边缘技术在能源设备数据采集调度中的算法研究

张晓天， 张健男， 黄冶， 屈可丁， 李牧雨

(1.东北大学通信工程学院， 沈阳 110819； 2.国家电网东北电力调控分中心， 沈阳 110180； 3.中国科学院沈阳计算技术研究所有限公司， 沈阳 110168)

近年来，互联网信息技术、可再生能源技术以及电力改革进程的加速发展[1-2]，对综合供能系统提出了更大的挑战。在这种技术背景下，边缘技术应运而生。边缘计算将计算、存储等能力扩展到综合供能系统附近的网络边缘侧用于集中处理实时、短周期的数据，对综合供能系统中的信息进行智能化的快速处理，使得信息资源得到更有效率的利用[3-4]。

边缘计算技术已广泛融入综合供能系统监测的各个方面，但不同的监测对于数据传输也有不同的要求[5]。对能源设备供能的监测包括网络状态监测、运行状态监测、实时供能监测、事件监测4类[6-9]，每类监测对响应时间具有不同的要求。因此，将边缘计算应用于综合供能系统中，需要以应用的响应需求为优先，对数据采集调度进行优化。

针对上述优化问题，中外学者已经开展了大量研究工作。文献[10-13]为了减少网络容量需求，智能电表数据量的减少是通过在数据集中点将多个小型智能计量消息连接到一个更大的数据包来实现的，提出了6种基于最早截止日期优先的数据采集调度方案；文献[14-15]考虑了数据采集的安全性问题，提出了一种安全数据采集协议，并利用整数线性规划的方法给出了满足最小总数据采集时间的智能电表集和数据采集器集的分配问题；文献[16-18]解决了与不可控紧急事件同时出现的信息流，采用路由或者信道分配来减少干扰，以此来减少数据采集调度的延迟。

虽然文献[10-13]都是研究数据采集调度的优化问题，但都仅仅只关注最早截止日期的响应时间要求，而忽视了不同数据优先级的响应时间要求。因此，为了解决多能源场景下，低压电网信息系统为了推进到功能和用能企业的边缘测的特定服务质量要求，现提出一种多能源数据采集调度控制优化方法，用于满足用户特定服务质量要求。

本文研究利用多跳无线网络建立数据采集结构，并通过为每个智能电表分配不同的时间安排，努力减少数据同时收集，以降低同步数据收集导致的干扰和吞吐量下降的影响。不同于文献[19]的优化目标是最小平均跳数、文献[20]的优化目标是每个节点的公平性，本文研究通过优化数据包大小和频谱感知次数以最小化延迟并提出最优数据采集调度算法。本文算法和结构可以有效地提高数据采集调度的效率，满足能源设备数据采集调度的时延要求。

1 多跳无线网络的数据采集结构

采集终端作为类似于物联网关的多跳网络与其他网络之间的集成点，它的布置已经得到了广泛的研究，现如今综合供能系统为了确保某些服务质量要求，例如带宽和延迟，需要根据采集终端的位置，对综合供能系统的水、电、天然气表进行布局[21]。

假设所有的综合供能系统的水、电、天然气表都配备有多跳的无线网络协议，并形成了一个网状网络；并且智能电表用于定期活动，如远程抄表、电压电能质量检测等，每个智能电表支持广泛的数据采集频率，可以远程配置[14]。

将采集终端为中心、布局智能电表的问题理解为顶点问题，这类问题的目标在于保证数据采集调度成功率的同时最小化所有智能电表到采集终端的距离。由于本文研究采用多跳路由，距离可以由跳数来表示。第一步，建立每个节点到其他节点的最小跳数矩阵M，为了找到跳数矩阵M的极大、极小值，使用距离L来存储M中每一行的最大跳数,选取的采集终端的点应该对应L中具有最小值的项。第二步，如果存在L具有若干个相同最小值时，则以最小平均跳数点作为最终选取值作为采集终端。

图1 多跳无线网络结构Fig.1 Wireless multi-hop network structure

根据所有智能电表之间的距离，建立了一种多跳无线网络数据采集生成树结构如图1所示，其中包括一个采集终端和若干个智能电表，采集终端充当边缘侧控制处理器，负责处理传输过来的数据；智能电表仅充当通信处理器，负责传输数据。

2 系统模型与优化目标

在边缘侧数据采集调度过程中，需要进行数据传输和数据处理这两个部分，其中数据传输延迟通过智能电表产生，数据处理延迟通过采集终端产生。由于数据处理的时间受到处理器性能的影响基本无法调整，所以为了减少采集调度的整体延迟，需要减少数据传输的时间并提高数据传输的成功率。

2.1 系统模型

提出了一种进行暂态分析数据传输的模型。首先定义主要用户和次要用户，主要用户是信道的控制者，次要用户则只是使用者，而为了有效利用资源，传输数据的时候仅利用空闲信道进行数据传输。次要用户可以利用空闲信道进行数据传输，当主要用户以最高的优先级使用当前信道时，次级用户需要及时停止使用频谱，将信道让给主要用户。假设次要用户要传输的暂态分析数据流由一组数据包组成，在每个数据包传输开始处对信道进行频谱感知，当检测到空闲信道时，通过信道传输数据包后再次进行频谱感知。数据传输模型结构如图2所示。

t为时间；Ts为频谱感知造成的时间开销； X为频谱感知次数；Dm为给定时间图2 数据传输模型Fig.2 Data transmission model

2.2 优化目标

在数据传输中，需要在给定时间Dm内完成数据传输。根据模型，文中把总时间延迟开销τOH定义为

τOH=τs+τR

(1)

式(1)中：τs为频谱感知造成的时间开销；τR为重传数据包造成的时间开销。频谱感知造成的时间开销为频谱感知次数与时间的乘积，而重传数据包的时间开销是当网络发生冲突时(主要用户占用频道)，发送方应当重新发送最后的数据包，因此重传造成的时间开销大小取决于传输中丢失的数据包的长度大小。若数据包长度过大，重传造成的时间开销将会很大；降低数据包长度大小看似可以减少总时间开销，但是同时会增加频谱感知的次数，会导致更多频谱感知造成的时间开销。因此，文中提出联合优化数据包长度大小和频谱感知次数，以此来降低传输延迟。

2.3 优化目标的数学描述

将目标函数定义为开销时间和有效传输时间的商。为了估计由于重传造成的时间开销，必须引入用户到达模型。考虑到主要用户到达率拟合泊松到达模型，文中提出主要用户到达率为

(2)

式(2)中：λi为主要用户到达第i个信道的平均时间。因此得出在进行了X次频谱感知之后，主要用户到达的概率为

X=0,1,…,n

(3)

(4)

(5)

(6)

经过计算得到

(7)

=(1-Li)+…+(Li)2X-2+(Li)2X-1

(8)

(9)

最终由式(7)和式(9)得到平均时间开销为

(10)

(11)

基于式(7)和式(9)得到平均有效传输时间为

(12)

为了在平均时间开销小的前提下提高平均有效传输时间。将优化目标函数f定义为这两个函数的比率，即

(13)

(14)

(15)

(16)

3 最优数据采集调度算法

在得到最优数据包分包大小为L=(L)*与最优频谱感知次数为X=(X)*后，本节通过最优数据采集调度算法，介绍如何在数据采集调度中，最大化数据采集效率和准确性。本节提出了一种优化方法：利用监测类型作为优先级进行最优排序调度，在保证重要数据传输的基础上减少数据传输过程的延迟并提高成功率。

最优数据传输流程算法首先定义循环变量Y，初始值为0，最优排序调度数据传输步骤如下。

(2)各数据采集装置的初始化参数矩阵Zi的计算公式为

Zi=bi,Ttotal,Ei,Wi

(17)

价值密度Wi为

Wi=TtotalEi

(18)

式中：bi为第i个数据采集装置截止时间；Ei为第i个数据采集装置任务重要等级，按照任务重要性划分为重要、一般、不重要三个等级，用数值3～1分别表示重要程度，3为非常重要，依次下降，本文研究将事件检测设置为重要，网络状态检测和运行状态监测设置为一般、实施功能监测设置为不重要；Wi为第i个数据采集装置任务重要性的价值密度。

3.乡村旅游的环境设计应该注重人情化。从游客自身的心理需求和生活需求来进行环境设计开发，根据不同游客的爱好来做不同的设计，设置可供游客进行选择的项目以及内容。

(3)利用式(19)建立优先级表为

(19)

(4)各区域数据采集装置根据优先级表，按照优先级由高到低进行排序，将k个区域优先级最高的数据采集装置利用空闲信道完成数据采集传输完毕后，Y=Y+1；再次运行频谱感知，查询信道是否空闲，若空闲执行步骤(5)，若已被主要用户占用执行步骤(7)。

(5)发送节点传输第二个数据包，传输完毕后，Y=Y+1；再次运行频谱感知，继续执行此过程，直到完成第(X)*-1个数据包传输为止。若中途出现主要用户占用信道情况则执行步骤(7)，否则执行步骤(6)。

(6)发送节点主动退出当前信道(proactive hand off，PHO)，若超过最大允许时间Dm，则结束数据传输；否则更新模型参数为

(20)

(21)

(7)当主要用户占用当前信道，发送节点强制退出当前信道(mandatory manner，MHO)，若超过最大允许时间Dm，则结束数据传输；否则更新模型参数为

(22)

(23)

并执行步骤(1)。

基于优先级的最优排序调度方法如图3所示。

图3 基于优先级的最优排序调度算法流程图Fig.3 Flow chart of optimal scheduling algorithm based on priority

4 仿真与结果

为了印证上述算法效果，文中使用MATLAB进行仿真。网络的节点个数分别初始化为36、54、72、90、108、126、144。分别选取文献[10，20]、文献[21]和文中数据采集调度方法。图4～图6以网络节点的个数为变量研究了算法对于数据采集调度成功概率、数据采集时间延迟和数据采集调度时间的调节能力。

图4(a)显示了数据采集调度成功概率随网络节点的个数的变化趋势，随着网络节点的增加，数据采集调度成功概率逐渐下降，但本文算法的数据采集调度成功概率始终高于其他方法，因此利用本文算法进行数据采集调度可靠性最高。

图4 数据采集成功概率随网络节点的个数的变化趋势Fig.4 The change trend of data acquisition success probability with the number of network nodes

图5 数据采集延迟随网络节点的个数的变化趋势Fig.5 The data collection delay changes with the number of network nodes

图6 数据采集时间随网络节点的个数的变化趋势Fig.6 The change trend of data collection time with the number of network nodes

图4(b)描述了数据采集延迟随网络节点的个数的变化趋势，随着网络节点的增加，延迟时间也会增加，但是当网络节点个数超过72，其他3种方法的延迟时间快速增加，而本文的算法延迟时间增加缓慢，即使网络节点个数达到144，延迟时间也没有超出1 s，因此本文的算法相比其他3种算法具有低延迟性。

图6描述了数据采集调度时间随网络节点的个数的变化趋势。随着网络节点个数的增加，相比其他3种方法，本文算法的数据采集调度时间一直最短。

表1描述了当网络节点数均为144时，本文方法与文献[10]、文献[20]、文献[21]中的方法对应的采集成功率、延迟时间和调度时间参数，相比其他3种方法，本文的方法采集成功率最高，延迟时间和数据调度时间最短。由此可以证明文中方法能优化数据采集调度过程中的延迟，最终减少数据采集调度的时间延迟并且增加成功率。

表1 不同方法对应的采集成功率、延迟时间和调度时间参数Table 1 Acquisition success rate, delay time and scheduling time parameters corresponding to different methods

5 结论

提出了一种基于边缘计算的数据采集调度方法，以能源设备供能的监测时间为约束，根据建立的多跳无线网络数据采集结构，提出基于优先级的最优排序采集调度方法，并开展了仿真测试。结果表明，与现有的方法相比，本文算法和模型可以有效地减少数据采集调度的延迟并大幅度提高数据采集调度的成功率，表明本文算法可以及时处理实时、短周期的数据，进而可以满足能源设备供能的监测时间约束条件，为综合供能系统未来稳定安全和协调高效地工作提供参考。