CN114818446A - 面向5g云边端协同的电力业务分解方法及系统 - Google Patents

面向5g云边端协同的电力业务分解方法及系统 Download PDF

Info

Publication number
CN114818446A
CN114818446A CN202111577683.3A CN202111577683A CN114818446A CN 114818446 A CN114818446 A CN 114818446A CN 202111577683 A CN202111577683 A CN 202111577683A CN 114818446 A CN114818446 A CN 114818446A
Authority
CN
China
Prior art keywords
functional component
particle
particles
formula
node
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
Application number
CN202111577683.3A
Other languages
English (en)
Other versions
CN114818446B (zh
Inventor
吕玉祥
向辉
汪玉成
杨阳
董亚文
陈巨龙
吴昊
陈颢
王红艳
吴辉
杜广东
王红全
严世鑫
吴堃
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.)
Anhui Jiyuan Software Co Ltd
Original Assignee
Anhui Jiyuan Software Co Ltd
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 Anhui Jiyuan Software Co Ltd filed Critical Anhui Jiyuan Software Co Ltd
Priority to CN202111577683.3A priority Critical patent/CN114818446B/zh
Publication of CN114818446A publication Critical patent/CN114818446A/zh
Priority to PCT/CN2022/118063 priority patent/WO2023116067A1/zh
Application granted granted Critical
Publication of CN114818446B publication Critical patent/CN114818446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种面向5G云边端协同的电力业务分解方法及系统，属于电力运检技术领域。该分解方法包括：获取功能组件的计算资源需求、电力业务系统中协作终端、边缘节点以及云中心可用于处理计算资源需求的功能组件的数量；根据公式(1)确定每个功能组件的决策变量；根据公式(2)确定第i个功能组件向第k个功能组件发送数据的数据耗时；根据公式(3)确定第k个功能组件的执行完成时刻与第i个功能组件的执行完成时刻的约束条件；根据公式(4)和公式(5)确定协作终端和边缘节点的功耗约束条件；根据公式(1)至公式(5)确定电力业务系统的计算模型；采用粒子群算法对计算模型进行求解以得到计算模型的最优解。

Description

面向5G云边端协同的电力业务分解方法及系统
技术领域
本发明涉及电力运检技术领域，具体地涉及一种面向5G云边端协同的电力业务分解方法及系统。
背景技术
随着电网向智能化方向发展，电力运检业务智能化、实时性要求也越来越高；5G、增强现实(AR)、人工智能、边缘计算、大数据、物联网等新一代信息技术，为电力运检带来革命性突破的同时，使智能电力运检业务更加复杂。为了缩短业务软件的开发和测试周期，业界开始采用组件化方式来降低业务模块间耦合性；同时在5G泛在连接和云边端多级计算资源节点支持下，组件化实现的智能电力运检业务也能灵活拆解，通过构建微服务部署在不同算力节点上，改善服务性能并提升网络和计算资源的利用率。因此在考虑5G云边端协同环境中云边端不同计算节点的计算能力和电力巡检业务执行时间要求基础上，面向云边端协同环境对具有复杂逻辑功能的智能电力巡检业务进行合理的微服务构建，是实现电力运检业务高效分布式部署和快速执行的先决条件。
现有的电力运检业务功能组件的微服务构建方案主要是将完整的软件在代码层面拆分和打包为微服务，但该类技术方案目前主要考虑到了模块功能和代码实现的功能组件聚合可行性，未考虑资源，尤其是网络资源对微服务构建方案的影响。在当前5G和云边端共存的实际部署环境中，不同类型的计算节点，如用户终端、边缘节点、云中心，其计算资源是不一样的，电力运检业务微服务构建应该考虑不同计算节点容量差异对微服务构建结果的影响。
目前基于图聚类的最优化算法，通常智能考虑组件之间的关联性约束，无法兼容组件本身的资源约束，也无法纳入5G云边端的计算和网络环境特性，因此不能充分指导面向5G云边端协同的电力运检业务组件微服务构建过程，难以达到较好的构建结果。
发明内容
本发明实施例的目的是提供一种面向5G云边端协同的电力业务分解方法及系统，该分解方法及系统能够生成电力业务系统中的准确的计算资源分配方案。
为了实现上述目的，本发明实施例提供一种面向5G云边端协同的电力业务分解方法，包括：
获取功能组件的计算资源需求、当前电力业务系统中协作终端、边缘节点以及云中心可用于处理所述计算资源需求的功能组件的数量；
根据公式(1)确定每个功能组件的决策变量，
Figure BDA0003425834850000021
其中，X为所述决策变量，xijr为决策变量关于第i个功能组件是否属于第j类节点下的第r个微服务的值，i、j、r均为正整数，在第i个功能组件属于第j类节点下的第r个微服务的情况下，xijr＝1，在第i个功能组件不属于第j类节点下的第r个微服务的情况下，xijr＝0，Ni为功能组件的数量，Nj为节点的类别的数量，
Figure BDA0003425834850000022
为第j类节点中微服务的数量；
根据公式(2)确定第i个功能组件向第k个功能组件发送数据的数据耗时，
Figure BDA0003425834850000023
其中，tik为第i个功能组件向第k个功能组件发送数据的数据耗时，xkjr为决策变量关于第k个功能组件是否属于第j类节点下的第r个微服务的值，Nr为微服务的数量，dik为表示第i个功能组件向第k个功能组件发送数据的通信数据量，B为数据传输的带宽；
根据公式(3)确定第k个功能组件的执行完成时刻与第i个功能组件的执行完成时刻的约束条件，
Figure BDA0003425834850000031
其中，Fk为第k个功能组件的执行完成时刻，Fi为第i个功能组件的执行完成时刻，ck为第k个功能组件完成任务所需的CPU圈数，fj为第j类节点的功能组件CPU主频；
根据公式(4)和公式(5)确定协作终端和边缘节点的功耗约束条件，
Figure BDA0003425834850000032
Figure BDA0003425834850000033
其中，xi1r为决策变量关于第i个功能组件是否属于协作终端的节点下的第r个微服务的值，ci为第i个功能组件完成任务所需的CPU圈数，fMT为协作终端的CPU主频，PMT为协作终端的功率，EMT为协作终端的能耗阈值，
Figure BDA0003425834850000034
为协作终端的微服务的数量，xi2r为决策变量关于第i个功能组件是否属于边缘节点的节点下的第r个微服务的值，fEN为边缘节点的CPU主频，PEN为边缘节点的功率，EEN为边缘节点的能耗阈值；
根据公式(1)至公式(5)确定所述电力业务系统的计算模型；
采用粒子群算法对所述计算模型进行求解以得到所述计算模型的最优解，其中，所述最优解的目标为完成所述计算资源需求的最小时间。
可选地，采用粒子群算法对所述计算模型进行求解以得到所述计算模型的最优解包括：
随机生成多个粒子；
更新每个粒子的位置及速度；
更新每个粒子的历史最佳位置和所有粒子的历史最佳位置；
计算每个粒子的适应度；
判断当前的迭代次数是否大于或等于预设的迭代次数阈值；
在判断当前的迭代次数大于或等于所述迭代次数阈值的情况下，输出适应度最大的所述粒子以作为最优解；
在判断当前的迭代次数小于所述迭代次数阈值的情况下，再次返回执行更新每个粒子的位置及速度的步骤，直到判断当前的迭代次数大于或等于所述迭代次数阈值。
可选地，随机生成多个粒子包括：
根据公式(6)和公式(7)随机生成所述粒子，
Figure BDA0003425834850000041
Figure BDA0003425834850000042
其中，Yn为第n个所述粒子的位置，n＝1,2,…,Np，Np为多个粒子的数量，yijr＝xijr，Vn为粒子的速度，vijr为决策变量的值xijr对应的速度。
可选地，更新每个粒子的位置及速度包括：
根据公式(8)更新所述速度，
Figure BDA0003425834850000043
其中，
Figure BDA0003425834850000044
为k+1代的速度，
Figure BDA0003425834850000045
为k代的速度，ω为预设的惯性权重，ε1、ε2为预设的加速常数，r1、r2为区间[0，1]内的随机数，
Figure BDA0003425834850000046
为第n个所述粒子的历史最佳位置，Gbestijr为所有粒子的历史最佳位置。
可选地，更新每个粒子的位置及速度包括：
根据公式(9)更新所述位置，
Figure BDA0003425834850000051
其中，
Figure BDA0003425834850000052
为k+1代的位置，
Figure BDA0003425834850000053
为k代的位置。
可选地，更新每个粒子的历史最佳位置和所有粒子的历史最佳位置包括：
判断所述粒子当前的适应度是否大于所述粒子的历史最佳位置对应的适应度；
在判断所述粒子当前的适应度大于所述粒子的历史最佳位置对应的适应度的情况下，采用所述粒子当前的位置替代所述粒子的历史最佳位置。
可选地，更新每个粒子的历史最佳位置和所有粒子的历史最佳位置包括：
判断所述粒子当前的适应度是否大于所有粒子的历史最佳位置对应的适应度；
在判断所述粒子当前的适应度大于所有粒子的历史最佳位置对应的适应度的情况下，采用所述粒子当前的位置替代所有粒子的历史最佳位置。
可选地，所述分解方法还包括：
在每次迭代结束后，根据公式(10)和公式(11)对所述粒子中的每个位置执行离散化操作，
Figure BDA0003425834850000054
Figure BDA0003425834850000055
其中，zijr为粒子中的位置yij′r′离散后的值，j′、r′均为正整数，Zn为离散化操作后的粒子。
另一方面，本发明还提供一种面向5G云边端协同的电力业务分解系统，所述分解系统包括功能组件，所述功能组件被配置成执行如上述任一所述的分解方法。
再一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的分解方法。
通过上述技术方案，本发明提供的面向5G云边端协同的电力业务分解方法及系统通过针对电力业务系统中的协作终端、边缘节点以及云中心的功能组件的特点，采用决策变量和数据传输带宽的方式来计算各个节点协同计算的处理时间，最后采用粒子群算法对整体的方案进行优化。相较于现有技术而言，本发明提供的分解方法及系统由于结合了电力业务系统的节点特性，使得生成的计算分配方案能够更加高效地分配计算资源。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是根据本发明的一个实施方式的面向5G云边端协同的电力业务分解方法的流程图；
图2是根据本发明的一个实施方式的电力业务系统的有向无环图的示意图；
图3是根据本发明的一个实施方式的粒子群算法的流程图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
如图1所示是根据本发明的一个实施方式的面向5G云边端协同的电力业务分解方法的流程图。在该图1中，该分解方法可以包括：
在步骤S10中，获取功能组件的计算资源需求、当前电力业务系统中协作终端、边缘节点以及云中心可用于处理计算资源需求的功能组件的数量；
在步骤S11中，根据公式(1)确定每个功能组件的决策变量，
Figure BDA0003425834850000071
其中，X为决策变量，xijr为决策变量关于第i个功能组件是否属于第j类节点下的第r个微服务的值，i、j、r均为正整数，在第i个功能组件属于第j类节点下的第r个微服务的情况下，xijr＝1，在第i个功能组件不属于第j类节点下的第r个微服务的情况下，xijr＝0，Ni为功能组件的数量，Nj为节点的类别的数量，
Figure BDA0003425834850000072
为第j类节点中微服务的数量；
在步骤S12中，根据公式(2)确定第i个功能组件向第k个功能组件发送数据的数据耗时，
Figure BDA0003425834850000073
其中，tik为第i个功能组件向第k个功能组件发送数据的数据耗时，xkjr为决策变量关于第k个功能组件是否属于第j类节点下的第r个微服务的值，Nr为微服务的数量，dik为表示第i个功能组件向第k个功能组件发送数据的通信数据量，B为数据传输的带宽；
在步骤S13中，根据公式(3)确定第k个功能组件的执行完成时刻与第i个功能组件的执行完成时刻的约束条件，
Figure BDA0003425834850000074
其中，Fk为第k个功能组件的执行完成时刻，Fi为第i个功能组件的执行完成时刻，ck为第k个功能组件完成任务所需的CPU圈数，fj为第j类节点的功能组件CPU主频；
在步骤S14中，根据公式(4)和公式(5)确定协作终端和边缘节点的功耗约束条件，
Figure BDA0003425834850000081
Figure BDA0003425834850000082
其中，xi1r为决策变量关于第i个功能组件是否属于协作终端的节点下的第r个微服务的值，ci为第i个功能组件完成任务所需的CPU圈数，fMT为协作终端的CPU主频，PMT为协作终端的功率，EMT为协作终端的能耗阈值，
Figure BDA0003425834850000083
为协作终端的微服务的数量，xi2r为决策变量关于第i个功能组件是否属于边缘节点的节点下的第r个微服务的值，fEN为边缘节点的CPU主频，PEN为边缘节点的功率，EEN为边缘节点的能耗阈值；
在步骤S15中，根据公式(1)至公式(5)确定电力业务系统的计算模型；
在步骤S16中，采用粒子群算法对计算模型进行求解以得到计算模型的最优解。其中，最优解的目标为完成计算资源需求的最小时间。
在电力运检业务中，常常设计多个功能组件，这些组件具有复杂的顺序或并行依赖关系。这种并行依赖关系可以通过组件依赖图(或有向无环图)来描述，如图2所示。在该图2中，每个节点代表一个功能组件，即功能组件，其权重可以表示该节点的计算需求，而边则可以表示该依赖并行关系。在该图2中，通过该依赖并行关系可以看出，不同的功能组件之间存在一定的先后次序关系，例如运检业务的视频压缩就必须在视频采集后才能开始，而视频编码则需要在视频压缩后才能开始。
基于该如图2所示的有向无环图，步骤S11可以用于将该依赖并行关系转换为决策变量。当该决策变量等于1时，表示当前表示的该功能组件或功能组件即开始工作；反之，当该决策变量等于0时，表示当前表示的该功能组件或功能组件不工作。而基于该公式(1)中所给出的决策变量，第i个功能组件的执行时间τi可以有所在的节点类型来确定(协作终端、边缘节点或云中心)，即可以采用公式(6)来计算该执行时间τi，
Figure BDA0003425834850000091
其中，τi为第i个功能组件的执行时间，ci为第i个功能组件完成任务所需的CPU圈数，Nj为节点的类别的数量，在本发明的一个示例中，Nj＝3。在该实施方式中，
对于功能组件i、k，如果他们是在同一个微服务中，那么
Figure BDA0003425834850000092
Figure BDA0003425834850000093
否则j＝1Njr＝1Nrxijr·xkjr＝0。我们认为，当功能组件i、k在同一个微服务中时，彼此之间的通信可以通过内存读写完成，其耗时近似认为为0，而i、k不在同一个微服务时，彼此之间的通信需要借助与有线信道或者无线信道完成，这里将这两种传输方式简化，并认为数据传输的带宽为B。因而功能组件i发往功能组件k的数据耗时则可以表示为上述公式(2)。
在实际的实施过程中，假设功能组件i的执行完成时刻为Fi,i＝1,..,Ni。根据各个功能组件之间的依赖关系，一个功能组件可以执行的前提时其所有的前继功能组件都执行完成，因而可以根据上述公式(3)来确定该约束条件。
由于所有的运检业务都是由终端发起的，因此除了上述公式(3)、(4)和(5)给出的约束条件外，还包括公式(7)，
Figure BDA0003425834850000094
而第一个功能组件的执行完成时间可以表示为公式(8)，
Figure BDA0003425834850000101
并且出于安全因素考虑，某些功能组件只能选择靠近终端的边缘节点执行，这里以功能组件3为例，假设功能组件3只能放在某一个边缘节点的微服务中，因而可以得到下述的公式(9)，
Figure BDA0003425834850000102
考虑到协作终端和边缘节点的资源都是受限的，因此需要保证每一个运检业务放在协作终端或边缘节点上的所有微服务不能超过对应的功耗阈值，因此可以得到上述公式(4)和公式(5)所示的约束条件。
在该实施方式中，对于步骤S16中所采用的粒子群算法的具体步骤。虽然可以是本领域人员是所知的多种形式。但是，考虑到步骤S10至步骤S15中对于粒子的编码方式。在本发明的一个优选示例中，该粒子群算法的步骤可以是如图3所示。在该图3中，该粒子群算法可以包括：
在步骤S20中，随机生成多个粒子。具体地，在该实施方式中，可以是根据公式(10)和公式(11)随机生成该粒子，
Figure BDA0003425834850000103
Figure BDA0003425834850000104
其中，Yn为第n个粒子的位置，n＝1,2,…,Np，Np为多个粒子的数量，yijr＝xijr，Vn为粒子的速度，vijr为决策变量的值xijr对应的速度。
在步骤S21中，更新每个粒子的位置及速度。具体地，在该实施方式中，可以是根据公式(12)更新速度，
Figure BDA0003425834850000105
其中，
Figure BDA0003425834850000106
为k+1代的速度，
Figure BDA0003425834850000107
为k代的速度，ω为预设的惯性权重，ε1、ε2为预设的加速常数，r1、r2为区间[0，1]内的随机数，
Figure BDA0003425834850000108
为第n个粒子的历史最佳位置，Gbestijr为所有粒子的历史最佳位置。
至于更新该粒子的位置，则可以是根据公式(13)更新位置，
Figure BDA0003425834850000111
其中，
Figure BDA0003425834850000112
为k+1代的位置，
Figure BDA0003425834850000113
为k代的位置。
在步骤S22中，更新每个粒子的历史最佳位置和所有粒子的历史最佳位置。具体地针对该粒子的历史最佳位置，该步骤S22可以是先判断粒子当前的适应度是否大于粒子的历史最佳位置对应的适应度；再在判断粒子当前的适应度大于粒子的历史最佳位置对应的适应度的情况下，采用粒子当前的位置替代粒子的历史最佳位置。类似地，对于所有粒子的历史最佳位置，该步骤S22则可以是判断粒子当前的适应度是否大于所有粒子的历史最佳位置对应的适应度；在判断粒子当前的适应度大于所有粒子的历史最佳位置对应的适应度的情况下，采用粒子当前的位置替代所有粒子的历史最佳位置。
在步骤S23中，计算每个粒子的适应度。在该实施方式中，该适应度可以是每个粒子对应的计算资源分配方案所计算出的总的执行时间。
在步骤S24中，判断当前的迭代次数是否大于或等于预设的迭代次数阈值；
在步骤S25中，在判断当前的迭代次数大于或等于迭代次数阈值的情况下，输出适应度最大的粒子以作为最优解。
在判断当前的迭代次数小于迭代次数阈值的情况下，再次返回执行更新每个粒子的位置及速度的步骤，直到判断当前的迭代次数大于或等于迭代次数阈值。
另外，在每次迭代的过程中，为了保证能够将每个计算出的位置(0-1之间的实数)转化为0或1的离散值，在该示例中，可以是在每次迭代结束，对于第一个功能组件，
Figure BDA0003425834850000114
然后令z111＝1；对于第三个功能组件令
Figure BDA0003425834850000115
然后令z321＝1，对于每个粒子的其他功能组件i，i＝2,4,5,..,Ni。具体地，也可以是根据公式(14)和公式(15)对粒子中的每个位置执行离散化操作，
Figure BDA0003425834850000121
Figure BDA0003425834850000122
其中，zijr为粒子中的位置yij′r′离散后的值，j′、r′均为正整数，Zn为离散化操作后的粒子。
更具体地，如图3所示出的粒子群算法也可以采用表1中所示的伪代码来表示，
表1
Figure BDA0003425834850000123
其中fitness(*)表示粒子在*位置时的适应度，即优化目标。rand([a,b,c])表示生成维度分别时a,b,c的的矩阵，其矩阵元素在[0,1]之间。
另一方面，本发明还提供一种面向5G云边端协同的电力业务分解系统，所述分解系统包括功能组件，所述功能组件被配置成执行如上述任一所述的分解方法。
再一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的分解方法。
通过上述技术方案，本发明提供的面向5G云边端协同的电力业务分解方法及系统通过针对电力业务系统中的协作终端、边缘节点以及云中心的功能组件的特点，采用决策变量和数据传输带宽的方式来计算各个节点协同计算的处理时间，最后采用粒子群算法对整体的方案进行优化。相较于现有技术而言，本发明提供的分解方法及系统由于结合了电力业务系统的节点特性，使得生成的计算分配方案能够更加高效地分配计算资源。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的功能组件以产生一个机器，使得通过计算机或其他可编程数据处理设备的功能组件执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个功能组件(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种面向5G云边端协同的电力业务分解方法，其特征在于，所述分解方法包括：
获取功能组件的计算资源需求、当前电力业务系统中协作终端、边缘节点以及云中心可用于处理所述计算资源需求的功能组件的数量；
根据公式(1)确定每个功能组件的决策变量，
Figure FDA0003425834840000011
Figure FDA0003425834840000012
其中，X为所述决策变量，xijr为决策变量关于第i个功能组件是否属于第j类节点下的第r个微服务的值，i、j、r均为正整数，在第i个功能组件属于第j类节点下的第r个微服务的情况下，xijr＝1，在第i个功能组件不属于第j类节点下的第r个微服务的情况下，xijr＝0，Ni为功能组件的数量，Nj为节点的类别的数量，
Figure FDA0003425834840000015
为第j类节点中微服务的数量；
根据公式(2)确定第i个功能组件向第k个功能组件发送数据的数据耗时，
Figure FDA0003425834840000013
其中，tik为第i个功能组件向第k个功能组件发送数据的数据耗时，xkjr为决策变量关于第k个功能组件是否属于第j类节点下的第r个微服务的值，Nr为微服务的数量，dik为表示第i个功能组件向第k个功能组件发送数据的通信数据量，B为数据传输的带宽；
根据公式(3)确定第k个功能组件的执行完成时刻与第i个功能组件的执行完成时刻的约束条件，
Figure FDA0003425834840000014
其中，Fk为第k个功能组件的执行完成时刻，Fi为第i个功能组件的执行完成时刻，ck为第k个功能组件完成任务所需的CPU圈数，fj为第j类节点的功能组件CPU主频；
根据公式(4)和公式(5)确定协作终端和边缘节点的功耗约束条件，
Figure FDA0003425834840000021
Figure FDA0003425834840000022
其中，xi1r为决策变量关于第i个功能组件是否属于协作终端的节点下的第r个微服务的值，ci为第i个功能组件完成任务所需的CPU圈数，fMT为协作终端的CPU主频，PMT为协作终端的功率，EMT为协作终端的能耗阈值，
Figure FDA0003425834840000023
为协作终端的微服务的数量，xi2r为决策变量关于第i个功能组件是否属于边缘节点的节点下的第r个微服务的值，fEN为边缘节点的CPU主频，PEN为边缘节点的功率，EEN为边缘节点的能耗阈值；
根据公式(1)至公式(5)确定所述电力业务系统的计算模型；
采用粒子群算法对所述计算模型进行求解以得到所述计算模型的最优解，其中，所述最优解的目标为完成所述计算资源需求的最小时间。
2.根据权利要求1所述的分解方法，其特征在于，采用粒子群算法对所述计算模型进行求解以得到所述计算模型的最优解包括：
随机生成多个粒子；
更新每个粒子的位置及速度；
更新每个粒子的历史最佳位置和所有粒子的历史最佳位置；
计算每个粒子的适应度；
判断当前的迭代次数是否大于或等于预设的迭代次数阈值；
在判断当前的迭代次数大于或等于所述迭代次数阈值的情况下，输出适应度最大的所述粒子以作为最优解；
在判断当前的迭代次数小于所述迭代次数阈值的情况下，再次返回执行更新每个粒子的位置及速度的步骤，直到判断当前的迭代次数大于或等于所述迭代次数阈值。
3.根据权利要求2所述的分解方法，其特征在于，随机生成多个粒子包括：
根据公式(6)和公式(7)随机生成所述粒子，
Figure FDA0003425834840000031
Figure FDA0003425834840000032
其中，Yn为第n个所述粒子的位置，n＝1，2，...，Np，Np为多个粒子的数量，yijr＝xijr，Vn为粒子的速度，vijr为决策变量的值xijr对应的速度。
4.根据权利要求2所述的分解方法，其特征在于，更新每个粒子的位置及速度包括：
根据公式(8)更新所述速度，
Figure FDA0003425834840000033
其中，
Figure FDA0003425834840000034
为k+1代的速度，
Figure FDA0003425834840000035
为k代的速度，ω为预设的惯性权重，ε1、ε2为预设的加速常数，r1、r2为区间[0，1]内的随机数，
Figure FDA0003425834840000036
为第n个所述粒子的历史最佳位置，Gbestijr为所有粒子的历史最佳位置。
5.根据权利要求2所述的分解方法，其特征在于，更新每个粒子的位置及速度包括：
根据公式(9)更新所述位置，
Figure FDA0003425834840000037
其中，
Figure FDA0003425834840000041
为k+1代的位置，
Figure FDA0003425834840000042
为k代的位置。
6.根据权利要求2所述的分解方法，其特征在于，更新每个粒子的历史最佳位置和所有粒子的历史最佳位置包括：
判断所述粒子当前的适应度是否大于所述粒子的历史最佳位置对应的适应度；
在判断所述粒子当前的适应度大于所述粒子的历史最佳位置对应的适应度的情况下，采用所述粒子当前的位置替代所述粒子的历史最佳位置。
7.根据权利要求2所述的分解方法，其特征在于，更新每个粒子的历史最佳位置和所有粒子的历史最佳位置包括：
判断所述粒子当前的适应度是否大于所有粒子的历史最佳位置对应的适应度；
在判断所述粒子当前的适应度大于所有粒子的历史最佳位置对应的适应度的情况下，采用所述粒子当前的位置替代所有粒子的历史最佳位置。
8.根据权利要求2所述的分解方法，其特征在于，所述分解方法还包括：
在每次迭代结束后，根据公式(10)和公式(11)对所述粒子中的每个位置执行离散化操作，
Figure FDA0003425834840000043
Figure FDA0003425834840000044
其中，zijr为粒子中的位置yij′r′离散后的值，j′、r′均为正整数，Zn为离散化操作后的粒子。
9.一种面向5G云边端协同的电力业务分解系统，其特征在于，所述分解系统包括功能组件，所述功能组件被配置成执行如权利要求1至8任一所述的分解方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1至8任一所述的分解方法。
CN202111577683.3A 2021-12-22 2021-12-22 面向5g云边端协同的电力业务分解方法及系统 Active CN114818446B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111577683.3A CN114818446B (zh) 2021-12-22 2021-12-22 面向5g云边端协同的电力业务分解方法及系统
PCT/CN2022/118063 WO2023116067A1 (zh) 2021-12-22 2022-09-09 面向5g云边端协同的电力业务分解方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111577683.3A CN114818446B (zh) 2021-12-22 2021-12-22 面向5g云边端协同的电力业务分解方法及系统

Publications (2)

Publication Number Publication Date
CN114818446A true CN114818446A (zh) 2022-07-29
CN114818446B CN114818446B (zh) 2023-03-24

Family

ID=82527040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111577683.3A Active CN114818446B (zh) 2021-12-22 2021-12-22 面向5g云边端协同的电力业务分解方法及系统

Country Status (2)

Country Link
CN (1) CN114818446B (zh)
WO (1) WO2023116067A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023116067A1 (zh) * 2021-12-22 2023-06-29 安徽继远软件有限公司 面向5g云边端协同的电力业务分解方法及系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912749B (zh) * 2023-09-13 2024-01-05 杭州义益钛迪信息技术有限公司 告警事件处理方法、装置、设备及存储介质
CN117170885B (zh) * 2023-11-03 2024-01-26 国网山东综合能源服务有限公司 基于云边协同的分布式资源优化调配方法及系统
CN117896785B (zh) * 2024-03-18 2024-05-24 华北电力大学 基于业务流特征的电力通信资源协同预留方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861793A (zh) * 2020-07-29 2020-10-30 广东电网有限责任公司电力调度控制中心 基于云边协同计算架构的配用电业务分配方法及装置
CN112084026A (zh) * 2020-09-02 2020-12-15 国网河北省电力有限公司石家庄供电分公司 基于粒子群的低能耗边缘计算资源部署系统及方法
CN112333717A (zh) * 2020-11-13 2021-02-05 国网安徽省电力有限公司信息通信分公司 计及电力多业务需求的5g接入网切片资源分配方法及装置
US20210117860A1 (en) * 2019-10-17 2021-04-22 Ambeent Wireless Method and system for distribution of computational and storage capacity using a plurality of moving nodes in different localities: a new decentralized edge architecture
CN112817653A (zh) * 2021-01-22 2021-05-18 西安交通大学 一种基于云边端的联邦学习计算卸载计算系统及方法
CN113821317A (zh) * 2021-07-02 2021-12-21 华侨大学 一种边云协同的微服务调度方法、装置及设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506956B (zh) * 2017-06-12 2018-06-15 合肥工业大学 基于改进粒子群算法供应链生产运输协同调度方法及系统
CN109871982A (zh) * 2019-01-10 2019-06-11 北京国电通网络技术有限公司 一种配电网重构方法及云服务器、电子设备
CN114818446B (zh) * 2021-12-22 2023-03-24 安徽继远软件有限公司 面向5g云边端协同的电力业务分解方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210117860A1 (en) * 2019-10-17 2021-04-22 Ambeent Wireless Method and system for distribution of computational and storage capacity using a plurality of moving nodes in different localities: a new decentralized edge architecture
CN111861793A (zh) * 2020-07-29 2020-10-30 广东电网有限责任公司电力调度控制中心 基于云边协同计算架构的配用电业务分配方法及装置
CN112084026A (zh) * 2020-09-02 2020-12-15 国网河北省电力有限公司石家庄供电分公司 基于粒子群的低能耗边缘计算资源部署系统及方法
CN112333717A (zh) * 2020-11-13 2021-02-05 国网安徽省电力有限公司信息通信分公司 计及电力多业务需求的5g接入网切片资源分配方法及装置
CN112817653A (zh) * 2021-01-22 2021-05-18 西安交通大学 一种基于云边端的联邦学习计算卸载计算系统及方法
CN113821317A (zh) * 2021-07-02 2021-12-21 华侨大学 一种边云协同的微服务调度方法、装置及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YONGSHENG ZHAO等: "Mining fault association rules in the perception layer of electric power sensor network based on improved Eclat", 《2021 INTERNATIONAL WIRELESS COMMUNICATIONS AND MOBILE COMPUTING》 *
杨鸿珍等: "基于智能光网络系统的配用电业务承载方案研究", 《浙江电力》 *
王国法等: "智能化煤矿顶层设计研究与实践", 《煤炭学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023116067A1 (zh) * 2021-12-22 2023-06-29 安徽继远软件有限公司 面向5g云边端协同的电力业务分解方法及系统

Also Published As

Publication number Publication date
WO2023116067A1 (zh) 2023-06-29
CN114818446B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN114818446B (zh) 面向5g云边端协同的电力业务分解方法及系统
Yao et al. Fog resource provisioning in reliability-aware IoT networks
CN111865622A (zh) 基于规则引擎集群的云服务计量计费方法及系统
Premalatha et al. Optimal energy-efficient resource allocation and fault tolerance scheme for task offloading in IoT-FoG computing networks
CN114970814A (zh) 神经网络计算图的处理方法及处理装置
CN115297008B (zh) 基于智算网络的协同训练方法、装置、终端及存储介质
Zotov et al. Resource allocation algorithm in data centers with a unified scheduler for different types of resources
CN114841323A (zh) 神经网络计算图的处理方法及处理装置
CN118034924A (zh) 基于众核系统的数据处理方法、装置、电子设备和介质
CN113535381A (zh) 基于改进遗传算法的服务功能链映射方法、装置及设备
CN111221644B (zh) 资源调度方法、装置及设备
CN116954878A (zh) 容器集群的管理方法、装置、设备、存储介质及程序产品
Ibarz et al. Optimizing vehicle-to-cloud data transfers using soft real-time scheduling concepts
Jamil et al. Workload Orchestration in Multi-Access Edge Computing Using Belief Rule-Based Approach
CN115374086A (zh) 一种基于消息队列的数据迁移方法、装置、设备及介质
Chellasamy et al. Application of Serverless Computing in Blockchain Distributed Technology
CN115002215A (zh) 面向云上政企的资源分配模型训练方法以及资源分配方法
CN114035940A (zh) 资源分配方法以及装置
CN113132445A (zh) 资源调度方法、设备、网络系统及存储介质
CN117651044B (zh) 一种边缘计算任务调度方法及装置
CN115834585B (zh) 数据处理方法及负载均衡系统
CN117978554B (zh) 一种基于配置的微服务隔离运行方法、设备及介质
CN113687973B (zh) 一种日志动态化输出的控制方法、设备及介质
CN111651276B (zh) 一种调度方法、装置及电子设备
CN114679471B (zh) 一种基于云端业务处理的数据匹配方法

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