CN110717302A - 面向电网实时在线监测业务的边缘计算终端设备布设方法 - Google Patents

Abstract

本发明涉及一种面向电网实时在线监测业务的边缘计算终端设备布设方法，属于边缘计算终端设备布设技术领域。该方法以经济成本最小化、平均时延最低为目标，以业务时延需求为约束条件，建立了面向电网实时在线监测的边缘计算节点布设模型，之后采用基于捕食搜索策略的改进遗传算法，对模型进行求解，得到合理的边缘计算节点数目及布设方案，该方案既能满足业务需求，同时又保证成本最优化，易于推广应用。

Description

面向电网实时在线监测业务的边缘计算终端设备布设方法

技术领域

本发明属于边缘计算终端设备布设技术领域，具体涉及一种面向电网实时在线监测业务的边缘计算终端设备布设方法。

背景技术

电网基础设施的安全性对整个电网的稳定运转起着至关重要的作用，为了保障电网系统的正常运行，需要通过实时在线监测业务来增大对电网设施的监测力度。实时在线监测业务增大了监测频率，并且有着较高的时延需求，已有的云计算中心难以处理高并发的海量数据。故需要利用边缘计算技术，在靠近业务终端的一侧设置边缘计算节点，以降低传输时延，缓解云端的压力。满足上述边缘侧处理的业务需求，需要部署足够数量的边缘计算节点，但也需要考虑边缘节点的建设、维护等经济成本。因此，需要设计合理的边缘节点规划策略，规划出边缘计算节点数量及部署位置，既能满足业务需求，又达到成本最小化的目的，对支撑实时在线监测业务的发展以及智能电网应用的开展具有重要意义。

为了解现有技术的发展状况，对已有的论文和专利进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：

技术方案1：专利号为CN103234645A的《一种分布式电缆终端在线检测系统及检测方法》专利，涉及一种检测系统，主要分为三层，其最下层为对象层，包括为安装在各测温点的无线温度传感器，其中间层为间隔层，包括无线通信网关；其最上层为站控层，包括为集中监控中心的中央服务器；中央服务器通过现场具备的各种通道方式接收各无线通信网关发送过来的数据，并进行显示、存储和分析，实现越限告警或事故预警功能。可广泛用于电力系统的设备状态监测领域。

该方案采用面向对象的设计思想和分布式系统架构，由无线温度传感器对待监测点的温度进行检测，通过无线通信将温度数据发送给通信网关，通信网关就近将本区域的各个监测点的温度进行收集，实现数据的集中收集和转发，在局端设置一个中央服务器，通过无线通道收集若干个变电站、箱式变压器、用户站的数据，并进行了汇总，实现实时数据显示、历史数据存储等功能。缺点是大量的数据传入到通信网关，对网关的计算、通信、存储产生一定的压力，可能成为系统性能的一个瓶颈。

技术方案2：专利号为CN208607290U的《一种电缆运行状态在线监测系统》专利，提供了一种多功能电缆运行状态在线监测系统，包含多个沿电缆长度分布设置的光纤信号收发装置；相邻两个光纤信号收发装置通过分布式光纤传感器相连；所述光纤信号收发装置包含激光源、光纤信号放大单元、光纤分路模块、第一光电转换单元、第二光电转换单元以及控制器；能同时对电缆、分布式光纤以及激光源进行分段监测，大大减少了发生故障时对故障原因的排除时间和成本，能及时确定故障区域及原因，还能继续对后续电缆和光纤进行实时监测，保障了设备后续的正常稳定运行，提高了设备的可靠性。

该方案所述光纤分路模块与输入端外部分布式光纤传感器、输出端外部分布式光纤传感器、第一光电转换单元、第二光电转换单元、光纤信号放大单元及激光源对应相连，用于实现与前端的光纤信号收发装置、后端的光纤信号收发装置传递或中继放大光纤信号；第一光电转换单元、第二光电转换单元的输出与控制器的输入相连，用于将光纤信号转换为电信号并传递给控制器；控制器的输出与激光源相连，用于控制激光源发送激光信号。缺点时该方案部署该系统成本较高，设备损坏后维护较困难。

技术方案3：专利号为CN109342882A的《基于多源特征值分析的电缆故障在线监测方法》专利，针对当前高压电缆故障单一参数监测判断准确度低，多参数监测存在数据融合分析不足，D-S证据理论故障诊断方法难以确定基本概率分配(BPA)，单特征支持向量机(SVM)诊断可信度低，无法提高数据融合利用率和故障诊断准确度的问题，开发一种基于多源特征值分析的电缆故障在线监测系统。该系统通过测量直接接地箱和交叉互联接地箱处接地线电流，对故障及正常情况下接地线三相电流进行不平衡度计算，结合交叉互联接地线电流和负荷电流的比值、护层回路接地线电流比值组成多证据体，利用多类SVM后验概率估计分配BPA并计算信任度，通过SVM分类训练获取各证据体对应的分类正确率，求解置信区间，实现故障诊断。缺点是该方法是基于机器学习的方法，分类好坏取决于模型的优劣，随着历史数据的增多，训练模型需要花费一定的时间也是问题。

因此如何克服现有技术的不足是目前边缘计算终端设备布设技术领域亟需解决的问题。

发明内容

本发明的目的是为了解决现有技术的不足，提供一种面向电网实时在线监测业务的边缘计算终端设备布设方法。该方法根据不同监测业务的计算需求和时延需求，以及边缘计算节点的通信范围和计算能力，归纳出电网实时在线监测业务的边缘计算节点布设模型。然后针对该模型将智能算法中的遗传算法与捕食搜索策略进行结合改进，提出适用于面向电网实时在线监测的边缘计算节点规划策略。

为实现上述目的，本发明采用的技术方案如下：

面向电网实时在线监测业务的边缘计算终端设备布设方法，包括如下步骤：

定义N＝{1,2,...,n}表示所有节点的集合；M＝{1,2,...,m}表示所有业务的集合； x_j取值为{0，1}，表示第j个节点是否为边缘计算节点，其中，取0表示第j个节点是边缘计算节点，取1表示第j个节点不为边缘计算节点；y_ik取值为{0，1}，表示第i个杆塔是否拥有第k个业务，取0表示第i个杆塔不拥有第k个业务，取1表示第i个杆塔拥有第k个业务；J_i表示距离杆塔i最近的边缘计算节点， J_i∈N；p_ij表示第i个节点到第j个节点的通信时间；w_ikj表示第i个杆塔的第k 个业务在j点的排队时间；r_k表示第k个业务的计算量；h_k表示第k个业务的时延需求；l表示边缘计算节点的通信范围；c表示边缘计算节点成本，cx_j可表示第j个节点的成本；q表示边缘计算节点的计算能力；

设各杆塔节点将其所有业务发送给距离最近的边缘计算节点，若存在两个距离相等的边缘节点，则随机发送给其中一个；则得到如下约束条件：

1≤i-l≤J_i≤i+l≤n，对任意i∈N成立； 式(5)

式(5)表示每个实时监测业务都能有一个边缘计算节点接收并得到处理；式(6)表示每一个杆塔的每一个业务的时延需求都能得到满足；

模型目标函数描述如下：

其中，表示所有边缘计算节点的经济成本之和，

表示所有业务的平均时延，且k₁，k₂满足k₁+k₂＝1；

基于式(5)、式(6)两个约束条件对模型目标函数进行求解，将求解得到的边缘计算节点(即为最优边缘计算节点)作为实时在线监测业务的目标处理节点。

进一步，优选的是，求解采用基于捕食搜索策略的遗传算法。

进一步，优选的是，所述的算法编码策略采用二进制编码策略。

进一步，优选的是，所述的算法适应度函数选择方法如下：

当个体为可行解时，适应度函数为：

k₃为适应度函数的可变系数，对于其取值没有特殊限制；

当个体为不可行解时，适应度函数为：

其中，f₁＝k₄g₁+k₅g₂为罚函数，g₁、g₂分别表示违背式(5)和式(6)的次数，k₄、k₅为罚因子，对于其取值没有特殊限制。

进一步，优选的是，所述的算法中遗传操作中选择采用轮盘赌和最优保存策略。

进一步，优选的是，所述的算法具体步骤如下：

第一步：对种群进行初始化；

第二步：判断是否处于局部搜索中，若局部搜索仍未结束，转到第五步中的局部搜索过；否则，进入第三步；

第三步：计算种群个体适应度，根据本代最优解和历代最优解适应度之比决定进入全局搜索或是局部搜索；若本代最优解和历代最优解适应度之比大于 v，则进入局部搜索；否则进入全局搜索；v为大于1的数；v越大，局部搜索的机会越少，相反则越多。

第四步：按适应度大小以轮盘赌方式选择个体；

第五步：若进入全局搜索，则根据式10和式11更新交叉概率p_c1和变异概率p_m1，若进入局部搜索，则交叉概率和变异概率取为p_c2和p_m2。执行交叉、变异操作；

第六步：根据最优保存策略，用历代最优解替代新种群中适应度最低的解；

第七步：增加迭代次数，如果达到指定迭代次数，结束计算；否则回到第二步。

进一步，优选的是，指定迭代次数(即最大迭代次数)为150次。

本发明与现有技术相比，其有益效果为：

本发明将检测业务问题抽象为数学模型，给出总成本最低、平均时延最低的两个目标函数公式，以及每个杆塔业务能够被接入、每个业务时延需求能被满足的两个约束条件公式，提出基于就近原则的面向实时在线检测业务的边缘计算节点布设模型，基于捕食搜索策略的改进遗传算法算法能够有效地实现边缘节点的规划，既满足业务需求，同时保证成本最优化，解决了传统遗传算法的“早熟”现象，拓宽局部开发能力，在捕食搜索策略中，先以较大的交叉概率和较小的变异概率进行全局范围的搜索，当搜寻到较优解时，则转换为较小的交叉概率和较大的变异概率进行小范围局部搜索。捕食搜索遗传算法采用最优解保留策略，以当代最优适应度与历史最优适应度的比值来判定当前区域的优异度。最后的仿真实验表明，本发明所采用的基于捕食搜索策略的遗传算法可以得到最优的适应度和最小的时延，相较于经典遗传算法最小时延降低了 2.11％，也优于经典粒子群算法1.63％。

附图说明

图1为本发明采用的基于捕食搜索策略的遗传算法的流程图；

图2为应用实例得到的边缘计算终端设备布设图；

图3为应用实例的基于捕食搜索策略的遗传算法进化图。

具体实施方式

下面结合实施例对本发明作进一步的详细描述。

本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。

考虑杆塔线性分布的情况，可认为有一组线性均匀分布的节点，每一个节点都有一座杆塔，同时也是边缘计算节点的候选点。每个杆塔拥有若干个业务，需要通过无线的方式接入到边缘计算节点进行处理，每一个业务都有不同的计算量和业务时延需求，同时边缘计算节点和杆塔之间也有一定的通信范围限制，边缘计算节点本身也有计算能力的限制。考虑各边缘计算节点承载负荷最大的情况，即所有接入业务同时到达的情况，边缘节点的部署仍能满足时延需求。假设节点之间的传输时间与距离成正比，默认业务排队时采用短作业优先的原则。问题的目标是在满足监测业务接入需求的约束条件下，规划最合适的边缘计算节点分布，使得经济成本最低(也就是边缘计算节点数目最小)，同时平均时延也最低。

1.面向电网实时在线监测业务的边缘计算终端设备规划数学模型

(1)模型符号描述

模型符号及含义定义如下：N＝{1,2,...,n}表示所有节点的集合；M＝{1,2,...,m} 表示所有业务的集合；x_j取值为{0，1}，表示第j个节点是否为边缘计算节点，其中，取0表示第j个节点是边缘计算节点，取1表示第j个节点不为边缘计算节点；y_ik取值为{0，1}，表示第i个杆塔是否拥有第k个业务，取0表示第i 个杆塔不拥有第k个业务，取1表示第i个杆塔拥有第k个业务；z_ikj取值为{0， 1}，表示第i个点的第k个业务是否传送至j节点处理，取0表示第i个点的第 k个业务传送至j节点处理，取1表示第i个点的第k个业务没有传送至j节点处理；p_ij表示第i个节点到第j个节点的通信时间；w_ikj表示第i个杆塔的第k 个业务在j点的排队时间；r_k表示第k个业务的计算量；h_k表示第k个业务的时延需求；l表示边缘计算节点的通信范围；c表示边缘计算节点成本；q表示边缘计算节点的计算能力。

(2)模型约束条件描述

式(1)表示每个实时监测业务都能有一个边缘计算节点接收并得到处理。其中，y_ik取值为{0，1}，用于表示节点i是否拥有业务k；z_ikj取值为{0，1}，表示任务的分配，即i杆塔的业务k是否接入至j点的边缘计算节点。l表示边缘计算节点的通信范围，式子左边对j从i-l至i+l求和表示从业务所在杆塔最左边到最右边的通信范围内搜寻。左右式子相等表示，若第i个杆塔拥有第k个业务，在其通信范围内能找到唯一的边缘计算节点接入；若第i个杆塔没有第k个业务，则不进行任务分配。

式(2)表示每一个杆塔的每一个业务的时延需求都能得到满足。业务的响应时延主要由数据传输时延、排队时延、计算时延组成，p_ij、w_ikj分别表示数据的传输时延和排队时延，r_k/q用任务计算量除以边缘节点计算能力，表示数据的计算时间，三者之和则代表业务的响应时延。其中z_ikj、y_ik两项相乘等于1表示第i个杆塔的第k个业务被传送到第j个节点位置的边缘计算节点。

(3)模型目标函数描述

式(3)表示经济成本最小化。x_j由z_ikj隐式决定，表示边缘节点的部署。边缘计算节点的成本主要包括建设成本、维护成本以及缆线成本，这里由于边缘计算节点主要通过无线的方式和传感器连接，可略去缆线成本，主要考虑建设和维护成本。假设所有边缘节点均一致，将这两部分成本之和以参数c表示，则cx_j可表示第j个节点的成本，对所有节点求和可得到总成本，模型的目标之一是使得总成本最小。

式(4)表示平均时延最小化。分子部分表示所有杆塔所有业务的时延之和，分母部分表示所有业务数目总和，二者相除得到监测业务平均时延。

为降低规划难度，对业务采用默认分配策略，即各杆塔节点将其所有业务发送给距离最近的边缘计算节点，若存在两个距离相等的边缘节点，则随机发送给其中一个。对上述模型进行优化：

优化的模型符号及含义如下：N＝{1,2,...,n}表示所有节点的集合； M＝{1,2,...,m}表示所有业务的集合；x_j取值为{0，1}，表示第j个节点是否为边缘计算节点；y_ik取值为{0，1}，表示第i个杆塔是否拥有第k个业务；J_i表示距离杆塔i最近的边缘计算节点，J_i∈N；p_ij表示第i个节点到第j个节点的通信时间；w_ikj表示第i个杆塔的第k个业务在j点的排队时间；r_k表示第k个业务的计算量；h_k表示第k个业务的时延需求；l表示边缘计算节点的通信范围。

模型约束条件描述如下：

1≤i-l≤J_i≤i+l≤n，对任意i∈N成立； 式(5)

式(5)表示每个实时监测业务都能有一个边缘计算节点接收并得到处理。 J_i表示距离i杆塔最近的边缘计算节点，也即i杆塔业务的接入边缘节点，J_i应处在杆塔i的通信范围内。

式(6)表示每一个杆塔的每一个业务的时延需求都能得到满足。

r_k/q分别表示第i个节点第k个业务的传输时延、排队时延和计算时延，三者之和代表业务的响应时延，若y_ik为1，即业务存在，其响应时延应小于时延需求。

模型目标函数描述如下：

式(7)对多目标问题的两个目标函数进行加权处理，

表示所有边缘计算节点的经济成本之和，

表示所有业务的平均时延，且k₁， k₂满足k₁+k₂＝1。在满足约束条件的情况下，经济成本的权重k₁应大于平均时延的权重k₂，从而使经济最小化的同时总时延也最低。

2.基于捕食搜索遗传算法的边缘节点规划策略

(1)编码策略

本算法采用二进制编码策略，种群中的第a个体表达形式为X_a＝{x₁,x₂,...,x_n}，其中x_n为二进制符号0或1，n为编码长度，也就是模型中的节点数。二进制编码方式简单方便，交叉、变异等遗传操作容易实现，并且遵循最小字符集编码原则。这样编码将0表示不作为边缘计算节点，1表示作为边缘计算节点，恰好可以直观地表示出边缘计算节点的分布。因为目标是离散型的整数规划，所以本问题采用二进制编码既继承了其方便易行的优点，又不存在连续函数离散化的映射误差和编码方式无法直观展现解结构的劣势。

(2)初始种群生成

本算法的初始种群由随机函数生成规模为种群个体数乘以染色体长度的01 矩阵，但由于问题的约束性较强，故考虑在生成初始种群时尽可能产生可行解或者接近可行解，以免初始种群中众多不可行解通过交叉、变异的遗传过程仍然得到大量不可行解，对种群的进化方向产生误导，让算法最终难以收敛到全局最优解。

由于式(6)表示的约束二为每个杆塔的每个业务响应时延均能得到满足，该约束条件的约束性较高，也较为抽象，需要综合计算各业务的传输时延、排队时延、数据处理时延，难以从染色体编码直观地表现。所以在初始种群生成中尽可能满足式(5)表示的约束一，所有杆塔在通信范围内应能找到接入的边缘计算节点，也就是编码中不能连续地出现(2*l+1)个位置的0，使得中间位置杆塔的业务无从接入。因此本算法在随机生成某个个体后进行判断，若个体不满足所有杆塔业务均有接入的边缘计算节点的条件，则直接剔除，重新生成这个个体，直至它满足要求。

初始种群生成作为算法的第一个关键步骤，这种方式可以比较便捷地近似产生可行解，使得初始种群的性状较为优异，降低未成熟收敛的可能性，将进化方向朝最优解导向，有利于整个算法的执行。

(3)适应度函数选择

由于本问题的约束条件较为复杂和严格，产生的初始种群虽然满足了约束一，但仍可能存在部分违背了约束二不可行解；交叉时不同个体染色体片段的交换可能会误生成不满足业务时延需求的边缘节点分布；变异的过程由于随机性的存在，可能出现在某个片段的某一位出现1到0的突变，取消掉一个边缘节点的设置，无意破坏原有优秀性状，使得下一代个体不在可行域中。

上述分析说明，本模型中由于约束条件的苛刻，在算法执行过程中，不可行解的产生不可避免，因此处理好不可行解的问题至为重要。一般没有通用的途径来解决不可行解，常常采用用罚函数法、可行解变换法和搜索空间限定法三种中的一种。因为很难在不可行解的节点位置分布和可行解的节点位置分布之间找到对应的函数映射关系，该问题也没有直观的解空间可以直接限定节点规划的搜索空间。而罚函数是对于不满足约束条件的解给予惩罚，也就是降低适应度函数值，本问题在适应度函数中引入罚函数对于不可行解的处理正为合适，对不满足约束一和约束二的节点分布施加响应的惩罚值，可以降低其不良基因被遗传到下一代的几率。

罚函数的设置对种群进化的导向起着相当重要的作用，在满足所有约束条件的情况下，问题的首要目的是使经济成本最低，也就是边缘计算节点个数最少，在边缘计算节点个数相同的情况下，再尽量使得总时延最小化。但不可行解由于某些杆塔监测业务没有可接入的边缘计算节点，或是某些业务的响应时延需求没有得到满足，因此不可行解中的时延没有实际意义，且无法度量，故将适应度函数分为两种情况讨论。

a)当个体为可行解时，适应度函数用边缘计算节点数和平均时延二者加权之和的倒数来表示，并赋予边缘节点数绝对大的权值，赋予总时延绝对小的权值，使得边缘节点数为主导适应度函数的变量。表达式如下：

k₃为适应度函数的可变系数，对于其取值没有特殊限制；

b)当个体为不可行解时，适应度函数用边缘计算节点数和罚函数之和的倒数表示，让罚函数为一个相对较大的数，既保证不可行解的适应度低于可行解，又使得进化过程朝全局最优解发展。罚函数为f₁＝k₄g₁+k₅g₂，其中g₁、g₂分别表示违背约束一和约束二的次数，k₄、k₅为罚因子，对于其取值没有特殊限制。

因为违背约束一是一个较为恶劣的解，故k₄应当远大于k₅。此时适应度函数表达式如下：

(4)选择操作

选择操作采用轮盘赌和最优保存策略。

轮盘赌是一种回放式随机采样方法，将每个个体的适应度值与所有种群个体适应度值之和的比值，作为其进入下一代的几率，个体被选中的期望值是

具体实现方法如下：将每个个体映射到一个范围为0到适应度之和的连续性区间，每个个体所占的区间比例与其适应度大小和适应度总和比例相等，产生一个0～1之间的随机数与适应度之和相乘，得到的数落在哪个区间就表示选择了哪一个个体。这样重复n次，就可以得到n个被选择出的个体。轮盘赌选择方式既通过‘赌’，保证了选择过程的随机性；又用适应度函数所占的比例设定轮盘扇面大小，保障了优秀个体基因更容易遗传给下一代。

同时最优保存策略将适应度最高的个体直接保留到下一代，具体做法是先找出新群体中适应度最高和最低的个体，若当前群体适应度最高的个体优于历代最优个体，则更新历代最优个体，最后用历代最优个体代替新种群中适应度最低的个体，这样使得历史最优解不会因为交叉、变异的过程被破坏，避免出现最优解丢失的局面。

(5)交叉操作

本算法采用单点交叉的方式，让相邻的个体两两匹配，对每一组个体，生成一个0～1之间的随机数，若该数小于交叉概率，则随机选择一位基因，将这位基因以后的所有位置设成交叉点，对两个个体的交叉点进行互换，产生两个新个体。

在局部搜索中，交叉概率为p_c2；对于全局搜索，采用自适应交叉概率，即交叉概率p_c1随着进化代数的增加线性降低，设最高交叉概率为p_c1max，最低交叉概率为p_c1min，当前进化代数为t，总进化代数为T。则p_c1满足：

p_c1＝p_c1max-(p_c1max-p_c1min)t/T 式(10)

全局搜索中这样设置交叉概率的原因是，在进化的初始阶段，需要通过大量的交叉操作产生新个体，因此需要以较大的概率进行交叉，增强初期搜索能力；而随着进化过程的进行，个体性状越来越优异，过高的交叉概率反而容易导致优良基因被破坏，故逐渐降低交叉概率直至最小值，保护优良基因，加快收敛速度。

(6)变异操作

本算法采用单点变异的方式，对每个个体，生成一个0～1之间的随机数，若变异概率大于该随机数，则随机选择一位基因进行取反操作，即若选择的基因位为1，将其置为0；若选择的基因位为0，将其置为1。

在局部搜索中，变异概率为p_m2；对于全局搜索，采用自适应变异概率，即变异概率p_m1随着进化代数的增加线性升高，设最高变异概率为p_m1max，最低变异概率为p_m1min，当前进化代数为t，总进化代数为T。则p_m1满足：

p_m1＝p_m1min+(p_m1max-p_m1min)t/T 式(11)

随着进化的进行，每个个体之间的相似程度越来越高，趋向于单一，交叉操作越来越难产生新个体，故需要通过变异的途径解决，因此逐渐增大变异概率，有利于最优解的搜寻。

(7)流程图与执行步骤

基于捕食策略的遗传算法流程图如图1所示，算法具体步骤如下：

第一步：对种群进行初始化。

第二步：判断是否处于局部搜索中，若局部搜索仍未结束，转到第五步中的局部搜索过；否则，进入第三步。

第三步：计算种群个体适应度，根据本代最优解和历代最优解适应度之比决定进入全局搜索或是局部搜索。

第四步：按适应度大小以轮盘赌方式选择个体。

第五步：若进入全局搜索，则根据式8和式9更新交叉概率p_c1和变异概率p_m1，若进入局部搜索，则交叉概率和变异概率取为p_c2和p_m2。执行交叉、变异操作。

第六步：根据最优保存策略，用历代最优解替代新种群中适应度最低的解。

第七步：增加迭代次数，如果达到指定次数，结束计算；否则回到第二步。

应用实例

本仿真实验在Matlab9.5.0(R2018b)环境下进行，操作系统为MicrosoftWindows 10专业版。

线路的长度约为25KM，杆塔间距大约为500M，所以可近似认为该段线路拥有50个均匀线性分布的杆塔。针对该地区的环境特点，主要的监测业务有覆冰监测、杆塔倾斜监测、微气象监测、导线温度监测、图像/视频监控、线路风偏、导线弧垂和导线微风振动监测八类。

假定边缘计算节点的处理器工作频率为1GHZ，将1秒分为200个时间片，即每个时间片5毫秒。设杆塔倾斜监测、导线温度监测为基本监测业务，每一个杆塔节点均具备。其中杆塔倾斜监测数据处理需要1个时间片，业务时延需求为200毫秒；导线温度监测数据处理占1个时间片，业务时延需求为125毫秒。一般每隔两个个杆塔设置一个摄像头和覆冰监测传感器，视频/图像监测和覆冰监测业务的产生概率为1/2。图片监测数据处理需要4个时间片，业务时延需求为300毫秒；覆冰监测数据处理占两个时间片，业务时延需求为150毫秒。大致每隔数千米气候发生细微的变化，因此微气象监测业务的产生概率为1/4，其数据处理占3个时间片，业务时延需求为210毫秒。在一些风口和易受大风侵扰的位置需要设置线路风偏监测传感器，产生概率为1/3，其数据处理占2个时间片，业务时延需求为175毫秒。另外，导线弧垂和微风监测数据处理占1 个时间片，它们的业务时延需求分别为160ms和225毫秒，这两个业务产生的概率为2/5。基于上述假设，依照概率生成矩阵，用于表示该电路运输段的业务分布，进行边缘计算节点位置规划。

问题参数数据如表1所示：

表1问题参数表

监测业务	所需时间片个数	时延需求	业务发生概率
				杆塔倾斜监测	1	200ms	1
导线温度监测	1	125ms	1
				覆冰监测	2	150ms	1/2
微气象监测	3	210ms	1/4
				线路风偏监测	2	175ms	1/3
导线弧垂监测	1	160ms	2/5
				图像监测	4	300ms	1/2
微风监测	1	225ms	2/5

种群大小pop_size＝80，染色体长度chromo_size＝50，迭代次数 generation_size＝150，进入局部搜索代数part_size＝3，参数v＝1.01。全局搜索最大交叉概率p_c1max＝0.85，最小交叉概率p_c1min＝0.35，最大变异概率p_m1max＝0.08，最小变异概率p_m1min＝0.01，局部搜索交叉概率p_c2＝0.2，变异概率p_m2＝0.3。

将算法执行30次，得到的最优解的边缘节点个数为10个，局部搜索的次数为15次。其节点分布如图2所示。也即最优的节点布设策略如下列一维矩阵所示，其中每一位都是一个杆塔节点，1表示边缘计算节点的位置。

[00010000001000010010000100010001000100000100000100] 其进化过程如图3所示。其中，横坐标代表进化代数，即迭代次数；纵坐标代表适应度的大小，“解的变化”是指每次迭代得到最优解时的适应度大小的变化情况；“种群均值”是指重复执行30次，每次迭代的平均适应度变化过程。从图3中可以看出，重复执行30次，本发明所提出的基于捕食策略的遗传算法的最优适应度为9.4185，平均适应度为9.4051；得到最优个体的代数为第 38代，平均进化代数为83代；最大时延为71.7421毫秒，平均时延的均值为 73.2556毫秒。与经典遗传算法相比，本发明所提出的算法将最小时延降低了 2.11％，也优于经典粒子群算法1.63％，性能较为优越。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.面向电网实时在线监测业务的边缘计算终端设备布设方法，其特征在于，包括如下步骤：

定义N＝{1,2,...,n}表示所有节点的集合；M＝{1,2,...,m}表示所有业务的集合；x_j取值为{0，1}，表示第j个节点是否为边缘计算节点，其中，取0表示第j个节点是边缘计算节点，取1表示第j个节点不为边缘计算节点；y_ik取值为{0，1}，表示第i个杆塔是否拥有第k个业务，取0表示第i个杆塔不拥有第k个业务，取1表示第i个杆塔拥有第k个业务；J_i表示距离杆塔i最近的边缘计算节点，J_i∈N；p_ij表示第i个节点到第j个节点的通信时间；w_ikj表示第i个杆塔的第k个业务在j点的排队时间；r_k表示第k个业务的计算量；h_k表示第k个业务的时延需求；l表示边缘计算节点的通信范围；c表示边缘计算节点成本，cx_j可表示第j个节点的成本；q表示边缘计算节点的计算能力；

设各杆塔节点将其所有业务发送给距离最近的边缘计算节点，若存在两个距离相等的边缘节点，则随机发送给其中一个；则得到如下约束条件：

1≤i-l≤J_i≤i+l≤n，对任意i∈N成立； 式(5)

式(5)表示每个实时监测业务都能有一个边缘计算节点接收并得到处理；式(6)表示每一个杆塔的每一个业务的时延需求都能得到满足；

模型目标函数描述如下：

其中，表示所有边缘计算节点的经济成本之和，

表示所有业务的平均时延，且k₁，k₂满足k₁+k₂＝1；

基于式(5)、式(6)两个约束条件对模型目标函数进行求解，将求解得到的边缘计算节点作为实时在线监测业务的目标处理节点。

2.根据权利要求1所述的面向电网实时在线监测业务的边缘计算终端设备布设方法，其特征在于，求解采用基于捕食搜索策略的遗传算法。

3.根据权利要求2所述的面向电网实时在线监测业务的边缘计算终端设备布设方法，其特征在于，所述的算法编码策略采用二进制编码策略。

4.根据权利要求2所述的面向电网实时在线监测业务的边缘计算终端设备布设方法，其特征在于，所述的算法适应度函数选择方法如下：

当个体为可行解时，适应度函数为：

k₃为适应度函数的可变系数；

当个体为不可行解时，适应度函数为：

其中，f₁＝k₄g₁+k₅g₂为罚函数，g₁、g₂分别表示违背式(5)和式(6)的次数，k₄、k₅为罚因子。

5.根据权利要求2所述的面向电网实时在线监测业务的边缘计算终端设备布设方法，其特征在于，所述的算法中遗传操作中选择采用轮盘赌和最优保存策略。

6.根据权利要求2所述的面向电网实时在线监测业务的边缘计算终端设备布设方法，其特征在于，所述的算法具体步骤如下：

第一步：对种群进行初始化；

第二步：判断是否处于局部搜索中，若局部搜索仍未结束，转到第五步中的局部搜索过；否则，进入第三步；

第三步：计算种群个体适应度，根据本代最优解和历代最优解适应度之比决定进入全局搜索或是局部搜索；若本代最优解和历代最优解适应度之比大于v，则进入局部搜索；否则进入全局搜索；v为大于1的数；

第四步：按适应度大小以轮盘赌方式选择个体；

第五步：若进入全局搜索，则根据式10和式11更新交叉概率p_c1和变异概率p_m1，若进入局部搜索，则交叉概率和变异概率取为p_c2和p_m2。执行交叉、变异操作；

第六步：根据最优保存策略，用历代最优解替代新种群中适应度最低的解；

第七步：增加迭代次数，如果达到指定迭代次数，结束计算；否则回到第二步。

7.根据权利要求6所述的面向电网实时在线监测业务的边缘计算终端设备布设方法，其特征在于，指定迭代次数为150次。

Images