CN109543890A

CN109543890A - 基于负载预测均衡的电网费控优化调度方法、装置及系统

Info

Publication number: CN109543890A
Application number: CN201811332033.0A
Authority: CN
Inventors: 史玉良; 刘智勇; 甄帅; 张坤; 吕梁
Original assignee: DAREWAY SOFTWARE Co Ltd
Current assignee: DAREWAY SOFTWARE Co Ltd
Priority date: 2018-11-09
Filing date: 2018-11-09
Publication date: 2019-03-29
Anticipated expiration: 2038-11-09
Also published as: CN109543890B

Abstract

本发明公开了一种基于负载预测均衡的电网费控优化调度方法、装置及系统，接收费控用户数据、应用服务器集群和前置服务器集群中各类服务的历史负载数据，进行预处理后按照类型进行分类存储；根据分类后存储的用户用电数据，测算费控用户数据，得到本轮调度中待下发的费控指令集；预测下一轮次费控指令下发时服务器的负载情况，根据预测结果得到下一轮次费控指令下发服务可用的资源量；计算平衡应用服务器集群和前置服务器集群的负载；计算前置服务器集群的负载均衡情况，优化终端布局状况；前置服务器集群将费控指令下发给对应终端，返回根据本轮费控指令集得到的应用服务器集群、前置服务器集群的负载信息和费控指令下发时长和成功率。

Description

基于负载预测均衡的电网费控优化调度方法、装置及系统

技术领域

本公开属于智能用电的技术领域，涉及一种基于负载预测均衡的电网费控优化调度方法、装置及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

用电费用控制(以下简称费控)是智能用电系统与用户交互的一项重要服务技术，该技术实现了智能电网系统用户以预付费的方式使用电力资源。费控指令下发关系着海量用户的用电稳定，尤其是复电指令下发，滞后执行往往造成用户投诉，甚至引起经济损失而导致纠纷，故对智能电网系统的费控指令下发的稳定性、可靠性和时效性的要求极高。

费控指令通过应用服务器集群被下发到前置服务器集群，再通过前置服务器集群被下发到终端。随着智能电网的推广，费控用户发展为千万级，涉及数据仅日增长量即为TB级，从而在当前费控指令下发的过程中，由此出现了应用服务器集群和前置服务器集群的可用资源不对等、前置服务器与终端的固定匹配导致负载不均衡、无指令存储功能的终端多指令下发的成功率低等问题，进而导致费控指令的下发执行效率和成功率低下。

目前，针对费控指令下发问题的研究，主要采取对费控智能终端以及通讯协议的优化，但往往由于终端改造代价高而导致可实施性差；此外，基于海量用户的指令下发，现有通讯协议往往无法满足实时处理各类命令的请求。因此，亟需采取有效方法，均衡服务器集群和终端之间的负载，提高费控指令下发的效率和成功率，提升用户的使用体验。

发明内容

针对现有技术中存在的不足，针对智能用电建设过程中服务器集群和终端之间负载不均衡影响远程费控指令下发的效率问题，本公开的一个或多个实施例提供了一种基于负载预测均衡的电网费控优化调度方法、装置及系统，以智能电网系统中原有设备为基础，有效实现整体规划调整调度策略的费控服务优化，通过均衡服务器集群和终端之间的负载，确保费控指令下发的及时性和有效性，提高集群的资源利用率，缩短费控指令下发的总耗时。

根据本公开的一个或多个实施例的一个方面，提供一种基于负载预测均衡的电网费控优化调度方法。

一种基于负载预测均衡的电网费控优化调度方法，该方法包括：

接收费控用户数据、应用服务器集群和前置服务器集群中各类服务的历史负载数据，进行预处理后按照类型进行分类存储；

根据分类后存储的用户用电数据，测算费控用户数据，得到本轮调度中待下发的费控指令集；

根据应用服务器集群和前置服务器集群中除费控指令外其他服务的历史负载数据，预测下一轮次费控指令下发时服务器的负载情况，根据预测结果得到下一轮次费控指令下发服务可用的资源量；

根据下一轮次费控指令下发服务可用的资源量，结合根据分类后存储的本轮调度中终端与前置服务器对应关系，计算平衡应用服务器集群和前置服务器集群的负载；并根据待下发的费控指令集，计算前置服务器集群的负载均衡情况，当前置服务器集群负载处于不均衡状态时，优化终端布局状况；

前置服务器集群将费控指令下发给对应终端，返回根据本轮费控指令集得到的应用服务器集群、前置服务器集群的负载信息和费控指令下发时长和成功率。

进一步地，在该方法中，所述按照类型进行分类存储得到费控指令数据集市、基于时间序列的服务器负载预测数据集市、基于负载均衡的指令下发数据集市和基于图聚类的终端均衡布局数据集市。

进一步地，在该方法中，所述费控指令集中任意一条费控指令包括指令类型、指令目标终端的唯一标识和指令目标电能表的唯一标识。

进一步地，在该方法中，采用基于时间序列的服务器负载预测模型预测下一轮次费控指令下发时服务器的负载情况；

所述基于时间序列的服务器负载预测模型为：

其中，y_t为预测结果，x_t为趋势项部分，s_t为周期项部分，a为比例调节参数，n为移动平均的期数，t为下一轮负载预测的时间点，b为线性参数，按照线性回归公式计算。

进一步地，在该方法中，根据下一轮次费控指令下发服务可用的资源量，结合根据分类后存储的本轮调度中终端与前置服务器对应关系，根据负载预测的指令均衡下发算法计算平衡应用服务器集群和前置服务器集群的负载，并根据费控指令类型优先级选取费控指令进行下发；

所述负载预测的指令均衡下发算法包括：

输入待下发的费控指令集，基于根据预测结果得到下一轮次费控指令下发服务可用的应用服务器集群可用预测资源数SAR＝{SAC,SAM}和前置服务器集群可用预测资源数FAC＝{fac₁,fac₂,...,fac_m}；其中，SAC为CPU可用资源的百分占比，SAM为内存资源的百分占比，fac_i表示前置服务器fcu_i的可用于费控指令下发的线程数；

基于费控指令下发资源耗费模型和应用服务器集群可用预测资源数，计算当前应用服务器可下发的最大费控指令数量和每台前置服务器可实际接受的最大指令数量；

所述费控指令下发资源耗费模型为：

CMDCost＝{SC,SM,FS}，其中，SC为单条费控指令下发消耗的应用服务器集群的CPU数占应用服务器集群CPU总数的百分比，SM为单条费控指令下发消耗的应用服务器集群的内存数占应用服务器集群内存总数的百分比，FS为消耗的前置服务器线程数的集合；

所述当前应用服务器可下发的最大费控指令数量为SN＝min(SAC/SC,SAM/SM)；

所述每台前置服务器可实际接受的最大指令数量FN_i＝min(FMN_i,FAN_i)，其中FMN_i＝fac_i/FS，FAN_i表示需要前置服务器fcu_i下发的指令集合fcmd_i中可并行执行的指令数。

进一步地，该方法还包括：在计算平衡应用服务器集群和前置服务器集群的负载后，判断是否到达终端均衡布局周期T，若是，根据最近一次均衡布局周期T内的前置服务器负载信息，结合待下发的费控指令集，计算前置服务器集群的负载均衡情况，并对该周期内前置服务器集群的负载均衡情况进行评估，当前置服务器集群负载处于不均衡状态时，采用基于图聚类的终端均衡布局算法优化终端布局；

否则，前置服务器集群将费控指令下发给对应终端，并由终端将费控指令以穿透的方式将指令下发给特定的智能电表。

进一步地，该方法中，根据当前均衡布局周期T内多个时间点前置服务器的负载均衡指数的平均值对该周期内前置服务器集群的负载均衡情况进行评估；所述负载均衡指数为：

进一步地，该方法中，所谓基于图聚类的终端均衡布局算法的具体步骤包括：

根据对终端下发的费控指令历史信息分析终端间的关联程度，将分析结果绘制为一张有权无向图；

对有权无向图中的终端进行聚类，选择图中若干个没有关联边的点作为初始聚类中心点，计算终端在各个聚类中心点所受合力的大小，终端向合力最大的聚类中心点移动，迭代计算直至完成终端的聚类；

将聚类后每个簇内的终端平均分至各个前置服务器，在分配时同时保证终端首先分配给其当前连接的前置服务器。

根据本公开的一个或多个实施例的另一个方面，还提供一种计算机可读存储介质。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于负载预测均衡的电网费控优化调度方法。

根据本公开的一个或多个实施例的另一个方面，还提供一种终端设备。

一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于负载预测均衡的电网费控优化调度方法。

根据本公开的一个或多个实施例的另一个方面，还提供一种基于负载预测均衡的电网费控优化调度系统。

一种基于负载预测均衡的电网费控优化调度系统，基于所述的一种基于负载预测均衡的电网费控优化调度方法，包括应用服务器集群、前置服务器集群和终端。

本公开的有益效果：

(1)本发明所述的一种基于负载预测均衡的电网费控优化调度方法、装置及系统，根据应用服务器集群和前置服务器集群中除费控指令外其他服务的历史负载数据，预测下一轮次费控指令下发时服务器的负载情况，根据预测结果得到下一轮次费控指令下发服务可用的资源量，尤其是通过基于时间序列的服务器负载预测模型，预测到应用服务器以及每台前置服务器的负载情况，得到费控指令下发服务可用的应用服务器集群可用资源数以及前置服务器可用资源数，且使用预测模型后，指令下发效率有了极大地提高，集群资源利用率有了明显的增加。

(2)本发明所述的一种基于负载预测均衡的电网费控优化调度方法、装置及系统，根据下一轮次费控指令下发服务可用的资源量，结合根据分类后存储的本轮调度中终端与前置服务器对应关系，计算平衡应用服务器集群和前置服务器集群的负载；并根据待下发的费控指令集，计算前置服务器集群的负载均衡情况，尤其是采用基于负载预测结果的指令均衡下发算法，在指令下发的每一轮中最大化利用集群的计算资源，在每轮下发中下发尽可能多的指令，平衡了应用服务器集群和前置机服务器集群的负载，提高了费控指令下发的效率和成功率。

(3)本发明所述的一种基于负载预测均衡的电网费控优化调度方法、装置及系统，当前置服务器集群负载处于不均衡状态时，对终端布局状况进行调整和优化；尤其是采用基于图聚类的终端均衡布局算法，将部分终端和前置服务器进行重连以将需要下发的指令均衡分配到各个前置机，达到前置服务器集群负载均衡的目的，提高指令下发速度。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是根据一个或多个实施例的一种基于负载预测均衡的电网费控优化调度方法流程图；

图2是根据一个或多个实施例的基于时间序列的服务器负载预测模型框图；

图3是根据一个或多个实施例的基于负载预测结果的指令均衡下发算法框图；

图4(a)是根据一个或多个实施例的基于图聚类的终端均衡布局算法流程图；

图4(b)是根据一个或多个实施例的终端受力模型图；

图5是根据一个或多个实施例的费控指令下发过程优化模型图；

图6是根据一个或多个实施例的基于时间序列的服务器负载预测模型对性能的影响示意图；

图7(a)是根据一个或多个实施例的均衡数据时下发时间与指令数量(条数)的关系示意图；

图7(b)是根据一个或多个实施例的均衡数据时下发成功率与指令数量(条数)的关系示意图；

图7(c)是根据一个或多个实施例的同比例不均衡数据下发时间与指令数量的关系示意图；

图7(d)是根据一个或多个实施例的同比例不均衡数据下发成功率与指令数量的关系示意图；

图7(e)是根据一个或多个实施例的指令下发效率与负载均衡指数关系示意图；

图7(f)是根据一个或多个实施例的下发成功率与负载均衡指数关系示意图；

图8是根据一个或多个实施例的终端均衡布局策略对负载均衡指数的影响示意图。

具体实施方式：

下面将结合本公开的一个或多个实施例中的附图，对本公开的一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本公开的一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合，下面结合附图与实施例对本公开作进一步说明。

如图1所示，一种基于负载预测均衡的电网费控优化调度方法，该方法包括：

步骤(1)：接收费控用户数据、应用服务器集群和前置服务器集群中各类服务的历史负载数据，进行预处理后按照类型进行分类存储；

在本实施例中，基于智能电网系统，搜集费控用户数据、应用服务器集群和前置服务器集群中各类服务的历史负载数据；

对获取的各类数据进行数据清理、补全、转换并装入统一的数据仓库，随后，数据仓库为保证数据查询和分析效率，按照类型主题筛选抽取数据并分类存储，从而按照类型进行分类存储得到费控指令数据集市、基于时间序列的服务器负载预测数据集市、基于负载均衡的指令下发数据集市和基于图聚类的终端均衡布局数据集市。

应用服务器集群：用集合AS＝{as₁,as₂,...,as_n}来描述，其中n为应用服务器集群中的服务器个数；

前置服务器集群：对于前置服务器集群，使用集合FCU＝{fcu₁,fcu₂,…,fcu_m}来描述，其中m为前置服务器集群中的前置机个数。

步骤(2)：根据分类后存储的用户用电数据，应用服务器集群测算费控用户数据，得到本轮调度中待下发的待下发的预警、停电、复电等费控指令集CMD；

待下发指令集：根据对用户的电费测算结果，系统自动生成对不同远程费控用户的费控指令(如预警、拉闸、合闸等)，并将这些指令下发到相应的用户电能表上，这些所有的要下发的指令集合称为待下发指令集；

待下发指令集以符号CMD＝{cmd₁,cmd₂,...,cmd_n}来表示，其中对于待下发指令集中的任意一条费控指令cmd_i，可以描述为cmd_i＝{type,terminalID,electricityMeterID}，type代表指令类型，terminalID代表指令目标终端的唯一标识，electricityMeterID代表指令目标电能表的唯一标识；

由于终端和前置机的对应关系是确定的，因此基于终端-前置机对应关系可以对指令集合分类，分类后集合可以描述为CMD＝{fcmd₁,fcmd₂,…,fcmd_m}，其中fcmd_i表示需要前置机fcu_i下发的指令集合，|fcmd_i|表示指令集中的指令数量。基于终端是否需要定时上传数据，fcmd_i可以表示为fcmd_i＝{utcmd_i,nutcmd_i}，其中utcmd_i表示需要定时数据上传的终端对应的指令集合，utcmd_i表示不需要定时数据上传的终端对应的指令集合。

步骤(3)：根据应用服务器集群和前置服务器集群中除费控指令外其他服务的历史负载数据，预测下一轮次费控指令下发时服务器的负载情况，根据预测结果得到下一轮次费控指令下发服务可用的资源量；

在该方法中，基于时间序列的服务器负载预测数据集市内存储的应用服务器集群和前置服务器集群中除费控指令外其他服务的历史负载情况，然后根据历史负载记录采用基于时间序列的服务器负载预测模型预测下一轮次费控指令下发时服务器的负载情况；

如图2所示，构建基于时间序列的服务器负载预测模型包括如下5个步骤：

D1.根据时间序列的服务器负载预测数据集市所提供的一周内的应用服务器以及每台前置机的负载信息，将负载特性和规律归纳如下：

a)负载变化是一种随机的过程；

b)负载的变化是周期性的，负载在一周中随天数呈现有规律的周期性变化；

c)负载随时间变化有强相关性，即过去的负载值对将来的负载值有很大的影响；

d)在一天之内，负载变化表现为三种类型，即稳定阶段、负载增加阶段和负载降低阶段；

D2.根据负载特性和规律，将服务器负载预测分为趋势项部分和周期项部分，即服务器负载预测模型为：

y_t＝ax_t+(1-a)s_t (1)

其中，y_t为预测结果，x_t为趋势项部分，s_t为周期项部分，a为比例调节参数；

D3.采用移动平均法，用横向时间序列(x₁,x₂,x₃,...,x_t,...)和纵向时间序列(s₁,s₂,s₃,...,s_t,...)分别构建服务器负载预测模型中趋势项部分和周期项部分，趋势项部分和周期项部分的预测模型分别为：

其中，n为移动平均的期数，t为下一轮负载预测的时间点，横向时间序列(x₁,x₂,x₃,...,x_t,...)为同一周期内不同时间段的负载按时间先后排序而成的数列，而纵向时间序列(s₁,s₂,s₃,...,s_t,...)为不同周期同一时间段的负载按时间先后排序而成的数列；

D4.判断服务器负载是否处于日负载周期的平稳阶段，若是，则不予修正，若否，则按D5步骤对趋势项部分的预测模型进行修正；

D5.根据对负载历史记录的分析结果，处于增加阶段和降低阶段的时间序列呈线性增长或减少的趋势，假设其线性方程为：

x_t＝a+bt (4)

当t增加至(t+n)时，序列值为：

x_t+n＝a+b(t+n)＝a+bt+bn (5)

而采用移动平均法进行计算时，序列值为：

由公式(5)和(6)可知，二者之差为故在(t+n)期，移动平均数法滞后了为消除移动平均法产生的滞后，在移动平均法预测值的基础上，以为修正量对移动平均预测模型进行修正，修正后趋势项的修正移动平均预测模型为：

修正后，服务器负载预测模型为：

其中，b的值按线性回归公式计算，即：

根据服务器负载预测模型，即公式(8)，获取应用服务器以及每台前置机的负载预测。

步骤(4)：根据下一轮次费控指令下发服务可用的资源量，结合根据分类后存储的本轮调度中终端与前置服务器对应关系，计算平衡应用服务器集群和前置服务器集群的负载；并根据待下发的费控指令集，计算前置服务器集群的负载均衡情况，当前置服务器集群负载处于不均衡状态时，优化终端布局状况；

如图3所示，所述负载预测的指令均衡下发算法包括：

应用服务器集群可用资源数(Server Available Resources,简称SAR)：为对应用服务器集群可用资源进行量化，分别使用可用于费控指令下发的CPU和内存资源数在应用服务器集群总CPU和内存资源的占比来表示应用服务器集群可用资源，表示为SAR＝{SAC,SAM}，其中SAC(Server Available CPU)代表服务器中可用CPU占CPU总数的百分比，SAM(Server Available Memory)表示服务器中可用内存占内存总数的百分比。

前置机集群可用资源数：前置机集群可用资源数可以用FAC＝{fac₁,fac₂,…,fac_m}来描述，其中fac_i表示前置机fcu_i的可用资源数；前置机资源用线程数来表示，fac_i表示该前置机可用于费控指令下发的线程数。

基于费控指令下发资源耗费模型和应用服务器集群可用预测资源数，计算当前应用服务器可下发的最大费控指令数量SN和每台前置服务器可实际接受的最大指令数量FN；

所述费控指令下发资源耗费模型为：

基于费控指令下发资源耗费模型CMDCost＝{SC,SM,FS}以及应用服务器集群的预测可用资源数，分别计算当前应用服务器可以下发的最大费控指令数量和每台前置机可接受的最大指令数量，公式如下：

SN＝min(SAC/SC,SAM/SM) (10)

FMN_i＝fac_i/FS (11)

此外，FAN_i表示需要前置机fcu_i下发的指令集合fcmd_i中可并行执行的指令数，则当前时刻前置机fcu_i实际可接受的指令数为：

FN_i＝min(FMN_i,FAN_i) (12)

其中，应用服务器集群可用资源数SAR(Server Available Resources)，是对应用服务器集群可用资源的量化值，以可用费控指令下发的CPU和内存资源数在应用服务器集群总CPU和内存资源的占比来表示，即SAR＝{SAC,SAM}，其中SAC(Server Available CPU)代表CPU可用资源的百分占比，SAM(Server Available Memory)表示内存资源的百分占比；

其中，前置服务器集群FCU＝{fcu₁,fcu₂,...,fcu_m}，m为前置服务器集群中的前置机个数，前置机集群可用资源数以FAC＝{fac₁,fac₂,...,fac_m}来描述，其中fac_i表示前置机fcu_i的可用于费控指令下发的线程数；

其中，数据仓库中存储本轮终端和前置机的对应关系，并基于终端-前置机对应关系对指令集合分类，分类后集合可以描述为CMD＝{fcmd₁,fcmd₂,…,fcmd_m}，fcmd_i表示需要前置机fcu_i下发的指令集合，|fcmd_i|表示指令集中的指令数量；

其中，基于终端是否需要定时上传数据，fcmd_i表示为fcmd_i＝{utcmd_i,nutcmd_i}，其中utcmd_i表示需要定时数据上传的终端对应的指令集合，nutcmd_i表示不需要定时数据上传的终端对应的指令集合。

通过基于负载预测结果的指令均衡下发算法，可以在指令下发的每一轮中最大化利用集群的计算资源，在每轮下发中下发尽可能多的指令，提高了费控指令下发的效率和成功率。但是由于现有的前置机-终端对应关系的负载均衡策略是基于终端数量的负载均衡，即要求每台前置机对应的终端数量大致相同，没有考虑不同的终端任务的不同，这导致前置机集群负载处于不均衡状态，有的前置机负载很大，而有些前置机则大部分资源被闲置，进而大大的降低了指令下发效率。

针对上述情况，需要设计一种新的负载均衡算法，当检测到前置机集群负载不均衡时通过更新调整终端布局策略，将部分终端和前置机进行重连以将需要下发的指令均衡分配到各个前置机，达到前置机集群负载均衡的目的，进而提高指令下发速度。

为解决前置机集群负载均衡问题，首先对前置机负载状况进行评估。前置机集群负载主要包括两个部分：费控指令下发负载以及其他任务负载。

对于任意前置机fcu_i，首先通过集群监控信息得到该前置机当前被其他服务占用的线程数fso_i以及需要该前置机下发的费控指令总数|fcmd_i|。则该前置机的负载可用如下公式计算：

load_i＝fso_i+|fcmu_i|*FS (13)

根据每台前置机的负载信息，可以计算前置机集群的平均负载为：

本发明中使用所有前置机负载的标准差作为衡量前置机集群负载均衡指数的标准，该前置机集群的负载均衡指数为：

在一个负载均衡周期T内，选取多个时间点计算前置机的负载均衡指数，最终取多次计算的平均值作为该负载均衡周期内前置机集群的负载均衡指数。当的值大于设定的阈值时，认为前置机集群处于负载失衡状态，此时需要对终端布局策略进行调整。

如图4(a)所示，为对终端布局策略进行调整，首先对终端指令下发历史信息进行分析，分析终端间的关联程度(即同时下发指令的次数)，然后将分析结果绘制为一张有权无向图G(V,E),其中V是终端的集合，E是终端间的关联关系。若两个终端V_i和V_j有同时下发指令的记录，则V_i和V_j间存在一条边(i,j),边的权重代表两个终端同时下发指令的次数。

为对图G中的终端进行聚类，首先在G中选择k个离散的没有关联边的点(P1,P2,…,Pk)作为初始聚类中心点。然后使用力学模型模拟终端在图中受到其他终端的引力和斥力，如图4(b)所示。本文中只考虑聚类中心点对终端的引力和终端附近节点对终端的斥力，受力规则为：当终端与聚类中心点之间有边时终端收到聚类中心点的引力Fy，引力大小与边的权重成正比(如图4(b)中，终端P受到来自于聚类中心点P2、P4、P7的引力F1、F2、F3)；在距离终端半径R的范围内，若存在终端与该终端之间没有边，则终端间会相互产生斥力Fc，斥力大小与终端距离成反比(如图4(b)中，终端P受到来自于附近点R1、R2的斥力F4、F5)。根据终端受到的所有引力和斥力的方向和大小，按照正交分解法计算终端在各个聚类中心点方向的力大小。

如图4(b)所示，每次计算每个终端受到各个聚类中心点的引力的大小，然后选择引力最大的中心点方向作为终端的移动方向，终端向该中心点移动一定的距离，移动距离与引力大小成正比。经多次迭代后，按终端离聚类中心点的距离确定终端的聚类结果。

按照上述方式完成对终端的聚类后，为保证终端的均衡布局，需要将每个簇内的终端平均分到各个前置机。由于终端重连将影响终端在线率统计，应最小化重连终端的个数，因此在分配每个簇中的终端时应保证将终端首先分配给其当前连接的前置机。

基于上文描述，给出了基于图聚类的终端均衡布局算法。

基于图聚类的终端均衡布局算法过程如下：

输入：周期T内的指令下发记录CHR，当前终端布局策略CTLS，迭代次数N，聚类簇个数k。

输出：调整后的终端布局策略NTLS

在上述算法中，首先根据历史记录计算终端间的关联度(行1)，根据计算结果生成有权无向图G(V,E)(行2)，并在图中选择k个初始聚类中心点(行3)。然后对于G中的每个节点根据力学模型进行N次迭代移动(行4-14)，每次迭代时首先计算节点受到的所有力(行6)，然后计算节点受到各个聚类中心点的引力大小并选取引力最大的中心点(行7-13)，最后让节点向引力最大的中心点方向移动(行14)。经N次迭代后跟据节点与每个聚类中心点的距离确定聚类结果(行15)，最后根据聚类结果进行均衡布局并将结果输出(行16-17)。

步骤(5)：前置服务器集群将费控指令下发给对应终端，返回根据本轮费控指令集得到的应用服务器集群、前置服务器集群的负载信息和费控指令下发时长和成功率。

基于本轮费控指令下发数据，收集应用服务器集群、前置机服务器集群的负载信息以及费控指令下发的时长和成功率，作为反馈信息进行数据仓库进行存储，并基于此信息对下一轮费控指令下发加以优化。

这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。

如图5所示，一种基于负载预测均衡的电网费控优化调度系统，基于所述的一种基于负载预测均衡的电网费控优化调度方法，包括应用服务器集群、前置服务器集群和终端。

从山东电力集团公司的智能电网系统中获取费控用户用电数据；

基于费控用户用电数据，应用服务器集群通过测算用户电费信息，得到需要下发的预警、停电、复电等费控指令，并收集和分析山东电力集团公司的智能电网系统中的6台服务器组成的应用服务器集群和50台前置机组成的前置机集群中费控指令和其他服务的历史负载信息；

根据服务器历史负载记录使用基于时间序列的服务器负载预测模型对下一轮次下发时服务器的负载情况进行预测，并根据预测结果得到下一轮次费控指令下发服务可用的资源量，确定下发数量，为了体现比较结果，采用归一化方法对性能进行量化，实验主要是对使用预测模型前后指令下发效率、其他服务性能以及服务器资源利用率进行对比，实验结果如图6所示，由图可知，使用预测模型后，指令下发效率有了极大地提高，集群资源利用率有了明显的增加；

基于负载预测结果的指令均衡下发算法计算能够充分利用集群资源的指令下发总数量以及每台前置机需要下发的指令数量，并根据指令类型优先级选取指令进行下发，为测试文中提出算法的有效性，对比原有指令下发算法(original)、使用负载预测模型的原有下发算法(LFM)以及基于负载预测结果的指令均衡下发算法(LFBM)三种费控指令下发算法的性能，并通过费控指令下发任务的执行时间以及费控指令下发成功率来对算法性能进行评估，图7(a)和图7(b)是均衡数据下三种算法的执行时间以及下发成功率的变化情况，由实验结果可以看到，随着数据量的变大，三种算法都是费控指令下发时间变长，基本成线性关系，而下发成功率则随指令数量的增加变化不大，但LBFM算法的性能无论是从指令下发时间来看还是从下发成功率来看，相比原有算法都有了显著的提升，图7(c)和图7(d)是选择1/3的前置机负载过重，1/3部分前置机负载过轻，1/3的前置机负载正常，同比例不均衡数据下三种算法的执行时间以及下发成功率的变化情况，由实验结果可以看到，随着数据量的变大，三种算法都是费控指令下发时间变长，下发成功率保持不变，从三种算法的下发效率和下发成功率上来看同样是本发明的LFBM算法性能最好，图7(e)和图7(f)是在同数量不均衡数据下三种算法的执行时间以及下发成功率的变化情况选择，由实验结果可以看到，随着负载均衡指数的变大，三种算法的下发耗时都有所增加，但是提出的LFBM算法受负载均衡指数的影响不大，下发耗时增加不多，而原有算法和LFM算法则受负载均衡指数的影响较大，LFM算法虽然在下发效率上明显优于原有算法且前期下发效率与LFBM算法相差无几，但是随着负载均衡指数的增加，LFM算法的下发效率与LFBM算法相差越来越大；

对服务器集群中费控下发指令服务的数据和其他服务的数据进行读取、分析处理，并保存到数据库，防止数据丢失，提高系统运行效率；

选取的费控指令下发到前置服务器集群后，基于图聚类的终端均衡布局匹配算法每隔一定的时间周期T，便收集一次前置机负载信息以及待下发指令集信息，并由此计算前置机的负载均衡情况，并对该周期内的负载均衡情况进行评估，若前置机集群负载处于不均衡状态，则对终端的布局状况进行调整和优化；为验证算法的有效性，选择使用终端均衡布局策略前后12个连续时间段内的负载均衡指数进行对比，结果如图8所示，由图8可知，使用终端均衡布局策略前负载均衡指数一直在不断地变化且波动范围较大，终端均衡指数数值也较大，而使用均衡布局策略后，负载均衡指数基本维持在一个恒定的接近于0的较小数值左右；

更新调整终端布局策略后，将终端和前置机进行重连，前置机负载均衡器根据终端-前置机对应关系将指令分发到特定的前置机，并由前置机负责将指令下发到特定的终端。

在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开内容的各个方面。

本公开的有益效果：

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种基于负载预测均衡的电网费控优化调度方法，其特征在于，该方法包括：

2.如权利要求1所述的一种基于负载预测均衡的电网费控优化调度方法，其特征在于，在该方法中，所述按照类型进行分类存储得到费控指令数据集市、基于时间序列的服务器负载预测数据集市、基于负载均衡的指令下发数据集市和基于图聚类的终端均衡布局数据集市。

在该方法中，所述费控指令集中任意一条费控指令包括指令类型、指令目标终端的唯一标识和指令目标电能表的唯一标识。

3.如权利要求1所述的一种基于负载预测均衡的电网费控优化调度方法，其特征在于，在该方法中，采用基于时间序列的服务器负载预测模型预测下一轮次费控指令下发时服务器的负载情况；

所述基于时间序列的服务器负载预测模型为：

4.如权利要求1所述的一种基于负载预测均衡的电网费控优化调度方法，其特征在于，在该方法中，根据下一轮次费控指令下发服务可用的资源量，结合根据分类后存储的本轮调度中终端与前置服务器对应关系，根据负载预测的指令均衡下发算法计算平衡应用服务器集群和前置服务器集群的负载，并根据费控指令类型优先级选取费控指令进行下发；

所述负载预测的指令均衡下发算法包括：

所述费控指令下发资源耗费模型为：

5.如权利要求1所述的一种基于负载预测均衡的电网费控优化调度方法，其特征在于，该方法还包括：在计算平衡应用服务器集群和前置服务器集群的负载后，判断是否到达终端均衡布局周期T，若是，根据最近一次均衡布局周期T内的前置服务器负载信息，结合待下发的费控指令集，计算前置服务器集群的负载均衡情况，并对该周期内前置服务器集群的负载均衡情况进行评估，当前置服务器集群负载处于不均衡状态时，采用基于图聚类的终端均衡布局算法优化终端布局；

6.如权利要求1所述的一种基于负载预测均衡的电网费控优化调度方法，其特征在于，该方法中，根据当前均衡布局周期T内多个时间点前置服务器的负载均衡指数的平均值对该周期内前置服务器集群的负载均衡情况进行评估；所述负载均衡指数为：

7.如权利要求5所述的一种基于负载预测均衡的电网费控优化调度方法，其特征在于，该方法中，所谓基于图聚类的终端均衡布局算法的具体步骤包括：

8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1-7中任一项所述的一种基于负载预测均衡的电网费控优化调度方法。

9.一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-7中任一项所述的一种基于负载预测均衡的电网费控优化调度方法。

10.一种基于负载预测均衡的电网费控优化调度系统，其特征在于，基于如权利要求1-7中任一项所述的一种基于负载预测均衡的电网费控优化调度方法，包括应用服务器集群、前置服务器集群和终端。