劉鑫

（ 湖南鐵道職業(yè)技術(shù)學(xué)院， 湖南 株洲 412001）

隨著大數(shù)據(jù)和云計算技術(shù)的不斷發(fā)展，相關(guān)的應(yīng)用研究引用到電力網(wǎng)絡(luò)數(shù)據(jù)管理中。 云是網(wǎng)絡(luò)、互聯(lián)網(wǎng)的一種比喻說法。 云計算模型的重要特點就是隨機性和模糊性，因為云計算模型是在隨機過程及概率論等數(shù)學(xué)基礎(chǔ)上提出的概念，它可以將隨機性和模糊性進行定量分析，通過云計算實現(xiàn)對數(shù)據(jù)資源的云存儲和云調(diào)度，采用云計算可以實現(xiàn)對大數(shù)據(jù)的智能處理，滿足不斷擴大的用戶和數(shù)據(jù)的需求。 而今，電力網(wǎng)絡(luò)的數(shù)據(jù)管理已經(jīng)引入到云計算環(huán)境中，通過對電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)進行智能集成和管理，采用云計算技術(shù)，并與網(wǎng)格計算、效用計算、自主計算相結(jié)合，可以實現(xiàn)對大型電力網(wǎng)絡(luò)數(shù)據(jù)的優(yōu)化調(diào)度， 提高電力系統(tǒng)和電力資源管理的有效性。 可見，在云計算環(huán)境下，電力網(wǎng)絡(luò)數(shù)據(jù)通過云存儲形式構(gòu)建成大型電力網(wǎng)絡(luò)數(shù)據(jù)庫，需要對電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)進行均衡調(diào)度，提高電力資源的均衡配置和管理效率，相關(guān)的均衡調(diào)度算法受到了廣大專家學(xué)者的重視[1]。

傳統(tǒng)方法中，在云計算環(huán)境下進行電力網(wǎng)絡(luò)負(fù)載均衡調(diào)度方法采用的是實體模型分析方法和神經(jīng)網(wǎng)絡(luò)調(diào)度算法等，通過神經(jīng)網(wǎng)絡(luò)智能調(diào)度方法和特征提取算法實現(xiàn)對云計算環(huán)境下的電力網(wǎng)絡(luò)負(fù)載均衡管理和數(shù)據(jù)調(diào)度[2]。 其中，文獻(xiàn)[3]提出一種基于虛擬信息資源隨機調(diào)度的云計算環(huán)境下電力數(shù)據(jù)均衡調(diào)度模型， 通過云計算實現(xiàn)任務(wù)權(quán)衡和調(diào)度，提高電力網(wǎng)絡(luò)的運行效率，但是該算法具有時間延遲大，計算復(fù)雜等缺點；文獻(xiàn)[4]提出一種基于云計算網(wǎng)格時間尺度分析大型電力網(wǎng)絡(luò)負(fù)載均衡算法，提高大型電氣數(shù)據(jù)在數(shù)據(jù)庫的云存儲和數(shù)據(jù)調(diào)度性能，但算法存在電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)庫存儲資源浪費，云計算網(wǎng)格空間分配不均等問題[5-7]。 針對上述問題，筆者提出一種基于模糊循環(huán)迭代控制的云計算環(huán)境下的電力網(wǎng)絡(luò)負(fù)載均衡調(diào)度算法。 首先構(gòu)建云計算環(huán)境下的電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)堆棧存儲模型，將云計算下的電力網(wǎng)絡(luò)環(huán)境的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)分為3層，數(shù)據(jù)資源特征分析，提取電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)信息流的時間尺度特征，對特征值進行模糊循環(huán)迭代控制，實現(xiàn)均衡調(diào)度算法改進，仿真實驗進行了性能驗證，展示了本文算法在提高電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)均衡方面的調(diào)度能力，提高電力資源的均衡配置和管理效率方面的優(yōu)越性能。

1 模糊循環(huán)迭代控制算法

在云計算環(huán)境下，電力網(wǎng)絡(luò)數(shù)據(jù)通過合理的調(diào)度完成電力網(wǎng)絡(luò)負(fù)載的均衡，合理的調(diào)度方法可提高電力資源的均衡配置和管理效率。 模糊循環(huán)迭代控制算法是以迭代計算和控制算法為主的一種數(shù)據(jù)均衡算法。 在數(shù)據(jù)特征提取的基礎(chǔ)上，進行模糊循環(huán)迭代控制，其算法原理如下：

假設(shè)數(shù)據(jù)集合為{xn}Nn=1，以如下矢量控制形式在堆棧空間中形成新的映射關(guān)系為

式中：x為負(fù)載采樣點時間序列；τ為時間延遲參數(shù)，數(shù)據(jù)運行的一個時間跨度記為

令R為包含有四元組（ Ei，Ej，d，t）數(shù)據(jù)的信任關(guān)系，構(gòu)建數(shù)據(jù)權(quán)重分配機制，計算正交加權(quán)約束均衡比，進行分類屬性權(quán)重評估，給定數(shù)據(jù)任務(wù)有效率函數(shù)E（ i，j）：

對于數(shù)據(jù)集合A上的任意一點ai，其均衡性計算參數(shù)為

式中：w為權(quán)重；C為加權(quán)約束均衡比；D為時間參數(shù)；M為時間采樣周期。 信息在干擾和噪聲作用下，出現(xiàn)失衡， 此時需要控制A，B之間的空間有向模糊距離為

式中：NA為A的數(shù)據(jù)信息流的協(xié)方差向量，均衡調(diào)度近似計算產(chǎn)生的信息采集時延為

在均衡迭代控制過程中， 采用數(shù)據(jù)聚集樹分層算法，將數(shù)據(jù)調(diào)度集x的值減1，如果x=0，則將它的狀態(tài)設(shè)為RY狀態(tài)，采用模糊循環(huán)迭代控制，控制過程符合正態(tài)分布概率，得到：

迭代計算直到上式的值最小，實現(xiàn)對數(shù)據(jù)均衡。

4.2.1 目標(biāo)調(diào)節(jié) 以調(diào)節(jié)免疫與誘導(dǎo)凋亡為主，其他機制全覆蓋。①誘導(dǎo)凋亡：人參、黃芪、何首烏、五味子入組。②調(diào)節(jié)免疫：胡頹子葉、鎖陽、核桃仁、何首烏、山茱萸，在該5味藥中選擇4味入組。③誘導(dǎo)分化/衰老：三七、紅景天入組。④抑制增殖/生長：太子參、甘草入組。⑤抑制侵襲/轉(zhuǎn)移：纈草、白術(shù)入組。⑥誘導(dǎo)自噬：冬凌草、知母（或防風(fēng)）入組。該部分合計約16味藥。

2 均衡電力調(diào)度目標(biāo)參數(shù)的選取與處理

在云計算環(huán)境下， 大型電力網(wǎng)絡(luò)負(fù)載的均衡性調(diào)度參數(shù)和電網(wǎng)的拓?fù)浣Y(jié)構(gòu)有關(guān)。云計算環(huán)境下，電力網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 電力網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)Fig. 1 Power network topology

根據(jù)圖1可知，電力網(wǎng)絡(luò)的基站項涉及了大量多源異構(gòu)資源， 進行電力網(wǎng)絡(luò)負(fù)載均衡調(diào)度的信息交互[9]，電力網(wǎng)絡(luò)負(fù)載均衡調(diào)度數(shù)據(jù)集和聚集調(diào)度控制構(gòu)建模型可形式化描述為：給定一個控制參數(shù)集合G=（ V，E）和Sink∈V，尋找一個調(diào)度集方法{S1，S2，…，SL}，使得電力網(wǎng)絡(luò)負(fù)載參數(shù)TS（ u）=max（ TS（ v）+1，TS（ u））最小。

此時， 定義電力網(wǎng)絡(luò)負(fù)載均衡調(diào)度參數(shù)可選擇對應(yīng)的時延響應(yīng)參數(shù)，計算方法為

電力網(wǎng)絡(luò)負(fù)載調(diào)度中， 各空閑時間片長度分別記作x1，x2，…，xm+1，第k個電力控制節(jié)點的信息定義為δk：

式中： Ui為電力數(shù)據(jù)分類屬性；k為負(fù)載強度；Θ（ t）為電力數(shù)據(jù)最近時刻查詢獲得的信任值， 以此為基礎(chǔ)，構(gòu)建電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)信息流參數(shù)：

式中：T為總的電力負(fù)載均衡調(diào)度時間長度，根據(jù)上述信息流構(gòu)建， 提取電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)信息流時間尺度特征參數(shù)：

在上述進行電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)信息流構(gòu)建的基礎(chǔ)上， 提取電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)信息流的時間尺度特征，對于尺度為a的大型電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)調(diào)度任務(wù)請求信息，時間尺度特征估計參數(shù)為

3 電力負(fù)荷均衡調(diào)度的步驟

式中：xmax、xmin為最大數(shù)據(jù)和最小數(shù)據(jù)值。

歸一化后的數(shù)據(jù)分布在[0，1]區(qū)間中。

2） 目標(biāo)函數(shù)選取確定電力網(wǎng)絡(luò)中固定的流量輸入節(jié)點、輸出節(jié)點。 對輸入節(jié)點的信息采集得到的是物理量信息，以模糊迭代循環(huán)控制為基礎(chǔ)的計算節(jié)點和目標(biāo)輸出使用的是數(shù)字量。 設(shè)置誤差修訂函數(shù)。使用計算的目標(biāo)函數(shù)f（ x）在循環(huán)迭代算法中，對于任意給定的輸入函數(shù)和規(guī)定的目標(biāo)輸出誤差精度ε>0， 總存在一個可以進行循環(huán)計算的迭代關(guān)系逼近。 根據(jù)給定的均衡調(diào)節(jié)目標(biāo)函數(shù)，將已有的電力負(fù)荷序列以及最大負(fù)荷、最小負(fù)荷等影響因素目標(biāo)為輸入數(shù)據(jù)x1，x2，…，xn，經(jīng)過模糊循環(huán)迭代，得到固定的電力負(fù)荷數(shù)值，根據(jù)目標(biāo)函數(shù)。 在規(guī)定的電力負(fù)荷均衡調(diào)度的誤差ε內(nèi)。

3） 根據(jù)誤差和對目標(biāo)函數(shù)的要求，考慮是否進行下一步的迭代。 這種運算過程可表示為

式中：x[S]ij為在固定時間點的電網(wǎng)負(fù)荷輸出；W[S]ij為網(wǎng)絡(luò)中迭代時間系數(shù)。 x[S-1]ij為經(jīng)過一次迭代計算后的輸入實測電力負(fù)荷；Qij為表述均衡調(diào)節(jié)誤差的漏失量。 最終負(fù)荷輸出值為

式中：OI為輸出的均衡化后的電力負(fù)荷；T[S+1]ij為網(wǎng)絡(luò)負(fù)荷修正值，均衡調(diào)度的樣本誤差為

式中：C為網(wǎng)絡(luò)最終輸出系統(tǒng)誤差；P為負(fù)荷實測樣本數(shù)；ε為系統(tǒng)誤差允許值。

4 仿真實驗與結(jié)果分析

為了測試本文算法在實現(xiàn)云計算環(huán)境下電力網(wǎng)絡(luò)負(fù)載均衡調(diào)度中的性能，進行仿真實驗。 實驗在4個機柜中的126臺計算機中完成云計算環(huán)境設(shè)計，這些機器通過吉比特以太交換機連接成大型電力網(wǎng)絡(luò)，機柜內(nèi)的對半帶寬約為14 Gb/s，所有計算機運行在內(nèi)核版本為2.6.9的Red Hat Enterprise Linux AS 4.0。 參數(shù)設(shè)定中，電力網(wǎng)絡(luò)的度固定為15，網(wǎng)絡(luò)節(jié)點數(shù)為800個節(jié)點， 構(gòu)建100個任務(wù)組成大型電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)庫的云存儲資源調(diào)度集， 整個電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)在模糊堆?？刂浦袆澐譃?6個虛擬約簡檢測單元格，以此為基礎(chǔ)進行數(shù)據(jù)采集和信號模型構(gòu)建，得到采集的電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)的時域波形如圖2所示。

圖2為電力負(fù)載頻率為110 kHz時指向（ 10°，40°）的波束圖， 以圖2給出的電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)為測試樣本，提取時間尺度特征，進行均衡調(diào)度，為了對比算法性能，采用本文算法和傳統(tǒng)算法，以電力網(wǎng)絡(luò)負(fù)載均衡調(diào)度的響應(yīng)頻譜為測試指標(biāo)，得到的仿真結(jié)果見圖3。

圖2 電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)的時域波形Fig. 2 Time domain waveform of electric power network load data

從圖3可見，采用本文算法，電力網(wǎng)絡(luò)負(fù)載均衡調(diào)度的響應(yīng)頻譜的譜峰較為明顯，說明本文方法具有較強的均衡調(diào)度響應(yīng)能力，提高了電力網(wǎng)網(wǎng)絡(luò)負(fù)載的調(diào)度效率。 進一步進行定量分析，采用本文設(shè)計模糊循環(huán)迭代調(diào)度模型進行電力網(wǎng)絡(luò)負(fù)載信息流構(gòu)建和均衡調(diào)度，以調(diào)度的融合率、標(biāo)準(zhǔn)差等參量為測試指標(biāo)，得到負(fù)載數(shù)據(jù)均衡融合結(jié)果見表1，分析表1結(jié)果可得，通過本文方法，采用模糊循環(huán)迭代控制和均衡調(diào)度設(shè)計，可有效剔除簇內(nèi)非相干數(shù)據(jù)，提高電力網(wǎng)絡(luò)的負(fù)載均衡性，提高了云計算下 電力網(wǎng)絡(luò)均衡集成調(diào)度的效率和均衡配置能力。

圖3 電力網(wǎng)絡(luò)負(fù)載均衡調(diào)度的響應(yīng)頻譜Fig. 3 Response spectrum of electric power network load balancing

表1 云計算下虛擬信息資源的大數(shù)據(jù)特征集成結(jié)果Tab. 1 The big data feature integrated results of the calculation of virtual information resources

5 結(jié)論

提出了一種基于模糊循環(huán)迭代控制的云計算環(huán)境下的電力網(wǎng)絡(luò)負(fù)載均衡調(diào)度算法。 首先構(gòu)建云計算環(huán)境下的電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)堆棧存儲模型，將云計算下的電力網(wǎng)絡(luò)環(huán)境的網(wǎng)格拓?fù)浣Y(jié)構(gòu)分為3層，數(shù)據(jù)資源特征分析，提取電力網(wǎng)絡(luò)負(fù)載數(shù)據(jù)信息流的時間尺度特征，對特征值進行模糊循環(huán)迭代控制，實現(xiàn)均衡調(diào)度算法改進，仿真實驗進行了性能驗證，研究表明，采用本文方法能提高電力資源的均衡配置和管理效率，性能優(yōu)越。

[1] 周濤. 基于改進神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)中長期負(fù)荷預(yù)測研究[J]. 電氣應(yīng)用， 2013， 32（ 4）: 26-29.ZHOU Tao. Based on the improved neural network medium and long-term load forecasting of power system research[J].Electric Applications， 2013， 32（ 4）: 26-29（ in Chinese）.

[2] 李紅升. 基于粒子群算法改進電力信息系統(tǒng)的安全研究[J]. 科技通報， 2013， 29（ 4）: 158-161.LI Hongsheng. Based on improved particle swarm algorithm of electric power information system security research[J].Bulletin of Science and Technology， 2013， 29（ 4）: 158-161（ in Chinese）.

[3] 張文亮， 劉壯志， 王明俊. 智能電網(wǎng)的研究進展及發(fā)展趨勢[J]. 電網(wǎng)技術(shù)， 2009， 33（ 13）: 1-11.ZHANG Wenliang， LIU Zhuangzhi， WANG Mingjun.Research progress and developing trend of the smart grid[J].Power Grid Technology，2009，33（ 13）:1-11（ in Chinese）.

[4] 王曉波， 樊紀(jì)元. 電力調(diào)度中心統(tǒng)一數(shù)據(jù)平臺的設(shè)計[J].電力系統(tǒng)自動化， 2006， 30（ 22）: 89-92.WANG Xiaobo， FAN Jiyuan. Electric power dispatching center unified data platform design[J]. Automation of Electric Power Systems， 2006， 30（ 22）: 89-92（ in Chinese）.

[5] 覃雄派， 王會舉， 李芙蓉， 等. 數(shù)據(jù)管理技術(shù)的新格局[J]. 軟件學(xué)報， 2013， 24（ 2）: 175-197.QIN Xiongpai， WANG Huiju， Li Furong， et al. The new pattern of data management technology[J]. Journal of Software， 2013， 24（ 2）: 175-197（ in Chinese）.

[6] 劉冬寧， 湯庸， 滕少華， 等. 基于時態(tài)數(shù)據(jù)庫的極小子結(jié)構(gòu)邏輯系統(tǒng)[J]. 計算機學(xué)報，2013，36（ 8）:1592-1601.LIU Dongning， TANG Yong， TENG Shaohua， et al. The tiny substructure logic system based on temporal database[J]. Journal of Computers， 2013， 36（ 8）: 1592-1601（ in Chinese）.

[7] WANG Congjiao，WANG Xihuai，XIAO Jianmei，et al.Differential evolution algorithm based on gridded lamarckian learning[J]. Control and Decision，2015，30（ 6）:1085-1091.