CN114675963A - 光伏5g基站系统中基于设备优先级的多任务处理方法 - Google Patents
光伏5g基站系统中基于设备优先级的多任务处理方法 Download PDFInfo
- Publication number
- CN114675963A CN114675963A CN202210170327.8A CN202210170327A CN114675963A CN 114675963 A CN114675963 A CN 114675963A CN 202210170327 A CN202210170327 A CN 202210170327A CN 114675963 A CN114675963 A CN 114675963A
- Authority
- CN
- China
- Prior art keywords
- edge
- data
- task
- priority
- equipment
- 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.)
- Pending
Links
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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种光伏5G基站系统中基于设备优先级的多任务处理方法,包括:获取终端层设备状态信息后,与终端层设备的优先级信息形成数据包发出任务;边缘层设备接收任务先暂存在边缘缓冲区,按照终端层设备优先级高低的先后顺序,判断状态信息数据是否异常,如果一段时间内同类型的异常数据出现频次高于设定阈值,则任务上传云层设备处理,否则任务进入边缘层设备处理,并在边缘缓冲区清除该任务;软件定义网络(SDN)控制器根据数据包中的优先级信息分配边缘层设备的服务器资源对待处理任务进行处理;处理结果反馈至终端层设备;重复执上述步骤,直至边缘缓冲区任务清空。本发明可提高系统任务处理的目的性和效率,降低故障对系统造成的成本损失。
Description
技术领域
本发明涉及光伏新能源5G基站技术领域,更具体地说,本发明涉及一种用于光伏5G基站系统的边缘计算中在延时与功耗双目标优化前提下的光伏5G基站系统中基于设备优先级的多任务处理方法。
背景技术
随着新能源技术的发展,利用新能源(如光伏)构建的5G基站微电网系统,既解决了5G基站功耗大的问题,又可以充分利用新能源,无论对于电力系统还是通信系统来说都是一项具有前瞻性的举措。光伏5G基站在作为系统负载同时还需支持系统内部的通信来实现边缘计算和云计算。其中边缘层面临多个终端设备,因此会面临多个任务同时需要处理的情况,例如某一蓄电池发生故障,之后汇流箱也发生故障,按照传统处理方式需处理完蓄电池故障后再处理汇流箱故障。蓄电池故障会造成一定能量流失,但汇流箱故障将会影响整个系统能量传输,对系统运行造成更大的成本损失,因此边缘层按照任务到达的先后顺序进行处理具有一定的不合理性。且针对有限的边缘服务资源对任务处理产生的影响,如当仅有一项任务产生时,系统默认将其分配到最优的资源进行处理,随后优先级相对较高的设备产生任务,则会因为最优服务资源已被占用而得不到及时处理使系统蒙受较大损失。
发明内容
本发明的一个目的是解决至少上述缺陷,并提供至少后面将说明的优点。
本发明的另一个目的是提供一种光伏5G基站系统中基于设备优先级的多任务处理方法,解决传统边缘层按照任务到达顺序进行处理的不合理性问题;同时针对传统多目标遗传算法(NSGA-2)算法中未考虑帕累托等级和拥挤度均相同情况下的择优条件,将设备优先级作为该情况下的依据条件进行择优操作,实现系统运行时低延时,低能耗,故障时成本损失最小的理想状态;且融合软件定义网络(SDN)技术,对有限的边缘服务资源实现最优利用。
为了实现本发明的这些目的和其它优点,本发明提供一种光伏5G基站系统中基于设备优先级的多任务处理方法,包括:
步骤一、获取光伏5G基站系统中的终端层设备状态信息后,与终端层设备的优先级信息打包为数据包后发出任务;
步骤二、光伏5G基站系统中的边缘层设备接收任务后将数据包先暂存在边缘缓冲区,按照终端层设备优先级高低的先后顺序,依次判断状态信息数据是否异常,如果一段时间内同类型的异常数据出现的频次高于设定阈值,则任务直接上传云层设备进行处理,否则任务进入边缘层设备待处理任务行列,并在边缘缓冲区清除该任务;
步骤三、通过软件定义网络(SDN)控制器依据数据包中的优先级信息分配边缘层设备的服务器资源对待处理任务进行处理;
步骤四、边缘层设备处理结果直接反馈终端层设备,云层处理结果经边缘层设备传输至终端层设备;
步骤五、重复执行步骤二至步骤四,直至边缘缓冲区任务清空。
优选的是,所述的光伏5G基站系统中基于设备优先级的多任务处理方法中,具体的,所述步骤二中,接收到数据包后,边缘层设备提取数据包中的优先级信息进行高低排序,数据处理任务排序与优先级信息排序相对应;
以边缘层设备中存储的一段时间的历史数据作为比对基础,历史数据中人为设定的区间数值为正常数据,超出人为设定的区间数值的为异常数据,异常数据中,低于人为设定的区间数值的为第一类型异常数据,高于人为设定的区间数值的为第二类型异常数据;
从优先级高的任务开始,依次判断任务中的状态信息数据是否异常,如果数据异常则与历史数据进行比对,得到同类型异常数据出现的频率,如果同类型异常数据出现的频率超出设定阈值则上传云层设备进出处理,反之则保留在边缘层设备中进行处理;所述一段时间是指2~4个月,边缘层设备按时间依次存储数据包的异常数据作为历史数据,并依次删除过期的历史数据。设定的时间段优选3个月即一个季度,3个月以下太短,不能体现季度光照的偏差以及变化,3个月以上太长,存储数据太多容易造成设备资源浪费。同时可以根据不同地方的光照变化规律来调整设定时间段,近地球赤道区域的光照变化规律少,可以相应的将设定时间段缩短,如果为新疆等偏离赤道地区,可以相应的将设定时间段延长。优选的是,边缘层存储异常数据作为历史数据而非全部数据可以有效减少数据冗余或累赘,减少数据占用空间。
优选的是,所述的光伏5G基站系统中基于设备优先级的多任务处理方法中,所述步骤三中,软件定义网络(SDN)控制器的分配规则具体为:
根据优先级信息值的大小将优先级划分为若干等级;同时将边缘层设备服务器资源的网络拓扑距离也划分相同数量的若干等级;
根据优先级越高即优先级信息值越低分配到网络中拓扑距离越近的资源原则,按照待处理任务对应的优先级将任务分配到相应网络拓扑距离的边缘层设备服务器资源中进行处理。
优选的是,所述的光伏5G基站系统中基于设备优先级的多任务处理方法中,所述步骤一中,终端层设备的优先级信息通过改进的多目标遗传算法(NSGA-2)算法算得,其中:
设定优化目标函数为延时与功耗,染色体上携带的基因对应的为终端层设备优先级信息值,基于终端层设备对系统的重要程度,设定重要程度高的优先级高而对应的基因值低;重要程度低的优先级低而对应的基因值高;
进行以下步骤:
步骤一、参数初始化;
步骤二、随机生成种群;
步骤三、计算父代染色体的目标函数值;
步骤四、根据目标函数值,用快速非支配方法进行帕累托等级划分;
步骤五、计算父代染色体的拥挤度;
步骤六、根据帕累托等级和拥挤度进行择优操作;
步骤七、将择优后的染色体经过交叉变异等产生子代染色体;
步骤八、计算子代染色体的目标函数值;
步骤九、将父、子代染色体混合,并按照快速非支配方法进行帕累托等级划分;
步骤十、计算父、子代染色体的拥挤度以及每个染色体上基因的平均值和方差;
步骤十一、根据帕累托等级,拥挤度,均值和方差进行择优操作,具体如下:
设染色体x1和x2的均值和方差分别为E1,E2和D1,D2;对于x1和x2,如下条件中满足任一个条件则称x1优于x2;
1)x1的帕累托等级数小于x2的帕累托等级数;
2)x1和x2处于同一帕累托等级且x1的拥挤度>x2的拥挤度;
3)x1和x2处于同一帕累托等级且拥挤度相等,则通过x1和x2的E1,E2及D1,D2来判别,具体如下:
①E1>E2,D1>D2 x1优于x2;
②E1>E2,D1<D2 x1优于x2;
③E1<E2,D1>D2 x2优于x1;
④E1<E2,D1<D2 x2优于x1;
⑤E1=E2 方差大的优于方差小的;
⑥D1=D2 期望大的优于期望小的;
步骤十二、重复迭代后得到最优解。
优选的是,所述的光伏5G基站系统中基于设备优先级的多任务处理方法中,所述终端层设备包括:
5G基站主设备、光伏组件、蓄电池、汇流箱、传感器和WiFi模块,传感器分别与5G基站主设备、光伏组件、蓄电池和汇流箱连接而采集其状态信息和优先级信息,WiFi模块与传感器连接用于与边缘层设备无线连接。
优选的是,所述的光伏5G基站系统中基于设备优先级的多任务处理方法中,所述边缘层设备包括边缘服务器,用于提供数据存储资源和计算资源;边缘层设备通过WiFi模块与传感器连接,通过5G通信模块与云层无线连接;
其中,边缘层设备中设置有边缘缓冲区,边缘层设备允许任务直接进入边缘缓冲区,且边缘缓冲区具有足够空间存储终端层设备传输过来的任务。
优选的是,所述的光伏5G基站系统中基于设备优先级的多任务处理方法中,所述云层为包括云服务器,其提供充足的数据存储资源和计算资源。
优选的是,所述的光伏5G基站系统中基于设备优先级的多任务处理方法中,仅任务进入边缘缓冲区时,执行步骤二至步骤四的处理步骤,否则边缘层为空闲状态。
光伏5G基站系统,包括:终端层设备、边缘层设备和云层设备,并通过所述多任务处理方法进行任务处理。
具体地,所述终端层设备包括:5G基站主设备、光伏组件、蓄电池、汇流箱、传感器和WiFi模块,传感器分别与5G基站主设备、光伏组件、蓄电池和汇流箱连接而采集其状态信息和优先级信息,WiFi模块与传感器连接用于与边缘层设备无线连接;
所述边缘层设备包括:边缘服务器,用于提供数据存储资源和计算资源;边缘层设备通过WiFi模块与传感器连接,通过5G通信模块与云层无线连接;其中,边缘层设备中设置有边缘缓冲区,边缘层设备允许任务直接进入边缘缓冲区,且边缘缓冲区具有足够空间存储终端层设备传输过来的任务;
所述云层设备包括:云服务器,其与边缘层连接并提供的数据存储资源和计算资源。
本发明至少包括以下有益效果:
本发明的方法中,一旦多个设备同时产生任务,边缘层依据该优先级信息可以快速的作出任务处理顺序的判决,而不再是按照任务到达的先后顺序来处理,这样可以在一定程度上提高边缘层处理任务时的目的性,精准性,从而提高整个系统的任务处理效率,降低故障对系统造成的成本损失,同时融合软件定义网络(SDN)技术,对有限的边缘服务资源实现最优利用。
本发明基于改进的多目标遗传算法(NSGA-2)算法可在延时与功耗双目标优化的前提下得到终端层设备的优先级排序,可以有效解决传统的多目标遗传算法(NSGA-2)算法在种群中进行个体择优时只考虑了帕累托等级不同和帕累托等级相同而拥挤度不同时的情况,未考虑累托等级相同且拥挤度相同时的情况的问题。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述光伏5G基站系统的架构图;
图2为本发明所述光伏5G基站系统的数据处理流程图;
图3为本发明所述的光伏5G基站系统中基于设备优先级的多任务处理方法流程图;
图4为本发明所述的改进的多目标遗传算法(NSGA-2)算法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
需要说明的是,下述实施方案中所述实验方法,如无特殊说明,均为常规方法,所述试剂和材料,如无特殊说明,均可从商业途径获得。
在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“设置”应做广义理解,例如,可以是固定相连、设置,也可以是可拆卸连接、设置,或一体地连接、设置。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。术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“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,并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。
实施例1
一种光伏5G基站系统中基于设备优先级的多任务处理方法,包括:
步骤一、获取光伏5G基站系统中的终端层设备状态信息后,与终端层设备的优先级信息打包为数据包后发出任务;
步骤二、光伏5G基站系统中的边缘层设备接收任务后将数据包先暂存在边缘缓冲区,按照终端层设备优先级高低的先后顺序,依次判断状态信息数据是否异常,如果一段时间内同类型的异常数据出现的频次高于设定阈值,则任务直接上传云层设备进行处理,否则任务进入边缘层设备待处理任务行列,并在边缘缓冲区清除该任务;
步骤三、通过软件定义网络(SDN)控制器依据数据包中的优先级信息分配边缘层设备的服务器资源对待处理任务进行处理;
步骤四、边缘层设备处理结果直接反馈终端层设备,云层处理结果经边缘层设备传输至终端层设备;
步骤五、重复执行步骤二至步骤四,直至边缘缓冲区任务清空。
具体的,5G基站系统的终端层设备一般包括:作为主设备的5G通信设备、交流直流供电设备、市电连接设备、温控设备、储能设备、监控设备等等。
如果为带光伏发电供电的光伏5G基站系统,还包括光伏组件及相应的汇流设备等等,在关键节点设置传感器或传感器连接至这些设备时,可以采集这些终端层设备的状态信息。
终端层设备优先级信息可以通过改进的方法算出,也可以通过常规方法算出,甚至可以直接人为设定。
在边缘层设备中,边缘缓冲区是分配出来的存储空间,足够容纳多个终端层设备同时产生的任务。
判断状态信息是否正常的方法可以使用常规方法,比如直接设定阈值,当状态信息超出设定阈值时,即可判断异常。
云层可以直接使用现有的云服务器,云服务器提供丰富充足的数据存储资源和计算资源。
根据不同的程序设计,任务的具体处理过程也会不同,如常规的根据终端层设备状态信息进行预警,进行电源切换供电等等,也可以如本申请人在先申请的专利一样进行多源供电的调控,具体参照申请号为2021107480527的中国专利。
软件定义网络(SDN)技术(SDN)逻辑结构分为基础设施层,虚拟层,应用层和软件定义网络(SDN)控制器(简称SDN控制器),其中软件定义网络(SDN)控制器负责资源虚拟化,服务功能虚拟化和整体功能布局调控。
本实施例基于优先级信息来决定任务的处理顺序,一旦多个设备同时产生任务,边缘层依据该优先级信息可以快速的作出任务处理顺序的判决,而不再是按照任务到达的先后顺序来处理,这样可以在一定程度上提高边缘层处理任务时的目的性,精准性,从而提高整个系统的任务处理效率,降低故障对系统造成的成本损失。
且在任务进入边缘层设备时,不直接进行任务处理,而是暂存于边缘缓冲区,先判断状态信息数据是否异常,如果一段时间内同类型的异常数据出现的频次高于设定阈值,则任务直接上传云层设备进行处理;充分利用云层强大的存储和计算资源,且工作人员可以更加快速的从云层获知终端层的异常状态;而出现频率不超于设定阈值的异常数据和正常数据的任务则直接在本地的边缘层设备中进行处理,可以有效减少数据上传的带宽,提高响应速度而降低延时
进一步,在另一种具体的实施方式中,具体的,所述步骤二中,接收到数据包后,边缘层设备提取数据包中的优先级信息进行高低排序,数据处理任务排序与优先级信息排序相对应;
以边缘层设备中存储的一段时间的历史数据作为比对基础,历史数据中人为设定的区间数值为正常数据,超出人为设定的区间数值的为异常数据,异常数据中,低于人为设定的区间数值的为第一类型异常数据,高于人为设定的区间数值的为第二类型异常数据;
从优先级高的任务开始,依次判断任务中的状态信息数据是否异常,如果数据异常则与历史数据进行比对,得到同类型异常数据出现的频率,如果同类型异常数据出现的频率超出设定阈值则上传云层设备进出处理,反之则保留在边缘层设备中进行处理;所述一段时间是指2~4个月,边缘层设备按时间依次存储数据包的异常数据作为历史数据,并依次删除过期的历史数据。设定的时间段优选3个月即一个季度,3个月以下太短,不能体现季度光照的偏差以及变化,3个月以上太长,存储数据太多容易造成设备资源浪费。同时可以根据不同地方的光照变化规律来调整设定时间段,近地球赤道区域的光照变化规律少,可以相应的将设定时间段缩短,如果为新疆等偏离赤道地区,可以相应的将设定时间段延长。
本实施方式中,将同类型数据出现的频率作为阈值来判断是否需要上传云层处理,相比常规的直接设定上传与否,具有更大的灵活性,更高的判断准确率,更加适合用于5G基站这些状态数据波动较大的系统中,特别是结合多种能源联合供电,能源潮汐效应大,能源不稳定的5G光伏基站。
进一步,在另一种具体的实施方式中,所述步骤三中,软件定义网络(SDN)控制器的分配规则具体为:
根据优先级信息值的大小将优先级划分为若干等级;同时将边缘层设备服务器资源的网络拓扑距离也划分相同数量的若干等级;
根据优先级越高即优先级信息值越低分配到网络中拓扑距离越近的资源原则,按照待处理任务对应的优先级将任务分配到相应网络拓扑距离的边缘层设备服务器资源中进行处理。
实施例2
如图4所示,终端层设备的优先级信息通过改进的多目标遗传算法(NSGA-2)算法算得,其中:
设定优化目标函数为延时与功耗,染色体上携带的基因对应的为终端层设备优先级信息值,基于终端层设备对系统的重要程度,设定重要程度高的优先级高而对应的基因值低;重要程度低的优先级低而对应的基因值高;
进行以下步骤:
步骤一、参数初始化;
步骤二、随机生成种群;
步骤三、计算父代染色体的目标函数值;
步骤四、根据目标函数值,用快速非支配方法进行帕累托等级划分;
步骤五、计算父代染色体的拥挤度;
步骤六、根据帕累托等级和拥挤度进行择优操作;
步骤七、将择优后的染色体经过交叉变异等产生子代染色体;
步骤八、计算子代染色体的目标函数值;
步骤九、将父、子代染色体混合,并按照快速非支配方法进行帕累托等级划分;
步骤十、计算父、子代染色体的拥挤度以及每个染色体上基因的平均值和方差;
步骤十一、根据帕累托等级,拥挤度,均值和方差进行择优操作,具体如下:
设染色体x1和x2的均值和方差分别为E1,E2和D1,D2;对于x1和x2,如下条件中满足任一个条件则称x1优于x2;
1)x1的帕累托等级数小于x2的帕累托等级数;
2)x1和x2处于同一帕累托等级且x1的拥挤度>x2的拥挤度;
3)x1和x2处于同一帕累托等级且拥挤度相等,则通过x1和x2的E1,E2及D1,D2来判别,具体如下:
①E1>E2,D1>D2 x1优于x2;
②E1>E2,D1<D2 x1优于x2;
③E1<E2,D1>D2 x2优于x1;
④E1<E2,D1<D2 x2优于x1;
⑤E1=E2 方差大的优于方差小的;
⑥D1=D2 期望大的优于期望小的;
步骤十二、重复迭代后得到最优解。
本实施方式中,基于改进的多目标遗传算法(NSGA-2)算法可在延时与功耗双目标优化的前提下得到终端层设备的优先级排序,可以有效解决传统的多目标遗传算法(NSGA-2)算法在种群中进行个体择优时只考虑了帕累托等级不同和帕累托等级相同而拥挤度不同时的情况,未考虑帕累托等级相同且拥挤度相同时的情况的问题。
实施例3
在实施例1的基础上,所述终端层设备包括:
5G基站主设备、光伏组件、蓄电池、光伏汇流箱、传感器和WiFi模块,传感器分别与5G基站主设备、光伏组件、蓄电池和汇流箱连接而采集其状态信息和优先级信息,WiFi模块与传感器连接用于与边缘层设备无线连接。
进一步,在另一种具体的实施方式中,所述边缘层设备包括边缘服务器,用于提供数据存储资源和计算资源;边缘层设备通过WiFi模块与传感器连接,通过5G通信模块与云层无线连接;
其中,边缘层设备中设置有边缘缓冲区,边缘层设备允许任务直接进入边缘缓冲区,且边缘缓冲区具有足够空间存储终端层设备传输过来的任务。
进一步,在另一种具体的实施方式中,所述云层为包括云服务器,其提供充足的数据存储资源和计算资源。
进一步,在另一种具体的实施方式中,仅任务进入边缘缓冲区时,执行步骤二到步骤四的处理步骤,否则边缘层为空闲状态。
实施例4
光伏5G基站系统,包括:终端层设备、边缘层设备和云层设备,并实施例1所述多任务处理方法进行任务处理。
具体的,参考图1,在该图例中,光伏5G基站系统除了与市电连接外,还利用光伏组件和储能电池供电,光伏汇流箱连接至5G基站主设备,各个设备及线路节点可以设置传感器采集个终端层设备的状态信息,光伏5G基站系统与云数据中心连接,边缘层设备包括服务器和数据库,用于提供计算和存储服务。
实施例5
在该实施例中,如图1所示,光伏5G基站系统结合边缘计算、云计算和软件定义网络(SDN),主要划分为终端层、边缘层和云层三部分。其中5G基站主设备为系统的负载,同时支撑系统的内部通信工作。如数据在终端层通过通信技术传输到边缘层,以及经过加密处理后通过5G蜂窝网络上传云层等。系统其他设备由市电配合供电。
软件定义网络(SDN)技术逻辑结构分为基础设施层,虚拟层,应用层和软件定义网络(SDN)控制器,其中软件定义网络(SDN)控制器负责资源虚拟化,服务功能虚拟化和整体功能布局调控。
终端层包括光伏5G基站系统终端设备和数据传输设备等。具体包括光伏组件,汇流箱,蓄电池,5G基站主设备、数据传感器,Wifi模块等。
每个终端层设备同一时间只产生一项任务。
传感器等数据采集装置设置在连接终端层设备或设置在各支路关键节点中,用于采集各设备或各支路电气状态信息(包括电流,电压,功率)和储能设备的剩余电量状态信息等数据。每个传感器上搭载一个Wifi模块,Wifi模块与边缘服务器相连,通过无线通信进行数据传输。
边缘层包括边缘服务器,提供数据存储资源和计算资源。可进行数据计算,数据存储,数据传输等服务。边缘层数据存储资源可存储某设备设定时间段内的数据以便后期做数据对比。设定的时间段2~4个月,优选3个月即一个季度,3个月以下太短,不能体现季度光照的偏差以及变化,3个月以上太长,存储数据太多容易造成设备资源浪费。同时可以根据不同地方的光照变化规律来调整设定时间段,近地球赤道区域的光照变化规律少,可以相应的将设定时间段缩短,如果为新疆等偏离赤道地区,可以相应的将设定时间段延长。当需要进行任务处理时,依据基于设备优先级的多任务处理方法排序处理,处理完成后将结果返回设备,降低响应延时。或对任务进行加密处理后上传云层,减少数据上传带宽。数据处理流程图如2所示。
边缘层基于设备优先级信息对任务排序流程如图3所示,主要步骤如下:
步骤一、利用改进后的多目标遗传算法(NSGA-2)算法得出终端层设备的优先级排序,并将对应的设备优先级信息存储在对应的传感器上;
步骤二、传感器采集数据信息后,将包含优先级信息和数据信息的数据包通过Wifi模块传送到边缘层,边缘层将该数据包暂存于边缘缓冲区,同时提取并识别数据包中的设备优先级信息;
步骤三、边缘层将提取出的优先级信息值按照从小到大进行排序,并将对应的任务按对应优先级的顺序排序,优先处理优先级信息值小的任务;
步骤四、先判断任务中的数据信息是否异常,如果异常则将任务中的数据信息与边缘层存储资源中的历史数据相比较,若同类型异常数据出现频率超出设定的阈值,则该任务需经加密后上传云层处理,反之,则保留在边缘层等待处理,同时缓冲区中对该任务做清除处理;
步骤五、软件定义网络(SDN)控制器根据任务数据包中的优先级信息为其分配资源,根据优先级信息值的大小和边缘服务器资源的网络拓扑距离分别划分为若干等级(例如5个等级),按照优先级越高即优先级信息值越低分配到网络中拓扑距离越近的资源原则,根据设定的优先级阈值将任务分配到相应网络拓扑距离的边缘服务器资源;
步骤六、边缘层处理结果直接返回终端层,云层处理结果经边缘层后传输至终端层,实现远程调控;
步骤七、再次对边缘层缓冲区的任务进行排序,并重复执行上述步骤三到步骤六,直到边缘层缓冲区为空;
进一步地,为了节约运行成本,对边缘缓冲区采用非连续性监测,即当序列为空时,边缘层处于空闲状态,一旦任务进入缓冲区,则触发机制进行上述的处理步骤。
上述步骤针对传统边缘层按照任务到达的顺序对任务进行处理,忽视了任务本身对于系统造成的损失成本不同的问题,提出了基于设备优先级的多任务处理方法,可有效提高边缘层处理多任务时的目的性,减少系统故障状态下的损失。
进一步,传统的多目标遗传算法(NSGA-2)算法在种群中进行个体择优时只考虑了帕累托等级不同和帕累托等级相同而拥挤度不同时的情况,未考虑累托等级相同且拥挤度相同时的情况,针对上述问题,本方法将设备优先级作为该情况下择优的依据条件,流程图如图4所示,主要步骤如下:
其中优化目标函数为延时与功耗,染色体上携带的基因对应的为设备优先级信息值,基于设备对系统的重要程度,约定重要程度高的优先级高对应的基因值低;重要程度低的优先级低对应的基因值高。
步骤一、参数初始化;
步骤二、随机生成种群;
步骤三、计算父代染色体的目标函数值;
步骤四、根据目标函数值,用快速非支配方法进行帕累托等级划分;
步骤五、计算父代染色体的拥挤度;
步骤六、根据帕累托等级和拥挤度进行择优操作;
步骤七、将择优后的染色体经过交叉变异等产生子代染色体;
步骤八、计算子代染色体的目标函数值;
步骤九、将父、子代染色体混合,并按照快速非支配方法进行帕累托等级划分;
步骤十、计算父、子代染色体的拥挤度以及每个染色体上基因的平均值和方差;
步骤十一、根据帕累托等级,拥挤度,均值和方差进行择优操作,具体如下:
设染色体x1和x2的均值和方差分别为E1,E2和D1,D2;对于x1和x2,如下条件中满足任一个条件则称x1优于x2;
1)x1的帕累托等级数小于x2的帕累托等级数;
2)x1和x2处于同一帕累托等级且x1的拥挤度>x2的拥挤度;
3)x1和x2处于同一帕累托等级且拥挤度相等,则通过x1和x2的E1,E2及D1,D2来判别,具体如下:
①E1>E2,D1>D2 x1优于x2;
②E1>E2,D1<D2 x1优于x2;
③E1<E2,D1>D2 x2优于x1;
④E1<E2,D1<D2 x2优于x1;
⑤E1=E2 方差大的优于方差小的;
⑥D1=D2 期望大的优于期望小的;
步骤十二、重复迭代后得到最优解。
进一步地,边缘层为M/M/n序列模型,n代表边缘服务器的数量。由于任务计算的结果数据量较小,传输时间和功耗都相对很低,故舍去不计。
进一步,边缘缓冲区足够存储系统设备同时产生任务,允许任务产生即进入边缘层缓冲区;
进一步,云层为高级处理中心,包括云服务器,丰富的数据存数资源和计算资源,可提供数据存储,数据分析,数据挖掘等功能。通过深度学习生成设备新的运行模式,并通过边缘层反馈到终端层,实现远程调控。
进一步地,云层为M/M/∞序列模型,∞表示云层有着充足的计算资源和存储资源。云层中任务等待处理的时间忽略不计,边缘服务器和云数据中心之间任务传输的的时间固定。
实施例6
S1:当光伏5G基站系统中只有一个设备产生任务时,则依据设备上采集的电流、电压、功率或剩余电量中的异常值在3个月内出现的频率,根据频率是否超出设定阈值来选择是边缘层处理或是上传云层处理,由软件定义网络(SDN)控制器根据任务中的优先级信息分配边缘服务资源,当次任务结束后等待任务再次产生。
S2:当系统中多个设备产生任务时,边缘层优先执行优先级高的设备产生的任务,再依据该设备采集的电流、电压、功率或剩余电量中的异常值在一个季度时间内出现的频率选择是边缘层处理或是上传云层处理,由软件定义网络(SDN)控制器根据任务中的优先级信息分配边缘服务资源。当前任务结束后再重新对剩余设备产生的任务进行排序,并重复进行上述步骤,直至所有任务处理完成。
实施例7
和实施例6不同的是,实施例6依据的是具体异常值出现的频率,而本实施例7为异常类型出现的频率。具体如下:
S1:当光伏5G基站系统中只有一个设备产生任务时,则依据设备上采集的电流、电压、功率或剩余电量中的异常值,先判断为第一异常数据类型还是第二异常数据类型,然后根据在3个月内出现的同一异常类型的频率,判断频率是否超出设定阈值来选择是边缘层处理或是上传云层处理,由软件定义网络(SDN)控制器根据任务中的优先级信息分配边缘服务资源,当次任务结束后等待任务再次产生。
S2:当系统中多个设备产生任务时,边缘层优先执行优先级高的设备产生的任务,再依据设备上采集的电流、电压、功率或剩余电量中的异常值,先判断为第一异常数据类型还是第二异常数据类型,然后根据在3个月内出现的同一异常类型的频率,判断频率是否超出设定阈值来选择是边缘层处理或是上传云层处理,由软件定义网络(SDN)控制器根据任务中的优先级信息分配边缘服务资源。当前任务结束后再重新对剩余设备产生的任务进行排序,并重复进行上述步骤,直至所有任务处理完成。
该实施例7在无需记录具体异常值出现的频率,大大减少计算量。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言,可容易地实现另外的修改。
Claims (10)
1.光伏5G基站系统中基于设备优先级的多任务处理方法,其特征在于,包括:
步骤一、获取光伏5G基站系统中的终端层设备状态信息后,与终端层设备的优先级信息打包为数据包后发出任务;
步骤二、光伏5G基站系统中的边缘层设备接收任务后将数据包先暂存在边缘缓冲区,按照终端层设备优先级高低的先后顺序,依次判断状态信息数据是否异常,如果一段时间内同类型的异常数据出现的频次高于设定阈值,则任务直接上传云层设备进行处理,否则任务进入边缘层设备待处理任务行列,并在边缘缓冲区清除该任务;
步骤三、通过软件定义网络控制器依据数据包中的优先级信息分配边缘层设备的服务器资源对待处理任务进行处理;
步骤四、边缘层设备处理结果直接反馈终端层设备,云层处理结果经边缘层设备传输至终端层设备;
步骤五、重复执行步骤二至步骤四,直至边缘缓冲区任务清空。
2.根据权利要求1所述的光伏5G基站系统中基于设备优先级的多任务处理方法,其特征在于,具体的,所述步骤二中,接收到数据包后,边缘层设备提取数据包中的优先级信息进行高低排序,数据处理任务排序与优先级信息排序相对应;
以边缘层设备中存储的一段时间的历史数据作为比对基础,历史数据中人为设定的区间数值为正常数据,超出人为设定的区间数值的为异常数据,异常数据中,低于人为设定的区间数值的为第一类型异常数据,高于人为设定的区间数值的为第二类型异常数据;
从优先级高的任务开始,依次判断任务中的状态信息数据是否异常,如果数据异常则与历史数据进行比对,得到同类型异常数据出现的频率,如果同类型异常数据出现的频率超出设定阈值则上传云层设备进出处理,反之则保留在边缘层设备中进行处理;所述一段时间是指2~4个月,边缘层设备按时间依次存储数据包的数据作为历史数据,并依次删除过期的历史数据。
3.根据权利要求1所述的光伏5G基站系统中基于设备优先级的多任务处理方法,其特征在于,所述步骤三中,软件定义网络控制器的分配规则具体为:
根据优先级信息值的大小将优先级划分为若干等级;同时将边缘层设备服务器资源的网络拓扑距离也划分相同数量的若干等级;
根据优先级越高即优先级信息值越低分配到网络中拓扑距离越近的资源原则,按照待处理任务对应的优先级将任务分配到相应网络拓扑距离的边缘层设备服务器资源中进行处理。
4.根据权利要求1所述的光伏5G基站系统中基于设备优先级的多任务处理方法,其特征在于,所述步骤一中,终端层设备的优先级信息通过改进的多目标遗传算法算法算得,具体为:
设定优化目标函数为延时与功耗,染色体上携带的基因对应的为终端层设备优先级信息值,基于终端层设备对系统的重要程度,设定重要程度高的优先级高而对应的基因值低;重要程度低的优先级低而对应的基因值高;
进行以下步骤:
步骤一、参数初始化;
步骤二、随机生成种群;
步骤三、计算父代染色体的目标函数值;
步骤四、根据目标函数值,用快速非支配方法进行帕累托等级划分;
步骤五、计算父代染色体的拥挤度;
步骤六、根据帕累托等级和拥挤度进行择优操作;
步骤七、将择优后的染色体经过交叉变异等产生子代染色体;
步骤八、计算子代染色体的目标函数值;
步骤九、将父、子代染色体混合,并按照快速非支配方法进行帕累托等级划分;
步骤十、计算父、子代染色体的拥挤度以及每个染色体上基因的平均值和方差;
步骤十一、根据帕累托等级,拥挤度,均值和方差进行择优操作,具体如下:
设染色体x1和x2的均值和方差分别为E1,E2和D1,D2;对于x1和x2,如下条件中满足任一个条件则称x1优于x2;
1)x1的帕累托等级数小于x2的帕累托等级数;
2)x1和x2处于同一帕累托等级且x1的拥挤度>x2的拥挤度;
3)x1和x2处于同一帕累托等级且拥挤度相等,则通过x1和x2的E1,E2及D1,D2来判别,具体如下:
①E1>E2,D1>D2 x1优于x2;
②E1>E2,D1<D2 x1优于x2;
③E1<E2,D1>D2 x2优于x1;
④E1<E2,D1<D2 x2优于x1;
⑤E1=E2 方差大的优于方差小的;
⑥D1=D2 期望大的优于期望小的;
步骤十二、重复迭代后得到最优解。
5.根据权利要求1所述的光伏5G基站系统中基于设备优先级的多任务处理方法,其特征在于,所述终端层设备包括:
5G基站主设备、光伏组件、蓄电池、汇流箱、传感器和WiFi模块,传感器分别与5G基站主设备、光伏组件、蓄电池和汇流箱连接而采集其状态信息和优先级信息,WiFi模块与传感器连接用于与边缘层设备无线连接。
6.根据权利要求1所述的光伏5G基站系统中基于设备优先级的多任务处理方法,其特征在于,所述边缘层设备包括边缘服务器,用于提供数据存储资源和计算资源;边缘层设备通过WiFi模块与传感器连接,通过5G通信模块与云层无线连接;
其中,边缘层设备中设置有边缘缓冲区,边缘层设备允许任务直接进入边缘缓冲区,且边缘缓冲区具有足够空间存储终端层设备传输过来的任务。
7.根据权利要求1所述的光伏5G基站系统中基于设备优先级的多任务处理方法,其特征在于,所述云层设备为包括云服务器,其提供充足的数据存储资源和计算资源。
8.根据权利要求6所述的光伏5G基站系统中基于设备优先级的多任务处理方法,其特征在于,仅任务进入边缘缓冲区时,执行步骤二到步骤四的处理步骤,否则边缘层为空闲状态。
9.光伏5G基站系统,其特征在于,包括:终端层设备、边缘层设备和云层设备,并通过权利要求1所述多任务处理方法进行任务处理。
10.如权利要求9所述的光伏5G基站系统,其特征在于,所述终端层设备包括:5G基站主设备、光伏组件、蓄电池、汇流箱、传感器和WiFi模块,传感器分别与5G基站主设备、光伏组件、蓄电池和汇流箱连接而采集其状态信息和优先级信息,WiFi模块与传感器连接用于与边缘层设备无线连接;
所述边缘层设备包括:边缘服务器,用于提供数据存储资源和计算资源;边缘层设备通过WiFi模块与传感器连接,通过5G通信模块与云层无线连接;其中,边缘层设备中设置有边缘缓冲区,边缘层设备允许任务直接进入边缘缓冲区,且边缘缓冲区具有足够空间存储终端层设备传输过来的任务;
所述云层设备包括:云服务器,其与边缘层连接并提供的数据存储资源和计算资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210170327.8A CN114675963A (zh) | 2022-02-23 | 2022-02-23 | 光伏5g基站系统中基于设备优先级的多任务处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210170327.8A CN114675963A (zh) | 2022-02-23 | 2022-02-23 | 光伏5g基站系统中基于设备优先级的多任务处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114675963A true CN114675963A (zh) | 2022-06-28 |
Family
ID=82072445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210170327.8A Pending CN114675963A (zh) | 2022-02-23 | 2022-02-23 | 光伏5g基站系统中基于设备优先级的多任务处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114675963A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228176A (zh) * | 2023-05-10 | 2023-06-06 | 安徽皖欣环境科技有限公司 | 一种基于数据处理的污水处理数据高效管理系统 |
-
2022
- 2022-02-23 CN CN202210170327.8A patent/CN114675963A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228176A (zh) * | 2023-05-10 | 2023-06-06 | 安徽皖欣环境科技有限公司 | 一种基于数据处理的污水处理数据高效管理系统 |
CN116228176B (zh) * | 2023-05-10 | 2023-07-18 | 安徽皖欣环境科技有限公司 | 一种基于数据处理的污水处理数据高效管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110649641B (zh) | 基于源网荷储协同服务的电动汽车快充站储能系统及其方法 | |
WO2023201916A1 (zh) | 一种分布式灵活资源聚合控制装置及控制方法 | |
TWI774900B (zh) | 對置於裝置交換站的複數個可交換式能源儲存裝置的充電方法、伺服器、裝置交換站的管理方法 | |
JP2024503017A (ja) | 充電管理システムにおける充電及びエネルギー供給の最適化方法並び装置 | |
CN109523087B (zh) | 基于深度学习的电动汽车快充站储能监测系统及其方法 | |
CN106340176B (zh) | 一种智能电表的信息共享方法、智能电表及采集路由器 | |
TW201931281A (zh) | 管理複數個裝置交換站的方法及伺服器系統 | |
CN110784779B (zh) | 一种用电信息采集系统的数据采集方法 | |
CN115100896B (zh) | 一种考虑机会充电策略的电动需求响应公交调度方法 | |
CN114036451A (zh) | 一种并网式光储充装置的储能控制方法及系统 | |
CN113479103B (zh) | 一种新能源公交充电站的充电负荷优化方法及装置 | |
CN110647398A (zh) | 一种面向边缘计算的基于任务关键度和时效性的交叉口控制任务调度方法 | |
CN115347569B (zh) | 一种基于智能预测的电力调配系统 | |
CN110936843A (zh) | 智能充电桩互联网系统及管理方法 | |
CN108346009B (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN114675963A (zh) | 光伏5g基站系统中基于设备优先级的多任务处理方法 | |
CN114039370A (zh) | 基于v2g模式的电动汽车与智能充放电站的资源优化方法 | |
CN113222241A (zh) | 考虑充电服务引导与客户需求的出租车快充电站规划方法 | |
CN115225643A (zh) | 点云平台大数据分布式管理方法、装置及系统 | |
KR20140038622A (ko) | 전력저장시스템의 충방전 분배장치 및 그 방법 | |
Hebal et al. | Aco-based distributed energy routing protocol in smart grid | |
CN114205374B (zh) | 基于信息时效性的传输和计算联合调度方法、装置及系统 | |
CN111225398B (zh) | 一种基于协作覆盖的微电网无线传感器网络能耗优化方法 | |
CN102289277B (zh) | 数据中心应用服务的调度方法 | |
Hoogsteen et al. | On the scalability of decentralized energy management using profile steering |
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 |