协同优化调度

2024-06-04

协同优化调度(共7篇)

协同优化调度 篇1

0 引言

随着电力系统向大规模发展以及全国联网的初步形成,互联大系统的分解协调计算越来越受到关注[1,2]。解决大系统优化问题的基本思路是将总体问题设法分解为一系列的子问题,通过对子问题各自进行局部优化,使问题得以简化。经典的方法有Benders分解法[3],Dantzig-Wolfe分解法[4]和拉格朗日松弛分解法[5]。文献[6]基于部分对偶理论把全局最优潮流求解问题分解成为多个区域协同优化求解的问题,取得了良好的计算效果。上述文献中,大系统分解协调优化都是基于单目标数学模型。然而实际问题往往面临着多个目标之间的权衡与协调,即多目标决策。如目前电力工业面临的节能环保问题,就是兼顾经济性与环保效果的多目标优化决策。

国外学者对发电调度中的多目标决策研究较早。文献[7]对考虑环境与经济性的多目标调度算法做了一个比较全面的综述。文献[8]采用多目标进化算法求解此类问题。但是这些研究均没有涉及多区域发电调度的多目标决策问题。在实际系统中,各区域的环境质量状况、生产成本、排放基数等客观情况不尽相同,如果各区域采取相同的多目标决策偏好,那么结果与全局优化一致,只能在计算精度和收敛速度上得到一定的提高。

本文提出了一种新的多目标协同优化方法。将大系统分解为多个区域后,各区域根据自身的实际情况设置多目标决策偏好,进行分布式并行优化,并将该方法用于求解考虑经济和环保的互联区域发电调度决策。算例仿真表明,该方法能够以尽量小的经济损失达到环境保护的效果,得到更优的多目标协调解。在电力行业节能减排等环保政策的背景下,具有现实意义。

1 互联区域分解协同优化

在电力系统中,大电网分解成多个相对独立的区域进行协调调度。将电网分区后,模型如图1所示,子系统通过边界节点互联。将变量X分为XA,XB,XAB,XBA这4个部分,其中XAXB分别表示2个分区内的变量,XABA区与B区间联络线上的变量,XBAB区与A区间联络线上的变量。其中,解列点XABXBA为电气上相同的点,具有相同的电气量。

互联电网发电调度的数学模型可表示为:

{minF(XA,XB)=f(XA,XB)s.t.hLA(XA,XAB)=0hLB(XB,XBA)=0gA(XA)0gB(XB)0(1)

式中:F为目标函数,一般为发电费用最小;hLAhLB分别为区域AB的耦合约束;gAgB分别为AB区域内的等式或不等式约束。

如图1所示,电网分区后,断开区域联络线ij(iA,jB),引入联络线变量TABij 表示由A区内节点i流向开断点的有功潮流,变量TjiBA表示由B区内节点j流向开断点的有功潮流。因此,区域耦合约束可表示为:

{hLA(XA,XAB)=θiA-θjBxijAB-ΤijAB=0hLB(XB,XBA)=θjB-θiAxjiBA-ΤjiBA=0(2)

式中:θAiθBj 分别为节点ij的相位角;xijABxjiBA分别为节点ij到开断点这段线路的电抗;iA;jB

应用部分对偶理论,分解后区域A的数学模型可以表示为:

{minFA=fA(XA)-η^ABhLB(XB,X^BA)s.t.gA(XA)0(3)

式中:η^AB的物理意义为AB之间联络线的传输价格;X^BA为与B区交换边界数据后得到的参数。

同理,可以写出区域B的数学模型。

互联区域协调优化的收敛判据为:每个区域计算出的联络线潮流与毗邻区域计算出的该联络线潮流Τ^jiBA之差小于一个给定的收敛精度ε,即

|ΤijAB-Τ^jiBA|εiA,jB(4)

2 多目标发电调度模型

传统的发电调度一般是以发电费用最小为目标。在环境污染日趋严重的全球背景下,发电调度决策越来越多地考虑经济性与环境保护的相互协调,从而成为一个多目标问题。多目标决策中,各目标函数往往相互矛盾、具有不可公度性。发电调度决策中,生产费用与污染排放是2个相互矛盾的目标,体现了环境与经济相互制约与协调的关系,数学表达如下:

minf1=i=1ΝGCi(Ρi)Ρi(5)minf2=i=1ΝGαi+βiΡi+γiΡi2(6)

式中:Pi为发电机i的有功出力;Ci(Pi)为生产费用函数,表示为Ci(Pi)=aiPi+bi;f1为总生产费用;αi,βi,γi分别为机组i的污染气体排放系数;f2为总污染排放量。

按照线性加权和方法,将多目标优化问题转化为单目标问题[9]:

f(Ρ)=minωf1(Ρ)+(1-ω)χf2(Ρ)(7)

式中:ω和1-ω分别为f1和f2的决策偏好系数,体现决策者对2个目标函数的重视程度;χ为2个目标函数的单位转换系数,采用系统最优生产费用与系统最小排放量之间的比值,χ=min C/min E;min C表示系统最优生产费用,以单独求解目标函数f1得到生产费用的最小值;min E表示系统最小排放量,以单独求解目标函数f2得到污染排放的最小量。

3 互联区域多目标发电调度模型及求解

电力系统中各区域的实际情况往往不同,有的区域中污染轻但发电成本高的大机组占主要比例,有的区域中污染重但发电成本低的老机组较多,而有的区域中2类机组数量相当。以往的多目标决策通常从全局的角度,设定统一的决策偏好系数,没有分别考虑各区域的不同情况。本文尝试了一种新的互联区域多目标求解方法,将各区域的决策偏好系数视为变量,由拉格朗日函数求导得到最优的偏好系数,即由各区域的自身客观情况决定其偏好取值,从而优化整个系统的结果。

将多目标函数(式(7))与区域耦合约束(式(2))代入式((3))(略去常数项),并具体写出区域A内的等式与不等式约束,如下[10]:

minFA=ωAiA(aiΡi+bi)Ρi+χA(1-ωA)iA(γiΡi2+βiΡi+αi)-iAjBη^ijABθiAxjiBA(8)s.t.ΜAθA+ΗtieAΤAB=ΡA-DA(9)ΡiA,minΡiAΡiA,maxiA(10)|θi-θjxij|Fijmaxi,jA(11)θiA-θ^jBxijAB=ΤijABiA,jB(12)|ΤijAB|ΤijABmaxiA,jB(13)0ωA1(14)

式中:MAA区内线路的电纳矩阵(去除联络线);θAA区内节点的电压相角向量;HAtie 为A区内节点与联络线的关联矩阵,A区内节点为联络线始节点时相应值为1,为联络线末节点时相应值为-1,非联络线节点时相应值为0;TAB表示由TijAB组成的向量;PADA分别为A区内有功出力与负荷向量;xij(i,jA)为A区内线路电抗;Fmaxij(i,jA)为A区内线路最大传输功率;θ^jB为相毗邻区域B计算得到的边界节点j的相角;TABmaxij (iA,jB)为联络线的传输功率上限。

式(9)表示A区内的有功功率平衡约束。式(10)表示A区内节点有功上下限约束。式(11)表示A区内的线路有功传输约束。式(12)~(13)表示区域A与B之间联络线的传输功率约束。

将式(8)~式(14)写成拉格朗日函数,并分别对PA,θA,TAB,ωA求导(求导过程见附录A),对方程组联立求解得:

ωA=χA(2eΤγΡA+eΤβ)-eΤη^AB(WtieA)ΤΜ˜AχA(2eΤγΡA+eΤβ)-(2eΤΛΡA+eΤb)(15)

式中:eT为单位向量;Λ为由生产费用函数的二阶系数ai为主元的对角阵;b为由生产费用函数的一阶系数bi组成的向量;γ为由污染排放函数的二阶系数γi为主元的对角阵;β为由污染排放函数的一阶系数βi组成的向量;Μ˜A表示MA的修正矩阵(联络线电纳被加入与之相关的边界节点的主对角元中)(见附录B);WAtie=HAtie(XAtie)-1,XAtie为AB联络线的电抗矩阵。

将式(15)简化为:

ωA=RA-SARA-QA

式中:RAA区中与污染排放系数相关的项;QAA区中与生产费用相关的项;SAA区中与传输价格和网络参数相关的项。

由式(15)可知,当该区域机组的污染排放系数较大而生产费用较低时,ωA趋于一个较小的值,即该区域的多目标决策倾向于重点控制污染排放。反之,当该区域机组的污染排放系数较小,而生产费用较高时,ωA趋于一个较大的值,即A区的多目标决策倾向于重点控制生产费用。

由于决策偏好的不同,使得污染小、成本高的机组多发电,从而造成某些区域生产费用增加,可以通过市场机制或政策(如电价折算或税收补偿等)进行弥补,这方面内容不属于本文的重点,在此不进行深入讨论。

互联区域协同优化的步骤[11]如图2所示。各分区之间的参数协调通过交换边界变量来实现,包括边界点的相位角θ^iA(θ^jB)和传输价格η^ijAB(η^jiBA)

4 算例分析

本文以16节点9机组系统作为算例[12](见附录C),将统一设置偏好系数与分区设置偏好系数进行比较。统一设置偏好系数时,ω是预先给出的确定常量,本文将ω设定为0~1之间的5个常量进行计算,表达决策者对不同目标函数采取不同偏好。单位转换系数χ=0.139 9美元/t,不同权系数的计算结果如表1及附录D所示。

按分区原则,将系统分为4个区,如附录C图C1所示。观察各分区的初始参数,评估结果如表2所示。

各分区单位转换系数为χ1=0.164 9美元/t,χ2=0.095 4美元/t,χ3=0.206 7美元/t,χ4=0.101 8美元/t。根据式(15)计算出分区1~4的偏好系数ω分别为0.414 3,0.567 4,0.702 1,0.241 7。基于MATLAB[13],对各分区进行协同计算的结果如表3所示。

对比表1和表3的计算结果,分区设置ω时总污染排放为10 533 200 t/h,与统一设置ω=0.2时污染排放量相接近。但是分区优化的生产成本为1 476 678美元/h,而统一设置ω=0.2时得到的生产成本为1 493 522美元/h,远高于前者。

5 结语

本文探讨了考虑经济与环保多目标的互联区域协调调度策略,提出了不同区域不同决策偏好系数的控制方案,以达到经济与环境保护的双目标协调。算例仿真表明,所提方案有利于实现电力行业中SO2等污染气体排放总量的控制目标。

协同优化调度 篇2

公交是一种高效利用道路资源的交通方式。世界上大城市公交系统承载的居民出行比重平均在50% ~60%,而我国大部分城市的公共交通出行比例不足30%[1]。换乘的不便使得我国公交对小汽车出行者的吸引力不强。有研究表明公交换乘是影响公交出行率的几个主要因素之一[2]。换乘在公交出行中又是非常常见的,如纽约有约36%的公交出行至少需要换乘一次,慕尼黑和巴黎有70%的公交出行至少需要一次换乘、40% 的公交出行换乘次数超过一次,伦敦有约30% 的公交出行至少需要一次换乘[3]。出行者特别是通勤出行者的换乘时间价值比在车时间价值要大2~3倍,同时公交需求量对换乘时间的敏感性要比在车时间高1倍[4]。因此,公交的同步换乘协调优化是提高公交吸引力的重要手段。

公交同步换乘协调优化问题已受到国内外学者的广泛关注。Ceder等[5]以最大化公交车同时到达换乘站的次数为目标,构建了混合整数规划模型,并设计了启发式算法,但这种同时到达的调度较为苛刻。Eranki[6]在Ce-der的基础上设定了一个换乘等待时间范围,在此范围内进行的换乘定义为同步换乘。而刘志刚等[7]则定义了一个协同系数来衡量公交同时到达车站的程度。石琴等[8]以车辆相遇总次数最大及总相遇点数最小为目标,研究了最大同步换乘的公交区域调度优化问题,但这种求总相遇点数最小的方法,会减少其他换乘站车辆相遇的次数,对其他换乘站的换乘造成不利影响。陈霞等[9]通过构建公交线网协同调度换乘复杂网络,以路网换乘点换乘车辆数最大作为优化目标,从路网结构层面提出换乘点换乘权重系数,建立了公交线网协同调度时刻表模型。Ibarra-Ro-jas O J等[10]以最大化同步的数量为目标,在给定同步换乘时间窗口下,研究了时刻表编制问题。Ang A,McIvor M[11]以直接换乘数量最大及总旅行时间的波动最小为目标,对比分析了滞站、越站策略增加直接换乘的情况。Nesheli M M,Ceder A[12]考虑同步换乘的数量及旅客出行时间,以总旅行时间最小为目标,研究了不同调度策略下公交同步换乘问题。上述研究大部分只考虑了换乘的同步性,没有考虑为其他乘客的等待时间及公交运营的成本。

本文综合考虑上述因素,以同步换乘人数最大、乘客总等待时间最小及公交车平均满载程度最大为目标,建立多目标公交同步换乘协同调度优化模型;采用基于小生境共享竞争复制算子的遗传算法求解该问题的pareto解集,并利用信息熵法对pareto解集进行决策优选。

2 问题描述

由于公交系统中固有的不确定性,很难调度有换乘关系的公交车同时到达换乘站,而在一个允许的换乘等待时间范围内进行换乘更具合理性。若一辆公交车到达换乘站的时刻与另一辆与其具有换乘关系的公交车出发时刻之差在某一个同步换乘时间窗口内,则称该辆公交车在该站可同步换乘另一辆公交车。在换乘时间窗口内的同步优化提高了不同线路之间的互动性、也为公交调度人员提供了更多的调度弹性。

由于公交系统中有多个换乘站,公交线路间存在多个换乘关系,可能会出现两辆公交车在一个站具有同步换乘,而在另一个换乘站却无法实现同步换乘,因此在衡量同步换乘时,不能以同步换乘的车站数量进行简单衡量,而应该考虑换乘站换乘旅客的数量,尽量使同步换乘的旅客数量最多。此外,公交运营管理者为了降低经营成本,往往会增大发车间隔,这会使得乘客在站等候时间增加,因而在进行公交调度时还需要综合考虑公交满载程度与乘客等待时间。

3 模型的建立

模型建立时考虑以下假设:

(1)公交线路上的车辆不存在超车情况;

(2)模拟期间,各公交线路的配车数满足派车数量要求。

3.1 符号及变量说明

L={l|l=1,2,…,N}为公交线路,N为公交线路数量,其中上下行线路分别表示;

V={Vl|l∈L}为公交站点集合,其中为线路l上的站点集合,vl0为停车场,ml为线路l的站点数量;

为换乘站点对集合,表示公交线路l1,l2在站点可以进行换乘;

B={Bl|l∈L}为公交车集合,表示公交线路l上的公交车集合,dl为公交线路l模拟期间的发车数;

表示公交车blk的载客能力,blk∈Bl,l∈L;

表示vli站公交车blk的乘客到达率及下车率;

表示公交线路l1在站点换乘l2线路的概率;

分别表示公交车blk在vli站的上、下车人数;

表示vli站未能上公交车blk的人数;

表示在vil站停站时公交车bkl上的乘客数;

g(bkl)表示公交车bkl的满载程度;

表示从公交站点vli-1至站点vli的行驶时间,i=1,2,…,ml,l∈L,当i=1时,表示公交车从停车场到始发站点的时间;

表示公交车blk在vli站的停站时间,blk∈Bl,vli∈Vl,l∈L;

w1,w2表示同步换乘的时间窗口;

表示公交车bkl从停车场发车的时刻,bkl∈Bl,l∈L;

表示公交车bkl到达车站vil的时刻;

T1,T2表示公交调度模拟时间窗口;

h1,h2表示模拟期间的最小及最大发车间隔;

为0,1变量,线路l1上的第k1辆公交车在是否可同步换乘l2上的第k2辆公交车.

3.2 公交车运行过程分析

(1)停站时间分析

公交车在车站的停站时间主要受车辆的停车、启动及乘客上下车的影响。Zolfaghari等[13]认为发车间隔不太大时,公交车的停站时间可以用线性方程近似表示。公交车的停站时间主要由两部分组成,分别为车辆的停车、启动及开关车门时间,乘客上车及下车时间,本文采用下式估算公交车的停站时间:

其中,c0表示车辆的停车、启动及开关车门时间,c1,c2分别表示每名乘客下车及上车时间参数。

高洁[14]通过调查分析发现开、关门时间一般为1~3秒,在直线式公交停靠站公交车进站停车时间一般在4~8秒,车辆离站启动时间一般在6~15 秒,每名乘客上车时间在2.6~3秒,下车为1.7~2秒。根据上述结果,本文分别取c0=0.27,c1=0.03,c2=0.05(分钟)。

(2)公交车到站时刻分析

公交车到达始发站的时刻为发车时刻与从停车场至始发站点的走行时间之和,即:

公交车到达非始发站的时刻为公交车到达上一站时刻与在上一站停站时间及上一站至本站走行时间之和,即:

3.3 公交车状态分析

(1)公交车上下车人数

公交车blk上的乘客在车站vli的下车人数为该站下车率与公交车上的乘客数之积,即:

乘客在车站的上车人数为公交车剩余容量与该站本时间段需要上车人数的较小值。该站本时间段需要上车人数包括前一辆公交车至本辆公交车到达时间段内陆续到达的乘客数、未能上前一辆公交车的乘客数及换乘本辆公交车的乘客数。在车站vli的上车人数可表示为:

(2)公交车上的乘客数

公交车上的乘客数为上一站公交车上的乘客数减去上一站下车乘客数加上一站上车乘客数,即:

(3)满载程度衡量

满载率一般可用车内实际的乘客数与车辆定员的比值来表示。可构建以下效用函数对满载率进行评价:

其中,α表示成本参数;β表示强度系数。本文取α=40,β=10。

3.4 乘客等待时间分析

(1)车站未能上车人数

车站未能上车人数为该站本时间段内需要上车人数减去实际上车人数,即:

(2)乘客候车等待时间分析

Larsen和Sunde[15]认为乘客平均候车时间为发车间隔的一半。如果公交车已经满载,乘客还需要等下一辆公交车,因此,乘客等待时间包括随机到达乘客的平均等待时间及未上车乘客的额外等候时间,即:

3.5 多目标公交同步换乘协同调度优化模型

根据上述分析,构建公交车同步换乘协同调度优化模型如下:

其中,式(10)表示最大化同步换乘人数,式(11)表示最小化乘客总候车等待时间,式(12)表示最大化公交车平均满载程度,式(13)为调度时间段约束,式(14)为公交车容量限制约束,式(15)为发车间隔限制约束,式(16)为同步换乘条件约束,式(17)为0-1变量约束。

4 模型求解算法

4.1 基于小生境共享竞争复制算子的遗传算法

(1)染色体的构造

CH=(ch1,chc,…,chN)表示一个染色体,N为公交线路数量,其中基因表示线路l上各公交车的发车时刻,发车时刻满足约束条件(13)及(15)。

依据约束条件(13)及(15),一个染色体的产生过程如下:

Step1:i=1;

Step2:如果i大于N,则终止,否则,k=1,转至Step3;

Step3:产生服从均匀分布u(h1,h2)的随机数u1;

Step4:如果k=1,则,否则,若,k =k+1转至Step3;否则,i=i+1,转至Step2;

随机产生pop_size个染色体,得到初始种群。

(2)选择操作

在不掌握任何偏好信息的情况下,可为决策者提供Pareto解。当产生了初始种群及每次迭代后,设种群中的Pareto解集为P.进行选择操作时,本文设计一种基于小生境的染色体竞争复制技术,无需计算染色体的适应值。其方法如下:

Step1:从Pareto解集P中随机选取size个染色体放入当代种群中,形成pop_size+size个染色体作为选择母体;

Step2:从选择母体中随机选择一对染色体CH1,CH2;

Step3:若CH1,CH2中有一个是Pareto解时,将其选作下一代染色体,若CH1,CH2均为Pareto解,或均为支配解,则依据Step4,Step5 的小生境数确定下一代染色体;

Step4:求小生境半径,设d1,d2,d3为选择母体中目标函数z1,z2,z3的最大值与最小值之差,小生境半径可表示为,θ为常数,一般取2~4;

Step5:为了保持群体中染色体的多样性,选择小生境内染色体少的进入下一代:统计CH1,CH2为中心的小生境内染色体数k1,k2,若k1<k2,则选CH1进入下一代,若k1>k2,则选CH2进入下一代,若k1=k2,随机选择一个进入下一代。

(3)基因交叉

按交叉概率Pc从父代选择一些染色体,两两分组,并对每组染色体进行如下操作:随机产生一个1到N的正整数,表示进行交叉的公交线路;将两条染色体中该公交线路的基因进行交换,从而得到两条新的染色体。

(4)变异操作

对pop_size个染色体以变异概率Pm进行变异:随机产生一个1到N的正整数,表示进行变异的线路;对被选择变异线路的基因,随机产生两个变异位置n1和n2,并重新产生其发车时刻,从而得到一条新的染色体。

4.2 Pareto解集的决策优选

信息熵法可反映目标信息熵值的效用价值,避免了人为的影响因素。利用遗传算法得到Pareto解集后,可以采用信息熵法对Pareto解集中的解进行决策优选,为公交调度提供参考。

利用信息熵法对Pareto解集中的解进行决策优选的计算过程如下:

Step1:写出Pareto解集的决策矩阵MAP×3,并对目标进行规范化,得到规范化矩阵Rij= [rij]P×3;

Step2:对规范化矩阵Rij进行列归一化运算,得归一化矩阵Hij= [hij]P×3;

Step3:计算第j个目标的熵值:

当hij=0时,令hijlnhij=0;

Step4:计算第j个目标的权重系数:

Step5:计算解i的综合目标值:

根据计算得到的综合目标值,按照从大到小进行排序,排在前面的解为综合效果较好的解。

5 算例分析

某区域内有四条公交线路,如图1所示。调度模拟时间窗口为8:00~8:30,最小及最大发车间隔h1,h2分别取3min及10min,同步换乘的时间窗口w1,w2分别为1min及5min,公交车载客能力为100人。主要换乘关系如表1所示,公交线路的站点及运行参数如表2所示。

运用本文设计的遗传算法及Pareto解集的优选方法计算,计算得到的Pareto解集及其目标值如表3 所示。Pareto解集中方案5的综合目标值最大,其线路发车时刻及运行状态如表4所示。具有同步换乘关系的车辆如表5所示。而采用固定发车间隔调度模式,本算例发车间隔在3min至10min间均未出现同步换乘情况。由此可见,本文设计的模型可以体现乘客的同步换乘问题。

5 结论

公交的同步换乘协调优化是提高公交服务水平的重要手段。本文综合考虑乘客及公交运营管理者两个方面,建立了多目标公交同步换乘协同调度优化模型,设计了基于小生境共享竞争复制算子的遗传算法求解该问题的pareto解集,并利用信息熵法对pareto解集进行决策优选。算例分析表明本模型在公交的同步换乘调度方面是合理可行的,但未模型未考虑滞站、越站等其它公交调度策略对同步换乘的影响,需要在今后进一步深入研究。

协同优化调度 篇3

关键词:两级供应链,协同,遗传算法,生产作业调度

供应链如何以最短的时间生产出高质量、低价格的新产品已经成为市场竞争的新焦点。供应链要保持竞争力的关键就是有效的利用协同策略和技术,提高协同生产的能力和水平。研究显示,供应商和制造商之间的协同生产能够提高供应链的竞争力并实现供应链价值的增值[1,2,3]。

Alessandro A、Nicholas G H和Dario P从供应商的角度出发,以库存成本和运输成本最小化为目标,建立了一个供应商和多个制造商的两级供应链调度模型,并运用一种多项式时间算法进行求解[4]。Moon C、Kmj、Hur S以企业之间充分合作为基础,从产品总拖期时间最小的角度研究了供应链调度问题,建立了供应链优化模型,并采用遗传算法进行求解[5]。但是此文将供应链上个节点企业的生产资源进行统一规划进行调度,缺乏实际可行性。孙靖,林杰研究了信息不完全共享环境下的大规模供应链动态调度问题,提出了基于蚁群算法的企业交互调度模型,最后通过仿真实验对调度模型进行了求解[6]。

本文综合考虑水平型合作的供应商和纵向制造商的制造资源及加工工艺约束,以供应链实时信息交互为基础,研究包括一个制造商和多个供应商的两级供应链的协同生产,建立了供应链协同生产调度模型,并运用遗传算法对模型进行求解。

1 供应链协同生产作业调度模型

1.1 问题描述

综合考虑加工任务在制造商和供应商的分配和排序问题,假设制造商在某时刻需要加工零件Nk,k=1,2,…,p,p为零件总数。Nk={Oki|i=1,2,…,r,…,m},其中Oki表示零件Nk的第i道工序,m为零件Nk的工序数。

零件的前v(v∈{1,2,…,m})道工序由供应商生产,每道工序有多个供应商可以加工,而且加工时间不同;m-v道工序由制造商加工,在加工这些工序时存在并行机或多功能机床。加工过程中,假设同一零件的同一工序不能同时在2个供应商或制造商的两台机床上加工;零件的加工必须要按照工艺的约束依次进行加工,后道工序的加工必须在前道工序加工完成后才能进行;一台机床一次只能加工一道工序;零件的加工时间中包括运输时间。

调度的目标是通过为零件Nk的前v道工序选择合适的供应商,并由此确定该供应商中相应的加工机床;m-v道工序确定制造商中合适的加工机床。然后确定供应商、制造商每台机床所分配零件的加工顺序及开工时间,使得所有零件在供应链中的流通总时间最短。

1.2 供应链协同生产作业调度数学模型

模型的参数设定如下:E={1,2,…,l,…,e},指供应商集合。为方便描述问题,当l为e+1时表示制造商,供应商l拥有的机床集合Ml={1,2,…,j,…t,…,q},制造商的机床集合,MM={1,2,…,s,…,u}。Ptimkilj:零件Nk的工序Oki在供应商机床Mlj的加工时间;Stimkilj:零件Nk的工序Oki在供应商机床Mlj的开工时间;Ctimkilj:零件Nk的工序Oki在供应商机床Mlj的完工时间。

模型的决策变量:设定如下xkilj=1,如果零件Nk的工序Oki选择机床Ml,否则xkilj=0;yirlj=1,如果工序Oki先于Okr在机床Ml上加工,否则yirlj=0。

公式(1)表示目标函数,即最小化所有零件在供应链中的流通总时间,其中Ck表示零件k的完成时间;公式(2)和(3)表示一台机床在同一时刻只能加工一道工序,M为一个足够大的正整数;公式(4)表示每道工序只占用一台机床。

2 遗传算法的实现

由于车间调度问题多属于NP-hard问题,本文涉及到多个企业的车间调度,因此更加复杂。鉴于遗传算法具有并行搜素、鲁棒性和搜索效率高等优点[7],在求解NP问题上具有强大的搜索优势,因此本文选用遗传算法进行求解。

2.1 编码方法

本文选择一种基于工序调度优先级的编码方法。染色体采用整数编码,即每个染色体表示全部零件在所有制造商和供应商的机器上的加工顺序,对于加工p个零件,每个零件共有Okm道工序的情况,染色体长度为其中1至位表示所有零件的加工顺序,位表示零件Nk的第Okm工序的加工机器序号。

2.2 适应度值计算

由于遗传算法要比较适应度函数值,并在此基础上计算选择概率,适应度数值高的染色体被选择的概率也大,所以适应度值函数的值取正值并且能反映这一特性[8]。为了实现供应链的敏捷性,本文以所有零件在供应链中的流通总时间最短为目标,因此适应度函数定义如下:其中,g表示适应度函数,Ck表示零件k的完工时间。

2.3 选择操作

采用轮盘赌法选择适应度较好的染色体。首先按照轮盘赌选出:种群规模×代沟=临时种群,再由临时种群和保留适应度较好的染色体组成新的种群。

2.4 交叉操作

首先从种群中随机选取2个父代染色体为A、B,并取出每个染色体的前位,然后随机选择交叉位置进行单点交叉。举例如下,设交叉位置为7,交叉操作后得到子代染色体a、b。

交叉操作后,可能出现非法的子代染色体,即其中的部分基因对应的工序可能会缺失或者多余,因此需对子代染色体进行合法性分析及调整。按照交叉前染色体基因对应的操作机床来调整基因

2.5 变异操作

首先随机从种群中选取父代染色体A,然后随机的选择两个变异位置交换基因,再将两个变异位对应的加工机序号对换。如对父代染色体A进行变异,交换位置为4和10,操作如下:

3 算例研究

假设供应链中有1个制造商和2个供应商,在某时刻要完成N1,N2,N3,N44个零件的加工任务,零件的工序数分别为5、4、5、4道。零件N1,N2,N3的前三道工序由供应商加工,零件N4的前二道工序由供应商加工。全部零件的剩余工序由制造商完成,其中任一工序的加工过程中包含两台并行机。供应链中2个供应商拥有的机床集合分别为M1={M11,M12,M13}和M2={M21,M22,M23}。制造商拥有的机床集合为MM={MM1,MM2,MM3,MM4,MM5}。4个零件的工序在可选机床上的加工时间,如表1所示,其中“—”表示该工序不可在这台机床上加工。

运用Matlab7.0来编制遗传算法程序,计算在某品牌计算机上进行,运行环境为主频2.4G,内存512M。遗传算法的运行参数为:染色体的种群规模200,终止代数100,,代沟0.9,交叉率0.8,变异率0.1。按照本文的编码规则,对算例进行求解,得出所有零件的工序在供应商和制造商的机床上加工方案。近优调度方案,如图1所示,图中数字[101]表示零件N1的第一道工序O11,图1显示算例的最大完工时间Cmax=57。程序在运行到20代时,基本收敛到近优解。

对算例进行20次随机计算得到染色体适应值的最佳值fopt和染色体适应值的平均值fave。根据公式[9]δ=(fave-fopt)/fopt,计算染色体适应值的均值与最佳值的差别率δ。计算出δ小于9%,说明算法的寻优率达到90%以上,由此可见算法的有效性和鲁棒性。

4 结论

供应链协同生产作业调度的优化是一个很复杂而且具有现实研究意义的问题。本文从生产任务分配和排序协同解决的视角,研究了一个制造商和多个供应商的两级供应链生产调度,实现了供应链上生产任务的工序级协同调度。通过对算例的研究,表明了整数编码的遗传算法在求解该NP-hard问题上能很快找到近优解,并且具有很强的鲁棒性。

参考文献

[1]张翠华,范岩,于海斌,等.分散决策供应链生产计划协同研究[J].计算机集成制造系统,2008,14(8):1622-1629.

[2]聂兰顺,徐晓飞,战德臣.基于拉格郎日松弛和遗传算法的供应链协同计划[J].计算机集成制造系统,2006,12(11):1869-1875.

[3]TADEUSZ S.Coordinated supply chain scheduling[J].International journal of production economics,2009,120(2):437-451.

[4]ALESSANDRO A,NICHOLAS G H,DARIO P.Batch schedulingin a two-level supply chain-a focus on the supplie[rJ].European Journal of Operational Research,2006,173(1):226-240.

[5]MOON C,KMJ,HUR S.Integrated process planning and scheduling with minimizing total tardiness in multi-plants supply chain[J].Computers and Industrial Engineering,2002,43(1):331-349.

[6]孙靖,林杰.信息不完全共享下MC供应链动态调度模型研究[J].系统仿真学报,2007,19(9):1943-1948.

[7]ALAIN C,CALINHO T,VACHER J.Genetic algorithms usingmulti-objectives in a multi-agent system[J].Robotics and Autonomous Systems,2000,33(3):179-190.

[8]韩文明,范吉文.基于改进遗传算法的柔性作业车间调度问题研究[J].科学技术与工程,2008,8(22):135-137.

协同优化调度 篇4

传统的制造系统采用自上而下的递进控制模式, 这种组织形式对生产过程的频繁调整和产品需求的动态变化反应迟缓, 从计划、调度和控制行为上看, 整个系统执行过程缺乏柔性, 个别环节的错误将导致整个系统的无法正常工作, 严重阻碍了JIT生产模式的实施。全球市场下, 迫切需要一种具有柔性良好、反应迅速和容错能力强的生产控制模式, 这种先进的控制模式既要兼顾到资源配置和资源成本, 同时要具备在一定成本效益优势情况下快速响应市场变化, 又具有自适应、自组织、自学习和自优化的能力。具体体现在以下三个主要方面:

①资源配置

人、材料和设备是制造过程中不可缺少的三种主要资源, 其中人是能动性最大的资源, 在柔性资源生产环境下, 定员制的刚性生产方式急需改变, 如何优化配置人员对产品准时交货起着重要的作用。企业在不改变生产设施布局的情况下, 希望通过把单功能机器升级为多功能机或者加工中心和调整不同技能水平的操作人员实现多品种和变批量的生产。因此, 在生产种类和数量频繁变化的生产环境下, 进行人员与多功能机或者工作中心的优化配置研究, 对提高柔性生产系统的生产率以及准时交货率具有现实意义。

②资源成本

企业各种活动的目标是盈利, 创造价值的过程有两种方式, 一种是通过产品生产过程中的价值附加实现, 一种是通过缩减资源成本来实现, 价值附加过程相对稳定的情况下, 通过缩减资源成本来提高企业的赢利能力就显得相对重要。人、材料和设备三种主要资源中, 在设备维护管理较健全和原材料市场相对稳定的情况下, 那么在生产线上, 不同的工人根据其技能水平的不同, 可以操作不同复杂程度的机器, 同样也需要支付不同的技能工资, 在最小化人员成本的情况下, 选择最佳的操作工人来操作相应的机器设备对节约人工成本来说至关重要。

③提前拖期惩罚

提前/拖期 (Earliness/Tardiness, E/T) 调度问题是为了监测生产进程和适应JIT生产方式的需要而提出的, 是非传统调度中最具代表性的一种, 在产品合同中, 产品 (工件) 的交货期服从时间窗分布, 如果在时间窗口内完成则惩罚为0, 如果提前和延迟完成都将受到惩罚, 从经济效益的角度来考虑, 提前完成会导致库存费用的增加, 它反映了占用资金和库存等费用。而拖期完成会受到合同惩罚, 它是反映快速响应市场的指标, 它反映了合同违约惩罚和失去顾客信誉等费用。

在近几年, 大量的生产调度研究论文相继发表, 但其中绝大多数的研究集中在仅机床设备受制约、工艺路线固定、以最小化生产周期为优化目标的单资源单目标的调度问题。然而, 实际的生产中, 调度体现出多样性、多约束性和动态性等特征, 如:多条工艺路线可选;多功能处理机或者加工中心可以处理不同工件的相应工序;工人操作熟练程度、工作技能和工资水平的差异性等。文献[1]以最小化完工时间为目标对多工艺路线调度进行了研究;文献[2]以最小完工时间和平均满意度最大为优化目标对双资源多工艺路线作业车间模糊调度进行了研究;文献[3]、[4]分别以混合粒子群和改进遗传算法对多工艺路线进行了优化;文献[5]以钢管生产调度为例, 研究了多产线共存下的生产工艺路线优化问题;但是都没有考虑生产中人的因素。工件的调度不仅要受到机床资源的制约, 而且受到工人资源的制约, 工人与机床不一定是一一对应的关系, 有的工人可以操作多台机床, 一味地追求调度算法的高效率而不考虑操作人员, 这种算法在车间生产中是无现实指导意义的。文献[6]考虑将机床和工人合理地分配给加工任务 (工序) ;文献[7]以各时间指标为目标对机床、人和机器人资源约束问题进行了研究;文献[8]对面向成本的车间调度优化模型进行了研究;这些文献仅考虑了人机配置优化, 但是没有涉及到人工成本。满足不同交货期的E/T调度问题是适应全球化市场的趋势下发展起来的, 目前, 对E/T调度的研究主要集中在单机问题上[9,10,11,12], 文献[13]对流水车间作业提前拖期调度问题进行了研究, 文献[14]研究了提前拖期调度问题在钢管生产上的应用, 可以看出关于车间作业的E/T调度研究几乎没有。

本文以适应现代先进制造模式的需求为出发点, 提出了资源优化配置、兼顾资源成本和提前拖期调度的模型和算法, 提高生产调度的自适应、自组织、自学习和自优化的能力。

1 问题描述及目标函数的确定

1.1 柔性生产系统调度问题描述

在生产车间加工过程中有Htotal个员工在m个加工中心S1, S2, …, Sm上处理n个工件J1, J2, …, Jn, 工件i (1≤in) 的可选的工艺路线数为PJi条, 工件之间的加工顺序无约束, 每个工件的l个工序有先后约束, Ji= (Ji1, Ji2, …, Jil) 为工件Ji的工序序列, 其中可以操作第Si个加工中心的人数为Hi (1≤HiHtotal) , 第Si个加工中心的机器数量为Sik, 每个工件Ji的加工时间为Pi, 完工时间为Ci, 交货期为di, 工件Ji的单位提前Ei、拖期Ti的惩罚系数分别为αiβi.

1.2 工艺路线可变的车间作业调度问题描述

当多个工件在多台设备上加工时, 其工艺路线在加工前不能完全确定, 即每个工件的工艺路线可能有几条, 依据机器设备的空闲情况来决定。调度的任务是适当安排工件的加工顺序, 即确定各工件在各设备的加工开始时间, 在满足约束条件的同时, 优化某些性能指标。

1.3 生产调度常用目标体系

生产调度的目标可以是成本最小、库存最小、设备利用率最高、制造绿色度高、生产周期最短、生产切换最少等。生产调度目标归纳如图1所示。图中, 从生产制造商和客户的角度可以把调度目标进行细分, 制造商目标又可细分为能力指标和成本指标。本文分别选择三类指标体系中的优化资源利用、减少运行费用和按时交货为目标来研究车间调度。

1.4 目标函数

①每个工件Ji的加工时间为Pi, 完工时间为Ci, 交货期为di, 如果Ci<di, 则工件Ji受到提前惩罚;当Ji准时完成时, 损失为0;如果Ci>di, 则工件Ji受到拖期惩罚。工件Ji的单位提前Ei、拖期Ti的惩罚系数分别为αiβi (i=1, 2, …, n) , 工件Ji所受到的提前、拖期惩罚分别为:

提前完工惩罚最小:

F1=i=1nEi=i=1nαimax (0, di-ci) (1)

拖期完工惩罚最小:

F2=i=1nΤi=i=1nβimax (0, ci-di) (2)

②由于在实际生产的过程中, 企业追求的直接目标是最大化利润和最小化成本, 也就是说, 最佳的生产方式是工件能在规定的时间内以最小的成本顺利完工即可。

ΗC=i=1nj=1lr=1RΤijWijrΗcr=i=1nQ=1ΡJij=1lv=1mL=1Svkr=1R (ΤiQjSvL) WiQjSvLΗcr=i=1nQ=1ΡJij=1lv=1mL=1Svkr=1R (FiQjSvL-SiQjSvL) WiQjSvLΗcr (3)

Tij:工件i的第j (Ji1≤jJil) 道工序加工时间

TiQjSvL:工件i (1≤in) 沿其第Q (1≤QPJi) 条工艺路线在第Sv (1≤vm) 个加工中心上的第L个机器 (1≤LSvk) 上加工第j (Ji1≤jJil) 道工序的加工时间

SiQjSvL:在设备L上的开始加工时间

FiQjSvL:在设备L上的完工时间

Hcr:能力等级为r (1≤rR) 的操作工人的单位工资成本

WiQjSvLr={1, i沿Q线SvL使rj0Wijr={1, ijr0[BΤ5]1.5

①处理约束:不同工件的工序之间没有先后约束, 同一工件的工序之间有先后约束:

FiQ (j-1) SvLSiQjSvLFiQjSvL (4) FiQjSvL=SiQjSvL+ΤiQjSvL (5)

②工人约束:两道不同的工序不能同时被一名工人加工, 而且任何一名工人在任何时候都不能加工一道以上的工序。

FiQhw-Fpqsw+ΗΖiQhpqsw+Η (1-XiQ) +Η (1-Xpq) ΤiQhw (6) Fpqsw-FiQhw+Η (1-ΖiQhpqsw) +Η (1-XiQ) +Η (1-Xpq) Τpqsw (7)

③每个工件的每道工序在任何一个工作中心上处理时不允许中断;

④所有工件在零时刻都可以被加工;

⑤机器约束:同一时刻一台机器只能加工一个工件

FihL-FpsL+Η (1-ΖihpsL) ΤpsL (8)

其中, FihL和FpsL分别表示工件i的第h道工序在机器L上的完成时间和工件p的第s道工序在机器L上的加工时间, ZihpsL为机床L加工工序h和s的顺序判别条件, 如果工件i的第h道工序先于工件p的第s道工序被加工, 则ZihpsL=1, 否则ZihpsL=0;H为非常大的正数。TiQhw, FiQhw分别为工件i的第Q条工艺加工路线中的第h道工序由工人w加工的时间和加工完毕的时刻; ZiQhpqsw为机床L加工工序h和s的顺序判别条件, 当工序h和s都在机床L上被加工时, 如果工件i的第Q条工艺加工路线中的第h道工序先于工件p的第q条工艺加工路线中的第s道工序被加工, 则ZiQhpqsw=1, 否则ZiQhpqsw=0;

在保证以上约束的基础上, 同时要尽量减少各加工资源的空闲时间, 保证资源的利用率均衡。

2 算法设计

本文遗传算法的流程图如图2所示, 其具体的操作步骤如下。

2.1 编码及初始化

编码是实现遗传的基础, 是提高算法性能的瓶颈, 在过去的研究中, 已经提出了基于优先表、工件、优先规则和工序等9种编码方式, 考虑到计算时间和复杂性等因素, 本文采用基于工序的表达方式, 采用三层编码方式, 第一层表示工序, 第二表示机器, 第三层表示人员。初始化的伪代码如下:

其中, NIND表示染色体的个数。

2.2 适应度数值计算及非支配排序

分别以目标函数 (式 (1) 、式 (2) 、式 (3) ) 作为适应值函数。目标值不仅与工件的排序有关, 还受工件加工开始时间、完成时间和合适操作人员的影响。

步骤1: 取t=0, m个加工中心机器都可用, 假设第Sv (1≤vm) 个加工中心上的第L个机器 (1≤LSvk) 加工工件i (1≤in) 的第j (Ji1≤jJil) 道工序, ak=1, 工序计数器count=1。

步骤2: 如果count<Wnumber (全部工件工序之和) , count=count+1, 调入下一道工序, 并计算该工序在可用机器上的开始加工时间、上一道工序的完成时间和合适人员完成时间, 取最大时间为开始加工时间, 分别计算适应度值。

步骤3: 根据适应度值计算被支配解个数和不同个体距离d:

d=a=1ΝΙΝDb=1ΝΙΝDk=1n+1 (ΟbjV (a, k) -ΟbjV (b, k) ) 2 (9)

其中, ab, ObjV是个体目标值, k表示目标函数HCn个工件的维数之和。

步骤4: 如果count==Wnumber, 则终止。

2.3 遗传操作及新种群产生

选择操作采用锦标赛选择策略, 交叉操作采用随机位置次序交叉, 变异操作中, 加工时间少的机器被选择的概率大。在交叉变异以后除去重复个体, 合并产生新染色体, 染色体个数仍然是NIND, 从而在保留资源利用的均衡性和较快的收敛速度的同时又不失个体的多样性。

2.4 终止条件

判断终止条件是否满足, 若满足算法终止, 输出调度结果;否则返回交叉和变异操作。

3 实验分析

根据上述算法设计, 采用MATLAB编程, 遗传算法中的运行参数为:群体大小NIND=20, 交叉概率XOVR=0.4, 变异概率MUTR=0.4。采用非支配解集的思想对三个目标 (F1, F2和HC) 同时优化, 然后依据适应度值和个体之间的距离对调度工序进行排序, 为寻找较优个体提供了一种快速实现方式。在操作工程中, 考虑某个工件某道工序可以选择的机器集合, 同时根据三层编码, 兼顾到可以操作该机器的合适人员。

表1是该算例的工件加工信息表;表2、表3、表4是工人与机床设备的加工关系及人员费用和惩罚系数表。从表1的工件加工信息表中可以看出, 该算例中有4个工件, 每个工件有3道工序, 能加工这些工序的机床数量是6台。这4个工件的任何一道工序都至少可以在2台机床上加工, 可以算出工件1、2和4的工艺加工路线有27条, 工件3的工艺加工路线有18条。根据设计算法在Matlab平台仿真, 输出结果列于表5。

表5显示, 在选定20个染色体的情况下, 对于人工成本和4个工件的提前或者拖期惩罚目标值。根据生产实际情况, 恰当的选择调度方案, 对生产实际具有重要的指导意义。

4 结论

针对动态车间调度的较多可变因素, 特别是针对多工艺路线可变, 操作工人可供选择的情况, 本文提出了三层编码方式, 保证了较快的收敛速度, 实现了人、机和工件的结合, 同时采用非支配解集思想对资源利用、运行费用和交货时限三个目标进行寻优。在遗传操作过程中, 根据选择空闲大的资源, 保证了资源利用的均衡性, 特别是实现了调度中的人机协作优化, 弥补了目前生产调度只关注工件和机器的缺陷, 为生产调度研究更接近实际生产提供了一个实现途径。

协同优化调度 篇5

随着化石能源储量日趋减少,以不可再生能源为主的传统电力系统运行难度大、投入成本高、环境污染严重等弊端日益凸显。能源危机和节能减排的迫切要求促使电力行业在扩大完善原有电力系统的同时,不断开发新能源,加强可再生能源的利用率,使新能源发电、可再生能源发电这种分布式发电方式成为大电网的有益补充,从而有助于人类社会健康持续地向前发展[1]。

分布式发电可以有效地解决传统能源的资源短缺问题和二氧化碳过多排放引起的温室效应问题[2,3,4],而微网[5]是一种将分布式电源(Distributed Generation,DG)、负荷、储能装置及各种控制器结合在一起的电网形式,可以并网运行,也可以孤岛运行,它不仅能够高效环保地利用各种分布式电源,而且还是一种将分布式电源接入到大电网并充分发挥其效能的有效方式。在微网的研究中,对环保经济调度技术的研究在新能源发展应用方面有着重要的意义,是智能电网研究的一个重要方面[6]。

微网的环保经济调度是指在满足负荷需求的前提下,协调各台DG的出力,使整个微网的发电成本和排放成本最小。目前,这方面的研究已经取得了一些成果,内容涉及到粒子群优化算法[7,8]、蚁群优化算法[9]以及遗传算法[10]等方面,但距实际需求尚有一定差距。

本文就微网并网运行模式下的环保经济调度技术进行了进一步的探讨,重点分析了协同遗传算法与微网调度相结合的机制与方法,充分发挥该算法搜索能力强、并行寻优速度快的优势,以达到高效、快速、最佳的微网环保经济运行目标。仿真实验表明,本文所做工作是可行的和有效的。

1 微网环保经济调度的数学模型

传统电网经济调度经验可对微网起到一定的指导作用,但微网自身的特殊性使得DG调度与传统电网发电机组调度存在很大区别。首先,DG中的太阳能、风能等可再生能源是不可调的,受自然条件的影响很大,导致太阳能光伏发电、风力发电出力随机性很大;其次,光伏发电、风力发电的发电成本较低,而且几乎无温室气体排放,因此应优先安排其最大限度地发电;再有,不同类型、容量的DG其燃料消耗种类、效率、运维费用以及温室气体排放量均不同。因此,建立微网环保经济调度数学模型时要考虑上述因素。

微网主要有孤岛与并网2种运行模式。孤岛运行时,微网不从大电网吸收功率,完全由内部的微电源独立供电;并网运行时,大电网是微网的重要支撑,可以确保微网内所有负荷的可靠供电,此时,微网的环保经济调度是通过调节各微电源的出力,使其在满足功率平衡和负荷需求的前提下微网的目标成本最小。

1.1 目标函数

并网模式下,微网的运维成本与发电成本、排放成本以及同大电网间的功率交换成本或收益都有关系,因此,可建立如下的目标函数:

式中:N为DG总数;Pi为第i台DG的出力;PM为微网与主网之间交换的功率,并且,PM<0表示微网向主网输出功率,反之则表示微网从主网输入功率;CG(Pi)为第i台DG的发电成本;CE(Pi)为第i台DG的排放成本;CM(PM)为微网与主网功率交换所付出的成本或取得的收益。

1.1.1 DG部分

(1)发电成本

DG的发电成本主要由燃料成本和运行、维护成本2部分构成。孤岛运行时,微网的发电成本可表示为式(2):

式中:αi为第i台DG每发电1 kWh所消耗燃料的费用,即第i台DG的燃料系数;βi为第i台DG每发电1 kWh所需要的运维费用,即第i台DG的运维系数;Pi为第i台DG的发电量。

(2)排放成本

微网的排放成本可用式(3)表示:

式中:W为污染物的种类,通常包括NOx、SO2、CO2等;γij为第i个DG每发电1 kWh所排放的第j类温室气体的重量,即第i个DG第j类排放物的排放系数;ηj为每排放1 kg第j类温室气体所需缴纳的排放费用,即温室气体中第j种排放物的处理单价。

1.1.2 与大电网功率交换部分

式中:CB(PM)为微网从主网购电时所付出的成本;CS(PM)为微网向主网售电时所取得的收益。

(1)购电成本

当PM>0时,微网从主网输入功率,此时购电成本包括价格成本和排放成本2部分,即:

式中:cb为微网从主网的购电价格;γMj为主网每发电1 kWh所排放的第j类温室气体的重量,即主网第j类排放物的排放系数。

(2)售电收益

当PM<0时,微网向主网输出功率,此时售电收益可表示为式(6):

式中:c为微网向主网的售电价格。

1.2 约束条件

在微网的环保经济调度中,一般需要满足3类约束条件。

(1)功率平衡约束

功率平衡约束是供用电系统中的一条基本准则,可用式(7)表示:

式中:PD,PL分别为用户负荷需求和电力传输过程中的网损。

(2)微电源出力约束

为了保证DG的稳定运行,每台DG必须满足容量限制,即其出力必须满足式(8):

式中:分别为第i个DG的有功出力上、下限。

(3)功率交换约束

微网与主网间能够交换的功率应满足以下约束:

式中:分别为微网与主网间交换功率的上、下限。

2 协同遗传算法分析

协同遗传算法(Co-evolutionary Genetic Algorithm,CGA)通常基于多种群实现,种群之间通过相互竞争与合作的关系实现共同进化,对种群个体而言,其进化受其他种群个体及进化环境的影响,评价时需要利用其他种群个体的信息,具有收敛速度快、健壮性强、不易陷入局部极小的特点[11]。

除竞争外,合作是物种之间另外一种非常普遍的协同关系。合作型协同遗传算法(Cooperative Coevolutionary Genetic Algorithm,CCGA)是为了适应现实世界中广泛存在的相互适应模块的优化而提出的,实质是对传统遗传算法编码方法的扩展。其编码方法与传统遗传算法截然不同,个体不对所有变量进行编码,只对部分变量进行编码,从而将一个复杂的多变量优化问题转化为多个相对简单的少变量优化问题。在进行个体评价时,需要利用其他种群的个体信息以构成一个完整的决策变量,继而利用适应度函数进行计算。这样做的好处在于,种群之间相互受益、相互制约、相互协同、共同进化,算法被广泛地应用于分类、过程控制以及约束满足等领域。

图1给出了合作型协同遗传算法的流程图,步骤说明如下:

步骤1:编码并产生所有初始子种群。

步骤2:从其他种群中选择代表个体,与待评价种群的个体一起构成合作团体,进行个体评价。

步骤3:判断算法是否满足终止条件,若满足,则终止种群进化,输出优化结果;否则,转步骤4。

步骤4:各种群进行选择、交叉和变异等遗传操作,生成下一代种群,然后转步骤2。

实际应用中,子种群的数量可多可少,由具体求解问题本身特性来决定。代表个体的选择,可以采用2种方法:1)选择其他子种群的最优个体作为代表个体,对于初始情况,可随机选择代表个体,该方法简单易行,计算量小,适用于决策变量各个分量之间联结不强的情况;2)从各子种群中选择最优个体和任一其他个体,分别与待评价个体组成2个合作团体并进行评价,选择适应度值较大者作为待评价个体的适应度值,该方法在决策变量分量之间联结较强时是可行的,但计算量比前者要大。通过对大量函数优化问题进行实验分析,结果表明只要选择合适的代表个体,CCGA的优化性能和收敛速度都优于传统遗传算法。

事实上,CGA各子种群在独立进化时,进化过程是比较灵活的,既可以采用相同的进化算法,也可以采用不同的进化算法,这与自然界多样化的进化过程相符。比如,遗传操作可以采用遗传算法中的选择、交叉和变异等,也可采用进化策略或者进化规划中的相关操作。

3 仿真实验与结果分析

本文构造了一个基本的微网实验系统,选取典型的实验数据和系统参数,在MATLAB R2010a上进行仿真实验,并对实验结果进行比较和分析。

3.1 微网结构与参数

给定微网结构如图2所示,内含小型风力发电(Wind Turbine,WT)、太阳能光伏发电(Photo Voltaics,PV)、微型燃气轮机发电(Micro Turbine,MT)、燃料电池发电(Fuel Cell,FC)以及燃气轮机发电(Gas Turbine,GT)等微电源各1台。现假设微网并网运行,并规定微网可与主网双向自由交换功率,既可以根据需要从主网输入功率获得支撑,也可以将多余的电能输出给主网获取利润。

在实验中,本文选取了2个典型日的负荷曲线分别进行求解,如图3所示。

微网中含有一定的储能装置,与PV、WT并网运行,目的在于稳定PV和WT的出力。若微网工况发生较大变化且所有DG出力不足以满足负荷需求时,主网将起到关键性的支撑作用。由于室外环境温度以及日照强度随季节、不同时段有很大的变化,因此会对PV的输出功率造成很大影响;并且,风力大小也受天气和自然界诸多因素影响,因此,WT的输出功率也时常处于变化之中。图4给出了某一季节某一典型日PV和WT的24 h出力数据,本文实验将予以采用。

鉴于PV和WT的发电成本较低且几乎无温室气体排放,因此,本文假设PV和WT的发电成本和排放成本均为0,于是,只需考虑MT、FC和GT的发电成本与排放成本即可。表1和表2分别列出了有关MT、FC、GT发电成本和排放成本的所需参数,同时,在表2中也给出了主网的排放系数。在温室气体排放中,因CO2比重最大,因此,本文只考虑CO2的排放,并假定其处理价格为0.02欧元/kg。

注:鉴于微电网的研究国外起步较早,尤其以丹麦为代表的欧盟国家微网的发展更是走在前列,为便于进行国内外比较研究,故这里选择欧元作为价格单位。

本文假设微网与主网之间功率交换的范围是[-15 kW,15 kW],并且,为更加贴近于实际,采用三段式电价政策,规定10:00-14:00和1 8:00-22:00为峰段时间,7:00-10:00,14:00-18:00和22:00-23:00为平段时间,23:00-7:00为谷段时间。相应的购售电价格标准如表3所示。

3.2 仿真结果与分析

为充分体现CGA在微网环保经济调度中的优势,本文从不同的角度做了3类实验进行说明。为合理起见,无特殊说明,本文所用遗传算法基本参数设置为:种群规模Pop=30,终止进化代数T=100,交叉操作概率Pc=0.95,变异操作概率Pm=0.3。并且,对于目标函数约束条件的处理方式采用罚函数法进行。

3.2.1 实验1

实验1的目的是验证本文所提CGA在进行微网环保经济调度时的有效性。由图3可以看出,1时至17时之间,负荷1均小于负荷2,其余时段,负荷2则小于负荷1;相应地,由图5可以看出,1时至17时之间,负荷1的最小总成本恰好低于负荷2的最小总成本,其余时段,负荷2的最小总成本恰好低于负荷1的最小总成本。这一优化结果符合理论分析结果,也就是说,负荷需求低则对应总成本也低,从而说明采用CGA进行微网环保经济调度的正确性。

3.2.2 实验2

实验2的目的是验证与普通典型遗传算法相比,CGA在微网环保经济调度中的优越性。本文所选取的普通典型遗传算法是一种常见算法,为提高实验结论的可信度,本文CGA的参数设置和各种遗传操作均与普通典型遗传算法保持一致。

从图6、图7可以看出,各时段经CGA优化后负荷1、负荷2的最小总成本均低于普通典型遗传算法优化后的结果,说明在同样的条件下,CGA的优化效果明显好于普通典型遗传算法的优化效果。

3.2.3 实验3

实验3的目的是进一步从优化性能和算法运行时间方面验证CGA的优越性。

以负荷1数据为例,保持算法其它参数不变,仅对种群规模进行调整,并分别进行10次测试,计算结果的平均值见表4。

从表4可以看出,当种群规模均为30时,典型遗传算法关于负荷1的24个时段的最小总成本的平均值远大于CGA的优化结果,而运行时间远小于CGA的运行时间;随着典型遗传算法种群规模的扩大,总成本平均值有所降低,运行时间却相应增多;直到种群规模为120时,典型遗传算法得到的总成本平均值才接近CGA的优化结果,然而此时,运行时间却超过了CGA。

实验结果表明,就典型遗传算法来说,随着种群规模的持续增大,对于优化确实起到了促进作用,但作用越往后越不明显,且对运行时间造成严重影响。因此,对于CGA轻易可以达到的优化效果,典型遗传算法将要付出较大的代价,可见,CGA具有较好的寻优性能和收敛速度。

4 结论

本文就微网并网运行模式下的环保经济调度技术引入了一种新的优化手段,这种基于协同进化思想提出的协同遗传算法充分表现出了与微网调度相结合的可行性与有效性,对于微网这种分布式结构具有良好的适应性。下一步,将就微网调度运行的分布式并行计算技术进行研究。

参考文献

[1]HAMMONS T.LAI L L.International Practices in Distributed Generation Development Worldwide[C].Brighton:Power Eng-ineering Society General Meeting,2007.

[2]王成山,王守相.分布式发电供能系统若干问题研究[J].电力系统自动化,2008,32(20):1-4.

[3]刘杨华,吴政球,涂有庆,等.分布式发电及其并网技术综述[J].电网技术,2008,32(15):71-76.

[4]李黎.分布式发电技术及其并网后的问题研究[J].电网与清洁能源,2010,26(2):55-59.

[5]张建华,黄伟.微电网运行控制与保护技术[M].中国电力出版社,2010,7.

[6]刘文,杨慧霞,祝斌.微电网关键技术研究综述[J].电力系统保护与控制,2012,40(14):152-155.

[7]陈达威,朱桂萍.微电网负荷优化分配[J].电力系统自动化,2010,34(20):45-49.

[8]席朋,李鹏,刘金鑫.微网并网时的经济运行研究[J].电力科学与工程,2011,27(9):1-7.

[9]艾欣,崔明勇,雷之力.基于混沌蚁群算法的微网环保经济调度[J].华北电力大学学报,2009,36(5):1-6.

[10]林伟,陈光堂,邱晓燕,等.基于改进自适应遗传算法的微电网负荷优化分配[J].电力系统保护与控制,2012,40(12):49-55.

协同优化调度 篇6

研究控制和调度的协同设计,其目标是利用有限的网络资源维持良好的闭环控制系统性能。本文提出一种自适应遗传算法,对网络控制系统进行优化调度,实现系统控制与调度协同设计的目的。仿真结果表明设计方案既能提高系统性能,又能提高网络资源利用率。

1 网络控制系统调度

1.1 NCS时态特性分析

随着当前工控技术的发展和CPU价格的降低,许多控制场合都使用了性能强大的带有CPU的实时控制系统,这种控制方式不仅能减少控制器的使用数量,还能有效地集成多个控制环,便于相关的控制环之间进行协调。如图1所示,一个网络可以由多个控制回路/节点共享,同一控制器可以负责执行多个控制任务。

考虑NCS中的单个控制回路,网络时延可以表示为:

式中,k为采样序号,τkc为控制器计算时延,τksc和τkca分别为传感器至控制器和控制器至执行器的端到端通信时延。

当多个控制回路共享同一嵌入式控制器时,单个回路的计算时延将会大大增加,其变化的范围也将会变大。对于确定的计算平台以及相同的控制任务来说,单个回路的计算时延将在很大程度上依赖于控制器内部所采用的调度策略。

1.2 RM静态调度算法

速率单调(RM)算法,最初是由Liu和Layland提出[6],并在单处理器任务调度中得到了广泛的应用。所谓的RM调度,就是为每一个周期任务指定一个固定的优先级,该优先级按照任务周期的长短顺序排列,任务周期越短,其优先级越高,调度总是试图最先运行周期最短的任务。网络调度任务是非先占型的调度任务,判断一组网络调度任务可行性的充分条件由定理1给出。

定理1[7]由N个不相关的、非先占的、周期性任务集(用i的降序代表权限优先级,i=1表示最高优先级,i=N表示最低优先级)是可调度的,若对于任意i∈{1,2,…,N},满足:

式中,bl,i为相应第i个任务由于低权限引起的最差情况下的闭锁时间,即。

定理1给出了一组网络任务调度可行性的充分条件,作为拓展联想到问题:对于网络的某个性能指标,如何选择最优的网络调度策略,使得该性能指标最优呢?考虑由N个NCS组成的耦合系统,每一个任务的传输周期为hi,上界为hup,i,传输时间为ci。假设对每个NCS都定义一个性能指标,其为传输周期hi的函数,记为Ji(hi),于是可得优化问题:。

其中约束条件为:

1)RM调度算法约束:

2)NCS稳定性约束:

其中hup,i为使NCS稳定的传输周期上界,文献[8]给出求取该值的方法。bi为第个任务的闭锁时间,在设定hi的上界时,必须将其考虑进去。

这样,就得到一个关于NCS的优化问题,优化的对象是各个NCS任务的传输周期。这里性能指标函数Ji(hi)的选取是优化问题的关键所在,在NCS的调度策略中,一般将其选取为传输周期的二次函数或指数函数。

2 自适应遗传算法

遗传算法参数中,交叉概率pc和变异概率pm的选择是影响遗传算法行为和性能的关键,直接影响算法的收敛性。另外,遗传算法用来求解多峰函数最优化问题时应具备两种能力:1)局部搜索能力;2)全局搜索能力。这两方面的均衡是由pc和pm来保证的。因此,确定pc和pm是设计遗传算法时一项很重要的工作[9]。传统的遗传算法通常根据不同的优化问题,经反复实验来确定pc和pm,非常繁琐且很难找到适应于每个解的最佳值。针对此问题,Srinvivas等[10]提出一种自适应遗传算法(AGA)。

AGA基本思路为:当群体中各个个体适应度趋于一致或局部最优解时,pc和pm增加;而当群体适应度比较分散时,pc和pm减少。同时,对于适应度值高于群体平均适应度值的个体,对应于较低的pc和pm,使该解得以保护而进入下一代;而低于平均适应度值的个体,对应于较高的pc和pm,使该解有机会被淘汰。因此,自适应的pc和pm能够提供相对某个解的最佳pc和pm。算法公式如下:

式中,fmax为群体中最大的适应度值;favg为每代群体的平均适应度值;f'为要交叉的两个个体中较大的适应度值;f为变异个体的适应度值。

这里,只要设定k1、k2、k3、k4取(0,1)区间的值,pc和pm就可以自适应地进行调整。对式(2)和式(3)进行分析可知:适应度与交叉率和变异率之间呈简单的线性映射关系,如图2所示。图中有k1=k2=k,k3=k4=k'。

由图2可以看出,当适应度值越接近最大适应度值时,交叉和变异概率的值就越小;当等于最大适应度值时,交叉和变异概率的值为零。这种调整方式对群体进化后期比较合适,但对进化初期不利。这是因为在进化后期,群体中每个个体基本上表现出较优的性能,此时不宜对个体进行较大的变化,以免破坏个体的优良性能结构;而在初期阶段,群体中较优的个体几乎处于一种不变的状态,但此时的优良个体并不能保证就是问题的全局最优解。为此,对该方法进一步改进,使群体中最大适应度值的个体的交叉和变异概率不为零,分别提高到pc2和pm2,这就相应地提高了群体中表现优良的个体的交叉和变异概率,使它们不会处于一种近似停滞不前的状态。经过改进后,算法公式为:

3 调度优化设计

3.1 编码

编码是应用遗传算法时所要解决的首要问题。对NCS任务采样周期进行编码,如图3所示。

图3中,hi(i=1,2,…,N)表示各个网络任务的传输周期,采用二进制编码,其位数m由所需要的精度决定。

3.2 适应度函数

适应度函数是根据目标函数确定的,用于区分群体中个体优劣的标准,是算法演化过程的驱动力,也是进行自然选择的唯一依据。在NCS中,优化的目的是使性能指标f(hi)最小化。也即是说,越低的f(hi)对应NCS的性能越好。在算法设计过程中,选取适应度函数为F=(hi)。

3.3 遗传算子

遗传算子主要包括选择、交叉和变异。选择是在群体中选出生命力强的个体产生新群体的过程。这里采用轮盘赌选择方法。交叉是指对两个相互配对的染色体按照某种方式相互交换其部分基因,从而形成两个新的个体。这里选取单点交叉方法。变异是指将个体染色体编码串中的某些基因座上的基因值用该基因座的其它等位基因来替换,从而形成一个新个体。这里采用基本位变异方法。根据前面介绍的自适应遗传算法,交叉概率和变异概率能够随着适应度进行自动调整。

4 仿真研究

考虑如下NCS:

式中,x(t)表示被控对象状态,x赞(t)为控制器状态,其为分段连续的,i=1,2,…,N。

取N=3,相应α的取值分别为25,20,15;k的取值分别为50,45,30。假设各任务执行时间相同,为c1=c2=c3=4ms。

定义传输误差为e(t)=x(t)-x(tk),t∈[tk,tk+1),则e(t)也为分段连续的,并且有e(0)=0。利用传输误差e(t)作为系统(6)的性能指标。根据文献[8]定义第i个任务的性能指标为:

式中,ai=ai-ki。

取适应度函数为:

相关参数及结果如表1和图4所示。

由仿真结果可知,三个任务均满足可调度条件。通过文中提出的自适应遗传算法的优化迭代,系统传输误差得到了最小化处理,系统性能以及网络利用率均得到了一定程度的改善。

5 结论

调度是网络控制系统中的基本问题之一,尤其在对实时性和控制性能要求较高的网络控制系统中,调度是至关重要的。本文研究了控制与调度协同设计的方法,基于RM静态调度算法,在满足系统稳定性和网络可调度性双重约束的条件下,提出一种自适应遗传算法,对网络控制系统各任务传输周期进行优化。仿真结果表明了该方法既能提高系统性能,又能提高网络资源利用率。

摘要:针对网络控制系统的性能由控制策略及网络服务质量共同决定,研究了控制与调度协同设计的问题。基于RM静态调度算法在满足系统稳定性和网络可调度性双重约束的条件下,提出一种自适应遗传算法,对网络控制系统各网络任务采样周期进行调度优化。仿真结果表明了该方法既能提高系统性能,又能提高网络资源利用率。

关键词:网络控制系统,自适应遗传算法,网络服务质量,协同设计,调度

参考文献

[1]杨灿,朱善安,孔万增.一种网络控制新方法及其液位控制应用[J].计算机测量与控制,2006,14(5):638-641.

[2]Colandairaj J,Irwin G W,Scanlon W G.Wireless networked control systems with qos-based sampling[J].IEE Proc.,Control Theory Appl.,2007,1(1):430-438.

[3]Zhang L,Hua-Jing F.A novel controller design and evaluation for networked controlsystems with time-variant delays[J].Frankl J.Inst.,Eng.Appl.Math.,2006,343:161-167.

[4]Lian F L,Yook J K,Tilbury D M,et al.Network architecture and communication mod-ules for guaranteeing acceptable control and communication performance for networkedmulti-agent systems[J].IEEE Trans.Ind.Inform.,2006,2(1):12-24.

[5]Ben Gaid M E M,Cela A,Hamam Y.Optimal integrated control and scheduling of networked control systems with communication con-straints:application to a car suspension system[J].IEEE Trans.Control Syst.Technol.,2006,14(4):776-787.

[6]Liu C L,Layland J W.Scheduling algorithm for multiprogramming in a hard-real-time environment[J].Journal of the Association forComputing Machinery,1973,20(1):46-61.

[7]Sha L,Rajkumar R,Lehoczky L.Priority inheritance protoclos:an approach to real-time synchronization[J].IEEE Tansactions on Com-puters,1990,390:1175-1185.

[8]Zhang W.Stability analysis of networked control systems[D].Ph.D.dissertation,Case Western Reserve University,2001.

[9]Wang L,Zhang L,Zheng D Z.The ordinal optimization of genetic control parameters for flow shop scheduling[J].The InternationalJournal of Advanced Manufacturing Technology,2004(23):812-819.

协同优化调度 篇7

关键词:OS2,协同调度,转供能力,故障信息,供电电源

0 引言

电网调度业务涉及了输电、变电、配电等多个方面, 业务繁多, 处理的数据量很大。从目前的发展情况来看, 在实际中已经存在多种支持系统在电网的调度中实现应用, 对电网业务的开展提供了巨大帮助[1,2,3]。但由于之前技术的阶段性、缺乏统一规划以及专业分离等原因, 系统存在的一些问题也显现出来。主要体现在:没有统一的系统规划和相关标准, 功能分散, 数量众多, 容易重复投资, 信息不能分享, 运行维护量大, 协同调度难, 对大电网的综合智能化驾驭能力弱, 需要较多人员和资金成本, 在调度的管理中存在安全隐患[4,5,6,7,8]。

开发主配网协同的智能调度技术支持平台, 将主配网电网模型进行统一, 消除信息孤岛, 集成发电、输电、变电、配电、用电运行数据, 实现主配网调度的协同功能, 能解决上述问题[9,10]。南方电网近年提出了“二次一体化”的建设, 综合各专业业务需求, 将数据接口标准化, 形成标准的数据交换格式和方式, 建设一体化电网运行智能系统 (Operation Smart System, 简称OS2) 。该一体化基础支撑平台能实现系统运行相关数据全面贯通、系统运行业务全覆盖, 是南网公司对电网运行技术支撑平台的发展趋势。本文主要介绍了在OS2架构的基础上, 主配网调度的协同的具体几项功能, 如转供能力分析、故障信息判断等。

1 主配网协同调度功能实现

1.1 主配网模型的拼接与合并

确定调度自动化系统主网模型与GIS配网模型之间的边界定义, 是拼接与合并主配网模型的前提, 而将馈线设为边界是一个切实可行的方案。主网馈线负荷和配网馈线线路名字命名一致, 配网馈线与主网的馈线通过开关连接, 实现主配网模型的合并。

1.2 主配网转供能力分析

主配网转供能力分析涉及到多条线路, 系统根据现有电网框架, 制定几种可行的负荷转供方式, 计算线路容量并对数据进行分析, 确定转供方案的合理性以及最佳方式。主网转供电能力校核分析包括对110 k V主变、110 k V线路、220 k V主变、220 k V线路等设备的转供分析, 对电网安全具有重要意义。

(1) 110 k V主变转供

110 k V主变发生过负荷后, 首先看能否通过合上10 k V母联开关将过负荷状态恢复正常。若过负荷状态没有得到缓解, 则需要考虑将部分10 k V线路开关断开以减轻110 k V主变负荷的方案。110 k V主变转供方案制定的原则是, 对母联或变低等开关状态进行方式调整。若母联开关处于合位, 没有能够执行的负荷转供方案, 系统需进行提醒。

(2) 110 k V线路转供

若110 k V线路过载, 首先要对过载量进行测量和分析, 看能不能将负荷进行转供。如果转供方案无法制定出来, 系统得出结论进行提醒。若可以对过载量进行负荷转供, 则提供合理的转供方案, 并对潮流进行计算, 确定该方案不会导致设备出现过载情况。若变电站为串供方式, 可采取跨站操作的方案将负荷进行转供。例如220 k V变电站A和E给一串110 k V变电站供电, 如图1所示。

若L1过载, 则转供方案包括合7DL、断开6DL, 或者合7DL断开4DL。具体转供要根据线路Ll需转移的负荷量大小进行确定。

对于双回线路出现过载的情况, 需要进行转供时, 不能只对其中一条线路的负荷进行转供, 也不能将一条线路的负荷直接转移到另一条线路上。

(3) 220 k V主变转供

对于220 k V主变过载, 则对站内110 k V线路负荷逐个进行分析, 得到最接近主变过载量的线路组合。由其他电源点对该110 k V线路集合进行转供电, 并对转供方案的潮流进行计算分析, 避免出现新的设备发生过载情况。最终可能有多种转供方案, 包括转出一条线路, 或转出2条组合线路, 则对不同方案进行优先级排序, 排序原则是避免导致新的设备过载。

(4) 220 k V线路转供

220 k V线路通常为环网接线方式运行。对于220 k V线路负荷转供方案, 首先要确定转移的负荷量, 转供方案通过功率流向找到该线路的220 k V变电站。然后将该220 k V变电站内的110 k V线路负荷, 按第三条所述的转供方法进行负荷转供, 同时进行对潮流进行计算, 避免导致新的设备过载。

1.3 主配网故障信息的判断

实时获取主配网的故障信息, 即每隔10 s获取线路开关、主变变低侧、10 k V分段开关的事故跳闸信息以及重合是否成功到配用电系统中, 对10 k V母线失压信息进行分析和判断。

若主变的高压侧开关发生跳闸, 根据网络结构关系检测10 k V母线电压。如果是220 k V主变的变高开关发生跳闸, 则还要同时检测110 k V母线电压;如果是500 k V主变的变高开关发生跳闸, 则需检测220 k V母线电压。若10 k V母线电压为0, 则判断该母线失压, 则发送工单, 自动生成事故简报, 包括失压变电站名称、开关名称、10 k V失压母线名称、损失负荷信息以及影响用户信息等。若母线电压还有电压, 同时变低开关状态由合位变成分位, 则得到备自投成功的结论, 则生成事故简报, 包括变电站名称、开关名称、事故跳闸、备自投变电站名称、自投成功以及可能存在电压波动, 同时加上主变中压侧开关的说明。

若主变的低压侧开关发生跳闸, 根据网络结构关系检测10 k V母线电压。若10 k V母线电压为0, 则判断该母线失压, 则发送工单, 自动生成事故简报, 包括失压变电站名称、开关名称、10 k V失压母线名称、损失负荷信息以及影响用户信息等。若母线电压不为0, 则不发送工单, 生成事故简报, 包括变电站名称、开关名称、事故跳闸、备自投变电站名称、自投成功以及可能存在电压波动。

若220 k V线路两侧开关发生跳闸, 则检测线路两侧母线电压。若母线电压消失, 则根据网络结构继续检测与该母线相连的线路及主变, 一直到10 k V母线为止。若220 k V母线没有失压, 则不继续检测, 生成事故简报, 包括变电站名称、开关名称、事故跳闸以及可能存在的电压波动。

若220 k V线路单侧开关发生跳闸, 由于正常情况下应该是线路两侧开关都跳开, 因此得出其中一侧开关有问题可能没有跳开的结论。对于没有跳开的一侧, 母差保护或失灵保护动作, 会使与此母线相连的所有开关都跳开。对于由于母差保护动作跳开的断路器, 则按照上一段提到的方法逐个检测。

对于配网故障信息的判断, 系统分析SCADA系统中馈线开关动作信息, 判断开关跳闸是正常手分还是故障跳闸, 从营配一体化系统读取停电用户数、停电负荷情况并记录。若馈线分段开关跳闸, 判断出明确故障点后, 由调度员点选配网自动化图形, 从营配一体化系统读取停电用户数、停电负荷情况并记录。当线路跳闸重合不成功, 系统生成检修工单;当线路跳闸重合成功, 系统生成巡视工单。

1.4 供电电源智能动态识别

供电电源智能动态识别, 是指从设备端动态寻找供电电源的方法。若找到电源, 系统绘制出电源以及供电路径图。若没有找到电源, 则从设备另一端进行搜索, 并绘制出电源和供电路图。若两端都没有找到, 则查找供电电源失败。

为避免电源路径为“220 k V站-110 k V站-馈线-110 k V站”的情况出现, 在进行供电电源识别时要进行主配网隔离。即在进行主配网设备的供电电源识别时, 需要确保寻找电源时不能进入配网模型, 主网隔离图如图2所示。所以寻找电源遇到10 k V馈线开关时停止搜索该路径。

对配网设备的供电路径识别进行, 当搜索已经从配网搜索到了主网后, 该条路径不能回到配网模型, 配网隔离图如图3所示。

2 总结

基于0S2构架的智能调度技术支持平台, 将主配网模型进行拼接与合并, 对主配网海量数据进行处理, 实现主配网协同调度功能。在应用层面, 实现转供能力分析、故障信息判断、供电电源识别等功能, 能够有效提高电力企业内各部门间的协同工作效率。

参考文献

[1]李文朝.基于运行服务总线的主配网调度系统建设[J].广西电力, 2014, 37 (4) :19-22.

[2]吴任博, 彭依明, 杨世兵, 等.基于统一模型和SOA的主配网信息融合技术研究与应用[J].云南科技管理, 2015, 28 (1) :86-89.

[3]廖怀庆, 刘东, 黄玉辉, 等.基于大规模储能系统的智能电网兼容性研究[J].电力系统自动化, 2010, 34 (2) :15-19.

[4]林常真, 李林峰.区域性配网调度独立运作现状分析及建议[J].广西电力, 2009, 32 (3) :33-34, 54.

[5]汪磊, 魏丽芳, 王克谦, 等.主配网调控一体化图形平台设计[J].电力系统及其自动化学报, 2012, 24 (1) :142-146.

[6]曾伟.基于电力系统电气工程智能关于电力主配网化的应用分析[J].中国科技纵横, 2016 (8) :141.

[7]黄福善.配网调度现状与建议探讨[J].商品与质量·焦点关注, 2012 (9) :209.

[8]骆燕婷, 刘有志, 杨韬, 等.主配网系统自动模型同步及动态数据传输技术研究[J].数字技术与应用, 2014 (10) :26.

[9]徐文, 张建民, 高煜, 等.调度/配电管理一体化系统主站平台设计与实现[J].电力系统自动化, 2004, 28 (8) :80-83.

上一篇:矿区勘探下一篇:连粳11号