CN103246546B - 基于云技术的开放式电力系统数值仿真系统及其仿真方法 - Google Patents

Abstract

本发明涉及一种基于云技术的开放式电力系统数值仿真系统及其仿真方法。客户端用户首先向云端调度中心提出服务申请，申请成功后才能获得具体服务，服务由资源池中被选中的资源设备提供。云端调度中心的任务分配策略基于所提出的计算机可用计算能力指标，平衡了资源池中各资源设备上的负载，使资源提供者在不影响自身工作的情况下，实现空闲硬件资源的共享，同时，软件计算引擎也具有维护升级十分方便的优势。因此，这种基于云理念的开放式电力系统数值仿真系统不仅能大大提高电力系统高级分析程序二次开发的效率和灵活性，更有利于提高各类硬件和软件资源的利用率。

Description

基于云技术的开放式电力系统数值仿真系统及其仿真方法

技术领域

本发明涉及一种电力系统仿真系统，尤其涉及一种基于云技术的开放式电力系统数值仿真系统及其仿真方法。

背景技术

目前电力系统数值仿真软件已经在诸多方面有了很大的提高和改善，仿真规模不断扩大、计算速度和精度不断提高、新功能以及新模型不断增加、用户界面更加友好、自定义功能日渐完善，但软件系统的开放性依然不足，软件的系统结构依然有诸多限制。同时，互联网中大量计算机资源处于闲置状态，利用率很低。

具体而言，首先，目前的大多数电力系统数值仿真软件未能提供很好的应用程序接口API，不能使用户充分利用现有的软件核心（计算引擎），通过二次开发实现自己的高级分析任务。其次，软件依然是传统的集中式安装模式，即软件完全安装于用户的计算机上。一方面，用户计算机性能水平高低将影响软件工作的效率；另一方面，软件计算引擎的更新和升级十分繁琐，且容易发生不兼容的情况。最后，对于用户而言，购买一套商业的电力系统数值仿真软件价格依然昂贵，尚无一种将电力系统数值仿真计算作为服务提供给用户使用的平台，更没有考虑到利用网络中大量闲置的计算资源来构建这样一个平台，使得用户能够以极低的成本甚至免费使用电力系统数值仿真计算系统。

在各类组织或机构中，大量的硬件资源和软件资源长时间处于闲置状态，即普遍存在资源利用率低的问题。就硬件资源而言，一般来讲，一台计算机的平均CPU利用率能达到20%已属高利用率。实际情况是有大量的服务器利用率一直保持在10%到15%之间，不仅浪费了大量的计算资源，更消耗了相当的电力能源，造成了极大的浪费。就软件资源而言，各类组织或者机构，尤其是高校各个学院，都有自己研发的应用软件。这些软件大多数尚未达到商业软件的标准，组织机构无法对外出售获利，同时亦不愿将软件完全赠送给他人使用。然而这些软件确实有一定的应用价值，可惜除了拥有者自身使用之外，没有能够提供一个平台，开放这些软件的应用，使这些软件资源得到更好的利用。

所以，应当考虑在不影响资源提供者正常工作的情况下，实现各类资源的共享，提高硬件设备和软件资源的利用率。云计算资源共享的理念和服务方式为解决上述问题提供了思路：将各种硬件和软件计算资源放入云端的资源池，云端负责对计算资源进行监控和管理，让客户端的用户通过网络实现远程云服务的申请和使用。

发明内容

为解决上述问题，本发明提出了一种基于云技术的开放式电力系统数值仿真系统及其仿真方法。

一种基于云技术的开放式电力系统数值仿真系统，它分为客户端和云端，所述云端由调度中心和资源池组成；

其中调度中心包括若干监控员模块、监控管家模块和接待员模块；接待员模块接收来自客户端的服务申请，并按照服务申请队列向监控管家模块发送信息，监控管家模块与各监控员模块通信；

所述资源池包括若干可用资源设备，每台资源设备上都安装了电力系统数值仿真计算引擎，同时包括至少一个服务接口；各服务接口与调度中心的各监控员模块一一对应；

监控员模块监视服务接口所在资源设备的CPU利用率和内存利用率的实时信息，并在必要时将监控管家模块的命令发送给服务接口；

监控管家模块负责管理所有监控员模块，在调度中心显示各服务接口的具体信息，并在收到接待员模块发来的服务申请时为其查找出当前可用的最空闲资源设备；

接待员模块负责为服务申请队列中的客户端向监控管家模块查询可用资源设备，当查到有可用资源设备时，即将包含资源设备IP地址、服务端口、验证码的密匙发送给客户端，同时此验证码由监控管家模块通过监控员模块发送给服务接口；当没有可用资源设备时，返回无可用资源设备即无法提供服务的信息；

客户端仅在申请服务时才与调度中心交互，申请成功后便只与实际的资源设备交互，通过发送计算命令调用资源设备上的电力系统数值仿真计算引擎，完成高级分析任务。

所述资源设备可设置服务接口的监听状态，即在连接到调度中心的情况下，决定是否提供服务；当服务接口被设置为不监听状态时，调度中心不会把服务任务交给该资源设备。

所述客户端和资源设备均包含：函数单元和通讯单元；而资源设备还包含一个服务单元；其中，函数单元采用接口函数API，定义了所有可供用户调用的函数，这些函数的集合即为制定结构的数据库：一张规范化的函数表；通讯单元负责将函数单元按统一规约整理好的消息发送至对端，并处理资源设备服务接口暂不可用的情况；资源设备负责运行计算引擎、管理数据、生成数据文件工作。

所述资源设备包括计算引擎、数据文件、数据管理三大模块；计算引擎部分包含各种电力系统分析程序的EXE和DLL，它们根据需要替换；数据文件部分包含需要的输入文件和输出文件；数据管理部分负责这些数据文件的输入和输出工作，以及内部原始数据、中间数据、结果数据的保存和修改；根据用户的具体命令，资源设备或是完成对计算引擎中的具体分析程序的调用，或是通过数据管理模块实现对各类数据的设置、读取和修改，最终将结果打包成消息返回。

一种采用基于云技术的开放式电力系统数值仿真系统的仿真方法，它的工作流程分为服务申请阶段和服务提供阶段两个过程：

服务申请阶段：客户端发出请求命令，送入调度中心；调度中心根据现有各资源设备的使用情况即各资源设备发送来的本机CPU利用率和内存利用率信息，利用可用计算能力指标选出当下计算能力最强的资源设备，并把包含有此资源设备IP地址、监听端口和校验码的密匙发送给客户端，同时也把此校验码发送给选中的资源设备，校验码用于确认服务提供阶段客户端与选中资源设备连接是否正确；

服务提供阶段：客户端与分配到的资源设备直接交互，通过发送计算命令调用资源设备上的电力系统数值仿真计算引擎，完成高级分析任务。

所述云端调度中心根据计算机计算能力指标和计算机可用计算能力指标选出当下计算能力最强的资源设备；其具体过程为：

为了比较不同资源设备的性能，采用实际工作负载驱动测试的方法进行比较：在申请调度中心监听连接成功后，除服务接口外关闭其他可以暂时退出的应用程序，然后向调度中心申请本资源设备的计算能力测试，调度中心将在等待一小段时间后开始模拟客户端完成所有应用程序接口API的调用，本资源设备将会响应API提供对应的服务，与此同时，调度中心记录下本次测试的起止时刻以及工作时间段内的CPU利用率和内存利用率，最后根据式(1)计算出该设备在最大空闲状态下的计算能力指标值：

$A=\frac{100}{(\stackrel{\‾}{C_{\mathrm{work}}}-\stackrel{\‾}{C_{\mathrm{rest}}}+1)(\stackrel{\‾}{R_{\mathrm{work}}}-\stackrel{\‾}{R_{\mathrm{rest}}}+1)(t_{\mathrm{work}}/t_{\mathrm{all}}+1)}---\left(1\right)$

式中，分别表示等待阶段和工作阶段的平均CPU利用率，分别表示等待阶段和工作阶段的平均内存利用率，t_rest、t_work、t_all分别为测试中的等待时间、工作时间和前两者之和即总时间；由测试所引发的CPU利用率和内存利用率上升幅度越小，完成测试所用的时间越短，计算能力指标A就越大，极限情况为无CPU消耗和内存消耗且工作耗时为0秒，即理想情况下，最大的计算机计算能力指标A＝100；计算能力指标A＜100，表示了计算机在最为空闲状态下的计算能力；此计算能力指标将保存于调度中心，同时也发送给被测试的设备；

结合资源设备的实时CPU利用率和内存利用率，定义资源设备的可用计算能力指标为：

$N={(1-C_{\mathrm{now}})}^{(1+{\mathrm{\ΔC}}_0)}{(1-R_{\mathrm{now}})}^{(1+{\mathrm{\ΔR}}_0)}A---\left(2\right)$

式中，和分别表示在最大闲置情况下，由上述实际工作负载驱动测试所引起的CPU利用率变化和内存利用率变化，体现了对于CPU资源和内存资源的需求大小；C_now和R_now分别是资源设备发给调度中心的当前CPU利用率和内存利用率；式(2)中的可用计算能力N将计算能力测试中对于CPU资源的需求ΔC₀和内存资源的需求ΔR₀作为幂指数的一部分，决定了放大当下剩余CPU资源1-C_now和剩余内存资源1-R_now对计算能力指标A影响的程度，最后由三者乘积综合反映当前计算机的可用计算能力。

所述客户端只通过两条应用程序接口API命令，即可完成资源申请和释放的所有工作。

本发明的有益效果是：本发明基于云理念服务模式的开放式应用程序接口二次开发方式实现了用户和软件的职能分离。对于客户端而言，使用户可以不限于具体编程语言且只需要专注于自己高级分析应用的研究与开发，通过函数命令调用云端的计算引擎完成仿真分析任务，具有方便、灵活、高效的优点；对于云端而言，软件计算引擎的修改或者升级独立于客户端，与传统的将软件完全安装于用户的方式相比，不仅使用户从软件的维护和更新中解脱出来，更使计算引擎能基于服务器端在最优配置的条件下，利用云端各种普通用户不具备的软硬件资源高效运行；同时基于本发明提出的计算机可用计算能力指标，云端能平衡资源池中各资源设备的负载，实现在不影响云端资源设备提供者正常使用的情况下，有效地利用大量闲置的资源，为用户提供服务。因此，对于电力系统高级分析而言，此系统不仅有利于快速、灵活地实验各种新算法、处理各种分析问题，更有利于提高硬件和软件资源的利用率。

附图说明

图1为基于云理念的电力系统数值仿真系统网络结构图；

图2为基于云理念的电力系统数值仿真系统各部分功能图；

图3为基于C/S模式的软件系统的内部结构；

图4为基于C/S模式的软软件系统内部各单元的协同工作流程；

图5a为C/S模式下客户端通讯单元工作流程图；

图5b为C/S模式下服务器端通讯单元工作流程图；

图6a为C/S模式下客户端函数单元工作流程图；

图6b为C/S模式下服务器端函数单元工作流程图；

图7为服务单元的内部模块图；

图8a为计算能力测试中CPU利用率变化示意图；

图8b为内存利用率变化示意图；

图9a为客户端工作流程图；

图9b为云端调度中心工作流程图；

图9c为设备工作流程图；

图10为Python环境下程序代码结构图；

图11为云端系统布置图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

该系统基于互联网络Internet，通过TCP/IP进行通讯。系统分为客户端和云端两大部分。其中，客户端包括各类台式电脑、笔记本、PDA、iPhone、iPad等用户终端设备，而且客户端的二次开发不限于具体编程语言；云端由调度中心和资源池组成，调度中心位于一台服务器或计算机上，资源池由连接到调度中心的可用资源设备组成，包括各类高性能计算机、服务器和普通计算机。客户端用户首先向云端调度中心提出服务申请，申请成功后才能获得具体服务，服务由资源池中被选中的设备提供。因此，系统的网络结构如图1所示。其中，高性能服务器和计算机的计算和工作能力强，可以同时为多个用户提供云服务（图中以虚线表示）。更确切地说，越是计算能力强的设备越要多负担起提供服务的责任，从而实现计算资源的充分利用。

图2是系统各部分具体的模块功能。高性能服务器，高性能计算机和普通PC等资源设备与云端的调度中心建立连接，构建起云端的资源池，调度中心负责管理和监控这些资源。每台资源设备上都安装了电力系统数值仿真计算引擎，但硬件设备的性能高低决定了此资源设备上安装服务接口的多少，客户端用户通过此服务接口获得具体服务。

云端调度中心有监控员模块、监控管家模块、接待员模块三大功能模块。监控员模块与服务接口一一对应，监视服务接口所在资源设备的CPU利用率和内存利用率等实时信息，并在必要时将上级监控管家模块的命令发送给服务接口。监控管家模块负责管理所有监控员，在调度中心所在服务器或计算机上显示各服务接口的具体信息，并在收到接待员模块发来的资源申请时为其查找出当前可用的最空闲资源。接待员模块负责为服务申请队列中的用户向监控管家模块查询可用资源，当查到有可用资源时，即将包含资源设备IP地址、服务端口、验证码的密匙发送给用户，同时此验证码由监控管家模块通过监控员模块发送给服务接口；当没有可用资源时，返回无可用资源即无法提供服务的信息。

客户端功能可以分为服务申请和服务内容两部分。两个部分均基于应用程序接口API与云端实现交互。服务申请部分与云端的调度中心进行交互，在服务申请队列中排队，等待接待员模块为它服务；服务内容部分是服务申请成功之后，即获得了包含资源设备IP地址、服务端口、验证码的密匙后，与云端的资源设备直接进行交互，调用计算引擎完成分析任务。

综上所述，当客户端用户提出服务申请时，云端调度中心将根据当前资源池中各设备的工作情况，命令当前负载最小的资源设备的可用服务接口接待该用户，之后用户将与分配到的资源设备直接交互，通过发送计算命令调用资源设备上的电力系统数值仿真计算引擎，完成高级分析任务。所以，用户仅在申请服务资源时才与调度中心交互，申请成功后便只与实际的服务器或计算机交互，这避免了调度中心成为整个系统的通讯瓶颈。需要指出的是，云端的资源提供者可以设置服务接口的监听状态，即在连接到调度中心的情况下，决定是否提供服务。当服务接口被设置为不监听状态时，即便设备的利用率很低，调度中心也不会把服务任务交给该设备。此功能主要使普通PC的使用者能在连接于调度中心的情况下拥有选择该接口是否提供服务的权利，从而首先保证自身工作不会受到影响。

本发明的整体工作流程可以分为两部分：服务申请阶段和服务提供阶段。服务申请阶段的参与者是客户端和云端的调度中心，主要工作是为用户查询当前是否有资源可用，并选出适当的资源设备为用户提供服务；而服务提供阶段的参与者是客户端和云端的资源设备，主要工作是使用户通过应用程序接口消息调用资源设备的计算引擎，完成高级分析任务。因此，这两个阶段可以分开实现。

对于服务提供阶段，其客户端和云端的资源设备协同工作方式的本质是一个基于C/S（Client/Server，客户端/服务器）模式的系统。基于此C/S模式系统的两端的具体功能与实现介绍如下：

客户端和服务器端都包含两个功能单元：函数单元和通讯单元；而服务器端还包含一个服务单元，如图3所示。其中，函数单元是API的具体实现，定义了所有可供用户调用的函数，这些函数的集合即为制定结构的数据库（一张规范化的函数表），这种基于查表的交互方式具有易扩展和易应用与不同编程语言的有点。通讯单元负责将函数单元按统一规约整理好的消息发送至对端，需要处理服务器端服务接口暂不可用的情况。服务单元则负责运行计算引擎、管理数据（包括原始数据库和结果数据库）、生成数据文件等工作。

当用户在客户端运行一条命令时，便调用API进入了这次命令的执行工作，客户端系统内部单元的协同工作流程如图4所示。图5a、图5b是两端通讯单元各自的工作流程，图6a、图6b是两端函数单元各自的工作流程。系统两端的通讯单元和函数单元根据利用TCP/IP进行通讯，客户端和服务器端实现了基于查表方式的交互，即C/S系统两端能够按照事先的约定完成连接、通讯等工作，同时能够理解并处理对端发来的消息。

图7是服务器端特有的服务单元的内部结构，其中包括计算引擎、数据文件、数据管理三大模块。计算引擎部分包含各种电力系统分析程序的EXE和DLL，它们可以根据需要替换，以便完成功能更新与升级。数据文件部分包含以上各程序需要的输入文件和必要的输出文件。数据管理部分负责这些数据文件的输入和输出工作，以及内部原始数据、中间数据、结果数据的保存和修改。根据用户的具体命令，服务单元或是完成对计算引擎中的具体分析程序的调用，或是通过数据管理模块实现对各类数据的设置、读取和修改，最终将结果打包成消息返回。

对于服务申请阶段，客户端和云端的调度中心的交互原理亦基于API消息机制，而云端实现的关键在于资源池的构建方法和调度中心的任务分配策略。

为构建资源池，在云端的资源设备上安装服务接口，由服务接口实现与调度中心基于TCP/IP的连接。这种方式主要考虑了构建资源池的方便性，只需要在各资源设备上安装服务接口，向调度中心提出监控申请，申请成功即连接建立后，计算机将不断地向调度中心发送本机CPU利用率和内存利用率等实时信息，以供任务分配决策使用。

云端调度中心在接到客户端用户的服务申请后，将参考云端现有各资源设备的使用情况（即各设备发送来的本机CPU利用率和内存利用率等信息），根据本发明提出的可用计算能力指标选出当下计算能力最强的计算机或者服务器，并把包含有此资源设备IP地址、监听端口和校验码的密匙发送给用户，同时也把此校验码发送给选中的资源设备，校验码用于确认服务提供阶段客户端与选中资源设备连接是否正确。

云端调度中心任务分配策略具体实施的核心在于本发明提出的计算机计算能力指标和计算机可用计算能力指标，现介绍如下：

云端中资源池各资源设备的性能良莠不齐，为了比较不同计算机或者服务器的性能，云端系统采用实际工作负载驱动测试的方法，其测试结果具有很好的针对性和很高的实用价值。

对基于云理念的开放式电力系统数值仿真系统而言，完成实际工作负载驱动测试的方法为：在申请调度中心监听连接成功后，除了本发明开发的服务接口，关闭其他可以暂时退出的应用程序，然后向调度中心申请本机的计算能力测试，调度中心将在等待一小段时间后开始模拟客户端完成所有应用程序接口API的调用，本机将会响应API提供对应的服务，与此同时，调度中心记录下本次测试的起止时刻以及工作时间段内的CPU利用率和内存利用率（图8a、图8b为测试阶段设备CPU利用率和内存利用率变化曲线示意图），最后根据式(1)计算出该设备在最大空闲状态下的计算能力指标值。

$A=\frac{100}{(\stackrel{\‾}{C_{\mathrm{work}}}-\stackrel{\‾}{C_{\mathrm{rest}}}+1)(\stackrel{\‾}{R_{\mathrm{work}}}-\stackrel{\‾}{R_{\mathrm{rest}}}+1)(t_{\mathrm{work}}/t_{\mathrm{all}}+1)}---\left(1\right)$

式中，分别表示等待阶段和工作阶段的平均CPU利用率，分别表示等待阶段和工作阶段的平均内存利用率，t_rest、t_work、t_all分别为测试中的等待时间、工作时间和前两者之和即总时间。显然，由测试所引发的CPU利用率和内存利用率上升幅度越小，完成测试所用的时间越短，计算能力指标A就越大，极限情况为无CPU消耗和内存消耗且工作耗时为0秒，即理想情况下，最大的计算机计算能力指标A＝100。因此，计算能力指标A＜100，表示了计算机在最为空闲状态下的计算能力。此计算能力指标将保存于调度中心，同时也发送给被测试的设备。

云端资源池中的计算机和服务器并不都处于完全闲置状态，多数本身就有自己的应用程序在运行，而且性能较高的设备上安装的服务接口多，可能需要同时为多个用户提供服务，从而使得可用的计算能力降低。因此，需要对上述计算机计算能力指标进行修正，在调度中心接到客户端用户的服务申请时，计算出当前各设备的可用计算能力指标，通过比较将可用计算能力指标最大的资源设备分配给用户。这样不仅使得用户能够得到当前最优的服务，更确保了资源池中负载分配的合理性，起到平衡负载的作用。

本发明基于之前计算能力测试所获得的数据，结合设备的实时CPU利用率和内存利用率，定义计算机的可用计算能力指标为：

$N={(1-C_{\mathrm{now}})}^{(1+{\mathrm{\ΔC}}_0)}{(1-R_{\mathrm{now}})}^{(1+{\mathrm{\ΔR}}_0)}A---\left(2\right)$

式中，和分别表示在最大闲置情况下，由上述实际工作负载驱动测试所引起的CPU利用率变化和内存利用率变化，体现了对于CPU资源和内存资源的需求大小。C_now和R_now分别是资源设备发给调度中心的当前CPU利用率和内存利用率。因此，式(2)中的可用计算能力N将计算能力测试中对于CPU资源的需求ΔC₀和内存资源的需求ΔR₀作为幂指数的一部分，决定了放大当下剩余CPU资源1-C_now和剩余内存资源1-R_now对计算能力指标A影响的程度，最后由三者乘积综合反映当前计算机的可用计算能力。

将基于C/S模式系统的服务器端升级成云端，完成了云端调度中心以及资源池的构建，因而客户端亦将服务申请功能模块加入到已有的基于C/S模式的客户端接口软件包，该模块拥有发出申请、排队等待、接收密匙、更新密匙、释放资源等各种功能，从而能够与云端调度中心协同工作，完成整个服务申请流程，如申请成功则进入服务提供阶段，因此客户端、云端调度中心、云端资源设备协同工作时具体流程如图9a、图9b、图9c所示。

对于需要改进的客户端接口软件包而言，通过封装服务申请模块的功能，使用户只需要应用两条应用程序接口API命令，即可完成资源申请和释放的所有工作。图10是Python环境下程序代码的结构图，其中调入的sduEE模块对应于客户端Python平台接口软件包，if-else判断模块是服务申请释放和释放部分，而main函数中包含了服务内容部分。

实施例1：

将基于云理念的开放式电力系统数值仿真系统进行了布置和实验。图11是系统的布置情况，各计算机设备数据参见表3。各服务器、计算机连接到调度中心后，计算能力测试结果如表4所示。

表3资源设备参数情况表

表4资源设备计算能力测试结果

由表4可见，对于相同的测试程序，各设备所消耗的CPU资源、内存资源以及完成工作时长都不相同，性能越强的设备消耗的资源越少、完成工作越快。考虑各方面因素的影响，本发明所提出的计算能力指标A能有效反映设备的综合性能，各设备计算能力值与实际配置高低情况、工作运行情况完全相符。

为演示调度中心实际的任务分配策略，在表3中计算机A上依次启动20个不同文件夹下的Python程序，模拟有20个客户端用户向云端提出服务申请。由于此用户程序运行时间较长，在所有用户申请完成之前，已被分配的资源设备接口一直处于提供服务状态即被占有状态。另外，云端各资源设备使用情况为：计算机B仅作调度中心使用、高性能服务器运行有一个实验程序、高性能计算机完全空闲、普通计算机C、D、E均有学生正常使用。图11中所有服务接口均开启监听，等待为客户端用户提供服务。实验过程中，云端调度中心执行任务分配策略时各资源设备的当前CPU利用率、内存利用率、可用计算能力指标和被选中情况（可用计算能力N加下划线表示被选中）都被记录下来，如表5所示。

表5云端调度中心任务分配策略执行过程

由表5可知，高性能服务器接收了11个服务任务，高新能计算机接收了5个服务任务，计算机C接收了2个服务任务，计算机D和计算机E各接收了1个服务任务。显然，调度中心实现了根据设备当前实际的计算能力水平分配服务任务，使负载能在资源池中平衡分布。值得一提的是，计算机C和D虽然硬件配置相同，但由于学生使用的具体情况不同，使得计算机D只分配到1个服务任务，保证了利用率不会过高而影响到其提供者的正常使用。

因此，总体上来说，虽然云端资源设备的利用率在不断变化，尤其是CPU利用率变化很大，但通过利用本发明提出的可用计算机计算能力指标的比较，将任务分配给综合空闲资源最多的设备，能够很好地实现资源池中负载的平衡，并同时保证云端资源设备提供者的正常使用。

Claims (4)

1.一种基于云技术的开放式电力系统数值仿真系统，它分为客户端和云端，其特征是，所述云端由调度中心和资源池组成；

其中调度中心包括若干监控员模块、监控管家模块和接待员模块；接待员模块接收来自客户端的服务申请，并按照服务申请队列向监控管家模块发送信息，监控管家模块与各监控员模块通信；

所述资源池包括若干可用资源设备，每台资源设备上都安装了电力系统数值仿真计算引擎，同时包括至少一个服务接口；各服务接口与调度中心的各监控员模块一一对应；

监控员模块监视服务接口所在资源设备的CPU利用率和内存利用率的实时信息，并在必要时将监控管家模块的命令发送给服务接口；

监控管家模块负责管理所有监控员模块，在调度中心显示各服务接口的具体信息，并在收到接待员模块发来的服务申请时为其查找出当前可用的最空闲资源设备；

接待员模块负责为服务申请队列中的客户端向监控管家模块查询可用资源设备，当查到有可用资源设备时，即将包含资源设备IP地址、服务端口、验证码的密匙发送给客户端，同时此验证码由监控管家模块通过监控员模卡发送给服务接口；当没有可用资源设备时，返回无可用资源设备即无法提供服务的信息；

客户端仅在申请服务时才与调度中心交互，申请成功后便只与实际的资源设备交互，通过发送计算命令调用资源设备上的电力系统数值仿真计算引擎，完成高级分析任务；

所述客户端和资源设备均包含：函数单元和通讯单元；而资源设备还包含一个服务单元；其中，函数单元采用接口函数API，定义了所有可供用户调用的函数，这些函数的集合即为制定结构的数据库：一张规范化的函数表；通讯单元负责将函数单元按统一规约整理好的消息发送至对端，并处理资源设备服务接口暂不可用的情况；资源设备负责运行计算引擎、管理数据、生成数据文件工作；

所述资源设备包括计算引擎、数据文件、数据管理三大模块；计算引擎部分包含各种电力系统分析程序的EXE和DLL，它们根据需要替换；数据文件部分包含需要的输入文件和输出文件；数据管理部分负责这些数据文件的输入和输出工作，以及内部原始数据、中间数据、结果数据的保存和修改；根据用户的具体命令，资源设备或是完成对计算引擎中的具体分析程序的调用，或是通过数据管理模块实现对各类数据的设置、读取和修改，最终将结果打包成消息返回。

2.如权利要求1所述的基于云技术的开放式电力系统数值仿真系统，其特征是，所述资源设备可设置服务接口的监听状态，即在连接到调度中心的情况下，决定是否提供服务；当服务接口被设置为不监听状态时，调度中心不会把服务任务交给该资源设备。

3.一种采用权利要求1所述的基于云技术的开放式电力系统数值仿真系统的仿真方法，其特征是，它的工作流程分为服务申请阶段和服务提供阶段两个过程：

服务申请阶段：客户端发出请求命令，送入调度中心；调度中心根据现有各资源设备的使用情况即各资源设备发送来的本机CPU利用率和内存利用率信息，利用可用计算能力指标选出当下计算能力最强的资源设备，并把包含有此资源设备IP地址、监听端口和校验码的密匙发送给客户端，同时也把此校验码发送给选中的资源设备，校验码用于确认服务提供阶段客户端与选中资源设备连接是否正确；

服务提供阶段：客户端与分配到的资源设备直接交互，通过发送计算命令调用资源设备上的电力系统数值仿真计算引擎，完成高级分析任务；

所述云端调度中心根据计算机计算能力指标和计算机可用计算能力指标选出当下计算能力最强的资源设备；其具体过程为：

为了比较不同资源设备的性能，采用实际工作负载驱动测试的方法进行比较：在申请调度中心监听连接成功后，除服务接口外关闭其他可以暂时退出的应用程序，然后向调度中心申请本资源设备的计算能力测试，调度中心将在等待一小段时间后开始模拟客户端完成所有应用程序接口API的调用，本资源设备将会响应API提供对应的服务，与此同时，调度中心记录下本次测试的起止时刻以及工作时间段内的CPU利用率和内存利用率，最后根据式(1)计算出该设备在最大空闲状态下的计算能力指标值：

$A=\frac{100}{\left(\stackrel{\‾}{C_{work}}-\stackrel{\‾}{C_{rest}}+1\right)\left(\stackrel{\‾}{R_{work}}-\stackrel{\‾}{R_{rest}}+1\right)\left(t_{work}/t_{all}+1\right)}---\left(1\right)$

其中，分别表示等待阶段和工作阶段的平均CPU利用率，分别表示等待阶段和工作阶段的平均内存利用率，t_work、t_all分别为测试中的工作时间和测试中的工作时间与等待时间之和即总时间；由测试所引发的CPU利用率和内存利用率上升幅度越小，完成测试所用的时间越短，计算能力指标A就越大，极限情况为无CPU消耗和内存消耗且工作耗时为0秒，即理想情况下，最大的计算机计算能力指标A＝100；计算能力指标A＜100，表示了计算机在最为空闲状态下的计算能力；此计算能力指标将保存于调度中心，同时也发送给被测试的设备；

结合资源设备的实时CPU利用率和内存利用率，定义资源设备的可用计算能力指标为：

$N={(1-C_{now})}^{(1+{\mathrm{\ΔC}}_0)}{(1-R_{now})}^{(1+{\mathrm{\ΔR}}_0)}A---\left(2\right)$

式中，和分别表示在最大闲置情况下，由上述实际工作负载驱动测试所引起的CPU利用率变化和内存利用率变化，体现了对于CPU资源和内存资源的需求大小；C_now和R_now分别是资源设备发给调度中心的当前CPU利用率和内存利用率；式(2)中的可用计算能力N将计算能力测试中对于CPU资源的需求ΔC₀和内存资源的需求ΔR₀作为幂指数的一部分，决定了放大当下剩余CPU资源1-C_now和剩余内存资源1-R_now对计算能力指标A影响的程度，最后由三者乘积综合反映当前计算机的可用计算能力。

4.如权利要求3所述的仿真方法，其特征是，所述客户端只通过两条应用程序接口API命令，即可完成资源申请和释放的所有工作。