微服务架构下配电台区任务云边协同在线调度策略

程 钎，陈 羽，孙伶雁，丁 锐，王敬华

微服务架构下配电台区任务云边协同在线调度策略

程 钎1，陈 羽1，孙伶雁1，丁 锐1，王敬华2

(1.山东理工大学电气与电子工程学院，山东 淄博 255000；2.山东科汇电力自动化股份有限公司，山东 淄博 255000)

由电网域向社会服务域延伸的配电网需要支持更多的业务，应用随新业务拓展不断增加可能会导致边设备资源不足。为了从边设备层面支撑资源受限情况下任务的调度与协同处理，提出了微服务架构下配电台区任务云边协同在线调度策略。从任务及设备角度对云边容器化场景下任务调度问题进行了分析，在容器化电力任务云边调度机制基础上，设计了优先级策略与任务分配策略，并通过改进的在线算法对任务进行实时调度。仿真结果表明，所提策略具有更高的任务执行效率，通过资源置换，能够提高边设备资源受限时重要任务的完成率以及系统安全性。

任务调度；微服务；云边协同；优先级；边设备

0 引言

随着配电物联网的建设，终端设备和任务数量快速增加，传统的云计算模式在响应速度与通信时延等方面出现瓶颈[1-2]。将部分计算能力从云端迁移到数据源侧的边缘计算节点，可以减轻云端压力，满足实时数据分析与低延时任务处理[3]。

配电物联网云、边基于软件定义的思想，通过微服务架构实现软硬件解耦，进一步缩小应用管控粒度[4]。边设备的发展趋势是通用化，即在同一个硬件系统上运行不同类型的应用[5]。而应用随着新业务的拓展不断增加，设备计算、存储和通信资源可能存在不足的情况。利用微服务相互独立的特点，根据应用服务的差异化需求，选择部分应用卸载到云端执行，释放装置的资源，对充分利用云边各自优势，提高电力任务执行效率具有重要意义。

目前，关于电网设备任务调度有如下研究。文献[6]在云计算环境下，以节能为目标，将节点性能功率比作为比较条件，选择最优节点分配任务。文献[7]在系统架构中增加一类仅计算而不产生任务的备用边缘节点。综合考虑任务的时延和能耗，利用博弈论来对居民区用电任务进行卸载，实现多方最优。文献[8]采用深度确定性策略梯度强化学习算法对边缘服务器中的计算、存储资源进行分配，较好地解决了边缘服务器在处理任务时计算能力和资源的限制。文献[9]以虚拟机为任务处理载体，通过对负载均衡、资源分配、任务分配3个子问题求解，来满足时延敏感任务的需求。文献[10]提出了基于边缘计算节点合作的任务分配机制，利用改进粒子群优化算法求解双边缘节点协同任务分配问题，以最大限度减少任务平均完成延时。文献[11]考虑边云卸载和边边卸载两种卸载路径，以最小化系统卸载成本来确定最优卸载路径。文献[12]提出一种优化分布式卸载算法来降低有依赖关系的电力任务的处理时延。但是现有的调度策略并未考虑微服务架构下电力任务特征与容器状态对调度决策的影响，且集中在以离线方式对任务进行调度，缺少对多任务在线调度的研究。

本文提出了微服务架构下配电台区任务云边协同在线调度策略。利用有向无环图对任务进行建模。调度策略考虑电力任务的差异化特征与容器状态，分为优先级策略、任务分配策略两部分，通过改进的在线算法实现不同环境下多任务的实时调度。通过仿真对所提方法进行了验证。

1 台区应用场景

随着配电物联网的发展，配电台区涉及多种应用场景，包括配电台区数据分析、配电设备智能运维与故障抢修、社会用能分析与节能降碳、双碳驱动的源网荷储协调控制，电能质量治理等[13-14]。每种场景会包含多种类型的应用。以源网荷储协调控制场景为例，需要需求侧响应、综合能源服务、新能源消纳、电网峰谷调节等[15]。

配电台区的任务呈现多元化、动态化、差异化的特征。多元化体现在任务的种类多、涉及的场景多；动态化一方面体现在任务随机到达，另一方面体现在任务信息在每次到达时变化较大[16]。差异化体现在不同的任务在数据量、时延、重要程度等方面差异大，处理方式和资源需求差异大。

2 云边协同下配电台区任务调度架构

2.1 配电台区边设备

针对配电台区任务多元化、动态化、差异化的特征与业务范围向用户侧深入的新需求，边设备形成了以微服务为执行载体的新架构[17]。在微服务架构中，单个应用程序被划分为各种小的、互相连接的微服务，每个微服务完成一个单一功能，相互之间保持独立和解耦合。由于容器良好的隔离性能以及轻量级的优势,通过容器对微服务类型的应用程序进行部署，实现边设备对多类任务的处理，保障任务隔离以及数据安全[18]。

2.2 任务模型

2.3 微服务——容器映射关系

2.4 微服务架构下电力任务云边调度机制

图1 微服务架构下电力任务云边调度机制

3 台区任务云边协同在线调度算法

根据第1、2节的分析，任务的多元化、动态化、差异化以及边设备资源的有限性与波动性是任务调度面临的主要挑战。并且由于任务调度的实时性，调度算法不能太复杂。针对以上分析，以文献[20]中所提任务调度思路为基础，提出了台区任务云边协同在线调度算法(cloud-edge collaborative algorithm, CECA)。CECA基于调度列表，由优先级策略和任务分配策略两个部分组成。

3.1 优先级策略

3.1.1微服务优先级

微服务架构下的电力任务由一系列微服务组成，按优先级排列微服务对任务调度至关重要[21]。如果微服务之间存在依赖关系，则不能交换执行顺序。比如必须先执行采集类微服务，才能执行后面的分析类与控制类的微服务。此外，并行微服务的执行顺序也会影响任务处理的总延时[22]。本文采用式(1)来计算电力任务中各个微服务的优先级。

3.1.2任务优先级

上节定义了具体的DAG图的微服务优先级关系，还需解决多个电力任务之间的优先级关系。在边缘计算系统资源受限时，应优先处理重要任务。

基于模糊逻辑的方法计算复杂度低并且可以在不确定信息情况下进行计算[23]，因此利用模糊逻辑来确定不同任务的优先级。步骤如下所述。

1) 模糊化。本文采用计算效率高的三角形隶属度函数，其计算公式为

2) 模糊推理。利用模糊规则进行推理，推理的结果是一个模糊变量，用于去模糊化。模糊规则是一个简单的具有条件和结论的if-then规则。由于有3个隶属度函数，每个隶属度函数有3个语言变量，因此共有27条模糊规则。规则如附录A所示。

3.2 任务分配策略

在任务调度中有两个约束条件：优先级约束和能力约束。优先级约束是指微服务不能在其前驱微服务的数据传输到此微服务之前执行。能力约束是指微服务必须承受在设备上的等待时间，直到设备有能力执行此微服务。

优先级约束为

能力约束为

结束时间为

各个微服务根据式(10)分配到可以最早执行的设备上。

3.3 算法描述

本文算法基于调度列表，贪婪地将每个微服务分配给可以最早执行的设备。在文献[20]所提任务调度策略基础上，利用模糊逻辑计算不同电力任务优先级，细分了微服务在容器中的处理情况并建立了相应的数学模型。在微服务调度顺序中，针对资源是否受限分情况对不同任务进行调度。

3.3.1调度列表

3.3.2微服务调度顺序

边缘计算系统资源不受限时：根据式(8)，计算中各个调度序列最靠前的微服务的最早执行时间，选择最早执行时间最小的微服务并按式(10)分配。

4 仿真验证

4.1 实验环境

为了验证本文所提算法的性能，使用Python编程实现该算法并进行测试。本文以文献[11]所提出的改进的IEEE33节点系统为测试系统，如图3所示。

图3 改进的IEEE33节点系统

配电台区中，共部署了4台边设备和1个中心云。每个电力任务中调用的微服务数量为5～9个。每个微服务处理的数据量在(0.1, 1.2) MB区间内，虚拟入口微服务与各个入口微服务之间传输的数据量在(0.5, 1) MB区间内，其余两个有依赖关系的微服务间传输的数据量在(0.1, 0.5) MB区间内，每个任务的时延在(2, 20) s区间内[24]。每台边设备支持并发的容器数量设置为4个，中心云可以支持所有业务容器并发，因此设置为9个。因为云边之间数据传输会有较长的延时，所以将边设备与云的通信时间设置为边设备之间通信时间的1/20[20]。

4.2 对比算法

对于本文所提算法，考虑了以下三种调度策略的算法作为对比。

1) 仅边设备执行算法(only edge device algorithm, OEDA)：所有任务在其最初到达的边设备进行处理，不卸载。

2) 仅云端执行算法(only cloud algorithm, OCA)：除了虚拟入口、出口微服务，其余微服务都卸载到云端执行。

3) 先来先服务算法(first come first service, FCFS)：基于排队理论，根据到达时间进行调度。一个任务一旦被启动，各个微服务将被连续处理，直到任务完成，此过程中不会调度其他任务。

4.3 算法性能仿真结果分析

为了测试不同参数设置下算法的性能，随机生成200个任务，对生成的200个任务分别用本文调度算法与3种对比调度算法进行处理。

图4对比了4种算法在不同的边设备支持并发的容器数量下完成的任务数量。设置边设备支持并发的容器数量分别为2、3、4、5、6个。

图4 边设备支持并发的容器数量对不同算法任务完成数量的影响

由图4可知，随着边设备支持并发的容器数量的增加，CECA与OEDA完成的任务数量都在增加。OCA由于不受边设备影响，因此任务完成数量不变。FCFS每次只调度一个任务的微服务，只会占用一个容器，不涉及容器的并发运行。在其他相同的设定下，CECA完成的任务数量是最多的，说明CECA可以同时处理更多任务。

图5对比了4种算法在不同的边设备支持并发的容器数量下任务的完成时间。设置边设备支持并发的容器数量分别为2、3、4、5、6个。

图5 边设备支持并发的容器数量对不同算法任务完成时间的影响

由图5可知，随着边设备支持并发的容器数量的增加，CECA与OEDA任务完成时间都在减少。OCA与FCFS不受影响。在其他相同的设定下，CECA任务完成时间是最少的。结合图4的结果，可以看出，CECA可以在更少的时间内完成更多的任务，具有更高的任务处理效率。

图6对比了4种算法在不同的云边通信时间下完成的任务数量。将云边通信时间设置为默认值的1倍、20倍、40倍、60倍。

图6 云边通信时间对不同算法任务完成数量的影响

由图6可知，随着云边通信时间的增加，CECA和OCA完成的任务数量都在减少，但是CECA任务完成数量减少相对缓慢，OCA减少明显，说明CECA受云边通信资源变化影响较小。即使在云边通信较差的环境中，CECA通过设备间协同的方式，能够使更多的任务得到及时处理。

图7对比了4种算法在不同的云边通信时间下任务的完成时间。将云边通信时间设置为默认值的1倍、20倍、40倍、60倍。

图7 云边通信时间对不同算法任务完成时间的影响

由图7可知，随着云边通信时间的增加，CECA和OCA任务完成时间都在增加，在其他相同的设定下，CECA任务完成时间是最少的。结合图6的结果可以看出，CECA在通信环境受到干扰时仍然有较高的任务执行效率，进而提高了任务调度的安全性。

4.4 重要任务调度仿真结果分析

为了对比边缘计算系统资源受限时重要任务的完成情况，根据配电台区实际运行场景，仿真台区发生故障后故障研判任务的调度处理情况，任务的参数及结构如附录B所示。分别采用本文策略(记为策略1)及文献[20]的策略(记为策略2)进行调度。随机测试了30次，观察任务处理情况，结果如图8所示。

图8 策略1与策略2下任务处理时间

由图8可知，策略1下任务的处理时间明显小于策略2下任务的处理时间。在任务时延要求为3.2 s的情况下，策略1下任务完成率为83.3%，策略2下任务完成率为23.3%，策略1的任务完成情况明显好于策略2。这是因为策略2仅仅依据调度列表顺序选取可以最早执行的微服务进行调度，灵活性较差，无法适应特殊的任务与变化的环境。在电网运行过程中，故障处理等任务如果得不到及时处理，将对电网造成不可估计的影响。本文所提策略可以在边缘计算系统资源受限时减少重要任务的处理时间，进而提高了电网运行的稳定性与安全性。

通过上述分析可知，台区任务云边协同在线调度策略在系统不同的资源状况下可以满足不同任务的需求，具有更高的任务处理效率，为边设备资源受限时的任务调度问题提供了解决思路。

5 结论

为实现从边设备层面支撑资源受限情况下电力任务的调度与协同处理，提出了微服务架构下配电台区任务云边协同在线调度策略。

本文首先从台区任务角度进行分析，指出了台区任务具有多元化、动态化、差异化的特点。在设备层面，指出了边设备资源有限性与波动性的特点。在微服务架构下，利用有向无环图对任务进行建模，并区分出微服务3种处理情况。以微服务架构下电力任务云边调度机制为基础，针对以上特点，提出了台区任务云边协同在线调度算法。通过模糊逻辑对不同电力任务的优先级进行计算，并根据边设备不同的资源情况对不同任务进行在线调度。

本文通过仿真边设备支持并发的容器数量以及云边通信时间对不同策略的影响，并进行对比分析。结果表明在相同的设定下，本文所提策略能够在更短的时间内处理更多的任务，具有更高的任务执行效率。通过仿真边缘计算系统资源受限时重要任务的完成情况，验证了本文所提策略通过资源置换，能够提高边设备资源受限时重要任务的完成率以及系统安全性。

附录A

表A1 模糊规则

Table A1 Fuzzy rules

规则序号输入数据量时延任务类型值任务优先级 R1低高常规非常低 R2低高告警非常低 R3低中常规低 R4低中告警低 R5低高故障低 R6中高常规低 R7中高告警低 R8高高常规低 R9高高告警低 R10低低常规中 R11低低告警中 R12低中故障中 R13中中常规中 R14中中告警中 R15中高故障中

续表A1

规则序号输入数据量时延任务类型值任务优先级 R16高中常规中 R17高中告警中 R18高高故障中 R19低低故障高 R20中低常规高 R21中低告警高 R22中中故障高 R23高低常规高 R24高中故障高 R25高低告警非常高 R26中低故障非常高 R27高低故障非常高

附录B

表B1 故障研判任务参数

Table B1 Fault diagnosis task parameters

微服务名称编号处理数据量/MB传输数据量/MB任务类型值时延/s 虚拟入口微服务000.93.2 台区拓扑识别10.850.35 设备运行数据采集20.800.37 停电事件获取30.570.22 故障回路判据计算40.760.25 故障判定50.360.18 虚拟出口微服务600

图B1 故障研判任务有向无环图

Fig. B1 Fault diagnosis task directed acyclic graph

[1] 刘日亮, 刘海涛, 夏圣峰, 等. 物联网技术在配电台区中的应用与思考[J]. 高电压技术, 2019, 45(6): 1707-1714.

LIU Riliang, LIU Haitao, XIA Shengfeng, et al. Internet of things technology application and prospects in distribution transformer service area management[J]. High Voltage Engineering, 2019, 45(6): 1707-1714.

[2] CHEN Haoyong, WANG Xiaojuan, LI Zhihao, et al. Distributed sensing and cooperative estimation/detection of ubiquitous power internet of things[J]. Protection and Control of Modern Power Systems, 2019, 4(2): 151-158.

[3] 何奉禄, 陈佳琦, 李钦豪, 等. 智能电网中的物联网技术应用与发展[J]. 电力系统保护与控制, 2020, 48(3): 58-69.

HE Fenglu, CHEN Jiaqi, LI Qinhao, et al. Application and development of internet of things in smart grid[J]. Power System Protection and Control, 2020, 48(3): 58-69.

[4] 吕军, 栾文鹏, 刘日亮, 等. 基于全面感知和软件定义的配电物联网体系架构[J]. 电网技术, 2018, 42(10): 3108-3115.

LÜ Jun, LUAN Wenpeng, LIU Riliang, et al. Architecture of distribution internet of things based on widespread sensing & software defined technology[J]. Power System Technology, 2018, 42(10): 3108-3115.

[5] 张冀川, 陈蕾, 张明宇, 等. 配电物联网智能终端的概念及应用[J]. 高电压技术, 2019, 45(6): 1729-1736.

ZHANG Jichuan, CHEN Lei, ZHANG Mingyu, et al. Conception and application of smart terminal for distribution internet of things[J]. High Voltage Engineering, 2019, 45(6): 1729-1736.

[6] 张浩. 云计算环境下的电力任务节能调度方法研究[J].电力系统保护与控制, 2021, 49(13): 128-134.

ZHANG Hao. Research on power task energy saving scheduling method in cloud computing environment[J]. Power System Protection and Control, 2021, 49(13): 128-134.

[7] 陈中, 徐晓, 王海伟, 等. 基于备用边缘节点的居民区用电任务卸载优化策略[J]. 浙江大学学报(工学版), 2021, 55(5): 917-926.

CHEN Zhong, XU Xiao, WANG Haiwei, et al. Optimization strategy for unloading power tasks in residential areas based on alternate edge nodes[J]. Journal of Zhejiang University (Engineering Science), 2021, 55(5): 917-926.

[8] 尚立, 蔡硕, 崔俊彬, 等. 基于软件定义网络的电网边缘计算资源分配[J]. 电力系统保护与控制, 2021, 49(20): 136-143.

SHANG Li, CAI Shuo, CUI Junbin, et al. SDN-based MEC resource allocation of a power grid[J]. Power System Protection and Control, 2021, 49(20): 136-143.

[9] NIU Xudong, SHAO Sujie, XIN Chen, et al. Workload allocation mechanism for minimum service delay in edge computing-based power internet of things[J]. IEEE Access, 2019, 7: 83771-83784.

[10] WANG Qianjun, SHAO Sujie, GUO Shaoyong, et al. Task allocation mechanism of power internet of things based on cooperative edge computing[J]. IEEE Access, 2020, 8: 158488-158501.

[11] 康逸群, 蔡泽祥, 曾兴, 等. 考虑卸载成本的配电网能量管理业务云边协同调度方法[J]. 南方电网技术, 2021, 15(9): 61-68.

KANG Yiqun, CAI Zexiang, ZENG Xing, et al. An offloading cost based cloud-edge collaborative scheduling method for power distribution network energy management applications[J]. Southern Power System Technology, 2021, 15(9): 61-68.

[12] 徐亚兰.电力物联网系统优化关键问题研究[D]. 成都: 电子科技大学, 2021.

XU Yalan. Research on key problems of power internet of things system optimization[D]. Chengdu: University of Electronic Science and Technology of China, 2021.

[13] 吕军, 盛万兴, 刘日亮, 等. 配电物联网设计与应用[J]. 高电压技术, 2019, 45(6): 1681-1688.

LÜ Jun, SHENG Wanxing, LIU Riliang, et al. Designand application of power distribution internet of things[J]. High Voltage Engineering, 2019, 45(6): 1681-1688.

[14] 周峰, 周晖, 刁赢龙. 泛在电力物联网智能感知关键技术发展思路[J]. 中国电机工程学报, 2020, 40(1): 70-82, 375.

ZHOU Feng, ZHOU Hui, DIAO Yinglong. Development of intelligent perception key technology in the ubiquitous internet of things in electricity[J]. Proceedings of the CSEE, 2020, 40(1): 70-82, 375.

[15] 陈皓勇, 蔡伟钧, 陈健润. 能量与信息融合的电力物联网技术[J]. 电力系统保护与控制, 2021, 49(22): 8-17.

CHEN Haoyong, CAI Weijun, CHEN Jianrun. Power internet of things technology with energy and information fusion[J]. Power System Protection and Control, 2021, 49(22): 8-17.

[16] 刘念, 余星火, 王剑辉, 等. 泛在物联的配用电优化运行:信息物理社会系统的视角[J]. 电力系统自动化, 2020, 44(1): 1-12.

LIU Nian, YU Xinghuo, WANG Jianhui, et al. Optimal operation of power distribution and consumption system based on ubiquitous internet of things: a cyber-physical- social system perspective[J]. Automation of Electric Power Systems, 2020, 44(1): 1-12.

[17] 孙浩洋, 张冀川, 王鹏, 等. 面向配电物联网的边缘计算技术[J]. 电网技术, 2019, 43(12): 4314-4321.

SUN Haoyang, ZHANG Jichuan, WANG Peng, et al. Edge computation technology based on distribution internet of things[J]. Power System Technology, 2019, 43(12): 4314-4321.

[18] 聂峥, 章坚民, 傅华渭. 配变终端边缘节点化及容器化的关键技术和应用场景设计[J]. 电力系统自动化, 2020, 44(3): 154-161.

NIE Zheng, ZHANG Jianmin, FU Huawei. Key technologies and application scenario design for making distribution transformer terminal unit being a containerized edge node[J]. Automation of Electric Power Systems, 2020, 44(3): 154-161.

[19] 王德文, 刘庭辉. 电力全业务统一数据中心突发性数据处理任务调度方法[J]. 电力系统自动化, 2018, 42(8): 177-184.

WANG Dewen, LIU Tinghui. Scheduling method for burst data processing task in full-service unified data center of electric power system[J]. Automation of Electric Power Systems, 2018, 42(8): 177-184.

[20] LIU Liuyan, HUANG Haoqiang, TAN Haisheng, et al. Online DAG scheduling with on-demand function configuration in edge computing[C] // International Conference on Wireless Algorithms, Systems and Applications(WASA), June 24-26, 2019, Hawaii, American: 213-224.

[21] SHU Chang, ZHAO Zhiwei, HAN Yunpeng, et al. Multi-user offloading for edge computing networks: a dependency-aware and latency-optimal approach[J]. IEEE Internet of Things Journal, 2020, 7(3): 1678-1689.

[22] GAO Zihan, HAO Wanming, HAN Zhuo, et al. Q-learning-based task offloading and resources optimization for a collaborative computing system[J]. IEEE Access, 2020, 8: 149011-149024.

[23] SONMEZ C, OZGOVDE A, ERSOY C. Fuzzy workload orchestration for edge computing[J]. IEEE Transactions on Network and Service Management, 2019, 16(2): 769-782.

[24] 曾兴, 蔡泽祥, 孙宇嫣, 等. 综合能源系统配用电监控业务计算负荷建模方法[J]. 供用电, 2020, 37(9): 42-49, 57.

ZENG Xing, CAI Zexiang, SUN Yuyan, et al. Workload modeling method for power distribution monitoring business in integrated energy system[J]. Distribution & Utilization, 2020, 37(9): 42-49, 57.

Cloud-edge collaborative online scheduling strategy for distribution station area tasks with a microservice architecture

CHENG Qian1, CHEN Yu1, SUN Lingyan1, DING Rui1, WANG Jinghua2

(1. College of Electrical and Electronic Engineering, Shandong University of Technology, Zibo 255000, China;2. Shandong Kehui Power Automation Co., Ltd., Zibo 255000, China)

The distribution network extending from the grid to the social service domain needs to support more services. As applications continue to increase with new business expansion, this may result in insufficient resources for edge devices. In order to support the scheduling and collaborative processing of tasks given a resource constraint from the edge device level, a cloud-edge collaborative online scheduling strategy for distribution station area tasks with a microservice architecture is proposed. This paper analyzes the task scheduling problem in the cloud-edge containerized scenario from the task and device perspectives, designs the priority and task assignment strategy based on the cloud-edge containerization scheduling mechanism of power tasks, and schedules the tasks in real time using an improved online algorithm. Simulation results show that the proposed strategy has higher task execution efficiency and can improve the completion rate of important tasks and system security when the resources of edge devices are limited through resource swapping.

task scheduling; microservice; cloud-edge collaboration; priority; edge device

10.19783/j.cnki.pspc.220159

国家重点研发计划项目资助(2016YFB0900600)

This work is supported by the National Key Research and Development Program of China (No. 2016YFB0900600).

2022-02-10；

2022-04-12

程 钎(1998—)，男，硕士研究生，研究方向为配电物联网、边缘计算；E-mail: 1214113082@qq.com

陈 羽(1974—)，男，通信作者，博士，教授，研究方向为配电自动化和配电物联网；E-mail: chenyukh@163.com

孙伶雁(1995—)，女，博士研究生，研究方向为配电自动化和配电物联网。E-mail: 591824299@qq.com

(编辑 魏小丽)