多能源系统

多能源系统（共6篇）

多能源系统 篇1

0引言

随着化石能源逐渐枯竭和环境污染问题加剧, 近年来许多国家加大了可再生能源发电的发展力度,尤其是风力发电和太阳能发电,以期缓解能源和环境问题。以中国2013年的发展情形为例:1新增风电并网容量达14.49GW,到2013年末累计装机容量达137GW;2并网太阳能发电装机容量达到14.79 GW,同比增长335.0%;3年风电发电量134.9TW·h,占全国总发电量的2%,同期并网太阳能发电量为8.7TW·h。

虽然风电和太阳能发电等可再生能源发展迅速,但其发电出力间歇性和可控性差的特征对其大量并网运行带来了很大挑战,“弃风”“弃光”现象普遍存在。 国家能源局指出,2013年平均弃风率11%,国内光伏发电站被 “弃光限电”的比例高达40%,这影响了可再生能源行业的发展。从根本上讲,电力工业传统的“源—网—荷”结构难以承载大规模分布式可再生能源的接入,亟须在结构和运行方式上进行变革。

美国经济学家杰里米·里夫金在所著的《第三次工业革命》[1]一书中倡导采用先进的互联网信息技术,效仿互联网模式连接多种能源网络系统,实现以可再生能源为主要一次能源的广域能源共享。书中提出的互联能源网络(也称“能源互联网”)的概念与当前的智能电网相比,具有更加广阔的内涵:包括可再生能源在内的各种一次能源、电能为主的二次能源以及各种终端能源在多个能源网络组成的复杂网络系统中紧密融合;各种能源通过对应的能量转换设备实现能源在不同物理系统中的双向流动;充分利用各能源系统的传输设备和储能设备,实现多种能源的综合交互与协调优化,支持可再生能源的广泛接入。文献[2]建立了上述系统的基本研究框架并探讨了相关的核心问题和主要挑战。文献[3] 则针对能源系统的实际情况,阐述了基于信息流的互联网与基于能源流的各类能源网络的异同,研究了多能源系统的顶层设计,并针对未来多能源系统定义了“综合能源网”。在上述背景下,未来多能源系统的研究与传统的针对特定能源系统的研究会有明显不同。例如,在能源市场方面,就需求侧而言, 以往不同能源之间一般不可替代;而在多能源系统中,不同能源形式可相互转换,需求侧可购置不同的能源满足自身能源需求。

传统电力系统和天然气系统之间的耦合仅限于燃气轮机,即天然气向电能单向转换。近年来出现的电转气(P2G)技术则可能改变这一现状[4],并为电能的大规模储存提供了新思路:把富余的电能进行电化学反应将水和二氧化碳制成人造天然气(SNG),注入天然气网络,可利用现有的天然气储存设施进行大规模长时间存储,从而有效提高系统在负荷低谷时段接纳间歇性可再生能源发电的能力。此外,P2G技术也可在输电线路阻塞时将电能转化为天然气,通过天然气管道输往不在阻塞区域的燃气机组进行发电,避免或缓解系统阻塞。总之, P2G技术能促进电气网络和天然气系统的融合,是迈向未来综合能源系统的重要一步。

电力网络和天然气网络的融合将对能源系统的运行带来新的挑战。虽然已有一些文献研究天然气和电力系统的协同调度,如热电联供或冷热电三联供等[5,6,7,8,9,10,11],但建模方法缺乏系统性与通用性。为实现通用的多能源系统建模,文献[12]提出了能源中心建模方法,对未来集成电力、天然气、供热网络及其他各种能源形式的能源系统进行建模,由于这种方法具有通用性和可扩展性,被广泛应用于解决与多能源系统相关的各种问题[13,14,15,16,17,18,19,20]。P2G技术还处于初期发展阶段,相关的研究文献相对较少。文献[21]研究了P2G设备的选址问题,文献[22]采用两阶段最优潮流方法评估P2G技术对电力网络和天然气网络的影响,文献[23]则对P2G的并网经济性进行了评估。

在上述背景下,本文将着重研究含P2G设备的多能源系统的市场均衡问题。首先,基于能源中心建模方法对含P2G设备的多能源系统进行建模。 之后,在博弈论的框架下将每个能源中心视为参与多个能源市场并以不同市场中能源购入量为决策变量的独立决策个体,将多能源系统的市场均衡问题描述为所有能源中心同时参与多个能源市场的博弈问题,并应用Nikaido-Isoda函数的最优响应方程[24]进行迭代求解。

1 P2G技术

P2G技术主要可分为电转氢气和电转天然气(甲烷)两类,其中电转氢气是电转甲烷的前置转化。 基本原理为:用电能电解水(H2O),产生氢气(H2) 和氧气(O2),对应的化学反应方程式如式(1)所示。 在现有技术水平下,电解水反应的能量转换效率可达到75%~85%[21]。

电解水产生的氢气与二氧化碳(CO2)在加温加压环境下发生化学反应,生成水和甲烷(CH4)。该过程被称为萨巴蒂埃(Sabatier)催化反应,对应的化学反应方程如式(2)所示,此化学反应能量转换效率约为75%~80%[20]。

完整的化学反应流程的综合能量转换率约为45%~60%。如果仅进行电解水反应,以燃料电池、 液化或采用其他方式储存氢气,可避免萨巴蒂埃催化反应转化为合成天然气所引起的额外效率损失。 不过,通过合成天然气产生的甲烷的单位能量密度可达到氢气的4倍,并且可以直接注入现有天然气系统进行大规模储存与远距离运输,即利用天然气管道网络与储存装置的余量,无需额外投资。电转甲烷技术能实现能量在电力网络与天然气网络间的双向流动,促进网络融合,较电转氢气有更广阔的应用前景。因此,本文研究电转甲烷技术对能源系统运行所带来的影响,如无特别说明,在后续内容中所提及的P2G均指电转甲烷,而非电转氢气。

2天然气网络模型

天然气管道网络是输送天然气的主要方式之一,从油气井口到终端用户,经过矿场集气、净化、加压站、配气站和调压计量等,行成统一的管道网络系统。本文主要借鉴文献[25]发展的天然气输气网络系统的稳态模型。

天然气管道中的天然气流量与输气管道的长度、内径、两端气压、温度、摩擦系数等诸多因素相关,是复杂的非线性流体力学问题。在实际调度中, 可以仅考虑稳态时管道两端的气压变化对天然气流量带来的影响,近似认为其他因素在一定时期内为常数。

假定天然气管道无泄漏,则在单位时间内从节点i流向节点j的天然气流量所对应功率Png,ij可用式(3)表示:

式中:bi和bj分别为管道两端节点i和j的气压;kij为天然气输气管道传输系数,其具体求取方法详见文献[13]附录。

由式(3)可以看出,为提高天然气输送量,需要对管道加压。天然气在长管道中由于各种原因会造成压力损失,这样就需要在管道上每隔一定距离设置加压气站,通过加压气站中的微型燃气轮机对管道内气体增压。给定加压站进气口为节点i,升压后经管道输送至下游节点j。单位时间内燃气轮机消耗的天然气流量所对应功率Pcom,ij与下游节点j接收的天然气流量所对应功率Png,ij的关系可用下式表示:

式中:kc为与加压气站内微型燃气轮机机组相关的常系数;bk为加压站出口气压,满足bk>bi。

此外,天然气网络系统满足式(5)所表示的流量平衡条件,即节点进气量等于出气量加上加压气站的消耗量。在建模时,选取的节点包括天然气网络系统中管道节点与加压站进气口节点:

式中:Png,0i为节点i的天然气注入量;O(i)为节点i的下游节点集合;I(i)为节点i的上游节点集合。

3多能源系统市场均衡分析概述

能源中心建模方法是将能源系统分解为多个高内聚低耦合的能源中心。每个能源中心由区域内一个或多个能源转换器(如燃气轮机、P2G设备等) 组成,多种能源在能源中心中互相转换,满足对不同能源的需求,可用稳态能源转化效率描述能源转换器的转换过程。各能源中心之间相对独立,通过多能源网络(电力网络、天然气管道和供热管道等)耦合。

本文所研究的多能源系统市场均衡分析的问题背景如下。

多能源系统中包含多个相对独立的能源市场(如电力市场、天然气市场等),分别对应多个能源网络。每个能源网络采用市场化运行方式;各能源中心为相互独立的决策个体,同时参与多个能源市场, 以能源购置量为决策变量与多个能源网络进行互动。由于燃气轮机、P2G设备等能源转换器的存在,能源可以互相转换,具有可替代性。即使终端负荷缺乏弹性,能源中心也可通过调度内部能源转换器的工作状态,来调整在不同市场购置的能源总量, 从而影响相应节点的能源价格。每个能源中心内部则采用基于成本的优化调度。

多能源系统中多能源网络与能源中心的互动方式如图1所示。

基于上述描述,可将多能源系统分为两层:1外层的多能源系统市场以能源中心为单位,采用市场化运行;2内层的能源中心则基于能源成本进行优化调度。下文将对多能源系统市场均衡问题的3个主要方面进行研究。

4能源中心内部优化调度

可把多能源互联系统抽象成多个由能源网络相互连接的能源中心所组成的系统。这种建模方法适用面广,例如可对混合动力电动汽车(HEV)内部能源转换模块、区域配电系统、微网等不同规模的能源系统进行建模。本节对含有P2G设备、燃气锅炉、 分布式燃气轮机的能源中心进行建模。

图2展示了一个典型的含有P2G装置、燃气轮机、风能的能源中心,涉及3种能源的相互转换与储存;能源中心相对输入端的上级能源系统是负荷,而对下级输出端则是能源供给者,内部每个装置都可视为一个能量转换器。

能源中心所涉及的N种能源载体分别记为α, β,…,ω,可对应交流电能、直流电能、天然气、热能、 生物质、燃油等多种能源形式;Pα,Pβ,…,Pω和Lα, Lβ,…,Lω分别表示某时段内能源中心输入端和输出端各能源载体平均功率。能源中心平衡方程可用式(6)描述。式(7)为能源中心完整的矩阵表示方法,若能源中心输入端或输出端不包含某类能源,则在最终结果中删除对应的行或列。

式中:C为能源耦合矩阵;耦合系数ci,j描述当前调度模式下能源中心输入端i能源经由能源中心内各转换器后对j能源的稳态综合转换系数,由能源中心内部接线方式、各能源转换器效率和调度系数共同确定。

对于没有串联能源转换器的能源中心,即能源流在能源中心中至多只经过一个转换器的情形,可直接构造C矩阵。如附录A图A1所示的包括热电联供机组的简单能源中心,以天然气为输入,经燃气轮机和燃气锅炉转化为热能和电能输出,此能源中心共涉及3种能源,即天然气(g)、电能(e)和热能(h);v1和v2为调度系数,表示输入的天然气中用于燃气轮机发电和输往燃气锅炉的比例分别为v1和v2。

附录A图A1所示的简单能源中心的完整形式和对应的简化形式可用式(8)描述:

式中:Le和Lh分别为某时段内能源中心输出端电能和热能对应的平均功率;Pg为某时段内能源中心输入端天然气对应的平均功率;ηg2e和ηg2h分别为燃气轮机的电效率和热效率;ηF为燃气锅炉供热的热效率。

对于存在串联能量转换器的能源中心,这里提出以下程序化建模方法构造能源耦合矩阵。

1)能源中心内部能源转换方程

式中:S=[s1,s2,…,sn]T为能源中心中n个能源转换器输入端的功率列向量;O=[o1,o2,…,om]T为对应的m个输出端功率列向量;η=(ηij)m×n为m行n列矩阵,其中ηij为输入端口j至输出端口i的稳态转换效率,建模简化处理时可认为其为常量,实际中ηij与该能源转换器输入能源流大小相关,可表述为ηij=fij(si),部分能源转换器可将一种能源转化为多种能源(如燃气轮机可将天然气化学能转换为电能和热能),所以m≥n。

2)能源中心内部能源优化方程

能源中心内部的调度体现为对能源输送线路中能源流的分配。能源优化调度问题可以用式(10) 描述:

式中:V=(vji)(n+N)×(m+N)为能源调度系数矩阵,反映能源流在能源输送线路中的分配情况,其中,vji为输出端口i的能源流分配给输入端口j的比例, 在一般情况下,V矩阵中每列的各个元素即分配系数之和为1,但由于在实际中存在弃能和能耗(如弃风、弃光等),能源输送线路分配系数之和有可能小于1,因此能源调度系数矩阵V的约束条件如式(11)所示。

式中:1T为元素全为1的行向量,左侧1T长度为n+N,右侧1T长度为m+N。

综合式(9)和式(10),可求取最终的能源耦合矩阵。可将式(10)改写成如式(12)所示的分块矩阵形式。

式中:G,H,J,K为能源调度系数矩阵V基于L,S, P,O维度进行分块后的子矩阵,其中,G为N × N阶矩阵,表示能源中心输入端能源不经任何能源转换器直接输往输出端的调度系数,H为N ×m阶矩阵,表示能源中心内部各能源转换器至能源中心输出端的调度系数,J为n×N阶矩阵,表示能源中心输入端能源与其内部各能源转换器输入端的调度系数,K为n×m阶矩阵,表示能源中心内部各能源转换器之间的级联调度系数。

将式(6)与式(12)联立,消去L,S,P和O,即可得能量耦合矩阵C,如式(13)所示。

式中:I为n×n阶单位矩阵。

若能源中心中无串联能量转换器,即式(12)中S和O没有耦合关系,K为元素全为0的矩阵,C可简单地表示为G+HηJ。

对于包含储能装置的能源中心,记各能源转换器出口处储能装置的储能状态为E,能量变化率为中某元素为正值表示对应储能装置处于充能状态,为负值则表示对应储能装置处于释能状态。在考虑储能装置的情况下,式(12)中各能源转换器输出端功率O变为将更新后的式(12)与式(6)再次联立求解并将对应部分用式(13)替换,可得含储能装置的能源中心模型如式(14)所示。

能源中心单时段调度的优化目标为利润最大化,即最大化收入与成本之差。

式中:r为在能源中心输出端出售各能源的价格函数;c为在能源中心输入端购入各能源的价格函数。

对于能源中心L为定值的情形,此优化目标为在满足负荷的前提下最小化购置输入能源的费用, 可用式(16)表示。

优化模型的决策变量包括能源中心对外购置的能源量、内部调度系数、各能源转换器和储能装置的工作状态。P,S,O和V矩阵需要满足的约束条件如下。

1)能源中心负荷需求

2)各能源转换器输入和输出端口的功率限制

式中分别为能源中心购入外部能源P的下限和上限参数分别为能源中心中各能源转换器输入S的下限和上限参数;分别为能源中心中各能源转换器输出O的下限和上限参数。

3)储能装置能量状态和出力限制

式中分别为各储能设备储能状态的下限和上限;分别为各储能装置释能和充能的功率上限。

在不考虑能量转换器效率随输入变化的情况下,由式(17)至式(23)所表示的约束条件可描述为线性形式,若输入能源费用函数c为凸函数时,此问题为凸优化问题,局部极小值即为全局最小值。上述最优化问题的KKT(Karush-Kuhn-Tucker)条件可用式(24)表示[9]:

式中:λ为能源中心购入外界能源边际价格向量;Λ 为能源中心输出能源边际价格向量。

当Λ为标量时,即仅有一种能源输出时,可将式(24)的标量形式如式(25)所示:

式(25)表明,在只有一种输出能源的最优化条件下,能源中心输入各类能源价格(λα,λβ,…,λω)与耦合矩阵中对应系数之比应一致。电力系统优化调度中常用的等微增率法即此KKT条件中耦合系数相等时的特殊情况。

5多能源网络经济运行

多能源系统由多个能源中心和连接它们的多种能源网络构成。从运行角度来看,可将能源中心视为负荷。这样,多能源网络的经济运行问题就可以描述为:在满足上一节所描述的各时段各能源中心能源需求P(t)的前提下,最小化Nt个时段内(一般以小时为时段,对一天24h的系统运行进行经济运行,即Nt=24)整个多能源系统的总生产成本z。

式中:Nk为多能源系统中的能源种类数;Ni为多能源系统中的节点数,一般为其所包含的能源中心数量;Gi,k(t)为多能源系统在时段t从节点i处购入第k类能源的总量,其中绝大部分能量输向各能源中心,另一部分在多能源网络的传输环节被损耗掉了; cikt为在时段t期间节点i中第k类能源的价格函数,其具体形式由该种能源的特性所决定。

此优化问题的决策变量除了Gi,k(t)外,还包括:各时段各类能源网络中的节点状态Xi,k,j(t) (i=1,2,…,Ni;k=1,2,…,Nk;t=1,2,…,Nt;j= 1,2,…,NX(k)),其中,NX(k)为第k类能源的节点状态变量种类数,如电力系统中节点状态一般取电压模值和相角,天然气系统中的节点状态一般取气压;各时段各类能源网络中的线路流量Fl,k,j(t)(l= 1,2,…,Nl(k);k=1,2,…,Nk;t=1,2,…,Nt;j= 1,2,…,NF(k)),其中,Nl(k)为第k类能源网络中的线路数量,NF(k)为第k类能源的线路流量种类数,如电力网络线路流量取有功潮流和无功潮流两个分量,天然气网络中则为天然气流量。

多能源系统优化运行问题需要满足如下约束条件。

1)多能源网络平衡约束

式中为t时段内第k类能源的购入向量;表示t时段内各能源中心购入第k类能源的量,各能源中心购入各类能源的量需满足上节所述约束;为t时段内第k类能源网络所有线路流量向量;为t时段内第k类能源网络所有节点状态向量;hk为第k类能源网络的平衡方程组,其具体形式由该能源网络特性决定,例如天然气网络用式(3)至式(5)描述,电力网络则用式(28)和式(29)的经典交流潮流方程表示。

式中:Pi,Qi,Vi,θij分别为电力网络中节点i的注入有功功率、注入无功功率、节点电压模值和节点i与j之间的电压相角差;Gij和Bij分别为电力网络节点导纳矩阵中对应元素的实部和虚部。

2)多能源网络线路流量和节点状态量限值

式中:分别为线路流量Ft的下限和上限;分别为节点状态量Xt的下限和上限。

3)各能源中心能源需求量约束

式中为各能源中心根据上节描述的能源中心优化调度模型求出的各类能源需求量,括号中的λ表示该约束对应的对偶向量。

6基于博弈论的多能源系统市场均衡问题

与仅考虑单一能源类型的优化运行问题相比, 包含P2G设备的多能源系统中包括不同种类分布式设备,对应的优化运行问题的规模将会更加庞大, 传统的集中式优化算法未必可行和有效;一方面集中式优化算法难以在合理时间内求解超高维非线性优化问题,另一方面由于不同能源网络往往由不同的部门负责优化运行,短期内难以实现跨部门的信息汇总与协调优化。因此,有必要对多能源系统的优化运行问题进行解耦处理。有些文献尝试采用博弈论模型对经济调度问题进行建模与求解[24,26,27], 虽然博弈模型中得到的均衡解在理论上不能保证全局最优,但其建模方式更能反映未来多能源系统环境下各个参与者的行为模式。基于这样的考虑,这里在博弈论模型的架构下,考虑在多能源系统中各能源中心独立参与多个能源市场的行为,分析市场均衡状态,以考察具有P2G设备的多能源系统在市场均衡状态下的运行方式。

能源中心调整能源输入量的行为会对整个系统的能源流动和分布造成影响,导致其他能源中心能源边际价格的变化从而引导其他能源中心调整购置能源的方案。各能源中心通过调整自身在不同能源市场购置能源的方案实现自身利益最大化的过程可视为多主体博弈过程;各能源中心无法通过调整能源购置方案实现更大利益时,此时博弈达到纳什均衡点,得到的结果为多能源系统的市场均衡解。下文将基于文献[26]中的基于博弈论的并行优化算法对所发展的优化模型进行求解。

在博弈论中,对于一个包括nx个参与者的非合作博弈,参与者i的决策空间记为Xi,所有参与者决策空间的笛卡儿积记为,每个参与者的收益函数为фi(X)。则纳什均衡点x*可定义为:

式中:(xi|x)表示参与者i在其他参与者保持x中相应策略时自身采取策略xi的局面。

式(33)表示纳什均衡时,每个参与者都已经达到自身收益极大值,无法通过单独改变自己的策略增加收益。

基于文献[24]中提出的求解市场博弈均衡解的方法,引入如下的规范化Nikaido-Isoda函数,将纳什均衡问题转化为优化问题,优化目标函数为:

式中:yi为参与者i基于当前局面x所采取的策略。

在纳什均衡状态,Nikaido-Isoda函数满足以下约束:

式(35)表示在纳什均衡时,所有参与者无法通过单独改变自己的策略来增加收益,此时对应的局面即为市场均衡状态。

给定各参与者的策略初值x0,之后采用迭代算法求取纳什均衡点。在第K+1次迭代过程中,每个参与者都假定其他参与者维持第K次迭代时的策略,在此基础上优化自己的决策以最大化自身的利益。K+1次迭代时的最优响应函数如下:

局面经过多次迭代之后,将逐渐接近纳什均衡点。对于本文研究的多能源系统市场均衡问题,作为独立参与者的各能源中心的收益函数i是式(16)的相反数。在每次迭代时,基于前次迭代得到的各能源中心购入能源的边际价格,各能源中心采用第3节所述的优化调度模型确定该次迭代各类能源购入量(向量P),作为式(32)中各能源中心能源需求量参数P,再次求解各能源网络的优化运行问题,将优化后式(32)对应的对偶向量λ 作为下次迭代所需的各能源中心购入能源边际价格。当各能源中心的收益增加值之和小于给定的阈值ε时,认为已经达到市场均衡状态,停止迭代。

求取多能源市场均衡状态的流程如图3所示。 其中,各能源中心优化运行问题相对独立,可并行求解。各能源网络优化运行问题在能源中心各类能源消费量确定之后就已解耦,这样电力网络和天然气网络的优化运行也可独立求解。

该算法本质上隶属于拉格朗日松弛优化,即将各能源网络节点各能源消耗量约束进行松弛化,并赋予其对偶变量经济意义,以便于采用并行方式求解优化问题。

7算例

以文献[17]中的4节点能源中心测试系统的改进系统和简化的澳大利亚维多利亚州气电联合输送系统为例,说明所构造的模型与采用的算法。计算程序用Mathematica 10.0编写,在装有2.5 GHz CPU (Intel Core i7-4710M)和8GB内存的个人电脑上运行。

7.1 4节点能源中心测试系统

这里对文献[17]中的4节点能源中心测试系统进行了改进,构建了一个包含火电厂、热电厂、风电、 P2G设备和天然气储气罐的4节点多能源网络系统,如图4所示。

图4所示系统包括4个能源中心以及连接它们的电力网络和天然气网络这两个能源网络。节点1与节点2各有一个火电厂,记为G1和G2;节点4有一风电场,记为WT。G1为平衡节点。天然气网络在节点1接入上级天然气系统,用N表示。

4个节点分别表示独立运营的能源中心,依次记为H1至H4,均输入电能和天然气,输出电能和热能供给负荷。其中,H1至H3为附录A图A1所示包含燃气轮机与燃气锅炉的简单能源中心。H4则如图2所示,其中除了包括H1,H2,H3中的设备之外,还包含P2G设备以及天然气储气装置。

天然气系统和区域供热系统中的能量用热量单位计量,电力系统中的能量则用电能单位计量。下文中所涉及的参数如无特别注明,均为标幺值。

在目标函数中各类能源成本函数定义为二次函数,如式(37)所示;式中各参数的数值见表1,其中风电出力上限WTmax(t)与实际风力水平有关。

式中:ck和Pk分别为第k类能源的价格函数和有功出力;αk,βk,γk为系数。

电力网络参数如表2所示,各节点电压Vi需满足0.9≤|Vi|≤1.1,平衡节点1满足V1=1.05 ∠0°。

天然气网络参数如表3所示,网络各节点气压bng,i满足0.8≤bng,i≤1.2,平衡节点1满足bng,1=1; 天然气管道1→2和1→3分别配置一个压气站,压气站输入端压力bi和输出端压力bk满足1.2≤bk/ bi≤1.8,H4中天然气储气罐容量给定为10,每小时充放天然气能力均为0.2,且满足调度周期内总充气量等于总放气量。

能源中心内部各能源转换器参数均给定为常数,数值如下:P2G效率为0.50,燃气轮机电效率为0.30,燃气轮机热效率为0.40,燃气锅炉热效率0.75。

假定4个能源中心分别具有相同的电负荷和热负荷曲线,总用电负荷峰值为10(每个能源中心为2.5),总热负荷峰值为8(每个能源中心峰值为2)。 调度期为某冬季典型工作日,电力负荷系数取自文献[28],热负荷取自文献[7]。调度期24h内的热负荷、电负荷和风电最大出力具体数值见附录A表A1。

基于上述参数,可求得多能源系统的均衡状态, 此时系统总能源费用为3 657.16。多能源系统均衡解的各时段电能供给和热能供给方案分别如附录A图A3和图A4所示。可以看出在日间用电负荷较大时,燃气轮机用于发电调峰,联供热占总区域供热比重较大;在夜间用电低谷期间,燃气轮机停止发电,以保证火电机组能够以最小出力发电,避免关机。

在市场均衡状态,各时段电能和天然气的消耗组成百分比分别如附录A图A5和图A6所示。从这两个图中可以看出,电力网络的平均网损率约为4.9%,天然气网络压气站用气量占总气量的9. 6%。4个能源中心分别具有相同的电负荷和热负荷曲线,但由于各能源中心对应的各类能源价格不同,所以在市场均衡解状态下每个能源中心消耗各类能源的比重也就不同;如没有发电机接入但距天然气供给点较近的能源中心H3,天然气用量比重较其他能源中心要大。附录A图A7和图A8分别展示了不同时段各能源中心输入端电能边际价格和天然气边际价格。从这两个图中可以看出,由于H1直接接入上级天然气网络,天然气价格恒定,而其余能源中心的天然气价格随着与H1之间的距离增加而增加;虽然H2和H3到H1的距离相同,但H3对天然气的需求更多从而推动了天然气价格的上升。

对于有P2G设备的能源中心H4,在市场均衡解状态下各时段的节点电价和气价如图5所示,而储气装置状态、P2G设备出力状态及对应时段风电功率如图6所示。

从图5和图6可以看出,在第2h及第4至6h,风电出力较大,火电机组处于最小出力水平,电价远低于气价,能源中心更倾向于使用电能来满足能源需求,此时P2G设备启动,将多余电能转化为天然气储存到储气装置中,于傍晚在用电高峰时段释放天然气用于热电联供。

7.2澳大利亚维多利亚州气电联合系统

基于澳大利亚能源市场运营商(AEMO)发布的年度报告[29,30]中的电力网络与天然气网络数据, 选取其主干网络与关键节点,构建如附录A图A9所示的以大墨尔本地区为中心的多能源网络系统。 全系统每天的天然气需求约为1 000TJ,在冬日一般负荷水平下,天然气经西南区域的洛娜(Lona)和东南区域的朗福德(Longford)与奥尔博斯特(Orbost)注入系统,满足维多利亚各地天然气需求, 并经东北区域的巴纳马萨(Barnawartha)和东南区域的奥尔博斯特向新南威尔士输出天然气。墨尔本东南方的丹德农(Dandenong)建有液化天然气储存装置,用于满足天然气峰值负荷和输气管道无法使用时墨尔本地区的天然气需求。根据报告,全系统电力负荷峰值可达9 690 MW,其中大墨尔本地区和季隆负荷为7 185 MW,基荷由朗福德西北侧的洛伊杨(Loy Yang)燃煤发电厂提供,新南威尔士洲、南澳大利亚洲和塔斯曼尼亚洲提供约870 MW的电力。此外,丹德农和洛娜滨海区域均有新落成的风电场,装机容量分别为107MW和442 MW。

此该系统中共有14条电力母线和14个天然气网络节点,其中有6个气电耦合节点并设有燃气轮机,如图中虚线框所示。这里将其建模为如附录A图A1所示的简单能源中心,对于建有天然气储存装置的丹德农能源中心,假定其设有容量为50 MW、转换效率为50%的P2G设备,按图2所示的含P2G能源中心对其建模。能源单位的基准值设为1 000MW·h,对应热值为3.6TJ。每小时的天然气需求约为11.6,在电力负荷峰荷期间每小时能源需求约为9.7。对于负荷水平、线路参数、设备效率、能源价格等参数,结合前一个算例设定的参数和AEMO年度报告中披露的系统参数进行设定。 两种典型负荷水平下的气电联合市场均衡状态如表4所示。表中,负荷1表示冬季典型负荷(高天然气负荷,7月),负荷2表示夏季典型负荷(低天然气负荷,1月)。

从计算结果可以看出,有P2G设备的系统能够通过将多余电能(一般为夜间过剩风能)转化为天然气,有效提高了能源利用率,减少了全系统能源成本。另外,通过比较冬季与夏季的能源费用节约比例,可以看出与夏季相比,冬季负荷对天然气需求更大,这导致输气管道阻塞与末端气压过低,利用P2G设备可有效缓解这一问题,从而节约能源成本。

8结语

本文首先介绍了P2G技术的原理,之后采用能源中心建模方法对含P2G设备、储气装置、燃气轮机、电负荷、热负荷等多种能源转换设备的多能源系统进行建模。在此基础上,构建了能源中心和多能源系统的优化运行模型,并在博弈论方法的架构下采用迭代算法求解多能源系统的市场均衡点。以4节点能源中心测试系统和简化的澳大利亚维多利亚州气电联合输送系统为例,对所构建的模型和采用的求解方法进行了验证。计算结果表明:1在夜间风电富余时,电价较低,此时多能源系统的市场均衡状态对应的P2G设备将富余风电转化为天然气并储存于储气装置中,这样就提高了间歇性可再生能源发电的利用率;2各能源中心作为独立决策个体,在多能源系统中供能和负荷等情况发生变化时, 能够根据对应节点能源价格变化做出反应,采用分散决策方式调整不同类型能源的使用比重和能源中心内能源转换与储存方案,最终达到多能源市场的新的均衡点,从而改善能源的总体利用效率。

多能源系统的优化调度是一个新的研究课题。 在本文工作基础上,将继续在以下几个方面开展深入研究:1在本文构造的理论框架下,进一步研究多能源系统内各种设备的精细化模型,将多种能源间的转换关系模型由线性向非线性发展,提高多能源系统建模的准确性;2考虑用户对多种能源需求的价格弹性和不同能源需求的交叉弹性,发展多能源系统的分时定价理论与方法;3针对多能源系统优化调度问题的数学特性,发展简化模型,并在此基础上研究高效求解算法。

多能源系统 篇2

如今,由于对能源供应的安全与可持续性的需求,能源系统正在经历重要变化。未来电力能源系统致力于更少地依赖矿物燃料和核能技术,更多地基于可再生能源发电。未来电力能源系统受到的挑战因素主要有:可再生能源发电不稳定、分布式发电、新型负载、电力市场自由化。在向未来电力能源系统转型过程中,最重要的是由可再生能源发电和新型负载引起的从过去需求驱动发电到未来发电驱动需求的典型转化。智能电网相关技术将促进未来能源领域的发展,然而这些技术与场景多数会产生新型数据源,以智能电表尤为突出[1]。随着智能电表数量越来越多,数据采集量将会越来越大,电力市场各参与者不仅需要对自身获取的数据进行分析,还应对其他参与者提供的数据进行分析,因此需要更先进的数据分析技术,也为数据分析领域引入一系列挑战。

智能电网产生了大量数据,应用大数据技术可有效提高电网运行管理水平和服务水平[2]。在我国,中国电机工程学会发布了电力大数据白皮书。为支持智能电网大数据研究,国家科技部于2014 年下达了3 项863 项目。2012 年以来,国家电网公司启动了多项智能电网大数据研究项目。2013 年初,国网江苏省电力公司率先开始建设营销大数据智能分析系统,开展了基于大数据的客户服务新模式应用开发研究。北京等电力公司也正在积极推进营配数据一体化基础上的智能电网大数据应用研究。

1 未来电力能源系统典型场景

在科学界与工业界广泛讨论的未来电力能源系统典型场景如图1 所示,各场景分别代表构成智能电网的主要模块。

1.1 智能电表

智能电表作为诸多先进场景数据分析的前提,是智能电网的关键构成模块。获取智能电表数据场景如图2 所示,智能电表以15 min的间隔生成计费数据,并传送给计量人员。数据的时间间隔在技术上可以达到更小,例如1 min甚至1 s。通过分析智能电表细粒度数据可以提高负荷预测准确度、实现需求响应和实时电价,甚至识别特定用电设备。此外,用户通过智能电表可视化工具可以获取近几日或几周的用电情况对照,对单个设备用电情况的认知越来越清晰。用户根据获取的信息相应地调节用电行为,可以提高能源利用率,促进用户与电网的双向互动。

1.2 动态电价

动态电价是实现从需求驱动生产到生产驱动需求典型转化的有效途径,动态电价与需求响应场景如图3 所示,即电力零售商根据发电情况调节电价,当发电量高时激励用户用电,发电量低时促进用户节能[3]。用户可以决定是否对电价激励做出反应,智能设备接收到电价信号后可以决定是否执行特定操作。同时,动态电价有一定的风险,如电价低的时段可能发生大量设备同时启动的情况。由于电力平衡机制不能承受用电需求的急剧增加,这种情况应当避免,一般可以通过针对不同用户制定动态电价或更加合理的电价阶梯来实现。文献[4] 表明用户接受动态电价,并会在一定程度上调整用电行为,使峰值平均降低12%,因此动态电价是有效的需求响应措施。

1.3 基于市场控制信号的需求响应

基于市场控制信号的需求响应场景如图4 所示,当可再生能源发电较少时,电力零售商可通过日内交易购入电能,更好的选择是使用户在一定时段内减少用电,并将该请求发送到电力市场。同样,电网管理者检测到过载或电压问题,也将相关请求发送给电力市场。各需求侧管理公司从电力市场接收请求,制定并提交解决方案,最后由电力市场选出一个符合请求的联合方案。如果零售商或电网管理者接受该方案,各需求侧管理公司将负责执行,向与其签订合同的用户的智能家庭控制箱发送优先级信号,控制箱将信号发送到用户房屋中的智能设备及电动汽车。因此,该场景是以一定的设施为基础交易柔性负载实现需求响应,是可代替动态电价的一种用于解决电网问题的需求响应措施。

1.4 智能家庭

智能家庭通常安装有发电机组(光伏或微型热电联产),使用中央优化组件控制住宅中大部分发电和用电。智能家庭中的部分电器具有时间可变性,往往不需要立即启动,因此可以实现需求转移。一种需求转移方法是改变加热和制冷电器(冰箱、空调和加热系统)的温度;另一种需求转移方法是储能。如当电动汽车不用时,电池可作为临时电能存储装置。

1.5 储能

随着不稳定发电(如太阳能发电或风力发电)所占份额的增加,电能存储越来越重要。虽然电能很难被存储,但仍存在一些储能技术方案:抽水蓄能、化学大电池及电动汽车到电网(V2G)。抽水蓄能水电站储能原理与水电站类似,虽然可以长期储能,但是地理位置要求高,在高密度居民区很难实现。大电池系统参数可以制造成任意所需的值,但成本相对较高。V2G技术在储能方面有巨大潜力,由于汽车行驶只占其寿命的5%,故95% 的时间可用于本地储能,只要有一定的汽车数量基数,储能容量也相当可观。

1.6 基于能源数据的管理决策

能源已经成为工业、公共设施、仓库、中小企业甚至高校的主要成本因素。信息技术方案可以解决多数管理决策的问题,然而用户用电情况分析仍然存在诸多问题,且往往被多数企业资源规划工具所忽略。能源管理包含了一些需要考虑的新方面,尤其是智能电表等新数据源,这种数据分析工具具有很大潜力。大量的管理行为是根据电能数据进行决策,每个决策都对数据存储、数据分析及数据交互提出了不同的挑战。

2 未来电力能源系统的数据分析技术需求

随着智能电网的兴起,出现了一系列新型数据源,数据收集量比以前更大且时间间隔更小,一方面促进了整个能源系统控制和创新技术发展;另一方面对数据处理技术和数据分析技术提出了挑战。

2.1 数据处理

智能电表作为最突出的新型数据源,是诸多先进能源场景应用的基础。从数据分析的角度看,长期存储最佳细粒度的智能电表数据是有利的。但是,除了考虑隐私保护等问题外,由于智能电表数据量极大,存储空间需求极高,从技术角度几乎不可能实现存储,因此对数据管理架构提出了挑战。目前,人们已经对智能电表数据存储架构进行了研究[5,6,7],提出了集中式与分布式关系数据库、混合数据库、内存数据库,Hadoop、Map Reduce框架及更进一步的云存储技术。另外,还可以采用数据流技术处理智能电表数据。

数据压缩技术可用于处理海量数据。当处理细粒度数据时,采用有损压缩技术近似原始数据的压缩系数可以达到上百,取决于数据分析精度和细粒度要求。时间序列数据的压缩近似还可以通过回归模型实现,如利用直线函数、基础函数线性组合或非线性函数。如何在不丢失重要信息的前提下,从海量数据中选取相关数据采样整合,将是能源系统各参与者面临的具体问题。

此外,在数据预处理方面,需要考虑的是如何从海量数据中剔除或者清洗异常数据。智能电表数据包含异常值,通常是测量错误,还有一些异常情况如特殊事件或节日。 此外,智能电表数据还可能存在数据采集周期设定不准确等问题,可能导致数据量过少或过大,或定时不准确,这种情况可分别通过在相邻点增加丢失测量值或除去多余值,或采用回归技术估计任意时间点的测量值来解决。

2.2 数据分析

相比于传统电力能源系统,未来能源场景中的新型数据源和新技术需要更先进的数据分析技术。

2.2.1 预测与分类

能源领域数据分析面临的最重要挑战是预测(与分类),不仅存在于未来场景中,在目前也体现出其关键性。按照预测对象的不同,预测与分类及相应算法见表1 所列。

1)时间序列预测。时间序列预测是当今和未来能源场景的关键技术。对时间序列预测的需求表现为:(1)用户需求预测,很多能源场景都需要对用户需求进行预测,如为了实现动态电价,电力零售商将根据用电情况预测合理电价;(2)可再生能源发电预测,其应用场景与传统能源用户用电需求预测的应用场景相同;(3)电网负荷预测,提前几小时了解特定区域的电网负荷预测情况,对制定需求响应措施及储能设施运行有重要意义;(4)灵活性预测,为了实现需求响应,在控制信号场景下,需求侧管理者需要尽量精确地预测用户错峰潜力。此外,还有储能容量预测、电价预测等基本场景。迄今,时间序列预测技术研究已经十分成熟,但在未来能源领域仍然面临一定挑战。如为获得智能电网要求的高质量预测,除了简单的历史时间序列,还需要整合很多影响因素(如天气、节日、特殊事件等),即便与最佳结果存在极小的偏差,也会导致电网付出巨大代价。

2)用户行为预测和分类。用户行为预测和分类是数据挖掘热点应用之一,同样也是能源领域重要的研究课题。具体需求表现为:(1)在竞争激烈的市场中,电力零售商需要对用户行为进行分类,根据用电模式设定营销活动目标群体;(2)在需求响应场景中,需要预测用户需求转移潜力;(3)智能家庭中,用户行为分类可用于确定用户是否将外出工作、留在家里或是驾驶电动汽车等,这将有助于规划发电与用电等。迄今,用户行为预测与分类已经成为重要应用,然而在用电行为分析方面的研究并不多。基于数据挖掘、机器学习等相对比较成熟的技术可以解决一些用户行为方面的数据分析需求[8,9,10]。如文献[10] 提出采用聚类算法来识别不同的用户群体,收集特征向量,利用标准决策树分类器研究这些群体,并自动向各群体分配新用户。然而,由于未来电力能源系统数据可能来源于不同数据源且相当复杂,仍需要更进一步研究特定算法,实现准确、高效的用户行为预测与分类。

3)用电模式与事件的预测与分类。可以分为事件预测和用电模式分类2 部分,未来电力能源系统在该方面的数据分析需求表现为:(1)智能家庭的优化控制和规划要求能检测负载曲线和预测事件;(2)在智能电表场景中突出不同电器的用电模式,增强可视化效果,提高用户用电意识和用电效率;(3)交叉营销活动,一般由增值服务提供商执行,通过分析单个电器,使用新型节能电器时可以触发特殊营销方式;(4)电动汽车的可靠负荷预测有助于未来电力能源系统能够同时在智能家庭和整个电网2 方面制定合理方案,电动汽车领域用户行为事件的检测与预测很复杂,对促进电动汽车的智能充电[11]和V2G是必须的;(5)大规模分布式发电及新型负载可能导致电网故障,故障状态检测与预测是智能电网的主要课题。传统上可采用序列模式挖掘技术预测离散事件[12],近期更多的是采用机器学习技术实现用电模式与事件的预测与分类。此外,未来电力能源系统中使用的智能设备融合了传感器技术、网络通信技术和微处理器,具备更智能的运行模式,并提供更精确完整的用电数据。因此,用电模式和事件的预测将通过智能设备进行改进。

2.2.2 未知模式检测

在一些能源场景中需要利用数据分析技术检测未知信息,这些未知信息表现为描述能源测量结果的相关性和相似用户群体或偏离对象群体的隐藏模式等。在一般情况下,模式类型信息及其特征是未知的,并且没有示例可作参考。因此,未知模式检测需要采用无监督学习技术(聚类法和离群挖掘),这一点不同于上一节描述的预测技术。

聚类法是研究(样品或指标)分类问题的一种统计分析方法,将物理对象或抽象对象的集合分成由具有类似属性的对象组成的多个类。人们提出大量方法用于凸集群、基于密度的聚类和光谱聚类,还有很多扩展算法用于时间序列等特定类型数据聚类[9,13]。对于基于用电情况的用户分割,在对象组群检测和每个组群相关属性检测方面出现了一些开放性的挑战:能够确定不同属性组合的多重聚类方案研究;子空间聚类模型仍然基于低效的处理方案,同时在数据流处理中也出现了进一步的挑战;集群的检测及时间追踪。

离群是数据库中数量较少、突发及可疑的数据对象的数据组。很多情况下,离群数据包含数据库的附加有用信息。离群挖掘在数据挖掘中已有一定发展,已经被应用到能源数据领域的一些工作中,如进行异常用电检测、能源负荷数据清洗及针对智能家居功率数据集的专门离群检测等。离群检测也面临一些开放性的挑战:用于离群检测的在线数据流分析;子空间映射检测本地离群值;高维大数据库的可扩展性;离群模式的描述;新型可视化技术及结果解释说明。

2.2.3 分解

为了提高能源效率,深入了解设备功耗分布是很重要的。通常可通过安装量测电表实现,然而当前测量设备通常价格昂贵、耗时长且通常有数据遗漏。采用精确的负荷分解至少在部分应用中可以代替量测电表,为此需要进一步研究负荷分解算法。文献[14] 提出非侵入式负荷监测(Non-Intrusive Load Monitoring,NILM或NALM)或功率数据分解对智能电表数据进行处理,观察电网基础设施状态,在实现更高能源效率、促进需求响应及智能家庭中的负载管理等方面具有很大的应用潜力。

为了深入了解设备功耗分布,负荷分解应该在正负误差可调的关系基础上尽可能准确。负荷分解分为2 个步骤:对观测值进行模式识别,以最简单的形式识别实际电力负荷的变化,识别呈现观测模式的设备集;优化阶段通过建立系统的隐形马尔科夫模型(HMM),为状态矩阵分配最匹配观测值的状态值,提取具体设备用电信息。

在负荷分解方面面临的挑战有:(1)如何从观测数据中提取隐形马尔科夫模型参数,提高实际应用中隐形马尔科夫模型的精确度;(2)目前还未找到负荷分解精确性的普遍评估方法;(3) NILM的实用性仍需要研究证明。

2.2.4 最优化

在未来能源和智能电网的背景下还存在大量不同优化问题丞待解决。

1)在需求侧,智能设备需要对动态电价做出响应,优化需求计划,包括微型热电联产单元最佳运行方案、电动汽车充电及V2G场景。这不仅对用户住宅高效用电有一定的意义,还对智能停车场的实现至关重要[15]。

2)在供电侧,最突出的优化问题是制定动态电价。在有控制信号的场景中,需要采用最优化方法从需求侧管理者的许多提案中选择最佳提案。此外,在能源存储管理方面需要决定存储装置最佳充放电时间。

由于通常需要考虑许多参数,上述提到的优化问题变得十分复杂,一般会导致高维多变量的最优化问题。除了牛顿迭代法等经典解决方法[16]外,探索性方法如遗传算法[17]已经成为近几年研究的重要领域。

2.2.5 隐私保护数据挖掘

在实现当今或未来能源场景时,自由电力市场参与者收集的数据量越来越大。许多类型的数据可以映射为现实人群,同时伴随着潜在的隐私风险[18]。在智能电表数据分析方面,基于间隔不同的数据可以提取不同的用户行为信息,带来一定的隐私风险。

为了识别不同场景的隐私风险及对电力领域的冲击,人们进行了一系列研究,多数研究的是智能电表计费情况下的特定问题,只有少数提出了解决方案。故而,仍需要研究有效方法来提供隐私保护。这些方法除了应该保护用户隐私,还应该保证电力市场所有参与者在现在及未来能源场景中获得高效满足参与者需求的数据。未来电力能源系统和市场是隐私保护应用的重要领域,这就要求安全与隐私保护在数据挖掘领域的进一步发展与新技术研究。

3 结语

传统能源系统正在转型为更具持续性的能源系统。由于后者依赖于可再生能源,因此引入了转型过程中的主要挑战和从需求驱动生产到生产驱动需求的方式转变。智能电网相关技术将促进未来能源领域的发展,然而在这些技术与场景中,多数会产生新的数据源,并为合理的数据处理和分析带来挑战。

本文介绍了当今可持续能源系统的发展,描述了几种典型未来能源场景,并在这些说明基础上详细介绍了数据分析方面面临的挑战。虽然人们已经进行了大量研究,但仍有许多问题尚待解决,因此还需要在数据分析方面进行更多研究。未来能源领域是数据分析研究应用的重要领域,并具有促进可持续发展的潜力。

摘要：智能电网的发展将促进传统能源系统向未来能源系统的重要转型,并催生了一系列新型数据源,一方面促进了整个能源系统控制和创新技术发展;另一方面由于数据收集的量更大且时间间隔更小,对海量数据处理和数据分析技术提出了新的需求和挑战。文章通过分析智能电表、需求侧响应、动态电价、智能家庭、储能、能源数据管理决策等6种典型未来能源场景,详细阐述了这些典型场景在数据处理与分析方面的需求与挑战,重点针对未来电力能源系统中数据预测与分类、模式检测、分解、最优化、隐私保护等方面的问题展开探讨,并给出相应解决方案。

工业大系统多模型-分散辨识方法 篇3

在控制工程中, 被控对象总是含有种种不确定性。如何卓有成效地寻找到最佳工作点, 人们进行了两个方面的探索:一是寻找收敛速度快的算法;二是在近似模型上做文章, 模型越逼真, 效果就越好。基于对象模型识别的常规自适应控制器以及目前已提出的模糊自适应控制器或者基于神经网络实现的自适应控制器, 由于计算量大, 控制规律复杂, 很难满足实时性要求, 尤其是在操作环境突变的暂态性比较差。在这种背景下, 文章提出了利用多模型来逼近系统动态性能的算法和分散辨识方法来达到可分稳态模型强一致性估计, 这种方法对复杂非线性系统能达到较高的控制精度、速度以及稳定性*。

2 非线性系统固定多模型控制

2.1 多模型控制应用于非线性系统的基本思想

对非线性系统进行线性化, 用多个线性化模型逼近原非线性模型, 经常使用的方法是在平衡点处线性化来获得多模型, 进而基于线性模型构成多模型控制器。通过多个线性模型的协调控制, 实现大范围、强耦合非线性系统的控制。

2.2 平衡点的确定[1,2]

在非线性系统的线性多模型表示中, 平衡点的位置和数量的选择是很重要的。原则上平衡点越多, 越能精确地描述非线性系统。但平衡点太多, 相应的线性化模型越多, 模型库系统的快速性越差, 不利于实时控制。显然, 平衡点的位置和数量应由系统的非线性特性决定。根据平衡点的位置和数量获得非线性系统的线性多模型表示后, 就获得了系统的模型库。根据线性模型设计满足系统性能指标要求的控制器, 形成控制器库。模型库中与对象特征匹配最好的模型定为匹配模型, 与匹配模型对应的控制器称为匹配控制器。为了实时地确定匹配模型和主控制器, 需要建立一个自适应机构, 使得系统能根据被控对象参数或模型的不同自动修正控制规律, 以适应参数或模型的变化, 即实现多个模型对应控制器的协调。

2.3 固定自适应模型的获取

文献[3]使用多模型进行自适应控制是为了用多个模型覆盖被控对象的模型不确定性, 同时保证至少有一个模型充分接近未知的被控对象。在使用多自适应模型构成自适应控制器的过程中, 由于计算量比较大, 模型参数需要动态地调整;另一个缺点是当被控对象参数发生变化时, 自适应模型的参数需要重新给定, 只有当参数值距离真实参数较近时才能保证快速辨识被控对象参数。而固定模型没有以上缺点, 它可以应用于时不变或时变系统中, 但无法保证控制精度。将多固定模型与多自适应模型相结合便可以得到更好的控制品质。

文献[4]在算法中, 固定模型的获取是关键的部分, 一般采用离线设计与在线学习相结合的方法来得到固定模型族。

2.4 非线性系统固定多模型自适应控制构成

当非线性系统被线性化以后, 本文提出利用切换原则构成的非线性系统固定多模型自适应控制的算法, 即根据切换误差构成指标切换函数, 根据指标切换函数的输出来选择最佳控制器。

3 分散辨识方法

分散辨识的基本原理是:首先将大系统分解为多个维数较小、变量数目较少的子系统, 利用过程的稳态关联输入、输出及设定点的阶跃信号, 确定其可分稳态模型每个子系统的输入输出和稳态模型的辨识都是在相应的局部单元完成的[5]。

4 固定多模型控制-分散辨识法

4.1 多模型的建立

考虑如下自回归模型描述的非线性系统[6]:

对于被控对象式 (1) , 定义多个固定平衡点Χi﹡, i为不同的平衡点的下标, 且满足i=1, …, na。将被控对象在式 (1) 平衡点Χi﹡展开, 可得到如下线性模型:

式中:A, B———单位时间延迟算子q-1的多项式;Ai (q-1) =1+ai, 1q-1+ai, 2q-1+…+ai, naq-na;Bi (q-1) =bi, 0+bi, 1q-1+…+bi, nbq-nb;di———与平衡点有关的常数

4.2 前馈控制

考虑在平衡点Χi﹡附近线性化非线性系统式 (1) , 得到线性模型 (2) 。

基于线性模型式 (2) 建立如下前馈极点配置控制器:

式中:T (q-1) ———一个稳定的多项式, 即T (q-1) ≠0, [q]≥1。

4.3 固定多模型自适应控制器

首先要给出如下切换指标函数:

式中:0<α<1;ei (t) =ΧTre (t-1) θi-y (t) , (i=1, …, L) 。

多模型自适应控制器可以按照如下的步骤建立。

初始化模型集, 定义:

(1) 当t>t0时, 定义:

计算:

(2) 再计算:

最后得到与系统非常近似的固定模型。

4.4 固定多模型分散辨识[7,8]

当多模型切换到我们需要的固定模型后, 下一步我们就对其进行可分稳态模型分散辨识, 从而达到可分稳态模型强一致性估计。

考虑一个如下可分稳态模型:

首先, 将yi和ui表示成Qi的线性组合:

为了估计可分模型的未知矩阵Bi和Di, 首先来估计Fij和Eij。对于第i个子过程选择mi+1个设定值σi∈ci, 使得Gi (iδ1-iδ0, iδ2-iδ0, …, iδmiiδ0) 为可逆矩阵。并且将这mi+1个设定值对应的阶跃信号逐渐加到实际过程中, 而第j个子过程 (j≠i) 则维持在一固定的特定值 (如cj) 。第一阶段:将第i个子过程的关联输入/输出的采样值送到相应的第i个局部估计单元。由此可得Fii和Dii的强一致估计;将第j个子过程的关联输入/输出的采样值送到相应的第j个局部估计单元。由此可得Fij和Dij的强一致估计;第二个阶段:由上已知, 由Ai和Bi可确定Fij和Dij, 反过来就不一定, 即确定Ai和Bi还需要一定的条件, 这个条件就是可辨识性条件。即:

存在唯一解。

在过程为可分模型可辨识的条件下, 由式 (3) 可知, 确定Bi只利用了Fij和Dij (j∈1, N且j≠i) 的信息, 而Fij和Dij的确定是在第i个子过程对应的第i估计单元完成的, 因此Bi的确定可在第i估计单元完成。同理, 从式 (3) 可知Ai的确定可在第i个估计单元完成。所以辨识是完全分散辨识。

5 仿真研究

造纸过程是典型的非线性过程, 它的模型参数随工况变化而变化, 常规的自适应控制器中的辨识器难于跟随参数的实际变化, 造成模型不准确。为切合实际, 取纸机多模型为例。某纸厂生产80g/m 2、100g/m 2和120g/m 2三种不同定量书写纸的纸机, 要求严格控制成纸定量y1和水份y2, 通过机理分析和试验, 分别得到其数学模型为:

取控制和采样周期为T=1s, 要求系统跟踪幅值为1、周期为40T的方波, 系统初态为零, 这里我们采用基于切换指标函数的前馈极点控制器。现在假设要生产110g/m 2定量纸, 根据前述模型参数的变化情况, 设对应的纸机模型为:

对应前三个模型离线设计好三个控制器, 采用多模型-分散辨识法控制, 当实际模型为G110 (s) 时, 仿真结果如图1、图2所示, 可以看出系统在给定值不同时阶跃变化不是很大, 表明控制效果良好。

6 结论

针对非线性大工业过程在线快速控制和稳态优化问题, 如何利用过程的动态信息获得其稳态模型, 以便得到其最佳设定值, 文章在采用文献[4～8]思想的基础上, 将多模型算法和分散辨识融合在非线性大工业系统中, 采用固定多模型-分散辨识方法, 获取其较高的控制精度和稳态模型的强一致性估计, 使得复杂非线性系统能达到较高的控制精度、速度以及稳定性。仿真研究表明, 本文给出的多模型-分散辨识法对被控对象模型的变化具有较强的鲁棒性, 并且跟踪迅速, 具有较强的实用性。

参考文献

[1]赵志魁, 韩崇昭, 万百五.多模型自适应控制及其在三轴转台中的应用[J].控制与决策, 1998, 13 (3) :220-221.

[2]李晓理, 王伟.基于局部化技术的多模型自适应控制[J].自动化学报, 2000, 26 (4) :523-528.

[3]王凤芹.非线性系统的多模型自适应控制[D].秦皇岛:燕山大学, 2005:33-35.

[4]袁向阳, 施颂椒.一种多模型自校正控制算法及其在醋酸蒸发器液位控制中的应用[J].信息与控制, 2000, 29 (2) :23-24.

[5]刘知贵.大工业过程稳态模型的分散辨识[J].电子科技大学学报:自然科学版, 1999, 28 (3) :42-45.

[6]周俊超.非线性系统的多模态模型及其应用[D].上海:华东理工大学, 1992:23-25.

[7]刘知贵, 黄正良.大工业过程的稳态模型分散辨识及其强一致性分析[J].控制与决策, 2005, 20 (3) :58-62.

多能源系统 篇4

全球范围内来看,30%～50%的陆地已受到面源污染的影响,并且在全世界不同程度退化的12亿hm2耕地中,约12%由农业面源污染引起。关于控治面源污染的研究在国内外已有很多,其中农田控制排水是一项新的农田水分调控模式,国内外研究证明,农田控制排水能取得控治农田面源污染、提高农作物产量、提高水资源利用等效果,所带来的环境效益、经济效益、社会效益都很明显。在我国,农田控制排水研究尚处于起步阶段,农田控制排水机制等都有待改进;多智能体(Agent)系统作为一种集分析、推理、决策等于一体的智能系统,其实际上也是计算机语言编程和一系列的电子器件等的组合,将其引入农田控制排水机理研究当中符合农田控制排水多目标性要求,将进一步促进多目标的和谐统一,推动农田控制排水智能化、网络化、自动化的发展进程。

1 国内外农田控制排水概况及多目标分析

1.1 国内外农田控制排水发展概况

农田控制排水在国外的试验研究已经有10年之久,在瑞典,Ingrid Wesstrom在瑞典南部农田进行了排水控制试验,通过调整排水强度、排水系统排水闸门的高度控制农田排水量,从而减少农田排水中氮、磷养分的输出;在美国与加拿大,也已广泛进行试验与推广农田控制排水技术,本项技术主要是通过控制地下排水闸的高度来实现的,从而可以控制农田的排水量,进而减少农田养分流失,在美国北卡罗来纳州进行了14项农田控制排水试验,取得了很好的农田水管理效果;在欧洲、日本,农田控制排水的试验研究也取得了很多成果,集中表现农田控制排水朝自动智能化方向发展。

在我国,农田控制排水作为一项全新的农田水分调控模式,国内相关的研究还处于初始阶段,但是所取得的研究成果颇多。

1.2 农田控制排水目标分析

农田控制排水是一个多目标的水资源调控措施。农田控制排水在我国的试验研究表明,它在农业面源污染控治方面起到了很好的功效,如稻田排水是南方地区氮磷损失和面源污染的主要途径,控制排水可减少地面排水量和排水中氮磷浓度,尤其是降低径流中氮磷浓度,从而减少稻田氮磷损失,有效地防治了农业面源污染;农田控制排水有效的调控了农田水位以及地下水位,满足了农作物生长发育需求,进而保障及促进了农作物的产量;农田控制排水在水资源调控利用方面也有突出的功效,如在降水期间,控制排水系统能有效的调控与储存多余的水,起到防洪作用的同时也为农田灌溉提供了用水保障;在防止土壤盐碱化方面,农田控制排水存在不利的方面,即控制排水一定程度上减少了盐分等的排放量,引起了农田土壤含盐量增加,为解决这个目标与其他目标的矛盾,则需通过个目标的协调来实现;农田控制排水其他的目标主要体现在生态景观效应、社会经济效应等方面。

农田控制排水多目标体系如图1所示。

2 多智能体(Agent)系统

多智能体系统是由多个智能体组成的智能体社会是一种分布式自主系统。智能体是一个能够感知外界环境并具有自主行为能力的以实现其设计目标的自治系统。智能体的特性有以下4项。

(1)反应性:

智能体处于一定的环境中,它通过相应的电子器件(感应器)能够感知环境,并对环境的变化及时地做出反应以满足其目标。

(2)主动性:

智能体不但能够简单地对环境做出反应,而且能够主动发动某种动作行为,执行某个操作,以满足设计目标。

(3)自治性:

智能体具有一些其他智能体不能直接访问的内部状态。在这些状态的基础上,智能体无需靠人或其他智能体的干预,自主地决定其自身行为。

(4)可通信性:

通信指智能体之间可以进行信息交换,智能体可以和人进行一定意义下的“会话”。任务的承接、多智能体之间的协作和协商等都以通信为基础,而且智能体的通信内容不涉及假的信息。

个体智能体的研究内容有:①智能体的概念及分类;②推理能力,包括智能体对自身的信念、期望、意向的推理探讨以及对其他智能体的知识和行为的推理研究;③自适应和学习能力研究;④ 智能体机构分析。

多智能体的研究内容有:①多智能体组织分析;②多智能体之间的协调与协商分析;③ 多智能体的合作;④ 多智能体一致性行为分析;⑤多智能体之间通信研究。

3 基于多智能体(Agent)的控制排水机理探讨

农田控制排水的最终目标是实现农田的可持续性生存与发展,要实现这个目标,则需要对农田控制排水的各分目标进行协调统一,进而解决分目标之间的冲突,多智能体系统就能很好的解决各个体之间的冲突矛盾。多智能体系统协同决策理论起源于人工智能领域,其体现了自主性、自治性、适应性及协作性等关键属性,智能体系统已应用于很多领域,现就引入多智能体系统技术来探讨研究农田排水机理。首先,利用智能体系统的属性特点,建立农田控制排水分目标的智能体系统,通过个体智能体系统本身的推理、适应等能力来实现各分目标;其次就是通过多智能体系统之间的组织、合作、协调等相互作用来消除各分目标之间的冲突,智能的深化农田控制排水机理理论,实现各分目标的和谐统一,为农田控制排水提供决策支持系统,保障农田的可持续性发展。

3.1 分目标智能体(Agent)系统分析

根据农田控制排水的多个目标,建立对应的各个目标智能体系统,即农业面源污染控治智能体系统;提高农作物产量智能体系统;防治农田土壤盐碱化智能体系统;其他目标智能体系统。以下为各分智能体系统分析。

(1)农业面源污染控治智能体系统的目标是根据农田化学元素的转移规律而决策于控制排水,进而防治农业面源污染。该Agent个体系统的推理能力主要表现在,智能体系统对化学元素的动态变化的检测加以认识推断,如根据土壤中N元素的转化运移数学公式:

结合外界检测数据进行自我推断自我分析,得出针对本目标的控制排水决策,同时,强化其对外界化学元素变化的应对推理能力。农田控制排水Agent在强化自己推理决策能力的同时,自适应能力和学习能力也得到提升,主要是对化学元素的转移以及环境变化进行内部的调整学习,逐渐对外界的动态变化适应起来,慢慢积累适应环境(化学元素变化)变化的能力,完善控制排水的参数体系。Agent的机构组成主要包括化学元素动态变化实时数据检测体系、化学元素动态变化的数学模型体系、参数标准的完善体系、逻辑分析体系及决策体系。

(2)提高农作物产量智能体系统的目标是根据农作物各生育阶段要求实时调控农田水位与地下水位,保障农作物生长所需要的物理性水环境条件。系统的推理主要是根据已有的试验数据成果(即农作物生长发育各阶段的最优农田水位以及地下水位范围)与水量平衡数学模型(地表水量平衡数学模型与地下水量平衡数学模型)以及未来的农作物水位生产函数,同时,结合外部环境的检测数据及作物生长情况,进行推断计算控制排水的决策。农田水位及地下水位是一个动态变化的过程,该智能体系统推断计算排水的过程中,不断地统计分析控制排水的变化规律,不断地感知外部环境的变化趋势,重新调整推理逻辑体系以适应动态变化要求,逐渐强化自己的自适应能力和学习能力。系统包括农田水位监测体系、地下水位监测体系、农作物生长发育监测体系、分项决策推理体系等。

(3)提高水资源利用智能体系统的目标是防止洪涝、控治面源污染的同时,提高对洪涝等水资源的利用。该项系统的运行推理理念是根据外部气象变化、农田蓄水情况、地下水位情况等基本条件,同时引入了风险评估机制与原理,结合实际情况与风险评估原理来决策控制排水资源,实现提高水资源的利用率。系统的适应能力与学习能力的研究主要集中在对外部检测数据以及发展趋势与风险管理等的适应学习上,体现在学会适应洪涝变化情况、强化风险管理机制与水资源利用的结合、完善水资源的管理利用机制等上。系统机制主要包括气象监测体系、农田水情况监测体系、风险评估体系、水资源管理利用体系等。

(4)防治土壤盐碱化智能体系统与控治农业面源污染智能体系统存在一定的矛盾,其将在多智能体系统的协调合作下解决。该系统是通过对土壤中盐碱含量的监测,推断出土壤盐碱含量的变化趋势,进而根据土壤盐碱含量的技术参数,对控制排水进行对应的推理决策,系统适应学习能力是针对排水量与排盐碱量的变化关系规律,逐渐积累两者之间的变化经验,得出最优的排水量排放。系统包括土壤盐碱含量的监测体系、盐碱含量动态变化归纳体系、控制排水决策体系等。

(5)其他目标对应智能体系统。系统的目标主要包括优化农田生态景观、提高社会经济效益等。系统的推理主要是依靠相应的评价方法以及经济计算公式等进行的数学计算,推理能力的提高表现在对数据的处理之上。系统包括调研数据处理体系、数学模型优化体系、控制排水生态效益管理体系等。

3.2 多目标智能体(Agent)系统协调研究

通过对各分智能体系统的探讨分析,基本了解了分智能体系统的结构以及推理运行机制,本节就各智能体系统之间的通信、组织合作、协调运行进行研究探讨,分析基于多智能体系统的农田控制排水机理。

3.2.1 各智能体(Agent)系统目标之间的冲突分析

控治农业面源污染智能体系统目标与防止土壤盐碱化智能体系统目标相矛盾,即在减少排水量能减少农业面源污染的同时阻碍了盐碱成分的排出等矛盾;控治农业面源污染智能体系统目标与其他目标智能体系统也存在一定的矛盾,即减少农业面源污染的同时增加了化学元素在农田的累积,进而产生农田本身的面源污染,影响生态景观,也造成一定的经济损失,此时,农业面源污染智能体系统目标自然和提高农作物产量智能体系统目标产生冲突,该系统与提高水资源利用智能体系统目标的冲突不大。防止土壤盐碱化Agent系统目标与提高农作物产量智能体系统目标存在一定冲突,即防止盐碱化需要加大增多排水量排水次数,此必将影响农田水分的动态变化,进而影响作物的生长发育,防止土壤盐碱化智能体系统目标与提高水资源利用智能体系统目标之间的冲突是,水资源的存放量以及存放变动之间的矛盾,防止土壤盐碱化智能体系统目标与其他智能体系统目标的冲突不是很大。提高水资源利用智能体系统目标与提高农作物产量智能体系统目标的冲突很明显,通过减少排水量及排水次数提高水资源的利用势必扰乱农作物生长发育所需的优化水位,影响农作物的产量;提高水资源利用智能体系统目标与其他智能体系统目标的冲突不大。提高农作物产量智能体系统目标与其他智能体系统目标的冲突不大。

3.2.2 各智能体(Agent)系统之间合作组织、协调

各智能体系统首先进行的是本身排水决策分析,即通过自身的体系机构分析排水策略,然后通过智能体系统之间的协议进行通信交流,通信交流路线有C25种,通信交流进行组织合作分析,计算推断多目标的排水决策,其主要基于专家设定各目标权值或一些试验参数来协调各目标之间的冲突,如控制农业面源污染智能体系统得出的排水决策(排水量、排水频率、排水时间等),其将自身的排水决策与其他各个智能体系统排水决策进行通信交流,根据各个目标的评定权值以及相关技术参数进行重新排水决策计算分析(如加权值相加算法来确定总的排水决策,如5个目标的各排水量分别为P1、P2、P3、P4、P5,它们对应的权值分别为:f1、f2、f3、f4、f5,则排水总决策P= f1×P1+f2×P2+f3×P3+f4×P4+f5×P5,其他如排水次数、排水频率等亦可通过选定的数学方法进行计算分析)。

基于多Agent系统农田控制排水机理研究,就是以智能体本身特性为基础,建立多目标的个体智能体系统,个体智能体系统运用本身的推理、学习、自适应等能力,得出各自本身的排水决策,进一步利用多智能体系统之间的组织、合作、协调等智能方式进行分析,最终得到多目标的排水决策,实现多目标的和谐统一,多智能体系统运行如图2所示。

4 结 语

本文通过对农田控制排水的多目标性分析研究,阐述了农田控制排水下各个目标的排水要求。由于各目标的排水要求以及排水目标存在一定的矛盾或冲突,在此引入多智能体系统技术。不同的排水目标对应不同智能系统,智能体系统实际上是利用计算机编程语言实现的程序系统,各自的程序系统完全体现了控制排水目标的结构性和复杂性。程序系统中存在不同的外界参数和内部计算的推理代码,结合外部感应电子器件以及农田控制排水历史记忆等,可以实现各个控制排水目标。在各个智能系统之间,可以建立一个权重数据库以供协调和沟通各个智能系统,达到实现统一的农田控制排水目标。因此,建立农田控制排水多目标对应的个体智能体系统,运用智能体系统的技术结构特性来强化和实现农田控制排水的各分目标,同时,运用多智能体系统之间的合作、组织、协调等智能手段来实现农田控制排水多目标的和谐统一,促进农田控制排水机理的智能化、网络化发展,最终实现灌区的可持续性生存与发展。

参考文献

[1]Wesstrom I,Messing I,Linner H,et al.Controlled drainage-effects on drain outflow and water quality[J].Agricultural WaterManagement,2001,47(2):85-100.

[2]Wooldridge M J.Jennings N R.Intelligent Agents;Theory andPractice[J].Knowledge Engineering Review,1995,10(2):115-152.

[3]王学通,王伟,于蕾,等.多Agent系统研究概述[J].现代电子技术,2006.225(10):65-67.

[3]陈晓东,寇传和.水田控制排水技术的环境效益初探[J].节水灌溉,2006(4):32-34.

[4]罗纨,贾忠华,方树星,等.灌区稻田控制排水对排水量及盐分影响的试验研究[J].水利学报,2006,(5):608-612.

[5]殷国玺,张展羽,郭相平,等.地表控制排水对氮质量浓度和排放量影响的试验研究[J].河海大学学报,2006,34(1):21-24.

[6]陈晓东,寇传和.水田控制排水技术的环境效益初探[J].节水灌溉,2006,(4):32-34.

多能源系统 篇5

CAI系统中的教学信息是由教师事先构造教学流程, 从而为学生提供的。系统根据学生回答问题的答案来引导学生学习, 以实现从一个页面到另一个页面的跳转。这样的系统在一定程度上实现了因材施教, 但其不了解学生的认知风格与认知水平。智能导学系统是针对CAI系统的不足而提出的, 其建立过程涉及多门学科的知识, 如心理学、教育学、计算机科学技术、认知学等, 它是人工智能技术在教育领域中最重要的应用。

2. 智能导学系统

智能导学系统是一种借助人工智能技术, 让计算机扮演教师的角色, 向不同需求、不同特征的学习者传授知识, 以提供个别化教学的学习支持系统[1]。

智能导学系统应具备以下智能特征[2]: (1) 具备某一领域的学科知识, 有完备的知识库; (2) 能自动生成各种习题和测试题; (3) 能够分析学习者的特征, 根据学生的水平、学习情况调整学习内容和进度; (4) 能不断在教学中改进教学策略。

根据系统目标, 智能导学系统基本可以划分为问题求解支持和课程序列两类:

(1) 问题求解支持

智能导学系统的一个基本作用是问题求解支持。问题求解支持的主要目的是, 当学生处理诸如一个工程或一个问题这样的任务时, 系统为学生提供诸如实施步骤此类的智能化帮助;当学生在某一步骤遇到困难时, 智能导学系统会给出一个提示, 为学生提供一种解决办法。此时, 对系统开发者而言, 最需要解决的问题是-如何准确理解学生行为, 从而为学生提供好的解决方案。

(2) 课程序列

课程序列技术旨在为学生提供个性化的、最优化的学习路径。智能导学系统自动地选择最优的教学方式, 如案例教学、课堂提问等。

利用智能导学系统学习的学生往往是一个人在按照自己的进度学习, 并且没有辅导教师的指导。而对于学生来说, 正确的学习路径、建议很重要, 这有助于学生顺利完成学习任务, 提高学习效率。

3. 多Agent技术介绍

3.1 Agent的基本属性

一个程序是否是一个Agent就在于它是否利用了一个或多个展示某种类型智能的属性[3]。

3.2 Agent间的通信

Agent之间的通信主要由通信的具体对象、与通信对象发生通信时所在的位置、通信发生的时间、通信时所使用的语言等四个方面确定。

要实现Agent间的通信, 必须知道通信的对方是谁, 怎样找到它、初始化通信以及如何保持通信。知识共享计划 (Knowledge Sharing Effort, KSE) 的Externa Interfaces工作组提出了知识查询与操纵语言 (Knowledge Query and Manipulation Language, KQML) , 智能物理Agent基金会 (Foundation for Intelligent Agents, FIPA) 开发了ACL语言。

虽然KQML的出现是一个创新并取得了成功, 但它仍存在以下两个缺点[4]: (1) 语用词不完善; (2) 语用词的含义只是以自然语言英语描述, 并没有严格定义, 从而无法给出特定的形式语言描述。FIPA-ACL的提出很好地解决了以上两个问题。

一条典型的FIPA-ACL消息如下:

3.3 多智能代理系统

多智能代理系统 (Multi-Agent System, MAS) 是由多个自主协作、相互配合的Agent个体构成的, 它提供了分散控制和并行处理。在MAS中, Agent之间以及Agent与环境之间, 通过通讯、协商与协作来共同完成依靠某一个Agent无法完成的任务。它具有灵活性、适应性, 适合应用于开放、动态的环境。基于智能导学系统多用户、并发访问的特点, 使用Multi-Agent技术进行智能导学系统的设计与开发。[5]

3.4 多Agent系统的开发平台

国内外学者多使用ZEUS和JADE开发平台对多Agent系统进行研究、开发, 它们都是基于JAVA语言开发的开源平台。研究[6]表明, 作为开源平台, JADE与ZEUS相比具有以下两个优点: (1) JADE通过内核直接提供消息服务, 服务速度快;在同一条件下, JADE平台上发送消息的速度几乎是ZEUS的10-20倍; (2) 系统稳定性好, 即使系统需要部署大量的Agent, 使用JADE平台进行开发, 系统稳定性依然很好。

JADE (Java Agent Development Framework) 是意大利电信联合研究中心和帕尔玛大学计算机工程研究组共同研制、开发的一个中间件产品, 用以辅助与FIPA规范兼容的Agent应用开发, 尤其是对于互操作的智能MAS[7]。在Agent应用程序需要利用一些FIPA标准规范所涵盖特征 (消息传递、Agent生命周期管理等) 时, JADE提供相应的支持;它使编程人员能够通过面向对象的抽象来利用FIPA标准资源[8]。JADE平台提供一个符合FIPA规范的软件框架, 能够轻松实现命名服务、黄页服务、通讯服务等功能, 减轻MAS开发的难度, 为系统集成开发提供了便利条件。JADE基本上是基于Agent的系统开发的最佳解决方案和最适合的开发工具、运行时环境。

4. 系统的设计

4.1 系统功能的设计

系统主要由学生和教师两类用户构成;系统中包含学生、教师以及管理员三类角色, 考虑到普通管理员专业性不足以及管理负担, 部分教师承担管理员角色。系统功能如图1-1所示。

4.2 学生模型的建立

学生模型以一种计算机可识别的、易修改的、可扩展并且易检索的形式呈现, 它是系统中学习者的抽象表示, 记录了学生的基本信息以及认知水平信息。这些信息准确无误地、客观地、真实地反映了学生当前的知识水平和认知能力, 对于获得学习者对知识内容的理解状态非常重要。

如何有效评价学生的学习状态以及学生认知水平的表达, 是建立智能导学系统的一个难点。主要是因为: (1) 如果想要了解所有学生的学习水平, 需要大量的观察数据, 而要获取这样的数据非常难, 几乎不可能做到; (2) 即使获取了与学生学习相关的某一类信息, 如学习目标、学习计划、知识水平以及学习中的不足, 信息本身也是非常复杂或是与学生实际行为不一致的数据。通过建立学生模型, 智能导学系统能够推断出学生是否掌握了当前学习的知识点, 进而开展下一步有针对性、个性化的教学, 如呈现适应性教学内容, 给出合适的教学指令、建议, 有效链接等。

目前, 粗糙集、模糊集、向量、网格、贝叶斯网络、图、本体论、与或树等大量技术广泛应用于学生模型的建立。

4.3 系统数据库设计

根据智能导学系统的主要功能, 结合课程实例和知识点的特点, 将数据库内的重点库表分为三类:用户信息库、教学模型库、教学资源库。

5. 结束语

智能导学系统的应用改变了传统的教学模式, 使学生的学习积极性、主动性都得以提高, 教学效率有所提升;但其建立的过程是一个复杂的工程, 多Agent理论应用于构建智能导学系统模型具有可行性, 该技术的应用有效解决了开发过程中所遇到的难题。

参考文献

[1]智勇.分布式学习环境中的智能授导系统研究:[硕士学位论文].南京:南京师范大学, 2004

[2]陆琦.点击流数据仓库在智能导学系统中的应用研究:[硕士学位论文].沈阳:东北师范大学, 2009

[3]M.Tim Jones.人工智能 (黄厚宽, 尹传环, 董兴业等译) .北京:电子工业出版社, 2010, 239~267.

[4]杨健.基于Agent的现代远程教学系统的设计与实现:[硕士学位论文].武汉:华中科技大学, 2007

[5]李海燕, 费洪晓.基于多Agent的智能网络教学系统研究.南华大学学报 (自然科学版) , 2004, 18 (4) :71~74.

[6]Pavel Vrba.JAVA-Based Agent Platform Evaluation.HolonicAnd Multi-Agent Systems For Manufacturing.Berlin:Springer-Verlag, 2003, 47~58.

[7]Fabio Bellifemine, Agostino Poggi, Giovanni Rimassa.DevelopingMulti-agent Systems With a FIPA-compliant Agent Framework.Software—Practice And Experience, 2001, 31 (2) :103~128.

多能源系统 篇6

曲轴系是内燃机中最重要且受载荷情况最复杂的部分,因此对其动力学分析不仅可以为固定件的分析提供精确的边界条件,而且对于后续的整机振动噪声分析和预测具有非常重要的意义。然而,传统的质点力系方法和传统的单纯有限元分析方法均无法满足当前对激励力精确分析的要求。本文以某型号柴油机为例,运用有限元分析软件ANSYS生成的曲轴柔性体,结合机械系统动力学仿真软件ADAMS建立曲轴系的多体系统动力学模型,计算出各构件的激励力,为后续进行的振动噪声分析提供数据参考。

1曲轴系CAD实体建模

内燃机曲柄连杆机构包括活塞组、连杆组和曲轴飞轮组3大部分。活塞组的主要构件包括活塞体、气环、油环、活塞销、卡簧等;连杆组的主要构件包括连杆体、连杆大头、滑动轴承、小头衬套等;曲轴飞轮组的主要构件包括曲轴和飞轮等。

进行内燃机曲柄连杆机构多体系统仿真分析,首先需要利用CAD工具软件Pro/E建立各构件的三维实体模型,然后根据各构件之间的相互关系进行装配,从而得到整个机构的实体模型。此时所建立的各构件均为刚体模型,利用这些模型可精确计算得到建立曲柄连杆机构运动学模型所需要的零件质量、质心位置及转动惯量等参数[1]。某柴油机曲轴系CAD三维实体模型见图1。

2曲轴系多体系统动力学模型的建立

2.1 多刚体模型建立

将图1所建好的三维实体模型导入机械系统仿真软件MSC.ADAMS中形成曲轴系的刚体模型,并完成质量、质心位置和转动惯量等参数的计算工作。

2.2 多体系统动力学模型的建立

2.2.1 关键部件有限元模型的建立

曲轴作为曲轴系的关键部件是弹性体而非刚体,为了更真实地计算其对内燃机内部激励载荷的影响,需要对其进行柔性化处理。

将在Pro/E中所建立的曲轴模型导入ANSYS中,采用有限元法对曲轴进行离散化,形成曲轴的有限元模型,并进行模态综合分析,产生一个包含零件材料、节点、单元和模态信息的模态中性文件,以满足ADAMS中建立柔性体模型的需要[2]。

2.2.2 多体系统模型的建立

在MSC.ADAMS中将有限元软件ANSYS中生成的柔性体中性文件(MNF模态中性文件)导入并代替原来的刚性曲轴,生成柔性曲轴,得到含柔性体的多体系统动力学仿真模型,见图2。

3施加约束和作用力

曲轴系多体系统仿真模型中包含两类边界条件:一类是限制各构件间相对运动关系的运动约束边界条件;一类是内燃机工况边界条件。

3.1 运动约束边界条件

运动约束边界条件是指对各构件的运动自由度进行限制,使之实现与真实机构完全相同的运动规律而施加的一类约束。主要包括限制活塞只可以沿着缸筒直线运动的移动副、限制曲轴只可以发生绕其轴线旋转的旋转副、限制连杆大头只可以发生绕曲柄销轴线旋转的旋转副等。

3.2 内燃机工况边界条件

内燃机工况边界条件是指模拟内燃机实际工作状况的气体压力载荷和曲轴运动转速两种边界条件。某柴油机在其标定工况下的转速为1 300r/min,缸内气体压力示功图见图3。

在具体施加缸内气体压力边界条件时,应根据多缸内燃机的发火顺序调整各活塞表面的气体压力相位。某型柴油机其气缸发火顺序为1-5-3-6-2-4,所以在施加气体压力边界条件时应按此顺序相间120o相位角分别施加。

无需专门施加惯性力载荷(包括往复运动惯性力和旋转运动惯性力两类)边界条件。它们将由所施加的曲轴转动角速度以及CAD软件计算得到的各构件质量分布情况,以体积力的形式自动施加给相应构件。

4仿真结果分析

某柴油机在标定工况下,活塞对缸壁的侧击力仿真结果见图4。

图4表明:活塞对第1缸和第4缸的侧击力基本一致,只是存在相位差。图4中出现大的峰值是由于做功过程中活塞受到气压力巨大的冲击力而引起的。

在标定工况下第1主轴承载荷仿真结果见图5。其表示了第1主轴颈在发动机一个工作循环中x、y方向的受力情况。图5中出现了几处峰值,应尽量避免在这些位置布置油槽或油孔。

5结束语

基于多体系统动力学分析方法进行仿真分析,结果表明多体系统动力学模型不但可以很好地描述曲轴系动力学特性,而且利用本文的方法所得到的曲轴系动力学仿真结果与曲轴系实际工作情况吻合,所以可直接用于后续对内燃机整机振动、噪声分析。由于涉及了曲轴弹性特性的影响,所以该分析结果较之传统的质点力系分析方法具有更高的分析精度和可靠性。

摘要：针对某柴油发动机的曲轴系系统,建立了其三维实体多体动力学模型,并基于多体系统动力学方法进行了多体动力学仿真分析,得到相关载荷参数,为后续内燃机整机噪声分析和预测提供了更为准确的边界条件。

关键词：内燃机,柴油机,曲轴系,多体系统动力学,仿真

参考文献

[1]张林仙.基于多体系统仿真的内燃机曲柄连杆机构动力学分析[J].装备制造技术,2006(4):14-16.