李寶樹，張鳳佳，沈楊楊

(江蘇電力信息技術(shù)有限公司，江蘇 南京 210000)

隨著我國經(jīng)濟(jì)的發(fā)展，各行各業(yè)對(duì)于電能的需求也日趨增大，電能產(chǎn)業(yè)的發(fā)展成為我國工業(yè)化發(fā)展的重要支柱。電網(wǎng)是將電力從供應(yīng)方傳送到用戶的連通網(wǎng)絡(luò)，通常由發(fā)電、輸電、配電和用電4個(gè)階段組成[1]。工業(yè)、生活用電量的增加，用電情景的復(fù)雜化使得電網(wǎng)運(yùn)行復(fù)雜度逐步提高[2]。傳統(tǒng)的電網(wǎng)系統(tǒng)多為集中調(diào)度計(jì)算平臺(tái)，可以實(shí)現(xiàn)電網(wǎng)資源協(xié)同調(diào)度以及電網(wǎng)信息建設(shè)的集團(tuán)化運(yùn)作[3]；但隨著電網(wǎng)數(shù)據(jù)的迅速增長以及對(duì)數(shù)據(jù)處理實(shí)時(shí)性要求的增加，傳統(tǒng)電網(wǎng)系統(tǒng)在數(shù)據(jù)存儲(chǔ)和處理方面能力不足的問題也日益顯露，信息交疊、信息資源浪費(fèi)、兼容性差以及重復(fù)開發(fā)等問題嚴(yán)重制約了電網(wǎng)系統(tǒng)的工作效率，如何調(diào)整電網(wǎng)系統(tǒng)的架構(gòu)成為亟待解決的問題之一[4-5]。

工業(yè)、生活用電量增加的同時(shí)，用戶對(duì)電能質(zhì)量也有了更高的要求，斷電以及電壓不穩(wěn)定等問題會(huì)直接影響到工業(yè)生產(chǎn)活動(dòng)和用戶生活，因此供電安全、可靠和穩(wěn)定的重要性不言而喻[6]。配電網(wǎng)的復(fù)雜性使輸電線路經(jīng)常會(huì)發(fā)生各種故障，如果故障不能及時(shí)消除，則會(huì)引發(fā)更大范圍的停電，甚至導(dǎo)致系統(tǒng)崩潰。為了實(shí)現(xiàn)對(duì)電網(wǎng)系統(tǒng)中輸電線路、變電站以及其他電力設(shè)備運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測，智能電網(wǎng)在網(wǎng)絡(luò)邊緣部署了大量的智能終端、傳感設(shè)備。這些邊緣設(shè)備產(chǎn)生了海量的數(shù)據(jù)，使得云計(jì)算能力無法與數(shù)據(jù)量相匹配[7]；同時(shí)新型應(yīng)用對(duì)數(shù)據(jù)處理的實(shí)時(shí)性提出了更高的要求，傳統(tǒng)云計(jì)算模式很難有效應(yīng)對(duì)[8]。

邊緣計(jì)算是在靠近數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣處，融合網(wǎng)絡(luò)、計(jì)算、存儲(chǔ)、應(yīng)用的新網(wǎng)絡(luò)架構(gòu)與平臺(tái)[9-10]。邊緣計(jì)算通過將存儲(chǔ)計(jì)算能力下放到靠近數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣，減少了因網(wǎng)絡(luò)堵塞與路由導(dǎo)致的高時(shí)延，做到對(duì)終端請(qǐng)求的快速響應(yīng)與海量數(shù)據(jù)的實(shí)時(shí)處理；同時(shí)，通過對(duì)價(jià)值密度低的數(shù)據(jù)及時(shí)過濾、計(jì)算與處理，降低通信開銷，減少云計(jì)算中心的壓力。文獻(xiàn)[11]將邊緣計(jì)算應(yīng)用到電力行業(yè)，對(duì)邊緣計(jì)算在電力需求響應(yīng)業(yè)務(wù)中的應(yīng)用進(jìn)行展望，并提出了基于邊緣計(jì)算的家庭能源管理系統(tǒng)。文獻(xiàn)[12-13]對(duì)邊緣計(jì)算的典型應(yīng)用場景進(jìn)行介紹，包括能效管理、智能制造、預(yù)測性維護(hù)等，但在電網(wǎng)環(huán)境下以能耗為目標(biāo)針對(duì)邊緣算力進(jìn)行分配與優(yōu)化的研究卻很少。

物聯(lián)網(wǎng)、云存儲(chǔ)以及邊緣計(jì)算技術(shù)的出現(xiàn)為解決電網(wǎng)系統(tǒng)遇到的上述各種問題提供了可能[14]。本文以上述信息和計(jì)算技術(shù)為基礎(chǔ)，提出一種面向電網(wǎng)的分布式數(shù)據(jù)存儲(chǔ)處理模型，在模型基礎(chǔ)之上，以電網(wǎng)邊緣側(cè)的終端設(shè)備和邊緣服務(wù)器為邊緣算力，建立了基于能耗的邊緣層計(jì)算任務(wù)分配優(yōu)化模型，并通過合適的算法對(duì)模型進(jìn)行求解。以上模型與算法，解決了傳統(tǒng)電網(wǎng)系統(tǒng)無法滿足電力大數(shù)據(jù)的存儲(chǔ)、計(jì)算效率低下、數(shù)據(jù)質(zhì)量差的問題，實(shí)現(xiàn)對(duì)終端數(shù)據(jù)實(shí)時(shí)的監(jiān)測與處理[15-17]，綠色化使用電網(wǎng)邊緣算力。

1 面向電網(wǎng)的分布式數(shù)據(jù)存儲(chǔ)處理模型

圖1給出了面向電網(wǎng)的分布式數(shù)據(jù)存儲(chǔ)處理模型。

HDFS—Hadoop分布式文件系統(tǒng)，Hadoop distributed file system的縮寫。圖1 面向電網(wǎng)的分布式數(shù)據(jù)存儲(chǔ)處理模型Fig.1 Power grid oriented distributed data storage and processing model

整個(gè)框架平臺(tái)分為邊緣計(jì)算層、數(shù)據(jù)存儲(chǔ)層、平臺(tái)層、應(yīng)用決策層4部分。其中邊緣計(jì)算層由電網(wǎng)系統(tǒng)采集終端的各種智能電表、傳感器以及各種邊緣網(wǎng)關(guān)與基站等組成，負(fù)責(zé)電網(wǎng)數(shù)據(jù)的采集與上傳，對(duì)終端設(shè)備上傳的數(shù)據(jù)進(jìn)行解析轉(zhuǎn)換，以及對(duì)終端設(shè)備任務(wù)進(jìn)行邊緣計(jì)算[18]，并將數(shù)據(jù)傳送給數(shù)據(jù)存儲(chǔ)層。數(shù)據(jù)存儲(chǔ)層主要是由Oracle數(shù)據(jù)庫和基于HDFS的分布式存儲(chǔ)系統(tǒng)構(gòu)成，負(fù)責(zé)對(duì)采集到的電網(wǎng)數(shù)據(jù)進(jìn)行存儲(chǔ)，同時(shí)也是平臺(tái)層的存儲(chǔ)基礎(chǔ)。平臺(tái)層對(duì)采集到的基礎(chǔ)數(shù)據(jù)進(jìn)行各種業(yè)務(wù)邏輯計(jì)算，平臺(tái)層部署了用戶管理、權(quán)限管理、數(shù)據(jù)存儲(chǔ)等基礎(chǔ)的服務(wù)功能軟件。應(yīng)用決策層主要是由針對(duì)用戶以及管理員的可視化界面和相關(guān)的應(yīng)用程序構(gòu)成;同時(shí)系統(tǒng)還有分析計(jì)算模塊，用于對(duì)系統(tǒng)各部分提供必要的算法優(yōu)化支撐。

1.1 邊緣計(jì)算層

終端設(shè)備：電網(wǎng)系統(tǒng)中的數(shù)據(jù)主要來源于生產(chǎn)、營銷、調(diào)度部門3個(gè)部分，部門下面有大量的監(jiān)測設(shè)備、終端設(shè)備，用來采集與本部門業(yè)務(wù)相關(guān)的數(shù)據(jù)[19-20]。

邊緣計(jì)算層還包括邊緣控制器、邊緣網(wǎng)關(guān)、邊緣服務(wù)器、基站等。邊緣控制器具有數(shù)據(jù)采集、數(shù)據(jù)處理與邏輯控制的功能。電網(wǎng)系統(tǒng)存在著大量的智能電表、傳感器等終端設(shè)備，不同的終端設(shè)備連接方式、通信協(xié)議等存在差異，同時(shí)電網(wǎng)系統(tǒng)需要對(duì)各個(gè)部門不同類型的數(shù)據(jù)進(jìn)行綜合的分析挖掘；因此，為了實(shí)現(xiàn)各部門接入數(shù)據(jù)的互聯(lián)互通，各部門接入的數(shù)據(jù)要先經(jīng)過分析、處理才能接入平臺(tái)。邊緣網(wǎng)關(guān)可以實(shí)現(xiàn)異構(gòu)終端設(shè)備的接入，屏蔽底層差異，同時(shí)還具有協(xié)議解析轉(zhuǎn)換、數(shù)據(jù)采集等功能。邊緣服務(wù)器是邊緣計(jì)算的實(shí)施者，完成對(duì)終端設(shè)備發(fā)布任務(wù)的處理與計(jì)算，將計(jì)算結(jié)果及時(shí)返回給終端設(shè)備或者進(jìn)一步上傳至數(shù)據(jù)存儲(chǔ)層及平臺(tái)層。基站主要實(shí)現(xiàn)有線通信網(wǎng)絡(luò)與無線終端之間的無線信號(hào)傳輸。

1.2 數(shù)據(jù)存儲(chǔ)層

數(shù)據(jù)存儲(chǔ)層主要由Oracle數(shù)據(jù)庫和HDFS分布式存儲(chǔ)系統(tǒng)構(gòu)成。HDFS可進(jìn)行海量數(shù)據(jù)的并行處理，具有高吞吐量的優(yōu)勢，適合存儲(chǔ)大容量文件，但是它只能進(jìn)行數(shù)據(jù)的順序訪問，具有高時(shí)延[21]特點(diǎn)。HBase能保證數(shù)據(jù)訪問的實(shí)時(shí)性，同時(shí)也能像 HDFS那樣具有比較高的數(shù)據(jù)吞吐量[22]。HBase是面向列數(shù)據(jù)存儲(chǔ)的數(shù)據(jù)庫，底層對(duì)數(shù)據(jù)的存儲(chǔ)也是通過HDFS來實(shí)現(xiàn)，電網(wǎng)采集的數(shù)據(jù)按照編號(hào)放入HBase的數(shù)據(jù)表中，作為后續(xù)處理的基礎(chǔ)。

電網(wǎng)大量使用了關(guān)系型數(shù)據(jù)庫，數(shù)據(jù)是結(jié)構(gòu)化的，其數(shù)據(jù)庫表之間也存在大量的關(guān)聯(lián)關(guān)系，直接使用NoSQL并不合適，因?yàn)镹oSQL并不支持處理join查詢[23]。關(guān)聯(lián)關(guān)系在電網(wǎng)內(nèi)部很常見，所以對(duì)于電網(wǎng)數(shù)據(jù)的關(guān)聯(lián)查詢操作也是很頻繁的，本系統(tǒng)平臺(tái)采用Oracle數(shù)據(jù)庫與HDFS分布式存儲(chǔ)相結(jié)合的方式，有效地進(jìn)行多表關(guān)聯(lián)等復(fù)雜的查詢，彌補(bǔ)了HBase的NoSQL工具在這方面的不足；而關(guān)系型數(shù)據(jù)庫里的結(jié)構(gòu)化數(shù)據(jù)可以通過sqoop批量的遷移到Hadoop的HDFS中[24]，也可以將HDFS數(shù)據(jù)存儲(chǔ)至關(guān)系型數(shù)據(jù)庫，實(shí)現(xiàn)兩者數(shù)據(jù)的交互。

1.3 平臺(tái)層

平臺(tái)層面向應(yīng)用決策層的應(yīng)用提供應(yīng)用開發(fā)、測試和運(yùn)行過程中所需的基礎(chǔ)服務(wù)。平臺(tái)層以平臺(tái)軟件和服務(wù)為核心，部署了用戶管理、權(quán)限管理、數(shù)據(jù)存儲(chǔ)等基礎(chǔ)的服務(wù)功能軟件；開發(fā)人員可以根據(jù)平臺(tái)層提供的編程模型與API開發(fā)電網(wǎng)系統(tǒng)的應(yīng)用，以對(duì)電網(wǎng)采集到的數(shù)據(jù)進(jìn)行分析處理。

1.4 應(yīng)用決策層

應(yīng)用決策層主要是由針對(duì)用戶以及管理員的可視化界面和相關(guān)的應(yīng)用程序構(gòu)成，可通過web頁面對(duì)監(jiān)測和分析結(jié)果以圖形化的形式展現(xiàn)給用戶。該層主要實(shí)現(xiàn)數(shù)據(jù)質(zhì)量監(jiān)測、負(fù)荷監(jiān)測、停電管理、異動(dòng)管理等功能，通過監(jiān)測了解電網(wǎng)的運(yùn)營情況，提前預(yù)防或及時(shí)處理輸電線路的異常運(yùn)行狀態(tài)。應(yīng)用決策層使用了瀏覽器作為應(yīng)用的最終載體，系統(tǒng)通過結(jié)構(gòu)化查詢語言(structured query language, SQL)向Oracle數(shù)據(jù)庫請(qǐng)求查詢，查詢結(jié)果通過條形圖、餅圖、折線圖、表格等多種形式進(jìn)行了數(shù)據(jù)展示，系統(tǒng)界面如圖2所示。

圖2 電網(wǎng)監(jiān)測運(yùn)營應(yīng)用界面圖Fig.2 Grid monitoring operation application interface

2 邊緣計(jì)算在電網(wǎng)中的應(yīng)用

為了實(shí)現(xiàn)對(duì)電網(wǎng)系統(tǒng)運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測，在網(wǎng)絡(luò)邊緣部署了大量的智能終端與傳感設(shè)備。終端設(shè)備收集電網(wǎng)各個(gè)方面的數(shù)據(jù)，包括環(huán)境數(shù)據(jù)、電氣信息、運(yùn)行信息等。終端設(shè)備產(chǎn)生的海量數(shù)據(jù)中有的信息密度較低，所有的數(shù)據(jù)均由云計(jì)算中心進(jìn)行處理會(huì)造成云計(jì)算中心高負(fù)荷，通信時(shí)耗增大，同時(shí)有些數(shù)據(jù)處理時(shí)延苛刻，云計(jì)算也不能滿足這些數(shù)據(jù)分析、處理、響應(yīng)的實(shí)時(shí)性要求；因此，邊緣計(jì)算模式應(yīng)運(yùn)而生，如圖3所示。邊緣計(jì)算利用邊緣計(jì)算節(jié)點(diǎn)有限的計(jì)算資源與通信資源，通過合理地分配任務(wù)與資源，實(shí)現(xiàn)終端數(shù)據(jù)的本地化處理，提高了電網(wǎng)的通信性能，降低通信時(shí)耗和云中心計(jì)算負(fù)載[25-26]。

圖3 邊緣計(jì)算模型Fig.3 Edge computing model

2.1 算法與模型

2.1.1 邊緣層計(jì)算任務(wù)分配優(yōu)化模型

為了綠色化使用電網(wǎng)邊緣算力，提升數(shù)據(jù)處理效率，本文以電網(wǎng)邊緣側(cè)的終端設(shè)備和服務(wù)器為基礎(chǔ)，建立了基于改進(jìn)的能耗的邊緣層計(jì)算任務(wù)分配優(yōu)化模型，并采用雙層優(yōu)化(bilevel optimization approach for joint offloading decision and resource allocation，BiJOR)算法[27]分析計(jì)算和求解該模型。

在基于能耗的邊緣層計(jì)算任務(wù)分配優(yōu)化模型中，設(shè)電網(wǎng)中終端設(shè)備的集合為N={1,2,…,n}；設(shè)備i的任務(wù)定義為Ui，Ui={Ci,Di,Bi,Ti，max}，其中Ci為任務(wù)的計(jì)算量，Di為任務(wù)的輸入數(shù)據(jù)量，Bi為任務(wù)的輸出數(shù)據(jù)量，Ti,max為任務(wù)允許的最大時(shí)延。任務(wù)可以分配到本地設(shè)備、其他終端設(shè)備以及邊緣服務(wù)器上面執(zhí)行，共有n+1種執(zhí)行模式M={0,1,2,…,n}，其中邊緣服務(wù)器可以接收多個(gè)終端的任務(wù)，終端設(shè)備只能接收1個(gè)任務(wù)，任務(wù)計(jì)算時(shí)間

(1)

式中rij為設(shè)備j為任務(wù)i所分配的計(jì)算資源。

任務(wù)計(jì)算能耗[28]

(2)

式中k為能耗系數(shù)，它與移動(dòng)設(shè)備自身硬件電路結(jié)構(gòu)有關(guān)。

數(shù)據(jù)傳輸速率

?i∈N,j∈M{i}.

(3)

式中：W為帶寬；w為背景噪聲功率；ohj=1表示第h個(gè)任務(wù)分配到第j個(gè)設(shè)備上執(zhí)行；Pt,i為第i個(gè)任務(wù)的傳輸功率；Hij為設(shè)備i與設(shè)備j之間的信道增益。

數(shù)據(jù)傳輸時(shí)間

(4)

數(shù)據(jù)傳輸能耗

Et,ij=Ebt,ij+Ezt,ij，

(5)

(6)

式中：Ebt,ij為任務(wù)分配到邊緣服務(wù)器時(shí)的傳輸能耗；Ezt,ij為任務(wù)分配到其他終端設(shè)備時(shí)的傳輸能耗；Pr,i、Pr,j分別為第i、j個(gè)設(shè)備的接收功率。

優(yōu)化目標(biāo)為最小化任務(wù)計(jì)算與傳輸能耗，即

(7)

約束條件：

(8)

(9)

(10)

條件4:rij>0,?oij=1(i∈N且j∈M).

(11)

條件5:rij=0,?oij=0(i∈N且j∈M).

(12)

(13)

式(7)—(13)中：oij=1表示第i個(gè)任務(wù)分配到第j個(gè)設(shè)備上執(zhí)行；rj,max為第j個(gè)設(shè)備最大可分配資源；Tij為第i個(gè)任務(wù)分配到第j個(gè)設(shè)備上的執(zhí)行時(shí)間。

2.1.2 求解算法

由于優(yōu)化問題模型中計(jì)算與通信資源分配依賴于卸載決策的制訂，而卸載決策的優(yōu)劣又隨著資源分配的好壞而改變，只考慮其中之一就破壞了兩者之間強(qiáng)烈的依賴關(guān)系，對(duì)解質(zhì)量造成極大的干擾。文獻(xiàn)[27]采用了BiJOR方法，將問題轉(zhuǎn)化為1個(gè)二層優(yōu)化問題。二層優(yōu)化問題是在保證下層優(yōu)化問題最優(yōu)的前提下，對(duì)上層優(yōu)化問題進(jìn)行求解。文獻(xiàn)[27]將卸載決策視為上層優(yōu)化問題，目的是最小化所有用戶的總能耗，利用蟻群算法對(duì)問題進(jìn)行求解；計(jì)算資源分配被認(rèn)為是下層優(yōu)化問題，目的是最小化所有用戶的計(jì)算能耗，并采用了單調(diào)優(yōu)化方法進(jìn)行求解。在雙層優(yōu)化方法BiJOR基礎(chǔ)之上，為更好地適配本文問題，本文擬采用動(dòng)態(tài)參數(shù)變化法，利用模擬退火算法[29]中的Metropolis準(zhǔn)則，提出M-BiJOR算法，對(duì)邊緣計(jì)算任務(wù)卸載與資源分配聯(lián)合優(yōu)化。算法利用種群的迭代次數(shù)動(dòng)態(tài)更新個(gè)體維度取值方法的判斷概率，一定程度上避免陷入局部最優(yōu)，提高局部開發(fā)與全局勘探的能力。

個(gè)體維度取值的判斷概率

(14)

T=TinitβG.

(15)

式中:α>0為常量；T為溫度；Tinit為初始種群溫度;βG為第G次迭代的溫度衰減系數(shù)，且0<βG≤1。

此外，任務(wù)i分配給設(shè)備j執(zhí)行規(guī)則

(16)

式中：p為隨機(jī)概率值且0≤p≤1；J為針對(duì)任務(wù)i根據(jù)約束條件式(10)及式(13)，在所有執(zhí)行模式M中獲得的可行設(shè)備集合中的隨機(jī)值。

M-BiJOR與移動(dòng)邊緣計(jì)算(mobile edge computing,MEC)問題之間的映射見表1。

表1 M-BiJOR與MEC問題的映射Tab.1 Mapping of M-BiJOR and MEC problems

M-BiJOR算法流程如圖4所示，主要步驟如下：

圖4 M-BiJOR算法流程圖Fig.4 M-BiJOR algorithm flow chart

步驟1:初始化參數(shù)，根據(jù)約束條件式(10)及式(13)獲得個(gè)體每個(gè)維度的可行模式矩陣。

步驟2:根據(jù)可行模式矩陣，通過可行模式數(shù)量將個(gè)體維度升序排列進(jìn)行優(yōu)先級(jí)賦值，采用Metropolis準(zhǔn)則動(dòng)態(tài)更新每個(gè)維度賦值時(shí)選擇能耗最小的模式或者隨機(jī)模式，生成個(gè)體X的方法判斷如式(14)的概率，溫度越低時(shí)賦值方式偏向選擇能耗最小的模式；此外，并采用蟻群算法中的信息素機(jī)制對(duì)個(gè)體X的生成起到一定的反饋?zhàn)饔茫俅畏祷夭襟E2，直至生成設(shè)定數(shù)量的個(gè)體數(shù)成為1個(gè)種群為止。

步驟3:生成種群后根據(jù)式(3)進(jìn)行資源分配，根據(jù)式(7)計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度值，選擇適應(yīng)度值最小的個(gè)體為局部最優(yōu)解Local_best。

步驟4:對(duì)Local_best進(jìn)行鄰域搜索，若找到更優(yōu)個(gè)體則將其作為Local_best，并再次更新信息素，加深最優(yōu)個(gè)體對(duì)后續(xù)種群個(gè)體生成的影響。

步驟5:在全局最優(yōu)解Global_best與Local_best中選擇適應(yīng)度值較小的個(gè)體，更新Global_best。

步驟6:返回步驟2進(jìn)行下一次的迭代直至滿足迭代次數(shù)為止，輸出當(dāng)前最優(yōu)解Global_best及其適應(yīng)度值。

2.2 仿真與分析

在仿真過程中，本文所有的實(shí)驗(yàn)均在MATLAB R2018b中實(shí)現(xiàn)，使用的是1臺(tái)運(yùn)行在2.20 GHz(處理器)和8 GB RAM下的i7-8750 CPU的個(gè)人計(jì)算機(jī)。為了在電網(wǎng)邊緣側(cè)驗(yàn)證算法性能，在仿真過程中，任務(wù)與算法參數(shù)設(shè)置見表2，采用蟻群系統(tǒng)-綜合學(xué)習(xí)粒子群(ant colony system-comprehensive learning particle swarm optimization, ACS-CLPSO)算法[30-31]、自適應(yīng)鄰域搜索(adaptive neighborhood search, ANS)算法[32]作為對(duì)比算法，其參數(shù)設(shè)置與原文獻(xiàn)一致。

表2 任務(wù)與算法參數(shù)表Tab.2 Task and algorithm parameters

實(shí)驗(yàn)結(jié)果如圖5、6所示。

由圖5(a)可知：M-BiJOR在能耗優(yōu)化方面的表現(xiàn)普遍優(yōu)于ACS-CLPSO和ANS，并且隨著終端設(shè)備數(shù)量的增加，M-BiJOR與ACS-CLPSO和ANS的能耗差距增大，說明M-BiJOR在電網(wǎng)邊緣側(cè)終端設(shè)備數(shù)量增加時(shí)，其優(yōu)化效果更加顯著。由圖5(b)可知：ANS在算法運(yùn)行速度方面要普遍優(yōu)于M-BiJOR，但能耗優(yōu)化方面M-BiJOR效果更好，故在邊緣計(jì)算卸載方案求解速度優(yōu)先時(shí)，可選擇ANS求解算法，而當(dāng)想要更好的求解效果時(shí)，可選擇M-BiJOR求解算法。

圖5 不同算法平均能耗、運(yùn)行時(shí)間對(duì)比Fig.5 Comparisons of average energy consumption and running time of different algorithms

圖 6所示分別描述了終端設(shè)備數(shù)為200和400時(shí)平均能耗隨算法進(jìn)化迭代次數(shù)的變化，由圖6可知，無論是小規(guī)模(n=200)還是大規(guī)模(n=400)

圖6 n取不同值時(shí)不同算法平均能耗進(jìn)化過程Fig.6 Evolution process of average energy consumption with different n values

的邊緣算力分配任務(wù)，M-BiJOR均在初始階段獲得優(yōu)于ACS-CLPSO和ANS的解，這有助于在電網(wǎng)系統(tǒng)中短時(shí)間內(nèi)獲得高質(zhì)量的解決方案。在解決大規(guī)模問題時(shí)，隨著算法的運(yùn)行，與ACS-CLPSO迅速陷入局部最優(yōu)解相比，M-BiJOR具備一定的持續(xù)收斂能力，從而進(jìn)一步提升了解的質(zhì)量；此外，得益于M-BiJOR采用的雙層混合優(yōu)化機(jī)制，M-BiJOR在更早的算法代數(shù)時(shí)就可獲得遠(yuǎn)優(yōu)于ACS-CLPSO的解。這一現(xiàn)象表明，針對(duì)此優(yōu)化問題，類似于ACS-CLPSO這種雙層都采用智能優(yōu)化算法的方案，其求解效果尚不能滿足電網(wǎng)需求。

以電網(wǎng)系統(tǒng)終端有80個(gè)和400個(gè)終端設(shè)備任務(wù)時(shí)的情況為例進(jìn)行對(duì)比，采用M-BiJOR與ANS算法進(jìn)行求解，得到的解見表3、4。

表3算法的解對(duì)應(yīng)于實(shí)際電網(wǎng)系統(tǒng)中80個(gè)和400個(gè)終端設(shè)備任務(wù)時(shí)的分配方案，其中0代表將設(shè)備任務(wù)分配到邊緣服務(wù)器上執(zhí)行，其他的非0元素i代表將此任務(wù)分配給終端設(shè)備i執(zhí)行。由表3、4所示可知：在任務(wù)數(shù)量較少的情況下2種算法得到的解對(duì)應(yīng)的能耗差距相對(duì)較小，隨著任務(wù)數(shù)增加，M-BiJOR算法求解的方案系統(tǒng)能耗更少，而ANS在算法執(zhí)行時(shí)間上更具優(yōu)勢。

表3 M-BiJOR與ANS算法的解(n=80)Tab.3 Solution of M-BiJOR and ANS algorithms(n=80)

表4 M-BiJOR與ANS算法的解(n=400)Tab.4 Solution of M-BiJOR and ANS algorithms(n=400)

綜上所述，M-BiJOR在求解效果上要普遍好于ANS與ACS-CLPSO，而ANS在算法運(yùn)行時(shí)間方面比M-BiJOR與ACS-CLPSO更具優(yōu)勢；所以在分布式電網(wǎng)數(shù)據(jù)存儲(chǔ)處理平臺(tái)的分析計(jì)算模塊中配置M-BiJOR與ANS算法作為核心解決方案，可根據(jù)需要來對(duì)不同算法進(jìn)行選擇。

2.3 系統(tǒng)交互界面展示

應(yīng)用決策層會(huì)基于平臺(tái)層開發(fā)相對(duì)應(yīng)的異動(dòng)管理模塊用于顯示監(jiān)測到的全網(wǎng)異動(dòng)情況，對(duì)各地市的異動(dòng)故障進(jìn)行統(tǒng)計(jì)分析，并對(duì)收到的異動(dòng)進(jìn)行審核，進(jìn)而對(duì)審核通過的異動(dòng)進(jìn)行整改。系統(tǒng)界面如圖7所示。

圖7 異動(dòng)管理模塊系統(tǒng)界面圖Fig.7 Change management module system interface

3 結(jié)束語

本文構(gòu)建了一種面向電網(wǎng)的分布式數(shù)據(jù)存儲(chǔ)處理模型，根據(jù)HDFS分布式存儲(chǔ)數(shù)據(jù)吞吐量大、可靠性高、成本低等特點(diǎn)對(duì)海量的電網(wǎng)數(shù)據(jù)進(jìn)行采集與存儲(chǔ)，利用HBase對(duì)海量數(shù)據(jù)進(jìn)行實(shí)時(shí)的、隨機(jī)的讀寫訪問，滿足電網(wǎng)數(shù)據(jù)實(shí)時(shí)性處理要求；同時(shí)基于MapReduce分布式計(jì)算模型對(duì)電網(wǎng)數(shù)據(jù)進(jìn)行并行分析計(jì)算，解決傳統(tǒng)集中式電網(wǎng)平臺(tái)無法滿足電力大數(shù)據(jù)存儲(chǔ)、分析處理效率低下、數(shù)據(jù)質(zhì)量差的問題。分析計(jì)算模塊以電網(wǎng)邊緣側(cè)的終端設(shè)備和服務(wù)器為基礎(chǔ)，利用邊緣層計(jì)算任務(wù)分配優(yōu)化模型與M-BiJOR算法對(duì)邊緣計(jì)算任務(wù)卸載與資源分配進(jìn)行優(yōu)化，更加綠色化使用邊緣算力。