CN112232863B - 一种基于云边端协同的虚拟资源管理方法及系统 - Google Patents
一种基于云边端协同的虚拟资源管理方法及系统 Download PDFInfo
- Publication number
- CN112232863B CN112232863B CN202011090066.6A CN202011090066A CN112232863B CN 112232863 B CN112232863 B CN 112232863B CN 202011090066 A CN202011090066 A CN 202011090066A CN 112232863 B CN112232863 B CN 112232863B
- Authority
- CN
- China
- Prior art keywords
- user
- demand
- resource management
- virtual resource
- users
- 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
Links
- 238000007726 management method Methods 0.000 title claims abstract description 68
- 230000004044 response Effects 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 230000005611 electricity Effects 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000005265 energy consumption Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 230000004043 responsiveness Effects 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 4
- 238000010586 diagram Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 8
- 238000013508 migration Methods 0.000 description 8
- 230000005012 migration Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种基于云边端协同的虚拟资源管理方法及系统,该方法包括:根据智能电网中的用户用电量和用电习惯,构建用户分簇模型;基于所述用户分簇模型,构建需求竞价算法和面向响应度的虚拟资源管理算法;基于所述需求竞价算法,将需求响应过程中的竞价目标转换为多目标整数线性规划目标问题;并基于所述面向响应度的虚拟资源管理算法,根据单个容器计算能力下的竞价耗时与预期时延要求,进行虚拟资源管理,得到边缘节点间应创建或迁移的容器量。本发明实施例通过用电相似度对用户进行聚类,便于总体决策,实现总体开销最小的情况下达到所需高峰电力消减量,以及能耗最小化。
Description
技术领域
本发明涉及资源管理技术领域,尤其涉及一种基于云边端协同的虚拟资源管理方法及系统。
背景技术
全球资源匮乏以及气候变暖引发了社会各界对于环境和能源问题的广泛关注。减少能量耗费,进而减少有害气体排放成为全人类面临的共同课题。在这样的背景下,智能电网得以出现和推广。相比于传统电网,智能电网最突出的特点是将信息技术与能量技术交融,实现智能化管控调度。作为需求侧管理技术之一的需求响应(demand response,简称DR)方法也因此备受关注。需求响应方法以优惠电价为激励,引导用户减少或迁移部分高峰期用电,实现电力系统稳定性和能量效用的提升。在需求响应过程中,如何根据用户用电行为进行分组,以实现整体需求响应决策,如何选择优势用户参与需求响应过程,以及如何进行计算资源分配,都是该领域被广泛探讨且亟待解决的问题。
目前,针对用户聚类、需求响应竞价、计算资源分配均有一些相关研究。但针对聚类问题,已有研究普遍根据用电需求特征进行分类,而需求响应的决策者是终端用户,从需求入手无法直接解决用户的群体决策问题,在实际场景中欠缺适用性。针对需求响应竞价,已有研究中提出了以博弈论为代表的竞价策略,但缺乏对算法复杂度的估计,需求响应对于时延要求较为严格,尤其是竞价环节,已有研究欠缺对这方面的讨论。针对资源分配,已有研究中缺乏基于响应度要求的边缘侧虚拟资源管理机制。此外,已有研究普遍独立解决某一问题,欠缺多问题综合考量的系统性解决方案。
因此,现在亟需一种基于云边端协同的虚拟资源管理方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种基于云边端协同的虚拟资源管理方法及系统。
第一方面,本发明实施例提供了一种基于云边端协同的虚拟资源管理方法,包括:
根据智能电网中的用户用电量和用电习惯,构建用户分簇模型;
基于所述用户分簇模型,构建需求竞价算法和面向响应度的虚拟资源管理算法;
基于所述需求竞价算法,将需求响应过程中的竞价目标转换为多目标整数线性规划目标问题;并基于所述面向响应度的虚拟资源管理算法,根据单个容器计算能力下的竞价耗时与预期时延要求,进行虚拟资源管理,得到边缘节点间应创建或迁移的容器量。
进一步地,所述根据智能电网中的用户用电量和用电习惯,构建用户分簇模型,包括:
以总分组数以及每个小组的容量作为模型输入,构建模型中的需求等级、用电形态以及需求评价因子目标。
进一步地,所述用户分簇模型具体用于:
获得每对用户的相似度差异,并按照数值大小由小至大进行排序;
将相似度差异最小的用户分为一组,并将相似度差异最小的用户从待处理用户集中删除后,选择相似度最高的用户,判断是否其中有一个用户从属于已有分组;
若判断成功,则继续判断在这些分组中是否存在有剩余容量的组;
若仍有剩余容量,则选择另一个用户加入到一个已有分组,以使得在该用户加入后,包含该用户的已有分组的需求评价因子方差最小。
进一步地,所述多目标整数线性规划目标问题,表示为:
其中,表示用户提交的每小时需求削减,表示用户提交的每小时需求竞价,表示负荷聚合商发布的目标消减量;表示是否选择让用户参与到需求响应过程的决策,Po表示原始电力价格,表示参与第T次需求响应的用户在t时段的电力价格。
进一步地,所述面向响应度的虚拟资源管理算法,包括:
对每个边缘节点的容器需求计算以及对容器调度策略计算。
进一步地,所述对每个边缘节点的容器需求计算,包括:
进一步地,所述对容器调度策略计算,包括:
创建或迁移容器实现最小化能量消耗。
第二方面,本发明实施例提供了一种基于云边端协同的虚拟资源管理系统,包括:
模型构建模块,用于根据智能电网中的用户用电量和用电习惯,构建用户分簇模型;
算法设计模块,用于基于所述用户分簇模型,构建需求竞价算法和面向响应度的虚拟资源管理算法;
计算模块,用于基于所述需求竞价算法,将需求响应过程中的竞价目标转换为多目标整数线性规划目标问题;并基于所述面向响应度的虚拟资源管理算法,根据单个容器计算能力下的竞价耗时与预期时延要求,进行虚拟资源管理,得到边缘节点间应创建或迁移的容器量。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种基于云边端协同的虚拟资源管理方法及系统,通过用电相似度对用户进行聚类,便于总体决策。竞价机制是根据用户提交的目标消减量和要求单位补偿电价进行需求响应用户选择,实现总体开销最小的情况下达到所需高峰电力消减量。虚拟资源管理则根据单个容器计算能力下的竞价耗时与预期时延要求得到应创建或迁移的容器量,实现能耗最小化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于云边端协同的虚拟资源管理方法的流程示意图;
图2为本发明实施例提供的用户分簇模型过程示意图;
图3为本发明实施例提供的每组最大电力节约竞价激励示意图;
图4为本发明实施例提供的响应时间比较图;
图5为本发明实施例提供的能量开销示意图;
图6为本发明实施例提供的基于云边端协同的虚拟资源管理系统的结构示意图;
图7为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
需要说明的是,目前已有类似的方案进行了相关研究。
具体地,技术方案1:专利号为CN107665378A的《基于需求侧竞价交易机制的电力系统多目标优化调度方法》专利,涉及一种基于需求侧竞价交易机制的电力系统多目标优化调度方法,主要通过四步完成:第一,建立直接型需求侧在辅助服务市场的竞价交易模型,根据直接型需求侧响应机理构建直接型需求侧在辅助服务市场出清模型;第二,根据直接型需求侧响应特点,综合负荷曲线特点和风电出力规律,协调调度需求侧资源;第三,通过监测风电并网引起的系统母线电压波动和计算系统预留备用容量的精确程度,建立风电并网风险模型;第四,建立以最小弃风量为目标考虑需求侧在辅助服务市场竞价交易并且计及风电并网风险成本的多目标优化调度模型,并采用快速粒子群算法求解该模型。该发明方法可以充分利用需求侧在辅助服务市场提供备用容量的功能,提高系统风电接入能力,减少弃风。
技术方案2:专利号为CN108985326A的《一种基于聚类的电力系统需求响应用户标记方法》专利,涉及一种基于聚类的电力用户的需求响应用户标记方法,主要通过五步完成:第一,整理电力用户的需求响应数据,区分已标记和未标记的电力用户,提取所有电力用户的属性数据;第二,采用近邻法在已标记电力用户集合中确定边界样本集;第三,针对边界样本集中处于同类别的两两电力用户,基于密度加权法,生成该类别的范例样本集;第四,针对范例样本集中的每一个电力用户,采用近邻法标记预期相邻的未标记电力用户;第五,重复迭代上述过程,直到所有未标记电力用户都已标记需求响应类别。该发明方法充分利用电力用户自身的数据特征,应用聚类思想,结合电力用户在需求响应类别上的分布情况,在少量标记的基础上,完成大量电力用户的需求响应类别预测。
技术方案3:专利号为CN109636087A的《一种需求响应资源动态分群方法及系统》专利,涉及一种需求响应资源动态分群方法及系统,主要包括根据各需求响应资源对应特征间的欧氏距离,获取需求响应资源的初始聚类中心,基于需求响应资源对应的特征对需求响应资源进行分类,分类依据可靠,确保了分类结果的精确度;进而利用所述需求响应资源初始聚类中心对需求响应资源进行分群,选取需求响应资源初始聚类中心,基于设定的初始聚类中心进行聚类算法实现需求响应资源的动态分群,避免了隶属度矩阵初始化步骤,并克服了聚类算法容易陷入局部收敛的问题,同时解决了现有分类技术导致的市场电价波动大、系统安全可靠性低、环境污染等问题,基于该发明的需求响应资源分群方法计算合理的发电备用容量,满足峰荷需求,有利于减少电网系统不必要的成本,促进电网系统的稳定运行。
但上述方案都存在各自的问题,技术方案1分析了直接型需求侧的响应机理并构建直接型需求侧的市场出清模型,建立了直接型需求侧在辅助服务市场的竞价交易模型。考虑直接型需求响应运营商在电力市场的交易中存在竞争关系,发电量和售电价格视为商业机密。运营商的竞价交易行为受其他运营商的竞价策略影响,通过设立一个静态非合作博弈问题来分析。但该发明没有针对用户的用电习惯进行分类,且对提出的竞价算法缺少相应的复杂度分析,难以判定是否适应于需求响应业务的时延要求。技术方案2提供了一种基于聚类的电力系统需求响应用户标记方法,该方法根据少量的电力用户需求响应参与数据,应用聚类分析技术,自动标记需求调整涉及到的所有电力用户的需求响应类别,从而为需求调整策略制定提供依据,提高电力需求侧管理的效率。但该发明仅针对需求进行聚类,对于聚类后的策略设计以及如何应用并未提及。技术方案3提出一种需求响应资源动态分群方法,聚类指标包括:需求响应资源的类型、需求响应资源的响应速度、需求响应资源的响应容量、需求响应资源的响应市场和需求响应资源的可调容量转化率;然后使用改进的FCM算法对需求响应资源进行聚类评估,最后依据最佳聚类数下的隶属度矩阵确定需求响应资源的动态分群结果。但该发明的聚类方法仅针对需求,而响应的决策者应为终端用户,对于需求和用户间的关系以及需求聚类对于用户决策的直接影响未做出明确说明。
图1为本发明实施例提供的基于云边端协同的虚拟资源管理方法的流程示意图,如图1所示,本发明实施例提供了一种基于云边端协同的虚拟资源管理生成方法,包括:
步骤101,根据智能电网中的用户用电量和用电习惯,构建用户分簇模型;
步骤102,基于所述用户分簇模型,构建需求竞价算法和面向响应度的虚拟资源管理算法;
步骤103,基于所述需求竞价算法,将需求响应过程中的竞价目标转换为多目标整数线性规划目标问题;并基于所述面向响应度的虚拟资源管理算法,根据单个容器计算能力下的竞价耗时与预期时延要求,进行虚拟资源管理,得到边缘节点间应创建或迁移的容器量。
在本发明实施例中,首先对智能电网中的用户基于用电量和用电习惯进行分簇,从而便于总体决策;然后,构建需求竞价算法和面向响应度的虚拟资源管理算法,目的是完成步骤103中将需求响应过程中的竞价问题归结为一个多目标整数线性规划问题,并提出三维顶点法进行求解,目标是选择出允许参与需求响应过程的用户,以最小开销实现既定电力削减量,以及根据单个容器计算能力下的竞价耗时与预期时延要求,进行虚拟资源管理,得到边缘节点间应创建或迁移的容器量,实现能耗最小化。
本发明实施例提供的基于云边端协同的虚拟资源管理方法,基于用电相似度对用户进行聚类,便于总体决策。竞价机制是根据用户提交的目标消减量和要求单位补偿电价进行需求响应用户选择,实现总体开销最小的情况下达到所需高峰电力消减量。虚拟资源管理则根据单个容器计算能力下的竞价耗时与预期时延要求得到应创建或迁移的容器量,实现能耗最小化。
在上述实施例的基础上,所述根据智能电网中的用户用电量和用电习惯,构建用户分簇模型,包括:
以总分组数以及每个小组的容量作为模型输入,构建模型中的需求等级、用电形态以及需求评价因子目标。
在本发明实施例中,建立了基于用电量等级和形态的用户分簇模型(level andpattern based user grouping model,简称LPUG),进一步地,对该用户分簇模型进行具体说明。在本发明实施例中,用户用电习惯和用电量有很大区别,这也影响了用户对于需求响应过程的参与偏好。因此,需要一个聚类方法汇聚高用电相似度的用户,进而以各类用户为基本单位制定竞价策略和计算资源分配策略。本发明实施例以电量消耗程度反映用电能力,以不同时段的耗电走势反映用电习惯,构建了一个基于用电体量和用电形态的用户聚类模型。其中,输入是根据环境设定的两个参数:总分组数以及每个小组的容量。该模型构建如下(聚类结果每月更新一次):
首先,计算需求等级:
然后,计算用电形态:
即日平均电力开销除以日峰值负载。若所得值较大表示能量使用较为平稳,否则表示有的时段消耗较大,波动较大。
进一步地,计算需求评价因子:
需求评价因子可以通过综合考虑归一化开销值和负荷因子得到。β是代表两部分相对重要程度的权重因子,根据具体情况设定。需求评价因子的公式为:
可以得到任意两个用户的相似度差异,计算为|Ji-Jn|,(i∈N,n∈N/i)。
在上述实施例的基础上,所述用户分簇模型具体用于:
获得每对用户的相似度差异,并按照数值大小由小至大进行排序;
将相似度差异最小的用户分为一组,并将相似度差异最小的用户从待处理用户集中删除后,选择相似度最高的用户,判断是否其中有一个用户从属于已有分组;
若判断成功,则继续判断在这些分组中是否存在有剩余容量的组;
若仍有容量,则选择另一个用户加入到一个已有分组,以使得在该用户加入后,包含该用户的已有分组的需求评价因子方差最小。
图2为本发明实施例提供的用户分簇模型过程示意图,如图2所示,在本发明实施例中,首先,获得每对用户的相似度差异,然后对该数值从小到大进行排列;其次,将相似度差异最小的用户分为一组,然后将它们从待处理用户集中删除;进而,继续选择相似度最高的用户,判断是否其中有一个用户从属于已有分组。如果是,判断是否在这些分组中有的组仍有剩余容量,如果是,则对用户的另一个用户会加入到一个已有分组,选择依据是,包含该用户后该组的需求评价因子方差最小;否则,将它划分为一个新的组。如果这两个用户都不属于已有分组,判断是否已有分组仍有容量。如果是,保留两种划分方案,即将其纳入已有分组或划分为一个新的分组,然后将这对用户从待聚类集合中删除。如果已有分组均达到最大容量或者等待分组用户少于可分组数,将这对用户划分为一个新的分组。随后,从第三步开始循环执行(即继续选择相似度最高的用户)。这个过程中如果有一个分组达到最大容量,对已有方案进行抉择,计算每个分组的方差,然后选择使得总方差最小的分组方案。这个方法可以有效减少模型的计算复杂度。当所有用户都已分组或者剩余用户数小于仍可划分的组数,这个过程终止。
在上述实施例的基础上,所述多目标整数线性规划目标问题,表示为:
其中,表示用户提交的每小时需求削减,表示用户提交的每小时需求竞价,表示负荷聚合商发布的目标消减量;表示是否选择让用户参与到需求响应过程的决策,Po表示原始电力价格,表示参与第T次需求响应的用户在t时段的电力价格。
在本发明实施例中,提供了一种需求竞价算法(Demand Bidding,简称DB)。用户提交的每小时需求削减和竞价分别表示为和是否选择让用户参与到DR过程的决策表示为负荷聚合商发布的目标消减量是因为这个交易目的是获得最佳竞价组合Z*,在满足目标负荷消减量的情况下,最小化总体竞价开销。这个过程可以归结为一个整数线性规划(Integer Linear Programming,简称ILP)问题,表示为:
进一步地,通过扩展已有的平面图方法到多维空间顶点法(Multi-dimensionalSpace Vertex,简称MDSV),得到一个解决方案。具体地,群组m中有n个用户,每个用户对应两个决策,即,是否在竞价过程中被选择。决策集的组合对应n维空间的2n个顶点。首先,依据限制条件对所有的顶点进行验证。随后,将满足条件的顶点带入到目标函数,最终得到这个0-1ILP问题的决策集Z*。因为由用户提交的竞价为个人决策,计算压力相比于在边缘节点执行的全局竞价决策制定来说小得多,因此忽略端设备的负荷响应时延,可得DB过程的时间复杂度是
在上述实施例的基础上,所述面向响应度的虚拟资源管理算法,包括:
对每个边缘节点的容器需求计算以及对容器调度策略计算。
在本发明实施例中,还提出了面向响应度的虚拟资源管理算法(ResponsivenessOriented Virtual Resource Management,简称RVRM)。DB算法可以激励更多用户参与需求响应过程,随后应用RVRM算法在计算得到的DB复杂度下,优化资源分配以满足响应时延要求。它主要包括每个边缘节点的容器需求计算和容器调度策略计算。
在上述实施例的基础上,所述对每个边缘节点的容器需求计算,包括:
在本发明实施例中,Timeo表示总时间复杂度(可表示为CNN和LSTM两个部分总的时间复杂度),根据经验,时延随复杂度成比例变化。虚拟资源基于初始复杂度值和比例差异进行分配。在单一容器条件下测试了两组初始响应时延和它们的时间复杂度分别是和复杂度为的情况的响应时延可以计算为:
在上述实施例的基础上,所述对容器调度策略计算,包括:
创建或迁移容器实现最小化能量消耗。
在本发明实施例中,容器调度策略的目的是最小化能量消耗,通过选择创建或迁移容器实现。cj,i表示容器由边缘节点j迁移到i。如果cj,i≠0,设置wj,i=1,表示存在容器迁移。这个问题可以制定为多目标整数线性规划问题MO(Multi-objective)-ILP,如下所示:
进一步地,在已有的二维平面方法基础上考虑迁移方向,提出一个三维顶点方法(Three-dimensional Space Vertex,简称3DSV)。它的时间复杂度是与用户群组数量直接相关。首先,忽略整数限制条件得到一个松弛问题。通过解决这个问题可以得到最佳迁移值ci,j,其中,N1≤ci,j≤N2,N1和N2是相邻的两个正整数。其次,根据以上不等式,以迁移源点为x轴,目标节点为y轴,迁移容器数量为z轴,构建三维空间,最终策略集为S1(i,j,N1)和S2(i,j,N2)。如果i=j,意味着节点自己创建容器。随后,将方案集合中具有相同x的结果带入限制条件进行验证。最终,满足限制条件的结果带入到目标函数进行比较,可以得到最佳ILP问题方案。
这个多目标问题可以通过权重设置进行转化。当这个过程的时延等级不足以高到影响它的响应时,能量消耗被设置为主目标。总体过程具体为:
本发明实施例还对该方法进行了仿真实验,使用iFogSim仿真一个智能电网环境,iFogSim专为边缘计算定制,通过对三种基本组件:物理组件,逻辑组件和管理组件的参数,设置可以定制化设备计算通信能力以及网络拓扑结构。在本发明实施例中,通过创建了一个云,四个边缘节点,每个节点包含20个客户端,一个客户端关联一个传感器和一个执行器。提出的算法将事件建模并添加到边缘节点中。本发明实施例采用包含某地每小时能源需求的真实数据集,根据LPUG得到四个分组。
首先,通过DB算法仿真-竞价激励进行仿真,具体为,设置负荷削减比与需求成正比。例如,将100kW的负荷削减比设为10%。图3为本发明实施例提供的每组最大电力节约竞价激励示意图,如图3所示,以节约开销为激励,用户的参与率会随着DR过程的进行而提高,然后开销减少程度反过来也会随着参与率的提升进一步提高。
其次,DB算法仿真-响应时间进行仿真,具体为,由于竞价过程也带来了计算的复杂性,这主要取决于有多少用户参与交易。在此模拟之前,将群组1-4的历史数据集大小设置为17640,14112,11088和8400。测试响应延迟,以组1和组4为例进行性能分析,图4为本发明实施例提供的响应时间比较图,如图4所示,结果表明,边缘和云的结合比单一的云可以缩短39%-93%的延迟,在复杂度不断上升的情况下,边云结合的处理方式相对于单一边缘处理展现出更大的优越性。
然后,通过虚拟资源分配进行仿真,具体为,在得到预测和预期的响应时间后,就很容易得到所需容器的数量。然后,利用RVRM算法实现容器在边缘节点间的迁移。容器创建的能源成本设置为10美分,迁移的能源成本为1美分。图5为本发明实施例提供的能量开销示意图,如图5所示,与全部创建(AC)方法相比,RVRM算法节省了约10.25%的能量开销。
图6为本发明实施例提供的基于云边端协同的虚拟资源管理系统的结构示意图,如图6所示,本发明实施例提供了一种基于云边端协同的虚拟资源管理系统,包括模型构建模块601、算法设计模块602和计算模块603,其中,模型构建模块601用于根据智能电网中的用户用电量和用电习惯,构建用户分簇模型;算法设计模块602用于基于所述用户分簇模型,构建需求竞价算法和面向响应度的虚拟资源管理算法;计算模块603用于基于所述需求竞价算法,将需求响应过程中的竞价目标转换为多目标整数线性规划目标问题;并基于所述面向响应度的虚拟资源管理算法,根据单个容器计算能力下的竞价耗时与预期时延要求,进行虚拟资源管理,得到边缘节点间应创建或迁移的容器量。
本发明实施例提供的基于云边端协同的虚拟资源管理系统,基于用电相似度对用户进行聚类,便于总体决策。竞价机制是根据用户提交的目标消减量和要求单位补偿电价进行需求响应用户选择,实现总体开销最小的情况下达到所需高峰电力消减量。虚拟资源管理则根据单个容器计算能力下的竞价耗时与预期时延要求得到应创建或迁移的容器量,实现能耗最小化。
本发明实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图7为本发明实施例提供的电子设备结构示意图,参照图7,该电子设备可以包括:处理器(processor)701、通信接口(Communications Interface)702、存储器(memory)703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703中的逻辑指令,以执行如下方法:根据智能电网中的用户用电量和用电习惯,构建用户分簇模型;基于所述用户分簇模型,构建需求竞价算法和面向响应度的虚拟资源管理算法;基于所述需求竞价算法,将需求响应过程中的竞价目标转换为多目标整数线性规划目标问题;并基于所述面向响应度的虚拟资源管理算法,根据单个容器计算能力下的竞价耗时与预期时延要求,进行虚拟资源管理,得到边缘节点间应创建或迁移的容器量。
此外,上述的存储器703中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于云边端协同的虚拟资源管理方法,例如包括:根据智能电网中的用户用电量和用电习惯,构建用户分簇模型;基于所述用户分簇模型,构建需求竞价算法和面向响应度的虚拟资源管理算法;基于所述需求竞价算法,将需求响应过程中的竞价目标转换为多目标整数线性规划目标问题;并基于所述面向响应度的虚拟资源管理算法,根据单个容器计算能力下的竞价耗时与预期时延要求,进行虚拟资源管理,得到边缘节点间应创建或迁移的容器量。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于云边端协同的虚拟资源管理方法,其特征在于,包括:
根据智能电网中的用户用电量和用电习惯,构建用户分簇模型;
基于所述用户分簇模型,构建需求竞价算法和面向响应度的虚拟资源管理算法;
基于所述需求竞价算法,将需求响应过程中的竞价目标转换为多目标整数线性规划目标问题;并基于所述面向响应度的虚拟资源管理算法,根据单个容器计算能力下的竞价耗时与预期时延要求,进行虚拟资源管理,得到边缘节点间应创建或迁移的容器量;
所述根据智能电网中的用户用电量和用电习惯,构建用户分簇模型,包括:
以总分组数以及每个小组的容量作为模型输入,构建模型中的需求等级、用电形态以及需求评价因子目标;
所述用户分簇模型具体用于:
获得每对用户的相似度差异,并按照数值大小由小至大进行排序;
将相似度差异最小的用户分为一组,并将相似度差异最小的用户从待处理用户集中删除后,选择相似度最高的用户,判断是否其中有一个用户从属于已有分组;
若判断成功,则继续判断在这些分组中是否存在有剩余容量的组;
若仍有剩余容量,则选择另一个用户加入到一个已有分组,以使得在该用户加入后,包含该用户的已有分组的需求评价因子方差最小;
构建需求等级具体为:
构建用电形态具体为:
需求评价因子的公式为:
得到任意两个用户的相似度差异,计算为|Ji-Jn|,(i∈N,n∈N/i),其中,β表示权重因子。
3.根据权利要求1所述的基于云边端协同的虚拟资源管理方法,其特征在于,所述面向响应度的虚拟资源管理算法,包括:
对每个边缘节点的容器需求计算以及对容器调度策略计算。
5.根据权利要求3所述的基于云边端协同的虚拟资源管理方法,其特征在于,所述对容器调度策略计算,包括:
创建或迁移容器实现最小化能量消耗。
6.一种基于云边端协同的虚拟资源管理系统,其特征在于,包括:
模型构建模块,用于根据智能电网中的用户用电量和用电习惯,构建用户分簇模型;
算法设计模块,用于基于所述用户分簇模型,构建需求竞价算法和面向响应度的虚拟资源管理算法;
计算模块,用于基于所述需求竞价算法,将需求响应过程中的竞价目标转换为多目标整数线性规划目标问题;并基于所述面向响应度的虚拟资源管理算法,根据单个容器计算能力下的竞价耗时与预期时延要求,进行虚拟资源管理,得到边缘节点间应创建或迁移的容器量;
所述模型构建模块具体用于:
以总分组数以及每个小组的容量作为模型输入,构建模型中的需求等级、用电形态以及需求评价因子目标;
所述用户分簇模型具体用于:
获得每对用户的相似度差异,并按照数值大小由小至大进行排序;
将相似度差异最小的用户分为一组,并将相似度差异最小的用户从待处理用户集中删除后,选择相似度最高的用户,判断是否其中有一个用户从属于已有分组;
若判断成功,则继续判断在这些分组中是否存在有剩余容量的组;
若仍有剩余容量,则选择另一个用户加入到一个已有分组,以使得在该用户加入后,包含该用户的已有分组的需求评价因子方差最小;
构建需求等级具体为:
构建用电形态具体为:
需求评价因子的公式为:
得到任意两个用户的相似度差异,计算为|Ji-Jn|,(i∈N,n∈N/i),其中,β表示权重因子。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述基于云边端协同的虚拟资源管理方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于云边端协同的虚拟资源管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090066.6A CN112232863B (zh) | 2020-10-13 | 2020-10-13 | 一种基于云边端协同的虚拟资源管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090066.6A CN112232863B (zh) | 2020-10-13 | 2020-10-13 | 一种基于云边端协同的虚拟资源管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232863A CN112232863A (zh) | 2021-01-15 |
CN112232863B true CN112232863B (zh) | 2022-09-20 |
Family
ID=74112386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011090066.6A Active CN112232863B (zh) | 2020-10-13 | 2020-10-13 | 一种基于云边端协同的虚拟资源管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232863B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256114B (zh) * | 2021-05-25 | 2022-05-31 | 国网宁夏电力有限公司电力科学研究院 | 基于分布式发电消纳的日前与时前两阶段的需求响应方法 |
CN113452566A (zh) * | 2021-07-05 | 2021-09-28 | 湖南大学 | 一种云边端协同资源管理方法及系统 |
CN115685837B (zh) * | 2022-11-01 | 2023-05-23 | 青岛研创电子科技有限公司 | 一种基于智能电源的节能控制系统及方法 |
CN117294727A (zh) * | 2023-09-19 | 2023-12-26 | 卓源信息科技股份有限公司 | 一种基于云原生和容器技术的云边端协同管理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665378A (zh) * | 2017-09-25 | 2018-02-06 | 燕山大学 | 基于需求侧竞价交易机制的电力系统多目标优化调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101645689B1 (ko) * | 2015-06-26 | 2016-08-05 | (주)네모파트너즈엔이씨 | 스마트 전력수요자원 네모모델링데이터 시뮬레이션 모듈을 통한 전력수요관리사업 프로젝트 경제성 분석장치 및 방법 |
-
2020
- 2020-10-13 CN CN202011090066.6A patent/CN112232863B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665378A (zh) * | 2017-09-25 | 2018-02-06 | 燕山大学 | 基于需求侧竞价交易机制的电力系统多目标优化调度方法 |
Non-Patent Citations (3)
Title |
---|
CPS资源服务模型和资源调度研究;徐久强等;《计算机学报》;20180514(第10期);全文 * |
基于二次分组的避峰负荷优化调控方法;李彬等;《电网技术》;20161205(第12期);全文 * |
基于泛在互联的虚拟电厂参与实时市场模型;赵晨等;《电力建设》;20200601(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112232863A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232863B (zh) | 一种基于云边端协同的虚拟资源管理方法及系统 | |
Rathnayaka et al. | Framework to manage multiple goals in community-based energy sharing network in smart grid | |
Zhou et al. | When smart grid meets geo-distributed cloud: An auction approach to datacenter demand response | |
Zhou et al. | A truthful and efficient incentive mechanism for demand response in green datacenters | |
Jain et al. | A multiarmed bandit incentive mechanism for crowdsourcing demand response in smart grids | |
Wang et al. | Energy-aware and revenue-enhancing combinatorial scheduling in virtualized of cloud datacenter | |
Jiang et al. | Data-driven coordinated charging for electric vehicles with continuous charging rates: A deep policy gradient approach | |
Liu et al. | Strategy of large-scale electric vehicles absorbing renewable energy abandoned electricity based on master-slave game | |
CN104821906A (zh) | 一种高效节能虚拟网络节点映射模型及算法 | |
CN115276047A (zh) | 电能调度方法、装置及计算机可读存储介质 | |
CN114997665A (zh) | 考虑可控负荷响应性能差异的虚拟电厂优化调度方法及系统 | |
Zhu et al. | SAAS parallel task scheduling based on cloud service flow load algorithm | |
CN117172486A (zh) | 一种基于强化学习的虚拟电厂光储资源聚合调控方法 | |
Chen et al. | Utility-driven renewable energy sharing systems for community microgrid | |
CN116914847A (zh) | 一种虚拟电厂内多台发电机组聚合互补及优化调度方法 | |
CN108616119B (zh) | 基于区域性分时电价理论降低配电网网损的方法 | |
CN113283654B (zh) | 基于聚合解列机制的微网群优化控制方法及系统 | |
CN113075995A (zh) | 基于混合群智能的虚拟机节能整合方法、系统和存储介质 | |
Singhal et al. | Hybrid biogeography algorithm for reducing power consumption in cloud computing | |
CN111127082A (zh) | 用于供能系统的数据处理系统、方法及装置 | |
El-Taie et al. | Optimized Resource Allocation Algorithm for Crowd-Creation Space Computing Based on Cloud Computing Environment | |
CN111861278A (zh) | 一种电力系统的用电负荷峰谷时段划分方法及系统 | |
Zerka et al. | Energy Exchange Management in Smart Grids Using a Knapsack Problem Inspired Approach | |
Mehta et al. | Load Balancing in Cloud Computing: A Comprehensive Survey on Recent Techniques | |
CN114862097B (zh) | 一种基于双层演化博弈的用户侧市场类型辨识方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230406 Address after: 823A, 8th Floor, Building 10, No. 6, 8, 10, 12, 16, and 18, Xuanwumenwai Street, Xicheng District, Beijing, 100052 Patentee after: Beijing Baolian Star Technology Co.,Ltd. Address before: 100876 Beijing city Haidian District Xitucheng Road No. 10, Beijing University of Posts and Telecommunications Patentee before: Beijing University of Posts and Telecommunications |