实时运营

关键词： 数据量 业务 企业 运营

实时运营（精选四篇）

实时运营 篇1

信息是当今每个企业的命脉。企业需要实时了解业务的运营状况, 需要在运营过程中对业务运营数据进行深入分析。但可用的运营数据量通常过于庞大, 基于磁盘的传统系统无法快速处理以得出有效结果。因此, 即便要进行最基本的分析, 企业也不得不将来自运营应用程序的数据减少至分析模型所能承受的数据量。这意味着运营应用程序与分析环境基本断开, 从而导致数据收集与深入分析之间会产生明显的时间差。

SAP HANA数据库可以在不影响SAP ERP应用程序或任何其他运营软件性能的情况下实现对运营数据的直接访问。企业可以在内存中以接近实时的速度同步关键事物表, 从而使这些表易于访问, 以便进行分析和查找。数据在内存中可用之后, 部门可从大量列表中迅速查找单行项目 (如预订凭证、销售线索或服务请求) , 而不会对运营系统造成影响。这也简化了支持详细行项目直接访问模型以及用于更复杂分析处理的分析模型的建模工作流。

二、业务数据的解析

对于希望保持竞争优势、优化流程和快速响应需求的企业而言, 业务数据的报告、分析和解释都具有极端的重要性。数据仓库、商务智能平台和商务智能工具与内存计算相结合, 能更好地帮助企业实现目标。来自生产型SAP应用和所有外部数据源的业务信息, 可通过提供的工具集成、转换和合并到SAP Net Weaver BW中。SAP Net Weaver BW提供的报告和分析工具, 可支持公司评估和解释数据并为数据分发提供便利。

◆孟繁汀窦文琦

使用SAP Net Weaver BW执行的数据仓储构成将数据转换为价值信息的商务智能解决方案的基础。集成的公司特定数据仓储可以为企业集团汇总的决策者提供针对目标考量的信息。无论数据来自SAP软件还是非SAP软件, 也不管是历史数据还是当前数据, 采用SAP Net Weaver BW的数据仓储都支持:

●集成从源系统检索的数据

●转换

●合并

●清理

●存储

●为分析和解释进行检索

三、合并工具组件

合并组件可提供合并财务报表法定要求的完整功能。其中包括对资产负债表、收益表、现金流量表以及公司及部门提供的附录 (例如中国GAAP、美国GAAP和国际会计标准) 的支持。它可帮助公司及时提供管理信息以及遵守外部报告要求。

同时还能帮助企业根据用户定义的组织单位和用户定义的层次结构执行管理合并。例如可执行合并模拟, 确定兼并或收购、不同的货币兑换方法或更改合并规则的影响。另外还支持基于价值的会计、数据收集、验证、货币换算、部门间事物消除和投资条目合并的自动生成, 所有这些都依据内部程序和会计法规要求进行。内外部合并可基于相同的数据, 因此可以协调统一财务会计和管理会计系统。此外, 管理合并的数据结构还提供分析客户组、目的地、产品组或分销渠道合并收入所需的灵活性。 (下转21页) (上接33页)

四、业务分析特性

从判断竞争局势和理解客户需求到推动创新和降低运营成本, 明智的决策均基于可靠的数据。尽管许多企业发现自己的数据已经泛滥, 但他们仍在努力将数据提供给最能够有效利用的人们。这些人包括财务控制人员、销售运营经理、营销活动经理、以及其他需要及时访问数据和深入分析的人员, 他们旨在支持符合战略的决策, 以便最终能够提高业务绩效。但对大多数人而言, 商务智能仍是高级用户和IT专家的专属领域。对于其他需要深入分析数据以便有效开展工作的员工而言, 必须等待数小时或数天才能生成自己所需的报告。

SAP Business Objects Analysis软件可为Microsoft Office用户提供执行多维分析的直观功能。该软件在安装时不会干扰现有的SAP软件环境, 因此可从SAP Business Explorer工具平滑地过渡到SAP Business Objects BI解决方案。

SAP Business Objcetcs BI的关键特性包括:

●内容重用—为S A P B E x用户提供为S A P Net Weaver BW开发的现有数据集和使用SAP BEx开发的查询

●分析面板—使用户能够快速过滤、分解并钻取数据以获取业务洞察力

●使用嵌入式分析进行Microsoft Power Point现场演示—视觉呈现直接从SAP Net Weaver BW刷新的最新信息

●高性能—无论数据量多少, 通过内存加速都可充分发挥Microsoft Excel的强大功能, 立即进行深入分析

五、结论

内存计算技术能够支持在服务器的主内存中处理超大量的实时数据, 从分析和交易中提供及时的结果。随着SAP与Sybase逐渐融合, SAP大数据框架形成以SAP HANA为核心, 以Sybase数据库为重要组成部分的统一整体。SAP HANA作为快速处理、实时分析海量数据的创新技术, 将引领数据库领域的发展。H

(作者单位:兰州石化自动化研究院)

摘要：随着企业业务的扩大, 信息化的深入, 能否快速处理海量数据并有效进行实时分析, 将决定企业是否可以迅速应对市场行情变化、做出决策。企业需要实时洞察业务运营状态, 以便迅速应对不断变化的市场形势。本文通过引入SAP内存计算和基于HANA数据库的SAP NetWeaver Business Warehouse组件, 分析了基于SAP HANA在业务分析领域的新变革。

实时运营 篇2

从3D电影开始, 到3D电视、3D投影、3D照相、3D游戏原有的视频产业正迅速向新的方向迁移。同时在移动互联网和3D视频产业蓬勃发展的背景下, 用户对3D概念持续的关注及广泛的视频应用需求, 将促使运营商向移动互联网中注入最新的3D技术和内容, 以实时转码云计算平台的核心能力为基础, 通过合作与分享框架下的智能推送与分发, 打造未来移动互联网视频业务运营的领先优势。

3D显示设备市场迅速普及

在传统互联网产业发展趋缓, 用户消费趋于饱和的情况下, 3D显示技术的发展成熟为硬件厂商的庞大产能寻求到一条新的发展道路。

从目前3D显示应用最主要领域之一——3D电视来看, 随着规模化生产的成本降低、3D内容的增加和技术的改进, 3D电视在未来几年的销量将大幅度增长。GfK (中国) 100城市零售监测结果表明, 2011年第3季度3D液晶电视零售销量为46万台, 环比增长93%;销售额为36亿元 (人民币, 下同) , 环比增长55%, 3D电视在100城市市场的占有率达到15%。预计2012年全国3D液晶电视销量将达到1000万台, 占有率将提高到25%。

另外, 制造厂商仍在不断推出其他各种类型的3D显示设备, 如支持3D功能的显示器、笔记本、摄像机、投影机、相机、手机等已经纷纷上市销售。

在硬件厂商力推各类3D显示设备的同时, 3D显示内容也得到极大丰富。近两年除大量3D电影不断上映外, 3D电视的推广和普及已是全球电视行业发展的大势所趋。截至去年底, 已有10家日本电视台、11家北美电视台、34家欧洲电视台在进行3D电视节目的播出。国内方面, 首个3D电视节目综合性试验频道在2012年元旦由央视、北京、上海、天津、深圳、江苏6家电视台合作开播, 拉开了3D电视运营的序幕, 并计划在2012年7月举行的伦敦奥运会也将采用3D信号转播。根据我国的“十二五”规划, 到2015年底, 中国将开通10个3D频道、100个高清频道。

3D时代运营商面临新机遇

3D显示技术的引入, 使运营商视频业务运营竞争环境变得更加复杂和激烈。在宏观政策层面, 十二五规划提出了针对文化产业的诸多重点扶持政策, 这些举措将推动文化产业相关领域的极大发展, 促进3D视频新技术在移动互联网的成熟运用。在业务运营层面, 3D显示仍是新生事物, 电信、广电、互联网企业等各类移动视频业务运营商在该领域的部署还处在起步阶段, 相互间差距较小, 为各类视频业务运营商各展所长提供了一个新的赶超机遇。

现阶段以电视和电影为主的内容格局使广电在3D内容资源准备上具有较大优势, 而电信运营商具备的差异化优势集中表现在3G用户基础、智能终端普及、用户需求感知三个方面。

(1) 运营商在过去三年积累的庞大3G用户规模。根据工信部发布的统计数据, 自2009年1月发放三张3G运营牌照至去年底, 运营商3G累计投资达到4556亿元, 3G用户达到1.28亿户。截至去年11月底, 全国IPTV用户超过1100万户, 手机视频用户超过4000万户。

(2) 智能手机终端的迅速普及为3D移动视频应用提供强大支持。中国电信和中国联通重新定义了“千元智能机”的概念, 除了屏幕尺寸、CPU处理能力、价格区间之外, 较为明确地提出了“有强大的多媒体和3D图形处理能力”特点。运营商重点推广的明星终端具备更加优良的硬件配置以及更加丰富的应用程序, 能够有意识地引导用户接受3D新型视频应用, 同时能加深用户对于自身3G网络的依赖。

(3) 智能管道技术对用户需求的智能感知。通过运营商的智能管道技术, 运营商能够掌握较为准确和庞大的用户通信消费特征数据, 如手机通话、移动互联网访问、移动位置、用户社区化关联关系等, 进而有针对性地提供服务, 并且这将是一个有待大力挖掘的庞大金矿。

3D移动视频业务运营策略

实时转码云计算平台核心能力建设

移动视频业务对视频内容资源的高度依赖, 注定运营商为了取得竞争优势, 需要不断投入巨资以丰富网站内容, 大量购买热播影视剧和节目。但国内视频行业竞争激烈, 盈利模式单一, 当前行业整体亏损状态表明这种收益不足以支撑长期的运营。而且大量基于电视、PC播放的视频内容无法满足用户在手机、平板等移动终端上的多屏化播放需求。

因此, 运营商结合自身能力和优势资源, 打造基于云计算的大规模视频实时转码平台, 将成为运营商立足移动视频业务运营的一个核心能力。例如, 中国电信在2011年下半年推出“翼分享”业务, 在用户访问时将不同来源的视频资源实时转码, 更好的匹配无线网络带宽和用户终端播放能力。

针对用户移动视频应用需求和复杂应用环境, 实时转码云计算平台运用云计算技术实现海量的互联网及IPTV、视频监控等电信自有资源按需转换;实现内容与用户终端的智能匹配, 提供多终端适配性, 如TV、PC、平板电脑、天翼终端和苹果设备等;支持多格式、多编码、多码率、多分辨率、多协议等, 如不同格式2D视频、3D视频、语音、网页、Office文档、图片的转换。

互联网合作与分享框架下的能力开放

实时运营 篇3

大规模电动汽车接入将会给电力系统的规划与运行带来各种挑战,需要对充换电设施的规划和运营、充电负荷的优化控制、考虑大量电动汽车接入的电网规划与运营、充换电对电网的影响分析等各种问题进行深入研究[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18]。电动汽车接入电网相关问题的研究方法有两大类:一类是基于传统的数学优化、均衡分析的方法[1,2,3,4,5,6,7,8];另一类是基于多代理的仿真方法[9,10,11,12,13,14,15,16,17,18]。大规模电动汽车接入电网后相关问题的研究,涉及电网和交通网两个复杂拓扑网络,电网公司、电动汽车所有者和司机、充换电设施所有者和运营者等多个不同的利益主体,而且受到电价政策、车辆运营规则、交通管理规则等多方面影响,相比传统的电力系统规划和运营问题更加复杂。采用传统数学优化、均衡分析方法,必须对相关模型进行较大的简化,同时难以考虑各主体的自主性和自适应性,因此无法实现对现实世界的准确模拟。

复杂适应系统理论(CAS)的出现为这类系统的建模、分析提供了一种有效的方法[19]。多代理系统(MAS)是研究复杂适应系统的有效方法[20]。在这个系统中,用具有一定自主性和适应性的代理来模拟复杂系统中的主体,通过一群具有不同目标的代理在交互环境中完成一个或多个功能,实现系统的整体优化。目前国内外在基于多代理技术的电动汽车运营仿真方面已经产生一系列的研究成果。文献[9-18]对配电系统中电动汽车的分布控制管理、大规模电动汽车充电优化控制问题、电动汽车和充电设备之间的交互影响、家庭可插拔混合电动汽车的分布及对当地配电网络的影响、城市电动汽车充电设施布局规划等问题进行了研究。

多主体模拟软件可以帮助学习者直接体验相关学科的仿真模型,研究人员可以利用它作为工具,快速建立本领域的研究模型。目前,已经出现不少多主体建模软件平台,包括JADE (Java agent developmentframework )[9,10,11,12,13],Swarm[14],Repast[15],NetLogo[16]及AnyLogic[18]等。

JADE平台完全符合代理互操作软件标准FIPA(foundation for intelligent physical agents)规范,方便系统的扩展,在MAS研究中得到了广泛的应用。在电动汽车运营研究方面,文献[9]建立了三层代理模型对电动汽车协调充电问题进行研究;文献[10]发展了一种基于分布式代理和纳什确定等效原则的电动汽车充电控制方法;文献[11]提出了一种考虑电价和配电网约束的基于MAS的电动汽车电池充电控制管理方法;文献[12-13]建立了考虑电动汽车、交通网络、充电站等多种主体的多代理实时仿真平台。本文在文献[12]的基础上进一步开发了针对出租车这一类型电动汽车的仿真平台,并讨论了其在电动汽车充换电设施规划等研究问题中的应用。电动出租车是电动汽车中一种重要的类型,其行为特性相对电动公交车、私家车及公务车更加复杂[2,6],本文考虑出租车的交接班制度、电价政策等详细特性对电动出租车运营问题进行建模,并建立了基于Q-Learning算法(简称Q学习算法)的电动出租车载客、充电等决策方法。

1 基于MAS的电动出租车运营实时仿真系统架构

1.1 平台中各类代理概述

本文建立的电动出租车运营实时仿真系统包括以下6种类型的代理。

1)时间控制代理:用于系统中各代理运行时间的协调同步,以及系统整体运行的启停控制。

2)地图代理:为相关代理提供交通网络、充电站分布以及乘客分布等与地图相关的信息。

3)数据存储代理:负责系统中数据的存储、查询等服务。

4)乘客生成器代理:在一定的时间和地图上相应的位置生成出租车乘客。

5)充电站代理:为出租车代理提供充电相关信息及服务。

6)出租车代理:进行出租车运营的决策,包括载客/充电的选择、寻客方向的选择等。

1.2 主要类型代理的模型

1.2.1 时间控制代理

时间控制代理相当于计算机系统中的时钟,可以控制整个仿真系统的开始时间、仿真的启动和暂停以及仿真的时间步长和更新时间周期。其中,仿真时间步长指后台对各代理的状态进行更新的时间步长,取值最小可以为1s,更新时间周期为在图形界面上状态更新的时间,可以根据实际情况选择,最小值为仿真时间步长。

1.2.2 乘客生成器代理

乘客生成器代理负责出租车乘客的生成,乘客的参数包括所在位置、生成时间、目的地点以及离开时间等。本文假定在一定时间内乘客的出现概率满足泊松分布,如式(1)所示,并且设定乘客对象在生成节点处等待30min后主动离开。

式中:ρ为时间T内有n个乘客请求出租车服务的概率;λ 为乘客到达率,即单位时间内乘用出租车的平均乘客数。

1.2.3 充电站代理

充电站代理主要与出租车代理进行信息交互。接收到出租车代理发送的充电请求信息后,充电站代理分析站内充电设备的使用情况,若有空闲设备,则立即为出租车代理提供充电服务,否则将其加入充电等待队列。当出租车代理完成充电后,充电站代理对其进行信息注销并移除出充电队列。另外,充电站代理每10min记录当前充电负荷数据,待系统进入暂停状态时,通过与数据更新代理交互上传负荷信息。

1.2.4 出租车代理

出租车代理的参数包括出租车代理的名称和数字编码等标识参数,电池续航里程、电池容量、额定电压和充电功率参数等车辆性能参数,以及在地图中的地理位置和当前荷电状态(SOC)等状态参数。

出租车代理有三种运营状态:决策间段、寻客及充电。当出租车代理处于决策间段状态时,将根据学习决策信息选择寻客或充电行为,图1为电动出租车的运营流程。

当选择寻客行为时,出租车代理将根据选择的寻客目的分区的不同进行原地等候或以最短路径树集(计算最短路径时采用Dijkstra算法[21])前往寻客目的节点。进入目的分区后,出租车代理将向地图代理询问途径节点是否存在乘客。若存在乘客,出租车代理发出接到乘客的信息,随即以最短路径将乘客送至终点节点,之后返回决策间段状态;若到达寻客目的节点时仍未接到乘客,则视为寻客失败,也返回决策间段状态。当选择充电行为时,出租车代理同样以最短路径前往最近的充电站,并与充电站代理进行信息交互,进入等待或充电状态,充电完成后返回决策间段状态。

2 基于Q学习算法的电动出租车行为决策模型

2.1 Q学习算法概述

当出租车代理处于决策间段状态时,采用Q学习算法进行行为决策。Q学习算法通常基于马尔可夫决策模型表述其状态转移及行为决策[22],其马尔可夫过程(MDP)可由式(2)所示的五元组表示。

式中:S为代理在MDP环境中的状态集;A为代理的行为策略空间;p(s,at,s′)为代理在状态s下采取at行为使环境状态转移到s′的概率;R(st,at)为代理在t时刻采取at行为后通过环境反馈所获得的行为收益;Q(st,at)为代理处于st状态下选择at行为的倾向系数。

倾向系数的更新计算公式如式(3)所示。

式中:β∈[0,1]为学习更新因子;γ∈[0,1]为连续状态折扣耦合因子。

倾向系数计算结果写入倾向系数矩阵:Q ={Q(s,a)|s∈S,a∈A}。代理在完成Q(st,at)的更新后,将根据状态st下的倾向系数值,对策略集中策略选择的概率权重进行更新。概率权重更新的方式存在多种,本文采取Q值跟踪的更新方法:

式中:pst(a)为在时刻t状态s下选择行为a的概率;ah为在即时迭代时刻,状态s下倾向系数值最高的行为;v∈[0,1]为概率更新系数,通常与学习更新因子β取相同值。

概率更新计算结果写入行为概率矩阵:P ={p(s,a)|s∈S,a∈A},其中p(s,a)为代理在状态s下采取a行为的概率。

2.2 出租车代理行为决策Q学习算法模型

2.2.1 状态空间

本文根据时刻、地理位置及电池电量三个维度对状态空间进行描述,即

式中:TTime为当前时刻状态,将一天24 h分为NT个状态;PPosition为当前地理位置状态,可根据出租车运营环境特性进行划分,设为NP个分区;SSOC为电池电量状态,按照充电必要性划分为NS种状态。

在本文中,NT取12,NP取7,NS取4。电池电量状态取值如下:状态1 为无充电必要,SSOC≥50%;状态2 为充电必要性较小,35% ≤SSOC<50%;状态3为较有充电必要,20% ≤SSOC<35%;状态4为必须充电,SSOC<20%。实际情况中可以根据所在位置、车型等信息进行状态的划分。

2.2.2 行为决策空间

出租车代理的行为策略分为寻客、等待及充电三种情况,为降低维数,将等待视为在原区域寻客的特殊情况。根据以上定义,任一时刻出租车代理有NP+1 个可选的行为策略,定义为a1,a2,…,aNP+1,其中a1,a2,…,aNP策略表示寻客行为,下标表示寻客目的分区标号,aNP+1策略表示充电行为。

寻客行为又分为两种情况:①若寻客目的分区与当前所处分区不同,则出租车代理按均匀概率分布原则选取目的分区中的某一道路交叉点作为寻客目的节点,若到达目的节点后仍未寻客成功则视为该次决策失败;②若寻客目的分区与当前所处分区一致,则赋予出租车代理50%的概率在原地等待直至乘客出现,等待时间超过30 min视为等待失败,另外50%的概率下出租车代理按均匀概率分布原则选取本分区中的某一道路交叉点作为寻客目的节点。

充电行为下,出租车代理按最短路径前往最近的充电站,充电完成后重新回到决策循环。考虑到当前电动汽车电池的发展现状,本模型中出租车代理每次均将电池充至满电状态。

2.2.3 行为收益函数

2.2.3.1 收益函数模型概述

Q学习算法模型中的收益函数反映了代理在当前状态采取当前策略的行为效果评价。本文中,将收益函数表示为若干种收益指标的加权值。对于每个指标,采用最大值/最小值的方法对指标进行归一化处理。

式中:B1为某种情况下收益函数需要考虑的指标中,取值越小越好的指标集合;B2为该情况下收益函数需要考虑的指标中,取值越大越好的指标集合;αi为评价权重系数;Qi为第i个评价指标;Qi,t为该指标在t时刻的取值;Qi,max和Qi,min分别为指标的最大值和最小值。

对于B1集合中的指标,最大值对应非满意值,最小值对应满意值;对于B2集合中的指标,最大值对应满意值,最小值对应非满意值。

定义两种收益函数:载客收益函数和充电收益函数,并将行为策略选取后的结果划分为五种情况,每种情况下收益函数的选择方式如下。

1)情况1:选择了充电行为,收益按充电收益函数计算。

2)情况2:选择了寻客行为,寻到客人并将客人送往目的地后SSOC仍大于充电阈值SSOCmin,收益按载客收益函数计算。

3)情况3:选择了寻客行为,但在未寻到客人之前SSOC已降到SSOCmin以下,并已经行驶距离L0。这种情况下需要强制将出租车运行状态改为充电状态并开往充电站,收益按充电收益函数计算,其中充电行驶距离增加L0。

4)情况4:选择了寻客行为,寻到客人后,在未送到目的地前SSOC已降到SSOCmin以下,并已行驶距离L0。这种情况下同样需要强制将出租车运行状态改为充电状态并开往充电站,充电完毕后继续行驶距离L1将客人送往目的地,为补偿客人时间损失,此次载客免收车费。这种情况下收益按充电收益函数计算,其中充电行驶距离增加L0+L1。

5)情况5:选择了寻客行为,但到达寻客目的节点后仍未寻到客人,收益按载客收益函数计算,但载客收费指标效益为零。

情况4一般情况下不会发生,因为司机可以主动地合理拒载。但在司机非理性决策及道路异常等情况下,这种情况也会发生。

2.2.3.2 载客收益函数

载客收益函数需考虑三个指标:寻客时间Tt(越小越好)、载客收费Pt(越大越好)和载客后剩余电量百分比St(越大越好),即收益为:

式中:αp1,αp2,αp3为载客模式评价权重系数;RtT,RtP,RtS分别为寻客时间、载客收费和载客后剩余电量百分比三个指标在t时刻对应的收益值。

当所有道路的行驶速度相同时,Pt和St有固定的线性关系,如果考虑不同道路的不同行驶速度及其引起的电池单位公里耗电量的不同,Pt和St之间有复杂的关系。为了简化模型,在收益函数中将St作为一个独立的指标而非Pt的函数。

2.2.3.3 充电收益函数

充电收益函数考虑四个指标:充电电量百分比Mt(越大越好)、充电电价Dt(越小越好)、充电行驶距离Lt(越小越好)和充电等待车辆数目Nt(越小越好),即收益为:

式中:αc1,αc2,αc3,αc4为充电模式评价权重系数;RtM,RtD,RtL,RtN分别为充电电量百分比、充电电价、充电行驶距离、充电等待车辆数目四个指标在t时刻对应的收益值。

2.2.3.4 权重指标的确定

对收益函数中的各权重指标,当前由专家根据实际系统情况给出。实际中,有些指标在电网、道路等环境参数确定的情况下有固定关系,在确定权重指标时需要考虑这些因素。譬如寻客时间Tt和载客收费Pt两个指标,Tt主要反映两方面的成本,即空载时的电耗及司机的时间成本,在给定各道路行驶速度和司机时间成本的情况下,可转化为以货币为单位的成本值,这样其与Pt就具有相同量纲。

2.2.4 总体学习决策流程

基于Q学习算法的电动出租车学习决策流程如下。

步骤1:初始化倾向系数矩阵Q和行为概率矩阵P,设定最大步数K,令t=1。

步骤2:选取一随机数,根据当前状态和概率矩阵P选择行为at。

步骤3:根据式(8)及式(9)计算本轮收益Rt。

步骤4:根据式(3)更新矩阵Q。

步骤5:根据式(4)更新矩阵P。

步骤6:进入下一轮,t→t+1。

步骤7:当学习步数大于K,仿真结束,否则转步骤2。

3 算例分析

3.1 系统参数及运营环境设置

本文仿真中,仿真时间步长设定为60s,界面更新时间设定为10 min。选取BYD-E6纯电动汽车作为出租车研究对象,其具体参数如下:电池续航为300km,电池容量为200 Ah,额定充电电压为320V,慢充充电功率为14kW,快充充电功率为90kW。所有出租车采用快充模式,充电完成达到满电状态(SOC为1)。

出租车运营实施二班制,于05:30及17:30的下一个决策间段在指定的充电站进行交接班,此时规定各车辆的SOC值需不小于一定阈值Socj。根据电动出租车运营收益模型的描述,其评价权重系数的设置如下:αp1=0.45,αp2=0.45,αp3=0.1,αc1=0.2,αc2=0.65,αc3=0.1,αc4=0.05。各收益指标参数见表1。权重系数和收益指标等参数的选择由专家综合考虑指标间的关系和实际系统的特点确定。

仿照某城市某区域绘制交通信息图,如附录A图A1所示,由108个节点、170条道路组成,划分为7个功能分区,其中节点105,107,108为位于中心区的充电站,设备数量为20台;节点106为位于开发区的充电站,设备数量为15台。

仿真初始时间为19:30,此时150 台运营车辆的初始地点为交接班地点附近,初始SOC状态服从正态分布N~((1+Socj)/2,0.052)。

交接班时刻及电量限制、充电站布局规划和充电电价策略等因素都会影响电动出租车的整体运营效果。本算例中采用峰谷平充电电价策略(如表2所示),交接班SOC阈值Socj设定为50%,通过仿真分析充电站的布点规划对电动出租车运营的影响。

3.2 收敛性分析

在仿真过程中,定义收敛度Ck来判断仿真的收敛性。收敛度Ck的计算公式如下:

式中:NS为状态空间集中状态的数目。

本算例仿真的收敛度变化曲线如图2所示。

可以看出,初始阶段出租车代理处于对环境的探索过程中,收敛度快速上升;随着学习次数的增加,收敛度保持上升趋势并逐步平稳于0.98,出租车代理的行为决策趋于稳定。图3给出了电动出租车日均运营收益值的变化曲线。可以看出,随着仿真的进行,收敛度的增大,收益值也趋于稳定。当然,由于收益受到乘客情况等一些随机因素的影响,即使收敛度比较大的情况,收益值仍然有一定的波动。

3.3 在充电设施规划中的应用

3.3.1 基本思路

如前所述,利用多代理仿真系统,可以对电动汽车运营进行更加细致的建模,因此也能更加准确地对其充电负荷的时间、空间分布进行分析,进而对充电设施的规划进行指导。可以利用本文仿真系统进行充电设施选址研究。基本思路如下:①对基准方案进行仿真,分析收敛情况下各充电站的负荷情况;②确定若干待选充电设施规划方案;③对每个待选充电设施规划方案进行仿真;④对不同选址方案下的仿真结果进行比较,分析不同方案下的充电负荷分布情况及各类运营指标;⑤结合不同方案的投资和运营成本进行综合的决策。

相比常规的方法,基于多代理技术仿真的方法能够对不同充电设施规划方案下的充电负荷进行更加真实准确的计算,从而获得更加准确的运行成本。

3.3.2 基准方案仿真

取当前充电设施分布为基准方案,仿真收敛后,区域内各充电站的充电负荷分布情况如图4所示。

可以看出,位于中心区的108号充电站利用率相对较低,105号及107号充电站在接近凌晨时刻达到运营极限,位于开发区的106 号充电站在16:00—19:00时段长时间处于运营极限状态,导致部分出租车充电等待时间过长。通过以上分析可得,当前充电设施布局存在以下问题:开发区充电站运营能力不足,在一定程度上加大了出租车整体运营的时间成本;在接近凌晨时段,中心区充电站负荷达到峰值,且变化速度较快,对配电网造成较大冲击。

3.3.3 待选规划方案及仿真

针对当前规划存在的问题,考虑在区域内某节点新建充电站,设备数量为15台。根据区域的实际情况提出两种充电站新建选址方案:方案1为在区域5的5号节点新建充电站;方案2为在区域6的43号节点新建充电站。图5 和图6 分别为方案1和方案2下各充电站的充电负荷分布图。

从结果看到,方案1下5号充电站有效缓解了中心区105号充电站高峰负荷压力,在一定程度上降低了负荷高峰时段对配电网的冲击。然而,由于出租车充电负荷的转移,108号充电站的利用率进一步下降,且106号充电站仍长时间处于运营极限状态。方案2下43号充电站有效满足了开发区出租车充电负荷需求,106号充电站峰值负荷大大降低,减少了出租车充电等待时间。由于充电负荷的转移,107 号充电站在凌晨时段的峰值负荷降至1.35 MW,有效减小了对配电网的冲击,同时,108号充电站的利用率也有所提高。

根据仿真结果,可以分别对两个方案下的最大负荷、负荷峰谷差、充电电费等进行计算,作为充电设施规划方案选择的依据。

4 结语

本文建立的基于MAS的电动出租车运营实时仿真系统可以对电动出租车运营问题实现精细的建模和准确的模拟,可以更加准确地对充电负荷峰值、峰谷差、充电成本等进行计算。充电设施选址算例说明了本文方法在电动汽车规划中的应用,除此之外,基于该仿真系统,还可以进行有序充电策略、电价政策、配网规划、机组组合等问题的研究。

本文在基于多代理技术的电动汽车运营仿真方面进行了初步探索,在未来的研究工作中,需要在系统构建及学习决策模型等多个方面进一步开展深入研究:①收益函数方面,对不同指标本文采用了比较简单的加权方法,权重由专家给定,具有一定主观性。未来可对各指标进行更加深入、细致的建模,形成更合理的收益函数;②对充电站代理进行详细建模,考虑其建设成本及运营效益;③完善代理类型,建立电网代理的详细模型,计算电网中不同线路上的潮流分布;④改进智能学习算法,改善收敛性能。

实时运营 篇4

关系管理领域的全球领袖Convergys近日宣布, 美国一家领先的拥有数百万用户的无线运营商与Convergys签订了Convergys Intelligent Credits解决方案合同。该解决方案是Convergys智能自动化产品系列的一部分。通过使用Intelligent Credits改善信用点 (credit) 发放流程, 客户可以显著降低成本, 并提高其最有价值用户的满意度。这份价值约650万美元的合同包括Convergys动态决策解决方案授权软件、年度维护和实施服务, 这些服务将由Convergys屡获殊荣的专业服务团队提供。Convergys公司将于今年第二季度完成该解决方案的实施工作。

既要降低成本, 又不能对客户满意度产生负面影响, 是企业不得不长期面对的难题。大多数企业都希望在业务中断或其它不可预见的情况下, 仍能为其优质客户提供信用点。然而, 他们往往缺乏主动管理这些信用点所需的自动化控制手段。这家无线运营商认识到他们正面临这种问题, 在应用Convergys Intelligent Credits前, 由于缺乏政策连续性, 他们在管理客户信用点方面所花费的费用超过了业界平均水平。

Convergys Intelligent Credits支持在所有客户联系渠道上进行集中式策略创建和管理, 以及自动化的实时主动策略增强。该方案支持基于无线运营商的业务策略和供应商的客户业务往来记录, 对客户提出的信用点申请进行实时评估。该解决方案可立即为客户服务人员和零售人员提供他们应实时向电话用户提供的适宜信用点。据预测, 该解决方案可避免错误发放信用点, 减少呼叫处理次数, 从而每年为运营商节约大概1亿美元。