基于负载再分配的边缘计算任务均衡调度策略

目前5G异构网络的计算卸载机制在边缘节点资源方面和电力业务调度算法时延与负载均衡方面存在问题。综合考虑边缘服务器负载均衡和业务计算时延,针对min-min算法与max-min算法的不足,文中提出了基于电力业务优先级二次再分配的均衡调度算法。该算法根据业务的最大容忍时延划分业务的优先级,并且根据最小完成时间标准差确定长短业务比例,实现业务的预分配。基于各个边缘服务器的负载情况,该算法再将高负载边缘服务器上的业务分配给负载低的服务器,实现二次再分配。仿真结果表明,与典型的算法相比较,所提算法缓解了现有技术中存在的以上问题,降低了计算时延,实现负载均衡,提高了系统资源利用率。     

基于深度确定策略梯度算法的主动配电网协调优化

将新一代人工智能在智能电网和能源互联网中进行应用,实现高比例可再生能源及时有效接入电网,文中基于深度学习中的深度确定策略梯度(DDPG)算法实现主动配电网的优化运行。首先,构造了含多微电网的主动配电网优化模型的DDPG回报函数,使主动配电网的节点电压总偏差和线损最小,最大限度地降低微电网功率调节量的变化以减小对微电网运行的影响,同时维持联络线功率平衡以减小对配电网的影响。然后,分析了主动配电网优化控制的DDPG样本数据处理、回报函数设计、模型训练和学习过程。最后,通过改进IEEE 14节点算例仿真验证了DDPG算法的有效性。     

基于深度强化学习的电网紧急控制策略研究

提出一种基于深度强化学习的电网切机控制策略,所提控制策略依据电网运行环境信息,通过数据分析得到切机控制策略。首先介绍强化学习框架,阐述学习算法原理,并详细介绍Q-Learning方法。然后介绍深度学习基本概念和深度卷积网络原理,提出利用深度卷积网络提取电网运行特征,构建切机策略的思路。再结合深度学习和强化学习,构建深度强化学习框架,其中深度学习采用深度卷积神经网络模型用于提取特征,强化学习采用双重Q-Learning和竞争Q-Learning模型计算Q值,通过比较Q值大小得到切机控制策略。最后,利用IEEE 39节点系统验证了方法的正确性。     

基于机群划分与深度强化学习的风电场低电压穿越有功/无功功率联合控制策略EI北大核心CSCD

在低电压穿越(low voltage ride through,LVRT)过程中,电网企业要求风电场向系统提供无功支撑;在满足所规定的无功输出基础上,利用风电场剩余容量提供有功功率,对保障系统稳定性意义重大。该文提出一种基于机群划分与改进深度确定性策略梯度(deep deterministic policy gradient,DDPG)的风电场LVRT有功/无功功率联合控制方法。首先,将LVRT期间风机的有功/无功控制分为3个阶段,并基于此构建了风机控制模型;其次,根据风机运行特性将其划分至多个机群,在功率分配过程中,对属于同一机群的风机分配相同的控制指令,该步骤大大降低了优化变量个数与优化问题求解难度;然后,提出一种不含评价网络的并行化DDPG(critic-network free based parallel DDPG,CFP-DDPG)深度-强化学习算法框架,确立了基于CFP-DDPG的风电场功率控制框架,设计控制中的状态量、动作量、评价函数、模型训练策略和控制方法;最后,采用我国某实际风电场数据验证方法的有效性,结果表明,机群划分步骤有助于快速准确得到功率分配方案,CFP-DDPG通过改进动作评价方法并引入并行化结构增强了智能体的探索力,有助于取得更优的控制方案。     

基于云边协同的配电物联网管理模型研究

针对配电云服务器中计算任务繁重导致推理延时过大的问题，提出配电物联网多节点协同计算管理模型。首先，基于物联网可控智能的特点以及新型配电网对功能和传输时延的需求，讨论了边缘计算在配电网中的应用。然后，结合PTN（分组传送网）网络结构，构建配电物联网技术架构。最后，基于边缘多节点协同推理算法和协同计算架构模型构建了配电物联网管理模型。仿真结果表明，当配电物联网中大量智能设备终端接入网络时，该模型降低了云计算的推理延迟。     

变电站无人机机巡边缘计算框架设计及资源调度方法

变电站无人机巡检时,对计算和存储资源进行科学调度有助于快速分析设备缺陷.针对无人机巡检图像分析需要的计算资源及存储资源,基于工业物联网构建了包括数据分析服务器、无人机、物联网终端设备在内的2层边缘计算框架模型;根据变电站机巡的特点,建立了面向任务以及待巡检设备的数据模型及巡检流程;应用Stackelberg多层博弈算法...     

基于确定性策略梯度深度强化学习和模仿学习的多源微电网经济优化调度策略

当前国家大力实施“双碳”战略,以新能源为主体的新型电力系统将呈现爆发式增长,风电、光伏等新能源机组逐渐成为主力电源,微电网得以提出并迅速发展,其调度与优化问题也成为研究的热点。传统的基于数学建模与求解的微电网有功优化调度方法计算量大且十分复杂,存在易陷入局部最优、模型修改困难等瓶颈问题,因此提出基于确定性策略梯度深度强化学习(DDPG)和模仿学习(XGBoost)的经济优化调度策略。首先构建微电网有功优化调度的统一预置数学模型,其次通过构建XGBoost模型学习得到初始宏观决策,最后再构建基于DDPG的微电网有功调度人工智能模型。通过进行XGBoost分类器和DDPG神经网络离线训练,得出基于确定性策略梯度深度强化学习和模仿学习的微电网优化调度在线决策模型,最后通过算例分析验证了模型和算法的有效性。     

面向直流受端新型电力系统暂态电压稳定的紧急控制策略

在直流受端新型电力系统中,新能源电源及直流的接入导致同步机开机减少,动态无功功率相对紧张,暂态电压失稳风险显著增大。为高效快速获取紧急控制策略,即直流电流控制方案,并使其适应不同的电网运行方式和故障场景,尤其是电网拓扑结构的变化,基于图卷积神经网络（GCN）对常规深度强化学习模型深度确定性决策梯度（DDPG）的网络结构进行改造,构建了GCN-DDPG融合模型。在此基础上,引入双评价网络机制和评价网络与动作网络非同步更新策略以提升算法效果。进一步地,在应用方面,基于GCN-DDPG融合模型构建紧急控制模型并将其下达至安控主站,安控主站将依据电网实际运行方式和故障等信息,对紧急控制策略进行在线量化计算,并发送至直流控保系统执行。最后,通过改造的IEEE 14节点系统验证所提方法的有效性和优越性。     

基于PageRank改进算法的电力系统 关键节点识别

为了能够在电力系统发生故障之初准确识别出系统中关键节点,提出一种基于PageRank改进算法的系统关键节点识别方法。首先,通过雅可比矩阵获取系统的电压无功灵敏度矩阵和相角有功灵敏度矩阵,定义系统不同指标下的链接矩阵。其次,考虑电力通信系统对电网的影响,基于节点收缩原理定义系统衍生网络,并对链接矩阵进行修正得到网络拓展矩阵。最后,基于改进的PageRank算法得到系统节点重要性权重,并按照权重值对节点排序。通过IEEE 39节点系统的仿真验证了该方法的正确性。     

基于深度残差网络的电力系统潮流计算

为更简单、快速地进行潮流计算，提出了一种基于深度残差网络的多节点电力系统潮流算法。首先，应用仿真软件Power World Simulator中的一个典型电网实例采集样本；然后，在TensorFlow平台搭建基于深度残差网络的多节点电力系统潮流计算模型；最后，根据模型预测结果完成对方法的分析。结果表明：与传统潮流算法及基于人工神经网络的潮流算法相比，所提方法在快速性、收敛性及精度方面具有极大的优越性。     

面向新型电力系统的最小服务延迟的负载分配算法研究

边缘计算依托其在网络边缘的技术和部署优势,能够实时采集终端设备的运行情况,并按需完成数据云台的上传,有效缓解了云端处理器的工作压力,降低数据实时回传的延时。然而,资源有限的单一边缘节点的固有特性可能依然无法满足大规模接入的新型电力业务的延迟要求。对此文中研究了满足较低服务延迟的工作负载分配策略。考虑到网络时延和计算时延,构建了一种基于多个边缘计算节点的工作负载分配模型,以最小化新型电力系统场景下的服务时延。此外,为进一步降低多种新型电力业务终端的服务时延,制定了一种工作负载分配机制。在初始化阶段,通过任务平衡算法来改善边缘节点间的工作负载平衡。为了有效保证资源分配的合理性,提出了一种改进的粒子群优化算法,实现边缘节点的CPU资源的合理分配。基于半定规划算法,将网络资源做到更有效地分配。最终通过仿真实验,表明了所提的分配策略更加有效。     

面向5G边缘计算网络的联合需求响应与任务卸载策略

随着物联网通信计算需求激增,5G通信与边缘计算网络逐步成为新兴的高能耗负荷。针对5G边缘计算网络用电成本高的问题,提出了联合任务卸载与需求响应策略。所提策略基于任务卸载与基站储能单元充放电动作,在高电价时段联合优化计算、通信与储能资源分配或者牺牲部分时延性能以削减用电成本,在分时电价机制中为电网提供响应能力。针对优化目标为混合整数非线性规划问题,进一步提出结合网络场景划分的广义benders分解算法,将问题解耦为任务卸载决策主问题与充放电以及资源分配子问题,降低问题求解复杂度。仿真结果表明：相比于仅考虑任务卸载和仅考虑通信资源调度的响应策略,所提策略降低了用电成本并避免时延性能恶化。     

考虑任务迁移的配电网边缘计算节点部署方法

需求侧部署边缘计算节点能有效降低电力网络的数据传输和存储压力,提高电力业务的服务质量。目前电力工程领域多从电网拓扑的维度确定边缘节点的部署位置,并以网格化的方法划定各节点服务范围,且节点间的工作过程相互独立,这使得边缘节点选址定容过程灵活性较低,同时可能造成设备计算资源的浪费。为此本文提出一种考虑任务迁移的边缘计算节点部署方法。首先,基于边缘设备特点和我国居民住区空间特征提出一种考虑任务迁移的边缘计算架构;其次,结合居民节点空间信息、用电规律形成特征数据,进而利用改进的密度峰值分析算法确定边缘节点部署的数量、地址及服务范围;最后,设计启发式算法实现边缘节点之间的任务迁移,保证各节点的计算资源得到均衡利用,提高系统的稳定性。本文以南京市某居民区为例设计仿真实验,结果表明所提边缘节点部署方法能有效降低居民节点原始数据传输成本,同时,任务迁移算法能有效改善边缘设备计算资源使用均衡度,提升区域内边缘计算服务的执行效率。     

资源聚合商模式下的分布式电源、储能与柔性负荷联合调度模型

分布式电源、储能、柔性负荷等分布式资源数量众多、布局分散,难以直接被电网调度。资源聚合商可通过内部整合各类分布式资源执行电网调度指令。基于资源聚合商运行模式,建立了结合大容量资源直接调度与小容量资源电价响应间接调度的联合调度模型。在此基础上,以资源聚合商利润最大为优化目标,对大容量资源调度性能差异进行滚动在线评估,设置动态综合调度优先级。针对小容量资源间接调度的不确定性,提出了包含模糊参数的机会调度约束。应用改进的粒子群算法将模糊机会约束清晰化并求解调度模型。基于IEEE33节点配电网络,验证了所提模型和算法的有效性和科学性。     

面向边缘计算的人工鱼群搜索任务调度

如何将计算任务分配到合适的边缘计算资源上进行计算,以满足边缘计算环境下用户的计算需求、提高用户任务请求 的服务质量,是边缘计算中面临的关键问题。 本文提出一种基于人工鱼群搜索的边缘计算任务调度方法(AFETSA)。 将人工 鱼群搜索算法和边缘计算任务调度模型相结合,采用非线性递减函数动态地调整人工鱼的视野范围和步长,以提高启发式任务 调度算法的全局搜索能力,降低任务的计算时延;同时与禁忌搜索算法进行融合,通过引入忌禁表,在每一次迭代中防止算法陷 入局部最优,提高算法的寻优能力。 CloudSim3. 0 仿真平台实验评测结表明,本文所提 AFETSA 方法和已有的 AFSA、ACO 和 PSO 这 3 种调度算法相比,在任务执行时间、算法稳定性、负载均衡方面都有明显的提升,可充分利用边缘服务器计算资源,提 升计算任务的计算性能,有效解决边缘计算中任务调度不均导致的时延过高和负载不均衡问题。     

面向5G边缘计算网络的联合需求响应与任务卸载策略

随着物联网通信计算需求激增,5G通信与边缘计算网络逐步成为新兴的高能耗负荷。针对5G边缘计算网络用电成本高的问题,提出了联合任务卸载与需求响应策略。所提策略基于任务卸载与基站储能单元充放电动作,在高电价时段联合优化计算、通信与储能资源分配或者牺牲部分时延性能以削减用电成本,在分时电价机制中为电网提供响应能力。针对优化目标为混合整数非线性规划问题,进一步提出结合网络场景划分的广义benders分解算法,将问题解耦为任务卸载决策主问题与充放电以及资源分配子问题,降低问题求解复杂度。仿真结果表明：相比于仅考虑任务卸载和仅考虑通信资源调度的响应策略,所提策略降低了用电成本并避免时延性能恶化。     

云边协同的调控云数据质量优化

调控云汇集了海量的模型和运行数据,采用集中处理方式对云中心的传输网络、计算资源和存储资源带来巨大的压力,数据时效性也无法得到保障.本文基于云边协同技术,设计了调控云广域云边协同总体架构,并以电网调控数据质量优化应用为例,对网络带宽及时延、数据协同处理性能、任务分解策略优化、云中心存储性能等指标进行了对比分析.实际系统应...     

基于分层相关均衡强化学习的CPS指令优化分配算法

提出了一种应用在控制性能标准(CPS)下自动发电控制(AGC)指令(CPS指令)由调度端至各台机组的动态分配过程的分层多智能体相关均衡(HCEQ)算法。根据机组调频时延对其进行聚类分层,有效解决了CPS指令分配过程的维数灾难问题。相比单智能体强化学习算法,HCEQ算法引入了均衡目标函数的求解,有效提高了算法寻优速度。将功率偏差、水电裕度和调节成本目标以线性加权的方法转化为算法奖励函数,研究了不同权值下CPS控制性能和调节成本的变化关系。南方电网模型仿真研究表明,HCEQ算法具有较快的收敛速度,在复杂随机扰动的环境中能有效提高系统CPS考核合格率,并有效降低AGC调节成本。     

基于深度强化学习的含高比例可再生能源配电网 就地分散式电压管控方法

含有可再生能源并网的区域电网存在通信条件差、量测设备不足、不同节点的电压管控设备难以协同等问题,因此提出一种基于深度强化学习的分散式就地电压管控方法。该方法首先将缺少量测数据的电压管控问题转化为部分可观的马尔科夫决策问题,构建了以网络损耗最小为优化目标的多智能体分散式电压管控框架。然后采用多智能体深度确定性策略梯度算法对智能体进行离线训练,并使用训练完成的智能体进行在线电压管控。最后,基于改进的IEEE33节点系统进行了算例仿真和分析。结果表明,各智能体可以根据各自节点的电气信息求解出近似的全局最优解。