摘 要：針對新型電力系統(tǒng)中海量設(shè)備對精細(xì)化運維管控、高頻數(shù)據(jù)采集、高速數(shù)據(jù)傳輸和低時延數(shù)據(jù)處理的需求，首先提出面向電網(wǎng)生產(chǎn)設(shè)備智能運維的云邊協(xié)同數(shù)據(jù)處理架構(gòu)。其次，構(gòu)建了考慮云邊協(xié)同數(shù)據(jù)處理時延與終端數(shù)據(jù)隊列積壓加權(quán)最優(yōu)的云邊協(xié)同數(shù)據(jù)處理模型。最后，提出基于處理時延和積壓感知匹配的云邊協(xié)同數(shù)據(jù)處理優(yōu)化算法，根據(jù)處理時延和積壓感知構(gòu)建偏好列表，通過云邊數(shù)據(jù)處理匹配迭代優(yōu)化解決資源競爭問題。仿真結(jié)果表明，相比于PDPRA和CSA算法，所提算法使數(shù)據(jù)處理時延分別降低了7.26%和12.18%、數(shù)據(jù)隊列積壓分別降低了11.25%和13.41%，在邊緣服務(wù)器突發(fā)計算任務(wù)時和大規(guī)模設(shè)備接入場景下，均能有效降低數(shù)據(jù)處理時延與數(shù)據(jù)隊列積壓加權(quán)和，能夠滿足電網(wǎng)生產(chǎn)設(shè)備智能運維的實時數(shù)據(jù)處理需求。

關(guān)鍵詞：電網(wǎng)生產(chǎn)設(shè)備; 智能運維; 云邊協(xié)同數(shù)據(jù)處理; 時延和積壓感知; 匹配降維

DOI：10.15938/j.jhust.2024.04.012

中圖分類號： TM734

文獻(xiàn)標(biāo)志碼： A

文章編號： 1007-2683（2024）04-0105-09

Cloud-edge Collaborative Data Processing Method for Intelligent

Operation and Maintenance of Power Grid Production Equipment

LI Yadan1， CHEN Xiaofeng1， HUANG Xiaoming2， ZHANG Sunxuan2

（1.Electric Power Dispatching Control Center， Guangdong Grid Co.， Ltd.， Guangdong 510600， China；

2.School of Electrical and Electronic Engineering， North China Electric Power University， Beijing 102206，China）

Abstract：Aiming at the requirements of massive equipment in the new power system for fine operation and maintenance control， high-frequency data acquisition， high-speed data transmission， and low-latency data processing， this paper firstly presents the cloud-edge collaborative data processing framework for intelligent operation and maintenance of power grid production equipment. Secondly， a cloud-edge collaborative data processing model is constructed to optimize the weighted sum of cloud-edge collaborative data processing delay and device data queue backlog. Finally， an optimization algorithm for cloud-edge collaborative data processing based on processing delay and backlog aware matching is proposed. The proposed algorithm constructs the preference list based on processing delay and backlog awareness and solves the resource competition problem by the iterative optimization of cloud-edge data processing matching. Simulation results show that compared with PDPRA and CSA algorithms， the proposed algorithm improves data processing delay by 7.26% and 12.18%， and reduces data queue backlog by 11.25% and 13.41%. The weighted sum of the data processing delay and the data queue backlog under the proposed algorithm can be effectively reduced in the edge server burst computation task and large-scale device access scenarios. It can meet the real-time data processing requirements of intelligent operation and maintenance for power grid production equipment.

Keywords：power grid production equipment; intelligent operation and maintenance; cloud-edge collaborative data processing; delay and backlog awareness; dimensionality reduction of matching

0 引 言

隨著新型電力系統(tǒng)的數(shù)字化轉(zhuǎn)型，以及高比例新能源的規(guī)模化接入，需要對海量生產(chǎn)設(shè)備進(jìn)行精細(xì)化管控和智能運維^［1］。電網(wǎng)生產(chǎn)設(shè)備管理系統(tǒng)是智能運維的基礎(chǔ)，基于數(shù)據(jù)清洗治理、數(shù)據(jù)統(tǒng)計分析、數(shù)據(jù)可視化精控等關(guān)鍵技術(shù)對電網(wǎng)各類生產(chǎn)設(shè)備標(biāo)簽、運行、檢修、退役等基礎(chǔ)數(shù)據(jù)進(jìn)行集成管理^［2-4］。然而，隨著電網(wǎng)生產(chǎn)設(shè)備數(shù)量、采集基礎(chǔ)數(shù)據(jù)量的爆發(fā)式增長，傳統(tǒng)基于云計算的集中處理模式由于云端通道瓶頸，難以滿足海量電網(wǎng)生產(chǎn)設(shè)備智能運維的實時數(shù)據(jù)處理需求^［5-8］。

云邊協(xié)同作為一種新的數(shù)據(jù)處理模式，通過結(jié)合云層豐富的計算資源和邊緣層的即時響應(yīng)能力，實現(xiàn)差異化業(yè)務(wù)的協(xié)同處理^［9-10］。時延和隊列積壓是云邊協(xié)同數(shù)據(jù)處理優(yōu)化的兩個重要指標(biāo)，其中，文［11］基于電力物聯(lián)網(wǎng)云邊協(xié)同架構(gòu)，以最小化系統(tǒng)平均時延為目標(biāo)，將經(jīng)過邊緣節(jié)點的數(shù)據(jù)流進(jìn)行分割，部分?jǐn)?shù)據(jù)利用邊緣節(jié)點處理，其余數(shù)據(jù)上傳至云管理中心處理，通過云邊協(xié)同處理降低數(shù)據(jù)處理時延。文［12］提出考慮數(shù)據(jù)隊列積壓的云-邊-端協(xié)同數(shù)據(jù)處理方法，根據(jù)云邊緩存隊列積壓情況及終端數(shù)據(jù)處理需求，優(yōu)化云邊計算資源分配策略，實現(xiàn)數(shù)據(jù)高效、實時處理。然而，上述文獻(xiàn)僅考慮時延、隊列積壓等單一性能指標(biāo)，并且在建模過程中忽略了端邊通道、端云通道、云邊計算負(fù)載、可用通信計算資源等因素對協(xié)同數(shù)據(jù)處理的影響，難以滿足海量電網(wǎng)生產(chǎn)設(shè)備智能運維數(shù)據(jù)的實時處理需求。

匹配理論為解決多主體之間的組合優(yōu)化問題提供了一種低復(fù)雜度的解決方案，已被廣泛用于云邊卸載優(yōu)化^［13-15］。文［16］提出了一種基于處理時延優(yōu)先的資源塊分配，通過為終端匹配資源塊降低數(shù)據(jù)處理時延。文［17］提出了一種基于匹配理論的服務(wù)器選擇機制，通過為終端選擇資源較好的服務(wù)器，以實現(xiàn)數(shù)據(jù)處理時延的優(yōu)化。然而，上述文獻(xiàn)只考慮了終端與服務(wù)器或終端與資源塊之間的二維匹配，難以適用于終端、云邊服務(wù)器、可用資源塊之間的高維匹配場景，并且在匹配模型構(gòu)建中缺少時延與隊列積壓的聯(lián)合感知，與電網(wǎng)生產(chǎn)設(shè)備智能運維數(shù)據(jù)處理的適配性有待提升。

在此背景下，本文提出基于面向電網(wǎng)生產(chǎn)設(shè)備智能運維的云邊協(xié)同數(shù)據(jù)處理架構(gòu)，并提出了考慮云邊協(xié)同數(shù)據(jù)處理時延與終端數(shù)據(jù)隊列積壓加權(quán)最優(yōu)的云邊協(xié)同數(shù)據(jù)處理模型；在此基礎(chǔ)上，提出基于處理時延和積壓感知匹配的云邊協(xié)同數(shù)據(jù)處理優(yōu)化算法，根據(jù)處理時延和積壓感知構(gòu)建偏好列表，通過考慮資源競爭的云邊協(xié)同數(shù)據(jù)處理匹配迭代優(yōu)化，實現(xiàn)電網(wǎng)生產(chǎn)設(shè)備智能運維的實時云邊協(xié)同數(shù)據(jù)處理。本文創(chuàng)新點總結(jié)如下：

1）終端、資源塊與服務(wù)器的聯(lián)合優(yōu)化：本文將資源塊與服務(wù)器組合為匹配選項，降低匹配維度，并提出基于處理時延和積壓感知匹配的云邊協(xié)同數(shù)據(jù)處理優(yōu)化算法實現(xiàn)終端對于資源塊與服務(wù)器選擇的聯(lián)合優(yōu)化。

2）基于業(yè)務(wù)優(yōu)先級的資源競爭解決機制：本文在面對資源競爭問題時分別考慮了資源塊匹配成本和服務(wù)器匹配成本，并在二者的成本步長調(diào)整時考慮了業(yè)務(wù)優(yōu)先級的影響，通過較慢提升高優(yōu)先級業(yè)務(wù)的匹配成本，使資源塊與服務(wù)器的匹配組合選項更傾向于被高優(yōu)先級業(yè)務(wù)選擇。

1 面向電網(wǎng)生產(chǎn)設(shè)備智能運維的云邊協(xié)同數(shù)據(jù)處理架構(gòu)

面向海量生產(chǎn)設(shè)備智能運維和精細(xì)化管控需求，提出基于云邊協(xié)同的數(shù)據(jù)處理架構(gòu)，包括終端層、邊緣層和云層，如圖1所示。

終端層包含各種部署在生產(chǎn)設(shè)備上的數(shù)據(jù)采集終端，用以采集生產(chǎn)設(shè)備標(biāo)簽數(shù)據(jù)、運行數(shù)據(jù)、檢修數(shù)據(jù)、退役數(shù)據(jù)等生產(chǎn)設(shè)備管理基礎(chǔ)數(shù)據(jù)；邊緣層包含智能運維平臺，匯聚終端層上傳的生產(chǎn)設(shè)備管理基礎(chǔ)數(shù)據(jù)，進(jìn)一步通過任務(wù)制定、任務(wù)分配、清洗盤點、任務(wù)流程分析、進(jìn)度展示等功能完成數(shù)據(jù)全面清洗，實現(xiàn)生產(chǎn)設(shè)備的快速統(tǒng)計及臺賬字段盤點核對，并將處理后的數(shù)據(jù)上傳至云層；云層包含電網(wǎng)調(diào)度運行中臺，根據(jù)邊緣層上傳的數(shù)據(jù)自動生成數(shù)據(jù)治理報告，按照設(shè)備類別、管轄部門的維度匯總生產(chǎn)設(shè)備數(shù)據(jù)清洗任務(wù)的情況，包括生產(chǎn)設(shè)備整體情況，臺賬、實物、標(biāo)簽一致性分析，臺賬基礎(chǔ)數(shù)據(jù)質(zhì)量分析，并以圖、表等各種直觀的可視化形式進(jìn)行展示，支撐生產(chǎn)設(shè)備全生命周期管理。此外，電網(wǎng)調(diào)度運行中臺還配置采集告警分析、采集歷史日志檢索分析等功能，采集數(shù)據(jù)發(fā)生傳輸異常情況時會進(jìn)行告警提示并迅速形成歷史日志，實現(xiàn)對數(shù)據(jù)采集過程故障的回溯分析。

所提架構(gòu)支持?jǐn)?shù)據(jù)分流，根據(jù)生產(chǎn)設(shè)備智能運維業(yè)務(wù)的時延需求、以及數(shù)據(jù)隊列積壓、端云通道、端邊通道、云邊可用計算資源等情況，將數(shù)據(jù)分流到邊緣層和云層協(xié)同處理，提高處理效率和資源利用率。

2 面向電網(wǎng)生產(chǎn)設(shè)備智能運維的云邊協(xié)同數(shù)據(jù)處理模型

本節(jié)介紹面向電網(wǎng)生產(chǎn)設(shè)備智能運維的云邊協(xié)同數(shù)據(jù)處理模型，以及云邊協(xié)同數(shù)據(jù)處理優(yōu)化問題構(gòu)建。

2.1 生產(chǎn)設(shè)備數(shù)據(jù)積壓模型

假設(shè)共有I個數(shù)據(jù)采集終端，其集合為D={d1，…，di，…，dI}。考慮T次數(shù)據(jù)處理迭代，其集合為T={1，…，t，…，T}。每次迭代時，終端根據(jù)可用通信、計算資源，將本地緩存的采集數(shù)據(jù)上傳到邊緣層或云層進(jìn)行協(xié)同數(shù)據(jù)處理。終端di的本地緩存數(shù)據(jù)可建模為緩存隊列，隊列積壓Qi（t）更新公式為

Qi（t+1）=Qi（t）+Ai（t）－Ui（t）（1）

其中Ai（t）和Ui（t）為di在第t次迭代內(nèi)的采集數(shù)據(jù)量和傳輸數(shù)據(jù)量，分別表示隊列的輸入和輸出。

2.2 智能運維數(shù)據(jù)傳輸模型

定義服務(wù)器總數(shù)為K，其集合為C={c0，c1，…，ck，…，cK}，其中，c0為云服務(wù)器，c1，…，ck，…，cK為邊緣服務(wù)器。結(jié)合端邊通道、端云通道、以及云邊負(fù)載情況，將可用通信、計算資源分割為J個資源塊，其集合為F={f1，…，fj，…，fJ}，第t次迭代時終端di通過資源塊fj向服務(wù)器ck傳輸采集數(shù)據(jù)的信噪比為^［18］

γi，j，k（t）=Pi（t）gi，j，k（t）δ2（2）

其中：Pi（t）為di的數(shù)據(jù)傳輸功率；gi，j，k（t）為di利用fj向ck傳輸數(shù)據(jù)的通道增益；δ2為傳輸通道噪聲功率。

定義終端與資源塊之間的匹配指示變量為xi，j（t）∈{0，1}，xi，j（t）=1表示第t次迭代時，終端di與資源塊fj匹配，否則xi，j（t）=0。定義終端與服務(wù)器之間的匹配指示變量為yi，k（t）∈{0，1}，yi，k（t）=1表示第t次迭代時，終端di向服務(wù)器ck上傳數(shù)據(jù)，否則yi，k（t）=0?；谑剑?），di利用fj向ck傳輸數(shù)據(jù)的傳輸速率計算為

Ri，j，k（t）=Bi，j，klog2（1+γi，j，k（t））（3）

其中，Bi，j，k為di利用fj向ck傳輸數(shù)據(jù)的通道帶寬。

di在第t次迭代內(nèi)傳輸數(shù)據(jù)量Ui（t）為

Ui（t）=min{Qi（t）+Ai（t），τ∑Jj=1∑Kk=1xi，j（t）yi，k（t）Ri，j，k（t）}（4）

其中τ表示迭代傳輸時長。

di用fj向ck傳輸數(shù)據(jù)的數(shù)據(jù)傳輸時延為

Ti，j，k，tr（t）=Ui（t）Ri，j，k（t）（5）

2.3 云邊數(shù)據(jù)協(xié)同計算模型

邊緣服務(wù)器或云服務(wù)器在處理完自身計算負(fù)載后，才能處理來自終端的數(shù)據(jù)。ck處理來自di的采集數(shù)據(jù)的時延為

Ti，k，c（t）=Ti，k，w（t）+αiUi（t）∑Jj=1xi，j（t）lj（t）（6）

其中：Ti，k，w為等待ck完成自身計算負(fù)載的時延；αi為處理單位di數(shù)據(jù)所需計算資源，即計算復(fù)雜度，li（t）為資源塊fj提供的計算資源。

2.4 云邊協(xié)同數(shù)據(jù)處理時延模型

云邊協(xié)同數(shù)據(jù)處理時延為傳輸時延與計算時延之和，即

Ti，j，k，s（t）=Ti，j，k，tr（t）+Ti，k，c（t）（7）

2.5 云邊協(xié)同數(shù)據(jù)處理優(yōu)化問題構(gòu)建

云邊協(xié)同數(shù)據(jù)處理的優(yōu)化目標(biāo)為通過聯(lián)合優(yōu)化終端、資源塊與服務(wù)器之間的匹配，同時最小化云邊協(xié)同數(shù)據(jù)處理時延與終端數(shù)據(jù)隊列積壓。優(yōu)化問題構(gòu)建為

min{xi，j（t），yi，k（t）}1T∑Tt=1∑Ii=1VQi（t）+∑Jj=1∑Kk=1xi，j（t）yi，k（t）Ti，j，k，s（t）

s.t.C1：∑Ii=1xi，j（t）≤1，di∈D，fj∈F，t∈T

C2：∑Jj=1xi，j（t）≤1，di∈D，fj∈F，t∈T

C3：∑Kk=1yi，k（t）≤1，di∈D，ck∈C，t∈T

C4：∑Ii=1yi，k（t）≤qk，di∈D，ck∈C，t∈T（8）

其中：V為權(quán)重，用以權(quán)衡處理時延與數(shù)據(jù)隊列積壓的優(yōu)化；qk為服務(wù)器的配額；C1和C2為終端匹配資源塊約束，表示每個終端最多可匹配一個資源塊，且每個資源塊最多可被一個終端使用；C3和C4為終端匹配服務(wù)器約束，表示每個終端最多配一個服務(wù)器，且每個服務(wù)器最多同時服務(wù)qk個終端。

3 基于處理時延和積壓感知匹配的云邊協(xié)同數(shù)據(jù)處理優(yōu)化算法

本節(jié)提出基于處理時延和積壓感知匹配的云邊協(xié)同數(shù)據(jù)處理優(yōu)化算法，求解上述優(yōu)化問題。算法原理和算法實施流程介紹如下。

3.1 算法原理

所提算法原理如圖2所示，通過將資源塊和服務(wù)器組合為新的匹配選項，對終端、資源塊和服務(wù)器之間的三維匹配進(jìn)行降維，從而構(gòu)建終端與資源塊服務(wù)器組合選項之間的二維匹配問題。在此基礎(chǔ)上，基于云、邊服務(wù)器處理時延和終端數(shù)據(jù)隊列積壓感知，構(gòu)建終端對資源塊服務(wù)器組合選項的云邊協(xié)同數(shù)據(jù)處理匹配偏好，并根據(jù)匹配偏好列表，完成終端與資源塊、服務(wù)器之間的匹配。最后，終端根據(jù)匹配結(jié)果將數(shù)據(jù)上傳到邊緣服務(wù)器或云服務(wù)器進(jìn)行協(xié)同數(shù)據(jù)處理。

由于多個終端對相同組合選項的資源競爭，當(dāng)匹配請求數(shù)量超過該組合選項中服務(wù)器的服務(wù)配額時，需要通過合理的資源競爭解決機制，協(xié)調(diào)多個終端的匹配請求。所提算法通過動態(tài)提升資源塊和服務(wù)器的匹配成本，改變終端對資源塊服務(wù)器組合選項的匹配偏好，從而解決多個終端對相同組合選項的資源競爭問題。此外，通過在匹配成本提升過程中考慮不同終端數(shù)據(jù)的處理優(yōu)先級，滿足差異化業(yè)務(wù)的數(shù)據(jù)處理需求。

降維原理介紹如下：定義資源塊服務(wù)器組合選項集合S為資源塊集合F服務(wù)器集合C的笛卡爾積，即S=FC。其中，定義sj，k∈S為資源塊fj與服務(wù)器ck構(gòu)成的組合選項。則終端、資源塊和服務(wù)器之間的三維匹配可以降維為終端與資源塊服務(wù)器組合選項之間的二維匹配，定義二維匹配關(guān)系Φ（di）=sj，k表示di與組合選項sj，k匹配，即xi，j（t）=1，yi，k（t）=1。

3.2 實施流程

所提算法的實施流程如圖3所示。包括處理時延和積壓感知、基于處理時延和積壓感知的云邊數(shù)據(jù)處理匹配偏好構(gòu)建和考慮資源競爭的云邊協(xié)同數(shù)據(jù)處理匹配迭代優(yōu)化3個步驟，具體介紹如下。

3.2.1 處理時延和積壓感知

邊緣層收集終端采集數(shù)據(jù)量、端邊通道情況、端云通道情況、云邊可用計算資源、云邊負(fù)載等信息，完成處理時延和積壓感知。具體地，針對資源塊服務(wù)器組合選項sj，k，根據(jù)式（7）感知服務(wù)器ck的處理時延；針對終端di，根據(jù)式（1）感知其數(shù)據(jù)隊列積壓。

3.2.2 基于處理時延和積壓感知的云邊數(shù)據(jù)處理匹配偏好構(gòu)建

基于處理時延和積壓感知，構(gòu)建云邊數(shù)據(jù)處理匹配偏好。定義終端di對資源塊服務(wù)器組合選項sj，k的偏好值為θi，j，k（t），表示為

θi，j，k（t）=－Ti，j，k，s（t）－VQi（t）－ηi，j（t）－ηi，k（t）（9）

其中：ηi，j（t）為di與資源塊fj的匹配成本；ηi，k（t）為di與服務(wù)器ck的匹配成本，用于解決多終端對相同組合選項的資源競爭問題，具體在下一節(jié)介紹。

通過對所有組合選項匹配偏好進(jìn)行降序排序，得到di的匹配偏好列表，為云邊協(xié)同數(shù)據(jù)處理匹配迭代提供依據(jù)。

3.2.3 考慮資源競爭的云邊協(xié)同數(shù)據(jù)處理匹配迭代優(yōu)化

基于處理時延和積壓感知的匹配偏好列表，未匹配終端di根據(jù)偏好列表向偏好值最大的資源塊服務(wù)器組合選項，例如sj，k，發(fā)起匹配請求。sj，k中的資源塊fj和服務(wù)器ck分別統(tǒng)計自身所接收到的匹配請求數(shù)量|Λj|和|Ωk|。當(dāng)|Λj|≤1且|Ωk|≤qk時，表示沒有資源競爭沖突發(fā)生，則將di與sj，k匹配，即Φ（di）=sj，k，xi，j（t）=1，yi，k（t）=1。若|Λj|gt;1或|Ωk|gt;qk時，則資源塊或服務(wù)器的配額無法滿足，判定資源競爭沖突發(fā)生。此時，通過提升fj或ck的匹配成本，降低終端對組合選項sj，k的偏好，從而減少申請匹配同一組合選項的終端數(shù)量，達(dá)到解決資源競爭沖突的目的。在匹配成本過程中，應(yīng)考慮不同業(yè)務(wù)終端的數(shù)據(jù)處理優(yōu)先級，優(yōu)先提升低優(yōu)先級業(yè)務(wù)的匹配成本。資源塊和服務(wù)器的匹配成本更新公式分別表示為

ηi，j（t）=ηi，j（t）+Δpi，jκi

ηi，k（t）=ηi，k（t）+Δpi，kκi（10）

其中：Δpi，j和Δpi，k分別為di與資源塊fj和服務(wù)器ck的匹配成本提升步長；κi為di的優(yōu)先級權(quán)重，κi越大，di的優(yōu)先級越高，匹配成本提升較慢。更新匹配成本后，重復(fù)迭代優(yōu)化過程，直到所有終端完成匹配。

4 算例仿真

4.1 仿真參數(shù)

文章基于某電網(wǎng)公司實際生產(chǎn)設(shè)備智能運維場景，考慮標(biāo)簽數(shù)據(jù)、運行數(shù)據(jù)、檢修數(shù)據(jù)、退役數(shù)據(jù)等多種數(shù)據(jù)采集終端，基于MATLAB進(jìn)行仿真驗證?？紤]兩種仿真場景，具體設(shè)置如下。

1）場景1設(shè)置15個采集終端、5個邊緣服務(wù)器、1個云服務(wù)器、20個通信計算資源塊，其中，端邊通道帶寬區(qū)間為［0.8，1.2］MHz，端云通道帶寬區(qū)間為［1.4，1.6］MHz，邊緣服務(wù)器可用計算資源區(qū)間為［1，2］×107cycles，云服務(wù)器可用計算資源區(qū)間為［3，5］×107cycles，數(shù)據(jù)處理迭代次數(shù)為100次。

2）場景2為大規(guī)模設(shè)備接入場景，分別設(shè)置終端數(shù)量從600個增長到1600個，從而驗證大規(guī)模設(shè)備接入場景下資源競爭時的數(shù)據(jù)處理時延與數(shù)據(jù)隊列積壓加權(quán)和性能；設(shè)置終端為600個，服務(wù)器配額為3，進(jìn)一步設(shè)置邊緣服務(wù)器數(shù)從200個增長到400個的情況，以及資源塊數(shù)從600個增長到800個的情況，從而驗證大規(guī)模設(shè)備接入場景下資源充足時的數(shù)據(jù)處理時延與數(shù)據(jù)隊列積壓加權(quán)和性能。其余仿真參數(shù)設(shè)置如表2所示^［19-23］。

4.2 對比算法設(shè)置

本文通過與兩種云邊協(xié)同數(shù)據(jù)處理算法作為對比來驗證所提算法的性能。第一種為基于處理時延優(yōu)先的資源塊分配（processing delay priority-based resource block allocation， PDPRA）算法^［16］，該算法將所有數(shù)據(jù)傳輸?shù)竭吘壏?wù)器處理。第二種為基于計算資源的服務(wù)器分配（computing-based servers allocation， CSA）算法^［17］。在該算法中，終端對服務(wù)器的偏好值為服務(wù)器計算資源，而算法未考慮通道質(zhì)量和終端數(shù)據(jù)隊列積壓情況。同時，上述兩種對比算法都沒有考慮資源競爭解決。

4.3 結(jié)果分析

4.3.1 與不同算法優(yōu)化效果對比

圖4（a）對比了數(shù)據(jù)處理時延與數(shù)據(jù)隊列積壓加權(quán)和，相比于PDPRA和CSA算法，所提算法加權(quán)和分別下降了11.05%和13.35%。其原因在于所提算法在偏好列表中考慮了資源塊所帶來的處理時延差異以及服務(wù)器選擇所帶來的終端數(shù)據(jù)隊列積壓差異，并根據(jù)不同選擇下二者加權(quán)和性能，調(diào)整終端對資源塊和服務(wù)器選擇策略，實現(xiàn)時延與數(shù)據(jù)隊列積壓性能的優(yōu)化。同時，當(dāng)匹配沖突時，所提算法可以基于式（9）與式（10）更新匹配成本，使高優(yōu)先級終端匹配成本提升較小，實現(xiàn)更好的資源塊和服務(wù)器的匹配，有效解決匹配沖突，保證較小的時延與數(shù)據(jù)隊列積壓。而PDPRA算法僅考慮了處理時延的優(yōu)化，忽略了服務(wù)器資源差異與云服務(wù)器可用資源，同時缺少對匹配沖突的解決機制，時延與數(shù)據(jù)隊列積壓性能較差。CSA算法未考慮通信資源競爭導(dǎo)致的通道性能瓶頸，性能最差。

圖4（b）和圖4（c）分別為數(shù)據(jù)處理時延和數(shù)據(jù)隊列積壓對比。相比于PDPRA和CSA算法，所提算法使數(shù)據(jù)處理時延分別降低了7.26%和12.18%、隊列積壓分別降低了11.25%和13.41%。所提算法將云層和邊緣層通信資源與計算資源整合為資源塊，并通過笛卡爾積對云邊服務(wù)器和資源塊進(jìn)行組合，可以實現(xiàn)終端對服務(wù)器和資源塊更好的選擇，將終端數(shù)據(jù)卸載至邊或云服務(wù)器進(jìn)行計算，因此可以大幅度降低處理時延與數(shù)據(jù)隊列積壓；同時，若當(dāng)前迭代終端存在數(shù)據(jù)隊列積壓，基于式（1），所積壓數(shù)據(jù)會在下一次迭代中傳輸至邊或云服務(wù)器進(jìn)行處理，并通過所提算法實現(xiàn)合理的資源塊與服務(wù)器選擇，使數(shù)據(jù)隊列積壓維持在較低水平。

圖5展示了當(dāng)邊緣服務(wù)器突發(fā)計算任務(wù)時的數(shù)據(jù)處理時延與數(shù)據(jù)隊列積壓加權(quán)和對比。當(dāng)計算任務(wù)突發(fā)時，三種算法的數(shù)據(jù)處理時延與數(shù)據(jù)隊列積壓加權(quán)和均升高，但所提算法可以保持較低的加權(quán)和性能。原因在于所提算法通過云邊協(xié)同完成數(shù)據(jù)處理，可利用云服務(wù)器的計算性能，緩解邊緣服務(wù)器突發(fā)計算任務(wù)導(dǎo)致的數(shù)據(jù)處理壓力，降低處理時延和數(shù)據(jù)隊列積壓；同時通過時延與數(shù)據(jù)隊列積壓感知，所提算法可及時調(diào)整終端的匹配策略，有效保證高優(yōu)先級終端數(shù)據(jù)的處理時延及積壓性能。而PDPRA忽略了云服務(wù)器計算性能，在邊緣服務(wù)器計算能力不足時，終端數(shù)據(jù)隊列積壓激增，導(dǎo)致加權(quán)和性能最差。CSA可通過云服務(wù)器完成數(shù)據(jù)處理，在一定程度上規(guī)避了邊緣通信變差帶來的影響，其性能好于PDPRA，但由于過多終端選擇云服務(wù)器而帶來的通信資源競爭問題，其加權(quán)和性能差于所提算法。相比于CSA和PDPRA算法，所提算法能夠基于觀測到的處理時延以及隊列積壓性能構(gòu)建偏好列表，通過匹配請求與拒絕以及優(yōu)先級差異迭代更新匹配成本和偏好列表，不依賴于通信通道、服務(wù)器數(shù)據(jù)處理等模型，具有較強的可擴展性。

4.3.2 大規(guī)模設(shè)備接入場景算法適用性驗證

圖6為大規(guī)模設(shè)備接入場景下終端數(shù)增加時數(shù)據(jù)處理時延與數(shù)據(jù)隊列積壓加權(quán)和對比。隨著終端數(shù)量的增加，終端可用資源塊減少，導(dǎo)致三種算法的加權(quán)和均隨終端數(shù)增加而增加。同時，在終端數(shù)量增加到1200之后，選擇相同服務(wù)器的終端增加，通信計算資源塊的處理能力下降，終端需要競爭仍具有較好處理能力的資源塊與服務(wù)器，三種算法的加權(quán)和性能均陡然增加。而所提算法在處理能力下降的情況下，通過匹配成本迭代優(yōu)化使終端匹配到較為合適的資源塊與服務(wù)器，緩解資源競爭沖突，加權(quán)和增加幅度最小。

圖7為大規(guī)模設(shè)備接入場景下邊緣服務(wù)器數(shù)增加時數(shù)據(jù)處理時延與數(shù)據(jù)隊列積壓加權(quán)和對比。當(dāng)邊緣服務(wù)器數(shù)增加時，邊緣服務(wù)器總處理能力上升，性能較好的服務(wù)器數(shù)增加，由于CSA和PDPRA算法在邊緣服務(wù)器充足時，處理性能也較好，因此三種算法的加權(quán)和下降趨勢類似。所提算法在服務(wù)器盈余時，通過時延和積壓感知選擇更好的服務(wù)器實現(xiàn)數(shù)據(jù)處理時延與數(shù)據(jù)隊列積壓的降低，仍能保證其加權(quán)和性能優(yōu)于對比算法。

圖8為大規(guī)模設(shè)備接入場景下資源塊數(shù)增加時數(shù)據(jù)處理時延與數(shù)據(jù)隊列積壓加權(quán)和對比。當(dāng)資源塊增加時，通信資源與計算資源存在盈余，終端積壓數(shù)據(jù)量可以被更好的傳輸與處理，三種算法的加權(quán)和性能均下降，且所提算法下降趨勢最大。這是因為所提算法可以通過時延和數(shù)據(jù)隊列積壓感知，及時調(diào)整匹配策略至盈余資源塊中的性能較好的資源塊實現(xiàn)傳輸與處理，更有效的降低加權(quán)和。而PDPRA未考慮對云服務(wù)器的協(xié)同處理，CSA未考慮對通道質(zhì)量即數(shù)據(jù)積壓情況，無法及時調(diào)整策略，導(dǎo)致加權(quán)和下降較慢。

5 結(jié) 論

文章針對面向電網(wǎng)生產(chǎn)設(shè)備智能運維的云邊協(xié)同數(shù)據(jù)處理優(yōu)化問題，提出基于處理時延和積壓感知匹配的云邊協(xié)同數(shù)據(jù)處理優(yōu)化算法，通過云邊協(xié)同數(shù)據(jù)處理匹配迭代，解決資源競爭問題，同時降低云邊協(xié)同數(shù)據(jù)處理時延與終端隊列積壓，滿足電網(wǎng)生產(chǎn)設(shè)備智能運維的實時云邊協(xié)同數(shù)據(jù)處理需求。仿真結(jié)果表明，相比于PDPRA和CSA算法，所提算法使數(shù)據(jù)處理時延分別降低了7.26%和12.18%、數(shù)據(jù)隊列積壓分別降低了11.25%和13.41%；且在邊緣服務(wù)器突發(fā)計算任務(wù)與生產(chǎn)設(shè)備大規(guī)模接入場景下，有效降低了數(shù)據(jù)處理時延與數(shù)據(jù)隊列積壓加權(quán)和。研究成果提升了云邊協(xié)同數(shù)據(jù)處理性能，實施復(fù)雜度低，具有實際工程應(yīng)用推廣價值，為新型電力系統(tǒng)海量生產(chǎn)設(shè)備智能運維提供了數(shù)據(jù)處理支撐。

參 考 文 獻(xiàn)：

［1］ 林伯強， 楊夢琦. 碳中和背景下中國電力系統(tǒng)研究現(xiàn)狀、 挑戰(zhàn)與發(fā)展方向［J］. 西安交通大學(xué)學(xué)報（社會科學(xué)版）， 2022， 42（5）： 1.

LIN Boqiang， YANG Mengqi. Chinese Power System Research in the Context of Carbon Neutrality： Current Status， Challenges， and Development Direction［J］. Journal of Xi′an Jiaotong University （Social Sciences）， 2022， 42（5）： 1.

［2］ 吳凡， 孫靜. 基于多智能體技術(shù)的智能電網(wǎng)信息管理系統(tǒng)研究［J］. 現(xiàn)代電力， 2017， 34（2）： 87.

WU Fan， SUN Jing. Research on Smart Grid Information Management System Based on Multi-Agent Technology［J］. Journal of Modern Power System and Clean Energy， 2017， 34（2）： 87.

［3］ 胡靖， 李敏， 夏順. 信息化技術(shù)在電力安全管理工作中的應(yīng)用研究［J］. 水利電力技術(shù)與應(yīng)用， 2022， 4（4）： 36.

HU Jing， LI Min， XIA Shun. Research on the Application of Information Technology in Power Safety Management ［J］. Water Conservancy and Electric Power Technology and Application， 2022， 4（4）： 36.

［4］ 薛萍， 王亞彬， 王宇， 等. 電網(wǎng)電能質(zhì)量遠(yuǎn)程監(jiān)測系統(tǒng)設(shè)計［J］. 哈爾濱理工大學(xué)學(xué)報， 2018， 23（1）： 122.

XUE Ping， WANG Yabin， WANG Yu， et al. Power Quality Remote Monitoring System Design［J］. Journal of Harbin University of Science and Technology， 2018， 23（1）： 122.

［5］ SUNITA T N， MALAKREDDY A B. A Queuing Theory Based Delay-Efficient Packet Scheduler for Machine Type Communication［J］. International Journal of Vehicle Information and Communication Systems， 2022， 7（2）： 121.

［6］ 常成. PDMiner平臺的主動配電網(wǎng)安全監(jiān)測系統(tǒng)［J］. 哈爾濱理工大學(xué)學(xué)報， 2017， 22（2）： 61.

CHANG Cheng. Active Power Distribution Network Security Monitoring System Based on PDMiner Platform［J］. Journal of Harbin University of Science and Technology， 2017， 22（2）： 61.

［7］ 向春枝， 范穎. 云計算環(huán)境中分布式數(shù)據(jù)存儲關(guān)鍵技術(shù)研究［J］. 現(xiàn)代電子技術(shù)， 2016， 39（3）： 63.

XIANG Chunzhi， FAN Ying. Research on Key Technologies of Distributed Data Storage in Cloud Computing Environment［J］. Modern Electronic Technology， 2016， 39（3）： 63.

［8］ 田倬璟， 黃震春， 張益農(nóng). 云計算環(huán)境任務(wù)調(diào)度方法研究綜述［J］. 計算機工程與應(yīng)用， 2021， 57（2）： 1.

TIAN Zhuojing， HUANG Zhenchun， ZHANG Yinong. Review of Task Scheduling Methods in Cloud Computing Environment［J］. Computer Engineering and Applications， 2021， 57（2）： 1.

［9］ LIAO H， ZHOU Z， ZHAO X， et al. Learning-Based Queue-Aware Task Offloading and Resource Allocation for Space-Air-Ground-Integrated Power IoT［J］. IEEE Internet of Things Journal， 2021， 8（7）： 5250.

［10］李成嚴(yán)， 孫巍， 唐立民. 一種權(quán)重自適應(yīng)的強化學(xué)習(xí)云資源調(diào)度算法［J］. 哈爾濱理工大學(xué)學(xué)報， 2021， 26（2）： 17.

LI Chengyan， SUN Wei， TANG Limin. A Reinforcement Learning of Cloud Resource Scheduling Algorithm Based on Adaptive Weight ［J］. Journal of Harbin University of Science and Technology， 2021， 26（2）： 17.

［11］高亮， 羅威， 孫乾. 一種基于云邊協(xié)同的電力業(yè)務(wù)時延優(yōu)化方法［J］. 電力信息與通信技術(shù)， 2021， 19（8）： 32.

GAO Liang， LUO Wei， SUN Qian. A Delay Optimization Method for Power Business Based on Cloud Edge Collaboration［J］. Electric Power Information and Communication Technology， 2021， 19（8）： 32.

［12］周振宇， 王曌， 廖海君， 等. 電力物聯(lián)網(wǎng)5G云-邊-端協(xié)同框架與資源調(diào)度方法［J］. 電網(wǎng)技術(shù)， 2022， 46（5）： 1641.

ZHOU Zhenyu， WANG Zhao， LIAO Haijun， et al. 5G Cloud-Edge-End Collaboration Framework and Resource Scheduling Method in Power Internet of Things［J］. Journal of Power System Technology， 2022， 46（5）： 1641.

［13］袁泉， 趙瑞雪， 顏飆. 分層異構(gòu)網(wǎng)中基于一對多匹配的資源分配算法［J］. 計算機工程與設(shè)計， 2019， 40（2）： 341.

YUAN Quan， ZHAO Ruixue， YAN Biao. Resource Allocation Algorithm Based on One-to-Many Matching in Hierarchical Heterogeneous Networks［J］. Computer Engineering and Design， 2019， 40（2）： 341.

［14］張航， 唐冬， 黃高飛， 等. 無線供能協(xié)作計算網(wǎng)絡(luò)中的時延最小化資源分配方案［J］. 計算機應(yīng)用研究， 2022， 39（1）： 214.

ZHANG Hang， TANG Ddng， HUANG Gaofei， et al. Latency Minimization Resource Allocation Scheme in Wireless Powered Cooperative Computing Network［J］. Application Research of Computers， 2022， 39（1）： 214.

［15］吳吉義， 李文娟， 曹健， 等. 智能物聯(lián)網(wǎng)AIoT研究綜述［J］. 電信科學(xué)， 2021， 37（8）： 1.

WU Jiyi， LI Wenjuan， CAO Jian， et al. AIoT Research of Intelligent Internet of Things［J］. Telecommunications Science， 2021， 37（8）： 1.

［16］王清， 荊臻， 李琮琮， 等. 寬帶電力線載波通信物理層資源分配新算法［J］. 電測與儀表， 2021， 58（7）： 124.

WANG Qing， JIN Zhen， LI Congcong， et al. A Novel Algorithm of Physical Layer Resource Allocation for Broadband Power Line Carrier Communication［J］. Eletrical Measurement amp; Instrumentation， 2021， 58（7）： 124.

［17］王一然. 基于匹配理論的電力物聯(lián)網(wǎng)邊緣服務(wù)器選擇機制［J］. 無線互聯(lián)科技， 2020， 17（11）： 29.

WANG Yiran. Selection mechanism of edge server in Electric Internet of Things based on matching theory［J］. Wireless Internet Technology， 2020， 17（11）： 29.

［18］韓知雨， 董靜薇， 閆寧， 等. 大規(guī)模MIMO系統(tǒng)中偽隨機序列加擾法的導(dǎo)頻分配［J］. 哈爾濱理工大學(xué)學(xué)報， 2021， 26（1）： 115.

HAN Zhiyu， DONG Jingwei， YAN Ning， et al. Pilot Allocation Scheme for Pseudo-Random Sequence Scrambling in Massive MIMO System［J］. Journal of Harbin University of Science and Technology， 2021， 26（1）： 115.

［19］胡敬偉， 張文雯， 鄧力， 等. 基于云邊協(xié)同的配電網(wǎng)運行框架及應(yīng)用研究［J］. 電工技術(shù). 2022（11）： 145.

HU Jingwei，ZHANG Wenwen， DENG Li， et al. Research on Distribution Network Operation Framework and Application Based on Cloud-Edge Synergy［J］. Electric Engineering. 2022（11）： 145.

［20］張鳳荔， 趙佳君， 劉東， 等. 基于深度強化學(xué)習(xí)的邊云協(xié)同串行任務(wù)卸載算法［J］．電子科技大學(xué)學(xué)報， 2021， 50（3）： 398.

ZHANG Fengli， ZHAO Jiajun， LIU Dong， et al. Edge Cloud Collaboration Serial Task Offloading Algorithm Based on Deep Reinforcement Learning［J］. Journal of Electronic Science and Technology of China， 2021， 50（3）： 398.

［21］ZHOU Z， GAO C， XU C， et al. Social Big-Data-Based Content Dissemination in Internet of Vehicles［J］. IEEE Transactions on Industrial Informatics， 2017， 14（2）： 768.

［22］LIAO H， ZHOU Z， AI B， et al. Learning-Based Energy-Efficient Channel Selection for Edge Computing-Empowered Cognitive Machine-to-Machine Communications［C］//2020 IEEE 91st Vehicular Technology Conference （VTC2020-Spring）. IEEE， 2020： 1.

［23］徐宏偉，李鵬程，叢中笑，等.電能計量設(shè)備運維管理系統(tǒng)研究［J］.電測與儀表，2023，60（4）：176.

XU Hongwei，LI Pengcheng，CONG Zhongxiao，et al.Research on Operation and Maintenance Management System of Electric Energy Metering Equipment［J］.Electrical Measurement amp; Instrumentation，2023，60（4）：176.

（編輯：溫澤宇）