调度状态（精选4篇）
调度状态 篇1
摘要：智能电网的发展对设备的使用效率提出了更高的要求,结合状态检修结果以及传统故障率的推算,提出了设备健康负荷指数的新指标。该指标能够同时反应出设备的健康状态和设备的负载率情况,实现均衡设备健康状态与负荷情况的目标。结合该指标,又进一步对调度策略研究。通过一条手拉手线路算例验证了该指标可以实现变压器负载率能够随着变压器健康状态的变化而做合适的调整,再综合考虑线损率等传统的经济运行指标,实现运行方式优化的目的,对未来的智能调度有一定指导意义。
关键词：智能调度,设备健康状态,使用效率,状态检修,运行方式优化
0 引言
伴随着智能电网概念的出现,智能调度的需求应运而生。智能电网又可分为智能输电网与智能配电网。智能输电网的智能调度被分为狭义与广义两种。狭义的智能调度指帮助调度人员进行决策的辅助支持系统,广义智能调度指应用先进硬件、软件,使调度中心各应用业务智能化。在智能输电网的狭义与广义的智能调度方面,文献[1]对国内外的实践情况进行了较好的概述。对于智能配电网,虽然智能调度明确的概念并没有给出,但是通过对传统调度概念的理解以及对智能配电网的认识,不难推断,智能配电网的智能调度旨在数据来源更为广泛、参考数据量更为巨大、运行方式更为复杂多样的情况下,通过高效的算法寻找到一种可以实现安全性、可靠性、经济性等方面多目标优化的运行方式。智能调度是坚强智能电网运行的中枢。虽然智能调度的研究与实践不断取得新的进展,但是大都集中在系统层面上的研究,关注系统的运行指标,包括潮流裕度、频率电压偏差等方面[2],而鲜有关注设备层面的优化运行。
1 考虑设备健康状态的意义
结合设备健康状态的智能调度是发展智能电网的潜在要求。理想中的智能电网将具有自愈、资产设备高利用率、用户积极参与、防止网络攻击和抵御自然灾害、电能质量更好、协调分布式发电与储能选择、使电力市场进一步实现等特征[3]。从基本特征分析来看,电力系统的发展方向已经从传统的安全、可靠、经济的基本目标升级为安全、可靠、经济、优化的高级目标。资产设备的高利用率便是优化的基本参考目标之一。资产设备的管理是传统电网所希望实现却又无法实现的环节。对设备健康状态进行良好的管理将不仅会延长设备的使用寿命,更会对电网的安全性加强具有直接作用。
传统的考虑到设备的调度方式,通常没有考虑设备健康状态。考虑到设备的主要有两方面,其一为负载率控制,其二为设备资产管理。负载率控制,主要是将设备容量作为规划的约束条件,防止设备过载,影响设备寿命。譬如说线路容量、变压器容量等。部分研究经济运行的文章也有将开关操作次数考虑进模型之中,以求达到动作次数尽量少,延长开关使用寿命[4]。文献[5]等考虑了设备在过载条件下寿命将大打折扣的客观事实,提出了DAO模型进行较为准确的负荷预测进而解决负载率问题;考虑到负载率的文章还有文献[6]等,其尝试了包括变压器负载率在内的多目标的运行方式优化并取得了不错的效果;另一方面,在电力资产管理类的相关文章中,它们研究设备老化,研究可靠性、资产利用率,关注规划、自动化、维护、风险管理等方面,指出资产管理是一门平衡性能、成本和风险三方面的艺术[7]。
以上研究都没有能够将负载率与设备健康状态结合起来,而且建立在设备状态或者设备负载率上的智能调度策略很少且多为被动调度,并且它们对设备采用的是继续应用、维修后应用或者更换等粗放性解决方式,而不是通过调度策略来为设备分配更合理的负载率,以达到设备利用率的最优。通过总结不难发现,所有的这些直接或间接同时考虑到设备和调度的文献资料文章都没能给出设备具体健康状态的评判方法,更没有考虑结合设备的具体健康状态进行调度。
在实际运行中,往往会出现同类设备间,健康状态存在明显差异,而负载率情况却是参差不齐,甚至是健康状态差的设备负载率更大一些,这将极有可能造成健康程度差的设备由于其负载率偏高导致其故障概率急剧增加而健康程度高的设备却没有充分利用,既影响安全性又影响经济性。考虑设备健康状态的智能调度意义在于将传统对设备负载情况的粗放型处理(停运检修或者继续运行),转变为针对设备具体状态来调节负载率的精细化处理方式,使健康状态好的设备负载率高,健康状态差的设备负载率低。
2 设备健康状态评估
图1概括了设备健康状态的获取流程以及在此基础上的调度优化。健康状态的计算主要依赖在线监测和状态检修结果,而调度策略则根据设备健康状态和负载率制定。
状态检修指的是根据在线监测、巡检记录、诊断技术、可靠性评价等的结果安排检修计划,实施主动检修。状态检修的主要意义是以监测代替大部分的检修工作可以提高设备的安全性与可靠性。状态检修结果可以用来评价设备状态并制定检修计划[8,9],本文主要引入了健康指数(Health Index,HI)的概念来描述状态检修扣分值,并通过HI计算设备的健康状态。虽然HI在一些文章中出现过[10],但其定义与计算方法各异。本文采用在中国国内最新推行的标准[11]进行该指标的计算。标准[11]根据各地的具体操作情况,对电网中的主要设备(断路器、线路、变压器)的状态检修方式以及打分细节已经做出了总结,并且对主要设备的状态与得分关系有了明确的规定。相比于国内外的研究文献,它给出了更详细的设备评判指标,除了基本的传统指标外,还包括更为细致的组成元件的健康状态情况,所以评价结果更为准确。这里,分值的计算与国外的分值计算不同,标准中采用扣分制,即每一项指标的扣分值从0到10不等,权重从1到4不等。状态量扣分值由状态量劣化程度和权重共同决定,即状态量应扣分值等于该状态量的基本扣分值乘以权重系数。最终的设备状态取决于最严重的部件状态。
设备扣分=部件扣分max×重要度(1)
部件扣分max表示最严重的部件扣分值。变压器、断路器、输电线路的状态量分值的计算方法都是一致的。本文所提及的健康指数(HI)即为该扣分值。
健康程度与故障率是此消彼长的互补关系,所以欲求得健康状态,要先求得故障率。故障率与设备健康状态分值通常呈指数关系,计算公式主要有如下两种[12,13]。
文献[14]利用式(2)和复杂的后期处理得到了很好的故障率计算结果,但是其设备状态检修结果仅粗略地当做0,0.5,1来计算,不能很好地利用状态检修结果。所以这里主要采用式(3)作为故障率计算公式。
这里,λ为故障率,HI为健康指数,取值范围一般为0到30。比例系数K与曲率系数C的求取可以应用同类设备历史数据得到,由年故障设备台数与设备总台数的比值确定年故障的发生率。
式中:N为设备总台数,HIi为第i台设备扣分值。得到K、C值之后,即可求得各台设备在各种状态下的故障率。根据文献[13]数据进行华东某区变压器设备数据拟合,得K=0.011,C=0.045。进一步计算设备健康状态如式(5)所示。
这里将健康状态的值定义为取故障率的补值,间接建立起与健康指数的关系,是计算后文指标的基础。
3 调度策略
智能电网时代,设备的利用效率已经不再是单纯以提高设备负载率为目标,而是要同时考虑设备实时的健康状态。由此,本文定义了一个新的能够反应新要求下设备使用效率的指标,即健康负载指数。表达形式如下:
式中的H是设备的健康状态,由式(5)求得,当有多台同类设备时候,需要进行归一化处理。L为设备负载率,这里需要将其取值范围映射在健康状态取值范围之内。HLI取值大于等于1,当且仅当H=L时取1。HLI与健康状态/负载率的关系如图2所示,其中横坐标为健康状态与负载率的比值,纵坐标为健康负载指数,在H≈L时,HLI取最小值。
HLI反应了当健康程度高的设备具有更好的负载率时,该指数小;当健康程度低的设备具有与其相符的较低负载率时,该指数也小。也就是说,当某设备的HLI越小的时候,该设备健康状态与负载率的匹配越好,这也就实现了本文的核心目标,即设备按其健康程度的不同带有与其适合的负载率。
式(6)反应了单一设备的健康负载指数。对于整个系统而言,希望同类设备具有近似的指数,所以系统优化的目标函数设为:
这里字母S表示系统(System)。下标i表示第i类设备,下标j表示负载率不为零的i类设备的第j台设备。式(7)是针对系统中某一类设备的HLI的目标函数,而式(8)是针对多种类设备HLI的考虑结果。Wi是第i类设备的权重值,主要针对不同种类设备的一般的故障概率比重设定。故障概率高的设备赋予更大的权重,具体操作时还可以根据预想结果与实际运行结果来对比修正。
在实际运行中,还要考虑传统的如网损(Network Loss,NL)等重要指标,由于同取最小值,所以可制定目标函数如下:
目标函数还可以扩展到更多[6]。此外,还可以考虑负荷的重要程度,反应在负载率权重上,这样可以使HLIS更合理。例如,馈线上有三类负荷,重要程度分别为a1,a2,a3,那么某一设备负载率L的值将是负载率与重要度的积。不难发现,重要程度高的负荷将使其所对应的设备的负载率比原来更高,从而使得其健康状态(H)也要相对更高,这就可以使重要负荷对应更高的设备健康状态。当考虑设备健康状态后所带来的提高供电可靠性的经济效益和设备检修费用改善之和大于线损时,那么采用考虑设备健康情况的智能调度就有价值。
网络拓扑约束
其中,gk为重构后的网络结构,若要求为辐射状配电网,则G为所有可行的辐射状网络结构的集合。
潮流约束
系统各项有功功率和无功功率在各时刻必须供需平衡。向量x表示系统的状态向量(包括各节点的电压幅值和相角等)。
运行约束
运行约束主要包括母线电压的幅值约束和线路允许最大电流约束以及设备的运行的容量约束。与传统约束略有不同的地方是向量中增加了设备健康状态元素,并要求其值大于其对应的需要进行检修的最低数值。
对于这样一个带有约束条件的多目标优化问题,有许多方法可以解决,例如多目标进化算法、多目标粒子群算法、人工神经网络优化等方法。
4 算例分析
城市电网接线方式常见的有辐射状、手拉手等,为了说明本文所提出指标对运行方式所起的作用,将某城市某地区的一条手拉手供电线路通过拓扑收缩简化,如图3所示。由于数据量有限,这里HLIS的计算仅考虑了变压器健康状态。两端35 k V主变容量为20 MVA,各配变负荷如图1所示,S1与S2健康扣分分别为10与30。
配网的运行方式复杂多变,但是考虑通过负荷均衡来减少线损之后,较优的运行方式仅有为数不多的几种。针对图3主要考虑的运行方式有两种,一种是负荷L6由电源S1供给,即开关B5为联络开关,另一种是负荷L6由电源S2供给,即B4为联络开关,两种运行方式下线损几乎相同,为8.42%。计算过程如下:
变压器1、2的故障率按照式(3)所述求得为0.017 6和0.043 5,再按照式(5)求取健康状态为0.982 4和0.956 5,归一化后为1,0.973 6。两个变压器负载率在两种运行方式下分别为0.011 2,0.009 8与0.008 28,0.012 7。按照上章所述,调整变压器负载率范围与健康状态一致。首先进行归一化后,所得结果为0.881,0.772,0.652,1,然后进行范围调整。两种运行方式下各指标结果如表1所示。
表1中的L1与L2的健康状态为在各种运行方式下归一化的值,健康状态在各种运行方式下是一致的;表中负载率是处理后的值,主要经过归一化以及将负荷范围调整到与健康状态范围一致两个过程,即在这里即把负载率大小按比例约束在0.973 6~1之间。这样做的目的是无论实际负载率大小怎样,都可以将负载率的范围控制在合适的范围内。对比后可以看出,当考虑了变压器的健康状态之后,HLIS指标较小,所以是较优的选择。结合实际情况变压器S1健康状态更高,因此带有更高的负载率,相比之下健康状态较差的变压器S2具有较低的负载率,可见HLIS指标可以有助于选择一种较优的运行方式。为进一步验证本方法的有效性,将主变S1、S2的健康指数对换,HLIS分别为1.000 0与1.000 6,即证明了运行方式1优于运行方式2与预想一致的结果。
在很多情况下,考虑了设备健康状态后,很有可能线损率会上升较明显。这时需要计算适当的权重来衡量设备健康状态改良与线损提升的比较优势。
本文的研究具有一定的前瞻性,由于状态检修正处于试点推广阶段,而且暂时状态检修信息与设备的拓扑信息还不能够同时很好地集成到调度平台中,所以用算例验证本文完整的思路暂时存在些许困难。但是,可以预见在不久的将来,将会实现状态检修、在线监测、系统运行状态、设备拓扑等信息的实时交互。这时,考虑设备健康状态的智能调度将有巨大的应用空间。在下一步研究中,将进一步获取更为全面的设备运行数据,实现更为复杂的运行方式优化。同时,伴随着分布式电源、微网大规模地接入到配网中,运行方式更为复杂多变,使得配网设备健康负载指数有着更广阔的优化的空间。最终目的是期待整个发、输、配、用环节在正常、检修、恢复的系统状态下均能实现设备高使用效率地优化运行。
5 结论
本文根据未来智能电网的发展方向,分析了提高设备利用率的必要性与可行性,提出了可以同时考虑设备健康状态和负载率的健康负载指数并将其应用到考虑设备健康使用效率的实时调度策略。这种调度策略改变了传统电网运行中针对设备的粗放型处理方式,实现了根据设备实际健康状态进行负载率的合理分配,不仅从传统的系统安全、经济层面考虑,并且进一步优化了设备的使用效率。最后通过一个包含变压器设备健康状态的算例验证了健康负载指数对智能调度的有效性。考虑设备健康状态的智能调度符合智能电网的发展战略,对于未来的智能调度具有重要意义。
南水北调京石段稳定调度状态分析 篇2
南水北调中线干线京石段工程起点为石家庄古运河枢纽进口, 终点为北京市团城湖, 渠线总长307.44km。渠线总长227.39km, 其中建筑物长26.34km, 渠道长201.05km, 采用明渠自流输水方式;北京段从北拒马河中支南开始, 途径房山区、丰台区, 至总干渠终点团城湖, 总长80.05km, 采用管涵输水方式。为缓解首都北京水资源短缺, 自2008年9月至今京石段工程已4次向北京市应急供水, 累计入京水量超过15亿m3。
其中第4次通水实测流量数据较为充足 (放水河节制闸、坟庄河节制闸、北拒马河节制闸、沙河引水闸等4座水闸有实测流量资料) , 故本次研究选取第4次通水上述4闸数据进行稳态调度分析研究。
1 分析方法简介
1.1 最小二乘法
最小二乘法 (又称最小平方法) 是一种较基本的回归方法。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据, 并使得这些求得的数据与实际数据之间误差的平方和为最小[1]。
一般的最小二乘逼近定义为:对于给定的一组数据 (xi, f (xi) ) (i=0, 1, …, m) , 要求在函数类中找到一个函数y=S* (x) , 使误差平方和:取得极小值。
为使问题的提法更具有一般性, 通常把最小二乘法中考虑加权平方和, 即:
当是关于点集{xi} (i=0, 1, …, m) 的带权正交函数组时, 解为:
1.2 神经网络法
神经网络近年来兴起的研究热点, 其具有逼近非线性函数的能力, 它是基于映射网络存在理论。在神经网络中最广泛应用的信息处理运算是数学映射, 给定一个输入向量X, 网络应该产生一个输出向量Y=ψ (X) , 网络的基本特征是从复杂的高维数据中提取和识别必要的参数。影射网络存在理论认为, 只要处理单元是一个输入变量的任意连续递增函数或是几个变量的总和, 则一个输入向量X可以映射成任意输出函数Y=ψ (X) [2]。
神经网络算法基于最小均方差准则, 由计算正向输出和误差反向传播组成。通过由比较网络的实际输出与期望输出来不断地调节网络权值, 直至收敛为止。网络中每个节点的输入输出存在如下非线性关系
式中:Opi为模式P输至网络节点j的输出;Wji为节点i到j的连接权;θj为节点j的阀值。
式中, δpj为j节点上一层节点k的误差;Wkj为节点j到其上一层节点k的连接权。
从以上公式可以得出, 通过误差反向传播, 调整权值, 最终的输出就会接近所要求的期望值, 这个过程称为训练。当达到所要求的误差时, 就认为网络已经能在某种程度上近似表示输入与输出的关系。
也就是说, 用含有隐含层的神经网络能拟合许多任意复杂的连续函数, 回归分析的实质就是在抽样数据的基础上进行曲线拟合。如果对训练好的网络输入新的数据, 输出的结果就是对此曲线新的点结果的预测。所以, 用神经网络可以进行有关的曲线回归分析, 也可以用已回归好即训练好的结果去预测新的样本[3]。
1.3 回归效果分析
最小二乘法作为传统回归方法, 对于多元回归计算的计算量过大, 随着变量数目的增加, 计算量剧增, 并且要相互比较的回归曲线也剧增, 选择一条最优回归曲线较难。根据本次研究现有资料, 淹没系数与流量系数均不能通过资料直接查得数据, 闸孔出流的淹没系数只能通过查相应关系曲线或表获得, 这样就使得最小二乘法率定的结果会出现误差。
由于淹没系数反应的是下游水深对过闸水流的淹没影响程度, 采用人工神经网络法建模时, 在输入层数据矩阵中加入闸后水位, 通过学习训练能够在网络内部建立样本隐含的复杂结构, 避开了淹没系数不能准确确定这一问题, 使得分析结果更为准确, 考虑相关参数更为全面。在最小二乘法分析无法给出满意解时, 神经网络将是一种全新的选择。
结合现有数据, 本次报告采用上述2种算法分别对各闸流量系数进行率定, 并对计算结果进行比较分析, 下面列举放水河节制闸率定成果。
2 流量系数分析
受闸门控制的水位~流量系数关系, 可以通过观测其上下游水位、闸孔开启高度及宽度, 运用水力学公式来推求。在水力学理论公式中, 上游水头要涉及行进流速水头, 这里采用实测流量来率定流量系数, 由于流量系数是水位的某种形式的函数, 先对推流公式中的系数加以率定, 并再据以推算流量, 可不计入行进流速水头。
由堰流和孔流的特点可知, 对于具有闸门控制的同一渠道, 堰流和孔流可以相互转化。这种水流的转化条件与闸孔的相对开度和闸前水头有关, 根据实验, 堰流和闸孔出流的判别条件如下[4]:当闸底坎为平顶型时:, 为孔流;, 为堰流。当闸底坎为曲线形型时:, 为孔流;, 为堰流。根据样本中数据判别如下, 坟庄河、放水河、北拒马河节制闸为平顶型孔流;沙河引水闸为曲线型孔流。
2.1 最小二乘法求解
由于每组数据对应的淹没系数不一致, 导致率定流量系数时计算过于繁琐复杂, 现将淹没系数σs、流量系数μ拟合为一个未知数m, 称为拟合流量系数 (即孔口淹没出流流量系数) 。回归方程转化为一元问题求解。求解m后, 再通过查孔流淹没系数表查得每组数据对应的淹没系数σs, 最终求得孔口自由出流流量系数μ。经查表可得:放水河节制闸淹没系数σs=0.65;坟庄河节制闸淹没系数σs=0.55;北拒马河节制闸淹没系数σs=0.35~0.85;沙河引水闸淹没系数σs=1。
断面的流量资料以及与流量系数相关的开度e、闸前水头H、宽度b等均可在资料中查得。选择第4次通水沙河引水闸、坟庄河节制闸、放水河节制闸、北拒马河节制闸1个月的通水数据作为样本。
闸孔出流流量计算公式:
式中:Q为计算流量 (m3/s) ;σs为淹没系数;μ为流量系数;b为闸孔净宽 (m) ;e为开度 (m) ;H为闸前水头 (m) 。
经计算可列出如下各项系数关系表, 见表1。
2.2 神经网络法求解
与流量系数相关联的数据有闸前水头、闸后水头、空口净宽、闸门开度, 则输入层神经元个数为4, 输出层神经元为1, 选取n个样本:
其中Xi={xi1, xi2, xi3, xi4}, i=1, 2, …, n。xik表示第i个样本中第k个参数所代表的流量强度k=1, 2, 3, 4。yi为第i个样本中的实测流量。
输入层神经元4个, 为闸门开度、闸前水头、闸后水头、空口净宽, 输出层神经元1个, 为实测流量, 将所有数据进行归一化处理。取BP神经网络梯度下降法学习算法学习效率为α=0.5, 训练精度取0.01, 训练次数为2000。对上述神经网络模型进行网络训练, 训练结果如下:
放水河节制闸隐含层设为3层时精度为:0.015441;4层时精度为:0.015376;5层时精度为:0.015378。故隐含层选取精度最小的4层隐含层。
各闸门输入、输出权矩阵如表2。
2.3 合理性评价
流量系数与各相关影响因子的回归分析, 建立回归方程仅仅是一种假定, 是否符合实际情况就必须对率定系数的结果进行检验。从已知数据中随机找10次测量数据, 用上述最小二乘法推求的流量系数以及神经网络法求出的权矩阵求解计算流量, 再与实测流量对比, 求出相对误差。
经计算各组样本中, 平均误差均不到3%, 误差小于5%[6]的样本比例分别为:最小二乘法数据:70%、100%、100%、60%;神经网络法数据:80%、100%、100%、100%。从以上计算及相关统计参数可以很明显的看出, 用神经网络回归得出的数据相比最小二乘法的要好些, 并且计算的流量很接近原始测量数据。但回归分析的效果好坏要综合来看, 比如考虑相关参数的全面性, 计算量的大小, 回归方程的直观性, 回归数据统计效果等[7], 下面就从这几个方面进行对比分析。
2.3.1 相关参数的全面性
最小二乘法中, 率定的拟合流量系数中有2项:淹没系数、流量系数, 淹没系数是反应下游水深对于过闸水流的淹没影响程度, 由于每组数据的开度-闸后水位-上下游水位差差别较小, 淹没系数表中精度有限, 使得人工读数误差加大。而神经网络法在输入层数据函数中加入了闸后水位这一项, 在网络内部建立样本的复杂结构, 考虑影响流量的参数更为全面, 回归出的数据精度更高。
2.3.2 计算量
最小二乘法等传统回归方法, 计算量的大小会随着变量个数的增加而呈指数形式增加, 而神经网络法回归分析时, 较多的计算量都花费在训练上。对于本次回归分析, 由于变量较少, 最小二乘法的计算量不是很大, 求解的精度达到了相应要求, 所以神经网络的优越性不是很显著。
2.3.3 回归方程的直观性
从回归方程的直观性来看, 最小二乘法求出的回归方程比较直观, 而用神经网络不能求出回归方程。最小二乘法等一般回归方法是以求解回归方程为目的, 本次分析研究中, 先建立了闸孔出流的数学模型, 根据此模型和样本数据进行下一步的计算。而神经网络是通过学习来逼近目标函数, 它把信息记忆在相关联的连接权上, 当误差达到一定要求时, 就形成了输入和输出之间的一定程度上的近似对应关系。
2.3.4 回归数据统计效果
最小二乘法是对目标函数的一种近似求解, 是一种用数学模型去近似表达输入输出的某种关系。对于模型的选取要求较严格。神经网络是对目标函数的逼近, 只要网络结构合理, 训练效果好, 回归出的数据精度相比最小二乘法要高, 从本次计算数据上也证明了这一点。
3 总结
通过运用最小二乘法、神经网络法这2种回归方法分析京石段第4次通水放水河节制闸、坟庄河节制闸、北拒马河节制闸、沙河引水闸数据, 可得出闸门开启程度、流量系数与水头具有相应的函数关系。应用最小二乘法推算出的流量系数, 为闸孔自由出流的淹没系数, 而查表得出的淹没系数会使误差加大。而神经网络在输入层数据矩阵中有闸孔开度、闸前水位、闸后水位和孔口净宽4项, 考虑影响因素更全面, 输入层数据矩阵为实测流量。
其中个别点误差较大, 是由于仪器、检测条件、环境等因素的限制, 对于实测流量的测量不可能无限精确, 测量值与客观存在的真实值之间总会存在着一定的差异, 这是不可避免的。由于京石段运行年数有限, 实测数据并不充足, 相信在日后数据更充足情况下计算的数据会更具备参考价值。
摘要：为了为南水北调中线工程实现全线通水后的正常调度提供有益技术支撑和经验借鉴, 本文基于20082013年底南水北调中线干线京石段工程已经完成的4次向北京输水任务的相关资料, 通过回归分析、人工神经网络等方法确立了渠道在恒定流情况下, 开度、上、下游水位与流量3者的关系, 并对2种方法所得结论进行了对比。
关键词：南水北调京石段,稳定状态,最小二乘法,神经网络,流量系数
参考文献
[1]廖伟明, 罗剑, 周斌.最小二乘法在水文参数率定中的应用[J].上饶市水利水电勘测设计院, 2012 (04) .
[2]吴新根, 葛家理.人工神经网络在回归分析中的应用[J].北京石油大学, 1995 (07) .
[3]陈晓楠, 黄强, 邱林, 等.基于神经网络的农业干旱评估模型及其概率分布研究[J].西安理工大学, 2011 (05) .
[4]孙东坡, 丁求新.水力学[M].黄河水利出版社, 2009.
[5]宋孝玉, 马细霞.工程水文学[M].黄河水利出版社, 2009.
[6]尚松浩.水资源系统分析方法及应用[M].清华大学出版社, 2007.
调度状态 篇3
1 调度自动化状态估计应用及要求
电力调度自动化系统中状态估计以冗余的遥测为基础,利用电力系统内在约束和概率统计原理排除遥测遥信错误、减小误差、补充遥测。状态估计首先结合电网模型和实时数据进行网络结构辨识,根据开关刀闸状态、线路两端遥测值与遥信是否对应、设备遥测值与遥信是否对应来给出可疑遥信,并纠正部分错误遥信。根据线路两端功率平衡、变压器三(二)侧功率平衡检测、电气母线注入功率平衡、并列运行电气母线电压相等、设备量测越限等完成遥测初检测。分析判断当前电网是否为能够估计出全部状态量的量测系统,即是否具有可观测性。最后通过状态估计计算(牛顿法、快速分解法、正交变换法等状态估计方法),完成不良数据检测与辨识,将状态估计结果写入实时库。状态估计合格率计算是按照遥测估计合格点数除以遥测估计总点数得到,状态估计合格率要求调度自动化系统中电网模型正确率高、采集的“三遥”数据和填写的设备参数(电阻、电抗、电纳等)具备较高的准确率。
2 影响状态估计合格率的主要因素
2.1 调度自动化系统模型正确性的影响
调度自动化系统中定义的电网模型必须与实际一致,否则设备缺失、一次接线错误等情况都会影响到遥测估计值的正确性。保证调度自动化系统中电网模型的正确,在日常工作中,必须坚决执行调度自动化系统运行管理规定及自动化设备检修、信息变更等相应管理规定,在维护工作中坚持“工作票”、“操作票”制度,坚持使用标准化作业指导卡。
2.2 调度自动化系统实时数据准确性的影响
调度自动化系统实是数据准确性对状态估计合格率的影响较为明显,某个遥测数据的错误不但会导致该遥测点计算不合格,还会造成其他相关遥测数据的不合格。只有加强运维,及时发现并解决运行中发生的数据缺陷,才能保证合格率的高位运行。实时数据的不准确主要原因是运行中发生的缺陷、检修工作中造成的缺陷、检修及新设备投运前的试验等。
2.3 调度自动化系统电网参数准确性的影响
调度自动化系统中状态估计计算必须以实时数据和设备参数等输入计算模型,故电网设备参数必须在自动化系统中录入正确,主要是在基建、扩建、改造等工作后,需要及时维护电网设备参数,并注意参数的来源(实测参数/理论参数)、参数的类型(型号/详细参数)以及参数的单位等信息。
3 提高状态估计合格率的探索
3.1 调度自动化系统相关告警完善
为保证实时数据发生缺陷后自动化运行人员能够快速发现,在调度自动化系统中进一步提高告警成功率,一是新增“点集不刷新”功能使用,在设置的若干重要遥测点有不刷新现象时及时告警;二是相关告警发送对象范围扩大,为提高状态估计合格率,在遥测数据发生缺陷时,及时将相关告警发送到有“倒班制”的班组自动化工作站上,并通过短信平台发送告警到自动化运行人员;三是梳理告警类型、完善告警内容,告警内容包括通讯类、数据平衡类、电网模型类、数据不平衡、越限等内容。
3.2 自动化系统中相关工作的规范化管理
完善自动化系统相关工作的运行管理规定,包括在系统中(包括主站、厂站)进行各项自动化工作时,需要执行的检修类、运维类、工程类管理规定,特别是信息接入(变更)、检修流程和自动化系统运行管理规定等,加强自动化设备缺陷分析和评价,保证设备的安全健康运行。
3.3 加强自动化设备等相关设备的可靠性检查
调度自动化主站系统中的实时数据来源于各厂、站自动化系统中,提高状态估计合格率必须保证各厂、站自动化系统的可靠运行,不但要保证数据采集装置、数据处理单元的正常运行,还必须保证调度数据网及二次安防设备的稳定运行,并检查设备电源等辅助设备是否符合设计要求、是否符合现场运行需要。
摘要：本文详细介绍并分析了在地区调度自动化系统中提高状态估计合格率工作的探索。分析了状态估计合格率对于检验调度自动化系统中基础数据准确性的作用,对于电网安全可靠运行提供技术支撑。对今年来维护状态估计模块的工作中遇到的问题进行分析、归纳,并提出解决方案,对提高运行合格率的基础数据、模型、参数等方面逐个分析。最后,总结运行缺陷和维护方法,探索在日常运行过程中采取相关方法确保状态估计参数正确性、及时可靠发现基础数据问题,以确保状态估计合格率高位运行的方案。
关键词：自动化系统,状态估计,基础数据
参考文献
[1]邓颖,兰华,郝红艳.计及PMU的搭接式分布状态估计[J].电力科学与工程,2010(01).
[2]王建,陈颖,黄少伟,沈沉.基于KKT条件分解的互联电网分布式状态估计算法[J].电力系统自动化,2010(19).
[3]许卫东,张友军,李鹏.PMU在多区域互联系统状态估计中的应用[J].电力系统及其自动化学报,2009(05).
[4]刘峰.EMS中状态估计模块生产运行及实用化问题分析[J].电力自动化设备,2007(04).
[5]孙国强,卫志农,叶芳,黄伟.基于联络线功率限制的多平衡机状态估计算法[J].东南大学学报(自然科学版),2010(05).
[6]朱晟,毕晓亮,葛敏辉.分布式状态估计在华东高级调度中心的应用[J].华东电力,2009(06).
[7]屈刚,葛敏辉,汪德星,葛朝强,孙宏斌,王晶.华东电网两级分布式状态估计试点建设及运行分析[J].华东电力,2012(04).
[8]张艳军,施毅斌,周苏荃.新息图状态估计分块算法[J].哈尔滨工程大学学报,2008(11).
[9]李强,韩爱稳,赵洪山.基于电网分区和辅助问题原理的电力系统多区域有功负荷经济调度[J].继电器,2006(11).
调度状态 篇4
1 IEEE 802.16常用包调度算法
无线通信中有许多有线网络不存在的特殊性质, 如高错误率和突发特性、无线链路的位置相关性和时变性、带宽资源短缺、用户具有移动性 (如果结合IEEE 802.16e) 、终端功率受限等, 因此在无限网络的调度算法中就得考虑这些特点。常用的调度算法有文献[4]中提出的基于信道状态的分组调度算法 (CSDPS) 。为了解决CSDPS的带宽资源分配不公平问题, 提出一种基于业务类型排队 (CBQ) 的CSDPS调度算法和通用处理器共享 (GPS) 算法;文献[5]中提出了理想无线公平排队 (IWFQ) 算法;文献[6]中提出一种不依赖于信道状态的包公平排队 (CIF-Q) 算法;文献[7]中提出了一种基于服务器的公平算法 (SBFA) ;文献[8]中提出了一种基于自适应编码和调制技术的IEEE 802.16调度算法等。
2 基于信道状态的分组调度算法 (CSDPS)
文献[4]提出的一种CSDPS算法, 其算法模型如图1所示。
CSDPS算法的原理如下:链路状态监视器 (LSM) 监视所有移动台的链路状态信息。当LSM监测到某无线链路处于异常状态时, 则标记该队列。标记过的队列不再被服务。在暂停一段时间后, 取消对队列所做的标记, 该标记队列则可以重新进行资源调度。
CSDPS算法考虑了与位置相关、时间相关的无线信道状态, 改进了传统调度算法的性能。然而, 对于事实业务来说, 一旦链路发生异常, 便不能保证时延要求, 信道利用率低, 享有的服务调度机会比它应享有的公平服务调度机会小很多。
文献[9]在CSDPS算法的基础上提出了一种基于业务区分的分组调度算法, 但该算法只针对rtPS和nrtPS。当某无线链路处于异常状态时, 其采用的是以阈值φ降低其发送速率, 但它并没有给出计算阈值的具体公式。
于是本文在基于以上两种算法的基础上提出了一种改进的基于信道状态的分组调度算法。
3 基于信道状态的改进分组调度算法
3.1 信道模型
通过建立有限状态下马尔科夫链链路状态模型, 把链路状态划分为不同的状态区间, 每一个状态空间对应一种调制方式, 每一种调制方式对应一个发送速率Vi和一个SINR (i) 值。假设{SINRi}M为系统使用M种调制方式在一定误比特率约束下的信噪比切换门限, 那么当SINR (i) M1落在[SINRi, SINRi+1] (1≤i≤M, SINRM+1=∞) 时, 使用第i种调制方式。其中, Pi, j为从i～j的状态转移概率。当Vi值不能满足业务的最小速率的要求Vmin, 即Vi
3.2 算法描述
该算法分为两个部分, 一部分是当监视器检测到某条或者多条链路处于异常状态时, 对这些链路上业务流的处理措施, 即异常处理;另一部分是当一段时间后监视器又对这些异常链路状态进行检测的, 检测到链路已恢复到正常状态, 则对之前采取异常处理的业务流进行恢复, 即链路恢复, 其总体框架图如图2所示。
3.3 异常处理
(1) 监视器检测到链路发生异常后, 首先对该业务流进行分类判决, 如果是实时业务, 转到 (2) ;如果是非实时业务, 转到 (3) 。
(2) 如果是实时业务, 则不中断业务流的连接, 而是根据链路的SINR值信息对业务流按一定的权重φ降低其发送速率。权重是根据预测值SINR (i) 和业务流现在的速率Vc来确定的, 每一个SINR (i) 的预测值对应一个发送速率Vi, 则权重φ可以由式 (1) 确定:
undefined
(3) 如果是非实时业务, 停止对该条业务流的服务, 并将其带宽临时分配给那些可变比特率且有分组在等待传输的无差错状态的连接。额外带宽的分配方式是按照各个连接的优先级进行公平分配的, 每个可变比特率无差错状态连接所获得的额外带宽正比于它的优先级。
3.4 异常恢复
在恢复过程中, 把业务流分为三种状态, 分别定义为领先状态、同步状态、滞后状态。
(1) 领先状态是在异常处理过程中获得异常链路释放出的额外带宽, 使得比自己原来的速率高的状态;
(2) 同步状态是异常处理前后数据率没有发生变化的状态;
(3) 滞后状态是由于链路发生异常, 异常处理降低其发送速率, 导致其发送速率小于正常时速率的状态。
异常的恢复是由领先流释放其获得的额外带宽用于补偿, 而不是将领先流的所有带宽都用于补偿, 直至这个领先流变成同步流。这样做的好处是补偿时并不中断对领先流的服务, 而针对一个滞后流i, 每一个领先流都释放的带宽是之前异常处理时按权值φ获得的带宽Δi作为补偿, 当系统同时存在多个恢复状态的滞后流时, 领先流用于补偿的带宽总数为这多个Δi的和, 当系统中所有的领先流都恢复成为同步流时, 称之为补偿结束。
4 算法的理论意义
选择系统分组超时率、平滑性和误码率作为算法性能指标。
4.1 系统分组超时率
系统的分组超时率为系统中超时分组总数与总的传输分组数之比, 可以根据式 (2) 计算得到:
undefined
式中:Λuj (t) 为基站端用户uj的缓存队列中超时分组数:
undefined
通过数学分析, 由于改进算法采用的是降低速率而非CSDPS算法中, 暂停传输, 这样在改进算法中, Λuj (t) 的值明显小于CSDPS算法中的Λuj (t) 值, 从而使得TORsystem (改进算法)
4.2 平滑性
在延迟抖动方面, 采用平滑性来衡量延迟抖动, 在文献[10]中提出用两个相邻RTT内发送速率的比来作为衡量平滑性的指标, 其公式如下:
undefined
在此用异常处理前后的发送速率Vi和Vc比来作为衡量指标, 即:
undefined
Smooth的值越大, 表明延迟抖动越小, 反之越大。在CSDPS算法中, 异常处理导致Vi=0, 从而Smooth为0, 而在改进算法中, Vi≠0。改进算法的平滑性明显优于CSDPS算法。
4.3 误码率
对于非实时业务, 最主要是保证误码率在允许的范围内。由于当链路异常后, 对于非实时业务采用的是中止该业务流, 这样就不会导致数据在发送过程中出错, 降低了误码率;同时把带宽临时分配给其他的业务流, 使得资源利用率得到提高。待中止一段时间后, 再对该中断业务流进行恢复, 使得数据能在好的网络状态发送, 保证了数据的正确率。
5 结 语
在无线网络中, 由于其时变性和不确定性, 将导致网络的传输性能发生改变, 如果单纯地把固定网络中的算法理论运用到无线网络中来, 不考虑无线信道的特点, 可能使网络的传输性能大大降低。于是提出了一种基于信道的改进分组调度算法。通过理论分析可以看出, 其性能要好于CSDPS算法。下一步的工作是在改进算法的基础上, 引入跨层设计的思想, 把MAC层和PHY层集合起来。
摘要：为适应IEEE 802.16无线网路的特点, 降低数据的分组超时率, 提高数据的平滑性, 在基于信道状态的分组调度算法 (CSDPS算法) 的基础上, 提出了一种基于信道状态的改进分组调度算法。该算法把业务区分与信道状态结合起来, 既考虑了不同业务的QoS需求, 也考虑了无线网络的信道特点。在降低发送速率上, 给出降低速率的具体计算公式。通过理论分析, 用改进算法与原有CSDPS算法进行了对比。可以发现, 改进算法在分组超时率和数据平滑性上都有较大改善。
关键词：IEEE802.16协议,服务质量,调度算法,信道状态
参考文献
[1]周文安, 付秀花, 王志辉, 等.无线通信原理与应用[M].北京:电子工业出版社, 2007.
[2]IEEE 802.16-2004.IEEE Std 802.16 IEEE Standard forLocal and Metropolitan Area Networks Part 16:Air Inter-face for Fixed Broadband Wireless Access Systems[S].
[3]Daniel A, Menase, Honglei Ruan, Hassan Gomaa.QoS Ma-nagement in Service-oriented Architectures[J].PerformanceEvaluation, 2007, 7:646-663.
[4]李茗, 彭木根, 王文博, 等.WiMAX系统中QoS机制研究[J].现代电信科技, 2005 (7) :57-60.
[5]Wong W K, Qian Y, Leung V C M.Scheduling for Hetero-geneous Traffic in Next Generation Wireless Networks[A].IEEE Globecom[C].2000.
[6]Bianchi G.Performance Analysis of the IEEE 802.11 Dis-tributed Coordination Function[J].IEEE Journal on SelectedAreas in Communications, 2000:535-547.
[7]Ramanathan P, Agrawal P.Adapting Packet Fair QueuingAlgorithms to Wireless Networks[A].ACM MOBICOM[C].1998:1-9.
[8]王欣, 孟昭鹏, 张蓓.基于自适应编码和调制技术的802.16调度算法[J].电子测量技术, 2007 (10) :103-106.
[9]张雪芹.基于802.16协议的QoS研究[D].镇江:江苏大学, 2007.