多目标区域（精选10篇）
多目标区域 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XA和XB分别表示2个分区内的变量,XAB为A区与B区间联络线上的变量,XBA为B区与A区间联络线上的变量。其中,解列点XAB和XBA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:
式中:F为目标函数,一般为发电费用最小;hLA和hLB分别为区域A和B的耦合约束;gA和gB分别为A和B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(i∈A,j∈B),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T
式中:θAi 和θBj 分别为节点i和j的相位角;x
应用部分对偶理论,分解后区域A的数学模型可以表示为:
式中:
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
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:
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]:
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]:
式中:MA为A区内线路的电纳矩阵(去除联络线);θA为A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T
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:
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;
将式(15)简化为:
式中:RA为A区中与污染排放系数相关的项;QA为A区中与生产费用相关的项;SA为A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
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。
多目标区域 篇2
★ 督导增加至30个，8+6架构，成为精英执行区域！
★ 区域督导全部分享入围，成为家族分享入围占比第一区域！
★ 通过领头雁的持续成长，完善区域培养体系，强化梦想，推动区域上精执。
★ 推动经销商事业道路，通过完善工作室事业道路系统，倡导督导做双星，底线分享入围，执行海外游（强调目的是培养的动作）
★ 推动BC的事业道路，同时完善红外套培养体系（红钱套就职/红外套培养），增加精英 宝石底盘，培养玫瑰经销商！
多目标决策的价值判断 篇3
原则，还是指标？
对于多属性或多目标决策来说，必然涉及属性或目标冲突时的取舍判断，通常有两种略有不同的考量，即依据非量化的原则（权重）或者按照可量化的指标（属性），它们共同构成了多属性或多目标决策的价值观基础。到底该关注指标确定原则，还是关注指标数字本身，实际上各有利弊。若关注轻重缓急、确定权重顺序、以行为原则为目标，则原则正确可保方向无偏，但有时人们会屈服于各种环境压力而导致原则逐渐飘移。若关注指标数字、确定绝对优劣、以行为规范与结果为目标，则指标明确可保精确定位，但会形成路径依赖而自我固化，甚至以偏概全，忽视未列入指标的其他非量化重要事项，结果顾此失彼。
在目标确定的过程中，是关注用以衡量目标的各属性指标的具体数字，还是关注各属性指标出现冲突时的相对权重，体现了数字导向还是原则导向的区别。尽管从理性上看，数字能够反映权重的思想，权重可以指导数字的确定，这两者对于企业发展的导向作用需要协调统一、相互配合。只是在现实操作中，人的注意力是有限的，如果所见到的目标都是偏离长期安全生存的原则，关注的都是短期急功近利的要素，加之对于整体运行很重要的一些性质似乎只能意会而难以准确测量或言传，那么结果会是什么呢？那些相对不重要的定量考核测评就会占据人们几乎所有的精力！这就是管理学界常说的，什么成为KPI（即考核所依据的关键业绩指标），什么就会变成泡沫。因为一旦什么东西成为KPI，就会受到各方面力量的过度关注，使某些局部要素过度膨胀，从而导致泡沫泛滥而变形走样，最终由量变引起质变——偏离有机体各部分需要协调的原则，从而产生整体运行失调危机。
对于有机系统而言，关键不在于数量，而在于适应、平衡，在于权变。需要明确原则：何时、何地、何种情境下，优先考虑什么因素，同时又能兼顾其他因素的影响。所以，对于那些重要而又无法同时兼顾的因素，只能一个时段关注一个要素，并通过不断调整关注的重点，从而做到在整个管理过程中实现对于重要因素的全面平衡兼顾。
过程，还是结果？
对于企业而言，不计后果，只求过程，显然行不通。但是另一方面，我们看到在企业或政府的职能部门中，因为效果难衡量，社会效应不可测，结果出现了以过程代替结果的情况。预算以活动量而不是所创造的价值为基准，今年钱花少了的部门，明年就会减预算，这促使人们想方设法不断增加预算，行政体系各部门之间的业绩比拼，在无形中就成了实际上的花钱比赛。基于以上情况，是否可以反过来说，企业经营可以只求结果而不管过程？到底应该奖励过程，还是奖励结果？管理过程，还是管理结果？回答这些问题，需要看具体情况。
如果对行为过程与最终产出的关系有充分的把握，企业的经营模式具有高度的可复制性，则更多地关注过程，自然就能带来预想的结果。而如果结果的产生具有不确定性，更多的是依赖于创新努力，受众多变动因素影响，则就不应对过程进行过多的干预。对于一个有机整体来说，失败可能仅仅因为一个局部的偶然失误就能引发，但成功往往需要各部门的协调才有效，绝不可简单地归因于单一事件或少数人，它可能与当时的景气、团队的合作、公司的整体声誉甚至还有其他项目的参照有关，因此，公司在奖励个人的同时，也要注意按品质奖励团队，以形成有助于公司整体合作的文化价值观，确保公司的长期健康发展。
创新，还是效益？
对于企业来说，长期创新与当前效益孰轻孰重？谁先谁后？其背后体现的企业对长短期关系的价值观。如果问一下：什么能支持企业活得更久？结论不言自明。在两者都比较重要而又不能同时兼顾时，通常只能采取在时间偏好上排序的做法，即通过一段时间倾向于一种选择，接着一段时间倾向于另一种选择，以此实现在整个时间过程中对所有重要因素的全面关注。
创新只能采取过程灵活、宽容失败、重奖结果的做法，而守成需要加强过程受控，以通过精益运作、不断改善带来满意的结果；过度关心创新，可能导致精细化工作不够，从而影响当前效率的提升，而过度关心守成，可能受困于现有产品，从而影响未来发展。关键在于：如何根据不同企业、不同业务、不同职能的具体情况，调控处理好两者的跨期选择关系。
在处理多种重要因素的关系时，最好的做法有如钟摆，不停地往复运动而又不失平衡性，这其中的动态权重与优先原则的确定正是决策管理的关键之所在。
多目标区域 篇4
外部世界对物体提供了丰富的颜色信息,颜色作为物体表面的基本特征,是进行物体识别和认知必不可少的信息。 常用的颜色特征匹配方法中,经典的算法是基于颜色直方图 (Color-histogram)的目标匹配方法,该方法的基本思想是将目标之间的匹配转换为对应的直方图之间的距离相似度衡量。D. Comaniciu在文献[1]中采用将Color-histogram与巴氏距离相结合的方法来寻找最佳匹配目标的位置。在此基础上Omar Oreifej在文献[3]中提出了基于区域权重的颜色特征匹配方法(Weighted Region Matching,WRM),按照颜色特征的不同把目标分成若干个权重不同的小区域,通过判断区域间的相似性来进行目标匹配。该方法在保证了很好的鲁棒性的同时又提高了目标的识别性能。但是由于颜色特征本身受光线变化、背景复杂度等因素影响而对于不同场景中目标的识别准确率存在差异,为了提高该算法的鲁棒性, 引入时空局部特征3-D LSK,改善WRM算法对光照变化敏感的缺陷。
近年来,基于时空局部特征的运动表征方法越来越多的用于视频中的动作识别问题,相关人员已经提出多种特征检测和描述方法。相关的文献结果表明,基于时空特征的运动表示能够更好地适应光照变化、运动者的穿着、运动差异等环境因素的影响,取得更好的识别效果。因此,本文引入时空局部特征来改善颜色特征对光照敏感的缺陷,提高算法鲁棒性。首先对未经预处理的检索视频(Query)和目标视频 (Target)提取时空局部转向核(Space-time Local Steering Kernel ,3-D LSK)作为人体行为的描述子,基于矩阵余弦相似性的非参数检验,利用特征匹配方法实现简单行为识别,然后再利用目标的颜色特征,通过基于区域权重(Weighted Region Matching)的颜色匹配方法来识别出具有相同颜色的目标。对无重叠区域的多个测试视频进行的相关实验表明,本文提供的算法能够有效识别出普通场景下的不同目标,对于衣着颜色相近的不同目标有很高的识别率。
1算法的基本思想
现在想要解决的问题是:在无重叠区域拍摄的多个测试视频中,算法能够准确地识别出目标人物(target)。
在简单场景下拍摄了多个测试视频(query),在视频中目标的衣着、基本轮廓和运动行为是清晰可见的。通过这些信息,要求算法能在这一系列query中寻找出target。这就是一个投票者(voter)和候选人(candidate)的问题。如图1所示,把target图像定义为voters,把query图像定义为candidates。因此问题就转换成了从candidates中寻找出voters最为匹配的结果。
问题的难点在于candidates中可能有多个和voters衣着颜色相近的对象,那么仅仅用基于区域权重(Weighted Region Matching,WRM)的颜色匹配方法就不能很好地识别出voters。所以在此基础上,对算法进行改进。由于人的运动行为具有好的鲁棒性和特殊性,引入时空局部特征3-D LSK的人体行为识别方法,通过时空局部特征和颜色特征相结合的方法,来有效地识别出voters。
2基于WRM的特征匹配方法
Weighted Region Matching[3]算法是一种基于区域权重的颜色特征匹配算法,对输入的query图像要进行一系列处理,具体过程如图2所示,分别为:目标检测;目标分割;特征匹配。
对图像进行目标检测和分割后,得到voters和candidates的两组图像数据。定义voters的图像组为V={vi;i = 1,2,…,n} , 定义candidates的图像组为C={cj;j= 1,2,…,m} ,其中vi和cj为每组图像的某个具体对象。那么cj成为target的概率为
式中:P (vi),i = 1,2,3,…,n为先验概率。假设wi是vj的权重,D∈[0 ,1] 是cj和vi间的归一化距离,则式(1)可改写为
式中:τ 为常量。式(2)类似于混合高斯模型,由此公式可知,WRM的重点在于对D(cj,vi)和wi的计算。
2.1目标检检测和分割
本文采用混合高斯背景建模来提取运动目标,使用M个高斯模型来描述图像中各个像素点的特征,在获得新一帧图像后更新混合高斯模型,用当前图像中的每一个像素点与混合高斯模型匹配,如果成功则判定该点为背景点,否则为前景点。Zivkovic在文献[7]中提出了一种自适应的M维混合高斯模型算法,假设图像中的像素在RGB空间中t时刻的取值为x那么采样点x符合的混合高斯分布概率密度函数为
式中:M是高斯分布的个数;N (x;μi;σi2I )是T时刻的第i个高斯分布;μi和 σi2为第i个高斯分布的均值和方差;ωi为第i个高斯分布在T时刻的权重,且有。生成背景模型后,利用背减除法从视频帧中提取出运动目标。
2.2计算EMD距离
从颜色特征提取的角度来说,Mean-Shift[8]平滑和分割算法是一款非常优秀的算法,在分割过程中,它能够突出图像中的各个区域并且使各个区域内平坦。因此本文选用MeanShift算法对candidate和voter进行平滑和分割,把目标根据颜色特征的不同分割为不同的几个区域。如图3所示 ,用EMD[9,10]算法(Earth Mover Distance)计算candidate和voter间的距离,就转化为计算对应区域颜色直方图间的距离。
计算EMD的方法来最初是用于解决运输问题,其实质是双向网络最优路径的选择问题。运输问题的描述如下:
假设有几个供应商,每个供应商都有一定数量的货物, 需要供应给几个零售商。每个零售商都有一个购买能力的上限,在任何供应商与零售商之间运输一个单位货物的成本是给定的。传输问题就是寻找最小代价货物流,货物从供应商流向零售商,这些货物能满足零售商的要求。
运输问题的目的就是找到一组路径F=[ fij]也就是供应商与零售商之间的对应关系,当使用这种双向对应关系时, 能够最小化运输货物所要付出的代价,即
它有如下约束条件:fij≥ 0 ,它规定了货物的运输只是从供应商到零售商的方向,并不返回。,wpi是供应商pii的总供货量,它说明运输货物的总量要小于所有应商货物的总和。,wqj是零售商qj的总需求量,它规定了所有零售商的需求都要被满足。,显然总的需求量应该小于总的供货量。
将该线性流程移植到特征分布的比较中,定义candidate在HSV空间的颜色直方图分布P={p1,…,pm}为供应商,voter在HSV空间的颜色直方图分布Q={q1,…,qn}为零售商,其中P、Q均为HSV彩色空间的色调。定义地面距离矩阵D =[dij],其中dij是pi和qj之间的地面距离,它是任何距离的度量,可根据具体处理问题的不同灵活选择。本文选择JD[9]距离(Jeffrey-Divergence)作为地面距离,相对于传统相似性度量方法,JD在颜色直方图的计算中具有数值稳定性和对称性,对噪声鲁棒性好等良好特性。由此在式(2)中candidate与voter特征分布间的距离为
2.3计算voter的权重
用Mean-Shift图像分割算法把voter分割为几个区域,每个区域都包含了target的信息,但是有些区域可能本身含有噪声或是在目标提取时引入了噪声。因此,需要对每个区域的权重进行计算,使得包含target信息最多的区域权重最大。 定义voter中的区域为R={rk},则区域rk的权重wk为
式中:wkpr是归一化的Page Rank权重,wks是根据区域大小进行归一化的权重。因此在式(2)中voter的权重wi就是区域权重的的总和,对其进行归一化得
3基于3-DLSK的人体行为识别方法
虽然颜色特征有具有很好的区分性和直观性,且对目标的形状和姿态的依赖小,但是由于特征本身受光线变化、背景复杂度等因素影响而对于不同场景中目标的识别准确率存在差异。在此基础上,引入时空局部特征3-D LSK的人体行为识别方法来改善颜色特征匹配的不足,算法系统框图如图4所示。
首先利用MACH Filter对Target视频进行学习训练,得到鲁棒性强的时空匹配模板;然后分别提取Query和时空模板的3-D Lsk,即WQ、WT,并进行PCA[11]降维,得到对应的时空局部特征FQ、FT;计算FQ与FT的矩阵余弦相似性RV,将RV与对应的阈值 τ 进行比较,从而实现简单行为的识别。对于相同行为的帧再进行WRM算法来判断query中的目标是否为voter,其算法框架如图4所示。
3.1MACHFilter构造时空模板
MACH Filter是由综合鉴别函数(Synthetic Discriminant Function ,SDF)演变而来的。针对一组同类的人体行为实例,SDF滤波器通过对4个性能指标的优化,将训练视频图像结合成一个复合模板。这4个性能指标分别是:平均相关高度(Average Correlation Height,ACH)、平均相关能量(Average Correlation Energy,ACE)、平均相似性度量(Average Similarity Measure,ASM)、输出噪声 方差(Output Noise Variance,ONV)。MACH Filter是SDF的最佳折衷结果,它具有3个优点:容易探测到相关峰、畸变容差较大、有效抑制复杂背景噪声的能力。本文利用MACH Filter对Target视频进行训练,得到Target视频中目标行为的时空模板,如图5所示。
首先用Sobel算子得到视频图像的边缘信息,将时空信息转换为频域信息,即对视频库中不同对象的同一行为作三维快速傅里叶变换
式中:f (x,y,t) 表示每一帧视频图像的像素值;M、N分别表示图像的行数和列数;L表示视频的帧数;F (u,v,w) 表示经过3-D FFT后的频域结果。通过式(9)合成MACH Filter对视频图像进行频域滤波,再作三维快速傅里叶反变换构造时空模板
式中:mx表示视频图像的向量xi的平均值;α,β,γ 是用来权衡滤波器性能的参数;C表示对角线噪声协方差矩阵; Dx表示训练视频中象征平均功率谱密度的对角矩阵,其定义如式(10)所示;Sx表示对角线平均相似度矩阵,其定义如式(11)所示。
式中:Ne= L×M×N为训练视频中像素点的总数;Xi表示关于xi的对角矩阵;Mx表示关于mx的对角矩阵。通过MACH Filter最大限度 地增强ACH,并降低ACE、ASM和ONV,得到的时空模板具有很强的鲁棒性。
3.2 3-D LSK特征提取
3-D LSK最初应用于图像降噪、插值、锐化和目标检测, 其核心思想是通过梯度估计分析空域和时域上的像素差异, 获取图像的局部结构信息,以此来确定一个经典核函数的形状和大小。根据3-D LSK的定义,其计算以及归一化处理如下
式中:Xs=[x1,x2,t]Ts表示感兴趣区域X邻域的时空数据模型,它是与协方差矩阵Cs相对应的3×3矩阵;h为全局平滑参数;P表示在数据模型X邻域的时空局部分析窗的样本点总数;Cs∈R3 × 3是根据空间坐标 (x1,x2)和时间轴的一阶导数得到的协方差矩阵。核函数的归一化处理,能够增强算法对图像在不同光照下的亮度和色度差异的鲁棒性。
利用式(12)、(13)分别计算Query和Target的3-D LSK, 即WQ、WT;然后对WQ和WT采用PCA降维,仅保留贡献率为80%信息量的d个特征值;以此构造矩阵AQ、AT并投影到WQ、WT,得到降维后的特征矩阵FQ、FT即为本算法提取的时空局部特征
3.3度量矩阵余弦相似性算法设计
为了分析FQ与FT之间的“距离”,提出一种基于离散余弦相似度的非参数检验方法,其原理类似于计算夹角余弦距离。特征矩阵FQ与FT的余弦相似度定义如式(16)所示。
通过表示每个特征矩阵的相应的权重,这种度量方式不仅能够准确地计算其余弦相似度,而且能够克服传统欧氏距离对奇异值敏感的缺陷。
最后,利用式(17)计算矩阵FQ与FT的矩阵余弦相似性 (Resemblance Volume ,RV),RV即表示测试视频与目标视频在时空坐标上每一个像素的匹配程度。显然,由于 ρi表示特征矩阵FQ与FT的余弦相似性,RV取值随着 ρi的增大而增大。
3.4非参数检验
通过控制置信水平来自适应生成阈值 τ ,将RV(i) 与阈值进行比较,从而检测Query中和Target行为相匹配的帧,实现行为识别。其基本运算流程如下:
1)选择一个合适的置信水平值 α ,即最大容许的误检率。
2)按照从小到大排列的p(i) 值,f ( p(i)) 即为关于p(i) 的函数。
3)令 γ 为满足p(i)i/Mα 的最大i值。
4)由p(γ) 确定阈值 τ ,并判定RV(i)值大于 τ 的像素包含与Target相似的行为信息。
在用3-D LSK时空局部特征对Query进行处理后,得到了和Target中具有相似行为的帧,再对这些帧提取颜色特征, 用第3节所述的WRM算法进行特征匹配,最终在query中找到和Target行为相同、颜色特征相同的目标。
4实验结果及分析
本文选用的测试视频主要来源于实验录制视频集。根据实验所需,根据目标颜色和运动行为的不同选取了简单场景下的6个视频集。分别为2个Target视频,4个Query视频, 具体信息如表1所示。
图6为6个视频的实际场景图,每个视频各为40帧,其中图6a、图6b作为Target视频,图6c~f作为Query视频。分别用WRM匹配算法、结合WRM和3-D LSK匹配算法进行两组对比实验。
实验一是以T1为Target,在Q1、Q2、Q4中寻找与T1中匹配的目标,实验结果如表2所示。对比T1、Q1的实验结果, 可以知道T1和Q1中的目标颜色相近,行为相同。WRM算法检测出Q1中有21帧的目标和T1匹配,结合3-D LSK和WRM的算法检测出Q1中有12帧和目标T1匹配。但显而易见Q1中的目标并非T1中的目标,所以这两种算法得出的结果都是错判的。但改进后算法的错检率为30%,优于原来的WRM算法。
对比T1、Q2的实验结果,可以知道T1和Q2中的目标颜色相近,行为相同。WRM算法检测出Q2中有20帧的目标和T1匹配,结合3-D LSK和WRM的算法检测出Q2中有15帧和目标T1匹配。 知道Q2中的目标就是T1中的目标,所以这两种算法得出的结果都正确的,因此错检率都为0%。
对比T1、Q3的实验结果,可以知道T1和Q3中的目标颜色相近,行为不同。WRM算法检测出Q3中有40帧的目标和T1匹配,结合3-D LSK和WRM的算法检测出Q3中的目标和T1完全不匹配。但显而易见Q3中的目标并非T1中的目标,所以WRM的算法的错检率是100%,它完全错判了目标。而结合3-D LSK和WRM的算法就能完全区分出目标的不同,效果十分优于WRM算法。
实验二是以T2为Target,在Q1、Q3、Q4中寻找与T2中匹配的目标,实验结果如表3所示。对比T2、Q1的实验结果, 可以知道T2和Q1中的目标颜色不同,行为相同。WRM算法检测出Q1中有8帧的目标和T2匹配,结合3-D LSK和WRM的算法检测出Q1中有6帧和目标T2匹配。但显而易见Q1中的目标并非T2中的目标,所以这两种算法得出的结果都是错判的。但改进后算法的错检率为15%,优于原来的WRM算法。
对比T2、Q3的实验结果,可以知道T2和Q3中的目标颜色相近,行为相同。WRM算法检测出Q3中有40帧的目标和T2匹配,结合3-D LSK和WRM的算法检测出Q3中有31帧和目标T2匹配。 知道Q3中的目标就是T2中的目标,所以这两种算法得出的结果都正确的,因此错检率都为0%。
对比T2、Q4的实验结果,可以知道T2和Q4中的目标颜色不同,行为不同。两种算法都检测出Q4中的目标和T2完全不匹配。因此对于颜色不同,行为不同的情况,两种算法效果相同。
综合表1和表2的实验数据可以发现,对于颜色不同,行为不同的目标间匹配,两种算法检测效果完全相同。对于颜色不同,行为相同和衣着颜色相同,行为相同的目标间匹配, 两种算法检测效果基本相近。对于颜色相同,但行为不同的目标匹配,结合3-D LSK和WRM算法的效果要优于WRM的效果。
5结束语
幼儿园各活动区域目标 篇5
2． 感受色彩、线条、形状的疏密、曲直和鲜浊所产生的节奏感。3． 能产生与作品主题相一致的感觉和情绪，并表达这种感觉。4． 能使用线条、形状表现力度感、空间感、节奏感和和谐感。5． 能使用主观色彩表现自己的情感和幻想。
6． 能根据自然社会中事物的发展变化，在作品中表现出生命的象征意味。
7． 能掌握一定的秩序和变化规律，发展构思、构图的能力。8． 提供不同层次的材料，增强幼儿的动手操作能力。
建构区目标：
1． 尝试运用不同的材料进行建构，提升空间想象力、创造力和合作能力。
2． 通过投放各种色彩鲜明、富于变化的材料吸引幼儿，激发幼儿对建构的兴趣。
3． 让幼儿在玩的过程中，增加想象和动手操作的能力，学会搭建技能，促使不同能力水平的幼儿都能得到发展。
4． 通过游戏规则的约束，帮助幼儿逐步形成各种规则，养成遵守规则的好习惯。5． 对幼儿的作品给予及时评价，围绕作品的创意评价，激励幼儿大胆创新。
图书区目标：
1．让幼儿通过自主选择和使用图书，促进幼儿的社会性和独立性。
2．通过图书区阅读间幼儿之间的交流，促进幼儿的早期阅读技能和语言发展的能力。
3．通过图书角的创设与利用，拓展幼儿的早期知识，形成读书爱书护书的良好习惯。
4．通过提供多种图书材料，发展幼儿的想象能力和思维能力。
积木区目标：
1．通过分工合作，培养幼儿的分工合作意识。
2．通过幼儿自己动手操作，发展幼儿的想象空间和想象力。3．在教师的引导下，幼儿能搭建出符合实际的建筑物。4．凭借幼儿的想像力，拼出不同造型的图案，发展儿童的眼力，脑力和手力等。
5．根据幼儿自己的思维，对长、短、高、矮、方、圆、大、小、三角形及其他形体的培数进行随意构造和搭配，变化出多种多样的结构形态和建筑物，从而提高儿童的观察力，想象力，动手动脑等能力。
益智区目标：
1．能利用多种玩具材料来感知探索、形成知识、发展思维和智力。
2．通过幼儿积极地思维活动调动起幼儿战胜困难，向自我挑战的勇气，发展他们的运算和推理能力，促进思维和认知水平的发展。
多目标区域 篇6
目标检测,也叫目标提取,是一种基于目标的几何特征以及统计特征的图像分割,它将目标的分割和识别合二为一。其准确性和实时性是整个系统的一项重要能力。
现有的目标检测算法[1,2],对于尺寸比较大的图像,为了达到比较合理的缩放尺寸覆盖率,并保证目标能被连续地检测到,缩放倍数需要被细化到很小的单位,然后再对每一层图像利用分类器窗口滑动扫描检测目标,整个过程非常耗时。
本文提出了一种算法,此算法在对图像进行目标检测之前,先将富含信息的感兴趣区域(ROI)提取出来,然后将目标锁定在ROI,对其进行尺度缩放,再进行目标检测。
1 基于感兴趣区域提取的多尺度目标检测算法
1.1 样本创建
下面给出了部分训练样本,如图1所示,图中(a)为正类训练样本,是指经过裁剪的车辆图像,并对尺寸做了规整,(b)为部分负类训练样本,是指其它不含人车辆信息的任意图片,本文选取各种场景下不含车辆的图片作为负类训练样本:
(a)正训练样本(b)负训练样本
图1训练样本(参见游览)
1.2 图像分割算法
图像分割在物体的目标检测及感兴趣区的提取中起着重要的作用。图像分割的目的就是把图像中具有特殊含义的区域与其它不同区域分割出来,这些区域是互不相交的,而且每一个区域都满足特定区域的一致性,严格意义上的分割是指每一个物体都能和它的背景区分开来而成为一个独立完整的区域。但在实际应用中这是很困难的,图像分割也没有统一的标准,也没有通用的分割方法,一般来说,只要能把感兴趣的部分从背景中分割出来就有意义。
基于阈值的分割方法是一种常用分割技术。不管用何种方法选取阈值,一幅原始图像f(x,y)取单阈值T分割后的图像可定义为[3]:
这样得到的g(x,y)是一幅二值图像。其中,T为阈值,对于目标图像的像素g(i,j)=l,对于背景的图像像素g(i,j)=0。如果能确定一个合适的阈值就可准确地将图像分割开来。
如果整幅图像使用同一个阈值,称为全局阈值分割,这种分割方法适用于背景和前景有明显对比的图像。多数情况下,很难用一个统一的阈值将物体与背景分开。但是可以根据图像的局部特征采用不同的阈值,按照具体问题将图像分成若干子区域分别选择阈值,或者动态地根据一定的邻域范围选择每点处的阈值,这时的阈值称为为自适应阈值。对于给定的图像,可以通过分析直方图的方法确定最佳的阈值[4,5,6]。
本文要分割的车辆图像背景和车辆本身并没有明显的对比,所以将自适应阈值分割与目标特征相结合,实现感兴趣区域的分割。
1.3 基于突变的感兴趣区域分割[7]
在高分辨大尺寸图像中,目标尺寸跨度较大,对于大尺寸目标,经过二值化以后,目标的细节与背景并不能明显地分开。因此,在阈值分割的基础上,需要进一步提取目标区域。根据目标是车辆的特性,很难在二值图像上将目标区域提取出来。车辆在正常日照条件下,无论外界光线如何变化,车辆底部都会在道路上产生颜色较深的阴影,参考文献[3]。利用车辆的这一特性,在二值化图像中提取车辆底部阴影突变,然后基于突变的长度按100:40的比例取得突变上方宽度,构成的矩形即为ROI。
突变区域的提取,本文参考文献[3]的方法,假设背景像素值为1,那么车辆底部阴影像素值为0。首先对整幅图像从下往上,从左到右扫描,若f(x,y)为突变像素的像素值,(x,y)为突变位置,继续判断f(x+1,y),f(x+2,y)…,f(x+n,y)像素值是否与f(x,y)值相同,如果相同,则继续进行往右检测,直到检测到有一定连续数量的像素与f(x,y)不同,则表明图像突变行结束。记录此时像素的位置(x+k,y),为突变行的右端点。
为了排除噪声点的干扰,根据车辆底部阴影在图像中的长度,设置一定的阈值范围,在这个阈值区间内连续长度的突变才被判定为车辆底部阴影。当突变线确定以后,根据100:40的比例确定ROI。
1.4 多尺度缩放目标检测算法
基于目标的多尺度连续性的方法之目标检测算法流程如图2所示。
图2多尺度目标检测算法流程(参见右栏)
(1)目标位置的确定。利用检测到目标的缩放尺度上的目标位置映射到原图上的位置取均值,即可得到目标在原图中的位置。
横坐标的计算方法:
纵坐标的计算方法:
(2)目标大小的确定。先求出缩放倍数的平均值,以100×40为基数,求目标在原图上的大小。
计算高度:
计算宽度:
基于多尺度目标检测算法的结果如图3所示。
1.5 基于感兴趣区域提取的多尺度缩放目标检测算法的实现
算法流程如图4所示。
本文目标检测的对象具有很高的分辨率,为了得到理想的图像分割效果,在对图像进行ROI提取之前,首先对图像进行滤波,目的是消除图像中的大量细节的信息。具体步骤如下:
(1)局部均值滤波。将车辆图像以3×3的窗口为单元进行扫描,并用像素点的灰度平均值代替3×3窗口内的像素点的灰度值。
(2)阈值分割。将图像分割为输出只有0和1的二值图像。在窗口内,将出现频率最高的像素点的像素值作为阈值,大于阈值的像素点灰度值置为1,小于阈值的像素点灰度置为0。
(3)突变区域检测。突变检测的目的是将感兴趣区域可能存在的区域搜索出来。
将在某个取值范围内连续突变的像素点,标记为突变区域,并按照一定的比例标记出ROI的高度,将ROI标记出来。
(4)ROI的目标检测。在ROI确定之后,对ROI区域进行进一步的多尺度缩放,然后在ROI内滑窗扫描,将分类器用在每一次扫描窗口上,对窗口内的图像分类,根据分类器输出结果得到关于活性值的金字塔式地图CAM。利用邻域抑制和重复点消除法在目标邻域搜索活性峰值点,在活性值金字塔上查找基于连续度的目标,进行最终定位。
2 实验结果及分析
2.1 实验参数设计
本文算法是针对大尺寸图像的目标检测提出来的,为了验证本算法,从采集到的车辆图片库中(880幅车辆图片)选取了图片质量较差的图像样本组成了一个110幅图像的样本库,用于验证本文方法的效果。实验基于Intel p4 3.0GHz的PC机,Window XP操作系统,MATLAB6.5的仿真软件环境。实验图像的尺寸为912×618。
具体实验参数的设置如下:
(1)选用5×5大小的窗口作为均值滤波的窗口;(2)选用出现频率最高的灰度值作为阈值;(3)本文选择的图像缩放倍数为0.6,检测的图像长度为100～300;
(4)突变连续区域的高度按照100:400的比例进行提取,从而确定ROI。
2.2 实验结果与分析
图5是对一幅输入图像进行基于连续度的目标检测的效果图。通过实验过程以及对实验结果的观察,我们知道本文采用的实验方法用了较短的实验仿真时间,也得到了很好的目标检测效果。
3 结论
本文针对大尺寸目标提取耗时的现象,提出了基于感兴趣区域提取的多尺度缩放目标检测算法。对于一幅大小为912×618的图像,直接对图像进行目标检测,需要的时间在1h左右,然而在采用本文的方法进行预处理后,再进行目标检测,实验的时间在20min以内。这种方法在很大程度上缩短了目标检测的时间,同时有效地滤除了大量的背景信息,降低了背景错误检测成目标的概率,提高了目标的准确效果。
参考文献
[1]王洪斌,赵振涌,顾彪.基于全局运动补偿的多运动目标检测方法研究[J].电子技术应用,2011,37(1).110-114.
[2]Haralick R M,Shapiro L G.Computer and RobotVision II[M].Addison-Wesley,1993.
[3]徐国艳,王传荣,高峰,等.车辆视频检测感兴趣区域确定算法[J].北京航空航天大学学报,2009,36(7):781-784.
[4]Roth D.Learning to resolve natural languageambiguities:A unified approach[C]//Proceedingsof the Fifteenth National Conference on ArtificialIntelligence,1998:806-813.
[5]Yang M H,Roth D,Ahuja N.ASNoW-based facedetector.In Solla[J],S.A.,Leen,T.K.,Muller,K.R.,eds.:Advances in Neural Information ProcessingSystems 12.2000:855-861.
[6]CarlsonA.J,Cumby C,Rosen J,et al.The SNoWlearning architecture[R].Technical Report UIUCDCS-R-99-2101,UIUC Computer Science Department,1999.
多目标区域 篇7
“事危则志远,情迫则思清。”“十一五”乃至未来十到十五年,我国仍将处在工业化和城镇化快速发展的阶段,区域经济面临人口不断增长、资源约束突出、环境压力加大的严峻挑战。而工业经济在区域经济中的地位可谓举足轻重,是资源节约、环境友好建设的“主角”。研究区域工业经济发展趋势、科学评价其运行质量,对制定、调整区域经济规划和考核地方政府,以科学发展观为统领,促进实现“三个转变”,在保护环境中谋求经济社会“又好又快”地发展都是十分有意义的。
本文以市域工业经济的质量趋势为研究系统,选择市域工业的增加值、用水量、水重复利用率、燃煤量、COD和SO2排放量为评价指标,以年度为评价单元。运用多目标模糊决策模型把“十五”以来各年度当成一个个被择方案,评价其相对的优劣,亦即表征市域工业经济的科学发展之程度。
2 多目标模糊决策模型之要义[1]
设系统有n个待优选的对象组成备选集,有m个评价因素组成系统的评价指标集。每个评价指标对备择对象的评判用指标特征向量表示,则系统有m×n阶指标特征向量矩阵:
式中xij为第j备择对象的第i个评价因素的指标特征向量。
第1步,计算指标隶属度矩阵。
*:预计数值
式中xi,max、xi,min分别为第i个评价因素的指标特征向量之最大值和最小值,得指标隶属度矩阵:
第2步,定义系统的优向量和次向量,分别为:
第3步,设系统有优向量、次向量与评价因素的权重向量:
第4步,计算第j个备择对象从属于优向量的隶属度:
式中p为广义距离参数。
3 实例
3.1 区域工业经济发展指标
某市“十五”以来,其工业经济有关指标,相对2001年(各指标以2001年为1.0000,无量纲)的统计结果见表1。
3.2 区域工业经济发展趋势简析
以表1中的数据作图1。由图1可看出,“十五”以来,工业重复用水率趋势略有提高;其它指标头三年也还是呈略有提高之势,2004年猛增,保持一定惯性至2005年;随着获得较快的工业增加值,资源的消耗和主要污染物排放也在相应增且头三年工业增加值的增加速度高于用水、用煤、加,污染物排放量,此发展还算合理;2004和2005两年耗煤和COD排放量平均高于工业增加值的增长速度,可初步判定这两年的工业经济发展不尽合理,至少不是资源节约和环境友好。
3.3 趋势评价
将“十五”以来的每一年当成多目标模糊决策模型备择的对象。按前述方法计算各年份从属于优向量的隶属度。这里取各指标的等权,广义距离参数p取2.0(即欧氏距离)。得2001~2006年从属于优向量的隶属度分别是:0.59058、0.71898、0.55731、0.027208、0.045208和0.3049,并作图2(左)。
从图2显然得出如下评价:2002年该市工业经济发展相对较科学,“十五”的后两年却较差,好在工业增加值2005比2004年增长40%以上的高速度,资源消耗、污染物排放指标均有相对程度的下降,而重复用水率略有提高,从中看到了该市工业经济走出不科学阴霾的一丝曙光。2 0 0 6年中央提出“三个转变”,该市搞了“节能和环保”的“双百日会战”,因消耗和排放的有效控制,科学发展的趋势显现出来了。
如果按照该市发展规划工业增加值18%的增长速度,而用水量、重复用水率和燃煤量2007年在2006年水平,COD、SO2排放据环保规划,其相对值列于表1。则得2001~2007年从属于优向量的隶属度分别是:0.57801、0.70486、0.53942、0.022393、0.031579、0.24404和0.3409,并作图2(右)。很显然,2007年将在2006年的基础上该市工业在科学发展上有长足的进步,但真正又好又快尚需时日。
4 结语
第一,多目标模糊决策模型能客观、直观地对区域工业经济发展的科学发展度进行评价。
第二,只有科学地对区域工业经济发展进行评价,才能建立起决策目标、执行责任、考核监督“三个体系”,把地方政府是环境保护和资源节约的第一责任人落到实处。
第三,落实《国务院关于落实科学发展观加强环保工作的决定》和全国第六次环保大会精神,以科学发展观为统领,加快实现“三个转变”,建设资源节约型、环境友好型、自主创新型的社会主义和谐型社会。重点是加强技术自主创新,以大力发展循环经济;加强污染物总量控制和实施排污权交易,以优化工业产业结构。
参考文献
多目标区域 篇8
多目标最优化是一门迅速发展起来的学科,是最优化的一个重要分支,它主要研究在某种意义下多个数值目标的同时最优化问题[1],吸引了不少学者的关注。在现实生活中,人类改造自然的方案规划与设计过程在总体上都反映了“最大化效益,最小化成本”这一基本优化原则,在合作对策问题中如何求解最优策略以获得共赢目标,在非合作对策问题中如何使自己的利益实现最大化,使对方的受益最小化,以及控制工程中的稳、准、快等时域指标与稳定域度、系统带宽等频域特性的综合问题等,实际上都是多目标的优化问题,因此多目标优化问题在现实世界中随处可见。
多目标优化是最优化领域的一个重要的研究方向,因为科学研究和工程实践中许多优化问题都可归结为一个多目标优化问题。多目标优化问题起源于许多实际复杂系统的设计、建模和规划。这些系统所在的领域包括工业制造、城市运输、资本预算、水库管理、能量分配、后勤补给、网络通信等等,可以说多目标优化问题无处不有、无处不在。
2 多目标优化模型
多目标优化问题(Muliti-objective Optimization Problem,MOP),又称多准则优化问题(Multicriteria Optimization Problem),多性能优化问题(Multi-performance Optimization Problem)或向量优化问题(Vector Optimization Problem)。
一般的多目标优化问题(MOP)由一组目标函数和相关的一些约束组成,可作如下数学描述:
其中X=(X1,X2,…,Xn)T是Rn空间的n维向量,称X所在的空间D为问题的决策空间,fi(X)(i=1,2,…,m)为问题子目标函数,它们之间是相互冲突的,即不埚X∈Ω使(f1(X),f2(X),…,fm(X))在X处同时取最小值,m维向量(f1(X),f2(X),…,fm(X))所在的空间称为问题的目标空间,gi(X)≤0(i=1,2,…,p)为约束函数。
多目标优化问题的本质是在很多情况下,各个子目标可能是相互冲突的,一个子目标的改善有可能引起另一个子目标性能的降低,也就是说,要使多个子目标同时达到最优是不可能的,而且只能在他们中间进行协调和折中处理,使各个子目标函数尽可能达到最优。法国经济学家V.Pareto(1848-1923)最早研究了经济学领域内的多目标优化问题,提出了Pareto解集。多目标优化问题的Pareto最优解仅仅是一个可以接受的“不坏”的解,并且通常一个多目标问题大多会具有很多个Pareto最优解。在实际应用问题中,必须根据对问题的了解程度和决策人员的个人偏好,从Pareto最优解集合中挑选一个或一些解作为多目标优化问题的最优解。所以,求解多目标优化问题的首要步骤和关键问题就是求解多目标优化问题的所有最优解。
3 传统的优化方法
绝大多数传统的多目标优化方法是将多个目标通过某种技术转换为一个目标的优化问题,然后再借助数学规划工具来求解。常见的传统优化方法有:
(1)加权求和法(Weighted Sum Method)
这种方法由Zadeh首先提出,该方法就是将多目标优化中的各个目标函数加权(即乘以一个用户自定义的权值)然后求和,将其转换为单目标优化问题进行求解。
利用加权求和可以将多目标优化转化为以下形式:
通过选取不同的权重组合,可以获得不同的Pareto最优解。这也是最为简单有效的一种求解多目标优化问题的经典方法,而且对与Pareto最优前端为凸的多目标优化问题,这种方法可以保证获得Pareto最优解。但其缺点也很明显,权重的选取与各个目标的相对重要程度有很大关系。此外,在搜索空间非凸时,很难在Pareto最优前端的非凸部分上求得解。
(2)ε-约束法(ε-Constraint Method)
ε-约束法是由Marglin[2]和Haimes[3]等人于1971年提出的,其原理是将某个目标函数作为优化目标,而约束其他目标函数的方法来求解多目标优化问题,模型如下:
εi作为上界可在优化过程中取不同的值,以便搜索到多个Pareto最优解,记Xf为可行解集合。通过这种方式将多目标优化问题转换为单目标优化问题,然后通过一般的数学规划方法或者模拟退火等方法进行求解。
(3)最小-最大法(Min-Max Approach)
最小最大法起源于博弈论法,是为求解有冲突的目标函数而设计的。这种方法的线性模型由Jutler和Solich提出[4],后由Osyczka和Rao进一步发展[5],是通过最小化各个目标函数值与预设目标值之间的最大偏移量来寻求问题的最优解。
4 多目标遗传算法
遗传算法GA(Genetic Algorithm)是受生物学进化学说和遗传学理论的启发而发展起来的,是一类模拟自然生物进化过程与机制求解问题的自组织与自适应的人工智能技术,是一种借鉴生物界自然选择和自然遗传机制的随机的搜索算法,由Holland教授于1975年提出[6]。Goldberg总结了一种统一的最基本的遗传算法,称为基本遗传算法(Simple Genetic Algorithms,SGA)。只使用基本的遗传算子:选择算子、交叉算子和变异算子。其遗传进化过程简单,容易理解,是其他遗传算法的雏形和基础。
常用的几种多目标遗传算法:
(1)并列选择法
Schaffer提出的“向量评估多目标遗传算法”是一种非Pareto方法。此方法先将种群中全部个体按子目标函数的数目均等分成若干个子种群,对各子群体分配一个子目标函数,各子目标函数在其相应的子群体中独立进行选择操作后,再组成一新的子种群,将所有生成的子种群合并成完整群体再进行交叉和变异操作,如此循环,最终求得问题的Pareto最优解。
(2)非劣分层遗传算法(NSGA)
Srinivas和Deb于1994年提出的非劣分层遗传算法(Non-dominated Sorting Genetic Algorithm)也是一种基于Pareto最优概念的多目标演化算法。首先,找出当代种群中的非劣解并分配最高序号(如零级),赋给该层非劣解集与当前种群规模成比例的总体适应值。为了保持解的多样性,所有该层非劣解基于决策向量空间距离共享此总体适应值。此后,该层非劣解集将不予考虑。然后,开始下一层非劣解集的搜索,在该层得到的非劣解集称为第二层,分配排列序号(如一级),并赋给与该层种群规模(除去以上各层已被赋予适应度的非劣解)成比例的总体适应值,同样,必须在该层非劣解集中实行适应值共享。如此重复直到当前种群中最后一个个体被赋予适应度值。
在前面的研究基础上,Deb等人于2002年又提出了一种非劣分层选择法2(NSGA-II)[7],这种方法的主要思想是对种群中的个体按Pareto进行排序,按照序值从小到大选择个体,若某些个体具有相同的序值,则偏好于那些位于目标空间中稀疏区域的个体。
(3)基于目标加权法的遗传算法
其基本思想是给问题中的每一个目标向量一个权重,将多有目标分量乘上各自相应的权重系数后再加和,合起来构成一个新的目标函数,将其转化成一个单目标优化方法求解。
若以这个线性加权和作为多目标优化问题的评价函数,则多目标优化问题可以转化为单目标优化问题。权重系数变化方法是在这个评价函数的基础上,对每个个体去不同的权重系数,就可以利用通常的遗传算法来求解多目标优化问题的多个pareto最优解。
(4)多目标粒子群算法(MOPSO)
粒子群优化算法(Particle Swarm Optimization,PSO)是一种进化计算技术,由美国学者Eberhart和kennedy于1995年提出,但直到2002年它才被逐渐应用到多目标优化问题中。PSO初始化为一随机粒子种群,然后随着迭代演化逐步找到最优解。在每次迭代中,粒子通过跟踪两个“极值”来更新自己,一个是粒子本身所找到的个体极值p Best,另一个是该粒子所属邻居范围内所有粒子找出的全局极值q Best。MOPSO与求解单目标的PSO相比,唯一的区别就是不能直接确定全局极值q Best,按照pareto支配关系从该粒子的当前位置和历史最优位置中选取较优者作为当前个体极值,若无支配关系,则从两者中随机选取一个。
(5)微遗传算法(Micro-Genetic Algorithm,Micro-GA)
Micro-GA是由Coello和Toscano Pulido于2001年提出的,是一种包含小的种群和重新初始化过程的遗传算法GA,其过程如下:首先,产生随机的种群,并注入种群内存,种群内存分为可替代和不可替代两部分。不可替代部分在整个运行过程中保持不变,提供算法所需要的多样性;可替代部分则随算法的运行而变化。在每一轮运行开始,Micro-GA的种群从种群内存的两部分选择个体,包含随机生成的个体(不可替代部分)和进化个体(可替代部分);Micro-GA使用传统的遗传操作;其后,从最终的种群选择两个非劣向量,与外部种群中的向量比较,若与外部种群的向量比较,任何一个都保持非劣,则将其注入外部种群,并从外部种群中删除所有被它支配的个体。
5 传统方法和遗传算法比较
尽管遗传算法的理论基础还不尽完善,但遗传算法已经很广泛的应用于多目标问题的求解上,并且取得了不错的效果。相比其他算法,遗传算法具有适应性和通用性、隐并行性、扩展性这三个独特的特点。但是它还是不能很好的解释遗传算法的早熟问题和欺骗问题,缺少完整的收敛性证明等。理论研究比较滞后,参数设置比较困难,解决约束优化问题还缺乏有效的手段,易早熟,而且计算量相对于传统方法要大的多,即使是使用遗传算法解决多目标优化问题,目前的多目标进化算法能有效的求解的目标数一般不超过4个。
与遗传算法相比较，传统算法在处理多目标优 化问题上，也具有其特有的优势。相对遗传算法来 说，传统算法的计算量小、计算速度快、设计简单、 容易理解，方便建立数学模型，并且传统方法有充分的理论支持。因此虽然遗传算法在解决多目标 优化问题上取得了很多成效，但这并不意味着传 统方法不及遗传算法有效，会被多目标遗传算法 取代。相反，传统算法在解决一些问题上仍然具有 很大的优势，比如计算速度快，易实现。所以我们 在求解多目标问题中，如果能结合遗传算法和传 统方法间的优点，效果将会越来越好。
6 结束语
在工程实践中和科学领域中存在着很多复杂的多目标优化问题。在单目标优化问题中,最优解就是一个且已经具有了明确的概念,但对于多目标优化问题,不同于单目标优化,多目标优化处理的是一些相互冲突、相互制约的目标,其解集也不是单一的一个解,而是一组最优解的集合。传统的数学规划原理在多目标优化的实际应用中虽然不太适用,但其也有自己的优点,而且就对于现在的多目标遗传算法也并不是很完善的,需要解决的问题也很多。因此,有必要进一步研究求解多目标优化问题的更多高效算法,结合两者的优点,使处理多目标问题的效果越来越好。
摘要：多目标优化是最优化领域的一个重要的研究方向。论述了多目标优化模型,同时介绍了常用的几种传统优化方法和常用的几种多目标遗传算法,对改进后的遗传算法与传统优化方法求解效果进行了比较,认为要进一步研究求解多目标优化问题的更多高效算法,若能结合两者的优点,处理多目标问题的效果将越来越好。
关键词：多目标优化,传统优化方法,遗传算法
参考文献
[1]林锉云,董家礼.多目标优化的方法与理论[M].吉林:吉林教育出版社,1992.
[2]Marglin S.Public Investment Criteria.MIT Press,Cambridge[M].Massachusetts:1967.
[3]Y.Haimes.Integrated system identification and optimization[J].control and Dynamic System:Advances in Theory andApplication,1973,10:435-518.
[4]Osyczka A.Multicriterion optimization in engineering withFORTRAN programs[J].Ellis Horwood LIMITED.1984.
[5]Tseng C H and Lu T W.Mini-max multi-objectiveoptimization in structural design[J].International Journal forNumerical Methods in Engineering.1990,30:1213-1228.
[6]Holland J H.Adaptation in naturation in naturalandartificial systems[J].The Uniuversityof Michigan Press,1975(1):21-24.
徐恭藻:多业态缔造区域龙头 篇9
在零售业,素来有“区域为王”一说。在青岛,这个“区域之王”非利群集团莫属。2008年,利群集团销售额为138亿元,比同期增长了13.5%左右,利税增长近20%。2009年,应对金融危机,利群集团提前采取措施,强化企业管理,并且做出了“不裁员、不减福利、不减收入”的承诺,如此魄力,利群的底气何来?
或许,我们从利群集团总裁兼董事局主席徐恭藻的身上可以看出端倪。
在国内零售企业家中,利群集团董事长徐恭藻始终以领跑者的形象出现,把背影和足迹留给后来者。参观过利群集团的业内人士对徐恭藻的一些经营思路多少感到困惑不解:比如,耗费巨资自主研发信息系统,为此还专门培养一批信息化高级人才(国内更多的零售企业则是选择跟软件商合作,借以降低成本);再如,“过度”的多元化,除了零售业之外,他还经营地产、酒店、药店等项目——似乎只要是赚钱的生意他都做……然而这些在徐恭藻看来是如此顺其自然,因为他成功了,他把企业做到了100个亿,并且正以每年20%的幅度持续增长。而这极具说服力的数字背后,则是徐恭藻的“超传统”商道。
扩张才是硬道理
快速扩张直接挑战一个企业的管理水平。国内好多零售企业因为扩张中人才或资金链问题而死于非命。利群集团在快速扩张中还能保持企业的稳定发展,在于它有一个良好的风险控制体系。从1994年建立利群商场开始,徐恭藻扩张的脚步从未停过。在经过1995、1996年两年的人才、资金储备之后,利群集团先后并购了两万多平米的长江商厦、一万多平米的胶南商厦和四万平米的即墨百货商场,随后又在青岛四方区建立了四方购物广场。到2007年,利群集团已开业的商场数目达26家,此外还有十几家商场在建设当中。
能够如此大规模在山东范围扩张,这得益于利群集团在青岛打下的坚实基础。徐恭藻的区域战略是:步步为营,做足区域。徐恭藻眼中的区域,颇有些辩证的味道。对于整个山东省来说,青岛就是它的区域,要成为山东领先,就得先做到青岛领先;对于全国市场来说,山东就是它的区域,要发展全国战略,必先把山东的市场基础打牢。徐恭藻的扩张策略是,先快速占领青岛市场,然后迅速走青岛,在山东其他地方发展,再回过头来巩固青岛市场。对于选址,徐恭藻也有自己的看法,那就是“兔子专吃窝边草”:如果青岛和山东其他地方都有合适的网点,则优先选择青岛;如果山东省和全国其他地区同时有合适的网点,则优先选择山东省。目前,徐恭藻也在考虑全国发展的思路,如果有合适的项目,则走出山东。
徐恭藻认为外资与本土零售企业相比优势在于资金和管理水平,而管理水平最重要的则体现在信息化方面。他非常看重利群的信息化建设,利群集团所有系统都是自主研发的。有的业内人士则认为自主开发成本过高,需要投入巨大资金和人力,不合算。但徐恭藻有自己的打算,他的产业涉及诸多方面,目前还没有一个软件企业满足这样的需求;其次,先进的信息系统是企业迈向现代化进程的首要手段;再次,以利群100多亿的销售额来分摊,完全“养得起”这样一个昂贵系统。徐恭藻坚信,“自己订做的鞋子更合脚”。
不拘一格多元化
目前,利群集团有五大不同的业态:零售、物流、地产、酒店、药店。发展多元化,徐恭藻并不拘一格,他的思路是,什么需要就发展什么;什么赚钱就发展什么,这一切看起来水到渠成。
最初根据零售业态的需要,利群建立了自己的物流系统,后来便发展成了独立核算物流公司。目前,利群集团有两个大型的物流中心,其中的一个已经改造成了现代化的药品物流中心。在外贸领域的拓展使得利群的百货店向上游整合供应链,拿到更低的折扣。发展地产也是形势所需。后来随着企业规模的扩大,利群集团下属地产公司应运而生,酒店也随之展开。大树底下好乘凉,随着“利群”这个品牌为大众认可,利群药店连锁的推广也毫不费力。“为什么要做药?”徐恭藻对此有着独到的见解:“中国的‘医’、‘药’没有分离。大量药品是医院在做,占了70%到80%,社会做的只有20%到30%。虽然现阶段做药非常困难,但是这个行业肯定是朝阳行业。”
虽然多元化经营已在零售业内形成共识,“零售+地产”的组合拳也被很多零售企业家运用得流畅自如。但难就难在,如何去整合多元的业态,使它们优势互补?徐恭藻认为,管理有两个根本,一个是人才;另一个是资金。企业家只要抓住人才和资金,剩下的就是“让专业的人做专业的事”。这一理念在涉足多元化的集团公司的管理上是卓有成效的。他把利群集团分为五个独立核算的公司。作为集团的董事长,徐恭藻只需要管理五个公司的总经理就可以了。至于酒店业务管理、零售店选址等具体事务,则有专业人士来打理。让专业的人做专业的事,这就是徐恭藻的“放手原则”。
了解了利群集团对下属公司的整合,也就不难明白徐恭藻为什么要花费巨大财力物力来自主研发信息系统了。利群的信息系统包括酒店管理系统、物流管理系统、供应商管理系统、集团决策系统(包含人事、财务系统)等。这套先进的系统体现出的一个理念是:规范。徐恭藻非常注重公司的规范管理,他认为,小企业管理靠老板的影响力,而大企业则靠制度。
企业家要善于借势
“势”在汉语语境中有很微妙的含义。自古能成大事的人无不善于借势。从管理学角度来看,这个“势”就是品牌、人脉、资金、影响力。优秀的企业家往往能够凭借自身的资源和优势,使企业立于不败之地。
1992年,利群集团打算建立利群商厦,需要2.2亿元资金。当时的利群连十几万元都拿不出,国家也不投资,银行也不贷款。在这种情况下,他们只好向社会发行股票。凭借利群集团在当地的品牌影响力,很快就集到了资金,利群商厦诞生。这就说明了徐恭藻善于借助“品牌之势”。后来,随着利群集团业绩的增长,很多银行组成“银团”来为利群集团提供贷款,这就是利群集团的“影响力之势”。
利群集团1994年招了11名大学本科生;1997年招了18名。到今天,这个数字已上升为1578名。其中大部分大学生来自外地,这在一个商业企业也是不多见的。
最近,利群投资几千万元建设的省内第一家物流配送中心正式投入运营,成为青岛流通业从传统模式向现代大流通业发展的一个标志,也为利群入世后在与对手竞争中立于不败之地增添了有分量的砝码。
利群集团建设的物流中心可谓颇具规模。它占地1万多平方米,分为上下两层,共有1万多个货位,可存放的商品品类达几万种。物流中心设施也可谓一流,而且它的信息技术管理系统目前在国内零售业中也是名列前茅,商品从采购、收货、储存、分拣到配送、处理,全部都是由计算机来控制。
利群集团自主开发的计算机管理系统目前在全国也处于先进水平,并仍在不断升级;利群的经营理念与企业文化正日臻成熟;利群人才培养正在按部就班地实施,为下一步的再发展积聚能量……
利群集团总裁徐恭藻说,以利群集团目前的实力,可怕的不是对手之强大,而是自己打败自己。我们正努力从各个方面避免这一点,争取把利群做成一个百年企业,树一个百年品牌。
“双面”徐恭藻
就这样一个领导着数千名员工的企业家,如果仅凭想象,你一定会以为徐恭藻是一个威严、强势的人物。可恰恰相反,坐在我对面的却是一位慈眉善目、面色可亲的长者。与他在事业上的霸气相比,生活中,徐恭藻的低调和谦逊让人惊讶,只是他浓重的剑眉往往给人一种不怒自威的感觉。
这就是一个企业家的两种风格。徐恭藻身边的工作人员告诉我,徐恭藻在工作上非常严肃,给人一种无形的威严;生活中的他却非常幽默,谈吐风趣。有一次,徐恭藻和几位同事乘车路过一片草地,看到有人在草地上放羊。同事中间,几个女孩子在讨论城里人如何给宠物洗澡。看到外面的羊群,徐恭藻自言自语道,有没有人给羊洗澡呢?话音刚落,引来阵阵欢笑。工作之余,徐恭藻喜欢看书、练剑、打太极拳。他在太极里领悟管理中的平衡之术。
是什么成就了徐恭藻?徐恭藻认为他的成功源自忍耐和坚持,他非常欣赏管理学大师杰克·韦尔奇的观点:成功就是一件简单的事情重复做。徐恭藻身上有股山东人特有的质朴、务实的特点,是山东的一方水土培养了他务实的性格,而在零售业的磨炼使他具备了超出常人的忍耐和坚持。
利群“触网”
作为在电子商务起步较早的传统零售商,利群集团“电子商务网站+呼叫中心+社区综合服务点”的电子商务模式,获选中国连锁经营协会2009年零售创新案例奖。
2008年4月,利群集团专门成立了独立的“利群集团电子商务公司”,定位也从网上零售传统的商场中的商品转为以“商务”和“服务”并举。为了弥补网上商城的服务缺憾,利群引入了呼叫中心,并提供除了商品之外更多的社区服务,如交费、中介等轻物流的业务。这种综合服务,不仅有利群网上商城的购物快报、DM直接投递,还能整合60多项服务,从交手机通讯费、水电费到机票、通下水道,甚至可以订购蛋糕、鲜花,请家教、保姆等等。
利群集团副总裁狄同伟认为,综合服务是电子商务落地的模式,可以实现顾客的关系管理,而呼叫中心作为电子商务的支持部门,同时也实现一定创收。2008年利群电子商务业务带来销售收入2700万元,2009年销售收入为4000万元。
关于利群集团
多区域电网模型在线拼接与合并 篇10
为确保对重要机构的安全可靠供电, 需要一套电力保障自动化系统对涵盖重要用户及其上级各级电源的电网进行实时监控和分析, 使得调度人员可以全面掌握这些场所的电力运行信息、上级电源信息、供电方式、相关属地供电公司的保障信息等, 以便在事故情况下快速恢复供电。
由于电力系统调度普遍采用分级电网监控的方式, 相应的电力保障自动化系统监控的范围往往会跨越多个级别和区域;其监控的电网也相应由不同级别、不同区域的电力调度自动化系统所管辖。例如:北京奥运电力保障自动化系统需要监控奥运场馆从500 kV直至380 V的电网, 涉及到1个市调自动化系统、16个区调自动化系统和1个奥运配网监测系统的管辖范围。
为了复用已在各个区域维护的电网模型和图形, 降低电力保障自动化系统建模和画图的工作量, 电力保障自动化系统需要实现多个区域电网的在线拼接与合并。IEC 61970标准的公共信息模型 (CIM) 为各级调度自动化系统对电网进行统一建模提供了模型规范, 采用CIM可扩展置标语言 (XML) 格式和可缩放矢量图形 (SVG) 格式实现各级调度自动化系统之间电网模型拼接和图形共享技术已在一些文献中得到阐述[1,2,3,4,5,6], 并在诸多工程现场得以应用。文献[2-5]针对上下级调度自动化系统模型拼接时的等值设备处理问题, 阐述了如何在模型拼接中根据关口设备定义除去各模型中的等值部分, 合并为全网的详细模型。文献[6]通过边界设备定义和内外网切分技术解决相邻调度区域的模型重叠问题。但这些文献均未涉及模型的增量更新以及地区电网中普遍存在的T接线合并问题。本文提出通过T接分组来合并T接联络线, 并通过连接关系绑定来解决模型连接关系的增量处理。
1 区域电网的建模原则
为了实现多区域模型的合并, 需要对这些区域边界部分的一些设备进行重叠建模, 电力保障自动化系统根据重叠建模部分的唯一标志实现重叠部分的合并。因此, 为保证各个区域模型能够正确拼接, 需要先对模型的边界进行定义。
图1是电力保障自动化系统所监控电网的示意图。从图1可以看出, 这个电网所涉及的子区域不仅会在高电压等级有联络, 在低电压等级也会有联络。从减少总的模型维护工作量以及区域模型易维护和易合并的角度综合考虑, 电力保障自动化系统将以联络线作为各个子区域的建模边界, 各个区域需要对联络线路、联络线两端的厂站进行建模。
图1中区域1、区域2分别代表2个地区, 每一个地区可以看做一个调度自动化系统所关心的电网;虚线区域为建模范围。假设“厂站A”属于区域1, “厂站B”属于区域2, 而“线路AB”为2个区域的联络线路, 则区域1建模时至少要对“厂站B”、“线路AB”以及“线路AB”在“厂站B”内端点所连接的连接点进行建模, 区域2建模时至少要对“厂站A”、“线路AB”以及“线路AB”在“厂站A”内端点所连接的连接点进行建模。
按照该原则进行建模可使边界设备的维护量降低, 仅要求主导入区域对边界厂站准确建模。即, 如果“区域1”是“厂站A”的主导入区域, 则只需要“区域1”模型中对“厂站A”内的设备及设备之间的连接关系进行准确建模;而在“区域2”的模型中“厂站A”除了必须包括联络线端点所连连接点外, 其他部分都可以简化建模。
本文中的一个最基础的假设是各个区域自动化系统可以提供CIM XML格式的电网模型和SVG格式的图形, 各个区域模型的重叠部分通过统一的命名来识别。SVG导入电力保障自动化系统的工作将在CIM XML模型合并到电力保障自动化系统之后进行。
2 T接线路的处理
对于地区级调度系统来说, 可能存在大量线路T接的情形, 其中一些T接线将是2个区域或多个区域之间的联络线。图2所示是一条复杂的T接联络线。
从“厂站A”到“厂站B”的联络线上分出了3个分支。因为需要为每一个T接点设置一个所属的设备容器, 所以在调度自动化系统中会为这些T接点虚拟出一个所属的T接虚拟站, 例如:图2中的T接点“T001”所属设备容器为“虚拟站1”, T接点“T002”所属设备容器为“虚拟站2”, T接点“T003”所属设备容器为“虚拟站3”。由于“厂站A”到“厂站B”之间的线路为联络线, 它将在2个调度自动化系统中分别进行建模, 但是这2个系统中对于T接点所属的虚拟站很难进行统一命名, 因此, 在电网模型合并前需要通过T接联络线的信息进行子系统模型中虚拟站的合并。
本文通过T接联络线信息分组的方式完成虚拟站的合并。图3是针对图2中T接形式的信息分组情况。
每条T接联络线将对应1个T接组 (如图3中“厂站A, B间联络线T接组”) , 每个T接组下面是T接点信息 (如“T001”) , 在各个T接点下面是该T接点所连接的T接线路段 (如T接点“T001”连接的T接线路段有“线路AB段Ⅰ”、“线路AB段Ⅱ”和“线路AB C支”) 。在虚拟站合并时, 为每个T接组下各个T接点顺序生成T接虚拟站, 即联络线T接组1下的第1个T接点属于T接虚拟站1, 联络线T接组2下的第1个T接点也属于T接虚拟站1。
将T接联络线分组信息映射到CIM上, T接组对应于线路类 (Line) , 虚拟站对应于变电站类 (Substation) , T接点下的各个T接线路段其实对应于某条线路段的1个端点 (Terminal) 。为了清晰起见, 图3对CIM类之间的关联关系进行了简化表示, 例如:ACLineSegment和Line之间的关联实际上是通过这2个类的父类Equipment和EquipmentContainer进行关联的。
对于各个区域模型有统一命名的厂站、设备可以通过按照命名进行合并;而对于由于线路T接产生的虚拟站等信息则需要通过T接联络线信息分组的方法, 为T接点重新分配虚拟站, 以避免在模型合并时由于虚拟站命名不统一而造成的T接点不易合并以及频繁修改线路信息等问题。
3 电网模型的拼接与合并
相邻的2个区域会对联络线路及联络线路所连接的2个厂站进行重叠建模, 例如:图1所示的例子中, 区域1和区域2都会对“线路AB”、“厂站A”和“厂站B”进行建模。在进行模型合并时就需要对这些重叠信息进行取舍。电力保障自动化系统可通过指定主导入设备、主导入厂站的方式来配置各个区域的取舍信息。针对图1的情形, 配置“厂站A”为区域1的主导入厂站, “厂站B”为区域2的主导入厂站, “线路AB”为区域1的主导入线路, 则电力保障自动化系统以区域1模型中的“厂站A”和“线路AB”, 以及区域2模型中的“厂站B”为主导入信息。作为主导入信息的厂站或设备将无条件合并入运行系统中, 而非主导信息的厂站或设备将作为辅助信息合并入电力保障自动化系统中。
为保证合并形成的大电网模型可进行网络拓扑、状态估计、潮流计算等高级应用分析, 需要保证各个需合并模型的拓扑准确性。因此, 模型在合并之前需要进行拓扑校验, 检查是否有不同电压等级的设备连接在一起。对于边界变电站, 需要与主信息来源中的模型信息进行比较, 检查是否一致。包含T接联络线的电网模型合并入电力保障自动化系统过程中, 需要按照第2节中所述的T接分组方法进行T接点的合并以及修改T接联络线的连接关系。
4 模型增量的处理
由于电力保障自动化系统需要对多个区域的电网模型实现合并与拼接, 因此, 不可能每一次都在区域模型发生变化后进行全量的模型更新, 而应该是针对该区域模型进行模型的增量更新。模型的增量包括厂站、设备等对象的增量 (设备参数) , 以及设备连接关系的增量。
因为厂站、设备已规范了统一的命名, 厂站和设备的差异处理相对比较简单。将新模型中厂站 (或设备) 与运行系统中的同名厂站 (或设备) 进行比较, 检查是否存在增加、删除或更新的情形, 并根据检查结果对运行系统的厂站 (或设备) 采取相应的操作。
然而对于设备连接关系来说, 由于无法对端点 (Terminal) 和连接点 (ConnectivityNode) 的命名进行规范, 而且一个区域模型在更新前后也无法保证端点或连接点的命名保持不变, 因此, 在进行设备连接关系增量更新时需要根据设备、端点、连接点之间的关联关系将待导入模型的设备连接关系绑定到运行系统的设备连接关系上。对于某个具体设备来说, 连接关系绑定就是将待导入模型内该设备的端子连接点关联关系和运行系统内同名设备的端子连接点关联关系绑定起来, 从运行系统中找出待导入模型中连接点所对应的连接点。
由于单端点设备 (如母线、变压器绕组、并联电容器、并联电抗器、发电机、负荷、接地刀闸等) 所关联的连接点可以很明确地实现绑定, 因此, 进行连接关系绑定时将从单端点设备开始, 然后再绑定一端已被确认绑定的双端点设备 (如开关、刀闸、线路、串联电容器、串联电抗器等) , 反复多次即可完成所有的绑定。图4为设备连接关系绑定的示意图。
图4中“TE1”为单端点设备在运行系统中的端点, 其关联的连接点为“CN1”;而该设备在新模型中的端点为“TE4”, 所关联的端点为“CN3”。这样的单端点设备即可根据设备的统一命名很明确地将运行系统的“CN1”关联到新模型的“CN3”上。图4中双端点设备的一端所关联的连接点已在单端点设备绑定处理步骤中完成, 则该设备的另一端也可方便地进行绑定, 即“CN1”绑定到“CN3”后, “CN2”也就绑定到了“CN4”。
在完成运行系统和待导入模型的设备连接关系绑定之后, 就可以进行模型的增量更新了。更新的原则是不改变绑定对象的连接关系, 图5为1个设备完成绑定之后, 该设备的1个端点的连接关系差异处理流程。
5 合并效果
实现多个级别、多个区域的模型在线拼接与合并后, 电力保障自动化系统可以以电网拓扑为重要机构梳理出从380 V到上级各级电源的供电路径 (如图6所示) 。有了这条完整的供电路径, 才能分析出供电路径中的重点环节, 对直接或间接参与供电的电网设备提供有效的保障, 从而保障对重要用户的可靠供电。
6 结语
为了满足“全链条式”的电网监视要求, 电力保障自动化系统中接入了500 kV变电站直至低压380 V用户端的所有信息, 包含了从高压到低压所有电厂、变电站、重要场所和附属设施的全部实时信息, 实现了主网侧与配网侧供电保障的有效衔接。
电力保障自动化系统通过在线拼接和合并了来自多个区域调度自动化系统的CIM XML模型和SVG, 实现了上下级调度自动化系统的信息集成和资源整合, 使调度人员更为全面地了解电网运行情况, 为综合调度保证电网安全性和稳定性提供技术保障。
参考文献
[1]潘毅, 周京阳, 李强, 等.基于公共信息模型的电力系统模型的拆分与合并.电力系统自动化, 2003, 27 (15) :45-48.PAN Yi, ZHOU Jingyang, LI Qiang, et al.The separation/combination of power system model based on CI M.Automation of Electric Power Systems, 2003, 27 (15) :45-48.
[2]孙宏斌, 李鹏, 李矛, 等.中国南方电网在线分布式建模系统研究与设计.电力系统自动化, 2007, 31 (10) :82-86.SUN Hongbin, LI Peng, LI Mao, et al.Study and design of online distributed modeling system for China Southern Power Grid.Automation of Electric Power Systems, 2007, 31 (10) :82-86.
[3]蒋维勇, 吴文传, 张伯明, 等.在线安全预警系统中的网络模型重建.电力系统自动化, 2006, 31 (21) :5-9.JI ANG Weiyong, WU Wenchuan, ZHANG Boming, et al.Network model reconstruction in online security early warning system.Automation of Electric Power Systems, 2006, 31 (21) :5-9.
[4]钱锋, 唐国庆, 顾全.基于CI M标准的多级电网模型集成分析.电网技术, 2007, 31 (12) :69-73.QI AN Feng, TANG Guoqing, GU Quan.Analysis on integration of multilevel power network model based on CI M.Power System Technology, 2007, 31 (12) :69-73.
[5]钱锋, 唐国庆, 顾全.基于CI M标准和SVG的分散式网模合并.电力系统自动化, 2007, 31 (5) :84-89.QI AN Feng, TANG Guoqing, GU Quan.Composition of decentralized graphics and model based on CI M and SVG.Automation of Electric Power Systems, 2007, 31 (5) :84-89.