计划调度模型

2024-07-11

计划调度模型（共8篇）

计划调度模型篇1

0 引言

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:

${\begin{cases} f_{G} = \sum_{t = 1}^{Τ} \sum_{i = 1}^{Ν} (a_{i} + b_{i} Ρ_{G, i} (t) + c_{i} Ρ_{G, i}^{2} (t) + C_{i} (t)) \\ C_{i} (t) = (1 - u_{i} (t - 1)) Κ_{i} (1 - \exp (- \frac{Τ_{s t o p . i, t - 1}}{τ_{i}})) \end{cases} (1)$

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 $[- \underline{Ρ}_{W, α} (t), \bar{Ρ}_{W, α} (t)]$ 。

${\begin{cases} Ρ_{r} {Δ Ρ_{W} (t) \leq - \underline{Ρ}_{W, α} (t)} = 0.5 - \frac{α}{2} \\ Ρ_{r} {Δ Ρ_{W} (t) \leq \bar{Ρ}_{W, α} (t)} = 0.5 + \frac{α}{2} \end{cases} (3)$

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:

${\begin{cases} \bar{Ρ}_{C} (t + 1) = \bar{Ρ}_{W, α} (t) \\ \underline{Ρ}_{C} (t + 1) = \underline{Ρ}_{W, α} (t) \end{cases} (4)$

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:

$f_{r, 1} (t) = C_{r} (\bar{Ρ}_{C} (t + 1) + \underline{Ρ}_{C} (t + 1)) (5)$

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:

$f_{r e s e r v e} = \sum_{t = 1}^{Τ} (f_{r, 1} (t) + f_{r, 2} (t)) (7)$

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:

$f_{W, a} = \sum_{t = 1}^{Τ} C_{W}$ $\sum_{i = 1}^{Ν} Ρ_{G, i} (t) + Ρ_{W, k, t} - Ρ_{l o a d} (t)) (8)$

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

${\begin{cases} (Τ_{r u n . i, t - 1} - Τ_{m i n r u n . i}) (u_{i} (t - 1) - u_{i} (t)) \geq 0 \\ (Τ_{s t o p . i, t - 1} - Τ_{m i n s t o p . i}) (u_{i} (t) - u_{i} (t - 1)) \geq 0 \end{cases} (13)$

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。

${\begin{cases} - R_{i, s} t_{10} \leq Ρ_{C, i} (t) \leq R_{i, s} t_{10} \\ - Ρ_{C 0} - \underline{Ρ}_{W, α} (t) \leq \sum_{i = 1}^{Ν} Ρ_{C, i} (t) \leq Ρ_{C 0} ´ + \bar{Ρ}_{W, α} (t) \end{cases} (14)$

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。

${\begin{cases} Ρ_{G} (t + 1) \geq Ρ_{G} (t) \\ Ρ_{S U} = \sum_{i = 1}^{Ν} u_{i} (t + 1) \cdot \\ \min (Ρ_{G, i, \max} - Ρ_{G, i} (t), R_{i, s} Δ t) \\ Ρ_{G} (t + 1) + \bar{Ρ}_{C} (t + 1) - Ρ_{G} (t) \leq Ρ_{S U} \end{cases} (15)$

${\begin{cases} Ρ_{G} (t + 1) \leq Ρ_{G} (t) \\ Ρ_{S D} = \sum_{i = 1}^{Ν} u_{i} (t + 1) \cdot \\ \min (Ρ_{G, i} (t) - Ρ_{G, i, \min}, R_{i, s} Δ t) \\ Ρ_{G} (t) - \underline{Ρ}_{C} (t + 1) - Ρ_{G} (t + 1) \leq Ρ_{D U} \end{cases} (16)$

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:

${\begin{cases} \min F (x) \\ s . t . h (x) = 0 \\ \underline{g} \leq g (x) \leq \bar{g} \end{cases} (17)$

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]:

$t_{Ζ} = \max_{i \in Ν}$ round $(\frac{Ρ_{G, i} (t) - Ρ_{G, i, \min}}{R_{i, s} Δ t}),$

$r o u n d (\frac{Ρ_{G, i, \max} - Ρ_{G, i} (t)}{R_{i, s} Δ t})) (18)$

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)。

计划调度模型篇2

地理空间信息网格高性能调度技术中应用程序调度模型的研究

地理空间信息网格调度技术,要比传统的高性能计算中的.调度技术复杂,原因是如果将全部网格资源作为一个应用程序的调度和执行目标,必将导致通信延迟、成本昂贵、执行低效等.为此,综合考虑应用程序特性、机器特性等,研究设计了地理空间信息网格高性能调度技术中的应用程序调度模型,包括地理空间信息网格应用程序分析;资源特性分析;应用程序分解;性能预测;资源调度;机器选择;任务映射和任务调度;任务调度器和调度器管理等九个模块.以实现为不同的应用程序匹配不同的计算资源,提高计算资源的利用率和应用程序的执行效率.

作者：龚强 GONG Qiang 作者单位：中国地震局工程力学研究所,黑龙江省信息产业厅,哈尔滨,150090刊名：测绘科学 ISTIC PKU英文刊名：SCIENCE OF SURVEYING AND MAPPING年，卷(期)：32(2)分类号：P208关键词：地理空间信息网格高性能调度技术应用程序调度模型

计划调度模型篇3

关键词：智能电网,智能调度,成熟度模型,调度中心,业务能力

0 引言

智能电网(smart grid)对提高电网安全、灵活、自愈、互动、经济、兼容、清洁等方面的水平,推动电力行业能源结构调整以及可持续发展将发挥至关重要的作用[1],已成为未来电网的发展方向[2,3,4,5]。

全球性地开展智能电网建设,需要一套能指导其发展和评估其发展阶段的模型和体系。IBM联合美国生产力和质量中心(APQC)以及全球智能电网联盟(GIUNC),提出了智能电网成熟度模型(smart grid maturity model,SGMM)[6],从策略、管理和监管、组织结构、技术、社会与环境、电网运行、人员及资产管理、产业链的整合、用户的体验与管理等9个方面出发,通过提供一组关键性能指标(KPI)来衡量智能电网发展。智能电网成熟度模型不仅可衡量电力企业在智能电网方面取得的进展,明确当前所处的阶段,而且作为一种战略和决策的框架,可帮助电力企业建立一个可分享的智能电网发展蓝图,同时提供技术、管理和组织方面的指导。

智能电网涵盖范围较大,包括了电网规划、建设、调度、维护、营销等电网运营的各个环节。在电网运营诸环节中,调度环节通过信息的获取、传输、处理和反馈等,实现对一次电力系统运行的监视、分析和控制,保障电能流通的安全、经济和优质,在智能电网体系中起到“神经中枢”的作用,是电网的大脑。调度环节由电网调度中心完成,因此提高调度中心智能调度的业务水平是智能电网建设的重要和关键一环。

目前,国内外在此领域已开展了一些卓有成效的研究和实践。在国际上,有PJM先进控制中心[7]、高级配电自动化系统[8]、电力战略防御系统(SPID)[9]等;在国内,有国家电网的智能调度技术支持系统[10]、华东电网高级调度中心项目群[11]、华北电网安全防御及全过程发电控制系统[12]等。

上述研究均在一定程度上反映了智能调度的思想和内涵,但出发点和落脚点不尽相同,且没有针对智能调度的整体描述,没有全面详尽的智能调度建设路线图。本文将在上述研究的基础上,借鉴智能电网成熟度模型的思想,给出调度中心智能调度业务成熟度模型,以期建立统一且适应面广的能力评估模型和建设指导体系,为调度中心提供可分享的智能调度战略框架和发展蓝图。

1 调度中心的业务分析

调度中心是电网运行的调度指挥机构,是负责电网电力调度、运行方式、水调、继电保护、电力通信、电网调度自动化管理的职能部门。随着电网发展和电网管理水平的不断提高,电力系统运行调度涉及的业务范围不断扩大、业务量不断增加,业务之间的关联也越来越紧密。为全面梳理调度中心的业务,首先从调度中心面临的问题入手。为实现对电网的调度指挥,调度中心需要解答以下问题:电网正在发生什么,发生了什么,为什么发生,将要发生什么,以及希望发生什么。回答上述问题的过程也就是调度中心完成业务的过程。

因此,调度中心的业务可以划分为感知、评估、预测、决策4个层面,如图1所示。这4个层面构成了调度中心的业务链:通过感知可获取电网当前的运行状态,了解电网正在发生什么;并在感知的基础上对电网运行状态进行评估,获知某一时间段内电网运行的总体态势,是否发生了安全稳定事故,是否存在隐患和风险,同时对于各种运行状况,分析其出现的原因,为后续调度控制提供依据;由于电网的调度控制总是针对未来的(已发生的事情不能被改变),因此还需要在评估和分析的基础上,预测电网将要发生什么;最后可通过决策,生成相应的控制指令并执行,使得电网运行回归到满意状态,即希望发生的状态。

此外,还需对业务链的整体运作能力进行仔细考察。在传统的调度系统中,业务链中的业务流程相对固定。但在智能电网环境下,一方面由于风电等新能源具有随机性、间歇性强的特性,另一方面由于需要与用户或其他调度中心进行实时互动,调度中心的业务链将不再是固定的,需要建设具有动态、高度适应性、及时响应特性的柔性业务链。这也正是智能调度系统与传统调度系统的最大区别之处。

国家电网公司研发的智能电网调度技术支持系统,也反映出了对上述调度中心各项业务的支持。该系统具有四大类应用:实时监视与预警类应用、调度计划类应用、安全校核类应用和调度管理类应用。其中,实时监视与预警类应用包含了调度中心的感知、评估和决策业务,调度计划类应用包含了预测业务,安全校核类应用包含了评估和决策业务,调度管理类应用则包含了感知业务以及部分敏捷反应的功能。由此可见,本文所述内容与国内最先进的调度系统具有一致性,与目前调度支持系统各试点单位所做工作也并不冲突,可用于各地智能电网的建设。

2 智能调度业务成熟度模型

智能调度业务成熟度模型,用于评估调度中心业务能力,因此需要对感知、预测、评估、决策4项业务进行阶段性的能力评估。同时,由于调度系统的高效率运作不仅需要各方面的良好性能,还需要整个业务链的通力协作,实现业务链的敏捷反应,因此还需在业务能力成熟度分析基础上对业务链进行能力成熟度分析。

下文分别从“实时感知、预测未来、运行评估、智能决策”4项业务和表征业务链的“敏捷反应”出发,分阶段对其能力评估进行分析,从而得到智能调度业务成熟度模型,如图2所示。值得一提的是,由于智能调度的发展需要建立在基础硬件设施的发展之上,如数据采集、网络传输等,因此该模型也适用于评估和指导物理电网以及相关辅助设备的发展。

2.1 实时感知

实时感知是指依托于先进的传感、通信、信息技术,通过量测、采集、传送、监视等环节,实现对表征电网运行状态的关键数据的实时监测,进而全面了解电网的实时运行状态,是后续分析和控制的基础。

实时感知包括快速、全面和准确3项特性:快速是指感知的频度能够捕捉电网的动态特性,满足实时分析和闭环控制的要求;全面是指感知的范围能够涵盖全网所有的关键信息;准确是指感知的内容具有高可信度。按照这3个特性实现程度的不同,可以将实时感知划分为以下4个阶段。

1)稳态数据采集、传送与监视

目前各电网公司主要依托于数据采集与监控(SCADA)系统实现对电网运行状态的实时感知。SCADA系统的远程终端单元(RTU)的数据采集速度较低,使得SCADA系统只能提供周期为3~6 s的稳态数据,不能测量动态数据,且其通信和数据库技术也不能满足动态信息传送与存储的要求。此外RTU没有引入全球定位系统(GPS)的卫星同步信号,测量数据没有时标,导致数据同步性差,在一定程度上影响了上层高级应用的调控效果。

2)动态数据采集、传送与监视

随着智能电网的不断推进,电网运行特性日益复杂、运行状态变化频繁,基于稳态数据的实时感知已经无法满足电网调控的需求,动态信息的测量越来越重要。进入21世纪以来,广域测量系统(WAMS)得到了快速的发展和应用,WAMS以同步相量测量技术为基础,通过相量测量单元(PMU)以及现代通信技术,对地域广阔的电力系统运行状态进行动态监测和分析。与传统量测相比,具有全网同步、精度高、密度高、数据刷新快等特点。但由于PMU本身价格昂贵,只能在关键节点配置,导致其测量结果无法满足系统的能观性,此外PMU没有数据下行通道,不能提供指令下发功能。

3)广域数据同步、多数据源融合

目前,SCADA系统和WAMS数据不共享,无法最大限度地发挥各自的优点,因此实现两者的相互融合成为关键,但融合存在采样频率不一致和无法利用时标进行数据同步的困难。针对这一问题,提出了动态SCADA(DSCADA)系统的概念,即通过集成各种数据采集渠道,建立统一、开放的广域信息平台,从而实现广域数据同步和多数据源融合。

4)基于先进数据过滤技术的高可信度实时感知体系

由于测量精度、通信干扰等原因,量测数据不可避免地存在误差,甚至可能严重偏离真实状态,使得量测数据不能准确地反映电网的运行状态。因此,在数据融合的基础上,通过先进状态估计系统等先进的数据过滤技术,来消除各种扰动造成的数据偏差,辨识不良数据,从而提高量测数据的可信度,建立高可信度的实时感知体系。

2.2 预测未来

预测未来是指通过分析电网运行内外部环境的变化提前感知电网未来的运行状态,作为决策的基础,其预测结果将直接影响决策的适用性。目前广泛应用于调度部门的预测包括负荷预测、风电/光伏发电功率预测、天气水文预测等。

预测结果是对未来不确定性的描述。按照对于不确定性描述的方法和范围不同,可以将预测未来划分为以下4个阶段。

1)确定性或概率性的预测

传统的预测结果一般都是确定性的,如常规的负荷预测只给出一个确定的数值,其缺点是无法确定预测结果可能的波动范围。实际上,由于预测问题的超前性,确定性的预测并不符合客观需求。区间预测和概率性预测可以在一定程度上给出预测结果的变化范围,但其实际应用效果还有待检验和完善,特别是各种预测结果的概率分布函数难以解决[13]。

2)基于情景分析的不确定性预测

为应对传统预测的不足,引入情景分析的方法实现对未来的不确定性预测。情景是对未来以某一概率发生的确定性态势的描述[14],情景分析根据当前组织或系统所处的具体环境,辨识影响环境的确定性以及不确定性等因素,抽象出未来环境可能面对的多种情景,从而将具有高度不确定性的未来环境规划为有限多个典型的情景,大大降低了不确定性。

3)考虑智能电网需求和外部环境不确定性的情景分析

在智能电网新形势下,需求和外部环境的不确定性大大增加。以大规模风电场接入电力系统为例,由于风能的随机性和波动性较大,导致风电输出功率的不确定性较大,而且其功率波动常与用电负荷的波动趋势相反,给传统的、基于确定性负荷预测的电力系统调度带来了很大的挑战。情景分析恰好适用于高度不确定性的情况,因此,将情景分析的方法推广到考虑智能电网需求和外部环境的预测。

4)基于情景的统一预测、仿真、培训体系

情景是对电网某一运行状态的描述,而调度中心的仿真和培训系统都是基于历史数据或模拟数据进行的,这些数据表征的就是电网的某一特定运行状态,因此都可以抽象成情景,即可将情景分析的方法推广到仿真和培训领域中,形成统一的预测、仿真、培训体系。

2.3 运行评估

运行评估是调度中心调控、管理的基础,通过评估发现隐患或者需要改进的地方,进行调控和管理,从而实现电网的趋优运营。评估不仅需要对运行状态进行评估,即分析发生了什么,还需要对可能导致该状态的原因进行评估,即分析为什么发生。评估依托于指标,指标的选取和指标标准的制定将直接影响评估的优劣。据此,可以将运行评估划分为以下4个阶段。

1)分散、孤立的指标评价及离线的考核管理

目前各电网公司往往通过相对分散和孤立的指标对电网运行状态进行评价,通过单一指标的统计对调度中心的业务能力进行离线考核,使得评估不能实时、动态地进行,具有滞后性;不能全面反映电网的运行状态,具有片面性;同时不能反映电网运行状态出现的原因,具有表面性。

2)在线运行状态评估与隐患识别

决策依赖于对电网运行状态的准确把握,对电网运行状态进行准确、及时、全面的评估是进行有效决策的前提。该阶段在实时监测信息和离线信息的基础上对电网的实时状态、历史状态进行综合评价,包括状态指标的实时计算、历史统计与考核、能力指标的计算分析,从而进行隐患识别与风险评估。

3)面向多级决策的综合评估分析

该阶段对电网出现的某个不满意的运行状态进行综合分析,找出不满意运行状态出现的原因。

电网运行状态是调度中心不同时间尺度的多级调度策略共同作用的结果,调度策略的优劣和执行情况的好坏直接影响电网运行的最终状态。此外由于需求和外部环境的不确定性,调度策略的优劣是相对的,如果需求或外部环境发生强烈变化,那么提前制定的调度策略则很难满足电网安全经济运行的要求,进而可能导致电网出现不满意的运行状态,此时根源在于需求或外部环境。因此,需要在对调度中心内部的调度策略及其执行情况评估的基础上,对外部的需求和环境进行综合分析与评估,从而找出电网不满意运行状态出现的根源,为下一步调控提供依据。

4)全方位、一致性的电网运行指标体系

从电力系统实际运行的需求来看,为确保电网的安全、稳定、经济、高效运行,亟需建立一套全方位、一致性的电网运行指标体系。全方位是指指标体系涵盖内容广泛,既包括运行状态评估,也包括决策评估、需求评估、外部环境评估等,同时容纳时间维、空间维等多个维度的信息;一致性是指指标体系本身具有开放性的架构,具有可扩展性、可移植性,灵活地适应不同的场景。通过电网运行指标体系的建立,为全面认知电网的运行态势提供了系统化的平台,从而减少了调度人员的工作量,提高了调控效率。

2.4 智能决策

决策是为实现电网安全、优质、高效运行,针对所有的可控手段,动态制定调控方案的过程。决策是实现电网安全经济运行最直接和最重要的手段,也是调度中心的核心业务。按时间尺度的不同,调度中心需要做出多项决策,如图3所示。图中:AVC表示自动电压控制;AGC表示自动发电控制。

智能决策应面向所有可控手段,在不同的时间尺度上协同优化,以满足不同利益相关者的需求,实现电力大系统的趋优化运营。按照实现程度不同,将智能决策分为以下4个阶段。

1)面向传统的调控对象,离线计划制定、在线辅助决策与调控

目前调度中心的各项决策大多面向传统的调控对象,如火电机组、水电机组、断路器、变压器分接头、低频减载装置、柔性交流输电系统(FACTS)等,往往采取离线制定、在线辅助决策和人工调控相结合的方式对电网进行调控。此外各个决策均以自身的调控目标为依据,彼此之间缺乏沟通,往往导致调控效率低,甚至可能出现反复调节、调节振荡的现象,给电网安全稳定带来了一定的风险。

2)不同调控手段和时间尺度的协调优化决策

决策的时间尺度与调控手段的时间尺度一致,同一时间尺度上的决策,其调控手段将同时作用在电网上,共同影响电网的运行状态,因此在同一时间尺度上的决策应该进行协同,即协同所有的可控资源进行优化决策,以达到控制成本的最小化和控制效果的最大化。

不同时间尺度上的决策层层递进,形成决策链,下级决策在上级决策的基础上进行,上级决策在制定的过程中要充分考虑下级决策的可操作空间,因此不同时间尺度的决策同样需要协同。

3)面向需求和外部环境不确定性的优化决策

在智能电网的新形势下,调度中心的决策归结为如何在不确定性情形下科学、合理地安排电能的生产、输送和使用。因此,智能决策需要更广泛地处理需求和外部环境的不确定性。例如:需要充分考虑新能源发电功率的大规模接入,将新能源发电技术纳入到电网长中短期能源优化调度中,包括风电功率预测精度校核、含风电的发电计划制定、含风电的实时运行控制技术等;考虑如何应对自然灾害等可能导致大停电的安全隐患,应建设集动态安全评估、预防控制、紧急控制于一体的电网灾变防控系统,应对台风、暴雨等恶劣自然灾害的影响,为电网的安全稳定运行护航。

4)互动决策,实现整个电力系统的优化运行与管理

随着智能电网的发展,电力系统相关方的角色也发生了变化:传统的用户不再只是电能的消费者,而是在特定情况下可以转变为电能的提供者;电网不再只是被动地满足用户的电力需求,而是可以通过需求侧管理的方式主动地调控用电需求;随着储能技术的快速发展,发电厂也不再只是输出电能,而是可以吸收一部分电能,起到削峰填谷的作用。综上,包括电网在内的电力系统相关方打破了原有的依赖关系,具有了主动和被动的双重角色。

在此基础上,调度中心决策所面对的可调控对象涵盖的内容大幅增加,包括了参与需求侧响应管理的用户、风电场、各类储能设施等。因此,需要对决策的内容进行同样的扩充,实现互动决策(即互为主动),进而实现整个电力系统的优化运行与管理。

2.5 敏捷反应

敏捷反应的关键在于建立一套具有动态、高度适应性和及时响应特性的柔性业务链,其可以分为以下4个阶段。

1)传统的基于职能部门划分、人工协作的业务机制

在现有调度管理架构中,采用基于职能管理的组织架构,即按照职能部门进行业务划分(见图4)。其中,运行方式部门负责在长时间尺度上整个电网运行能力的设计与规划,即确定电网运行状态的可行域;计划部门负责在短时间尺度上电网能量流的配置,即电网典型运行点;调度部门负责实时状态下对计划部门制定的电网运行点进行微调,以适应系统外部干扰的变化;继电保护部门负责电网非正常运行状态下的紧急处理;而自动化部门、通信部门和综合部门则负责处理电网二次系统的管理。

在职能部门内部,易于形成自动化的业务流程,职能部门之间往往需要花费大量的人力、物力进行业务对接和切换,依靠人工协作来实现业务流程正常运转的方式,这将在一定程度上导致运营效率低下和反应迟缓。

2)业务均质化、集成化

业务依托于应用系统来完成,而现有的应用系统往往针对单个业务,无法面向整个的业务链,且各个系统之间难以紧密集成,使得“环环相扣”的业务被分散的系统分隔开来,存在大量的应用孤岛。因此,实现业务链的敏捷反应,首先必须解决应用孤岛的问题,即基于统一的构建思想实现应用系统的集成。

自律分散系统(autonomous decentralized system,ADS)[15]是近年来逐渐发展起来的一个新的系统概念。它突破了原来传统集中式/分布式的C/S模型,建立了全新的系统模型。

采用自律分散的思想作为系统的集成方案,需要对现有的应用系统进行改造,实现子系统的均质化,基于统一的集成规范将子系统中的应用组件集成起来,实现相互之间以及与其他应用系统之间的交互。

3)基于数据驱动的柔性流程链

传统系统需要事先确定应用软件的工作顺序(控制流程),即在某个应用开始工作后,确定应该驱动哪个应用软件或在什么时刻驱动等。将这种按照时间关系不断推进的处理称为同步处理,该处理方式导致流程效率大为降低,达不到敏捷反应的要求。

采用数据驱动的方式,数据到齐后自行开始处理,无需其他子系统的指令,一方面各应用软件的处理完全是异步进行的,实现了应用组件的即时启动,另一方面应用软件之间没有直接的驱动关系,通过数据保持了松散的结合,流程链完全按照实时运行中数据产生的顺序动态制定,从而实现了流程的动态调整,成为柔性流程链。

4)基于整合化逻辑的容错性和在线测试

无论系统的可靠性有多高,故障还是可能发生,因此需要提高系统的容错性,以保证局部故障不波及系统其他部分。对功能模块中重要的、有容错性要求的模块,根据其要求的不同程度进行多重化管理。各应用系统加装基于整合化逻辑的表决器功能,在多重化功能模块发出的多个同类型数据中选择正确的数据、废弃错误的数据,从而阻止该功能模块故障的影响。

即使系统具有容错性,在发生故障时系统仍大都需要对故障部分进行维修。传统系统难以进行在线维护和测试,因为在线模式和测试模式的功能模块不能共存。借鉴自律分散的思想,各应用之间并不共享数据,且在每个应用中加装测试管理模块,通过在信息控制字段内的测试特性空间设定来实现测试模式的标识,从而实现在线测试的功能。

3 智能调度业务成熟度模型的应用

以上几个方面都是调度中心必须完成的业务以及由这些业务构成的业务链,而要建成功能完备的智能调试中心,需要这5个方面都发展完善,即发展到最高阶段。在发展过程中,如何判断各个方面是否完善、距离发展完善还有多大差距,或者判断整个智能调度中心是否成熟、距离发展成熟还有多大差距,则需要用到此智能调度业务成熟度模型。因此,本文提出的智能调度业务成熟度模型,可以用于评价智能调度业务链中4个关键环节的发展程度以及整个业务链的柔性,进而评价整个调度中心的发展水平。

在评估的基础上,此模型还可用于指明智能调度的发展路线图。电网公司人员可根据自身发展情况以及外部环境,按照此模型中的标准,制定各方面的整体目标以及详细发展计划。

目前,该模型已应用于海南电网智能调度建设项目中。首先,用成熟度模型对海南电网现状进行了评估:目前,海南电网主网架厂站均配置了同步PMU,在此基础上搭建了WAMS,率先步入了“实时感知”的第2阶段。而在其他方面,目前仍采用传统的能量管理系统(EMS)、负荷预测系统以及传统的工作划分方案,因此均处于第1阶段。

然后,在评估基础上,结合海南电网公司智能电网建设的目标,制定海南电网智能调度系统的发展目标。在实时感知方面,由于海南电网公司已具备了全PMU量测这一有利条件,且数据采集服务是其他所有功能的基础,因此将其发展目标定为最高的第4阶段。在预测未来方面,由于智能电网将接入大量风电、太阳能发电等新能源,具有很强的不确定性,并且海南电网时常遭受台风等恶劣天气的影响,因此必须将其发展到第3阶段。在运行评估方面,鉴于之前已经开展了一部分电网运行指标体系的研究工作[16],因此也计划将其发展到最高阶段。在智能决策方面,由于开展用户侧管理需要大量硬件上的支持,在短期内无法实现,但在不确定性情景分析的基础上,面向不确定性的优化决策完全可以实现,因此将其目标定为第3阶段。在敏捷反应方面,由于这是可持续性的EMS(SEMS)与传统EMS的最大区别所在,因此需要对其着重进行发展,再考虑到第4阶段的硬件成本较低,软件实现已有成功范例[15],因此完全可以将目标定到第4阶段。

综合这5个方面的发展现状与目标,分析出当前调度中心缺少的功能,即得到海南电网智能调度中心发展路线图。按照此路线图,海南电网计划在未来几年内建立DSCADA系统、先进状态估计系统、电网运行综合指标体系、频率电压协同控制系统、电网灾变防治系统等一系列相关的系统,并用自律分散的思想改造调度中心的业务链,从而实现调度系统的智能化。

4 结语

建设智能调度系统意义重大,是解决未来日益复杂的电网调度与控制问题的最有力的手段。智能调度系统的研究与建设任务艰巨而具有挑战性,是一个系统的工程,绝不可能一蹴而就,而智能调度业务成熟度模型不但是对这一过程的剖析和细化,更将各个方面的发展联系了起来,将较为分散的研究系统化,对智能调度系统的建设与发展具有科学评估与指明方向的双重意义。

生产调度模型及算法设计篇4

生产调度[1]是一个在对业务操作流程可以分解的业务流程,资源使用情况以及产品需求情况已知且研究尽可能满足约束的情况下,以获得某种指标(如交货期最短、生产成本、客户满意度等)的最优化为目标进行分解的业务流程。调度以计划为基础,而计划又是在有限的时间里分配相互竞争的各种资源。可见,生产计划制定的好坏决定着生产调度的好坏,对于一个企业生产效率也是十分重要。

计量中心生产调度平台[2][3]是全面支撑省级计量中心生产调度工作的信息系统。目前已具有支持生产调度工作的全部功能。但在计划环节,主要支持人工计划的制定工作,需要研究一个面向计划自动生成的模型、算法及相应的软件。

人工计划编辑模型主要问题有:

(1)月度配送计划计划性不准,审核月度配送计划需平衡检定能力和库存,还可能影响到货计划,工作难度较大。

(2)到货计划计划性不准,导致实际到货与到货计划差异较大,影响检定计划的准确性,导致检定计划制定和执行困难。

产生问题的根源分析:

(1)在采购计划阶段制定阶段:1)没有准确的到货计划,通常是在有到货需求前,以一个提前期(N个自然日)通知供应商,供应商可能因为排产问题或元器件存货不足等问题,导致到货计划失效;2)到货计划是根据供应商的排产计划协商制定的,与实际需求或检定工作有较大的不一致性,给检定计划制定及检定计划执行造成较大困难。

(2)年度之初没有月度需求计划或月度需求计划准确性不强:在月度实际需求发生前才制定月度需求计划,可能会以较大幅度超出检定能力,不利于检定工作安排。

针对上述存在的问题,项目研究的目标是:研究数学模型和算法,充分利用历史数据、对目前电力企业省级计量中心的计划制定工作面临的众多问题提供解决方案。具体来说,研究的主要目标有:如何利用历史数据预测未来需求、如何通过模型和算法解决各计划相互制约和相互影响问题,其中设计模型和算法以实现各种计划预测与生成是本项目研究的主要目的。

2 模型概述

生产计划的制定和执行过程(流程),与自然环境中水流的过程有很大的相似性,在一定时间内形成多个波,以各自特定的节奏向前涌浪,在遇到助力时产生反向涌浪。本项目采用仿真自然环境进行建模,有利于模型的描述且较好理解。涌浪是液体在一特定时间通过一个特定空间的一组活动。在本项目的模型中,它是发生源(水池中液体)流经涵洞(对液体的量有一种的约束,用于描述某种能力)时产生的一组活动,水池中液体流经涵洞时产生一定节奏涌浪,并成为下一波涌浪的前提和基础,液体的量可表示涌浪的大小。算法模型如图1所示。

水池可用来描述计划,水池中容器的容量用来表示计划中的产品及数量;涵洞表示生产环节,其中子涵洞及其最大流量用来表示该生产环节对某产品的处理约束及能力;外部水池表示库存,外部水池的容器及容量可表示库存中的产品及数量。

当水池中某个容器中液体在某段时间内的存量,大于其可流经的子涵洞在相同时间下的最大流量与外界涵洞的中对应容器存量之和,说明子涵洞的容量有余量(对应于生产能力大于生产计划要求),只产生正向涌浪(生产计划能完成);反之会产生能力约束,有多余的液体不能通过(相当于计划任务不能完成),会产生反向涌浪。

3 算法求解

根据计量中心生产调度平台系统中对计量中心生产调度的业务以及生产计划制定的相关流程,利用算法模型的求解过程如下:

(1)求解基本步骤:

计划顺序Plan[4]=[需求计划、配送计划、检定计划、到货计划];

工作能力Ability[3]=[配送工作能力、检定工作能力、到货工作能力];

数据整理初始变量N=0;

计划预测模型中,计划Plan[i]与生产能力Ability[j]步骤为:

Step1:查询j (0≤j≤2)环节的工作能力;

Step2:选择第i计划环节(0≤j≤3)的月度为数据源;

Step3:如果Plan[i]=“需求计划”,执行Step4,否则执行Step6;

Step4:调用推动模式C=Push0;

Step5:如果C!=0,则N=C,且从第C环节开始调用拉动模式算法Pull (C),执行完成后转向Step11;否则转向Step12;

Step6:如果Plan[i]=“到货计划”,执行Step7,否则执行Step9;

Step7:调用拉动模式C=Pull (i);

Step8:如果C≠0,则从第C环节开始调用推动模式算法Push (C);

执行完成后转向Step10;

Step9:如果Plan[i]!=‘需求’且Plan[i]!=‘到货’,调用推动模式算法C=Push (i);

Step10:如果C≠0,则K=C且N=C,从第K环节调用拉动模式算法Pull (K);执行完后转向Step11;

Step11:如果C=0,执行步骤Step3,并将Plan[N]代入Step3中;

Step12:月度计划汇总生成年度计划;

Step13:通过每月的需求计划汇总生成年度采购计划

Step14:算法结束。

(2)推动模式算法:

Push算法(i){C=0;

Step1:如果i==0{执行推动配送环节0;i++;如果有约束则C=1,然后跳转至Step4;}

Step2:如果i==1{执行推动检定环节0;i++;如果有约束则C=2;然后跳转至Step4;}

Step3:如果i==2{执行推动到货环节0;如果有约束则C=3;}

Step4:返回C;算法结束;

}

(3)拉动模式算法:

Pull算法(i){C=0;

Step1:如果i==3{执行拉动检定环节0;i--;如果有约束则C=2,然后跳转至Step4;}

Step2:如果i==2{执行拉动配送环节0;i--;如果有约束则C=1,然后跳转至Step4;}

Step3:如果i==1{执行拉动需求算法0;}

Step4:算法结束。

}

4 结语

生产调度模型能将多种约束、互相制约的计划制定问题,转化成简单的分步生成算法,是算法模型的最大优点。制定计划时可以减少对工作人员工作经验的依赖。依靠历史数据的积累和分析,依据科学的数学模型和合理的逻辑推理计算生成计划,在很大程度上减少了由不科学的计划给工作带来的负面影响,同时提高了计划的科学性和合理性,提高了工作效率,增强了用户的满意度,减少了企业的运营成本(库存堆积、资金占用、设备过期重检、提高资源利用率等)。

参考文献

[1]余建军,张定超,周铭新.生产调度研究综述[J].企业管理与信息化,2009,9:14-16.

[2]丁涛,徐二强,刘忠,等.省级计量中心生产调度平台的设计[J].电力电气,2012,5:34-37.

[3]郭婧,吴军华.面向方面的UML建模[J].计算机工程与设计,201 1:4260-.4263.

[4]李娜,李波.供应链中模糊多目标生产一配送计划模型及求解[J].西安电子科技大学,2012,9:22-5.

[5]夏林丽,雷宏.多项目多任务选择计划模型及其智能决策[J].计算机应用,2012,5:32-5.

网格任务调度模型的研究篇5

网格任务调度模型是对网格任务调度问题的一个映射或是一种解释。一个结构合理的调度模型应该能够很好地反映任务调度问题的相关流程，完整地解释所要讨论的问题范围，并给出严密的条件约束，不至使建立的模型无解或是无可行解。本文分析研究了经典的任务调度模型，提出了一个具有两层结构的调度模型，包含树形全局调度模型和局部调度模型两层,很好地解决经典模型中存在的问题，并保证了网格调度系统具有高安全性和活性等其他优点。

1 网格任务调度模型

中心式网格调度模型和分布式网格调度模型是两种经典的网格任务调度模型。中心式网格调度模型便于管理整个网格系统，但如果发生单点失效，后果是严重的，适用于中小规模、单管理域的网格系统中;分布式网格调度模型解决了中心式模型单点失效的问题，但是也存在不足。

1.1 中心式网格调度模型

中心式网格调度模型[1,2,3,4]只有一个网格调度器(Grid Scheduler,GS)。调度器负责接受用户提交的应用并监测网格中所有计算资源的静态和动态信息，为每一个或是每一批任务映射合适的资源。中心式调度模型可分两层：第一层为网格调度器，第二层为各个网格资源的资源代理。调度器通过与资源代理通信来监测网格资源和任务的分配。

中心式网格调度模型中只有一个网格调度器，如果发生单点失效，整个网格系统就会瘫痪，用户提交的任务也将丢失，资源上处理完的任务结果无法进行返回，所以必须保证其安全性和可靠性。有效的措施是建立备用网格调度器，这样就增加了额外的经济开销。因此，中心式网格调度模型适用于中小规模、单管理域的网格系统中。

1.2 分布式网格调度模型

在分布式网格调度模型中，每个网格调度器只管理本地域的任务调度和资源管理。通过多个调度器之间的协作，为任务选择合适的资源。网格调度模型的拓扑结构是网格调度器之间相邻关系的集合。中心式模型中只有一个网格调度器，不存在调度器之间的协作，所以网格调度器的拓扑结构是空集。文献[5]中把分布式调度模型器的拓扑结构描述成一个完全图，即每个网格调度器都互相直接连接;文献[6]中把拓扑结构描述成一个非完全图;文献[7]中则把拓扑结构描述成一棵树。

完全图结构的调度模型中，当某一个单点失效时，剩余调度器的拓扑结构依然是完全图，可保证系统的安全性和可靠性，也可保证失效节点上任务的最终执行。因为每个调度器都与其它调度器连接，可以实现任务与资源的最优映射，调度器之间的任务迁移代价最小。缺点是在大规模网格中的实现代价昂贵。非完全图结构的调度模型是完全图结构调度模型的简化形式，其拓扑结构是不规则的。因此发生单点失效时，拓扑结构会发生很大的变化，原本具有相邻关系的调度器可能会不再相邻。如果非完全图具有桥[8]，失效节点恰恰是桥的端点，则该拓扑结构将分裂成两个独立的调度空间。

2 树结构的网格调度模型

树形结构的调度模型可简化网格平台的实现，降低节点的通信复杂度和便于网格资源的管理。树形结构是一种规则的拓扑结构，当发生单点失效时，可利用有关树的相关算法，对分裂成两个独立空间的部分进行合并。本文提出的调度模型采用树形结构的网格调度模型。调度模型采用两层结构：全局调度和局部调度。

2.1 全局调度模型

每个节点有一个权值P，表示该节点单位任务的处理能力。新的网格调度器加入网格或是一个网格调度器退出网格系统，此拓扑结构就根据平衡二叉树的插入和删除算法进行调整，把分裂成两个独立结构的树重新进行组合。由此可以实现网格系统的可扩展性、安全性和可靠性，如图一所示。

根节点调度器是网格系统的入口，负责接收任务和向其子节点分配任务。调度过程为：当根节点接收到任务集合时，向负载较轻的子结点进行负载迁移。如果子节点负载较重，则使任务处于等待状态，直到其子节点负载较轻或是能够自己进行处理。各层的节点与根节点的工作原理一样，负载较轻时，接受父节点分配的任务;负载较重时，向其子结点分配任务。树形结构的全局调度过程是一个可实现各个网格节点负载平衡的任务迁移过程。因此，树形结构的网格调度模型具有天然的负载平衡的优点。

2.2 局部调度模型

局部调度模型的主要功能是负责管理本地域内的任务调度和信息检测。主要模块包含有任务池、容错处理器、任务调度器和信息检测器，如图二所示。

(1)任务池

任务池保存了本域内新到达的和以往已经映射过但还没有调度的任务，任务池中的任务都是已分解的独立任务，不包含优先约束关系。任务池保存任务副本直到其执行完毕并返回结果。

(2)任务调度器

任务调度器为每个任务按照其特性分配一个相应特性的机器，并把任务发送到指定的机器上运行。任务调度器在内部节点无任务或是负载较轻的前提下向其分配任务。为了防止出现任务总是得不到执行的情况，引入了老化因子。基本思想是，将上次没有得到执行的任务在下次重新映射时让它变老，相应的提高了该任务的执行优先级。任务调度器根据老化因子来对任务进行调度。

(3)容错处理器

容错处理器具有任务死锁的检测和处理功能。当任务的等待时间超过了生命周期规定的期限，但是依然没有反馈信息，容错处理器自动认为此任务处于死锁状态，杀死此任务并重新调度。容错处理器具有节点失效的检测、处理功能。当局部管理域中的一个站点失效不可用时，任务调度器将保存在任务池中的任务副本重新分配，保证任务的最终完成。

(4)信息检测器

信息检测器的功能是及时地检测资源的动态信息。节点的负载情况采用状态驱动策略[9]，状态驱动策略可以有效地避免负载抖动，降低通信开销。如果节点的CPU占用率过低或过高，信息检测器及时主动地向任务调度器发送信息，任务调度器将根据情况进行追加调度或是进行负载迁移。

3 结束语

本文首先介绍了两种经典的网格任务调度模型，中心式网格调度模型和分布式网格调度模型，分析了各自的优点和缺点，并在其基础之上设计了具有两层结构的调度模型：全局调度和局部调度。全局调度模型采用二叉树拓扑结构，很好地解决了网格调度器的单点失效问题，并且很好地实现了各个网格调度器之间的负载平衡。

摘要：网格任务调度是采用适当的调度策略把应用程序分配到异构的计算节点上进行高效的执行并返回正确结果的过程。本文研究了经典网格任务调度模型,分析了各自的优缺点,并提出了一种包含有树形全局调度模型和局部调度模型的两层结构模型,此树形全局调度模型通过负载从根节点自上而下的迁移,能够很好地实现网格系统的负载平衡。通过二叉树的节点删除算法能够很好地解决模型中节点的失效问题,因此具有很好的安全性和可靠性。

关键词：网格,任务调度模型,树形调度模型

参考文献

[1]Martino D,Sub V.Optimal Scheduling in a Grid Using Genetic Algorithms.International Paral-lel and Distributed Processing Symposium(IPDPS’03),2003:148-154.

[2]Ernemann C,Hamscher V,Schwiegelshohn U,et a1.On Advantages of Grid Computing for Parallel Job Scheduling.2nd IEEE/ACM International Sympo-sium on Cluster Computing and the Grid(CC-GRID2002),2002:31-38.

[3]Ranganathan K,Foster I.Decoupling Computa-tion and Data Scheduling in Distributed Data-Inten-sive Applications.11th IEEE International Sympo-sium on High Performance Distributed Computing,2002:352-258.

[4]Subramani V,Kettimuthu R,Srinivasan S,eta1.Distributed Job Scheduling on Computational Grids Using Multiple Simultaneous Requests.11th IEEE International Symposium on High Performance Distributed Computing,2002:359-366.

[5]Chen Hongtu,Maheswaran M.Distributed Dynam-ic Scheduling of Composite Tasks on Grid Computing Systems.16International Parallel and Distributed Processing Symposium(IPDPS’02),2002:88—97.

[6]Arora M,Das S K,Biswas R.A De-Centralized Scheduling and Load Balancing Algorithm for Hetero-geneous Grid Environments.International Conference on Parallel Processing Workshops,2002:499-505.

[7]Cao Junwei,Spooner D P,Jarvis S A,et a1.A-gent-based Grid Load Balancing Using Perfor-mance-driven Task Scheduling.International Paral-lel and Distributed Processing Symposium(IPDPS’03),2003:49-58.

[8]左孝陵,李为监,刘永才等.离散数学[M].上海:上海科学技术文献出版社,2003:280-286.

基于节能发电调度优化模型的探究篇6

关键词：电力市场,节能,调度模式

0 引言

我国过去实行考虑机组容量的均衡发电调度模式在一定时期内调动了投资电源项目建设的积极性, 促进了电力工业的快速发展, 但同时也导致了高效环保的大火电机组、水电及核电等清洁能源机组的发电能力无法充分发挥, 高污染、高能耗的小火电机组却能多发电的情况, 造成了能源资源浪费和环境污染。为加快建设资源节约型, 环境友好型的社会, 节能发电调度的开展势在必行。

本文根据节能发电调度原则, 针对电网火电机组提出既考虑电网购电成本和机组发电煤耗消耗量最小的双目标模糊优化短期交易计划制定策略, 建立多目标模糊优化模型。

1 节能发电调度对传统调度模式的影响

能发电调度方式优先调度可再生能源、高效环保发电机组, 同时兼顾经济社会效益目标的最大化, 以此来推动电力工业健康发展, 正迎合了当前社会经济节能降耗和电力市场化改革目的的要求。落实节能减排工作任务, 对于减少能源消耗、建设资源节约型社会和环境友好型社会、推动国民经济可持续发展具有重要意义。

1.1 节能发电调度模式的分析

节能发电调度适用于所有并网运行的发电机组, 上网电价暂按国家现行管理办法执行。在调度优先级上, 各类发电机组按以下顺序确定序位:

1) 无调节能力的风能、太阳能、海洋能、水能等可再生能源发电机组;

2) 有调节能力的水能、生物质能、地热能等可再生能源发电机组和满足环保要求的垃圾发电机组;

3) 核能发电机组;

4) 按“以热定电”方式运行的燃煤热电联产机组, 余热、余气、余压、煤矸石、洗中煤、煤层气等资源综合利用发电机组;

5) 天然气、煤气化发电机组;

6) 其他燃煤发电机组, 包括未带热负荷的热电联产机组;

7) 燃油发电机组。

1.2 节能发电调度对传统调度模式的影响

电力行业落实节能减排有三大主要任务:改进发电调度方式、关停小火电机组和加大脱硫力度。其中, 改进发电调度方式又是电力行业节能减排的主要环节。改进调度方式, 不仅仅是技术上的电量平移, 它将对投资政策、电价政策和企业生产经营稳定产生深刻影响, 需要通过综合措施才能解决。

对于电力市场中的发电主体, 火电机组在集中竞价的电力现货市场中, 按机组报价进行发电排序, 这一过程既给出了调度依据, 又给出了系统边际电价, 实现了市场的价格发现功能。节能调度是按煤耗排序, 暂时仍按批复电价作为上网电价。在这种情况下, 为保证各发电企业公平竞争及实时经济调度, 其调度原则、方案应模型化。

2 节能发电调度优化模型

与常规经济调度一样, 节能调度也应包括两个过程:一是机组的组合排序过程。二是机组发电容量的实时调度过程。

带模糊约束的模糊多目标决策模型可以表示为:

其中x为n维决策列向量, min表示“尽可能使目标函数小”。由于fi之间往往是相互制约甚至相互矛盾的, 因此不一定能找到一个解x, 使fi都可以达到最优, 这正是多目标规划所反映的实际问题中的多目标决策的困难性与复杂性, 所以人们提出关于最优解范畴的多种概念。

2.1 模糊多目标规划方法

对目标函数F (x) =[f1 (x) f2 (x) …fm (x) ]T在约束条件下的模糊极小值求取方法步骤如下:

1) 求出每一目标分量fi (x) 的模糊子集, 每个目标对应的隶属度函数为μ (fi (x) ) , i=1, 2…;

2) 用最大隶属度原则求x*, 使x*在满足约束条件还满足:μ0 (x*) =max[μ (f1 (x) ) ^μ (f2 (x) ) ^…^μ (fn (x) ) ], x∈Ω

3) 这样对于多目标最小化问题, 引入模糊隶属度变量μ后, 可化为单目标优化问题。

2.2 双目标节能发电调度模型

PGi (t) 为机组i在时间段t的出力。νi为机组i的能耗参数, 即机组每兆瓦出力消耗煤耗所产生的费用。

2.3 目标函数的模糊化

求解该模型采用模糊数学中最大隶属度原则。为确定等价模型, 先确定各单目标函数的隶属函数。选择半直线形函数为它们的隶属函数, 目标隶属函数用式 (6) 表示。

2.4 双目标模糊优化节能发电调度模型

将模型M1转化为满足两个目标及所有约束条件的隶属度即满意度的最大化问题, 通过式 (6) 将模型M1转化为双目标模糊优化模型M2:

本文设弹性系数βi为0.1, 则δ0i即为0.1c0i。

由于假定机组在交易周期采用一次报价曲线, 则购电成本目标函数为二次型, 即式 (3) 等价为:

因此模型M2约束条件中的第一个不等式约束为二次不等式, 为此采用逐步线性化方法求解。

因此, 该不等式约束等价为:

模型M2成为线性规划问题如下:

用单纯形法求解该模型, 求出最大满意度及最优负荷分配结果。

3 结论

计划调度模型篇7

应急广播系统由应急广播制作播发平台、应急广播调度控制平台和应急广播传输覆盖网组成[2]。应急广播制作播发平台主要负责应急信息接入和分析处理以及应急节目制作等功能,并将应急广播节目传送到应急广播调度控制平台进行应急广播发布; 应急调度控制平台根据应急广播制作播发平台的发布要求,生成资源调度方案和调度控制指令,并将应急广播节目和应急广播指令发送到应急广播传输覆盖网的消息适配系统; 消息适配系统则接收验证应急广播节目和应急广播指令数据,并控制切换相应播出系统实现应急广播节目播出和信息播发。

1 框架模型

应急广播调度控制平台框架模型如图1 所示。

1. 1 消息播发及业务交互的基本模式

按照图1 框架模型所示,在应急广播调度控制与传输覆盖环节,主要有应急广播调度控制平台、应急广播传输覆盖网( 应急广播台站/播控平台/前端) 、应急广播消息适配系统、应急广播播出系统、应急广播终端设备等主要组成部分,应急广播消息播发及业务交互的基本模式如下所述:

1) 应急广播调度控制平台接收到应急广播制播平台的应急广播发布要求或其他应急广播调度控制平台委托转发的应急广播指令。

2) 按照资源调度预案、资源调度规则和资源状态等,应急广播调度控制平台生成资源调度方案,并根据资源调度方案生成资源调度指令。

3) 应急广播调度控制平台将应急广播节目和应急广播指令数据发送到应急广播台站/播控平台/前端的应急广播消息适配系统。

4) 应急广播消息适配系统收到应急广播节目和应急广播指令数据,在指令验证通过后控制相关播出系统( 如有线前端、发射机等) ,按照指令要求进行应急广播节目播出和信息播发,并将播发结果反馈给应急广播调度控制平台。

5) 应急广播终端设备接收到应急广播节目和应急广播指令,在验证通过后按指令要求进行播放,并将播放结果回传到对应的系统。

6) 应急广播调度控制平台综合分析应急广播消息适配系统的播发结果,反馈数据和应急广播终端设备的回传数据,判断是否要重新进行资源调度优化和应急播发流程。

7) 应急广播调度控制平台将应急广播消息播发结果反馈给对应的应急广播制播平台或其他应急广播调度控制平台。

8) 应急广播调度控制的其他业务数据交互流程与消息播发流程基本相同。

1. 2 安全机制

应急广播制作播发平台与应急广播调度控制平台、上下级应急广播调度控制平台、应急广播调度控制平台与消息适配系统之间采用安全传输线路及基于数字签名的安全技术,保证业务数据的安全可靠。

应急广播传输覆盖网中所传输的应急广播指令数据,也采用了基于数字签名技术的安全技术,对关键数据进行签名,终端在接收应急广播指令后,对数字签名进行验证,验证通过后才进行相关的播发操作,保证应急广播的安全播发。

2 功能说明

本部分就应急广播调度控制平台、应急广播消息适配系统、应急广播终端设备的功能进行具体说明。

2.1应急广播调度控制平台

应急广播调度控制平台的构成如图2所示。

应急广播消息接入: 负责应急广播消息的综合接入,对应急消息来源单位进行身份验证和管理,通过应急广播消息接入接口,接收应急广播信息,进行格式和完整性校验,然后对信息进行解析和存储,并将播发结果反馈给应急消息来源单位。

发布决策与资源调度: 实现应急广播消息发布决策和资源调度功能。根据事件级别、发布区域等发布需求和资源状况,选择发布模式,根据资源调度策略,生成消息发布调度方案。

应急指令生成与分发: 负责应急消息生成与发布的流程控制。根据发布需求和资源调度方案,生成资源调度指令、终端唤醒指令等应急广播指令数据,并按照应急广播消息规范格式进行适配封装,并发送到应急广播台站/播控平台/前端的应急广播消息适配系统。

安全服务: 实现调度控制平台的业务证书管理、设备证书管理、以及通信消息的签名与验签。

资源管理: 对应急广播系统的资源设备进行资源信息管理和状态维护,资源包括卫星传输系统、有线前端、发射台站发射机等。

发布效果评估: 实现应急广播消息发布效果的收集、分析和评价。综合分析应急广播消息适配系统的播发结果反馈数据和应急广播终端设备的回传数据,并与发布要求、资源调度方案或委托转发的应急广播消息进行对比分析,利用评估算法评价应急广播消息发布的总体效果,并与设定的调度指标进行比较,为优化资源调度方案及是否启动补发提供参考。

系统运维: 负责应急广播调度控制平台的日常运维管理,主要包括运行监控、数据同步、应急演练、终端管理、值班管理、用户管理、日志管理等。

2. 2 应急广播消息适配系统

应急广播消息适配系统( 消息适配器或消息适配设备)部署在各应急广播台站/播控平台/前端,负责接收应急广播调度控制平台发布的应急广播节目和应急广播指令,在指令验证通过后切换控制相关播出系统,并执行格式转化、信号切换、远程唤醒指令插入等操作。

2. 3 应急广播终端设备

应急广播终端设备泛指能够接收解析应急广播节目和应急广播指令、并按照指令要求进行应急节目播出和应急信息播发的终端设备或终端适配器。

3 业务交互说明

本部分从消息播发和系统运维的角度进行分析,对应急广播制作播发平台与应急广播调度控制平台、上下级应急广播调度控制平台、应急广播调度控制平台与应急广播消息适配系统之间的业务交互进行说明。

3. 1 应急广播制作播发平台与调度控制平台

应急广播制作播发平台与应急广播调度控制平台业务交互如表1 所示。

3. 2 上下级应急广播调度控制平台业务交互

上下级应急广播调度平台之间业务交互如表2 所示。

3. 3 应急广播调度控制平台与消息适配系统

应急广播调度控制平台与消息适配系统业务交互见表3。

4 实体关系及属性说明

本部分就框架中应急广播调度控制平台、应急广播台站/播控平台/前端、应急广播资源、应急广播平台设备和终端设备、应急广播消息适配系统、应急广播播出系统、应急广播指令、应急广播消息播发、资源调度指令等主要逻辑实体属性进行说明。

应急广播各逻辑实体关系图如图3 所示。

各应急广播逻辑实体属性说明如下:

1)应急广播调度控制平台

应急广播调度控制平台实体属性主要包括: 平台标识、平台名称、所属地区、平台类型、关联应急广播台站和资源、关联应急广播终端、关联上下级调度平台、关联应急广播制播平台。

2) 应急广播台站/ 播控平台/ 前端

应急广播台站/播控平台/前端实体属性主要包括: 台站标识、台站名称、所属地区、台站类型、台站名称、台站地址、经度、纬度、联系人、联系电话、关联应急广播资源。

3) 应急广播资源

应急广播资源实体属性主要包括: 应急广播消息适配系统、应急广播播出系统。

4) 应急广播平台设备和终端设备

应急广播平台设备和终端设备实体属性主要包括: 设备标识、设备名称、所属地区、设备类型、经度、纬度、设备参数。

5) 应急广播消息适配系统

应急广播消息适配系统实体属性主要包括: 适配系统标识、所属地区、经度、纬度、关联应急广播播出系统。

6) 应急广播播出系统

应急广播播出系统实体属性主要包括: 播出系统标识、播出系统名称、所属地区、播出系统类型、覆盖地区、经度、纬度、覆盖面积、覆盖行政区域、覆盖人口、原播语种、所属机房、播出系统参数、运行图。

7) 应急广播指令

应急广播指令实体属性主要包括: 指令标识、指令类型、指令来源对象、指令目标对象、指令时间戳、关联指令标识、业务数据内容。

8) 应急广播消息播发

应急广播消息播发实体属性主要包括: 消息类型、播发演练类型、消息发布者、播发起始时间、播发结束时间、消息内容、事件类型、事件级别、语种、编码字符集、辅助数据、覆盖区域、数据回传地址、关联调度信息。

9) 资源调度指令

应急广播资源调度指令实体属性主要包括: 消息适配系统调度指令、播出系统调度指令。

5 小结

本文对应急广播调度控制平台的框架模型进行了研究分析,并就其中主要组成部分、业务交互以及实体属性进行了重点讨论。由于篇幅的限制,本框架模型未能对实体含义以及平台关键技术进行更多阐述,有待进一步研究和说明。

参考文献

[1]王效杰.国家应急广播体系规划与建设[J].中国广播,2014(10):11-13.

LOD地形模型中数据调度研究篇8

关键词：LOD,地形模型,数据调度

地形的可视化是3维地理信息系统中的一个重要研究问题, 近年来, 图形硬件技术飞速发展, 基本能够满足小范围场景实时交互绘制的需求, 但仍然无法满足大规模3维场景的应用需要。从目前的研究情况看, 主要从两个环节寻求改进:一是从外存储器到内存阶段, 通过数据的有效组织、内外存之间的合理调度缩短读取数据的时间;二是在内存中绘制阶段, 采用多分辨率模型等技术缩短绘制时间。大规模的3维场景涉及到大量的空间数据, 不可能一次性调入内存, 只能根据场景绘制的需要在内、外存之间动态调度。这种动态调度的思想是很容易理解的, 但实现起来又有很多问题需要研究, 特别是为了实现场景绘制的实时交互, 需要设计合理高效的数据组织结构, 并对数据调度过程进行控制和优化。这些数据如何存储, 采用怎样的数据结构进行组织, 对于系统最终描述场景的真实感和动态效果有着重要的影响, 这也正是本文要研究的内容。

1 基于四叉树的LOD地形模型

1.1 数据模型

从3维场景可视化角度而言, 目前在地形的数字表达上普遍采用DEM方法。DEM常用的数据结构有:规则网格 (Grid) 、不规则三角网 (TIN) 以及两者的混合结构。其中, 规则网格数据结构由于其顶点呈规则分布, 只需要记录数据的基本信息和每个格网点的高程值, 结构简单、操作方便、便于简化, 非常适合于大规模地形数据的组织和管理。

在地形场景绘制时, 为了提高显示速度, 目前使用比较广泛的是利用细节层次 (LOD) 技术生成同一地区的多分辨率模型, 根据视点的变化, 在满足显示精度要求的前提下, 选择不同分辨率的模型, 达到“距离越近看得越清, 距离越远越模糊”的效果。金字塔就是一种多分辨率层次模型, 它可以直接提供不同分辨率的地形数据而无需实时重采样。

1.2 地形数据的四叉树表示

本文中, 多分辨率模型采用基于四叉树的数据结构构建。首先, 四叉树结构与地理坐标有天然的统一;其次, 四叉树与纹理镶嵌技术可以很好地集成在一起。但采用四叉树结构带来两个问题:一是用四叉树划分的地形节点数必须是2n (如无特殊说明, 在本文中, 每个数据块为一个节点) ;二是不同层数据块之间交界处会出现地形表面的不连续。第一个问题可以通过重采样增加或减少地形格网来避免;第二个问题可以使用限制四叉树的方法或改变高分辨率模型顶点高程值的方式加以解决。采用四叉树细节层次模型时, 先对地形数据做不同精度的等间距格网采样, 采样结果构成四叉树的一层节点, 树中每个节点对应地形的一块区域, 对于树中任意相邻的层, 位于上一层的节点采样精度是下一层的一半, 任意一个非叶子节点都有4个子节点, 而且子节点的采样区域恰好将父节点四等分。利用这一特性, 我们可以通过选择位于不同层的节点来实现对特定区域不同分辨率的表示。

2 地形数据组织与LOD预处理

采用金字塔模型需要对空间数据进行预处理, 即对数据进行分层分块。其基本思想是:首先将整个场景按照四叉树结构进行细节分层, 每个LOD层又分为多个格网数为2n的正方形块, 然后对每一个数据块按照四叉树结构进行组织。地形数据组织与处理包括三部分:DEM数据文件合并、DEM数据重采样与分层、DEM数据分块。纹理数据的处理方法与地形数据类似, 本文不详加讨论。

2.1 数据文件合并

地形数据的来源和获取途径有多种, 通常我们得到的大规模的DEM并非只是一个文件, 而是一个由多个彼此之间相交或相接的DEM文件构成的集合, 数据文件可能多达几百乃至上千个。如果不事先对数据文件进行合并, 在后续的分级处理中, 就要对每一个文件分别进行处理, 要将原始的多个DEM文件处理成为具有不同细节层次、不同覆盖范围的多级DEM, 其工作量之大可想而知。因此, 需要将各个分散的DEM数据文件进行合并, 考虑机器的处理能力, 当数据量非常大时, 可以分为几个部分进行处理。

2.2 地形数据重采样与分层

构建地形数据金字塔模型各层数据时, 是从底层即最高分辨率数据开始的, 然后依次确定上一层数据的分辨率。从上到下, 分辨率呈倍数递增关系, 下一层网格分辨率是上一层的2倍, 这样可以很方便地使用四叉树索引技术进行快速定位。由于比例尺和分辨率不是一一对应关系, DEM金字塔模型的各层数据可以通过其对应的比例尺数据内插处理得到。

2.3 地形数据分块

数据分块就是把DEM数据分层后的各级LOD数据按照分块要求重新进行块的划分。由于采用Grid数据结构, DEM数据分块比较容易实现。分块时必须综合考虑空间数据量、应用要求和应用平台的软硬件条件等, 分块过大, 可能超出机器的处理能力;分块过小, 造成文件的个数太多, 绘制时要频繁地打开和关闭文件, 不利于数据的管理和调度, 所以选择适当的分块大小就要取一个折中的解决方案。另外, 采用四叉树划分时, DEM块行与列的网格数需限制为2n×2n (n为不小于2的整数) , 本文选择地形块纵横向格网数为16。在DEM分为小块的同时进行文件合并, 合并到一定大小时应建立一个新的文件, 文件命名要能反映出数据所在层数和与其他文件数据的相对位置。

3 LOD地形数据的调度

在大规模3维场景中空间数据的组织阶段, 我们已为数据的实时调度做好了准备, 但这时仍要考虑几个问题:一是如何利用四叉树技术实现地形块的快速索引;二是如何消除不同分辨率地形节点拼接处的裂缝问题。

3.1 地形数据块的快速索引

调度程序首先必须获得视景体投影的空间坐标, 然后判断视景体投影与哪些层的哪些数据块覆盖范围发生交叠。如果可见区域在地形数据所表示的范围内, 测试与可见区域交叠的顶层数据是否满足分辨率要求, 如果不满足, 由2倍率关系, 根据顶层数据分辨率可迅速判断出哪一层数据符合要求。由于数据分块是规则的, 因此并不需要对所有数据块进行比较, 只需要求出视景体梯形投影四个端点相对于全局场景起始点在X和Y方向上的坐标增量, 再除以单块的尺寸, 便可以确定有哪些数据块与可视区域发生交叠。当视点在场景中的位置或观察方向发生变化时, 视景体投影与数据块的相交关系相应发生变化, 因此调度程序需要不断地在内、外存储器之间执行数据调度。因为地形数据已经分块, 只需将视点附近区域的数据块常驻内存, 将进入到可视范围的新的数据块调入, 同时释放那些“不可见数据块”所占用的内存空间。这样就维持了内存中数据载入和删除的动态平衡, 极大减少了内存的负担, 使大规模3维地形实时漫游变得可行。

3.2 裂缝消除的方法

进行地形LOD模型绘制时, 如果相邻块的分辨率不一样, 就会产生裂缝。目前, 常用的消除裂缝的方法有两种:一是强制相邻网格进行分裂, 如图1 (a) 所示, 在接边处将低分辨率模型作适当分裂, 使相邻节点具有相同的边界。这种方法在每一节点处都可能造成大量的分裂操作, 产生大量不必要的三角形。第二种方法是将高分辨率模型顶点移动到相邻低分辨率模型的边界点上, 如图1 (b) 所示, 这种方法计算简单, 但需要进行插值产生新的数据点来弥合裂缝, 并且会产生T型连接, T型连接可能导致一些空洞小点, 但一般情况下的绘制结果是可以接受的。本文采用第二种方法, 在绘制时使用低分辨率模型一侧边上点的内插高程来代替高分辨率模型产生裂缝的实际地面点高程。

4 结论

本文针对大规模地形可视化中地形数据组织方法进行了研究, 采用本文所述方法, 对某地区地形数据进行了组织和处理, 实验结果证明, 可以满足地形实时渲染的要求, 消除了裂缝现象。但各层次细节的数据需要提前生成, 预处理过程比较费时, 而且静态LOD文件中冗余存储了各层次细节的地形数据, 数据量比较大, 要求硬盘有足够的存储空间。但考虑到预处理过程是一次性的, 处理后的多层次细节数据一般不作改动, 而且目前的硬盘容量都比较大, 可以满足地形和纹理数据的存储需求, 与对显示速度的要求相比, 这些问题还是可以接受的。至于LOD分层的问题, 大多文献依应用需求和机器配置自己确定, 到底什么情况下分多少层合适, 目前还没有公认的标准。另外, 由于原始地形数据不一定满足要求, 可能需要重采样, 而且LOD分层时也需重采样, 重采样引起的误差对地形精度和显示效果有多大影响, 这都是目前正在研究和急需解决的问题。

参考文献

[1]刘少华, 吴东胜, 罗小龙, 等.三维GIS数据模型在地层建模中的应用研究及可视化[J].测绘信息与工程, 2007 (2) .

[2]胡圣武, 李鲲鹏.三维GIS关键技术的研究[J].地理空间信息, 2008 (3) .

[3]魏波, 汤军.基于GIS的油田数字化管道的实现[J].测绘与空间地理信息, 2008 (4) .

[4]谢荣安.GIS数据模型设计中的问题探讨[J].地矿测绘, 2004 (4) .

[5]林伟华, 伍永刚, 曾文, 等.基于MAPGIS的市政设施数据模型研究[J].测绘科学, 2008 (4) .

【计划调度模型】推荐阅读：

计划调度系统06-20

生产计划调度单08-29

值班调度任职计划书06-05

2023年调度室培训计划06-20

协调调度模型08-30