预测调度（共6篇）
预测调度 篇1
电力调度负荷预测是电力系统调度、实施控制、运行计划的基础, 能够提高电力调度精度, 成为实现电力调度精益化管理的有效措施。电力调度负荷预测水平, 不仅表现在负荷预测的准确度上, 还表现在对整个电力系统管理的水平上。我国社会经济水平的快速提高, 推进了电力系统的广阔发展前景, 对电力调度负荷预测提出了更高的要求, 满足社会发展的需要。通过加强电力调度负荷预测水平, 能够更好的管理用电计划, 进而选择适宜的电力系统运行方式, 有利于电力系统综合效益的提升。
1 影响电力调度负荷预测的主要因素
电力调度负荷预测的主要影响因素包括以下3点:第一, 未来各种可能引起负荷发生变化的情况, 并不能事先确切地全部掌握。第二, 某些复杂的因素, 即使知道它们会对电力系统的负荷发生影响, 但要定量的准确判断常常是困难的。第三, 在预测中出现的很多实际问题, 还决定于预测人员敏锐的判断力与经验积累。
2 加强电力调度负荷预测的措施
2.1 引进先进的电力调度负荷预测技术
传统的电力调度负荷预测技术已经不能够适应现阶段电力系统的实际情况, 相关部门要积极引进先进的电力调度负荷预测技术, 提高电力调度符合要求预测的水平。例如, SCADA采集系统就是一种比较新的电力调度负荷预测软件, 应用其中的0PEN3000模块, 可以自动获取历史信息及数据并存入到指定的位置, 以便于工作人们可以参考电力调度历史实际负荷情况, 为电力调度负荷预测提供了有力的技术支持, 可以获取更加准确的电力调度负荷预测结果。
2.2 提高电力调度负荷预测工作人员队伍的综合素质水平
电力调度负荷预测工作是一项非常重要的工作, 对于电力系统的正常运行和科学管理是不可或缺的环节。针对目前我国电力调度负荷预测工作人员专业技能较差的现状, 我国相关部门要努力提高电力调度负荷预测工作人员队伍的综合素质水平, 重视工作人员的责任心培养, 充分认识到电力调度负荷预测的重要性, 建立专门的电力调度负荷预测专责, 采用替代机制, 明确电力调度负荷预测岗位的考核办法, 从根本上规范电力调度负荷预测。
2.3 加强电力调度负荷特性分析
对指定地区的电力调度负荷预测进行仔细分析研究, 认真考虑预测节点的负荷大小以及占据总负荷的比例、负荷构成、基础负荷情况、负荷运行特性、电厂的影响和历史负荷曲线, 分类管理负荷, 找出电力调度负荷预测的变化规律, 提高电力调度负荷预测的真实性和准确性。
2.4 综合考虑电力调度负荷预测的影响因素
在进行电力调度负荷预测过程中, 要全方面的预测和掌握电力调度负荷预测的影响因素, 充分考虑天气类型、降水、风向、气压、温度、舒适度等信息。同时, 要了解电网拉限电情况和错避峰情况, 掌握电厂开停和检修计划, 提前制定电力调度负荷预测的具体实施情况和意见。具体地, 可以建立与不同天气、不同季节相对应的负荷变化档案资料, 分析这些资料, 在以后的负荷预测工作中可以方便的查询这些历史资料, 并且掌握负荷预测的变化规律, 根据平均温度、最高温度和相对湿度等信息进行电力调度的负荷修正。
2.5 加强节假日的电力调度负荷预测工作
在节假日, 电力调度负荷预测的波动比较大, 负荷预测的难度相对也增加, 并且连续多日的负荷预测, 其准确度是较难掌握的。国庆、中秋、五一、元旦、春节等节日的到来, 增加了电力系统的运行复杂性, 尤其是春节的假期较多。在进行节假日电力调度负荷预测时, 需要参考往年的历史情况和经验, 提前了解用户信息和电厂发电情况, 将节日期间的天气情况考虑到其中, 科学的调整节假日的电力调度负荷预测的大小, 这样能够有效的提高电力调度负荷预测的准确度。
2.6 加大对大用户及电厂的管理
我国电力调度负荷预测工作中, 大用户的用电信息和电厂发电出力情况是非常重要的信息, 因此, 要想提高电力调度负荷预测的水平, 就要加大对大用户及电厂的管理力度。一方面, 要求电厂要签订并网调度协议, 遵循规定的调度原则, 根据电机组设计能力, 统一安排发电曲线, 严格要求电厂按照统一的电厂发电曲线运行。另一方面, 生产负荷波动超过10 000KW的大用户, 由于其电力负荷较高, 对于电力调度负荷预测的影响较大, 因此, 必须要采取提前申请的方式, 减少对负荷预测结果的影响, 减少电力调度基本负荷波动。各地区相关部门要及时通知大用户进行检修, 降低大用户的负荷波动, 申请被批准后才可以执行。
3 结论
电力调度负荷预测是电力系统管理的重要组成部分, 是保证电力系统正常运行的基础环节。我国电力调度管理部门要引进先进的电力调度负荷预测技术, 提高电力调度负荷预测工作人员队伍的综合素质水平, 加强电力调度负荷特性分析, 综合考虑电力调度负荷预测的影响因素, 加强节假日的电力调度负荷预测工作, 加大对大用户及电厂的管理, 是加强电力调度负荷预测的有效措施。
摘要：电力调度负荷预测是依靠社会、经济、气象、电力负荷等信息, 监测电力负荷变化规律并预测未来负荷的重要手段。本文提出了加强电力调度负荷预测的措施, 为我国电力调度负荷预测工作提供一定的可参考依据, 促进电力调度负荷预测的快速发展。
关键词：电力调度,负荷预测,措施
参考文献
[1]苏庆新.区域电力系统超短期负荷预测及网络建模分析[D].东华大学, 2012.
[2]黄琼.电力市场环境下武汉供电公司电力经济调度研究[D].湖北工业大学, 2012.
[3]胡玲.基于模糊神经网络的短期电力负荷预测研究[D].南华大学, 2011.
预测调度 篇2
云平台采用虚拟化技术将集群中的各种资源构成资源池[1], 接收用户任务请求, 并将任务调度到合适的资源上执行。云资源的动态变化, 使得如何将用户任务调度到合适的资源上执行, 维护系统的时间跨度性能和负载均衡性能, 成为亟待解决的问题。预测是指人们采用一定的技术方法, 利用已经掌握的信息, 对客观事物的发展或趋势做出科学分析[2]。使用预测技术对云资源负荷序列未来的运行状态进行预测, 基于预测结果进行任务调度, 可以有效提高系统调度性能。
目前国内外学者提出了很多任务调度算法。文献[3]基于Qo S需求结合Min-Min算法实现任务调度。文献[4]在研究蚁群算法、任务分配和资源调度的基础上, 提出了一种改进的蚁群资源调度算法, 通过引入节点可信度机制在一定程度上增强了云计算资源的搜索能力和节点完成任务的成功率缩短了任务的执行时间。文献[5]设计了一种基于GM (1, 1) 预测和虚拟机迁移的负载均衡策略, 有效地实现云计算中心虚拟机集群的负载均衡。
本文提出一种基于资源组合预测的云计算调度算法。该模型分别用趋势外推模型[6]、时间序列ARIMA模型[7]、GM (1, 1) 灰色预测模型[8]对资源负荷序列进行预测;然后采用偏最小二乘回归建立组合预测模型;再基于资源预测结果, 以最小完成时间为原则实施任务调度, 把任务分配到合适的资源上执行, 避免了盲目调度。
2 资源组合预测模型
如何选择合适的预测模型对云资源负荷序列进行准确预测, 是人们一直在探究的问题。单一预测模型并不能符合资源负荷序列的所有特性, 具有一定的局限性, 其预测精确度有待提高。组合预测模型能够克服单一预测模型的缺陷, 形成优势互补, 最终得到精确度更高的预测结果。本文选取趋势外推模型、ARIMA模型、GM (1, 1) 灰色预测模型三种具有不同特点的单一预测模型, 采用偏最小二乘回归建立组合预测模型, 对云资源负荷序列进行预测。
偏最小二乘回归分析是一种新型的多元统计数据分析方法, 是多元线性回归、典型相关分析和主成分分析的集成和发展[9]。在组合预测过程中, 各个单一预测模型间可能存在相关性, 使组合预测的输入信息重叠, 导致其预测的准确率降低[10]。用偏最小二乘回归组合预测时提取的成分既能很好地概括自变量系统中的信息, 又能最好地解释因变量, 能在样本个数较少以及自变量存在严重多重相关性的条件下进行建模, 且模型对实际情况的解释力更强, 提高了组合预测模型的预测精确度。
基于偏最小二乘回归建立组合预测模型的过程如下:
(1) 数据采集:采集n个样本点数据。
(2) 单一模型预测:假设选取m个单一预测模型对n个样本点进行预测, 得到的预测值为, Xij (i=1, 2, …, n;j=1, 2, …, m) 这m个单一预测模型对应的预测值设为x1, x2, …, xi, …, xm, 以xi作为自变量。设X= (x1, x2, …, xi, …, xm) n×m为自变量集, Y= (y) n×1为因变量集, 其中y为n个样本点实际值。针对上述预测值进行标准化处理, 使预测值集合重心与坐标原点重合。令E0为X经标准化后的矩阵, F0为Y标准化后的矩阵。
(3) 组合建型:从E0和F0中提取第一成分t1, t1应尽可能多地携带X数据变异信息, 且t1对Y有最大的解释能力, 其相关程度能够达到最大;在第一个成分被提取后, 以偏最小二乘回归实施E0对t1的回归, 如果回归方程已经达到满意的精度, 则算法终止, 否则将利用E0被t1解释后的残余信息进行第二轮的成分提取;如此往复, 直到能达到一个较满意的精度为止。假设最终对E0共提取了h个成分t1, t2, …, th, 则F0对E0的回归分析即转化为F0对t1, t2, …, th的多元线性回归分析, 而成分t1, t2, …, th均可由E0线性表示, 通过标准化的逆过程, 最终得到y对x1, x2, …, xi, …, xm的回归方程, 即为本文的组合预测模型。
3 基于资源组合预测的任务调度算法
为实现有效的云计算环境下的任务调度策略, 在任务调度实施之前先对云环境中的计算资源的使用状况进行预测, 根据预测结果为任务筛选满足需求的资源, 最后根据最小完成时间原则进行资源和任务的绑定, 实施任务调度。
假设系统中含有m个虚拟机, n个任务。虚拟机资源用集合V{V1, V2, L, Vm}表示, 对于每一个虚拟机Vi, 设置属性:虚拟机编号、虚拟机处理速度、CPU可用率以及内存可用率, 故每个虚拟机可以表示为Vi={Vidi, Vmipsi, Vcpui, Vstori}。任务用集合T{T1, T2, L, Tn}表示。对于每一个任务Ti, 设置属性:任务编号, 任务长度, 所需虚拟机CPU以及虚拟机内存, 故每个任务可以表示为Ti={Tidi, Tlengthi, Tcpui, Tstori}。任务的预期执行时间为任务长度除以虚拟机处理速度, n个任务在m个虚拟机上预期执行时间构成一个n*m矩阵, 即ETC矩阵。任务的预期完成时间等于预期执行时间与资源执行完其上分配的所有任务后的最早可用时间之和, 表示为MCT矩阵。
本文算法过程描述如下:
(1) 基于上述建立的预测模型, 对资源状态进行预测, 并将预测结果更新到资源集合列表中, 用于任务调度时的依据;
(2) 分别对任务集合和资源集合的相关属性进行归一化;
(3) 初始化ETC和MCT矩阵;
(4) 对任务Ti, 将所有满足其需求的资源即Vcpui≥Tcpui, Vstori≥Tstori, 作为候选资源。按照任务所含符合其要求的资源个数的多少进行升序排列, 即对于候选资源少的任务优先调度;
(5) 将任务列表中排序最靠前的任务Ti分配到其候选资源中使其完成时间最小的资源上, 建立任务-资源映射列表;
(6) 删除任务Ti, 更新MCT矩阵;
(7) 反复执行 (5) - (6) , 直到任务列表或MCT矩阵为空为止;
(8) 任务调度。按照任务-资源映射关系, 完成任务调度。
4 仿真实验及结果分析
4.1 实验设置
本文在实验室计算资源节点上采集CPU使用率和内存使用率数据并进行预测, 资源组合预测模型基于MATLAB 7.8.0软件平台实现。依据资源预测结果, 以最小完成时间为原则在Cloud Sim仿真平台下进行任务调度。在仿真实验中, 测试了本文算法进行任务调度的时间跨度和负载均衡, 并与Min-Min算法进行了对比。
4.2 实验结果与分析
(1) 实验一:完成时间跨度测试。
完成时间跨度 (Makespan) 指用户提交的所有任务都执行完毕的时间。Makespan值越小, 表示任务完成的速度越快, 系统的调度性能越好。该值作为调度算法评价指标之一, 具有很强的参考性。
对Min-Min算法和本文算法在40个虚拟机上针对400、800、1200和1600个任务进行完成时间跨度性能测试, 测试结果如图1所示。
从图1可以看出, 当任务数在400到1600之间变化时, 本文算法在时间跨度性能上均优于Min-Min算法。
(2) 实验二:负载均衡测试。
对Min-Min算法和本文算法在40个虚拟机上针对400、800、1200和1600个任务进行负载均衡性能测试, 测试结果如图2所示。
从图2可以看出, 当任务数在400到1600之间变化时, 本文算法在负载均衡性能上均优于Min-Min算法。随着任务数的增加, 本文算法的负载均衡性能相对趋于稳定, 而Min-Min算法则随着任务数的增加其负载均衡性能表现出降低的趋势。以上分析可知, 本文算法具有较优的负载均衡性能。
5 结束语
本文提出一种基于资源组合预测的云计算调度算法。该算法先分别用ARIMA模型、趋势外推法、灰色预测GM (1, 1) 模型进行云资源预测;然后采用偏最小二乘回归建立组合预测模型, 偏最小二乘回归能够有效消除各个模型多重相关性在组合建模时的不良作用, 提高预测精确度;最后基于资源预测结果, 以最小完成时间为原则实施任务调度。该任务算法通过资源预测, 把任务分配到合适的资源上执行, 避免了盲目调度。实验测试结果表明, 该算法具有更好的性能和负载均衡性。
参考文献
[1]Buyya R, Yeo C, Venugopal S.Market-oriented Cloud Computing:Vision, Hype, and Reality for Delivering It Services as Computing Utilities[J].High Performance Computing and Communications, 2008:25-27.
[2] (美) Shmueli, G.时间序列预测[M].北京:清华大学出版社, 2012.
[3]Xiao Shan He, Xianhe Sun and Gregor von Laszewski.Qo S guided Min-Min heuristic for grid task scheduling[J].Journal of Computer Science and Technology, 2003, 18 (4) :442-451.
[4]余星, 胡德敏, 黄超.云计算资源调度算法的研究与实现[J].信息技术, 2013, (11) :29-32.
[5]王志勃, 毕艳茹.基于GM (1, 1) 预测和虚拟机迁移的云计算负载均衡策略设计[J].计算机测量与控制, 2014, (11) :089.
[6]Boel B, Michael P V, Anders H.Prediction of glaucoma-tous visual field loss by extrapolation of linear trends[J].Archives of Ophthalmology, 2009, 127 (12) :1610-1615.
[7]潘迪夫, 刘辉, 李燕飞.风电场风速短期多步预测改进算法[J].中国电机工程学报, 2008, 28 (26) :87-91.
[8]谢乃明, 刘思峰.离散GM (1, 1) 模型与灰色预测模型建模机理[J].系统工程理论与实践, 2005, (25) :93-98.
[9]王文圣, 丁晶, 赵玉龙, 等.基于偏最小二乘回归的年用电量预测研究[J].中国电机工程学报, 2003, 23 (10) :17-21.
预测调度 篇3
网格计算是从元计算与并行计算发展而来,在20世纪90年代中期的I-WAY项目中明确提出了网格计算的概念。网格是一个集成的计算与资源环境,它能够吸纳各种异构的计算资源,并将它们转换为一种可靠的、随处可得的、标准的计算能力。
与传统计算环境相比,网格环境由于其资源节点的动态性、自治性和异构性,对建立在网格基础上的任务调度体系提出了新的要求。新环境下网格调度者需要考虑以下问题:收集部署有服务的、具有不同结构的、处于不同管理域的节点的实时负载信息;采用优秀的调度算法,以最经济的方式取得负载均衡;拥有完善的故障处理机制以应对节点的动态变化[1]。
在本文中,针对上述几个网格调度中的要求,试图建立起一个基于预测和激励机制的网格任务调度框架。其中预测机制主要指在NWS[4](Network Weather Service)的工作基础上引入了调度端预测,避免了网络延迟带来的节点信息不准确问题;而激励机制则是在确保服务健壮性的同时,兼顾了执行效率和故障恢复两方面的要求,使得系统为偶发性失败所付出的开销减小。
1相关工作
网格是近期的研究热点,已有许多着眼于网格上的任务调度的系统与策略被提出。
Nimrod-G[2]是一个网格资源经济系统,它认为计算领域的资源供需关系与现实世界中的经济模型存在极大的相似性。资源所有者通过让他人使用他们的空闲计算资源解决问题来获得利润。资源的价格被需求和供给驱动。本文的调度框架借鉴并简化了该经济系统模型所考虑的影响要素,制订了一个分值公式作为框架对节点调度排序的评估基础,并在此基础上展开下面的工作。
NWS[4]是为支持调度和元计算软件基础设施而开发的网格节点监测系统,负责实时监测节点资源使用情况,并对测量历史数据应用预测模型来动态预测节点资源性能。NWS的局限性在于它在计算节点处根据节点历史情况进行预测,这样预测结果经网络传输到调度端时会产生延迟,从而导致与实际情况的出入。本文所提出的中间件调度框架以此为基础,在任务的调度端引入了预测机制,根据将来任务的分配情况动态调整预测结果,提高了预测的可信度。
由于网格中故障的易发性,网格任务调度必须有可靠的故障应对手段。基于heartbeat机制的故障检测算法是目前的主流[6,7],其思想是让监测进程定期向故障检测组件发送心跳信息,当故障检测组件在预期的时间没有收到该信息时则认为进程发生故障。本文基于乐观思想,认为所有故障组件都在积极修复,当出现调用失败时暂时怀疑其故障,但是定期地给予其再次参与系统任务分配的机会,从而降低故障带来的影响。
2任务调度算法
2.1性能影响要素
本文中所考虑的调度影响因素主要参考借鉴了Nimrod中的一些要素,包括如下一些方面:
a) 资源节点结构与配置情况;
b) 资源实时状态(CPU与Memory负载);
c) 应用程序需求;
d) 可用节点数;
e) 任务队列长度与分配情况;
f) 资源可靠性;
g) 调度历史信息。
根据以上影响要素制订了一个综合评定的分值公式作为算法评估各节点实时性能的基础,即根据各个影响要素进行加权计算,得出每个计算节点的分值,再根据具体应用要求与各资源节点的实时分值情况进行任务调度。分值公式中的各个参数比重均可以在系统配置模块中针对不同应用情况的要求实时更改。分值算式如下:
其中ω为该影响要素具体情况(如CPU的占用率),λ为该要素在分值系统中所占的参数权重。要特别说明的是这里算出的score只是一个临时的基本值,由于网格环境下得到的实时要素情况可能并非正确,所以该分值仍需要经过一些调整修正才能成为最终决定调度次序所参考的终值,具体所需的调整思想在下面两个部分中阐述。
2.2节点预测调度
在网格环境中,对于节点信息的搜集是通过部署在各个计算节点上的网格监控服务完成的,但是最新的节点信息有时并不能及时更新,这就需要引入预测机制。
NWS中的预测机制可以通过节点过去一段时间内的工作情况进行预测,但当碰到突发性的大批量服务调用时,该预测会失去准确性,因为任务从调度到分配至最终节点间也有延迟,这就导致可能出现某个时间段有过多任务被分配到一台暂时负载较轻的机器上,使这台机器在接下来的一段时间内过载。
为了避免仅靠节点自身预测带来的盲目性,本文在调度时就引入预测机制,与NWS的节点预测相结合以提高预测准确度。这里我们实现了一种基于时间窗口(DateWindow)的调度预测机制,与NWS的节点预测策略不同的是,调度模块中的预测不是建立在该节点过去一段时间的性能表现上,而是建立在过去一段时间内的任务分配情况上(即检查一个时间窗口内的任务分配),即遍历从过去某个时间点至今的任务调度队列(ScheduledTaskList),并据此给每个节点的分值进行加权调整,从而算出新的节点分值以供调度。这样当某个时间点有大量任务涌入时,在分配一定量任务给负载较轻的节点后,该节点的分值会因调整而渐渐降低,这时其他的任务就会均衡分配到其他节点上,从而最终达到负载均衡。这里的调整权值可以在配置文件中根据不同应用的实际情况实时更改。以上步骤可以用伪代码表示:
这里还有一个问题,就是时间窗口的大小选择。有两种选择,一种是固定时间窗大小,可以在配置模块中手动更改。在任务流量比较稳定的应用中,显然这是一种能够减小调度开销的合理选择,在后面提到的SHGTS的框架中采取的就是这种策略。另一种是动态时间窗大小,根据任务情况智能调整这个窗口范围。当任务流量起伏很大,就应当考虑使用这种策略,根据上下文环境和近期任务流量变化来衡量最适合的窗口,这也是本项目下一步的发展方向之一。
2.3基于激励机制的故障恢复
网格的特性决定了网格中的节点可能会因为网络等原因经常性地加入,退出或发生故障,这就要求网格中间件必须有很强的故障应对能力与恢复能力。
在决定故障恢复机制的时候应考虑三个目标:(1)健壮性,即只要有一个节点上的服务能正常运行,就必须能够返回正确结果。(2)高效性,由于信息在网络上的传输需要时间,所以必须引入一种机制确保调度时能识别那些最近曾经出错的节点,并尽量避免分配到那些可能仍是故障的节点。(3)可恢复性,即在不经过人工干预的情况下,能够在那些故障节点恢复后自动去除故障标记,使之像正常节点一样参与调度。
首先是健壮性,对于每一个服务调用,调度模块会向元数据中心查询其副本数量,设为n,然后进行一个n次的调用循环,当最优节点调用失败时找出剩下可用副本中的最好节点,直到成功返回结果后跳出循环,这样可以保证只要还有一个副本可用就能返回正确结果。
第二和第三个目标看起来有些矛盾,难以兼得,但在一个实际的网格应用中却都很重要,为此本文提出了一个基于激励机制的故障恢复解决方案,如下所述:
首先给每个节点上每个服务副本定义一个整型属性,称为故障程度(w),把故障程度分为L个层次(errorLevel),初始值为0,每次调用某个服务的副本时出错即给该副本故障层次+1,最高为L,层次越高代表出错越严重,也就越难以恢复。这里划分层次的原因是为了区分不同程度的故障予以区别对待,网格环境下可能出现的故障有许多种,一次网络临时中断导致的故障和计算节点系统崩溃导致的故障对调用端来说难以区分,然而这两者在恢复时间和应对策略上却相去甚远,使用划分层次法可以使得只是临时出错的副本处于较低的故障层次,而故障较严重的副本处于较高的故障层次,从而区别开来以方便后面给予不同的恢复策略。
当调度模块进行调度时,首先遍历该服务的所有副本,读取其中的故障程度属性w,根据该值的大小加权后从该副本的综合分值中扣去相应数值,然后参与调度,从而达到避免分配到故障节点以提高效率的目的。这里也体现了对于处于不同故障层次的副本的区别处理,故障越严重的副本扣去的分值越多,被调度算法选中的可能也就越小。
故障的自动恢复采取了一种基于任务驱动的激励机制,即认为所有出错的副本都在积极地进行自我修复,根据系统负载的大小定期地给予其机会尝试再次执行任务。具体做法是将所有出错任务的副本ID和任务ID存在一个列表中(recoveryList),每隔一定的恢复任务数(recoveryNum),就会将副本的故障层次-1,直至恢复到0为止。这就使得调度算法选中该副本的几率将会越来越大,而在此过程中一旦成功地调用了一次该副本,就直接将该副本的故障层次清0,代表其已恢复到正常状态,如果调用再次出错,则如前所说重新将故障层次+1。任务驱动的好处在于可以根据具体需求决定恢复副本的速度,当任务较多时,各节点负载重,这就希望能更快地恢复原本的故障副本以分担负载,而任务较少时各节点负载较轻,说明此时并不急于恢复故障副本,而是以单个任务调用的高效性为重。根据上述策略给出流程图如图1所示。
实际运行情况证明,采取以上的策略可以很有效地处理实际运行中碰到的各种故障情况,并取得良好的恢复效果。
3SHGTS网格任务调度框架
根据上面几点所阐述的调度思想,我们建立了SHGTS网格任务调度框架,主要包括有Dispatcher,Communicate Service,Task Queue,Schedule Algo,Config File等几个部分。客户需求通过Communicate Service进入系统流程,然后被包装成task类插入task队列,调度器Dispatcher在有空闲进程时从task队列中取出待调度task,然后到网格元数据中心Metadata Center中获取调度所需的节点数据和历史数据,同时根据该task选用的算法Schedule algo来对数据进行基于预测机制的处理,进而选择出最好的节点以供调度,最后把选好节点的task交给服务管理模块执行,如果成功得到返回结果则返还给用户,如果调用发生错误则通过前述基于激励机制的故障处理流程进行再调度。其中Config文件用于对框架中的各处算法选择以及参数信息进行按需配置。整体结构图如图2所示。
4应用实例
本文所探讨的网格任务调度框架SHGTS应用于上海网格二期项目中的网格中间件部分,属于网格任务调度模块,主要任务在于对网格中的任务进行调度与负载均衡。
网格中间件是上海网格中的应用支持平台,在上海网格项目中扮演着非常重要的角色。中间件核心模块图如图3所示。
其中元数据管理中心主要存储网格节点中的服务的原数据信息以及网格节点资源的信息。任务调度作为用户请求的代理,为请求找出最优服务,并把请求传递给该服务。服务管理是对底层网格节点中已在原数据管理中心中注册过的服务实例进行管理。其中任务调度模块应用了本文所阐述的网格任务调度框架,并在项目验收时取得了良好的效果。
5工作展望
本文提出了一种适用于网格环境下的任务调度框架,并得到了成功的应用实例,但是其中仍有不少值得继续深入与改进的地方,下一步准备在动态时间窗的实现策略,域环境下的调度策略变更等方面进行更为深入的探讨。
参考文献
[1] Foster I,Kesselman C.Computational Grids.The Grid: Blueprint for a Future Computing Infrastructure,Morgan Kaufmann Publishers,USA,1999.
[2]Buyya R,Abramson D,Giddy J.Nimrod/G:An Architecture for a Re-source Management and Scheduling System in a Global ComputationalGrid.Proceedings of the HPC ASIA’2000,the 4th International Con-ference on High Performance Computing in Asia-Pacific Region,IEEEComputer Society Press,USA,2000.
[3]Rajkumar Buyya,David Abramson,Jonathan Giddy.Grid ResourceManagerment Scheduling and Computational Economy.The 2nd Inter-national Workshop on Global and Cluster Computing,Tsukuba/Tokyo,Japan,March,2000:15-17.
[4]Wolski R,Neil T.Spring,Jim Hayes.The Network Weather Service:ADistributed Resource Performancem Forecasting Service for Metacom-puting.Journal of Future Generation Computing Systems,Vol.15,Octo-ber 1999.
[5] Globus Project Home Page.http://www.globus.org.
[6] Stelling P,Dematteis C,Foster I.A fault detection service for wide area distributed computations [J ].1 Cluster Computing ,1999.
预测调度 篇4
中国风力发电进入了快速发展时期,但风能的间歇性和不确定性,给大规模风电并网后的电力系统安全性和可靠性带来新的挑战。风电出力预测存在较大误差,随着风电渗透率的增大,风电并网后经济调度的难度不断加大[1,2,3]。风电并网对调度的影响主要体现在3个方面。
1)风电功率的波动特性对调度计划中其他机组的频率响应和爬坡速率提出了相应的要求。
2)风电功率的间歇性可能会影响常规机组的启停机计划,而常规机组启停还要受最小启停时间和经济性的制约。
3)风电预测误差较大,需要较大的备用容量来保证供电和负荷的平衡,风电并网所需增加的备用容量与风电功率预测精度有关,风电功率预测越准确,所需的备用容量越少,相应的成本也越低。
针对风电并网后的调度问题,国内外学者做了大量工作。文献[1]提出了计及风电成本的电力系统短期经济调度模型;文献[2]通过应用随机规划理论模拟风电功率的随机波动特性,建立了含风电场的电力系统动态经济调度模型;文献[3,4]进一步考虑了风电预测误差对机组备用和机组组合的影响,在预测误差的处理上采用随机模拟的方法;文献[5]所建立的机组组合决策模型采用风电功率区间预测,取得了比点预测更好的效果;文献[6]给出了消纳大规模风电的滚动优化思想,通过各种有功调节手段来逐级消除风电预测误差,为大规模风电并网后的风电调度提供了新思路。
为克服调度计划制定过程中风电预测误差较大的问题,文献[7]提出在较长时间尺度的预测周期中,运用短期预测信息修正预测;文献[8]进一步指出风电预测误差与风电出力水平有关,并给出了预测误差带计算方法。本文依据预测误差随时间尺度减小而逐级递减的特性,提出了计及风电预测误差带的日前和日内调度计划渐进优化模型。
1 含风电场的电力系统调度模型
1.1 常规发电机耗量模型
常规机组的运行成本由燃料费用和启停成本这2部分组成,表达式如下:
式中:fG为火电机组运行成本;T为调度周期的小时数;N为火电机组数;ui(t)为机组i在第t时段的启停状态;PG,i(t)为机组i在第t时段的平均出力;Ci(t)为机组i在第t时段的开机费用;Tstop.i,t-1为机组i在前t-1个时段内连续停运时间;ai,bi,ci,Ki,τi为常系数。
1.2 计及风电出力预测误差带的备用成本模型
预测误差可由风电场预测值与实测值逐点比较求得,t时段的预测误差ΔPW(t)为:
ΔPW(t)=PW(t)-PW,k,t (2)
式中:PW,k,t为k时段对t(t=k+1,k+2,…,T)时段风电出力的点预测值;PW(t)为t时段的风电出力实测值。
ΔPW(t)是一个随机变量,对其概率分布的预测称为误差带预测[8]。可以利用分位点回归技术对未来时段风电功率可能的波动区间进行递推求解[9]。分位点回归作为最小二乘法的扩展,对前t-1个时段作不同分位点回归函数的递推优化,可以实时反映风电功率随风速的变化情况,得出各分位点所对应的风电功率预测值。由分位点的定义可以方便地求得风电功率预测值的概率分布,并以50%的分位点为基准,以0.5±α/2的分位点为上下限,即可得到置信度为α的预测误差带
式中:Pr{}表示概率。
相应的风电并网需增加的备用容量上下限为:
备用容量所增加的成本由容量成本和电量成本这2部分决定[10]。t时段风电并网所增加的容量成本fr,1为:
式中:Cr为备用容量的容量成本系数。
假设风电预测误差在t时段服从正态分布[3,8,10],则t时段风电并网所增加的备用容量的电量成本fr,2为[10]:
fr,2(t)=CdE{ΔPW(t)|ΔPW(t)>0} (6)
式中:E表示期望;Cd为备用容量的电量价格。
风电并网后所增加的备用容量成本freserve为:
1.3 弃风惩罚函数
当发电量大于负荷需求且常规机组调节能力达到上限时,需要弃风来保证供电和负荷平衡。弃风造成的损失如式(8)所示:
式中:CW为弃风惩罚系数;Pload(t)为t时段的负荷功率;日前调度计划中k=0,日内调度计划中k=t-1。
综上分析,大规模风电并网后短期经济调度的目标函数为:
min F=fG+freserve+fW,a (9)
1.4 约束条件
1)功率平衡约束
PG(t)+PW(t)=Pload(t) t=1,2,…,T (10)
2)发电机输出功率约束
PG,i,min≤PG,i(t)+PC,i(t)≤PG,i,max (11)
式中:PG,i,min和PG,i,max分别为常规机组i的最小输出功率和最大输出功率;PC,i(t)为机组i在t时段所提供的备用容量。
3)常规机组爬坡速率约束
-Ri,st≤PG,i(t)-PG,i(t-1)≤Ri,st (12)
式中:Ri,s为机组i输出功率的改变速率,单位为MW/min。
4)常规机组最小运行和停运时间约束
式中:Trun.i,t-1为机组i在t-1时段的连续运行时间;Tminrun.i和Tminstop.i分别为机组i的最小运行时间和最小停运时间。
5)备用容量约束
风电接入所增加的备用属于二次备用[11,12],应满足式(14)所示约束。
式中: PC0′和PC0分别为风电并网前系统所需要的正、负备用,包括负荷备用和事故备用;t10取10 min[11]。
2 调度问题的求解过程
2.1 调度决策模型的渐进优化
调度决策模型的渐进优化是根据最新的风电出力预测值,对调度计划不断进行调整。风电预测误差不仅与预测方法有关,还与预测周期、预测点的风速和波动程度有关,通常情况下预测出力越大,预测点出力波动越大,预测误差也越大[7,8]。风电出力预测值及实测值的特性曲线如图1所示[8]。由图可知,风电出力日前预测误差较大,且无法对各时段误差带进行有效预测[8],制定日前调度计划时风电预测误差可采用风电出力历史数据中预测误差平均值。
风电功率的大幅波动及较大的预测误差可能会造成常规发电机的被迫启停。机组启停状态受最小启停时间约束,t 时段对调度周期内剩余时段的风电功率重新进行预测后,需根据最新的预测值,校验剩余时段是否含有需要对之前的调度计划作机组启停调整的时段。校验结束后如果没有需要进行机组启停调整的时段,则只对t+1时段的调度计划作机组出力及备用容量调整;如果t1(t1>t)时段需要作机组启停调整且t1≥t+Tstart(Tstart为待启动机组所需的最小启动时间),则在t1-Tstart时段重新校验t1时段是否需要作机组启停调整,如果需要则重新制定t1,t2,…,t1+tZ(tZ为t时段的有效前瞻时段数[10])时段的调度计划。式(15)和式(16)分别表示常规机组t+1时段需要增出力和减出力的情况。
式中:PG(t+1)为常规机组在t+1时段需要的出力总和;PSU和PSD分别为从t时段到t+1时段常规机组能增加和减少的最大功率;Δt为一个调度时段的分钟数。
2.2 内点法制定调度计划
调度决策渐进优化模型在调度计划执行过程中,需要根据不断更新的风电出力预测值和实测值对调度计划进行修正,且可能需要对之前的调度计划作机组启停调整,对调度模型求解方法的实时性要求较高。本文采用原对偶内点法进行求解,该方法适合于解决具有大量等式和不等式约束的非线性规划问题[11,13,14,15],该算法的数学模型一般表示为:
式中:x为原始变量,包括各常规机组出力和所提供的正、负备用容量;F(x)为目标函数;h(x)为等式约束;g(x)为不等式约束。
调度计划制定过程中初始时段变量x初始值的选取及计算中的优化过程采用文献[11]所示方法;调度计划修正过程是对已启动常规机组出力及备用再调度的过程,变量x初始值采用之前制定的调度计划中的出力和备用容量。为减少计算量,在调度计划制定前首先通过时间序列解耦,求出最小前瞻时段数tZ为[13]:
式中: round()为向上取整函数;tZ表示在时段t基础上所有机组覆盖它们整个运行调节范围所需的最少时间,t时段的调度决策对t+tZ时段之后的调度计划无影响[13]。
调度计划制定过程如图2所示。
3 算例分析
本文以IEEE 30节点算例系统为测试系统对上述模型的有效性进行了验证。算例中常规发电机和负荷基本数据采用文献[2]中的数据,常规发电机数据见附录A表A1,负荷数据见附录A表A2,风电场数据来源于张北某风电场预测和实测数据,风电场额定功率为0.4(标幺值),功率基准值为100 MW。
采用文献[5]方法制定的日前调度计划如表1所示。制定日前调度计划的目标函数值F1.1=426 807 元,调度计划执行时的实际运行成本F1.2=445 165 元,两者相差较大,主要是由风电出力日前预测误差较大造成的。
按照本文提出的渐进优化模型制定的日内调度计划如表2所示,目标函数值F2.1=418 733元,调度计划执行时的实际运行成本F2.2=429 680元,与日前调度计划相比,日内调度计划更加经济有效。
4 结语
本文提出了一种考虑风电预测误差随预测时间和预测点风电出力水平变化而变化的调度决策渐进优化模型,该模型在调度计划执行过程中,通过对剩余时段风电出力及误差带的修正对调度计划进行调整。通过算例仿真结果可以看出:①风电出力日内预测更加准确,可对常规机组出力进行较准确的调度;②日内调度计划制定过程中,通过对误差带的预测,可有效地配置各调度时段的备用容量,减少弃风量,降低因风电预测误差所增加的系统运行成本。
附录见本刊网络版(http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx)。
预测调度 篇5
技术评价委员会认为由冶金自动化研究设计院和江苏沙钢集团有限公司完成的“钢铁企业冶金煤气动态预测与优化调度技术”项目有机融合机理分析、混合建模和线性规划技术, 率先研究开发了钢铁企业冶金煤气动态预测与优化调度技术, 并成功应用于年产千万吨级钢铁联合企业。
项目主要创新成果为: (1) 针对钢铁企业各生产单元煤气流量波动特性受静态因素和动态因素双重影响的特点, 提出了综合运用煤气实时数据和生产过程信息分段动态预测建模方法, 预测结果合理准确; (2) 研发了集能源预测、专家系统、调度模型等为一体的冶金煤气优化调度系统, 对生产过程异常情况反应快速, 适用性强; (3) 采用标签作为冶金多种能源介质数据的表示方式, 形成了自主开发的钢铁企业过程数据集成平台, 提高了过程数据的安全性能和维护效率。申请发明专利3项 (已授权1项) , 获得国家软件著作权8项。
研究开发的煤气动态预测和优化调度系统在沙钢集团有限公司已投入运行一年半, 运行稳定可靠, 煤气的发生量和消耗量小时预测平均误差小于10%, 高炉煤气放散率降低至1.8%, 转炉煤气放散率降低至1.1%, 焦炉煤气实现零排放, 节能减排的社会和环境效益显著, 年直接经济效益达1 502万元, 并应用推广到3家钢铁企业。
预测调度 篇6
随着风力发电技术本身的日趋成熟,风力发电的规模不断扩大。风力发电机组的输出功率取决于风速,而风速具有间歇性和随机波动特性,导致风力发电机组的输出功率波动较大。随机波动的功率接入电网会影响电网稳定运行和电能质量[1],使运行和调度人员难以像对待常规机组那样准确地给出系统中各风电场的调度计划,导致系统的运行情况有可能恶化[2]。而目前风速以及风电场输出功率预测水平还没有达到很高的精度[3],这给风力发电并网后调度计划的制定带来了很大困难。因此,采取合理的并网调度模式,能够提升在电力市场环境下正确制定电能交换计划的能力,从而更加充分地利用风力资源。风电调度的基本原则是确保电网可靠运行,公开、公平、公正地调度风电出力,限制风电发电期间,按照装机容量比例原则安排各场出力,根据风力过程的具体情况加强实时调整[4]。
目前,国内外对风速预测做了大量的研究,提出了各种预测风速的方法。常用的预测方法有持续法、时间序列法(ARMA)、空间相关性法(Spatial Correlation)、数值天气预报、卡尔曼滤波法、BP神经网络法等[5]。其中BP神经网络法具有并行处理、分布式信息储存与容错性等优点,具有自学习、自组织和自适应能力,对复杂问题的求解十分有效。用于风速的预测结果的精度取决于网络的训练情况,网络训练的越好,预测精度越高[3]。
目前,已提出多种方法来解决风电场调度控制策略。文献[6]针对用电激励和可中断负荷提出融入用电调度的发用电一体化调度模型,能够提高风电的利用效率,但是并没有考虑风速造成风电电功率的变化对电网的影响。文献[7]根据节约煤耗量构建接纳风电能力的电网调度决策模型,以确定风电允许的波动范围,能够减少风电波动对电网的影响,但由于风电输出功率变化的随机性,火电机组输出功率不能够快速实时地根据风功率变化而调整。
本文采用BP神经网络对未来一天的风速进行预测,通过预测的风速值和风功率预测曲线来计算需要向电网发送的有功功率,并将其值提交给电网调度。在风电场的并网出口处加入钒电池储能系统,快速吞吐风电场实际输出的有功功率与调度功率之间的差值,以提高风电场按调度计划发电的能力,适应电网调度的需求。
2 基于风速预测与钒电池储能风电场并网
2.1 风力发电功率预测
利用BP神经网络法[8,9,10]对未来一天的风速进行预测,然后通过风电机组功率特性曲线来计算预测的功率值。并将预测的功率值提交给电网调度中心。由于调度功率值与风电场实际发送的功率存在着误差,因此有必要在风电场出口处加入储能设备。
风速预测系统中,风速值每15 min采样一次,输入层的神经元选为1个,为提前五天的风速值,即480个风速值。输出值为未来1天的风速值,即96个风速值。风电机组功率特性曲线如图2所示,图中vcut-in为切入风速,vr为额定风速,vcut-out为切除风速。若风速值低于vcut-in或高于vcut-out,风机不工作。由风速原始数据和风电机组功率特性曲线,可得风电功率时间序列的原始数据[11]。预测的风速值通过图1可以得到需要向电网输入的有功功率。
2.2 具有钒电池储能的风电场结构
相对其他储能电池(如锂电池、铅酸电池等)钒氧化还原液流电池(简称钒电池,VRB)具有响应速度快、容量大,维护成本低,循环寿命长,额定功率和额定能量相互独立、安全可靠等特点,适合作为储能元件与大规模风力发电配合使用[12,13]。
为了简化分析,只分析单台发电机和单台钒电池储能设备的情况。图2为加入钒电池储能设备的风电场,钒电池储能系统配置在风电场出口并网母线处,采用DC/AC逆变器,调节功率控制钒电池充放电[14,15],最后通过升压变压器并联到风电场出口处的电网母线,经升压变压器接入无穷大电网。
2.3 控制算法
图3为钒电池储能系统变流器控制原理图,通过风速预测和风功率曲线计算风功率预测值,该预测值与风电场实际发出的功率之差作为钒电池储能系统中双向DC/AC变换器的有功控制信号,电网所需无功功率给定作为其无功功率控制信号。
Pw、Qw为风电场输出有功功率、无功功率;Pg、Qg为并网有功功率、无功功率;Pb、Qb为钒电池储能系统吞吐的有功功率、无功功率。
Pr为电网调度功率;PN为钒电池额定功率
在钒电池充放电过程中,若充放电功率Pb大于钒电池额定功率PN,则令P*ref=PN,钒电池系统以恒功率充电;在充放电功率小于额定功率PN时,则令P*ref=Pr-Pg。通过对d、q轴电流分量id和iq进行解耦控制,实现P和Q的独立控制。
3 仿真分析
考虑计算量,在Matlab/Simulink下建立了一台具有钒电池储能系统的并网风力发电机模型,用来模拟风电场的效果,仿真中各部分主要参数如下:
(1)直驱风力发电机组:风轮半径38.5m,永磁同步发电机额定容量2.5MW,额定电压690V,极对数40,逆变器直流侧给定电压为1200V。
(2)钒电池组系统:额定功率500kW,额定容量750kWh,额定电压值1500V,单体电池数1200,钒电池系统配置容量是风场容量的20%。
以某风场一台风机的实测风速数据为例进行分析。为了缩短计算时间,仿真中假定1s为实际中的15 min,模拟一天的情况需要仿真的时间为96 s。
图4为未来一天预测和实际风速值,BP神经网络法预测平均误差17.61%,最大误差24.93%,均方根误差18.38%,满足风速预测管理要求。
功率特性曲线中切入风速vcut-in、额定风速vr、切除风速vcut-out分别为3、14、25m/s,由功率特性曲线计算可得风机未来一天发送的功率预测值Pr,并将其值向电网调度中心申报,其预测功率值(电网调度值)如图5所示。
图6为风电场输出的有功功率,图7为钒电池储能系统吞吐的有功功率,图8为并网点输出有功功率。可看出,风功率预测值与实际风电场输出的有功功率存在一定偏差,通过钒电池储能系统功率补偿,并网点总的有功功率输出与调度功率一致,误差3.38%,可看出,通过风功率预测与钒电池储能系统的功率补偿,风电场并网点的功率能够按照调度值输出,这使得电网发电调度能够按计划进行。
4 结论
风速预测对风力发电系统稳定运行以及提高其经济效益具有重要意义,利用BP神经网络法对未来一天的风速进行预测,并通过预测的风速值和功率特性曲线来计算风机未来一天的输出功率值,并将预测的功率值反馈给电网调度机构。在风电场的出口处加入钒电池储能系统,控制钒电池储能系统补偿风电场输出的有功功率与电网调度的有功功率之间的差值。仿真结果表明,采用此方法能够保证风电场按照风功率预测值调度并网发电,提高风电场与电力系统协调运行能力。
摘要：由于风速变化的随机性,大规模风电场并网给电网调度带来困难,进而影响系统的稳定性。为了提高风电场的可调度性,本文提出了基于风速预测与钒电池储能的风电场并网功率协调控制系统。采用BP神经网络法对未来一天的风速进行预测,通过预测的风速值计算风电场向电网发送的功率,并将预测值提交到电网调度机构。同时,在风电场的出口处接入钒电池储能系统,快速响应弥补风电场实际发出功率与预测功率的误差,从而提高电网依据风功率预测进行风电场发电调度的可信性,改善了风电场与电力系统之间的协调运行能力。