CN109146268B - 考虑联合优化数据调度和热储能的数据网络负荷建模方法 - Google Patents

考虑联合优化数据调度和热储能的数据网络负荷建模方法 Download PDF

Info

Publication number
CN109146268B
CN109146268B CN201810889423.1A CN201810889423A CN109146268B CN 109146268 B CN109146268 B CN 109146268B CN 201810889423 A CN201810889423 A CN 201810889423A CN 109146268 B CN109146268 B CN 109146268B
Authority
CN
China
Prior art keywords
power consumption
data center
internet data
load
time slot
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810889423.1A
Other languages
English (en)
Other versions
CN109146268A (zh
Inventor
陈敏
高赐威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201810889423.1A priority Critical patent/CN109146268B/zh
Publication of CN109146268A publication Critical patent/CN109146268A/zh
Application granted granted Critical
Publication of CN109146268B publication Critical patent/CN109146268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Power Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了考虑联合优化数据调度和热储能的数据网络负荷建模方法，属于电力系统需求侧管理的技术领域。本发明包括以下步骤：建立IT设备的数据流模型和功耗模型；建立冷却系统的热流模型和功耗模型；建立数据网络负荷的初始模型；推导出基于能量属性的数据网络负荷的封装模型。本发明考虑联合优化数据调度和热储能的数据网络负荷建模方法，所提出的方法既有利于电力网络对数据网络负荷调节潜力的利用，又有利于数据网络的收益增加，可为实现数据网络与电力网络的友好互动提供理论支撑。

Description

考虑联合优化数据调度和热储能的数据网络负荷建模方法
技术领域
本发明公开了考虑联合优化数据调度和热储能的数据网络负荷建模方法，属于的技术领域。
背景技术
随着智能电网和电力市场的发展与完善，合理挖掘和调度需求侧资源已经成为提高电力系统综合运营效率、优化资源配置的重要途径。近年来，随着互联网技术的高速发展，全球数据中心的规模和数量正在迅速扩大，数据中心已经成体量可观的电力负荷。除了使用本地电源和储能系统外，利用数据负荷调度和热储能，分布在不同地点的互联网数据中心(Internet data centers，IDCs)可以提供可观的时空负荷调节潜力。然而，目前考虑IDCs调节潜力的文献研究中，主要考虑单独优化数据负荷调度或者热储能，而很少考虑二者的同时优化，缺乏考虑联合优化数据负荷调度和热储能的IDCs负荷特性分析。由于各IDC可用的计算资源、冷却资源、电力资源是有限的，各负荷调节方式相互制约，热储能(Thermal storage,TS)中热力学微分方程复杂，目前考虑利用IDCs负荷调节潜力的文献主要考虑数据负荷调度(包括GLB、延迟容忍型负荷延迟处理)，而一般忽视TS。
发明内容
本发明的发明目的是针对上述背景技术的不足，提供了考虑联合优化数据调度和热储能的数据网络负荷建模方法，通过建立考虑数据负荷调度和热储能的IDCs负荷模型得到了负荷特性表征力较强的线性封装模型，解决了现有IDCs负荷特性分析鲜有同时优化数据负荷调度和热储能的技术问题。
本发明为实现上述发明目的采用如下技术方案：
考虑联合优化数据调度和热储能的数据网络负荷建模方法，
建立计及IT设备数据流模型和功耗模型以及冷却系统热流模型和功耗模型的初始数据网络负荷模型，所述初始数据网络负荷模型通过调节前端门户服务器分配到互联网数据中心的交互式数据负荷量、互联网数据中心中处理交互式数据负荷和处理批处理数据负荷的活跃服务器数量、互联网数据中心处理批处理数据负荷的数量控制IT设备功耗和冷却系统功耗；
引入延迟约束边界功耗来替换初始模型中的IT设备功耗，引入冷却系统功率基值、互联网数据中心边界功耗中处理交互式数据负载的动态功耗及其标准值、互联网数据中心边界功耗中处理批处理数据负荷的动态功耗及其标准值，将前端门户服务器分配到互联网数据中心的交互式数据负荷量、互联网数据中心中处理交互式数据负荷和处理批处理数据负荷的活跃服务器数量、互联网数据中心处理批处理数据负荷的数量转换为电气量，引入电荷状态以替换初始数据网络负荷模型中表征冷却系统功耗的室内温度，将初始数据网络负荷模型封装为以冷却系统功耗转移量、通过交互式负载空间转移的功耗量、通过批处理负载延迟处理转移的功耗量为控制变量并以延迟约束边界功耗、电荷状态为因变量的基于能量属性的数据网络负荷模型。
进一步的，考虑联合优化数据调度和热储能的数据网络负荷建模方法中，IT设备数据流模型为：
Figure BDA0001756535110000021
其中，
Figure BDA0001756535110000022
为前端门户服务器δ在时间槽t分配到互联网数据中心i的交互式数据负荷量，Φ为前端门户服务器集合，T为时间槽集合，
Figure BDA0001756535110000027
为在时间槽t内到达前端门户网站服务器δ的数据负荷量，μi为互联网数据中心i中的每个活跃服务器的平均服务速率，
Figure BDA0001756535110000023
为在时间槽t内互联网数据中心i中处理交互式数据负荷的活跃服务器数量，D为延迟界限，(j-1)τq、jτq、(j+1)τq表示第(j-1)、j、(j+1)个以τq个单位时间槽为时间长度的时间槽，
Figure BDA0001756535110000024
为在时间槽t内互联网数据中心i处理的批处理数据负荷q的数量，
Figure BDA0001756535110000025
为在时间槽t到达互联网数据中心i的批处理数据负荷q的数量，
Figure BDA0001756535110000026
为在时间槽t内互联网数据中心i中处理批处理数据负荷q的活跃服务器数量，Ω为时间槽t内互联网数据中心i处理的批处理数据集合，Mi为互联网数据中心i中的服务器总数。
再进一步的，考虑联合优化数据调度和热储能的数据网络负荷建模方法中，IT设备功耗模型为：
Figure BDA0001756535110000031
其中，
Figure BDA0001756535110000032
为时间槽t内互联网数据中心i中IT设备的功耗，α1,i、α2,i分别为互联网数据中心i的服务器功耗系数和网络设备功耗系数，α1，i＝(Aiespi+Biaspi+Cicspi)/Mi+spidle，i，α2，i＝(sppeak，i-spidle，i)/μi，Ai、Bi、Ci分别为互联网数据中心i中活跃边缘交换机、聚合交换机和核心交换机的数量，espi、aspi、cspi分别为互联网数据中心i中活跃边缘交换机、聚合交换机和核心交换机的功耗，spidle,i、sppeak,i分别为互联网数据中心i中服务器的空闲功率和峰值功率。
再进一步的，考虑联合优化数据调度和热储能的数据网络负荷建模方法中，冷却系统热流模型为：
Figure BDA0001756535110000033
其中，
Figure BDA0001756535110000034
分别为互联网数据中心i在时间槽t+1、时间槽t的内部环境温度，
Figure BDA0001756535110000035
为互联网数据中心i在时间槽t的外部环境温度，Ri为互联网数据中心i的等效热阻，pothers,i为互联网数据中心i中其它设备的功耗，Ci为互联网数据中心i的等效电容，Δt为相邻时间槽的间隔，
Figure BDA0001756535110000036
为互联网数据中心i在时间槽t的制冷功率，Tin_max,i、Tin_min,i分别为互联网数据中心i室内温度的最大值和最小值。
再进一步的，考虑联合优化数据调度和热储能的数据网络负荷建模方法中，冷却系统功耗模型为：
Figure BDA0001756535110000037
其中，
Figure BDA0001756535110000038
为互联网数据中心i在时间槽t的冷却系统功耗，k1,i、b1,i为
Figure BDA0001756535110000039
关于
Figure BDA00017565351100000310
的线性函数的经验常数，
Figure BDA00017565351100000311
pcooling_max,i为互联网数据中心i中冷却系统的最大功耗。
再进一步的，考虑联合优化数据调度和热储能的数据网络负荷建模方法中，初始数据网络负荷模型为：
Figure BDA0001756535110000041
Figure BDA0001756535110000042
为互联网数据中心i在时间槽t的功耗。
再进一步的，考虑联合优化数据调度和热储能的数据网络负荷建模方法中，基于能量属性的数据网络负荷模型为：
Figure BDA0001756535110000043
Figure BDA0001756535110000044
其中，
Figure BDA0001756535110000045
为互联网数据中心i在时间槽t的延迟约束边界功耗，
Figure BDA0001756535110000046
为互联网数据中心i在时间槽t内通过交互式负载空间转移的功耗量，
Figure BDA0001756535110000051
为互联网数据中心i在时间槽t内通过批处理负载q延迟处理转移的功耗量，
Figure BDA0001756535110000052
为时间槽t内互联网数据中心i中冷却系统的功耗转移量，
Figure BDA0001756535110000053
为互联网数据中心i在时间槽t的标准功耗，
Figure BDA0001756535110000054
为互联网数据中心i在时间槽t通过转移交互式负载能够减少的最大功耗需求，
Figure BDA0001756535110000055
为互联网数据中心i在时间槽t通过转移批处理负载q能够减少的最大功耗需求，A4,i为与互联网数据中心i在时间槽t+1内储能能级相关的常数，
Figure BDA0001756535110000056
为互联网数据中心i在时间槽t通过转移交互式负载和批处理负载需减少的最小活跃服务器需求，
Figure BDA0001756535110000057
为互联网数据中心i在时间槽t通过转移交互式负载、批处理负载、调节冷却系统功耗需减少的最小功耗需求，
Figure BDA0001756535110000058
为互联网数据中心i在时间槽t通过转移交互式负载、批处理负载、调节冷却系统功耗能够减少的最大功耗需求，θ1,i为互联网数据中心i处理单个交互式负载的标准动态功耗，θ2,i为互联网数据中心i中当前时刻储能能级对下一时刻储能能级的影响，θ3,i为互联网数据中心i中当前时刻冷却功耗调节量对下一时刻储能能级的影响，θ4,i为互联网数据中心i处理单个交互式负载的标准活跃服务器数量，θ5,i为互联网数据中心i处理单个批处理负载的标准活跃服务器数量，θ6,i为互联网数据中心i冷却系统标准动态功耗与全设备标准动态功耗的比值，
Figure BDA0001756535110000059
分别为互联网数据中心i在时间槽t+1、时间槽t的储能能级，
Figure BDA0001756535110000061
Figure BDA0001756535110000062
为互联网数据中心i在时间槽t的延迟约束边界功耗中处理交互式负载的标准动态功耗，
Figure BDA0001756535110000063
为互联网数据中心i在时间槽t的延迟约束边界功耗中处理批处理负载q的标准动态功耗，Tin_set,i为互联网数据中心i室内温度的设定值，
Figure BDA0001756535110000064
为
Figure BDA0001756535110000065
时互联网数据中心i在时间槽t的冷却系统功耗基值，
Figure BDA0001756535110000066
为时间槽t内互联网数据中心i室内温度保持在设定时的冷却系统功耗，
Figure BDA0001756535110000067
为互联网数据中心i在时间槽t的延迟约束边界功耗基准值。
本发明采用上述技术方案，具有以下有益效果：
(1)本发明旨在提出考虑联合优化数据负荷调度和热储能的数据网络负荷建模方法，通过对本地批处理负载延迟处理，利用IDCs建筑的热惰性进行热储能可实现IDCs用电负荷的时间转移，从而可大大提高各IDCs在特定时间段的负荷调节潜力，所提出的建模方法既有利于电力网络对数据网络负荷调节潜力的利用，又有利于数据网络的收益增加，可为实现数据网络与电力网络的友好互动提供理论支撑。
(2)为满足聚合商对负荷封装模型最终表达形式以及控制变量的较高要求，根据各调节方式对IDCs负荷调节潜力的贡献以及时间负荷调节方式之间的约束引入新的变量，将负荷模型中的控制变量转换为电气量进而将数据负荷模型转换为负荷特性表征力较强的线性封装形式，具有更好的应用前景。
附图说明
图1为IDCs中的数据流-热流-电力流示意图。
图2为建立IDCs负荷封装模型的构思图。
具体实施方式
下面结合图1、图2对发明的技术方案进行详细说明。
步骤一：建立IT设备的数据流模型和功耗模型
1)数据流模型
定义T＝{1，2，...U}为时间槽的集合；定义N＝{1，2，...V}为一组分布于不同电力节点的互联网数据中心(Internet data centers，IDCs)的集合，并通过网络传输线路构成数据网络。假设IDC i(i∈N)有Mi台同构服务器。虽然假设各IDC中的所有服务器都是同构的，但该模型是相当通用的，并且可以很容易地扩展到异构时的情况。
定义μi为数据中心i中的每个活跃服务器的平均服务速率，当服务器同质时，μi的值等于单个活跃服务器的服务速率，是一个取决于服务器性能和数据负荷种类的固定性能参数；定义
Figure BDA0001756535110000071
为前端门户服务器δ(δ∈Φ)在时间槽t(t∈T)分配到IDC i的交互式数据负荷量；定义
Figure BDA0001756535110000072
为在时间槽t内数据中心i中处理交互式数据负荷的活跃服务器数量。采用M/M/1排队模型来描述在数据负荷调度中的各IDC的响应时间，则各队列的平均延迟为
Figure BDA0001756535110000073
各用于处理交互式数据负荷的活跃服务器上的数据负荷平均到达速率为
Figure BDA0001756535110000074
为满足服务质量，请求所经历的总时间延迟应不超过延迟界限D，则有：
Figure BDA0001756535110000081
Figure BDA0001756535110000082
不难想象，当
Figure BDA0001756535110000083
时，可使
Figure BDA0001756535110000084
因此，式(2)可重写为：
Figure BDA0001756535110000085
式中，
Figure BDA0001756535110000086
表示在时间槽t内到达前端门户网站服务器δ的数据负荷量。
批处理数据负荷可以被调度到截止期限前的任何时隙处理，同样地，假设被调度到时间槽t处理的批处理数据负荷q(q∈Ω)被均匀地分布到各用于处理批处理数据负荷q的活跃服务器上，且批处理数据负荷q的延迟界限为2τq个时间槽。(j-1)τq、jτq、(j+1)τq表示第(j-1)、j、(j+1)个以τq个单位时间槽为时间长度的时间槽，定义
Figure BDA0001756535110000087
为在时间槽t内IDCi中处理的批处理数据负荷q的数量；定义
Figure BDA0001756535110000088
为在时间槽t到达IDC i的批处理数据负荷q的数量；定义
Figure BDA0001756535110000089
为在时间槽t内数据中心i中处理批处理数据负荷的活跃服务器数量。则有：
Figure BDA00017565351100000810
Figure BDA00017565351100000811
此外，活动服务器数量不超过IDCs中的服务器总数Mi，即：
Figure BDA00017565351100000812
2)功耗模型
IT设备功耗主要包括服务器功耗和网络设备功耗。
●服务器功耗
根据之前的假设，即每个IDC中的服务器是均质的，且数据负荷是均匀分布的，则有：
Figure BDA00017565351100000813
式中，
Figure BDA00017565351100000814
为时间槽t内IDC i中所有活跃服务器的功耗；
Figure BDA00017565351100000815
分别为在时间槽t内IDC i中用于处理交互式数据负荷的每台活动服务器的功耗、用于处理批处理数据负荷q的每台活动服务器的功耗。特别地，单个服务器的功耗通常是服务器利用率的线性函数，则有：
Figure BDA0001756535110000091
Figure BDA0001756535110000092
式中，spidle，i、sppeak，i分别为IDC i中服务器的空闲功率和峰值功率。
●网络设备功耗
采用一种常用的三层拓扑用于连接IDCs中的以太网交换机，有：
Figure BDA0001756535110000093
式中，
Figure BDA0001756535110000094
为时间槽t内IDC i中所有活跃交换机的功耗；espi、aspi、cspi分别是IDC i中活跃边缘交换机、聚合交换机和核心交换机的功耗，为常数；
Figure BDA0001756535110000095
分别是时间槽t内IDC i中活跃边缘交换机、聚合交换机和核心交换机的数目，且与服务器总数成正比，即：
Figure BDA0001756535110000096
Figure BDA0001756535110000097
Figure BDA0001756535110000098
式中，Ai、Bi、Ci分别为IDC i中活跃边缘交换机、聚合交换机和核心交换机的数量。
●综上，IT设备的功耗模型可描述为：
Figure BDA0001756535110000099
式中，
Figure BDA00017565351100000910
为时间槽t内IDC i中IT设备的功耗；且：
α1，i＝(Aiespi+Biaspi+Cicspi)/Mi+spidle,i (15)，
α2,i＝(sppeak,i-spidle，i)/μi (16)。
步骤二：建立冷却系统的热流模型和功耗模型
1)热流模型
假设有一个本地优化器可以动态地分配活跃服务器和冷却基础设施以均衡各IDC的室内温度，这是一些研究正在追求的。虽然假设每个IDC的室内温度都是均匀的，但该模型是相当通用的，并且可以较容易地扩展到室内温度不均匀的情况。
冷却系统有两种工作模式(即加热和冷却方式)，为简单起见，仅讨论冷却方式。根据能量守恒定律，有：
Figure BDA0001756535110000101
式中，
Figure BDA0001756535110000102
为IDC i在时间槽t的制冷功率；
Figure BDA0001756535110000103
为在时间槽t外界传递给IDC i的热功率；pothers，i是IDC i中的其它设备的功耗；Ci是IDC i的等效热容量[kJ/℃]，可以通过实验得到。
IDCs与室外环境之间的热交换可以描述为：
Figure BDA0001756535110000104
式中，
Figure BDA0001756535110000105
为IDC i在时间槽t的外部环境温度；
Figure BDA0001756535110000106
为IDC i在时间槽t的内部环境温度；Ri是IDC i的等效热阻[℃/kW]，可以通过实验得到。
一般情况下，如果没有外部控制信号，室内温度会保持在初始温度设定点Tin_set，i，定义当室内温度保持在Tin_set，i时的冷却功率为
Figure BDA0001756535110000107
此时，式(17)中的
Figure BDA0001756535110000108
相应地，
Figure BDA0001756535110000109
为：
Figure BDA00017565351100001010
受外部控制信号的影响，冷却系统的冷却功率可能会偏离
Figure BDA00017565351100001011
假设在一个时间槽内的
Figure BDA00017565351100001012
pothers，i为定值；由于
Figure BDA00017565351100001013
随时间缓慢变化，在一个时间槽内，其也可看作是一个固定值。求解式(17)得到
Figure BDA00017565351100001014
Figure BDA0001756535110000111
为保证设备正常运行，假设室内温度范围保持在[Tin_min,i,Tin_max,i]之间，即，
Figure BDA0001756535110000112
2)冷却系统的功耗模型
为简化问题，假设冷却系统的功耗是制冷功率的线性函数，即：
Figure BDA0001756535110000113
式中，
Figure BDA0001756535110000114
为IDC i在时间槽t的冷却系统功耗；k1，i、b1，i是经验常数，为正数。
此外，由于冷却系统的功率限制，有：
Figure BDA0001756535110000115
步骤三：建立IDCs负荷的初始模型：
如图1所示，IDCs的功耗可以分为三部分，即IT设备功耗、冷却系统功耗、其它设备功耗。其中，IT设备功耗用于提供一定的计算能力以处理交互式数据负荷以及批处理数据负荷，从而确保用户的服务质量(Quality of service，QoS)(即延迟约束)；冷却系统功耗用于提供冷却功率以消除由IT设备和其它设备产生的热量以及由室外传递进来的热量，从而维持IDCs的内部环境温度(即温度约束)；其它功耗(如：照明系统、配电系统等)可认为是一个固定常数。因此，可以通过数据负荷的时空调度调节IT设备功耗；可以通过数据负荷的时空调度和热能在时间上的存储调节冷却系统功耗。则IDCs的功耗可以描述为：
Figure BDA0001756535110000116
式中：
Figure BDA0001756535110000117
为IDC i在时间槽t的功耗。
由于服务器数量和数据负荷量通常很大，可以放宽对活动服务器数量的整数约束而不影响最优结果。因此，IDCs的负荷模型可描述为(1)、(3)-(6)、(14)、(20)-(24)。控制变量包括：
Figure BDA0001756535110000118
因变量为
Figure BDA0001756535110000119
它们都具有十分明确的物理意义，物理过程描述如下：通过数据负荷控制、活跃服务器控制以及制冷量控制实现了
Figure BDA00017565351100001110
的控制，调节结果最终呈现为
Figure BDA0001756535110000121
然而，当IDCs与电网协调运行时，如1)参加调节市场上报各时段各IDC的调节量，2)向聚合商等提供一组合适的负荷封装模型以供聚合商调度，对控制变量的选取和负荷模型的最终表达形式可能会有更高的要求。具体来说，对于ISO，在第一种场景下，只需要数据网络运营商提供
Figure BDA00017565351100001220
的具体取值，其可以通过之前所述的控制变量以及负荷模型得到；但在第二种场景下，一个控制变量是电气量(其具有明确物理意义)并且负荷特性表达明确(e.g.调节上下限、以及可能存在的时间上或者空间上的用电关联)的封装模型，可能更容易被接受。而用前文所述的这些控制变量以及负荷模型，显然不能被ISO所接受。
此外，对于数据网络运营商来说，由于上文提及的三种调节手段在不同时段、不同IDCs中的调节成本和调节效果可能会有很大差异，需了解三种调节手段各自对IDCs负荷调节潜力的贡献以及贡献的相关约束(可以是各自的，也可以是三者之间的)以指导之后的相应投资和策略上的相关取舍。
综合ISO、数据网络运营商两者的需求，需对原控制变量和负荷模型进行转换和封装。
步骤四：推导出基于能量属性的数据网络负荷的封装模型
如图2所示，建立IDCs负荷的封装模型的思路为：首先为收紧延迟约束，引入延迟约束边界功耗
Figure BDA0001756535110000122
来替换原模型中的因变量
Figure BDA0001756535110000123
在此基础上，引入中间变量冷却系统功率基值为
Figure BDA0001756535110000124
IDCs边界功耗中处理交互式负载的动态功耗
Figure BDA0001756535110000125
处理批处理负载q的动态功耗
Figure BDA0001756535110000126
以及
Figure BDA0001756535110000127
标准值
Figure BDA0001756535110000128
标准值
Figure BDA0001756535110000129
标准值
Figure BDA00017565351100001210
最终将原负荷模型中的控制变量
Figure BDA00017565351100001211
转换成了电气量：冷却系统功耗转移量
Figure BDA00017565351100001212
通过交互式负载空间转移的功耗量
Figure BDA00017565351100001213
通过批处理负载q延迟处理转移的功耗量
Figure BDA00017565351100001214
此外，为更形象地描述IDCs的储能能级，引入电荷状态
Figure BDA00017565351100001215
来替换原模型中的因变量
Figure BDA00017565351100001216
具体过程如下：
1)
Figure BDA00017565351100001217
IDCs功耗的最大取值
Figure BDA00017565351100001218
可由式(25)得到，其中，第一行约束条件是指
Figure BDA00017565351100001219
不会超过所有IT设备全功率运行时的值，第二个约束条件是指IT设备、其它设备的功耗、以及室外交换热量所需的冷却资源需求不得超过冷却系统的额定功率。不难想象，一般情况下，IDCs中的冷却资源足以满足IDCs所有设备全功率运行时的冷却需求，即
Figure BDA0001756535110000131
Figure BDA0001756535110000132
接下来关注各时间槽内各IDC的最低功耗
Figure BDA0001756535110000133
它被多种约束所限制，如：数据负荷处理延迟约束、温度约束、服务器数量约束、最大制冷功率约束等。不难证明，
Figure BDA0001756535110000134
关于活跃服务器利用率递减，则
Figure BDA0001756535110000135
必然在活跃服务器利用率最大时取得，即(3)、(5)取等号，我们定义此时的
Figure BDA0001756535110000136
为
Figure BDA0001756535110000137
Figure BDA0001756535110000138
相应地，定义此时的IT功耗、冷却系统功耗分别为
Figure BDA0001756535110000139
Figure BDA00017565351100001310
Figure BDA00017565351100001311
Figure BDA00017565351100001312
2)
Figure BDA00017565351100001313
定义
Figure BDA00017565351100001314
即
Figure BDA00017565351100001315
的冷却系统功耗为
Figure BDA00017565351100001316
并定义冷却系统调节量即冷却系统功耗与
Figure BDA00017565351100001317
的偏差为
Figure BDA00017565351100001318
Figure BDA00017565351100001319
Figure BDA00017565351100001320
则，和
Figure BDA00017565351100001321
一样，
Figure BDA00017565351100001322
可统一为关于
Figure BDA00017565351100001323
Figure BDA00017565351100001324
的函数：
Figure BDA0001756535110000141
Figure BDA0001756535110000142
3)
Figure BDA0001756535110000143
相较于
Figure BDA0001756535110000144
采用电力领域通常用来描述房间存储能级的电荷状态
Figure BDA0001756535110000145
来定义IDC i的储能能级，更为直观，其定义如下：
Figure BDA0001756535110000146
可以发现，室内温度为Tin_min,i时，储能水平最高，而室内温度为Tin_max,i时，储能水平最小。则式(20)-(21)可最终转换为：
Figure BDA0001756535110000147
Figure BDA0001756535110000148
4)
Figure BDA0001756535110000149
定义式(32)中，
Figure BDA00017565351100001410
即
Figure BDA00017565351100001411
时，
Figure BDA00017565351100001412
中处理交互式负载的动态功耗为
Figure BDA00017565351100001413
处理批处理负载q的动态功耗为
Figure BDA00017565351100001414
Figure BDA00017565351100001415
Figure BDA00017565351100001416
定义标准情况下，各时间槽中达到的总交互式负载
Figure BDA0001756535110000151
根据各IDC中的服务器数量Mi按比例分配到各IDC；而[(j-1)τq，jτq-1]时间槽中到达各IDC的总批处理负载
Figure BDA0001756535110000152
则平均分配到[jτq，(j+1)τq-1]中的各时间槽。当然，这些标准可以根据实际情况重新设定。定义此时的
Figure BDA0001756535110000153
分别为
Figure BDA0001756535110000154
Figure BDA0001756535110000155
Figure BDA0001756535110000156
定义
Figure BDA0001756535110000157
的功率调整量分别为
Figure BDA0001756535110000158
Figure BDA0001756535110000159
Figure BDA00017565351100001510
则式(1)、(3)-(6)可最终转换为：
Figure BDA00017565351100001511
Figure BDA00017565351100001512
Figure BDA00017565351100001513
Figure BDA00017565351100001514
Figure BDA00017565351100001515
其中，式(44)-(45)为
Figure BDA00017565351100001516
的非负约束，即
Figure BDA00017565351100001517
非负。
此时，
Figure BDA00017565351100001518
可统一为关于
Figure BDA00017565351100001519
Figure BDA00017565351100001520
的函数。分别定义
Figure BDA00017565351100001521
Figure BDA00017565351100001522
如式(47)-(49)，则
Figure BDA00017565351100001523
可描述为式(50)-(52)：
Figure BDA00017565351100001524
Figure BDA0001756535110000161
Figure BDA0001756535110000162
Figure BDA0001756535110000163
Figure BDA0001756535110000164
Figure BDA0001756535110000165
则式(23)可最终转换为：
Figure BDA0001756535110000166
5)IDCs的封装负荷模型
综上,已将以
Figure BDA0001756535110000167
为控制变量的IDCs负荷模型转换为以
Figure BDA0001756535110000168
为控制变量的IDCs负荷模型(即式(34)-(35)、(42)-(46)、(52)-(53))。其封装模型如下：
Figure BDA0001756535110000171
Figure BDA0001756535110000172
其中，
Figure BDA0001756535110000181
式中：
Figure BDA0001756535110000182
分别代表GLB、延迟容忍型负荷延迟处理、TS三种调节方式的负荷调节量(相对于标准值)。θ1，i表示IDC i处理单个交互式负载的标准动态功耗；θ2，i表示IDC i中当前时刻储能系数对下一时刻储能系数的影响；θ3，i表示IDC i中当前时刻冷却功耗调节量对下一时刻储能系数的影响；θ4，i表示IDC i处理单个交互式负载的标准活跃服务器数量；θ5，i表示IDC i处理单个批处理负载的标准活跃服务器数量；θ6，i表示IDC i冷却系统标准动态功耗与全设备标准动态功耗的比值。
Figure BDA0001756535110000183
为IDC i在时间槽t的标准功耗；
Figure BDA0001756535110000184
为IDC i在时间槽t通过转移交互式负载能够减少的最大功耗需求；
Figure BDA0001756535110000185
为IDC i在时间槽t通过转移批处理负载q能够减少的最大功耗需求；A4，i为与IDC i在时间槽t+1内储能系数相关的常数；
Figure BDA0001756535110000191
为IDC i在时间槽t通过转移交互式负载和批处理负载需减少的最小活跃服务器需求；
Figure BDA0001756535110000192
为IDC i在时间槽t通过转移交互式负载、批处理负载、调节冷却系统功耗需减少的最小功耗需求；
Figure BDA0001756535110000193
为IDC i在时间槽t通过转移交互式负载、批处理负载、调节冷却系统功耗能够减少的最大功耗需求。
式(54)中，子式(a)描述了IDCs功耗模型表达了三种负荷调节手段对IDCs功耗调节的贡献；子式(b)、(c)描述了空间负荷调节约束；子式(d)、(e)描述了通过延迟处理批处理负载的时间负荷调节约束；(f)、(g)描述了通过热储能的时间负荷调节约束；子式(h)描述了两种时间负荷调节方式之间的约束；子式(i)描述了空间负荷调节方式和两种时间负荷调节方式之间的约束。
综上，在本发明提出的IDCs负荷封装模型中，1)控制变量全为电气量，且其具有明确的物理意义；2)负荷特性表达明确，能够明确地表达这三种负荷调节策略各自的调节界限、以及它们之间的相互约束；3)决策值(即控制变量的取值)能够明确地表达三种负荷调节策略对各IDC的最终用电负荷调节的贡献；4)就封装本身来说，该封装很好地保护了终端用户的建筑设计、设备类型和偏好信息；5)该封装模型整体为一个线性模型，能够减轻计算压力。这将为IDCs这一特殊负荷未来更好地参与电力系统需求响应提供理论基础。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.考虑联合优化数据调度和热储能的数据网络负荷建模方法，其特征在于，
建立计及IT设备数据流模型和功耗模型以及冷却系统热流模型和功耗模型的初始数据网络负荷模型，所述初始数据网络负荷模型通过调节前端门户服务器分配到互联网数据中心的交互式数据负荷量、互联网数据中心中处理交互式数据负荷和处理批处理数据负荷的活跃服务器数量、互联网数据中心处理批处理数据负荷的数量控制IT设备功耗和冷却系统功耗；
引入延迟约束边界功耗来替换初始模型中的IT设备功耗，引入冷却系统功率基值、互联网数据中心边界功耗中处理交互式数据负载的动态功耗及其标准值、互联网数据中心边界功耗中处理批处理数据负荷的动态功耗及其标准值，将前端门户服务器分配到互联网数据中心的交互式数据负荷量、互联网数据中心中处理交互式数据负荷和处理批处理数据负荷的活跃服务器数量、互联网数据中心处理批处理数据负荷的数量转换为电气量，引入电荷状态以替换初始数据网络负荷模型中表征冷却系统功耗的室内温度，将初始数据网络负荷模型封装为以冷却系统功耗转移量、通过交互式负载空间转移的功耗量、通过批处理负载延迟处理转移的功耗量为控制变量并以延迟约束边界功耗、电荷状态为因变量的基于能量属性的数据网络负荷模型；其中，
所述IT设备数据流模型为：
Figure FDA0002998759370000011
其中，
Figure FDA0002998759370000012
为前端门户服务器δ在时间槽t分配到互联网数据中心i的交互式数据负荷量，Φ为前端门户服务器集合，T为时间槽集合，
Figure FDA0002998759370000013
为在时间槽t内到达前端门户网站服务器δ的数据负荷量，μi为互联网数据中心i中的每个活跃服务器的平均服务速率，
Figure FDA0002998759370000014
为在时间槽t内互联网数据中心i中处理交互式数据负荷的活跃服务器数量，D为延迟界限，(j-1)τq、jτq、(j+1)τq表示第(j-1)、j、(j+1)个以τq个单位时间槽为时间长度的时间槽，
Figure FDA0002998759370000021
为在时间槽t内互联网数据中心i处理的批处理数据负荷q的数量，
Figure FDA0002998759370000022
为在时间槽t到达互联网数据中心i的批处理数据负荷q的数量，
Figure FDA0002998759370000023
为在时间槽t内互联网数据中心i中处理批处理数据负荷q的活跃服务器数量，Ω为时间槽t内互联网数据中心i处理的批处理数据集合，Mi为互联网数据中心i中的服务器总数；
所述IT设备功耗模型为：
Figure FDA0002998759370000024
其中，
Figure FDA0002998759370000025
为时间槽t内互联网数据中心i中IT设备的功耗，α1,i、α2,i分别为互联网数据中心i的服务器功耗系数和网络设备功耗系数，α1,i＝(Aiespi+Biaspi+Cicspi)/Mi+spidle,i，α2,i＝(sppeak,i-spidle,i)/μi，Ai、Bi、Ci分别为互联网数据中心i中活跃边缘交换机、聚合交换机和核心交换机的数量，espi、aspi、cspi分别为互联网数据中心i中活跃边缘交换机、聚合交换机和核心交换机的功耗，spidle,i、sppeak,i分别为互联网数据中心i中服务器的空闲功率和峰值功率；
所述冷却系统热流模型为：
Figure FDA0002998759370000026
其中，
Figure FDA0002998759370000027
分别为互联网数据中心i在时间槽t+1、时间槽t的内部环境温度，
Figure FDA0002998759370000028
为互联网数据中心i在时间槽t的外部环境温度，Ri为互联网数据中心i的等效热阻，pothers,i为互联网数据中心i中其它设备的功耗，Ci为互联网数据中心i的等效电容，Δt为相邻时间槽的间隔，
Figure FDA0002998759370000029
为互联网数据中心i在时间槽t的制冷功率，Tin_max,i、Tin_min,i分别为互联网数据中心i室内温度的最大值和最小值；
所述冷却系统功耗模型为：
Figure FDA00029987593700000210
其中，
Figure FDA00029987593700000211
为互联网数据中心i在时间槽t的冷却系统功耗，k1,i、b1,i为
Figure FDA00029987593700000212
关于
Figure FDA00029987593700000213
的线性函数的经验常数，
Figure FDA00029987593700000214
pcooling_max,i为互联网数据中心i中冷却系统的最大功耗；
所述初始数据网络负荷模型为：
Figure FDA0002998759370000031
Figure FDA0002998759370000032
为互联网数据中心i在时间槽t的功耗。
2.根据权利要求1所述考虑联合优化数据调度和热储能的数据网络负荷建模方法，其特征在于，所述基于能量属性的数据网络负荷模型为：
Figure FDA0002998759370000033
Figure FDA0002998759370000034
其中，
Figure FDA0002998759370000035
为互联网数据中心i在时间槽t的延迟约束边界功耗，
Figure FDA0002998759370000041
为互联网数据中心i在时间槽t内通过交互式负载空间转移的功耗量，
Figure FDA0002998759370000042
为互联网数据中心i在时间槽t内通过批处理负载q延迟处理转移的功耗量，
Figure FDA0002998759370000043
为时间槽t内互联网数据中心i中冷却系统的功耗转移量，
Figure FDA0002998759370000044
为互联网数据中心i在时间槽t的标准功耗，
Figure FDA0002998759370000045
为互联网数据中心i在时间槽t通过转移交互式负载能够减少的最大功耗需求，
Figure FDA0002998759370000046
为互联网数据中心i在时间槽t通过转移批处理负载q能够减少的最大功耗需求，A4,i为与互联网数据中心i在时间槽t+1内储能能级相关的常数，
Figure FDA0002998759370000047
为互联网数据中心i在时间槽t通过转移交互式负载和批处理负载需减少的最小活跃服务器需求，
Figure FDA0002998759370000048
为互联网数据中心i在时间槽t通过转移交互式负载、批处理负载、调节冷却系统功耗需减少的最小功耗需求，
Figure FDA0002998759370000049
为互联网数据中心i在时间槽t通过转移交互式负载、批处理负载、调节冷却系统功耗能够减少的最大功耗需求，θ1,i为互联网数据中心i处理单个交互式负载的标准动态功耗，θ2,i为互联网数据中心i中当前时刻储能能级对下一时刻储能能级的影响，θ3,i为互联网数据中心i中当前时刻冷却功耗调节量对下一时刻储能能级的影响，θ4,i为互联网数据中心i处理单个交互式负载的标准活跃服务器数量，θ5,i为互联网数据中心i处理单个批处理负载的标准活跃服务器数量，θ6,i为互联网数据中心i冷却系统标准动态功耗与全设备标准动态功耗的比值，
Figure FDA00029987593700000410
分别为互联网数据中心i在时间槽t+1、时间槽t的储能能级，
Figure FDA0002998759370000051
Figure FDA0002998759370000052
为互联网数据中心i在时间槽t的延迟约束边界功耗中处理交互式负载的标准动态功耗，
Figure FDA0002998759370000053
为互联网数据中心i在时间槽t的延迟约束边界功耗中处理批处理负载q的标准动态功耗，Tin_set,i为互联网数据中心i室内温度的设定值，
Figure FDA0002998759370000054
为
Figure FDA0002998759370000055
时互联网数据中心i在时间槽t的冷却系统功耗基值，
Figure FDA0002998759370000056
为时间槽t内互联网数据中心i室内温度保持在设定时的冷却系统功耗，
Figure FDA0002998759370000057
Figure FDA0002998759370000058
为互联网数据中心i在时间槽t的延迟约束边界功耗基准值。
CN201810889423.1A 2018-08-07 2018-08-07 考虑联合优化数据调度和热储能的数据网络负荷建模方法 Active CN109146268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810889423.1A CN109146268B (zh) 2018-08-07 2018-08-07 考虑联合优化数据调度和热储能的数据网络负荷建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810889423.1A CN109146268B (zh) 2018-08-07 2018-08-07 考虑联合优化数据调度和热储能的数据网络负荷建模方法

Publications (2)

Publication Number Publication Date
CN109146268A CN109146268A (zh) 2019-01-04
CN109146268B true CN109146268B (zh) 2021-07-06

Family

ID=64792150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810889423.1A Active CN109146268B (zh) 2018-08-07 2018-08-07 考虑联合优化数据调度和热储能的数据网络负荷建模方法

Country Status (1)

Country Link
CN (1) CN109146268B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11442516B1 (en) * 2021-03-18 2022-09-13 Baidu Usa Llc Data center control hierarchy for neural networks integration
CN113177321B (zh) * 2021-05-10 2022-10-04 合肥工业大学 一种基于热交换动态过程的空调负荷建模方法
CN114819508B (zh) * 2022-03-28 2024-03-29 上海交通大学 综合能源系统分布式光伏最大准入容量计算方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600080A (zh) * 2017-01-24 2017-04-26 东南大学 一种数据网络与电力网络耦合模型参与系统经济调度方法
CN107482766A (zh) * 2017-07-05 2017-12-15 国网江苏省电力公司经济技术研究院 基于数据网络和电力网络互动运行的电力系统调度方法
CN108334406A (zh) * 2017-12-14 2018-07-27 上海交通大学 基于区域气温差异化的跨数据中心节能负载均衡方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600080A (zh) * 2017-01-24 2017-04-26 东南大学 一种数据网络与电力网络耦合模型参与系统经济调度方法
CN107482766A (zh) * 2017-07-05 2017-12-15 国网江苏省电力公司经济技术研究院 基于数据网络和电力网络互动运行的电力系统调度方法
CN108334406A (zh) * 2017-12-14 2018-07-27 上海交通大学 基于区域气温差异化的跨数据中心节能负载均衡方法

Also Published As

Publication number Publication date
CN109146268A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109146268B (zh) 考虑联合优化数据调度和热储能的数据网络负荷建模方法
CN106411770B (zh) 一种基于sdn架构的数据中心网络节能路由算法
CN102170396A (zh) 一种基于区分服务的云存储系统QoS控制方法
CN110381541A (zh) 一种基于强化学习的智能电网切片分配方法及装置
CN104052820A (zh) 一种分布式云计算平台的动态节能资源调度系统及方法
Tadrous et al. Joint smart pricing and proactive content caching for mobile services
CN102664814A (zh) 一种虚拟网络中基于灰色预测的自适应动态资源分配方法
CN111953510A (zh) 一种基于强化学习的智能电网切片无线资源分配方法及系统
CN103986766A (zh) 自适应负载均衡作业任务调度方法及装置
Kang et al. Application of adaptive load balancing algorithm based on minimum traffic in cloud computing architecture
CN106714323A (zh) 一种4g网络中异构流的优先级区分调度方法
CN104469851B (zh) 一种lte下行链路中均衡吞吐量和延迟的资源分配方法
Zubair et al. Integration of cloud-fog based platform for load balancing using hybrid genetic algorithm using bin packing technique
CN108737268A (zh) 软件定义工业物联网资源调度方法
CN111506431A (zh) 一种云服务器在能耗约束下感知负载性能优化方法
CN107609690B (zh) 一种负荷主动管理决策优化的方法
Huang et al. On quality of usage provisioning for electricity scheduling in microgrids
CN105827536A (zh) 一种终端接入网的流量调度方法及系统
CN112103997B (zh) 考虑数据中心调节潜力的有源配电网运行灵活性提升方法
CN109034557B (zh) 考虑数据网络负荷调节潜力的电力系统阻塞管理方法
Chun et al. A trusted NUMFabric algorithm for congestion price calculation at the Internet-of-Things datacenter
Zhu et al. Load balancing algorithm for web server based on weighted minimal connections
Li et al. Towards minimal tardiness of data-intensive applications in heterogeneous networks
Fan et al. An online algorithm based on Lyapunov optimization for energy management of household micro-grids
Lan et al. Edge Computing Task Offloading for Power IoT Network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant