一种电力云数据中心的任务调度策略

随着智能变电站一体化监控平台及通信信息平台的建设与发展,电力数据呈现爆炸式的增长,而现有电力数据中心在处理海量数据时效率不高,无法满足电力用户多服务质量(QoS)需求。通过对电力云数据中心设计方案的分析,研究了云数据中心的任务调度策略。结合电力数据中心自身的特点,定义了一种电力用户多QoS评价模型,给出一种基于负载均衡的贪心算法,并以QoS总体效应值为目标进行任务调度。最后,以变电设备状态评估实验中心为例,对其故障诊断、状态评估、检修维护等任务进行模拟调度,并使用CloudSim平台进行仿真测试。结果表明,该算法能最大限度地满足电力用户多QoS需求,有效提高电力数据中心运行的效率,达到更加优越的负载均衡效果。     

基于云计算的电力任务调度优化策略研究

针对大量电力数据处理时,现有的电力数据中心效率低下,无法满足电力用户的多服务需求。文中在云计算架构的基础上,对电力任务调度优化策略进行了研究,提出了自适应粒子群蚁群优化算法用于云计算任务调度的策略。为了验证算法的准确性和有效性,通过仿真工具对各种云计算环境中的调度场景进行构建,将自适应粒子群蚁群算法任务调度与粒子群蚁群算法和蚁群算法的任务调度进行比较。结果表明,该方法可以有效地处理各种规模的数据集,在减少执行时间和负载均衡方面具有明显的优势。该研究为我国建立综合电力信息一体化平台提供参考和借鉴。     

节能电力市场设计初探

节能降耗对中国电力市场运营和发展提出了新的挑战.探讨了节能优先、能耗电价、能耗约束等3种电力市场的解决方案.提出能耗约束的电力市场模式,基于年度、月度中长期电力市场,建立了市场竞价模型,提出了简易竞价算法.算例模拟表明能耗约束是一种有效的电力市场能耗解决方式,在电力市场中能够兼顾市场竞价和节能降耗目标的实现,同时也便于节能降耗的实施.     

考虑地理分散的数据中心服务器频率调节的电网降损模型

当前,数据中心能耗得到日益广泛的关注。电力网络和数据网络通过数据中心而紧密相关。为了挖掘电力市场环境下数据中心用电作为一种体量大的电力负荷参与电网运行、改善电网运行状态的潜力,首先分析以数据网络负载迁移替代电能转移的现实依据,然后以电网网损最低为目标,对数据中心间网络负载的分配进行研究。基于服务器CPU的工作状态,建立数据中心用电负荷的模型,并给出处理网络负载需遵循的服务质量约束。在IEEE-30节点系统中,利用基于自然选择的粒子群算法对算例进行求解与分析,验证了所提想法的可行性,并分析了网络负载响应时间约束等因素对结果的影响。     

考虑服务配置的细粒度电力任务云边协同优化调度策略

新型电力系统的建设促使电力业务范围向用户侧深入,业务种类及数量不断增加。边设备资源有限,只能配置有限数量的服务,任务的时延能耗需求与设备资源有限的矛盾日益突出。为实现云边资源协同与任务的优化调度,提出了一种考虑服务配置的细粒度电力任务云边协同优化调度策略。通过建立微服务的时延与能耗模型,并对任务调度中的约束条件进行分析,将时延与能耗的优化决策问题转化为带约束的多目标优化问题,采用NSGA-Ⅱ算法求解。然后通过基于模糊逻辑的多准则决策方法为任务选择调度方案。仿真结果表明,所提策略在时延和能耗方面的性能优于其他策略,能够适应不同的任务场景并做出最优决策,提高了任务的完成率。     

一种电网云平台资源调度算法的研究

针对规模快速扩大的电网云平台暴露出的能源成本高和计算调度资源效率低的问题,基于负载均衡的概念和原理,提出一种节能负载均衡全局优化算法,用于优化电网云平台的计算资源调度.鉴于云平台的资源调度问题是一个旨在优化能源消耗和负载均衡组合问题,提出了基于负载均衡策略和克隆选择原则的资源调度算法.试验表明,该算法能有效降低云平台的能耗,提高其资源调度效率。     

基于任务紧迫度的多处理器任务调度算法

调度算法是多核处理器操作系统设计的核心所在,如何合理地将众多任务分配给不同的资源以使整个多核处理器系统达到最佳性能,是调度要解决的首要问题.在经典多处理器任务调度算法——ONERT算法的基础上,提出一种基于任务紧迫度的改进算法,较好地弥补了ONERT算法在处理器轻载时负载不均衡的不足.通过python程序实现了该算法,并通过实验验证了该方法在处理器轻载时实现比ONERT算法更好的负载均衡.     

基于大数据的智能电网数据调度与快速分发方法研究

针对云计算集群环境,智能电网的大规模数据处理面临巨大压力,任务调度和大规模数据分发的快速处理是亟待解决的问题。文章基于云计算和大数据处理技术,提出一种用于电力数据处理任务调度和分发的多队列动态优先级调度算法和节点选择算法,可以及时可靠地处理和分发关键数据。通过仿真将该算法与经典算法进行比较,验证算法的准确性和有效性。结果表明,该方法可以有效地分配节点负载,在任务完成时间和完成率上优势明显。该研究为我国电力大数据信息平台的研究提供参考和借鉴。     

一种面向负载均衡的电力OTN路由优化算法

电力光传送网(optical transmission network,OTN)业务规划以最短路径为主,未考虑全局的负载均衡,容易引起局部压力高,从而增加网络运行的风险。针对该问题,分析已有业务路由优化算法常见目标与约束,并结合OTN特有的光信噪比(optical signal noise ratio,OSNR)特征,提出一种以负载均衡为目标,综合考虑电力OTN所特有的光传输约束和跳数等传统约束的业务路由优化算法。该算法首先综合考虑链路负载和OSNR、路由跳数,建立以网络负载均衡为目标,以OSNR、光功率和跳数为约束的业务路由优化模型;其次,分析优化模型的特征,并选用蚁群算法对路由进行优化;最后,依据西南某省电力公司现网数据进行仿真,验证了该机制相对于其他传统路由优化算法能够在保证OSNR和业务跳数的情况下,使网络负载更加均衡。     

面向云-雾计算系统中的遗传算法任务调度研究

近年来,不断发展物联网产生出海量数据,这给网络云等基础设施带来巨大压力。 对此学者们提出的“云-雾”计算的架 构模型,其中雾计算的障碍之一是如何分配计算资源以最小化网络资源。 研究提出了一种基于启发式算法的 TCC( time cost computing-power)算法,以优化该异构系统中基于遗传算法的“云-雾”计算中的任务调度问题,包括执行时间、操作成本以及总 算力资源。 算法以“云-雾-端-网”混合计算任务调度为研究对象,以进化遗传算法为研究手段,结合云计算、雾计算、遗传算法 等技术优势,实现时延、代价以及算力之间的平衡。 在混合计算任务调度中,对于仅考量单一指标的 TCaS 算法,本算法具有更 好的均衡性;本算法适应度值分别比 BLA 算法 0. 93%以及 RR 算法 26. 02%。 本算法还可以灵活地匹配用户对高性能-成本-算 力多方面的需求,提升系统的有效性。     

基于膜计算和蚁群算法的电网云平台资源配置方法

针对电力系统云平台快速应用发展情况下,电网数据分析处理资源利用不均衡、电力系统数据中心结构复杂的现状,文中提出基于电力分析计算任务划分的云计算虚拟资源配置方法,从而较好地解决当前云计算存在的资源调度不合理问题。该方法引入膜计算概念,将云平台下的复杂分析任务按资源配置时间的不同划分为多类;采用改进蚁群算法按照资源占用率和计算机能耗为应用目标逐类实现虚拟资源的优化分配。仿真证明基于任务划分和蚁群算法的电网云平台虚拟资源配置方法可以提高调度效率,均衡分配资源,较好地实现云平台虚拟资源利用的最大化。     

基于动态分区的配电网日前优化调度研究

为了提高对分布式可再生能源的就地消纳能力,实现配电网分层分区调度,提出了基于MOEA/D的多目标蚁群动态分区算法和基于动态分区的配电网日前优化调度模型。利用潮流追踪算法与复杂网络理论中的二分模块度,提出了量化分区间能量耦合程度的能量二分模块度指标。基于电力系统潮流方程雅克比矩阵推导蚁群算法中的启发式信息,结合预测场景集以分区的能量二分模块度与功率储备为目标函数,利用多目标蚁群算法生成动态分区方案。建立以联络线功率、灵活性不足率以及成本最低为目标的基于动态分区日前优化调度模型,并利用NSGA-II算法求解Pareto最优解集。最后基于IEEE33节点网络对所提模型与方法进行验证。结果表明,采用该方法进行动态分区与日前调度可有效提高系统应对可再生能源不确定性的能力,为就地平抑可再生能源波动奠定基础。     

基于需求响应的建筑楼宇综合能源系统优化调度

针对能耗高且增速快的建筑楼宇优化调度问题,构建了含光伏发电、冷热电联供系统、燃气锅炉和储能装置的建筑级综合能源系统。在对系统内各个能源设备进行建模分析的基础上,考虑需求响应补偿价,以建筑运行成本最低为目标函数,建立了基于需求响应的建筑级综合能源系统优化调度模型,采用基于云模型改进的粒子群算法对模型优化求解。引入算例进行仿真,对比是否参与需求响应的两种不同模式,以及云模型粒子群算法与基本粒子群算法的优化性能。结果表明,基于需求响应的云模型粒子群算法模式可有效节约建筑级综合能源系统运行成本,同时降低电网侧负荷峰谷差。     

基于边缘计算的能量自治区域调度策略

为了提升配电物联网基础数据海量增长背景下能量调度的效率,提出了基于边缘计算的能量自治区域调度策略,构建能量自治系统边缘计算架构和优化调度模型。该方法将大部分数据处理和储存工作下放至网络边缘侧,降低网络传输成本并且减少调度中心计算量,边缘侧采用基于莱维飞行的改进粒子群算法进行优化调度,既可以独立进行优化工作,也可以边云交互完成整体调度。相比于传统集中式调度策略,该方法可节省约90%的系统整体优化时间,且云层以及边缘层所进行的总迭代次数较集中式调度减少60%以上。最后以某地区电力负荷及分布式电源预测出力数据为算例进行仿真计算,结果表明基于边缘计算的优化策略有效地提高了能量调度的效率。     

基于风险度评价和改进蚁群算法的配电网网架规划

提出一种基于风险度评价和改进蚁群算法的配电网灵活规划方法.将规划年的预测负荷、电价及导线价格等参数的变化由原来的离散状态转变为多场景区间,从而将电网规划中的单一不确定性问题转化为多个确定性问题.在求解不确定性问题时,提出一种基于云模型的改进蚁群算法,通过定性关联规则推理对蚁群算法中信息素参数ρ和信息素强度Q进行定性控制和动态选取,根据算法进化情况自适应更新支路信息素,有效克服了传统蚁群算法易陷入局部最优解及收敛速度慢的问题.应用改进蚁群算法,依次获得各个场景的规划方案,并以风险度最小为标准确定鲁棒性最优的规划方案,实现电网的灵活规划.算例分析验证了所提方法的有效性.     

云计算环境下的电力任务节能调度方法研究

随着电力行业数据的持续增长,云环境下电力调度消耗的能量越来越多,加剧了能源危机和环境污染。在电力云平台架构的基础上,提出一种基于云计算的电力任务节能调度算法。将虚拟机分配给具有最优性能功率比的节点进行处理,通过迁移虚拟机实现资源整合。通过仿真将该调度算法与节能虚拟机调度节点算法和改进型最佳拟合递减算法进行比较。仿真结果表明,在不显著降低效率的情况下,该方法可以节能10%以上。该研究为云环境下最优电力调度方法的发展提供了一定的参考和借鉴。     

基于改进蚁群算法的电力负荷半监督聚类

计量通信技术的发展使收集的用户负荷信息越来越准确,从而提供了负荷用电特性聚类分析的数据基础。为了解决电力负荷聚类应用场景中需要聚类结果与典型负荷类别尽可能相似的问题,以蚁群聚类算法为基础,采用典型负荷曲线作为先验信息,将评估聚类效果的指标和聚类中心与典型负荷曲线的距离2个因素构成优度指标来代替传统的均方误差,以此来更新信息素矩阵,设计了一种基于改进蚁群聚类的半监督聚类算法。通过某省工业用户2017年的日负荷数据分析验证了聚类结果不仅向原有的标识样本类型靠近,而且兼顾同类型样本差异小、不同类型样本差异大,具有良好的聚类效果。     

住宅小区负荷群用电优化策略研究

针对一般住宅小区存在能耗高、缺少用电优化策略的实际情况,建立了可调整类负荷、不可调整类负荷、温控负荷的数学模型;根据可调整类负荷用电时间灵活的特点,提出了基于蚁群算法的住宅小区可调整类负荷群的用电优化策略;基于MATLAB平台,通过仿真分析了空调、电热水器的工作特性,并根据其工作特性分别提出了改变空调设定室温范围的空调群用电优化策略和改变水温设定值与预加热相结合的电热水器群用电优化策略;利用蒙特卡洛法进行模拟,得到了小区优化前后各类负荷曲线和总负荷曲线.模拟和仿真结果表明,所提出的住宅小区用电优化策略能够在对用户影响较小的情况下达到帮助用户节省电费和削峰填谷的目的 .