云计算环境下电力网络负载均衡调度方法研究

刘鑫

（ 湖南铁道职业技术学院， 湖南 株洲 412001）

随着大数据和云计算技术的不断发展，相关的应用研究引用到电力网络数据管理中。 云是网络、互联网的一种比喻说法。 云计算模型的重要特点就是随机性和模糊性，因为云计算模型是在随机过程及概率论等数学基础上提出的概念，它可以将随机性和模糊性进行定量分析，通过云计算实现对数据资源的云存储和云调度，采用云计算可以实现对大数据的智能处理，满足不断扩大的用户和数据的需求。 而今，电力网络的数据管理已经引入到云计算环境中，通过对电力网络负载数据进行智能集成和管理，采用云计算技术，并与网格计算、效用计算、自主计算相结合，可以实现对大型电力网络数据的优化调度， 提高电力系统和电力资源管理的有效性。 可见，在云计算环境下，电力网络数据通过云存储形式构建成大型电力网络数据库，需要对电力网络负载数据进行均衡调度，提高电力资源的均衡配置和管理效率，相关的均衡调度算法受到了广大专家学者的重视[1]。

传统方法中，在云计算环境下进行电力网络负载均衡调度方法采用的是实体模型分析方法和神经网络调度算法等，通过神经网络智能调度方法和特征提取算法实现对云计算环境下的电力网络负载均衡管理和数据调度[2]。 其中，文献[3]提出一种基于虚拟信息资源随机调度的云计算环境下电力数据均衡调度模型， 通过云计算实现任务权衡和调度，提高电力网络的运行效率，但是该算法具有时间延迟大，计算复杂等缺点；文献[4]提出一种基于云计算网格时间尺度分析大型电力网络负载均衡算法，提高大型电气数据在数据库的云存储和数据调度性能，但算法存在电力网络负载数据库存储资源浪费，云计算网格空间分配不均等问题[5-7]。 针对上述问题，笔者提出一种基于模糊循环迭代控制的云计算环境下的电力网络负载均衡调度算法。 首先构建云计算环境下的电力网络负载数据堆栈存储模型，将云计算下的电力网络环境的网络拓扑结构分为3层，数据资源特征分析，提取电力网络负载数据信息流的时间尺度特征，对特征值进行模糊循环迭代控制，实现均衡调度算法改进，仿真实验进行了性能验证，展示了本文算法在提高电力网络负载数据均衡方面的调度能力，提高电力资源的均衡配置和管理效率方面的优越性能。

1 模糊循环迭代控制算法

在云计算环境下，电力网络数据通过合理的调度完成电力网络负载的均衡，合理的调度方法可提高电力资源的均衡配置和管理效率。 模糊循环迭代控制算法是以迭代计算和控制算法为主的一种数据均衡算法。 在数据特征提取的基础上，进行模糊循环迭代控制，其算法原理如下：

假设数据集合为{xn}Nn=1，以如下矢量控制形式在堆栈空间中形成新的映射关系为

式中：x为负载采样点时间序列；τ为时间延迟参数，数据运行的一个时间跨度记为

令R为包含有四元组（ Ei，Ej，d，t）数据的信任关系，构建数据权重分配机制，计算正交加权约束均衡比，进行分类属性权重评估，给定数据任务有效率函数E（ i，j）：

对于数据集合A上的任意一点ai，其均衡性计算参数为

式中：w为权重；C为加权约束均衡比；D为时间参数；M为时间采样周期。 信息在干扰和噪声作用下，出现失衡， 此时需要控制A，B之间的空间有向模糊距离为

式中：NA为A的数据信息流的协方差向量，均衡调度近似计算产生的信息采集时延为

在均衡迭代控制过程中， 采用数据聚集树分层算法，将数据调度集x的值减1，如果x=0，则将它的状态设为RY状态，采用模糊循环迭代控制，控制过程符合正态分布概率，得到：

迭代计算直到上式的值最小，实现对数据均衡。

4.2.1 目标调节 以调节免疫与诱导凋亡为主，其他机制全覆盖。①诱导凋亡：人参、黄芪、何首乌、五味子入组。②调节免疫：胡颓子叶、锁阳、核桃仁、何首乌、山茱萸，在该5味药中选择4味入组。③诱导分化/衰老：三七、红景天入组。④抑制增殖/生长：太子参、甘草入组。⑤抑制侵袭/转移：缬草、白术入组。⑥诱导自噬：冬凌草、知母（或防风）入组。该部分合计约16味药。

2 均衡电力调度目标参数的选取与处理

在云计算环境下， 大型电力网络负载的均衡性调度参数和电网的拓扑结构有关。云计算环境下，电力网络的拓扑结构如图1所示。

图1 电力网络的拓扑结构Fig. 1 Power network topology

根据图1可知，电力网络的基站项涉及了大量多源异构资源， 进行电力网络负载均衡调度的信息交互[9]，电力网络负载均衡调度数据集和聚集调度控制构建模型可形式化描述为：给定一个控制参数集合G=（ V，E）和Sink∈V，寻找一个调度集方法{S1，S2，…，SL}，使得电力网络负载参数TS（ u）=max（ TS（ v）+1，TS（ u））最小。

此时， 定义电力网络负载均衡调度参数可选择对应的时延响应参数，计算方法为

电力网络负载调度中， 各空闲时间片长度分别记作x1，x2，…，xm+1，第k个电力控制节点的信息定义为δk：

式中： Ui为电力数据分类属性；k为负载强度；Θ（ t）为电力数据最近时刻查询获得的信任值， 以此为基础，构建电力网络负载数据信息流参数：

式中：T为总的电力负载均衡调度时间长度，根据上述信息流构建， 提取电力网络负载数据信息流时间尺度特征参数：

在上述进行电力网络负载数据信息流构建的基础上， 提取电力网络负载数据信息流的时间尺度特征，对于尺度为a的大型电力网络负载数据调度任务请求信息，时间尺度特征估计参数为

3 电力负荷均衡调度的步骤

式中：xmax、xmin为最大数据和最小数据值。

归一化后的数据分布在[0，1]区间中。

2） 目标函数选取确定电力网络中固定的流量输入节点、输出节点。 对输入节点的信息采集得到的是物理量信息，以模糊迭代循环控制为基础的计算节点和目标输出使用的是数字量。 设置误差修订函数。使用计算的目标函数f（ x）在循环迭代算法中，对于任意给定的输入函数和规定的目标输出误差精度ε>0， 总存在一个可以进行循环计算的迭代关系逼近。 根据给定的均衡调节目标函数，将已有的电力负荷序列以及最大负荷、最小负荷等影响因素目标为输入数据x1，x2，…，xn，经过模糊循环迭代，得到固定的电力负荷数值，根据目标函数。 在规定的电力负荷均衡调度的误差ε内。

3） 根据误差和对目标函数的要求，考虑是否进行下一步的迭代。 这种运算过程可表示为

式中：x[S]ij为在固定时间点的电网负荷输出；W[S]ij为网络中迭代时间系数。 x[S-1]ij为经过一次迭代计算后的输入实测电力负荷；Qij为表述均衡调节误差的漏失量。 最终负荷输出值为

式中：OI为输出的均衡化后的电力负荷；T[S+1]ij为网络负荷修正值，均衡调度的样本误差为

式中：C为网络最终输出系统误差；P为负荷实测样本数；ε为系统误差允许值。

4 仿真实验与结果分析

为了测试本文算法在实现云计算环境下电力网络负载均衡调度中的性能，进行仿真实验。 实验在4个机柜中的126台计算机中完成云计算环境设计，这些机器通过吉比特以太交换机连接成大型电力网络，机柜内的对半带宽约为14 Gb/s，所有计算机运行在内核版本为2.6.9的Red Hat Enterprise Linux AS 4.0。 参数设定中，电力网络的度固定为15，网络节点数为800个节点， 构建100个任务组成大型电力网络负载数据库的云存储资源调度集， 整个电力网络负载数据在模糊堆栈控制中划分为16个虚拟约简检测单元格，以此为基础进行数据采集和信号模型构建，得到采集的电力网络负载数据的时域波形如图2所示。

图2为电力负载频率为110 kHz时指向（ 10°，40°）的波束图， 以图2给出的电力网络负载数据为测试样本，提取时间尺度特征，进行均衡调度，为了对比算法性能，采用本文算法和传统算法，以电力网络负载均衡调度的响应频谱为测试指标，得到的仿真结果见图3。

图2 电力网络负载数据的时域波形Fig. 2 Time domain waveform of electric power network load data

从图3可见，采用本文算法，电力网络负载均衡调度的响应频谱的谱峰较为明显，说明本文方法具有较强的均衡调度响应能力，提高了电力网网络负载的调度效率。 进一步进行定量分析，采用本文设计模糊循环迭代调度模型进行电力网络负载信息流构建和均衡调度，以调度的融合率、标准差等参量为测试指标，得到负载数据均衡融合结果见表1，分析表1结果可得，通过本文方法，采用模糊循环迭代控制和均衡调度设计，可有效剔除簇内非相干数据，提高电力网络的负载均衡性，提高了云计算下 电力网络均衡集成调度的效率和均衡配置能力。

图3 电力网络负载均衡调度的响应频谱Fig. 3 Response spectrum of electric power network load balancing

表1 云计算下虚拟信息资源的大数据特征集成结果Tab. 1 The big data feature integrated results of the calculation of virtual information resources

5 结论

提出了一种基于模糊循环迭代控制的云计算环境下的电力网络负载均衡调度算法。 首先构建云计算环境下的电力网络负载数据堆栈存储模型，将云计算下的电力网络环境的网格拓扑结构分为3层，数据资源特征分析，提取电力网络负载数据信息流的时间尺度特征，对特征值进行模糊循环迭代控制，实现均衡调度算法改进，仿真实验进行了性能验证，研究表明，采用本文方法能提高电力资源的均衡配置和管理效率，性能优越。

[1] 周涛. 基于改进神经网络的电力系统中长期负荷预测研究[J]. 电气应用， 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] 李红升. 基于粒子群算法改进电力信息系统的安全研究[J]. 科技通报， 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] 张文亮， 刘壮志， 王明俊. 智能电网的研究进展及发展趋势[J]. 电网技术， 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] 王晓波， 樊纪元. 电力调度中心统一数据平台的设计[J].电力系统自动化， 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， 王会举， 李芙蓉， 等. 数据管理技术的新格局[J]. 软件学报， 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] 刘冬宁， 汤庸， 滕少华， 等. 基于时态数据库的极小子结构逻辑系统[J]. 计算机学报，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.