调度决策系统范文

调度决策系统范文（精选8篇）

调度决策系统 第1篇

1 故障抢修调度决策系统设计

基于95598客户服务和抢修调度设备管理等系统的故障抢修调度决策系统, 首先需要电网结构和客户信息GIS地理空间数据的拓扑耦合, 即需实现从高压变电站到低压用户终端电能表箱之间的变电站、开关站、线路、断路器等电气设备装置的地理空间信息和物理数据的赋值关联。将MIS中的电力客户相关信息, 经通信规约转换处理导入到故障抢修调度决策系统实时数据库中, 实现电力客户信息和一体化平台间信息的同步自动刷新。利用GIS中低压终端表箱与客户电能表编号统一耦合, 实现电网从变电站到每个电力客户间物理信息的GIS空间关联。MIS, GIS与95598客户服务系统数据资源的交互共享和耦合关联后, 一旦客户拨打95598故障申告电话, 客服人员和故障抢修人员就能通过GIS可视化调度决策系统平台了解电网实时运行工况, 并结合专家知识系统智能分析可能存在的故障点和故障类型, 帮助故障抢修人员制定合理的故障抢修策略, 有效提高客户报修响应速度和抢修资源调配利用效率, 缩短故障抢修时间。

2 故障抢修调度决策系统功能实现与应用

故障抢修调度决策系统以供电企业已经建成的DSM, GIS, MIS, 95598客户服务等系统数据资源为基础, 经接口通信规约的集成统一转换, 实现其与抢修移动终端子系统间数据信息和调度决策指令的双向同步分发和实时交互共享。同时, 在移动终端与服务器数据库平台间, 采用端到端直接互联加密和三层安全防护体系, 确保数据业务处理和传输的同步连续性和安全一致性。

2.1 故障报修

(1) 客户报修。故障抢修调度决策系统与95598客户服务系统间实时数据和业务交互, 可以精确定位到每个电力客户, 且经客户数据库服务器可以自动向GPRS抢修移动终端 (PDA) 发送相应的业务工单。抢修人员经手持式抢修移动终端及时获得业务工单相关信息, 并经GPRS网络完成业务工单处理信息的同步回传。95598客服人员和故障抢修管理人员, 经GIS管理平台及时掌握故障申告客户表箱号、分支线路、所在变配电台区、周围抢修人员装备等数据信息, 并在故障抢修调度决策系统中按GIS电网结构给予突出显示, 有效简化故障申告和业务派单操控流程, 实现故障电话申告和抢修工单业务派发的无线无缝集成。

(2) 故障定位。故障抢修调度决策系统通过95598客户故障申告、检修维护人员手持式抢修移动终端、MIS等辅助系统故障共享等方式获取故障信息后, 根据故障信息来源及严重程度自动进行分类, 形成故障诊断依据和估计故障区段, 并结合GIS地理图形经信息整合, 将故障区域的地理图、单线图、系统网络图等加以处理和可视化动态展示, 实现故障报修的智能化运算分析、图形化展示、主动针对化决策和动态化调度指挥的“四化”管理。调度管理和检修维护人员根据故障抢修调度决策系统提供的故障信息、配电GIS地理信息、网络拓扑图形、电网运行工况等, 将故障准确定位到配电台区、断路器或分支线路。对于重要电力客户, 管理人员可以通过业务工单等级编码、短信提示、语音电话等形式, 提醒电力抢修人员及时对故障进行处理。故障抢修指挥人员在获得业务工单后, 也可以通过调取相关界面查看故障来源、受理时间、具体描述、性质、状态等信息, 并可以根据故障抢修调度决策系统信息分析结果, 结合故障定位信息、抢修人员车辆等, 及时制定科学合理的故障抢修计划。

(3) 抢修业务工单操作。按工作票、抢修工作单等相关格式要求, 从95598客户服务、MIS或SCADA等系统中, 提取出客户、电网、设备装置等特性信息, 自动完成抢修工作单填写。根据故障类型、故障抢修等级、客户供电等级等, 结合GIS定位系统智能决策生成抢修路线、抢修队伍组成、抢修资源安排等, 并经GPRS无线网络无线传输到抢修移动终端。抢修人员按抢修工作单要求, 结合SCADA, FTU等系统, 获取故障区域的线路、断路器、配电台区等特征信息, 有针对性地领取故障抢修材料和专用机具, 确保抢修效率和质量。

(4) 抢修满意度评价。电网故障排除后, 95598工作人员会根据抢修人员上传到系统的故障处理详单, 对故障抢修服务质量进行客户满意度回访, 并将相关信息填写到抢修竣工单及抢修满意度评价表中, 实现电网故障抢修相关业务操作信息的集成互联, 便于调度审批人员和审查人员对抢修服务质量进行综合审核评价, 及时发现抢修服务工作中可能存在的不足和可进一步优化改进的内容, 起到监督抢修服务质量和完善抢修工作业务流程的作用, 实现电网故障抢修决策和设备调度管理的一体化、可视化、智能化、主动化和完善化。

(5) 电网故障信息统计。故障抢修调度决策系统结合95598, MIS, SCADA等系统信息, 按预设的故障信息统计时间要求, 根据变配电台区、线路等自动统计出故障数量、故障类型、故障位置、故障持续时间、抢修所需资源等信息, 便于管理人员制定科学合理的负荷调度决策, 减少线路故障, 提高线路综合利用效率。故障抢修调度决策系统可以自动统计出电网中各条分支线路的故障信息, 同时可以以表格、折线图、柱状图等形式向调度管理人员提供详细的参考数据, 便于其找出线路中的薄弱点和安全隐患, 及时制定科学合理的整改措施, 降低故障发生率, 提高供电可靠性。

2.2 GPS车辆定位跟踪

当电网故障抢修调度中心收到故障信息后, 就会根据故障抢修调度决策系统自动生成的抢修调度决策方案, 对抢修人员、机具和车辆安排进行人工复核, 及时修正方案中可能存在的问题, 确保抢修方案具有较高的可行性和可实施性。故障抢修调度决策系统可视化平台自动跟踪车载GPS信号, 实现对抢修车辆的准确定位和动态指派。

2.3 抢修机具材料信息化管理

抢修人员根据抢修故障描述、GIS网络拓扑和电网结构, 结合历史故障处理所需材料, 完成故障抢修机具材料台账的填写, 实现机具材料申请和审批的信息化管理, 有效缩短故障抢修时间。

3 结束语

调度决策系统 第2篇

关键词:应急响应; 惩罚系数; 效用函数; 风险占优

中图分类号:F50 文献标志码:A文章编号:1002—2589(2010)17—0040—05

一、引言

应急响应是指灾害发生之后,响应组织和人员及时制定救援计划、采取救援措施、开展救援活动、抢救和妥善安置受灾人员、减少灾害损失的过程。在该过程中,应急物资调配决策时应急响应的核心任务。目前,在应急物资调配决策模型方面,许多学者已做了大量的研究。Gupta和Shetty研究了在多事故点的灾害管理下,使用博弈论解决资源分配的问题[1～2]。张婧等人提出了基于效用理论和偏好排序的应急资源的分配模型,综合考虑了事故的严重程度、响应时间、救援可靠性等多个优化目标和影响因素[3]。姚杰等(2004)在动态博弈模型的框架下分析了突发事件应急管理中“危机事件”与“危机管理者”之间的动态博弈过程,并探讨了如何利用博弈模型生成预案[4]。田廓等(2009)通过对电网应急管理典型环节的分析,定义了电网事故与电网管理者的博弈关系,根据贝叶斯法则提出了电网应急管理的动态决策框架,通过电网事故信息与管理决策之间的反复博弈,修正应急预案,直至事故得到控制[5]。杨继君等(2008)从多灾点所需应急资源的角度出发,提出了基于非合作博弈的应急资源调度模型和算法[6]。吴诗辉等(2009)研究了模糊信息条件下的应急资源调度问题,将参与应急出救点数目最少和按期完成任务概率最大同时作为优化目标得到一组Pareto最优解[7]。

综上文献所述,关于应急物资调配决策因素重点考虑调配的时效性,在保证时间最优的基础上考虑调配方案的经济性。突发事件本身的随机变化与动态等的性质决定了应急管理的资源调配是一个动态的多阶段过程[4]。对于大多数的突发事件,在应急响应的初级阶段,很难筹措足够的物资及时满足各个受灾地点的需要,这就需要以后的阶段对于前阶段因资源供给不及时导致的损失进行弥补,否则会使得突发事件恶化和次生灾害发生的威胁增加。从服务管理的角度讲,就是要通过信息反馈和对灾害发展情况的评估,通过多阶段的物资调配来满足不同阶段受灾地点对物资的需求,从而使决策水平更加贴近现实,提高服务质量。

弈论提供了一种有效的工具来解决多事故点之间利益协调问题。但目前关于博弈论在应急响应决策的研究只涉及到如何建立决策模型方面[1～3] [6]。而对于存在多个纳什均衡解时,如何选择方案没有明确指出。首先,本文在基于非合作博弈的基础上,研究多阶段决策情况下,多救援点和多受灾地点关于应急物资调配决策模型。其次,当决策存在多重纳什均衡时,该模型使用风险占优方法选择出唯一的均衡解,并为判断决策质量提供了参考。

二、应急物资调度动态决策模型

根据突发事件的应急资源的需求特点,假设存在n个受灾地点,m个救援点(资源供给点),应急资源为一种,则对突发事件资源需求和分布状况的数学描述的标准描述为:

G={C,(Si),(Pi),i∈N}

其中,C={C1,C2,…,Ci,…,Cn}表示局中人的集合,即受灾地点的集合。Si表示受灾地点Ci的策略集,Pi表示受灾地点Ci的支付集。在该博弈模型中,各个受灾地点通过对应急物资的竞争形成博弈关系。

设资源需求向量Q表示n个受灾地点对资源的需求情况,Q=(q1,q2,…,qi,…,qn),其中qi分量表示Ci(i=1,…,n)所需要资源的数量;救援点为R={R1,R2,…,Rj,…,Rm},资源供给向量O表示救援点应急物资的分布情况,O={o1,o2,…,oj,…,om},其中分量oj表示Rj可以提供的资源数量;灾害等级向量L=(l1,l2,…,li,…,ln),其中li表示通过对Ci的灾害等级。

1.策略定义与约束

在应急响应过程中,应急物资需求量大、种类繁多,应急物资的筹集超出了常规方式。所以现有的资源不能及时、有效地满足救援需求。当供不应求的状况下,我们可以引入新的救援点来弥补供需差额。由此,我们可以定义资源需求供给约束:每个事故点对每种资源需求总和不大于该种资源供给数量总和。

qi≤oj(1)

2.时间成本与初始分配

由于应急物资调度的重要指标是“时间”,响应时间越短,受灾点所受到的损失就越小。反之,由于救灾物资不能及时到达受灾点,就可能引起损失增大,加大次生灾害发生的危险。因此,时间越短,物资带给受灾点的支付就越大。由于各个受灾点距离每个救援点的时间都不相同,所以其响应时间都不尽相同,其提供的物资带给受灾点物的支付也不尽相同。设时间矩阵为

T=t11t12…t1mt21t22…t2m?埙tn1tn2…tnm(2)

其中,tij表示救援点j到受灾点i的响应时间。

在对物资的初始分配中,各个受灾点只根据自己的偏好排序和各个救援点的供给数量,以时间成本最小为原则,独立的进行方案初始化,而不考虑其他受灾点的决策和全局对某个救援点的需求是否发生冲突[6]。由此可以得出,初始方案对于每个受灾点都是最优的方案,即带给受灾点最大支付,设该最大支付为

pimitial=r(k)initial/tik(3)

3.策略集合与约束

受灾地点拥有的策略集合为Si={si1,si2,…,sil,…,siw}。其中,sil表示受灾点Ci的策略集合Si中的一个策略,且sil={r(1)i ,r(2)i ,…r(k)i …r(m)i }; r(k)i 表示第k个资源供给点Ci向事故点提的所有资源数量,且满足条件(4)、(5)、(6)。

r(k)i ≤qi,i∈{1,2,…,n}(4)

r(k)i ≤ok,k=1,2,…,n(5)

r(k)i ≤oj(6)

4.支付函数

本文在考虑时间的情况下,加入物资数量因素,以单位时间内获得的物资数量作为受灾点支付函数的一部分,当受灾点单位时间内获得的物资数量越多,则其获得的支付就越多。当各个受灾点根据自己的偏好和需求情况,形成初始调配计划时,从全局来看,若存在两个以上的受灾点对同一个救援点在各自的排序中位置一致,那么在该救援点就有可能产生对资源的竞争。因为应急初级阶段,一个救援点的资源储备很难满足多个受灾点的需求。那么,当该救援点不能满足需求时,需要从偏好劣于该救援点的其他救援点调度物资。同时,也必须为此付出额外的时间成本,从而导致支付的降低。设px(sij,T)表示在x阶段,策略sij下的获得的支付,即

px(sij,T)=r(k)i /tik(7)

则由于付出额外时间成本导致的支付差额为

Δpxi=pinitial-px(sij,T)(8)

从上述分析,受灾地点的支付矩阵p所包含的元素的效用函数uij定义为在x决策阶段的惩罚系数αxi和Δpxi支付差额的函数,即uij=u(αxi,Δpxi),且满足二阶可导。假设局中人Ci为风险厌恶型,即<0。设

uij=-e-αxi,Δpxi(9)

其中,αxi为惩罚系数。设αxi=f(αx-1i,li,Δpxi),且为递增函数,α0i>0且为任意小的正数。αxi表示在x-1阶段,当Ci所需求的资源调度因为不能按照自己的最佳调度方案执行而产生的额外时间成本导致支付降低,则在x阶段αxi就会相应增大。若在当前阶段调配所获得的支付仍不能满足最佳需求,则支付每减少1个单位,效用降低的速度就会加快,即

>,或αxi-e-αxi>αx-1ie-αx-1i(10)

5.纳什均衡与均衡选择

根据纳什均衡定义,如果应急物资调配策略组合s*=(s*1,…,s*i,…,s*n)满足对每个Ci,s*是(至少不劣于)他针对其他n-1个参与人所选策略最优反应策略s*-1=(s*1,…,s*i-1,s*i+1,…,s*n),则称策略组合s*=(s*1,…,s*i,…,s*n)是该博弈的一个纳什均衡,即u(s*is*-i)≥u(s*is*-i)。

当博弈中存在多个纳什均衡解时,需要根据实际情况在多个解中进行选择,非常重要的标准就是Harsanyi和Selton(1988)研究的2×2博弈时提出的风险占优与支付占优标准。其中,风险占优均衡是偏离损失大的均衡,就是有最大纳什积(Nash Product)的均衡[8～9]。假设两个受灾点的博弈G=(s1,s2;u1,u2)存在两个纯策略纳什均衡s*1和s*2。局中人1的偏离s*1损失为u*11,偏离s*2的损失为u*21;同样,局中人2偏离s*1的损失为u*12,偏离s*2的损失为u*22。当u*11×u*12

三、2×2博弈与均衡选择

假设存在四个受灾点,三个救援点和一种救灾物资的突发事件进行分析。问题描述(如表1和表2所示)。

表1 灾害点情况

表2 救援点情况

则按照时间成本,各个受灾点对救援点的偏好排序(如表3)。

表3 偏好排序表

根据各个受灾点对救援点的偏好排序,进行初始物资调度,结果为表4。

表4初始分配情况

由此看出,C3与C4在R3发生了一个单位的资源竞争关系。那么C3的策略有两种,为{妥协0单位资源,妥协1单位资源};相同的C4也有两种策略,为{妥协0单位资源,妥协1单位资源}。通过计算,得出两个受灾点C3与C4的策略对阵(如表5)。

表5 策略对阵

当C3与C4都采取妥协0单位资源的策略,则在R3上就会产生一单位资源的冲突。假设资源产生冲突时,博弈双发都会产生最大的支付差额,即Δpx 3-max和Δpx 4-max,并且满足Δpx 3-max>Δpx 3>0和Δpx 4-max>Δpx 4>0。

由式(9)可得u(Δpx 3-max)•u(Δpx 3)

>(11)

因为uij=u(αxi,Δpxi)二阶可导,根据拉格朗日中值定理可得,

?埚?着1∈[0,Δpx 3],?着2∈[Δpx 3,Δpx 3-max],使得

u(0)-u(Δpx 3)=u′(?着1)(0-Δpx 3)(12)

u(Δpx 3)-u(Δpx 3-max)=u′(?着2)(Δpx 3-Δpx 3-max)(13)

成立。

同理?埚ρ1∈[0,Δpx 4],ρ2∈[Δpx 4,Δpx 4-max],使得

u(0)-u(Δpx 4)=u′(ρ1)(0-Δpx 4)(14)

u(Δpx 4)-u(Δpx 4-max)=u′(ρ2)(Δpx 4-Δpx 4-max)(15)

成立。所以(11)式可以变为:

>(16)

将(9)式代入(16)式得,

e-αx3(?着1-?着2)>e-αx4(ρ1-ρ2) (17)

即满足式

(?着1-?着2)αx3-(ρ1-ρ2)αx4>ln(18)

时,(0,-1)为风险占优均衡。

同理,当满足式

(?着1-?着2)αx3-(ρ1-ρ2)αx4

时,(-1,0)为风险占优均衡。

不等式(18)、(19)的右边

ln=ln(20)

假设C3与C4都采取妥协0单位资源的策略,由于资源冲突导致双方支付减少程度达到最大,但C3比C4的灾害等级高,在资源发生冲突的时候应给予一定的优惠政策,即Δpx 3-max<Δpx 4-max。当Δpx 3>Δpx 4时,式(20)小于0;当px 3<Δpx 4时,式(20)不一定小于0。下面只考虑的情况。

在决策第一阶段,设惩罚系数为(α13,α14)=(η3,η4),且满足式(18)(如图1所示)。此时(0,-1)为风险占优均衡。

在决策进行的前阶段,(0,-1)一直保持着风险占优均衡。但由于a4的增大,在决策的第x阶段,使得(-1,0)转化为风险占优均衡,如图1中点A3。此时,开始增大,直至(0,-1)重新转化成风险占优均衡,如图1中点A3,以此类推。若突发事件控制良好,则a3和a4的变动趋势应该逐渐贴近临界线l,即每种策略的风险占优程度越来越弱化。越靠近临界线,决策就应当更加精确。否则,说明当前决策方案太过粗糙,当决策方案只顾及到其中一个受灾点时,对其他受灾点造成的负面影响太大(如下图2所示)。这时需要对决策做出有效的调整,例如细化决策粒度。当(a3,a4)恰好落在直线l上时,如图1点An。则策略对阵中的风险占优均衡消失。这时受灾点双方进入“斗鸡博弈”。关于斗鸡博弈的均衡选择在此不再详述。博弈双方需要进行协商,达成一致看法,并达成补偿协议,否则有可能步入“公共悲剧”的尴尬局面。

从上述分析看来,此模型可以根据实际需求,以风险占优为原则,挑选不同的纳什均衡。并能够识别出不好的决策方案,为决策的改进提供依据。

四、结论

本文针对应急响应决策的时效性和动态性,在非合作博弈的基础上,建立了多阶段应急物资调度动态决策模型。由于各个阶段的决策方案都会对下一阶段的决策产生影响,本文通过引入惩罚系数,来说明前阶段决策对本阶段决策产生的效用的影响。若前阶段的决策对受灾点产生额外时间成本时导致支付减小,这意味着所需物资没有最快的到达受灾点,存在增大次生灾害的发生概率的威胁,因此惩罚系数会相应增大。若该阶段的决策方案若仍不能满足其最佳需求,则会加速降低该方案产生的效用。当惩罚系数增大到一定程度时,风险选择机制下的纳什均衡解都会发生变动,朝着有利于该受灾点的均衡解变动。在靠近临界线时,需要注意决策方案的粒度和精确度,防止决策方案只顾及到其中一个受灾点,而对其他受灾点造成的负面影响多大。当风险占优均衡在博弈中消失时,双方就会进入斗鸡博弈。对于惩罚系数的变动速率和变动步长是通过结合突发事件演化规律的分析、对灾害发展情况的评估和历史经验的总结后综合得到的。针对惩罚系数的大小和变化规律,建立起合适的惩罚系数变化函数是今后研究的一个重要方向。

参考文献:

[1]Upavan Gupta. Multi-Event Crisis Management Using Non-Cooperative Repeated Games[D]. Tampa: Univ South Florida,2004.

[2]Rashmi S. Shetty. An Event Driven Single Game Solution For Resource Allocation In A Multi-Crisis Environment[D]. Tampa: Univ South Florida,2004.

[3]ZHANG Jing,SHEN Shifei,YANG Rui. Preference-order-based game modeling of multiple emergency resource allocation[J]. J Tsinghua Univ (Sci &Tech),2007,47(12):2172-2175

[4]姚杰,计雷,池宏.突发事件应急管理中的动态博弈分析[J].应用研究,2005,v17(3):46-50.

[5]田廓,曾鸣,王晶晶,张怡,卢键明.基于精炼贝叶斯均衡的电网动态应急管理[J].华东电力:2009,(11):103-107.

[6]杨继君,许维胜,黄武军,吴启迪.基于多灾点非合作博弈的资源调度建模与仿真[J].计算机应用,2008,(26).

[7]吴诗辉,杨建军.基于模糊信息的应急资源调度问题研究[C].第三届中国智能计算大会论文集,2009:1-4.

[8]John C. Harsanyi.A new theory of equilibrium selection for games with complete information[J]. Games and Economic Behavior,1995,8:91-122.(下转286页)

(上接43页)

[9]张良桥.协调博弈理论研究新进展[J].经济前沿,2009,(4):58-64.

[10]李保名.效用、风险与纳什均衡选择[D].济南:山东大学,2000.

Study on Decision Model of Emergency Resources Allocation

Based on Equilibrium Selection

WANG Bo

(School of Economics and Management, Beihang University, Beijing 100191, China)

Abstract:In the emergency response phase, the inability of meeting the demand timely will trap the decision maker. When there are more than one crisis attacked locations, the decision-making plan could hardly meet the optimal demand of each location under the principle of time priority. This paper establishes a multi-stage dynamic decision-making model of emergency resources scheduling to solve the above-mentioned problem. Firstly, the model describes the problem that every crisis locations compete for the resources based on game theory. Secondly, taking into account the effect of previous stage decision on the current solution, the model restricts the present payoff occurring to each crisis event by introducing the penalty coefficient. Thirdly, the model solves the problem that multiple Nash equilibrium occurs in the game results by risk-dominant mechanism, and then the optimal solution could be obtained. Finally, a numeral case is proposed to prove the validity and feasibility of the model.

调度决策系统 第3篇

关键词：石油石化,应急资源,决策支持系统

0 引言

大型石油石化企业集团的生产业务覆盖勘探开发、油气储运、炼油化工、油气销售、工程建设等多个方面,具有较高风险,属于劳动密集、技术复杂和连续性生产行业,业务领域广、管理幅度大,加之企业的生产经营与社会公益关系密切等因素,给企业安全环保和维护稳定工作更增加了难度[1]。事故一旦发生,若应对不及时或处置不得力,极易产生连锁反应并引发次生事故,造成更为严重的生命财产损失和社会舆论影响。加强突发事件应急能力建设,是石油石化企业有效控制事故规模、减小事故损失的重要措施。而应急资源的紧急调度和现场保供是突发事件应急处置工作的重要环节,反映企业的应急能力水平[2,3]。因此,根据石油石化企业突发事件特点和应急资源调度需求,研究开发应急资源调度决策支持系统意义重大。

1 石油石化企业应急资源调度特点

大型石油石化企业集团一般为三级组织管理结构,即集团总部、所属企业、企业二级单位。相应地突发事件级别也分为集团公司级突发事件、所属企业级突发事件和企业二级单位级突发事件。集团公司级突发事件由集团总部层面的应急工作组在集团范围内协调调度应急资源,指挥、协助和保障企业应急工作组有效开展应急处置和救援工作;所属企业级突发事件由企业层面的应急工作组在企业范围内协调调度应急资源,指挥开展应急处置和救援;企业二级单位级突发事件由企业二级单位的应急工作组利用现场储备的应急资源组织开展应急处置和救援。可见,集团公司级突发事件和所属企业级突发事件均存在调度应急资源的需求。

大型石油石化企业集团涉及多种业务类型,不同业务类型的企业潜在的重大风险各异,可能发生自然灾害、事故灾害、公共卫生和社会安全等各类突发事件。然而通过大量的事故案例可知,跨区域应急资源调度需求较为强烈的突发事件类型主要包括以下7种:即自然灾害突发事件,井喷失控突发事件,油气站库及炼化装置爆炸着火突发事件,油气长输管道突发事件,海上和内陆水体溢油突发事件,危化品严重泄漏失控和中毒突发事件(包括窒息),油品道路运输泄漏突发事件[4,5,6]。

高效的应急资源调度对成功处置突发事件起到关键性的作用。从历次突发事件的应对过程看,如何辅助决策指挥人员根据事件特点和级别准确、科学地调配应急资源,如何保障处置现场的快速、有效资源供应,仍是石油石化企业集团突发事件应对工作未能很好解决的技术问题[7,8]。

2 系统设计要求

首先,由于各大型石油石化企业集团均已建立了应急平台体系,应确保本系统能够在应急平台中集成应用,并且预留与其他相关应急信息系统进行数据和信息同步的接口[9,10,11,12,13]。其次,应急资源调度决策支持系统应可以独立运行,能够单独使用和维护各项系统功能和数据信息[14]。此外,还应遵循以下设计原则。

2.1 实用性

该系统的设计需充分考虑不同用户的实际需求,一方面系统应完全符合石油石化特征突发事件应急资源调度工作的业务要求,另一方面系统的人机操作界面应友好、操作简单,尽量将用户所要进行的操作包含在一个界面内。

2.2 先进性

系统在实用的前提下,采用国内外先进的技术进行设计开发,确保系统在未来几年中始终保持较高的技术性能指标。

2.3 适应性

系统应具有一定的适应能力,能够适应多种运行环境的变化,以及未来突发事件处置和应急资源调度业务需求的变化。

2.4 可扩展性

系统的软硬件应具有扩充升级的余地,不可因软硬件扩充、升级或改型而使原有系统失去作用。

2.5 可靠性

该系统的设计应保证长期安全地运行。系统中的软硬件及信息资源应满足可靠性设计要求。

2.6 安全性

应在网络、系统、应用和数据等多方面提供全面的安全性措施。提高系统鲁棒性能,保证系统安全运行,防止可能发生的严重错误;设置严格的权限管理体系,合理授予合法用户权限,防止非授权用户对系统进行操作;充分考虑应用层的安全性,做好信息资源的访问控制。

3 系统架构设计

根据以上需求和设计原则,将系统设计为自上而下的四层结构:业务应用、应用支撑、应用支撑环境和数据支撑,如图1所示。

业务应用:包括事件管理、模型管理、资源分析、资源管理、区域环境和系统设置6大模块。

应用支撑:实现对业务应用层的辅助和支撑。其中,基础应用支撑包括应急专家管理、救援队伍管理、应急物资管理和区域环境管理;地图服务支撑包括出救点分析服务、缓冲区服务、路径分析服务、气象服务和查询定位服务。

应用环境支撑:是系统的运行平台,是一个高性能、可扩展、可管理和可靠的应用支撑系统。应用支撑环境主要由应用服务器和地理信息中间件两部分组成。

数据支撑:提供了整体架构的数据信息层服务,包括事件库、模型库、业务信息库、基础信息库和空间信息库。

4 业务流程设计

从系统接收到突发事件信息开始,即进入应急资源调度模型分析流程,如图2所示,包括7个分析步骤:

(1)根据上报的突发事件信息,进行事故严重度分析。该步骤无用户可见的输出信息。

(2)根据突发事件信息和现场环境条件,判断所需调度的应急资源类型,并将分析结果输出。系统操作用户可根据实际需求对输出结果进行手动调整。

(3)分析所需调度的应急资源的具体数量,并将分析结果输出。系统操作用户可根据实际需求对输出结果进行手动调整。

(4)分析满足事故现场应急资源保障需求的出救点优化方案,并将计算结果输出。系统操作用户可根据实际需求对输出结果进行手动调整。

(5)分析各应急资源出救点到事发地的最优路径,并将计算结果输出。系统操作用户可根据实际需求对输出结果进行手动调整。

(6)生成应急资源总体调度方案。

(7)下达调度指令,并对应急资源调度情况进行实时跟踪。

5 系统功能设计

系统的功能主要包括以下几方面,见图3。

(1)突发事件信息接入。

能够对突发事件信息进行编辑、修改、查询等功能;建立与应急平台突发事件信息接报功能之间的内部接口,以便通过应急平台准确获取突发事件信息,从而有针对性的进行应急资源分析。

(2)应急资源数据管理。

开发应急物资、应急专家和应急队伍数据的管理维护功能,以便为应急资源调度分析提供数据支撑;建立与应急平台应急资源数据库之间的内部接口,以便于与应急平台的数据保持同步。

(3)区域环境信息管理需求。

为保证应急资源分析结果的可靠性和科学性,应建立区域环境信息管理功能,包括气象信息管理、铁路信息管理、航班信息管理、航运信息管理、路况信息管理等。

(4)应急资源调度决策模型管理。

应急资源调度决策分析过程中,涉及到一些较为复杂的数学模型,其影响因子和经验参数在不同使用条件下的取值均有所不同,存在调整需求。因此,应开发应急资源调度决策模型管理功能模块,提供模型维护、扩展、修改和关键参数配置功能。

(5)应急资源调度分析功能。

根据业务流程,将系统所涉及的所有数学模型开发成分析计算应用程序,最终形成可供集团总部领导参考的应急资源调度方案。由于系统所建立的模型为经验模型,应以程序自动分析和人工干预相结合的思想为指导,进行本功能模块的开发。

(6)系统设置功能。

系统运算过程涉及两种重要的结构化信息,即突发事件参数信息和应急物资类型信息,应提供其预设和管理功能,以便于提高系统运算效率。

(7)系统管理功能。

提供用户角色管理,功能使用权限设置,以及系统运行日志记录等各种系统管理功能。

6 讨论

目前应急资源调度决策支持系统软件已按本文提出的设计方案开发完成,软件投用后将为石油石化企业平时应急演练和战时应急处置工作中的应急资源调度提供有效的辅助决策支持,从而全面提高石油石化企业突发事件应对能力。由于行业内可供借鉴的成功项目案例较少,本设计方案的实用性和科学性尚需在长时间的实践应用中进行反复检验。笔者将在后续的跟踪研究过程中,根据实践应用过程中的反馈信息,对本设计方案进行调整和完善。

调度决策系统 第4篇

随着电力系统的不断发展,电力系统规模的增大导致电力系统运行受各种内部和外部因素的影响增强,同时电力系统作为一个时变动态大系统,面对各种突发事件导致其整体运行状态发生变化的几率也急剧增大,电力系统相关部门对这些突发事件的响应将直接影响电力系统乃至整个社会生产、生活的方方面面。电力调度部门作为电力事件响应的关键一环,及时准确地对电力事件进行识别和判断显得格外重要,可为系统安全运行提供预警信息,使各部门在突发事件发生时做出最快的响应,减少损失。

目前针对电力系统调度的相关领域,国内许多学者做过一定的研究[1,2,3,4],但对于调度系统运行的机制方面研究较少。从近年的实际情况看,虽然电力系统在不断完善,但由电力事故和自然灾害导致电力系统出现应急状况时有发生,因此进行调度机制方面研究在电力系统应急状态下可为保障电力系统的正常调度提供理论方法。

电力系统是一个人造的复杂系统,电网调度是电力系统正常运行的中枢。为了确保电力系统调度的正常进行,目前电力系统中设立了3个可行使调度权的职能机构:主调中心、备调中心和应急指挥中心。本文在此基础上,提出了主调、备调和应急指挥中心三位一体的调度权行使转移框架,分析其主要特征,选取电网状态、人员状态和设备状态作为关键指标,形成调度权转移启动指标体系,并针对大量数据和样本集,采用了决策树算法构建决策树,用以判断是否发生调度权转移。该框架和方法对于电力系统运行中进行调度决策和风险事件的应急响应有着重要意义。

1 电力系统调度现状

电网调度中心[5]是电网事故处理的指挥中心,履行“电网事故处理指挥”职责,值班调度员是电网事故处理的指挥员,统一指挥调度管辖范围内的电网事故处理。职责主要有:下达调度命令,指挥电网事故处理,控制事故范围,防止事故进一步扩大;采取一切必要手段,尽可能保证主网安全和重点地区、重要用户的电力供应;负责协调电网、电厂、用户之间的恢复,提出合理可行的恢复方案和恢复步骤;负责指挥电网操作,恢复电网供电和电网接线方式,使其尽快恢复正常。备调中心在主调中心发生紧急情况时启用。

而在发生影响社会各个方面的大规模停电事故时,电网调度中心并不能完全满足公共安全应急处理的需要[6],需设立电力应急指挥中心来解决相关问题。应急指挥系统从电网应对危机能力的角度出发,为电力企业提供应对各种供电危机能力的手段和方法,同时也是电力企业对外的信息发布和沟通平台。在国内,城市电网应急体系和规章制度的建设刚刚起步。其中,部分地区(如北京、四川)已建立了电网应急指挥中心,主要解决电网事故报接警及现场视频采集、应急指挥机制等方面的问题,建立了初步的应急指挥系统,实现了现场视频采集、多层次的数据整合和联动、现场指挥、视频会议会商等内容,为应急指挥系统的建设和发展提供了许多有益经验。电力应急指挥各部门关系结构[7]如图1所示。

该系统可进行厂网之间、电力公司与地方政府之间、电力公司与电力监管机构之间、电力应急和社会应急之间的协调配合和衔接。

在发生电力事故时,通常由电网主调下达调度命令,指挥电网事故处理,但在面对某些严重的电网事故或极其恶劣的外部条件时,主调可能无法正常继续履行其职责,这就需要主调、备调、应急指挥中心3个部门针对不同情况进行三位一体的调度权转移协调调度。但由于目前国内城市电网应急体系和规章制度的建设刚刚起步,机制还很不完善,对3个调度部门之间在何种情况下发生调度权转移并没有明确的决策依据,因此需要建立一套完整的调度权转移辅助决策系统。

本文针对以上问题,采用决策树方法对调度权转移的启动条件进行分析。

2 调度状态变化应对决策过程

调度系统通过保持正常状态在能力范围内行使自身的职能,但在某些特殊的情况下,由于调度系统受内部或外界影响,调度状态发生了急剧变化,调度工作无法正常继续进行或超出自身能力范围,则整个电力系统的安全运行无法保障,便会导致电力事故的发生。

对调度状态变化响应一般经过以下几个阶段。由于某些事件的发生,影响调度工作正常进行的一些内、外部因素发生变化,调度状态应在事件发展到一定程度前对其做出一定响应,本文称之为预警信号的发布,可以通过各方面采集的信息对影响调度状态的事件初步分析评估,得到描述事件的指标与参数,并且对事件的发生、发展与演化有基本的了解,根据已经掌握的信息,对是否发布预警信号进行决策,若信息显示已经达到了需要预警的程度,就发布预警信号,提醒做好调度状态变化的应对准备;若没有达到预警程度,则继续对该事件进行监控,观察事件的相关信息。其次是分级建立启动阈值,若预警信号发布,说明该事件已经发展到了一定的程度,这时就应分级建立启动阈值。因为响应措施是针对不同的事件和级别制定和实施的,所以需要建立不同等级的启动阈值,作为启动对应措施的标准。

本文中,定义调度状态是一个表征当前行使调度职能的运行部门能否正常履行其基本职能的量值,此值可以通过电力系统出现的各种不同情况、关键参数和指标的变化来体现,这与决策树的思想具有明显的相似性,故可将决策树的思想和算法运用于对电力系统调度状态的识别,从而做出是否发生调度权转移的决策,以保障调度工作的正常进行。

3 调度权转移关键指标选取与评价体系建立

在电力系统运行过程中,可用来分析电力系统运行状态的指标[8,9]多种多样,而专门针对调度权所提出的指标体系还很少见。而随着电力系统的发展,面对的风险事件越来越复杂,影响电力系统安全运行的因素越来越多,影响范围越来越广。调度中心可能无法完全满足应急处理的需要,此时必须启动调度权转移,由上级应急指挥中心全面调度,保障电力系统调度的正常运行。对于比较复杂的事件,应对措施启动条件的指标往往是多方面的,同时很多指标也无法直接用数据度量。本文结合以往经验及对电力系统特性的分析,将调度权转移指标分为电网状态指标、人员状态指标和设备状态指标,用这3个指标来综合评价事件,从而启动对应措施。

3.1 电网状态指标

从调度权转移的方面考虑,电网状态指标应该以停电严重程度为主,涵盖负荷损失比例、重要用户损失程度和停电持续时间3个要素。用指标函数H表示停电事故的影响,其表达式为:

其中,R、L、D分别代表负荷损失比例、重要用户损失程度和持续时间;函数关系f的定义可以采用多种指标融合方法进行。

重要用户损失程度的表达式为:

其中,n为重要负荷总数,m为损失的重要负荷数,Pi、Pj分别为第i和第j个重要负荷;ωi、ωj分别为第和第j个重要负荷的权重。负荷重要性等级在文献[10]中有详细的研究,本文不再叙述。

电网状态其他相关指标还有频率、电压、潮流、容量等。以上评价指标都可在所取得的调度基础信息数据基础上直接进行分析计算得到。

3.2 人员状态指标

电网运行岗位上工作人员不足率ρl:定义在某些事件发生时,电力工作人员出现一定程度的缺失,此时,电力系统的安全运行保障受到影响。

其中,ri为第i个值班岗位的权重;ρl,i为第i个值班岗位的人员不足率;Sloss为工作人员伤亡人数;Stotal为工作人员总数。

工作人员整体工作状态指数Wa:评价在某些事件发生时,工作人员正常工作及发生误操作概率的指标。影响工作状态的影响因子主要有事故造成的恐慌度以及灾害事故发生后工作人员所处的工作环境。由于这些指标不可直接量度,可由下式量化:

其中,Ai为权重系数;λEL,i为各影响因子。一般恐慌度可以通过互联网信息间接得到,工作环境可通过灾害信息得到。

3.3 设备状态指标

设备总体状态指标Sa:也是不可直接量度的,没有一定的阈值,而且不同设备对电力系统运行的影响严重程度也不一样,即不能只根据某些设备指标或参数直接作为启动指标,而需要根据不同设备在电力系统运行中的重要性,设置不同的权重,将这些信号的加权和作为启动机制的依据,如式(5)所示:

其中,Bi为权重系数,可以利用层次分析特征值法确定;λHL,i为各故障设备危害因子。文献[11]中对电力系统设备运行状态的划分也有比较详细的叙述,限于文章篇幅,本文不再赘述。

本文构建的调度权转移指标体系如图2所示。

对于以上指标体系中不可量化的指标的权重分配,均会经过评判一致性检验直至取得满意值[10]。最后可以通过3类指标来综合判断不同事件对调度状态的影响程度,根据其数值的大小判断是否做出调度权转移决策以及相关部门启动对应措施。

4 基于决策树的调度状态识别及调度权转移启动方法

4.1 基于信息增益的决策树算法

决策树的实现是以信息论原理为基础的。在决策树形成的过程中,最重要的部分是对分裂属性的选择。比较常用的一种方法是计算信息,信息增益的原理来自信息论,它是使某个属性用来分割训练集而导致的期望熵值降低。因此,信息增益越大的属性分裂数据集的可能性越大。决策树的形成就是递归地对数据集中的每个节点进行分裂,直到节点的所有类别都属于同一类或没有多余的属性来划分训练样本集。下面给出ID3算法的具体算法。

设S为一个包含r个数据样本的集合,类别属性可以取m个不同的值,对应于m个不同的类别Ci(i=1,2,…,m)。假设ri为类别Ci中的样本个数,那么要对一个给定数据对象进行分类所需要的信息量为:

设一个属性A取v个不同的值鄱a1,a2,…,av鄱,利用属性A可以将集合S划分为v个子集,即鄱S1,S2,…,Sv鄱,其中Sj包含了S集合中属性A取值aj的数据样本,若属性A被选为测试属性(用于对当前样本集进行划分),设Sij为子集Sj中属于Ci类别的样本集,利用属性A划分当前样本集合所需要的信息熵:

其中,,即为子集Sj中任一个数据样本属于类别Ci的概率。

利用属性A对当前分支结点进行相应样本集合划分所获得的信息增益为:

计算出各属性的信息增益后,选取信息增益最大的属性作为结点向下生成决策树。

4.2 调度权转移决策树的构建方法

建立决策树首先需要对典型事件和历史事件数据进行预处理。采用统计学和人工智能相结合的数据挖掘方法,在对大量的数据进行分析后可以从中找出一些对决策有帮助的数据,形成样本集。参照文献[12]对电力系统运行状态划分,分析比较调度状态的特点后,本文将调度状态分为正常、预警、紧急和应急4类,各类状态的定义描述如下。

a.正常状态:各项指标都处在安全范围之内并有一定的裕量,可以发生一定的波动。

b.预警状态:选取的某些属性指标处于临界或轻微越限状态,使其对外界的抗干扰能力下降,此时应加强监视并采取一定预防和修复措施即能使系统恢复到正常状态。

c.紧急状态:选取的某些属性指标发生严重越限,但调度中心仍能工作且有能力对电力系统进行整体调度,及时采取正确而且有效的紧急控制或修复措施。

d.应急状态:选取的多项属性指标同时发生严重越限,调度中心无法继续进行调度工作,或者事故的发展已经超出调度中心调度能力范围,此时启动应急指挥中心,进入应急状态。

其次,决策树算法中需要对一个属性取n个不同的值,则应取n-1个阈值,将其离散化为n个等级,而指标的选择、等级的划分和指标阈值的确定都需要结合具体电力系统的特征及历史数据的分析来确定,不同类型和不同区域的电力系统得出的样本数据、选取的属性指标及阈值的确定是不同的。

5 算例分析

通常备调中心是在主调中心无法正常行使调度职能时启用,即主调中心工作人员状态指标、设备状态指标已经越限,需要将调度职能转移。而调度中心与应急指挥中心之间调度权转移较为复杂,考虑的因素较多,因此本文着重讨论调度中心与应急指挥中心之间调度权转移启动条件,采用决策树方法来实现。首先结合实际假设一组样本集S,分别为正常、预警、紧急和应急4类状态共1546个样本作为算例,参数样本集中各种状态所占比例如表1所示。

然后对选取的几个关键指标进行等级划分:

a.参照文献[13]将电网状态综合指标划分为正常、轻度、中度和严重4个等级;

b.人员状态综合指标根据其值大小划分为正常、轻度和严重3个等级;

c.设备状态综合指标根据其值大小同样划分为正常、轻度和严重3个等级。

分别选用各指标作为测试的根节点属性,计算其信息熵及信息增益。计算结果如表2所示。

属性A1即电网状态综合指标具有最高信息增益,被选为根节点,引出分支,递归地使用上述ID3算法过程,一直到叶结点处(熵值为0)为止。此时得到结论,每个叶结点中的实例都属于同一类(即同一运行状态),从而形成电力系统调度状态的决策树,判断不同情况下所需要发生的调度权转移。得到的决策树例子如图3所示(方框表示内结点,椭圆框表示叶结点)。

结果分析:在选取的样本集中,紧急和应急的运行状态分别达到了4.79%和1.55%,出现这样较高的比例,是出于对自然灾害、网络黑客攻击以及恐怖袭击的考虑,同时还与设置的状态条件阈值有关,比较具有典型性。通过对选取样本的学习和计算结果,可以归纳出电力系统的调度状态的一些规律:选用的评价指标中,对电力系统调度状态影响最大的属性是电网状态综合指标,其次是人员状态综合指标,再次是设备状态综合指标;在决策树建立后,容易看到在何种情况下需要将调度权从调度中心向应急指挥中心转移,即转移启动条件。由此可得出3个调度部门进行三位一体调度职能权转移的启动条件。因此利用决策树的方法可以很容易识别调度状态,从而迅速启用不同的应对措施,以保障电力系统的调度工作正常进行。

6 结语

电力系统在运行过程中会出现各种影响运行状态的因素和事件,调度部门能否正常进行调度工作并及时准确地做出应对措施,对减少损失和保障电力系统安全运行起着十分重要的作用。应急指挥中心虽然建立,但启动机制还不完善,对此,提出了电力系统主调、备调和应急指挥中心三位一体的调度权转移框架及指标体系,和基于决策树的电力系统调度状态识别方法。该方法可作为电力系统调度权转移的决策依据。本文构建的事件评价指标体系还需要进一步完善,同时随着决策树算法的发展,可以选用更适合、更精确的决策树算法用于电力系统调度权转移决策。

摘要：通过分析目前电力系统调度现状,针对当前应急调度机制的不足,提出了主调、备调和应急调度指挥中心三位一体的调度权转移框架,通过将电网状态、人员及设备状态作为关键指标建立事件评价体系,采用基于信息熵算法,构建决策树对调度状态识别,用以分析电力系统调度权转移启动条件和决策。通过算例进一步说明调度权转移决策树生成过程,同时验证了该方法的有效性和实用性。

调度决策系统 第5篇

1. 系统设计目标

多机种综合保障基地油料保障调度与决策系统设计应实现以下目标： (1) 信息查询功能，系统首先应是一个能够高效管理油料保障相关信息的系统，它集信息采集、传输、处理、存储及输出于一体，可为决策者们提供可视化、实时化、精确化的油料保障信息; (2) 辅助决策功能，基地油料保障是一个组织指挥十分复杂的过程，其中每一个活动都离不开决策，系统应能快速、准确地生成决策方案; (3) 实时调度功能，基地油料保障涉及多种人员、设施设备和装备器材，系统应能对决策指令做出实时反馈，使这些保障力量达到人机协调、人机和谐，从而更好地发挥整体保障效能; (4) 人机交互功能，决策者所接收的每一种信息，所做的每一项决策，发出每一条指令都通过系统的人机交互接口完成，系统应具备实时、智能、逼真的人机交互接口，以便决策者的组织指挥意图能得到有效实现。

2. 系统技术架构

2.1 系统总体架构

系统的技、战术性能是融合油料保障各要素的关键所在，从这个角度出发，本文确立了多机种综合保障基地油料保障调度与决策系统总体架构，如图1所示。

系统主要由调度与决策中心、信息终端、北斗卫星导航系统、军事移动通信系统及外接的飞行指挥系统和油库测控系统等六部分组成。调度与决策中心是一个人机系统，决策者发出的应用请求、调度指令都通过机器系统来完成;信息终端是配备于车辆、人员及其它设施装备的定位、状态信息采集以及发送数据和接收指令的设备;北斗卫星导航系统负责跟踪和定位移动实体;移动通信系统负责移动实体和调度与决策中心的通信;测控终端用于监测、控制油库设施装备运行状态;飞行保障指挥系统用来向本系统提供飞行状态信息。

2.2 硬件技术体系

基于上文建立的系统总体架构，通过跟踪相关信息技术、通信技术及自动控制技术的最新进展，确定了系统的硬件技术体系，其抽象化的体系结构如图2所示。具体构成上，系统由“信息终端主机”、“通用接口盒”、“导航通信外设”、“测控终端主机”等四部分组成。通用接口装置应遵循相关标准并经过精心的机械和电气定义，可集成多种导航、通信、测控设备，实现了硬件层面上的真正“通用”。

2.3 软件技术体系

多机种综合保障基地一体化指控平台是用于统一指挥和控制油料等所有地面保障的信息化管理平台，油料保障调度与决策系统是其重要的组成部分之一，其软件技术体系如图3所示。油料保障调度与决策系统的功能需求体现在“对内”的“监视诊断”和“对外”的“通信控制”两个层面。“对外”，是指通过集成导航定位、战术通信等模块，使系统能适应信息采集、传输、处理与使用需要，以便实时掌握保障现场状态、部队需求等信息，便于在不定空间、时间的情况下，快速有效地控制油料保障活动，实现油料保障的精确化。“对内”，是指通过实时监测与调控成套装备作业过程中的过程量和过程参数，来提高人与装备系统的可靠性、协调性，从而有效提高保障效能。

3. 系统功能设计

3.1 决策支持子系统

决策支持子系统分为决策支撑层、决策服务层和决策应用层等三个基本层次, 采用分层、分模块的设计理念。

(1) 决策支撑层是决策支持子系统的核心所在, 包括油料保障数据库管理系统、知识库管理系统、方法库管理系统及模型库管理系统。数据库管理系统用于建立、使用和维护数据库, 数据库中封装了油料保障相关基础数据, 并可实现这些数据的联机和分时处理。知识库管理系统以本体论、知识管理理论为指导, 将相关油料保障理论知识、事实数据、定义、常识性知识及其它可用于油料保障活动的信息, 采用某种知识表示方式组织起来, 并实现存储、管理和使用。模型库管理系统封装了与油料保障相关的解析模型。方法库管理系统中, 方法库由方法程序库和方法字典组成, 方法程序集成了求解模型的算法, 方法字典中存放了这些算法的类别、功能、使用方法、调用形式、方法参数等基本信息。

(2)决策服务层是面向应用的基于服务器端的各种服务应用的集合，利用WebService等技术，封装各种信息访问，实现油料保障数据、信息、知识的透明访问，其核心能力是能够分析、理解应用端的请求，实现各类数据的访问。

(3)决策应用层是整个系统体系结构的顶层，是面向用户的油料保障决策过程的具体实现，是用户和智能决策支持系统的人机接口。决策应用层采用分层化、模块化理念进行各个子功能的设计，并提供系统维护平台，实现油料保障数据库、知识库、模型库、方法库及系统安全等管理功能。

3.2 实时调度子系统

实时调度子系统主要由油料保障决策者、人机交互接口和VRGIS平台，以及用来辅助系统功能实现的决策支持子系统、通信模块构成。VRGIS平台利用虚拟方式真实再现多机种综合保障基地油料保障各种静、动态地物，既能跟踪、定位空间物体，又能以可视化方式展示空间物体的属性数据，它至少应具备以下八个功能： (1) 通视和缩放，即根据应用请求实现场景的三维全景展示和实物聚焦; (2) 定位，即系统根据回传的定位信息实时地将视点定位到目标; (3) 漫游，虚拟场景可在多机种综合保障基地地域及其一定的空间范围内实现视景转移、扩展及移动目标的跟踪; (4) 显示模式，即加油车辆、油料保障人员、飞机等移动实体，在定位信息的驱动下实现前进、后退、转向、接触等过程状态; (5) 地形量算，可测量任意两点的实际距离和任意区域的面积; (6) 属性数据编辑，即可以编辑相关静、动地物的信息; (7) 加油过程状态表现，可实时显示加油车辆油罐剩余油量、作业状态等; (8) 轨迹回放，可利用历史数据实现加油车辆、油料保障人员在油料保障过程中所经历的线路及作业节点的状态信息的显示。油料保障决策者在实施调度子系统中主要起着数据请求者、决策指令生成者和调度指令发布者的作用，而人机交互接口是用来实现油料保障决策者和实时调度子系统进行实时交互的媒介。

3.3 信息终端

信息终端包括加油车辆和手持式移动信息终端。加油车辆车载信息终端主要由北斗定位单元、嵌入式计算机系统、车载供电单元、传感器、无线通信单元等五部分组成。其功能为：一是自动采集加油车的位置、加油状态、装载油品、剩余油量、容量等信息;二是通过移动通信系统将采集的数据回传服务器端;三是接收调度与决策中心发出的指令;四是发出指令警报，油料保障人员接收后控制加油作业过程。北斗定位单元主要包括定位请求端和定位信息接收端，加油车辆在移动过程中不断地发出定位请求，地面中心站收到请求后解算出用户位置，再通过卫星传送给定位信息接收端，北斗定位单元的定位信息通过无线通信模块加密后传回调度与决策中心。

3.4 与飞行指挥系统融合的接口模块

飞行指挥系统具有对飞机实施指挥、控制的功能，直接或间接地封装了系统所需的驻场、转进的多机种飞机相关信息，因此，系统设计时应留有与飞行指挥系统融合的接口，以实现数据共享。

4. 结语

调度决策系统 第6篇

1 电网调度系统的发展

调度系统对整个电网系统的工作都起着重要的决策支持作用。就电网调度系统的发展而言, 主要经历了两个发展阶段, 也就是经验型调度阶段和分析型调度阶段。

1.1 经验型调度阶段

自动化和通信技术的水平在电网系统发展的初级阶段都较低, 极大程度上限制了调度系统的发展, 以致调度工作难以全面展开。其展开方式只能通过调度人员在现场进行询问, 依据以往经验对故障处理方式进行判断, 因此, 故障处理手段缺乏有效性与准确性。

1.2 分析型调度阶段

随着电网系统规模的不断壮大, 网络结构越来越复杂, 仅依靠以往经验已经不能满足调度工作的需要, 尤其是此时调度工作已经收到系统复杂性及调度人员素质的制约。因此, 监控系统与数据采集系统的应用, 为调度人员进行故障分析提供了准确依据。

2 智能电网调度决策支持系统的提出

如今, 电网系统规模已经达到前所未有的壮大, 结构的复杂性造成影响系统安全运行的因素越来越多, 故障的发生也伴随着规模的发展日益增多, 以致连锁故障造成的后果越来越严重。此外, 电力市场在经过改革之后, 不同利益实体导致不确定因素大大增加。在这样的挑战面前, 传统的调度系统已经无法满足企业需要。

2.1 没有采集故障信息

从信息源的角度来看, SCADA系统只能采集稳态信息, 没有采集故障信息的技术。因此, 只能反映系统运行的正常状态, 却不能反映系统的故障过程, 调度人员没有科学依据, 仍然无法正确判断故障原因。

2.2 缺乏调度决策支持

从信息利用的角度来看, 调度系统只能简单的处理一些SCADA系统提交的数据, 并且将其处理的数据与简单提示提交给调度人员, 缺乏对调度的决策支持。而决策支持才是调度人员最需要的依据。

2.3 传统调度系统具有局限性

从分析工具的角度来看, 调度系统只能提供稳态分析软件, 没有提供故障分析软件, 因此, 调度系统的局限性造成了智能型调度的发展趋势。

智能型电网调度的决策支持系统可以从信息采集、分析、处理以及为调度人员提供决策支持等方面完善调度系统。

3 智能型电网调度决策支持系统的开发

3.1 概述

智能型电网调度的决策支持系统是建立在SCADA基础上的一种高级调度系统。主要功能是采集和分析电网系统中的各种信息与参数, 指导调度人员工作, 帮助调度人员及时了解电网系统的实时运行情况, 并且根据运行情况为系统决策提供支持。决策支持系统不仅能提高电网系统运行的安全性和稳定性, 还能评估电网系统的经济性, 在对故障进行分析和处理时, 提供更为全面的实时信息, 提高电网调度系统的工作效率。

3.2 主要特点

智能型电网调度的决策支持系统对电网整体系统的运行起到了积极促进作用。该系统可以采集和上传变电站的故障信息进行相应的处理, 并且对所有信息的数据进行综合处理, 实现综合利用信息及控制参数的目的。此外, 决策支持系统还能评估和检测电网系统的经济性和安全性, 将电网故障系统进行结构分层, 智能化处理实施信息。

3.3 基本构成

智能电网调度决策支持系统由硬件系统与软件系统两个部分组成, 这两个部分在各自领域上发挥不同的作用。

3.3.1 硬件构成

在决策支持系统中, 硬件主要有两台前置机、两台数据服务器和五台PAS工作站构成。以局域网的网络协议为基础, 利用以太网将这些设备进行连接工作。

3.3.2 软件构成

决策支持系统的软件主要由五个部分组成:其一是变电站继电保护信息管理系统, 该系统主要负责故障保护及收集、监管、分析、处理信息与报表;其二是网络通信系统, 该系统主要以基本网络传输协议为前提, 进行数据传输与管理;其三是综合数据平台, 该平台可以为电网调度的决策支持系统提供数据, 作为决策依据, 并同时对系统运行故障进行分析, 将稳态系统与故障系统进行有机融合, 为系统提供更全面准确的信息;其四是高级应用软件系统, 该系统的作用是分析及指导电网的运行情况, 优化电网系统运行的安全性;其五是维护子系统, 该系统能指导、管理决策系统的日常工作, 并维护各级系统的正常运行。

4 智能型电网调度决策支持系统的实现

智能型电网调度决策支持系统的实现需要利用多代理技术的支持。指挥系统是整个电网系统的大脑, 可支持系统决策并协调各级系统按正确程序运行。电力调度决策系统的生存坏境也被称为领域环境, 在智能电网调度决策系统中扮演协调的中介角色, 主要负责各个代理个体间发布事件的共享功能, 并且通过规划分析, 协调个代理个体的服务请求, 完成需要在代理间交互的各项复杂任务。因此, 需要通过描述与分析领域环境, 了解系统运行环境中的执行任务情况。一般情况下, 对于领域环境的定义是利用状态树进行描述, 状态树中包括代理个体和驱动软件。

代理个体中包括了各种功能软件模块, 模块包括状态的估算、潮流计算、无功优化、故障诊断、安全分析、故障处理、负荷预测等, 每个模块都有各自的工作要求与功能, 需要通过驱动软件的支持实现对领域环境变化的感知和运行。安全分析软件的领域环境在状态树中所处的节点为正常节点, 在任务执行结束后, 安全分析软件的状态节点会至下一层节点。在定义安全分析软件的驱动事件中, 代理软件的模块与原有软件的模块相比, 运行程序及输出结果区别都不太大, 因此可以减少部分结果修改工作, 不仅提高了工作效率, 还能加大系统运行的经济性。

结合以上分析, 看一个应用实例:某课题组利用智能型电网调度决策支持系统在A省电网投入现场运行, 取得了良好的应用效果。传统的调度系统在进行故障分析处理时, 需要调度人员手动输入报警信息, 然后通过诊断软件得出诊断结果, 再将诊断结果输入故障恢复软件中制定故障处理方案。与此相比, 决策支持系统能够实现对电网运行状态的自动跟踪与自动分析, 不仅提高了电网运行的安全性, 还极大减轻了调度人员的工作负担。例如, 某变电站负荷馈线发生故障, 由于变电站运行人员疏忽, 未能及时上报调度中心, 但调度决策支持系统自动发现该故障, 并将故障情况迅速报告给调度人员。调度人员立刻向变电站运行人员核实故障情况, 结果完全正确, 依据该系统的快速诊断, 故障处理时间直接由几十分钟缩短到了两三分钟, 最大限度减少了供电企业的损失。

5 结语

随着电网规模的不断扩大, 电网系统随之更加复杂, 对电网调度的决策支持系统也提出了更高的要求。为了适应时代发展及满足现代电网运行的需要, 发展智能化电网调度决策支持系统是必然趋势。

摘要：智能型电网调度的决策支持系统不仅能为电网系统的运行提供更高的安全性, 还能在系统发生故障时, 及时分析故障原因, 提供有效解决措施。本文将从电网调度系统的发展进行分析, 结合智能型电网调度决策支持系统的特点, 对该系统的实现进行探讨。

关键词：智能型,电网调度,决策支持系统

参考文献

[1]胡渭峰.智能型电网调度决策支持系统的开发与实现刍议[J].科技创新与应用, 2013, (6) :149.

[2]高新志.济源电网智能化建设中智能调度的研究[D].郑州:郑州大学, 2012.

调度决策系统 第7篇

传统的电力系统发电调度在安排电厂出力方面往往在兼顾系统安全性前提下,只追求经济效益最大化的单一目标[1,2]。然而,火力发电过程中由于化石燃料燃烧产生的烟尘、氮氧化物、二氧化硫和二氧化碳等,不仅对环境产生很大影响,同时也危及人类健康。随着社会对环境保护的呼声不断提高,电力系统发电调度必然要考虑环保效益[3,4,5]。同时考虑发电成本和污染物排放控制的经济调度问题,就是所谓的电力系统环境经济调度问题(Environmental/Economic Dispatch,EED)。此外,还有学者提出综合考虑经济、环保、安全的多目标优化调度,在追求经济性目标中不但考虑发电成本而且计及网损。文献[6]和文献[7]建立的优化调度模型中,均以系统总发电成本最小和有功损耗最小作为目标函数,但都没有考虑环保因素,而EED问题考虑了发电成本和环保效益,却没有考虑网损。网损是电力部门一项重要的技术经济指标,降低网损对于提高电力系统经济运行,实施节能和降低电价具有重要的意义。

对于多目标优化问题,可先将其转化为单目标问题,然后利用各类优化方法求解。实现单目标转化的方法有权重系数法[8,9]、基于模糊理论的隶属函数法[10,11]等。但这些方法在应用上往往存在权重系数选择的任意性、隶属函数构造的合理性等局限。文献[5]在EED问题的求解中,将污染气体的排放量作为约束条件考虑,在求解的过程中,能将污染气体排放量控制在某一标准之下,却无法根据决策者的具体要求,协调发电成本与污染气体排放两个目标之间的关系;文献[12]将污染气体的排放量通过一个费用惩罚系数转化为成本的一部分整合到煤耗成本中,将多目标问题转化为单目标问题求解,并给出了一种费用惩罚系数的估算方法,但费用惩罚系数毕竟是一种估算,不同的估算方法,将得到不同的结果。

本文分别从经济、环保、节能的角度出发,以系统耗量成本最低、污染气体排放量最小、网损最小为目标函数,建立了电力系统节能环保经济多目标优化调度模型,并提出了一种新的基于评价函数的交互式多目标决策方法来进行求解。对IEEE30节点标准测试系统进行仿真计算,以此来验证所建模型的合理性和求解方法的有效性和适用性。

1 节能环保经济调度问题的数学模型

1.1 目标函数

(1)从电力系统经济运行的角度考虑,应使系统总运行费用最小,即

式中:F1为总的耗量成本,$/h;iP为第i台机组的有功功率;N为系统中的机组总数;Fi(Pi)为第i台机组的耗量成本。

发电机的耗量成本通常用机组有功功率的二次函数表示。实际系统中,汽轮机进气阀突然开启时出现的拔丝现象会在机组的耗量曲线上叠加一个脉动的效果,即产生所谓的阀点效应[13]。考虑阀点效应后,耗量特性表示为

式中:ai、bi、ci、ei、fi分别为机组i的耗量成本特征系数;Pimin为机组i的有功出力下限。

(2)从环境保护的角度考虑,应使火力发电中排放的有害气体,如SOx、NOx等最小。本文选取NOx排放量为控制目标。追求污染气体排放量最小的目标函数[14]可以表示为

式中:F2为污染气体总的排放量,t/h;ai、bi、gi、zi、li为机组i污染气体的排放特征系数。

(3)从节能的角度出发,降低电网的有功损耗,本质上也是减少能源的消耗。为了提高电力系统运行的综合经济效益,还应追求网损最小,即

式中,Ploss为系统的网络损耗,一般采用B系数法或者潮流计算得到。

1.2 约束条件

(1)系统实时功率平衡约束

式中,Pload为系统总负荷需求。

(2)机组运行出力约束

式中,Pimax为机组i允许的最大有功出力。

(3)旋转备用约束

式中,PR为系统的总备用。

1.3 数学模型的描述

以上目标函数和约束条件可以表示为如式(8)的非线性多目标优化问题。

式中:P=[P 1,P 2,…,PN]T,为发电机有功功率列向量;g(P)为等式约束;h(P)为不等式约束。

2 基于评价函数的交互式多目标决策方法

由于各个目标之间一般存在冲突性,多目标决策问题的最优解往往并不存在。此时,多目标优化问题的最优解一般是从非劣解集中选择一个满意解。交互式多目标决策能够充分体现决策者的主观愿望,是一种实用性比较强的多目标决策方法[15,16,17]。多目标向单目标转化的过程中,往往存在权重系数选择的困难,基于以上考虑,本文提出了一种基于评价函数的交互式多目标决策方法。

考虑多目标决策问题,如式(9)。

式中:x为决策向量;X为决策向量的约束集;fp(x)和gq(x)为目标函数,f p(x)是效益型目标函数,而gq(x)是成本型目标函数,其中,p=,1,2…,m,q=,1,2…,n,m、n分别为效益性目标函数和成本型目标函数的个数。

2.1 评价函数的选择

(1)单目标满意度函数

对于多目标问题,不同目标函数的函数值量纲一般也会不同。为了比较的方便,需要把各个目标函数进行规范化处理。记maxfp(x)、minfp(x)分别为fp(x)在约束集X上的最优解和最劣解;maxgq(x)、mingq(x)分别为gq(x)在约束集X的最劣解和最优解。记

(2)总体协调度评价函数

对于多目标最优化问题,理想情况是希望各单目标的满意度均达到理想值。由于各个目标之间往往存在矛盾,所有单个目标满意度同时达到最大值实际上是不可能的。因而希望构建一个能够协调各个目标值的总体评价函数。记分别为各目标函数满意度的最理想值,若采用上述规范化方法,最理想值即为1。即为此距离意义下的偏好解。据此,可以选择总体协调度评价函数为

式中,‖·‖为向量空间中的某种距离。若选取向量空间的距离为“欧氏距离”,则总体协调度评价函数d(x)可以定义为

2.2 基于评价函数的交互式多目标决策模型

交互式多目标决策的特点是决策者可以根据本人的意愿提出对于各单目标的偏好要求,从而对求解的过程逐步进行调整,最终求得使决策者满意的偏好解。在定义了单目标满意度函数和总体协调度评价函数的基础上,可以构建如式(11)交互式多目标决策模型。

式中,为决策者要求的各单目标满意度的下限值。

3 求解节能环保经济调度问题的步骤

(1)利用单目标优化方法分别求得耗量成本的最大值F1max、最小值F1min,污染气体排放量的最大值F2max、最小值F2min,网损的最大值F3max、最小值F3min,由此得到各单目标的满意度函数为

式中,ρ1、ρ2、ρ3分别为耗量成本、污染气体排放量、网损单目标满意度。显然,

(2)记分别为各单目标满意度的最优值,显然总体协调度评价函数可以表示为

(3)若决策者要求耗量成本、污染气体排放量、网损单目标满意度的下限值分别为根据式(14)可将多目标优化问题(8)转化为如式(17)带约束的非线性单目标优化模型为

(4)采用改进的粒子群优化方法[18]求解式(17)单目标优化问题。种群中粒子总数设为100,算法最大迭代次数设为2 000,其他参数取值均采用文献[18]中的实验参数。

(5)决策者根据不同调度准则,提出对于各目标的主观偏好要求,通过分别改变各单目标满意度下限值将得到满足决策者要求的耗量成本、污染气体排放量及有功损耗值。

4 算例分析

4.1 算例描述

本文选取的算例为IEEE30节点、6个发电机组的标准测试系统[14,19]。其中,该系统的单相接线图见文献[14],线路和节点参数见文献[19],系统总负荷需求为2.834 pu(基准值为100 MVA),各发电机组允许的最小和最大有功出力、燃料耗量特性系数和排放特性系数如表1所示。

4.2 仿真结果分析

(1)利用改进的粒子群优化方法得到各个单目标的极值如表2所示。

(2)若决策者只追求耗量成本最小,而不考虑污染气体的排放量和网损,即为传统的经济调度模型,求解该模型,得到的优化结果如表3所示。

(3)若决策者仅追求污染气体排放最优,而不考虑耗量成本和网损,得到的优化结果如表4所示。

(4)若决策者只追求网损最小,而不考虑耗量成本和污染气体排放量,得到的优化结果如表5所示。

(5)若决策者综合考虑耗量成本、污染气体排放量和有功损耗三个目标,并且要求各单目标满意度均不低于0.8,即由此得到的优化结果如表6所示。

(6)改进粒子群优化方法求解单目标优化问题时,单目标满意度和总体协调度随迭代次数的变化情况如图1所示。

三维空间中,(q1,q2,q3)逐步逼近理想目标点的搜索过程中,非劣解分布情况如图2所示。

由表3~表5可见,单纯追求耗量成本最小时,该单目标满意度达到最大值1,耗量成本仅为610.177 2$/h,经济效益好,但污染气体排放量的满意度为0.614 9,排放量达0.194 2 t/h,环境保护效益差,网损为0.023 4 pu,节能效益也有待提高;若只追求排放量最优,相应的耗量成本和网损会增大;若仅追求网损最小,一定程度上会损害经济效益和环境保护效益;由表6可见,当决策者要求三个单目标的满意度值均不低于0.8时,得到的耗量成本、排放量和网损分别介于单纯追求单个目标最优得到的耗量成本、排放量和网损值之间。根据决策者的主观意愿,改变ρ1、ρ2、ρ3的下限值,将得到不同耗量成本、排放量和网损值。

由图1单目标满意度和总体协调度的过渡过程及图2非劣解的分布情况可以看出,总体协调度评价函数能够协调各单项目标之间的整体平衡,最终达到寻求各项利益折中的目的。

5 结论

(1)电力系统节能环保经济调度模型在追求综合经济效益的同时兼顾了环境保护因素,能够在发电计划编制时,同时考虑节能降耗和减排两项指标,制定更加灵活的调度方案。

(2)本文提出的基于评价函数的交互式多目标决策方法能够充分体现决策者的主观意愿,使决策方案选择的互动性更强。构造的总体协调度评价函数,避免了多目标向单目标转化过程中权重系数选择的任意性,计算过程简单,便于实际操作。

调度决策系统 第8篇

关键词：鲁棒优化,调度决策,机组组合,经济调度

0 引言

电力系统运行中存在着来源各异的不确定性因素,如负荷的随机扰动与发输电元件的意外停运等。近年来,随着新能源电源的广泛并网发电,其随机性、间歇性的特质,在频度与幅度上进一步加剧了电力系统运行中的不确定程度,从而,使电力系统调度理论由确定性向不确定性转变成为发展的必然。

电力系统运行调度是一个多时间尺度相互协调的优化决策问题。由于电力系统规模庞大,优化模型中变量及约束的种类繁多、数量巨大,再附之不确定因素的影响,使电力系统调度决策成为十分具有挑战性的工作,吸引了该领域内专家、学者的广泛关注,成为当下研究的热点问题之一[1,2,3,4]。

鲁棒优化是一类基于区间扰动信息的不确定性决策方法,其目标在于实现不确定参量最劣情况下的最优决策,即通常所谓的最大最小决策问题[5,6]。由于鲁棒优化算法具有不需要不确定参量精确概率分布信息、计算快捷等优点,其在电力系统的调度决策问题中具有广阔的应用前景,尤其在解决新能源发电形式给区域电网、微电网引入的不确定性问题时具有独特优势,在近五年里,此类研究报道日渐增多,研究深度与广度显著提升[7,8,9,10,11,12,13,14]。

在上述背景下,本文对鲁棒优化在电力系统机组组合、经济调度问题中的应用现状进行综述,对其中的建模规律进行梳理,对此类研究未来的发展趋势进行展望,以期为该领域研究工作的进一步开展提供有益的参考。

1 鲁棒优化概述

鲁棒优化起源于20 世纪50 年代,在Von Neumann最大最小定律的基础上,统计学家Wald于1950年提出悲观决策准则[15],其中即包含了鲁棒优化的思想,即要求决策者根据每一种决策方案的最坏实现情况进行方案的优选。而20世纪70年代后,鲁棒优化得到快速的发展,形成了独立、完整的优化理论体系,并被广泛地引入控制论[16,17]、金融决策[18,19]、供应链管理[20]等科技和工程领域。

相比较于处理不确定规划问题广泛采用的随机规划方法,鲁棒优化具有如下特点:①决策关注于不确定参量的边界情况,决策过程不需要知道随机变量精确的概率分布形式;②一般来讲,鲁棒优化模型可通过转化成其确定等价模型求解,求解规模与随机规划方法相比相对较小;③由于鲁棒优化决策针对不确定量的最劣实现情况,其解存在一定的保守性。上述特点使鲁棒优化成为一类特殊的不确定规划方法,具有独特的应用条件与效果。

为不失一般性,首先以考虑参数不确定性的线性规划问题为例,构建鲁棒优化的示意模型,表示为[5]:

式中:X为n阶待决策向量;C为线性目标函数中的参数向量;M为约束方程的m×n阶系数矩阵;n为m阶参数向量;U为不确定集。

由式(1)可以看出,线性鲁棒优化模型与线性规划模型在形式上具有一致性,但两者参数属性有着本质区别。鲁棒优化模型考虑了目标函数和/或约束条件中参数的不确定性,即参数C,M ,n可在不确定集合U中任意取值[21]。

根据鲁棒优化定义,其解具有以下特点:①决策在不确定参数实现情况未知的前提下进行,可获得一个确定的数值解;②决策结果足以应对所有不确定参数的同时扰动;③当不确定参数在预先设定的不确定集合内取值时,模型的约束是必然满足的。因此,鲁棒优化模型的有效解是当模型参数在不确定集合中任意取值时,能够保证所有约束均可行的一组确定的数值解。

为体现鲁棒优化解的上述特点,需在鲁棒优化模型中显式表达参数不确定性给决策结果带来的最劣影响,由此,将式(1)所示的鲁棒优化标准模型转化为其鲁棒对等模型[5],如下式所示:

该模型中,内部嵌套的最大化问题表征了不确定参量对于优化的最劣影响,而外部最小化问题则表明了鲁棒优化所寻求的最优解是最劣情况下的最好解。观察式(2)不难发现,在将不确定参量作为内层优化问题的决策变量后,该式已是一个确定性的多层次嵌套的优化问题,其求解思路即是将内层子问题通过对偶变换[22]等方式处理,形成单层线性或非线性确定性优化问题,进而求解[23,24,25,26,27]。因此,此等价转化,是求解鲁棒优化模型过程中的一项很重要的工作[28,29,30]。

2 鲁棒优化在机组组合问题中的应用

2.1 机组组合问题的一般模型

电力系统机组组合是在满足发电机组物理约束、电网输电能力约束以及负荷需求约束条件下,合理安排机组开停机顺序,使总的机组启停费用和运行费用最小的一类运行决策问题[31,32]。其中,机组数量、约束数量、约束之间关系的复杂程度等因素都会直接影响到机组组合问题的求解难度。机组组合问题的一般模型可表述为[33,34]:

式中:x为表征所有决策时段内机组启停状态的{0,1}决策向量;c为与机组启停决策相关的成本系数向量;y为所有决策时段内与功率分配相关的决策向量;b为与功率分配相关的成本系数向量;F为所有仅与启停决策变量x相关的约束所对应的系数矩阵;f为该类约束限值构成的向量;H为仅与功率分配决策变量y相关约束所对应的系数矩阵;h为该类约束限值构成的向量;A和B分别为同时包含机组启停决策变量x和功率分配决策变量y的耦合约束所对应的系数矩阵;g为该类约束限值构成的向量。

综上所述,确定性的机组组合决策方法用确定值(如负荷预测期望值)替代不确定变量,通过预设一定数量的备用来应对系统运行中的不确定性。机组组合是一类复杂的混合整数规划问题,其典型求解方法包括:优先级表法、动态规划法、拉格朗日松弛法及各类智能算法等[35,36,37]。

2.2 持续功率扰动下的机组组合鲁棒优化方法

在机组组合问题中,面临许多持续性的功率扰动,主要是由于对负荷功率需求或新能源电源输出功率预测偏差造成的。容易理解,无论是负荷功率需求的不确定性还是电源功率输出的不确定性,其最终均体现为节点功率注入的不确定性,因此,两类扰动的处理方法具有互通性[38,39,40]。

1)机组组合的两阶段鲁棒优化模型

为应对负荷功率需求的不确定性,文献[41]首次将鲁棒优化引入到机组组合问题,形成了一类机组组合两阶段鲁棒优化的典型模型。

在上述模型的基础上,此类两阶段鲁棒优化模型可表示为[33,42]:

式中:d为所有调度时段内不确定节点负荷功率所构成的列向量,其构成的不确定集为D。

若假设每个决策时段的不确定集合为Dt,则所有调度时段内的不确定集可表示为即对各调度时段内的不确定集Dt取笛卡尔乘积,取其所构成的最大集合范围作为总体不确定集。

机组组合鲁棒优化的决策目标为寻找目标函数在不确定负荷最劣(使目标成本函数最大化)实现情况下最经济的机组启停与发电计划。如式(5)所示,模型的目标函数包括两部分,第一部分是cTx,表示与机组启停决策相关的成本,其中,x的决策在不确定扰动未知的情况下进行;第二部分是bTy(d),表示调度过程对应的运行成本,其含有耦合的两类决策变量,一类是y,其决策目标是最小化系统的调度成本,另一类是d,代表随机扰动的负荷,通过选取d,最大化系统的调度成本,以模拟扰动的最劣实现情况。需注意的是,y的决策受d实现的影响,d的取值同样受到x和y决策结果的影响,因此用y(d)表示了这种牵制关系。

当然,除上述的两阶段鲁棒优化模型外,关注新能源功率不确定的部分研究还采用场景集来描述不确定性扰动,通过选取场景集中的极端场景进行分析,同样体现了鲁棒优化以最小化最劣情况下运行成本为决策目标的核心思想[43,44]。

2)目标函数的选取

在式(5)的基础上,文献[45]向目标函数中加入备用配置成本,形成了综合考虑新能源和备用配置要求的机组组合鲁棒优化方法。

与式(5)相比,文献[46]增加了“最小化不必要弃风”这一优化目标,为此,在目标函数中引入根据等耗量微增率准则求得的罚因子,以反映各风电场的弃风代价,从而保证风电的优先上网[47],并实现最小化弃风量的优化目标。

文献[48]将最小化最大遗憾值的优化标准[49]应用于机组组合的鲁棒优化模型,尝试对优化模型目标函数的构建进行改进,并定义最大遗憾值如下:

式中:M(x,d)为决策变量y的可行域集合,在关于机组启停决策x和随机扰动d(此文献中特指风电功率)确定的条件下给出;c(x)为机组启停成本函数,与两阶段鲁棒优化模型中的cTx含义相同;f(y)为功率分配决策的成本函数,与两阶段鲁棒优化模型中的bTy(d)含义相同;Q(d)为在某一扰动d的实现下,同时优化x与y所能获得的最理想调度结果对应的成本。

式(7)中将遗憾值定义为:对于某一扰动d的实现,在给定的机组启停状态x下,调整功率分配决策变量y所能获得的最小总成本与同时对决策变量x和y进行优化所得的最小总成本之差,反映了由于未恰当进行机组启停决策所导致的额外成本。基于此定义,在最劣扰动情况下,式(7)表示某一启停策略x对应的最大遗憾值。通过恰当选取x,可使最大遗憾值R(x)得到最小化,由此可设鲁棒优化目标为。与两阶段鲁棒优化模型的优化目标函数相比,该思路在风险评判标准普适化方面做出了有益的尝试。

3)约束条件的选取

在两阶段鲁棒优化模型的基础上,机组组合鲁棒优化模型在约束条件构建方面经历了如下的发展过程:文献[50-51]增加了对联络线传输容量约束的考虑,使模型更加符合电力系统的运行实际。文献[38]对联络线容量约束、爬升速率约束、不确定集合形式对机组组合鲁棒优化决策结果的影响进行了分析。文献[52]在文献[38]研究的基础上,深入分析了备用约束与不确定集合的关系,即通过对不确定集合的限制,可使得系统对旋转备用的需求自然满足,而不必作为约束条件出现。

文献[53]是考虑新能源发电不确定性的典型研究之一,在风电不确定的基础上反映出了抽水蓄能在功率分配过程中的重要作用。其在两阶段鲁棒优化模型的基础上,在实时功率分配阶段引入表征抽水蓄能电站吸收、发出功率的决策变量,并在约束中加入相关的逻辑和物理约束(如吸纳功率上下限约束、发出功率上下限约束以及蓄水量约束等),以形成计及风电及抽水蓄能电站影响的机组组合鲁棒优化决策模型。

需要注意的是,本节所列举的机组组合鲁棒优化模型存在共同弊端,即模型的准确度和保守性依赖于对功率不确定区间的划定,一旦划定区间过大,某些出现概率非常小的极端情况也被考虑,难免导致调度结果过于保守[46]。

2.3 偶发故障情况下的机组组合鲁棒优化方法

考虑偶发性扰动的机组组合鲁棒优化方法针对的是机组故障、线路断线等故障扰动情况,其模型以最小化最严重故障情况下系统的运行成本为目标,与应对连续性扰动的鲁棒优化模型的主要区别在于约束形式的变化[54,55,56,57,58]。

1)最严重扰动的表达方式

需要注意的是,该类鲁棒优化模型在对最严重扰动情况的求取方式上有所差异,现对几种典型模型逐一分析。

文献[54]中提出了一种结构简单的模型,其目标函数中包括启停、运行成本,旋转和非旋转备用成本,不含故障状态变量。该模型中,最严重的故障扰动被设置为所有非故障机组总出力最小时的情况,用d*来描述:

式中:zg为表示机组是否出现故障的{0,1}变量,出现故障时取值为0;yg为机组g发出的有功功率;rg为机组g所承担的备用;Ng为系统发电机组数。

本文通过将式(8)和功率平衡约束同时考虑,保证决策结果具有充足容量应对最严重的机组偶发故障场景。

文献[55]与文献[54]思路的差异在于,其改用故障后的失负荷量及其价值来衡量故障的严重程度,其目标函数为:

式中:C(y,z)为故障后系统功率再分配阶段对应的成本函数;z为表征元件运行状态的不确定向量,其构成的不确定集为Z;ygt为机组g在时段t内发出的功率;fg(·)为其运行成本函数;T为整个调度时段;zgt为表示机组g在时段t内是否正常运行的{0,1}变量,出现故障时取值为0;VVOLL为故障后失负荷对应的成本。

在式(10)中,故障后机组丧失发电能力,假设其原本可在该时段内正常发出的功率ygt为失负荷量,当发生最严重故障时,失负荷量达到最大,其与失负荷价值VVOLL的乘积也达到最大值,从而体现故障对优化目标的劣化作用。

文献[56]在文献[55]的基础上将不确定变量z的含义由单纯的机组状态拓展为全部机组和线路元件的运行状态。在目标函数中,用各条母线上的实际注入功率(包括传输线净功率和机组出力)与负荷之间出现不平衡量作为失负荷量,并用广义的罚因子替代失负荷价值。

2)约束条件的变化

此类鲁棒优化建模时,常利用表征元件运行状态的向量z构建出在各种故障组合情况下具有一致性的等式与不等式约束表达[57]。以系统可用容量需求约束为例,该约束要求在正常及事故运行状态下,系统的可用容量(发电容量及备用容量)均大于系统的负荷需求,可表述为:

式中:D为系统的负荷需求。

由式(11)可见,一旦机组g发生故障,则在变量zg的作用下,该机组所承担的输出功率与备用容量将自动从系统容量需求约束中剔除,从而,反映出机组故障对系统可用容量需求约束的影响。

由上述分析可见,由于利用了式(11)所示的约束表达方式,以及上述对最严重扰动情况的直接求取方法,此类鲁棒优化方法不必像随机规划方法一样枚举出每种故障组合状况对应的运行约束即可求取最严重故障扰动下的最优决策,从而使模型大大简化,计算效率大为提升[59,60]。

2.4 不确定集的构成及保守性的控制

由鲁棒优化基本思想可知,模型中不确定性参数的波动范围将构成一个确定的有界集合,优化过程则将依据集合边界,寻找最劣扰动情况下的最优解。据此思路,对解保守性的控制即体现为对不确定集规模的控制,这是关系到模型求解效率和保守性的重要问题。

当前研究中常采用盒式或多面体不确定集、基数性不确定集、N-k不确定集等[61]形式描述不确定参量的波动范围。其中,前两类集合适用于针对持续扰动的鲁棒优化模型,第三类集合适用于针对偶发故障的鲁棒优化模型。本节将对各类不确定集合的特点及其解的保守程度进行分析。

1)盒式或多面体不确定集

区间是描述不确定参数波动范围的一种基本形式,由其构成的不确定集被称为盒式不确定集,表述为[62]:

式中:下标ω 为不确定参量标号,构成集合Ω;dω为不确定参数d的取值;Dωu和Dωl分别为dω的上、下界。

式(12)表示,盒式不确定集对不确定参数的区间边界设置限值,在优化模型中将不考虑超出区间边界的参数实现情况,因此,区间覆盖范围决定了决策结果的保守性。

原则上,对于盒式不确定集,可以通过指定不确定参量的边界值来限制集合的规模,但不恰当的取值将导致结果保守或冒进。在实际应用中,盒式集合常加入具有1-范数形式的不确定度约束对决策的保守程度实施控制[33,39,63],此时,盒式不确定集变为如下形式:

式中:πω为不确定参数dω的权重;π0为所有不确定参数加权和的上限。

式(13)所示的不确定集合在相关研究中常被简称为多面体不确定集[62],此时,所有不确定变量的加权和需小于给定的不确定度参数π0,从而可通过控制π0实现对决策结果保守度的控制。

2)基数性不确定集

基数性不确定集合的特点在于其对不确定参量偏移量的相对值进行控制,能够更准确地衡量参数的波动状况,可表述为[38,42,52]:

式中:为dω的预测值;为dω距离预测值的最大偏移量;Γω为不确定度参数。

事实上,除了式(13)、式(14)所述的两类不确定集外,其余的凸约束形式,如具有2-范数形式的椭球体约束,也可以用于构成不确定度约束,但具体工程建模中,为简便起见,多使用多面体或基数性不确定集对扰动量的不确定范围进行限定[29,33,61]。

3)N-k安全准则不确定集

反映偶发性扰动的不确定性扰动变量集合Z呈现出离散、非凸的特性,在N-k安全性原则限制下可表示为如下形式[56]:

式中:zl为表示传输线路是否出现故障的{0,1}变量,zl和zg构成表征元件运行状态的不确定性向量z;Nl为系统内输电线路数;N为系统中所含发电机组和输电线路的总数目;k为不确定集所考虑的故障阶数。

式(15)要求正常运行的机组和传输线路总数不小于给定的限值。此时,可以通过削减模型所考虑的故障阶数,即限制k的取值,对模型的保守度进行调整[54,58]。尽管如此,由于多重事故的极端事故情景通常表现为运行成本较低、容量较大的大型机组的停运,而此类机组往往具有较高的可靠性,因此,N-k准则下的调度结果通常还是比较保守的。

为解决该问题,文献[55]提出利用含有概率信息的αcut准则构成鲁棒机组组合模型的不确定集合,即只考虑故障概率大于给定截止值αcut的场景的作用。

以机组停运故障为例,此时新加入的不确定度约束可表示为:

式中:Pgt为机组g在时段t内的故障率。

由式(16)可知,αcut准则通过避免对极小概率事件的考虑,减小不确定参数集合的规模,从而达到控制优化模型保守度的目的。

总的来说,不确定集覆盖的扰动范围将直接影响到优化结果的保守程度,因此,对解的保守度的控制即体现为采用不确定度约束对不确定集的覆盖范围进行限定。不难看出,当前研究中鲁棒优化模型的保守度设置受人为主观因素的影响较大,反映了调度决策人员的风险态度。

3 鲁棒优化在经济调度问题中的应用

经济调度是电力系统运行决策中的重要组成部分,其通过对在线机组运行基点的调整,在保证系统安全、可靠运行的前提下,以最小的发电成本,满足用户的电力需求。由于扰动在发电机组间的分配机制对系统的扰动应对能力影响显著,因而,在经济调度鲁棒优化方法中,往往需计及扰动后不平衡功率的再分配过程[64]。经济调度的鲁棒优化方法目前已被应用于处理计及风电功率[65]、径流式小水电功率[63]及太阳能发电功率[66]波动的经济调度问题。

3.1 经济调度的自适应鲁棒优化方法

在经济调度问题中,自适应鲁棒优化方法强调模型对各类扰动的自适应性,对不平衡功率的平抑机制没有进行预先设定,从而,扩大了调度的寻优空间。另一方面,同样由于此类方法没有对扰动平抑机制进行设定,在实际应用中,还需对扰动发生后各发电机组的调整策略另行决策。

自适应鲁棒优化方法按照建模思路的不同可分为两类。第一类方法是按照调度时序构建的两阶段鲁棒优化方法,其包括发电机组运行基点设定和不平衡功率在发电机组间的再分配两个阶段;第二类方法是从博弈论的角度,将经济调度决策视为与外界扰动之间的博弈过程,从而构建的零和博弈方法。

1)两阶段鲁棒优化模型

经济调度的自适应二阶段鲁棒优化模型有以下结构:

式中:yp为表征机组功率的决策向量;ymax和ymin分别为yp的上、下限;cp为与yp相关的成本系数向量。

此处,d为经济调度问题中考虑的不确定性扰动;y(d)为扰动d发生后,功率的调节量向量;H为包括功率平衡约束、备用约束、机组爬升速率约束在内的调度约束所对应的系数矩阵。

在上述模型中,式(18)、式(19)表示运行基点按照在预测期望场景下需满足机组及系统的运行约束,式(20)和式(21)则表示扰动场景下,计及发电调整过程后,上述机组及系统的运行约束仍需要被满足。

上述模型可发展为多时段的动态调度模型。文献[67]根据多风场在时间和空间上的联系,构建了动态不确定集,即将前一时段的扰动实现情况与当前阶段的不确定集耦合,形成了自适应的多时段动态经济调度鲁棒优化模型,与静态经济调度相比,决策结果在运行效益和系统可靠性方面都有所提升。此外,文献[68]利用超前调度鲁棒优化模型验证了时空相关的风电预测模型在提高风能利用率、降低系统运行总成本方面的优势,并说明在考虑风电功率波动性的鲁棒优化模型中,预测精度的提高在缩小不确定集合范围、控制决策保守度方面起到了重要的作用。

2)工程博弈模型

将造成不确定扰动的自然因素和经济调度决策者视为博弈的竞争双方,可依据零和博弈理论构建具有自适应性的经济调度鲁棒优化模型[69,70]。在博弈的双方中,调度决策的目的是用尽可能少的成本有效平抑扰动,而计划外扰动则欲使系统总收益降低,博弈双方一方的收益必然导致另一方的损失,两者的收益和损失之和为零,不可能存在合作关系,故符合零和博弈模型。零和博弈模型的最优解由纳什均衡决定[71,72]。此类模型的目标函数可表示为:

式中:J(u,w)为总成本;u为经济调度的决策变量;w为自然作为博弈的一方所做的决策。

式(22)表示,最优调度结果应当使得在极端自然条件下的运行成本最小。鲁棒优化问题的博弈模型也被称为工程博弈论模型[72]。由于工程博弈模型具有典型的最大最小形式[71,72],因此在求解时可采用两阶段松弛算法[73]进行近似求解。

3.2 计及AGC仿射矫正过程的实时调度鲁棒优化方法

实时调度与自动发电控制(AGC)是紧密关联的两个过程。实时调度根据预测得到的系统功率需求,将机组运行基点调整到合理位置,进而,AGC对功率需求预测偏差造成的系统不平衡功率在各AGC机组间进行再次分配,以维持系统供需的平衡。由于电力系统实际运行过程中,不平衡功率一般依据参与因子在AGC机组间进行分配,因而,AGC可以看成是实时调度的一种具有仿射函数关系的矫正控制手段[64,74,75,76]。

AGC机组补偿量与系统扰动量之间的仿射关系可表达如下:

式中:Δpg为AGC机组g的输出功率补偿量;αg为AGC机组g的参与因子;Δdi为节点i处的扰动量,设系统共有Nd个节点。

相比较于自适应模型,计及AGC仿射矫正控制过程即是将自适应模型中的功率调整函数采用式(23)进行具体化。这种方法的优势在于:采用仿射校正机制后,可同时决策AGC机组的运行基点与参与因子,从而将开环调度与闭环AGC紧密结合,实现了调度与控制的协调[64]。与此同时,仿射关系引入的表达形式都是线性的,易于求解,提高了模型的计算效率。

针对此类模型的求解,一般采用Soyster所提出的方法[74],消去约束中的不确定变量,转化成等价的线性、非线性模型进行求解[77]。

3.3 最大化扰动接纳范围的鲁棒优化方法

现有的鲁棒调度方法中,大多要求预先确定不确定集合的范围,进而得出能够有效应对集合中任意极端情景的最优决策[33,39]。然而,电力系统在实际运行中可能并不具备完全平抑节点功率扰动的能力[78],从而,需要从电力系统自身调控能力出发,量化系统对扰动的最大接纳范围,进而,给出恰当的备用配置策略,合理构建系统的扰动抵御能力。

文献[79]将可再生能源电源出力范围的边界作为可决策变量,并将该边界称为不可超越的限值。文中将注入功率不确定的电源统一称为变动电源(VER),并以最大化可接纳电源波动范围为目标,构建目标函数如下:

式中:σk为权重系数,体现接纳第k个VER功率波动的相对重要程度;wku和wkl分别为第k个VER功率波动范围的上、下边界;pCCU为功率偏差矫正单元(包括AGC机组和交流联络线)提供的矫正功率。

式(24)中,通过最大化系统内所有VER功率波动范围的加权和,可获得系统对节点功率波动的最大接纳范围。pCCU的数值需要在VER扰动实现后才能确定下来,在约束中作为待决策变量出现,而不显含在优化目标函数中。

需要注意的是,系统接纳节点功率扰动的能力与调度结果的经济性之间存在挤兑关系,为同时体现两者对调度决策的意义,文献[75]将最大化风电允许出力上界和最小化发电成本作为优化目标,建立了鲁棒区间调度模型。文献[78]通过求取满足“弃风量最小”这一经济性要求的风电最大安全出力区间解,实现了经济性与安全性的协调。同时,文章还推导了风电出力不确定度与置信水平的关系,作为缩减风电出力区间的依据,对解的保守性进行控制。为进一步明确模型安全性目标和经济性目标的主从顺序,文献[64]构建了具有两层目标的实时调度模型,形成两层优化问题。其第一层优化量化了系统的最大扰动接纳能力,在此基础上,第二层优化给出了维持给定扰动接纳能力条件下的最经济的调度决策,其决策结果包括AGC机组的运行基点及参与因子。

由以上分析可知,此类模型的优势在于,可量化评估系统抵御扰动的能力,同时,能够实现对有限的可控机组资源的有效分配,从而使系统能够最大限度地应对不确定性的功率注入。

4 发展方向及展望

对于不确定运行条件下的电力系统调度决策问题,鲁棒优化提供了一种“劣中选优”的决策思路,其关注最劣情况下的最优解,仅需扰动边界信息进行决策,计算效率较高,因而具有很高的应用价值。然而,与从电力系统经济性最优化角度出发同时兼顾一定扰动应对能力的“优中选宜”(宜在此处有适应性较好之意)的决策思路相比,鲁棒调度的决策过程缺少了对电力系统抗扰动能力提升与经济代价折中协调的过程,并未体现不确定参量背后的统计学规律,且决策过程仅考虑了极端边界信息,具有不可避免的保守性。

因此,改善鲁棒调度方法的保守性,平衡优化方法的鲁棒性和经济性是当前研究的关键问题,其解决思路主要有以下两类。

第一类思路是通过合理构建不确定集控制优化方法的保守性。如2.4节所介绍的不确定集覆盖范围的控制方法。此类方法中,如何根据不确定量的概率分布构造恰当的不确定集,使之能够覆盖适当的扰动场景,且使调度结果具有统计意义下的优化效果,是此类解决思路的关键。

第二类思路是鲁棒优化与随机规划方法的融合与配合使用。当前已有部分研究尝试对两种优化算法进行组合,例如,文献[80]把目标函数中的成本函数分为两部分,一部分对应随机规划作用下的期望成本,另一部分对应鲁棒优化方式引入的最劣情况成本,并分别赋予权重系数(两部分权重系数之和为1),将两种优化方式统一到一个模型中,由调度人员通过选取不同的权重系数值来调节机组组合模型的保守性。

文献[81]从调度时序上综合两种优化方式,即在调度过程推进的时间轴上引入一个描述随机规划向鲁棒优化转变的“跃变时间点”,其决定了某一种优化方法所占的时间比例。此时,调度人员通过恰当选取跃变时间点,可达到控制模型保守度的目的。