基于深度学习算法的调度自动化云平台任务优化策略研究

刘 岩，柳乐怡，王 冬，黄红伟，雷彦辉

(1.深圳供电局有限公司，广东 深圳 518000;2.北京清大科越股份有限公司，北京 100102)

0 引言

基于内部电网互联的智能电网调度系统的云计算平台具有很强的数据采集、分析和计算能力[1-2]。通过持续有效地使用数据中心，电子控制系统操作控制平台的硬件和软件资源是稳定和高效的，该中心与整个电网沟通和执行。

电力系统的调度自动化系统云平台是一个支持用户通过网络获取计算资源的共享池，共享池是通过管理优化资源，快速配置和交付的商业模式[3-5]。云平台利用互联网技术，以有偿服务的方式向大量云用户提供大规模可扩展的、灵活的IT资源。云用户不是根据他们需要照顾的东西来购买服务，而是根据他们自己的需要。云平台的资源与云用户的需求都是动态变化的，因此，预先配置和资源分配已经不能满足电力用户的服务需求。

在电力自动化系统云平台中，任务调度首要原则是满足用户需求，其目标是最优的任务调度方案和最大的综合效益。这就要求工作要快速、实时、有效地分配，使云平台的庞大资源能够有效地满足用户的需求[6-9]。然而，传统的任务和分配方法无法满足与发电自动化相关的平台用户的性能要求，这可能使其难以确保强度和组成的平衡。因此，利用有效的科学技术对云平台进行电力流量控制，用动态资源算法和资源分配技术来提高用户和云平台的效率。

本文提出了一种基于改进粒子群优化算法的电力调度自动化云平台的任务调度模型，旨在提高云计算资源配置效率，改善云服务质量，解决电力调度自动化系统的任务调度问题。

1 云平台任务调度的内涵和目标

调度问题，尤其是多处理器和分布式的电力系统中的调度问题，一直是计算机科学的一个重点。随着云处理的发展，从上面接管任务的想法引起了许多学者的兴趣，基于云计算的任务调度研究也成为研究热点之一[10-11]。云平台的任务调度可以理解为一个映射过程，通过虚拟化技术，云平台的硬件和软件被简化为资源，用户的请求被视为一项任务。任务的维度是根据有关资源和任务的优势信息，提供必要和适当的资源，供终端用户分配，但要遵守一定的限制。当任务结束时，结果就会返回。因此，一个好的任务控制功能可以在云环境中协调和分配资源，可以十分有效地提高电力系统的性能，缩短任务处理的时间，减少电力资源的消耗。

云平台用2种基本方法协调行动：一方面，对各任务的资源分配是透明的；另一方面，通过允许算法将这些资源与最有用的消费者的任务相匹配，使云中这些资源的使用变得更加高效。云计算处理是分散处理，因此它是扩展和复杂的。云环境中的资源是奇异的、化学的、分散的和主导的，因此，对云平台进行良好和有效的搬迁至关重要。

云平台的任务调度模型如图1所示。

图1 云平台任务调度模型

这通常是指对云平台的使用。

a.从应用程序的配置文件中解析方案。

b.选择是基于资源池和配置文件的。

c.任务预测的执行和任务所需资源的计算。

d.根据资源概况和使用情况，对最终用户提交的任务进行资源分配。

电力调度问题是NP问题，这主要是因为资源和任务是动态的，很不利于任务调度。所以电力调度的算法就只能是找到电力调度问题的相对最优解，并以QoS为评价标准。

云任务主要涉及以下几个方面：

a.最短跨度。与完成任务相对应的最短时间，即从电力用户提交第1个任务直到最后1个任务处理结束的时间，间隔的长短直接影响用户的体验。间隔越短，所需时间越短，用户需要支付的费用就越低。

b.服务质量。服务质量是指在云计算平台上提供服务时考虑的系统性能。QoS水平直接决定了电力用户是否会继续使用云计算平台。云平台的发展主要是基于任务的表现，即虚拟资源的分配，在多样化云计算平台的应用中，有效提供虚拟资源对提高服务质量至关重要。

c.负载平衡。负载平衡是云计算处理系统中资源转移的重要指标，指的是在云计算界面下平衡使用云服务器资源，以避免某个节点的过度拥挤或被抛弃。为达到这样的效果，需要一个良好的战略，平衡资源和手头的任务，以及充分合理地利用虚拟资源。

d.经济效益。云计算低成本的命题，供应商和用户都需要考虑。用户希望降低运营成本，对于服务供应商来说，在保证整体利润的同时降低成本是最理想的。

2 电力调度自动化系统的云平台架构

网络的智能通道系统和自动化使用云技术，并将分散的数据服务中可用的数据和信息与网络的自动化基础设施整合在结构化系统中，使网络具有高可靠性、高效率和高准确性。

云平台具有分散的分配系统和主机的分配-分配平台。这些组件形成了虚拟平面，并通过分散的数据服务导致数据信息的交换、传输和整合。同时，在底层保证了物理硬件的统一管理和部署，确保有效和稳定的接入。为了方便实时监控、编辑和监督观众的系统组件的使用和运作，该平台提供了统一的管理和监控技术，网络的不同区域的布局由这3个功能组成。控制中心已通过主机的管卡被整合到网络平台。交通控制中心的不同功能可以相互保证，提高系统的安全性和可靠性。

2.1 分布式数据服务总线

电力调度平台是一个大规模的网络结构、灵活的网络结构，是去中心化的网络。在子差分中，可以有多个活跃的运输平台，该网络的管理员能够在线整合子差分的服务器，以分配最低的业务资源和不同站点之间的远程时间数据传输，这保证了系统的持续可用性。还支持分布参数的扩展功能，如分布参数、动态应用和位置，以及系统故障和失灵后的自动恢复。高效的远程控制和强大的记录功能，允许操作人员调整系统参数，监控网络情况，为电力系统的搜索和电力管理提供了可靠的保障。

2.2 数据存储系统

分配系统是分散的软件系统，它将数据存储设备与网络中的节点整合在一起，并实时处理数据以传输电力数据。为了网络的长期业务发展，大量数据的存储和管理应该使用分散的数据管理系统，而不需要增加新的设备或改变硬件的物理分类。

空间数据被存储在作为文件系统的封套中，而所有本地文件系统中出现的节点通过动态的文件系统中的数据，以及关于文件系统中数据和和数据之间的存储，支持和数据存储。通过在一个节点上建立几个辅助单元，数据访问的问题得到了解决，数据处理也得到了改善。

2.3 动态负载平衡和资源分配系统

为了有效管理驱动系统，在云平台上整合了动态容量平衡和动态资源分配机制。动画和计算机中的节点，从孔子开始，传输计算机的速度，执行导致发送信号的过程的行动中心，服务器的基本节点和跨系统的压力到一个系统的动态。中央监控系统、认证、战略管理和决策中心4个功能是为整个电网的接入提供一个平台：认证和战略管理中心负责认证和管理电网内的整个工厂；决策中心对电力和交通管理系统作出判断。

在与特定节点合作的系统的帮助下，系统地检测系统故障和断电，并帮助排除故障。寻找网络中负载较弱的节点，将故障节点的任务转移到负载较低的中心，以实现计算。

2.4 集成计算引擎

集成计算引擎结合多种计算资源，解决数据方案中的巨大数据问题，提高系统实时处理和分析大量数据的能力。这个数据引擎使得减少情报部门通过外部和节点数据获得的信息量成为可能，如图2所示。数据信息的分析和处理在不同的功能节点进行，直到完成数据的收集。

图2 集成计算引擎

3 基于人工智能算法的电力调度自动化系统云平台任务调度模型

云平台基于人工智能算法的任务调度策略可以描述为：云用户向云服务数据中心发送请求，云计算数据中心根据系统策略的要求分配云计算虚拟资源，并通过本文算法提供最佳的可用物理资源，并相应地给予用户适当的待遇。一个组成部分是基于用户需求和特定约束的虚拟零件的虚拟指令策略；另一个是物理投影，通过改进的零件优化算法，改变虚拟和物理设备之间的适当比例。

使用改进的粒子人工智能(PSO)算法为云平台创建了运营模型。这是改进的PSO模型和云计算动力模型的网络错位之间的联系，云计算模型的物理物质资源被视为1个PSO粒子，整个物理资源池是1个粒子，以优化最佳共享平台。云计算以粒子为单位计算物理机的资源数据，并对活跃粒子进行范围进行优化。设备的通信能力与粒子的速度相一致，分离的物理资源的处理被分配给单一或最佳粒子的子集。云中的工作分配是以算法中的粒子优化来计算的，其中任务分配的约束与高级粒子的算法优化是一致的。在云环境中，根据实际时间和指定的资源责任迭代，采用改进的算法来优化循环迭代，从而形成最佳的资源运作方案。在这种情况下，QoS函数与1个函数的效果相结合，以评估1个最佳观众的价值，并在惩罚函数中为其优化价值。

3.1 模型建立

为了将本文提出的PSO算法应用于云平台任务调度，首先应建立云平台任务调度的数学模型。根据云计算电力调度的具体模型和原理，建立实用的目标函数，即确定电力系统的一些基本约束。这也是为了建立相关的参数，因为这些设置是改进云资源计算中对粒子的操纵的基础。

正常电路可以在电力用户的需求和虚拟电力之间创造一个平衡。云平台的用户需要低成本和可靠的服务访问，而云供应商则希望在低消耗和低能耗的有利条件下为客户提供稳定的服务。因此，虚拟在线环境中使用的资源数量和由此产生的服务质量代表了这种平衡。事实证明，正是因为用户拥有更多的权力和更多的选择，他们才有机会获得最新的可靠服务。随着电力需求的增加，虚拟操作系统变得越来越复杂，使其更难保证系统的稳定性。因此，开发了一个适合平衡用户需求和期望的最佳控制模型，即

F=Q(p)+G(p)

(1)

Q(p)为电力资源的数量和电力用户之间的关系；G(p) 为电力资源数量与电力负载平衡的关系。二者的平衡就是要找到F中所代表的最小值，他们的资源数量是指当二者能够平衡时能够使用的资源数量，就是所谓的图形交叉点的值。

模型的数学图像如图3所示。

图3 任务调度模型

3.1.1 目标函数

在考虑负载平衡的条件下，利用人工智能算法解决最优任务调度问题，根据云用户所提出的服务需求进行有条件的电力调度过程。任务最优的电力调度所对应的电力资源数据就是目标函数的解，所以就把问题变成了寻找最优任务调度的问题。在选择物理虚拟机时，通常都需要考虑虚拟机的负载率上限，即从开始就要保证云环境的电力负载平衡，所以建立目标函数为

(2)

tip、cop和trp分别为预订的云用户对电力服务时间、电力服务费用和电力服务可靠性的要求。

3.1.2 限制条件

任务调度之前，计算任务的适配值，根据任务的适配值淘汰一些任务，再根据约束条件从剩余的任务中优化分配任务。目标函数的约束集为

(3)

Ti_c(VMi)为云计算的虚拟机VMi所需要处理任务的时间成本，上限为TL；De(VMi) 为虚拟机VMi处理所需要的时间延迟，上限即为DL；Ba(VMi) 为分配给VMi时所能提供的网络带宽，下限为BL；Tr(VMi)为虚拟机VMi的信任值，下限为TrL；fit(VMi)为任务的适合度，ε为所选任务的最小适应度值。

3.1.3 参数设置

根据改进的粒子群优化算法云平台任务调度原理，所需设置的相关参数如表1所示。

表1 改进的PSO算法的参数设置

3.2 处理过程

基于电力结构模型选定的电力目标函数和云任务的约束条件，对云计算中的粒子进行优化的改进算法如下所述。

a.目标功能是计算出用户云的服务需求。云分析使操作更有意义，目标更明确。

b.根据问题的大小确定算法的参数，并确定源粒子的位置和速度，以创建1个最佳的起始粒子。

c.根据粒子的化学函数计算出粒子的初始值。

d.根据迭代规则更新粒子的信息，应该说个人的最佳Pbest和最佳Gbest，每次更新后分数都会增加1。

e.判断是否为早熟。如果是早熟，则进行早熟处理并进入d，否则进入下一步。

f.判断是否达到最大迭代数。如果是，则执行i；否则，进入下一步。

g.判断是否有可能收敛。如果是，进入下一步；否则，进入d。

h.核对每个粒子的信息，并且与Gbest核对。

i.从Gbest的值来核对VIRTUAL机器。

j.执行任务的VM通过资源信息的注册来进行映射。

k.VM执行预先编程的任务，完成任务并回收资源。

l.结束，并且输出结果。

4 结束语

本文分析了云平台任务调度的特点和目标，从任务调度算法入手，提出了基于改进粒子群算法的电力调度自动化系统的人工智能方法，开发了一个云计算操作的模型。基于该算法和物理模型的运行控制考虑了QoS要求和平台云居民的环境负载平衡，可以有效提高本文所提出电力调度自动化系统的云平台任务调度的效率。