陳娟，黃元生，魯斌

(1.華北電力大學(xué)經(jīng)管系，河北 保定 071003；2.華北電力大學(xué)計(jì)算機(jī)系，河北 保定 071003)

協(xié)同遺傳算法在微網(wǎng)孤島下的環(huán)保經(jīng)濟(jì)調(diào)度

陳娟1，黃元生1，魯斌2

(1.華北電力大學(xué)經(jīng)管系，河北 保定 071003；2.華北電力大學(xué)計(jì)算機(jī)系，河北 保定 071003)

主要研究了孤島模式下的微網(wǎng)環(huán)保經(jīng)濟(jì)調(diào)度問題，即在滿足微網(wǎng)安全運(yùn)行約束和負(fù)荷需求的條件下，優(yōu)化分布式電源的出力，使微網(wǎng)的發(fā)電成本和排放成本最小。分析建立了微網(wǎng)環(huán)保經(jīng)濟(jì)調(diào)度的數(shù)學(xué)模型，考慮了分布式電源的燃料消耗、維護(hù)費(fèi)用、排放成本、微網(wǎng)運(yùn)行約束條件以及負(fù)荷需求等因素。研究了協(xié)同遺傳算法的多種群并行運(yùn)算機(jī)制與合作池特征，并將其用于調(diào)度模型求解。仿真實(shí)驗(yàn)驗(yàn)證了算法的可行性和有效性。

微網(wǎng)；協(xié)同遺傳算法；孤島模式；發(fā)電成本；排放成本

0 前言

能源危機(jī)和節(jié)能減排促使電力行業(yè)在擴(kuò)大完善原有電力系統(tǒng)的同時，不斷開發(fā)新能源，加強(qiáng)可再生能源的利用率，使新能源發(fā)電、可再生能源發(fā)電這種分布式發(fā)電方式成為大電網(wǎng)的有益補(bǔ)充[1]。

分布式發(fā)電可以有效地解決傳統(tǒng)能源的資源短缺問題和二氧化碳過多排放引起的溫室效應(yīng)問題，常見的分布式電源 (Distributed Generation，DG)包括小型風(fēng)力發(fā)電 (Wind Turbine，WT)、太陽能光伏發(fā)電 (Photo Voltaics，PV)、微型燃?xì)廨啓C(jī)發(fā)電 (Micro Turbine，MT)、燃料電池發(fā)電 (Fuel Cell，F(xiàn)C)以及燃?xì)廨啓C(jī)發(fā)電 (Gas Turbine，GT)等[2-3]。而微網(wǎng)是一種將分布式電源、負(fù)荷、儲能裝置及各種控制器結(jié)合在一起的電網(wǎng)形式，它作為一個單一可控單元，同時向用戶供給電能和熱能，可以并網(wǎng)運(yùn)行，也可以孤島運(yùn)行，實(shí)現(xiàn)微網(wǎng)內(nèi)電壓和頻率的穩(wěn)定以及功率平衡[4]。微網(wǎng)不僅解決了分布式電源的大規(guī)模接入問題，而且能夠高效環(huán)保地利用各種分布式電源，具有較高的供電可靠性，是一種將分布式電源接入到大電網(wǎng)并充分發(fā)揮其效能的有效方式，與大電網(wǎng)互為支撐，在微網(wǎng)的研究中，對環(huán)保經(jīng)濟(jì)調(diào)度技術(shù)的研究在新能源發(fā)展應(yīng)用方面有著重要的意義，是智能電網(wǎng)研究的一個重要方面[5]。

微網(wǎng)的環(huán)保經(jīng)濟(jì)調(diào)度是指在滿足負(fù)荷需求的前提下，協(xié)調(diào)各臺分布式電源的出力，使整個微網(wǎng)的發(fā)電成本和排放成本最小。目前，這方面的研究已經(jīng)取得了一些成果，內(nèi)容涉及到粒子群優(yōu)化算法[6]、蟻群優(yōu)化算法[7]以及遺傳算法[8-9]等方面，但距實(shí)際需求尚有一定差距。

文中就微網(wǎng)孤島運(yùn)行模式下的環(huán)保經(jīng)濟(jì)調(diào)度技術(shù)做了進(jìn)一步的探討，重點(diǎn)分析了協(xié)同遺傳算法與微網(wǎng)調(diào)度相結(jié)合的機(jī)制與方法，充分發(fā)揮該算法搜索能力強(qiáng)、并行尋優(yōu)速度快的優(yōu)勢，以達(dá)到高效、快速、最佳地微網(wǎng)環(huán)保經(jīng)濟(jì)運(yùn)行目標(biāo)。仿真實(shí)驗(yàn)表明，文中所做工作是可行的和有效的。

1 微網(wǎng)環(huán)保經(jīng)濟(jì)調(diào)度的數(shù)學(xué)模型

傳統(tǒng)電網(wǎng)經(jīng)濟(jì)調(diào)度經(jīng)驗(yàn)可對微網(wǎng)起到一定的指導(dǎo)作用，但微網(wǎng)自身的特殊性使得調(diào)度DG時與傳統(tǒng)電網(wǎng)的發(fā)電機(jī)組調(diào)度存在很大區(qū)別。首先，DG中的太陽能、風(fēng)能等可再生能源是不可調(diào)的，受自然條件的影響很大，導(dǎo)致太陽能光伏發(fā)電、風(fēng)力發(fā)電出力隨機(jī)性很大；其次，光伏發(fā)電、風(fēng)力發(fā)電的發(fā)電成本較低，而且?guī)缀鯚o溫室氣體排放，因此應(yīng)優(yōu)先安排其最大限度地發(fā)電；再有，不同類型、容量的DG其燃料消耗種類、效率、運(yùn)維費(fèi)用以及溫室氣體排放量均不同。因此，建立微網(wǎng)環(huán)保經(jīng)濟(jì)調(diào)度數(shù)學(xué)模型時就要考慮上述因素。

微網(wǎng)主要有并網(wǎng)與孤島兩種運(yùn)行模式。并網(wǎng)運(yùn)行時，大電網(wǎng)是微網(wǎng)的重要支撐，可以確保微網(wǎng)內(nèi)所有負(fù)荷的可靠供電；孤島運(yùn)行時，微網(wǎng)不從大電網(wǎng)吸收功率，完全由內(nèi)部的微電源獨(dú)立供電，此時，微網(wǎng)的環(huán)保經(jīng)濟(jì)調(diào)度是通過調(diào)節(jié)各微電源的出力，使其在滿足功率平衡和負(fù)荷需求的前提下，使微網(wǎng)的目標(biāo)成本最小。

1.1 目標(biāo)函數(shù)

其中，N表示DG總數(shù)；CG(Qi)表示第i臺DG的發(fā)電成本；CE(Qi)表示第i臺DG的排放成本。

1.1.1 發(fā)電成本

DG的發(fā)電成本主要由燃料成本和運(yùn)行、維護(hù)成本兩部分構(gòu)成。孤島運(yùn)行時，微網(wǎng)的發(fā)電成本可表示為下式：

其中，用αi表示第i臺DG每發(fā)電1 kW·h所消耗燃料的費(fèi)用，即第i臺DG的燃料系數(shù)(歐元/kW·h)；用βi表示第i臺DG每發(fā)電1 kW ·h所需要的運(yùn)維費(fèi)用，即第i臺DG的運(yùn)維系數(shù)(歐元/kw·h)；用Qi表示第 i臺DG的發(fā)電量(kW·h)。

1.1.2 排放成本

微網(wǎng)的排放成本可用下式來表示：

其中，M指的是污染物的種類，通常包括NOx、SO2、CO2等；用γij表示第i個DG每發(fā)電1 kW·h所排放的第j類溫室氣體的重量，即第i個DG第j類排放物的排放系數(shù) (kg/kW·h)；用ηj表示每排放1 kg第j類溫室氣體所需繳納的排放費(fèi)用，即溫室氣體中第j種排放物的處理單價(歐元/kg)。

1.2 約束條件

在微網(wǎng)的環(huán)保經(jīng)濟(jì)調(diào)度中，一般需要滿足兩類約束條件，分別是：

1.2.1 功率平衡約束

功率平衡約束是供用電系統(tǒng)中的一條基本準(zhǔn)則，可用下式表示：

其中，分別用PD、PL來表示用戶負(fù)荷的需求和電力傳輸過程中的網(wǎng)損。

1.2.2 微電源出力約束

為了保證DG的穩(wěn)定運(yùn)行，每臺DG必須滿足容量限制，即其出力必須滿足下式：

其中，分別用Pimax、 Pimin來表示第i個DG的有功出力上下限。

2 協(xié)同遺傳算法分析

協(xié)同遺傳算法 (Co-evolutionary Genetic Algorithm，CGA)通常基于多種群實(shí)現(xiàn)，種群之間通過相互競爭與合作的關(guān)系實(shí)現(xiàn)共同進(jìn)化，對種群個體而言，其進(jìn)化受其他種群個體及進(jìn)化環(huán)境的影響，評價時需要利用其他種群個體的信息，具有收斂速度快、健壯性強(qiáng)、不易陷入局部極小的特點(diǎn)[10]。

除競爭外，合作是物種之間另外一種非常普遍的協(xié)同關(guān)系。合作型協(xié)同遺傳算法 (Cooperative Co-evolutionary Genetic Algorithm，CCGA)是為了適應(yīng)現(xiàn)實(shí)世界中廣泛存在的相互適應(yīng)模塊的優(yōu)化而提出的，實(shí)質(zhì)是對傳統(tǒng)遺傳算法編碼方法的擴(kuò)展。其編碼方法與傳統(tǒng)遺傳算法截然不同，個體不對所有變量進(jìn)行編碼，只對部分變量進(jìn)行編碼，從而將一個復(fù)雜的多變量優(yōu)化問題轉(zhuǎn)化為多個相對簡單的少變量優(yōu)化問題。在進(jìn)行個體評價時，需要利用其他種群的個體信息以構(gòu)成一個完整的決策變量，繼而利用適應(yīng)度函數(shù)進(jìn)行計(jì)算。這樣做的好處在于，種群之間相互受益、相互制約、相互協(xié)同、共同進(jìn)化，算法被廣泛地應(yīng)用于分類、過程控制以及約束滿足等領(lǐng)域。

圖1給出了合作型協(xié)同遺傳算法的流程圖，步驟說明如下：

圖1 協(xié)同遺傳算法流程圖

步驟1，編碼并產(chǎn)生所有初始子種群。

步驟2，從其他種群中選擇代表個體，與待評價種群的個體一起構(gòu)成合作團(tuán)體，進(jìn)行個體評價。

步驟3，判斷算法是否滿足終止條件，若滿足，則終止種群進(jìn)化，輸出優(yōu)化結(jié)果；否則，轉(zhuǎn)步驟4。

步驟4，各種群進(jìn)行選擇、交叉和變異等遺傳操作，生成下一代種群，然后轉(zhuǎn)步驟2。

實(shí)際應(yīng)用中，子種群的數(shù)量可多可少，由具體求解問題本身特性來決定。關(guān)于代表個體的選擇，可以采用兩種方法：一種是選擇其他子種群的最優(yōu)個體作為代表個體，對于初始情況，可隨機(jī)選擇代表個體，該方法簡單易行，計(jì)算量小，適用于決策變量各個分量之間聯(lián)結(jié)不強(qiáng)的情況；另一種是從各子種群中選擇最優(yōu)個體和任一其他個體，分別與待評價個體組成兩個合作團(tuán)體并進(jìn)行評價，選擇適應(yīng)度值較大者作為待評價個體的適應(yīng)度值，該方法對決策變量分量之間連結(jié)較強(qiáng)時是可行的，但計(jì)算量比前者要大。通過對大量函數(shù)優(yōu)化問題進(jìn)行實(shí)驗(yàn)分析，結(jié)果表明只要選擇合適的代表個體，合作型協(xié)同遺傳算法的優(yōu)化性能和收斂速度都優(yōu)于傳統(tǒng)遺傳算法。

事實(shí)上，協(xié)同遺傳算法各子種群在獨(dú)立進(jìn)化時，進(jìn)化過程是比較靈活的，既可以采用相同的進(jìn)化算法，也可以采用不同的進(jìn)化算法，這與自然界多樣化的進(jìn)化過程相符。比如，遺傳操作可以采用遺傳算法中的選擇、交叉和變異等，也可采用進(jìn)化策略或者進(jìn)化規(guī)劃中的相關(guān)操作。

3 仿真實(shí)驗(yàn)與結(jié)果分析

文中構(gòu)造了一個基本的微網(wǎng)實(shí)驗(yàn)系統(tǒng)，選取了典型的實(shí)驗(yàn)數(shù)據(jù)和系統(tǒng)參數(shù)，在 MATLAB R2010a上進(jìn)行仿真實(shí)驗(yàn)，并對實(shí)驗(yàn)結(jié)果做了比較和分析。

3.1 微網(wǎng)結(jié)構(gòu)與參數(shù)

給定微網(wǎng)結(jié)構(gòu)如圖2所示，內(nèi)含PV、WT、MT、FC和GT各1臺?，F(xiàn)假設(shè)大電網(wǎng)發(fā)生故障導(dǎo)致微網(wǎng)獨(dú)立運(yùn)行，也就是說，整個微網(wǎng)不再從大電網(wǎng)吸收功率，而轉(zhuǎn)由內(nèi)部的DG獨(dú)立供電。

圖2 微網(wǎng)結(jié)構(gòu)簡圖

在實(shí)驗(yàn)中，選取了2個典型日的負(fù)荷曲線分別進(jìn)行求解，如圖3所示。

圖3 典型日負(fù)荷一和負(fù)荷二的24 h功率曲線

微網(wǎng)中含有一定的儲能裝置，與PV、WT并網(wǎng)運(yùn)行，目的在于穩(wěn)定PV和WT的出力。特別需要指出的是，若微網(wǎng)工況發(fā)生較大變化且所有DG出力不足以滿足負(fù)荷需求時，儲能裝置將起到暫時性的支撐作用。由于室外環(huán)境溫度以及日照強(qiáng)度隨季節(jié)、不同時段有很大的變化，因此會對PV的輸出功率造成很大影響；并且，風(fēng)力大小也受天氣和自然界諸多因素影響，因此，WT的輸出功率也時常處于變化之中。圖4給出了某一季節(jié)某一典型日PV和WT的24 h出力數(shù)據(jù)，本文實(shí)驗(yàn)將予以采用。

圖4 典型日PV和WT的24 h預(yù)測出力數(shù)據(jù)

鑒于PV和WT的發(fā)電成本較低且?guī)缀鯚o溫室氣體排放，因此，假設(shè)PV和WT的發(fā)電成本和排放成本均為0，于是，只需考慮MT、FC和GT的發(fā)電成本與排放成本即可。表1和表2分別列出了有關(guān)MT、FC、GT發(fā)電成本和排放成本的所需參數(shù)。在溫室氣體排放中，因CO2比重最大，因此，只考慮CO2的排放，并假定其處理價格為0.02歐元/kg。

表1 DG的發(fā)電參數(shù)

表2 DG的排放系數(shù) (kg/MW·h)

3.2 仿真結(jié)果與分析

文中所用遺傳算法基本參數(shù)設(shè)置為：種群規(guī)模Pop=30，終止進(jìn)化代數(shù)T=100，交叉操作概率Pc=0.95，變異操作概率Pm=0.3。并且，對于目標(biāo)函數(shù)約束條件的處理方式采用罰函數(shù)法進(jìn)行，于是基于協(xié)同遺傳算法的微網(wǎng)環(huán)保經(jīng)濟(jì)調(diào)度系統(tǒng)核心代碼如下：

%======================

%p1，p2，p3，p4：子種群

%data1：DGs的參數(shù)

function[p1，x2，x3，x4] =gafit(p1，p2，p3，p4，num，numVar，data1，flag)

x1=p1(：，1：numVar)；%從p2中找出代表個體

index=max(p2(：，numVar+1))；

a=find(index==p2(：，numVar+1))；x2=p2(a，1：numVar)；%從p3中找出代表個體

index=max(p3(：，numVar+1))；

a=find(index==p3(：，numVar+1))；x3=p3(a，1：numVar)；%從p4中找出代表個體

index=max(p4(：，numVar+1))；

a=find(index==p4(：，numVar+1))；

x4=p4(a，1：numVar)；

for i=1：num

P1=[x1(i)x2(1)x3(1)x4(1)]；

%計(jì)算單個DG的成本

for j=1：3

F1(j)= (data1(j，1)+data1(j，2)+ 0.02?data1(j，3) /1000)?P1(j)；

End

%懲罰項(xiàng)

lam=abs(sum(P1)-Pdh)；%總成本

F(i)=sum(F1)+1000?lam；end

%適應(yīng)度值

fit=MAXFIT-F'；

p1(：，numVar+1)=fit；

%=======================

3.2.1 實(shí)驗(yàn)1

實(shí)驗(yàn)1的目的是驗(yàn)證文中所提協(xié)同遺傳算法在進(jìn)行微網(wǎng)環(huán)保經(jīng)濟(jì)調(diào)度時的有效性。由圖3可以看出，1時至17時之間，負(fù)荷一均小于負(fù)荷二，其余時段，負(fù)荷二則小于負(fù)荷一；相應(yīng)的，由圖5可以看出，1時至17時之間，負(fù)荷一的最小總成本恰好低于負(fù)荷二的最小總成本，其余時段，負(fù)荷二的最小總成本恰好低于負(fù)荷一的最小總成本。這一優(yōu)化結(jié)果符合理論分析結(jié)果，也就是說，負(fù)荷需求低則對應(yīng)總成本也低，從而說明采用協(xié)同遺傳算法進(jìn)行微網(wǎng)環(huán)保經(jīng)濟(jì)調(diào)度的正確性。

圖5 滿足負(fù)荷一和負(fù)荷二需求的最小總成本

3.2.2 實(shí)驗(yàn)2

實(shí)驗(yàn)2的目的是驗(yàn)證協(xié)同遺傳算法與普通典型遺傳算法相比，在微網(wǎng)環(huán)保經(jīng)濟(jì)調(diào)度中的優(yōu)越性。本文所選取的普通典型遺傳算法是一種常見算法，為提高實(shí)驗(yàn)結(jié)論的可信度，文中協(xié)同遺傳算法的參數(shù)設(shè)置和各種遺傳操作均與典型算法保持一致。

圖6 兩種方法滿足負(fù)荷一需求的最小總成本

從圖6可以看出，各時段經(jīng)協(xié)同遺傳算法優(yōu)化后的負(fù)荷一的最小總成本均低于典型遺傳算法優(yōu)化后的結(jié)果，說明在同樣的條件下，協(xié)同遺傳算法的優(yōu)化效果明顯好于典型遺傳算法的優(yōu)化效果，從而體現(xiàn)出了前者的優(yōu)越性。

圖7 兩種方法滿足負(fù)荷二需求的最小總成本

圖7 給出了這兩種方法對于負(fù)荷二的優(yōu)化結(jié)果，結(jié)論與圖6一致，這里不再贅述。

3.2.3 實(shí)驗(yàn)3

實(shí)驗(yàn)3的目的是進(jìn)一步從優(yōu)化性能和算法運(yùn)行時間方面驗(yàn)證協(xié)同遺傳算法的優(yōu)越性。

以負(fù)荷一數(shù)據(jù)為例，保持算法其它參數(shù)不變，僅對種群規(guī)模進(jìn)行調(diào)整，并分別進(jìn)行10次測試，取其結(jié)果的平均值填入表3中。

表3 算法性能比較

從表3可以看出，當(dāng)種群規(guī)模均為30時，典型遺傳算法關(guān)于負(fù)荷一的24個時段的最小總成本的平均值遠(yuǎn)大于協(xié)同遺傳算法的優(yōu)化結(jié)果，而運(yùn)行時間遠(yuǎn)小于協(xié)同遺傳算法的運(yùn)行時間；隨著典型遺傳算法種群規(guī)模的擴(kuò)大，總成本平均值有所降低，運(yùn)行時間卻相應(yīng)增多；直到種群規(guī)模為120時，典型遺傳算法得到的總成本平均值才接近協(xié)同遺傳算法的優(yōu)化結(jié)果，然而此時，運(yùn)行時間卻超過了協(xié)同遺傳算法。

實(shí)驗(yàn)結(jié)果表明，就典型遺傳算法來說，隨著種群規(guī)模的持續(xù)增大，對于優(yōu)化確實(shí)起到了促進(jìn)作用，但作用越往后越不明顯，且對運(yùn)行時間造成嚴(yán)重影響。因此，對于協(xié)同遺傳算法輕易可以達(dá)到的優(yōu)化效果，典型遺傳算法將要付出較為沉重的代價，可見，協(xié)同遺傳算法具有良好的尋優(yōu)性能和收斂速度。

4 結(jié)束語

文中就微網(wǎng)孤島運(yùn)行模式下的環(huán)保經(jīng)濟(jì)調(diào)度技術(shù)引入了一種新的優(yōu)化手段，這種基于協(xié)同進(jìn)化思想提出的協(xié)同遺傳算法充分表現(xiàn)出了與微網(wǎng)調(diào)度相結(jié)合的可行性與有效性，對于微網(wǎng)這種分布式結(jié)構(gòu)本身就具有良好的適應(yīng)性。下一步，將利用協(xié)同遺傳算法和微網(wǎng)本身的分布式特征，引入分布式并行計(jì)算技術(shù)，從而進(jìn)一步提升協(xié)同遺傳算法的微網(wǎng)調(diào)度優(yōu)化能力。

[1] Hammons T，Lai L L.International Practices in Distributed Generation Development Worldwide[C].Power Engineering Society General Meeting，2007：1-5.

[2] 劉楊華，吳政球，涂有慶，等.分布式發(fā)電及其并網(wǎng)技術(shù)綜述 [J].電網(wǎng)技術(shù)，2008，32(15)：71-76.

[3] 李黎.分布式發(fā)電技術(shù)及其并網(wǎng)后的問題研究 [J].電網(wǎng)與清潔能源，2010，26(2)：55-59.

[4] 張建華，黃偉.微電網(wǎng)運(yùn)行控制與保護(hù)技術(shù) [M].中國電力出版社，2010，7.

[5] 劉文，楊慧霞，祝斌.微電網(wǎng)關(guān)鍵技術(shù)研究綜述 [J].電力系統(tǒng)保護(hù)與控制，2012，40(14)：152-155.

[6] 席朋，李鵬，劉金鑫，等.孤島運(yùn)行模式下的微網(wǎng)經(jīng)濟(jì)負(fù)荷分配 [J].電網(wǎng)與清潔能源，2011，27(8)：13-18.

[7] 艾欣，崔明勇，雷之力.基于混沌蟻群算法的微網(wǎng)環(huán)保經(jīng)濟(jì)調(diào)度 [J].華北電力大學(xué)學(xué)報(bào)，2009，36(5)：1-6.

[8] 林偉，陳光堂，邱曉燕，等.基于改進(jìn)自適應(yīng)遺傳算法的微電網(wǎng)負(fù)荷優(yōu)化分配 [J].電力系統(tǒng)保護(hù)與控制，2012，40(12)：49-55.

[9] 朱博，陳民鈾，徐瑞林，等.孤島模式下的微網(wǎng)優(yōu)化運(yùn)行策略 [J].電力系統(tǒng)保護(hù)與控制，2012，40(17)：35 -40.

[10] 鞏敦衛(wèi)，孫曉燕.協(xié)同進(jìn)化遺傳算法理論及應(yīng)用 [M].科學(xué)出版社，2009，5.

Research on Environmental and Economic Dispatch of Microgrid Using Co-evolutionary Genetic Algorithm in Isolated Mode

CHEN Juan1，HUANG Yuansheng1，LU Bin2
(1.Department of Economic Management，North China Electric Power University，Baoding，Hebei，071003；2.Department of Computer Science＆Technology，North China Electric Power University，Baoding，Hebei，071003)

The optimization of environmental and economic dispatch of microgrid in isolated mode is given special attention to make the overall cost of power generation and emission minimum by optimizing the power generated by each distributed source while satisfying the constraints on system operation and demands of loads in this paper.A mathematical model is developed for environmental and economic dispatch of microgrid taking into account fuel consumption，maintenance costs and emission costs of distributed generations，as well as the constraints of power system operation and load demand，etc.Co-evolutionary genetic algorithm is studied for the parallel computing mechanism of multiple populations and cooperation pool characteristic，which is applied into scheduling model.Simulation results verify the feasibility and effectiveness of the algorithm.The optimized microgrid saves power generation costs and reduces environmental pollution in ensuring reliable power supply.

microgrid；co-evolutionary genetic algorithm；isolated mode；generation cost；emission cost

TM73

B

1006-7345(2014)05-0007-06

2014-03-29

陳娟 (1979)，女，博士研究生，講師，研究方向?yàn)槲㈦娋W(wǎng)經(jīng)濟(jì)運(yùn)行、優(yōu)化及評價 (e-mail)chenjuan813＠yahoo.com.cn。

中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助 (13MS111)

黃元生 (1958)，男，博士，教授，研究方向?yàn)榧夹g(shù)經(jīng)濟(jì)評價與管理。

魯斌 (1975)，男，博士，副教授，研究方向?yàn)槲㈦娋W(wǎng)運(yùn)行優(yōu)化與智能控制。