流行驶速度对相位差的影响在于,车流行驶速度越小,说明交叉口间车流受到的阻碍越大,车流行驶离散程度越低,相位差的变化对干道双向绿波宽度的影响越大,反之,车流运行速度越大,说明交叉口间车流运行越通畅,车流行驶离散程度越高,相位差的变化对干道双向绿波宽度的影响越小。

3.2 相邻交叉口间距

相邻交叉口间距对相位差的影响在于,当车流行驶速度一定的情况下,相邻交叉口间距越大,车流通过这段路段的时间就会越长,即说明相邻交叉口间的相位差就越大,绿波协调控制的效果就会越差。大量的实际应用表明,如果相邻交叉口之间的距离超过800 m时,协调控制的作用反而不如各自单独控制。

选取相邻交叉口间距X和相邻交叉口间车辆运行速度Y作为Sugeno模糊控制器的输入变量,相邻交叉口间的相位差Z作为Sugeno模糊控制器的输出变量。将X的语言值设定为5个等级:很小,小,中,大,很大;将Y的语言值也设定为5个等级:很小,小,中,大,很大。

不难看出,相邻交叉口间车辆行驶速度,路口间距以及相位差三者之间满足一定的关系,一方面,在车辆行驶速度不变的前提下,路口间距越大,交叉口间绿波协调控制的可控性越弱,相位差的实际数值应大于计算值,使在同一个绿灯时间长度内能有尽可能多的车辆通过交叉口;另一方面,在路口间距不变的前提下,车辆行驶速度越小,说明交叉口间车流受到的阻碍越大,绿波协调控制的可控性越弱,相位差的实际数值也应大于计算值,使因排队而延误的车辆能尽可能快地通过交叉口,以减小驾驶员的心理压力。根据上述关系可以得到如下的模糊规则,如表5所列(表中*为乘号):

与之对应的模糊规则查询图如图2所示,图中Offset、Speed和Distance分别代表交叉口间相位差、相邻交叉口车辆运行速度和相邻交叉口间距。

4 模糊控制器的BP神经网络实现

由于专家知识的局限性以及环境的可变性,任何1个专家都无法得到1个最佳的规则或最优的隶属度函数,且模糊控制不具备自学习功能,使得模糊控制算法具有一定的局限性。而神经网络可以利用其学习和自适应能力实现非线性系统的控制和优化,并且擅长于在大量数据中寻找特定的模式,用神经网络来辨识因果关系,通过在输入和输出数据中找出模式而生成模糊逻辑规则,在一定程度上弥补了模糊控制的不足。因此,可根据上述Sugeno模糊推理系统,设计如图3所示的模糊神经网络控制器。

将干道上相邻交叉口间距和车辆运行速度作为模糊神经网络控制器的输入变量,相位差作为输出变量,鉴于干道协调控制系统是具有庞大数据量的复杂系统,可设定训练样本数为5 000个,该控制器中各层的功能分别如下。

第1层在这一层的每个结点i是1个有结点函数的自适应结点。

$\begin{array}{l} Ο_{1, i} = μ_{A i} (x) 或者 Ο_{1, i + 5} = μ_{B i} (y), \\ i = 1, 2, 3, 4, 5 \end{array}$

式中:x(或y)是结点i的输入,A(或B)为与该结点有关的语言标识,该层结点数为10。

第2层计算所有输入信号的积。

$Ο_{2, i} = μ_{A i} (x) μ_{B i} (y) ‚ i = 1, 2, 3, 4, 5$

每个结点的输出表示1条规则的激励强度,该层结点数为25。

第3层计算第i个结点对应的第i条规则激励强度与所有规则的激励强度之和的比值。

$Ο_{3, i} = \bar{ω_{i}} = ω_{i} / \sum_{i = 1}^{25} ω_{i} ‚ i = 1, 2, \dots, 25$

该层结点数为25。

第4层计算从上一层传来的第i条规则所对应的平均激励强度与函数之间的乘积。

$Ο_{4, i} = \bar{ω_{i}} f_{i} ‚ i = 1, 2, \dots, 25$

式中: $\bar{ω_{i}}$ 为第3层输出的归一化激励强度;fi为Sugeno模糊模型输出对应于输入的关系,该层结点数为25。

第5层计算所有传来信号之和作为总输出O5,i:

$Ο_{5, i} = \sum \bar{ω_{i}} f_{i} = \frac{\sum ω_{i} f_{i}}{\sum ω_{i}} ‚ i = 1, 2, \dots, 25$

5 仿真分析及评价

本节运用德国PTV公司的微观交通仿真软件Vissim进行仿真分析,仿真对象为如图1所示的干道交通协调控制系统,其中东西向为主干线,南北向为支路。交通仿真实验室配置此软件的版本是Vissim3.70。首先在Vissim中依据整个干线的道路条件和交通条件建立路网模型,并选取合适的位置以设置相应的评价参数检测器,将仿真时长和评价时长均设为3 600 s,然后运行软件,将生成的结果进行整理,得到分别采用以下3种控制算法的总体运行效果对比情况见表6。

由表6可见,在对交通干线实施模糊神经网络协调优化方案以后,干线上各交叉口总体的车辆平均延误比文献[4]提出的模糊控制算法所计算的平均车辆延误要减小6%左右,平均停车次数和平均排队长度也有所减小。由此可见,对交通干线实施模糊神经网络协调优化控制能够更有效地协调干道交叉口群,使车辆在各个路口上的延误时间大大地降低,提高通行效率,干线的整体服务水平有一定程度的改进。

6 结束语

针对交通系统难于用数学模型准确建模进而实施优化控制的特点,以及模糊控制方法所具有的处理模糊信息的优点,提出了1种基于Sugeno模糊模型的模糊控制方法。由于完全根据人为经验制定的模糊规则比较粗糙,对于复杂的大系统诸如交通协调控制系统难以保证控制精度,甚至会降低控制系统的鲁棒性。而神经网络的非线性映射能力强,利用这一点来学习规则可有效地提高控制精度。仿真结果表明,模糊神经网络方法能把模糊理论和神经网络理论的优点结合起来,有效地减少车辆延误。因此,模糊神经网络方法是解决城市交通系统控制问题的1种有效方法。

参考文献

[1]徐建闽.交通管理与控制[M].北京:人民交通出版社,2007

[2]张智星.神经-模糊和软计算[M].西安:西安交通大学出版社,2000

[3]易继锴.智能控制技术[M].北京:北京工业大学出版社,2004

[4]孙超,徐建闽,丁恒.基于模糊控制算法的干道信号协调控制优化[J].交通与计算机,2008,26(4):55-58

[5]许伦辉.基于两级模糊控制城市交叉口的设计与仿真[J].交通与计算机,2004,22(6):57-60

[6]沈国江,孙优贤.城市交通干线递阶模糊控制及其神经网络实现[J].系统工程理论与实践,2004,4(4):99-105

[7]Chong Y,Quek C,Loh P.Multi-agent fuzzy signalcontrol based on real-time simulation[J].Transpor-tation Research Part C:Emerging Technologies,2003,11(5):289-403

[8]Chou Chihhsun,Teng Jenchao.A fuzzy logic con-troller for traffic junction signals[J].InformationSciences,2002,143(1):73-97

资源协调优化篇5

核心提示:这段时间一直都在为网站架构的事情所烦恼,前端,程序,服务器三个方面应该如何协调才能达到一个较为优化的网站架构呢?根据前辈的经验,我总结了以下文档,特分享.

1.UIC需要做的

采用CssSprite将背景图片,图标图片集成在一张图片内.

优点:减少用户代理对服务器的请求次数;加快用户载入页面时间.

Css&& Js 统一使用YUIcompressor进行代码压缩处理.

优点:加快服务器结束线程的时间;加快用户载入页面时间.

单个数据对象小于25K.

优点:部分用户代理(如iphone),无法载入25K以上的数据对象.

外部广告图片,宣传图片尽量防止在本站图片缓存服务器上.

优点:减少用户的DNS查询,加快页面载入速度.

色彩不超过256色的图片,不采用JPG格式存储.

优点:减少文件大小,加快页面载入速度.

使用PNG8格式的PNG图片代替Gif格式图片.

优点:具备比Gif更高的压缩比,有利于网络传塑,加快页面载入速度.

JPG图片采用interlaced模式存储.

优点:色彩复杂的图片大小更小,可让图片呈渐进状态显示,直至清晰.增强用户体验.

2. UI 需要做的

设计稿图片尽量减少一些渐变效果的使用

优点:减少JPG图片的数量,加快用户载入页面时间.

3. 开发需要做的

如果出现Ajax 方式,采用Ajax缓存

可考虑

4. SA 需要做的

负载均衡

优点:减小Web服务器压力.

Gzip压缩输出

优点:减小输出的用户数据大小,加快页面载入时间.

图片与Web服务器分离

优点:减小Web服务器压力.

增加Squid缓存

优点:避免2次刷新带来的重复请求.减少服务器压力.

架构SVN测试服务器并与公网服务器的同步

优点:避免公网页面出现错误,增强用户体验.

供热机组协调控制系统优化篇6

供热机组同时适应热负荷和有功功率的变化,并保证机组的机前压力的稳定,属于典型的多输入多输出对象。前两个过程量的变动直接影响锅炉主汽压力的变化和锅炉入炉煤量的波动。目前,国内供热机组所配备的锅炉仍以亚临界以下压力等级汽包炉为主,其协调控制系统通常采用传统的直接能量平衡(DEB,Direct Energy Balance)控制策略[1,2,3,4,5]。诚然,DEB控制策略能有效提高汽包锅炉机组机炉协调控制系统的调节品质[3][4]。然而,该控制策略中的热量需求信号的微分项对机组一次调频非常敏感,致使机组一次调频动作时煤量动态波动较大,极不利于压力的稳定和制粉系统的安全运行。另外,严格来说,当供热量波动时,供热机组的进汽流量并不与调节级压力成正比,原因是供热机组不符合弗留格尔等式成立的条件[6]。换言之,在直接能量平衡中,采用调节级压力来表征汽轮机进汽量便会给直接能量平衡带来一些不确定的因素。特别是当供热量大幅波动对机前压力的控制品质仅仅由DEB控制策略来完成时,也就难以达到理想的调节效果。因而,改进和优化该控制策略显得非常有意义。

1 直接能量平衡(DEB)在供热机组中的应用

直接能量平衡控制策略在上世纪80年代引入我国[1],该控制策略通过时刻调整锅炉燃烧所具的有热量来适应汽轮机热量需求,从而达到供需之间的平衡,使得机组的压力和有功功率在给定值附近运行。然而,供热机组中应用DEB这种控制策略会带来一些不利的因素,将直接影响到机组协调控制系统的调节品质。

1.1 直接能量平衡(DEB)原理

直接能量平衡控制策略是通过对进入汽轮机中的能量(称为热量需求)和锅炉提供的热量(热量信号)的偏差进行计算,引入PID控制回路计算产生锅炉燃烧率指令。通过这种方法可实现锅炉和汽轮机的解耦控制,从而提高控制系统的调节品质。控制策略的实现可以通过下面公式表征:

其中,第一个等式为经典PID运算表达式,μb为锅炉燃烧指令,为控制回路PID入口偏差。Dt为汽轮发电机组热量需求信号,Qb是锅炉热量信号,Dt为锅炉蓄热系数,Pb、P1、PT、PT0分别为锅炉汽包压力,汽轮机调节级压力以及机前压力实际值和设定值。将上面的DEB控制策略中的偏差量进行如下转化:

该偏差实际同机前压力的偏差有密切联系,为机前压力偏差的变增益调节[2],本质上同于压力偏差控制。由于控制回路引入了较快的P1、PT、Pb等导前信号,该控制策略相对于压力偏差控制(间接能量平衡)而言,具有更快和更加优良的调节品质。然而,面对严格的一次调频考核机制和多变的供热量,对供热机组而言,该控制策略却存在诸多不足,直接影响机组AGC功能的正常投入。

1.2 DEB控制策略在实际应用中存在的不足

DEB控制策略中包含了汽轮机热量指令微分项,该项的主要作用是加快锅炉侧的加减煤速度,从而提高机组加减负荷响应速度。然而,当一次调频动作后,机组的调节级压力变化较大,对应的阀门等效开度微分量剧烈波动,致使锅炉动态加减煤量变化大。特别是负荷较高,煤质较差的场合,往往使得入炉煤量超过磨煤机的最大出力,堵磨事故时有发生,直接威胁到机组的安全、稳定运行。

另外,为保证发电机组有功功率等于设定值,供热机组供热量的变化直接影响到汽轮机进汽流量,使得主汽压力产生相应的波动。当供热量增大后机前压力降低;反之,机前压力升高。另外,严格来说,供热机组流量计算是不符合弗留格尔公式的,即调节级压力并不能替代进入汽轮发电机组的入口蒸汽流量,DEB控制策略中热量信号的计算结果会产生偏差。因而,仅仅采用DEB控制策略的供热机组在这种多变的工况下势必影响机组协调控制系统的品质。

2 DEB优化策略

针对上述DEB控制策略存在的问题,本文提出了以下几个优化策略,优化后的SAMA图如图1所示。

2.1 热量指令微分的减弱

理论上的DEB控制策略中不含热量指令的微分项,但在工程实际应用中,热量指令微分项起到动态加减煤的作用,可以有效地提高机组加减负荷的速率。然而该微分项在机组一次调频动作时变化剧烈,致使锅炉指令调节回路输出波动大。特别当机组在高负荷状态下运行时,相同的频差产生的微分量更大,致使入炉煤量变化较大,不利于制粉系统的安全运行,威胁到机组的安全运行。为了避免上述现象的发生,应该将该微分项减弱或去除,以消除一次调频动作后对燃料大幅扰动的不利影响。

2.2 变负荷动态超前加减煤策略的应用

在间接能量平衡中,常常采用负荷指令动态前馈加减煤的控制策略,其作用类似于DEB中的热量指令微分,因而,通过采用这种策略代替DEB中的热量指令微分项也可以起到适应机组快速变负荷的作用(图1中PID的FF引脚部分)。换言之,采用负荷指令前馈动态加减煤相对传统DEB中的热量指令微分项而言,它能够克服一次调频动作带来的煤量大幅波动,同时又可以确保机组加减负荷的速率。

2.3 热值校正回路的引入

一般而言,采用了直接能量平衡控制策略的协调控制系统无需煤种热值校正回路,但是由于改进的DEB控制策略中采用了负荷指令变化后动态加减煤作为调节器前馈量,这部分前馈量与煤种有直接关系,因而有必要在协调控制系统中引入热值校正回路,从而修正变负荷过程中入炉燃煤的大小。

2.4 供热量变化的微分前馈动态补偿

由于用户众多,需求时而不同,机组的供热流量变化无规律可循,而且常常变化的幅度较大,很大程度上影响了机组的主汽压力和机组CCS控制回路的调节品质。为此,在优化过程中,针对供热量的变化,引入了动态前馈。即当外界热用户的热量加(减)后,锅炉指令控制回路利用微分作用动态加(减)一定的煤量,使锅炉能够快速响应外界热负荷的变化,从而稳住机前压力。

3 应用效果

将上述优化方案应用于某电厂2台300MW供热机组协调控制系统优化中,机组CCS系统的调节品质有明显的提高,使得机组的AGC能够正常长期投入。如下图所示,优化前后机组变负荷情况表明:优化之前,变负荷过程压力偏差较大,大于0.7MPa。实际负荷变化率偏低,为达到调度实际负荷变化率要求,运行人员在变负荷后期进行了手动干预;而优化之后,机组压力偏差很小,而且变负荷速率加快,满足调度AGC考核速率。而且优化后系统投运后,不仅煤的大范围波动量消除,而且确保了一次调频指标符合相关标准要求。另外,通过增加了供热量相应的动态加减煤量控制策略后,供热量的变化影响机前压力变化的幅度也得到了明显改善。

(1-机组供热量,2-锅炉入炉煤量,3-压力设定值,4-有功设定值,5-机前压力,6-有功功率,7-热量指令,8-热量信号)

4 结束语

在供热机组中,传统的DEB对机组一次调频非常敏感,系统的供热量影响了DEB中热量信号的计算,导致了DEB控制策略存有不确定因素。本文针对上述两方面问题提出了相应的优化策略。通过减少热量指令的微分作用,采用滤波技术,消除了机组一次调频动作时不发生锅炉指令剧烈波动,确保煤量平稳变化。同时,借鉴间接能量平衡中采用了负荷指令的动态前馈量加减煤的策略和热值校正回路,有效弥补了热量指令微分项减弱后带来的不利,保证了机组加减负荷的速率。另外,通过增加供热系统变化量的动态补偿作用,用于提高机组响应热负荷变动的速度,进一步稳定汽轮发电机组的进汽压力。将该改进控制策略用于优化某热电厂的2台300MW供热机组的CCS控制回路中,举得了良好的控制效果,有效提高了机组的自动控制水平,确保了供热机组的AGC功能正常投入。CCS优化之后,供热机组AGC和一次调频各项性能指标也达到了相关细则的要求,机组的机前压力符合相关标准的要求。

另外,当机组在满出力情况下,即高压缸进汽量达到最大值后,为保证机组的安全运行,有必要在控制策略中考虑到机组的该极端运行工况。可靠的做法是在保证机组供热量符合热负荷要求的前提下而适当减少机组的有功负荷,即当机组的出力接近最大时,需计算出机组最大的有功功率目标值(小于调度给定的AGC目标值),使得机组在最大出力情况下优先确保机组的供热量,使机组能够安全稳定运行。

参考文献

[1]陈来九.单元机组协调控制系统策略—兼议公司协调控制的发展[J].火电厂热工自动化,1993(1).

[2]于达仁,徐志强,翁一武,等.DEB的新认识—增益调度控制[J].热能动力工程,1999,14(5):379-381.

[3]郑昶,曹在基.DEB协调控制系统[J].动力工程,1984(4).

[4]卢铭庆,钟新元.DEB协调控制策略及应用[J].自动化与仪器仪表,2000,3(89):10-13.

[5]陈允济,易凡.DEB IV—协调控制系统的特点及分析[J].华东电力,1996(4).

城市干线交通协调控制仿真优化篇7

路径优化及其技术是交通诱导系统的关键问题, 合理的优化可避免出行者在路径上不必要的耗损, 减少交通阻塞及交通事故的发生。关于路径优化已有很多有效的算法, 传统的Dijkstra算法是目前公认的求解最短路径问题的高效经典算法之一, 它可以给出从某指定节点到图中其他所有节点的最短路经。但Dijkstra算法在进行最短路径搜索时, 若路网中的每一条路线都考虑, 会浪费大量时间及存储空间, 而且在权值时变的交通环境中, 静态状态下所求的最短路径并不是实际意义上的最优解。

本文从提高路径搜索速度方面进行讨论, 从出行者的角度对庞大的路网结构进行优化。最优路径选择是每个出行者都要面对的问题, 出行者对于路径选择的标准是使自己的出行时间 (费用) 最为节省, 路网的运行状况根据出行者的选择不断变化, 使得出行者开始做出的选择并不是最优, 这种情况下, 出行者和路网之间就形成了一种博弈, 博弈双方互相妥协, 可达到一个平衡局势 (最优解) , 从而实现对路网的优化选择。

1 博弈论的引用

博弈论实际上就是对策轮, 是运筹学的重要分支。博弈论是研究决策主体的行为直接相互作用时的决策及这种决策的均衡问题, 也就是关于包含相互依存情况中理性行为的研究。

博弈论的基本概念包括局中人、战略 (策略) 、行动、信息、支付函数、结果、均衡等。其中局中人、策略、支付函数构成了博弈的3个基本要素, 局中人、行动次序、结果统称为博弈规则, 而博弈分析的目的就是使用博弈规则来确定均衡。

博弈论的精髓在于博弈中一个理性决策者必须考虑在其他局中人反映的基础上来选择自己最理想的方案, 所谓均衡即所有局中参与人的最优策略组合, 各方博弈产生的结果是一个均衡结局, 它可能不是局中各方及整体利益的最大化, 但它是在已给定信息与知识条件下的一种必然结果, 因为任何一方改变策略而导致均衡的变化都有可能使自己得到一个更差的结果。博弈论中每一个局中人做出理性决策的重要依据之一是他的可能赢利 (损失) 是多少, 这就是每个局中人需要认真计算的赢利 (损失) 函数 (payoff function) 。

在最短路径的优化中, 将出行者与路网比拟成博弈双方, 出行者一般会选择出行时间最短的那条路线作为最优解, 而路网也会采用使道路拥挤的策略来对弈出行者的最优策略, 使出行的时间变长。这就构成了博弈中的局中人, 出行的选择路线集合构成了策略集, 路网相对应的状况构成了另一个策略集。

2 路径优化的博弈模型

将出行者和路网状况都定为局中人, 假设从A点到B点的路线共有n条, 分别为{a1, a2, …, an}, 此为出行者的策略。当出行者选择ai时相对应的路网状况为{b1, b2, …, bn}, 则此时该博弈问题的赢得 (损失) 矩阵为

$\begin{array}{l} [\begin{matrix} a_{11} & a_{12} & \dots & a_{1 n} \\ a_{21} & a_{22} & \dots & a_{2 n} \\ \dots & \dots & \dots & \dots \\ a_{m 1} & a_{m 2} & \dots & a_{m n} \end{matrix}] \begin{array}{l} b_{1} \\ b_{2} \\ \dots \\ b_{m} \end{array} \\ \begin{matrix} a_{1} & a_{2} & \dots & a_{n} \end{matrix} . \end{array}$

其中, aij为出行者全部选择路线i时路线j的出行时间。

如果 $\max_{i} \min_{j} a_{i j} = \min_{j} \max_{i} a_{i j} = V_{G}$ 成立, 则说明上述问题存在纯策略解, (a*i, b*j) 即为最优局势。

若不存在时, 证明这个决策没有纯策略意义下的解, 局中人没有最优纯策略可出, 此问题转换成一个混合策略求解, 可得一个选取不同策略的概率分布, 该混合策略仍然可以实现博弈双方的平衡。

用线性规划的方法对混合策略进行求解, 将博弈问题转换为对偶线性规划问题

$\begin{array}{l} m a x z = \sum_{i} x^{'}_{i} . \\ {\begin{cases} \sum_{i} a_{i j} x^{'}_{i} \leq 1 (j = 1, \dots, n), \\ x^{'}_{i} \geq 0 (i = 1, \dots, n) . \end{cases} \end{array}$

式中, z为目标函数, z =1/v, v是出行者的平均损失值, 是该对策问题的待求值;aij为该对策问题赢得 (损失) 矩阵的元素;x′i=xi/v, xj为出行者选择路线aj的概率。

运用博弈的方法将出行者的选择与路网的实际情况都融入到一个动态的互动中局势, 根据模型求出最优解, 此策略即为出行者和路网在理智选择下的最优路径。

3 算例分析

如图1所示:从A点到B点, 共有3条路线可选, 分别是路线a1:l1;路线a2:l2→l3, 路线a3:l4→l3。图1中各弧段旁的数字li (ti, t′i) 分别为ti出行者在选择前路段i的出行时间, min;t′i出行者全部选择路段i时的路段i的出行时间, min。

根据博弈原理, 可得出行者的损失矩阵为

$[\begin{matrix} 20 & 11 & 13 \\ 14 & 18 & 17 \\ 14 & 15 & 19 \end{matrix}] \begin{array}{l} . \end{array}$

此矩阵无纯策略解, 将该混合策略用线性规划方法求解为

$\begin{array}{l} m a x z = x^{'}_{1} + x^{'}_{2} + x^{'}_{3} . \\ {\begin{cases} 20 x^{'}_{1} + 14 x^{'}_{2} + 14 x^{'}_{3} \leq 1, \\ 11 x^{'}_{1} + 18 x^{'}_{2} + 15 x^{'}_{3} \leq 1, \\ 13 x^{'}_{1} + 17 x^{'}_{2} + 19 x^{'}_{3} \leq 1, \\ x^{'}_{1} \geq 0, x^{'}_{2} \geq 0, x^{'}_{3} \geq 0 . \end{cases} \end{array}$

求得的解为

$x^{'}_{1} = 0.019 ‚ x^{'}_{2} = 0.043 ‚ x^{'}_{3} = 0.001 .$

则

$\begin{array}{l} v = 1 / 0.019 + 0.043 + 0.001 = 15.873, \\ x_{1} = 0.302 ‚ x_{2} = 0.683 ‚ x_{3} = 0.015 . \end{array}$

从计算可以看出约有2/3的出行者选择路线a2:l2→l3, 1/3的出行者选择路线a1:l1, 路线a3:l4→l3选择的人最少。出行者在理性状态下的选择会摒弃路线a3, 那么从A点到B点的路径优化后有路线a1、路线a2可供选择。

4 结束语

本文从博弈论的角度对交通诱导系统中的路径优化做了初步尝试, 根据出行者的决策将路网的结构进行简化, 然后再进行最短路径求解, 以达到更高的效率。作为人与路之间的互动研究, 博弈论的引入是一个很好的思路, 该模型对诱导策略的制定有一定的指导意义, 但该模型并没有应用到实际例子中, 对于模型的适用性还需作进一步的研究分析。

参考文献

[1]杨兆升.城市交通流诱导系统[M].北京:中国铁道出版社, 2004.

[2]徐裕生.优化与决策[M].西安:陕西科学技术出版社, 2004.

[3]董斌杰, 李克平, 廖明军, 等.诱导信息下基于博弈论的路径选择模型[J].北华大学学报:自然科学版, 2007, 8 (1) :88-91.

[4]李振龙.诱导条件下驾驶员路径选择行为的演化博弈分析[J].交通运输系统工程与信息, 2003, 3 (2) :23-27.

[5]葛颖恩, 杨佩昆.诱导信息下的路线选择模型[J].同济大学学报, 1998, 26 (6) :659-663.

[6]石小法, 王炜, 卢林.交通信息影响下的动态路径选择模型研究[J].公路交通科技, 2000, 17 (4) :35-37.

[7]张安训.一种博弈诱导方法及诱导与控制的时空协调模型[D].天津:天津大学, 2004.

电力系统负荷恢复控制协调优化策略篇8

恢复控制是坚强电网生命力的最后保障,特别在当前“智能电网”背景下,电网恢复效率、故障反应速度等方面的研究面临着新的挑战。负荷恢复是电网恢复控制的最后一个阶段,该阶段的智能控制是实现系统恢复最终目标的关键步骤[1]。负荷投载会引起系统电磁暂态和机电暂态过程。负荷量过大,发电机需要相应增加无功出力,系统PV节点可能转换为PQ节点,即发电机不再具有电压调节能力,引起系统变压崩溃;同时,负荷的不平衡会造成频率越线。负荷量过小,延长系统恢复时间,降低恢复效率。如何在确定工况下快速、合理选择被恢复负荷是负荷恢复的核心问题,需要解决的主要问题包括负荷投入过程中各种约束指标的模拟。

负荷恢复问题需求解负荷恢复最大量,具有多维数、非线性、多变量、多约束等特点,目前多将智能方法和数值优化算法结合起来求解。文献[2]研究了负荷的快速恢复在线算法,求解系统稳态频率并进行灵敏度分析。文献[3-4]用改进的遗传算法求解最优负荷分配,没有考虑负荷分布情况,所恢复量不一定是系统最大可恢复量。文献[5]结合粒子群算法求解了考虑冷负荷特性的负荷恢复问题,计及了冷负荷特性对系统恢复的影响。文献[6]计及系统的暂态电压约束,将单个变电站的恢复问题抽象为一维非线性多约束问题,提出用二分法快速计算单次变电站最大可恢复量。

负荷恢复控制传统方法是根据经验或是系统中发电机爬坡能力确定某一恢复量,在负荷侧进行优化分配[7,8]。这样的方法难以顾及网络拓扑结构以及负荷在网络中的分布等因素,估计量不一定是系统当前可恢复最大量,该方法可操作性亦值得商榷。本文将待恢复负荷进行编码,在负荷侧寻优,结合约束条件校验求解当前最大可恢复量的求解策略。所构建模型以恢复的负荷量最大为目标,计及潮流约束与系统动态稳定约束,力求规避负荷投载后暂态冲击造成的风险。利用发电侧出力调节能力优化寻优初始点,提高计算效率。所提方法能够较好地兼顾所求解问题的快速性和精确性要求。

1 负荷恢复优化建模

1.1 数学建模

1.1.1 目标函数

以当前系统工况下可恢复的负荷总量为优化目标,优化问题的目标函数定义为:

式中:li为负荷i的负荷量;ri为相应的负荷权重;ai为负荷i的投载状态,取0表示不可恢复,取1表示可以投载;n是待恢复负荷的数量。

1.1.2 潮流约束

电力系统负荷恢复,首先要满足恢复后系统的稳态约束条件:

式(2)为系统一般的潮流方程,式(3)包括系统频率的上下限、发电机的有功、无功输出范围、节点电压上下限、线路功率传输极限等。

1.1.3 暂态约束

负荷投载是一个电磁暂态和机电暂态混合过程,此过程中系统机理可描述为:

式(4)代表发电机以及感应电动机等设备元件方程。式(5)为节点导纳矩阵表示的网络方程,分别为各节点注入电流相量和节点电压相量;Y是网络节点导纳矩阵。求解式(4)、(5)得出系统状态变量的时域响应方程。

本文集中起来用一个不等式来定义暂态约束条件:

其中:V(t)、ω(t)表示投载引起暂态过程中各母线电压和发电机转速关于时间t的函数矩阵,也可用若干条曲线表示,所有的恢复方案都进行动态校验。

1.2 负荷建模

负荷机理不同会导致投载后系统状态变量波动程度差异。按模型数学表达方式,可将电力系统负荷分为静态负荷和动态负荷两种。前者用多项式或是幂函数等方式描述负荷功率与端电压及频率关系;后者在系统电压和频率快速变化时,用微分方程描述负荷的动态过程。

1.2.1 静态负荷建模

对于机电暂态过程,静态负荷模型可以用于负荷以静态成分为主,负荷影响较小的节点[9]。本文中用静态等值模型模拟已恢复负荷。

1.2.2 动态负荷建模

电动机是电力系统负荷主要成分,感应电机模型是目前故障程序中常用负荷模型[9]。一方面,异步电机的启动对电压要求严格,其起动转矩与电压的平方成正比,启动转矩为额定转矩1~2倍。另一方面,异步电机的启动电流是额定电流的5~7倍,会加剧输电线路阻抗压降。本文电动机模型采用3阶的机电暂态模型。

静态ZIP负荷模型会加剧系统的频率跌落;动态负荷模型会恶化系统电压稳定性[10]。为降低决策和分析的风险性,本文采用不同负荷模型或参数进行仿真,所投载负荷采用静态ZIP模型、冷负荷模型和感应电动机模型相组合的形式,其中30%的负荷采用静态ZIP模型,其余采用感应电动机模型。

1.3 原动机系统建模

电力系统负荷恢复分阶段完成,发电机需要不断调整出力,为下一次负荷投入做准备。因此,需要对发电机调速系统、爬坡能力进行建模。

本文中发电机调速系统机理如式(7):

式中:Tmech是原动机实际出力;Tmin、Tmax是原动机系统出力上下限;T﹡mech是调速系统控制信号;该信号根据转子转速调整,如式(8)。

其中:ωref和ω是转速参考输入和主反馈信号;tg是原动机出力给定值;Tmech0是调速系统扰动信号。

本文算例中,发电机采用考虑的q轴上阻尼绕组暂态过程的4阶模型。

负荷投载之后,原动机调速系统、发电机出力都处于变化过程中,是一个电磁暂态和机电暂态共存的复杂过程。

2 模型求解

2.1 优化寻优初始点

文献[11]研究了恢复阶段机组各不同部分的线性模型,该模型能够在系统恢复阶段快速计算系统的频率响应,如式(9):

式中:Plimit为当前系统可安全恢复最大负荷量;Pl1、Pl2任意两个恢复量;fl1、fl2是按照上述量恢复后系统的最低频率值;flimit是规定的系统最低频率值。

本文提出以下计算方法:首先按照式(9)求解系统可恢复最大值,生成寻优空间,如图1区域B。

图1中,区域A表示所有待恢复负荷的任意组合,区域B和C为其子集;B表示不同工况下,以公式(9)计算结果为总量,待恢复负荷任意组合;C表示不同工况下系统的最优解,包括各待恢复负荷投载量与位置分布。对应到某一种运行方式下,所求解为区域C中的一点。

2.2 利用TSP问题求解当前最优解

在某一确定的工况下,第一阶段计算结果对应为B中某一点集,当其与D相交时,交集是系统当前的最大恢复量;否则这一量只是近似最大量,接近真实值,但可以利用其生成初始解寻优,提高寻优速度。第二阶段优化就是从这一点集中的某点出发,找到全局最优解在C中对应点。

至此,原先优化问题可以抽象为一个TSP问题。给每一个待恢复负荷赋以位置编码和状态编码,位置编码依次累加,状态编码采用二进制编码,如图2,某一固定位置上负荷量一定。

本文利用蚁群算法全局正反馈搜索的特点求解这一TSP(Traveling Salesman Problem)问题。以图1的B区域中某一点为出发点,按照路径顺序对所有负荷进行遍历,算法程序流程图如图3。图3中,个体对负荷进行遍历、对局部信息素和全局信息素更新规则参见文献[12]。

生成恢复方案以后首先进行潮流校验,对于潮流越线的情况,调节发电机出力或负荷水平以满足潮流约束。如果超出系统调节能力,则视为不可行,需重新生成恢复方案。对于暂态指标越线,反馈相应的罚函数项到寻优适应度函数中,通过优化算法参数对投载量进行修正。

2.3 算法改进与约束条件处理

信息素矩阵不断更新,为了让较好路径上的信息量作用更明显,本文为信息素矩阵设计一个放大因子项β,β是一个线性递减函数,其值最终趋于1,如式(10)所示:

采用罚函数方法处理式不等式约束条件(6),定义罚函数项如式(11):

式中:x是系统的状态变量;γj是惩罚因子,为指定的正常数。引入罚函数项之后,就将模型转化成为无约束问题。将罚函数项引入到目标函数中,得到的适应度函数如式(12):

3 算例分析

3.1 仿真说明

本文算例采用IEEE-30节电系统进行负荷恢复优化仿真。文献[13]研究了黑启动中的发电机选择和路径优化,其优化网络如图4,实线代表已恢复路径,虚线代表未恢复路径。参照该文部分数据初始化仿真网络:节点{1,2,13,22,23,27}为已恢复电源节点,备用充足,系统各支路已经恢复;节点1至30为待恢复负荷节点,系统节点待恢复负荷约为最大负荷的40%。取100 MVA为容量基值,当前系统总负荷为3.528 0 p.u。

同步电机采用考虑Eq′、Ed′、Ed″电势变化的5阶模型,调速器和励磁系统采用四阶模型。动态过程中,电压允许波动范围0.9~1.1 p.u,频率允许波动范围0.99~1.01 p.u。

3.2 算例仿真

本文算例有30个待恢复节点,规定每个节点上有10个待恢复负荷,则共需对300个待恢复负荷位置进行编码。

在仿真软件上按式(9)计算当前系统的最大可恢复量,计算数据如表1,P11、P12是按照10%和15%比例线性增加各负荷所得。

如表1,按照公式(9)计算得当前系统可增加出力约为0.410 p.u。根据系统负荷分布,考虑到动态负荷会加剧系统波动,生成某一投载状态为算法寻优初始点,满足该状态下可投载负荷总量为0.33×(1+0.1)p.u。则使当前所有负荷投载状态与该方案一致,并且状态为1的位置上赋以较大信息素,状态为0的位置上赋以较小信息素。从该点出发,遍历所有待恢复负荷,计算结果如表2。

如表2,系统可恢复量为0.311 2 p.u,占系统当前负荷量的8.82%。可恢复负荷位置及各位置相应数量见表2,其中29、30号节点负荷不可恢复。按照该分布方式投载,系统典型响应曲线如图5、图6所示。

如图5,负荷的投载引起的瞬时功率不平衡以及负荷特性对系统造成冲击,状态变量有明显的跌落;同时,发电机调节出力(图6),维持系统有功平衡。随着发电机出力的增加,系统频率响应曲线逐渐恢复上扬。在此过程中频率响应曲线呈近似V字形,系统各状态变量未超出允许范围。

3.3 算例分析

如图5、图6所示,负荷投入后的暂态过程中,系统频率最低值距允许频率下线保持相当的裕度,部分发电机出力水平明显低于其它发电机。即系统有功备用充足,发电机爬坡能力没有得到充分发挥,但是节点29、30上负荷不可恢复,其电压运行水平为全系统最低(图7),电压问题可能成为该节点,甚至是全系统负荷恢复的瓶颈。

为改善恢复过程中系统的电压运行水平,调整27号节点上的发电机励磁系统放大增益系数,29、30号节点电压有较明显的改善,能够承受一定的负荷增加,系统其它节点也可以继续增加部分负荷。

3.4 算例对比

3.4.1 寻优效率对比

算例3.2中,算法程序能较快地找到最优解,并且使适应度函数趋于稳定。为验证本文方法有效性,在不利用公式(9)的情况下,算法信息素、编码初始状态等随机生成,做对比算例,对比效果如图8所示。

图8为算例迭代前160次时的适应度函数对比。如式(12),适应度函数值大小直接反映当前可恢复方案的优劣。利用式(9)优化之后,迭代初期,本文算例较比算例具有较大的适应度函数。迭代100次之后,程序逐渐收敛,适应度函数值趋于稳定。

3.4.2 负荷模型对比

为比较负荷模型对可恢复负荷量计算影响,在本文算例相同的初始条件下,采用静态ZIP负荷模型代替仿真模型中的电动机负荷、冷负荷模型,计算结果如表3。

如表3,系统可恢复量为0.356 6 p.u,占系统当前负荷量的10.1%,大于表2算例下数值。在未计及动态负荷模型,尤其是感应电机模型的情况下,计算可恢复量偏乐观。

4 结论

本文建立了最优负荷恢复模型,该模型计及系统的暂态电压和频率约束,规避了只用稳态约束条件校验结果偏乐观的风险。寻优算法对系统所有待恢复负荷投载状态编码,负荷位置以及负荷量固定,依次进行遍历,确保获得系统当前工况下的最大可恢复量、可恢复负荷的分布等。利用机组功频特性优化寻优初始点,有效地提高寻优效率。

电动机负荷启动电流大,是电力系统最主要的无功负荷之一,其投载会加剧瞬时电压降。电动机负荷比重的增加,会减少负荷可恢复量。

空载线路、设备投载等原因增加的无功损耗,可能使部分和系统连接较弱的节点电压偏低,成为系统负荷恢复的瓶颈。做好恢复过程中系统的无功控制,提高较低电压节点的电压运行水平,是提高系统恢复效率的必要条件。

电力系统负荷恢复是一个多时序的复杂问题,如何结合系统实际情况,协调每一次的恢复量,缩短整个恢复过程花费的时间以及经济代价等问题有待继续研究。

本文方法可为单次负荷恢复策略提供参考,算例分析证明了方法的有效性。

在此,感谢宁夏电力公司对我们相关研究的一贯支持。

摘要：就黑启动最后阶段的负荷恢复问题,以全局恢复量最大为目标,计及负荷投载后系统暂态约束,构建了一种新的最优负荷恢复模型。通常依据发电侧调节能力增加一定的出力进行优化分配,缺乏对系统物理特性和运行工况的考虑,所增加量不一定是实际可恢复的最大量。提出在负荷侧求取最大可恢复量,同时将原动机响应特性用于算法初始化,提高寻优效率。所提方法对所有待恢复负荷进行编码,全局搜索,动态校验,能够协调系统暂态约束、可恢复负荷量与位置以及寻优速度三方面的要求,较好地解决了负荷恢复这一“技术—空间—时间”的多维问题。以IEEE-30节点测试系统为算例模型,验证了该方法的有效性。

资源协调优化篇9

近年来中国风力发电发展迅速[1,2],但风电功率的不确定性会破坏系统有功功率的平衡,这给电力系统的在线有功调度带来了新的挑战。在线有功调度的实时校正环节和自动发电控制(AGC)功能的实施是以系统内机组的调节能力和备用容量为基础的。风电的随机性和间歇性特点大大提高了对机组调节能力和备用容量的要求,这自然提出了一个重要问题——大规模风电接入后的电力系统运行备用问题。系统的备用可以分为一次备用(也称瞬时备用)、二次备用(也称快速备用)和三次备用(也称长期备用)[3],用于实现有功调度控制在时间纬度上的协调[4]。这3种备用是按照时间尺度分类的[3]:一级备用是由频率波动自动引发的秒级备用;二级备用一般是指10 min左右启动的备用,它将代替一级备用;三级备用的时间尺度要更长一些。

对于风电接入对系统运行备用的影响国内外已有一些研究[5,6,7,8,9,10,11]。这些研究在考虑风电接入对备用的影响时,较少考虑系统内发电机组的爬坡能力限制和各级备用的协调问题。由于电力系统运行的有功调度是一个连续的动态过程,存在各级备用的动态协调问题,而大规模风电的接入,使各级备用间的动态协调问题更加重要。本文通过分析认为,大规模风电接入后对系统运行备用提出了新的挑战,首先是大规模风电接入后需要什么性质的运行备用,其次是需要增加多少运行备用容量,最后是运行备用容量如何协调分配。本文通过分析,对这3个问题分别进行了解答。

1 风电接入引起的备用需求性质分析

系统的一级备用主要由系统内机组的特性决定;二级备用的主要功能是平衡网络内的负荷波动,恢复系统的一级备用能力;三级备用的功能是释放系统已经使用的二级备用能力。系统各级备用间的协调关系见图1。频率响应曲线中:实线对应一级、二级、三级备用共同作用下的频率响应;虚线对应快速时间响应的多级备用的频率响应。功率曲线中:实线分别表示一级、二级、三级备用;点线表示在二级、三级备用共同作用下的一级备用;虚线表示所提出的快速时间响应的多级备用的协调关系。

由于风电功率本身固有的随机波动特性,大规模风电接入后系统的等效负荷功率波动将更加频繁,需要针对风电功率的这种特点提供相应的运行备用能力,多级备用的逐级轮换是解决这一问题的合理方法;但风电功率波动和预测误差具有随时间增加不断增大的特点(见附录A表A1和表A2),因此,对多级备用的时间响应特性和协调提出了新的要求。

本文将风电功率的波动特性和预测误差特点与在线有功调度功能环节相结合,以实时校正环节备用对应传统的二级备用,以滚动计划环节的快速备用对应传统的三级备用,提出了以更快时间响应的多级备用协调来解决大规模风电接入后系统运行备用的新问题。实时校正环节备用的功能应对滚动计划周期内系统负荷和风电的随机波动和预测误差,滚动计划环节快速备用的功能应对系统内的突发事件,并为实时校正环节提供补充备用。由于风电功率波动特性和预测误差的特点,实时校正环节备用与滚动计划环节的快速备用之间的协调响应时间要求较以往更为快速,比传统的二级备用和三级备用的协调更为频繁和紧密。这也回答了风电接入需要什么性质的运行备用问题。

2 基于风险的备用需求决策方法

本文基于金融领域内常用的风险价值(VaR)和条件风险价值(CVaR)的概念[12]来定义风电功率不确定性引起的备用需求评价指标。设y∈Y为决定风电备用需求的不确定随机向量,p(y)为y的概率密度函数,R(y)为风电接入引起的备用需求,则备用需求R(y)不超过给定限值ξ的概率为:

$ψ (R, ξ) = \int_{R (y) \leq ξ} p (y) d y (1)$

若置信水平为α∈(0,1),则风险备用需求Rα可表示为:

$ξ_{α} (R) = \max {ξ \in R : ψ (R, ξ) \leq α} (2)$

式中:Rα为备用需求以概率α不大于限值ξ的最大备用需求。

定义条件风险备用RCα为备用需求以概率1-α不小于限值ξ的平均备用需求,则RCα可表示为:

ϕα(R)=(1-α)-1∫R(y)≥ξα(R)R(y)p(y)dy (3)

可见ϕα(x)≥ξα(x),RCα与Rα相比考虑了风险备用需求尾部的分布,是一个更为保守和谨慎的风险量度方法。本文以置信水平α下第t时段的条件风险备用需求RCα,t作为风险备用容量需求,它较Rα,t更能体现潜在的备用需求风险。对具体的风险备用需求容量可根据需要以不同的置信水平确定。

Rα和RCα这2个指标表征了风电功率不确定性引起的备用容量需求大小。风电接入影响备用需求的因素包括风电功率的随机波动和风电功率预测误差。风电功率的不确定性具有随时间增加而不断增大的特点,对于较短的时间范畴,求得的Rα,t和RCα,t较小,对于较长的时间范畴,Rα,t和RCα,t较大,Rα,t和RCα,t的不确定性也随之增大,同时风险备用成本也随之增加。因此在决策时,需要考虑这种风险备用成本随时间增加不断增大的特性。这里借鉴金融领域内的风险效用函数[13,14],结合前面建立的条件风险备用需求RCα指标,对风电功率的不确定性引起的备用需求建立以下决策模型:

$R_{t} = R_{C α, t} - w D (R_{C α, t}) (4)$

式中:Rt为第t时段的备用容量需求;w为风险偏好因子;D(RCα,t)为条件风险备用需求RCα,t的方差。

式(4)的风险偏好因子w=Kt,K为常数,采用这种取值方法是因为RCα,t随着时间增加不断增大,风险备用成本也不断增大,所以采用随时间增加不断控制风险备用成本的决策方法。对于较短的时间范畴,需要尽量确保系统的安全;对于较长的时间环节,则限制风险备用成本。式(4)体现了基于风险备用成本的安全性与经济性之间的协调。对于决策者而言,可以根据对风险备用成本的不同偏好来确定不同的风险偏好因子。

3 考虑风电接入的备用协调优化

本文提出以实时校正环节备用与滚动计划环节的快速备用之间的协调来解决大规模风电接入后系统的运行备用分配问题,其中,实时校正环节备用用于应对滚动计划周期内系统负荷和风电的随机波动和预测误差,滚动计划环节快速备用用于应对系统内的突发事件和为实时校正环节提供备用。对此,本文建立一个协调优化模型来实现实时校正环节备用和滚动计划环节快速备用的协调优化分配。协调优化数学模型如下所示。

1)目标函数f(x)包括成本函数fCost和网损函数fLost:

${\begin{cases} f_{C o s t} = \sum_{i \in S_{G}} (a_{2 i} (Ρ_{G i, t})^{2} + a_{1 i} Ρ_{G i, t} + a_{0 i}) \\ f_{L o s s} = \sum_{i \in S_{G}} Ρ_{G i, t} \end{cases} (5)$

式中:PGi,t为第t时段节点i的可调有功功率;a2i,a1i,a0i为发电机组i的发电费用曲线系数;SG为可控机组集合;i=1,2,…,n。

2)等式约束ht(x)包括节点有功和无功的潮流方程,其中第t时段的PV节点电压与基态相同,即

${\begin{cases} Ρ_{G i, t} = Ρ_{D i, t} + V_{i, t} \sum_{j = 1}^{n} V_{j, t} \cdot \\ (G_{i j, t} \cos θ_{i j, t} + B_{i j, t} \sin θ_{i j, t}) \\ Q_{R i, t} = Q_{D i, t} + V_{i, t} \sum_{j = 1}^{n} V_{j, t} \cdot \\ (G_{i j, t} \sin θ_{i j, t} - B_{i j, t} \cos θ_{i j, t}) \end{cases} (6)$

式中:QRi,t和Vi,t分别为第t时段节点i的可调无功功率和电压幅值;PDi,t和QDi,t分别为第t时段节点i的有功、无功负荷;θij,t为第t时段节点i,j之间的相角差。

3)不等式约束包含发电机有功出力约束(式(7))、机组爬坡约束(式(8))、无功出力约束(式(9))、节点电压约束(式(10))、线路潮流约束(式(11))、备用爬坡约束(式(12)、式(13))、实时校正备用需求不等式约束(式(14))、滚动环节备用需求不等式约束(式(15))、备用分配因子取值约束(式(16))。对于第t时段的潮流,负荷节点有功出力随负荷曲线变化而变化,发电机有功出力由爬坡约束限制。不等式约束中以 $\bar{}$ 和 $\underline{}$ 表示相应变量的上下界;下标rt表示实时校正环节变量;下标rl表示滚动环节变量;以下标up和dn表示上行(正)、下行(负)变量。 $\underline{Ρ}_{G i} \leq Ρ_{G i, t} \leq \bar{Ρ}_{G i} i \in S_{G}$ (7)

-rGi,dnT15≤PGi,t-PGi,0≤rGi,upT15 i∈SG (8)

$\underline{Q}_{R i} \leq Q_{R i, t} \leq \bar{Q}_{R i} i \in S_{R} (9)$

$\underline{V}_{i} \leq V_{i, t} \leq \bar{V}_{i} i = 1, 2, \dots, n (10)$

$\underline{Ρ}_{i j} \leq Ρ_{i j, t} \leq \bar{Ρ}_{i j} (i, j) \in S_{L} (11)$

${\begin{cases} Ρ_{G i, t} + α_{G i, u p, r t} r_{G i, u p} Τ_{5} \leq \bar{Ρ}_{G i} i \in S_{G C} \\ Ρ_{G i, t} - α_{G i, d n, r t} r_{G i, d n} Τ_{5} \geq \underline{Ρ}_{G i} i \in S_{G C} \end{cases} (12)$

${\begin{cases} Ρ_{G i, t} + α_{G i, u p, r l} r_{G i, u p} Τ_{15} \leq \bar{Ρ}_{G i} i \in S_{G} \\ Ρ_{G i, t} - α_{G i, d n, r l} r_{G i, d n} Τ_{15} \geq \underline{Ρ}_{G i} i \in S_{G} \end{cases} (13)$

${\begin{cases} \sum_{i = 1}^{n} α_{G i, u p, r t} r_{G i, u p} Τ_{5} \geq R_{\min, u p, r t} = R_{L, u p} + R_{w, u p, r t} \\ i \in S_{G C} \\ \sum_{i = 1}^{n} α_{G i, d n, r t} r_{G i, d n} Τ_{5} \geq R_{\min, d n, r t} = R_{L, d n} + R_{w, d n, r t} \\ i \in S_{G C} \end{cases} (14)$

${\begin{cases} \sum_{i = 1}^{n} α_{G i, u p, r l} r_{G i, u p} Τ_{15} \geq R_{\min, u p, r l} = R_{s y s, u p} + R_{\min, u p, r t} \\ i \in S_{G} \\ \sum_{i = 1}^{n} α_{G i, d n, r l} r_{G i, d n} Τ_{15} \geq R_{\min, d n, r l} = R_{s y s, d n} + R_{\min, d n, r t} \\ i \in S_{G} \end{cases} (15)$

${\begin{cases} 0 \leq α_{G i, u p, r t} \leq 1 i \in S_{G C} \\ 0 \leq α_{G i, d n, r t} \leq 1 i \in S_{G C} \\ 0 \leq α_{G i, u p, r l} \leq 1 i \in S_{G} \\ 0 \leq α_{G i, d n, r l} \leq 1 i \in S_{G} \end{cases}$ (16)式中:Pij,t为第t时段线路(i,j)的有功功率;SR为无功电源集合;SL为线路集合;SGC为实时校正机组集合;rGi,up和rGi,dn为发电机组i的上、下爬坡速率;αGi,up,rt和αGi,dn,rt为机组i的正、负实时校正备用分配因子;αGi,up,rl和αGi,dn,rl为机组i的正、负滚动环节备用分配因子;T5和T15分别为5 min和15 min的时间量度;Rmin,up,rt和Rmin,dn,rt为系统的正、负实时校正备用需求容量;Rmin,up,rl和Rmin,dn,rl为系统的正、负滚动环节备用需求容量;RL,up和RL,dn为系统的正、负负荷波动备用需求;Rw,up,rt和Rw,dn,rt为系统的风电正、负实时校正备用需求;Rsys,up和Rsys,dn为系统的正、负事故备用需求。

考虑实时校正备用和滚动计划环节备用协调的最优潮流数学模型与考虑快速备用需求的最优潮流数学模型[11]相比,控制变量主要是将原有的发电机组备用分配因子分为校正备用分配因子和滚动环节备用分配因子2个部分,约束条件增加了风电接入引起的实时校正备用需求和滚动计划环节备用需求约束,同时包含发电机组的爬坡约束,其中,校正备用、滚动环节备用分配因子和系统的实时校正备用、滚动环节备用约束均包括上行备用和下行备用(即正备用和负备用)。这里的实时校正备用响应对应实时校正时间周期(可取为5 min),滚动环节备用对应滚动计划环节(可取为15 min)所需要的快速备用响应能力。对于实时校正环节的备用容量需求,考虑到实时校正环节的功能主要是在滚动周期内应对系统控制区的功率波动,所以实时校正备用需求容量包括系统的负荷波动备用需求和风电功率备用需求2个部分,如式(14)所示。

取系统内的负荷波动备用需求为系统总负荷的1%;风电备用需求由上文提出的基于风险的风电备用需求决策方法确定,实时校正下行备用的处理与上行备用相同。滚动环节备用需求容量包括系统的事故备用、风电备用需求和负荷波动备用部分。

考虑实时校正备用和滚动环节备用协调的最优潮流解法采用非线性路径跟踪内点最优潮流算法[11,15,16,17]。

4 仿真算例分析

4.1 风电有功风险备用需求

本文以IEEE 39节点系统(见附录A图A1)为测试系统,考虑风电有功功率波动和预测误差(具体参数见附录A的A1节),计算置信水平α分别为90%,95%和99%下,连续40个时段(每隔15 min为1个时段)的风险备用需求Rα,t和条件风险备用需求RCα,t,计算结果分别如图2和图3所示。

从图中可以看到,条件风险备用需求RCα,t考虑了备用需求尾部的分布,反映了备用需求超过Rα,t 的平均水平。相同条件下,置信水平越高,条件风险备用需求越大,风险备用成本越高。由于风电功率预测误差随时间不断增大,备用需求Rα,t 和RCα,t均随时间增加不断增大。

计算连续40个时段内置信水平α为99%下的风电有功功率条件风险备用需求RCα,t和不同风险偏好因子下的决策备用容量,如图4所示。

从图4可以看到,不同的风险偏好因子主要影响时段较大时刻的备用容量取值(当时段数大于12后),这与风电预测在预测时间超过3~4 h后预测误差较大的实际情况相符。

4.2 考虑风电的备用协调优化

同样以IEEE 39节点系统(见附录A图A2)为测试系统,发电机参数和负荷功率等参数见附录A的A2节。采用上文的风险备用需求决策模型计算求得风电备用需求容量为110 MW,其中正、负备用分别为55 MW。负荷波动备用需求定义为系统总负荷的1%,为78 MW,与风电功率的备用需求相加,得到实时校正备用需求容量为133 MW。系统的事故备用容量取为系统最大发电负荷的10%,取为780 MW。假定机组G36,G37和G39为实时校正机组,采用上文提出的备用协调优化算法,以发电成本最小为优化目标,分别计算不考虑备用需求、考虑快速备用需求[11]、考虑两级备用协调优化3种情况下的优化潮流,得到系统各台发电机组的有功出力优化结果如表1所示。

表2显示了对应表1的3种情况下系统的备用需求容量、系统网损、发电成本和备用成本数据。

表3列出了考虑快速备用需求和考虑两级备用协调优化分配的备用分配因子。

从优化结果可以看出,由于风电的接入使系统的实时校正环节备用需求和快速备用需求均有增加,因此,两级备用的协调是必须考虑的问题,在不考虑备用需求的情况下,备用需求不能满足,在系统发生极端情况时可能导致系统不能在短时间内恢复稳定。只考虑快速备用需求的情况下,实时校正环节的备用需求不能满足。通过考虑实时校正环节备用需求与系统的快速备用之间的协调,使得系统实时校正环节备用需求以及快速备用需求均得到满足,提高了系统的鲁棒性,很好地解决了风电接入对运行备用的影响。虽然也可以通过简单地增加实时环节调整机组来解决这一问题,但为了更好地利用系统内机组的调节能力,使系统的有功调度运行取得更好的安全性和经济性,需要更合理的解决方法,本文提出的两级备用协调优化分配方法为解决这一问题提供了一种有效手段。

5 结语

本文针对大规模风电接入对系统运行备用提出的问题,对风电接入后系统的运行备用需求性质进行了分析,提出了一种基于风险的风电备用需求决策方法来确定风电备用需求,并在路径跟踪内点算法的基础上,结合风电备用需求和发电机组的爬坡限制,提出了一种能够充分利用发电机组控制性能的两级备用协调优化分配算法。在IEEE 39节点测试系统上的算例分析结果表明,所提出的风险备用需求决策方法能很好地解决大规模风电接入后系统的备用需求确定问题,同时本文提出的备用协调优化潮流算法在考虑系统内发电机组的爬坡能力约束情况下,能有效解决风电备用需求的分配问题,提高系统运行鲁棒性,对接入大规模风电系统的有功调度运行具有较大的实用价值。

附录见本刊网络版(http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx)。

资源协调优化篇10

在点线能力协调研究方面,国内专家大部分研究集中于静态协调的研究成果比较多,如基于编组站作业过程,以编组站各个子系统及衔接区间上系统要素之间的协调和匹配关系为研究对象,研究方法主要是以排队论和概率论为基础的理论分析和模拟仿真计算,但对动态协调的研究成果则较少。

在前人研究的基础上,本文运用大系统控制和系统耦合动态协调优化的理论和方法,从系统结构特征为基本出发点,对既有铁路运输系统点线能力的协调优化思路和模型求解方法进行研究。

2 点线能力协调的定义、原则和目标

首先,结合运输系统协调理论,定义运输系统点线能力协调,就是根据该系统中某一线路各阶段运量增长的需求,在保证一定运输服务质量和运输安全的前提下,各场站设备的作业能力与该线及其邻接区段的能力两者之间科学合理匹配和同步构建。

参考相关研究可知,铁路运输系统是属于复杂的串并联组合系统,其协调优化必须按照“先总体系统,后子系统,先并联后串联”的原则进行,即必须遵循整体性、相关性、优先性、动态性和调控性5点基本原则。

铁路系统点线能力是由多个能力子系统组成的一个复杂庞大的动态系统,各个系统之间相互作用影响,其协调的目标就是利用一种静态和动态相结合的最优控制过程,使得系统在整个发展过程中实现整体最优,具体体现在两个方面:一是在整个需求增长过程中系统实时保持较好的状态、有较好的接续性且有最优的社会经济效益,二是能够最大限度地满足客货运量需求。

结合大系统协调理论,建立铁路运输系统点线能力的目标函数如下:Z=maxf[M1,M2,…,Mn;δ1,δ2,…,δn],其中,f为系统点线能力,Mn为各子系统的能力函数,δn为随机干扰变量。需要说明的是在进行协调优化的过程中,必须三者同时进行考虑,这样才能达到整体最优的目的。

3 系统点线能力的协调优化方法

由相关文献[3]分析可知,既有铁路系统点线能力结构属于多层次的递阶控制结构,需要采用递阶控制结构的“分解-协调”方法的思想求解系统的最优化问题,将大大降低其计算的复杂性。

针对既有铁路系统的特点,结合分解-协调理论,首先从变量分解合成的角度出发,对子系统信息交换和耦合机制进行描述,进而描述系统一体化的模型;再从约束条件和目标函数分解协调的角度,对从一体化协调优化模型分解成的一类分解协调优化模型进行描述。

3.1 耦合系统的描述和一体化优化模型

从信息论的角度,将系统抽象表示为输入变量、输出变量、函数关系组成的三元组形式(x,y,f),系统感知环境获取输入变量x,依照一定的f经过系统分析y=f(x),计算得到y,并将其返回给外部环境。一个复杂系统是由多个子系统构成,变量分散于各子系统中,但变量不是彼此孤立的,变量之间存在着共享关系、前馈和反馈互联关系,形成了耦合。

各子系统变量的分布情况如图1所示,图中各子系统的所有变量构成本系统的领域(圆),圆的交叠部分为全局变量如x4,圆的其余部分为局部变量,关联变量用图中的箭头表示。

子系统间的关联关系可以用设计结构矩阵(Design Structure Matrix,DSM)来表示,用来表示各子系统间的信息传递关系,如图2所示。用矩阵P=[P1,P2,…,Pn]表示各个子系统所涉及的全局变量的子集关系,涉及某个全局变量的值取为1,不涉及该变量取为0。将图中节点所在位置用1表示,其余位置用0表示,得到的矩阵QT=[Q $_{1}^{Τ}$ ,Q $_{2}^{Τ}$ ,…,Q $_{n}^{Τ}$ ],反映子系统之间的耦合关系,如公式(1),其中主对角线上侧表示前馈,主对角线下侧表示反馈信息

$Q^{Τ} = [Q_{1}^{Τ}, Q_{2}^{Τ}, Q_{3}^{Τ}] = [\begin{matrix} 0 & 1 & 0 \\ 1 & 0 & 1 \\ 1 & 1 & 0 \end{matrix}] \begin{array}{l} . \end{array} (1)$

3.1.1 输入变量、输出变量和函数的关系

以子系统Subi为研究对象,对其输入变量、输出变量和函数关系三方面进行描述如下:

1)子系统的输入变量可分为三类,即局部变量、全局变量和关联输入变量: ① 局部变量Xli,分散在不同的子系统中,根据各子系统范围确定其数值; ② 全局变量Pi·Xg,可能为多个子系统所共享,是整个全局变量全体Xg的一个子集; ③ 关联输入变量Qi·Y,是整个系统关联输入变量全体Y=[Y1,Y2,…,Yn]的一个子集。

2)子系统的输出变量分为两类,关联输出变量和非关联输出变量: ① 关联输出变量Yi,表示子系统通过其参与个子系统的协调; ② 非关联输出变量不参与构成耦合关系,但参与各子系统约束、目标函数的计算。

3)子系统的函数关系体现在子系统分析CA,即子系统i由输入求取输出的过程,对应于方程

$Y_{i} = C A_{i} (Ρ_{i} \cdot X_{g}, Q_{i} \cdot Y, X_{l i}) . (2)$

以整个系统为研究对象,综合各子系统变量,可列出下列方程组

$\begin{array}{l} {δ_{i}} = {Ρ_{i} \cdot X_{g}} = {Ρ_{i k} \cdot X_{g k}}, (3) \\ {Ζ_{i}} = {Q_{i} \cdot Y} = {Q_{i j} \cdot Y_{j}}, (4) \\ {Y_{i}} = {C A_{i} (δ_{i}, Ζ_{i}, X_{l i})} = \\ {C A_{i} (Ρ_{i} \cdot X_{g}, Q_{i} \cdot Y, X_{l i})} . (5) \end{array}$

式中:Xli为i子系统的局部变量; δi为i子系统涉及的全局变量; Zi为i子系统的关联输入变量; Yi为i子系统的关联输出变量; Xg为全局变量的全体; Y为关联变量的全体;i、j、k为分别为子系统的编号、关联变量的编号、全局变量的编号。

其中,方程(5)表示各子系统变量的跨子系统一致性关系。

3.1.2 系统分析、分析分解和一体化优化模型

对一组给定的基线X=[Xg,Xl],以此为固定点,求解方程组(5)可确定Y,这一计算过程称为系统分析。应用最小化反馈原则,如果合理安排各子系统顺序能消除反馈环节,使得Q矩阵可以变换为下三角阵,按此顺序串行进行系统分析;如不能直接消除反馈环节,引入解耦变量将反馈环节打开,再进行计算。

将解耦变量作为优化变量,同时将方程组(5)作为优化的一致性约束条件,信息直接经由优化器中,而不直接互联。在优化过程中,不必在每一步都进行迭代的系统分析,只需并行执行一次子系统分析,不要求达到一致性条件,得到一体化格式的多学科优化模型

$\begin{array}{l} \min F (X_{g}, X_{l}, Y), \\ s t, \\ Y_{i} = C A_{i} (Ρ_{i} \cdot X_{g}, Q_{i} \cdot Y, X_{l i}), \\ g_{i} (Ρ_{i} \cdot X_{g}, Q_{i} \cdot Y, X_{l i}) \geq 0, \\ h_{i} (Ρ_{i} \cdot X_{g}, Q_{i} \cdot Y, X_{l i}) = 0, \\ (i = 1, 2, \dots, n) . \end{array} (6)$

综上所述,由于反馈缓解造成系统分析需迭代因而计算工作量大,所以,此类问题算法的分解首先关注在分析分解上。引入解耦变量将反馈环节打开,将其作为优化变量,同时引入一致性约束条件,只需执行一次子系统分析,但一致性条件只随着优化的收敛而达成。

3.2 基于分解协调的既有铁路系统点线能力协调优化算法

随着各领域综合程度的提高,各子系统涉及的大量特定学科约束、大量局部变量全部合成到一个优化器,使得一体化优化难于求解。根据优化问题的性质不同,形成不同的分解方法。

结合运输系统点线能力协调的相关研究,可知既有铁路运输系统点线能力的协调优化问题属于凸性和可分离性等价性的范畴,因此,该问题的优化方法可运用一种基于凸性和可分离性保证等价性的分解协调理论,其基本思路:子系统优化任务是确定各子系统的局部变量,系统层优化任务是解决整个系统优化中各子系统关联变量的全局协调和共享全局变量的冲突消解问题,见图3。该协调优化问题的求解方法,如下所述:

第一步:先将优化问题(6)的优化目标分解表示成各子系统优化目标函数的加权代数和形式,式(7)中σi为各子系统对应的加权系数,即

$F (X_{g}, Y, X_{l}) = \sum_{i = 1}^{n} σ_{i} f_{i} (Ρ_{i} \cdot X_{g}, Q_{i}, X_{l i}) . (7)$

整个问题是在约束条件下,使得总目标函数达到最小值,根据lagrange对偶理论,将关联变量纳入目标函数之中,则原一体化格式优化问题的拉氏函数为

$\begin{array}{l} L (X_{g}, Y, X_{l}, λ, μ, υ, ω) = F (X_{g}, Y, X_{l}) + \\ \sum_{i = 1}^{n} {λ_{i} [Y_{i} - C A_{i} (Ρ_{i} \cdot X_{g}, Q_{i}, X_{l i})] + \\ μ_{i} [g_{i} (Ρ_{i} \cdot X_{g}, Q_{i}, X_{l i}) + ω_{i}^{2}] + \\ υ_{i} [h_{i} (Ρ_{i} \cdot X_{g}, Q_{i}, X_{l i})]} = \\ \sum_{i = 1}^{n} L_{i} (X_{g i}, Y_{i}, X_{l i}, λ_{i}, μ_{i}, υ_{i}, ω_{i}) . (8) \end{array}$

式中:ωi为松弛变量,将不等式约束转化为等式约束;λ、μ、υ为拉氏乘子。

假定子系统是一个连续变化的过程,根据式(8)分别对Xgi、Yi、Xli、λi、μi、υi和ωi进行求偏导数,如式(9),得出相关变量的数值;接着进行两层优化,先对子系统层优化,确定局部变量,再进行系统层综合优化

$\frac{\partial L}{\partial X_{g i}} = \frac{\partial L}{\partial Y_{i}} = \frac{\partial L}{\partial X_{l i}} = \frac{\partial L}{\partial λ_{i}} = \frac{\partial L}{\partial υ_{i}} = \frac{\partial L}{\partial ω_{i}} = 0 . (9)$

第二步:先通过建立子系统层优化模型,并进行求解,模型如下

$\begin{array}{l} \min_{X_{l i}} f_{i} (Ρ_{i} \cdot X_{g}, Q_{i} \cdot Y, X_{l i}), \\ s t, \\ Y_{i} = C A_{i} (Ρ_{i} \cdot X_{g}, Q_{i} \cdot Y, X_{l i}), \\ g_{i} (Ρ_{i} \cdot X_{g}, Q_{i} \cdot Y, X_{l i}) \geq 0, \\ h_{i} (Ρ_{i} \cdot X_{g}, Q_{i} \cdot Y, X_{l i}) = 0, \\ (i = 1, 2, \dots, n) . \end{array} (10)$

系统层根据各子系统返回的优值函数X*l、λ*、μ*、υ*、ω*和局部敏度信息,由式(3)和式(4)综合得到全局敏度信息,在系统层根据全系统的目标对跨学科变量进行寻优,其对应于系统层优化。由于各类约束分解到子系统,系统层为一无约束优化问题,其优化模型为

$\min_{X_{g}, Y} L (X_{g}, Y, X_{l}^{*}, λ^{*}, μ^{*}, υ^{*}, ω^{*}) . (11)$

由于拉格朗日函数能保持原优化问题的可分离性和凸性,根据拉格朗日对偶定理,其函数的鞍点就是原问题的最终解。

综上所述,既有铁路系统点线能力的协调优化可以参照上述的思路和算法进行;但由于铁路系统点线能力的协调涉及的变量众多,各变量之间的关系复杂,大多有各自独立的变化标准,且各种参数的特征值在可观测性方面均存在一定的差异性,因此,在进行实际的建模和求解过程中将会遇到未发现的许多难题,急需今后进一步地分析研究。

4 结束语

本文以系统结构特征为出发点,运用一种基于凸性和可分离性保证等价性的分解协调理论方法,提出既有铁路运输系统点线能力协调优化算法思路和求解方法,可有效地减少了由复杂系统带来的计算迭代工作量和克服问题求解的复杂性,进而实现协调问题达到最优化。但此次研究仅处于定性分析阶段,未对系统点线能力中各种参数的划分和量化进行详尽说明,需要在今后的研究中进行实例的分析、不断研究深化。