分层分布式优化（精选7篇）
分层分布式优化 篇1
0 引言
电动汽车(EV)由于清洁环保,高效节能而备受关注。近年来,国内EV行业发展迅猛,产销两旺。预计到2020年,国内纯EV和插电式混合动力汽车生产能力达200万辆,累计产销量超过500万辆[1]。
然而,EV大规模接入电网,会带来负荷高峰、电压下降、线路损耗增大、谐波污染,以及三相不平衡等问题[2]。因此,有必要对EV充电负荷进行有序协调控制。目前,在EV的有序协调充电方面已有较多的研究成果[3,4,5,6],主要通过优化充电负荷在时间上的分布,一方面提高充电站经济效益,另一方面减小负荷峰谷差,从而减少EV充电负荷对电网的影响。
EV不仅可以从电网获取电能,还能将电能输送回电网中。20世纪80年代,未来学家托夫勒就提出了产消者(Prosumer)的经济概念。由于EV具备消耗、存储、“生产”电能一体化的特性,可以作为产消者参与到电网的互动调控当中。产消者具备自主判断决策的能力,EV则可以根据电价信息和自身的电量需求制定充电计划,以此实现自身的收益最大化,并为电网提供其他辅助服务。车网互动(vehicle-to-grid,V2G)技术是EV成为产消者的关键技术。利用V2G技术,不仅可以削弱EV对于电网的不利影响,还可以实现系统的调峰[7]、调频[8]、增加备用容量[9,10]等功能。V2G与风力、太阳能等新能源配合运行[11],还能够平抑负荷波动和可再生能源波动,提高系统消纳间歇性能源的能力。
目前,对V2G优化调度问题的研究主要集中在减少发电成本、提高运营商的收益、降低负荷的峰谷差等方面。文献[12]在传统计及网络安全约束的机组组合问题的基础上,构建了计及V2G的经济调度双层优化数学模型,有效地减少了发电成本和系统的有功损耗。文献[13]基于EV的行驶行为特性,在满足用户需求的基础上,减少充放电代理商的运营费用,并将充放电负荷波动降到最低。文献[14]以满足用户充放电时间、充放电需求等为约束条件,以电网总负荷波动最小为目标建立了EV与电网互动的最优峰谷电价模型,通过制定合理的充放电价格引导用户的充放电行为,降低峰谷差。文献[15]在建立客户满意度模型的基础上,提出了基于多代理系统的充电站协调定价策略,实现了基于价格信号的EV分布式控制。
上述文献主要通过直接负荷控制或电价引导实现对V2G的协调控制,前者忽略了用户的主观意愿,实际的充电调度结果用户可能难以接受[14],从而无法有效地对EV进行调度;后者运用电价的手段对用户进行引导,但没对用户的充电行为进行适当合理的控制,很可能会在低价时段带来新的负荷高峰。另一方面,已有文献对EV的控制管理方式大多还是集中控制模式,随着EV规模的增大,其计算量将迅速增大,影响EV控制的实时性,集中控制方式不再适用。针对以上问题,本文采用基于分布式控制的电动汽车V2G分层管理框架:该框架分为EV智能体、本地运营商和配电网控制中心3个层次;采取EV智能体自主提交可接受充电计划集、本地运营商审核、配电网控制中心统一调度的方式对EV的充放电行为进行管理。该模型不仅可以实现EV智能体的利益最大化,还能对本地运营商管控区域内的负荷峰谷差进行控制,并确保配电网的安全稳定运行。由于分层管理框架将计算量分散到各个层次,大大缩小了优化计算的时间,因此适用于大规模EV的优化调度。
基于分布式控制的EV分层管理框架,国内外学者已经开展了相关研究[15,16,17],但大多文献没有考虑EV的放电行为或节点电压安全约束。与之不同的是,本文在建立EV分层管理架构的基础上,考虑充电桩及蓄电池的充放电健康度,并分析了峰时放电电价对EV智能体的V2G参与度的影响,以及不同电价机制对本地运营商峰谷差控制的影响,配电网控制中心通过电价指令引导EV智能体的充放电行为,防止包括节点电压在内的配电网安全约束越限。
1 电动汽车V2G分层管理框架
目前已发表的文献中,对EV的充放电协调控制策略主要有集中控制、分布式控制和分层控制。
集中控制方式是指控制中心通过聚集区域内EV的状态信息和需求信息并进行统一的优化计算,再将控制指令下达到每辆EV。文献[11,13]的控制方式为集中控制。随着EV规模的增大,控制中心每次优化计算需要存储的信息和计算量也相应增大,导致优化时间过长,甚至会出现“维数灾”问题。同时,由于集中式控制要求EV完全听从控制中心的指令,可能让用户难以接受。
分布式控制方式是指EV根据掌握的信息自主决策,制定充电计划并提交给本地运营商。文献[3,15]的控制方式为分布式控制。分布式控制将计算量分散到EV,有利于缓解控制中心的计算负担。同时,由于EV能够根据自身掌握的信息和意愿进行决策,决策结果更容易让用户接受。
分层控制方式按照区域将EV划分为多个较小的群体,由本地运营商进行控制管理,本地运营商向上层决策中心提交聚合的EV群体信息,由上层决策中心协调各个本地运营商的运行。文献[16,17]的控制方式为分层控制。分层控制方式也是解决大规模V2G问题的方法,通过分层计算的方式,大大缩小了问题的规模。
结合分层控制和分布式控制的优势,本文采用如图1所示的EV充放电分层管理框架,该管理框架分为配电网控制中心、本地运营商、EV智能体3个层次。EV作为具有适应性的智能体,在接入电网时,可以从本地运营商获取停留时段的电价等信息,根据自身的电池状态及充电需求进行优化计算,并将优化后的可接受充电计划集提交给本地运营商。本地运营商根据当地负荷预测的情况,对电动汽车提交的充电计划进行审核,选取最小化峰谷差的充电计划并下达给各个EV智能体,EV智能体照此计划进行充放电。实际充电计划与最优计划的成本差,将由本地运营商对用户进行补贴。配电网控制中心接收本地运营商聚合了各个EV智能体充电负荷的负荷数据后,针对节点电压、线路传输功率等安全约束,对各个本地运营商提交的购电计划进行管理控制。如果本地运营商提交的充电负荷使得配电网安全约束越限,则对越限时间段的充电电价进行调控,实现EV智能体充电负荷的转移,保证配电网的正常安全运行。
2 EV智能体的充放电负荷建模及V2G优化模型
EV通过V2G技术,可以作为电网中的分布式储能元件,实现“削峰填谷”的功能。影响EV充放电负荷特性的因素主要有用户的出行规律、使用习惯及电池特性。
2.1 EV的行驶特性
EV的行为具有随机性和分散性,如果仅考虑EV的总体负荷特性,可以运用历史数据对EV的出行规律进行统计分析[18],用蒙特卡洛仿真方法求得单台EV功率需求的均值和标准差,进而计算出多台EV的总体功率需求,以此作为仿真的需求数据。对EV充放电负荷产生影响的用户行驶特性主要包括用户出行和返回的时刻及日行驶里程等[14,16]。2009年,美国交通部对全美家用车辆的出行进行统计,其调查结果如式(1)至式(3)所示[19]。
1)EV的返回时刻,即充电起始时刻,服从正态分布,其概率密度函数为:
式中:μs=17.47;σs=3.41。
2)EV的出行时刻,即充电停止时刻,服从正态分布,其概率密度函数为:
式中:μe=8.92;σe=3.24。
3)日行驶里程服从对数正态分布,其概率密度函数为:
式中:μm=2.98;σm=1.14。
本文将基于上述概率分布模型对所述分层管理架构进行仿真。
2.2 EV的电池特性
目前,EV的电池主要有铅蓄电池、镍氢电池和锂电池3种。锂电池在3种电池中性能最好,其能量密度是铅蓄电池的4~6倍,是镍氢电池的2~3倍,在价格上相比镍氢电池也具有优势;其缺点是难以扩大充电容量并保证安全性。本文假设所有EV的电池都为锂电池,锂电池的充电方式可以用三分段函数拟合,本文中近似为恒功率充放电,有利于简化负荷功率的计算。
蓄电池的寿命由充放电循环次数来衡量,EV参与V2G会造成电池损耗,降低电池的寿命,因此需要考虑电池的损耗成本[20]。此外,由于本地运营商主要是通过控制充电桩的通断和整流逆变方向来实现有序充放电控制,充电状态的频繁变动,会增加充电桩的启停损耗或待机损耗。为了提高充电桩与电池的健康度,文献[21]最小化换电站内充电机一日之内的状态转换次数,而文献[22]则最大化电池充电状态的连续性,仅允许到达容量上限的电池放电,到达容量下限的电池充电。本文在最小化EV智能体充放电费的基础上,选取状态转换次数最小的充电计划,以兼顾蓄电池和充电桩的健康度。
2.3 EV智能体的V2G优化模型
对于EV智能体来说,其参与V2G的目的是提高自身的收益。在分时电价的机制下,其提高自身收益主要通过低电价时段充电、高电价时段放电来实现。影响EV智能体制定充电计划的因素主要有充电起始时刻TA、停留时间段TN、蓄电池充电起始荷电状态SA、离开时期望的蓄电池荷电状态SL及充放电电价。本文以1 h为控制时间段,EV智能体的可用优化时间段为表示不小于x的最小整数)。EV智能体的充放电优化模型如下。
1)目标函数
以最小化充放电费用为目标,目标函数为:
式中:Pci为EV充电功率;Pdi为放电功率;pci为充电电价;pdi为放电电价;Δt为时间段长度,本文取值为1 h;CB为EV参与V2G而导致的电池损耗成本;ui为决策变量,ui=1为时段i内EV智能体处于充电状态,ui=0为时段i内EV智能体处于空闲状态,ui=-1为时段i内EV智能体处于放电状态。
以充电机状态转换次数最小化为目标,目标函数为:
式中:Nswitch为充电计划中充电机的状态转换次数。
EV智能体在选择充电计划时,先以最小化充放电费用为目标,然后在费用相同的充电计划中,选取状态转换次数最小的充电计划提交给本地运营商。
2)约束条件
充电容量约束为:
式中:SB为蓄电池容量。
蓄电池安全约束为:
式中:Si为时段i内EV智能体蓄电池的荷电状态;Smin为蓄电池荷电状态下限;Smax为蓄电池荷电状态上限。
对此优化模型,由于目标函数和充电容量约束均为非线性,控制变量为离散变量,直接进行求解难度较大,本文采用文献[23]中的广度优先搜索(BFS)算法进行求解。该算法思路简单,易于实现,适用于寻求较小规模优化问题的可行解。EV智能体优化充放电一般为十几个时间段,可以用此算法进行求解。BFS算法的具体流程如图2所示,以TA时间段为根节点,逐步往下一时间段扩展搜索,不满足式(6)和式(7)的节点所在的搜索路径则被去除,到TA+TN-1时间段结束搜索,得到同时满足式(6)和式(7)的所有可行解并进行选取。由于BFS算法遍历了所有可行解,并在此基础上进行寻优,因此,可以得到问题的最优解。
3 本地运营商优化模型
大规模EV的随机充电可能使得区域负荷峰谷差增大,会使变压器等电力设备的利用率下降,甚至有可能出现变压器容量越限的情况,进而要求区域电网进行改造扩容,成本巨大。为此,本地运营商以管控区域24 h内的负荷峰谷差最小化为目标,其目标函数为:
式中:PLi为本地运营商管控区域中时段i内的常规负荷;PEi为EV时段i内的总充放电功率。
实际操作时,本地运营商要求EV智能体提交充电电价小于pS的所有充电计划,即可接受充电计划集,然后针对负荷峰谷差最小化的目标对可接受充电计划集进行选取,并将结果发送给EV智能体,EV智能体按照此计划进行充电。pS取值为:
式中:pL为最优充电计划的总费用,由于接入电网时蓄电池状态和充电需求的差异,每个EV智能体的pL不同;Δp为EV智能体为降低峰谷差产生的额外成本。本地运营商可以和用户签订合同,补偿用户的额外成本,使得用户愿意听从调度。由于EV参与峰谷调节的效果主要与其充放电功率有关,在下面的仿真中,均取Δp=0.5Pc=0.5Pd。
4 配电网控制中心调度模型
配电网控制中心调度的约束条件如下。
1)节点功率平衡约束
式中:j为与节点i存在相连支路的节点;Pi,Qi,Vi分别为节点i的注入有功功率、无功功率、电压幅值;Gij和Bij分别为互导纳的实部和虚部;θij为支路的首、末端电压相角差。
2)节点电压约束
式中:Vmin为节点电压下限;Vmax为节点电压上限。
3)线路电流约束
式中:Iijmax为连接节点i和j的支路电流上限。
由于EV充电负荷的增大主要会引发配电网节点电压下降等问题,本文将以负荷节点电压下限为例来验证配电网控制中心策略的有效性。配电网控制中心的控制流程如图3所示,在接收各个本地运营商的负荷数据后,配电网控制中心进行常规的潮流计算,求取各个负荷节点的电压。如果某个时间段存在节点电压幅值越限,配电网控制中心将该时间段的充电电价提高Δps,并要求新接入的EV智能体重新提交充电计划,而之前接入的EV充电费和充电计划不变。
通常,居民负荷具有较大的峰谷差,深夜谷时段电网的有功功率比较充足,EV早出晚归的出行规律使其具有足够的充电时间接受调度。配电网控制中心提高越限时段的电价后,当前时间段新接入的EV智能体会把充电负荷转移到低电价的谷时段,转移的负荷相对较小,谷时段充足的有功功率可以满足EV智能体的充电需求,配电网安全控制策略可以快速收敛,后续时间段接入的EV智能体也会由于充电电价较高而避免在越限时间段充电,不会出现反复调整的情况。当迭代次数过多时,说明有大量充电需求迫切的EV智能体接入,无法实现负荷转移,或者谷时段的负荷也接近节点电压稳定极限,配电网的整体供电能力不足。为了确保配电网的安全稳定,对于充电需求迫切的EV智能体,可以逐级降低其充电期望;如果是配电网供电能力不足,则须申请供电增容或安装无功补偿设备,提高配电网的整体电压水平。虽然节点电压越限时,会增加新接入EV智能体和配电网控制中心之间的通信量,但是由于单个时间段接入的EV智能体数目较小,因此影响不大。
在所述分层架构中,底层的EV智能体以自身利益最大化为目标,符合用户的行为习惯;本地运营商以负荷峰谷差最小化为目标,提高管控区域电网运行的效益;配电网控制中心则对各个区域的本地运营商的负荷进行管理监控,确保配电网的安全稳定。虽然3个层次的目标不同,但是该分层架构充分考虑了各个层次的效益,更加具备可操作性。同时,各个层次之间通过充放电负荷数据和控制指令的双向流动,从而实现整个系统的协调控制。
5 算例分析
5.1 仿真参数设置
本文以IEEE 33节点配电网为例来验证所述分层管理架构的有效性。该配电网拓扑如附录A图A1所示,选取基准功率100 MVA,基准电压12.66 k V,节点1为平衡节点,其他节点均为PQ节点。其中,负荷节点的最低电压要求为0.95(标幺值)。该配电网分为3个区域,分别由3个本地运营商进行控制,每个区域各有一个EV充电站,120辆EV,充电站分别接入节点3,13和30,各节点的日负荷数据参考文献[24]。
本地运营商层面,本文主要针对本地运营商2与EV智能体的互动进行仿真。该区域除了有EV充电负荷之外,还带有其他常规负荷。常规负荷曲线可以根据历史数据预测得到。对于仿真情景,本文做出如下假设。
1)所有EV智能体的蓄电池容量均为SB=32 k W·h,充电方式为慢充,充电功率Pc=3.3 k W,放电功率Pd=3.3 k W。
2)根据文献[12]的计算方法,本文EV参与V2G的电池损耗,取为1.2元/次,即CB=1.2。
3)蓄电池容量下限Smin=0.1,容量上限Smax=0.9,并默认用户期望的SL为0.9。
4)EV的返回时刻、出行时刻及日行驶里程数据根据式(1)至式(3)采用蒙特卡洛抽样模拟方法产生。
5)为了引导EV实现“削峰填谷”的目标,充电电价采用分时电价的机制。分时电价机制主要有峰谷分时电价、尖峰电价、实时电价3种,实时电价机制目前在国内的运营实行还不成熟,因此本文主要考虑的是峰谷分时电价和尖峰电价机制,具体数据分别如表1[25]和表2[26]所示。
5.2 峰时放电电价对EV智能体V2G参与度的影响
EV智能体的V2G参与度是指参与V2G的EV智能体占总数的比例。如2.3节所述,EV智能体追求的是自身经济利益的最大化,峰时放电电价的制定,将直接影响到EV智能体V2G的参与度。文献[14]指出,EV智能体参与V2G的放电电价不应超过放电时刻电网的销售电价,否则有损本地运营商的经济利益;同时,有可能存在初始荷电状态比较小的EV智能体为了赚取充放电差价,在负荷高峰前期进行充电,后期进行放电的现象,使得前期负荷高峰更大。但是,放电电价也不宜过低,否则会降低EV智能体的V2G参与度,甚至参与度为0。EV智能体参与V2G的前提是,其放电的利润大于电池损耗成本。影响放电利润的因素主要有EV智能体在负荷高峰时的蓄电池容量、可用的负荷高峰时段及谷时充电电价。采用电网尖峰电价机制时,EV智能体在负荷高峰时期的蓄电池容量Sp满足式(14),同时充电起始时刻TA满足式(15)才会选择放电。
式中:pdp为峰时放电电价;pcv为谷时段充电电价。
通过蒙特卡洛法模拟本地运营商2管控区域下的EV智能体在不同峰时放电电价下的V2G参与度,结果如附录A图A2所示。峰时放电电价在0.587元/(k W·h)以下时,EV智能体的V2G参与度为0;之后随着电价的提高而逐渐上升,当放电电价与峰时充电电价相等时参与度达到最大,为88.4%左右。在下文的仿真中,如无特别说明,峰时放电电价均与峰时充电电价相同。
5.3 最小化状态转换次数对EV充电计划的影响
为了提高充电桩与电池的健康度,2.3节中提出最小化充电机状态转换次数的目标函数。附录A图A3为有无考虑充电桩和蓄电池健康度的EV智能体最优充电计划,坐标轴以上表示充电,以下表示放电。该EV智能体的到达时刻TA=19,停留时段TN=15,蓄电池充电起始荷电状态SA=0.5,充电电价采用尖峰电价机制。从图中可以看出,考虑充电桩和蓄电池健康度时整个充电过程只有3次状态转换,在04:00时完成充电过程;而不考虑时状态转换次数则高达8次,到08:00才完成充电过程。可见,考虑充电桩和蓄电池健康度可以显著减少充电桩的频繁动作、电池充放电状态的转换次数和充电桩的工作时间,减小充电桩的启停或待机损耗和蓄电池的寿命损耗。
5.4 本地运营商调度策略对负荷峰谷差的影响
图4为2种电价机制下,本地运营商采用不同调度策略的负荷曲线。无峰谷差调节时,EV智能体只提交充电电价为pL的充电计划。
根据式(8)的计算方法,常规负荷的峰谷差为82.1 k W,尖峰电价下有峰谷差调节的总负荷峰谷差为55.2 k W,无峰谷差调节时为64.6 k W;峰谷分时电价下有峰谷差调节的总负荷峰谷差为24.0 k W,无峰谷差调节时为53.9 k W。无峰谷差调节时,虽然总负荷的峰谷差比常规负荷小,但是由于EV智能体过于集中在谷时段进行充电,会带来新的负荷尖峰。有峰谷差调节时,负荷曲线更加平稳。可见,两种分时电价机制下本地运营商的峰谷调度策略都能有效地减小负荷的峰谷差;而峰谷分时电价机制对峰谷差的调节更加有效,调节后约为常规负荷峰谷差的29.2%。并且,有峰谷调节的充电负荷也主要分布在电价谷时段,放电负荷分布在峰时段。可见,本地运营商在降低负荷峰谷差的同时,也兼顾了EV智能体的经济利益。
5.5 配电网调度策略
图5为峰谷分时电价下,有无配电网调度时EV智能体的充放电负荷曲线及配电网末端节点18的电压幅值曲线。无配电网调度时,在23:00—02:00四个时间段中节点18的电压幅值都会由于EV的接入而跌落到0.95(标幺值)以下,不满足负荷对电压的要求。配电网安全控制策略中,Δps取值为0.5。通过1次迭代后,控制策略收敛。从充放电负荷曲线可以看出,部分EV充电负荷转移到了电压裕度比较高的06:00—08:00,21:00—22:00时间段。经过配电网控制中心的调度控制,节点18的电压幅值都在0.95(标幺值)以上,满足配电网安全约束。
6 结论
本文采用基于分布式控制的EV充放电管理框架,通过EV智能体自主响应上层调度,实现配电网峰谷差控制和安全控制。该框架可以缓解本地运营商和配电网控制中心的计算负担,兼顾各方效益,实现3个层次之间的协调控制,适用于大规模EV优化调度。通过仿真算例,可以得到以下结论。
1)峰时放电电价不应超过放电时刻电网的销售电价;峰时放电电价越高,EV的V2G参与度越高;当峰时放电电价小于某一数值时,EV的V2G参与度为0。
2)考虑充电桩和蓄电池健康度可以显著减少充电桩的频繁动作和电池充放电状态的转换次数,减少充电桩的启停或待机损耗,延长蓄电池寿命。
3)2种分时电价机制下本地运营商的峰谷调度策略都能有效地减小负荷的峰谷差,而峰谷分时电价机制对负荷峰谷差的调节更加有效。
4)针对节点电压幅值下降问题,配电网控制中心能通过电价指令有效地实现充电负荷在时间维度上的转移,确保节点电压在配电网的安全约束之内。
本文的模型建立在EV智能体追求自身利益最大化的基础上,现实中EV的行为更为复杂。因此EV智能体对电价的响应行为及灵敏度分析等,还有待进一步研究。
附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。
摘要：针对传统的集中式控制方式计算量大,电动汽车用户难以接受集中控制指令的问题,采用基于分布式控制的电动汽车充放电分层管理框架,适用于大规模电动汽车的优化调度。采取用户自主提交可接受充电计划集、本地运营商审核、配电网控制中心统一调度的方式对电动汽车的充放电行为进行管理。在对电动汽车的充放电负荷进行建模的基础上,分别建立电动汽车智能体最大化自身收益的车网互动优化模型、本地运营商最小化负荷峰谷差的优化调度模型,以及配电网控制中心的安全控制调度模型,兼顾各个层次的效益。以包含3个本地运营商的IEEE 33节点系统为例,对各个层次的行为及控制策略进行仿真,验证了所述分层管理架构的有效性。
关键词：电动汽车,车网互动,分层架构,峰谷差,配电网安全控制
分层分布式优化 篇2
配电网络重构是配电系统优化运行的重要手段, 也是配网自动化研究的重要内容[1,2]。配网重构问题是一个复杂的多目标非线性整数组合优化问题, 属NP-hard问题。数学优化方法可以保证得到全局最优解, 但随着配电网规模的增大, 将导致“维数灾”问题;最优流模式法、开关交换法等启发式算法提高了计算速度, 但不能保证全局最优, 且收敛性依赖于初始值[3]。
20世纪80年代以来, 智能计算技术取得飞速进展, 在许多领域得到成功地应用[4], 为解决配电网络重构问题提供了新的途径和思路。近年来遗传算法, 禁忌搜索等算法[5,6,7,8]也相应地被应用到配电网重构, 取得了较好的效果。粒子群优化算法PSO (Particle Swarm Optimization) 是近年来发展的一种全新的智能优化算法, 它模拟了鸟群觅食过程中的迁徙和群集行为, 最初由Kennedy博士和Eberhar博士于1995年提出[9]。PSO算法最初提出是用于解决连续空间的优化问题, 为解决离散空间的优化问题, Kennedy博士和Eberhart博士又提出了二进制版的粒子群优化算法[10]。PSO算法与进化算法相似, 采用基于粒子群的多点并行全局随机搜索策略, 但无需复杂的进化操作, 而是根据粒子的速度和当前位置决定搜索路径。与早期的智能算法相比, PSO算法在计算速度和消耗内存上有较大的优势, 而且简单易于实现。
目前, PSO算法在配电网重构中的应用研究越来越多[11~14], 文献[14]将PSO算法应用于求解配电网重构问题, 取得了较好的效果。随着配电网络规模不断扩大, 计算的复杂性极大增加, PSO算法的适用性受到限制。本文采用控制理论的分层思想, 提出了多粒子群分层分布式PSO算法 (Distributed Hierarchical Structure Particle Swarm Optimization, DHSPSO) , 应用于配电网重构。在第一层把配电网的各个环网分别看成一个子系统, 各子系统采用粒子群优化并行计算, 降低了系统维数。在第二层进行各子系统之间相互协调并计算目标函数值。同时把各个子系统的最优值作为当前粒子的个体最优值, 进行第二次粒子群优化, 得到全系统最优解。算法结合配电网络的特点, 提出了孤岛和环网的处理原则, 避免了无效解, 提高了迭代过程中有效解的产生概率。最后对2个典型IEEE测试系统进行仿真计算, 结果表明本文提出的算法在优化精度, 收敛到全局解的次数和收敛速度上均有明显改善, 适合于大规模系统的配电网重构问题求解。
1 配电网络重构的数学描述
配电网络重构是在满足配电系统运行约束的条件下, 通过改变网络中开关的开闭状态组合, 使得配电系统某一或几个目标最佳。通常以网损最小作为目标, 配电网络重构可用数学模型描述如下[3]:优化目标为:
式中:n表示配电网络中的支路总数;xi表示开关i的状态, 是0-1离散量, 0表示断开, 1表示闭合;ri是支路i的电阻;Pi、Qi是流过支路i的有功功率和无功功率;Vi是支路i末端节点的电压。
约束条件为:
(1) 潮流约束
(2) 支路电流约束
式中:Ii是流过支路i的电流, Iimax是支路i的最大允许流过电流。
(3) 节点电压约束
式中:Vj是节点j的电压, Vjmin是节点j的电压下限, Vjmax是节点j的电压上限。
(4) 网络拓扑约束
式中:x是开关状态组合;D是构成辐射网的开关状态组合的集合。
2 多粒子群分层分布式优化求解配电网络重构问题
PSO算法是一种基于群体智能方法的演化计算技术, 组成群体的个体是多维搜索空间中没有质量和体积的粒子, 粒子在搜索空间中的位置代表了优化问题的潜在解, 飞行的速度决定了搜索的方向和步长。这些粒子在搜索空间中以一定的速度飞行, 并根据自身的飞行经验和同伴的飞行经验对自己的速度进行动态调整, 即通过追踪粒子自身迄今为止发现的最好位置以及整个群体迄今为止发现的最好位置来不断地修正自己的前进方向和速度大小, 从而形成了群体寻优的正反馈机制。粒子群记忆、追逐当前的两个最好位置, 逐步地移到较优的区域, 最终到达整个搜索空间的最好位置。对粒子群进行迭代操作的公式如下[10]:
式中:k表示迭代次数;w是惯性因子;c1、c2是学习因子;r1、r2是区间[0, 1]上的随机数。i代表粒子群i=1, …, L, j代表粒子j=1, …, m, xij表示第i个粒子群第j个粒子的位置变量, pij表示第i个粒子群第j个粒子的个体极值。rand () 是区间[0, 1]上的随机数;S (vij) 是Sigmoid函数, 为了防止饱和, 速度被限制在[-4.0, 4.0]之间。
迭代终止条件为最大迭代次数或粒子群迄今为止搜索到的最优位置满足最小适应值阈值。
2.1 子系统划分
在应用智能优化算法求解问题时, 根据具体问题的特点, 合理划分优化变量, 确定合适的搜索空间, 可以提高算法的搜索效率。本文采用控制理论的分层思想, 将配电网重构问题转化为若干个子系统, 配电网中一个环网对应一个子系统, 每个子系统对应一个粒子群, 用X表示环网的位置向量, 位置向量的维数就是形成环路的所有开关总和。对各子系统单独优化, 以降低求解问题的维数, 并把各子系统优化结果传送到第二层, 在第二层进行各子系统之间相互协调并计算目标函数值。同时把各个子系统的最优值作为当前粒子的个体最优值, 进行第二次粒子群优化, 得到全系统最优解。图1是多粒子群分层优化的示意图。以IEEE 69节点系统为例 (图2所示) , 该系统共有73条支路, 5个环网。当作为一个系统优化时, 解空间为73维, 其中有5个开关断开, 运用粒子群算法优化将产生大量不可行解。采用本文提出的方法, 该系统划分为5个子系统, 每个子系统的维数分别为17 (联络开关69) , 8 (联络开关70) , 24 (联络开关71) , 32 (联络开关72) , 17 (联络开关73) , 每个子系统有一个开关断开, 运用式 (6) 、 (7) 对每个子系统变量进行迭代计算, 当子系统完成一次迭代操作后, 在第二层进行子系统的协调和第二次优化。
2.2 各子系统的协调
在第一层优化过程中, 各个子系统单独优化, 在对个体适应值进行评估时需要从其它粒子群中得到其它环网的开关状态位置解, 并与需要评估的粒子群组成全网的开关状态位置解, 进而计算适应值。粒子群代表的选择方法有随机选择和最优选择[15]。随机选择是从每个粒子群中随机选个体的代表, 优点是既能发挥优秀群体的作用, 又能照顾到占群体较多比例的较差群体, 保证粒子的多样性。最优选择能充分发挥少量优秀群体的作用, 收敛速度快, 但易陷入局部最优[16,17]。本文在第一次优化计算时采用随机选择法, 保证粒子的多样性和较大搜索空间, 第二次优化采用各个粒子群的最优值, 保证收敛速度的快速性。
以一个简单的配电网为例, 假设某配电网含有3个环网, 环路开关数分别为d, e, f。其位置变量分别为X1=[x11, x12, …, x1d], X2=[x21, x22, …, x2e], X3=[x31, x32, …, x3f], 当根据式 (6) 、 (7) 对各个粒子群粒子完成一次迭代后, 需要计算每个粒子的适应值, 这时需要全网的开关状态, 即X=[X1, X2, X3], 在计算粒子群1的适应值时, 选取上一次迭代后粒子群2和粒子群3的随机个体代表X2rand, X3rand参与X1的适应值评估, 即X=[X1, X2rand, X3rand], 粒子群2和3的适应值计算与粒子群1类似[18]。第一次优化计算完后, 可得到每个粒子群的最优适应值为[X1best, X2rand, X3rand], [X1rand, X2best, X3rand], [X1rand, X2rand, X3best], 取每个粒子群的最优适应值作为粒子个体值进行第二次优化, 得到最终优化结果。
2.3 孤岛、环网的处理
配电网重构的目的就是在保证连通性的前提下消除所有的环路, 使目标函数最小。环路的个数就是断开开关的个数, 在消除环路时, 必须保证环网断开和不出现孤岛。以图3为例, 图3是具有两个环路的连通图, 要形成生成树, 必须在两个环路中分别断开一个开关。如果环路1断开B1, 环路2也断开B1, 不能消除环路。如果环路1断开B1, 环路2断开B2, 不仅不能消除环路, 还将产生孤岛。产生上述结果的原因是环路1和环路2断开的开关同时在公共支路上。因此我们只需要在环路2操作时判断与环路1的公共支路是否已存在断开的开关, 如果有则禁止对该公共支路进行断开操作。对于两个环路的重叠解 (公共支路开关) 部分, 以后一环路解代替前一环路。如环路1的解为断开A1, 则B支路开关状态全为1, 如环路2的解为断开B1, 则以环路2的解代替B支路进行适应值计算。
3 算法流程
(1) 初始化。输入网络信息;确定环路个数, 设置粒子群数L, 确定粒子群规模m和算法参数, 即惯性因子、学习因子、速度限值等, 设置最大迭代次数。
(2) 第一层每个粒子群在控制变量变化范围内随机生成m个解, 把位置向量解传送到第二层。
(3) 第二层接收第一层传送的L个位置向量解X, 进行子系统之间的协调, 由式 (1) 计算目标函数值, 取各子系统的最优值进行第二次优化。
(4) 判断迭代结束条件, 满足, 输出结果, 不满足转到 (5) 。
(5) 第一层每个粒子群根据式 (6) 更新粒子的飞行速度, 由式 (7) , 转换到[0, 1]区间上。把位置向量解传送到第二层。转到 (3) 。
4 算例
本文采用的算例分别是IEEE单馈线33节点系统和IEEE单馈线69节点系统。IEEE单馈线33节点系统是一个额定电压为12.66 k V的配电网络, 有33个节点、37条支路、5个环网, 总负荷为3715 k W+j2300 kvar。IEEE单馈线69节点系统是一个额定电压为12.66 k V的配电网络, 有69个节点、73条支路、5个环网, 总负荷为3802.2 k W+j2694.6 kvar[6] (如图2所示) 。
设定粒子群规模m为20, 粒子群个数L为5, 惯性因子w为0.729 8, 学习因子c1、c2为2, 最大迭代次数为100。表1给出了本文算法的计算结果, 从表1可以看出, 通过配电网重构, 系统的网损大为降低, 节点电压质量得到改善, 开关优化结果与文献[6], [14]一致, 说明了本文方法的正确性。
由仿真的适应度进化曲线得出, 本文提出的DHSPSO算法在全局搜索能力上有了明显提高, 避免了单一系统PSO算法易早熟, 陷入局部最优的缺陷。对33节点系统随机计算10次, DHSPSO算法有4次收敛到最优, 单一系统PSO算法没有收敛到最优。DHSPSO算法得到最优结果的最小迭代次数为30次。同样对69节点系统随机计算10次, DHSPSO算法有7次收敛到最优, 单一系统PSO算法没有收敛到最优。DHSPSO算法得到最优结果的最小迭代次数为20次。单一系统PSO算法虽然收敛速度很快, 但陷入了局部最优。图4、图5为69节点系统的适应度进化曲线。
针对69节点系统, 几种不同算法的性能比较如表2所示, 按文献[7]的方法, 运用遗传算法需要迭代300次才得到上述的最优结果;按文献[8]的方法, 运用模拟退火算法需要迭代189次才得到上述的最优结果;按文献[14]的方法, 运用改进Tabu-PSO算法得到最优结果的最少迭代次数为2次。因为本文的核心算法仍是基本PSO算法, 从算法上不如Tabu-PSO优, 文献[14]已做了比较。本文的思想主要是对大规模系统的优化, 如复杂配电网的重构, 采取分层分布式优化的思想把大系统分解为子系统, 对子系统分别进行优化再进行子系统协调得到全系统最优结果。很明显多个子系统并行计算降低了系统的维数, 节约计算时间。
5 结论
分层分布式优化 篇3
FAMA协议于1995年由美国科学家提出,用于无线分组网络,FAMA协议提出的目的是为了更好地解决多址接入冲突避免协议(MACA)中仍然存在的终端隐藏问题,FAMA代表了一类MAC层协议,这种方案分为两个阶段,首先获取信道(通过发出大量的确认数据包),然后就是实际的发送数据包。这样就可以比较有效的避免冲突,因为每次都能保证该信道被分配后能成功传送数据而没有冲突。FAMA是通过延长RTS和CTS控制报文的长度来消除控制报文的冲突,比较好地解决了隐终端问题。FAMA还允许一次RTS-CTS交互成功,结点可发送多个报文,从而增加了网络的吞吐量。FAMA是基于单信道的分布式无线网络信道接入协议中较成功的一种。美军在无线互联网网关(WINGS)中使用的信道接入协议就是FAMA协议,国内已用于宽带数字电台中,但还未对该协议的性能作定性定量分析。
2 FAMA协议的算法机制
FAMA协议的接入过程分两个阶段:首先获取信道的控制权(FLOOR)(通过发出大量的控制包),然后就是实际的发送数据包。所谓“FLOOR”捕获,是指有数据发送的站点在发送数据前,先要获得接收方周围的信道控制权,这样可以确保传送数据包时不会被碰撞。为了确保FLOOR捕获成功,CTS信号持续时间必须比RTS信号持续时间长,这样才能保证来自接收端的CTS信号足够长,让跟发送端互为隐藏的终端收到这个禁止发送的信号。虽然诸如MACA,IEEE802.11 DFWMAC,MACAW等协议均采用了RTS/CTS握手协议来解决CSMA中的隐藏终端问题,但是我们可以很容易就用例子来显示它们并不能很好解决隐藏终端问题,而会在发送DATA期间,产生碰撞。
FAMA协议中的“CTS Dominance”运行机制如下:站点B发送CTS期间,站点A也试图发送RTS获取信道。A可以比CTS发送晚T秒,否则A就可以听到CTS信号。T的最大值就是CTS在空气中的传播时间。因为CTS持续时间大于RTS长度加发送接收转换时间(终端从发送完毕再转换到接收状态准备侦听信道所需时间),A发完RTS后就能够侦听到信道有噪声,从而主动选择退避。另一方面,A开始发送RTS的时刻可以比B开始发CTS的时刻早T秒,因为如果超过T秒,B就会侦听到RTS,而不会发送CTS。在这种情况,CTS到达A点的时刻比发RTS的时刻晚2T秒,此时由于CTS长,A同样可以听到信道有噪声选择退避。
3 FAMA-NCS协议的实现过程
FAMA-NCS协议的具体实现过程是:已初始化的用户站必须等待段时间,这个时间为在信道上发送最长信息包所花的时间以及在整个信道上的来回时间之和,它使任意一个正在接收数据包的相邻站顺利完成接收。这个初始化时间也使该用户站能了解进行中的无线信道信息传输情况,如果在初始化时间内没有检测到载波,用户站便转向无源(PASSIVE)状态,否则转向远端(REMOTE)状态。如果初始化正确(如,没有信息包发送,又侦听到空闲信道),用户站才能处于无源(PASSIVE)状态。在所有其它状态下,用户站必须用一段时间侦听信道,足以让相邻站有时间完成数据接收。处于PASSIVE状态,并侦听到载波的用户站转向REMOTE状态。另一方面,在PASSIVE状态下,收到信息包准备发送时,用户站必须发出一个请求发送的信号(RTS)然后转向RTS状态,发送信息的用户站须等足够长时间让对方发回CTS信号。如果在允许时间没有收到CTS,发送转向BACKOFF状态。如果发送者在发出RTS后听到信道上有噪音,假定与相邻的RTS相碰撞,那么须等足够长时间,让相邻站接收最大长度的数据包。也就是说,收到CTS以后,发送者才发送自己的数据包,由于CTS在发送端会被污染,所以一旦目标用户站发出自己的CTS,它只需等最长的来回时间,侦听源台发出的数据包首部。如在规定的时间内没有收到,则目的站用户转向BACKOFF状态或转向PASSIVE状态。
对于各站点侦听到信道忙时,根据不同情况采取不同退避时间,具体做法如下:
1)当侦听到非本站的RTS信号后,站点必须等足够长时间让目的站点发送给源站点CTS信号。
2)听到非本站的CTS信号后,站点必须等足够长时间让其它站点接收数据包。
3)当侦听到DATA信号后,也需要等待一个时间,让目的站点处理数据。
4)当侦听到噪声(控制包碰撞了)后,等待数据要足够长,使得其它站点能够在此时间内接收到最大数据包。
为了提高信道的利用率,一个站点成功获取FLOOR后,可以动态地发送多个数据包,发送个数可以设置一个最大限额,这就是所谓的包序列发送,使用一个简单的握手机制就可以支持包序列的发送。当有多个数据包要发送时,在DATA数据帧中,增加一个“MORE”标志位,当目的站点接收到DATA帧,要查看“MORE"标志位,如果置位了,就立即返回一个CTS,用以通知周围站点发送者还有数据要发送,请它们继续推延发送。如果没有置位,就不用返回CTS.
4 FAMA协议在分层分布式无线网络中的应用
FAMA协议非常适用于单信道网络。对于平面结构的全分布式网络,就是单信道网络。而当网络的规模增大时,需要采用分层分布式网络。分层分布式网络往往是多信道网络。我们来看一下FAMA协议在双层分布式网络中的应用。在双层分布式无线网络中,经常采用如下信道分配方案:1)Fl频率用于控制信道;2)F2频率用于群首间的数据通信;3)F3频率用于群成员间的数据通信。美军在其战术互联网中使用近期数字电台就是采用该方案。因此需要将FAMA协议进行修改才能实现此方案。
在分层分布式网络中修改的FAMA协议如下:公共F1信道发送RTS控制包,来建立数据包发送的信道申请。RTS控制包包含申请数据发送采用的数据信道。CTS包响应RTS包,DATA包和CTS包均在数据信道发送。RTS-CTS握手成功就可以发送DATA。
对于分层分布式移动无线网络,隐藏终端问题不可避免,采用发送包序列的FAMA-NCS协议可以得到更好的吞吐量。对比802.11的MAC层协议和修改的FAMA协议,两者均使用RTS/CTS协议、载波侦听机制,它们的不同之处是802.11使用了分布式协调算法(DCF),而修改的FAMA协议使用长一点的CTS控制包来控制信道使用权的获得。所以,修改的FAMA方案的存在着CTS的错误探测缺点。在数据分组传输期间,侦听冲突分组载波的节点必须保持静默,即便冲突是RTS报文造成也是如此。这样一来,共享信道就因空闲而被浪费掉了。CTS的错误探测导致了共享信道的不必要的长时间空闲,降低了信道的吞吐量。而修改的FAMA协议使用包序列方式就可以大大提高性能,在重负载或包到达比较密集时,使用包序列的修改的FAMA协议的性能远远超过802.11,所以在重负载或包达到比较密集时,采用发送包序列方式可以大大提高网络性能,可以在分层分布式无线网络中推广使用。
5 结论
FAMA协议于1995年由美国科学家提出,用于无线分组网络,解决隐藏终端问题,是一种用于分布式无线网络的随机接入协议。FAMA协议是美军在1997年研制的无线互联网关(WING)中使用的MAC协议。本文研究了FAMA协议在分层分布式无线网络中的应用,阐述了FAMA协议的算法机制和实现过程。
参考文献
[1]潭齐.分组无线网的介质访问控制分析及220B的MAC协议仿真[D].西南交通大学硕士论文,2003.
[2]张文柱,李建东,刘凯.UPMA协议在多跳分布式无线网络中的性能研究[J].西安电子科技大学学报(自然科学版),2002,29(2).
[3]YOUSEFI Saleh,FATHY Mahmood,BENSLIMANE Abderrahim.Performance of beacon safety message dissemination in Vehicular Ad hoc NETworks(VANETs)[J].Journal of Zhejiang University(Science A:An International Applied Physics&Engineering Journal),2007,(12).
[4]翟秋生,任庭熹.Ad Hoc网络802.11DCF性能分析[J].微计算机信息,2007,(33).
[5]冯军焕,范平志.移动Ad hoc网络改进型FAMA多址接入协议[J].计算机应用研究,2007,(12):342-344.
分层分布式优化 篇4
泵站自动化改造是利用现代科学技术提高泵站现代化管理水平的重要举措。近年来, 综合自动化系统正广泛应用于我国水利工程的各个领域, 在实现水利工程科学化、现代化管理的过程中起到积极的作用。
陕甘宁盐环定扬黄续建工程共用工程12座泵站的机组控制方式均为常规的手动就地控制, 各泵站不具备流量自动调节功能运行效率低、耗能大, 泵站间的调度不具有实时性, 造成频繁开停机、级间弃水等现象, 十分浪费国家的宝贵电能。
为提高泵站管理的科学化、信息化水平, 确保工程安全运行, 采用分层分布式结构的自动化监控系统, 实现1号～12号泵站的以微机保护、自动测量、远程控制和远程视频监控为核心的全线综合自动化调度系统, 同时, 泵站的节能是泵站经济运行至关重要, 对其进行优化调度是节约能源并发挥泵站工程最大效益的有效途径。因此, 盐环定泵站改造采用优化调度的“动态规划法”[4], 以总能耗最低为目标进行泵站改造。
2 综合自动化控制系统结构设计
泵站自动化监控系统以“先进实用、安全可靠”为总体设计目标, 主要任务是实现基于遥控、遥信、遥测、遥视的水泵机组自动控制、水位自动测报, 水闸自动控制、干渠流量监控、监视系统、良好的系统监控软件、连接上级调度中心等目标。整个系统采用分层分布式结构的自动化监控系统, 以保证系统有较高的安全性及可靠性。
2.1 分层分布式监控的特点[5]
分层分布式监控系统就是将自动化监控系统分成独立的单元和层次, 每个监控节点都是一个相对独立的单元, 各单元都分别直接与上层的上机位工作站或数据服务器通信, 实现了真正意义上的分布式监控, 与一般监控系统相比, 减少了系统中的MCU/DAU 环节, 使得某个节点一旦发生故障, 只会丢失一个数据, 而不会涉及整个系统的数据采集与自动控制, 将影响降低到最小。
分层分布式监控系统具备高效可靠的顺控流程、物理量数据采集、设备自动调节和实时控制、实时图像监视、完备的报警处理、数据管理与分析、人机接口与可扩展性、网络服务与远程控制等功能, 可保障水利设施的安全、高效运行。
2.2 基于分层分布式监控的泵站自动化系统结构
在本次建设中, 根据泵站的实际情况及监控目标, 分层分布式监控系统控制权限分为三层, 分别是:泵站内LCU现地控制、泵站站控级控制和调度中心控制。
在吴忠市盐环定扬黄管理处设立调度控制中心1座, 在惠安堡设立流量监测中心1座, 在各泵站设立站级控制中心共12座, 在渠系分水口/斗口处设立水量监测点16个。在各泵站对自动化测控设备进行改造完善和增设, 新建泵站LCU现地控制单元和站级控制系统, 视频监控系统, 并通过新建SDH光纤通讯网与调度控制中心连通, 实现对12座泵站的远程调度、监测和控制。各渠系水位监测点数据通过光纤通讯网传至就近泵站, 然后送至调度中心, 实现对14处渠系分水口/斗口实现水位监测和水量计算。泵站整体系统结构图如图1所示。图2是泵站的系统结构图。
(1) 调度中心远端管理/调度网络与各泵站站控级控制/管理网络之间的通讯连接通过SDH光纤环网以TCP/IP方式实现;
(2) 各泵站站控级控制/管理网络和各泵站内LCU现地控制单元之间的通讯连接, 通过网络交换机以TCP/IP方式连接;
(3) 泵站内LCU现地控制单元与前端测量/执行设备通过模拟量、开关量信号线缆连接;
(4) 在泵站建设视频服务器, 通过在SDH光纤环网内单独设立2M带宽, 通过光纤环网进入管理处调度中心。
2.2.1 LCU现地控制
各泵站站内机组设备均具有遥控与手动操作功能, 现地手动操作为最高优先级, 主要高压配电装置柜、重要的水泵出水液控阀门多在就地保护屏 (箱) 手动操作, 水工公用系统设备多在站级集中式的LCU (现地控制单元) 屏上操作。所有允许手动操作的间隔层设备、单元二次系统设计功能完善可靠, 配有运行方式选择切换开关 (SA-自动/手动) 及控制开关 (KK) 按钮及信号灯。当处于现地控制模式时, 操作人员可以根据工艺情况直接对设备进行启停的操作。该控制方式作为一种后备方式存在, 但有最高的优先权。当各设备电控盘上控制方式处于现地操作时, 上级的控制干预将被屏蔽。
现地级测控单元主要实现数据采集与处理、显示监视、控制调节、通信控制等功能。
2.2.2 泵站站控级控制
各泵站站控级控制是由泵站内站级计算机监控系统对本站设备控制的模式, 能够监测全站信号量、测量值等实时工况及运行参数, 执行和记录调度员发出的本站设备调节及控制命令信息。站级控制系统由监控计算机、LCU控制盘、现场测控保护单元及仪表、网络设备及软件组成, 既可接受调度中心主控级指令, 又可在站级操作, 当调度中心系统设置成“站级控制”模式或调度中心系统失效时, 闭锁主控级控制指令, 但不影响上送信息。
2.2.3 调度中心控制
调度中心控制是对系统远程调度的方式, 能够监测各泵站、分水闸、干渠流量监测点的信号量、测量值等实时工况及运行参数, 执行和记录中心调度员工作站发出的各泵站设备调节及控制命令信息, 还可以根据渠道中的水量、流量以及各个泵站的运行情况协调控制相关泵站泵组的运行和起停, 并对各泵站设备的运行状况进行统计、诊断等。
调度中心远程控制系统包括监控主机、服务器、路由交换机、GPS、打印机、UPS、网络机柜、组态软件、数据库软件、远程监控软件、安全防护软件等, 并配有DLP大屏幕, 可形象的显示供水系统全流程的工艺和参数。在工况允许的情况下, 调度中心控制层上位机上可以直接对有关设备进行操作, 实现远程集中控制。根据采集的信息, 上位机可以建立各类信息数据库并对各类工艺参数值做出趋势曲线 (含历史数据) , 供调度员分析比较, 改进管理方法, 提高经济效益。
主控级主要实现数据采集、数据处理、监视、控制、经济运行、记录与打印、运行管理、系统诊断、仿真操作、软件开发、具有操作票功能、具有自恢复功能等功能。
3 自控系统通信方式
3.1 站级控制系统与调度中心通信
站级控制系统与调度中心的通讯通过TCP/IP方式完成。
系统正常运行时, 全站信号量、测量值等实时工况及运行参数均由站级控制系统转发至调度中心服务器, 站级控制系统接受并记录各种调度中心调度员工作站发出的本站设备调节及控制命令信息;当站级控制系统工作站故障离线时, 以上信息由调度中心服务器直接从本站通讯服务器取得。
传输量应能满足本站无人值班的要求。通讯规约由调度中心提供, 通信通道按SDH上两个 E1信道 (一个E1为2.048M链路) 设计, 并能完成自动热备切换。
3.2 泵站内部通信网络
泵站综合自动监控系统内部由总线网连接各设备, 采用通讯服务器汇集和转发, 完成实时数据采集、操作控制命令传送、通信诊断等功能。
泵站内部通信网络为覆盖变电所主变保护装置、变电所主变测控装置、站内6 kV高压开关柜 (电动机、厂变等) 保护测控装置、同步电机励磁屏 (二泵站) 、温度巡检仪、机组LCU装置、公用LCU装置、流量计和直流屏的通信网络。
各通讯链路均通过通信服务器、以太网交换机汇总后以以太网方式与泵站内工业控制计算机和调度中心服务器进行通信。
4 泵站调度方法优化
为提高泵站运行效率, 达到经济运行目的, 运用数学手段找到最优运行组合, 对机组运行进行合理优化调度, 使梯级泵站系统能耗最小。在本次泵站改造中, 将引入“动态规划法”[4]优化调度, 发挥泵站工程的最大效益。
4.1站内机组优化运行的动态规划数学模型及其求解
泵站采用不同型号机组进行调节, 同一扬程下, 机组组合不同, 水泵的流量、功率、效率等参数亦不同。因此, 在某一扬程和流量工况下, 泵站机组运行台数、机组型号可有若干种不同组合, 对应总功率也不同, 但必存在最经济运行组合。
4.1.1 数学模型的建立
机组在运行时每台水泵的功率:
式中:P为水泵功率, kW;γ为水溶重, kN/m3, γ=9 800 N/m3;Q为水泵流量, m3/s;H为水泵净扬程, m;ηsy为泵站装置效率, %;η1为电动机的效率, %;η为传动装置的效率, %, 直接传动为100%;η3为管道的效率, %, 为Hj/Hsy;η4为进、出水池的效率, %, 约等于100%;η5为水泵的效率, %。
对于机组叶片均为不可调节的泵站来说, 由于流量不可调节, 各运行机组的流量之和很难恰好满足所需流量的要求, 同时各级泵站的弃水量和渠道损失水量最终都将反映到泵站的抽水费用上, 所以选择抽取单位水量的耗能量最小作为评价指标。
目标函数:
式中:e为抽取单位水利耗能量, kWh·m/m3;k为实际开机台数, 台;Hi为第i台水泵工作扬程, m;qi为第i台水泵工作流量, m3/s;ηsyi为i台水泵装置效率, %。
4.1.2 数学模型的求解
按泵站内管道分布的空间特征, 将各管道分为一系列阶段, 设干管数为M:
阶段变量:第i干管, i=1, 2, …, M;
状态变量:第i管道到第一管道的累计开机台数;
决策变量:第i管道的开机台数;
代价变量:第i管道决策为 时的功率, kW。
状态转移方程:第一管道到第i+1管道的累计开机台数减去第i+1管道的开机台数即为第一管道到第i管道的累计开机台数。
目标函数转移方程:
式中:ei (xi) 为当第i管道状态为xi时, 末管道到第i管道的累计功率, kW;gi (di) 为第i管道决策为di时的功率, kW;e*i+1 (xi+1) 为当第i管道状态为xi+1时, 末管道到第i管道的累计最优功率, kW。
4.1.3 约束条件
(1) 边界约束:
各管道累计开机台数为泵站中开机台数。
式中:Z为泵站总开机台数。
(2) 水泵性能曲线约束:
(3) 状态约束:
当第i+1阶段到末阶段均为最大决策时, 第i阶段状态为最小;当第i阶段到第一阶段均为最大决策时, 第i阶段状态为最大。
当泵站的开机台数确定以后, 状态变量的范围也随之确定。
(4) 决策约束:
各阶段的决策不得大于各阶段的最大决策, 且不得大于该阶段的状态;各阶段的最小决策不得小于0, 且不得小于当其他各阶段均为最大决策时该阶段的决策。
(5) 流量约束:
各管道所开机组的总流量不得小于所需提取的流量;
对于级间无分水的梯级泵站, 除末级外, 各级泵站均要为它的下一级泵站供水, 考虑到输水渠道中的水量损失, 上、下级泵站之间流量应满足如下条件:
式中:Qi为第i泵站的流量, m3/s;Qi+1为第i+1泵站的流量, m3/s。
(6) 开机台数约束:
所开机组台数不大于泵站机组装机总台数, 即:
4.2 运行结果分析
将盐环定2008年春、夏、秋、冬灌各级泵站实际引水量、分水流量和能源单耗列表如表1所示。
万m3
优化调度后运行结果及比较:
表1-表5的结果 (优化百分比) 表明, 对泵站来说, 用动态规划法模型优化调度方案, 节能效果仍十分显著。
5 结 语
通过分层分布式监控系统在盐环定12座泵站的应用, 有效提高了泵站管理的综合自动化水平, 有效提高了泵站抗旱、排涝的运行稳定性、可靠性、经济性。同时, 对解决沿线水资源严重不足、改善群众健康状况、促进生态环境建设、移民扶贫开发、区域经济发展和维护老区稳定和谐发展具有重要意义, 揭开了新的发展篇章。
摘要：通过对陕甘宁盐环定扬黄续建工程共用工程12座泵站计算机监控系统的结构、功能以及通讯方式的介绍, 分析了分层分布式自动化技术在大中型泵站的实际应用并采用泵站优化控制算法对扬水泵站运行优化, 提高供水系统的工作效率和工作质量。该系统采用全计算机监控方式, 自动化程度高、性能完备、实时性强、可靠性高, 能较好地满足泵站智能化、远程化的运行管理需要。
关键词：分层分布式监控,综合自动化,泵站,动态规划,优化调度
参考文献
[1]台方.可编程序控制器应用教程[M].北京:中国水利水电出版社, 2001.
[2]石义华.泵站电气设备及其自动化[M].武汉:武汉水利电力大学出版社, 1995.
[3]何小阳.计算机监控原理及技术[M].重庆:重庆大学出版社, 2003.
[4]徐维晖, 刘清欣, 胡孟.用“动态规划法”优化调度体积泵站机组[J].陕西工学院学报, 2004, 20 (3) .
分层分布式优化 篇5
1 卧虎山水库中水质分布特征
天然河流水质主要会受到流域气候、附近植被、人为污染以及当地地质条件这四方面的影响。水库在成功蓄水之后会形成比较大的水域, 水域在太阳直接照射等多元化因素下, 会直接导致蓄水物理、生物及化学方面的变化, 从而引起水库水质分层。卧虎山当地水库存在水温分层、浑水长期化以及化学分层与微生物分层。
1.1 水温
通常情况下, 在温暖的季节中, 日照比较强, 环境整体温度高, 所以水体表面会吸收比较多的太阳辐射, 导致表面温度高而深层的水的温度比较低, 从而形成比较明显的温度层。当水库当中的水离开水库之后, 沿线的水流将会产生比较明显的温度变化, 并且因为水库中的水比较多, 所以水库中低温水的温度回升速度比较慢。采取深层取水的方式, 会直接影响到出水的温度, 水温较低的时候, 粮食作物会受到温度的影响, 吸肥能力变差, 整体产量降低。
1.2 溶解氧分层
水库当中的溶解氧以及表层水会在风浪的影响下形成均匀的掺混, 并且和藻类作物进行光合作用。水库深水层中含有的溶解氧主要是因为天然植被在水库中不断腐烂, 以及水中生物不断消耗氧气而成的, 水库底部的光照情况比较差, 所以深层水中的植物不能进行光合作用, 所以产生的氧气比较少, 最终影响到水库中氧气含量。
1.3 生物化学分层
在水库深水层当中溶解氧的含量无限接近于零的时候, 就会形成还原环境, 并且水库自身的化学特性也会发生一定的变化。深水层中比较缺氧, 所以一些容易被氧化的物质就会存在于深水层中。氧化还原电位从根本上降低了从渗水底部释放出的锰和铁这两种物质, 大部分水层当中会含有浓度比较高的磷酸盐以及硫化氢等物质, 在情况比较严重的水库中, 会存在有机质分解的情况, 释放出甲烷、硫化氢等物质, 产生气味。
1.4 富营养
富营养化的产生主要是因为水生物生长的过于繁茂, 导致水质持续恶化的一种现象。富营养化时常出现于分层水库中, 春夏交接的季节, 水层表面的浮游生物会不断的繁殖, 有时候会在水中形成水华。浮游生物在死亡过后会被氧化分解, 该情况会消耗掉存在于水库底层的溶解氧, 让水库底层出现极度缺氧的状态, 从而产生大量硫化氢, 从底部的淤泥中分解出一部分营养物质与重金属物质, 这些物质在冷却期中不会产生对立的现象, 在水库当中不断扩散, 提升了分层水库自身营养化水平。
1.5 浑水长期化
浑水长期化现象对于城市用水以及农作物种植方面都会带来巨大的危害, 属于水库中比较常见的问题。水库的浑水动态和水利w水温结构存在着比较密切的关系, 并且水库中水的流动形态也会对其产生一定的影响。入流的浑水通常会以高密度的形式进入到水库中, 所以为了避免这种情况的发生, 可以使用混度密度分层特性, 对水库中不同的高程使用取水口对其分层取水或者防水, 以此降低下游合川浑水的时间, 并且也可以促进悬浊物质尽快沉降。
2 分层取水必要性
1) 根据对水库多年的检测分析结果, 可以认识到水库悬浮杂质的沉淀是可以分享的, 水库有时会产生上清下浊的情况, 但是底层自身的浓度并不高, 而且悬浮颗粒的直径比较小, 通常情况下处于胶体的状态, 影响水处理。
2) 底层水温低于同期河水或水库上层水温, 水温低于离子扩散慢, 凝聚作用降低, 水温小于10~15度时生成氢氧化铝絮体呈松散状, 而表层水的水温高, 相对比底层水形成的絮体致密, 沉降速度快, 此时适于表层取水。
3) 浮游生物高低值区域是按照季节进行分布的, 因为浮游生物自身不会出现下沉的情况, 在水库中占据优势的直链藻、星杆藻、脆杆藻等的大部分是几十个单细胞缀联成群体, 体长达几十到几百微米, 浮游动物体长达0.5mm~1.5mm, 有的藻类的粘壁作用, 使表层滤料很快堵塞并在过滤料表面形成一种滤膜, 并且这种滤膜很难用水进行冲洗, 导致滤料截污能力比较差, 部分情况下池壁上会粘附一些粘稠物体, 容易让滤料发生结板的情况。
4) 根据对卧虎山水库多年来取水的结果进行检验发现, 平均每年从水库的底层中取出的水, 日浑浊度要超过50度。上下水层浊度相差很多, 如能因时制宜采用分层取水就可以取到较好的原水, 这样会减轻水厂水处理工艺上的负担, 从而提升水库水质, 所以想要实现分层取水, 就必须要修建水塔, 实特别是自水库2009年除险加固以来, 水库自身的调节能力不断增强, 并且水库中的水量有一定程度的增加, 库存水量增加量明显, 水位有所提高, 并且水库自然沉淀的时间边长, 上层的澄清度也会随之变高, 为水库分层取水提供了条件。
4 结论
分层分布式优化 篇6
目前, 电力系统自动化领域广泛使用的技术有计算机技术、信息技术、多媒体技术和智能控制技术等。变电站综合自动化系统中的一些二次设备如控制心、信号、测量、保护、自动装置和远动装置现在已被计算机控制、网络、数据库以及现代通信等技术所代替。通过功能组合以及优化设计, 对变电站进行自动监视、测量、控制等, 从而提高变电站的运行效率和管理水平。按照设计思想, 变电站综合自动化系统的体系结构可分为集中式、分布式和分层式。变电站综合自动化系统被广泛应用, 特别是分层分布式综合自动化系统不断地完善并走向成熟。本文主要分析了基层分层分布模式的变电站综合自动化系统的一些问题。
1 分层分布式变电站综合自动化系统的分析
1.1 分层分布式的网络结构
变电站综合自动化系统从整体结构上可以分为三个层次, 即网络层、间隔层和变电站层 (如图1所示) 。
网络层是连接变电站层和间隔层的通道, 该层能够搜索各综合设备的上传信息, 并可以通过分析上传的信息下达一些控制命令和定值参数。间隔层是系统和一次设备的接口, 它把模拟量、开关量进行数字化, 上传保护信息和测量信息, 还能够接受控制命令的定值参数。变电站层完成的主要任务是向下与站内的通信网相连, 能够让整个变电站的信息录入数据库并送至调度中心, 从而实现远方通信的功能。变电站层还能够通过较好的人机界面和较强的数据处理功能实现就地控制和监视功能, 提供了良好的接口。
变电站综合自动化系统的各种功能的实现是由独立的设备块来完成的。这些设备是自成体系的, 能够脱离综合自动系统完成自己的功能。而综合自动化系统的综合性主要是由后台综合处理设备上, 这些综合设备通过现场总线或者是以太网与功能独立的设备完成数据交换, 进而处理各种信息。如当地的显示、打印、数据远传、故障处理和执行命令等功能。该结构比较显著的特点就是单项功能可以互不影响、保持独立, 不因某些其它功能故障而影响的系统运行。此外, 还可以使在线数据易于入网, 网上独立的主站均可以作为一个工作站使用, 而且对变电站综合系统的运行不会有太大的影响。其不足之处就是对信息的采集可能会存在重复现象。
1.2 分层分布式的连接方式
1.2.1 间隔层间的连接
现在国内通常采用的链接方式主要有:RS-232标准、RS-485标准、总线技术和以太网技术。其中比较可靠的连接方式是现场总线技术和切换以太网技术。以太网传输的优点就是能较快地传输数据包, 由于间隔层的通信信息量是有限的, 不能发挥以太网的优势。而光纤和双绞线作为介质时的通信率完全能满足间隔层的通信要求。此外, 以太网接口设备是比较复杂的, 工作量会很大, 而现场总线无需接口设备, 而且在网络元器件上比较简单。因此, 利用总线较为经济实惠。所以, 间隔层采用现场总线作为通信方式较合理, 也适合我国国情。
1.2.2 变电站层与间隔层的连接方式
首先, 可以用通信总线接口连接, 使用不同的配置, 获得了各种分段方案, 每个方案有一定数目的节点。该链接方式较简单且运行可靠, 设备间平等, 互不影响。其缺点就是分段有限, 当站内信息量大时, 会影响数据传输。其次, 可以使用网关或管理机连接变电站层和间隔层。此方式简单, 在网关可以实现控制;但缺点是网关的设置会使节点不平等, 影响运行可靠性, 且网关的数量也是受限制的, 当进行大规模数据传输时, 会受到不利影响。再次, 可以在每个间隔层中设置嵌入式的以太网, 这样间隔就可以作为以太网的节点, 从而实现变电站层和间隔层的连接。
1.2.3 变电站层间的连接
在变电站综合自动化系统中, 变电站层的设备不仅要完成各自的功能, 还要建一个数据库, 该数据库是通过软总线来实现的。在该数据库的基础上建立各种高级的应用并实现资源的共享和设备监视。目前采用以太网, 利用广域网接口, 在达到标准的前提下就可以实现互联。
2 分层分布模式的变电站综合自动化系统的优越性
分层分布式结构的变电站综合自动化系统的优点主要有以下几点:
第一, 变电站的二次部分的装置得到了简化, 这样就减小了控制室的面积。配电线路中的保护单元和测试单元都是分散地安装在各个开关柜里面, 在主控室里就减少了几面保护屏, 又因为系统为综合自动化系统, 就可以取消常规的控制屏、中央信号屏及站内模拟屏, 这样就大大缩小了主控制室面积, 有利于无人值班的实施。
第二, 施工和设备安装工程量相应减少。保护单元和测量单元在开关柜还未出厂前就已经由厂家安装并调试完毕, 又因为敷设的电缆数量较以前也大大减少, 由于安装在开关柜的保护和测控单元在开关柜出厂前已经由厂家安装和调试安毕, 再加上敷设电缆的数量大大减少, 所以, 缩短了现场的施工、安装和调试的工期。
第三, 变电站二次设备之间的互联线得以简化, 从而可以减少大量的连接电缆。
第四, 分层分布式结构可靠性高, 组态灵活, 检修方便。由于分层分布式结构的安装是分散的, 可以使得TA和负担减少。因为各模块与监控主机之间的连接是由局域网网络或者是现场总线来实现的, 因而可以提高抗干扰能力及可靠性。
上述几点都可以说明采用分层分布式的结构体系可以减少总的投资, 该结构应该是变电站综合自动化系统的发展趋势。
3 分层分布模式的变电站综合自动化系统中一体化模块的类型
现在很多厂家和单位生产变电站综合自动化系统, 其一体化模块结构当然会有所不同。根据系统配置和原理, 可以分为以下三种类型:
(l) 数据完全共享型。所谓数据完全共享型就是指继电器需要输入信息和测量信息, 这两种信息是共享的, 也就是说这些信息来自同一个电流互感器TA和同一个电压互感器TV。该类型的优点主要有:保护和测量可以在同一个CPU下进行, 也可以用相同的模拟量通道。也就是说, 同一个功能单元不仅可以完成保护功能而且还可以完成测量功能, 这样可以使体积减小, 降低了造价成本。不过该类型还存在着精确度不够高的缺点。其原因是大多数的变电站安装的是两种不同类型 (保护TA和测量TA) 的电流互感器, 由于保护TA要求它通过大电流是要具有较好的线性度, 所以, 当有小电流作用时, 准确度就不能够很好的得到保证。而测量TA的要求是在正常负荷的条件下, 要保证计量的准确度就必须有较好的线性度;当短路电流经过时, 它们已经饱和, 当进行统一保护和测量的模拟量时, 智能将电流的采样选择接在保护TA上, 这样测量的准确度必定会受到影响。
(2) 数据独立处理型。数据独立处理型与数据完全共享型具有共有的特点。其主要的区别是保护和测量的数据采集有差异, 保护数据和测量数据的采集分别由不同的模拟量输入通道负担, 然后再取自保护TA和测量TA信号, 这样, 可以克服共用时的矛盾。保护和测量可以共享开关状态的信息, 这样不仅能够保证测量的精度, 还能够保持一体化模块的特点。现在使用的数据独立处理型综合保护单元主要有两种, 一种是用硬件来配置的, 具有较好的可靠性, 不过存在着成本高、体积大的缺点。另一种就是保护和测量是用同一个CPU, 但是在进行电流采样时, 要取自不同的TA和不同的模拟通道。
(3) 保护和测量完全独立型。该类型的硬件配置是两个完全独立的装置, 因为保护单元和测量单元是单独运行、完全分开的。在这样的条件下, 每一个配电线路的开关柜或电熔开关柜都要安装装置进行保护。同时, 还要装RTU单元, 然后再用双绞线或者是光缆连接保护装置或RTU单元, 这样, 各种装置都是独立运行的, 互不影响。该结构有较好的可靠性, 不过相对于前两种投资要大一些。
摘要：详细分析了基层分层分布模式的变电站综合自动化系统的网络结构以及每一结构层之间的连接方式, 介绍了基层分层分布模式在变电站综合自动化系统中所占的优势, 描述了三种类型的变电站综合自动化系统中常用的一体化模块。
关键词：分层分布,综合自动化,网络结构,连接方式
参考文献
[1]傅惠琴.周关华.分层分布式变电站综合自动化系统中几个问题的探讨[J].浙江电力, 2003, (4) .
[2]蒋年德.魏育成.变电站综合自动化系统体系结构研究[J].电网技术, 2003, 27 (10) .
[3]杨奇逊.变电站综合自动化技术发展趋势[J].电力系统自动化, 1995, 19 (10) :7-9.
[4]王明俊.发展中的配电自动化系统[J].电力自动化设备, 1999, 19 (3) :1-4.
分层分布式优化 篇7
近年来我国烧结矿质量逐步提升, 产量剧增, 能耗逐年下降, 2009年我国烧结矿转鼓指数、产量和工序能耗分别为75.87%、3.87亿吨和57.31kg/t[1]。众多学者分别围绕烧结生产目标质量、产量和能耗等展开优化研究。文献[2]通过建立径向基神经网络-遗传算法 (RBF-GA) 的烧结能耗与优化模型对烧结工序能耗进行优化研究;文献[3]提出了一种基于模糊满意度的目标优化控制方法, 对烧结过程中烧结终点和混合料槽位两个关键参数进行综合优化;文献[4]通过因果分析法与层次分析法相结合的方法, 确定了提高烧结机作业率和台时产量两个因素来提高烧结矿产量。以上研究主要针对烧结单一目标的优化研究, 缺少对烧结生产质量、产量和能耗等多目标全局整体优化研究。
烧结生产质量、产量和能耗整体优化是一个典型的多目标优化问题, 目标之间相互冲突和影响, 多个目标同时达到最优值是不可能的, 需要对其进行协调和折中处理, 以获得整体最优效果[5,6]。随着企业对生产过程资源消耗和环境排放要求的提高, 需要建立一种针对烧结生产质量、产量和能耗等目标的集成优化目标模型。本文提出了一种以烧结矿质量、产量和能耗为综合生产目标的整体分层优化模型。该模型分析了烧结矿生产目标的影响因素, 运用神BP神经网络和遗传算法建立烧结矿质量、产量和能耗的分层优化模型, 在此基础上建立烧结矿生产过程多目标优化模型。通过数学算法与生产实际结合对烧结生产进行系统的分析和优化, 实现烧结综合生产目标整体优化。
1 烧结多目标分层优化框架
烧结生产需要综合考虑质量、产量和能耗三大目标, 烧结厂关注的综合生产目标为:在烧结矿质量满足炼铁要求的前提下, 使得烧结矿的产量最大、烧结矿能耗最小。烧结生产是一个涉及复杂的传热、传质和物理化学反应的工业生产过程, 其输入输出参数多、参数间相互作用机理复杂, 同时生产具有时滞性等特点, 难以直接通过调整几个操作参数来达到综合生产目标。在此, 本文采用了一种分层优化的方法, 将烧结多目标优化划分为综合生产目标优化级、局部子过程优化级以及人工协调优化级三个层级优化, 其框架如图1所示。
综合生产目标优化级, 应用主成分分析法 (PCA) 和灰色关联分析法 (GRA) 分别找出烧结矿质量、产量和能耗的主要影响因素, 将这些主要影响因素分别作为烧结矿质量预测模型、产量模型和能耗模型的输入参数, 建立烧结矿质量预测模型、烧结矿产量模型以及烧结矿能耗模型。
在上述三个模型基础上, 以产量最大、能耗最小为目标, 以烧结矿质量以及生产过程相关参数的边界为约束, 并以局部子过程生产目标优化级中各子过程的局部优化目标为决策变量, 建立烧结生产过程多目标优化模型, 通过相应的多目标优化算法求解优化解集。局部子过程生产目标优化级, 将烧结生产系统分为原料准备系统、点火烧结系统、烧结矿处理系统等, 通过分析确定混料粒度、点火温度、机速和冷却时间为局部子过程优化的目标参数。混料粒度、点火温度、机速和冷却时间作为局部子过程优化目标, 是通过与综合生产目标建立关联优化模型, 通过关联模型获取局部子过程优化目标的解集。
人工协调优化级, 由于在上述多目标优化模型中, 只是选取部分工艺参数作为模型的输入参数, 且相关模型的求解过程中可能出现样本容量不够情况, 因此模型优化结果与实际生产数据间可能存在一定的误差, 故可将模型优化结果与实际生产数据相结合进行人工协调优化, 以取得更好的优化效果。
2 烧结生产多目标分层优化模型
2.1 模型输入参数的确定
烧结矿质量通常用物理性能、冶金性能和化学成分三类质量指标来表征, 包括转鼓指数、抗磨指数、筛分指数、低温还原粉化性、还原度、Fe O含量、S含量等。烧结矿质量的影响因素包括抽风压力、有效抽风量、混料粒度、点火温度、冷却时间、机速和配料质量指标, 其中配料质量指标又包含TFe含量、Fe O含量、Ca O含量、Mg O含量、Si O2含量、Al2O3含量、S含量、P含量、水分含量、碱度等。烧结矿质量及质量影响因素指标体系中指标数目众多, 且存在一定关联关系, 需要对其进行处理作为模型的输入和输出变量, 以降低模型的复杂性和优化结果的精确性。主成分分析法 (PCA) 通过变量变换的方法把相关的变量变为若干个不相关的综合指标变量, 可切断相关干扰, 找出主因素;灰色关联分析法 (GRA) 通过数据分析的方法分析系统目标变量与影响因素之间相互影响程度, 能有效地找出影响系统目标变量的主因素。
在此, 应用主成分分析法对烧结矿质量及质量影响因素指标体系进行分析[7], 应用灰色关联分析法分析烧结矿产量、能耗的主要影响因素[8], 将分析结果作为优化模型的输入参数, 结果见表1。
烧结生产多目标优化模型以烧结矿产量最大、能耗最小为目标, 以质量及生产过程相关参数的边界为约束, 以混料粒度、点火温度、冷却时间、机速4个局部子过程优化目标为决策变量, 优化结果即上述4个局部子过程优化目标的最优解集。
2.2 烧结矿质量、产量、能耗子模型
要将综合生产目标映射为局部优化目标, 需要建立烧结矿质量预测模型、产量模型和能耗模型。这些模型是烧结生产过程优化控制的基础, 模型精度对于保证优化的有效性和可靠性具有重要的意义。在此, 本文采用一种带动量项和变学习率的BP改进神经网络来建模。
2.2.1 烧结矿质量预测模型
根据表1, 烧结矿质量预测模型的输入变量为8个, 分别是:配料质量第一C (1) 、第二C (2) 、第三C (3) 、第四C (4) 主成分、混料粒度x (1) 、点火温度x (2) 、冷却时间x (3) 以及机速x (4) ;输出变量为4个, 分别是:烧结矿质量的第一O (1) 、第二O (2) 、第三O (3) 和第四O (4) 主成分;故质量预测模型的BP网络拓扑结构为8-12-4。取初始学习率β=0.38, 学习率变化系数ε=0.25, 动量项α=0.9, 对于激励函数从输入层到隐含层选择最常用的Sigmoid函数, 即Sigmoid (x) =2/ (1+e-x) -1, 而隐含层到输出层选用Purelin激励函数, Purelin (x) =x, 根据以上关于烧结矿质量预测模型的结构参数, 可将其用式 (1) 表示。
式中, YO={O (1) , O (2) , O (3) , O (4) }, 是输入层第i个神经元到隐含层第j个神经元的连接权值, bjO (k) 是隐含层第j个神经元的阈值, 是隐含层第j个神经元到输出层第k个神经元的连接权值, bjO (k) 是输出层第k个神经元的阈值。
2.2.2 烧结矿产量模型
根据表1, 烧结矿产量模型的输入变量为6个, 分别是:混料粒度x (1) , 点火温度x (2) , 冷却时间x (3) , 机速x (4) , 台车装料量N (1) , 有效烧结面积N (2) ;输出变量为1个, 即烧结矿产量YP, 单位 (t/天) , 所以烧结矿产量模型的BP网络拓扑结构为6-12-1, 模型的数学表示如式 (2) 所示。
式中, wiP, j是输入层第i个神经元到隐含层第j个神经元的连接权值, bjP是隐含层第j个神经元的阈值, 是隐含层第j个神经元到输出层连接权值, bjo是输出层神经元的阈值。
2.2.3 烧结矿能耗模型
根据表1, 烧结矿能耗模型的输入为10个, 分别是:混料粒度x (1) , 点火温度x (2) , 冷却时间x (3) , 机速x (4) , 烟气含氧量Q (1) , 点火风箱真空度Q (2) , 煤气流量Q (3) , 料层厚度Q (4) , 抽风压力Q (5) , 有效抽风量Q (6) ;输出变量为2个, 分别是:固体燃料消耗量M (1) , 单位 (kg/t) 与气体燃料消耗量M (2) , 单位 (m3/t) , 故烧结矿能耗模型的BP神经网络拓扑结构为10-14-2, 模型的数学表示如式 (3) 所示。
式中, YM={M (1) , M (2) }是输入层第i个神经元到隐含层第j个神经元的连接权值, bjM (k) 是隐含层第j个神经元的阈值, 是隐含层第j个神经元到输出层第k个神经元的连接权值, 是输出层第k个神经元的阈值。
2.3 烧结生产多目标优化模型
烧结生产质量、产量和能耗3个目标之间存在冲突, 为了解决生产上这三种目标之间的冲突, 采取折中措施, 以产量最大、能耗最低为目标, 以质量合格为约束。
在上述三个子模型的基础上, 建立烧结生产多目标优化模型, 即以混料粒度x (1) , 点火温度x (2) , 冷却时间x (3) , 机速x (4) 四个局部子过程优化目标为决策变量, 以烧结矿产量最大、能耗最低为目标函数, 以烧结矿质量和相关工艺参数边界为约束, 模型的数学表示如式 (4) 所示。
式中x (1) 、x (2) 、x (3) 、x (4) 的边界值参考烧结厂历史生产统计数据确定, a (1) 、a (2) 、a (3) 、a (4) 、b (1) 、b (2) 、b (3) 、b (4) 先根据烧结矿质量国家标准初步选择, 然后通过主成分分析计算出确定值。
3 遗传算法求解多目标优化模型
烧结生产多目标的优化是一个典型的多目标优化问题, 在进行模型优化求解时需要对模型进行一定的变形处理。采用多目标遗传算法求解决策变量关于Pareto的优化解集, 根据Pareto原则可知求解得到的优化解集中任何一个解都满足模型和生产要求。将建立的质量预测模型作为检验模型, 优化解集中的每一个解作为质量预测模型的输入, 输出质量最好的那个解即为最优解。
3.1 遗传算法求解过程
根据对烧结生产子过程优化目标的分析, 其遗传算法多目标优化的步骤如下:
(1) 多目标优化模型预处理。
用遗传算法求解烧结生产多目标优化模型时需要对模型进行预处理和相关变换, 使求解更方便。将多目标优化模型中质量约束条件在求解时暂时忽略, 求得解集后在通过质量预测模型进行检验, 排除不符合质量要求的解, 这样将大大减轻模型的求解难度。预处理后, 多目标遗传算法的目标函数和约束条件如式 (5) 所示。
目标函数:F (X) =min F (X1) +min F (X2)
式中, X是一个足够大的正数, 使得F (X1) 大于0。
(2) 数据归一化处理。
由于决策变量数据的量纲和数值存在较大差别, 为消除数据量纲不一致的影响, 为提高模型的求解精度和速度, 需要对决策变量的数据样本进行归一化处理, 归一化方法如下:
式中x’为归一化后的数据, xik表示样本集中第k组样本中第i参数的取值。
(3) 编码。
对决策变量x (1) 、x (2) 、x (3) 、x (4) 数据归一化处理后, 采用二进制编码方式。归一化后决策变量的取值域为[0, 1], 设定精度为小数点后3位, 则归一化后决策变量x (1) 、x (2) 、x (3) 、x (4) 的值域要划分为103份, 设定决策变量x (i) (i=1, 2, 3, 4) 子串长度为mi, 其求解如下:
29<103≤210-1, 即有mi=10, 即决策变量x (i) 的二进制编码子串长度为10, 共有4个决策变量, 故个体二进制编码染色体总长为4×10=40位。
以决策变量x (2) (点火温度) 在某组数据样本中取值为1156为例, 结合其取值边界, 按公式 (6) 归一化后的取值为0.780, 其二进制编码情况如表2所示。
(4) 种群初始化。
在进行遗传算法求解时首先设定种群大小M, 采用随机方式确定初始种群, 即随机确定M个长度为40位的二进制位染色体。
(5) 适应度函数的确定。
适应度函数在遗传算法中起搜索方向作用, 即选择适应度高的种群, 淘汰适应度低的种群。依据所建立的多目标优化模型, 选择权重加和法, 其适应度函数如式 (8) 表示。
式中, w1、w2分别为F (X1) 和F (X2) 的权重系数, 采用随机法设置;E (X) 为惩罚项, 其求解如式 (9) 所示。
式中, γ1, γ2∈ (0, 1) 的随机数, γ1+γ2=1, a (i-3) , b (i-3) 分别为烧结矿质量烧结矿质量的第一O (1) 、第二O (2) 、第三O (3) 和第四O (4) 主成分的上下限。
(6) 选择算子的设置。
选择算子的目的是从上一代种群中选择适应度较高的的个体来组成下一代新种群, 本文采用比较成熟的轮盘赌法进行种群个体的筛选, 方法如下:
1) 随机赋值一个实数dl∈ (0, 1) , 且有 (1≤l≤M) , M为种群规模。
2) 计算Fl=dl×F, 其中为种群的总适应度值;fi为种群中个体i的适应度值。
3) 计算满足最小的i, 则第i个个体被选择。
(7) 交叉变异算子的设定。
交叉和变异算法是遗传算法种群进化的核心, 本文采用段交叉和均匀变异方式, 同时依据种群和个体的适应度值来动态调整交叉概率Pc和变异概率Pv, 交叉概率Pc和变异概率Pv的计算如下。
式中, fmax为种群中适应度最大的值, f为种群适应度平均值, 为选为交叉的两个体中适应度值较大的值, f为选为变异个体的适应度值, λ1、λ2、λ3、λ4为值域[0, 1]的随机数。
3.2 遗传算法优化结果
以某烧结厂多年生产数据为研究样本, 设定初始种群规模M=60, 最大繁殖代数Gmax=2000, 得到局部子过程优化目标x (1) 、x (2) 、x (3) 、x (4) 关于Pareto优化解集的前沿面如图2所示。
在前沿面中左端及右端, F (X1) 、F (X2) 不能同时满足最小, 只有选择前沿面中间的数据才能满足使F (X1) 、F (X2) 同时最小要求。经分析, 从Pareto的优化解集中选取了5组数据作为局部子过程优化目标关于Pareto最优解, 见表3。
将上述5组优化解以及现场采集烧结矿配料质量第一C (1) 、第二C (2) 、第三C (3) 、第四C (4) 主成分数据作为烧结矿质量预测模型的输入, 经烧结矿质量预测模型检验, 除第2组优化解数据不满足质量要求外, 其它4组优化解数据所得到烧结矿质量均达到国家标准, 且其中第4组数据得到的烧结矿质量数据最好, 因此选取x1、x2、x3、x4的最优解为11.4、1210、24.5、3.36。
4 人工协调优化
考虑到所建模型参数考虑不全面, 以及所选用的生产数据作为研究样本容量偏小, 以及所建的烧结矿质量预测模型、产量模型及能耗模型结果与实际值存在一定误差 (见表4) , 因此所建立的多目标优化模型的优化结果与实际生产数据间可能存在一定的误差, 故可将模型优化结果与实际生产数据相结合进行人工协调优化, 以取得更好的优化效果。
将该烧结厂实际生产数据与模型优化得到的子过程目标优化值相结合, 在满足质量要求情况下, 对其他工艺参数进行人工协调优化, 人工协调优化后结果如表5所示。
5 结束语
提出了一种针对烧结矿质量、产量以及能耗的整体的分层优化策略, 将优化目标分为综合生产目标和局部子过程目标。在建立的关于综合生产目标质量、产量及能耗的BP神经网络模型基础上, 建立了综合生产目标与局部子过程目标的映射关系即烧结生产多目标优化模型, 采用遗传算法求解该多目标优化模型的到局部子过程目标的优化解。最后结合实际生产数据进行了人工协调优化, 达到更好地生产效益。该模型还有待进一步深入研究, 如综合生产目标中可以加入污染物排放方面的生产目标, 另外在BP神经网络建模时可以采用一些手段使模型输出精度更高。
摘要：针对烧结生产质量、产量和能耗等生产目标间存在矛盾, 难以实现多目标整体优化控制的问题, 提出了一种分层优化策略。将烧结生产优化分为综合生产目标优化级、局部子过程目标优化级以及人工协调优化级三个层级。在建立综合生产目标质量、产量和能耗的BP神经网络模型的基础上, 建立综合生产目标与局部子过程目标的映射关系的烧结生产多目标优化模型, 并采用遗传算法求解该多目标优化模型。最后结合实际生产数据进行人工协调优化, 实现烧结综合生产目标整体优化。
关键词：烧结,分层优化,多目标,神经网络,遗传算法
参考文献
[1]孙彦妍.我国烧结行业的回顾与展望[J].矿业工程, 2011, 9 (6) :35-37.
[2]冯朝辉, 张华, 等.烧结工序能耗预测与优化研究[J].烧结球团, 2012, 37 (6) :13-17.
[3]向婕, 吴敏, 等.基于模糊满意度的烧结过程多目标优化控制[J].化工学报, 2010, 61 (8) :2138-2143.
[4]杜秀丽, 王春艳.提高烧结矿产量的管理实践[J].包钢科技, 2013, 39 (5) :79-81.
[5]肖晓伟, 肖迪, 等.多目标优化问题的研究概述[J].计算机应用研究, 2011, 28 (3) :805-808.
[6]Matthias Ehrgott, Jonas Ide, Anita Sch觟bel.Minmax robustness for multi-objective optimization problems[J]European Journal of Operational Research, 2014, 239 (1) :17-31.
[7]汪应洛.系统工程[M].4版.北京:机械工业出版社, 2008.