基于多級反饋隊列調(diào)度的電動汽車充電模型及其云實現(xiàn)

充電汽車的普及和推廣，使人們在日常出行方面減少了化石燃料的使用，從一定程度上解決了能源短缺和大氣污染的問題，但同時也造成了大規(guī)模充電行為對電網(wǎng)產(chǎn)生的巨大沖擊，影響了電網(wǎng)的穩(wěn)定運行。文章借鑒計算機(jī)操作系統(tǒng)任務(wù)調(diào)度算法，提出一種考慮到電網(wǎng)側(cè)負(fù)荷以及充電公平性的多級反饋隊列優(yōu)化充電模型。電動汽車在關(guān)注的電網(wǎng)中按照以上提出的充電方案來進(jìn)行充電，既沒有違背公平原則，又實現(xiàn)了最優(yōu)化充電，同時保證電網(wǎng)安全穩(wěn)定運行，降低了資源浪費。電動汽車充電過程中涉及到了多方面的異構(gòu)化信息，其中包括車聯(lián)網(wǎng)、智能電網(wǎng)、充電設(shè)備網(wǎng)絡(luò)和額外的有關(guān)信息。而以上模型的實現(xiàn)需要把多方面的數(shù)據(jù)信息加以融合，并且要解決海量數(shù)據(jù)帶來的大數(shù)據(jù)處理問題。本文提出的電動汽車充電模型利用Hadoop云計算平臺來解決大數(shù)據(jù)集的并行化計算問題，使用HDFS分布式文件系統(tǒng)和HBase非關(guān)系型數(shù)據(jù)庫解決海量數(shù)據(jù)的存儲問題。

當(dāng)今社會對煤、石油、天然氣等傳統(tǒng)化石能源擁有巨大的需求，但是越來越嚴(yán)重的環(huán)境問題和能源緊缺，迫使公眾亟待尋找一種可以節(jié)省能源并且環(huán)保可靠地交通工具，而電動汽車的出現(xiàn)解決了這一問題。但是大規(guī)模電動汽車在同一時間段集中充電將帶來新一輪的負(fù)荷增長，尤其是電動汽車在高峰期充電將進(jìn)一步加劇電網(wǎng)負(fù)荷峰谷差，將會對配電網(wǎng)的運行造成嚴(yán)重影響，包括電壓跌落、線路或變壓器負(fù)荷超載、加大損耗風(fēng)險。另外，電動汽車對電網(wǎng)造成的疊加負(fù)荷也同時表現(xiàn)出隨機(jī)性和分散性，使得調(diào)控電網(wǎng)變得更加復(fù)雜。因此，為了保證電網(wǎng)運行的穩(wěn)定性，降低能源浪費以及達(dá)到效益最優(yōu)化，對于電動汽車的充電行為模式進(jìn)行優(yōu)化是有必要的。

確定最優(yōu)充電模式的唯一途徑是綜合考慮充電設(shè)備（包括充電站和充電樁）和充電汽車兩方面的數(shù)據(jù)信息，并且對所有數(shù)據(jù)進(jìn)行統(tǒng)一分析和處理。近年來，根據(jù)側(cè)重點的不同，不同的研究機(jī)構(gòu)和人員研究、比較了多種不同的充電模型。從研究層面上來劃分的話，可以分為以下幾個方面：1）單一電動汽車充電控制； 2）同一充電站多充電目標(biāo)集中充電處理； 3）區(qū)域內(nèi)多個站的電動汽車協(xié)調(diào)充電控制。文獻(xiàn)針對有序充電的策略方法，歸納為基于最優(yōu)經(jīng)濟(jì)運行的充電模型、最優(yōu)市場機(jī)制和商業(yè)運營模式、時空有序性3類方法；文獻(xiàn)提出一種基于電網(wǎng)負(fù)荷的有序充電控制模型，進(jìn)行實時有序控制，提高了電網(wǎng)的安全性；文獻(xiàn)在考慮電動汽車的充電功率、充電時間以及變壓器可用容量等約束條件的前提下，提出基于多智能體協(xié)同控制的電動汽車充電優(yōu)化策略；文獻(xiàn)將電動汽車看成一個小型“集聚體”，以有功網(wǎng)損最小為目標(biāo)函數(shù)，計及節(jié)點電壓、線路潮流、配變?nèi)萘?、集中式充電功率的動態(tài)爬升約束以及充電能量平衡約束，提出基于配電網(wǎng)安全運行的充電優(yōu)化問題模型；文獻(xiàn)提出了一種基于分布式控制的電動汽車有序充電控制模型，并給出了分布式有序充電控制的優(yōu)化計算方法；文獻(xiàn)通過網(wǎng)格選取法，考慮到配電變壓器的供電容量，從時間和功率兩個維度來控制電動汽車的充電行為。但目前還未存在一種綜合考慮電網(wǎng)和用戶多種因素及優(yōu)先級的充電方案，更無有效的算法實現(xiàn)此類充電方案。

為了得到多種優(yōu)化方案，需要統(tǒng)一電網(wǎng)、充電設(shè)備和電動汽車三方面的數(shù)據(jù)信息，并進(jìn)行有效的分析處理。伴隨著電動汽車保有量的提升，為了滿足充電需求，充電站和充電樁必將會在電網(wǎng)內(nèi)增加負(fù)荷接入點，這樣一來會造成各種異構(gòu)化數(shù)據(jù)激增。云計算平臺能夠高效地采用集群化并行處理技術(shù)來解決海量數(shù)據(jù)的分析處理。實現(xiàn)區(qū)域電網(wǎng)內(nèi)電動汽車優(yōu)化充電需要綜合考慮電網(wǎng)側(cè)、用戶側(cè)多方面因素，結(jié)合多種經(jīng)典優(yōu)化算法，利用多維信息融合處理技術(shù)，本文提出了一種基于多級反饋隊列的電動汽車優(yōu)化充電模型，并闡述了在云計算平臺對該模型的實現(xiàn)過程。

電動汽車多級反饋隊列充電模型

模型需求目標(biāo)分析

充電汽車的充電行為主要包含了三個行為主體：電網(wǎng)、充電汽車和充電代理商。三者之間的交互包含了能量和數(shù)據(jù)兩種交互信息。要提出最優(yōu)化的充電模型，需要處理好三個關(guān)系：一是政府、企業(yè)和市場的關(guān)系；二是產(chǎn)品、基礎(chǔ)設(shè)施和商業(yè)模式的關(guān)系；三是汽車的使用者、電力企業(yè)和充電代理商的關(guān)系。對于汽車的使用者，重點是關(guān)注充電電價、充電耗時以及充電是否方便等需求；對于后兩者，重點是關(guān)注電網(wǎng)運行的安全性和穩(wěn)定性、是否符合公平性原則以及電能是否充分利用。保證用戶公平性是充電服務(wù)最重要的目標(biāo)之一，關(guān)系到電能有序利用的實施效果。公平性原則是為了滿足電動汽車用戶有突發(fā)性充電需求，避免了電能不能補充的情況。而保證電網(wǎng)穩(wěn)定運行和提升能源利用率，又是對充電進(jìn)行優(yōu)化的最終目標(biāo)。因此，最優(yōu)充電模型應(yīng)該關(guān)注排隊早、時間要求迫切、充電時間長的充電汽車首先充電。并且在充電過程中，要實時地進(jìn)行策略調(diào)整來滿足各方的不同需求。這里綜合考慮多方面關(guān)系，根據(jù)各方需求，建立區(qū)域電網(wǎng)內(nèi)多級反饋隊列優(yōu)化充電模型。

基于多級反饋隊列的優(yōu)化充電模型建立

在計算機(jī)操作系統(tǒng)中，有一種作業(yè)調(diào)度的應(yīng)用場景：在同一時刻，大量作業(yè)同時請求有限資源，系統(tǒng)如何調(diào)度從而為作業(yè)有序地分配資源。參考作業(yè)調(diào)度的工作流程，可以用類似的方案處理電動汽車充電的工作任務(wù)。在滿足公平性原則的前提下，將每一次的充電行為看做是一個調(diào)度任務(wù)，相對應(yīng)的電力能源就是資源。模型的最終目的是得到最優(yōu)的任務(wù)執(zhí)行序列，來達(dá)到較高的電力能源利用率以及最小的電網(wǎng)負(fù)荷。

多級反饋隊列進(jìn)程調(diào)度算法為了保證公平性和較高的資源利用率，采用了基于高優(yōu)先級優(yōu)先調(diào)度和時間輪轉(zhuǎn)片輪轉(zhuǎn)調(diào)度算法，在處理過程中不斷進(jìn)行調(diào)整。在本文提出的電動汽車充電模型中，根據(jù)排隊時間長短、充電時間長短、充電時間緊迫性以及已經(jīng)等待的時間等指標(biāo)來定義任務(wù)的初始優(yōu)先級。然后把充電的全部過程切成等長的時間，不同的任務(wù)隊列對應(yīng)的單條時間長度可以不同。每個單獨的時間充電完成以后，調(diào)整優(yōu)先級，然后根據(jù)調(diào)整后的優(yōu)先級進(jìn)行任務(wù)調(diào)度。

圖1為多級反饋隊列優(yōu)化充電模型整體架構(gòu)圖。

多級反饋隊列優(yōu)化充電模型調(diào)度算法分為以下步驟：

1）在考慮了任務(wù)時長、已經(jīng)排隊時長以及用戶緊迫度等因素以后，對可以參與有序充電隊列調(diào)度的充電任務(wù)計算對應(yīng)的任務(wù)優(yōu)先級。本文依據(jù)響應(yīng)比算法，以充電緊迫程度為優(yōu)先級，提出公式（1）作為優(yōu)先級計算公式。

公式中，T表示完成充電所需的剩余時間，W表示已經(jīng)排隊時長，TC表示當(dāng)前時間，TU表示用戶設(shè)置的充電任務(wù)截止時間（即取車時間）。（TU-TC）-T表示距離任務(wù)截止的時間和剩余任務(wù)所需要的時間之差，用來表示當(dāng)前用戶充電任務(wù)緊迫程度。對于等待而未充電的用戶，其剩余充電所需時長T為固定值，而W即等待時間逐漸增大，因此響應(yīng)比會增加；對于正在充電的用戶來說，其一開始等待的時長W已經(jīng)為定值，而剩余充電所需時長T則逐漸變小，因此響應(yīng)比會降低。對于公式分母部分，無論等待充電還是正在充電的用戶，隨著時間的推移，距離設(shè)置的充電結(jié)束時間值越近，TU-TC越小，代表任務(wù)越緊迫，其響應(yīng)比也就越高。而分母增加-T則是為了保證充電能夠完整的進(jìn)行，因為若到了距離結(jié)束時限的時長無限接近于充電時長T還未開始充電，則（TU-TC）-T無限接近于0，整個響應(yīng)比會無限大，使優(yōu)先級達(dá)到最大。

2）根據(jù)優(yōu)先級，設(shè)置多級隊列。根據(jù)優(yōu)先級確定各個任務(wù)執(zhí)行的先后順序，同時依據(jù)優(yōu)先級的大小分到若干不同等級的任務(wù)隊列當(dāng)中。不同等級的隊列對應(yīng)不同大小的時間片，時間片長短和隊列的優(yōu)先級成反比。

3）首先，按照優(yōu)先級從高到低的順序選擇隊列中的充電任務(wù)開始執(zhí)行，每次時間片執(zhí)行完畢，需要再一次計算來確定各個任務(wù)的優(yōu)先級，并以此為依據(jù)，再次分配充電任務(wù)到不同的隊列中。

4）只有當(dāng)優(yōu)先級最高的隊列中的任務(wù)完成以后，才處理優(yōu)先級次一級的隊列中的任務(wù)。

圖2和圖3分別為車輛接入流程和車輛充電流程。其中，車輛接入流程為事件驅(qū)動型，即車輛接入事件激活流程，將充電任務(wù)存入充電優(yōu)先隊列；車輛充電流程為時間驅(qū)動型，即時間片不斷輪轉(zhuǎn)，每次時間片輪轉(zhuǎn)結(jié)束時，從優(yōu)先級隊列中取出任務(wù)進(jìn)行充電，并重新計算優(yōu)先級隊列。

以上提出的基于多級反饋隊列實現(xiàn)的充電模型，在保證電網(wǎng)穩(wěn)定運行的基礎(chǔ)上，同時兼顧了每一個用戶的實際充電需求，達(dá)到了不同用戶之間的公平。

圖1 多級反饋隊列優(yōu)化充電模型整體架構(gòu)

圖2 車輛接入流程

圖3 車輛充電流程

基于云計算平臺的多級反饋隊列充電模型MR算法實現(xiàn)

區(qū)域電網(wǎng)電動汽車多信息源融合問題分析

實現(xiàn)多級反饋隊列充電模型需要考慮到以下幾個方面：充電汽車、充電用戶個人、充電站以及電網(wǎng)負(fù)荷等多方面的數(shù)據(jù)信息。在處理充電任務(wù)時，需要綜合分析多方數(shù)據(jù)，不可避免的會遇到以下問題：

1）綜合分析多方數(shù)據(jù)時遇到的異構(gòu)數(shù)據(jù)問題。

2）電動汽車和充電設(shè)備（包括充電站和充電樁）分散性較強(qiáng)，并會產(chǎn)生海量數(shù)據(jù)，這些數(shù)據(jù)的存儲問題需要解決。

3）實現(xiàn)模型計算時需要考慮到多種因素，最終得到最優(yōu)方案，這導(dǎo)致分析計算復(fù)雜，計算量巨大。

4）充電方案的生成需要具有時效性，充電用戶提交的充電需求應(yīng)該迅速得到反饋。

綜上所述，在處理電動汽車充電任務(wù)時所遇到的問題呈現(xiàn)出數(shù)據(jù)量大，處理時效性強(qiáng)等特點。想要解決以上問題，需要使用云平臺實現(xiàn)對大數(shù)據(jù)的處理。Hadoop是一個能夠?qū)Υ罅繑?shù)據(jù)進(jìn)行分布式處理的軟件平臺，實現(xiàn)了MapReduce編程模型和HDFS分布式存儲架構(gòu)。對于電動汽車充電任務(wù)而言，MapReduce模型實現(xiàn)了海量數(shù)據(jù)計算的并行化處理，HDFS存儲結(jié)構(gòu)解決了充電任務(wù)過程中需要存儲的多方信息分散化的問題，并保證了數(shù)據(jù)的統(tǒng)一管理。

基于Hadoop的多級反饋隊列優(yōu)化充電模型系統(tǒng)架構(gòu)和平臺搭建

基于Hadoop的多級反饋隊列優(yōu)化充電模型系統(tǒng)架構(gòu)如圖4所示。

在實現(xiàn)模型系統(tǒng)時，按照邏輯層次的劃分，主要分為以下幾個部分：

1）物理層：其中包括實際的計算機(jī)服務(wù)器、虛擬機(jī)集群、計算機(jī)通信網(wǎng)絡(luò)共同組成的服務(wù)器集群。

2）數(shù)據(jù)儲存和基礎(chǔ)計算層：是實現(xiàn)Hadoop云計算平臺的關(guān)鍵部分。通過和物理層的數(shù)據(jù)聯(lián)系，搭建了云計算平臺最主要的三個部分：HDFS、HBase、MapReduce。

3）高級計算層：是更高級業(yè)務(wù)計算的處理部分，已經(jīng)存儲到數(shù)據(jù)儲存層的數(shù)據(jù)通過數(shù)據(jù)總線提交到這一層，同時通過基礎(chǔ)計算層提供的接口來實現(xiàn)復(fù)雜的計算模型。

4）業(yè)務(wù)交互層：實現(xiàn)平臺業(yè)務(wù)對用戶的可視化展示并提供用戶操作服務(wù)，交互手段包括Web應(yīng)用和手機(jī)App。

5）調(diào)度控制層：實現(xiàn)了平臺各個模塊之間的控制管理，可以提供平臺業(yè)務(wù)功能模塊控制、平臺服務(wù)器間工作負(fù)荷調(diào)整以及日志管理等功能。

6）消息數(shù)據(jù)總線：為平臺不同模塊之間的數(shù)據(jù)和信息交互提供了通道，對平臺各個模塊進(jìn)行了解耦合，為平臺提供了良好的可擴(kuò)展性。

平臺軟硬件環(huán)境配置如表1所示。

圖4 多優(yōu)化充電系統(tǒng)架構(gòu)

表1 軟硬件平臺

在集群上搭建Hadoop-1.1.2內(nèi)核的云計算環(huán)境，其他組件版本為JDK-1.7.0_67，HBase -0.94.11。

基于HBase的分布式存儲結(jié)構(gòu)

基于多級反饋隊列的充電模型采用非關(guān)系型數(shù)據(jù)庫HBase，因為HBase可以實現(xiàn)對充電任務(wù)中海量數(shù)據(jù)的存儲并且提供對這些超大數(shù)據(jù)的快速索引。另外，HBase對Hadoop也有很好的支持。根據(jù)HBase具有的延展特性和非關(guān)系特性，在設(shè)計存儲數(shù)據(jù)庫的時候，主要創(chuàng)建了兩個層次的數(shù)據(jù)表：第一，包含了多種電網(wǎng)側(cè)基礎(chǔ)數(shù)據(jù)（包括充電設(shè)備信息、電網(wǎng)負(fù)荷信息等）的基礎(chǔ)數(shù)據(jù)表；第二，記錄了從用戶創(chuàng)建充電任務(wù)開始與之相關(guān)的需求和操作信息的充電任務(wù)表。

在HBase數(shù)據(jù)庫中，表的結(jié)構(gòu)是由RowKey、列族、時間戳和Cell組成的。表2和表3分別為兩張表的基礎(chǔ)結(jié)構(gòu)，由于空間關(guān)系，未列出具體列鍵信息。

表2 基礎(chǔ)數(shù)據(jù)表結(jié)構(gòu)

表3 充電任務(wù)表結(jié)構(gòu)

基于MapReduce的模型并行化算法實現(xiàn)

多級反饋隊列充電模型的M-R算法按照MapReduce機(jī)制分為Map階段和Reduce階段，依據(jù)框架接口設(shè)計Map函數(shù)和Reduce函數(shù)。模型中各個充電任務(wù)的優(yōu)先級是由Map函數(shù)計算得來的，而通過比較優(yōu)先級得出多級反饋隊列由Reduce函數(shù)完成。這個算法包含一個二次排序過程，將各個充電任務(wù)按照優(yōu)先級進(jìn)行排序，使傳入Reduce的是已排好序的任務(wù)，從而提升效率。模型的實現(xiàn)過程如表4、5、6所示。

表4 多級反饋隊列優(yōu)化充電模型Map過程

表5 多級反饋隊列優(yōu)化充電模型Reduce過程

表6 多級反饋隊列優(yōu)化充電模型二次排序過程

總結(jié)與展望

本文主要介紹了一種基于反饋隊列調(diào)度的電動汽車充電模型及其云實現(xiàn)，提出了一種電動汽車優(yōu)化充電方案，并利用M-R框架實現(xiàn)了方案的并行化計算。解決了大規(guī)模電動汽車接入電網(wǎng)導(dǎo)致的一系列電氣問題和相關(guān)大數(shù)據(jù)分析問題，對于智能電網(wǎng)中其他優(yōu)化計算問題也具有一定參考價值。

隨著電動汽車的普及和發(fā)展，電動汽車作為電網(wǎng)負(fù)荷給電網(wǎng)帶來的運行壓力會越來越明顯，分析用戶充電行為、優(yōu)化用戶充電策略能夠主動為電網(wǎng)側(cè)降低運行風(fēng)險、保障電網(wǎng)安全。在智能電網(wǎng)與車聯(lián)網(wǎng)等多方信息數(shù)據(jù)融合進(jìn)一步發(fā)展的未來，結(jié)合了能源互聯(lián)網(wǎng)概念的電動汽車充電策略應(yīng)當(dāng)會有更深層次的發(fā)展。

10.3969/j.issn.1001- 8972.2016.21.035