多场景规划范文（精选8篇）
多场景规划 第1篇
在以大机组、大电网、高电压为主要特征的单一供电系统已不能满足对电力供应质量与安全可靠性要求日益提高的今天，分布式电源DG(Distributed Generation）以其投资小、清洁环保、供电可靠和发电方式灵活等优点日益成为人们研究的热点[1]。DG接入配电网后使得电力系统的规划和运行与过去相比有更大的不确定性，继而对配电网的有功损耗、电网运行安全性、环境与资源等产生影响。合理的安装位置和接入容量可以支撑馈线电压，改善系统电压分布，减少系统有功损耗，降低DG投资方投入[2]。因此，对一个配电系统进行规划时必须合理选择DG的安装位置和容量，其重要性可见一斑。
国内外学者对DG的规划问题已进行深入的分析与研究[3,4,5,6,7]。这些文献大多假设DG出力及负荷需求恒定不变，这种假设与实际情况存在差距，从而使得配网中DG位置和容量的配置方案存在不合理性。近年来也有部分文献考虑了DG出力及负荷需求在不同季节呈现出不同的时序波动性。文献[8]基于DG负荷和出力的时序特性，建立考虑环境成本的微网DG规划模型，最后采用遗传算法对规划模型进行求解。文献[9]以电能损耗和可靠性作为目标函数，在考虑DG负荷和出力时序特性的基础上，采用遗传算法对DG进行规划。但这些文献中没能考虑到DG出力往往存在很大的不确定性，在运用历史数据进行规划时，若以某个季节的单日数据值作为该季节的规划参数，忽略了DG出力值和负荷需求值在同一季节不同天中的差异，结果仍然会存在较大误差。
综上分析，为了DG选址定容规划更为准确合理，本文将通过时序特性分析考虑DG出力和负荷需求的波动性，提出采用K-均值聚类多场景概率分析法来考虑DG出力和负荷需求的不确定性，并以年寿命周期收益率和系统电压分布改善率最大化为目标构建新型的配网DG多目标规划模型，然后采用高效多目标复合微分进化算法对模型进行求解和基于最短归一化距离法实现多目标总体最优解决策，并在IEEE 33节点配电系统中成功进行了DG规划应用，获得了良好的效果。
1 时序特性描述
时序特性可分为DG出力时序特性和负荷时序特性。为了更准确地进行规划，体现各种负荷模型对DG规划的影响，将负荷对象定为3类，分别为居民工业和商业负荷。由文献[10]中的数据及图表可清楚地看出居民、工业和商业用电集中时间段有差异，且不同的负荷在不同的季节呈现出不同的规律性，因而负荷时序特性有所不同。
本文假设并网的DG为具有很强随机性、波动性和间歇性的风力发电机WG(Wind power Generation和光伏PV(PhotoVoltaic）。风电和光伏不可能持续额定出力，而且大部分时间出力较小。采用具有典型季节性的夏季和冬季的风电和光伏在一天中的出力变化情况作为图例进行说明。由图1和图2（图中出力均为标幺值）可看出风电和光伏在不同季节的出力特性不同，且风光存在着一定的互补性。
由于负荷及DG出力具有时序性，因此在进行DG规划时，考虑时序特性十分必要，否则会使规划结果产生一定的偏差，容量配置缺乏合理性，导致规划模型中反映的电网技术指标不准确，同时也会造成资源的浪费。
2 基于K-均值聚类压缩的多场景分析
多场景分析[11]是解决随机性问题的一种有效方法。多场景分析的实质就是通过将难以用数学模型表示的不确定性因素转变为较易求解的多个确定性场景问题来处理，从而避免建立十分复杂的随机性模型，降低了建模和求解的难度[12]。本文引入场景分析法来模拟随机变量在实际环境中的不确定性。从模拟随机变量不确定性的精确度考虑，场景的规模越大，得到的结果越精确，但大规模的场景增加了目标函数以及约束的计算量和计算时间。为解决不确定性模型精度与计算复杂度的矛盾，可先通过生成足够大的场景满足模拟不确定性模型的精度，再运用场景缩减法缩减至合适的场景数以满足降低计算复杂度的需求。
根据上述方法，场景模型的生成分成2个阶段[13]。本文的随机变量有光伏出力值、风电出力值、负荷需求值。第一阶段，对每个随机变量生成数量足够多的场景。首先通过对光伏出力、风电出力、负荷需求等的历史数据（如果缺乏这类历史数据，也可基于光伏、风能、负荷等对象模型，结合气象数据，利用HOMER软件产生模拟数据[14,15]）进行分析统计，得到各随机变量在春夏秋冬不同季节全天各时段的典型数据，设各时段实际数据与典型数据误差ΔP服从相应的概率分布函数PDF(Probability Distribution Function），则每个场景的随机变量表达式如（1）所示。
其中，s=1,2，…，Ns,Ns为场景总数；t=1,2，…，24NWG、NPV、NXL分别为风电个数、光伏个数和系统节点数P0X,t、P0Y,t、P0Z,t分别为t时刻的第X个风电、第Y个光伏的典型出力值及第Z个节点上的典型负荷需求值；PX,t,s、PY,t,s分别为场景s下t时刻的第X个风电、第Y个光伏出力值；PZ,t,s为场景s下t时刻第Z个节点上的负荷需求值。
以此为依托，通过轮盘赌的方式，基于场景分析法得出不同的场景。具体的场景生成方法可参照文献[16]，在此不再赘述，流程如图3所示。
PDF离散化为7个区间可如图4所示，图中横坐标表示功率误差，每个区间的宽度为功率误差的标准差σ；纵坐标为概率密度，即每个区间相对应的概率为αb,t(b=1,2，…，7）。图5所示的圆面积为1，采用轮盘赌，随机生成一个0～1之间的数，选中的区间置为1（即可确定选中的概率误差），其余区间置为0，按此方法，每个场景均包含一组二进制数，由此确定风电输出、光伏输出及居民、工业、商业负荷需求的功率误差被选中的概率区间，如式（2）所示。紧接着计算每个场景的概率，并将场景概率标准化，分别如式（3）、式（4）所示。
其中，WxX,t,s、WyY,t,s、WlD,Z,t,s分别表示场景s下t时刻第x个风电功率误差区间、第y个光伏功率误差区间和第Z个节点第l个负荷需求功率误差区间的选中情况；D=1,2,3表示第几类负荷。
其中，ω为每一个场景s的可能发生概率；αx,t、αy,t、αl,Z,t分别为场景s下t时刻第x个风电功率误差区间、第y个光伏功率误差区间、第Z个节点第l个负荷需求功率误差区间的概率。
其中，Pr为每个场景下的标准化概率。
第二阶段，对已生成的大规模场景进行缩减，得到满足计算复杂度的缩减场景。
目前常用的场景缩减方法是启发式同步回代缩减方法，其基本原则是使缩减前后场景集合之间的概率距离最小，在大规模场景下用此方法效率较低。为此本文提出采用K-均值聚类的方法对场景进行聚类，采用距离作为相似性的评价指标，将聚类后的K个质心作为保留场景，该方法简单易行，速度快，效率高，且能保证缩减后场景的多样性。
用ξs(s=1,2，…，Ns）表示缩减前的Ns个不同场景，对应场景标准化概率为Pr(s），假设目标场景数为Ms，场景缩减的具体步骤如下。
(1）随机选取Ms个场景作为质心，质心场景的集合为HCenter={ξsCenter}（s=1,2，…，Ms）。
(2）根据质心集合，可以确立剩余场景集合为HMember={ξs′Member}（s′=1,2，…，Ns-Ms）。分别计算剩余场景到质心场景的场景距离：
其中，s=1,2，…，Ms;s′=1,2，…，Ns-Ms。
(3）根据由DTs,s′组成的距离矩阵，将剩余场景归类到距离最近的质心。此次聚类后的聚类集合为HCluster={Ci}（i=1,2，…，Ms），其中Ci表示同类中的场景集合。
(4）质心计算方法：假设某个聚类Ci中有L个场景，计算每个场景与其他场景的距离之和。选取CTk=min(CTs）的场景ξk为新的聚类中心。按上述方法重新确定质心集合。
(5）重复步骤（2)—(4），直到质心和聚类结果不再变化，场景缩减结束。每个场景的概率值即为该类中所有场景的概率之和。
3 DG规划的数学模型
3.1 目标函数
运行经济性和电压质量是衡量配电网的两项重要指标，本文以最大化DG年寿命周期收益率和电压分布改善率作为目标函数。
3.1.1 DG年寿命周期收益率
综合考虑了年均全寿命周期收益现值与年均全寿命周期成本现值。年寿命周期收益率在数值上等于DG投入运行后全寿命周期内获得的年均收入现值与年均投资费用现值之比。简化的年寿命周期成本包括DG初期投资、年运行维护费用、年直接停电损失费用、年购电成本；年寿命周期收益包括DG上网卖电年收入、年电价补贴收入和用户年售电收入[17]。
其中，Bp为年寿命周期收益；Cp为年寿命周期成本。
a.年寿命周期成本：
其中，Cg为DG的初期投资费用；r0为折现率；n为经济使用年限；Cm为DG年运行费用；Co为年直接停电损失费用；Cb为年购电成本；S为DG的装机容量；Cw为单位装机容量成本；λF为DG运行维护率；pk为平均售电价格；Nm为季节数，取4;dm为第m个季节的相应天数；Pr(s）为场景s的概率；lt,s为加入DG后配电网在场景s下t时刻的网损；Egm,s,t和Edm,s,t分别为并网DG在第m个季节场景s下t时刻的上网电量和自发自用电量；Efm,s,t为在第m个季节场景s下t时刻（配电网提供电源）的用电量；pg为政府补贴电价；pc为当地燃煤机组标杆上网电价；pb为第三方投资者的购电电价；λR为供电可靠率。
b.年寿命周期收益：
其中，Rs为DG年上网卖电量收入；Rg为年电价补贴收入；Rr为用户年售电收入。
3.1.2 电压分布改善率
系统接入DG后，由于馈线上的传输功率减小以及DG输出有功和无功的支持，各负荷节点处的电压被抬高，部分线路电流减小，使得系统的电压分布得到改善[18]。DG在配网中合理接入位置及容量配置将使得系统电压分布的改善作用大幅增加。定义电压分布改善率指标为：
其中，UPw为含DG时系统年电压指标；UPwo为不含DG时系统年电压指标。
加入多场景的电压指标计算公式如下：
其中，NXL为系统节点数；U′i为节点i的电压幅值，但只包括电压不越限时的情况，通常使用的电压范围是0.95～1.05p.u.[18];Li为节点i的负荷值；ki为节点i负荷的权重因子，该值将系统中各节点负荷重要程度量化，以体现系统中的负荷重要程度的不同。
3.2 约束条件
(1）节点潮流方程约束：
其中，Ui和Uj分别为节点i、j电压；PGi和QGi分别为节点i处电源的有功和无功出力；PLi和QLi分别为节点i处的有功和无功负荷；Gij和Bij为系统导纳；δij为节点电压相角差。
(2）节点电压约束：
其中，Ui为节点i的电压；Uimax和Uimin分别为节点的最大允许电压和最小允许电压。
(3）导线电流约束：
其中，Ii为第i条支路的电流；Iimax为第i条支路的最大允许电流。
(4）单个节点接入DG容量限制：
其中，PDG为每个节点接入DG的有功功率；PDGmax为每个节点允许接入DG最大有功功率。
(5)DG容量选择约束：
其中，δ为DG的容量渗透率；PDGk为第k个DG的出力；PLw为节点w的负荷；Ωg为DG接入的节点集；ΩL为配电网负荷节点集。若容量渗透率极限过高，将可能引发电压调节和继电保护的很多问题[19]，因此应该将DG的渗透率限定在一个较为合理的范围内。
4 基于复合微分进化算法的多目标规划
4.1 多目标复合微分进化算法
对于一些复杂的优化问题，目标函数不连续、不可微，还可能存在大量的局部极值点，传统经典算法要找出全局最优点非常困难[20]，而复合微分进化CDE(Compound Differential Evolution）算法在全局优化方面有明显优势。CDE算法主要通过个体排序、种群分割、按不同的变异策略进化及种群重组这几个步骤来兼顾收敛速度和个体多样性[20]。CDE算法在继承微分进化DE(Differential Evolution）算法易于使用、鲁棒性强和全局搜索能力好等优点的同时，又能有效地解决DE存在的种群进化过程中收敛速度和个体多样性之间存在的矛盾。
在CDE算法的基础上，引入Pareto非劣等级和拥挤距离排序等操作，提出了非劣排序复合微分进化NSCDE(Non-dominated Sorting Compound Differentia Evolution）算法，该算法将Pareto非劣排序操作与CDE算法有机融合，并对个体间的拥挤距离计算进行改进以克服搜索不均的问题。该算法使解具有多样性，计算速度快，且不容易早熟，在多个测试问题上表现出的搜索性能优于其他多目标算法。
4.2 多目标总体最优解决策
通过多目标优化算法可求得一系列Pareto最优解，实际应用时通常还须从中决策出最终实施方案。为此本文提出基于最短归一化距离的多目标总体最优解决策方法。针对本文研究的多目标规划问题，可首先根据最终得到的Pareto最优前沿确定出在满足所有约束条件下年寿命周期收益率JBC和电压分布改善率JUP的上下限，然后构造如式（17）所示的模糊隶属度函数[22]对各非劣解对应JBC和JUP两目标的满意度hBC和hUP在[0,1]区间内进行量化评估（当为0或1时分别代表对某个目标函数值完全不满意或完全满意）。
这样可将各非劣解映射到一个归一化的多目标满意度空间中，该空间各坐标轴范围均为[0,1]；在此空间中可定出一个假想的使所有目标都达到最优的虚拟理想解B，它的位置坐标为（1,1）；然后分别计算出各非劣解映射在多目标满意度空间中的位置与B之间的距离，并进行相互比较；其中与B距离最短的非劣解最接近理想解，其总体满意度最高，因此可将其确定为总体最优解，便可从Pareto最优解集中自动决策出一个最佳方案以供实施。基于最短归一化距离的总体最优解决策方法的示意图如图6所示。
综合上述过程，本文采用的基于NSCDE算法的多目标DG规划流程如图7所示，图中niter、nitermax分别表示当前迭代次数和最大迭代次数。
5 算例研究
5.1 参数设置说明
本文按照上述模型和算法，对典型IEEE 33节点系统进行DG位置和容量的规划。根据该地区的负荷特点，对各节点的负荷类型进行如下假设：节点2—10为商业负荷，节点11—25为居民负荷，节点26—33为工业负荷。根据实地考察，风电的待选安装节点为5、9、15、16、17、21、25、28、31、33，光伏的待选安装节点为3、6、10、17、18、22、23、28、29、31。本算例中的配电系统结构及线路参数来自文献[23]，如图8所示。
假设在4个节点安装风电和光伏，风电投资成本为1.3×104元/kW，光伏投资成本为4.55×10元/kW，设备寿命周期为25 a，折现率为8%，光伏上网电价为0.95元/（kW·h），风电上网电价为0.61元/（kW·h），政府补贴为0.25元/（kW·h),DG运行维护率是0.03，平均售电价格为0.65元/（kW·h),DG在电网中的最大渗透率不得超过全网负荷的30%。本算例中风电出力、光伏出力以及各类负荷需求在春夏秋冬四季的日典型数据来自文献[8,9]，采用本文方法随机生成500个场景，再通过K-均值聚类方法缩减成10个场景并分别得到各场景的概率。以春季的风电出力为例，其生成的10个场景的概率如表1所示。本算例中NSCDE算法选取交叉概率为0.6，变异尺度因子为0.3，种群分割比为1∶1。
5.2 结果分析
为验证K-均值聚类方法对场景缩减的有效性，将生成的500个场景通过K-均值聚类方法缩减为40个场景，并以春季时风电在05:00、10:00、15:00、20:00这4个时刻的出力为代表，刻画出力分布图，如图9所示（图中出力为标幺值）。由图可知，通过场景生成，并经由K-均值聚类法缩减后，这4个时刻的功率分布基本服从以各自时刻出力值为均值的正态分布，数据能够较好地保持场景的多样性。
为说明随机场景生成的有效性，以春季光伏出力为例，所生成的10个场景出力曲线与历史典型出力曲线对比关系见图10（图中出力为标幺值）。可见所生成的不同场景具有较好的代表性，能够较全面地反映光伏出力在一定区间范围内的随机特性。限于篇幅，其他典型场景与生成场景的曲线对比不再列出。
在加入时序特性的基础上，考虑多场景和不含多场景2种模式，程序运行1 000代，得到的Pareto前沿见图11。由图可看出，是否考虑多场景，Pareto前沿存在明显差异，对DG规划有较大的影响。在进行多场景分析后，由于充分考虑了DG出力及负荷需求的不确定性影响，使得在同样的DG年寿命周期收益率情况下，系统电压分布改善率得到一定提高。这是由于考虑了不确定性影响，增大了风光出力之间的互补概率及DG发电与负荷需求之间的匹配概率，这进一步说明了考虑多场景分析的重要性。
表2列出了考虑多场景时序特性模式下的部分Pareto最优解，其中方案3为采用基于最短归一化距离法得出的Pareto最优解。
随着风电和光伏的配比及容量和位置的变化DG年寿命周期收益率JBC和电压分布改善率JUP发生改变，年寿命周期收益越大，年寿命周期成本越小，即JBC越大，取值越优；JUP为加入DG后电压分布改善率指标，其值越大越优。由于JBC与JUP存在一定的矛盾性，同时使得这2个目标函数达到最优的可能性很小。因此在实际的DG规划中，决策者可根据自己的偏好并结合实际情况进行有效合理的选取从表2中可明显看出，随着风力发电机数量的增加即光伏发电机数量的减少，JBC值不断增加，这主要是由于风力发电机目前的造价较低，而光伏发电机的造价较高，多安装风力发电机能降低投资商的投资成本，提高收益；而随着风力发电机数量的减少，即光伏发电机数量的增加，JUP值不断增加，这主要是由于风光互补后，出力时序曲线与负荷时序曲线达到较好的匹配效果，更有利于改善系统的电压分布。
因此，若在资金较为充裕的情况下，可以以提高电压分布改善率为主，适当地增加光伏发电机的安装数量，以改善系统的电压分布；若在资金有限的情况下，可以以提高年寿命周期收益率为主，适当地增加风力发电机的安装数量，以降低年寿命周期成本，提高年寿命周期收益。若规划者没有特别的偏好，可根据基于最短归一化距离法进行多目标总体最优解决策。
表3为时序和多场景均不考虑、仅考虑时序不考虑多场景以及时序和多场景均考虑3种模式下所得到的多目标DG规划总体最优解。第一种模式下不考虑出力时序波动特性，将风电和光伏的出力简化为恒定输出，这无疑是不切合实际的，此时2类DG在JUP上体现不出区别，导致投资成本较低的风力发电机成为最优选择，尽管得到的方案具有较大的收益率JBC，但缺乏合理性。在考虑时序特性的基础上，是否加入场景分析法，对于规划结果也有较大影响。加入场景分析法，考虑了在时序基础上的不确定性，能更好地反映出实际。从表3中可看出，采用本文所提出的多场景时序特性分析方法，所得到的总体最优解在JBC和JUP两方面均有改善。
6 结论
本文在考虑负荷和出力的时序特性的基础上，加入K-均值聚类多场景分析法，以年寿命周期收益率和电压分布改善率作为目标函数，采用多目标CDE算法求解该规划问题。主要结论如下。
首先，加入多场景时序特性十分必要，这样能更真实地反映实际情况。时序特性能体现光伏和风力发电各自随自然条件的变化规律及负荷需求的变化趋势，而多场景则在其基础上考虑了同一季节每日间的不确定差异性，从而达到更为准确的规划效果。
其次，采用多目标算法能够对不同的目标函数进行协调，避免函数之间的冲突。根据实际情况，决策者能够有方向性地进行有效合理的规划。
多场景规划 第2篇
关键词： 多波段红外场景仿真； 数字微镜器件（DMD）； 关键技术
中图分类号： O 439文献标志码： Adoi： 10.3969/j.issn.10055630.2014.06.012
引言随着红外成像制导武器的发展，单一波段的红外场景仿真系统已经不能满足需求，为了更好地测试和评估红外制导武器系统跟踪性能，在室内建立一个动态的多波段红外场景仿真系统就显得尤为重要。同采用LCD、CRT或二极管阵列的红外场景仿真系统相比，基于数字微镜器件（DMD）多波段红外场景仿真系统以其高帧频、高空间频率、灰度等级高、均匀性好等优势，在红外场景仿真系统的研究中受到重点关注。其基本原理是照明光源通过准直光学系统均匀照明DMD，图像生成部分将生成的数字图像传输到DMD，通过DMD驱动电路驱动数字微镜器件偏转，以此来达到调制入射到DMD的辐射，产生红外图像，生成的红外图像通过投影光学系统投影到被测系统的入瞳处，使得被测系统接收到的红外图像与真实目标产生的红外辐射一致，以此来评测被测系统的性能[1]。由于此系统在国内的研究起步较晚，依然存在一系列难点以及需要解决的问题，如黑体光源最优温度的确定，DMD光学窗口的更换，多波段系统光路的光学设计等。1红外光源的选择及最优温度确定
1.1光源的选择在红外场景仿真系统中，光源的性能会影响系统的测试性能，不同仿真波段的系统应该选择不同的光源，并且要求其具有较高的温度稳定性、空间辐射均匀性及光能利用率。黑体具有电磁辐射效率高、温度控制精度好及良好的均匀性的特点，能均匀照射DMD芯片，因此，黑体是红外场景仿真系统的最佳光源[2]。其他可做红外光源的还有高温热源及其红外激光，但是都有其明显的不足。
1.2黑体辐射理论黑体，又称绝对黑体，是一种理想化的物体，其能够吸收外来的全部电磁辐射与透射，并且不会有任何的反射与透射，即黑体对任何波长的电磁波吸收率为1，而透射率为0，在吸收外来电磁辐射的同时，它还对外发射电磁辐射。根据普朗克定律[3]，黑体的光谱辐射度M与黑体表面的绝对温度T及其波长λ有如下关系M=c1λ5·expc2λT-1-1（1）式中，c1、c2为辐射常数，c1=3.741 8×10-16 W·m2，c2=1.438 8×10-2 m·K。黑体光源的温度范围以被测导引头的探测灵敏阈和其动态范围为依据来确定。黑体的最低温度对应探测器的灵敏阈，最高温度对应探测器的饱和辐照度[4]。
光学仪器第36卷
第6期胡文刚，等：基于DMD多波段动态红外场景仿真系统的关键技术研究
1.3黑体温度计算在动态红外场景仿真系统中，辐射光源发出的红外辐射必须经历几个部分才能最终到达探测系统，辐射从黑体出发，经DMD窗口到达DMD表面，经DMD表面反射到投影系统，经投影系统的吸收最终到达被测系统，在整个过程中黑体的发射率ε、DMD窗口的透过率τDMD、DMD表面的反射率η、DMD微镜的衍射以及投影光学系统的透过系数τl等因素会对到达探测系统的红外辐射产生影响，即Mo=Mi·gD·τl（2）式中，Mi为黑体发射出来的总辐射度，Mo为到达红外探测器的总辐射度，τl为投影系统的透过系数，gD为DMD的能量传递系数gD=τ2DMD·η·（1-δD）（3）式中，τDMD为DMD窗口的透过率，η为DMD表面的反射率，δD为DMD微镜的衍射效应。由式（1）、（2）、（3）即可计算黑体光源的温度范围及最优温度。
2DMD窗口更换技术在对DMD光学窗口更换过程中，涉及两个过程：（1）红外DMD光学窗口材料选择；（2）DMD光学窗口封装。
2.1窗口材料的选择根据红外场景仿真系统的工作环境及使用条件，用于红外DMD光学窗口材料必须满足以下几点条件[5]：（1）高透过率：DMD芯片作为反射式元件，红外DMD光学窗口在相应的红外波段必须具有较高的透过率[6]；（2）低折射率温度系数：光学材料的折射率随温度的变化率（dn/dT）即为折射率温度系数，红外光学材料的折射率温度系数较一般的可见光学材料高，如普通BK7玻璃的可见光折射率温度系数约为3×10-6/℃，锗玻璃的折射率温度系数约为3×10-3/℃为普通玻璃的1 000倍，红外光学窗口工作在高温下，必须能经受高温变化引起的折射率变化影响，所以在红外波段的折射率温度系数必须尽可能的小；（3）较强抗腐蚀和氧化能力：DMD光学窗口有一面暴露在空气中，必须对空气中的各种气体的腐蚀与氧化有很强的抵抗力，防止光窗腐蚀掉落影响成像质量；（4）其它条件：低热膨胀系数、高硬度、高强度、高熔点等。市场上出售的DMD芯片主要应用于投影仪等仪器上，其光学窗口透过波段为紫外光、可见光及近红外波段[3]，图1所示为型号0.7″XGA DMD芯片。
将此型号DMD光学窗口拆下，采用FRONTILOptica100型红外傅里叶光谱仪，测试此光学窗口的透过率曲线，如图2所示，从图2可以看出，在0.26～2.6 μm波段，此光学窗口的平均透过率为80%，最大透过率为95%以上，在2.6～5 μm，其平均透过率不足20%，对于中、长波等波段的红外场景仿真应用，需要使用在中、长红外波段透过率高的光学窗口，故原有窗口不能满足中、长波的红外场景仿真系统的需求，必须对DMD芯片进行光学窗口的更换。目前，国内外使用较多的红外光学材料有：锗、硅、氟化镁、氟化钙、硫化锌、硒化锌、蓝宝石（Al2O3）等，这些材料的性质各不相同，适用于不同波段的红外场景仿真系统[6]。作为红外DMD的窗口材料，综合考虑，适合中波红外场景仿真系统的DMD窗口材料：硅、氟化镁、氟化钙；适合中、长波红外的双波段窗口材料：硒化锌；适合可见光至长波红外的多波段复合场景仿真系统窗口材料：硫化锌。
2.2DMD窗口封装技术光学窗口的封装一般是指将光窗与金属或者其它材料进行封接，在封装以后必须满足将内部器件隔离，免受大气中气体的氧化以及水蒸气的腐蚀[6]。DMD光学窗口封装技术，除需满足一般封装技术的要求外，还必须考虑到DMD芯片的特性。DMD是一种精密的反射式空间光调制器，如型号为0.7″XGA DMD的DMD芯片微镜片的尺寸为12.68 μm×12.68 μm，如此小的微镜片，任何微小的影响都会对其造成严重的损害，从而影响DMD芯片的性能，所以在DMD光学窗口封装过程中，还必须考虑到温度、压力、振动、空气氧化以及静电等的影响。目前，根据实际要求，适合DMD光学窗口封装技术一般有粘合剂封装、玻璃焊料封装和高温熔封。对于可见光至长波红外的多波段复合场景仿真系统来说，考虑多波段需求，窗口材料选取为硫化锌，由于硫化锌的较低熔点等，可以采用粘合剂封装方法。3多波段光学系统的光路设计目前基于DMD红外场景仿真系统通常仅针对3～5 μm中波红外的单一波段，而8～12 μm长波红外的红外仿真系统多采用LCD芯片，这是因为DMD的微镜尺寸为12.68 μm，与8～12 μm长波红外波长相近，所以衍射现象明显；同时复杂背景下的红外辐射特征并不是单一波段的场景仿真系统所能提供的。因此，基于DMD的多波段红外场景仿真系统需要对光学系统进行优化设计以满足多波段需求，这其中涉及系统整体光路设计以及投影光路设计。
3.1系统整体光路设计通常红外场景仿真系统都采用透射式光学系统[7]，考虑到多波段需求及系统成本，本系统将采用反射式结构，如图3所示，为该系统的整体光路结构以及投影系统的初步设计，利用4片半反半透镜，将光源发出的辐射反射到投影系统中去，经投影系统汇聚出来，再经过2个全反射镜反射到探测器的入瞳，该反射式光学系统能够有效降低像差、热差等对系统的影响[8]。
3.2投影光路的设计投影系统采用4片透镜形式，如图4所示为其光学系统。以国产某型号红外热像仪为例，仿真系统工作在可见光、1～3 μm、3～5 μm和8～12 μm波段，出瞳直径为100 mm，应大于被测试对象的入瞳直径[9]，全视场角为10°，系统焦距为117 mm，F数为1.3。系统选用0.7″XGA（1 024×768）格式DMD芯片，其尺寸为14.22 mm×10.67 mm，入射光线以与DMD基底法线夹角为24°角入射时，要使投影光路不影响光线照射DMD芯片的全部微镜片，投影光路与DMD芯片距离应不小于20 mm。为了避免杂散光进入被测系统，投影光路最后一面距被测系统不应太远，取100 mm。由以上分析可初步确定出投影光路指标：工作波段为可见光、1～3 μm、3～5 μm和8～12 μm；出瞳直径为100 mm；全视场角为10°；焦距为117 mm；F数为1.3；入瞳距离为40 mm；后工作距离为110 mm。4结论本文通过对基于DMD多波段红外场景仿真系统的研究，分析了其存在的几个关键技术难点，即红外光源的选择及温度范围确定、DMD窗口更换技术、多波段光学系统的光路设计问题，分别对这几个难点提出了相应的解决方案。不过仍然存在很多不足之处，例如：黑体光源温度计算中没有进行误差分析；在DMD窗口更换技术中，没有对更换后的DMD芯片进行完好性检测；在整体光学系统设计中，没有考虑到热差对整个系统的影响；在投影光学系统的设计当中，没有进行相差分析。这些都是在今后工作中需要进一步研究的。
参考文献：
[1]陈二柱.DMD动态红外景象投影技术[J].红外，2004（2）：2831.
[2]王云萍，赵长明.基于DMD的动态红外景象仿真系统[J].红外与激光工程，2009，38（6）：967969.
[3]JACOBS P A.Thermal infrared characterization of ground targets and backgrounds[M].Washington：SPIE Optical Engineering Press，1996.
[4]常虹.基于DMD的双手红外成像制导仿真系统研究[D].哈尔滨：哈尔滨工业大学，2006.
[5]黄占杰.中红外导流罩及窗口材料的发展趋势[J].材料导报，1998，12（3）：3032.
[6]李成涛，沈卓身.光电光窗的封接技术[J].半导体技术，2008，33（2）：102103.
[7]耿康.基于DMD的红外仿真光学系统设计[J].光学仪器，2010，32（4）：2528.
[8]李林.应用光学[M].4版.北京：北京理工大学出版社，2010.
多场景规划 第3篇
1 应用场景分析
多载波策略其最主要应用场景在于实现容量增加, 但同时由于1) 基本载波与叠加载波间的频点间隔和弱相关性[1];2) 局部载波扩容中叠加载波良好的信噪比 (Ec/Io) 特性[1]。由此衍生了新的应用:
(1) 对于单载波系统, 由于手机或UIM卡内的优选频点设置, 不能通过改频点实现干扰躲避, 但对于连续等量载波扩容, 由于载波间的频点间隔和弱相关性, 可以有效避开窄带强干扰;较大程度降低用户的不良语音感知, 为干扰源的查找赢得时间。
(2) 对于局部载波扩容特别是单小区的载波扩容中, 由于叠加载波的导频数量远小于基本载波, 降低了小区间的自干扰程度, 因此具有较基本载波好得多的信噪比特性, 也因此衍生了其除扩容外的诸多应用, 如导频污染解决、边界硬切换优化等。
2 多载波策略应用实践——强外部窄带上行干扰躲避
2.1 干扰概况
2010年6月28日18点开始开始, 市区延安北路周围2km内的基站均不同程度受到了强外部上行干扰, 最为严重的延北基站上行RSSI被抬升了60dB, 掉话率急剧恶化, 现场测试看几乎无法拨打电话。上行RSSI受干扰小区分布如图1所示。
受干扰小区统计指标 (取2010-6-28晚忙时19:00-20:00) 如表1。
从华为网管跟踪的延北基站1扇区主集和分集上行RSSI抬升情况如图2和图3, 判断为为窄带干扰。
中心小组组织了现场干扰源查找, 但是无法找到干扰源, 考虑短期内无法解决干扰, 同时影响范围较大, 用户密集, 因此中心小组于29日启动了载波扩容干扰躲避应急预案。
2.2 干扰躲避载波扩容设置
1) 载波扩容:华为的CDMA基站硬件在不降功率下可以支持4载波, 进行网管参数载波开启 (华为BSS设备采用载波池概念, BSC内的载波数量不能大于License允许最大载波数) , 将干扰小区开启干扰躲避载波扩容, 并将干扰区域周围一圈基站开启过渡带载波扩容, 新增载波均为201的1x载波;扩容情况如图4。
2) 初始态、空闲态和接入态优化设置:由于UIM卡内优选频点均为283, 同时下行未发现明显干扰, 为使用户开机可以正常进入网络, 不关闭283载波[3], 因此将283载波SyncChannel中的CDMA_FREQ设置为201, 使得MS在时钟同步后即跳转至201载波的寻呼信道;为使得空闲态MS可以平滑空闲切换, 业务态不受强干扰影响[2], 我们对空闲态和接入态 (业务态) 优化设置如表2。
切换态优化:具体邻区关系如下表 (其中灰色为业务态) , 过渡扩容区域边缘则双向启用MS辅助硬切换 (201←→283)
修改后, 实现了空闲态和业务态的平滑切换。
实施干扰躲避方案后期间 (取6月30日晚忙时) 市区的指标如表4。
从指标上看良好的实现了干扰躲避, 同时明显改善了网络质量, 有效降低了用户的投诉, 为干扰源的查找赢得了等多的时间。强干扰源于7月2日方被查找到并关闭。
3 总结
通过对公共控制信道容量分析, 对于用户数小于20万的LAC分区内的载波扩容[4], 单个接入信道和寻呼信道设置可以支持等量连续3载波扩容 (即叠加2个载波) , 这样可以实现空闲态的平滑切换, 同时有效避免碎化高速SCH的WalshCode树, 提高1x数据速率。
采用对SyncChannel和PagingChannel中CCL的CDMA_FREQ的不同设置组合, 并利用载波扩容中的频点间隔弱相关性和叠加载波的良好信噪比特性, 可以衍生出除扩容外的更多应用, 如干扰躲避、导频污染躲避、华为的HTC和HDC解决方案[5]等。这些需要我们在网络优化过程中加以研究和应用, 从而更为有效地解决单载波系统中无法解决的网络难题。
摘要：随着用户的增长, 载波扩容成为了有效且必须的手段, 该文在通过对CDMA的多载波的应用场景进行分析后, 对多载波扩容后窄带干扰躲避的进行了具体的应用分析。
关键词：CDMA,扩容,多载波,硬切换,干扰
参考文献
[1]3GPP2 C.S005-0 Version 3.0, Upper Layer (Layer3) Signaling Standard for cdma2000 Spread Spectrum Systems, 2000.6.15.
[2]许锐.CDMA网中硬切换的解决方案[J].电信技术, 2003, 12.
[3]冯渊, 赵琳.CDMA系统中硬切换技术的研究[J].移动通信, 2004, 3.
[4]Vijay K.Garg.第三代移动通信系统原理与工程设计IS-95 CDMA和cdma2000[M].于鹏, 白春霞, 译.北京:电子工业出版社, 2001.
多场景规划 第4篇
近年来, 分布式发电技术(Distributed Generation, DG) 发展迅猛。大量分布式电源接入使配电网由传统单电源、辐射状结构变为多电源的复杂结构。而分布式电源的灵活并网可以有效地降低网络损耗,提高电网电压的调整能力,同时也可以减少输电线路投资,弥补大电网安全稳定性的不足。风力发电作为分布式发电的一种主要形式,具有储量大、分布广、环境友好等优点。目前大多数风电机组采用恒定功率因数控制方式[1,2],所以含风电的配电网无功优化问题并没有考虑风电机组的无功输出能力[3,4],随着风力发电技术控制方式和并网技术的日趋成熟,也有学者将风电机组输出无功能力和传统的电容器无功补偿方式相结合,共同参与到配电网的无功优化中,但是其无功输出范围都固定不变,无法反映风速随机性和不确定性对风电机组输出特性的影响[5,6]。
本文根据概率论方法和转子侧换流器最大电流限制条件,分析了风电机组有功无功输出特性,建立了不同场景下含有风电机组的配电网无功优化模型。同时,改进了细菌群体趋药性算法(Bacterial Colony Chemotaxis, BCC),融合微分进化算法,引入交叉变异算子,提高了全局搜索能力。利用改进的算法分析了多场景含风电机组的配电网无功优化问题。
1 风电机组不同场景下的输出特性
1.1 基于概率思想的风电机组有功输出特性
风电机组一般分为三种运行状态,即停机、欠额定运行、额定运行。根据图1 给出的风电机组输出有功与风速的关系曲线[7]可以看出,当风速小于风机切入风速(v <vi)或大于切出风速时(v ≥vo),风机为停机状态,即输出功率为零。当风机大于切入风速小于额定风速时(vi≤v <vn),风机运行在欠额定状态下。当风机在额定风速与切出风速之间时(vn≤v <vo),风机运行在额定状态下,即输出功率为风机的额定功率。
由于风速决定着风机的运行状态,通过不同的风速范围,划分多个无功优化场景。根据风速的分布概率,计算各场景发生的概率。本文采用风速v服从Weibull分布[8]
其中:c为尺度参数;k为形状参数,一般利用实际风速的历史数据通过最小二乘法获得。
根据已知的风速分布情况,可以获得风电机组运行在停机、欠额定运行、额定运行三种状态下的概率。
(1) 停机状态
(2) 额定运行状态
(3) 欠额定运行状态
按照一种场景计算,将欠额定运行状态看做一个场景。
按照多种场景计算,把欠额定运行状态分为m个场景(vi, v1), (v1, v2)……(vm-1,vn), 其中vi≤v1≤v2……≤vm-1≤vn。
欠额定运行状态的有功输出可利用此状态下的多个场景求期望[9]
式中:p2i为欠额定状态的第i个场景发生的概率;Pi为第i个场景时,风电机组的有功输出功率的平均值。
利用多个场景求期望的思想可以简化实际风速的波动对风机出力的影响,改善了不确定性对配电网无功优化的影响。
1.2 基于换流器容量的风电机组无功输出范围
不仅风电机组的有功出力随着风速变化,风电机组无功的输出范围也受风速的影响。对于双馈感应发电机(Doubly-fed Induction Generator, DFIG),文献[10-11]都已证明了基于转子换流器容量考虑的转子最大电流小于基于定子绕组极限考虑的转子最大电流,所以按照考虑转子换流器容量转子最大电流计算无功功率范围。
DFIG的定子侧输出最大有功为Psmax,则转子侧换流器设计容量应满足最大转差功率的需要:
其中,smax为定子输出功率最大时对应的转差。
转子侧换流器向定子侧提供励磁功率和无功功率[12],忽略定子、转子的漏抗,则
式中:Qr为转子传至气隙的无功功率;Qs为由气隙传至定子的无功功率;Qe=3XmIm2,为气隙的励磁功率,令X1=Xm+Xsσ,X2=Xm+Xrσ,忽略定子电阻和定子漏抗,Xm≈X1,则
通过调节转子的励磁,可以控制定子侧输出的无功功率。根据DFIG的等效电路基本方程,DFIG定子输出功率与转子电压、电流关系方程[13],不考虑定子转子的电阻和漏抗,得到
当Ps=Psmax时,Qs=0 ,所以Qr= -Qe,则换流器的最小容量为
根据式(11)推出转子最大电流值为
根据式(11)、式(13)得到定子无功功率的范围:
根据以上分析,可以得到不同场景下DFIG所能提供的无功功率的极限范围,当输出的有功功率越大时,无功功率的调节范围越小,所以,欠功率运行状态下要比额定运行状态下的无功调节范围更大。
2 配电网无功优化数学模型
2.1 目标函数
考虑到配电网的经济效益和安全运行两方面问题,选用配电网有功网损最小和电压越限惩罚为目标函数[14]
其中:;nL为支路数;Uj、Pj、Qj分别为支路j始端节点电压、支路j流过的有功功率、无功功率;λ为电压越限惩罚因子,文中λ取值为1。
式中:Vimax,Vimin分别为节点电压Vi的上限和下限,文中分别取为1.02和0.98。
2.2 约束条件
a. 潮流方程约束
式中:N为节点总数;Pi、Qi为节点i的注入有功功率和无功功率;Gij、Bij、θ 分别为节点i、j之间的支路电导、支路电纳和节点电压相角差。
b. 变量约束
控制变量约束条件有
状态变量约束条件有
式中:QCj为补偿点j的无功补偿量;Tkj为当前有载调压变压器档位位置;ULj为节点j的电压;ILj为支路j的电流;NC表示系统中的无功补偿节点数; NT表示有载调压变压器档位;QCjmin、QCjmax为j节点可投切电容容量上下限;Tkmin、Tkmax为有载调压变压器档位上下限。
3 改进的BCC优化算法
配电网无功优化是一个多变量、多约束条件、多极值点的大规模混合非线性规划问题。综合考虑计算的快速性和准确性,本文选用改进的BCC算法进行求解。
BCC算法是在化学诱导剂作用下,利用单个细菌感受周围环境的趋化过程和一定范围内细菌群体的信息交换的感知过程的共同作用, 来寻找最优值。
为保证搜索精度的前提下提高搜索速度,本文引入计算精度的自适应调整策略,计算精度随着迭代次数的增加阶梯形递增。在寻优初期减小精度,加快搜索速度,寻优后期,提高搜索精度,保证全局搜索的高精度。为了防止算法陷入早熟,采取了感知范围的自适应调整策略。当细菌群体的聚集程度过高时,扩大细菌的感知范围,防止其陷入早熟,而无法获得全局最优解[15]。
受到微分进化算法[16]中变异交叉操作的启发,在BCC算法的基础上引入微分进化算子[17],细菌群体在每次迭代时,会增加一个新的待选位置
其中:r1, r2∈(1, 2, L, n) 是随机整数,且r1≠r2;是细菌i在之前迭代过程中的最优位置点,为迭代到第k步时细菌群中两个随机选取的细菌位置。F为比例因数,一般在[0,2]之间取值,本文采用参数F随迭代次数动态调整的控制策略
式中:Fmax、Fmin分别为比例因数F的最大值和最小值;λmax、λ分别为最大迭代次数和当前的迭代次数。
由于是一对不受感知范围限由矢量,因此产生的新位置有较高的随机性,通过引入微分进化算子可以有效地降低细菌群的聚集程度,提高种群的多样性,从而改善全局搜索的能力,改进后的BCC算法流程框图见图2。
4 算例分析
考虑到风电机组的接入,如图3 所示,对IEEE33节点[18,19]辐射状配电网系统适当地改进,在首端加入有载调压变压器,其电压标幺值的范围在0.9~1.1,总共上下±8 个档位,步进量为1.25%。在6 节点和31 节点处分别加入并联补偿电容器,其容量分别为150×4 kvar和150×7 kvar。在2 节点和13 节点并入1.5 MW的DFIG,无功出力容量跟随风速变化而变化。DFIG的具体参数额定有功功率Pn=1.5 MW ,额定视在功率Sn=1.5 / 0.9 MVA , 额定电压Un=690 V ,励磁电抗标幺值Xm*=2.9。风机切入风速为3 m/s,额定风速为11 m/s,切出风速为30m/s。Weibull分布参数c和k为8.5 和2.0。
本文选取10 个场景进行研究, 第1 个是停机状态,根据式(2)得出此场景发生的概率为0.117 1,风机此时没有输出,Ps=0 ,Qs=0 。欠功率运行状态的发生的概率为0.695 5,将此状态分为8 个场景,即第2~9 个场景,根据式(5)~式(7)得到各场景在该状态下发生的概率分别为0.117 2、0.134 9、0.143 7、0.143 8、0.136 8、0.124 3、0.108 4、0.090 9,由式(8)得到有功功率的期望值P =714.14 k W ,根据输出有功结合式(14),计算出无功输出范围(-2 186.7kvar,1 037.1 kvar)。第10 个场景是额定功率场景,根据式(3)得出此场景发生的概率为0.187 4,进一步得到无功输出范围(-1 501.2 kvar,351.7 kvar)。
利用改进BCC对算例进行优化分析, 分别计算了考虑风电机组无功调节作用和不考虑风电机组无功调节两种情况的配网无功优化,优化结果如表1、表2。
以欠功率状态为例,给出考虑风电机组无功调节特性和不考虑风电机组无功输出时的电压水平曲线对比图,如图4。
由表1 可以看出,分布式电源的接入可以有效地降低系统的网损。风电机组运行在额定功率状态比其他运行状态下系统的网损更低,并网点电压降落更少。通过对比表1、表2 和图4 可以看出,充分利用风电机组自身的无功输出容量,并使其参与配电网的无功调节,可以有效地降低系统的网损,提高各节点电压,减少无功补偿电容的投入组数,降低了配电网的投资成本。
5 结论
(1) 在考虑风电机组的无功输出的配网优化问题中,利用多个场景的风机运行状态的期望来衡量输出,可以减小风机出力的波动性对配电网无功优化的影响,简化风力发电机无功控制策略,避免无功补偿装置随风速频繁动作,增强风机接入配电系统无功优化适应性。
(2) 利用风电机组自身的无功调节特性,结合传统的电容器无功补偿方式进行配电网的无功优化,可以有效地降低系统的有功损耗,提高各节点电压,改善风电机组并网点电压的稳定性。同时可以减少无功补偿电容的投入组数,降低配电网的投资成本。
(3) 在整个配电系统中,不同位置的风机所受风速的不同对无功优化带来的影响,值得进一步研究。
摘要：研究了多场景下含风电机组的配电网无功优化问题。利用概率统计的思想解决了风电机组有功输出的不确定性问题,根据转子侧最大电流限制条件确立了风电机组无功输出范围。结合传统的电容器无功补偿方法,将风电机组作为连续可调无功源参与到配电网的无功优化。建立了以系统网损最小和节点电压越限惩罚为目标的无功优化模型。算例表明不同场景下的风电机组参与配电网无功优化可有效地降低系统的网损,提高各节点电压,同时,增强配电系统受风速影响的适应性。
WCDMA无线网特殊场景覆盖规划 第5篇
影响无线覆盖的因素主要包括覆盖区无线环境和覆盖区内用户特性两个方面, 下面根据这两个方面的情况对常见的特殊场景进行分类描述。
1.1 城市商务区
该地区人口密集, 高端用户集中, 在经济和社会方面具有重大影响力。此类区域的网络质量不仅是技术问题, 更是关系到运营商总体形象和口碑的关键因素, 必须不惜代价做好。
城市商务区的楼宇都比较高大、密集且不规则, 容易造成覆盖盲点, 建筑物平均穿透损耗大, 同时存在写字楼、购物中心、高级宾馆、地下停车场等多种覆盖目标类型, 而且基站选址比较困难。区域内用户相对集中, 业务量高, 数据用户较多, 存在无法实施室内覆盖的高楼, 高层导频污染不易控制。
对于该区域的覆盖首先要控制好基站的覆盖范围, 尽量的避免相互的干扰。其次结合实地勘查, 统筹考虑室内、外覆盖, 前期重点解决室外覆盖和重要建筑物的室内覆盖, 中后期则考虑完善室外覆盖, 进一步深化解决室内覆盖。
室外覆盖采用单层网结构, 控制站高在25m~30m间, 尽量采用窄波束 (65度) 、中增益 (15-18d Bi) 天线, 有效控制覆盖, 突出主导频, 避免站间干扰。
室外覆盖解决不到或者解决不好的楼宇, 则考虑室内覆盖。另外对于容量需求不大的局部弱覆盖区域可采用微蜂窝或者RRU等手段进行补盲建设。对于没有建设室内分布系统的楼宇高层导频污染严重的区域, 可通过调整楼宇周围相关基站的天线放心和下倾角等优化手段来树立主导频方法解决。
1.2 密集居民区
密集居民区主要表现为集中、密集、人口多, 业务量大, 该类区域分布广泛, 数量众多, 市区的覆盖质量很大程度上与这类区域的室内外覆盖水平相关。
解决该区域的覆盖, 主要通过增加周围基站的密度, 并结合相应的室内覆盖加以解决, 基站选址方面尽量考虑物业、商业用楼宇作为参考对象, 需要考虑选择一些便于室外安装的基站和伪装、美化天线。
以某城市柯子岭区域情况举例。
该区域主要由广园中基站覆盖, 由于柯子岭村面积大、楼宇密集的特点, 广园中基站无法对整个村落实现完整覆盖。广园中基站三扇区话务量都比较高, 可见柯子岭村内部话务需求大。通过网络拨测, 柯子岭大部分区域信号均不够理想。区域内室外信号电平在-81d Bm~-88d Bm之间, 室内信号电平在-92d Bm~-104d Bm左右, 密集区域室内有脱网现象, 区域有大量覆盖类投诉。问题区域一:此区域距广园中一扇区只有200m左右, 楼宇高度相仿、楼距较小, 室外宏基站无法解决室内深度覆盖问题, 建议在此问题区域增加室外分布系统 (利用小基站布置室外分布系统) 。问题区域二:此区域面积不大, 可以在此问题区域新增大金钟路微蜂窝。问题区域三:此区域面积较大, 楼宇多且高度较高, 若增加室外分布系统将需要大量投资, 可以在此问题区域增加柯子岭宏基站, 合理选择站点位置, 解决该区域室内深度覆盖问题。
1.3 山区、丘陵地区
山区、丘陵地区业务量小, 信号易收地形影响被阻挡, 基站覆盖能力得不到有效利用, 容易形成较多的覆盖盲点, 该区域的网络建设需分情况采取不同的覆盖策略。
根据山区、丘陵地区的地貌特点, 利用地形阻隔实现有效的信号隔离, 避免相互干扰, 采用宏蜂窝为主站, 灵活运用直放站、RRU、塔放等手段延伸覆盖, 根据不同的地形覆盖需求采用不同的天线进行定向或者全向覆盖。
1.4 桥梁、高架、立交
该场景主要存在于各大城市中, 用户集中、流量大, 市场及品牌效应强, 属高级别覆盖区域。由于该类别区域无线环境特殊, 设置站点困难, 且需综合区域外无线网络覆盖进行统一布局, 为规划难点。
该类别区域用户成带状分布, 中高速移动, 而且存在车体损耗, 用户密集程度中等。区域内易出现导频混乱现象, 且需考虑桥下的信号覆盖。
以长江大桥为例, 大桥位于某大城市市内, 连结城市两大块重点区域, 横跨万里长江之上。该大桥是铁路、公路两用桥。经过现场勘察, 在大桥西引桥、西桥头堡、大桥中间、东桥头堡、东引桥选取了18个测试点, 测得大桥的平均海拔高度在60m左右。
经过预规划和现场勘查, 西岸相对东岸地势稍高, 我们选定了2个基站来覆盖大桥桥面, 在西岸拦江路设置望江花园基站, 桥面主要由此基站的第二扇区来覆盖, 在东岸中华路与自由路处设置金穗宾馆基站, 用此基站的第三扇区作为东岸部分正桥的覆盖。
考虑到东西岸基站分别归属于不同的RNC, 那么在大桥上的移动终端, 会在不同的RNC下的不同基站的扇区间切换, 因此在工程设计阶段, 要严格把控小区切换关系的设计。大桥信号收到干扰会往往会出现两种情况:当大桥上机动车密集, 会出现明显的快衰落现象, 如果功率控制效果降低, 此时信号的接收会受到更大的干扰;或者当江面存在镜面反射时, 会出现信号强与严重的色散现象并存的情况, 从而导致大桥上的信号强但质量差。基于以上两种特殊情况的存在, 需要解决大桥信号干扰的问题, 在工程建设阶段必须调整的关键因素有:干扰基站的天线高度、下倾角、方位角以及小区切换关系等手段。
1.5 体育场馆
城市体育场馆对于移动网络覆盖来说也是重要的需要特别规划的区域之一, 该区域具有内部宽阔, 用户量大, 随事件用户行为突发性强等特点, 考虑其用户行为的特殊性, 该区域的覆盖设计必须考虑以峰值情况下的容量需求为基础, 由于场馆室内容易实现视距传播覆盖, 而且对于覆盖距离的要求也很低, 因此对于峰值情况下的覆盖距离要求非常容易满足。因此该类区域网络规划更多的还是需要考虑容量负载因素。从已往规划来看, GSM网对该场馆的容量保证基本是以加配附加频点, 临时扩充附近基站载波, 另外根据不同需求配备相当数量的应急通信车来解决。WCDMA网络虽然单载频容量比其它网络要高, 但也可能会遇到单一载频无法满足实际容量需求的情况, 在这种情况下, 应考虑室内基站具备单机柜开多载频的能力, 以便在极端容量需求下, 可以启动多载频来满足需求, 考虑大型活动时, 用户对移动性要求相对比较低, 因此多载频硬切换问题影响比较低。
1.6 地铁、隧道等地下设施
目前, 在地铁和隧道等地下设施中存在两种覆盖信号源的方式, 即微蜂窝方式或者宏蜂窝加直放站方式。此种网络覆盖主要通过信号源加分布式天线系统的方式来实现, 原因是弯道多、环境封闭, 因此信号源则不同。而根据站厅、站台和隧道等覆盖区域的不同, 分布式天线系统可以采用同轴分布式天线系统、泄漏电缆等方式。
1.7 道路
该类区域主要是指高速公路、国道、铁路、省道等重要交通干线的覆盖, 其区域网络特性决定可选择多样覆盖方式的组合进行覆盖。
各交通干线的小区覆盖范围一般都比较大、话务量较小, 用户流动性很强, 手机使用率高, 网络品牌在该地区效应强烈。为了将投资实现最大化效益, 节能减排, 而且易于后期维护, 我们建议站点的设置尽量优化并少量化, 实现方法为加大覆盖范围, 采用天线高、发射功率大的基站, 再增设微蜂窝或直放站, 尤其在盲区和弯曲复杂地区。
该区域的用户以带状特性分布, 故交通干线的覆盖多采用双向小区。在穿过城镇、旅游点、三叉路等地区也可采用三向或全向小区。在网络拓扑结构上可考虑“菊花链”型连接, 以节省传输链路。在覆盖方式组合上可采用宏基站/微基站+直放站或者宏基站/微基站+光纤拉远的方式进行拉远式覆盖。
对切换参数的设置工作上, 要加大观察力度, 精心设置, 否则当用户在交通干线上高速移动行进时, 不能实现效果和效益最优化。同时, 要对汽车的穿透损耗造成的覆盖半径因素作出充分考虑。
无线网络的组网工作需要建立在全面的路测和充分的勘察的基础之上, 才能应对交通干线所经过的复杂多变的地形条件, 并且要注意密切观察, 灵活机动地进行调试和改进。
1.8 水域覆盖
水域覆盖的特点是无线信号的传播距离较远且形成的水面镜面反射较多, 造成水面信号杂散严重, 难已控制覆盖区域。
为明确对水面覆盖基站的覆盖主控区域, 对水面覆盖的3G基站选择须采取不同的设置, 从规划开始就需考虑水面因素, 再结合水面业务的实际情况, 通过后期的优化工作进行调整。
2 结论
以上对八种特殊场景的覆盖规划做了详细的描述和说明, 在实际网络规划中会碰到各式各样的具体场景, 需要根据实际无线环境情况做具体分析。另外, 对于2G/3G两网运营的WCDMA网, 完全可以通过GSM网的实际覆盖、用户分布、各自的链路预算、校正后的传播模型、网络优化等情况, 模拟出较接近实际情况的3G网络的覆盖预测。
摘要：由于WCDMA系统自身技术特点, 在一些特殊的无线环境或不同用户分布情况下会存在一些和2G不同的表现, 这是由于地形、地貌特征的不同以及用户分布的特性来决定的, 由于特殊区域的重要性, 特殊场景的覆盖规划就显得特别重要。本文对八种常见的特殊场景进行了覆盖规划的分类描述。
关键词：无线覆盖,特殊场景,覆盖规划
参考文献
[1]王有为.WCDMA特殊场景覆盖规划与优化.人民邮电出版社.
多场景规划 第6篇
风电的间歇性影响电网消纳平衡,准确的风电功率预测有助于将随机的风能转化为电网可调度能源。风速预测和风电转换是风电预测不确定性的主要影响因素。因此,有必要研究提高风电功率预测精度的关键技术［１－２］。
在物理预测方面,基于物理计算流体力学(CFD)的功率预测方法能全面反映风电场的流体分布,但求解连续运动方程运算量大、时效性差,难以应用于时效性高的风电功率预测［３］。目前组合预测多基于统计方法,具有“黑箱性”,难以从原理上进行分析,且尚无多CFD场景的组合预测研究［４－６］。文献[7]结合天气预报和地理数据对风电机组进行单机预测,并应用于巴西电网调度,但没有量化给出物理建模过程。文献[8-9]侧重粗糙度和地形变化的局地效应模拟,未考虑大气物理模型和功率曲线不确定性。
目前,国内外对基于物理方法的风电功率预测系统研究存在3个技术难题［１０－１２］:1如何应用有限的历史测风数据、数值天气预报(NWP)以及风电机组功率数据拟合功率曲线;2如何建立能准确反映风电场实际运行情况的物理模型;3如何集成物理和统计方法优点准确预测风电功率。功率曲线拟合方面,拟合方法是目前主要研究热点,但较少有文献深入研究功率曲线建模的前期数据处理。文献[13]分析了考虑NWP的风速和功率曲线不确定性估计模型,但没有给出具体的功率曲线修正方法。文献[14-15]分别应用插值多项式、S形曲线拟合功率曲线。文献[16]利用测风塔和风电机组功率数据建立了风电场等效功率曲线。综上,功率曲线拟合研究存在两点不足之处［１７］:1 均基于厂家给定或整场的单一功率曲线模型,不能准确反映风电场实时运行情况;2应用范围局限于基于测风塔数据,无法应用于无测风塔或测风塔代表性低的风电场。
本文针对物理CFD预测方面,提出一种离散化求解大气运动物理模型的方法,并考虑风轮推力系数建立自由和带有激盘模型的两种场景流场。针对功率曲线拟合方面,提出基于尾流修正风电机组测风数据的单机最优功率曲线迭代拟合算法,以贡献率为终止条件迭代剔除坏点得到最优功率曲线。通过以上两个方面,解决风速物理预测和风电功率曲线拟合方法中的不确定性问题。
1 风电功率预测系统组成
本文提出基于单机最优功率曲线拟合的多场景风电功率预测系统,该预测系统主要分为3 个模块:数据模块、建模模块和预测模块。其中,数据模块负责处理粗糙度、地理高程及历史(至少1 年)NWP、测风塔、风电机组测风和功率数据;建模模块负责建立CFD、尾流及功率曲线模型;预测模块首先利用组合加速比矩阵对NWP降尺度,其次,利用组合CFD模型计算尾流效应,调用CFD组合加速比矩阵得到各风电机组点位的预测风速和风向,再次,根据最优功率曲线计算单台风电机组的预测功率,最后,计算风电场的总输出功率,预测流程如图1所示。
2 风电场CFD流场模拟及风速预测
2.1 离散求解大气运动方程
本文给出了文献[18]提出的大气运动微分方程的离散求解方法。首先定义如下离散变量:
式中:Δx=Δy=ε,ε为空间步长;Δt为时间步长;i,j,k分别为x,y,z轴节点的序号;n为风电场计算区域节点的数量;u为风速的东西分量;v为风速的南北分量;p为气压;ω 为垂直速度;Φ 为海拔高度;T为大气温度。
对微分方程分别进行时间前向差分和空间后向差分,可得离散微分方程:
式中:R０为大气气体常数,取值287.05J/(kg·K);f０为科里奥利参数;cｐ为风能利用系数。
通过求解式(9)、式(10)得到式(6)、式(7)中ωni,j,k和Φni,j,k。假设风电场区域共有IJK=N个节点,其中I,J,K分别为x,y,z轴节点的数量。中尺度NWP提供边界层的风速、温度、海拔高度和垂直速度输入条件,为方便起见,将NWP提取的边界层数据转化成向量形式,记为。
为了保证计算稳定性,需恰当选取式(6)、式(7)中 Δt和ε。参数选择由系统计算稳定性决定。当Δt设定为10min时,ε应该不小于42.9km［１９］。
2.2 降尺度及建立风加速比矩阵
由于中尺度NWP分辨率不足,本文考虑地转偏向力将求解得到的中尺度大气模型数据动态降尺度,得到测风塔处预测风速,并建立由测风塔外推至各台风电机组风速的风加速比矩阵。基于物理模型求解的测风塔处预测风速为:
式中:ξnmast为测风塔处水平速度东西分量:为测风塔处水平速度南北分量;κ(i,j,k)为风速比例因子,本文定义为风加速比;ηni,j,k为高斯白噪声,且设定初始值为0;θ为地转偏向力导致的风向偏离自由流场的改变值[20];B为常数;z0为地表粗糙长度,按照地表植被覆盖程度根据经验确定;u*为摩擦速度。
进而,可以推导出测风塔处的地表风速ψｎｍａｓｔ为:
本文创新地将CFD通过加速比矩阵形式嵌入风电功率预测。其中,CFD组合加速比矩阵中的元素为求解基于雷诺平均的Navier-Stokes方程得到的一组从测风塔处风速和风向外推所有扇区各风电机组点位的比例值,通过式(21)得到。
式中:ψｊｋ为第k扇区第j台风电机组的风速值;Sｊｋ为第k扇区第j台机组的加速比。
为方便起见,将根据风速和扇区提取的数据转化成矩阵形式,记为:
式中:l为预测扇区的划分数量;h为风电机组的数量。
风电功率预测时直接调用加速比矩阵,推算各台风电机组未来15min的短期风速和风向预报,不需要重新计算Navier-Stokes方程,减少了预测计算量。
2.3 考虑风轮推力系数的多场景组合流场模拟
根据贝茨理论,气流流过旋转风轮后会产生诱导气流,导致速度变化。风电场实际运行时可能由于限电、检修等原因关停部分机组。关停的风电机组不会产生诱导气流,同时运行的各台风电机组产生的诱导气流强弱也不一致。故本文建立利用风轮推力系数表征的自由流场和带有激盘模型流场的两种场景风电场CFD模型。
反映风电场内风电机组运行产生的诱导气流对流场产生的推力系数CＴ为［２１］:
式中:a为风轮处的轴向诱导因子,反映风速流经旋转风轮后的风速衰减程度,可通过求解NavierStokes方程得到。
利用2.2节所述方法,建立两种场景下的风加速比矩阵。根据风电场实时风况和风电机组运行状态,建立如下权重模型:
式中:CTmax为风电场最大推力系数;Pforecast,1和Pforecast,2分别为自由流场和带激盘模型的流场计算得到的预测功率;Pforecast为风电场最终预测功率值。
3 基于尾流修正风电机组测风数据的迭代功率曲线拟合
3.1 拟合算法流程及特点
功率曲线是影响功率预测精度的主要误差源之一,本文提出利用风电机组自身机舱风速计数据的迭代拟合最优功率曲线方法。利用风电机组的数据采集与监控(SCADA)系统得到风电机组风速、风向和功率数据模拟单机功率曲线。通过尾流模型修正得到未经尾流影响风速［２２］,本文提出的最优功率曲线拟合方法如图2所示。
图中,λloop为算法迭代终止参数。首先,采用可变Bin方法[23]提取各Bin代表值。其次,利用五参数逻辑算法插值拟合功率曲线。最后,将得到的功率曲线分别上下、左右移动得到上下边界,迭代剔除坏点,以贡献率为终止条件,得到单机最优功率曲线。
3.2 基于风电机组测风数据的尾流修正
风电场中来流风经过各台风电机组时,前排的机组会产生尾流,影响下游机组功率输出,使其功率曲线发生改变,并使尾流内风速降低。常规Jensen模型没有考虑上游来风的湍流强度和流经控制体侧面边界的空气流量。本文采用改进的Jensen尾流模型计算风速的衰减值［２４］。
式中:v′为风电机组下游距离其x处尾流区的风速;v０为CFD计算得到的轮毂高度处上游来流风速度;β为修正系数,表示通过控制体侧边界流入控制体的气流比率;r０为风电机组叶轮半径;d为风电机组叶轮直径;k为尾流下降系数。
3.3 最优功率曲线拟合方法
3.3.1 Bin方法数据处理
风电机组在启动和低风速区域,由于采用发电机转矩控制实现最大风能捕获,会产生大量坏点,功率曲线散点分布区间较宽。达到额定风速后风电机组转换变桨距控制,机械部件惯量大,导致功率曲线散点分布区间变窄。因此,本文采用由宽到窄的Bin方法反映风电机组风速—功率散点分布特点。
采用可变Bin方法处理数据组,Bin的宽度为算法循环计算总迭代次数的倒数。
3.3.2 确定最优功率曲线边界
首先,左/右移动拟合的初始功率曲线获得最高和最低功率曲线限制。具体如下:将初始功率曲线分别向左/右移动 Δv直到满足式(28),其中 Δv为风速轴移动步长。
式中:m为算法循环计算迭代次数;τ 为贡献率,为功率曲线限制边界内部点数量与输入数据点数量的比值;μ偏移为常量,表示最优上/下功率曲线边界的风速阈值,本文设定为1%。
同理,将功率曲线上/下移动 ΔP,其中,ΔP为功率轴移动步长,设定为5kW,直到满足:
式中:χ偏移为常量,表示最优上/下功率曲线边界的功率阈值,设定为0.05%。
3.3.3 更新数据和终止迭代判定
最后一步是确定算法迭代的终止条件。如果满足式(30),则迭代停止,否则继续迭代计算。
式中:σｍ１０ｍｉｎ为10min标准差;λｌｏｏｐ设定为1。
最终获得的最优功率曲线及上下边界见图3。
剔除两条边界以外的坏点后,采用五参数逻辑算法［２５］插值拟合得到的中间绿色实线即为最优功率曲线。
4 算例分析
4.1 风电场CFD流场模拟
本文选择装机容量为30 MW的某风电场进行算例验证,1.5 MW风电机组计算参数见附录A表A1。利用某商业软件计算风电场物理模型,计算参数见附录A表A2。 选取距离测风塔最近的13号风电机组与测风塔数据进行对比分析,验证利用风电机组数据拟合功率曲线的准确性,地理分布见附录A图A1。附录A图A2建立了风电场不同机位点风加速比矩阵,量化了测风塔与各风电机组之间的互推模型。颜色越深,表示该处风速越大。附录A表A3结果显示尾流效应使4台风电机组风速和年发电量均低于自由流场的理论计算值。附录A表A4显示了测风塔不同层高与4台风电机组之间交叉检验的结果。附录A表A5 为70m高度各扇区风速频数分布。
图4为13号风电机组处自由流场和考虑激盘模型的组合流场模拟值与真实值对比。
由图4可以看出,组合流场模拟法相比自由流场模拟法明显提高了风速模拟精度,且组合流场模拟值与实际测风数据吻合度较高,说明组合流场模拟法可以真实反映风电场流体分布。自由流场模拟法由于没有考虑旋转尾流对风速的衰减,导致其平均模拟值较大。
4.2 基于风电机组数据的功率曲线拟合及预测
图5 为经过迭代剔除坏点后分别利用理论数据、风电机组和测风塔数据拟合得到的功率曲线。与整场功率曲线拟合法和单机功率曲线法相比,本文在单机功率曲线拟合基础上采用迭代寻优方式得到最优单机功率曲线,并采用均方根误差(RMSE)作为预测精度的评判标准,RMSE对比如图6所示。
由图5可以看出,实际输出功率均小于理论值,且利用实际测风塔和风电机组数据拟合的功率曲线整体趋势一致,但同样风速下利用风电机组数据拟合的功率值略高于测风塔数据拟合值。这是由于测风塔选址在地势平坦且没有尾流影响的区域,而自由风流经风电场到达风电机组过程中会受到地表粗糙度、尾流等因素影响产生风能衰减,导致同样的输出功率,测风塔处测得的风速会大于实际风电机组自身测风值。因此,利用风电机组自身测风数据可有效拟合功率曲线,且经过尾流修正后可以更真实地反映风电机组的运行状态。
由图6可以看出,由于3种方法均基于物理预测,3条曲线RMSE总体趋势一致,其中整场功率曲线拟合法RMSE最大,为52.2%,单机最优功率曲线拟合法RMSE最小,为15.3%。整场功率曲线拟合法虽然能平滑局地效应对个别机组的扰动,但不能灵活反映风电场运行方式的改变,如17:15至22:15期间风电场限电导致部分风电机组停机,而预测功率仍按照整场功率曲线计算,导致RMSE达到79%。而单机功率曲线拟合法考虑了单台风电机组运行条件、风速不同所产生的误差,因此预测结果整体优于前者,但最大RMSE仍然达到63%。本文在此基础上迭代剔除坏点后得到最优功率曲线,不仅所有时段RMSE均低于前两种方法,且在17:15至22:15期间,大幅降低了预测的误差,最大RMSE仍低于20%,证明本文所提方法更能准确反映风电场运行状态。
5 结论
1)本文将CFD方法通过风加速比矩阵方式嵌入时效性高的风电功率预测。测风塔和风电机组风速交叉检验结果和13号风电机组风速模拟对比表明,组合模型各层参数互推误差均小于3%,并有效提高了风速拟合准确度,说明建立自由和带激盘模型流场的变权重多场景组合模型可更准确反映风场内各风电机组运行状态。
2)不同数据源的拟合功率曲线结果对比表明,利用风电机组自身测风数据可代替测风塔数据拟合功率曲线,且经过尾流修正后可更真实地反映风电机组的运行状态。所提方法减小了对测风塔的依赖,可应用于无测风塔或测风塔代表性差的风电场。
3)单机最优功率曲线拟合法迭代剔除了风速—功率散点中的坏点,比整场功率曲线拟合法和单机功率曲线拟合法更加准确地反映风电场内风电机组的运行状态。算例结果表明所提方法大幅减小了预测RMSE,且在限电情况下效果更加明显。
多场景规划 第7篇
关键词：FDD-LTE无线网络,多场景覆盖,解决办法
引言:LTE技术随着4G网络的普及, 已受到了电信运营商的重视, 而在实际应用中, 无线网络系统交错复杂, 在许多网络的共存中会出现互相干扰、阻塞等情况, 造成资源浪费, 影响业务服务质量。为更好地服务广大用户, 减少信息资源的浪费, 针对不同的场景设置合适的无线网络场景覆盖方案是十分必要的。
一、FDD-LTE与其它通信系统共存干扰
杂散干扰、阻塞干扰以及互调干扰是一般民用通信系统之间经常会产生的干扰情况。
1.1杂散干扰
杂散干扰是指由一个系统所发射频段外的杂散辐射到另外一个系统的接收工作频段中而造成的干扰情况。它包括产生及放大热噪声、系统的互调产物以及在所能接收到的频率范围内受到的其他干扰情况。
1.2阻塞干扰
阻塞干扰是指有用信号及其他强的干扰信号同时传输进接收机时, 强干扰信号会使接收器的线路、频道达到饱和的状态, 会产生堵塞的现象, 倘若只有有用信号存在时, 在信号过强的情况下, 也会有振幅压缩或强烈震动的现象产生。阻塞情况严重会致使接收机无法正常工作, 及工作质量的下降。
1.3互调干扰
互调干扰是非线性电路在传输信号的通道中作用产生的, 当两个及多个频率不同的数据信号传输到非线性电路时, 在非线性器的作用下产生许多谐波和组合频率分量, 其中与所需要的信号频率ω0相接近的组合频率分量会顺利通过接收机进而形成干扰。
二、FDD-LTE覆盖规划
2.1确定FDD-LTE网络规划
FDD-LTE无线网络场景覆盖工作, 首先要对网络覆盖区域做一个网络规划, 这是FDD-LTE无线网络能完成多场景覆盖工作的基础。为了使无线网络覆盖更加全面, 在进行网络覆盖规划时, 应首先确定需要重点覆盖的区域, 第一是移动数据业务量高的业务热区, 如CBD区、高校园区、高级写字楼等;第二是城市的各个主要干道;第三是办公楼、商业中心、学校以及街道的联合整体覆盖。
2.2 FDD-LTE网络规划内容
第一是需求分析, 在开始无线网络覆盖工作之前首先要对将要被覆盖的区域进行调查、分析该区域的需求;第二是覆盖规模预估, 对将要被覆盖区域的覆盖范围和容量进行估算;第三基站的规划选址, 根据以上两个环节做基础, 合理地选择机房的规划选址位置、天馈架设的位置等;第四无线网络的参数计算及设计, 无线网络的具体覆盖情况要根据真实的具体参数进行设定, 可以借助的公式有传播模型等, 仿真无线网络的容量及覆盖面积也是需要计算的。
三、FDD-LTE无线网络覆盖场景划分
3.1场景类别划分
针对现实场景, 可划分为8大类别, 即住宅区、写字楼、医院、娱乐场所、商场、酒店宾馆、重点工程、其他。
3.2各场景覆盖解决方案
1、住宅区。
住宅区, 因居民的经济能力及各种条件的制约, 因此人们所居住的环境也不同, 可分为别墅区、中低档居民楼。别墅区:由于别墅区的居民其敏感度要高一些, 因此在其室内安装天线难度相对更大。所以要以小区分布系统为主, 别墅区要选用组网的方式, 在别墅的灯杆旁使用美化天线, 以对每栋别墅完成覆盖工作。中低档居民楼:在业主允许进入室内安装天线的用户, 可在其客厅安装吸顶天线进行覆盖工作;若居民不允许则可安装在用户房门口安装吸顶天线, 完成覆盖工作。
2、写字楼。
针对于写字楼大厅, 可在大厅内侧安装天线, 进行全方位覆盖;电梯则可选择高增益、小方向的定向板状天线自上而下进行安装覆盖, 该方式使用的天线相对较少, 且覆盖效果好, 另外每18米需安装一副壁挂式天线;至于走廊和两边房间, 可将天线安装在门外走廊。
3、医院。
针对医院需要控制信号外泄情况, 可用定向壁挂天线或定向吸顶天线完成覆盖工作, 对于病房, 可将天线安装在门口。
4、娱乐场所。
由于商场及娱乐场所的楼宇高层少但建筑隔断较多的情况, 可选择微蜂窝进行覆盖, 这种覆盖方式适合同一层面内空旷区域较多的场景。
5、各重点工程。
对于各个城市来说, 各重点工程就包括各个干道路线, 铁路、地铁等, 可使用宏蜂窝利用定向的板状天线或者智能天线进行覆盖。针对处于地下的地铁可使用分布式基站的覆盖方式。
四、总结
多场景规划 第8篇
目前, HP等厂商正积极配合运营商测试及评估各个虚拟桌面试点方案。
目前, 以办公终端、营业终端、网管终端以及呼叫终端为构成的运营商终端已呈现出数量众多、资源利用率低、更新换代快、安全防护难度大、维护成本高、噪音大、能耗高等管理问题, 而 “云+瘦终端”的趋势正逐渐成为共识。其中, 对终端进行虚拟化改造是运营商实践云终端的第一步。
近期, 三大运营商集团启动了涉及多省的桌面端虚拟化试点, 计划针对OA平台、柜面、运维中心以及呼叫中心四个场景联合相关解决方案厂商进行批量试点, 相关招标文书已经发布, 目前HP等厂商正积极配合运营商测试及评估各个虚拟桌面方案。
先期部署5万台虚拟终端
事实上, 作为信息化程度较高的行业主体, 近年来, 运营商已明晰了虚拟化以及云计算的系统演进方向, 并在部分省份开展了先期试点。
“终端方面, 从集中计算及存储能力、优化管理以及绿色节能等角度, ‘云+瘦终端’是未来运营商终端设备迁移的主体方向, 目前我们在上海联通的相关试点已取得了阶段性进展。”中国联通IDC运营中心曹鲁表示。
不仅上海联通, 据悉, 作为云终端部署的第一步, 目前三大运营商每家都有五个左右的省份自发进行了从1000台到5000台不等的桌面端虚拟化试点, 而今年更有望从集团层面展开更大规模的试点工作。
据了解, 目前三大运营商已经启动了集团层面的桌面端虚拟化试点, 计划每家选取十个左右的省公司, 每个省公司进行1000台或2000台的试点, 预计试点终端共5万台。厂商方面, 惠普等桌面端虚拟化解决方案提供商参与了此次试点招标, 目前正在进行相关的测试工作。
“技术评测方面, 针对不同场景, 运营商有不同的指标要求与技术侧重点, ”中国惠普信息产品集团商用解决方案业务部部门经理靳玉罡表示, “OA平台以及柜面对于解决方案承载办公应用的能力要求较高, 运维中心对于解决方案实时在线、多功能处理等能力要求较高, 而呼叫中心则对方案支撑语音功能的能力要求较高。”
解决方案提供商方面, 以运营商为代表的行业客户对于桌面端虚拟化解决方案的需求已经吸引了大批厂商加入供应商行列。“可以看到, 一年之间, 桌面端虚拟化解决方案提供商的数量增长了三倍, 目前大概有十七八家。当然, 市场繁荣是好现象, 但用户在选型时需要更加谨慎。”靳玉罡表示。
近期的一份针对中国企业的调查报告显示, 客户对于终端或桌面虚拟化的实际部署效果与预期存在差距, 而这与客户部署目标不明确、不实际以及解决方案提供商技术参差不齐有关。对此, 曹鲁表示, 由于运营商桌面端虚拟化部署仍处于小规模试验阶段, 上述差距尚不明显, 而对于目前桌面端虚拟化厂商良莠不齐的现状, 他表示, 桌面端虚拟化技术仍处于市场导入期, 多厂商的参与有利于实现优胜劣汰。
上海联通样板
虽然三大运营商集团层面的规模试点仍处于招标测试阶段, 但是以上海联通为代表的地方运营商在桌面虚拟化领域的先期实践目前已经形成一定成果。
近期, 中国联通云计算试点内部总结会在上海举行, 上海联通作为中国联通集团第一个试点单位汇报了其一年多来的云计算试点成果, 其中桌面虚拟化试点是其重要组成部分。
据上海联通信息化部总经理耿向东介绍, 目前上海联通百余个营业厅已实现80%的瘦终端替换;呼叫中心完成客服系统全IP化改造, 并在此基础上推行了全业务坐席;内部开发人员终端也已实现瘦终端替换, “此外, 虚拟终端在我们内部的应用效果还得到了很多客户的认可, 中国平安保险公司已经向我们提出了将其呼叫中心全部替换为虚拟终端的需求, 合作达成后, 有望对其4000～6000台终端实现虚拟化改造”。
总结终端虚拟化的作用, 耿向东表示:“业务响应速度快, 可实现弹性扩张、桌面弹性升级、高效维护、降低温度与噪音、节省IT投资与人员成本等。”
HP致力于推动VDI规模部署
在众多桌面端虚拟化解决方案厂商中, 惠普具有三方面优势。
首先, 从历史角度, 惠普在云计算、虚拟桌面技术领域拥有六年以上的产业经验, 目前已在中国市场成功实施了约70个虚拟桌面的商业案例, 实施案例在数量与质量方面业内领先。
其次, 针对虚拟桌面技术, 惠普可以提供一站式整体解决方案。惠普拥有完备的产品线与服务, 对于虚拟桌面技术, 惠普可以提供从服务器、存储、网络设备、软件、客户端到咨询服务的全线方案与服务, 满足用户一站式服务需求。
再次, 面对运营商等对于桌面端虚拟化技术的需求, 近期惠普中国已经加大了在内部人员、组织架构、产品配套等方面的布局与投入, 将持续推动惠普桌面端虚拟化解决方案的市场推广与应用。