基于灰色模糊预测的海量电力数据自动调度算法

向 颖,余旭阳,严慧峰,许 轲

(1.国网湖南省电力有限公司 发展策划部,长沙 410007;2.北京国电通网络技术有限公司 规划与计划管理业务事业部,北京 100085)

0 引 言

电力企业在运行时会产生海量数据,借助大数据可从海量数据中找出潜在的变化规律。随着电力企业的不断改革,电力系统中的数据源节点增长更加迅猛,海量数据的堆积使管理模式出现大量问题,如何实现精准调度,满足电力系统实时性和可靠性的要求,是当前亟需解决的难题之一。

相关领域学者对电力系统中数据调度展开了研究,陈江兴等[1]设计了基于大数据的智能电网数据调度算法,在云计算和大数据处理技术的基础上,针对海量的电力数据采用多队列动态优先级调度算法。找出电力系统中的关键节点,按照相应算法对其进行节点选择和分发,实现精准调度。该方法可有效调度电力系统任务,但节点负载过高,导致算法整体效率过低。孙洪波等[2]设计了一种新的电力系统优化任务调度算法,将收集调度中的资源数据进行实数编码,根据编码原则将大任务分为数个子任务,对子任务的长度进行定义,完成电力系统优化任务调度算法的研究。该方法可实现电力系统的协同调度,但事先并未对任务的优先级进行计算,调度方案中存在一定的误差。

针对上述问题,笔者设计了基于灰色模糊预测的海量电力数据自动调度算法。考虑电力系统任务调度实时性和可靠性的特点,制定了相应的调度策略。通过分析对调度任务选择截止期与价值作为特征参数,计算负载率衡量服务节点的实际负载情况,实现电力系统的负载均衡分配。运用灰色模糊预测算法对电力数据进行调度,根据递进函数预测存储块的未来趋势,实现电力数据的自动调度。

1 基于灰色模糊预测的电力数据自动调度

1.1 电力任务调度策略

笔者综合考虑电力系统任务调度实时性和可靠性的特点[3-5],制定了相应的调度策略。

1.1.1 任务描述

在电力系统数据平台中,任务是实现调度的基础,也是基本单位。将任务定义为Ri,利用5元组的形式进行描述,得到Ri=〈ai,Ci,Di,Vi,wi〉。其中ai表示调度任务首次提出的时间；Ci表示所有调度任务的完成时间均值；Di表示每个调度任务的相对截止期,也就是任务的到达与截止时间之间的时间差；Vi表示调度任务的价值高低,描述任务的关键程度,其价值是当前任务与其他任务之间的比较结果；wi表示调度任务的负载量大小,即当前任务与其他任务相比占用服务器资源的大小。

1.1.2 衡量指标

笔者通过对调度任务的分析和综合考虑,选择截止期与价值作为特征参数。将任务的优先级定义为

(1)

电力数据调度应遵循以下规则：任务的优先级计算结果越小,说明该任务的优先级越高,在任务集中的价值也就越高,在排列时应将其排在前面被优先执行[6-8]。在截止期“最早最优先”的原则基础上确保任务被优先调度,提高电力系统用户满意度。

任务的优先级分配策略的对象主要是对新到的任务,通过计算其特征参数,得到该任务的优先级,从而在任务调度序列中找到其合适的位置。选择截止期与价值作为优先级调度策略[9-11],在任务调度时可在充分考虑二者重要度的前提下,使电力系统避免出现过载的情况,保证其稳定运行。

为达到电力系统的负载均衡分配,笔者通过计算负载率衡量服务节点的实际负载情况。将完成归一化处理后的任务执行时间Ci,看作是衡量一个任务的相对负载量权值wi,其值通过任务的种类和实际负载量得到。每个服务节点的处理能力用Si表示,Si的值始终比任务负载量总和大。通过

(2)

计算每个服务节点的加权负载率。其中k表示电力系统中数据的权值系数。

将数据平台中的服务节点总数设为N个,计算全部节点的加权负载率向量如下

L={l1,l2,…,lN}

(3)

在式(3)的基础上,计算最重载和最轻载服务节点的加权负载率如下

lmax=max(L),lmin=min(L)

(4)

数据平台的负载均衡误差计算公式为

ldiff=lmax-lmin

(5)

综上所述,任务调度就是要在满足截止期和价值的基础上,选择合理的调度方法,使电力系统稳定运行。

1.2 灰色模糊预测调度算法

在电力系统中,海量的电力数据通常以存储块的形式存储,运用灰色模糊预测算法对电力数据进行调度。

将电力系统中初始存储块的序列定义为

(6)

其中j表示数据序列值。

经过迁移或调度后的存储块序列为

(7)

电力系统中,两个存储块之间存在关联的序列为

(8)

(9)

综上所述,可得到电力系统中初始时刻T下的存储块序列为

(10)

(11)

构建灰色预测模型M(1,m),处理存储块中的不等距序列,表达式如下

(12)

随着调度任务分配时间的变化,可得到式(12)的时间序列表达式为

(13)

至此,构建灰色模糊预测模型M(1,m),处理公式如下

(14)

(15)

当数据平台中的存储块发生了迁移、修改和调度等一系列变化后[18-20],X(1)将进行以下操作：首先,预测X(1)的变化趋势

(16)

根据X(1)的背景参数可得

Z(1)={Z(1)(t2),Z(1)(t3),…,Z(1)(tn)}

(17)

对式(16)进行离散化处理,代入背景参数Z(1),得到单个存储块G(1,1)为

X(0)aZ(1)=b

(18)

将其转换为矩阵形式：X(0)+M(a,b)T,其中

至此,得到处理时间后的后续递进函数如下

(19)

(20)

利用F′(c)=0计算极值,得到

(21)

此时,F(c)为最小值。当t=tk时,得到

(22)

将式(22)代入递进函数中,得到

(23)

根据递进函数,可对单个存在的存储块的未来趋势进行预测,再结合任务的优先级,即可实现对电力数据的调度。

2 仿真实验

为验证笔者算法在实际应用中是否有效,设计了仿真实验,并与文献[1-2]算法进行对比。通过计算3种算法在各自对应的任务下,调度所需的总时间以及运行时间,分析算法的效率以及稳定性。实验中所用的数据均来自某地电力局,数据任务类型选择word count,容量总共约1 GByte。为得到精准的实验结果,将数据划分为大小不同的10个子任务。

2.1 3种算法调度效率对比

代入电力任务word count,为方便区分,将10个子任务按照1～10的顺序进行编号。对3种算法,实验分别配备了相应的调度器,对任务执行调度,得到总的运行时间和等待时间。3种算法的任务调度时间如图1～图3所示。

图1 文献[1]算法任务调度总时间Fig.1 Total task scheduling time for the [1] algorithm

从图1可以看出,从任务1～任务10云计算技术所需总的调度时间为52 s。分析单个任务可以看出,任务2、4、7、9占用的时间比较多,导致其他任务运行时间较少,在一定程度上增加了用户的等待时间。该算法在任务的资源分配方面存在严重不足,使算法陷入了局部最优,在处理海量电力数据时无法得到理想的调度结果。

从图2可以看出,该算法在执行调度任务时,并非根据任务的编号顺序执行,而是根据每个任务的容量大小不同决定。算法总的任务调度时间为44 s,较文献[1]算法少。但该算法在分配资源时,没有考虑到每个任务的实际资源需求,使部分任务资源浪费、闲置,导致电力系统整体利用效率出现下降趋势。

图2 文献[2]算法任务调度总时间 图3 笔者算法任务调度总时间Fig.2 Total amount of literature [2] algorithm task scheduling time Fig.3 Total algorithm task scheduling time

从图3可以看出,运用笔者算法的总任务调度运行时间为21 s,相较于其他两种方法耗时少。这是由于笔者算法先分析了任务的优先级,再对单个数据存储块的递进式进行计算,整体上合理配置系统资源,得到全局最优；不仅如此,笔者算法在保证低耗时的同时,还使各个任务之间合理调度,降低了任务等待时间,在一定程度上提高了用户的满意度。

2.2 3种算法稳定性对比

对3种算法的稳定性进行对比实验。对相同的10个子任务,3种算法得到的稳定性比较结果如图4所示。

图4 3种算法稳定性对比图Fig.4 The stability comparison diagram of the three algorithms

从图4可以看出,文献[1]算法所用总调度时间均值为37 s,文献[2]算法的总调度时间均值为39.7 s,笔者算法总调度时间均值为25.3 s。笔者算法用时明显少于其他两种方法；与此同时,笔者算法整体曲线起伏较小,没有出现太大的时间变化,说明笔者算法具有较高的稳定性。因为笔者算法运用灰色模糊预测算法对电力数据进行调度,稳定性得到增强。

3 结 语

笔者针对海量电力数据无法实现精准调度的问题,提出了基于灰色模糊预测的电力数据调度方法。首先,分析调度任务的优先级,再结合灰色预测模型,使实际需求与电力数据更加接近,在一定程度上提高用户的满意度。实验结果表明,笔者分析了任务的优先级,再对单个数据存储块的递进式进行计算,整体上合理配置系统资源,得到全局最优,总任务调度运行时间少,运用灰色模糊预测算法对电力数据进行调度,稳定性得到增强。