云計算環境下電力網絡負載均衡調度方法研究

劉鑫

（ 湖南鐵道職業技術學院， 湖南 株洲 412001）

隨著大數據和云計算技術的不斷發展，相關的應用研究引用到電力網絡數據管理中。 云是網絡、互聯網的一種比喻說法。 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學基礎上提出的概念，它可以將隨機性和模糊性進行定量分析，通過云計算實現對數據資源的云存儲和云調度，采用云計算可以實現對大數據的智能處理，滿足不斷擴大的用戶和數據的需求。 而今，電力網絡的數據管理已經引入到云計算環境中，通過對電力網絡負載數據進行智能集成和管理，采用云計算技術，并與網格計算、效用計算、自主計算相結合，可以實現對大型電力網絡數據的優化調度， 提高電力系統和電力資源管理的有效性。 可見，在云計算環境下，電力網絡數據通過云存儲形式構建成大型電力網絡數據庫，需要對電力網絡負載數據進行均衡調度，提高電力資源的均衡配置和管理效率，相關的均衡調度算法受到了廣大專家學者的重視[1]。

傳統方法中，在云計算環境下進行電力網絡負載均衡調度方法采用的是實體模型分析方法和神經網絡調度算法等，通過神經網絡智能調度方法和特征提取算法實現對云計算環境下的電力網絡負載均衡管理和數據調度[2]。 其中，文獻[3]提出一種基于虛擬信息資源隨機調度的云計算環境下電力數據均衡調度模型， 通過云計算實現任務權衡和調度，提高電力網絡的運行效率，但是該算法具有時間延遲大，計算復雜等缺點；文獻[4]提出一種基于云計算網格時間尺度分析大型電力網絡負載均衡算法，提高大型電氣數據在數據庫的云存儲和數據調度性能，但算法存在電力網絡負載數據庫存儲資源浪費，云計算網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迭代控制的云計算環境下的電力網絡負載均衡調度算法。 首先構建云計算環境下的電力網絡負載數據堆棧存儲模型，將云計算下的電力網絡環境的網絡拓撲結構分為3層，數據資源特征分析，提取電力網絡負載數據信息流的時間尺度特征，對特征值進行模糊循環迭代控制，實現均衡調度算法改進，仿真實驗進行了性能驗證，展示了本文算法在提高電力網絡負載數據均衡方面的調度能力，提高電力資源的均衡配置和管理效率方面的優越性能。

1 模糊循環迭代控制算法

在云計算環境下，電力網絡數據通過合理的調度完成電力網絡負載的均衡，合理的調度方法可提高電力資源的均衡配置和管理效率。 模糊循環迭代控制算法是以迭代計算和控制算法為主的一種數據均衡算法。 在數據特征提取的基礎上，進行模糊循環迭代控制，其算法原理如下：

假設數據集合為{xn}Nn=1，以如下矢量控制形式在堆?？臻g中形成新的映射關系為

式中：x為負載采樣點時間序列；τ為時間延遲參數，數據運行的一個時間跨度記為

令R為包含有四元組（ Ei，Ej，d，t）數據的信任關系，構建數據權重分配機制，計算正交加權約束均衡比，進行分類屬性權重評估，給定數據任務有效率函數E（ i，j）：

對于數據集合A上的任意一點ai，其均衡性計算參數為

式中：w為權重；C為加權約束均衡比；D為時間參數；M為時間采樣周期。 信息在干擾和噪聲作用下，出現失衡， 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的數據信息流的協方差向量，均衡調度近似計算產生的信息采集時延為

在均衡迭代控制過程中， 采用數據聚集樹分層算法，將數據調度集x的值減1，如果x=0，則將它的狀態設為RY狀態，采用模糊循環迭代控制，控制過程符合正態分布概率，得到：

迭代計算直到上式的值最小，實現對數據均衡。

4.2.1 目標調節 以調節免疫與誘導凋亡為主，其他機制全覆蓋。①誘導凋亡：人參、黃芪、何首烏、五味子入組。②調節免疫：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/轉移：纈草、白術入組。⑥誘導自噬：冬凌草、知母（或防風）入組。該部分合計約16味藥。

2 均衡電力調度目標參數的選取與處理

在云計算環境下， 大型電力網絡負載的均衡性調度參數和電網的拓撲結構有關。云計算環境下，電力網絡的拓撲結構如圖1所示。

圖1 電力網絡的拓撲結構Fig. 1 Power network topology

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

此時， 定義電力網絡負載均衡調度參數可選擇對應的時延響應參數，計算方法為

電力網絡負載調度中， 各空閑時間片長度分別記作x1，x2，…，xm+1，第k個電力控制節點的信息定義為δk：

式中： Ui為電力數據分類屬性；k為負載強度；Θ（ t）為電力數據最近時刻查詢獲得的信任值， 以此為基礎，構建電力網絡負載數據信息流參數：

式中：T為總的電力負載均衡調度時間長度，根據上述信息流構建， 提取電力網絡負載數據信息流時間尺度特征參數：

在上述進行電力網絡負載數據信息流構建的基礎上， 提取電力網絡負載數據信息流的時間尺度特征，對于尺度為a的大型電力網絡負載數據調度任務請求信息，時間尺度特征估計參數為

3 電力負荷均衡調度的步驟

式中：xmax、xmin為最大數據和最小數據值。

歸一化后的數據分布在[0，1]區間中。

2） 目標函數選取確定電力網絡中固定的流量輸入節點、輸出節點。 對輸入節點的信息采集得到的是物理量信息，以模糊迭代循環控制為基礎的計算節點和目標輸出使用的是數字量。 設置誤差修訂函數。使用計算的目標函數f（ x）在循環迭代算法中，對于任意給定的輸入函數和規定的目標輸出誤差精度ε>0， 總存在一個可以進行循環計算的迭代關系逼近。 根據給定的均衡調節目標函數，將已有的電力負荷序列以及最大負荷、最小負荷等影響因素目標為輸入數據x1，x2，…，xn，經過模糊循環迭代，得到固定的電力負荷數值，根據目標函數。 在規定的電力負荷均衡調度的誤差ε內。

3） 根據誤差和對目標函數的要求，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負荷輸出；W[S]ij為網絡中迭代時間系數。 x[S-1]ij為經過一次迭代計算后的輸入實測電力負荷；Qij為表述均衡調節誤差的漏失量。 最終負荷輸出值為

式中：OI為輸出的均衡化后的電力負荷；T[S+1]ij為網絡負荷修正值，均衡調度的樣本誤差為

式中：C為網絡最終輸出系統誤差；P為負荷實測樣本數；ε為系統誤差允許值。

4 仿真實驗與結果分析

為了測試本文算法在實現云計算環境下電力網絡負載均衡調度中的性能，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境設計，這些機器通過吉比特以太交換機連接成大型電力網絡，機柜內的對半帶寬約為14 Gb/s，所有計算機運行在內核版本為2.6.9的Red Hat Enterprise Linux AS 4.0。 參數設定中，電力網絡的度固定為15，網絡節點數為800個節點， 構建100個任務組成大型電力網絡負載數據庫的云存儲資源調度集， 整個電力網絡負載數據在模糊堆?？刂浦袆澐譃?6個虛擬約簡檢測單元格，以此為基礎進行數據采集和信號模型構建，得到采集的電力網絡負載數據的時域波形如圖2所示。

圖2為電力負載頻率為110 kHz時指向（ 10°，40°）的波束圖， 以圖2給出的電力網絡負載數據為測試樣本，提取時間尺度特征，進行均衡調度，為了對比算法性能，采用本文算法和傳統算法，以電力網絡負載均衡調度的響應頻譜為測試指標，得到的仿真結果見圖3。

圖2 電力網絡負載數據的時域波形Fig. 2 Time domain waveform of electric power network load data

從圖3可見，采用本文算法，電力網絡負載均衡調度的響應頻譜的譜峰較為明顯，說明本文方法具有較強的均衡調度響應能力，提高了電力網網絡負載的調度效率。 進一步進行定量分析，采用本文設計模糊循環迭代調度模型進行電力網絡負載信息流構建和均衡調度，以調度的融合率、標準差等參量為測試指標，得到負載數據均衡融合結果見表1，分析表1結果可得，通過本文方法，采用模糊循環迭代控制和均衡調度設計，可有效剔除簇內非相干數據，提高電力網絡的負載均衡性，提高了云計算下 電力網絡均衡集成調度的效率和均衡配置能力。

圖3 電力網絡負載均衡調度的響應頻譜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據特征集成結果Tab. 1 The big data feature integrated results of the calculation of virtual information resources

5 結論

提出了一種基于模糊循環迭代控制的云計算環境下的電力網絡負載均衡調度算法。 首先構建云計算環境下的電力網絡負載數據堆棧存儲模型，將云計算下的電力網絡環境的網格拓撲結構分為3層，數據資源特征分析，提取電力網絡負載數據信息流的時間尺度特征，對特征值進行模糊循環迭代控制，實現均衡調度算法改進，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，性能優越。

[1] 周濤. 基于改進神經網絡的電力系統中長期負荷預測研究[J]. 電氣應用， 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. 智能電網的研究進展及發展趨勢[J]. 電網技術， 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， 樊紀元. 電力調度中心統一數據平臺的設計[J].電力系統自動化， 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. 數據管理技術的新格局[J]. 軟件學報， 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. 基于時態數據庫的極小子結構邏輯系統[J]. 計算機學報，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.