场景模型（精选7篇）
场景模型 篇1
0 引言
由于风电功率的间歇性和随机性, 且较难精确预测和控制, 因此, 大规模的风电接入将给基于负荷预测和常规电源可控性的发电调度带来新的挑战。如何制定灵活、合理的适应于大规模风电接入的发电调度计划, 以促进节能调度的发展, 成为当前经济调度研究领域的热点问题之一[1]。
文献[2]在考虑风电功率预测误差发生概率及其所导致的经济补偿费用基础上, 得到统计意义上更为合理的经济调度模型。文献[3]在研究风电功率不确定性对电力系统动态经济调度影响的基础上, 构建了计及常规火电机组阀点效应的优化调度模型。通过引入正、负旋转备用约束, 来应对风电功率的随机波动给系统调度带来的影响。文献[4]建立了考虑安全约束的机组组合随机优化模型, 并设定了负荷预测误差和系统故障等多个场景, 以体现模型对随机事件的适应性。而文献[5]进一步验证了场景法在解决随机安全约束机组组合问题中的优越性。文献[6]将场景法用于风力发电功率不确定性的描述, 建立了考虑安全约束的风电并网系统的市场出清模型。文献[7]还要求预测场景下机组出力方案和误差场景下方案之间的过渡能满足机组爬坡速率约束, 以确保调度方案的可操作性。文献[8]在考虑风电并网功率的典型波动方式下, 研究了计及接纳风电能力的电网调度模型, 该模型使系统总煤耗和电网接纳风电能力得到了有效协调。但文中没有给出火电机组运行点发生改变时电网可接纳风电功率的波动范围。而文献[9-10]研究了计及电力系统不同运行方式下的概率调度理论和方法, 其实质也是将预想事故下的场景约束加入到有功调度模型的约束条件之中。
由于风电预测时间越长, 其预测误差越大, 而预测时间越短, 预测误差越小, 因此, 在实际系统的有功调度中往往需要多时间尺度之间的协调, 逐级降低风电功率的不确定性[11]。采用场景分析方法解决不确定规划问题, 也需要在场景选取数量与解的适应性之间进行必要的权衡[7,12]。风电功率随时间实时变化, 在某一时间尺度下, 用场景法分析其不确定性就是以某一确定的数值来代表在一定范围内波动的风电功率, 从而将不确定量转变为确定量来加以描述[12]。对于所研究的调度时间尺度, 在规定范围内风电功率的波动被忽略, 这部分被忽略的扰动量, 将在更小的时间尺度内加以考虑[13]。
本文在分析风电功率波动场景与机组功率调节能力之间定量关系的基础上, 提出一种风电功率场景自适应选取的方法, 并建立基于风电功率场景自适应选取的有功优化调度模型, 针对风电功率场景选取对系统发电调度期望成本的影响进行深入研究。
1 自适应风电功率的场景选取
1.1 场景选取的基本方法
基于多场景的优化方法实质是通过将难以用数学模型表示的不确定性因素转变为较易求解的多个确定性场景来处理。场景模拟就是采用离散的概率分布k=0, 1, 2, …, S, 取代随机变量ξ的不确定性, 总场景数为S+1。场景的选取一般包括两步[14]:①寻找原随机变量ξ概率测度P的最优分位点 (该分位点即为场景ξk) ;②使所选场景ξk在概率测度上满足某一类型的距离指标。
从场景选取的质量上看, Wasserstein距离指标优于其他指标, 被较多地采用。本文所提的场景选取方法亦采用Wasserstein距离指标, 其距离指标公式可表示如下[15]:
式中:为Wasserstein距离指标;G (·) 和分别为随机变量ξ的连续概率分布函数和离散概率分布函数;x为积分变量;m≥1, m∈Z。
当取m=1时, 式 (1) 可以表示为:
式中:z1, z2, …, zM+1为概率分布函数G (x) 上的分位点, z0→-∞, zM+1→+∞。
场景选取的基本思想是:已知概率测度G, 选取基于离散点集合的一个概率测度使接近最小。
若记Ω为概率测度的集合, δzk称为分位点zk上的点质量, 对于接近于min{dW (G, Q) |Q∈Ω}, 则称为G的最优场景。
1.2 初始场景的确定
考虑多时间尺度有功调度对风电功率不确定性逐级逼近的关系, 在所研究时间尺度ΔT的风电功率场景选取中, 考虑更小时间尺度τ内系统有功调度对风电功率波动的适应性。本文场景选取中主要是在时间尺度ΔT的风电功率概率分布的分位点选取中, 考虑更小时间尺度τ内系统有功调节能力, 从而确定离散的概率分布。
考虑系统中总的风电功率pw, 设在所研究的时间尺度内, 某一时段的风电功率服从正态分布, 如图1所示。假设系统某一时段的风电功率在满足一定置信水平的置信区间[16][pwmin, pwmax]内变化 (在这一前提下, 若实际风电功率超过这一区间范围, 本文调度模型将不予考虑) 。用S+1个确定的离散点来表征其分布特性, 即场景总数为S+1个。设第k个场景下的风电功率为pk, w (k=0, 1, 2, …, S) , 用其替代实际的风电功率在区间[pk, w-Δεk+, pk, w+Δεk-]内的扰动, 系统需要在更小的时间τ内进行有功调节以抵御该区间范围内风电功率的变化。pk, w也是风电功率原概率分布的分位点。Δεk+和Δεk-分别对应第k个场景下可调节机组在时间τ内向上、向下所能调节的有功功率, 其取值与机组的调节速率和对应场景下机组的输出有功功率值有关, 具体可表示如下:
式中:pimax和pimin分别为机组i的最大、最小输出有功功率限值;riup和ridn分别为机组i的上调和下调有功功率速率限值;为机组i在初始场景k下的输出有功功率。
设风电功率概率密度函数为w (pw) , 则第k个场景所对应的概率为:
由式 (5) 可知, 场景选取中原概率分布的分位点的确定与调度决策的结果, 即对应场景的机组输出功率有关。对于初始场景的选取, 可通过求解以下松弛的优化调度模型来确定。
式中:为机组i的发电成本函数, ai, bi, ci为机组i的燃料费用系数;pd为对应调度时段的系统总负荷;n为运行机组总数。
式 (3) 和式 (4) , 以及式 (6) —式 (8) 所描述的优化模型, 给出了在给定某一风电功率场景下确定其所代表的功率区间范围的方法。
若使所选场景为最优场景, 应使Wasserstein距离指标尽可能小。如图1所示, 阴影部分的面积应近似等于而且满足下式:
为了满足上述条件, 需要在场景选取过程中保证相邻场景 (k和k+1) 尽量满足下式。
风电功率的变化既有确定性的规律, 又有不确定性的波动范围, 风电功率的场景集要对在风电场输出功率的置信区间内相对预测值的偏差具有完全代表性。因此, 风电功率场景的选取以风电功率预测值p0, w为起始场景, 分别沿着风电功率实际值大于预测值和小于预测值变化的2个方向按式 (3) 和式 (4) 逐一确定, 尽可能地保证所选场景区间覆盖整个置信区间, 且使得各场景区间不相互重叠。以高于预测值的场景选取为例, 具体步骤如下。
步骤1:设定风电功率预测值pk, w (k=0) 为起始场景, 并根据式 (3) 和式 (4) , 以及式 (6) —式 (8) 的优化模型计算Δε0+和Δε0-, 即得到与该场景对应的区间:
步骤2:沿风电功率预测值增加的方向, 设定步长使其中μ为步长调整系数的初始值, 由式 (6) —式 (8) 的优化模型计算并根据式 (3) 和式 (4) 计算Δε+k+1和
步骤3:令当|δ-|≤ε时 (ε为足够小的正实数) , Δl+不需要调整, pk+1, w确定;否则, 按以下2种方式调整Δl+。若δ->0, 则令Δl+= (μ-σ) Δl+, σ为大于0的正实数, 定义为步长调整系数;若δ-<0, 则令Δl+= (μ+σ) Δl+。
步骤4:通过调整Δl+执行步骤2和3, 直到满足|δ-|≤ε的条件为止;判断δ+, 若δ+>0, 则令k=k+1, 并转至步骤2;若δ+<0, 则终止计算。
按上述步骤选取风电功率场景可得到沿大于风电预测功率方向的S+个场景, 同理, 可以沿小于风电功率预测值方向确定相应的S-个风电功率场景, 有S=S++S-。当ε足够小时, 所选场景对应的区间将覆盖整个置信区间。按照上述方法选取场景, 可尽量保证用足够少的场景数来刻画风电功率在调度时段的不确定性。但是, 初始场景的选取依赖于由式 (6) —式 (8) 优化模型确定的对应场景下的机组输出有功功率
1.3 场景的动态调整
初始场景的确定依赖于被松弛约束的调度模型 (式 (6) —式 (8) ) 。对于多时段调度模型, 还需考虑相邻时段机组调整速率约束和相邻时段场景发生变化后机组调整约束, 因此, 还需要对初始场景进行修正。在初始场景确定后, 采用本文第2节所提的调度模型进行优化调度 (总时段数为T) , 亦可得到对应调度时段t和场景k的机组i输出有功功率pi, k, t。令再重新进行场景选取, 直到满足如下条件:
式中:Xj+1和Xj分别为相邻2次调整场景下优化调度的解向量;ε′为足够小的正实数。
式 (11) 表示相邻2次动态调整场景下优化调度的解向量之差的2-范数小于ε′, 从而将场景的选取与多时段的有功调度相结合。
2 风电并网系统的有功调度模型
2.1 目标函数
本文引入了风电功率场景, 考虑多时段的动态调度 (仅考虑火电机组, 不考虑网络约束) , 其目标函数为系统在研究调度期内各场景下的期望发电费用最小。
式中:αk, t为时段t场景k的权重系数, 其含义为风电功率在对应场景所代表区间内的概率值, 为机组在时段t场景k下的再调度燃料成本函数。
这里, 将各场景代表区间所对应的概率值作为权重系数引入有功调度模型的目标函数中, 风电功率的预测精度越差, 则预测场景所对应的权值越小。
当k=0时, 发电费用函数F0, t (·) 为机组在时段t风电预测场景下的发电燃料成本, 其表达式为:
式中:pi, 0, t为机组i在时段t的期望输出有功功率。
Fk, t (pi, k, t) , k=1, 2, …, S, 为机组在时段t场景k下的再调度燃料成本函数[9], 具体表达式如下:
式中:βi为机组i的再调度燃料费用系数。
2.2 约束条件
1) 功率平衡约束
式中:pk, w, t为风电场在场景k下时段t输出的有功功率;pd, t为时段t的系统负荷;p0, w, t为风电场在时段t输出有功功率预测值。
2) 机组输出有功功率上、下限约束
3) 风电功率波动时调节机组调节范围约束
式中:Δt为适应风电功率预测场景向其他场景变化时系统允许的调节时间。
4) 机组爬坡速率约束
式中:ΔT为系统调度时段的持续时间。
5) 相邻时段应对场景波动的机组调节范围约束
式中:S+t和S-t分别为风电功率大于和小于预测场景的边界场景。
式 (19) —式 (22) 表示考虑各时段的极限场景[17], 应对相邻时段场景间发生极端变化时机组调节功率约束。
2.3 4种调度策略
对本文构建的模型进一步分析, 可以得以下4种有功调度策略。
1) 仅考虑风电功率预测场景, 其他场景不计入目标函数和相应约束条件, 即调度部门按照确定的风电功率进行调度, 原目标函数变为 (此为调度策略1) :
相应的不考虑式 (17) 和式 (19) —式 (22) 的约束。
2) 不对初始场景进行修正, 采用式 (13) —式 (22) 优化模型进行分析, 此调度策略为策略2。
3) 采用第1.2小节的场景调整方法对初始场景进行修正, 反复用式 (12) —式 (22) 优化模型进行计算, 此为调度策略3。
4) 采用等可能场景选取下的优化调度, 各场景权重系数相同, 此为调度策略4。
上述前3类调度策略的关系如图2所示。
图2中, P*代表调度策略1, 即仅考虑风电预测场景时得到的常规机组各时段有功功率向量, P0表示由调度策略2或3, 即考虑风电功率所有场景时得到的常规机组对应预测场景的各时段有功功率向量, P1, P2, …, Pk分别为在相应风电功率场景下的常规机组各时段有功功率向量。ΔP为调度策略1到策略2或3的常规机组有功功率调整量向量;ΔPk*为由仅考虑风电功率预测场景下机组运行点直接过渡到其他风电功率场景下所需要的有功调整量向量, 该调整量受到机组爬坡速率或可调节容量的限制;ΔPk为对应第k个风电场景发生时常规机组从P0经过再调度调整到Pk的有功调整量向量。如图2所示, ΔPk要小于ΔPk*, 而Pk与场景sk存在相互制约的关系, Pk影响场景sk对应的概率, sk影响P0到Pk再次调度的调整量ΔPk。如果考虑两者之间的关系, 则P0为调度策略3进行调度的常规机组有功功率向量, 否则, P0为调度策略2进行调度的常规机组有功功率向量。
当风电接入规模较小时, 调度策略1的结果足以满足日前调度要求, 相对常规机组的调节能力, 风电功率的波动范围不大;但随着风电接入规模不断增加, 若还采用调度策略1, 则将出现某些波动大的风电场景出现时常规机组无法按要求调整输出有功功率以应对风电功率的波动;采用调度策略2或3, 预先考虑风电功率波动时常规机组可能的有功调节范围, 所得调度方案对于风电波动适应性较强。在相同的风电接入规模下, 由调度策略2和调度策略3得到的日前调度方案都能满足风电功率波动引起的机组有功调节约束, 但策略3在风电功率场景选取中考虑了常规机组多时段有功调节的耦合关系, 所得调度方案的适应性更强。而调度策略4则是在简化风电功率场景的条件下得到相应的调度方案, 较适应于风电功率分布无法确切得到的情况。
为了进一步描述场景选取对有功调度结果的影响, 参见式 (12) —式 (22) 优化模型, 引入条件期望再调度成本, 在时段t的条件期望再调度成本Fce, t定义如下:
式中:其含义为风电功率取场景k (k≠0, 偏离预测场景) 的条件概率。
式 (24) 可以用来衡量由于风电功率波动所引起的常规机组增加的再调度期望成本。
3 算例分析
以8机组测试系统为例进行计算分析。各机组相关特性参数如附录A表A1所示;在研究时段内各时段的负荷 (不计及负荷预测误差) 如附录A表A2所示;假设风电功率服从正态分布, 相应的置信水平取0.95, 不同时段的风电功率分布参数如附录A中的表A3所示。
相应的各计算参数取值为:Δt=10 min, ΔT=1h, τ=2min, μ=1.5, ε=0.01, σ=0.05, ε′=10-6。由以上参数, 进行场景选取, 其结果见表1。
对策略1, 2, 3这3种调度策略的调度结果进行比较分析, 它们的调度结果如表2所示。
如表2所示, 策略1只将风电功率作为确定的负的负荷处理, 其调度结果是经济性较好的机组1和2随着负荷的增加, 输出有功功率明显增加, 并在时段5和6机组2达到满发;策略2和策略3考虑到风电功率可能出现的多个场景, 为了应对风电功率不确定性波动, 经济性较好的机组2较策略1各时段输出有功功率明显减少, 以保证场景间发生转移时充分发挥其调节性能;策略3是在场景动态调整后进行调度的, 与策略2的结果相比差别最大的是时段3的调度结果, 其原因主要是因为该时段的风电功率波动范围较大, 机组2输出有功功率明显减小, 其调节能力进一步释放, 这是场景修正后预测场景对应的概率降低所致。而策略4采用等可能场景选取所得到的调度方案则没有考虑各场景之间的差异。
分别计算策略2, 3, 4的各时段条件期望再调度成本, 其结果如图3所示。
由图3可见, 策略4的条件期望再调度成本最高, 策略3较策略2的条件期望再调度成本明显减小, 这可以看出场景修正后得到的调度方案对风电功率波动具有更好的适应性, 其所付出的经济代价也相对变小了。
策略3对应各时段各场景的机组输出有功功率列入附录A中的表A4。
4 结语
本文所提的基于自适应风电功率场景选取的有功调度方法, 将各时段各场景所对应的概率引入到有功调度的目标函数中, 明确了场景选取与有功调度的内在联系;自适应风电功率场景选取方法, 在置信区间内能有效选取相对预测值的偏差具有完全代表性的场景集;算例分析表明, 考虑场景的自适应调整可增加有功调度方案对风电功率波动的适应性。
本文没有考虑相邻时段场景发生变化的概率, 仅在约束条件上考虑了机组应对不同时段场景波动的有功调节约束, 借鉴了文献[17]有关极限场景的概念, 约束条件数得到降低, 但当机组数和时段数增多时, 模型约束条件会大大增加, 给模型的求解带来困难。
附录见本刊网络版 (http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx) 。
摘要：大规模风电并网给电力系统优化调度带来了新的挑战。考虑到风电功率场景选取与系统有功调节能力之间的内在联系, 提出一种风电功率场景自适应选取方法, 该方法可以根据系统有功调节能力动态调整各场景的功率区间范围。在此基础上, 建立了基于场景分析法的风电并网系统有功调度模型。通过对不同场景选取模式下条件期望再调度成本的比较, 分析了风电功率场景选取对有功调度的影响。算例分析表明, 所提模型和方法可以有效地获得对风电功率不确定性适应力更好的有功调度方案。
关键词：风力发电,经济调度,不确定性,场景分析法,自适应选取
场景模型 篇2
我是怎么理解的呢?我是在工作过程中，不断地想象一件事情运转的流程，我需要描述这一真实的或假想的事物，于是我想到了场景这个词。
场景就是代码运行的环境，生物生存的环境，我们做事情的方式方法。它有一定的惯式。我们要做好一件事，就必须熟悉这一的惯式。譬如老年人的活动场景，白领的工作场景，学生的学习场景，情侣的拍拖场景。我们要理解其轮廓，更要理解其细节。为什么要去理解这些，因为不懂得这些，我们就不懂得营造场景。
看一席的一个演讲，演讲者说福建有个村庄，流行在灶房砌大中小三口锅，开发商给他们修房子的时候都修成了现代的样子，然后呢，他们自己把厨房改造成了大中小三口锅的样子。这就是设计师不懂用户的使用场景犯的错误。太理所当然了，太简单粗暴了。
熟悉场景，就是要置身于环境中，多和使用者接触，或者把自己变成使用者。你熟悉了这一场景，你就知道这场景里真正的痛点是什么，用户的需求是什么，你才能够打造更好的场景。
理想主义者都是活在自己想象的场景里的。“我们去大草原的湖边，等候鸟飞回来，等我们都长大了，就生一群娃娃。”这是人们想象未来的场景。人爱去旅行，爱的就是诗意的场景。你懂得了人性里上瘾的机制，就能打造让人上瘾的场景。
做产品，做事情，懂场景很重要。
场景模型 篇3
目前运营商城域承载网普遍存在县市业务接入控制节点过多, 设备利用率低的情况, 以某运营商某行政区业务节点部署现状为例, 共有10个业务接入节点, 18台BRAS设备, 承载10.4万用户如表1所示。
造成业务接入节点过多的原因:
(1) 初期部署的设备容量小, 导致业务接入控制层节点多, 节点设备数量多。
建设初期, 主要以小容量设备为主, 设备容量小, 承载的业务用户数量有限, 在节点选择上参照集团指导意见, 选择市区交换母局节点进行设置。
(2) 建设初期, 光缆资源紧张, 需要业务接入控制层节点下沉, 节省光纤资源。
(3) 专业间衔接不到位, 导致业务接入控制层节点增加。
随着大容量设备的引入, 部分节点利用率将在20%以下, 部分节点利用率将在20%以下, 这与未来承载网“大容量、少节点、扁平化”的总体架构存在差距。因此, 有必要提前做好业务接入控制节点规划, 通过业务接入控制层节点的适当收敛, 提高设备资源利用率, 减少设备数量, 提高网络整体综合投资效益。
2 网格化单元确定
确定一个最小逻辑网格单元承载多少用户合理。以{MSE设备代价, 传输资源代价, 光缆资源代价}综合代价最低为依据确定最小网格化单元规模。
MSE设备代价根据业务规模, MSE设备代价以CDN POP点设置, 流量流向, 上下行链路利用率要求, 结合MSE物理槽位和端口能力进行判定。
传输、光缆资源代价以MSE设置的位置, 业务流量及流向的情况进行判定。
不同地市最小网格化单元大小会有区别。
3 网格化场景分类
可以归纳为以下三种场景:
(1) 场景一:现有县域业务规模小于网格化单元规模。
(2) 场景二:现有县域业务规模大于网格化单元规模, 县域内有两个以内机楼。
(3) 场景三:现有县域业务规模大于网格化单元规模, 县域内有两个以上机楼。
4 网格化部署策略
考虑到模块局机房在外电引入、配套电源、油机和电池容量、光缆管道等方面和一般机楼存在差距, 在满足10万级别业务规模时存在不足, 原则上要求业务接入控制层节点设置在一般机楼。部分现有一般机楼可能存在空间和电源资源叫紧张的情况, 但是从长远看, 随着程控交换机的逐步退网, 相应的机房空间和电源资源可以释放, 对一般机楼的资源评估, 应考虑程控交换机退网带来的资源释放。
本地网业务接入控制层MSE节点覆盖区域划分时, 要打破本地网内县市间行政地域界限, 对于一些县市部分区域在光缆物理架构、物理距离及整体安全性上归属相邻县更为合理的, 应将该区域划分在邻县如图1所示。
4.1 场景一:现有县域业务规模小于网格化单元规模
五年内, 域内业务规模小于网格化规模的县域, 可以考虑将现有县域内的业务接入控制节点取消, 节点取消后, 该县域内的业务量可以通过以下两种方式承载:
方案一:该县业务量通过地区核心节点承载, 如图2所示。
方案二:该县业务量通过邻县节点承载, 如图3所示。
无论是节点上收还是归并到邻县, 首先应汇总整个本地网有此类情况的节点, 从整个本地网总体上考虑两种方案的机房资源条件是否可以满足, 机房资源主要包括MSE设备空间和供电, 波分设备的空间和供电, ODF架的空间。在均可以满足的情况下, 再考虑多专业网络建设的综合成本。
从数据网络来看, 两种方案的业务实现逻辑和设备资源需求均相同, 两种方案的选择主要从传输网络的效率和投资代价进行考虑。
从传输网络来看, 方案一需配置本区域的OLT设备/IP RAN汇聚路由器至地区核心节点MSE的传输链路;方案二需配置本区域的OLT设备/IP RAN汇聚路由器至相邻区域节点MSE的传输链路, 但会增加该节点MSE设备至CR的链路传输需求 (方案一, MSE和CR在同局址, 不会产生传输需求) , 另外方案二链路距离长、经过节点多, 安全性下降。
优先选择方案一, 即该区域业务量上收到地区核心节点承载。如果多个小业务量县相邻, 每个县业务规模小于网格化单元规模但业务总规模大于网格化单元, 综合分析业务分布情况, 网格地理位置, 机楼条件, 多专业网络建设的综合成本, 可以考虑多个小业务量县抱团, 组成区域中心, 选择1-2个机楼作为业务接入控制层节点。
4.2 场景二:现有县域业务规模大于网格化单元规模, 县域内有两个以内机楼
对于县域范围内只有一个机楼的区域, 只要该机楼机房空间和电力资源足够, 无论该县域业务规模多少, 即使两倍或者两倍以上于网格化单元规模, 均维持该县域一个机楼不变, 原则上不新增机楼。机楼机房空间和电力资源除考虑MSE设备空间和供电, 波分设备的空间和供电, ODF架的空间外, 还应特别注意可能会有的CDN边缘节点的设备空间和供电如图4所示。
对于县域范围内两个机楼的区域, 如果两个机楼覆盖的业务规模均大于网格化单元规模, 且机楼资源满足条件, 可以继续保持两个机楼作为业务接入控制层节点不变, 现有的业务归属不变如图5所示。
如果两个机楼覆盖的业务规模均小于网格化单元规模, 且其中一个机楼可以满足整个县域业务量的承载条件, 该县域的业务量可以通过以下三种方式调整:
方案一:继续保持两个机楼作为业务接入控制层节点不变, 现有的业务归属不变如图6所示。
方案二:归并整合业务接入控制层节点, 两个机楼的业务量归并到一个机楼如图7所示。
方案三:取消该县业务接入控制层节点, 一部分业务量通过邻县节点承载, 一部分业务量通过市区节点承载如图8所示。
首先, 应考虑方案三的可行性, 参考场景一对传输网络的效率和投资代价的考量因素, 优先选择将可以跨县的业务量割接到邻县的节点, 该县域剩余的业务量如果小于网格化单元规模, 则剩余业务量通过市区节点承载。如果剩余业务量大于网格化单元规模, 则在方案一和方案二中选择调整方式。
方案二和方案一从数据网络看, 业务实现逻辑和设备资源需求均相同, 方案二相比方案一的优点在于:
(1) 节点设置更加集约, 有利于减少运维人员配置和运维工作量。
(2) 节点集约后, 一个节点两台设备, 便于业务接入控制层设备同节点热备实施。
缺点在于:
(1) 可能带来额外的传输和光缆网络投资。
(2) 可能带来额外的机房电源投资。
方案一和方案二的选择主要考虑传输和光缆网络投资, 在增加投资不大的情况下, 且小业务量节点覆盖的业务规模小于50%网格化单元规模, 可以考虑将县域内的两个节点归并至一个节点。
如果两个机楼覆盖的业务规模不均衡, 且其中一个机楼覆盖的业务规模小于网格化单元规模, 该县域的业务量可以通过以下四种方式调整:
方案一:继续保持两个机楼作为业务接入控制层节点不变, 现有的业务归属不变如图9所示。
方案二:继续保持两个机楼作为业务接入控制层节点不变, 两个节点分摊该县域业务量如图10所示。
方案三:取消小业务量节点, 该节点业务量通过大业务量节点承载如图11所示。
方案四:取消小业务量节点, 该节点业务量通过邻县节点承载如图12所示。
首先应考虑将可以跨县的业务量割接到邻县的节点, 割接后的小业务量节点覆盖的业务规模如果小于50%网格化单元规模, 建议采用方案三或者方案四承载。方案三或者方案四的选择主要从对传输和光缆网络的架构调整、安全性及相应的投资来考量。
割接后小业务量节点业务规模大于50%网格化单元规模, 建议采用方案一或者方案二承载, 方案一或者方案二的选择主要从机房空间、传输和光缆网络的架构调整及投资来考量。
4.3 场景三:现有县域业务规模大于网格化单元规模, 县域内有两个以上机楼
对于县域范围内多个机楼的区域, 如果每个机楼覆盖的业务规模均大于网格化单元规模, 可以继续保持多个机楼作为业务接入控制层节点不变, 现有的业务归属不变, 此情况主要针对市区及超大业务量的县。
雅思听力场景和词汇 选课场景 篇4
专业，课程及课程表，语言，级别，时间，地点，教师姓名及外貌，论文、考试及成绩，学生俱乐部及社团，申请人个人情况，
专业
major,courses，first year economics经济系一年级学生，second year law
课程及课程表
course课程,lectures大课（老师讲，同学听）,tutorials小课（大家讨论，导师指导）,class timetable/schedule课程表,selective/elective/optional选修课,prerequisite/required/compulsory必修课,exemption免修,ecology 生态学,psychology心理学,mythology神话学,anthropology人类学,sociology社会学,zoology动物学,meteorology气象学,biology生物学,biography传记文学,economics经济学（注意易混淆常用单词，economy经济,economic经济(上)的, 产供销的, 经济学的,economical节约的，经济的），electronics电子学,statistics统计学,archeology考古学,architecture建筑学,history,physics,fine arts美术,economic history经济史,accountancy会计学, computing计算机学,programming编程,
语言
portuguese葡萄牙语, italian意大利语, russian, arabic阿拉伯语, mandarin汉语普通话, standard chinese, cantonese粤语, spanish西班牙语，japanese,
级别
fundamental/elementary/basic/level 1/beginnig/primary基础
intermediate/secondary中级
advanced高级
时间
包括起止日期、星期、上下午和具体时间。
session课，会议，期间,duration期间,fixed固定的， academic/school year学年,semester/term学期,
论文、考试及成绩
final test期末考试,paper论文,score/points/marks/grades分数,credit（points）学分,degree学位,assessment综合评估,assignments作业,handout （上课老师发的）印刷品，presentation 针对某一专题进行的发言，project 需要学生进行独立钻研的课外话题/论文，paper/thesis/dissertation 论文／博士论文／硕士论文，essay 短论文，journal 周记／每周要做的作业，enforce attendance/participation强迫到课 ，coeducation男女同校教育，secondary school中学，grammar school语法学校，elementary/primary school小学，seminar（大学）研究班、讨论会，symposium座谈会、专题讨论会，treatise（专题）论文，supervise监督，revise/rewrite修改，summary总结，audio-visual视听，plagiarism剽窃，the outline of the course课程大纲，structure结构，explanation解释，subject/curriculum科目，scholarship/grants奖学金，syllabus大纲，pamphlet/brochure/guide小册子，tuition学费，qualificaition资格，auditorium会堂、礼堂，lounge大厅，gymnasium体育馆，glossary词汇表、术语汇编，research研究，deadline最后期限，poll民意测验，extension延期,open/close book exam开卷/闭卷考试,tutorial/lecture/term/semester/subject/graduation paper小课/大课/学期/学期/科目/毕业论文,topic题目,give to lecturer for marking给老师批改,focus of course课程核心,student record card学生成绩单,set exercises固定练习,resources资料,at least 2000 words in length至少200字,fixed answers固定答案,key terms and concepts关键术语和概念,analytical分析性的,mechanical机械的,theoretical理论的,journalistic纪实的,
■ 学生俱乐部、社团及费用
（student ）union学生会，society社团
hang gliding悬挂滑翔，tennis网球，photographic摄影，scuba diving器械潜水，registration form注册表,membership application会员资格申请,
■ 申请
场景模型 篇5
视频场景分类算法是视频智能分析算法的一个重要方向,目前视频场景分类算法主要分为两类。一类是传统的基于目标跟踪的算法[1]。这类算法尝试从视频序列中提取前景目标,并进行轨迹跟踪,最后根据不同目标物体的运动轨迹来对视频场景进行分析。但是这种算法在大规模复杂场景下,由于目标遮挡严重,会受到很大的限制。为了解决这个问题,一些研究者提出了第二类算法——直接基于底层运动特征统计方法。这些典型方法采用概率主题模型,如PLSA,LDA,HDP等[2,3,4]。概率主题模型源于文本处理领域应用到视频分析中,视频底层特征当做单词,运动模式当做主题被发掘。
概率主题模型应用于视频场景分析,主要包括视频表示和建模两部分。目前大部分的研究者主要关注在建模部分[5]。而视频表示一般采用词袋(Bag of Words,BOW)方法,通过对视频特征(如光流)的量化生成,但是这些研究中对视频特征通常采用采用统一的均匀量化,对于量化的分辨力与视频词典的大小之间的关系,以及对视频场景分析的影响未作充分研究。量化分辨力过小,可能造成效率的降低,过大,可能造成视频单词的辨别力不足。
针对上述问题,本文提出了一种改进的词袋生成方法——基于统计信息的自适应非均匀量化。该方法首先基于光流的方向和位置信息进行统计去噪,在此统计结果的基础上进行自适应的最优量化,在不增加视频词典大小情况下,提高了视频单词的辨别力并利用LDA模型对复杂场景进行分级建模,最后基于模型的结果实现视频场景的分类。
1 基于自适应量化LDA模型的视频场景分类算法
本文提出的算法主要步骤为:1)对目标视频进行处理,提取出底层特征并进行自适应量化,将视频表示为BOW;2)将量化后的单词集作为LDA模型的输入,完成对视频场景的语义提取;3)对LDA模型的结果进行聚类分析,完成最终的视频场景分类。
1.1 视频特征提取及自适应量化
为了对视频场景进行分析,本文采用光流运动特征。
计算光流的算法有很多种,本文选择金字塔LK稀疏光流算法[6]。这种算法首先找出视频序列中的兴趣点,随后计算兴趣点位置的光流。由于兴趣点与其周围的像素值往往存在差异性,因此金字塔LK稀疏光流算法所计算得到的结果可信度更高;同时由于兴趣点远少于整个画面的像素总数,因此这个算法也能很好地提升整个系统的执行效率。
首先对目标视频的全部光流进行统计,如图1和图2所示,分别为光流位置和方向的统计结果。由于噪声的影响,一些固定位置和方向上的光流会一直出现。因此对统计结果进行一次预处理,即统计意义上的光流去噪,得到新的、更符合实际情况的光流统计图。图1和图2显示了预处理前后光流的位置统计分布和方向统计分布的对比情况(原图为彩色图片),图中红圈表示去掉噪声光流后,新的统计分布图将会更加符合真实的分布情况。颜色越深代表光流出现的频率越高。
完成对光流统计分布的预处理后,接下来就是根据分布结果确定量化方案。本文算法是根据给定区域内的光流分布结果对给定区域进行分割判别处理:当满足分割条件时,对给定区域进行分割。图3为量化算法的示意图。
根据光流位置统计结果,对光流位置所处的二维区域(从(0,0)到(width,height))进行分割。对光流方向所处的一维区域(0°～359°)的分割与位置分割的情况类似,不同的是分割对象为一维区域。分割得到的子区域会再次进行同样的处理过程。这样,最终得到的分割完成的不同区域就对应着不同的量化值。这一步的具体步骤为:
1) 获取初始区域。对于位置划分,初始区域为视频画面对应的整个像素矩阵;对于方向划分,初始区域为0°～359°。
2) 根据当前区域内部的位置或方向分布特性,计算得出特征值A。特征值A的计算方法后面会详述。
3) 根据当前区域的规模大小(对于位置划分,规模大小指面积大小;对于方向划分,规模大小指跨度),计算得出特征值B。特征值B的计算方法后面会详述。
4) 对比A和B的值,如果满足一定的条件则对当前区域进行分割:如果是位置分割,则将当前区域等量的划分成4块;如果是方向分割,则将当前区域等量的划分成2块;同时对于每一个新生成的区域继续跳到步骤2)递归调用当前算法。如果不满足分割条件则跳过当前区域。
5) 所有区域不满足继续分割的条件,则分割完成,程序结束。
特征值A和B的定义是这个算法的关键所在。
在本算法中,对于位置分割,特征值A的定义为
如表1所示,length决定了特征值B的值,其中length代表区域的长度(或者角度跨度)。
特征值A代表了当前区域需要被关注的程度,特征值B代表了当前区域的分割程度。最终分割得到的结果如图4所示。由图中可以看到,对比真实的帧图片,运动发生比较频繁的区域,区域会被分割得更细,从而尽最大可能地保存重要的信息。在运动发生相对不频繁的地方,区域会被分割得较粗。
方向分割得思路基本与位置分割一致,不同的是位置分割是操作二维数据,方向分割是操作一维数据。最终方向分割的结果如图5所示。可以看到,在方向分布较密集的地方分割得更细,使得信息量得到最大程度的保留。
1.2 基于LDA模型的视频语义提取
LDA[3]模型是一种生成式模型,最初是用在文本分类和语言处理上的算法。在这个模型里,经常在文档里同时出现的单词集合会被归类到一个主题下。LDA模型的使用意义就是找出单词集合的潜在主题分布,从而对文档进行分类。接下来本文会简单介绍如何将LDA模型用于视频分析算法。
假设一段视频序列D是M个视频片段的集合,即D={C1,C2,…,CM}。其中每个视频片段C都是量化后的底层特征集合BOW,即C={w1,w2,…,wN}。视频片段里每个元素w对应一个出现过的视频单词。词典是所有可能出现的单词种类的集合,词典的维度为V,V的数值决定于提取的底层特征种类。LDA模型假设一个完整的视频包含K个主题,K的值是已知的。每一个主题可以看作在V个不同的单词上的多项分布。LDA模型是一个三级贝叶斯模型,对于一个视频D其生成过程如下:
1) 对每个主题zk∈{z1,z2,…,zK},选择一个单词主题分布φk～Dir(β)。
2) 对于每个视频片段cm∈{c1,c2,…,cM},选择θ～Dir(α)。
3) 对于视频片段cm中的每个单词wn∈{w1,w2,…,wN}:
(1) 选择一个主题zn～Multi(θm);
(2) 选择一个视频单词wn～Multi(φk)。
其中,α,β是Dirichlet分布的参数。θ代表了一个视频片段中不同的主题的混合比例。φ是一个多项式分布的集合,可以用一个K×V的矩阵来表示,其中K是主题的种类,即视频中简单行为的个数,V是单词的种类即词典的维度。其中的每一行代表了每个视频单词在一个特定主题下的出现概率。LDA图模型如图6所示。
对视频序列的LDA建模过程,即一个降维过程,根据获取的底层视频特征,即单词的集合,反推得到φ和θ。其中,如前文所述,θ是一个k维向量,代表k个主题的出现概率。
为了验证自适应量化算法的有效性,本文将找出每个θ中出现概率最大的主题,并将该主题标定为当前视频片段的主导主题(dorminant topic),完成视频场景的分类。
2 试验结果
本算法测试所使用的视频序列来自QMUL数据集,名称为junction,其分辨力为360×288,帧率为30 f/s(帧/秒)。本文截取了从中截取了一段时长10 min的视频作为测试序列,将其划分为每25帧为1个视频片段,共有720个视频片段。该视频的主要场景是一个十字路口,视频中的运动事件以车辆运动为主。大致上可以将视频分为5个场景,分别是纵向车辆行驶、车辆左行、车辆右行、车辆由中间驶往两边和车辆静止。在LDA模型部分,本算法使用的主题种类设置为6。
图7所示为基于自适应量化LDA模型的视频场景分类结果(原图为彩色图片)。其中带有颜色的点为当前事件的典型光流,点的位置即为光流的位置,点的颜色对应光流的方向,图中不同颜色扇形组成的圆所示。图7a～图7e分别代表上面所说的5个典型的视频场景。
为了对比自适应量化和普通量化对视频场景分类结果的影响,对同一视频序列分别进行了不同的位置分割块量化,包括2×2,4×4,8×8,16×16,32×32,64×64。其中方向均量化为4个方向。将所有的结果包括自适应量化的结果和ground truth进行了对比。图7中的数字即代表了不同情况下的当前事件类型编号,从左到右分别是:自适应量化,2×2,4×4,8×8,16×16,32×32,64×64,ground truth。由此可见,采用自适应量化可以准确识别出不同的视频场景类型。
图8显示了对整个视频序列进行测试的结果。此外,对实验的最终结果进行了统计,表2表示了不同量化方案下,视频场景分类的错误率及词典大小对比。由此可见,采用自适应量化方案能够非常显著的减少视频场景分类出错的概率,提升算法性能。同时,采用自适应量化方案能够在很大程度上减少LDA模型的输入数据的规模,有效降低算法的时空复杂度。
图9的两幅图分别表示了两种情况下,采用自适应量化方案,可实现对场景的正确分类,而其他的均匀量化算法均失败的情况。
3 结论
传统的基于特征提取的视频分析算法往往更关注对算法的分类模型部分的改进和创新,从而会忽略算法的其他方面。本文针对这一点,对此类算法的量化部分进行了改进,提出了一种自适应量化方案。传统的量化方案是直接对光流的位置和方向进行固定的均匀量化。而本文所提到的量化方案则是基于视频的光流预统计,分析其特性后按照关注程度对位置和方向进行非均匀的自适应量化。在自适应量化后,本文使用了LDA模型对量化后的单词集进行建模,并使用KL距离完成最终的场景分类。试验表明,与传统量化算法相比,基于自适应量化的算法不仅可以提高场景分类的准确度,同时可以有效减少视频词典的大小,提高算法的效率。
参考文献
[1]SHERRAH J,RISTIC B,REDDING N J.Particle filter to track multiple peo-ple for visual surveillance[J].Computer Vision,IET,2011,5(4):192-200.
[2]NIU Lingfeng,SHI Yong.Semi-supervised PLSA for document clustering[C]//2010 IEEE International Conference on Data Mining Workshops(ICDMW).Sydney,Australia:[s.n.],2010:1196-1203.
[3]FAN Bin,LEI Zhen,LI S Z.Normalized LDA for semi-supervised learn-ing[C]//Proc.IEEE International Conference on Automatic Face&Gesture Recognition,2008.[S.l.]:IEEE Press,2008:1-6.
[4]WANG Xiaogang,MA Xiaoxu,GRIMSON W E L.Unsupervised activityperception in crowded and complicated scenes using hierarchical bayesianmodels[J].IEEE Transactions on Pattern Analysis and Machine Intelli-gence,2009,31(3):539-555.
[5]JIANG Jing.Modeling syntactic structures of topics with a nested HMM-LDA[C]//Proc.Ninth IEEE International Conference on Data Mining,2009.[S.l.]:IEEE Press,2009:824-829.
场景模型 篇6
2013年12月4日,工信部发布公告称,向中国移动、中国电信和中国联通颁发“LTE/第四代数字蜂窝移动通信业务(TD-LTE)”经营许可。4G牌照的发放,意味着其进入正式商用阶段,运营商部署4G相关工作的脚步也将因此而加快。作为老牌运营商中国电信,能否在新的竞争中抢抓市场机遇,在如此紧迫的时间内,如何快速而优质的部署一个精品4G网络,是后续业务是否迅速拓展的关键。
本文正是从无线工程基站建设准备阶段的设计环节着手深入分析,目前C网工作在800MHz,LTE的承载频率位于高频段,比C网有更大的穿透损耗,站间距要求比C网小得多。另一方面,LTE网络的部署基于现有C网, 现网的拓扑结构已经固定,在此情况下,LTE站点的规模需求和站址不仅取决于LTE本身的技术特征,也取决于现网的拓扑结构。为切实落实集团公司关于LTE网“快速建网,降低建设成本”的总体要求,本文在充分利用现网站点资源的基础上,对各个专业深入分析,最终得出基站建设标准化方案设计模型,从而做到流程化设计,快速编制方案的目的。
2 场景分析
根据中国电信集团LTE建网策略,2014年在城市以上深度覆盖并优化,2015年扩大到县城和重点乡镇,2016年全网覆盖、优化,形成全网的放号能力的要求,对LTE覆盖目标进行分类及分析,如表1[1]:
3 基站流程化方案设计分析
3.1 设计思路
由于LTE网建设时间紧、任务重,中国电信需要有一套规范性的流程指导设计和施工。基站流程化方案设计正出于此,它主要从4个部分考虑,分别为主设备选型、天线选型、电源方案和塔桅类型,分析他们之间的匹配关系,最终制订流程化的基站设计方案模型。
3.2 场景分析
3.2.1 主设备选型及场景应用方案
根据LTE网络结构,充分利用现网站点,沿用C网站型宏基站、分布式宏基站、射频拉远基站等设备。室内宏基站需要占用机位,对电源、机房走向、馈线损耗等要求都非常高;分布式基站不占用机位,对电源和机房走线要求比较简单,馈线损耗也比较低,而且便于维护;射频拉远基站对机房没有要求,但维护便利性一般。表2为主设备选型策略及场景应用方案表。
根据以上场景分析,并考虑到建设灵活性,以及减少馈线损耗,相对来说分布式宏基站(BBU+RRU)类型使用比例较高。
3.2.2天线选型及场景应用方案
随着LTE网络不断发展,MIMO成为其关键技术,它减少了网络传输等待时间,提高用户数据速率,改善系统存量和覆盖,降低了运营成本,因此天线选型对打造精品网络来说至关重要,表3为天线选型及场景应用方案表。
3.2.3电源供电方案
电源供电有交流和直流两种供电类型,都可以满足主设备供电,具体要求如下:
(1)交流采用220v市电供电。
(2)增加LTE设备后,室内直流配电端子需要满足LTE主设备使用一次下电单路63A以上;开关电源整流模块需要满足N+1原则。
(3)蓄电池配置要求
根据YD/T 5040-2005《通信电源设备安装工程设计规范》要求,移动通信基站电池总放电小时数二类市电满足1~3h;三类市电满足2~4h, 四类市电满足3~5h。结合中国电信集团的指导意见和各省公司移动设备维护要求,大多数省份对无线基站的蓄电池使用需要满足市区4h备电,郊区、农村6h备电。
3.2.4 塔桅方案
塔桅安装于地面或屋顶两种,而塔型一般不会因为3G与LTE制式的不同而有所改变,制式的不同仅导致铁塔构件的大小差异及构件连接方式的不同。根据LTE无线传输特性, 市区和县城无线挂高通常在30m左右,而郊区、乡镇和农村无线挂高通常在30~50m左右。
4 具体流程化设计模型和 方案
4.1 设计模型
根据上述各部分分析和具体的场景应用,得出以下几种标准化方案模型,如表4。
4.2 具体方案
(1) 模型一方案
(2) 模型二方案(直流供电)
(3) 模型三方案(交流供电)
(4) 模型四方案(交流供电)
5 结束语
场景模型 篇7
自国家推进节能减排政策以来,分布式供能系统(distributed energy supply system,DESS)便以高效性、环保性、安全性等优势受到广泛关注[1,2]。
本文定义DESS的场景竞争力为:在保证投资主体获得安全、可靠供电的同时,DESS能够实现本地多样化能源形式的有效利用,发挥其经济潜在价值,推动投资主体优化其系统的运维方式,并为其他投资主体提供借鉴与参考的能力,包含软竞争力和硬竞争力。在DESS规模快速扩大、国家日益重视的形势下,科学评价场景竞争力具有重要的社会经济效益。
在DESS研究及其评价领域,已有国内外学者开展了相关的研究。文献[3-4]从DESS经济性、环保性或联供热力性等角度出发,建立DESS的评价指标;文献[5]将DESS指标分为技术性和经济性评价指标,分层建立指标体系;文献[6]以评价DESS的不确定性因素为目标,梳理其设计和运行中的不确定性因素,建立评价指标体系进行评价。国内外现有文献提出的指标体系或评价方法虽角度不同,但基本思想一致,即着眼于DESS某方面的发展优势或特点,立足某一角度建立指标进行评价,如经济性、环保性、热力学特性、联供运行[7,8,9,10,11,12]等。但该思路存在以下不足:①指标的选取对系统整体的关注不足,且缺乏实际数据的分析,降低了指标体系全面性及模型实用性;②由于不同类型DESS场景的特点各异,指标在使用时针对性低,且评价角度单一,无法体现评价差异化;③现有的评价目标一是比较DESS不同配置方案的优劣,用于决策,二是对DESS的各种效益进行宏观评价,指导其运行规划,缺少对DESS场景竞争力进行分类评价的研究。
随着DESS建设和研究工作的推进,亟须构建一套科学、合理、全面的DESS场景竞争力评价指标体系:在硬竞争力评价层面上,汇总DESS发展的客观条件,用于对DESS所带来的经济、环境等效益的分析,为DESS的投建规划提供科学指导;在软竞争力评价层面上,用于对DESS的运行状态和薄弱环节等进行分析、识别,为其运维管理提供决策参考。
针对上述问题,本文拟建立一种DESS场景竞争力的分类评价模型。建立DESS对应于其场景软硬资源条件的三级评价指标体系,考虑指标高贡献率及数据易获取性,筛选实用评价指标;根据现阶段国内DESS典型场景的应用领域及建设范围等特点,对DESS进行自上而下的全面分类;采用熵权法针对不同场景引入指标贡献系数,以基于贡献系数的实用评价指标为输入变量,以场景竞争力的分类评价值为输出变量,采用层次分析法进行DESS场景竞争力分类评价模型的求解,并以南方部分省区的实际场景的统计数据为例进行算例分析。
1 评价指标体系
1.1 场景竞争力
DESS场景竞争力分为两个层面:硬竞争力和软竞争力。具体构成体系如图1所示。
1.2 影响场景竞争力评价的因素
根据DESS场景竞争力的构成体系,本文将影响DESS场景竞争力评价的因素提炼为如下5 个方面。
1)经济效益。DESS的经济性在很大程度上影响业主投资积极性及场景的推广前景。经济效益一直是供电公司、投资企业、政府等相关部门的工作人员在进行投资建设、系统规划和项目运维等工作时重点关注的部分,集成场景竞争力所体现的资本、管理、信息的经济效益指标自然成为评价DESS场景竞争力不可缺少的指标分量,是评价场景竞争力的首要指标。
2)联供特性。DESS主要分布在楼宇、工业园区以及各种新能源丰富的海岛等区域,各种场景的负荷有电、冷电、热电、冷热电4 类,对应于冷电联供、热电联供及冷热电联供等供能方式。完整的、能实现冷热电联供的联供系统组成包括电源机组、制冷设备、供热装置和接网运行系统等。联供特性指标集成场景竞争力所体现的用户、设施和科技,用于衡量场景的硬竞争力。
3)能源利用。能源利用指标主要考察场景所在地的能源分布状况,评价场景在实现本地多样化能源形式的有效挖掘、能源的梯级利用、经济潜在价值的发挥等方面的能力,反映DESS是否通过能源梯级利用,实现更高能源利用率、更低能源成本、更优环保性能等目标。
4)运行方式。运行方式指标主要研究的是与场景并网运行相关的因素,包括并网特点、并网可靠性等,侧重于分析系统并网运行的安全性能,与联供特性指标息息相关。
5)环境效益。环境效益指标体现在DESS给电力系统提供的节能减排技术:应用可再生能源或燃料电池等替代传统的集中式化石燃料发电,大幅减少污染物的排放。例如:风力和太阳能发电可提供全绿色电力,以天然气为燃料的微型燃气轮机释放的SO2是许多燃煤发电厂释放量的25%,NOx释放量低于1%,而CO2释放量则低于40%。
将指标作为一级评价指标,自上而下地逐层构建合理客观且层次分明的DESS三级评价指标体系,详见附录A。
1.3 实用评价指标
以指标高贡献率、数据易获取性及可量化性为原则,本文在DESS场景竞争力三级评价指标体系的基础上,进行简化与筛选,获得实用评价指标。例如电压等级指标,该指标直接反映场景建设费用,但建设费用在单位千瓦投资等指标中已有所体现,具有重复性,其次是反映系统对分布式电源的消纳能力,但这主要取决于接入系统,故该指标对场景竞争力评价值的贡献率较低。又如运营模式指标,虽然运营模式的选择直接影响到场景的市场竞争力,但是由于该指标的不可量化性降低了其实用性。筛选出的实用评价指标如下。
1)单位千瓦投资X1:指场景每千瓦造价,即发电设备平均到每千瓦的投资,单位为元/kW。单位千瓦投资指标衡量场景的原材料成本及移动成本等,从侧面反映场景的投资可行性。
2)投资利润率X2:指项目的年利润总额与总投资的比例,单位为%。计算出的投资利润率与行业的标准投资利润率或行业的平均投资利润率进行比较时,若不小于标准投资利润率或平均投资利润率,则认为项目可接受,否则不可行。
3)投资回收期X3:指从场景项目的投建之日起,用项目所得的净收益偿还原始投资所需要的年限,单位为年。该指标在反映场景经济性的同时,也可作为投资业主接受度的参考依据,在一定程度上反映了场景的技术水平。
4)系统供电能力X4:指在以年为单位的报告期内,系统可用于供电生产活动的单位小时供应电量,单位为MW/h。该指标可反映系统载荷能力,体现系统规模,同时为同类型场景的DESS提供规划参考值。
5)能源利用率X5:指场景消耗的能源总量占供给系统的能源总量的比例,单位为%。该指标反映了DESS对能源的利用效率与程度。
6)新能源发电占比X6:指场景内参与系统供电的新能源出力指数,等于年新能源发电量占年总供电量的比例,单位为%。新能源发电占比指标从侧面反映场景的能源供应情况,以及新能源开发的技术水平,体现了DESS场景实现本地多样化能源有效利用的能力。
7)年运行小时X7:指DESS的年投入运行时间,以小时数表示,单位为h。年运行小时的多少反映了场景投运能力的高低,年运行小时数越高,设备的无故运维、折旧、亏损等问题越少,反映了系统可靠运行的能力。
8)总排污减少量X8:指当产生相同负荷供应量的情况下,相比于传统的负荷供应方式,DESS所减少的污染物排放总量,单位为万t。该指标顺应国家将节能减排作为重点推进工作的要求,用于衡量DESS的环保性能。
9)总排污减少率X9:指当产生相同负荷供应量的情况下,DESS场景内总排污减少量占传统负荷供应方式排污量的比例,单位为%。该指标更明显地体现了场景的环保价值。
2 场景分类体系
首先,根据现阶段中国DESS典型应用场景的发展现状,将DESS根据其规模和应用领域划分为三种场景类型:楼宇型、区域型、海岛型,并以其为二级分类对象,建立DESS场景分类体系,详见附录B;然后,分析不同类型场景内建筑物的负荷需求情况等概况,对体系进行自上而下的逐级划分。
1)楼宇型:包含酒店、医院、单一居民楼、办公楼、公用建筑等,容易实现能源的自求平衡,经济关系单纯,应用灵活。此类场景规模小,终端负荷品种少,设备和系统的能效均较低,加上年运行时间一般较长,故导致单位千瓦投资费用高,只有在特定的经济条件下才具有竞争力。场景主要联供冷热电或冷电两种情况,针对能源密集、负荷压力大的特点,进行冷热电或冷电联供以实现能源的自求平衡,不涉及公共空间资源。场景内的负荷和燃气内燃机的冷电/热电比基本吻合,可实现并网运行,能最大限度地进行能源梯级利用。
2)区域型:一般有大学校园、工业园区、大型商场、综合园区等。此类场景规模较大,终端负荷品种繁多,场景内有城市工业园区、旅游集中服务区、生态园区或大型商业设施等,负荷类型为民用热负荷、工业用热负荷、制冷负荷及热水负荷等。场景的年运行时间可根据实际需要灵活调整,单位千瓦投资费用明显较低,投资利润率高,经济效益显著,经济上极富竞争力[13]。联供方面,可采用燃气—蒸汽联合循环进行热电联供,热水型溴化锂冷水机组等作为制冷方案,机组可按“以热定电、以电定电,热电联供”的原则开启,满足“热、电、冷”各种能源需求。在满足区域供电需求的同时,能够以削峰填谷方式与大电网互补运行,既有助于减小大电网的电力负荷峰谷差,又有助于改善动态负荷变化对电压稳定性的影响,极大地提高发电厂大机组的发电效率和经济效益,能源利用效率非常高。广州大学城分布式供能系统,是目前国内最大的分布式能源项目[14],属于区域型场景。
3)海岛型:一般指含高渗透率分布式电源的独立海岛供电系统,主要发展形式是智能微电网。场景采用孤网运行,整个系统为“单机单网”,电网负荷波动较大[15]。在满足投资方内部收益率的情况下,海岛用户电价会有所降低,海岛用户的用电经济性有显著提高。海岛地区的可再生能源十分丰富,对其有效开发可极大地缓解海岛电力不足。开发利用近海风能以及太阳能资源,建设风力发电厂、光伏发电系统,有利于促进相关产业链的形成和发展,实现经济社会的可持续发展。在对海岛型DESS进行规划设计时,需要解决分布式能源输出功率预测、分布式能源容量优化配置、储能优化配置、构建综合能源网等问题,将进一步增加海岛型DESS的投资回收效益。
3 分类评价模型
3.1 评价思路
本文在进行DESS场景竞争力分类评价时的思路详见附录C。在纵向研究上,综合考虑DESS经济效益、联供特性、能源利用、运行方式、环境效益等方面的因素,为评价DESS设计纵向的指标体系;在横向研究上,依据场景的不同发展特点,为评价DESS建立横向的场景分类体系,用于对DESS进行规划时提供定位参考依据。
3.2 评价流程
DESS发展类型多样、影响因素纷繁复杂,本文在DESS的评价指标体系和场景分类体系的基础上,提取实用评价指标,采用熵权法引入实用指标的贡献系数。以实用评价指标及贡献系数为输入变量,以场景竞争力的分类评价值为输出变量,采用层次分析法进行求解,建立如图2所示的分类评价模型。模型致力于解决如何将数目众多的纵向评价指标,高效实用地应用于DESS各类型场景竞争力的分类评价工作中。
3.3 评价步骤
1)数据预处理
假设评价对象个数为m=mL+mQ+mH,其中mL,mQ,mH分别为楼宇型、区域型、海岛型场景个数;输入实用评价指标变量个数为n,则得到m ×n阶原始评价矩阵为:
为减低由于评价对象数目的限制所造成的评价结果的非典型性,本文充分利用正态分布的普遍性,对原始评价矩阵Xm×n按列进行第1步Z-score标准化变换,将各指标数据向标准正态分布的方向处理。标准化公式为:
式中:i=1,2,…,m;j=1,2,…,n;xjmean为元素所在列的平均值;xjstd为元素所在列的标准差。
由于不同指标数据间的数值偏差较大,为避免“数值较高的指标在综合分析中起突出作用,数值较低指标在综合分析中起削弱作用”这一情况,解决由于各评价指标性质不同而使其存在的不同量纲和数量级的问题,同时统一各指标的异号数据,提高评价结果的可靠性,需要对Z-score标准化变换后所得矩阵Xm×n′进行0-1标准化变换:
式中:xijmin′为经过Z-score标准化变换后所得矩阵Xm×n′的最小值;xijmax′为经过Z-score标准化变换后所得矩阵Xm×n′的最大值。
原始数据矩阵Xm×n经过两步标准化变换,得到数据预处理后的标准化矩阵Rm×n。
2)确定指标贡献系数
在评价DESS场景竞争力时,由于某类场景其自身某指标的数据差值相比于其他类型场景该指标的数据差值偏大(或偏小),而导致该类场景评价值总体偏大(或偏小),这将使得场景竞争力评价值过于按类型集中,评价结果将存在特有的档次分层。上述问题将会误导投资运维工作,极大地影响低层DESS场景业主的投资积极性。
为此,本文采用熵权法,引入不同类型场景同一实用评价指标对该类型场景竞争力的贡献系数这一概念,来解决由于不同场景同一指标数据差值不同而导致场景竞争力评价值不同的问题,充分利用实用评价指标对不同类型DESS场景竞争力的客观影响度对其进行评价。
熵权法是一种应用于多对象、多指标,依靠物理信息熵所表达的信息来确定指标对评价对象所作贡献的一种分析方法[16]。采用熵权法求解指标贡献系数的具体步骤如下。
首先,根据信息论中信息熵的定义对不同DESS场景的某实用评价指标的信息熵进行求解:
式中:下标α 取L,Q,H,分别表示楼宇型、区域型、海岛型场景。
如果pij=0,则定义:
然后,通过信息熵计算各类DESS场景某实用评价指标的贡献系数cαj:
由各类DESS场景的贡献系数cαj组成贡献系数矩阵C3×n= [CLCQCH]T,其中CL=[cL1cL2… cLn],CQ= [cQ1cQ2… cQn],CH=[cH1cH2… cHn]。矩阵C3×n在不同类型DESS场景的评价过程中,在各实用评价指标对不同类型场景贡献作用的竞争意义上的相对激烈程度、提供有效信息量的多寡程度的确定问题上,起关键作用。
3)求解评价值
层次分析法是一种将定性与定量相结合的权重赋值方法[17]。采用层次分析法求解DESS场景不同实用评价指标的权重,将专家意见融入不同类型DESS场景竞争力的评价值中,降低评价结果唯数据的客观局限性。其具体求解过程如下:首先,由两两指标之间的重要程度,结合评价结果的精度需求,得出n个输入变量的n阶判断矩阵D;然后,采用层次分析法计算判断矩阵D的最大特征根λmax及对应特征向量WAHP=[w1(AHP) w2(AHP) … wn(AHP)];最后,由于求解过程中产生估计误差,破坏判断矩阵的一致性,导致特征值和特征向量存在偏差,故利用一致性指标、随机一致性指标和一致性比例进行一致性检验,若检验通过,则偏差导致的不一致性可接受,特征向量WAHP(归一化后)即为权向量,否则需重新构造判断矩阵。其中,一致性检验步骤如下。
1)计算一致性指标:
2)找出相应的平均随机一致性指标λR.I.。
3)计算一致性比例:
当λC.R.<0.1时,可接受一致性检验,否则将对判断矩阵进行修正。
求得指标权重向量WAHP之后,若不引进贡献系数,则某DESS场景竞争力的求解将变为:
式中:Mi为任意类型DESS场景i的场景竞争力评价值;wj(AHP)为实用评价指标j采用层次分析法求得的指标权重。
引入贡献系数之后,由实用评价指标的贡献系数cαj和该权重进行DESS场景竞争力评价值的求解,即
式中:Wαj为楼宇型、区域型或海岛型DESS场景的实用评价指标j基于贡献系数的指标权重值;为楼宇型、区域型或海岛型DESS场景评价对象的所有评价值;Mαi为楼宇型、区域型或海岛型DESS场景某一对象i的评价值。
通过本文建立的DESS场景竞争力评价指标体系,结合指标基于层次分析法的权重,以及衡量同一指标对不同类型场景贡献度的贡献系数,将定性的场景竞争力最终量化为定量的评价值。通过比较求解输出的DESS各场景评价值的大小,得出各DESS场景竞争力的高低,即场景竞争力评价值越大,则该场景在保证投资主体获得安全、可靠供电的同时,能够实现本地多样化能源形式的有效利用,发挥其经济潜在价值,推动投资主体优化其系统的运维方式,并为其他投资主体提供借鉴与参考的能力越强;反之,将越弱。
4 实例分析
收集中国南方部分省区DESS实用评价指标的统计数据,包含广州超算数据中心、滨海医院等楼宇型场景,广州从化鳌头、广州大学城等区域型场景,珠海东澳岛等海岛型场景[18,19,20,21,22]。为方便分类评价结果的比较,增强比较效果,每种类型选取相同数目的场景,总计21个场景。
实例场景的指标统计数据详见附录D表D1。其中,X1~X9代表实用评价指标,L1~L7代表楼宇型场景,Q1~Q7代表区域型场景,H1~H7代表海岛型场景。
首先,将原始统计数据按照式(2)、式(3)进行数据标准化预处理。
然后,采用层次分析法求解实用评价指标的权重。在构造判断矩阵时,本文实例将两两指标之间重要性程度的衡量尺度设为:1,1.2,1.4,1.6,1.8,2.0,2.2,2.4,2.6,其中,1表示两指标重要性程度相同,2.6表示两指标重要性程度的差距最大,数字由小到大表示重要性程度的差距依次递进。 经过式(8)、式(9)验证:λC.R.=0.001<0.1,指标判断矩阵的一致性可接受,判断矩阵有效,并由此求得的实用指标权重详见附录D表D2。 依次采用式(4)至式(7),进行基于熵权法的各实用评价指标对不同类型场景的贡献系数矩阵C3×n求解,详见附录D表D3。
最后,当未引入指标贡献系数时,由式(10)求得如图3(a)所示的DESS场景竞争力评价结果雷达图,各场景竞争力评价值详见附录D表D4。引入指标贡献系数后,各类型的DESS场景竞争力评价值采用式(11)至式(13)求解,DESS场景竞争力评价结果雷达图示于图3(b),具体评价值详见附录D表D5。
分析附录D表D3、表D4的数据,一方面,实用评价指标X2权重值最高,其指标值约为0.18,且海岛型场景X2指标数据值远比楼宇型、区域型场景要大,其平均值水平甚至高于其他两类场景该指标数据各自平均值水平的两倍,其次对于权重值相对较大的实用评价指标X5和X8,指标值分别约为0.16和0.14,海岛型DESS场景两指标的平均值水平都分别不小于或仅略小于其他两类场景对应指标的平均值水平;另一方面,就楼宇型和区域型DESS场景而言,权重值相对较大的实用评价指标X4,区域型明显远大于楼宇型,两种类型场景指标X4的平均值比例甚至高达4倍以上。
综上得到图3(a)所示的未引入指标贡献系数的场景竞争力评价结果。该结果显示:仅通过场景各指标值与权重数据计算,得到的场景竞争力过于依靠场景类型而集中,评价值总是出现海岛型>区域型>楼宇型,甚至可能出现竞争力较弱的海岛型场景的竞争力评价值,高于其他类型场景中的较优发展场景,而这显然与事实不符,不利于不同类型DESS场景竞争力的直接比对,评价结果存在误导性。
为避免上述情况的发生,提高各类型场景竞争力的评价合理性,采用熵权法引入如附录D表D5所示的指标贡献系数。横向比对各指标贡献系数的大小可知,经熵权法的客观计算,指标X1和X4贡献系数较大,突出指标在场景投资经济性、系统载荷能力两方面的贡献作用。并且,指标X2和X5的客观贡献系数较指标X1和X4小,解决了海岛型场景因X2和X5两指标的权重及其原始数值较大,而导致场景竞争力评价值总是大于其他两类场景的问题。
基于熵权法的客观指标贡献系数的引入,降低了单纯主观权重的影响,场景竞争力评价值得到客观贡献系数的约束矫正,提高了评价结果的客观合理性。
最终,通过计算求得削弱“分档次突出”问题的评价结果,如图3(b)所示。比较评价结果可得以下结论。
1)微观分类角度:①楼宇型场景{L5,L7}、区域型场景{Q3,Q5,Q7}、海岛型场景{H5,H7}的竞争力评价值类内较高,对各类DESS场景的投资规划和运维等具有更高的参考价值;②楼宇型场景{L1,L4}、区域型场景{Q4,Q6}、海岛型场景{H1}的竞争力评价值类内较低,需要其投资业主及时发现问题,并且采取相应的措施进行运维整顿,提高其场景竞争力。
2)宏观总体角度:各类型场景的评价值分布均匀,实用评价指标贡献系数的引入,解决了评价值按类集中、存在误导性的问题。例如:Q1(广州从化鳌头)和H1(珠海东澳岛)两个场景,在引入贡献系数之前,场景竞争力H1>Q1;在考虑指标对各自场景竞争力贡献程度不同的现实问题而引入贡献系数之后,场景竞争力Q1>H1,出现明显不同的两个评价结果。而实际情况中,无论从场景的经济效益还是其运维可靠性、安全性等角度来看,场景Q1都比场景H1的竞争力要大[18]。
本文所建立的DESS场景竞争力的分类评价模型,通过实用评价指标及指标贡献系数,将定性的场景竞争力最终量化为定量的评价值,比较DESS各场景竞争力评价值的大小,评价其在保证投资主体获得安全、可靠供电的同时,实现本地多样化能源形式的有效利用,发挥其经济潜在价值,推动投资主体优化其系统的运维方式,并为其他投资主体提供借鉴与参考的能力的大小。由本文实例计算得到,模型的评价结果与实际能源站的运行情况及工程研究报告相符,模型的工程实用性及合理性得到验证。
5 结语
本文建立的DESS场景竞争力的分类评价模型旨在解决DESS规划与评价中的量化问题。
1)系统地建立DESS场景竞争力的三级评价指标体系,并在考虑指标高贡献率、数据易获取性及可量化性的基础上,筛选凝练出实用评价指标。依据DESS场景的不同发展特点,对其进行自上而下的全面逐级分类,建立多维分类体系。指标及分类体系可用于DESS场景竞争力的分类评价,为DESS提供规划参考依据。
2)首次建立DESS场景竞争力的分类评价模型,模型以基于贡献系数的实用评价指标为输入变量,以场景竞争力的分类评价值为输出变量,采用层次分析法进行求解。引入基于熵权法的实用评价指标的贡献系数,解决了场景竞争力评价值过于依靠类型而集中的问题,避免评价结果可能出现的误导性,增加场景竞争力评价值的合理性。为供电公司、投资企业、政府等相关部门的工作人员在进行投资建设、系统规划和项目运维等工作时提供参考依据。
综上所述,DESS场景竞争力的分类评价模型,一方面,分类评价做到充分考虑场景的差异性,另一方面,评价结果既可为投资规划提供高竞争力的参考场景,又可及时地对已建低竞争力场景采取措施,进行运维改造。以中国南方部分省区实际场景为例进行分析,验证了模型合理性和工程实用性。
附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。
摘要：分布式供能系统影响因素纷繁复杂,发展场景类型多样,针对其投建规划与经济评价中缺乏量化方法的问题,文中建立一种分布式供能系统场景竞争力的分类评价模型。首先,考虑反映场景竞争力的软硬性条件,建立分布式供能系统场景竞争力的三级评价指标体系,并以指标高贡献率及数据易获取性为原则,筛选出场景竞争力的实用评价指标;然后,对分布式供能系统进行自上而下的全面逐级分类,系统分析各类型场景的发展特点;最后,以实用评价指标为输入变量,以场景竞争力的分类评价值为输出变量,在采用熵权法针对不同场景引入指标贡献系数的基础上,结合层次分析法进行场景竞争力评价值的求解。基于南方部分省区分布式供能系统的统计数据进行算例分析,验证了模型的有效性和适用性。