CN112306658A - 一种多能源系统数字孪生应用管理调度方法 - Google Patents
一种多能源系统数字孪生应用管理调度方法 Download PDFInfo
- Publication number
- CN112306658A CN112306658A CN202011196838.4A CN202011196838A CN112306658A CN 112306658 A CN112306658 A CN 112306658A CN 202011196838 A CN202011196838 A CN 202011196838A CN 112306658 A CN112306658 A CN 112306658A
- Authority
- CN
- China
- Prior art keywords
- task
- digital twin
- computing
- energy system
- tasks
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 63
- 238000007726 management method Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 230000003993 interaction Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 49
- 238000004088 simulation Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 13
- 238000013461 design Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013142 basic testing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/48—Indexing scheme relating to G06F9/48
- G06F2209/484—Precedence
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多能源系统数字孪生应用管理调度方法,包括:利用深度优先搜索的多能源设备数字孪生复杂应用依赖关系梳理策略,构建规划和运行优化应用的分层集和路径集;根据识别计算任务在分层集中的位置,利用贪心算法的多能源设备数字孪生计算任务调度管理策略,通过识别每个计算任务的位置和权重综合衡量其优先度;基于计算任务的优先度得到每个计算任务的先后调用和执行顺序;调用并执行调度列表首位的计算任务,缓存其数据结果,并将其在调度列表中清除,直到调度列表为空,清除缓存数据,完成多能源系统数字孪生应用管理调度。本发明使调度和管理的目标更加明确,且能够提升多能源系统数字孪生复杂应用的计算效率和响应速度。
Description
技术领域
本发明涉及应用管理调度的技术领域,尤其涉及一种多能源系统数字孪生应用管理调度方法。
背景技术
多能源系统是指含有大量分布式(风、光、燃气、储能)发电单元、可控负荷和复杂控制系统的配电网络。由于此类网络的规模庞大、动态特性复杂、建模仿真困难,传统配电网规划设计和运行控制工具已经无法满足针对配电网多种能源、多时间尺度、多业务协同的分析需求,而此时,数字孪生技术为增强对智能电网的认知和调控提供了新契机,通过在数字空间中构造多能源系统的虚拟镜像,进而刻画出交直流互联电网的复杂潮流改变和多时间尺度动态过程,将帮助系统运营商发现电网薄弱环节、优化电网运行方式和改进系统规划设计方案。
构建多能源系统的数字孪生体,其目的是进一步集成多能源系统全生命周期中的系统规划、建模仿真、运行优化等不同的应用模块,一个复杂的应用可能依赖多个异构的计算任务,不同的任务之间可能存在信息交互、前后依赖和逻辑触发关系,因此,数子孪生体也面临异构任务之间的交互机制,在这一层面,多能源系统数字孪生任务之间所交互的信息除了数据流以外,还包括控制任务执行的顺序、任务之间的触发逻辑等信息,其本质是对多种异构的任务进行调度管理,来确定每个任务的先后执行顺序,从而在给定计算资源的基础上,能够最大化提升复杂应用的计算效率,因此,需要关注多能源系统数字孪生中不同任务在处理复杂应用的配合关系,明确复杂应用对不同功能性计算任务的先后调用顺序,进而提升复杂应用的计算效率。
依据服务模式和调度对象的不同,可分为资源调度与任务调度两种;资源调度本质上是一个组合优化问题,现有研究主要以降低服务器的资源闲置率以及单位时间内能耗等为主要优化目标,很多的组合优化问题都是NP-hard难题,在解决此类组合优化问题时,目前应用最广泛的就是启发式算法,包括遗传算法和模拟退火算法等,本发明为任务调度算法,因此以下着重介绍现有的任务调度算法。
目前广泛使用的任务调度算法主要有Min-min算法、Max-min算法和先到先服务算法。
Min-min算法的基本思想为优先选择最早可用且计算能力最快的计算资源,并分配调度可在最短时间内完成的任务,然后执行,因此,单个任务执行时间最短,从而使得总体任务的执行时间最短,为获得每个任务的最早开始执行时间和需要的计算资源,Min-min算法需要得到每个任务执行的最短完成时间,从而完成任务与计算资源的映射,虽然这种算法使得完成任务整体所需的时间最短,会导致任务的执行容易集中在某个计算能力较强的节点上,使得负载严重失衡,系统整体的资源利用率不高,因此Min-min算法在处理小型任务时性能更好。
Max-min算法与Min-min算法类似,但是优先处理完成时间最长的任务,在计算得到每个任务在资源上的运行时间后,在任务队列中选取完成时间最长的任务分配资源,并在队列中删除任务,然后以相同的方式处理执行队列中的待执行任务,与Min-min算法相比,Max-min算法在处理少量大型任务时性能更好,但同样的,也容易造成负载失衡,个别资源的占用率高。
先到先服务算法的任务按照到达的先后顺序进行排列,形成任务队列,在进行任务调度时,最先到达的任务从队头取出并执行,当有新的任务达到时,将其加入到队尾,队列中的任务优先级一致,一个任务在运行时独占资源,不会发生抢占资源的情况,这种算法是一种公平算法,但是由于没有考虑到任务的大小以及资源的处理能力,使得整个系统的资源利用率无法最大化。
为了解决上述问题,本发明提出了一种多能源系统数字孪生应用管理调度方法,帮助复杂应用确定每个功能性计算任务的先后调用顺序,从而在给定计算资源的基础上,能够最大化提升复杂应用的计算效率,使复杂应用快速响应,填补了面向多能源系统数字孪生的应用管理调度方法的空白。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:多能源系统数字孪生应用复杂多样,需要频繁调用多个异构的功能性计算任务,不同的任务之间可能存在信息交互、前后依赖和逻辑触发关系,传统的任务调度算法没有考虑任务之间的这种串行和并行关系;同时,多能源系统数字孪生计算任务存在计算量大,计算资源消耗差别大的特点,因此,需要综合衡量计算任务的串、并行关系和复杂度来确定其先后调用顺序。尚缺乏一种的面向多能源系统数字孪生复杂应用的综合管理调度方法。
为解决上述技术问题,本发明提供如下技术方案:利用深度优先搜索的多能源设备数字孪生复杂应用依赖关系梳理策略,构建规划和运行优化应用的分层集和路径集;根据识别计算任务在所述分层集中的位置,利用贪心算法的多能源设备数字孪生计算任务调度管理策略,通过识别每个计算任务的位置和权重综合衡量其优先度;基于所述计算任务的优先度得到每个计算任务的先后调用和执行顺序;调用并执行调度列表首位的计算任务,缓存其数据结果,并将其在所述调度列表中清除,直到所述调度列表为空,清除缓存数据,完成多能源系统数字孪生应用管理调度。
作为本发明所述的多能源系统数字孪生应用管理调度方法的一种优选方案,其中:所述计算任务之间的关系包括信息交互、前后依赖和逻辑触发。
作为本发明所述的多能源系统数字孪生应用管理调度方法的一种优选方案,其中:所述依赖关系包括,一个复杂应用的功能性计算任务之间存在互为父子关系,且每个任务只能获取其父任务的信息即其所依赖的任务,此为依赖关系。
作为本发明所述的多能源系统数字孪生应用管理调度方法的一种优选方案,其中:所述任务分层集包括L={L1,L2,L3,...,Lh}。
作为本发明所述的多能源系统数字孪生应用管理调度方法的一种优选方案,其中:所述任务路径集包括P={P1,P2,P3,...,PN}。
作为本发明所述的多能源系统数字孪生应用管理调度方法的一种优选方案,其中:所述识别计算包括,
PFl,m<PFl+1,m
其中,PFl,m表示第l层的第m个计算任务的位置优先度,PFl,n,PFl+1,m同理,每层计算任务的位置优先度只与层数l有关。
作为本发明所述的多能源系统数字孪生应用管理调度方法的一种优选方案,其中:所述每个计算任务的复杂度包括,
其中,tl,m表示表示第l层的第m个计算任务所需要的计算时间,C和u分别表示所用计算资源的数据处理能力和当前资源使用率,Ll,m表示第l层的第m个计算任务的长度,Ll,m=NTl,m,其中N表示总的计算次数,Tl.m表示第l层的第m个计算任务计算一个步长所耗费的计算时间。
作为本发明所述的多能源系统数字孪生应用管理调度方法的一种优选方案,其中:所述贪心算法的评分函数包括位置优先度和加权位置优先度。
作为本发明所述的多能源系统数字孪生应用管理调度方法的一种优选方案,其中:所述层内任务的加权位置优先度包括,
WPFl,m=Wl,m×PFl,m
其中,WPFl,m表示第l层的第m个计算任务的加权位置优先度,Wl,m表示第l层的第m个计算任务的权重,k表示第l层的所有计算任务个数。
作为本发明所述的多能源系统数字孪生应用管理调度方法的一种优选方案,其中:所述评分函数包括,
本发明的有益效果:本发明梳理出了多能源系统数字孪生复杂应用的底层功能性任务之间的串行依赖和并行关系,调度和管理的目标更加明确,且考虑了计算任务的复杂度,因此能够提升多能源系统数字孪生复杂应用的计算效率和响应速度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例所述的一种多能源系统数字孪生应用管理调度方法的基本流程图;
图2为本发明一个实施例所述的一种多能源系统数字孪生应用管理调度方法的基于深度优先搜索的复杂应用依赖关系梳理算法流程图;
图3为本发明一个实施例所述的一种多能源系统数字孪生应用管理调度方法的基于贪心算法的计算任务调度管理算法流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
多能源系统数字孪生的复杂应用是通过多个异构的功能性计算任务之间的配合实现的,不同功能性计算任务之间可能存在信息交互、前后依赖和逻辑触发关系,例如:规划和运行优化功能需要依赖多场景批量仿真功能,而多场景批量仿真又需要依赖仿真功能。一个复杂应用的功能性计算任务之间可能互为父子关系,且每个任务只能获取其父任务的信息(即其所依赖的任务),为了能够基于给定的计算资源,最大化提升任务的计算效率,避免重复调用计算任务,必须梳理清楚复杂应用的功能性计算任务之间的全局依赖关系,本发明利用基于深度优先搜索来梳理不同任务之间的依赖关系;本发明提出一种基于贪心算法的多能源系统数字孪生计算任务调度管理算法,通过识别每个计算任务的位置和权重来综合衡量其优先度,基于计算任务的优先度,来确定每个计算任务的先后调用和执行顺序,从而在给定计算资源的基础上,能够最大化提升多能源系统数字孪生复杂应用的计算效率。
参照图1~3,为本发明的第一个实施例,该实施例提供了一种多能源系统数字孪生应用管理调度方法,包括:
S1:利用深度优先搜索的多能源设备数字孪生复杂应用依赖关系梳理策略,构建规划和运行优化应用的分层集和路径集。
需要说明的是:任务分层集包括L={L1,L2,L3,...,Lh},任务路径集包括P={P1,P2,P3,...,PN},
S2:根据识别计算任务在分层集中的位置,利用贪心算法的多能源设备数字孪生计算任务调度管理策略,通过识别每个计算任务的位置和权重综合衡量其优先度。
需要说明的是:计算任务之间的关系包括信息交互、前后依赖和逻辑触发。
其中,依赖关系包括,一个复杂应用的功能性计算任务之间存在互为父子关系,且每个任务只能获取其父任务的信息即其所依赖的任务,此为依赖关系。
进一步的,识别计算包括,
PFl,m<PFl+1,m
其中,PFl,m表示第l层的第m个计算任务的位置优先度,PFl,n,PFl+1,m同理,每层计算任务的位置优先度只与层数l有关。
具体的,每个计算任务的复杂度包括,
其中,tl,m表示表示第l层的第m个计算任务所需要的计算时间,C和u分别表示所用计算资源的数据处理能力和当前资源使用率,Ll,m表示第l层的第m个计算任务的长度,Ll,m=NTl,m,其中N表示总的计算次数,Tl.m表示第l层的第m个计算任务计算一个步长所耗费的计算时间。
进一步的,贪心算法的评分函数包括位置优先度和加权位置优先度。
其中,层内任务的加权位置优先度包括,
WPFl,m=Wl,m×PFl,m
其中,WPFl,m表示第l层的第m个计算任务的加权位置优先度,Wl,m表示第l层的第m个计算任务的权重,k表示第l层的所有计算任务个数。
其中,评分函数包括,
S3:基于计算任务的优先度得到每个计算任务的先后调用和执行顺序;
S4:调用并执行调度列表首位的计算任务,缓存其数据结果,并将其在调度列表中清除,直到调度列表为空,清除缓存数据,完成多能源系统数字孪生应用管理调度。
具体的,基于深度优先搜索来梳理不同任务之间的依赖关系的具体算法步骤如下所示:
Step1:从多能源系统数字孪生复杂应用出发,依据每个任务已知的父任务信息,得到该复杂应用的全部功能性计算任务,将每个任务当作一个节点,假设有N个节点;
Step2:从任一节点出发,进行深度优先搜索,得到以该节点为起点、以没有父任务的节点为终点的全部有向路径;
Step3:识别出最长路径,假设该路径长度为k,将该最长路径的终点标注为第1层,即可得到起始节点为第k+1层;
Step4:返回Step2,直到遍历所有节点。即可对所有节点实现分层,假设总共有h个层级;
Step5:为了遵循常规逻辑,一般将没有父任务的节点视为高层计算任务,令其为第h层,令原本第h层为第1层,其他层同理即:第l层→第h-l+1层;
Step6:将同层任务放置在一个集合内,得到全部任务的分层集L={L1,L2,L3,...,Lh};
将每个任务的全部路径放置在一个集合内,得到全部任务的路径集P={P1,P2,P3,...,PN};
通过以上算法得到分层集和路径集,即可梳理出多能源系统数字孪生复杂应用的功能性计算任务之间的串行依赖和并行关系。
进一步的,基于贪心算法的多能源系统数字孪生计算任务调度管理算法具体步骤如下所示:
层间计算任务的位置优先度:利用基于深度优先搜索的任务依赖关系梳理算法,得到某个多能源系统数字孪生复杂应用的分层集和路径集。
通过识别计算任务在分层集中的位置来确定每个计算任务的位置优先度,层内计算任务为并行关系,具有相同的位置优先度;层间计算任务需要进行有序的串行求解,因此高层计算任务的位置优先度高于低层计算任务,即:
PFl,m<PFl+1,m
其中,PFl,m表示第l层的第m个计算任务的位置优先度,PFl,n,PFl+1,m同理,每层计算任务的位置优先度只与层数l有关。
层内计算任务的加权位置优先度:层内计算任务为并行关系,具有相同的位置优先度,但是层内每个计算任务对计算资源的消耗和该计算任务自身的复杂度有关,例如:多能源系统数字孪生多场景批量仿真的复杂度远高于普通仿真,通过计算复杂度来对层内每个计算任务加权,权重越大,优先度越高,层内每个计算任务的复杂度可以用任务执行时间来表示,即:
其中,tl,m表示表示第l层的第m个计算任务所需要的计算时间,C和u分别表示所用计算资源的数据处理能力和当前资源使用率,Ll,m表示第l层的第m个计算任务的长度,Ll,m=NTl,m,其中N表示总的计算次数,Tl.m表示第l层的第m个计算任务计算一个步长所耗费的计算时间。
任务执行时间越长其复杂度越高,权重越小,加权位置优先度越低,层内任务的加权位置优先度可表示为:
WPFl,m=Wl,m×PFl,m
其中,WPFl,m表示第l层的第m个计算任务的加权位置优先度,Wl,m表示第l层的第m个计算任务的权重,k表示第l层的所有计算任务个数。
基于优先度的贪心算法评分函数:贪心算法评分函数的设计需要融合位置优先度和加权位置优先度,即一种综合优先度,评分函数越高,任务越优先被执行。评分函数包括位置优先度和加权位置优先度两部分:
该评分函数综合衡量了位置和权重对任务优先度的影响,保证了高层的计算任务,无论复杂度如何其优先度都要高于低层计算任务。
上述基于贪心算法的多能源系统数字孪生计算任务调度管理算法的具体步骤如下:
Step(1):利用基于深度优先搜索的任务依赖关系梳理算法,构建多能源系统数字孪生复杂应用的分层集和路径集,以此来描述不同计算任务之间的依赖关系;
Step(2):通过识别计算任务在分层集中的位置,利用上式来确定每个计算任务的位置优先度;
Step(3):通过上式计算任务复杂度来对层内每个计算任务加权,利用上式确定每个计算任务的加权位置优先度;
Step(4):初始化评分s0=0;
Step(5):从任意一个计算任务出发,利用上式得到其评分sl,m,若sl,m≥s0,则令s0=sl,m,并且将该计算任务放置到调度列表的首位,表明该计算任务具有局部最优先性;
Step(6):返回Step(5),直到遍历所有计算任务,得到包含所有计算任务的调度列表;
Step(7):调用并执行调度列表首位的计算任务,执行计算任务时依据Step(1)生成的路径集来调用其所需的父任务计算结果,执行完成后,缓存其数据结果,供后续的子任务调用,并将其在调度列表中清除;
Step(8):返回Step(7),直到调度列表为空,清除缓存数据,多能源系统数字孪生复杂应用调度管理算法结束。
实施例2
本实施例基于本发明方法进行试验,以科学论证的手段,以验证本方法所具有的真实效果。
以规划和运行优化这个多能源系统数字孪生的典型复杂应用为基本测试算例。
首先利用基于深度优先搜索的多能源系统数字孪生复杂应用依赖关系梳理算法,构建规划和运行优化应用的分层集和路径集,以此来描述不同计算任务之间的依赖关系。
从规划和运行优化这个复杂应用出发,依据已知的任务信息,寻找规划和运行优化应用需要调用的全部计算任务,可以得到规划和运行优化应用需要调用以上16个计算任务,将每个计算任务当作一个节点。
1、规划和运行优化→{2动态规划,3运行优化};
2、动态规划→{4多时间尺度规划,5多场景批量仿真};
3、运行优化→{5多场景批量仿真,6实时仿真,7强化学习};
4、多时间尺度规划→{8规划目标和约束条件生成,9多时间尺度仿真};
5、多场景批量仿真→{10多场景生成,11仿真};
6、实时仿真→{12实时数据交互,11仿真};
7、强化学习→{11仿真};
9、多时间尺度仿真→{13多速率异步协调计算框架,14电磁暂态计算};
10、多场景生成→{15运行态势感知};
11、仿真→{14电磁暂态计算,16潮流计算}。
从任一节点出发,进行深度优先搜索,得到以该节点为起点、以没有父任务的节点为终点的全部有向路径,以节点5多场景批量仿真为例,其全部有向路径为:
P5={5→10→15,5→11→14,5→11→16}
识别出最长路径长度为2,故判定节点14,15,16在第1层,节点5在第3层。
遍历所有节点可,即可对所有节点实现分层,为了遵循常规逻辑,一般把没有父任务的节点视为高层计算任务,即令:第l层→第h-l+1层,得到全部计算任务的分层集和路径集,分层集如表1所示。
表1:规划和运行优化应用的全部计算任务分层集表。
L1 | 1 |
L2 | 2,3 |
L3 | 4,5,6,7 |
L4 | 9,10,11 |
L5 | 8,12,13,14,15,16 |
接着通过识别计算任务在分层集中的位置,利用实施例1中式子确定每个计算任务的位置优先度,层内任务位置优先度一致,层间任务位置优先度随层数的下降递减,位置优先度如表2所示。
表2:计算任务的位置优先度表。
层数 | 节点 | 位置优先度 |
L1 | 1 | 5/2<sup>4</sup> |
L2 | 2,3 | 5/2<sup>3</sup> |
L3 | 4,5,6,7 | 5/2<sup>2</sup> |
L4 | 9,10,11 | 5/2<sup>1</sup> |
L4 | 8,12,13,14,15,16 | 5/2<sup>0</sup> |
通过上述公式计算任务复杂度来对层内每个计算任务加权及确定每个计算任务的加权位置优先度,每个计算任务的复杂度如表3所示,加权位置优先度如表4所示。
表3:计算任务的复杂度表。
表4:计算任务的加权位置优先度表。
进一步利用上式对每个计算任务评分,将该计算任务放置到调度列表的首位,得到包含所有计算任务的调度列表如表5所示。
表5:调度列表。
调用并执行调度列表首位的计算任务,执行计算任务时依据生成的路径集来调用其所需的父任务计算结果,执行完成后,缓存其数据结果,供后续的子任务调用,并将其在调度列表中清除,直到调度列表为空,清除缓存数据,多能源系统数字孪生复杂应用调度管理算法结束。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种多能源系统数字孪生应用管理调度方法,其特性在于,包括:
利用深度优先搜索的多能源设备数字孪生复杂应用依赖关系梳理策略,构建规划和运行优化应用的分层集和路径集;
根据识别计算任务在所述分层集中的位置,利用贪心算法的多能源设备数字孪生计算任务调度管理策略,通过识别每个计算任务的位置和权重综合衡量其优先度;
基于所述计算任务的优先度得到每个计算任务的先后调用和执行顺序;
调用并执行调度列表首位的计算任务,缓存其数据结果,并将其在所述调度列表中清除,直到所述调度列表为空,清除缓存数据,完成多能源系统数字孪生应用管理调度。
2.如权利要求1所述的多能源系统数字孪生应用管理调度方法,其特征在于:所述计算任务之间的关系包括信息交互、前后依赖和逻辑触发。
3.如权利要求1或2所述的多能源系统数字孪生应用管理调度方法,其特征在于:所述依赖关系包括,
一个复杂应用的功能性计算任务之间存在互为父子关系,且每个任务只能获取其父任务的信息即其所依赖的任务,此为依赖关系。
4.如权利要求1所述的多能源系统数字孪生应用管理调度方法,其特征在于:所述任务分层集包括L={L1,L2,L3,...,Lh}。
5.如权利要求1或4所述的多能源系统数字孪生应用管理调度方法,其特征在于:所述任务路径集包括P={P1,P2,P3,...,PN}。
8.如权利要求1或6所述的多能源系统数字孪生应用管理调度方法,其特征在于:所述贪心算法的评分函数包括位置优先度和加权位置优先度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011196838.4A CN112306658B (zh) | 2020-10-31 | 2020-10-31 | 一种多能源系统数字孪生应用管理调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011196838.4A CN112306658B (zh) | 2020-10-31 | 2020-10-31 | 一种多能源系统数字孪生应用管理调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112306658A true CN112306658A (zh) | 2021-02-02 |
CN112306658B CN112306658B (zh) | 2024-08-02 |
Family
ID=74334022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011196838.4A Active CN112306658B (zh) | 2020-10-31 | 2020-10-31 | 一种多能源系统数字孪生应用管理调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112306658B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205506A (zh) * | 2021-05-17 | 2021-08-03 | 上海交通大学 | 一种电力设备全空间信息三维重构方法 |
CN113221456A (zh) * | 2021-05-11 | 2021-08-06 | 上海交通大学 | 一种智慧微电网的数字孪生建模和多智能体协调控制方法 |
CN113792419A (zh) * | 2021-08-30 | 2021-12-14 | 北京市地铁运营有限公司供电分公司 | 一种城轨供电系统数字孪生的多尺度仿真设计方法 |
WO2022199089A1 (zh) * | 2021-03-26 | 2022-09-29 | 中兴通讯股份有限公司 | 网络管控方法及其系统、网络系统、存储介质 |
CN117217008A (zh) * | 2023-09-15 | 2023-12-12 | 国网四川省电力公司电力科学研究院 | 一种输电网变压器的数字孪生模型构建方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286572A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | Digital twin of twinned physical system |
CN109657354A (zh) * | 2018-12-20 | 2019-04-19 | 华中科技大学 | 一种基于数字孪生的混流装配车间快速重构方法及系统 |
CN110675088A (zh) * | 2019-10-12 | 2020-01-10 | 北京航空航天大学 | 一种数字孪生系统复杂任务高效划分方法 |
CN110674078A (zh) * | 2019-10-08 | 2020-01-10 | 北京航空航天大学 | 一种数字孪生系统复杂任务异构多核并行高效求解方法和系统 |
CN110705868A (zh) * | 2019-09-27 | 2020-01-17 | 江苏科技大学 | 一种基于孪生数据的船舶堆场作业调度系统及其调度方法 |
CN110750345A (zh) * | 2019-10-16 | 2020-02-04 | 北京航空航天大学 | 一种数字孪生系统复杂任务高效调度系统 |
CN111210184A (zh) * | 2020-01-15 | 2020-05-29 | 北京航空航天大学 | 一种数字孪生车间物料准时配送方法及系统 |
US20200272472A1 (en) * | 2018-05-06 | 2020-08-27 | Strong Force TX Portfolio 2018, LLC | System and method for adjusting a facility configuration based on a set of parameters from a digital twin |
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
-
2020
- 2020-10-31 CN CN202011196838.4A patent/CN112306658B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286572A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | Digital twin of twinned physical system |
US20200272472A1 (en) * | 2018-05-06 | 2020-08-27 | Strong Force TX Portfolio 2018, LLC | System and method for adjusting a facility configuration based on a set of parameters from a digital twin |
CN109657354A (zh) * | 2018-12-20 | 2019-04-19 | 华中科技大学 | 一种基于数字孪生的混流装配车间快速重构方法及系统 |
CN110705868A (zh) * | 2019-09-27 | 2020-01-17 | 江苏科技大学 | 一种基于孪生数据的船舶堆场作业调度系统及其调度方法 |
CN110674078A (zh) * | 2019-10-08 | 2020-01-10 | 北京航空航天大学 | 一种数字孪生系统复杂任务异构多核并行高效求解方法和系统 |
CN110675088A (zh) * | 2019-10-12 | 2020-01-10 | 北京航空航天大学 | 一种数字孪生系统复杂任务高效划分方法 |
CN110750345A (zh) * | 2019-10-16 | 2020-02-04 | 北京航空航天大学 | 一种数字孪生系统复杂任务高效调度系统 |
CN111210184A (zh) * | 2020-01-15 | 2020-05-29 | 北京航空航天大学 | 一种数字孪生车间物料准时配送方法及系统 |
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
Non-Patent Citations (1)
Title |
---|
沈沉, 贾孟硕, 陈颖: "能源互联网数字孪生及其应用", 《能源互联网数字孪生及其应用》, vol. 3, no. 01 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022199089A1 (zh) * | 2021-03-26 | 2022-09-29 | 中兴通讯股份有限公司 | 网络管控方法及其系统、网络系统、存储介质 |
CN113221456A (zh) * | 2021-05-11 | 2021-08-06 | 上海交通大学 | 一种智慧微电网的数字孪生建模和多智能体协调控制方法 |
CN113205506A (zh) * | 2021-05-17 | 2021-08-03 | 上海交通大学 | 一种电力设备全空间信息三维重构方法 |
CN113792419A (zh) * | 2021-08-30 | 2021-12-14 | 北京市地铁运营有限公司供电分公司 | 一种城轨供电系统数字孪生的多尺度仿真设计方法 |
CN113792419B (zh) * | 2021-08-30 | 2024-02-06 | 北京市地铁运营有限公司供电分公司 | 一种城轨供电系统数字孪生的多尺度仿真设计方法 |
CN117217008A (zh) * | 2023-09-15 | 2023-12-12 | 国网四川省电力公司电力科学研究院 | 一种输电网变压器的数字孪生模型构建方法 |
CN117217008B (zh) * | 2023-09-15 | 2024-05-07 | 国网四川省电力公司电力科学研究院 | 一种输电网变压器的数字孪生模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112306658B (zh) | 2024-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112306658B (zh) | 一种多能源系统数字孪生应用管理调度方法 | |
CN103729248B (zh) | 一种基于缓存感知的确定待迁移任务的方法和装置 | |
CN110737529A (zh) | 一种面向短时多变大数据作业集群调度自适应性配置方法 | |
CN106315319B (zh) | 一种电梯智能预调度方法及系统 | |
CN109491761A (zh) | 基于eda-ga混合算法的云计算多目标任务调度方法 | |
CN110399222A (zh) | Gpu集群深度学习任务并行化方法、装置及电子设备 | |
CN105302632A (zh) | 一种云计算工作负载动态整合方法 | |
CN110188919A (zh) | 一种基于长短期记忆网络的负荷预测方法 | |
CN104765642B (zh) | 云环境下基于动态预测模型的虚拟机部署方法及系统 | |
CN114915630A (zh) | 基于物联网设备的任务分配方法、网络训练方法及装置 | |
CN105373432A (zh) | 一种基于虚拟资源状态预测的云计算资源调度方法 | |
Muhuri et al. | On arrival scheduling of real-time precedence constrained tasks on multi-processor systems using genetic algorithm | |
CN115168027A (zh) | 一种基于深度强化学习的算力资源度量方法 | |
CN105005503A (zh) | 基于元胞自动机的云计算负载均衡任务调度方法 | |
Zhao et al. | A drl-based reactive scheduling policy for flexible job shops with random job arrivals | |
CN116932198A (zh) | 资源调度方法、装置、电子设备及可读存储介质 | |
CN108769105A (zh) | 一种云环境下的知识服务多任务调度优化方法及其构建的调度系统 | |
CN117349026B (zh) | 一种用于aigc模型训练的分布式算力调度系统 | |
CN113608855B (zh) | 一种边缘计算中服务功能链放置的强化学习方法 | |
CN113190342B (zh) | 用于云-边协同网络的多应用细粒度卸载的方法与系统架构 | |
CN115086249A (zh) | 一种基于深度强化学习的云数据中心资源分配方法 | |
Davami et al. | Distributed scheduling method for multiple workflows with parallelism prediction and DAG prioritizing for time constrained cloud applications | |
Zhou et al. | DPS: Dynamic pricing and scheduling for distributed machine learning jobs in edge-cloud networks | |
Yang et al. | Design of kubernetes scheduling strategy based on LSTM and grey model | |
CN113139639A (zh) | 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 |
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 |