系统协同优化范文（精选9篇）

系统协同优化 第1篇

随着国家电网公司SG186工程的不断推进，协同办公业务的建设通过建立日常办公、知识管理、任务协作等机制，为企业提供了数字化的应用环境。在迅速有效地提高企业系统内各级或各单位员工工作效率的同时，集中式的部署方案对系统的安全运行提出了更高的要求。分析目前系统的部署方案、运行状况及存在的问题，并针对问题提出了解决方案。

1 系统简介

SG186工程中的协同办公业务应用是针对大中型企业业务多且复杂，跨部门协作频繁，各类信息资源难以高效整合、企业决策困难等特点而研发的大型管理软件。该系统基于一体化企业级信息集成平台建设，遵循SOA架构设计，采用B/S、B/A/S相结合的多层分布式技术架构和开放式组件化框架技术研发。系统基于Lotus Domino/Notes实现，系统接口使用Web Service方式提供，采用的流程引擎使用J2EE设计实现。流程文档调用J2EE的流程引擎实现工作流，各个功能模块之间有数据接口的通过Domino代理方式进行数据关联，公文服务器(OA)与知识管理服务器(KM)的接口采用Web Service调用方式。

2 技术优点

系统采用RDB(关系数据库)+Domino(文档数据库、开发技术)+J2EE (JAVA 2企业版)相结合，基于这种混合平台技术开发的系统较依靠单纯群件技术(如采用Domino平台为基础技术平台的)的优点在于三者之间的“分工界面”扬长避短，优势互补。

在开发平台方面，由Domino平台全面向J2EE平台移植。J2EE和Domino各自负责不同的功能，最大程度上发扬不同平台的优势。在沿用Domino强大的处理非结构化文档管理能力的同时，充分利用了J2EE平台的分布式计算能力、强大而且灵活的部署方式，采用基于J2EE的工作流系统流程引擎，实现强大的并行流程处理能力。

工作流系统采用IBM状态机工作流引擎研究成果及工作流规范标准，具有先进性和普遍性，能够适应各种情况以及未来的扩展。在实现上基于J2EE技术和关系数据开发，具有很好的可移植性和跨平台性，同时借助关系数据库出色的执行性能和数据安全性进行工作流的数据处理。

数据库方面充分利用了关系数据库擅长结构化数据处理、文档数据库擅长非结构数据处理技术，提升了各类数据的存储、检索能力。同时利用Domino平台具有的优秀的安全控制体系，真正有效地保证系统和数据安全。

3 系统架构方案

OA和流程引擎服务器采用2台小型机，按照A、B来标识，用于部署公文服务器与流程引擎。服务器A、B同时运行，安装群集服务互为备份。2台服务器各运行3个Domino分区和一个流程引擎服务，使用F5做分发。部署架构如图1所示。

4 部署方案存在的问题

4.1 流程引擎服务器部署不合理

由于在OA和流程引擎服务器A、B 2台服务器中，Domino安装群集服务互为备份，但Web Logic各为独立部署，2台服务器各部署1个流程引擎服务，使用F5做分发。因此，当A机上的Web Logic流程引擎服务出现故障时，F5将服务切换至B机，由B机的Web Logic流程引擎服务自动接管。由于A、B机的Web Logic服务未部署集群，此时无法实现缓存同步。

4.2 JDBC连接缓存

问题现象：当系统空闲时间超过大约1h，用户登录时Web Logic后台出现JDBC data sourceI/O异常报错，流程处理失败，多次反复操作后，协同办公系统流程处理自动恢复正常。如图2所示。

问题定位。Web Logic部署架构及配置测试：

更改Web Logic JDBC连接池相关连接刷新配置，重启W e b Logic，故障依然存在。

在服务器上新建Web Logic集群，部署一个简单的JSP程序，并访问数据库，没有出现JDBC I/O错误。

结论。根据测试环境可以初步排除防火墙对Web Logic与Oracle之间连接的影响。

Web Logic连接池功能测试：

测试1：数据库连接池不具备刷新功能。

设置flase，启动Web Logic，访问index.jsp，画面正常显示。此时模拟防火墙断开，关闭网络连接，访问页面index.jsp，画面出现错误，但可直接从pool中得到连接使用，很快恢复正常显示。此时模拟防火墙开启，启用网络连接，再次访问页面index.jsp，错误信息同上。

测试2：数据库连接池具备刷新功能。

设置true，启动Web Logic，访问in d e x.j s p，画面正常显示，模拟防火墙断开，关闭网络连接，访问页面i n d e x.j s p，画面出现错误，原因是在试图测试网络连接，测试失败后，试图从数据库获取新的连接，仍然失败，同时报错为could not create pool connection。此时模拟防火墙开启，启用网络连接，访问页面index.j s p，画面正常显示，但速度较慢，原因是取得连接池，进行测试，发出错误，又从数据库取得新的连接。

结论：Web Logic本身的连接池功能正常，可以通过开启true开关，屏蔽防火墙的断续问题。

故障分析：协同办公系统当前的设计采用了Hibernate框架，Hibernate中提供了两级缓存机制，在与数据库取得连接时，将连接缓存取到本地，无法使用Web Logic本身的连接池检查功能。由于协同办公系统Web Logic与Oracle数据库之间部署有防火墙，防火墙在通道空闲超过30min后，会断开Web Logic与Oracle之间的连接，但不告知Web Logic与Oracle。这就造成系统空闲一段时间后，重新有人访问Web Logic时，Web Logic使用已经断开的连接去连接数据库，就会报I/O异常错误，多刷新几次连接后，Web Logic JDBC重新建立连接池，连接数据库，系统恢复正常。

4.3 J2EE+Domino架构下的数据同步问题

由于系统采用J2EE+Domino的架构，2个流程引擎服务同时为40家单位的协同办公系统提供服务，在OA应用向J2EE流程引擎提交数据或在D o m i n o公文端保存文档的时候，可能会由于网络、引擎故障以及系统资源等问题而导致数据出现错误，造成Domino的当前环节数据与流程引擎的当前环节数据不一致，表现为Domino公文端调用流程引擎进行公文流转时系统出现异常提示。

5 改进后的部署思路

5.1 Web Logic部署集群

集群提供了从一个服务器到另一个服务器的无缝迁移和故障切换，从而确保关键业务应用和服务的不间断运行。在协同办公系统上的应用表现为，使用F5做分发，将不同的访问请求分发到相应的服务器。并能够通过规定方式检查服务器是否正常提供相应的服务，若发现某个服务出现异常，则采用设定的方案将其隔离出应用服务器群，保证关键应用的持续，提供特别的会话保持能力，保证正常服务不受其影响。

同时，深入的诊断和内存泄露检测可以通过查明包括性能瓶颈、内存利用不好和其他配置异常在内的问题根源来帮助防止应用中断。

5.2 数据库与应用服务器在同一网段

由于协同办公系统开发时采用的Hibernate框架不能解决与数据库连接经过防火墙时产生的无法使用Web Logic连接池释放缓存问题。而即便排除了Hinernate缓存问题，由于Web Logic连接数据库时需经过防火墙，一段时间后防火墙断开空连接，Web Logic即使不报错，仅完成重新连接这一过程还是会消耗一定的时间，仍然会表现出系统空闲一段时间后，最初访问的用户在使用流程流转时，系统处理较慢这一现象。因此采取将数据库与应用服务器建立在同一网段这一措施，可以从根本解决系统空闲后再次操作时报错及流程处理缓慢的问题。

5.3 使用日志记录错误信息

如果在OA应用向J2EE流程引擎提交数据的时候，可能会由于网络、引擎故障而导致数据出现错误，那么可以在Domino日志中直接将此信息日志记录为“错误”状态。

如果当Domino公文端保存公文时网络或者应用出现问题，可在Domino系统中将信息日志记录为待同步状态，并由OA应用重新同步引擎数据与OA数据。

使用日志记录错误信息如图3所示。

6 结语

协同办公系统的稳定运行是企业通过数字化的应用环境迅速提升管理水平和运作效率的有力保障。对于系统部署方面存在的不足之处，这里提出了一个全面的改进思路，并将该思路应用于宁夏电力公司协同办公系统。实践证明，改进后对实现系统真正高可用、高稳定取得了良好的效果。

参考文献

[1]武坤.Lotus Domino/Notes R6应用教程[M].北京:机械工业出版社, 2003.

[2]段立, 刘艺, 尹迪, 等.Lotus Domino/Notes R6中文版办公自动化解决方案及应用剖析[M].北京:机械工业出版社, 2003.

业务流程管理优化企业协同办公 第2篇

在Gartner公布的“十大战略性技术”中，业务流程管理(BPM，Business Performance Management)位居前列。BPM的目标就是管理优化核心流程，提高企业应变能力，从而降低运营成本、增强获利能力。

当前，办公自动化系统(OA)在各类企事业单位中都得到了广泛的应用，普及度较高，但应用水平还有待进一步提升。很多办公自动化系统都还停留在“流程自动化”的阶段，而要将“流程自动化”上升为“流程协同化”，就需要借助BPM的管理思想。

将BPM管理思想应用在协同办公中，可以实现以下目标:

1. 自动归档: 避免了文件丢失，方便查询。

2. 流程透明: 事件的提报人可以实时了解流程中每个环节参与人员的指令与建议，清晰定位整个事件审批的状态。譬如，在业务模块的流转过程中，提报人可以随时查看各部门建议、修改意见以及查看领导的批示结果; 同时，提报人也可以依据透明流程，对相关环节做好沟通汇报。

3. 责任明确: 登录系统后，在最明显的位置上出现待办事宜，并根据处理时限出现红绿灯提示: 临近处理时限，就会有黄灯提示; 一旦超过处理期限，就会有红灯报警，

并且在处理事件时，必须明确表明自己的态度。

4. 协同管理: 集团企业各业务部门、管理部门在事件处理中没有延误、没有借口、快速反应，走流程已经成为习惯，提高了决策反应能力。

行政办公、人力、财务等以工作流管理为核心的企业管理信息化，正在由OA发展为现在的“协同办公系统”。特别是对集团企业而言，涵盖了集团、子公司经营管理的大量流程，如办公室相关的审批流程、固定资产管理、合同管理、人力资源管理、市场促销管理、项目申报管理、安全管理等。

这些流程的应用方便了业务办理，提高了工作效率; 同时收集了大量文档数据，记录了谁需要什么样的信息或者服务，如何得到这些信息或者服务，如何深入挖掘各种有效信息资源。笔者认为，可以对以下这些问题进行量化，并利用BPM思想对流程进行分析优化，从而更好地满足企业运营需求:

1. 流程的复杂性: 统计每个流程的环节数，如果流程的环节过多，很容易出现“人人都签字、人人都不负责”的情况。

2. 流程的工作效率: 统计每个流程的流转时间、全部流程的平均流转时间，监控重要流程、复杂流程的工作效率。

3. 流程中每个岗位环节的工作效率: 统计每个具体环节的流转时间、平均流转时间。

4. 流程中角色的工作复杂性: 在企业的实际管理中流程的负责部门与信息系统中每个流程的重要角色如何分工与匹配。

5. 部门或公司的应用情况: 统计各公司所属模块的绝对数量和流转时间，评价各公司对系统的使用情况，制定相应的推进措施。

6. 意见类型: 统计个人和角色在所有流程中的审批意见，计算“不同意”意见的比例。

系统协同优化 第3篇

电力系统调度的概念可追溯到20 世纪20 年代,电力系统中负荷的时空分布变化是调度问题产生的根本原因。 实际上,调度主要是为应对负荷的不确定性,依据负荷预测预先对机组运行基点与备用配置进行优化决策,促使发电与负荷按预知轨迹平衡,对预测误差通过控制实现校正。 从20 世纪50 年代中后期的以等耗量微增率、网损微增率和水煤换算当量3 个概念为核心的经典经济调度ED(Economic Dispatch)［1- 2］,到20 世纪60 年代的考虑电网功率传输安全和电压安全的优化潮流［3-4］,再到20 世纪80 年代的强调调度与自动发电控制(AGC)间协调的调控理论［5-8］,电力系统调度研究如今在理论与实践上已相对成熟。

然而,随着电力市场竞争机制的不断推进,电力负荷呈现电动汽车、储能等形式多元化发展,其需求的波动性日益加大;风光等间歇式能源发电以分布或集中式逐渐地、且有迅猛发展趋势地并入电网,增加了发电侧的不确定性,电力系统运行面临系统注入不确定性增加的挑战。 节点注入的不确定性,使系统中支路潮流存在不确定性,电网功率传输安全面临威胁。 因此,不确定性下考虑电网功率传输安全的有功调度经济决策是亟待解决的问题。

目前,对不确定性问题的处理一般采用随机规划理论、模糊集理论和区间分析3 种方法［9-16］。 采用随机规划理论或模糊集理论求解问题时,需要知道不确定性的概率分布或隶属度,而实际中这些函数参数往往需要根据大量历史统计信息确定,而且该表示方式在短时间内与实测数据的误差较大。 此外,前2 种表示方法用于不确定性优化问题时优化过程不透明,工程应用中不利于优化结果的解释。 而运用区间分析建模无需确定不确定量分布参数,只需关注其上下边界信息,而且其更便于与现有的负荷、风电预测方法［17-20］对接。

随着电网中不可调度的可再生能源渗透率的日趋攀升,不确定性的消纳问题已成为目前国内外学者研究的热点和焦点。 文献[21]提出了两阶段自适应鲁棒机组组合模型以应对节点注入不确定性对调度运行的影响;文献[15]提出了一种考虑风电不确定性的区间ED模型,并由空间分支定界法进行求解;文献[22]为有效接纳风电,提出一种基于一定置信水平的安全-经济协调的鲁棒区间调度模型;文献[23-24]面向日内的有功调度,提出一种利用风电预测区间的鲁棒风电调度方案。 上述研究从消纳不确定性的策略或优化方法予以研究,取得了较好的效果,然而却隐含着在调度中视频率处于额定值不变,而实际电力系统运行中允许频率在一定范围内变动,因此,以上研究具有一定的保守性,造成调度无解而实际可行的情况时有发生,弃风或切负荷在所难免。 不确定性下电力系统有功调控的核心就在于围绕频率的波动给出如何消纳不确定性的调度与控制间关联的策略。 文献[13]基于有效备用响应能力概念,提出了考虑不确定量区间分布的ED方法。 文献[25]在调度中计及系统频率调节特性,给出了电力系统运行协同的ED思路。 文献[13]和文献[25]均是在不考虑电网制约(单母线模型下)前提下进行的研究,但需看到,不确定性下输电网络中源网流向存在时空分布上的不确定性,如何保证电网功率传输安全亟待解决。 本文对不确定性下考虑电网安全约束的电力系统有功优化潮流问题予以研究,充分考虑频率调节特性并有效计及备用响应过程,提出一种应对不确定运行环境的电力系统运行协同的区间有功优化潮流模型,并给出模型求解方法。 最后,算例分析进行了有效性和求解效率验证。

1 电力系统运行协同特性

电力系统中源(发电与负荷)设备均有一个特点,就是当频率、电压升高或降低时,其都有自身的负反馈特性,即提供和接受电能的源有自动适应源平衡的能力,这是人造电力系统自动运行的技术基础。 在正常情况下,电力系统运行时允许频率、电压在一定范围内变化是存在协同性的根本原因。 基于此,文献[25]依据自动发电控制技术,在不考虑电压变化影响的前提下,将电力系统运行协同能力划分为3类,即自动的协同能力、可控的协同能力和再可控的协同能力。 并与此相适应,给出调度所面临自动的协同状态、可控的协同状态和再可控的协同状态的三状态概念。

以不确定性背景下含风电的电力系统有功优化潮流问题为例阐述运行协同的思路。 风电、负荷等不确定量以服从区间分布的随机变量予以刻画,且以仿射算术形式表达,即,其中PW0和PD0分别为风电场输出功率和负荷有功功率预测期望值,ΔPW和 ΔPD为其波动区间宽度,上标“~”标识随机变量。 实际场景下源平衡的实现可表示如下:

其中,P0Gg为常规机组g输出功率基点;P0Wk为风电场k输出功率预测期望值;P0Dj为负荷j有功功率预测期望值;NG、NW和ND分别为常规发电机组、风电场和负荷集合;RGg、DDj和 βf分别为发电机组、负荷和系统整体的一次频率响应特性系数;分别为频率偏差、AGC机组二次备用响应量、切负荷量和弃风电量。 式(1)表示输出功率基点的源平衡。 式(2)表示不确定性下系统协同能力响应过程,其中等号左侧第一项表示自动的协同能力的响应,当实际场景下节点注入波动较小时,由其独立自动满足源平衡,对应为自动的协同状态;当节点注入波动较大时,需要对可控的源再调整,即AGC机组(假设都为AGC机组)二次备用响应(对应左侧第二项)以参与源平衡,对应为可控的协同状态;而当节点注入波动较大,超过可控的协同能力时,弃风或切负荷(对应左侧第三项)在所难免,对应为再可控的协同状态。

2 协同区间有功优化潮流模型

电力系统运行协同的区间有功优化潮流模型是在不确定背景下以追求经济性最优为目标,同时满足电网运行的物理和技术约束条件,以对所有具有协同能力的源进行预先安排。 为便于表述,本文中统一以上、下划线分别表示相应变量由于物理或技术因素而对应的上、下限,以上标“max”和“min”分别表示相应区间分布随机变量波动范围的上、下限。

2.1 目标函数

其中,C0Gg(·)为机组g发电成本特性函数,取二次表达时为,aGg、bGg和cGg为成本系数;ΔPG gcu和ΔPG gcd分别为机组上调、下调备用容量,CGgc(·)为其成本特性函数,以线性表达时其成本系数αGgc可取值为为机组g有功功率上限。CWkrc(·)为弃风成本特性函数,以线性表达时其成本系数αrcWk可取值为;CDjr c(·)为负荷j切负荷成本特性函数,以线性表达时其成本系数αrcDj可取值为αWD;ΔPrcDj为负荷j切负荷量。

2.2 约束条件

2.2.1 输出功率基点的源平衡约束

2.2.2 电力系统运行协同能力范围约束

根据式(2),电力系统运行协同能力范围[Pmin,Pmax]可表示为:

其中,Δfu、Δfd分别为系统运行时频率变化的向上、向下偏移量;ΔPrc1Dj、ΔPrc2Dj、ΔPr c1Wk和ΔPrc2Wk分别为电力系统运行协同能力最大时对应的负荷j切负荷量和风电场k弃风电量。式(9)表示电力系统运行协同能力最大的向上、向下调整能力应不小于负荷与风电的最大向上、向下波动量。

2.2.3 电网功率传输安全约束

在直流潮流条件下,支路传输有功功率与各节点注入功率之间满足线性关系,即:

其中,PI和PL分别为节点注入有功功率、支路传输有功功率向量;ψ为注入转移因子矩阵,ψ=BLA×(ATBLA)-1,BL为支路电纳对角矩阵,A为节点-支路关联矩阵。由此,式(10)可通过注入转移因子将支路传输功率表示成节点注入功率的函数,即对任一支路(NT为支路集合),其传输有功功率为:

其中,N为节点集合;NG(i)、NW(i)和ND(i)分别为节点i上的常规发电机组、风电场和负荷集合; j(i)表示设备j的节点为i;βGg为机组参与因子;Pl0为基点运行功率下的支路传输功率;ψl，i为支路l有功功率对节点i注入功率的转移因子;φl，j、φl，k和 φl，f分别为支路传输功率对负荷功率、风电功率和频率变化的灵敏度因子,其实则为功率传输分布因子［26］,即考虑系统二次备用响应(对应AGC机组的参与因子)后的广义的系统注入转移因子。 可以看出,式(11)中融入了电网KCL、KVL约束。 电网功率传输安全约束可表示为:

2.2.4 常规机组相关约束

对任一机组,其应满足以下约束:

其中,rG g为机组二次动作输出功率最大调整速率;Δτ为时段长度,本文中取值为5 min。

2.2.5 其他相应必备的约束

其中,分别为系统运行允许的最小、最大频率偏差,其显现电力系统具有自动协同能力的范围;分别为允许的切负荷和弃风电的上限值。

由于优化模型的目标之一就是最小化切负荷和弃风电量,因此式(23)和式(24)可分别转换为:軇

3 模型求解

对于含参变量x的区间分布函数,约束式可表示为:

从而将区间优化问题转化为确定性的优化问题。若具有明确的边界关系,即,则式(27)可简化为:

3.1 模型说明:与传统有功决策模型兼容

需说明的是,本文所提模型与传统的有功优化潮流决策是兼容的,即决策时将允许的频率偏移上下限均设定为0,系统二次备用足以应对不确定性时,就是以非负变量P0Gg和 βGg为决策变量的传统有功决策对应的区间优化模型,其根据式(27)可转化为确定性的二次规划(QP)模型,由成熟的二次规划方法［27］求解,而本文考虑频率协同特性的区间优化模型可根据式(27)转化为非线性规划模型(NLP),由非线性原对偶内点法［28］求解。

3.2 主导约束提取

式(11)中,φl， j、φl，k和 φl， f等变量的符号取决于系统中对不确定量的平衡策略,即依赖于机组的参与因子。 系统中每增加一注入不确定量,其对支路传输功率变动范围的影响可穷举表示为:

由式(29)可以推知,若系统支路待考察支路数为nl,注入不确定量数为n,则支路功率传输安全约束个数为2n+1nl。 而实际上,式(29)所描述的8 个约束中,真正需要考虑的约束(称为主导约束)仅为2个,其依赖于支路功率与节点注入的灵敏度因子,该关系可表示为:

式(30)所述的条件约束可基于强对偶理论转化为以下互补约束形式:

由此,经主导约束提取后,系统支路功率传输安全约束个数缩减为2nl(n + 1) + 2n。

3.3 约束缩减

比较直观的缩减约束的手段为根据运行经验缩减待考查的支路数,或者是基于不考虑电网安全约束所得到的经济调度方式(源最优运行方式［29］)对应的支路负载情况确定需考察的支路集合。 就本文模型而言,另一缩减约束的手段即为查找功率传输分布因子符号独立于平衡策略的情况,该种情况下,每增加一注入不确定量,式(30)所述约束变为确定的,因此,总体而言,系统支路功率传输安全约束个数不再增加。 如图1 所示IEEE 9 节点系统,φ5- 6，5恒大于0,φ8 - 9，9恒小于0,即节点5 注入功率增加总是使支路5 - 6 功率增加,节点9 注入功率增加总是使支路8 - 9功率减少。 由此,模型约束规模大幅缩减,有效减少了计算量。

3.4 模型求解流程

所提模型具体求解流程如下。

a. 基于拓扑分析结果,形成注入转移因子矩阵。

b. 基于源最优运行方式确定待考察的支路集合,根据支路有功功率对节点注入功率变化的灵敏度因子符号独立于平衡策略的情况进行约束缩减。

c. 模型求解分2 步实现:假设频率允许偏差为零,忽略弃风、切负荷情况,根据系统规模选择二次规划模型求解或基于主导约束提取的非线性规划模型简化求解;若有解则考虑引入频率协同约束求解,否则采用本文的运行协同模型求解。

4 算例分析

算例仿真在处理器为Intel郢RXeon CPU E3-1220(3.1 GHz)、内存为8 GB、操作系统为64 位Win7 系统的计算机上进行,基于GAMS优化平台,其中二次规划模型由CPLEX12 优化器求解,非线性规划模型由CONOPT3 优化器求解。 算例仿真中,假设各机组一次调频调差系数均为4%,即系统频率变化4% 引起机组输出功率100 % 的变化;各负荷一次调频调差系数均为2.89,即系统频率变化1 % 引起负荷有功变化2.89%;由于负荷预测精度较高,假设预期的预测误差最大不超过2.5%。

为表明本文所提方法的有效性,对比以下4 种有功决策方案:传统的ED,即不考虑电网安全,; 运行协同的经济调度SED (Synergetic Eco-nomic Dispatch)［21］,即不考虑电网安全,频率偏差不超过 ± 0.04 Hz范围;本文区间有功优化潮流IOPF(Interval Optimal Power Flow),即考虑电网安全,;本文运行协同的区间优化潮流SIOPF(Syner-getic Internal Optimal Power Flow), 即考虑电网安全,频率偏差不超过 ±0.04 Hz范围。

4.1 含风电的IEEE 9 节点系统算例

以图1 所示的IEEE 9 节点系统为例,分别以无风电接入(case9)和有风电接入(case10)2 种情况予以分析。 电网支路参数、发电机组参数以及节点注入不确定性数据等见表1—3,表1 中电抗为标幺值。

4.1.1 无风电接入的情况

无风电接入的情况即IEEE 9 节点系统,如图1 中case9 所示,4 种方案下有功决策结果如表4 所示。

由表4 可知,ED和IOPF决策结果为负荷波动完全由机组的二次动作承担,对应可控的协同状态,系统需配置 ± 7.875 MW的旋转备用容量;SED和SIOPF决策结果为负荷波动完全由自动的协同能力承担,对应自动的协同状态,当负荷与预测值之间出现7.875 MW的波动时,在频率偏差为0.035 Hz的条件下再次实现源平衡,此时对应系统机组的最大旋转备用容量为±7.237 MW。 可见,有功决策中计及电力系统自动的协同能力,能有效减少机组旋转备用容量配置。 对比ED和IOPF、SED和SIOPF可知,ED和SED决策结果均出现了支路传输过载情况,过载支路均为支路8-9,最大支路负载率分别为1.085 和1.047,考虑电网功率传输安全约束后,常规机组基点发生调整,系统发电成本有所增加。 对比IOPF和SIOPF可知,后者发电成本低,机组旋转备用容量配置少。

4.1.2 有风电接入的情况

考虑系统中含有风电场的情况,如图1 中case10所示,4 种方案下有功决策结果如表5 所示。

此时,ED和IOPF决策结果为各机组留有的二次动作备用容量达到了时间区间允许的最大值,即正负26 MW仍无法满足负荷与风电预期的最大波动,超出二次动作备用容量就必须切负荷或弃风电。当波动达到27.875 MW时,需切除1.875 MW的负荷,类似,当波动达到-27.875 MW时,需弃1.875 MW的风电,其实现的是再可控的协同状态;SED和SIOPF决策结果为系统频率偏差为 ±0.04 Hz范围内的自动协同能力全部得到利用,并不需要进行切负荷或弃风电,其实现的是可控的协同状态。 对比ED和IOPF、SED和SIOPF可知,ED和SED决策结果均出现了支路传输过载情况,考虑电网功率传输安全约束后,常规机组基点发生调整,系统发电成本有所增加。 对比IOPF和SIOPF可知,后者将频率质量引入有功决策,能够计及电力系统自动的协同能力,相当于在调度中间接地考虑了控制,从而扩大了解空间,有效减少了在调度中切负荷或弃风电的情况。

4.2 含风电的IEEE 118 节点系统算例

进一步采用含风电的IEEE 118 节点系统算例(case124),风电场并网支路参数以及风功率数据见表6、7,IEEE 118 系统由118 条母线、19 台发电机、99 个负荷以及186 条输电支路组成,具体数据参见文献[30]。 4 种方案有功决策结果汇总如表8 所示。

由表8 可知,传统的ED和协同调度决策均出现了支路传输过载情况,过载支路集合均为{112,115,140}, 最大负载率分别为1.593 和1.368; 本文区间有功优化潮流和运行协同的区间优化潮流则可有效保证电网功率传输安全,且后者能够计及电力系统自动的协同能力,具有发电成本低、有效减少机组旋转备用容量的优点。

4.3 计算效率对比分析

为说明本文算法的求解效率,以IEEE 14、IEEE30 和IEEE 118 节点系统［30］为例对比分析。 假设预期的负荷预测误差最大不超过2.5%,决策时允许的频率偏差为0。 对比结果如表9 所示。

由表9 成本对比可知,非线性优化得到的为局部最优解,而二次规划得到的则为全局最优解,后者更为理想。 从计算时间和内存占用量对比可知,随着系统规模的增加,计算时间和内存占用量成非线性增加趋势。 传统有功决策对应的区间优化模型由穷举形式表达虽为二次规划模型,但其模型大小成指数形式增加,特别是对IEEE 118 节点系统而言,其模型求解规模超出了系统的处理能力。 而考虑主导约束提取后的模型则近似与系统规模呈平方关系,当系统规模较大时,其计算效率尤为显著。

进一步对比本文运行协同的区间优化潮流的求解情况,不考虑主导约束提取以及约束缩减(NLP1)和考虑主导约束提取以及约束缩减(NLP2)的模型求解效率对比如表10 所示。

由表10 可知,提取主导约束并进行约束缩减后,缩短了求解时间,内存使用量减少,求解效率得到了明显的提高。

5 结论

电力系统运行协同特性能够扩大有功决策解的空间。 本文在对电力系统运行协同特性予以分析的基础上,提出一种电力系统运行协同的区间有功优化潮流模型,模型中充分发挥频率调节效应的作用以在决策层面上挖掘系统消纳不确定性的运行协同能力,并有效考虑机组备用响应过程,从而明确备用为谁而备,实现调度与控制的友好衔接;本文模型更有助于电网减少旋转备用配置,有效减少弃风和切负荷量,提高电网运行的经济性;模型求解基于强对偶理论,以互补形式提取主导约束,并进行约束缩减,从而避开了大量冗余约束,提高了求解效率。

协同巡查系统用户报告 第4篇

用户报告

如皋站作为南通公路处协同巡查系统试点单位之一，在系统开发初期就积极参与其中。近年来，如皋站以智慧公路建设为目标，以协同巡查系统的推广应用为依托和载体，在处相关部门的指导和帮助下，举全站之力提升公路巡查管理智能化、综合化、精细化水平，智慧公路建设初显成效。

为解决路政、养护、路网”巡查“三合为一”，在一个平台上实施一次性巡查等的技术问题，我单位决定采用江苏省交通科学研究计划项目目《公路协同巡查平台研究》课题成果；我站又根据路政管理中队及养护巡查实际情况，在现有国省道巡查的基础上将县乡道的巡查一并纳入协同巡查系统体系，实现站长室、部门、中队、养护公司的全面覆盖。

（1）该系统采用3G网络传输和移动智能终端技术，将传统的“巡查——纸质记录、相机拍摄——返回单位录入系统——分发任务进行处理”的工作流程，调整为“巡查——现场录入系统、可现场分发任务——处理——反馈任务处理情况”，提高了巡查及下发任务的效率，整合了巡查资源，规范工作流程。(2)系统可以设定路政中队所管辖的路段，并可通过后台查询中队巡查的频率。日常巡查人员通过智能手机上报巡查信息，包括巡查人员的姓名与工号、巡查车牌号、巡查路线和桩号区间、天气等，实时上传巡查位置信息。巡查人员通过智能手机记录事件现场的图片、视频等信息，并且在图片上嵌入时间、GPS地点、巡查员等信息，将事件记录实时上报。快速传递存在问题或情况信息，便于相关人员第一时间掌握现场动态，实现全覆盖。

(3)领导可以通过后台查看事件处置全部流程，同时系统可以提供巡查的频率和覆盖面以及事件处理的质量，为单位的考核提供可靠的依据。便于单位领导了解整体工作开展情况，为决策提供思路；

(4)加强处理人员的责任意识，提高工作效率；(5)为事件处置情况留下工作痕迹，便于事件处置中部门中队间有效的沟通。

系统协同优化 第5篇

经济学[1]认为劳动力、生产资料、生产技术、信息是社会经济资源的四大基本要素, 对应到现代社会医疗资源则医护人员、医疗设备、医疗技术和医学信息成为四大基本要素。社会医疗资源作为公益社会资源, 其配置与优化体现了社会文明程度和政府对社会公益资源科学配置能力, 同时决定着医疗单位的经济影响力、社会影响力、学术影响力和发展能级。因此, 医疗资源优化配置要求满足现代医学模式条件下, 政府或者被获得资源配置权利的医疗机构采取行政调控手段 (合并、调配等) , 对人才 (群体) 、技术和设备实施优化重组, 以达到建设和发展专科技术优势、满足现代社会对各个层次医疗需求的目的。

当前, 我国现代医疗服务面临的主要矛盾和核心问题是医疗资源配置不尽合理。随着我国政府“人人享有基本卫生保健服务”目标的提出, 区域医疗、社区公共卫生服务等倍受各级政府和有关部门与业界的高度关注。“全面加强公共卫生服务体系建设”, “强化区域卫生规划, 充分利用和优化配置现有医疗卫生资源”成为公共卫生管理和医院管理的新课题, 面向资源优化配置, 构建区域协同医疗系统已经迫在眉睫。上世纪90年代开始, 欧美等发达国家已经开始积极采用信息化手段将已有的医疗系统进行资源整合, 其主要标志是许多医疗机构开发和应用大规模一体化的区域性甚至是全国性医疗系统, 如英国国家医疗服务体系 (NHS) [4,5]的NpfIT, The National Programme for IT, 欧洲健康信息网络战略计划 (Strategic Health Information Network for Europe, SHINE) [6], 美国科学信息管理系统 (IAIMS) 及其乔治华盛顿大学医学院、犹他大学医学中心的区域医疗系统[7]等。

本文依据赫尔曼哈肯的协同学原理, 给出了区域协同医疗系统概念及模型, 确定了医疗资源是系统序参量, 对区域协同医疗系统的平衡与非平衡、组织与自组织、有序和无序的协同学特征进行了深入探讨, 并分析了区域协同医疗系统的自组织运动、演化过程和动力机制, 从协同学的角度分析和探讨医疗资源优化配置问题, 为解决当前公共卫生管理研究的重点和难点提供理论参考。

2 协同学与区域协同医疗系统

2.1 协同学简介

协同学[8,9]自二十世纪70年代由德国物理学教授赫尔曼哈肯首次提出, 是一门关于系统内各子系统相互合作、相互作用规律的科学。它从整体统一的观点出发, 研究系统中的各个子系统之间的协调, 处理系统各部分之间的关系, 导致并促使宏观水平上的结构和功能的协作。协同学自创立之日起就被广泛用于物理学、社会学、管理学、经济学等学科中发生的有序和无序、有序和有序转变的协同效应问题。本文分析将区域协同医疗系统, 依据协同学的不稳定性原理、序参量原理和役使原理构建以医疗资源为核心序参量的医疗系统数学模型, 以揭示现代医疗系统演变的规律。

2.2 概念及模型

区域协同医疗系统是一个由大量子系统自组织形成的有序结构, 其子系统又是有更小的系统组成的复杂系统。复杂系统作为协同学研究对象之一, 当外界的控制参量不断改变时, 在一定条件下会经历一个从无序到有序、从有序到新的有序, 再从有序到混沌的演化系列, 其具有复杂系统两大典型要素: (1) 成员系统管理的独立性。成员系统由不同医疗单位独立建设, 由不同的医疗部门独立管理, 通过区域协同医疗系统联系起来。 (2) 成员系统运行的独立性。成员系统由各个医疗子系统独立分配指令和控制网络联结, 成员系统有限独立性运行。

定义区域协同医疗系统为一个复合系统S, S由各级同构或者异构子系统{S1, S2, , Sm}作用与关联构成了复合系统的协同机制, 协同机制中的不确定性、不稳定性和非线性等特征, 使得系统由于自组织或外部对系统施加作用, 导致系统整体状态、结构和功能效应的复杂变化。为了讨论的方便, 仅考虑复合系统的一级子系统Sn (n=1, 2, , m) , 例如S1表示医疗服务类一级子系统, S2表示公共卫生类一级子系统。系统的协同方式可进一步抽象为:

S=H (S1, S2, , Sm) (1)

(1) 式中H称为协同因子。协同机制的实质在于, 基于复合系统的结构功能特征, 寻找有效协同m∈M, 使得在m的作用下, 按着特定的评价准则, 使得复合系统的总体效能或者协同优化医疗资源大于各子系统的效能或资源之和且取极大值:

$\max \left\{V{}^m(S)-{\displaystyle \sum _{n=1}^{m}V}{}^f(S{}_j)‚\right\}s.t.\{\begin{array}{l}q\in Q{}_0\\ m(q)\in Q{}_1\\ m\in {\rm M}\end{array}(2)$

(2) 式中, q为复合系统的状态参量或序参量;Q0, Q1为系统的初始状态条件和演化约束条件。满足 (2) 式的协同m为区域医疗复合系统S的协同机制, 协同机制m的集合记为M, 称为区域协同医疗系统的协同机制[10]。

2.3 序参量分析

协同学中的“不稳定性”是指对任一复杂系统而言具有的一般特点, 当控制参数达到临界值时, 系统旧的状态丧失稳定性, 即系统进入不稳定状态, 同时预示着新的稳定状态的出现, 而临界值控制参数即为系统的序参量, 序参量是用于表征相变后系统有序的性质和程度的[8,9]。

区域协同医疗系统是一个高度复杂系统, 区域协同医疗系统内部存在多个子系统, 它的各个子系统之间不是简单的线性关系, 而是相互影响、相互制约的非线性关系。同时, 区域协同医疗系统的演化方向也不是一成不变的, 而是有多种可能的结局。依据中国医院协会医院管理专业委员会对医疗系统专业划分[11], 其中重要的划分依据为该专业医疗单位所能掌控的医疗资源, 即医护人员、医疗设备、医疗技术和医学信息四大要素, 并决定着医疗单位的经济影响力、社会影响力、学术影响力和发展能级。合理优化的医疗资源配置就是合理安排有限的医疗资源最大限度地满足人们的就医需求。在一定时期, 单个医疗子系统在特定的外部干预下 (社会医疗需求、政府计划、市场引导) 获得其空间的、时间的或是功能的结构, 并与其他同构子系统并存、共生, 即区域系统的组织达到平衡。但是随着外部干预和自组织机制受力变化, 子系统掌控的医疗资源发生变化, 区域内医疗子系统能够在协同机制下发挥各自优势, 整合现有资源, 最大体现子系统间的互补和差异性, 打破了行政区域划分的限制, 消除医疗市场壁垒, 降低了交易成本, 实现基于数据标准化的区域医疗资源共享, 达到1+1>2或1+1++1>n, 即医疗资源优化配置极大化。因此, 区域协同医疗系统的医疗资源处于核心地位, 它决定系统的水平和变化程度, 符合协同学中的序参量特征, 它是系统的控制变量, 即序参量。

3 区域协同医疗系统特征

在协同学理论中, “平衡与非平衡”、“组织与自组织”、“有序与无序”是其研究的主要内容和重要组成部分, 也是系统的基本特征, 协同学认为非平衡和自组织是系统有序之源, 而平衡、组织的最终结果必然导致无序[12]。区域协同医疗系统的也具有这样的协同学典型特征。

3.1 平衡与非平衡

协同学理论中的“平衡”一词所对应的系统是封闭的系统, 即系统与外界不存在能量、信息、物质的交换, 甚至系统内部的子系统之间也缺乏协作和合作、信息交流。可以肯定, 这样对应平衡态的系统只能是僵化、静止的, 根本不存在发展的可能性, 而且大多数时间是处于一种混沌状态。

“平衡”在区域协同医疗系统中的表现是整个系统暂时不考虑外界环境的影响和需求, 系统完全处于没有既定方向, 子系统之间各自为政和无序运转状态。处于“平衡态”的区域协同医疗系统, 实质上使自身与外界隔离, 各子系统各行其是, 缺乏相互联系和协同, 这对于各子系统乃至整个多级区域协同医疗系统都是不利的。这种“平衡、封闭”状态应当被打破, 进而形成一种面向市场的非平衡的、开放的区域协同医疗系统。

从理论上说, 协同学就是研究非平衡开放系统的理论, 它通过自己独特的原理和方法来研究非平衡开放系统的相变过程。协同学中的“非平衡”是和“开放系统”相对应的, 只有开放系统才存在非平衡态下的动态有序, 它是事物发展中的本质所在。系统与环境之间不断进行的物质、能量、信息的交流, 子系统之间不是相互独立, 而只有在相互联系、相互协同的情况下, 才能推动系统不断发展, 从无序到有序态, 再从有序态到新的有序态。非平衡开放系统可以作为一般系统的模式, 而平衡系统只是非平衡开放系统的特例。

3.2 组织和自组织

根据协同学理论, 协同系统可分属组织和自组织。

(1) 如果系统在特定的外部干预下获得其空间的、时间的或是功能的结构, 则称系统是组织的。这里的“特定”一词是指系统结构和功能是外界强加给系统的。医疗卫生是社会公益事业, 其都是以政府指导、指令下的资源配置过程, 各级各类公立医疗机构均是在外部命令下按照完全确定的方式行动, 通过这种政府指导行为产生的资源配置必将导致系统间各个子系统的联合动作, 即区域内的医疗子系统是一种组织, 或一种有组织的系统。

(2) 如果系统在获得空间的、时间的或功能的结构过程中, 没有外界的特定干预, 我们便说系统是自组织的。例如, 同样区域内的医疗子系统, 在没有来自政府指导、指令的情况下, 依靠相互的一种默契, 协同运作, 各尽其能地行事, 这个过程称为自组织过程, 把这个区域内的医疗子系统称为自组织或自组织系统。一个系统从原有的结构功能状态通过内部过程改变为新的结构功能状态, 这也是自组织过程。

在区域协同医疗系统的演化过程中, 组织和自组织并不存在绝对的界限, 两者存在着复杂的相互作用和相互联系。为了使系统向有序方向转变, 我们一般通过改变系统的控制参数, 经过系统内部的自组织作用, 使系统发生相变或者获得一个新的有序结构。然而这一过程通常包含着两个对立的方面, 一个是自组织的, 一个是组织的。实质上, 整个系统的演变正是有组织和自组织协同合作的结果。

3.3 有序和无序

协同学揭示了一个远离平衡的开放系统, 通过与外界交换物质、能量、信息, 能够在一定的条件下使系统从一种无序结构转化为有序结构。系统的有序化是通过子系统之间的协同和竞争来实现的。协同学用序参量的大小来量度子系统之间的协同程度, 以及整个系统的有序和无序程度。序参量越大, 则子系统之间的协同程度越大, 系统的有序程度越高。

区域协同医疗系统中的有序和无序实际上是协同理论中有序化概念的具体化。这里的有序, 是指区域协同医疗系统中的医疗资源子系统之间以及各子系统内部基本要素之间能够协调合作, 正常地完成各自的任务, 从而减少运行成本, 有效发挥医疗资源效能、功能, 保证系统正常、有规则地运转, 从而促使整个系统经济效益整体提高。这也正是我们希望系统所能达到的一种有序状态。

无序是指区域协同医疗系统中的医疗资源 (医护人员、医疗设备、医疗技术和医学信息四大要素) 子系统内部基本要素之间缺乏协同合作或协同合作得不够好, 导致整个系统无法正常、有规则地运转。这不仅影响到子系统自身的经济利益, 而且会影响到整个系统的经济效益。

4 区域协同医疗系统自组织运动

4.1 系统受力分析

(1) 区域协同医疗系统内部子系统间的摩擦力f

由于不同医疗机构之间在行业规模、技术水平、产业结构、资源分布等方面存在差异, 因此区域协同医疗系统内部子系统间不可避免存在着摩擦。摩擦力的方向总是与区域协同医疗系统的资源优化配置的方向相反[13,14], 其将阻碍区域协同医疗系统的医疗资源优化配置, 可以表示为f。

(2) 区域协同医疗系统内部子系统间的协调力F

区域协同医疗系统在摩擦力的作用下, 医疗机构之间的医疗资源优化配置将逐步减少, 并趋向解体。反之, 区域协同医疗系统为了克服摩擦力的作用, 通过区域协同医疗系统的协调, 医疗机构之间产生协调力, 可用F表示, 其表示区域协同医疗系统之间系统融合能力, 使得区域医疗资源合理分布、人才聚集, 医疗资源配置趋于合理, 各医疗系统之间经济效益、社会效益趋于协同。

4.2 区域医疗资源配置运动

区域协同医疗系统的一般化方程可以表示为:

$\frac{\partial R}{\partial t}=(F-f)R-kR{}^3+a(3)$

用上式表示区域医疗资源配置运动。区域协同医疗系统的状态随着时间的推移而改变, 即矢量医疗资源R是时间矢量R=R (t) 。假定R的时间变化由以下几个因素确定:①区域协同医疗系统目前医疗资源R;②控制参量F, 区域协同医疗系统的协调力;③f为区域协同医疗系统的摩擦力。-kR3表示区域协同医疗系统的医疗资源配置运动是非线性, k是R3项的常系数, a为一阶常数, 其在区域协同医疗系统中表示为医疗资源的直接配置能力。

根据式 (3) , 可得到区域协同医疗系统的势函数方程:

$E(R)=-aR-\frac{1}{2}(F-f)R{}^2+\frac{1}{4}kR{}^4(4)$

医疗卫生虽然是公益性事业, 但是医疗资源具有垄断特性, 在一定时期内政府指导性仍占据绝对优势, 同时为了简化分析, 本文选取以区域协同医疗系统中的公立医院和民营医院为医疗资源配置资源主体, 分析医疗资源配置过程中的系统运动方程。假设医疗资源R为一恒定值C, 其四大要素包括医护人员M、医疗设备硬件H、医疗技术T和医学信息I, 分析如下。

(1) 市场机制:假设医疗资源无直接配置能力, 完全按照市场机制配置, 即一阶常数为零。公立医院和民营医院完全按照市场机制运作, 以市场为主导, 势函数方程 (4) 演化为下式:

$E{}_1(R)=-\frac{1}{2}(F{}_1-f{}_1)R{}^2+\frac{1}{4}kR{}^4(5)$

(5) 式势函数曲线如图1。此时, 协同系统中的公立医院和民营医院进行自组织并平均获得相应医疗资源R1、R2, 其中势函数曲线中的两个极小值点是控制参量F1与摩擦力f1共同作用下子系统具有的相对稳定点, 如左边的极小值可能是R2或R1, 右边的极小值可能是R2或R1, 且满足R1+R2=C。协同系统中的子系统公立医院和民营医院将在tⅠ还是tⅡ达到稳定点, 要靠系统控制参量F1、摩擦力f1和随机力的共同作用。这种假设条件下, 系统在一种结构中平衡, 不会因为序参量变化产生新的结构, 子系统进行自组织运动, 不利于子系统间的协同和信息交互。因此, 这是理想条件下的稳定结构。

(2) 政府机制:假设医疗资源的直接配置能力常数a不为零, 医疗资源配置完全按照政府机制配置, 且以公立医院为主, 不考虑市场机制运作情况下, 其势函数方程 (4) 演化为下式:

$E{}_2(R)=-aR-\frac{1}{2}(F{}_2-f{}_2)R{}^2+\frac{1}{4}kR{}^4(6)$

(6) 式势函数曲线如图2。即完全按照政府计划性机制配置, 区域协同医疗系统中的公立医院掌控的医疗资源R1明显优于民营医院掌控的医疗资源R2, 即R1>>R2, 势函数曲线左边的相对平衡点是公立医院在tⅠ时刻获得的R1, 右边的相对平衡点是民营医院在tⅡ时刻获得的R2, 系统受命令性配置a、控制参量F2、摩擦力f2和随机力的共同作用下, 由旧的结构向新的结构转换, 并获得一个相对稳定结构。其中, 在结构转换过程中, 系统即具有组织过程, 在达到相对稳定结构过程中, 子系统也发生了自组织过程。显然, 这种完全按照指令性计划医疗配置模式, 因为其序参量受到指令性配置影响权重较大, 如果指令性配置给民营医院, 系统也将出现R2>>R1的情况, 所以图3所示的势函数曲线仅仅是相对稳定结构, 也不利于子系统间的协同和资源优化配置。

(3) 混合机制:假设医疗资源的直接配置能力常数a不为零, 医疗资源配置按照政府机制和市场机制并存配置, 且以公立医院获得计划配置为主, 民营医院因为其服务质量、运行成本等优势获得市场机制更多权重, 势函数方程 (4) 演化为下式:

$E{}_3(v)=-aR-\frac{1}{2}(F{}_3-f{}_3)R{}^2+\frac{1}{4}kR{}^4(7)$

(7) 式势函数曲线如图3。在混合机制下, 即政府机制和市场机制并存条件下, 区域协同医疗系统中的公立医院掌控的医疗资源R1优于民营医院掌控的医疗资源R2, 即R1>R2, 势函数曲线左边的相对平衡点是公立医院在tⅠ时刻获得的R1, 右边的相对平衡点是民营医院在tⅡ时刻获得的R2, 系统受指令性配置a、控制参量F3、摩擦力f3和随机力的共同作用下, 由旧的结构向新的结构转换, 也获得稳定结构。其中, 在结构转换过程中, 系统即具有组织过程, 在达到相对稳定结构过程中, 子系统也发生了自组织过程。显然, 这种政府机制和市场机制并存条件下混合机制医疗配置模式, 势函数曲线比图3所示势函数曲线具有更加稳定的结构, 更利于子系统间的协同和资源优化配置, 是3种假设条件下的较为科学配置模式。

医疗资源作为区域协同医疗系统的序参量就是通过自组织状态来维持的。自组织过程是结构的形成和演化的内部过程。区域协同医疗系统的各子系统在一定的条件下, 通过非线性的相互作用产生相干效应和协同作用, 并通过这种作用产生出结构和功能有序的系统。这种协同运动意味着系统新的有序状态的出现, 在宏观上表现出系统的自组织现象[12]。上述对区域医疗资源配置运动是在对区域协同医疗系统模型简化后, 以医疗资源为关键序参量的定性分析过程。尽管是在一定约束条件下进行的模型简化, 但是能够揭示通过计划与市场机制对有限医疗资源实现科学配置的本质。基于该理论分析可知, 科学配置有限医疗资源将会使得区域内医疗资源达到动态平衡, 极大发挥医疗资源的使用效率, 促进区域医疗服务水平的提升。

4.3 医疗子系统的竞争与共存

在两个以上的医疗子系统组成区域协同医疗系统以后, 这个新的区域协同医疗系统就有多个医疗子系统, 其医疗资源实现了第一次优化配置, 并得到多个序参量 (v1, v2, , vm) 。这些序参量会彼此妥协、合作, 使系统产生自组织, 但是序参量之间彼此竞争, 有可能出现一个序参量主宰系统的格局, 另外一些序参量则成为辅助量。

假设区域协同医疗系统是由两个医疗子系统组成的区域协同系统, 序参量为v*, 增长率为g, 损失率为d, 模型为:

$\frac{\partial v}{\partial t}=g(t)-d(t)(8)$

增长率g与损失率d都与医疗资源v有关。

g=αv+β (9)

d=γv+δ (10)

式 (9) 、式 (10) 中系数α、γ均与v无关, 及不考虑v的变化对系数的反作用, 则系数是由外部因素决定的, 只要这些因素是常数, 则有:

$\frac{\partial v}{\partial t}=g(t)-d(t)=(\alpha -\gamma )v(11)$

这就是描写一个指数增长或指数衰减的区域协同医疗系统。两个医疗子系统组成的区域协同医疗系统在协同这一组织制度安排下可能产生几种结果:

(1) 竞争与共存

当两个医疗子系统协同之后之间相互作用, 产生共存的同时, 也存在竞争。

$\frac{\partial v{}_1}{\partial t}=\alpha {}_{1}v{}_1-\beta {}_{1}v{}_1^2$;$\frac{\partial v{}_2}{\partial t}=\alpha {}_{2}v{}_2-\beta {}_{2}v{}_2^2(12)$

(12) 式中, v1、v2分别表示两个协同医疗子系统的医疗资源, α1、α2分别表示医疗资源配置后变化量与原存量的关系, β1v${}_1^2$、β2v${}_2^2$表示医疗资源配置及其变化是非线性变化。

令$\frac{\partial v{}_1}{\partial t}=\frac{\partial v{}_2}{\partial t}=0$, 可得v1、v2的定态方程, 解此方程可得定态解v${}_1^0$、v${}_2^0$。

从以上分析可以看出, 区域协同医疗系统中竞争与共存是同时出现的。

(2) 共生现象

在两个医疗子系统协同以后, 相互合作成为医疗子系统协同的主题, 它们的相互合作实现互利互惠。因此, 此时一个医疗子系统的医疗资源的增长率将是以另一个医疗子系统医疗资源为基础, 故有:

$\frac{\partial v{}_1}{\partial t}=(\alpha {}_1+\beta {}_{1}v{}_2)v{}_1-\delta {}_{1}v{}_1$;$\frac{\partial v{}_2}{\partial t}=(\alpha {}_2+\beta {}_{2}v{}_1)v{}_2-\delta {}_{2}v{}_2(13)$

在定态时, $\frac{\partial v{}_1}{\partial t}=\frac{\partial v{}_2}{\partial t}=0$, 即:

$\frac{\partial v{}_1}{\partial t}=(\alpha {}_1+\beta {}_{1}v{}_2)v{}_1-\delta {}_{1}v{}_1$;$\frac{\partial v{}_2}{\partial t}=(\alpha {}_2+\beta {}_{2}v{}_1)v{}_2-\delta {}_{2}v{}_2(14)$

解此方程组得到两组解:

第一组解:v1=v2=0, 各医疗子系统的医疗资源进行配置后均为零, 协同没有意义。

第二组解:

$\{\begin{array}{l}\alpha {}_1+\beta {}_{1}v{}_2-\delta {}_1=0\\ \alpha {}_2+\beta {}_{2}v{}_1-\delta {}_2=0\end{array}(15)$

通过对第二组解的稳定性分析可知, 在v1和v2都足够大的初始条件下, 两个医疗子系统医疗资源配置存量呈指数增长, 这正是体现了区域协同医疗系统的协同效应。因此, 区域协同医疗系统的医疗资源原存量越大, 区域协同医疗系统协同资源配置的增长潜能就越大。

有统计数据表明:比方依据中国医院协会医院管理专业委员会[11]对历年我国被调查的专业医院及其采用的信息管理系统 (HIS) 统计数据, 并以某区域 (地级市/县区) 内专业医院数量、等级发展为例进行分析, 该区域内的专业医院伴随着我国多医疗资源需求不断拓展, 对应着医疗信息系统发展呈现了共存、竞争和共生发展态势, 医疗资源也呈现了逐步增加的态势, 但是发展过程中伴随着医疗信息化的快速发展和医疗技术的升级更新, 竞争发展并淘汰了一批相对发展滞后的医院和医疗资源 (如图4, 医院B类) , 竞争和资源优化整合后也新增了一批更符合市场所需求的新的医疗资源 (如图4, 医院C类) , 尤其随着区域医疗系统的提出和发展, 就早期医院 (如图4, 医院A类) , 其价值存量v和增长率g和损失率d也呈现了相对应的发展趋势, 其伴随医院C类协同共生发展, 因此, 协同区域医疗信息、资源共享和协同呈现了巨大的社会意义和经济价值。

依据上述分析, 区域医疗资源成本控制应由政府主导, 引入市场机制, 在国家公立医院垄断医疗资源, 民营医院发展艰难的现状下, 鼓励发展民营医院, 获取社会资本投入医疗公益事业, 并通过健全会计监督体系, 监督公立医疗机构的会计核算和成本管理。在城市大型医院与基层小型医院的医疗资源配置严重失衡、单个医院内部医疗资源错配的情况下, 运用信息网络技术建立区域医疗资源配置数据库, 实时监控区域医疗卫生资源配置状况, 及时调整卫生经济政策, 干预公立医疗机构、城市大型医院与基层社区医疗机构的经营行为, 促进城乡一体化、区域一体化协同医疗模式, 以控制区域医疗机构成本为目标, 最终实现医疗资源的优化配置[15]。

5 小结

当前, 我国现代医疗服务中医疗资源优化配置是解决百姓“看病难、看病贵”问题的有效途径之一。因此, 医疗资源优化配置成为当前公共卫生管理研究重点。本文依据赫尔曼哈肯的协同学原理, 给出了区域协同医疗系统概念及模型, 确定了医疗资源是系统序参量, 对区域协同医疗系统的平衡与非平衡、组织与自组织、有序和无序的协同学特征进行了深入探讨, 系统分析了区域协同医疗系统的自组织运动、医疗资源配置过程和医疗子系统间的竞争与共存, 从协同学的角度分析和探讨医疗资源优化配置问题, 为解决当前公共卫生管理研究的重点和难点提供理论参考。

系统协同优化 第6篇

电力市场随着厂网分开、竞价上网等一系列改革措施的实施, 发电端将拥有更大的自主权来实现全厂的优化控制。而要实现全厂的优化控制, 首先要改变电网对机组的调度方式, 即由直调改为厂级调度。对于一个电厂而言, 接收中调总的有功指令和电压目标值, 根据各台机组的实际运行情况进行经济分配。厂级负荷分配是根据电网的负荷要求和全厂各机组的实际运行工况, 在线拟合机组煤耗量与负荷的特性曲线, 实施计算各机组的经济负荷, 并将结果作为机组的目标负荷调节值直接送至协调控制系统, 实现全厂总负荷在各机组之间的实时分配;电厂侧电压无功控制系统则是接收中调实时下发的母线电压目标指令, 结合本地实测母线及全厂各发电机组的运行情况, 按照既定的分配策略将系统所需要的无功合理分配给相应机组, 快速准确地跟踪中调的电压指令目标值, 提高发电厂高压母线的电压水平, 改善地区电网电能质量。在以往的系统中2个系统是完全独立的, 一个安装在SIS系统中, 一个安装在电气网络监控系统 (NCS) 中, 这样的配置在电厂端从直调改为厂级调度时, 将加大施工的难度。将这2个优化系统放在一起可以最大限度地实现两者的信息交互, 更好地进行有功和无功的优化。

1 发电厂有功及无功调节现状

电厂侧电压无功控制系统是近几年为了提高电网电压质量而投入运行的, 系统通过在江苏、安徽、福建等省的成功应用, 现在已经推广到全国范围内, 各地的主力电厂都要参与电网的电压调节。发电厂电压无功控制系统的结构如图1所示。

上位机通过RTU获取中调无功电压实时控制系统下发的电压目标指令, 结合本地母线电压的实测值, 根据指定的控制策略, 将需要调节的无功指令分配给各台机组的测控装置 (下位机) , 测控装置再将命令发送给可控机组的励磁系统, 进行无功调节, 从而保证母线电压实时跟踪目标电压。

现阶段大部分的电厂, 特别是火电厂都采用直调的方式, 也就是中调通过RTU给每台机组下发有功指令, 指令首先通过RTU远动装置接收, 然后转送给NCS系统中, 的测控装置, 测控装置将指令转换成4~20m A的模拟信号输出给DCS的协调系统, 由协调控制系统完成指令的跟踪。针对直调方式下的系统设计及设备配置, 将厂级负荷分配系统安装在电气网络监控系统中, 不但可以降低系统改造的难度, 同时还增加了发电厂有功调节和无功调节的交互, 最大限度地发挥厂级优化控制的效果。

2 发电厂协同优化控制系统结构

2.1 系统结构

发电厂协同优化控制系统的结构如图2所示。按照厂级控制的方法将其分为4个控制层次, 分别是EMS的调度层控制、NCS的监控层控制、厂级负荷分配和电压无功控制优化控制层以及处于底层的常规控制层。调度层中安装了AGC (自动发电控制系统) 和AVC (自动电压控制系统) 负责电网的有功和无功的自动调节;NCS监控层负责接收中调下发的有功指令和电压目标指令, 同时采集发电厂电气控制需要的数据, 以及厂级负荷分配进行优化计算的必需数据和电厂侧电压无功控制系统所需要的数据, 并将优化结果下发给下位机, 实现闭环控制。图2与图1相比在上位机用NCS系统来实现, 厂级负荷分配和电压无功控制系统都作为NCS系统高级应用的模块, 嵌入在NCS系统中。下位机的测控装置可以同时满足NCS系统对有功和无功的调节, 实现常规控制层的控制要求。同时系统可以将环保监测数据接入到NCS系统中, 作为厂级负荷分配评价各台机组环境保护指标的一个因素。

2.2 系统方案的可行性

厂级负荷优化分配的研究大部分都是建立在机组煤耗特性曲线基础上, 煤耗曲线的准确性直接影响着厂级负荷优化分配的实用化, 因此需要根据机组的运行情况实时更新各台机组的煤耗曲线。采用反平衡法计算机组的供电标准煤耗率和标准煤耗量的公式如下:

式中, qi为第i台机组的热耗率;Q0为标准煤的低位发热量;第i台机组的锅炉效率;为第i台机组的输出功率, 可以NCS系统中取得qi、Q0、则可以通过DCS取得, 此外, 各台机组的实时燃煤量也需要送到NCS系统中。有了这些数据就可以完成各机组煤耗量与负荷特性曲线的在线拟合和实时修正。同时由于把各台机组的环保监测数据接入到NCS系统中, 在制定分配策略时可以适当地考虑机组烟气中二氧化硫、氮氧化物的浓度, 以及排烟量等信息, 形成更加全面的机组功率分配策略。

发电厂在直调方式下, 各机组的有功指令是中调通过RTU发送给各台机组的AGC测控装置, 测控装置再将其转换成4~20m A模拟信号输出给机组的DCS。当发电厂由机组的直调方式改为厂级负荷分配时, 由于负荷分配软件采用嵌入NCS系统的方案, 那么原来直调方式下的AGC配置可以完全保持不变, 只需要将中调下发的总的厂级负荷指令通过RTU送给NCS系统, 然后厂级负荷分配软件再根据各个机组的实际运行情况将负荷指令分配给各台运行机组 (见图3) 。这样既可以节省改造的成本, 又可以实现发电厂机组负荷的厂级分配。

3 发电厂协同优化控制系统的设计与实现

3.1 设计方案及设计实例

图3给出了基于厂级控制的发电厂协同优化控制系统的一个设计实例。调度的有功指令和电压命令值, 由运动装置RCS9698H来接收, 其本身是双重配置, 一主一备, 故障情况下可以实现主备机的无扰切换;RCS9698H挂接在NCS监控网上, 网络为双网, 同时构建了GPS对时网络, 以保证全站设备时钟的一致性。NCS监控系统为RCS9700监控系统软件, 不但可以实现对发电厂电气设备的监控, 而且系统还安装了厂级负荷分配和电厂侧AVC的优化控制模块, 实现对发电厂有功的经济调度和无功的调节分配;下位机采用测控装置RCS9708C来实现, 负责采集协同优化控制系统所需要的模拟量及信号, 同时将根据分配策略得到的各机组的有功出力和无功命令实时地发送给DCS系统和励磁系统。系统的设计体现了发电厂二次系统一体化设计的思想, 采用同一厂家的产品使得系统的各个环节不存在接口和通信转换的问题。

3.2 协同优化控制系统的交互

本系统设计的一个优势就在于厂级负荷分配系统与电厂侧AVC系统的数据交互, 由于2个应用模块都是集成在NCS平台上, 因此它们可以共享网络上的所有数据, 两者的计算和分析结果都可以被对方直接使用。由于将环保监测的数据接入到NCS系统中, 系统可以实时地获取各台机组排烟量、二氧化硫以及氮氧化物的信息, 通过在线辨识可以得到各台机组有功、无功与这些环保监测数据的简单模型, 从而可以实现对这些指标的预测, 预测值可以只作为参考值, 也可以参与到2个应用模块的策略计算, 形成约束条件。

4 结语

发电厂协同优化控制系统是将原来SIS中的厂级负荷分配和NCS中的电厂侧AVC控制系统, 统一放在NCS监控系统平台上, 作为NCS系统的2个高级应用模块。本设计的优点体现在以下几方面:

(1) 2个模块在完成各自功能的同时, 还可以相互交换信息, 从而提高各自的控制和优化水平。

(2) 当发电厂由中调直调方式改为厂级负荷分配时, 本设计方式可以最大限度地节省改造费用和成本, 更好地利用原有设备, 同时也降低了改造的难度。

(3) 采用一体化的设计思想, 使信息的获取以及命令的执行更加顺畅。

(4) 将环保监测数据引入到NCS监控系统中, 为寻找新的厂级负荷分配方法做好准备。

如何利用2个应用模块的信息交互是本系统的一个关键技术问题, 还需要进行深入研究, 以更好地发挥二者在全厂优化控制中的作用, 促进发电厂厂级优化的进程。

摘要：为了实现发电厂单元机组有功的经济分配和保证区域电压质量, 适应厂网分开、经济调度的要求, 结合直调方式下的系统设计和设备配置, 将厂级负荷分配模块集成到电厂的电气网络监控系统中, 与系统中原有的电厂侧电压无功控制系统构成发电厂协同优化控制系统, 2个模块在实现自身功能的同时, 也可以互相交互信息, 实现有功的经济调度和无功的优化分配;系统将各机组的环保相关数据接入到网络监控系统中, 从而将环保因素引入到负荷分配中, 最后给出了系统的完整设计方案。

关键词：厂级控制,负荷分配,电压无功控制,网络监控系统

参考文献

[1]曹文亮, 王兵树, 高建强, 等.火电厂厂级负荷优化分配软件设计[J].电力系统自动化, 2004, 28 (5) :80-83.

[2]郝飞, 黄凯, 刘吉臻, 等.电厂侧电压无功控制系统研究及应用[J].现代电力, 2009, 26 (6) :62-65.

[3]郝飞, 刘吉臻, 谭文.厂级控制的研究及在发电厂中的应用[J].江苏电机工程, 2010, 29 (1) :16-20.

系统协同优化 第7篇

在农业信息化服务进程中, 如何利用Internet让农民及时地获得其关心的农业信息是其重要工作内容。由于农民本身文化素质有限, 对计算机技术的了解不够, 尤其在面对网络上海量的信息时, 筛选、判断知识的能力缺乏。因此, 农业信息协同推荐系统的构建提出可以通过产生用户“最近邻居”集, 来预测目标用户对其他信息的兴趣程度, 找到用户可能感兴趣的信息, 并将这些信息主动及时地提供给用户, 从而为用户提供个性化的农业信息服务。

1 推荐系统

推荐系统 (Recommender Systems) [1]的定义是Resnick&Varian在1997年给出的:“它在电子商务系统中向客户提供商品信息和建议, 帮助客户决定购买何种商品, 模拟销售人员向客户推荐商品完成购买的过程”。简单地说就是针对不同的客户需求推荐不同的项目。

推荐系统根据其采用的技术可分为:基于内容的推荐系统、协作过滤推荐系统和基于数据挖掘的推荐系统。

1.1 基于内容的推荐系统[2]

基于内容过滤的推荐系统是利用项目内容和用户兴趣的相似性来进行推荐。其基本思想是:对每个用户都用一个用户的兴趣模型 (User Profile) 的文件构成数据结构来描述其喜爱偏好;对每个项目内容都进行特征提取, 形成特征向量;当需要对某个用户进行推荐时, 把该用户的用户兴趣模型同所有项目的特征矩阵进行比较得到二者的相似度, 而后通过相似度进行推荐。

1.2 协同过滤推荐系统[3]

协同过滤推荐是应用最成功的推荐技术, 它通过分析用户兴趣, 在用户集合[4]中寻找指定用户的相似用户, 综合相似用户对某一项目的评价, 形成对该指定用户对此项目的评分预测。协同过滤的推荐过程可分为3个部分:用户兴趣文件表示;计算当前用户与其它用户的相似度生成“最近邻居”集;产生推荐数据集。

1.3 数据挖掘的推荐系统[4]

随着系统用户数目和项目数目的增加, 可以收集到大量的用户交易数据、用户注册数据、用户评分评价数据等数据;同时, 服务器中也保存着大量日志数据、购物篮信息等。面对这些海量数据, 为了提高推荐系统的质量和效率, 各种数据挖掘技术 (包括关联规则、序列模式挖掘、聚类、分类等) 在推荐系统中也得到了广泛应用。

基于数据挖掘推荐系统主要涉及到3项关键技术:客户原始数据的处理、模式库的建立和表示以及数据挖掘算法的应用。

1.4 混合型推荐系统[5]

由于基于内容的过滤和协同过滤都有各自的优缺点, 于是一些研究者提出混合型推荐模型。混合型的推荐模型不仅可以保留以上两种类别推荐模式的优点, 而且推荐效果也比单独使用基于内容的过滤或协同过滤好。

2基于协同过滤的农业信息推荐系统

本系统是湖南省农业信息综合服务平台下的一个子系统, 其目的是基于用户对平台上的信息评价, 计算当前用户与其他用户的兴趣相似度, 产生当前用户的最近邻居集, 并以此来向用户进行信息推荐服务。其整体推荐框架如图1所示。

2.1 无缺失评价矩阵

在普通协同过滤推荐模块中, 首先必须根据历史信息构建用户评价矩阵, 然后计算用户兴趣相似度并产生邻居集, 最后根据邻居集将用户可能感兴趣的信息推送到用户页面上。模块具体流程如图2所示。

但是由于协同过滤推荐系统的稀疏性问题, 通常采用两种解决方法:①利用某种方法对稀疏矩阵进行插值, 降低矩阵的稀疏程度;②将用户未评价的项目设为一个固定的缺省值, 如平均值。但这两种方法的弊端也很明显, 如不能充分体现用户个性化的兴趣和爱好, 不能根本解决协同过滤算法的数据稀疏性问题[6]。

因此, 为了有效解决用户评分数据稀疏的情况, 在计算用户相似性之前首先确定对农业信息之间的相似性;然后对其进行聚类, 寻找同一聚类信息的最近邻居, 最后根据用户对最近邻居信息的评分预测目标信息的评分, 构建一个评分矩阵。其流程如图3所示。

设用户i和用户j评分的项目并集为Ui, j, 用户i评分的项目为Ki, 即

Ui, j=Ki+Kj (1)

用户i未评分的项目为Ni, 即

Ni=Ui, j-Ki (2)

通过用户i和用户j对相似的评分, 可以预测出对Ni的评分。对于目标项目r∈Ni, 用Pi, r表示用户i对项目r的预测评分。

1) 计算项目之间的相似性。

如需计算项目n和r的相似性, 首先根据用户对r和n的评分, 然后利用相似性度量方法计算r和n之间的相似性Sim (r, n) 。

2) 进行项目聚类。

可使用的聚类方法有很多, 如k-means 算法、Clara算法等, 本文采用组件连接法Between-groups Linkage测量欧几里得距离平法和。完成聚类后, 寻找目标项目r的最近邻居, 将相似性最高的项目集作为r的邻居, 表示为Hr={K1, K2, , Kn}, r ∉Hr。且K1的相似性最高, 依此类推。

3) 得到Hr后, 采用Sarwar等人[7]提出的预测方法, 即

${\rm P}{}_{i‚r}=\frac{{\displaystyle \sum _{n\in {\rm H}{}_r}\text{S}}\text{i}\text{m}{}_{r,n}R{}_{i,n}}{{\displaystyle \sum _{n\in {\rm H}{}_r}(}|\text{S}\text{i}\text{m}{}_{r,n}|)}$ (3)

其中, Simr, n表示项目r, Kn的相似性;Ri, n表示用户i对项目n的评分。

2.2 寻找最近邻居集

得到了无缺失的用户评价矩阵后, 本阶段主要是利用相似性度量方法, 计算目标用户与其他用户之间的兴趣相似性, 选取相似性最大的前n个用户作为目标用户的最近邻居集。目前, 使用较多的相似度计算方法有Person相关系数、余弦相关性和修正的余弦相关性。在本系统中, 采取了Person相关系数来计算用户兴趣相似度。

2.3 用户评分标准化[8]

由于用户的评分与用户自身的性格有关, 如保守的用户对项目的评分可能会低于项目应有评分, 乐观的用户可能会给出高于项目实际的评分, 因此必须首先对用户的评分进行标准化处理。标准化公式为

${\rm P}{}_{k,m}(X{}_{a,b})=X{}_{a,b}-(\overline{X}{}_a-\overline{X}{}_k)-(\overline{X}{}_b+\overline{X}{}_m)$ (4)

Pk, m (Xa, b) 是标准化函数, Xa, b是Usera对Itemb的评分, $\stackrel{}{{\displaystyle x}}{}_a‚\stackrel{}{{\displaystyle x}}{}_k$是Usera与Userk的评分平均值, $\stackrel{}{{\displaystyle x}}{}_b‚\stackrel{}{{\displaystyle x}}{}_m$是Itemb与Itemm的评分平均值。

2.4 产生推荐结果

得出的最近邻居集后就可以对目标用户的兴趣进行预测, 生成推荐结果。通常根据推荐目的的不同, 可以进行多种形式的推荐。本文中采用TOP-N的方式向目标用户推荐其可能感兴趣的项目集。

3 推荐方法测试

为了测试本文提出的推荐方法, 首先收集初始评价数据并进行预处理后得到一个较为稀疏的评价矩阵, 如表1所示。

经过皮尔森相关系数计算项目之间的相似度, 然后聚类得到项目间聚类树状结果如图4所示。

由此可得出聚类簇结果, 即

根据式 (5) 可以得到无缺失的用户评价矩阵, 如表2所示。

然后得到用户之间的相似度, 得到U1={U6, U3, U4};U2={ U4, U6, U7};U3={ U6, U1, U4};U4={ U2, U6, U1};U5={ U9, U8, U1};U6={ U4, U2, U1};U7={ U9, U2, U4};U8={ U5, U2, U4};U9={U7, U2, U4};U10={ U1, U6, U4};Un用户n的邻居集。

进行标准化处理后, 得到标准化的评价矩阵后, 便可以进行任何用户对任何项目的评分预测了, 然后根据TOP-N原则产生推荐结果。

4 结论

本文对传统的基于协同过滤推荐系统算法进行了优化, 根据项目间的相似度进行项目聚类, 并预测缺失的评分, 使用户评价矩阵的稀疏性问题得到了一定的解决;同时提出了在预测之前对评价矩阵进行了标准化处理, 克服了由于用户性格的差异而产生的评分差异, 使用户评分更具有可参考性。

系统协同优化 第8篇

有线电视网络最初的业务主要是以单向数据广播的形式提供的直播电视。随着三网融合和下一代广播电视网的演进, 有线电视网络也将逐步从单向的广播网演变为双向的全业务承载网络。为了在有线电视网络上开展双向交互业务必须解决双向数据的传输问题。实现双向数据传输的方案通常分为两类:一类采用包括DOCSIS[1,2]、EPON+Eo C/LAN[3,4]等技术对有线电视网进行双向化改造;另一类则采用带外方式解决上行数据传输, 如ADSL、GPRS、3G、Wi-Fi、Bluetooth等技术。

鉴于改造成本、技术难度等因素, 国内的有线电视网的双向化改造还没有普适应性的方案, 不够成熟[5]。因此在单向的有线电视网基础上采用带外的方式解决上行数据传输的方案就成为了一个经济有效的双向化方案。

基于上述思想, 本文融合IP双向通道和HFC单向通道, 构建了多通道协同传输系统, 使用有线电视网单向通道和IP双向通道协同下发数据, 使用IP双向通道做回传, 充分利用有线电视网高带宽的优势实现非对称的宽带数据通信;并基于有线电视网单向保序的特性, 提出一种数据可靠传输的优化方法, 使得丢失的数据包尽快地重传, 提高了数据传输的速率。

本文的内容安排如下:第2节介绍了融合网络多通道协同传输系统的架构和关键设备融合通道网关;第3节阐述了如何基于有线电视网的单向保序特性进行数据传输的优化, 并对提出的方法进行了实验仿真;第4节对全文进行总结。

2 多通道协同传输系统的构建

本节介绍融合网络多通道协同传输系统的设计和实现, 它融合IP双向通道和有线电视网的单向通道, 使用有线电视网单向通道和IP双向通道协同下发数据, 使用IP双向通道做回传, 充分利用有线电视网高带宽的优势实现非对称的宽带数据通信。系统结构如图1所示。

融合网络多通道协同传输系统的核心思想是基于互联网业务的非对称特性, 以有线电视网的宽带单向通道为基础, 利用IP网络的双向通道进行信令的交互, 结合IPQAM技术, 利用有线电视网单向通道和IP双向通道作为宽带数据下行传输的分流路径。该系统不但可以利用多条通道拓展下行带宽, 而且多条通道同时传输又可以增加路径的可靠性, 还可以综合利用有线电视网的广播特性和IP网络的双向特性开展更加丰富的数据类业务。

融合网络多通道协同传输系统的关键设备是融合通道网关 (Converged Channel Gateway, CCGW) , 它作为用户机顶盒的网关设备, 位于IPQAM的前端, 用于融合IP双向和IPQAM窄播两种通道, 并对IP数据包进行NAT转发。在不向CCGW注册的情况下, 终端可以透明地与互联网和业务应用服务器进行正常的双向通信, 开展数据业务。终端向CCGW注册以后, 所有的下行数据都需要通过CCGW, CCGW根据一定的策略选择数据传输的通道, 或者选择使用两条通道并行传输;终端的上行数据则可以选择通过CCGW中继转发或直接发送到目的地址。

通过CCGW的处理, 融合网络多通道协同传输系统能够充分利用有线电视网络的下行带宽, 融合IP双向通道和IPQAM窄播通道, 利用多条通道的优势拓展下行数据的传输带宽, 对融合网络的资源进行优化调度, 提高数据的传输速率, 为用户提供具有Qo S保障的业务。

3 可靠传输的优化

3.1 问题提出

计算机网络中的数据可靠传输主要由传输层和链路层的传输协议保证。传输层的两个传输协议分别是TCP和UDP, 其中TCP是面向连接的可靠的传输协议[6], 它保障可靠的方式是基于滑动窗口的累计确认和超时重传。这种方式下, 接收端向发送端返回的是连续正确接收到的最后一个数据包的确认, 如果出现错误, 会造成后面已经正确接收的数据包重新发送, 数据传输效率比较低。

数据链路层的传输协议有停止等待协议, 连续ARQ协议以及选择重传ARQ协议[7]等。停止等待协议每发送一个数据帧就等待接收方的确认帧, 传输效率非常低。连续ARQ协议可以连续发送多个数据帧而不用停下来等待确认帧, 但是出现差错时需要重传发生错误之后的所有数据帧, 传输效率也不高。选择重传ARQ协议在数据帧发生错误时只重传那些出错的数据帧, 提高了信道的利用率, 但是接收方的确认帧还是对每个数据帧都发送, 也有较多额外的通信数据量, 效率还不是很高。

IETF提出的SCTP协议[8]也是面向连接的可靠的传输协议, 其确认机制是选择性确认SACK, 接收方反馈给数据发送方的是已正确接收的数据块的序号, 如图2所示。SACK包括累计确认 (ACK) 和间隔确认 (Gap Reports) [9], 累计确认是连续正确接收的最后一个数据块的序号, 间隔确认表示收到了不连续的数据块, 包括:不连续的数据块的起始序号和结束序号。发送端根据SACK判断出需要重传的数据块, 然后进行数据重传。SCTP只重传出错的数据包, 提高了信道的利用率, 但是SCTP的SACK机制比较复杂, 其需要连续4次判断为丢包时才对数据包进行重传, 在信道比较好丢包较少的情况下, 效率比较高, 但在信道不好的情况下, 效率会大大降低。

有线电视网在完成双向化改造之前, 还是一个单向的广播网, 没有回传的信道, 因此也无法直接在有线电视网上实现数据的可靠传输。而已有的基于IP+HFC在有线电视网上实现双向交互的传输方案也只是利用了IP双向通道的回传特性, 并依赖传输层协议TCP来实现数据的可靠传输[10,11], 没有充分利用有线电视网单向广播的特性, 具有一定的局限性。

3.2 可靠传输的优化方法

由于有线电视网的网络结构是单向的树形结构, 数据在有线电视网上传输时没有分组交换和路由转发的过程, 因此在有线电视网上传输的数据是先发先到的, 即有线电视网具有保序的特性。

本节基于有线电视网单向保序的特性, 提出一种在有线电视网上实现数据可靠传输的优化方法, 在传输层修改数据重传的策略, 能够使得丢失的数据包尽快地重传, 减少了接收端缓冲区阻塞[12,13,14]的影响, 提高了数据传输的吞吐率。

3.2.1 方法描述

在基于IP和HFC的多通道协同传输系统中, 上行数据通过IP双向通道进行传输, 下行数据则可通过IP双向通道或有线电视网的单向通道下发。由于有线电视网具有单向保序的特性, 因此可针对有线电视网的此特性进行数据可靠传输的优化, 具体方法描述如下:

(1) 数据发送端 (应用服务器或Internet服务器) 通过有线电视网单向保序通道下发数据, 在缓冲区保存发送的数据, 并启动超时计时器。

(2) 接收端 (机顶盒STB) 在相应频点上接收数据, 根据校验信息判断接收到的数据包是否正确, 根据触发策略生成数据接收报告, 并通过IP双向通道将数据接收报告回复给发送端。

其中的触发策略, 可以是接收端设置定时器, 按照时间周期性触发;也可以是接收端设置数据包计数器, 当收到的数据包达到确定数目时触发;也可以是接收端设置流量计数器, 当收到的数据达到确定流量时触发;还可以是多种方式的组合, 如在接收端同时设置定时器和数据包计数器, 当定时时间生效时, 则由定时器触发, 当定时时间尚未生效, 但已经接收到确定数目的数据包, 则由数据包计数器触发。

其中数据接收报告是接收端接收到的所有数据包中最后一个正确的数据包的确认 (ACK) 和所有错误或丢失的数据包的否认 (NAK) , 如图3所示。

(3) 发送端根据数据接收报告重传错误或丢失的数据包。

若发送端接收到数据包的NAK, 或在超时计时器超时时还未接收到数据包的ACK, 则发送端通过有线电视网单向通道或者IP双向通道重传缓冲区中相应的数据包, 将该数据包的已重传次数加1, 并重新启动超时计时器, 否则, 发送端从缓冲区中删除相应的数据包。

其中, 发送端的超时计时器的超时时间应大于接收端向发送端反馈数据接收报告的周期, 以防止发送端在接收到所述接收端的数据接收确认响应之前就重传或者丢弃相应的数据包。

(4) 若数据包重传的次数达到上限, 则取消数据的发送, 报告网络故障。

3.2.2 流程描述

图4是基于IP和HFC在有线电视网上实现数据可靠传输的优化方法的具体流程图, 包括如下步骤:

(1) 发送端将待发数据分片, 在数据片头部加入标记编号, 在数据片尾部加入前向纠错码, 再封装成MPEG-TS传输流, 然后调制成射频信号, 通过有线电视网的单向广播通道下发给接收端, 并在缓冲区中保存数据, 启动超时计时器, 并设置数据包的重传次数上限;

(2) 接收端通过有线电视网的单向广播通道接收数据, 对数据进行解调和解码处理, 并设置数据接收确认定时器, 通过定时器触发生成数据接收报告;接收端还通过双向通道接收重传的数据;

(3) 接收端判断确认定时器是否生效, 如果生效, 则顺序执行下一步, 否则, 返回执行步骤2;

(4) 接收端通过IP双向信道向发送端返回数据接收报告, 首先根据校验信息判断所接收的数据是否正确, 对错误数据包采用FEC前向纠错码进行恢复, 正确或错误但恢复后正确的数据包用ACK表示, 错误且不能恢复的数据包则用NAK表示, 若接收到的数据包的标记编号不连续, 则说明编号缺失的数据包丢失, 也用NAK表示。由于通过有线电视网的单向广播通道下发数据时, 传输是保序的, 所以接收端向发送端返回数据接收报告时, 不是对每个数据包都发送, 而是返回接收端的确认定时器一个周期内最后一个正确接收的数据包的ACK和所有出错或者丢失的数据包的NAK。

(5) 发送端判断是否接收到表示数据未正确接收的确认包NAK, 如果未接收到, 则顺序执行下一步, 否则, 跳转到步骤207执行;

(6) 发送端判断是否在超时计时器超时时还未接收到接收端返回的表示数据正确接收的确认包ACK, 如果未接收到, 则顺序执行下一步, 否则, 跳转到步骤10执行;

(7) 发送端判断该数据包是否达到重传次数上限, 如果未达到, 则顺序执行下一步, 否则, 跳转到步骤9执行;

(8) 发送端通过IP双向通道重传缓冲区中的相应数据包, 将该数据包的已重传次数加1, 并重新启动超时计时器, 然后跳转到步骤2继续执行;

(9) 发送端取消数据的发送, 数据传输异常终止;

(10) 发送端从缓冲区中删除已正确接收的数据包。

3.2.3 方法的优势

采用上述的方法后, 基于IP和HFC的多通道协同传输系统具有以下优点:

(1) 通过在接收端设置触发策略, 根据触发策略生成数据接收报告, 然后再发给发送端, 减少了额外的数据通信量, 提高了数据传输的效率;

(2) 充分利用了有线电视网的单向广播的特性, 数据仅需一次判断为丢失就进行重传, 加快了数据丢失检测的速度, 有效地缓解了接收端缓冲区阻塞问题, 提高了数据传输的吞吐率。

3.3 实验及结果分析

3.3.1 仿真拓扑

为了验证所提出方法的有效性, 本节在NS2-2.34平台上基于SCTP模块进行了仿真, 仿真拓扑结构如图5所示, 其中有两条通道A和B, 通道A代表有线电视网的单向通道, 通道B代表IP网络双向通道。

在仿真实验中, 本文修改了SCTP模块, 实现了所提出的优化方法, 使用“SCTP”代表标准的SCTP协议的结果, 使用“Optimization”代表本文提出的优化方法的结果。仿真过程中设置Data Chunk的大小为1468字节, MTU是1500字节, 采用FTP作为应用层协议。

3.3.2 实验结果

首先设置两条通道的时延均为45ms, 通道A的带宽为10Mbit/s, 丢包率在0.01-0.1之间变化, 通道B的带宽为5Mbit/s, 丢包率为0.01, 接收端缓冲区的大小为128K, 此时的仿真结果如图6所示。可以看出, 随着通道A丢包率的逐渐增加, 传输吞吐率迅速下降, 但是本章提出的优化方法比标准的SCTP协议具有更好的性能。

然后改变通道A的时延, 设置为90ms, 其他参数不变, 仿真结果如图7所示。可以看出, 与图6相比, 当通道的时延变大时, 系统的吞吐率有较大幅度的下降, 但是所提出的优化方法还是比标准的SCTP具有较好的性能, 而且当通道时延较大时, 所提出的方法对系统性能的提升也较大。

综上所述, 本文提出的优化方法充分利用了有线电视网单向保序的特性, 数据仅需一次判断为丢失就进行重传, 加快了数据丢失检测的速度。通过上述实验可以看出, 该方法有效地缓解了接收端缓冲区阻塞问题, 提高了数据传输的吞吐率。

4 结束语

本文分析了IP双向交互通道和HFC单向广播通道的特性, 融合IP双向通道和HFC单向通道构建了多通道协同传输系统, 使用有线电视网单向通道和IP双向通道协同下发数据, 使用IP双向通道做回传, 充分利用有线电视网高带宽的优势实现了非对称的宽带数据通信;并提出了一种数据可靠传输的优化方法, 基于有线电视网单向保序的特性, 优化了数据包的重传策略, 使得丢失的数据包尽快地重传, 最后通过仿真实验验证了所提出方法的有效性。

摘要：分析了IP双向交互通道和HFC单向广播通道的特性, 提出一种在有线电视网上实现数据可靠传输的优化方法。该方法融合IP网络双向交互通道和有线电视网单向通道构建了多通道协同传输系统, 使用有线电视网单向通道和IP双向通道协同下发数据, 使用IP双向通道交互信令, 充分利用有线电视网高带宽的优势实现非对称的宽带数据通信;基于有线电视网单向保序的特性, 优化了数据包的重传策略, 使得丢失的数据包尽快地重传, 提高了数据传输的速率。实验结果表明, 所提出的优化方法能够有效地缓解接收缓存阻塞, 提升了传输系统的吞吐量。

系统协同优化 第9篇

电力系统无功优化可以减少网络损耗、改善电压质量、提高系统运行的经济性和安全性。但是, 大规模电力系统的无功优化问题具有高维度、多约束、非凸性、离散性、非线性等特点, 求解较为困难。如何快速、高质量地求解该问题一直是研究者们关注的热点。各种高效的优化算法不断涌现。这些算法主要可以归为两大类:一类是以内点法为代表的基于导数的数值优化算法[1];另一类是智能优化算法, 如遗传算法[2]、免疫算法[3]、Tabu搜索算法[4,5]、差异进化算法[6,7]、细菌趋药性算法[8]、模拟植物生长算法[9]、粒子群优化 (particle swarm optimization, PSO) 算法[10,11]等。两类优化算法各有优势和不足。基于导数的数值优化算法计算速度快、收敛性好, 但是较容易陷入局部最优点;而智能优化算法的全局寻优能力相对较强, 但由于需要对大量候选解反复计算适应值, 导致计算时间过长, 难以满足实际需求。因此, 并行计算[6,7,11,12]逐渐成为提升智能优化算法求解速度的一种主流技术。

PSO算法具有易于实现、收敛性好、寻优能力强的特点, 但是在处理大规模无功优化这种复杂问题时, 有时会出现早熟现象而陷入局部最优。

本文从提高PSO算法的全局寻优能力和加快其求解速度的目标出发, 引入协同进化[7,10,13,14]的思想, 提出一种拥有二级并行结构、适于求解大规模无功优化问题的并行协同粒子群优化 (PCPSO) 算法。该算法在一个PC集群上对2个IEEE测试系统进行了仿真计算, 验证了其有效性和快速性。

1 无功优化模型

本文以网损最小为目标, 以节点电压质量和发电机节点无功出力为罚函数, 采用以下扩展的目标函数:

$\begin{array}{l}\min F={\rm P}{}_{\text{l}\text{o}\text{s}\text{s}}+\lambda {}_{\text{U}}{\displaystyle \sum \frac{|U{}_{{\rm P}Qi}-U{}_{{\rm P}Qi}^{\lim }|}{U{}_{{\rm P}Qi}^{\max }-U{}_{{\rm P}Qi}^{\min }}}+\\ \lambda {}_{\text{Q}}{\displaystyle \sum \frac{|Q{}_{\text{G}i}-Q{}_{\text{G}i}^{\lim }|}{Q{}_{\text{G}i}^{\max }-Q{}_{\text{G}i}^{\min }}}(1)\end{array}$

式中:等号右侧第1项Ploss为电网总有功损耗;第2项为针对PQ节点电压越限的罚函数项, 其中λU为罚因子, UPQi, UmaxPQi, UminPQi分别为PQ节点i的电压、电压上限和电压下限, 若UPQi越上限, 则UlimPQi取UmaxPQi, 若越下限, 则UlimPQi取UminPQi;第3项为针对发电机无功出力越界的罚函数项, 其中λQ为罚因子, QGi, QmaxGi, QminGi分别为发电机节点i的无功出力、最大无功出力和最小无功出力, 若QGi越上限, 则QlimGi取QmaxGi, 若QGi越下限, 则QlimGi取QminGi。

无功优化需要满足潮流方程的等式约束和以下不等式约束:

$\begin{array}{l}U{}_{\text{G}i}^{\min }U{}_{\text{G}i}U{}_{\text{G}i}^{\max }1in{}_{\text{G}}(2)\\ {\rm T}{}_i^{\min }{\rm T}{}_i{\rm T}{}_i^{\max }1in{}_{\text{Τ}}(3)\\ B{}_{\text{S}\text{Η}i}^{\min }B{}_{\text{S}\text{Η}i}B{}_{\text{S}\text{Η}i}^{\max }1in{}_{\text{S}\text{Η}}(4)\end{array}$

式中:UGi, UmaxGi, UminGi分别为发电机节点电压、电压上限和电压下限;nG为发电机节点数;Ti, Tmaxi, Tmini分别为变压器变比、变比上限和变比下限;nT为变压器数目;BSHi, BmaxSHi, BminSHi分别为并联无功补偿器补偿容量、补偿容量上限和补偿容量下限;nSH为并联无功补偿器数目;UGi为连续控制变量;Ti和BSHi为离散控制变量。

式 (2) ～式 (4) 为控制变量的上下限不等式约束。

2 无功优化的PCPSO算法

2.1 PSO算法

2.1.1 PSO算法简介

PSO算法是一种基于种群的启发式寻优算法。对于一个含有N个变量的优化问题, PSO算法首先随机初始化一群粒子, 每一个粒子对应一个解。粒子在迭代过程中根据自身寻优经验和粒子间经验共享不断更新速度和位置, 最终求取优化问题的解。对于种群中的第i个粒子, 它的位置和速度可以分别表示为向量xi=和vi=, 它在历次搜索过程中找到的个体最优解记作pbesti。所有粒子在历次搜索过程中所找到的全局最优解记作gbest。每个粒子根据下式更新其第d维的位置和速度:

$\begin{array}{l}v{}_{i,d}^{k+1}=wv{}_{i,d}^k+c{}_{1}r{}_1(p{}_{\text{b}\text{e}\text{s}\text{t}i,d}^k-x{}_{i,d}^k)+\\ c{}_{2}r{}_2(g{}_{\text{b}\text{e}\text{s}\text{t},d}^k-x{}_{i,d}^k)(5)\\ x{}_{i,d}^{k+1}=x{}_{i,d}^k+v{}_{i,d}^{k+1}(6)\end{array}$

式中:k为迭代次数;w为惯性权值;c1和c2为加速因子;r1和r2为在区间[0, 1]上均匀分布的随机数。

2.1.2 参数的动态调整

为了避免PSO算法出现早熟收敛现象, 应当在PSO算法全局搜索与局部挖掘之间达到一种良好的平衡状态。文献[15]指出, 当加速因子c1比c2大时, 粒子群会分散探索解空间内更广阔的区域;相对地, 当c2较大时, 粒子群趋于收敛。因此, 根据下式动态调整加速因子, 可以改善PSO算法的寻优性能:

$\begin{array}{l}c{}_1=(c{}_{1\text{f}}-c{}_{1\text{i}})\frac{{\rm K}}{{\rm K}{}_{\max }}+c{}_{1\text{i}}(7)\\ c{}_2=(c{}_{2\text{f}}-c{}_{2\text{i}})\frac{{\rm K}}{{\rm K}{}_{\max }}+c{}_{2\text{i}}(8)\end{array}$

式中:c1i和c1f为c1的初始值和最终值;c2i和c2f为c2的初始值和最终值;c1i和c2f常取2.5, c1f和c2i常取0.5[15];K和Kmax分别为迭代次数和最大迭代次数。

2.2 PCPSO算法求解无功优化

2.2.1 基于消息传递接口的并行计算和PC集群简介

并行计算的编程环境分为共享存储并行编程环境和分布存储并行编程环境。其中, 前者包括OpenMP和高性能FORTRAN (HPF) 等, 后者包括消息传递接口 (MPI) [16]和并行虚拟机 (PVM) 等。本文采用分布式存储的PC集群和应用非常广泛的MPI技术来实现并行计算。MPI是一个消息传递的标准。所谓消息, 是指在进程之间传递的一组符合某种特定格式的、发送者和接受者都能理解的信息。MPI环境包括一个MPI函数库, 提供了200多个用于实现进程间通信的库函数。在并行计算中, MPI库函数的作用主要是进程间点到点的通信或者组通信 (一对多通信和多对多通信) , 而其他代码是使用标准串行语言 (如C, C++或FORTRAN 90等) 编写的。MPI技术是PCPSO算法实现并行的基础, 各进程协同工作、相互通信都需要用到MPI库函数, 例如, 将原始数据发送到所有进程需要广播函数MPI_BCAST, 各进程交换最优粒子的信息需要组收集函数MPI_ALLGATHER, 为确保各进程同步需要同步函数MPI_BARRIER, 等等。

本文所用PC集群的结构如图1所示, 它由1个不参与并行计算的控制节点和16个工作节点组成, 各节点间通过带宽为20 Gbit/s的高速InfiniBand网络连接。每个工作节点配有一对Intel Xeon 2.66 GHz四核心处理器和12 GB DDR3内存, 即该PC集群共有128个计算核心。操作系统为Linux, 并行程序编译和运行环境为OpenMPI[17]。其计算峰值为1.2861012FLOPS (每秒浮点运算次数) 。

2.2.2 二级并行结构PCPSO算法

大规模电力系统的无功优化问题含有大量控制变量, 解空间极其复杂, 如果采用单种群的PSO算法或其他基于种群的进化算法求解, 可能会遇到优化效果不好、计算时间冗长等问题。

为解决这个问题, 提出一种拥有二级并行结构的PCPSO算法。算法框架如图2所示。第1级并行是指引入协同进化的思想对大规模无功优化问题的大量控制变量进行合理的划分, 使一个高维优化问题变成数个相互作用的低维子优化问题, 这些子优化问题的求解过程并行进行。对每个子优化问题生成一个用于求解它的独立的子粒子群, 各子粒子群在迭代求解过程中, 通过交换最优粒子信息的方式 (具体方式见2.2.3节中步骤8～步骤10) 相互合作、共同进化。第2级并行是指每个子粒子群对相应子优化问题进行寻优的工作, 如子粒子群速度和位置的更新、潮流和适应值的计算等, 都是分配给一个进程组内的多个进程并行完成的。融合了协同进化思想的二级并行设计不但可以改善PSO算法性能、避免陷入最优, 而且可以成倍提高寻优速度。

为了尽量提高并行效率, 并行进程间的组织结构和任务分配采用以对等模式为主的方式。与常见的主从模式并行算法相比, 对等模式有以下优势:

1) 计算负荷更平衡。在主从模式的并行PSO算法中, 主进程要单独承担粒子群的初始化、每次迭代中粒子群的更新等计算任务, 当粒子群规模较大时, 这些计算要花费可观的时间, 而其他进程只能等待主进程的计算结果, 导致计算资源被闲置, 效率较低。在本文对等模式的并行算法中, 粒子群的初始化和更新等任务分配给所有进程并行完成, 充分利用了计算资源, 减少了等待时间, 提高了效率。

2) 通信次数和通信量大幅减少。在主从模式下, 粒子群每次迭代均需要进行2次通信:一次是主进程将所有粒子的信息分组后发送到各从进程, 另一次是在从进程完成计算后, 主进程将粒子适应值收集到本进程, 以便更新所有粒子的速度和位置。所以每次迭代总的通信量是所有粒子的位置信息和适应值。在本文对等模式下, 更新粒子的任务是分散在各进程内完成的, 每次迭代只需进行一次通信 (见2.2.3节中步骤8) , 通信内容是各进程中最优粒子的位置信息和适应值。因此, 对等模式下, 通信次数和通信量都要远小于主从模式, 可以节约很多用于通信的时间, 提高并行效率。

不过, 为了方便程序初始阶段读入和分发数据, 以及程序结束前输出优化结果, 设定了一个主进程完成这2项工作。

PCPSO算法求解无功优化问题需要在优化前对电力系统的大量控制变量进行分组。本文主要按照供电区域对电网进行划分, 再进行适当调整, 使得各个分区包含的变量数和节点数较为均衡, 被分在同一区域内的控制变量成为一个变量组。该方法的优点是直接、快速、有效且符合无功就地平衡的原则[13]。

2.2.3 优化程序步骤

假设待求无功优化问题为N维优化问题, 被分解成m个子优化问题, 相应地, 进程组数也为m, 而每个进程组中有nproc个进程。参与并行计算的总进程数为mnproc个。

PCPSO算法求解无功优化的主要步骤如下:

步骤1:并行环境初始化。0号进程读入潮流计算数据、控制变量数据、电网分区数据, 并广播给所有进程。

步骤2:根据电网分区数据将控制变量分成m组, 用usubi表示第i (1im) 组控制变量, 则整个系统的所有控制变量可以记为:uwhole=uTsub1, uTsub2, , uTsubmT=T。

步骤3:每个进程随机初始化p个粒子。每个粒子对应一个uwhole的解, 它的位置和速度分别表示为:xk=T=xTk, sub1, xTk, sub2, , xTk, subi, , xTk, submT;vk=T=vTk, sub1, vTk, sub2, , vTk, subi, , vTk, submT。

步骤4:在同一个进程组内的所有粒子组成一个子粒子群。第i (1im) 个进程组的子粒子群记作Pi, 共包含pnproc个粒子, 对应第i组控制变量的求解。

步骤5:所有进程对本进程内的每个粒子进行潮流 (使用PQ分解法) 和适应值计算。利用MPI的组通信功能, 使每个进程都能收集到所有进程的适应值计算结果。选出所有粒子中适应值最小的粒子作为第1代的全局最优解, 存为gbest。对于每个粒子, 保存它的位置作为第1代的个体最优解pbest。

步骤6:每个进程利用gbest修改进程内各个粒子的位置。如果该进程所在进程组的编号为i, 则将xk=xTk, sub1, xTk, sub2, , xTk, subi, , xTk, submT (k=1, 2, , p) 中除xTk, subi之外的值都修改为与gbest相应位置相等。然后, 根据式 (7) 、式 (8) , 更新vTk, subi和xTk, subi (k=1, 2, , p) 。这样, 得到新一代的xk (k=1, 2, , p) 。

步骤7:各进程对本进程内每个粒子进行潮流和适应值计算。如果粒子适应值小于原来的个体最优解适应值, 则更新pbest。各进程找到本进程中适应值最小的粒子。

步骤8:利用组通信, 每个进程都收集各进程中适应值最小的粒子 (共mnproc个) 的位置信息和适应值。选出所有这mnproc个粒子中适应值最小的粒子作为本次迭代全局最优解的第1个备选项, 存为gbest′。

步骤9:找到各进程组内适应值最小的粒子, 共m个。其中第i (1im) 个粒子的位置可以表示为:xbesti=xTbesti, sub1, xTbesti, sub2, , xTbesti, subi, , xTbesti, submT。利用这m个粒子得到本次迭代全局最优解的第2个备选项:gbest″=xTbest1, sub1, xTbest2, sub2, , xTbesti, subi, , xTbestm, submT, 计算gbest″的适应值。

步骤10:比较gbest, gbest′, gbest″的适应值, 选取适应值最小者保存为本次迭代的最优解, 更新gbest。

步骤11:如果达到最大迭代次数, 则停止优化, 由0号进程输出结果;否则, 迭代计数加1, 转到步骤6, 继续迭代。

以上算法流程设计实现了程序主体以对等模式为主的进程间并行结构, 减少了通信和等待时间。此外, 本算法更新全局最优解时有2个备选项, 这样设计在几乎不增加计算量的情况下, 增强了寻优能力。

3 仿真算例

为了验证本文PCPSO算法的有效性, 在前述PC集群上对IEEE 118节点测试系统和IEEE 300节点测试系统进行了无功优化。算法程序用C语言和MPI库函数编写。

3.1 IEEE118节点测试系统

IEEE 118节点测试系统包含54台发电机、14台并联无功补偿器和9台变压器。系统参数和控制变量的设置见文献[7,18]。PQ节点的电压上下限分别设置为1.05和0.95 (标幺值) 。初始情况下, 系统的网损P0loss为132.86 MW, 有2个PQ节点 (节点53和118) 电压低于下限, 6台发电机 (节点19, 32, 34, 92, 103, 105上的发电机) 无功出力越限。

3.1.1 优化解的质量

优化前对IEEE 118节点系统进行划分, 共分为4个区域, 各区域包含的节点数分别为29, 33, 28, 28, 控制变量数分别为19, 18, 21, 19。算法的种群规模Npop (所有进程中的粒子总数) 设为600, 最大迭代次数Kmax设为200, 计算核心数n为40 (每个计算核心上运行一个进程, 以下同) 。由于PSO算法具有随机性, 故程序运行了30次。经过优化, 平均网损值下降到114.88 MW, 较初始情况下的132.86 MW大幅减小, 与近似最优解114.59 MW[6]的差距不到0.3%, 并且完全消除了状态变量的越限现象。

为了进一步说明PCPSO算法的寻优性能, 将它与4种算法进行了比较, 包括现有文献[6,7,10]中的3种算法和主从模式的并行PSO算法 (以下简称PPSO算法) 。PPSO算法中, 主进程的任务主要包括读入数据、初始化粒子群、更新粒子群速度和位置、输出优化结果, 而从进程的任务是粒子的潮流和适应值计算。该算法直接优化整个系统的所有控制变量, 因此不对系统进行分区。PPSO算法采用含有收缩因子 (constriction factor) 的PSO模型更新粒子的速度和位置, 基本参数设置为:Npop=800, Kmax=400, n=40。

各算法的优化结果见表1 (前3种算法的优化结果直接摘自相应文献) 。由于5种算法均为基于种群的智能优化算法, 考虑到它们的大部分运算时间都花费在潮流和适应值的计算上, 所以表中不但列出了各种算法得到某个优化结果需要的时间, 还给出了相应的适应值计算次数NFEs。这样免去了不同硬件平台这一因素的影响, 可以较为客观地比较各种智能算法的寻优性能。

注:-表示对应文献中未给出此项数据

由表1可见, 本文PCPSO算法优化得到的平均网损值114.88 MW优于算法1, 3, 4的计算结果, 仅仅略逊于算法2的优化解114.67 MW, 但是算法2得到这个优化解所需的NFEs为PCPSO算法的4倍。而当算法2得到的网损值与PCPSO算法基本相同时 (算法2:114.91 MW, PCPSO算法:114.88 MW) , 它所需的NFEs仍是后者的2倍多。从计算时间来比较, PCPSO算法的计算时间最短, 所需的NFEs也最少。综上所述, PCPSO算法寻优能力在所列出的算法中仅次于文献[7]中的协同差异进化 (CCDE-PSD) 算法, 证明了它能够取得较好的优化结果, 而与CCDE-PSD算法优化结果的差距可能是由于PSO算法的求解精度稍逊于该算法[7];但是PCPSO算法的求解速度很快, 大幅超越其他优化算法, 这既得益于PSO算法自身收敛速度较快的优点, 也得益于二级并行的设计使得问题求解的过程被高度并行化。

此外, 从图3可见, PCPSO算法在减小网损的同时也改善了系统中PQ节点的电压水平。

3.1.2 并行性能

为了验证本文PCPSO算法的并行性能, 以主从模式PPSO算法为参照, 主要比较了2种算法的2个并行性能指标:加速比Sn和并行效率En。两者定义如下:

$\begin{array}{l}S{}_n=\frac{t{}_1}{t{}_n}(9)\\ E{}_n=\frac{S{}_n}{n}(10)\end{array}$

式中:n为参与并行计算的处理器 (或计算核心) 数目;t1为并行程序在单个处理器上 (此时并行程序退化成串行程序) 的运行时间;tn为同一并行程序在n个处理器上的运行时间。

为了方便比较PCPSO算法与PPSO算法的并行性能, 将两者的种群规模均设为600, 最大迭代次数均设为200 (需指出的是:同样的种群规模和迭代次数下, PCPSO算法优化结果远优于PPSO算法) , 得到不同计算核心数情况下的计算时间, 然后算出2种算法的加速比和并行效率分别如图4和图5所示。PCPSO算法的加速比在本算例中最高达到17.59 (计算核心数为64) 。它的加速比和并行效率都大幅超过PPSO算法。由于2种算法此时的NFEs相同, 而在加速比和并行效率上有这样明显的差异, 可以说明PCPSO算法的对等模式设计与PPSO算法的主从模式设计相比, 具有计算负荷更平衡、同步和通信时间花费更少的优势。但是当计算核心数不断增大时, 任务划分变细, 通信占用的时间变长, 算法的并行效率也难以避免随之下降。综合考虑求解速度和并行效率所对应的经济性, 将计算核心数选择在16至48之间较为合理。

3.2 IEEE300节点测试系统

本算例结果及分析见附录A。

4 结语

本文介绍了一种基于MPI并行计算技术, 用于求解电力系统无功优化问题的PCPSO算法。该算法采用二级并行的方式将包含大量控制变量的复杂优化问题分解成一系列相对简单的子优化问题, 然后利用对等模式下的多个进程并行协同求解。在一个PC集群上对2个IEEE测试系统进行了仿真, 并与几种优化算法进行了比较, 结果表明, 本文算法不仅具有较强的全局寻优能力, 而且求解速度很快, 并行性能较好。

附录见本刊网络版 (http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx) 。