CN112383433B - 面向区域电网cps稳定控制的边缘计算优化配置方法 - Google Patents

面向区域电网cps稳定控制的边缘计算优化配置方法 Download PDF

Info

Publication number
CN112383433B
CN112383433B CN202011271139.1A CN202011271139A CN112383433B CN 112383433 B CN112383433 B CN 112383433B CN 202011271139 A CN202011271139 A CN 202011271139A CN 112383433 B CN112383433 B CN 112383433B
Authority
CN
China
Prior art keywords
node
information
stability
cps
power grid
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
CN202011271139.1A
Other languages
English (en)
Other versions
CN112383433A (zh
Inventor
杨挺
张东
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202011271139.1A priority Critical patent/CN112383433B/zh
Publication of CN112383433A publication Critical patent/CN112383433A/zh
Application granted granted Critical
Publication of CN112383433B publication Critical patent/CN112383433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/083—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for increasing network speed
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种面向区域电网CPS稳定控制的边缘计算优化配置方法，包括：分别进行端到端的信息实时度、信息准确度和信息完整度指标量化计算，并采用小干扰电压变化观测方法量化电力稳定性标度；综合CPS网络中对信息稳定性和电力稳定性的量化分析，计及信息侧和电力侧的约束条件，建立基于信息‑电力混合熵理论的边缘计算节点部署配置模型；采用二进制粒子群算法求解边缘计算节点部署配置模型。本发明解决了传统区域电网CPS的物理系统和信息系统间统一建模难题。本发明可有效提升对网络状态获取时效性，并实现对区域电网本地控制快速响应，在进行负荷频率控制时较集中式控制具有更好的动态性能，保障系统可靠稳定运行。

Description

面向区域电网CPS稳定控制的边缘计算优化配置方法
技术领域
本发明涉及一种边缘计算优化配置方法。特别是涉及一种面向区域电网CPS稳定控制的边缘计算优化配置方法。
背景技术
现代通信信息技术快速发展以及其与电力系统的深度融合，使得现行电网已成为信息物理相互耦合的复杂系统。在电力信息物理系统(Cyber Physical System,CPS)中，分布式能源并网状态监控、继电保护装置投切、用户智能电表量测等物理设备和用户需求更加复杂多样。传统依靠单一云主站的集中计算处理模式存在着海量汇聚数据流传输高时延高拥塞、信息远离设备端且排队处理缓慢等弊端，难以完全支撑智能电网的实时高效信息分析、处理和决策需求。
边缘计算技术将计算力下放至近电力终端物理设备和数据源侧，采用分区治理的方法，基于各区域优化部署配置的边缘计算节点在区域中对控制执行单元侧进行系统态势感知、数据分析并做出自主快速决策，可有效提升区域CPS实时分析、计算、控制能力，满足电力系统快速反应需求，进而更好支撑CPS系统网络化最优控制运行，提升系统运行稳定性以及经济性。
现行电力信息物理系统研究中均没有涉及边缘计算节点(Edge Computing Node,ECN)的部署配置这一特殊问题：(1)首先，边缘计算节点有别于普通的信息终端或传感器，是区域的核心枢纽节点，其担负本区域内信息的汇聚、分析和计算功能。因此，边缘计算节点在CPS信息空间中的部署位置不同将直接影响数据流汇聚传输的稳定度和获取信息表达准确度(如受到传输延时、误码、丢包等影响)。(2)由于CPS系统中的电力物理子网与信息子网紧耦合相互依存关系，电力物理节点的稳定度同样作用于边缘计算节点，进而会通过边缘计算节点对自治区域的实时控制决策过程反馈回电力物理子系统，影响系统运行。因此从信息稳定度和电力稳定度双层面分析，在区域电网中优化部署配置边缘计算节点，对保障电网CPS稳定可控运行有重要意义。
随着电力系统中海量终端互联化、设备数据高维化和网架层次复杂化的发展，传统依靠单一的云主站信息处理模式存在着数据传输高时延高拥塞、信息远离设备端且排队处理缓慢等弊端。合理的边缘计算配置可在近终端设备侧对数据对区域电网进行本地快速分析决策，有效弥补云计算的不足。
发明内容
本发明所要解决的技术问题是，提供一种可有效提高网络响应速度，支撑电力系统稳定控制的面向区域电网CPS稳定控制的边缘计算优化配置方法。
本发明所采用的技术方案是：一种面向区域电网CPS稳定控制的边缘计算优化配置方法，包括如下步骤：
1)分别进行端到端的信息实时度λdelay、信息准确度λerror和信息完整度λloss指标量化计算，并采用小干扰电压变化观测方法量化电力稳定性标度λphy；
2)综合CPS网络中对信息稳定性和电力稳定性的量化分析，计及信息侧和电力侧的约束条件，建立基于信息-电力混合熵理论的边缘计算节点部署配置模型；
3)采用二进制粒子群算法求解边缘计算节点部署配置模型。
本发明的面向区域电网CPS稳定控制的边缘计算优化配置方法，面向电力信息物理系统分布式边缘计算需求，计及信息稳定性和电力稳定性，首先数学量化CPS信息传输稳定性和电力支撑稳定性指标，并基于信息-电力混合熵理论构建区域电网CPS边缘计算节点的优化部署配置模型，继而采用改进粒子群算法求解模型。最后，基于改进标准算例进行仿真分析，实验仿真结果验证采用所提方法得到的边缘计算节点部署配置方案可有效提高网络响应速度，支撑电力系统稳定控制。
本发明的方法面向电力息物理系统分布式边缘计算需求，基于信息通信原理和电力潮流计算方法，实现区域电网CPS的信息稳定性和电力稳定性的数学量化计算，为区域电网CPS信息稳定性和电力稳定性提供一种量化判定方法；本发明计及信息稳定性和电力稳定性的量化计算分析结果，基于信息-电力混合熵理论构建区域电网CPS边缘计算节点的优化部署配置模型，解决传统区域电网CPS的物理系统和信息系统间统一建模难题；本发明面向区域电网CPS稳定控制的边缘计算优化配置方法可有效提升对网络状态获取时效性，并实现对区域电网本地控制快速响应，在进行负荷频率控制时较集中式控制具有更好的动态性能，保障系统可靠稳定运行。
附图说明
图1是本发明面向区域电网CPS稳定控制的边缘计算优化配置方法的流程图；
图2是IEEE39节点CPS网络拓扑图；
图3是图2中边缘计算自治域4的通信网络拓扑图；
图4是图2中边缘计算自治域4的网络流量对比图；
图5是不同控制模式下系统频率偏差及自整定过程图。
具体实施方式
下面结合实施例和附图对本发明的面向区域电网CPS稳定控制的边缘计算优化配置方法做出详细说明。
如图1所示，本发明的面向区域电网CPS稳定控制的边缘计算优化配置方法，包括如下步骤：
1)分别进行端到端的信息实时度λdelay、信息准确度λerror和信息完整度λloss指标量化计算，并采用小干扰电压变化观测方法量化电力稳定性标度λphy。其中，
(1.1)在区域电网CPS中，通信延时主要受到网络负载率和路由转发跳数影响，所述的信息实时度λdelay指标量化计算：是将汇聚网络流端到端时延概率分布近似为Pareto分布模型为：
Figure BDA0002777698460000031
式中，λdelay,ij为节点i和节点j的端到端的信息实时度；pdelay,ij为节点i和节点j的端到端时延概率分布；τij min为端到端的最小时延；τij为端到端通信时延；指数ξ取值根据网络重载至轻载情况下进行固定，取值范围为[10,30]。
(1.2)数据在终端设备与边缘节点间传输时，因其信道特性和外界环境作用会产生误码，误码率与信噪比和数据调制方式有关，步骤1)所述的信息准确度λerror指标量化计算表达式为：
Figure BDA0002777698460000032
式中，λerror,ij为节点i和节点j的端到端的信息准确度；perror,ij为节点i和节点j的端到端误码率；rij为节点i与节点j间通信链路信噪比，取值为服从正态分布的随机数；erfc()为互补误差函数，参数σ1和参数σ2与数据调制方式相关，当采用正交相移键控数字调制时，σ1＝σ2＝0.5，则信息准确度指标量化计算表示为：
Figure BDA0002777698460000033
(1.3)所述的信息完整度λloss指标量化计算，是考虑到电网CPS中网络环境和网络设备的特异性，采用两状态马尔可夫模型对区域电网丢包状态进行建模：
Figure BDA0002777698460000034
式中，Qloss为丢包模型状态转移矩阵；s表示由正常收包状态转为丢包状态的概率；t表示自由由丢包状态转为收包状态的概率；
从而得到信息完整度λloss指标量化计算公式为：
λloss,ij＝1-ploss,ij＝1-s/(s+t) (4)
式中，λloss,ij为节点i和节点j的端到端的信息完整度；ploss,ij为节点i和节点j的端到端丢包率。
(1.4)所述的电力稳定性标度λphy，是采用量化区域电网CPS物理节点受扰后的干扰电压变化观测方法，建立节点电力稳定性标度λphy；包括：
通过在系统中增加干扰，基于潮流计算获得节点i的电压增量ΔUi：
Figure BDA0002777698460000035
式中，
Figure BDA0002777698460000036
Figure BDA0002777698460000037
为节点k变化时节点i的电压增量；
Figure BDA0002777698460000038
为节点k变化时节点i电压；UiN为节点i额定电压；
进而定义节点i受节点k扰动后电压偏移量与电压裕度之比的最大值为节点i脆弱性标度pi，pi数值越大，则说明节点i受扰后越脆弱，计算表达式为：
Figure BDA0002777698460000041
其中
Figure BDA0002777698460000042
式中，Ui,cr1与Ui,cr2为节点i电压上、下临界值；
则节点i电力稳定性标度λphy,i与信息稳定度形式一致为
λphy,i＝1-pi (8)。
2)综合CPS网络中对信息稳定性和电力稳定性的量化分析，计及信息侧和电力侧的约束条件，建立基于信息-电力混合熵理论的边缘计算节点部署配置模型。包括：
综合信息稳定性和电力稳定性的量化分析，得到区域电网CPS信息-电力稳定度公式为：
Figure BDA0002777698460000043
式中，λmn为区域电网CPS中边缘计算节点m与终端设备n间的信息-电力稳定度；λphy,m为边缘计算节点m的电力稳定性标度；λdelay,mn、λerror,mn和λloss,mn分别为边缘计算节点m与终端设备n的信息实时度、信息准确度和信息完整度；
熵用于对系统稳定性判定，熵值越大，则说明该系统稳定性越强，因此构建基于信息-电力混合熵理论的边缘计算节点部署配置模型；边缘计算节点部署配置模型的目标函数为：
Figure BDA0002777698460000044
式中，
Figure BDA0002777698460000045
为信息-电力稳定度λmn归一化数值，
Figure BDA0002777698460000046
N为边缘计算节点m所在区域内终端设备个数；
边缘计算节点部署配置模型的约束条件为：
Figure BDA0002777698460000047
模型约束集分别从信息与电力两方面设立，其中信息层面的约束数值为链路利用率上限
Figure BDA0002777698460000048
时延上限
Figure BDA0002777698460000049
误码率上限
Figure BDA00027776984600000410
和丢包率上限
Figure BDA00027776984600000411
信息层面的各参数均不能违背各自的阈值上限；电力物理层面约束则考虑机组出力与支路潮流约束，其中
Figure BDA0002777698460000051
和PG,h 分别为机组h出力上下限，而支路潮流Pij限制约束则维持在限制范围内。
3)采用二进制粒子群算法求解边缘计算节点部署配置模型，初始化粒子群的位置和速度。包括：
(3.1)根据边缘计算节点部署配置模型的目标函数，将粒子群算法的适应度函数H设置为：
Figure BDA0002777698460000052
其中，
Figure BDA0002777698460000053
为信息-电力稳定度λmn归一化数值，
Figure BDA0002777698460000054
N为边缘计算节点m所在区域内终端设备个数；
(3.2)将各粒子当前的适应度值与所经历的粒子历史最优值yxd进行比较，更新粒子历史最优值yxd；
(3.3)将各粒子当前的适应度值与全局所经历的全局历史最优值ygd进行比较，更新全局历史最优值ygd；
(3.4)根据下式分别计算更新粒子的速度和位置：
在各粒子速度更新公式中采用转换限制函数sig(·)将速度值映射在[0,1]中：
Figure BDA0002777698460000055
进而得到二进制粒子群算法的位置和速度更新公式分别为：
Figure BDA0002777698460000056
vxd＝vxd+c1(yxd-bxd)+c2(ygd-bxd) (15)
式中，bxd为粒子x在d时刻的飞行位置，即用0或1表示可能的部署配置方案；vxd表示粒子x在d时刻的飞行速度，即表示区域内该点部署边缘计算节点的概率；yxd和ygd为粒子x和种群的历史最优位置；c1和c2为常数，取值为正整数；
(3.5)判断混合熵是否为最优解，是，则输出区域电网CPS中边缘计算节点最优部署配置方案；否则放弃当前所对应的边缘计算节点部署配置方案。其中，所述的判断混合熵是否为最优解，是：
当改进粒子群算法求解边缘计算节点部署配置模型至预定迭代次数时，对各迭代次数中的适应度函数H的数值大小进行比对，取适应度函数最大值Hmax所对应的边缘计算节点最优部署配置方案，作为求解模型的最终输出部署方案。
为验证本发明的面向区域电网CPS稳定控制的边缘计算优化配置方法的有效性，选用IEEE39节点标准算例作为仿真实验的电力拓扑网络，并且按照对全网节点全监控原则电网中每个电气节点对应具备监控功能的通信终端设备，并且通信链路沿电力线走向组建紧耦合的通信信息网络，其IEEE 39节点CPS网络拓扑结构如图2所示。表1为算例中发电机组参数，通信参数阈值设置为表2所示，对于链路利用率来说，通常遵循长相关、自相似的重尾分布，认为其服从威布尔分布。
表1标准算例发电机组参数
Figure BDA0002777698460000061
表2 CPS通信网络QoS阈值
Figure BDA0002777698460000062
对于IEEE39节点，采用基于配网潮流和线路阻抗的社团划分算法，将CPS网络最终划分为6个边缘计算自治域，如图2所示。对各边缘计算自治域电网CPS中采用混合熵理论和BPSO算法在计算最优边缘计算节点部署配置方案，结果如图2标★位置所示。
图3给出图2中第4个边缘计算自治域的通信信息子系统网络结构。其中，边缘计算节点优化配置于节点6位置。验证实验模拟在系统运行t＝4.1s时节点7受负荷扰动并上传突发数据，边缘计算节点ECN对其进行域内调度平抑控制。在此对比分析边缘计算节点设置在不同位置时CPS网络通信性能。
图4给出了边缘计算节点在不同配置位置下的网络流量。由图可知，不同部署配置方案对突发信息接收速度存在差异。当边缘计算节点部署在节点6时，4.17s～4.68s接收节点7扰动信息，网络流量发生突增，经计算决策对其进行自治域内调度控制，表现为4.68s后网络流量持续小抖动；与之相比，边缘计算节点部署至节点5处则在4.29s～4.8s收到节点7上报信息后实施本地控制；而部署于节点9时，边缘计算节点于4.47s～5.01s才收到突发信息。通过上述对比，可以看到在边缘计算自治域4中边缘计算节点ECN放置在节点6处最优，对于异常状态信息收集速度明显优于其他部署配置方案。
为进一步分析边缘计算节点部署配置对于信息物理紧耦合的电力系统调度控制性能的影响，选择负荷频率控制(Load Frequency Control,LFC)为例进行仿真实验。实验中设置母线7处产生0.1pu.的负荷波动，则自治域内母线31处发电机组对系统频率偏差进行平抑。参照IEEE39标准算例机组参数，采用经典PI控制，其模型参数设置如表3所示。
表3网络时延参数
Figure BDA0002777698460000071
图5给出不同控制模式下系统频率偏差及自整定动态过程。由图可知，网络控制性能因在不同的计算模式及边缘计算节点部署配置情况下存在明显差异性。基于模式1云计算集中式控制时，即云计算节点(Cloud Computing Node,CCN)部署于节点16，由于网络时延影响，致使系统频率控制存在滞后性，机组出力无法有效实时跟踪负荷波动，LFC超调相对其他模式下较大，在3.03s时频率偏差达到最值-0.021Hz，且系统自整定过程缓慢，在25秒后还未收敛稳定；而与之相比，边缘计算模式近设备侧控制，使得系统频率可较为快速达到收敛值，保证系统频率稳定。其中将边缘计算节点设置在节点6处情况下，同模式1相比可将系统频率最大偏差降低16.43％；并且频率偏差可在15.81s实现有效收敛，比设置在节点5时的22.35s收敛具有更好的动态性能。

Claims (7)

1.一种面向区域电网CPS稳定控制的边缘计算优化配置方法，其特征在于，包括如下步骤：
1)分别进行端到端的信息实时度λdelay、信息准确度λerror和信息完整度λloss指标量化计算，并采用小干扰电压变化观测方法量化电力稳定性标度λphy；
2)综合信息物理系统CPS网络中对信息稳定性和电力稳定性的量化分析，考虑信息侧和电力侧的约束条件，建立基于信息-电力混合熵理论的边缘计算节点部署配置模型；包括：
综合信息稳定性和电力稳定性的量化分析，得到区域电网CPS信息-电力稳定度公式为：
Figure FDA0003294031960000011
式中，λmn为区域电网CPS中边缘计算节点m与终端设备n间的信息-电力稳定度；λphy,m为边缘计算节点m的电力稳定性标度；λdelay,mn、λerror,mn和λloss,mn分别为边缘计算节点m与终端设备n的信息实时度、信息准确度和信息完整度；
熵用于对系统稳定性判定，熵值越大，则说明该系统稳定性越强，因此构建基于信息-电力混合熵理论的边缘计算节点部署配置模型；边缘计算节点部署配置模型的目标函数为：
Figure FDA0003294031960000012
式中，
Figure FDA0003294031960000013
为信息-电力稳定度λmn归一化数值，
Figure FDA0003294031960000014
N为边缘计算节点m所在区域内终端设备个数；F为信息-电力混合熵值；λcby,m为中间变量，是边缘计算节点m的信息稳定性标度；
边缘计算节点部署配置模型的约束条件为：
Figure FDA0003294031960000015
模型约束集分别从信息与电力两方面设立，其中信息层面的约束数值为链路利用率上限
Figure FDA0003294031960000016
时延上限
Figure FDA0003294031960000017
误码率上限
Figure FDA0003294031960000018
和丢包率上限
Figure FDA0003294031960000019
信息层面的各参数均不能违背各自的阈值上限；电力物理层面约束则考虑机组出力与支路潮流约束，其中
Figure FDA00032940319600000110
和PG,h 分别为机组h出力上下限，而支路潮流Pij限制约束则维持在限制范围内；
3)采用二进制粒子群算法求解边缘计算节点部署配置模型。
2.根据权利要求1所述的面向区域电网CPS稳定控制的边缘计算优化配置方法，其特征在于，步骤1)所述的信息实时度λdelay指标量化计算：是将汇聚网络流端到端时延概率分布近似为Pareto分布模型为：
Figure FDA0003294031960000021
式中，λdelay,ij为节点i和节点j的端到端的信息实时度；pdelay,ij为节点i和节点j的端到端时延概率分布；τij min为端到端的最小时延；τij为端到端通信时延；指数ξ取值根据网络重载至轻载情况下进行固定，取值范围为[10,30]。
3.根据权利要求1所述的面向区域电网CPS稳定控制的边缘计算优化配置方法，其特征在于，步骤1)所述的信息准确度λerror指标量化计算表达式为：
Figure FDA0003294031960000022
式中，λerror,ij为节点i和节点j的端到端的信息准确度；perror,ij为节点i和节点j的端到端误码率；rij为节点i与节点j间通信链路信噪比，取值为服从正态分布的随机数；erfc()为互补误差函数，参数σ1和参数σ2与数据调制方式相关，当采用正交相移键控数字调制时，σ1＝σ2＝0.5，则信息准确度指标量化计算表示为：
Figure FDA0003294031960000023
4.根据权利要求1所述的面向区域电网CPS稳定控制的边缘计算优化配置方法，其特征在于，步骤1)所述的信息完整度λloss指标量化计算，是考虑到电网CPS中网络环境和网络设备的特异性，采用两状态马尔可夫模型对区域电网丢包状态进行建模：
Figure FDA0003294031960000024
式中，Qloss为丢包模型状态转移矩阵；s表示由正常收包状态转为丢包状态的概率；t表示自由丢包状态转为收包状态的概率；
从而得到信息完整度λloss指标量化计算公式为：
λloss,ij＝1-ploss,ij＝1-s/(s+t) (4)
式中，λloss,ij为节点i和节点j的端到端的信息完整度；ploss,ij为节点i和节点j的端到端丢包率。
5.根据权利要求1所述的面向区域电网CPS稳定控制的边缘计算优化配置方法，其特征在于，步骤1)所述的电力稳定性标度λphy，是采用量化区域电网CPS物理节点受扰后的小干扰电压变化观测方法，建立节点电力稳定性标度λphy；包括：
通过在系统中增加干扰，基于潮流计算获得节点i的电压增量ΔUi：
Figure FDA0003294031960000031
式中，
Figure FDA0003294031960000032
Figure FDA0003294031960000033
为节点k变化时节点i的电压增量；Ui k为节点k变化时节点i电压；UiN为节点i额定电压；
进而定义节点i受节点k扰动后电压偏移量与电压裕度之比pi k的最大值为节点i脆弱性标度pi，pi数值越大，则说明节点i受扰后越脆弱，计算表达式为：
Figure FDA0003294031960000034
其中
Figure FDA0003294031960000035
式中，Ui,cr1与Ui,cr2为节点i电压上、下临界值；
Figure FDA0003294031960000036
为节点i受节点k扰动后电压偏移量与电压裕度之比；
则节点i电力稳定性标度λphy,i与信息稳定度形式一致为
λphy,i＝1-pi (8)。
6.根据权利要求1所述的面向区域电网CPS稳定控制的边缘计算优化配置方法，其特征在于，步骤3)包括：
(3.1)根据边缘计算节点部署配置模型的目标函数，将粒子群算法的适应度函数H设置为：
Figure FDA0003294031960000037
其中，
Figure FDA0003294031960000038
为信息-电力稳定度λmn归一化数值，
Figure FDA0003294031960000039
N为边缘计算节点m所在区域内终端设备个数；
(3.2)将各粒子当前的适应度值与所经历的粒子历史最优值yxd进行比较，更新粒子历史最优值yxd；
(3.3)将各粒子当前的适应度值与全局所经历的全局历史最优值ygd进行比较，更新全局历史最优值ygd；
(3.4)根据下式分别计算更新粒子的速度和位置：
在各粒子速度更新公式中采用转换限制函数sig(·)将速度值映射在[0,1]中：
Figure FDA00032940319600000310
进而得到二进制粒子群算法的位置和速度更新公式分别为：
Figure FDA0003294031960000041
vxd＝vxd+c1(yxd-bxd)+c2(ygd-bxd) (15)
式中，bxd为粒子x在d时刻的飞行位置，即用0或1表示可能的部署配置方案；vxd表示粒子x在d时刻的飞行速度，即表示区域内节点部署边缘计算节点的概率；yxd和ygd为粒子x和种群的历史最优位置；c1和c2为常数，取值为正整数；
(3.5)判断混合熵是否为最优解，是，则输出区域电网CPS中边缘计算节点最优部署配置方案；否则放弃当前所对应的边缘计算节点部署配置方案。
7.根据权利要求6所述的面向区域电网CPS稳定控制的边缘计算优化配置方法，其特征在于，第(3.5)步中所述的判断混合熵是否为最优解，是：
当改进粒子群算法求解边缘计算节点部署配置模型至预定迭代次数时，对各迭代次数中的适应度函数H的数值大小进行比对，取适应度函数最大值Hmax所对应的边缘计算节点最优部署配置方案，作为求解模型的最终输出部署方案。
CN202011271139.1A 2020-11-13 2020-11-13 面向区域电网cps稳定控制的边缘计算优化配置方法 Active CN112383433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011271139.1A CN112383433B (zh) 2020-11-13 2020-11-13 面向区域电网cps稳定控制的边缘计算优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011271139.1A CN112383433B (zh) 2020-11-13 2020-11-13 面向区域电网cps稳定控制的边缘计算优化配置方法

Publications (2)

Publication Number Publication Date
CN112383433A CN112383433A (zh) 2021-02-19
CN112383433B true CN112383433B (zh) 2022-01-14

Family

ID=74582405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011271139.1A Active CN112383433B (zh) 2020-11-13 2020-11-13 面向区域电网cps稳定控制的边缘计算优化配置方法

Country Status (1)

Country Link
CN (1) CN112383433B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717300A (zh) * 2019-09-27 2020-01-21 云南电网有限责任公司 面向电力物联实时在线监测业务的边缘计算任务分配方法
CN111026548A (zh) * 2019-11-28 2020-04-17 国网甘肃省电力公司电力科学研究院 一种逆向深度强化学习的电力通信设备测试资源调度方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107231250B (zh) * 2017-04-25 2022-08-19 全球能源互联网研究院 一种基于电网信息物理系统感知数据压缩采样方法及装置
US10938656B2 (en) * 2018-12-27 2021-03-02 Intel Corporation Methods, systems, articles of manufacture and apparatus to coordinate a node level adaptation

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717300A (zh) * 2019-09-27 2020-01-21 云南电网有限责任公司 面向电力物联实时在线监测业务的边缘计算任务分配方法
CN111026548A (zh) * 2019-11-28 2020-04-17 国网甘肃省电力公司电力科学研究院 一种逆向深度强化学习的电力通信设备测试资源调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Energy Equipartition Stabilization and Cascading Resilience Optimization for Geospatially Distributed Cyber-Physical Network Systems;Xianlin Zeng等;《IEEE Transactions on Systems, Man, and Cybernetics: Systems》;20140514;第45卷(第1期);第25-43页 *
一种基于熵的电力通信网络业务资源均匀分配算法;崔力民等;《电网技术》;20170712;第41卷(第9期);第3066-3073页 *
面向完全分布式控制的微电网信息物理系统建模与可靠性评估;王振刚等;《电网技术》;20190705;第49卷(第7期);第2413-2421页 *

Also Published As

Publication number Publication date
CN112383433A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
He et al. OpenFlow‐based low‐overhead and high‐accuracy SDN measurement framework
CN113114582A (zh) 基于机器学习的链路拥塞故障预测及网络自主管控方法
Rinaldi et al. Software defined networking applied to the heterogeneous infrastructure of smart grid
CN114513451A (zh) 一种基于风险均衡的电网双路由规划方法及系统
Li et al. Output-feedback control under hidden Markov analog fading and redundant channels
Belhaj et al. Modeling and Prediction of the Internet End-to-end Delay using Recurrent Neural Networks.
CN112383433B (zh) 面向区域电网cps稳定控制的边缘计算优化配置方法
Zhang et al. Reliability and survivability analysis of artificial cobweb network model used in the low-voltage power-line communication system
Ding et al. A delay and load-balancing based hierarchical route planning method for transmission line IoT sensing and monitoring applications
Qu et al. Cooperative control based on distributed estimation of network connectivity
Alonso et al. A switch promotion algorithm for improving PRIME PLC network latency
Farahani et al. LMI-based congestion control algorithms for a delayed network
Targhi et al. Accuracy evaluation of delivered measurements to HMI in a real SCADA automation system
Madsen et al. Utilizing network qos for dependability of adaptive smart grid control
Adachi et al. Distributed optimal estimation with scalable communication cost
Pezzutto et al. SNR-triggered communication rate for LQG control over Wi-Fi
Cheng et al. Internet traffic characterization using packet-pair probing
Chen et al. A Markovian jump congestion control strategy for mobile ad-hoc networks with differentiated services traffic
Li et al. A Smith predictor-based PI-controller for active queue management
Kirti et al. On the communication architecture for wide-area real-time monitoring in power networks
Ma et al. A Rapid Configuration Mechanism Based on Load Measurement for NETCONF in SDN Networks
Chatzigeorgiou et al. Evaluation of Inference Algorithms for Distributed Channel Allocation in Wireless Networks
Gawron-Deutsch et al. Grid based routing-virtuegrid SDN whitepaper
CN103825840B (zh) 一种流量调度方法和设备
US11683260B2 (en) Estimating a traffic matrix of a communication network using network topology features

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