实时调度策略

实时调度策略（通用7篇）

实时调度策略 篇1

摘要：研究了电力市场环境下电网公司购电费用最小和煤耗(排放)最小双目标下实时调度策略问题。根据当前电力市场运营规则及实时调度自身特点与要求,在不影响计算精度的前提下简化了模型的复杂度,将2种不同优化目标下的最优策略应用反比例分配原则并结合相应的权重系数统一到一个模型与算式中,再利用优化排队法将所需调整的功率偏差量分配到相应机组。通过IEEE3机9节点系统进行了仿真计算,验证了该模型算法的实用性和有效性。该算法所需数据少,计算量小,适合在电力市场条件下,运行方式调整频繁时快速得到计及购电费用及煤耗(排放)双目标的实时调度功率分配方案。

关键词：电力市场,实时调度,购电成本,节能减排,优化排队法

0引言

电力市场条件下,日前发电调度计划往往由调度中心通过日前市场竞价交易并结合年度合同及月度竞价交易电量分解来确定。但在电力实时生产交易中,因为电网故障、机组故障、突发性天气及社会因素变化常造成电网实际负荷与发电计划负荷发生偏差。因为电力生产传输消费的同时性要求,这种偏差必须及时校正,否则将引起电力系统故障,轻则影响电能质量,重则危及电力系统安全运行。实时平衡调度正是消除这一偏差的技术手段。

如何进行实时调度,牵涉到发电厂和各电网公司的经济利益以及全社会对火力发电中煤炭燃烧的有害气体排放的要求。传统垂直一体化电力系统机构中,发电负荷按等煤耗量微增率原则进行分配[1,2],在发电、供电均属于同一公司(或政府部门)历史条件下,经济调度也成为当时调度策略的必然选择。但随着发电投资主体的多元化,传统的经济调度模式无法协调各方利益已经不能适应新的形势,电力资源需要通过市场进行优化配置,电力市场就在这样的背景下应运而生。随着2002年我国“厂网分开,竞价上网”一系列政策制定与实施,发电调度已逐渐成为发电侧市场竞争的体现与结果。

电力市场条件下基于电网公司的实时调度策略常采用以购电费用最小作为目标建立调度模型[3],发挥市场竞争作用优化资源配置,体现“公开,公平,公正”的原则。但是上网电价最低的机组并不一定是煤耗最低的机组,即不一定是最节能最环保的机组。在此种调度模式下可能造成比较高的煤耗量及较严重的有害气体排放污染。

根据2007年8月国务院办公厅转发的《节能发电调度办法(试行)》(国办发[2007]53号)的要求,必须改革现行发电调度方式,开展节能发电调度。其基本原则是:以确保电力系统安全稳定运行和连续供电为前提,以节能、环保为水平排序,以分省排序、区域内优化、区域间协调的方式,实施优化调度,并与电力市场建设工作相结合,充分发挥电力市场的作用,努力做到单位电能生产中能耗和污染物排放最少。

根据国务院相关文件的要求,在江苏等省市将先行试点基于煤耗(排放)最小的电力调度。在此背景下,本文提出的基于煤耗(排放)最小目标下的实时调度,在保证经济性(煤耗成本)的同时又减少了对空气污染的有害气体排放。

为便于研究,本文假设发电机组每燃烧相同量的标准煤所产生的有害气体排放量相同。排放最小目标等价为煤耗量最小。

1实时调度的数学模型

1.1 实时调度问题的约束条件

设系统的日前计划发电负荷为 PS,实时预计负荷为 PF,其差为 ΔP;发电厂 i 的计划发电负荷为 PSi,调整后的发电计划(也称为期望发电计划)为 PDi,其差为 ΔPi。有如下等式关系:

PS=∑ PSi (1)

ΔP=PF-PS (2)

ΔPi=PDi-PSi (3)

实时预计发电负荷 PF 需要通过负荷预测来求取,区别于中长期负荷预测方法,这里需要采用超短期负荷预测方法,目前此类方法的研究已比较成熟,并已在调度生产实践中实行[4]。

发电厂 i 的计划发电负荷 PSi 由发电侧市场竞价及合同电量分解所得,体现在每日日前发电计划中。

实施实时调度的目的就是为了把系统功率偏差 ΔP 按事先设计好的原则算法分配到相关发电机组,即

ΔPi=αiΔP (4)

其中,αi 为 i 电厂实时平衡中发电负荷的分配系数,有 ∑αi=1。

需要满足的基本约束条件:

$\{\begin{array}{l}{\rm P}{}_{i\text{m}\text{i}\text{n}}\le {\rm P}{}_i^{\text{S}}+\text{Δ}{\rm P}{}_i\le {\rm P}{}_{i\text{m}\text{a}\text{x}}\\ |\text{Δ}{\rm P}{}_i|\le S{}_i\times \text{Δ}t\\ {\rm P}{}_l^{\text{D}}={\rm P}{}_l^{\text{S}}+\text{Δ}{\rm P}{}_l\le {\rm P}{}_{l\text{m}\text{a}\text{x}}\end{array}(5)$

式(5)中,第1式为电厂(机组) i 出力调节上下限约束;第2式为电厂(机组)i 出力调节速度(爬坡率)限制,Si 为机组爬坡率,Δt 为机组最短调节时间;第3式为线路有功潮流约束,PSl 为预计划出力下线路有功潮流,ΔPl 为线路 l 有功潮流变化量,PDl 为调整后的线路有功潮流。

因为实时调度所调有功功率相对较小,所以通常无需考虑暂态稳定约束及无功平衡。

因此,实时调度的计算归结为在满足某种目标函数和基本约束条件(5)的前提下求 i 电厂实时平衡中发电负荷的分配系数 αi 序列。

1.2 以购电费用最小为目标的实时调度策略模型

以实时调度中增加发电负荷还是减少发电负荷,将实时电力市场分为上调市场和下调市场[5]。在实时平衡中时间 tre 内电网公司变化的购电费用 C:

$C={\displaystyle \sum _{t=0}^{t{}_{\text{r}\text{e}}}{\displaystyle \sum _{i=1}^{{\rm N}}\rho }}{}_i(t)\text{Δ}{\rm P}{}_i(t)(6)$

其中,N 为计算系统内总上网机组(电厂)数;tre 为调节时间;ρi(t) 为机组 i 在 t 时刻的实时上网电价;ΔPi(t)为机组 i 在 t 时刻发电调整量。

无论是上调市场的购入电力还是下调市场的出售电力,购电费用最小的目标都可以表示为

$\min C=\min {\displaystyle \sum _{t=0}^{t{}_{\text{r}\text{e}}}{\displaystyle \sum _{i=1}^{{\rm N}}\rho }}{}_i(t)\text{Δ}{\rm P}{}_i(t)(7)$

约束条件见式(5);上调市场 C 为正值,下调市场 C 为负值。

ρi(t)是一个关于时间 t 的函数,在不同的电力市场规则下,实时电价机制有3种形式[6]:统一的边际上调电价和边际下调电价(北欧电力市场);节点边际电价(美国新英格兰电力市场);一机一价原则,以参与调节的机组报价为准(英国电力市场)。

1.3 以煤耗(排放)最小为目标的实时调度策略模型

以煤耗(排放)最小为目标的实时调度就是在满足一定调整负荷的前提下,一次能源(煤炭消耗最小),目标函数就是总耗量最小。通常认为总耗量只是各发电机组出力 P 的函数。目标函数可表示为

$\min F={\displaystyle \sum _{i=1}^{{\rm N}}F}{}_i(\text{Δ}{\rm P}{}_i)(8)$

Fi(Pi)为机组 i 的煤耗函数:

Fi=aP${}_i^2$+bPi+c (9)

目标函数可以表示为

$\begin{array}{l}\min F=\min {\displaystyle \sum _{t=0}^{t{}_{\text{r}\text{e}}}{\displaystyle \sum _{i=1}^{{\rm N}}[}}a(\text{Δ}p{}_i(t)){}^2+\\ b(\text{Δ}p{}_i(t))+c](10)\end{array}$

约束条件同式(5)。

利用库恩-吐克尔乘数法,多次迭代可求得最优解,即调整发电负荷以发电煤耗(污染排放)最小为目标最优分配结果。

但该方法需要已知各机组的耗量特性函数,在厂网分开、发电投资主体日趋多元化的今天,获得此函数有困难,并且作为需要公示的信息,该数据会让其他竞争电厂获得,涉及商业机密问题。

2双目标下实时调度策略模型

考虑购电费用最小和排放最小2种目标下的最优实时调度策略的问题,在数学本质上就是典型的多目标规划问题[7],文献[8]给出了相应的模糊数学模型,可表示为

$\begin{array}{l}\max \{\mu ({\displaystyle \sum _{t=0}^{t{}_{\text{r}\text{e}}}{\displaystyle \sum _{i=1}^{{\rm N}}}}\rho {}_i(t)\text{Δ}{\rm P}{}_i(t)),\\ \mu \left\{{\displaystyle \sum _{t=0}^{t{}_{\text{r}\text{e}}}{\displaystyle \sum _{i=1}^{{\rm N}}[}}a(\text{Δ}p{}_i(t)){}^2+b(\text{Δ}p{}_i(t))+c]\}\right\}(11)\end{array}$

其中,μ(F(X))是目标函数 F(X)的隶属度函数,可通过求解二次规划问题的方法确定 μ(F(X))的表达式;这样式(11)就将转化为典型的非线性规划问题,求解比较困难,工程通常通过分段线性化转化为线性规划问题,最后通过单纯形法求得最优负荷分配结果。

利用上述方法求解多目标优化问题,虽然精确度较高,但是实际应用过程中经常因无法收敛而难以获得最优解,同样如上文的分析,在日益公开公平公正投资利益主体多元化的发电侧市场,很多机组数据调度部门无法获得或者无法公开,这些都是对传统多目标优化调度算法的挑战。

考虑负荷预测的准确性日益提高,电网 AGC 机组大量改造,实时调度需要调整的发电负荷相对比较小。而机组的煤耗特性在出力变化不大的情况下,变化很少。这时可把机组的煤耗函数在一定负荷水平上看作常数。这同时也是《节能发电调度办法(试行)》中的要求。

根据我国电力市场发展成熟程度,目前“华东区域电力市场运营规则”规定华东电力市场实时电价以参与调节的机组年度基数合同电价结算。因为实时电价等于合同电价为常数,此模型即为一线性规划模型。

考虑到煤耗参数与电价为2个量纲不同的参数,无法直接进行加权。而机组的负荷分配结果与电价和煤耗量均成反比例关系。应用反比例分配法则[9],对电价和煤耗量求倒数,原来有量纲的电价和煤耗统一折算成无量纲的统一参数 ωi:

$\omega {}_i=\beta {}_1\frac{1/\rho {}_i}{{\displaystyle \sum _j^{{\rm N}}(}1/\rho {}_j)}+\beta {}_2\frac{1/\zeta {}_i}{{\displaystyle \sum _j^{{\rm N}}(}1/\zeta {}_i)}(12)$

其中, ρi、ζi 为机组 i 某时段内的实时上网电价及该机组的静态煤耗参数(设计参数);β1、β2为各目标权重系数,数值反映实时调度中对该目标的重视程度。

因为各目标的重要程度不同,并且在不同的时间阶段,目标的重要程度也有可能变化。所以考虑对不同的优化目标赋以相应的权重系数,这些系数可以根据不同情况由调度人员灵活掌握调整。

调度员根据各目标不同的重视程度可以灵活地赋以不同的权重值,重视程度越高的,权重值越大。但需要满足以下约束:

β1+β2+…+βn=1 0≤ β1,β2,…,βn≤1 (13)

其中,n 为目标个数,当 n=1时,多目标问题即转化为单目标问题。

综合比较各种规划方法,在满足实时调度对计算速度及精度要求前提下,本文采用优化排序法,与其他方法相比,该方法在实用性、计算速度和寻求最优解等方面达到了较好的平衡。

由 ωi 作为排队依据,使用优化排队法进行调整发电负荷分配,并使用迭代法计算校核相关约束。

优化排序法算法流程如下:

步骤1 在满足机组出力上下限约束条件下,上调市场时,依 ωi 从大到小顺序形成排队序列,优先将高效机组满发(下调市场反之,以下同);

步骤2 检查各机组爬坡速率是否满足实时调整时间要求,将不满足的剔除,依次由下一机组替补;

步骤3 完成步骤1、2后形成无潮流约束下的最优分配结果,对于发生功率越限的线路,从排队序列反向减少机组出力,满足线路有功传输限值。

3算例

以 IEEE 3机9节点系统为计算对象(如图1所示),已知系统日前发电调度计划,实时预测负荷,不考虑网损,机组的最大、最小出力,以及机组的年度基数合同电价,机组的设计煤耗参数等条件,时间段选96时间节点一段,即15 min(具体参数见表1～3)。

从算例结果(见表4～6)可知当以购电费用最低为目标时,购电费用最小而煤耗最高,上网电价低的机组在满足约束的条件下尽可能地多发电。而以煤耗(排放)最低为目标时,煤耗最低而成本最高,低煤耗机组在满足约束的条件尽可能地多发电。最后,在同时满足煤耗与成本的双目标优化要求下,很好地兼顾了煤耗和购电费用2种不同的需求,得到了双目标下的最优解。

注:排放因素权重0.6,价格因素占0.4。

总之,本文提出的实时调度策略模型和算法具有以下几点优势:

a. 所需数据要求少,特别适用于现今发电投资主体日益多元化的发电侧电力调度;

b. 计算量小,结果清晰明了,可以快速准确地处理实时平衡中相关约束,其算法与策略普通调度员容易掌握应用。

4结论

通常解决发电调度工作中多目标优化策略问题[8]需要解高阶非线性数学规划模型,然而在电力市场条件下一些计算数据无法获得并获准公开,且这些算法收敛性和计算时间常不符合实时调度工作的实际需要。本文充分考虑了实时调度的特点及华东区域电力市场运营规则,在不失精确性的前提下做了合理简化,提出的模型和算法可以快速准确地解决市场条件下多目标优化的实时调度策略问题。在实际调度工作中利用该算法可以制订考虑节能环保因素下的实时调度策略。

参考文献

[1]陈珩.电力系统稳态分析[M].2版.北京:中国电力出版社,1995.

[2]YOUSSEF H,NAGGAR K ME.Genetic based algorithmfor security con-strained power systemeconomic dispatch[J].Electric Power Systems Re-search,2000,53(1):47-51.

[3]张国立,李庚银,谢宏,等.日前和实时市场统一电能交易模型[J].中国电机工程学报,2006,26(21):50-56.ZHANG Guoli,LI Gengyin,XIE Hong,et al.Unification energy trade mo-del for day-ahead and real-ti me markets[J].Proceedings of the CSEE,2006,26(21):50-56.

[4]周颉英,张伯明,尚金成,等.基于日周期多点外推法的超短期负荷预测及误差分析[J].电力自动化设备,2005,25(2):16-17.ZHOUJieying,ZHANG Boming,SHANGJincheng,et al.Very short term load forecast based on multi-sample extrapolation and error analysis[J].Automation of Electric Power Automation Equipment,2005,25(2):16-17.

[5]尚金成,黄永皓,夏清,等.电力市场理论研究与应用[M].北京:中国电力出版社,2002.

[6]尚金成,程满,周颉英,等.电力实时平衡调度交易市场运作机制及模型的研究[J].电力系统自动化,2006,30(17):30-35.SHANGJincheng,CHENG Man,ZHOU Jieying,et al.Study on operation mechanismand model of electric power real-ti me balancing-dispatching&trading market[J].Automationof Electric Power Systems,2006,30(17):30-35.

[7]张国立,李庚银,谢宏,等.多目标加权模糊非线性规划[J].华北电力大学学报,2004,31(1):33-35.ZHANG Guoli,LI Gengyin,XIE Hong,et al.Multi-objective weighted fuzzy nonlinear programming[J].Journal of North China Electric Power University,2004,31(1):33-35.

[8]姚诸香,左玉华,刘吉龙.实时经济调度的算法及其应用[J].继电器,2006,34(1):79-86.YAO Zhuxiang,ZUO Yuhua,LIUJilong.Anovel real ti me economical dis-patch algorithmandits i mplementation[J].Relay,2006,34(1):79-86.

[9]张国立,李庚银,谢宏,等.多目标加权模糊经济调度模型[J].华北电力大学学报,2004,31(2):48-52.ZHANG Guoli,LI Gengyin,XIE Hong,et al.Multi-objective weighted fuzzy programming model[J].Journal of North China Electric Power Uni-versity,2004,31(2):48-52.

实时调度策略 篇2

Linux操作系统太多的优点使其在嵌入式领域的应用越来越广泛,但是,Linux操作系统本身作为一种普通的分时多任务的桌面操作系统,其为了实现广泛的功能而引入了很多的机制,这样,便使得Linux操作系统的实时调度方面的功能有所下降。虽然在Linux 2.6之后的内核版本中,其增加了处理实时任务的调度算法并且实现了O(1)级的调度,但是其调度发生的时机仍然有限,当一个实时任务需要立即响应而调度程序没有被执行时,仍然无法在要求的时间内响应实时任务。针对这一问题,该文分析了几种经典的调度算法,并选用EDF算法来实现对IRIS(Increased Reward with Increased Service)任务的调度。

1 Linux 2.6内核调度算法分析

1.1 O(1)算法

在Linux 2.6内核中,提出了一种全新的调度算法,称为O(1)算法。不管有多少进程,这种调度程序的每个算法都能在恒定的时间内完成。它在高负载的情况下执行得非常出色,并在有多个处理器时能够很好地扩展,这种调度程序的核心在于在操作系统重新计算时间片时的优化。

Linux2.6内核中,进程调度经过重新编写,调度程序不需每次都扫描所有的任务,而是在一个任务变成就绪状态时将其放到一个名为“当前”的队列中。每个CPU维护一个就绪队列,就绪队列又分为active队列和expired队列两部分,active队列内的可执行队列上的进程都还有时间片的剩余;而expired队列内的可执行队列上的进程都耗尽了时间片。当一个进程的时间片耗尽时,它会被移至expired队列,但在此之前,时间片已经给它重新计算好了。重新计算时间片现在变得非常简单,只要在active队列和expired队列之间来回切换就了。因为队列是通过指针进行访问的,所以交换它们用的时间就是交换指针需要的时间。同时,其schedule()函数的实现采用了一个140位的数组来设置活动任务,如图1所示,这使得调度也变得简单。所以,在Linux2.6中O(1)调度算法选择候选进程的时间复杂度是O(1),与当前系统负载无关,实时性能有所提升。

1.2 调度策略

在Linux 2.6版本内核中,Linux使用基于优先级的调度算法,其提供了两种实时调度策略:SCHED_FIFO和SCHED_RR,而普通的、非实时的调度策略为SCHED_NORMAL。

SCHED_FIFO:其实现了一种简单的、先入先出的调度算法,如果有两个或者更多的SCHED_FIFO级进程,它们会轮流执行[3]。

SCHED_RR:这一级别的进程在耗尽事先分配给它的时间后就不能再接着执行了,这是一种实时轮转调度算法。

SCHED_NORMAL:普通进程的调度策略。采用动态优先级,数值上等于基本时间片和当前进程剩余时间片之和[4]。

前两者采用静态优先级。其数值由用户赋予,且总是高于普通进程。

1.3 Linux 2.6内核调度时机

在Linux 2.6调度系统中,有两种方式引起调度:主动调度和被动调度。主动调度随时都可以发生,只要通过直接或间接地调用schedule()函数就能发生一次调度。

O(1)调度的被动发生不仅可以发生在返回到用户态时,还可以发生在返回到核心态时,被动调度的条件宽松了许多,从而实现了内核的可抢占运行,提高了调度器的实时性。

一般调度时机有如下几种:

1)从中断处理或系统调用返回到用户态。

2)某个进程允许被抢占CPU。

3)某个进程主动进入TASK_INTERRUPTIBLE或TASK_UNINTERRUPTIBLE状态。[5]

1.4 Linux 2.6内核在实时调度方面的不足

在Linux新的内核中,虽然已经做了很多实时方面的改进,但是其调度策略并没有得到有效的改进,即没有在本质解决实时性的问题。其完全没有考虑任务的时间因素,比如周期、截止期、最坏执行时间等,则实时系统的可预测性其内核调度根本无法达到。

由于Linux的一些在实时调度方面的不足,导致了其在嵌入式实时领域的发展,所以必须找出一种能够在本质上解决Linux实时调度问题方法,使能更好的应用于嵌入式实时领域。

2 提出一种实时性的改造方法

首先分析两种经典的单处理器实时调度算法(RMS和EDF),通过比较两种经典算法,得出最优的算法,进而通过分析IRIS(Increased Reward with Increased Service)任务的单处理器调度,最后实现对IRIS任务的调度算法。

2.1 单调速率调度(RMS)算法

单调速率算法是在实时系统应用中最普及的算法之一,它是一个单处理器静态优先级抢先的方案。RMS算法将任务的优先级与任务的周期联系起来,任务的优先级与它的周期反向相关,如果任务Ti比任务Tj的周期小,那么Ti的优先级要比Tj的优先级高。高优先级的任务可以抢占低优先级的任务。任务集合包括周期、抢先任务,他们的时间限等于任务周期。在RM算法中,如果总处理器使用不大于n(21/n-1),则包含n个任务的任务集合是可以调度的。这是一个非常流行的算法。根据定理,RMS算法是一个最佳的静态优先级算法。也就是说,如果任何静态优先级算法能够生成一个合适的时间表,那么RMS算法也能够做到。证明过程详见参考文献[1]。即是用RMS调度的独立的周期性任务总能满足其截止时间的要求。即式(1):

其中ei为任务Ti的执行时间,Pi是指周期任务Ti的周期,n为任务集合中任务的数量。

RMS算法的优点是开销小,灵活性好,可调度性测试简单。

2.2 最早时间限优先(EDF)算法

一个采用最早时间限优先算法的处理器总是优先执行当前绝对时间限最早的任务。最早时间限优先是一个动态优先级调度算法,它的任务优先级并不固定,随着它们的绝对时间限的接近程度而变化。最早时间限优先又称为单调时间限调度算法。

根据定理,EDF算法是一个最佳的单处理器调度算法。也就是说,如果EDF算法不能够在一个处理器上合理地调度一个任务集,那么所有其他的调度算法也不能做到。

同样根据定理,假设有一个由n个周期性任务构成的集合,每个任务对应的时间限等于其周期。他们能够按照EDF算法合适地进行调度的充分必要条件如式(2):

由此可知,抢占式EDF调度算法最大的优势在于,对于任何给定的任务集,只要处理器的利用率不超过100%,就能够保证它的可调度性。EDF算法在系统的负载相对较低时非常有效。但在系统负载较重时,系统性能急剧下降,引起大量任务错过截止期,甚至可能导致CPU时间大量花费在调度上。[6]

2.3 最小松弛时间算法(Least Slack Time First)

LSF算法计算任务的松弛时间,其中松弛时间为任务截止时间与剩余执行时间之差。该算法在任意时刻把最高优先级分配给具有最小松弛时间的任务,以此来保证紧急任务的优先执行。然而,由于等待任务的松弛时间是严格递减的,其等待执行的缓急程度也随时间越来越紧迫,因此在系统执行过程中,等待任务随时可能会抢占当前执行的任务。LSF算法造成任务之间的频繁切换现象较为严重。这增大了系统开销,并限制了LSF算法的应用。[7]

2.4 一种改造Linux内核的方法

通过对上面三种经典单处理器实时调度算法的描述与分析,EDF算法能够对现有Linux进行有效的实时化改造。改造方法中,保持Linux现有的调度方法与策略,保持其经典的O(1)调度算法,然后对其实时任务进行IRIS任务分析,最终利用EDF算法对任务实现实时调度。

在算法分析的理想假定下,为了得到一个可以接受的输出,一个任务不得不完成,若任务不完成,我们将从中得到零回报(这就是说,就如同没有运行一样)。然而现实中很多的任务并非如此,就是所谓的IRIS任务,这种任务就是回报随服务增加而增加的任务,同IRIS任务相联系的回报函数随提供服务的增加而增大。一般的回报函数有式(3)形式:

带有这种回报函数的任务可以看作有一个强制因子和一个可选因子。若任务为关键的,则强制部分(执行时间为m)必须在时间限内完成;而可选部分则在时间允许的条件下完成。可选部分需要总时间o完成。在任何情况下,任务的执行在到达时间限d时必须停止。[1]

任务调度就可以这样描述:在满足所有任务的强制部分必须完成的约束条件下,调度任务使得报酬最大。

在改进方案中对于任务Ti使用相同的线性报酬函数式(4):

这样,执行一个可选命令单元的报酬是一个单位。在所有任务的强制完成部分必须在最终期限之前完成的约束条件下,报酬函数获得最大值,则该调度算法就是最优的。

这样改造后Linux系统的调度流程如图2所示,改造中的调度函数schedule_IRIS算法流程如图3所示。

定理证明,对于带有相同的线性报酬函数的IRIS任务,这种算法是最优的。

流程图中的几点注释:

St:调度产生的调度队列;

ai:当调度任务改变或是处理器变成空闲时,ai是Sm中的第i个时刻,i=1,2,3……k;k是这些时刻的总数;

a0:Sm中第一个任务被执行的时刻。

λ(j):Sm中[aj,aj+1]时间段执行的任务。

Lt(j)与Lm(j):其分别为aj时刻后,St(j)和Sm(j)中任务λ(j)的总的执行时间。

修改St:第一步,在[aj,aj+1]时间段中分配处理时间Lm(j)-Lt(j)给λ(j);第二步,减少在[aj,aj+1]时间段中分配给其他任务的处理时间,减少了Lm(j)-Lt(j)。

3 试验结论

在本方法的验证中,使用了Lmbench[8]系统性能测试工具对传统的Linux内核性能与改进后的内核性能进行测试与分析。如图4与图5分别为使用Lmbench工具对系统内核改进前后的测试结果比较。

通过比较可以很清楚的看到改进后的系统调度性能得到有效的改进。

4 结束语

通过对Linux内核自身调度算法的分析与研究,其O(1)调度算法具有很好的优势,但是其内在的处理实时任务的调度策略不能有效的处理一些实时性要求很高的任务,所以论文阐述了DMS算法、EDF算法与LSF算法,并选择EDF算法作为基础,提出处理IRIS任务的schedule_IRIS()算法。这能够很好的提高通用Linux系统的处理实时任务的能力,该文只是提出对Linux调度策略的改进,但是要将应用于实际的工程应用中,需要考虑多方面的原因,如中断机制等。

参考文献

[1]Krishna C M,Shin K G.Real-time Systems[M].戴琼海,译.北京:清华大学出版社,2004:1,44,67,88-89.

[2]Love R.Linux内核设计与实现[M].陈莉君,康华,译.2版.北京:机械工业出版社,2006:36-37.

[3]赖娟.Linux内核分析及实时性改造[D].成都:电子科技大学,2007:22.

[4]徐虹,何嘉.Linux操作系统实时化改造的研究[J].计算机科学,2006,33(7):421.

[5]邹治锋.基于Linux的进程调度算法的改进与实现[D].无锡:江南大学,2006.

[6]李玉奇.嵌入式Linux任务调度算法实时性优化[J].科技创新导报,2010(26):30.

[7]周洁等.嵌入式实时操作系统的调度策略[J].华东交通大学学报,2005(22):111.

实时信息下除雪车辆优化调度分析 篇3

关键词：冬季道路养护,车辆调度,整数规划,构造启发式算法

我国的东北、西北、华北地区不仅冬季气候寒冷, 降雪较多, 而且降雪期长, 平均可达3～6个月除冰雪已经成为城市冬季道路养护工作的一项重要任务, 直接关系到城市经济、工作、生活的正常进行[1]。为了降低冬季道路养护的成本和提高冬季道路养护的效率, 国外主要采取了以下两个方面的措施:一是不断发展和采用新技术和新设备, 例如高精度的撒布设备、性能优越的除雪机械、道路气象信息系统、防冰技术、主动除雪技术等[2];二是提高决策优化水平, 例如作业区的合理划分[3]、场站的优化布局[4]、作业车辆路径优化[5,6]等。长期以来我国研究的重点主要在除冰雪的技术与设备上, 而在决策优化方面研究相对滞后。

路面积雪密度越大, 与路面的结合力越强, 清除越困难, 因此根据降雪强度和降雪时间选择好除雪时机非常重要。实时的车辆调度计划可以根据天气信息和路面积雪情况及时的调配车辆, 从而提高道路养护效率和节约养护成本。目前的除雪车辆调度计划主要依靠有经验的调度人员确定, 难以保证调度方案的优化[7]。鉴于此, 本课题依据除雪车辆的实际作业情况和现实的约束条件, 建立基于实时信息的除雪车辆调度整数规划模型, 制定出实时的除雪车辆调配时序计划。

1 问题描述

本文中的除雪车辆调度方案指的是在考虑资源约束条件以及保证一定服务水平的前提下, 基于天气信息和路面信息确定某一时刻向某一路径的调配车辆数, 实现总的养护工时最小和路网服务水平最优。模型的建立流程如图1所示。

在建立模型之前, 本文做出如下假设:

(1) 路网的实时天气信息是已知的, 如单位小时降雪量、路面积雪厚度等信息;

(2) 城市路网通常被划分为不相重叠的分区, 本文称之为作业区, 并假定作业区已经划分完毕;

(3) 养护站是除雪车辆的存放点, 本文假定养护站的位置已经确定;

(4) 除雪车辆的路径已经规划好, 在给定的路网中, 有一组路径集;

(5) 养护站的资源是有限的, 除雪车辆数目有限, 即车队规模限制;

(6) 养护标准越高, 养护成本越高, 本文假定路段的最低服务水平限制是确定的。

2 数学模型建立

2.1 路网构成要素

路段:路段是组成路网的基本单元, 表示道路的一个部分。路段的符号标记为i, 编号由0至n-1, 其中n是模型中总的路段数。路段被设定为单向或双向要根据路段具体的除冰雪作业而定。

路径:路径是由路段按实际地图上的次序顺序排列的, 表示除雪车辆通过路网的路径。假设所有路径的起终点都是该区域中心的道路养护站 (调度中心) 。路径用k表示, 标号0至m-1, m表示模型中考虑的路线总数。

时段:养护作业所需的时间周期被分解为若干离散的时段, 时段是除雪车辆调度的基本单位, 符号标记为t, 编号由0至T-1, T为模型中考虑的总的时段数。

2.2 模型参数与变量

li表示路段i的长度, 用养护车辆通过路段i所需的时段数表示 (取最接近的整数) 。这样便于构建模型。

dk表示养护车辆通过路径k所需的时段数, 可由组成路径k的各个路段的li之和得到。本文中dk用来表示养护路径k的养护成本, 即用养护时间来度量所消耗的成本。

φi表示路段i所允许的最大路面积雪厚度, 即整个周期内需要保证的服务水平界限。

wi表示在时间周期开始时即零时刻路段i的天气情况。

Wi, t表示路段i在t时段内的路面状况改变量, 这一变量仅是基于上一时段的改变量, 并不是绝对数据。

Pk, t是一个时序表格, 表示在t时段之初分配到路径k上的车辆数。

b表示养护站在工期内所能提供的最大车辆数, 即车队规模限制。

Rk, t表示路段i在路径k中的顺序编号, 如果路段没有出现在该路径中, 则编号为零。

Xk, t是一个二元决策变量矩阵, 当且仅当在时段t的开始有一辆车辆驶向路径k时其值为1, 否则为0。

Yi, t表示在t时段内分布在路段i上的车辆数。

Ci, t表示路段i在时段t的末尾的路面状况。这一中间变量由前一时段的Ci, t-1、相关的天气改变情况Wi, t以及养护事件Yi, t产生的改变决定。

2.3 模型约束条件

本文用路段的积雪厚度表示服务水平, 服务水平约束指的是路段积雪厚度不超过一个最大路面积雪厚度, 即要满足:

车队规模限制是为了确保在任一时段内利用的除雪车辆不超过b辆, 那么求在给定时段内所有路段上的车辆数之和, 使这个数值不大于b就是车队规模的约束条件:

约束条件并没有限制一辆除雪车辆在整个工期内只能被派出一次, 只要满足在给定的时段内所利用的车辆不大于b即可。也就是说一辆除雪车辆在满足约束的前提下可以执行多次派出任务。

假设一次作业能够移除的积雪厚度为δ, 则路面状况的改变就是-δ。而Yi, t给出了每一个路段在指定时段内的养护事件数目, 事件数与δ的乘积就是对路面状况总的改变量。定义C为:

为了将路网中给定车辆的启程信息与之后的养护时间联系起来, 本文引入一个四维二元矩阵Qk, i, t, t′, 由l和R得到:

对于确定的k和i, 可以等到一个与t′和t相关的排列Qk, i。用p表示允许的在养护作业开始之前派出车辆数, Zk.i, t表示路线k上的路段i在t时段分布的车辆数。基于以上的分析可知:

2.3 数学模型

模型如下:

目标函数是两个有着不同度量单位的代数式之和, 第一个代数式表示工期内所有路段总的服务水平, 第二个代数式表示养护作业消耗的成本。建立二者之间的联系需要找到一个权重因数β, 权重因数既可以确定二者之间的优先权, 也可以作为一个单位转换因数使二者能以一个共同的度量单位来求和。

3 模型求解

分支定界法是解决整数规划的重要方法之一, 本文在此方法的基础上, 通过构造启发式算法进行模型的近似计算。通过AMPL建模语言建立数据文件和模型文件对该问题建模, 并用GLPK (GNU LinearProgrammingKit) 进行求解。

AMPL (A Modeling Language forMathematical Programming) 语言是专门为优化问题设计的建模语言。以分支定价法为基础的构造启发式算法用AM-PL建模语言表示为:

4 算例分析

4.1 情景的制定

算例的路网结构如图2所示。该算例的总时间周期选为3h, 并取10min为单位时间, 故可将总时间周期分成0～17共18个段。算例选取了A～I九个作业区和一个调度中心点 (用PY表示) 。图中的节点表示养护作业区, 节点之间的弧表示连接两个作业区主干路的长度 (用单位时间表示) , 每个节点处的圈表示完成该作业区除雪作业需要的时间。此路网结构为双路段模式, 有26条弧 (例如A-B和B-A) 组成。

算例中选取了11条路径, 分别用R1～R11表示。机械除雪一次的深度δ=500mm。车队数量b=5, 目标函数相关系数β=0.5, 路段需要保持的服务水平均为20mm。

天气情况假设如下:在前60min内降雪量是逐渐增加的, 并且在接下来的30min内达到一个高峰, 在最后90min呈逐渐递减趋势。具体的天气情况实时矩阵W如表1所示。

路径矩阵如表2所示。0表示不经过该路段, 1, 2, …表示经过各路段的顺序。例如R6, 依次经过PY-E, E-E, E-PY。

各节点间的距离矩阵L (用时间单位10min表示) 如表3所示。

4.2 结果分析

计算出来的车辆实时调度计划如表3所示。从表中得知在11条路径中, 只有7条路径被选择, 分别是R2, R3, R4, R5, R6, R7, R10。表3中的1代表在其所对应的时间段起点有车辆被派到指定的路径上, 黄色区域表示第一次被派出的车辆, 蓝色表示车辆被第二次派出。从表中可以看出, 5辆除雪车全被派出, 4辆车被派出过两次。本文提出的除雪车辆调度模型能够从较多的路径中选择出最优的路径, 因此备选路径越多, 越有利于目标函数取得最优值。

车队数量b=5时, 目标函数值为25 323mm。图3为目标函数值与车队数量b之间关系。随着除雪车辆的数量增加, 目标函数值越来越小。理想的情况是每个作业区都能够配置足够的除雪车辆, 但这在现实中是不可取的, 因为除雪车辆的购置费和维护费都非常的高。如何在目标函数里面更好的考虑除雪车辆的费用问题, 并确定某一路网所需的除雪车辆数, 具有重要的研究意义。

通过算例分析说明, 在实际问题中可以利用此模型建立车辆调度计划表, 并可以预测到调度计划完成后路网所能达到的服务水平。

5 结论

本文针对实时天气信息下除雪车辆时序调度计划优化问题进行了研究, 构建了整数规划模型, 并通过构造启发式算法求解, 可以在资源限制和服务水平约束条件下制定出使整体路网的养护成本和路网服务水平最优的调度方案。该研究能够为冬季道路养护的管理部门提供决策支持, 具有很大的应用潜力。

冬季道路养护优化决策问题是高度复杂的, 并且各种决策行为是密切相关的, 例如路径规划与场站选址问题, 本文研究的问题仅是其中的一个子问题。综合考虑除雪车辆路径规划、车队数量优化、实时调度等问题进行建模, 将更加有利于提高养护效率和节约成本, 这也是下一步的研究方向。

参考文献

[1]蒋贤才, 裴玉龙.冰雪道路交通安全管理措施及其成效分析.公路交通科技, 2008;25 (4) :127—130

[2]Perrier N, Langevin A, Campbell J F.A survey of models and algo-rithms for winter road maintenance part II:system design for snow disposal.Computers&Operations Research, 2006; (33) :239—262

[3]Applications O R.The sector design and assignment problem for snow disposal operations.European Journal of Operational Research, 2008; (189) :508—525

[4]Perrier N, Langevin A, Campbell J F.A survey of models and algo-rithms for winter road maintenance part III:vehicle routing and depot location for spreading.Computers&Operations Research, 2007; (34) :211—257

[5]Lacomme P, Prins C, Ramdane-Cherif W.Competitive mathematics algorithms for arc routing problems.Annals of Operations Research, 2004; (131) :159—185

[6]Perrier N, Langevin A, Campbell J F.A survey of models and algo-rithms for winter road maintenance part IV:vehicle routing and fleet sizing for plowing and snow disposal.Computers&Operations Re-search, 2007; (34) :258—294

实时调度策略 篇4

单调速率 (RM) 和最早时限优先 (EDF) 是实时调度的经典算法, RM (Rate Montomic Scheduling) 算法的基本思想是周期越短的任务优先级越高, RM算法是静态调度的最优算法, EDF (Earliest Deadline First Algorithm) 算法的基本思想是截止期越短的任务优先级越高, 它是动态调度的最优算法[2]。

1 算法实现

Xenomai在单处理器下的调度只支持简单的静态优先级算法。通过对Xenomai调度模块的修改, 使其支持三种算法, 即RM、EDF和Xenoami原有的算法。首先, 在xenomai/include/sched.h中增加一个全局变量xn_schedule_algorithm, 用于表示当前的调度算法。此变量只在实时任务模块被加载的时候被调用, 因此不会存在两个任务同时试图改变此变量的情况, 故不需要自旋锁等互斥操作。

其次, 增加一个函数xe_set_schedule_algorithm (int schedule_algorith) , 给用户提供接口, 用户通过此函数选择适宜的调度算法。初始状态下, xn_schedule_algorithm的默认值为0, 即代表原来的静态调度算法, 然后增加xn_schedule_original () 、xn_schedule_rm () 、xn_schedule_edf () 三个函数的实现, 将原有的调度器函数改造为一个调度算法选择器。

2 验证测试

首先, 创建一个内核模块, 创建10个周期性实时任务task0到task9, 假定它们的优先级相同, 周期不同且截止期不同, 周期从1000000ns到1010000ns, 以1000ns的速率递增, 截止期设为1010000ns到1000000ns。这些实时任务并不执行实际的功能, 而是与一个Linux下的进程Show Result进行通信。当第i个任务获得调度运行机会的时候, 这个任务将字符串“i start”通过FIFO发送给Linux下的接受进程Show Result, 表示任务i开始运行, 然后执行10000次的递增操作, 消耗一定的运行时间后, 将字符串“i end”通过FIFO发送给Show Result, 最后进入休眠状态[2]。

3 结语

针对Xenomai调度器的不足, 增加了新的调度机制, 并给出实现代码和测试结果。实验表明:这种调度模型在XenomaiLinux双内核系统中是可行的。

摘要：针对XenomaiLinux双内核实时操作系统实时调度的单一性, 在Xenomai原有的实时调度机制上增加了RM和EDF调度器。经过实验测试表明:新的调度机制增强了系统的灵活性。

关键词：Xenomai/Linux,实时调度,调度器

参考文献

[1]王延伟.基于Xenomai的实时Linux嵌入式机器人控制平台设计[D].济南:山东大学, 2011.

实时调度策略 篇5

在现有的HSDPA系统中, 对于实时业务的调度, 文献[6]针对HSDPA移动中继系统, 通过分析直传用户和中继用户的时延差, 提出了一种实时业务的调度方案。然而, 移动中继一般只做简单的重传操作且只服务于一个用户, 因此其时延计算与固定中继存在较大的差别, 从而导致该调度方案并不能很好的应用于本文场景。本文针对HSDPA系统中FDMType I中继, 通过分析中继用户的时延, 提出了一种改进的M-LWDF算法, 并通过系统级仿真对该算法的性能进行了分析。

一、HSDPA中继系统场景及其分析

HSDPA中继系统场景[4]如图1所示, 包含一个e NB (evolved Node B, e NB) , K个中继和N个用户, 其中归属于基站的有N0个用户, 集合为N0={1, 2, …, N0}, 归属于第i个中继节点的有Ni个用户, 集合为Ni={1, 2, …, Ni}。e NB和中继根据各链路反馈的信道质量指示CQI (Channel Quality Index, CQI) 确定编码调制等级 (Modulation and Coding Scheme, MCS) , 选择合适的编码和调制方式, 保证数据传输的正确性。数据包到达e NB之后按照FIFO进行排队, 并记录当前的时间戳。MAC层资源调度器根据队列信息 (Queue Information, QI) , 如队列头分组时延、队列长度以及CQI等对各个用户和中继进行调度。

1.1基站用户Qo S约束

对于实时业务, Qo S (Quality of Service) 度量标准一般包含网络侧的丢包率和分组时延[5]。若队列中的Ho L (Head-of-Line) 等待时延超出该业务所能容忍的最大时延, 该分组将会被e NB丢弃, 造成数据分组丢失。具体为:

假设t时刻所有用户的Ho L在基站端的的分组时延为WBS (t) ={W1 (t) , W2 (t) , …WN (t) }, 用户j的时延门限为Tj, 丢包率的限制为δj, 则基站用户Qo S约束满足下式:

1.2中继用户Qo S约束

中继用户分组传输需要两跳, 当分组在第一跳正确传输之后并不能保证分组能够顺利传输到用户, 因为当中继用户分组在接近时延门限Tj时被传输到中继端, 很有可能在中继端因为时延超出而被中继端丢弃, 此时不仅会造成用户分组丢包率增大, 而且还浪费了基站端的无线资源[6]。

HSDPA中继系统实时业务调度模型如图1所示。

为了解决问题, 将第i个中继下用户j的时延门限Tj与用户j的分组在第i个中继下的平均时延Dj的差值定义为该用户在基站端的等效时延门限TRNi-j如式 (2) 所示:

中继用户分组在基站端的Qo S约束如式 (3) 所示:

其中, Wj (t) 表示用户j在基站端的队列头分组时延, TRNi-j表示中继i下的用户j在基站端的等效时延门限, δj为用户j的丢包率限制。

二、HSDPA中继系统的实时业务调度算法

在传统的HSDPA系统中, 由于中继的引入, 同一个中继节点下有多个Qo S不同的业务, 因此采用传统的M-LWDF调度算法会导致以下两个问题: (1) 中继节点下有多个用户, 不同用户的Qo S要求和Ho L分组时延不同, 而M-LWDF调度算法涉及到Qo S要求和Ho L分组时延, 因此选择哪一个分组的Qo S要求和Ho L分组时延用于中继节点的优先级计算, 这是HSDPA中继系统调度算法的第一个问题。 (2) 每个中继节点下一般有多个用户, 如何保证用户多、接近时延门限数据包多的中继能够获得更高的调度优先级, 这将是HSDPA中继系统调度算法的第二个问题。

2.1基站直传用户和中继用户接入链路的调度算法

根据HSDPA中继系统场景分析, 本文所提算法的调度优先级设计分为三个部分:基站直传用户、中继Backhaul链路和中继用户接入链路, 其中前两者优先级由基站计算并应用于基站端的调度过程, 中继用户接入链路的优先级由中继节点计算, 应用于中继端的调度过程。

对于基站直传用户和中继用户接入链路的优先级用ωj (t) , 即ωj (t) 表示用户j在当前时刻t的优先级大小, 其计算方法同传统的M-LWDF算法一致, 如式 (4) 所示。

其中δj, Tj, Wj (t) 的定义同前面, μj (t) 表示用户j在当前时刻t的瞬时吞吐率, 表示用户j在时间窗内的平均吞吐率。

2.2中继Ba ckha ul链路的调度算法

中继节点, 其优先级的计算直接关系到系统性能的优劣。对于问题 (1) , 从公式 (4) 中可以看出, M-LWDF调度优先级计算公式中涉及到Qo S要求和Ho L分组时延的因子有αj和Wj (t) , 针对中继节点分别引入两个参数αr, i和Wr, i (t) 用于计算中继节点的调度优先级, 如公式 (5) 和 (6) 所示:

对于问题 (2) , 我们通过引入中继节点优先级修正因子εr, i (t) 来保证用户多、接近时延门限数据包多的中继节点能够获得更高的调度优先级, 其中εr, i (t) 定义如公式 (7) 所示:

其中lj定义如下:

η是一个 (0, 1) 之间的较小的正数, 显然lj表示中继i下用户j的Ho L时延是否接近时延门限, 若接近时延门限, lj为1, 反之为0。通过参数εr, i (t) 可以将基站端接近时延门限分组多的中继节点给予奖励, 以增加其调度优先级。

用ωr, i (t) 表示中继节点i当前时刻优先级大小, 具体如公式 (9) 所示:

其中αr, i, εr, i (t) , Wr, i (t) 的定义分别如公式 (6) 和公式 (7) 所示, Cr, i (t) 表示中继节点i的瞬时吞吐率, Rr, i (t) 表示中继节点i在时间窗内的平均吞吐率。

三、仿真分析

搭建了HSDPA中继系统的实时业务调度仿真平台, 用于验证本文提出的HSDPA中继系统的实时业务调度算法的系统性能, 并与传统的两层M-LWDF调度算法和没有中继场景 (w/o relay) 下的M-LWDF调度算法以及HSDPA移动中继系统中的调度算法 (MR-Schedule Scheme) 进行了比较。仿真中每个扇区部署4个中继, 信道模型采用PA3信道, 业务模型采用Vo IP业务[7], 分组包大小固定为80byte, 最大时延容忍门限为50ms, 分组时延超过该门限的分组就会被基站丢弃。

图2出了不同调度算法下的系统吞吐量的比较, 从图中可以看出, 本文所提与对比算法在用户数较少时, 吞吐量接近, 而当用户较多时, 明显要优于对比算法。图3和图4分别给出了不同调度算法下的平均分组时延和丢包率, 图中可以看出, 用户数较少时性能接近, 而当用户数增加时, 本文所提算法的性能优势比较明显。

本文在中继技术增强的HSDPA系统中, 从实时业务的业务质量要求和中继用户的分组时延要求出发, 提出了一种针对HSDPA中继系统的实时业务调度算法。通过仿真对该算法进行了性能分析, 并与没有中继场景下的M-LWDF调度算法、中继场景下文献[10]中的参考算法和传统的两跳M-LWDF算法进行了比较。仿真结果表明该算法在系统性能方面有较好的表现。

摘要：在传统的高速下行链路分组接入 (HSDPA, High Speed Downlink PacketAccess) 系统中, 对于实时业务的调度, 主流算法是修正的最大加权时限优先 (M odified-LargestW eightD eadline First, M-LW D F) 算法。但由于中继的引入, 中继用户的延时增加必然会导致中继用户的丢包率增大, 从而降低了系统的性能。基于此, 本文提出了一种改进的M-LW D F算法, 并通过VoIP业务对该算法进行了仿真验证。结果表明该算法能够在保证用户Q oS要求的前提下, 提高系统吞吐量。

关键词：高速下行链路分组接入,中继,分组时延,调度

参考文献

[1]Zhangchao Ma, Wei Xiang, Hang Long, Wenbo Wang.Proportional Fair Resource Partition for LTE-Advanced Networks with Type I Relay Nodes[C].Kyoto:IEEE International Conference on Communications, 2011:1-5

[2]LinXiao, Tiankui Zhang, Yutao Zhu and Laurie Cuthbert.Two-Hop Subchannel Scheduling and Power Allocation for Fairness in OFDMA Relay Networks[C].Cannes:Fifth International Conference on Wireless and Mobile Communications, 2009:267-271

[3]Shunqing Zhang and Vincent K.N.Lau.Resource Allocation for OFDMA System with Orthogonal Relay using Rateless Code[J].IEEE Trans.on Wireless Communication, 2008, 7 (11) :4534-4540

[4]3GPP TR 36.814 v1.4.1, Further Advancements for E-UTRA Physica Layer Aspects[S], 2009

[5]R1-084136“, Relaying for LTE-Advanced, ”3GPP RAN WG1#55, Alcatel-Lucent.

[6]Rui Z, Hoang N.N and Iwao S.2007.Packet Scheduling for Cellular Networks with Relaying to Support User QoS and Fairness[C].IEEE Wireless Communications and Networking Conference (WCNC) :3899-3903

实时调度策略 篇6

传统的自动发电控制(AGC)根据区域控制误差(ACE)来调整机组出力以满足相关的控制标准[1,2,3,4],其本质是一种反馈控制。这种反馈控制要求控制区有足够的快速可调容量,然而对于水电资源稀缺地区则难以满足,因此文献[5,6,7]提出了利用超短期负荷预测实现AGC的超前控制,在传统的机组调节量引入超前控制分量。另一方面,随着电力市场的兴起,实时调度系统作为实时发电市场的技术保障[8],其重要性不言而喻。文献[8,9,10,11]均设计并实现了完整的实时调度系统,并且应用在相应的省级电网。实时调度系统中,最关键的技术是实时发电计划的制定,传统的解决该问题的方法为静态优化方法和动态优化方法[12,13]。静态优化方法主要是最优潮流(或者利用潮流灵敏度)的方法,其最大的缺点是只针对某一时段优化,没有考虑时段之间的耦合关系。文献[14]系统地综述了国内外在动态优化上所做的研究,指出通过寻找到各时段之间的解耦条件并且把动态优化问题转变为静态优化问题是非常必要的。文献[15,16]提出有功调度的积留量方法,该方法在静态优化模型中引入前瞻约束和后顾约束,使动态优化问题转化为静态优化问题,求解速度大幅提高。文献[17]则在积留量方法中引入断面约束,进一步提高了该方法的实用性。

为了适应电网的发展,特别是为了降低连锁故障发生的风险,省级电网逐步打开500 kV 和220 kV间的电磁环网。为此,调度部门提出了新的控制要求:

1)电网分区控制:由于电网规模的不断扩大,为了降低调度复杂度,将大电网分解成各个控制子分区,并在日前制定各分区之间的500 kV割集断面功率传输计划,防止分区之间的传输功率产生大的波动。

2)电网分层控制:接入500 kV的机组一般是大容量的节能机组,机组调节特性好。在节能调度中,该类机组将被优先调节。一方面,这类具有快速调节能力机组的可调容量会被首先耗费掉;另一方面,会导致500 kV联络变压器下送功率过大。如果该类机组出现故障,则电网的负荷损失大,因此,需要控制500 kV机组的下送功率。

根据调度部门提出的控制要求,本文在安全经济调度优化模型中引入分区约束和分层约束,通过控制500 kV割集断面和500 kV联络变压器的功率,实现分区分层平衡。在此基础上,提出了在不可行(例如无法满足联络线路(断面)安全约束)的情况下求解机组的控制策略的新模型。该模型可以给出不可行情况下最小越限风险的控制策略,保证系统持续可靠运行。

1 系统可行条件下的实时机组计划制定

为了实时满足发供平衡,将电网的机组分成3类:①日前机组,负责执行日前计划;②实时机组,负责执行实时计划;③AGC机组,负责执行AGC控制指令。

其中,实时机组控制周期为15 min(可调)。在满足安全、节能环保要求的前提下,15 min实时机组计划完成的任务包括:①弥补日前负荷预测与15 min超短期负荷预测的偏差;②控制分区断面传输功率;③为AGC留出足够的备用容量。为此,可构建如下线性规划模型:

$\min {\displaystyle \sum _{i}r}{}_i|\text{Δ}{\rm P}{}_i|i\in {\rm N}{}_G^{\text{c}\text{a}\text{g}\text{c}}(1)$

$\begin{array}{l}\text{s}.\text{t}.{\displaystyle \sum _i\text{Δ}}{\rm P}{}_i=\text{Δ}{\rm P}(2)\\ {\displaystyle \sum _{i}S}{}_{ij}\text{Δ}{\rm P}{}_i+{\displaystyle \sum _{g\in {\rm N}{}_{\text{G}}^{\text{n}\text{c}\text{a}\text{g}\text{c}}}\text{Δ}}C{}_{gj}\le \overline{{\rm T}}{}_j-{\rm T}{}_{j}j\in {\rm M}{}_{\mathrm{int}}(3)\\ {\displaystyle \sum _{i}S}{}_{ij}\text{Δ}{\rm P}{}_i+{\displaystyle \sum _{g\in {\rm N}{}_{\text{G}}^{\text{n}\text{c}\text{a}\text{g}\text{c}}}\text{Δ}}C{}_{gj}={\rm T}{}_j^{\text{g}\text{o}\text{a}\text{l}}-{\rm T}{}_{j}j\in {\rm M}{}_{\text{c}\text{u}\text{t}}(4)\\ {\displaystyle \sum _{i}S}{}_{ij}\text{Δ}{\rm P}{}_i+{\displaystyle \sum _{g\in {\rm N}{}_{\text{G}}^{\text{n}\text{c}\text{a}\text{g}\text{c}}}\text{Δ}}C{}_{gj}={\rm T}{}_{\text{t}\text{r}\text{f}\text{m},j}^{\text{g}\text{o}\text{a}\text{l}}-{\rm T}{}_{\text{t}\text{r}\text{f}\text{m},j}\\ j\in {\rm M}{}_{\text{t}\text{r}\text{f}\text{m}}(5)\\ \text{Δ}\underset{¯}{{\rm P}}{}_i\le \text{Δ}{\rm P}{}_i\le \text{Δ}\overline{{\rm P}}{}_{i}i\in {\rm N}{}_{\text{G}}^{\text{c}\text{a}\text{g}\text{c}}(6)\end{array}$

式中:ri为发电机当前的发电单位成本;ΔP为下一点负荷增量减去日前机组和AGC机组的计划增长量,为了给AGC留出足够的裕量,在这里AGC机组的计划取可调出力上下限的中间值;ΔPi为机组i的调整量;NcagcG为全网实时调度机组的个数;NncagcG为除NcagcG以外的机组;Sij为负荷平衡灵敏度[9],其中为了达到分区平衡,需要在母线负荷因子中引入分区负荷预测的信息;ΔCgj为非实时调度的机组的计划调节量对断面功率的影响;Mint为内网安全功率传输断面集合;$\overline{{\rm T}}{}_j$为断面的功率传输上限;Tj为断面的当前传输功率;Mcut为500 kV割集断面集合;Tgoalj为下一点的分区割集断面传输功率的控制目标值;Mtrfm为分层断面集合(分层断面由500 kV联络变压器高压侧绕组形成);Tgoaltrfm,j为下一点联络变压器下送功率目标值;Ttrfm,j为当前下送功率。

不等式(3)保证传输断面不过载;约束(式(4)、式(5))保证500 kV断面的功率跟踪计划值。

2 系统不可行条件下的实时机组计划制定

对于上述实时机组的计划制定模型,一般情况下是存在可行解的。然而在某些特殊情况下,可能会出现无可行解。此时表明在给定的断面潮流约束下,出现了机组出力发得出但送不出的情况,或者是500 kV断面计划不合理。当出现这种情况时,算法必须能自动松弛断面的功率约束以便获得可行解,从而保证系统的连续运行。为了极小化越限所带来的风险,此时的控制目标从发电经济型转变为断面越限后风险最小。因此,可建立如下目标规划模型:

$\begin{array}{l}\min \{w{}_1{\displaystyle \sum _{i}r}{}_i|\text{Δ}{\rm P}{}_i|+w{}_2{\displaystyle \sum _{j}p}{}_{j}d{}_j^{+}+\\ w{}_3{\displaystyle \sum _{k}p}{}_k(d{}_k^{+}+d{}_k^{-})\end{array}$

$\begin{array}{l}\text{s}.\text{t}.{\displaystyle \sum _i\text{Δ}}{\rm P}{}_i=\text{Δ}{\rm P}(8)\\ {\displaystyle \sum _{i}S}{}_{ij}\text{Δ}{\rm P}{}_i+{\displaystyle \sum _{g\in {\rm N}{}_{\text{G}}^{\text{d}\text{a}\text{y}}}\text{Δ}}C{}_{gj}+d{}_j^{-}-d{}_j^{+}=\\ \overline{{\rm T}}{}_j-{\rm T}{}_{j}j\in {\rm M}{}_{\mathrm{int}}(9)\\ {\displaystyle \sum _{i}S}{}_{ik}\text{Δ}{\rm P}{}_i+{\displaystyle \sum _{g\in {\rm N}{}_{\text{G}}^{\text{n}\text{c}\text{a}\text{g}\text{c}}}\text{Δ}}C{}_{gk}+d{}_k^{-}-d{}_k^{+}=\\ {\rm T}{}_{\text{t}\text{r}\text{f}\text{m},k}^{\text{g}\text{o}\text{a}\text{l}}-{\rm T}{}_{k}k\in {\rm M}{}_{\text{c}\text{u}\text{t}}(10)\\ {\displaystyle \sum _{i}S}{}_{ik}\text{Δ}{\rm P}{}_i+{\displaystyle \sum _{g\in {\rm N}{}_{\text{G}}^{\text{n}\text{c}\text{a}\text{g}\text{c}}}\text{Δ}}C{}_{gk}+d{}_k^{-}-d{}_k^{+}=\\ {\rm T}{}_{\text{t}\text{r}\text{f}\text{m},k}^{\text{g}\text{o}\text{a}\text{l}}-{\rm T}{}_{\text{t}\text{r}\text{f}\text{m},k}k\in {\rm M}{}_{\text{t}\text{r}\text{f}\text{m}}(11)\\ \text{Δ}\underset{¯}{{\rm P}}{}_i\le \text{Δ}{\rm P}{}_i\le \text{Δ}\overline{{\rm P}}{}_{i}i\in {\rm N}{}_{\text{G}}^{\text{c}\text{a}\text{g}\text{c}}(12)\\ d{}_j^{+}\ge 0,d{}_j^{-}\ge 0,j\in {\rm M}{}_{\mathrm{int}}{\displaystyle \cup {\rm M}}{}_{\text{c}\text{u}\text{t}}{\displaystyle \cup {\rm M}}{}_{\text{t}\text{r}\text{f}\text{m}}(13)\end{array}$

式中:w1,w2,w3为权系数,w2>w3>w1,表示优先考虑安全断面功率越限,其次是控制断面的功率偏移,最后考虑发电经济性;d+j为断面越限时的越限量;d-j为断面未越限时的剩余量;在目标函数希望越限量d+j最小,考虑到各断面的重要性不同,因此引入pj作为风险系数,∑pjd+j为断面越限的总风险;d-k为实际控制值小于目标值时的偏差;d+k为实际控制值大于目标值的偏差; 在目标值希望偏差量d+k+d-k最小,因此${\displaystyle \sum _{k}p}{}_k(d{}_k^{+}+d{}_k^{-})$表示控制偏移量产生的风险值。

式(9)在断面安全约束基础上引入d+j和d-j,变成等式约束。式(10)、式(11)是分区分层控制约束,目标函数在原来发电成本项${\displaystyle \sum _{i}r}{}_i|\text{Δ}{\rm P}{}_i|$的基础上,增加了断面越限的总风险∑pjd+j和控制偏移量产生的风险${\displaystyle \sum _{k}p}{}_k(d{}_k^{+}+d{}_k^{-})$。然后通过设置权重系数w1,w2,w3作为优化的偏好。

3 模型的求解方法

上述模型本质上是线性规划模型,本文采用单纯形法求解。在河南电网实际运行中,165台实时机组,23个断面约束,在双核CPU主频1.66 GHz、物理内存1 GB的计算机上,可在10 s内完成一次计算,因此满足在线应用的要求。

4 算例分析

采用本文提出的方法的有功实时调度系统已经在河南省调度通信中心实际运行,运行表明本文提出的方法能够应对处理电网调度中的各种情况。

4.1 河南电网结构分析

图1是河南电网的网络结构分区图,分为豫北、豫西、豫中和豫南4个分区,各分区之间通过500 kV的割集断面连接,500 kV与220 kV通过500 kV联络变压器连接,豫西和豫中地区为主要的电源区,豫北和豫南地区为负荷区,所以省内基本上是西电东送的格局。

4.2 机组实时策略制定与控制效果分析

河南电网2008年某冬季潮流断面,各分区之间的功率传输情况如附录A表A1所示,各断面的安全限值如表A2所示,其中豫北—豫中和豫北下送断面需要跟踪其功率交换计划。

为了验证本文算法的有效性,下面给出不考虑和考虑分层约束条件下的2个算例,对比分析其调度策略的变化。

算例1:不考虑分层约束的机组调节策略

表1列出了各机组的电压等级和出力计划值调整量。

可以看出,由于500 kV机组的节能性能好,排序靠前,500 kV的机组出力上调量较大,产生大量功率下送,经过潮流的安全校核,预测下一点豫北地区的功率下送值变为2 598.72 MW。

算例2:考虑分层约束的机组调节策略

加入豫北下送的断面约束条件,下一点豫北的功率下送保持在2 500 MW。表2列出了求解出的机组调节策略。

从表1、表2的对比可以看出,在引入分层控制约束之后,500 kV机组的出力上调量减少,220 kV机组的上调量增加,负荷基本由220 kV的机组平衡,500 kV的机组主要控制分区之间的功率流通,达到了分层平衡的要求。

4.3 不可行条件下机组实时策略制定与分析

在实际运行中,存在500 kV联络线日前计划不合理或区域实时机组可调容量不足的情况,从而导致在现有约束条件下不存在可行解。该算例的目的是验证采用本文提出的最小越限风险控制策略的有效性。在上面的潮流断面下,调度员在设定实时控制机组时,豫中和豫南地区的实时机组可调容量很小,更多的实时机组设在豫西和豫北地区,然而由于豫中地区负荷预测增长量198.32 MW大于豫北—豫中断面和豫西—豫中断面的传输上限。可见采用算例1的模型无法求解出可行解,程序自动采用算例2的模型进行求解,得到控制策略如附录A表A3和表A4所示。

从附录A表A3和表A4的机组控制策略可以得出,下一点豫西机组出力增加204.9 MW,豫北机组出力增加255.7 MW,此时豫北—豫南功率变为-548.29 MW,偏离控制目标值51.71 MW。豫西—豫中断面的传输功率刚好控制到其极限值1 100 MW。可见,采用目标规划模型可以保证得到优化解,并且使断面的越限风险最小,且尽量跟踪计划值。在实际运行中,程序会给出报警信息,提示调度员哪些约束或计划发生问题,便于调度员及时修正相关联络线和机组计划。

5 结语

本文提出的有功实时调度方法兼顾了安全与经济的协调,体现了全局分区分层的控制策略。实时调度作为一个在线闭环控制系统,必须有足够的鲁棒性和可靠性。本文提出的方法在系统出现不存在可行解的情况时,也可得到预想风险最小的控制策略,从而保证在各种情况下,实时调度系统均能够求解出机组的控制策略。通过现场实际运行和仿真计算表明,本文提出的有功实时调度模型和方法能够在很大程度上提高电网有功调度的自动化水平[18]。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。

实时调度策略 篇7

为了解决以上各种问题,只有开发基于实时数据库系统(Real-Time Database Sy stem,RTDS)的生产调度系统,才能从根本上解决问题。

1、系统概述

重钢炼铁厂原有3#高炉、4#高炉、5#高炉区域十几套相对独立运行的PLC控制系统,无法实现数据共享和统一调度,制约了企业的发展,根据需求利用现有的西门子自动化软、硬件设备和北京印步公司实时数据库软件e DNA(enterprise?Distributed?N etwork?Architecture企业级分布式网络架构)来构建炼铁生产调度系统。

2、系统设计

炼铁生产调度系统的核心是实时数据库软件e DNA,e DNA负责获取数据,并通过WEB发布服务器将收到的数据动态显示到用户的IE浏览器[3]。数据库服务器主要负责数据的汇总发布,为数据分析提供依据。

2.1 数据库系统结构

采用分布式系统结构,使用3台数据采集机作为OPC服务器,用作3#高炉、4#高炉、5#高炉三个区域的数据采集,各高炉数据采集机物理上分散,并行运行。考虑到现场数据量很大,为减轻系统负荷、提高系统效率,使用两台具有冗余功能的实时数据库服务器,一台作为数据库服务器;一台作为WEB发布服务器,互为备用。

2.2 网络设计

炼铁厂整个系统的网络有两层:一层是由PLC控制站和操作站构成的工业以太网,另一层是由调度室、厂级各科室组成的管理网。通过数据采集机将二者连接起来。为保证网络的高速性,数采机通过西门子CP1613 A2卡与工业以太网相连,再通过光缆将数据送到实时数据库服务器,然后通过WEB服务器发布并显示给用户电脑,为现场数据的共享提供了可靠的硬件基础。其网络拓扑图2:

2.3 安全措施

实时监控系统在服务于生产的同时,更要保证其安全性,若现场控制层的操作站或控制站遭到病毒和黑客的攻击后,将会产生重大生产事故,为此采取如下保护措施:(1)服务器安装杀毒和防火墙软件,抑制管理网内的病毒传播;(2)服务器和数采机之间装有硬件防火墙,并设定严格的安全访问机制。

3、生产调度系统功能及关键技术:

3.1 系统功能

生产调度系统可在线存储每个工艺过程点的多年数据,并提供清晰、精确的监视画面,用户既可浏览当前的生产情况,也可查看历史记录,完全符合容量大、可靠性高、响应速度快的要求[5]。

3.1.1 系统分布式架构

e DNA是分布式数据库系统,并支持集群工作方式。进行系统扩充时,不必更换原有硬件,只要添加扩充部分设备、安装扩充所需软件后即能达到扩充的目的[6]。

3.1.2 数据无损压缩技术

数据库系统采用无损压缩技术,每个过程工艺点的数据可以在线高精度保存,恢复得到的数据和原始的数据是完全一致的。

3.1.3 数据缓存功能

所有实时服务(包括实时服务,计算服务等)都具有数据缓存功能,待检测到通讯正常后,自动将缓存数据写入历史服务器上保存。

3.1.4 在线趋势浏览和分析

趋势图提供了用实时与历史曲线的方式分析过程数据的工具。趋势图的来源既可以来自实时数据库,也可以来自历史数据库。如图3所示:

3.1.5 报警管理

报警管理能够方便定义监控点的报警,实时报警显示当前正在进行的报警,历史报警追溯过去一段时间内出现过的报警。报警显示内容包括报警时间、点标签、报警值等信息。

3.1.6 过程画面管理及浏览方式

应用画面放在服务器上进行统一管理,可统一进行删除、添加、修改;所有显示画面均采用C/S模式或B/S模式浏览。用户使用B/S模式浏览时计算机不需要安装e DNA软件,用户会在第一次浏览画面的时候自动下载显示控件[1]。

3.2 关键技术

项目关键技术是:

(1)如何实现数据服务器与现场控制系统之间的联网数据通讯。由于炼铁厂各系统PLC均采用西门子产品,故通过STEP7 V5.3的OPC Server实现西门子PLC与实时数据库的通讯。OPC(OLE for Process Contro l)是对象链接和嵌入技术用于过程控制方面的应用,为基于Windows的应用程序和现场过程控制应用建立了桥梁[4]。

(2)如何保证整个自控系统与调度系统运行的安全。1)在PLC控制系统中,使用“L”、“T”等单向传送语句[2],并配合使用专用PLC数据块,将参与控制的原始数据一分为二,实现数据采集的独立通讯,完全意义上做到互不影响;2)在数据采集网络和现场工业以太网之间设立硬件防火墙,保证工业以太网与互联网的硬件隔离,确保网络安全。

4、系统运行效果

系统自2008年投运以来,运行稳定,实现了全厂统一管理和调度,很快成为管理人员的得力助手,收到良好效果,主要表现在以下几个方面:

(1)提高生产管理效率。管理人员在办公室就可通过IE浏览器了解全厂各个工艺数据的实时变化,为生产决策提供第一手资料,生产节奏明显加快。

(2)提高了生产调度的快速性和准确性。为生产调度人员以最直接的方式提供了生产工艺的实时数据,弥补了以往打电话速度慢、失误多的缺点。目前该系统已成为生产调度人员必不可少的工具,确保了炼铁的高产顺行。

(3)实现了数据的整合与共享。数据从各子系统直接采集进入系统,实现了炼铁平台的数据共享与整合,并为数据的上行进行了整合,并预留端口。

(4)确保生产的稳定性。有效避免了很多安全事故,减少了非计划性休风次数,很大程度上保证了生产的稳定性、安全性并延长了生产周期,取得显著经济效益。

(5)生产工艺水平提高。利用该系统为辅助工具,对原有设备管理及工艺进行差异性分析,及时进行改进。反过来利用管理中的需求对系统进行不断地升级,从而形成企业管理和监控系统之间相互促进的良性循环。

5、结语

炼铁生产调度系统的成功应用,使炼铁平台生产数据得以共享,将办公室和工业现场连接起来,填补了管理调度层与过程控制系统之间的空白,实现了整个生产平台的实时监控、数据存储、处理、异常分析、远程管理调度,提高了炼铁劳动生产效率和管理及操作水平、减少炼铁生产事故,在节焦增铁和降低成本上具有显著的经济效益和社会效益。

摘要：重钢集团股份有限公司炼铁厂生产调度系统采用实时数据库为数据中枢,实现对整个生产平台的实时监控、数据存储处理、异常分析、远程管理调度,打破了传统管理模式,在炼铁生产中发挥了举足轻重的作用。

关键词：RTDS,OPC,分布式结构,生产调度系统

参考文献

[1]瑚谷雨.Stevens W R.TCP/IP详解[M].译.北京:机械工业出版社,2002.

[2]廖常初主编.S7-300/400 PLC应用技术[M].-北京:机械工业出版社,2005.1.

[3]eDNAWeb管理员手册[M],2008.

[4]SIMATIC NET Introduction to the OPCServer for SIMATIC NET Manual[M],2008.

[5]eDNA用户手册[M],2008.