基于云计算任务分配的供电资源快速响应与调度方法

陈一丹,赵 敏,郭 征,江 云,费 捷

（国网上海浦东供电公司，上海 200120）

1 引言

电网规模不断扩大，促使参与需求响应的电力项目越来越多。需求响应是指在用电高峰或低谷时期，利用相关政策、电价等激励方式促使用户改变原有用电行为，实现用电负荷削减、转移或停止等操作。现阶段需求响应正处于人工向自动化发展的过渡时期，且需求响应资源的快速增加降低执行效率，还会损失部分信息，无法实现最佳调度。

将电力企业收益最大化与需求响应补偿成本最低化作为目标进行调度，文献[1]综合分析需求响应的时间尺度特征，结合不同时间段资源预测信息与电价信号，逐级优化需求响应供应量，确保运营商利益最大化。文献[2]将爆发式数据处理模型应用到电力调度系统中。研究电力调度具有数据量大、随机性较强、数据库抗压性能不稳定等特点，构建数据处理EDPM(Erupt Date Processing)模型中多级缓存方法，在自适应缓存管理机制基础上实现快速需求响应与合理调度。

上述两种方法提高响应速度，但是当响应需求增多时，调度任务完成效率明显下降。基于此，本文提出云计算任务分配的供电资源快速响应与调度方法。云计算技术飞速发展，为数据处理带来颠覆性改变，它能够获得数据更深层的价值，根据事物因果关系分析其内在联系。在智能电网中为实现供电资源快速响应，就需要获得更加全面的数据，云计算通过整合分布在不同区域的节点，构成整体系统，为快速响应与合理调度带来保障。

2 云计算任务分配的供电资源快速响应与调度

2.1 需求响应资源分类

需求响应资源具有分散性、数据量大等特征，因此能够看出其不容易被控制[3-5]。只有将需求响应资源进行合理划分，才可以获取相应的响应容量，从而确定响应顺序，以便更好实现供电资源调度。

(1) 工商业用户需求响应

表1 工商业用户需求响应特征表

(2) 居民用户需求响应

表2 居民用户需求响应特征表

2.2 标准的云计算任务分配模型构建

本文利用标准匈牙利算法建立云计算任务分配模型，其任务分配问题可以描述为：假设n台计算机需要执行n个任务，若已知第j个云计算任务在第k台设备中执行所需的成本，要求利用最少成本实现总任务，且需符合下述条件：所有任务均被执行、不能出现未使用的计算机，即确保负载均衡[6]。

所以云计算任务分配的数据模型[7]表示为：

约束条件描述为：

上述约束条件中，公式(3)表明每台计算机最少执行一个任务；公式(4)要求所有任务都要被执行；公式(5)代表分配结果元素取值为0或1，不同取值代表的含义如下：

公式中，ε表示全部分配策略集合，C代表任意一种分配方法，Vj属于C策略的最佳函数值，Vk为全局最佳函数值。

利用匈牙利算法构建的上述云计算任务分配模型经过多次迭代处理，实现行列缩减，但效率较低，容易出现在新一次迭代过程中没有添加有效零位现象。所以在结合匈牙利算法，本文引入一种快速优化求解方式—降阶优化算法。

2.3 模型优化

假设E=(X，C)表示任务分配的最佳函数值，且ε1={C|c1n=1}、ε2={C|c1m=1}，其中ε1和ε2分别表示已知部分，ε1ε2ε。

如果，E1=K(X1，C)，E2=K(X2，C)，则X1与X2的计算公式如下所示，已知的分配矩阵部分相对的成本矩阵元素等于零，因此令：

其中，xjt表示C策略的最佳分配参数。公式中分配方案值l的计算公式为：

其中，xjt与xjm分别表示C策略下的已分配与未分配方案的数量。

此时，X1的0 元素不需要进行优化分配，E1已经变换为计算(n-1)个计算机对于(n-1)个任务的分配问题，矩阵降成(n-1)阶，则该过程被称为快速降阶[8]。同理可以得到：

公式(9)中的分配方案值l能够表示为：

X2的0元素同样不需继续优化分配，E2也变换为(n-1)计算机对(n-1)个任务的求解分配问题。因此E1与E2是两个低一阶分配问题的最佳解，与其相对的成本矩阵是X1与X2。

如果要使最终分配结果为：

则已获得(n-1)阶分配方案的值为：

则有：

因此得出：

公式中，xlm表示选中的分配策略，将其当作做最优策略的解，去除其中行列元素，假设：

相反，如果要获得最大成本的分配策略，选取clt=1作为分配策略的部分解，并去除行列，使矩阵降低一阶。重复以上过程，矩阵规模会不断变小，当只存在一个元素时，获得最佳分配方案。

为改善匈牙利算法仅能获得标准一对一分配的缺陷，在任务与资源无法实现对等状况下进行改进，根据设计的降阶优化方法完成成本最小的任务分配。

2.4 供电资源快速优先响应探究

2.4.1 基于任务有效价值特征的快速响应

有效价值不但与数据状态类型[9]相关，还与在电力系统中的重要性有关。快速响应的有效价值能够分为两部分，一是信息来源在电力系统中的重要性，也是关键程度，将其计作g；另一部分是信息种类，通常包括常规、异常与报警数据三种，称其为种类价值，表示为k'。这两方面综合称之为有效价值，描述为W。

响应任务的关键价值，会对响应优先级别的初始值与达到的最大值产生影响。在相同等级情况下，电力系统中重要设备的处理任务会得到很高的关键性价值，也能及时得到响应。而任务类型价值往往体现在任务的紧迫程度上，时效性较强的信息优先级变化趋势较快，进而得到更高优先级别，电力系统也会对其优先响应。针对响应任务的有效价值，由于受到关键程度和类型价值的影响，每个任务获得的最高优先值也会存在差异。

响应任务有效价值的两部分对整体价值的影响可表示为：

公式中，Wi表示任务的有效价值，gi描述信息来源的关键程度，是类型价值，α与β均为系数。

2.4.2 基于任务时间特征的快速响应

在电网系统中，由于不同响应任务对处理时间与速度存在不同要求，因此在控制调度节点时，必须考虑任务的时间需求，对响应优先级别进行分配。在固定时间内，对时间要求较高的任务能够得到优先处理，来确保数据的时效性。

电网数据时间特性是影响任务响应顺序的关键因素。在综合分析任务关键性与类型价值后，根据任务等待时间与有效时间来规划响应顺序，有效改善数据处理效率，减少数据流堵塞现象。

电力响应数据都会具有时间属性，可以描述为：

公式中，si表示到达时间，ti是预计响应时间，wi代表等待时间，di描述截止时间，ai与bi分别为开始响应与实际完成时间。

响应任务的时间特性，主要取决于有效时间与等待时间，不同属性对整体价值的影响公式为：

公式中，Ti代表第i个响应任务的时间特性，di-si是响应任务的有效时间，γ属于系数。

2.5 最优调度任务节点与区域确定

2.5.1 节点选择

在确定完响应顺序后，需要确定供电资源最优调度节点与区域。本文利用改进的蜂群算法对一定区域内最佳节点进行选择，将被调度节点当作基础，对不同节点工作状态参数进行比较[10]。构建节点资源状态表，根据节点计算资源的大小与工作情况，选择合适节点再进行任务调度。

节点理想平均连接数量计算公式如下：

公式中，lj表示区域中平均连接数，li代表节点当前连接数。因此不同阶段负载均衡度表示为：

公式中，fi表示节点负载均衡参数，Rni表示状态参数，属于Rni的转置。

在优化的蜂群算法中，将采蜜蜂与观察蜜蜂相结合，其种群数量根据真实环境进行设置。其中采蜜蜂的任务是维持和记录信息中各节点的联系，并核查此节点资源状态。侦察蜂则需对其它节点信息进行搜集，判定是否存在剩余资源较多的节点，其搜索空间表示为：

如公式(21)所示，fd表示搜索时负载均衡度差值，fimin表示负载均衡度最小值，φ表示搜索限制参数。如果此节点负载均衡情况为f＜fid，则舍弃当前列表中资源最少的节点，并将搜索到的新节点添加到列表内，以备调度。

2.5.2 调度区域确定

在确定调度区域过程中引入一种爬山算法，它属于一种启发式寻优方法。从任意节点开始，不停地和附近节点进行对比，确定最终区域。从上述选择的最佳节点所在区域开始搜索，将保留的最佳区域和一定范围内全部区域进行比较，直到获取全局最优解。这种方法能够避免陷入震荡，缓解计算压力。

不同区域的负载均衡度通过中枢节点对其维护，负载均衡计算公式如下：

公式中，Fi表示负载均衡参数，Ri是一定区域内状态参数，Ti代表响应任务目标区域的映射延时，Ni描述节点总数量。

如果Fi≤Fj，将第i个区域当作下一个调度目标区域。对全部节点资源状态进行调节时，可通过中枢节点实现。

为衡量不同区域节点负载的平衡程度，利用负载均衡离差对其判断：

公式中，Fmax表示节点负载的极大值，N0描述此区域中节点数量。

2.6 调度策略

对于电力数据来讲，在相同时间段内，特别是当故障或报警等状况出现时，必须根据优先级对电力资源进行合理调度，否则会出现数据堵塞或丢失。结合云计算任务分配模型，获取电力资源调度的优先级动态分配公式为：

公式中，δ与γ分别表示时间特征与有效价值的权重系数。

利用上述公式即可完成供电资源调度。

3 仿真实验数据分析与研究

为验证所提供电资源快速响应与调度方法的合理性，在如图1所示的多元需求响应网络拓扑中进行仿真实验。居民区与工商业区的节点配置为Ubuntu16．04 系统+6G内存+16G外存。

将处理任务量分别设置为500、1000、1500、2000 个，利用本文方法、文献[1]、文献[2]方法对调度方法在节点上的关键任务完成率进行对比。

由表3可知，当任务数量较少时，三种算法都能很好完成处理任务。但随任务数量增加，完成率出现不同程度下降，只有本文方法始终保持在0．9 以上。这是因为，本文方法能够准确获取调度节点与区域，提高重要任务的完成率。三种方法的重要任务优先响应延时对比结果如图2所示。

表3 不同方法重要任务完成率对比

由图2可知，本文方法对重要任务的响应速度较快，而其它方法随着任务数量增加，延时情况较为明显，主要由于所提方法根据任务的时间特征与价值特征确定优先级，合理有序地对不同任务进行响应。不同调度方法下供电资源消耗情况对比结果如图3所示。

从图3中可以看出，在不同调度方法下，电力系统供电资源消耗情况也不同。其中使用本文方法进行调度的资源消耗最少，说明该调度方法最为合理，能够促进电力资源高效利用，达到节能减排目的。

4 结束语

随着电力系统的飞速发展，越来越多电力负荷参与到需求响应项目中。为确保供电资源合理利用，本文构建云计算任务分配模型，通过该模型实现供电资源快速响应与合理调度，对电力行业发展起到很好辅助作用。现阶段，对云计算技术的投入不断增多，未来该技术还会有质的飞跃，不仅在资源调度方面继续深入研究，还为电力系统安全方面提供必要保障。